論文の概要: Effect of Cloud Based Learning Management System on The Learning
Management System Implementation Process: Faculty and Student Perspectives
- arxiv url: http://arxiv.org/abs/2102.10522v1
- Date: Sun, 21 Feb 2021 06:12:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-10 07:42:28.854417
- Title: Effect of Cloud Based Learning Management System on The Learning
Management System Implementation Process: Faculty and Student Perspectives
- Title(参考訳): クラウドベースの学習管理システムが学習管理システム実装プロセスに及ぼす影響--学部と学生の視点から
- Authors: Ajayi Ekuase-Anwansedo, Akai Smith
- Abstract要約: クラウドベースのLMSは、従来のLMS実装プロセスに関連するいくつかの課題を解決することを期待されている。
LMS実施過程における教員と学生の関与不足は、教員と学生によるLMSの使用が制限される結果となる。
クラウドベースのLMSは、従来のLMSに関連する技術的な問題の大部分を解決しているが、人間の問題の一部は解決されなかった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The concept of E-learning in Universities has grown rapidly over the years to
include not just only a learning management system but also tools initially not
designed for learning such as Facebook and advanced learning tools, for example
games, simulations and virtualization. As a result, Cloud-based LMS is being
touted as the next evolution of the traditional LMS. It is hoped that Cloud
based LMS will resolve some of the challenges associated with the traditional
LMS implementation process. In a previous study, we reported that lack of
involvement of faculty and students in the LMS implementation process results
in the limited use of the LMS by faculty and students. The question then is,
Will the cloud-based LMS resolve these issues? We conducted a review of
literature and presented an overview of the traditional LMS, cloud computing
and the cloudbased LMS and we described how the cloud computing LMS resolve
issues raised by faculty and students. we find that even though, cloud-based
LMS resolve most of the technical issues associated with the traditional LMS,
some of the human issues were not resolved. We hope that this study draws
attention to non-technical issues associated with the LMS implementation
process.
- Abstract(参考訳): 大学におけるeラーニングの概念は、長年にわたって急速に成長し、学習管理システムだけでなく、Facebookや高度な学習ツール(ゲーム、シミュレーション、仮想化など)などの学習用に設計されたツールも含んでいる。
その結果、クラウドベースのLMSは、従来のLMSの次の進化として評価されている。
クラウドベースのLMSは、従来のLMS実装プロセスに関連するいくつかの課題を解決することを期待されている。
前報では,LMS実施過程における教員や学生の関与の欠如が,教員や学生のLMS使用の制限につながることを報告した。
クラウドベースのLMSはこれらの問題を解決するのだろうか?
文献のレビューを行い,従来のlms,クラウドコンピューティング,クラウドベースのlmsの概要を述べるとともに,クラウドコンピューティングlmsが教員や学生によって提起された課題をどのように解決するかを説明した。
クラウドベースのLMSは従来のLMSに関連する技術的な問題の大部分を解決しているが、人間の問題の一部は解決されなかった。
本研究は,LMS実装プロセスに関連する非技術的問題に注意を向けることを願っている。
関連論文リスト
- Small Models, Big Insights: Leveraging Slim Proxy Models To Decide When
and What to Retrieve for LLMs [64.0049955128318]
本稿では,スリムプロキシモデルを用いた大規模言語モデル (LLM) における知識不足を検知する新しい協調手法であるSlimPLMを提案する。
パラメータがはるかに少ないプロキシモデルを採用し、回答を回答としています。
ヒューリスティックな回答は、LLM内の既知の未知の知識と同様に、ユーザの質問に答えるために必要な知識を予測するのに使用される。
