Optimization of Information Retrieval Systems for Learning Contexts
Notice bibliographique
Résumé
The majority of Sub-Saharan African countries are facing a very negative teacher-learner ratio: one teacher for over 120 learners. In order to support the learner training, we propose optimizing search engines for learning contexts, to enable learners to take optimal advantage of the vast reservoir of Open Educational Resources (OER) available on the Internet. It bears noting that search engines serve as the primary means of accessing OER on the Internet. Indeed, search engines often present a large volume of content that is sometimes unsuited for learning contexts, potentially resulting in cognitive overload and a considerable loss of time for learners and teachers seeking appropriate resources among so many options. To this end, this work proposes an additional layer for Information Retrieval Systems (IRS) whose architecture features include: a match to the Bloom’s Taxonomy of the query, a pedagogical filter, and an informative presentation of results. The implementation of a system underpinning this model utilizes Google APIs. It should be noted that, search results are re-ranked after classifying the user query and initial results according to Bloom's taxonomy, performed through machine learning-based Natural Language Processing (NLP). In addition, an integrated intelligent filter removes irrelevant search results for learning purposes. On the Human-Machine Interaction (HMI) side, this layer relies on an educational content ontology to generate results that are more informative and semantically meaningful. An empirical evaluation of the system involving 84 students using a comparative questionnaire indicates the additional layer is favorable for educational use.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».