論文の概要: OER Recommendations to Support Career Development
- arxiv url: http://arxiv.org/abs/2006.00365v1
- Date: Sat, 30 May 2020 21:01:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-17 22:38:52.238573
- Title: OER Recommendations to Support Career Development
- Title（参考訳）: キャリア育成を支援するためのOER勧告
- Authors: Mohammadreza Tavakoli, Ali Faraji, Stefan T. Mol, G\'abor Kismih\'ok
- Abstract要約: オープン教育資源(OER)は、世界中の幅広い学習や職業の文脈で利用できるため、問題の緩和に寄与する可能性がある。
我々は,スキル開発目標とオープンラーニングコンテンツとをマッチングする,個人化されたOERレコメンデーション手法を提案する。
1)メタデータ,OERプロパティ,コンテンツに基づくOER品質予測モデル,2)実際の労働市場情報に基づいて個別のスキルターゲットを設定する学習支援,3)学習者が自身のスキルターゲットをマスターするためのパーソナライズされたOERレコメンデータを構築する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This Work in Progress Research paper departs from the recent, turbulent
changes in global societies, forcing many citizens to re-skill themselves to
(re)gain employment. Learners therefore need to be equipped with skills to be
autonomous and strategic about their own skill development. Subsequently,
high-quality, on-line, personalized educational content and services are also
essential to serve this high demand for learning content. Open Educational
Resources (OERs) have high potential to contribute to the mitigation of these
problems, as they are available in a wide range of learning and occupational
contexts globally. However, their applicability has been limited, due to low
metadata quality and complex quality control. These issues resulted in a lack
of personalised OER functions, like recommendation and search. Therefore, we
suggest a novel, personalised OER recommendation method to match skill
development targets with open learning content. This is done by: 1) using an
OER quality prediction model based on metadata, OER properties, and content; 2)
supporting learners to set individual skill targets based on actual labour
market information, and 3) building a personalized OER recommender to help
learners to master their skill targets. Accordingly, we built a prototype
focusing on Data Science related jobs, and evaluated this prototype with 23
data scientists in different expertise levels. Pilot participants used our
prototype for at least 30 minutes and commented on each of the recommended
OERs. As a result, more than 400 recommendations were generated and 80.9% of
the recommendations were reported as useful.
- Abstract（参考訳）: この進歩研究論文は、近年のグローバル社会の混乱的な変化から脱却し、多くの市民が再雇用することを余儀なくされている。
そのため、学習者は自己のスキル開発について自律的で戦略的なスキルを身につける必要がある。
その後、高品質、オンライン、パーソナライズされた教育コンテンツやサービスも、この高い需要を満たすために必要となる。
オープン・エデュケーション・リソース(oers)は、世界中の幅広い学習や職業の文脈で利用可能であるため、これらの問題の緩和に貢献する可能性が高い。
しかし、メタデータの品質が低く、複雑な品質管理のため、適用性は制限されている。
これらの問題により、リコメンデーションや検索といったOERの個人化機能が欠如した。
そこで本研究では,スキル開発目標とオープンラーニングコンテンツとを一致させる新しい個人化oer推薦手法を提案する。
これは次のとおりです
1) メタデータ,OER特性及び内容に基づくOER品質予測モデルを用いた。
2)実際の労働市場情報に基づく個別スキル目標の設定を支援する学習者
3) 学習者のスキル目標の習得を支援する,パーソナライズされたoerレコメンデータの構築。
そこで我々は,データサイエンス関連の仕事に焦点を当てたプロトタイプを作成し,そのプロトタイプを23名のデータサイエンティストで評価した。
パイロット参加者はプロトタイプを少なくとも30分間使用し、推奨のOERについてコメントしました。
その結果、400以上のレコメンデーションが生成され、80.9%のレコメンデーションが有用であると報告された。
関連論文リスト
- KBAlign: Efficient Self Adaptation on Specific Knowledge Bases [75.78948575957081]
