Automatic Learning Path Creation Using OER: A Systematic Literature Mapping
Notice bibliographique
Résumé
Learning paths are curated sequences of resources organized in a way that a learner has all the prerequisite knowledge needed to achieve their learning goals. In this article, we systematically map the techniques and algorithms that are needed to create such learning paths automatically. We focus on open educational resources (OER), though a similar approach can be used with other types of learning objects. Our method of mapping goes through three passes of selected literature. First, we selected all articles mentioning OER and machine learning from IEEE, SCOPUS, and ACM. This resulted in a set of 347 papers after removing duplicates. Of these, 13 were selected as relating to learning paths and their references and citations were identified and organized into eight categories identified in this article (metadata, linked data, recommendation systems, concept maps, knowledge graphs, classification, and learning paths). After identifying these topics, a manual review was conducted resulting in the final set of 112 papers. This article combines the found categories into three steps for learning path creation, which are then discussed in detail. These steps are as follows: 1) concept extraction; 2) relationship mapping; and 3) path creation. Current research relates primarily to enhancing concept extraction and relationship mapping. We identify directions for potential future research that focus on automatically augmenting previously created learning paths in accordance with the changing needs of learners.
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 | 0,040 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,106 | 0,042 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,008 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 ».