論文の概要: Metadata Analysis of Open Educational Resources
- arxiv url: http://arxiv.org/abs/2101.07735v1
- Date: Tue, 19 Jan 2021 17:16:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 18:02:02.167727
- Title: Metadata Analysis of Open Educational Resources
- Title（参考訳）: オープン教育資源のメタデータ分析
- Authors: Mohammadreza Tavakoli, Mirette Elias, G\'abor Kismih\'ok, S\"oren Auer
- Abstract要約: オープン教育資源(英語: Open Educational Resources, OER)は、オープンライセンスの教育資料であり、広く教育に利用されている。
この研究は8,887個のOERのメタデータを使用して、OERメタデータの探索データ解析を行う。
その結果,OERのメタデータとOERのコンテンツ品質は密接な関係にあり,高品質なOERを94.6%の精度で検出できた。
- 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: Open Educational Resources (OERs) are openly licensed educational materials
that are widely used for learning. Nowadays, many online learning repositories
provide millions of OERs. Therefore, it is exceedingly difficult for learners
to find the most appropriate OER among these resources. Subsequently, the
precise OER metadata is critical for providing high-quality services such as
search and recommendation. Moreover, metadata facilitates the process of
automatic OER quality control as the continuously increasing number of OERs
makes manual quality control extremely difficult. This work uses the metadata
of 8,887 OERs to perform an exploratory data analysis on OER metadata.
Accordingly, this work proposes metadata-based scoring and prediction models to
anticipate the quality of OERs. Based on the results, our analysis demonstrated
that OER metadata and OER content qualities are closely related, as we could
detect high-quality OERs with an accuracy of 94.6%. Our model was also
evaluated on 884 educational videos from Youtube to show its applicability on
other educational repositories.
- Abstract（参考訳）: オープン・エデュケーション・リソース(open educational resources, oers)は、オープンライセンスの教育教材であり、広く学習に使われている。
現在、多くのオンライン学習リポジトリが数百万のOERを提供している。
したがって、これらのリソースの中で、学習者が最も適切なOERを見つけることは極めて困難である。
その後、正確なOERメタデータは、検索やレコメンデーションなどの高品質なサービスを提供するために重要である。
さらにメタデータは,OERの継続的な増加に伴い,手作業による品質管理が極めて困難になるため,自動OER品質管理のプロセスを促進する。
この研究は、8,887 OERのメタデータを使用して、OERメタデータの探索データ解析を行う。
そこで本研究では,OERの品質を予測するためのメタデータに基づくスコアリングと予測モデルを提案する。
その結果,OERのメタデータとOERのコンテンツ品質は密接な関係にあり,高品質なOERを94.6%の精度で検出できた。
また,Youtubeの884の教育ビデオを用いて,他の教育レポジトリにも適用可能であることを示した。
関連論文リスト
- DiscoveryBench: Towards Data-Driven Discovery with Large Language Models [50.36636396660163]
我々は、データ駆動探索の多段階プロセスを形式化する最初の包括的なベンチマークであるDiscoveryBenchを紹介する。
我々のベンチマークには、社会学や工学などの6つの分野にまたがる264のタスクが含まれている。
私たちのベンチマークでは、自律的なデータ駆動型発見の課題を説明し、コミュニティが前進するための貴重なリソースとして役立ちます。
論文 参考訳（メタデータ） (2024-07-01T18:58:22Z) - AI Data Readiness Inspector (AIDRIN) for Quantitative Assessment of Data Readiness for AI [0.8553254686016967]
ガベージ・イン・ガベージ・アウト(Garbage in Garbage Out)は、人工知能(AI)など、様々な分野のコンピュータ科学者によって広く合意された引用である。
AIのデータ"可読性"を評価するための標準的な方法やフレームワークはありません。
AIDRINは、文献で利用可能な幅広い準備性次元をカバーするフレームワークである。
論文 参考訳（メタデータ） (2024-06-27T15:26:39Z) - DACO: Towards Application-Driven and Comprehensive Data Analysis via Code Generation [83.30006900263744]
データ分析は、詳細な研究と決定的な洞察を生み出すための重要な分析プロセスである。
LLMのコード生成機能を活用した高品質な応答アノテーションの自動生成を提案する。
我々のDACO-RLアルゴリズムは、57.72%のケースにおいて、SFTモデルよりも有用な回答を生成するために、人間のアノテータによって評価される。
論文 参考訳（メタデータ） (2024-03-04T22:47:58Z) - STAR: Boosting Low-Resource Information Extraction by Structure-to-Text
Data Generation with Large Language Models [56.27786433792638]
STARは大規模言語モデル(LLM)を利用してデータインスタンスを合成するデータ生成手法である。
我々は、初期データインスタンスを取得するための詳細なステップバイステップ命令を設計する。
実験の結果,STARが生成したデータは,低リソースイベント抽出および関係抽出タスクの性能を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2023-05-24T12:15:19Z) - Core-set Selection Using Metrics-based Explanations (CSUME) for
multiclass ECG [2.0520503083305073]
高品質なデータを選択することで、ディープラーニングモデルの性能が向上することを示す。
実験の結果,9.67%,8.69%の精度とリコール改善が得られた。
論文 参考訳（メタデータ） (2022-05-28T19:36:28Z) - Deep Transfer Learning for Multi-source Entity Linkage via Domain
Adaptation [63.24594955429465]
マルチソースエンティティリンクは、データのクリーニングやユーザ縫合といった、高インパクトなアプリケーションにおいて重要である。
AdaMELは、多ソースエンティティリンクを実行するための一般的なハイレベルな知識を学ぶディープトランスファー学習フレームワークである。
本フレームワークは,教師付き学習に基づく平均的手法よりも8.21%向上した最先端の学習結果を実現する。
論文 参考訳（メタデータ） (2021-10-27T15:20:41Z) - DAGA: Data Augmentation with a Generation Approach for Low-resource
Tagging Tasks [88.62288327934499]
線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。
本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
論文 参考訳（メタデータ） (2020-11-03T07:49:15Z) - A Survey of Deep Active Learning [54.376820959917005]
アクティブラーニング(AL)は、最も少ないサンプルをマークすることで、モデルの性能向上を最大化しようとする。
ディープラーニング(DL)はデータに対して欲張りであり、大量のパラメータを最適化するために大量のデータ供給を必要とする。
ディープラーニング(Deep Active Learning, DAL)が誕生した。
論文 参考訳（メタデータ） (2020-08-30T04:28:31Z) - 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) - OER Recommendations to Support Career Development [0.0]
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。
論文 参考訳（メタデータ） (2020-05-30T21:01:54Z) - Quality Prediction of Open Educational Resources A Metadata-based
Approach [0.0]
メタデータは、レコメンデーションや検索といった高品質なサービスを提供する上で重要な役割を担います。
我々はOERメタデータスコアリングモデルを提案し,OERの品質を予測できるメタデータベースの予測モデルを構築した。
データとモデルに基づいて、F1スコア94.6%の高品質なOERを検出できた。
論文 参考訳（メタデータ） (2020-05-21T09:53:43Z)
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。