An Internet Articles Retrieval Agent Combined With Dynamic Associative Concept Maps to Implement Online Learning in an Artificial Intelligence Course
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Online learning has been widely discussed in education research, and open educational resources have become an increasingly popular way to help learners acquire knowledge. However, these resources contain massive amounts of information, making it difficult for learners to identify Web articles that refer to computer science knowledge. This study developed an Internet articles retrieval agent combined with dynamic associative concept maps (DACMs). The system used text mining technology to analyze keywords to filter computer science articles. In previous research, concept maps were manually constructed; in this study, such maps can be automatically and dynamically generated in real time. In a case study of a fundamental course of artificial intelligence, this study designed two experiments to compare students’ learning behaviors while using this system and the Google search engine. The results of the first experiment showed that the experimental group searched for more knowledge articles on computer science using this agent, compared to the control group using the Google search engine. The learning performance of the experimental group was significantly better than that of the control group, while the cognitive load of the experimental group was significantly lower than that of the control group. Furthermore, the results of the second experiment showed that the learning progress of students using the agent was significantly greater than that of students who used the Google search engine. This illustrates that the agent effectively filtered computer science articles, and DACMs helped students gain a deeper understanding of academic concepts and knowledge related to artificial intelligence.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle