ВІДКЛИКАНА СТАТТЯ: Дослідження системи класифікації на основі машинного навчання для цифрових навчальних платформ: техніка відображення масових відкритих онлайн-курсів

Автор(и)

Ключові слова:

системи цифрового навчання, асові відкриті онлайн-курси (MВOК), таксономія Блума, машинне навчання, навчальне програмне забезпечення

Анотація

Об’єктом дослідження є масові відкриті онлайн-курси. Однією з найбільш проблемних областей онлайн-навчання є покращення гарантованої якості цифрових систем навчання. Аналіз і класифікація масових відкритих онлайн-курсів є складним завданням, враховуючи різноманітність структур масових відкритих онлайн-курсів, їх вмісту, дизайну, платформ, провайдерів і профілів учнів. Щоб подолати цю проблему, це дослідження має на меті запропонувати автоматичну та широкомасштабну систему класифікації на основі машинного навчання для масових відкритих онлайн-курсів відповідно до їхніх навчальних цілей, використовуючи шість когнітивних рівнів таксономії Блума. У ході дослідження було показано, що аналіз цілей навчання, пов’язаних із модулями та програмами, може ще більше підвищити якість цифрової системи навчання. У результаті дослідження надається представлення та детальний аналіз набору даних для експериментів з різними моделями. Подальші дослідження можуть зосередитися на наслідках для конфіденційності поточного контролю над розробками штучного інтелекту з урахуванням творчості та інновацій, які навряд чи можуть бути виконані машинами.

Біографія автора

Ayse Kok Arslan, Oxford Northern California Alumni

Researcher

Silicon Valley

Посилання

  1. Sebbaq, H., Faddouli, N. E. E. (2021). MOOCs semantic interoperability: Towards unified and pedagogically enriched model for building a linked data repository. International Conference on Digital Technologies and Applications. Springer, 621–631. doi: https://doi.org/10.1007/978-3-030-73882-2_56
  2. Devlin, J., Chang, M. W., Lee, K., Toutanova, K. (2018). Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805. doi: https://doi.org/10.48550/arXiv.1810.04805
  3. Abduljabbar, D. A., Omar, N. (2015). Exam questions classification based on Bloom’s taxonomy cognitive level using classifiers combination. Journal of Theoretical and Applied information Technology, 78 (3), 447–455. Available at: http://www.jatit.org/volumes/Vol78No3/15Vol78No3.pdf
  4. Davis, D., Seaton, D., Hauff, C., Houben, G. J. (2018). Toward large-scale learning design: Categorizing course designs in service of supporting learning outcomes. Proceedings of the Fifth Annual ACM Conference on Learning at Scale, 1–10. doi: https://doi.org/10.1145/3231644.3231663
  5. Kopp, M., Lackner, E. (2014). Do MOOCs need a special instructional design? Proceedings of Sixth international Conference on Education and New Learning. EDULEARN14. Barcelona, 7138–7147. Available at: https://library.iated.org/view/KOPP2014DOM
  6. Molenda, M. (2003). In search of the elusive ADDIE model. Performance Improvement, 42 (5), 34–36. doi: https://doi.org/10.1002/pfi.4930420508
  7. Conole, G. (2014). The 7Cs of learning design: A new approach to rethinking design practice. Proceedings of the Ninth international Conference on Networked Learning. Edinburgh, 502–509. Available at: https://www.lancaster.ac.uk/fss/organisations/netlc/past/nlc2014/abstracts/pdf/conole.pdf
  8. Osman, A., Yahya, A. A. (2016). Classifications of exam questions using linguistically-motivated features: A case study based on Bloom’s taxonomy. Available at: https://www.researchgate.net/publication/298286164_Classifications_of_Exam_Questions_Using_Linguistically-Motivated_Features_A_Case_Study_Based_on_Blooms_Taxonomy
  9. Kingma, D. P., Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980. doi: https://doi.org/10.48550/arXiv.1412.6980
  10. Major, C. H., Blackmon, S. J. (2016). Massive Open Online Courses: Variations on a New Instructional Form. New Directions for Institutional Research, 2015 (167), 11–25. doi: https://doi.org/10.1002/ir.20151
  11. Das, S., Das Mandal, S. K., Basu, A. (2020). Identification of Cognitive Learning Complexity of Assessment Questions Using Multi-class Text Classification. Contemporary Educational Technology, 12 (2), ep275. doi: https://doi.org/10.30935/cedtech/8341
  12. Haris, S. S., Omar, N. (2012). A rule-based approach in Bloom’s taxonomy question classification through natural language processing. Seventh international Conference on Computing and Convergence Technology. CCCT, 410–414. Available at: https://ieeexplore.ieee.org/abstract/document/6530368
  13. Conole, G. (2016). MOOCs as disruptive technologies: strategies for enhancing the learner experience and quality of MOOCs. Revista de Educación a Distancia (RED), 50. doi: https://doi.org/10.6018/red/50/2
  14. González-Carvajal, S., Garrido-Merchán, E. C. (2020). Comparing BERT against traditional machine learning text classification. arXiv preprint arXiv:2005.13012. doi: https://doi.org/10.48550/arXiv.2005.13012
  15. Merrill, M. D. (2012). First principles of instruction. John Wiley & Sons. Available at: https://digitalcommons.usu.edu/usufaculty_monographs/100/
  16. Margaryan, A., Bianco, M., Littlejohn, A. (2015). Instructional quality of Massive Open Online Courses (MOOCs). Computers & Education, 80, 77–83. doi: https://doi.org/10.1016/j.compedu.2014.08.005
  17. Grandini, M., Bagli, E., Visani, G. (2020). Metrics for multi-class classification: An overview. arXiv preprint arXiv:2008.05756. doi: https://doi.org/10.48550/arXiv.2008.05756
  18. Pardos, Z. A., Schneider, E. (2013). AiED 2013 workshops proceedings. Vol. 1. Available at: http://people.cs.pitt.edu/~falakmasir/docs/AiED2013.pdf
  19. Quintana, R. M., Tan, Y. (2019). Characterizing MOOC Pedagogies: Exploring Tools and Methods for Learning Designers and Researchers. Online Learning, 23 (4), 62–84. doi: https://doi.org/10.24059/olj.v23i4.2084
  20. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N. et al. (2017). Attention is all you need. 31st Conference on Neural information Processing Systems. NiPS 2017. Long Beach, 5998–6008. doi: https://doi.org/10.48550/arXiv.1706.03762
ВІДКЛИКАНА СТАТТЯ: Дослідження системи класифікації на основі машинного навчання для цифрових навчальних платформ: техніка відображення масових відкритих онлайн-курсів

##submission.downloads##

Опубліковано

2022-11-18

Як цитувати

Arslan, A. K. (2022). ВІДКЛИКАНА СТАТТЯ: Дослідження системи класифікації на основі машинного навчання для цифрових навчальних платформ: техніка відображення масових відкритих онлайн-курсів. Technology Audit and Production Reserves, 5(2(67), 15–19. вилучено із https://journals.uran.ua/tarp/article/view/267263

Номер

Том 5 № 2(67) (2022): Інформаційно-керуючі системи

Розділ

Інформаційні технології: Звіт про науково-дослідну роботу

Ліцензія

Авторське право (c) 2022 Ayse Kok Arslan

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.