論文 参考訳(メタデータ) (2024-02-19T11:11:08Z) - Rethinking Machine Unlearning for Large Language Models [89.99791628154274]
大規模言語モデル(LLM)の領域における機械学習の研究
このイニシアチブは、望ましくないデータの影響(機密情報や違法情報など)と関連するモデル機能を排除することを目的としている。
論文 参考訳(メタデータ) (2024-02-13T20:51:58Z) - An In-Context Schema Understanding Method for Knowledge Base Question
Answering [70.87993081445127]
大きな言語モデル(LLM)は、言語理解において強力な能力を示しており、この課題を解決するために使用することができる。
既存のメソッドは、当初、スキーマ固有の詳細を使わずにLLMを使用してロジックフォームのドラフトを生成することで、この課題を回避している。
そこで本研究では,LLMが文脈内学習を利用してスキーマを直接理解できる簡易なインコンテキスト理解(ICSU)手法を提案する。
論文 参考訳(メタデータ) (2023-10-22T04:19:17Z) - Federated Fine-Tuning of LLMs on the Very Edge: The Good, the Bad, the
Ugly [66.19763977571114]
本稿では,最新のエッジコンピューティングシステムにおいて,Large Language Modelsをどのように導入できるかを,ハードウェア中心のアプローチで検討する。
マイクロレベルのハードウェアベンチマークを行い、FLOPモデルと最先端のデータセンターGPUを比較し、現実的な条件下でのネットワーク利用について検討する。
論文 参考訳(メタデータ) (2023-10-04T20:27:20Z) - Automatically Correcting Large Language Models: Surveying the landscape
of diverse self-correction strategies [104.32199881187607]
大規模言語モデル(LLM)は、幅広いNLPタスクで顕著な性能を示した。
これらの欠陥を正すための有望なアプローチは自己補正であり、LLM自体が自身の出力で問題を修正するために誘導される。
本稿では,この新技術について概観する。
論文 参考訳(メタデータ) (2023-08-06T18:38:52Z) - SciBench: Evaluating College-Level Scientific Problem-Solving Abilities
of Large Language Models [72.92461995173201]
拡張ベンチマークスイートSciBench for Large Language Model (LLM)を導入する。
SciBenchには、数学、化学、物理学の分野から、さまざまな大学レベルの科学的問題を含むデータセットが含まれている。
その結果、現在のLLMは満足のいく性能を達成できないことが判明し、全体のスコアは43.22%に過ぎなかった。
論文 参考訳(メタデータ) (2023-07-20T07:01:57Z) - A Survey on Machine Learning for Geo-Distributed Cloud Data Center
Management [4.226118870861363]
クラウドサービスプロバイダは、運用コストを削減し、サービス品質を向上させるために、データセンタを世界中に配布しています。
このような大規模かつ複雑なソフトウェアワークロードとハードウェアリソースのオーケストレーションは、効率的な解決が難しい問題です。
本稿では,クラウドデータセンタ管理問題に対する最先端の機械学習技術について概説する。
論文 参考訳(メタデータ) (2022-05-17T03:14:54Z) - Identifying Critical LMS Features for Predicting At-risk Students [4.718094586237028]
高等教育において学習管理システム(LMS)が不可欠になっている。
データログを用いてデータ分析を行い、学術的にリスクの高い学生を特定することでLMSをさらに活用する。
論文 参考訳(メタデータ) (2022-04-27T22:43:45Z) - Describing Emergency Remote Teaching using a Learning Management System:
A South African COVID-19 Study of Resilience through ICT [0.0]
本研究は,小学校におけるLMS支援教育システムの利用機会と制約について述べる。
制約という点では、デジタルディビジョンは繰り返しテーマであり、デバイスとデータコストは一貫して制限されていた。
この研究は、小学校がLMSを授業に使いたいと願う場合に有用である。
論文 参考訳(メタデータ) (2021-08-22T15:55:52Z) - Machine Learning (ML)-Centric Resource Management in Cloud Computing: A
Review and Future Directions [22.779373079539713]
インフラストラクチャ・アズ・ア・サービス(I)は、最も重要かつ急速に成長する分野の1つです。
私のクラウドコンピューティングの最も重要な側面の1つは、リソース管理です。
機械学習は、さまざまなリソース管理タスクを処理するために使用されます。
論文 参考訳(メタデータ) (2021-05-09T08:03:58Z) - Machine learning for cloud resources management -- An overview [0.0]
本研究では,機械学習と組み合わされたクラウドリソース管理の最も重要な課題について考察する。
さまざまな種類のクラウドリソース管理分野で使用されるML技術と,その比較を合理的に行うために,大規模な研究コレクションが使用されている。
本稿では,各分野に最適なMLモデルを提案する。
論文 参考訳(メタデータ) (2021-01-28T13:23:00Z)
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。