Neural Correlate-Based E-Learning Validation and Classification Using Convolutional and Long Short-Term Memory Networks
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
The COVID-19 pandemic has precipitated an unprecedented surge in the proliferation of online E-learning platforms, designed to cater to a wide array of subjects across all age groups.However, a paucity of these platforms adopts a learner-centric approach or validates user learning, underscoring the need for effective E-learning validation and personalized learning recommendations.This paper addresses these challenges by implementing an innovative approach that leverages real-time electroencephalogram (EEG) signals collected from learners, who don neuro headsets while partaking in online courses.These EEG signals are subsequently classified using Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) deep learning models, with the intent of discerning the efficacy of the E-learning process.The proposed models have yielded promising classification accuracies of 68% and 97% for the CNN and LSTM models, respectively, demonstrating their rapidity and precision in classifying E-learning EEG signals.Thus, these models hold substantial potential for application in similar E-learning validation scenarios.Furthermore, this study introduces an automated framework designed to track the learning curve of users and furnish valuable recommendations for E-learning materials.The presented approach, therefore, not only validates the E-learning process but also aids in optimizing the learning experiences on E-learning platforms.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découle