Collaborative Optimization of Learning Team Formation Based on Multidimensional Characteristics and Constraints Modeling: A Team Leader-Centered Approach via E-CARGO
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
With the massive popularization of e-learning, collaborative learning via learning teams has become indispensable to enhancing the learning efficiency and learning quality of overall learners. The team leader usually plays a key role in collaborative learning. However, the existing research ignores the key characteristics of learners and constraints relevant to e-learners when identifying appropriate team leaders and compatible members. A novel collaborative optimization approach to learning team formation is proposed based on a refined learner model and the environments—classes, agents, roles, groups, and objects (E-CARGO) model. With the proposed approach, a learner is modeled by combining 5-D characteristics (i.e., cognitive ability, leadership, sociability, learning style, and personality) and three types of constraints (e.g., conflicts, genders, and the number of members), and an assessment mechanism is designed to measure the comprehensive abilities of learners for identifying an ideal team leader and selecting the team members for a team. By innovatively introducing the role-based collaboration theory and E-CARGO model, the leader-centered learning team formation problem is formalized as a collaborative optimization problem. The mathematical model and the constraint relations are established for this problem, which is solved based on the IBM CPLEX package. Finally, a case study and experiments demonstrate that the proposed approach is efficient and feasible, in favor of improving the satisfaction degree 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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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