A Federated Learning Approach for Personalized Online Course Recommendation Using Hybrid Recommender Strategies
Notice bibliographique
Résumé
The rapid pace of growth in online learning environments has made it more difficult for learners to find courses that are tailored to their individual learning needs and goals. Typically, recommender systems rely on centralized data processing, which raises considerable concerns around user privacy and the heterogeneity of user data. This research presents a hybrid recommender system with Federated Learning (FL) characteristics to provide personalized recommendations to users while protecting their data. The recommender system creates four primary recommendation frameworks: Content-Based Filtering (CBF); Popularity-Based; Collaborative Filtering (simulated); and a novel Federated Learning approach that hybridizes on the three other recommended/first ranked approach, whose performance is evaluated with a graphical user interface (GUI) built using Tkinter that provides real-time recommendations to chosen users and comparisons amongst the four recommended approaches using multiple performance measures. The assessment of the systems' efficacy used seven typical evaluation metrics: Hit Rate, Precision@5, Recall@5, F1@5, Mean Reciprocal Rank (MRR), Normalized Discounted Cumulative Gain (NDCG@5), and Coverage. The bar charts demonstrated that while the Popularity-Based recommendation approach had the highest hit rate respectively and highest precision, it had very low coverage of recommending courses to learners. On the other hand, the Federated Learning-based approach produced a comparable hit rate and precision, while also achieving comparable F1 scores and coverage (86 %). This study emphasized the benefits and practicality of using Federated Learning to build contextually scalable, safe, and effective course recommender systems, and further emphasized the benefits of combining or hybridizing the two approaches for maximum robustness and quality of recommendations, especially for the educationallyfocused digital sphere.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».