A Systematic Literature Review on Recommender Systems for MOOCs
Notice bibliographique
Résumé
In recent years, MOOCs (Massive Open Online Courses) have become popular and the online learning resources are increasing, they are an offered courses by schools and universities, which are accessible to everyone and free of charge on the internet, they offer the possibility to teach a very group of students, in the same course, at the same time, even if they are not in the same location. There are many MOOCs platforms with different characteristics, they contain a huge amount of data, so the learner does not know which course to take and can choose irrelevant MOOCs. Therefore, he will waste the time and also the motivation. Recommender systems give a solution to this problem, they suggest learning resources to learners according to their interests and needs, so learner will be satisfied because he finds an appropriate course. In this paper, we give a systematic literature review of MOOCs recommender systems, based on published papers in the past ten years, between 2012 and 2022. We have selected 123 papers from five databases, IEEE Xplore, Springer Link, Science Direct, Google Scholar and ACM Library. We have divided the data analysis in two parts, the quantitative analysis, and the qualitative analysis. In the quantitative analysis, we have studied first the evolution of papers by year and the distribution of papers on databases by type. Then, in the qualitative analysis, we have based principally on the distribution of papers by the existed areas in MOOCs. We have found that there are six main fields, course recommendation, peer recommender, MOOC provider, video recommendation, learning activities and OER, paid activities recommender system and other papers in various types. A high number of articles have been published in the field of courses, which confirms that this domain is very important and crucial for 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 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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».