論文の概要: What's happened in MOOC Posts Analysis, Knowledge Tracing and Peer Feedbacks? A Review

• arxiv url: http://arxiv.org/abs/2001.09830v1
• Date: Mon, 27 Jan 2020 14:45:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-06 07:31:49.474587
• Title: What's happened in MOOC Posts Analysis, Knowledge Tracing and Peer Feedbacks? A Review
• Title（参考訳）: moocのポスト分析、ナレッジトレース、ピアフィードバックで何が起きているのか? レビュー
• Authors: Manikandan Ravikiran
• Abstract要約: 学習管理システム(LMS)と教育データマイニング(EDM)はオンライン教育環境の重要な2つの部分である。 本稿では,EDMの問題点と既存のオープン問題を特定することによる3つの主要な課題の文献レビューと,Blumenfieldチャートについて述べる。
• 参考スコア（独自算出の注目度）: 5.067828201066184
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning Management Systems (LMS) and Educational Data Mining (EDM) are two important parts of online educational environment with the former being a centralised web-based information systems where the learning content is managed and learning activities are organised (Stone and Zheng,2014) and latter focusing on using data mining techniques for the analysis of data so generated. As part of this work, we present a literature review of three major tasks of EDM (See section 2), by identifying shortcomings and existing open problems, and a Blumenfield chart (See section 3). The consolidated set of papers and resources so used are released in https://github.com/manikandan-ravikiran/cs6460-Survey. The coverage statistics and review matrix of the survey are as shown in Figure 1 & Table 1 respectively. Acronym expansions are added in the Appendix Section 4.1.
• Abstract（参考訳）: 学習管理システム(LMS)と教育データマイニング(EDM)はオンライン教育環境の2つの重要な部分であり、前者は学習内容を管理し、学習活動を組織化(Stone and Zheng, 2014)し、後者はデータ分析にデータマイニング技術を使うことに重点を置いている。 本研究の一環として,欠点と既存のオープン問題を特定することで,EDMの3つの主要な課題の文献レビュー(第2部)と,Blumenfieldチャート(第3部)を提示する。 使用するドキュメントとリソースの統合セットはhttps://github.com/manikandan-ravikiran/cs6460-Surveyで公開されている。 調査のカバレッジ統計とレビューマトリックスは、それぞれ図1と表1に示されています。 Appendix Section 4.1に頭字語拡張が追加される。

関連論文リスト

• A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
  水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。 多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
  論文  参考訳（メタデータ） (2024-05-30T04:46:40Z)
• Tool Learning with Large Language Models: A Survey [60.733557487886635]
  大規模言語モデル(LLM)を用いたツール学習は,高度に複雑な問題に対処するLLMの能力を強化するための,有望なパラダイムとして登場した。 この分野での注目と急速な進歩にもかかわらず、現存する文献は断片化され、体系的な組織が欠如している。
  論文  参考訳（メタデータ） (2024-05-28T08:01:26Z)
• Federated Learning for Generalization, Robustness, Fairness: A Survey and Benchmark [55.898771405172155]
  フェデレートラーニングは、異なる当事者間のプライバシー保護コラボレーションのための有望なパラダイムとして登場した。 我々は,連合学習研究の重要かつ最近の展開を体系的に概観する。
  論文  参考訳（メタデータ） (2023-11-12T06:32:30Z)
• DIVKNOWQA: Assessing the Reasoning Ability of LLMs via Open-Domain Question Answering over Knowledge Base and Text [73.68051228972024]
  大きな言語モデル(LLM)は印象的な生成能力を示すが、内部知識に依存すると幻覚に悩まされる。 検索拡張LDMは、外部知識においてLLMを基盤とする潜在的な解決策として出現している。
  論文  参考訳（メタデータ） (2023-10-31T04:37:57Z)
• Towards Data-centric Graph Machine Learning: Review and Outlook [120.64417630324378]
  データ中心グラフ機械学習(DC-GML)という,グラフデータライフサイクルのすべての段階を包含する体系的なフレームワークを導入する。 各段階の完全な分類法が示され、3つの重要なグラフ中心の質問に答える。 我々は、DC-GMLドメインの将来展望を指摘し、その進歩と応用をナビゲートするための洞察を提供する。
  論文  参考訳（メタデータ） (2023-09-20T00:40:13Z)
• M2LADS: A System for Generating MultiModal Learning Analytics Dashboards in Open Education [15.30924350440346]
  M2LADSは、MOOCで記録されたマルチモーダルデータの、Webベースのダッシュボードの形での統合と可視化をサポートする。 EDBBプラットフォームに基づいて収集されたマルチモーダルデータは、生体信号と行動信号を含む。 M2LADSはMOOCとのインタラクションにおいて学習者の全体的経験を捉える機会を提供する。
  論文  参考訳（メタデータ） (2023-05-21T20:22:38Z)
• Open Learning Analytics: A Systematic Literature Review and Future Perspectives [0.0]
  Open Learning Analytics(OLA)は、生涯学習環境における学習効率と効率性を改善することを目的とした、新興研究分野である。 本稿は,2011～2019年の学習分析文献で利用可能なツールの体系的な文献レビューを行い,オープンネスへの支援に注目した。 レビューは、効果的なOLAプラットフォームの主な要件を導き、この新興分野における重要な課題と今後の作業線を特定することで締めくくっている。
  論文  参考訳（メタデータ） (2023-03-22T09:02:21Z)
• Data-to-Value: An Evaluation-First Methodology for Natural Language Projects [3.9378507882929554]
  Data to Value"(D2V)は、ビッグデータテキスト分析プロジェクトのための新しい方法論である。 ビッグデータテキスト分析プロジェクトチームとトピック間の切断を避けるため、質問の詳細なカタログでガイドされている。
  論文  参考訳（メタデータ） (2022-01-19T17:04:52Z)
• Wizard of Search Engine: Access to Information Through Conversations with Search Engines [58.53420685514819]
  我々は3つの側面からCISの研究を促進するために努力している。 目的検出(ID)、キーフレーズ抽出(KE)、行動予測(AP)、クエリ選択(QS)、通過選択(PS)、応答生成(RG)の6つのサブタスクでCIS用のパイプラインを定式化する。 検索エンジンのウィザード(WISE)と呼ばれるベンチマークデータセットをリリースし、CISのすべての側面について包括的かつ詳細な調査を可能にします。
  論文  参考訳（メタデータ） (2021-05-18T06:35:36Z)
• Are We Hungry for 3D LiDAR Data for Semantic Segmentation? A Survey and Experimental Study [5.6780397318769245]
  3Dセマンティックセグメンテーションは、ロボットおよび自律運転アプリケーションの基本課題である。 最近の研究はディープラーニング技術の利用に重点を置いているが、細かな注釈付き3DLiDARデータセットの開発は非常に労働集約的である。 不十分なデータセットによって引き起こされるパフォーマンスの制限は、データ飢餓問題と呼ばれる。
  論文  参考訳（メタデータ） (2020-06-08T01:20:59Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。