Integrating Modalities into Context Aware eLearning System Using Cloud Computing
Notice bibliographique
Résumé
ICT and digital Technologies have influenced the everyday life and the way how people learn and work. Nowadays, there is a variety of learning systems supporting innovative digital approaches and many schools, universities and organizations worldwide are investing in building their own e-Learning platforms. However, learners” performance still a concern that requests focus for improvement. The learning processes can be adapted to suit the needs of particular users when the proposed e-learning systems include context-awareness computing. We believe that instead of designing an e-Learning environment with hidden contextual information, e.g.: user's activity, location or nearby devices, we must consider a new e-Learning application approach including context-awareness capabilities. Such a system will be more efficient and adaptive to users' needs. Existing e-Learning systems suffer a lack of dynamic scalability. It's also complexes to extend, and expensive to integrate with other e-Learning platforms. In particular students who have visual processing disorder or hearing impairments can manipulate digital text or use adaptive modules like Subtitles which help them in processing the information effectively. This paper focus on the development of a hybrid e-Learning cloud system that combines the National Institute of Standards and Technology (NIST) architecture and various contexts aware computing such as User context, system context, and environment context that can quickly adjust to any environment change is expected. Were viewed traditional e-Learning architectures and their limitations and then proposed a hybrid cloud computing architecture to offer resources efficiently to all learning stakeholders and improve the education system quality at an affordable cost. To demonstrate the usefulness of the proposed system, we implemented and evaluated a simulation scenario. Based on our results, we highlight facts for increasing the cooperation and communication levels among learners in the proposed e-Learning environments and provide possible directions for future work.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».