大規模言語モデル(LLM)は通常、知識材料を瞬時に活用するために、検索強化世代に依存している。
本稿では,知識ベースを含む下流タスクへの効率的な適応を目的としたKBAlignを提案する。
提案手法は,Q&Aペアやリビジョン提案などの自己注釈付きデータを用いて反復学習を行い,モデルが知識内容を効率的に把握できるようにする。
論文 参考訳（メタデータ） (2024-11-22T08:21:03Z) - Leveraging Open Knowledge for Advancing Task Expertise in Large Language Models [36.172093066234794]
オープンな知識を持つ大規模言語モデルのタスク専門性を向上させるために,人手によるサンプル(Kショット)を少数導入する。
複数の専門家の間で個別のyet-complementaryな知識を最大限に活用するために、Mixix-of-expert (MoE)システムを構築している。
論文 参考訳（メタデータ） (2024-08-28T16:28:07Z) - Job-SDF: A Multi-Granularity Dataset for Job Skill Demand Forecasting and Benchmarking [59.87055275344965]
Job-SDFは、ジョブスキルの需要予測モデルをトレーニングし、ベンチマークするために設計されたデータセットである。
2021年から2023年にかけて、中国の大手オンライン求人プラットフォームから集められた1035万件の求人広告に基づいている。
本データセットは,職業,企業,地域レベルなど,さまざまな粒度でのスキル需要予測モデルの評価を可能にする。
論文 参考訳（メタデータ） (2024-06-17T07:22:51Z) - KIWI: A Dataset of Knowledge-Intensive Writing Instructions for
Answering Research Questions [63.307317584926146]
ユーザ命令に従うように適応された大規模言語モデル(LLM)は、現在では会話エージェントとして広くデプロイされている。
そこで本研究では,より一般的な命令追従タスクとして,長文の回答作成を支援することを提案する。
我々は、科学領域における知識集約的な記述命令のデータセットKIWIを構築した。
論文 参考訳（メタデータ） (2024-03-06T17:16:44Z) - QuRating: Selecting High-Quality Data for Training Language Models [64.83332850645074]
データ品質に関する人間の直感をキャプチャできる事前学習データを選択するQuRatingを導入する。
本稿では,書体,専門知識,事実とトリビア,教育的価値の4つの特性について検討する。
ペアの判断からスカラー評価を学習するためにQurモデルをトレーニングし、それを4つの基準ごとに品質評価付き260Bのトレーニングコーパスにアノテートするために使用します。
論文 参考訳（メタデータ） (2024-02-15T06:36:07Z) - Knowledge-driven Data Construction for Zero-shot Evaluation in
Commonsense Question Answering [80.60605604261416]
本稿では,共通認識課題にまたがるゼロショット質問応答のための新しいニューラルシンボリック・フレームワークを提案する。
言語モデル、トレーニング体制、知識ソース、データ生成戦略のセットを変えて、タスク間の影響を測定します。
個別の知識グラフは特定のタスクに適しているが、グローバルな知識グラフはさまざまなタスクに対して一貫した利得をもたらす。
論文 参考訳（メタデータ） (2020-11-07T22:52:21Z) - COMET-ATOMIC 2020: On Symbolic and Neural Commonsense Knowledge Graphs [82.8453695903687]
我々は,手作業で構築したコモンセンス知識グラフ(CSKG)が,NLPエージェントが遭遇するすべての状況に適用可能な範囲を達成できないことを示す。
我々は、事前訓練された言語モデルでは利用できない知識を含む汎用コモンセンス知識の新しいCSKGであるATOMIC 2020を提案する。
我々は,他のCSKGと比較してその特性を評価し,コモンセンス知識資源の大規模一対研究を行った。
論文 参考訳（メタデータ） (2020-10-12T18:27:05Z) - Extracting Topics from Open Educational Resources [0.0]
本稿では,テキストマイニング手法を適用したOERトピック抽出手法を提案し,トピック分布に関する高品質なOERメタデータを生成する。
1)データサイエンス関連のスキルの分野でCourseraとKhan Academyから123の講義を収集し、2)これらのスキルに関連する既存のトピックを抽出するためにLDA(Latent Dirichlet Allocation)を適用し、3)特定のOERがカバーするトピック分布を定義する。
論文 参考訳（メタデータ） (2020-06-19T12:50:55Z) - A Recommender System For Open Educational Videos Based On Skill
Requirements [8.595270610973586]
我々は,学習者が労働市場に要求されるスキルを習得するために,学習者が関連するオープンな教育ビデオを見つけるための新しい方法を提案する。
我々は,職種別およびテキストマイニング手法を求職者発表に応用し,職種と必要なスキルを一致させるプロトタイプを構築した。
250本以上のビデオが推薦され、その82.8%がインタビュアーの役に立つものとして扱われた。
論文 参考訳（メタデータ） (2020-05-21T12:12:47Z) - Labour Market Information Driven, Personalized, OER Recommendation
System for Lifelong Learners [0.0]
我々は、生涯学習者が関連するOERベースの学習コンテンツにアクセスし、労働市場に要求されるマスタースキルにアクセスできる新しい方法を提案する。
我々のソフトウェアプロトタイプは、空白アナウンスにテキスト分類とテキストマイニングの手法を適用し、ジョブを意味のあるスキルコンポーネントに分解する。
目的,論理,学習への貢献の観点から,12名の被験者を対象に,詳細な半構造化されたインタビューを行った。
論文 参考訳（メタデータ） (2020-05-15T10:48:15Z)
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。