A new competency ontology for learning environments personalization
Notice bibliographique
Résumé
Abstract Competency is a central concept for human resource management, training and education. We define a competency as the capacity of a person to display a generic skill with a certain level of performance when applied to one or more knowledge entities. Competencies, and competency referentials grouping competencies, are essential elements for user models, e-Portfolios, adaptive learning, and personalization in Technology-based learning. But to be processed both by humans and by software tools, competencies should be represented in a formal, non-ambiguous model called an ontology. Moreover, this model should use a shared vocabulary to describe the generic skills and the knowledge entities. Defining and linking shared vocabularies is the purpose of ontologies in the semantic web. The goal of our research is to develop a competency ontology for the semantic web to be used as a shared referential in the description of competencies and competency profiles. We analysed five previous competency models and developed COMP2, a new competency ontology that integrates important elements of previous models and the richness of the semantic web vocabulary. COMP2 provides processing capabilities both to humans and computers. Its graphic model is highly readable by humans for design, evaluation and communication purposes. It also translates, together with its data sets, to standard semantic Web code for machine processing. The ontology is composed of five stages that are interlinked with other ontologies in use within the web of linked open data. We will present an example for the use of the ontology for competency-based personalization in learning environments.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,009 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».