Hybrid Recommender System for Personalized Pedagogical Resource Recommendations in E-Learning Platforms
Notice bibliographique
Résumé
Recommender systems are generally used in several domains, like e-commerce sites and social networks.E-learning systems use recommendation techniques to facilitate and improve online learning.Educational platforms offer users the necessary pedagogical tools to create an enriched learning environment, fostering collaboration and resource sharing.Recommender System faces many challenges.Among issues: (1) cold-start in which new users and/or items having not prior information available in the system; (2) data sparsity where rated items number is very small contrary to unrated items; and (3) scalability where more training data is required.This study presents a recommender system that uses learner criteria, such as learner's past behavior, demographics information, performance data, collaborative filtering, and ratings to suggest pedagogical resources.The proposed system adopts a hybrid approach, combining two primary methods: popularity-based and collaborative filtering-based.This hybrid approach enhances a collaborative filtering approach with popularity to provide a starting point for new users.The popularity-based is specifically used to address the issue of cold-start for new users by providing primary recommendations.Additionally, we have used two collaborative filtering approaches.The SVD-based enhances the recommendation list for the new user and tackles the sparsity problem.Simultaneously, enhanced matrix factorization with deep neural network (DNN) outperforms traditional matrix factorization in terms of recommendation diversity and accuracy.Our system improves the accuracy and effectively responds to user needs.Our approach early findings show promising results.It scores for top-10 items a total recall of (0.47), a global precision of (0.20), and an accuracy of (0.87).
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| 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 ».