論文の概要: Large Scale Analysis of Open MOOC Reviews to Support Learners' Course Selection

• arxiv url: http://arxiv.org/abs/2201.06967v1
• Date: Tue, 11 Jan 2022 10:24:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-23 20:09:11.041167
• Title: Large Scale Analysis of Open MOOC Reviews to Support Learners' Course Selection
• Title（参考訳）: 学習者のコース選択を支援するオープンMOOCレビューの大規模分析
• Authors: Manuel J. Gomez, Mario Calder\'on, Victor S\'anchez, F\'elix J. Garc\'ia Clemente, Jos\'e A. Ruip\'erez-Valiente
• Abstract要約: 5つのプラットフォームから4400万レビュー(これまでで最大のMOOCレビューデータセット)を分析します。 その結果、数値格付けは明らかに偏っている(そのうち63%が5つ星格付けである)。 われわれの研究は、この領域に光を当て、オンライン教育のレビューにおいてより透明なアプローチを促進することを期待している。
• 参考スコア（独自算出の注目度）: 17.376856503445826
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The recent pandemic has changed the way we see education. It is not surprising that children and college students are not the only ones using online education. Millions of adults have signed up for online classes and courses during last years, and MOOC providers, such as Coursera or edX, are reporting millions of new users signing up in their platforms. However, students do face some challenges when choosing courses. Though online review systems are standard among many verticals, no standardized or fully decentralized review systems exist in the MOOC ecosystem. In this vein, we believe that there is an opportunity to leverage available open MOOC reviews in order to build simpler and more transparent reviewing systems, allowing users to really identify the best courses out there. Specifically, in our research we analyze 2.4 million reviews (which is the largest MOOC reviews dataset used until now) from five different platforms in order to determine the following: (1) if the numeric ratings provide discriminant information to learners, (2) if NLP-driven sentiment analysis on textual reviews could provide valuable information to learners, (3) if we can leverage NLP-driven topic finding techniques to infer themes that could be important for learners, and (4) if we can use these models to effectively characterize MOOCs based on the open reviews. Results show that numeric ratings are clearly biased (63\% of them are 5-star ratings), and the topic modeling reveals some interesting topics related with course advertisements, the real applicability, or the difficulty of the different courses. We expect our study to shed some light on the area and promote a more transparent approach in online education reviews, which are becoming more and more popular as we enter the post-pandemic era.
• Abstract（参考訳）: 最近のパンデミックは教育の見方を変えました。 子供や大学生だけがオンライン教育を利用しているわけではないことは驚きではない。 過去数年間、何百万人もの大人がオンラインの授業やコースにサインアップし、courseraやedxなどのmoocプロバイダが、彼らのプラットフォームに登録した新規ユーザーを報告している。 しかし、学生はコースを選択する際にいくつかの課題に直面している。 オンラインレビューシステムは、多くの分野において標準的なものであるが、moocエコシステムには標準化された、あるいは完全に分散されたレビューシステムは存在しない。 この分野では、よりシンプルで透明性の高いレビューシステムを構築するために、利用可能なオープンMOOCレビューを活用する機会があると考えています。 Specifically, in our research we analyze 2.4 million reviews (which is the largest MOOC reviews dataset used until now) from five different platforms in order to determine the following: (1) if the numeric ratings provide discriminant information to learners, (2) if NLP-driven sentiment analysis on textual reviews could provide valuable information to learners, (3) if we can leverage NLP-driven topic finding techniques to infer themes that could be important for learners, and (4) if we can use these models to effectively characterize MOOCs based on the open reviews. その結果,数値評価は偏りが顕著であり (その63\%は5つ星評価である),トピック・モデリングにより,コース広告や実際の適用性,異なるコースの難易度などに関連する興味深い話題が明らかになった。 我々は、この領域に光を当て、オンライン教育レビューにおいてより透明なアプローチを推進し、ポストパンデミック時代に入るにつれて、ますます人気が高まっていることを期待している。

関連論文リスト

• Grading Massive Open Online Courses Using Large Language Models [3.0936354370614607]
  大規模なオープンオンラインコース(MOOC)は、コンピュータとインターネットアクセスを持つ人なら誰でも無料で教育を受けられる。 ピアグレーディング(Peergrading)は、しばしば直感的なルーリックによって導かれるもので、選択の方法である。 大規模言語モデル(LLM)を用いてMOOCのピアグレーディングを置き換えることの実現可能性について検討する。
  論文  参考訳（メタデータ） (2024-06-16T23:42:11Z)
• Political Compass or Spinning Arrow? Towards More Meaningful Evaluations for Values and Opinions in Large Language Models [61.45529177682614]
  我々は,大規模言語モデルにおける価値と意見の制約評価パラダイムに挑戦する。 強制されない場合、モデルが実質的に異なる答えを与えることを示す。 我々はこれらの知見をLLMの価値と意見を評価するための推奨とオープンな課題に抽出する。
  論文  参考訳（メタデータ） (2024-02-26T18:00:49Z)
• Recommended Guidelines for Effective MOOCs based on a Multiple-Case Study [3.62672718853196]
  大規模オープンオンラインコースウェア(MOOC)は2008年に登場し、過去10年間で大きく成長した。 本稿は,過去1年間に15万人以上の学生を惹きつけた7つのMOOCから得られたデータを分析する。 この分析の結果、より効果的なMOOCの設計を支援するためのガイドラインが提案された。
  論文  参考訳（メタデータ） (2022-04-07T12:41:50Z)
• Reviews in motion: a large scale, longitudinal study of review recommendations on Yelp [24.34131115451651]
  我々は、プラットフォームがレビューのためにフィルタリング決定を変更する「再分類」に焦点を当てる。 私たちは1250万以上のレビューをコンパイルします。 我々のデータは、人口密度の低下と低中間所得地域の変化により、再分類における人口格差が示唆されている。
  論文  参考訳（メタデータ） (2022-02-18T03:27:53Z)
• Polarity in the Classroom: A Case Study Leveraging Peer Sentiment Toward Scalable Assessment [4.588028371034406]
  大規模なまたは大規模なオープンオンラインコース(MOOC)における、正確な段階的なオープンエンドの割り当ては、簡単ではない。 本稿では、ドメイン依存のレキシコンとアスペクトインフォーム化されたレビューフォームを作成するプロセスについて詳述する。 有効性を分析し、9コースから6800以上のピアレビューのコーパスから結論を議論する。
  論文  参考訳（メタデータ） (2021-08-02T15:45:11Z)
• Exploring Bayesian Deep Learning for Urgent Instructor Intervention Need in MOOC Forums [58.221459787471254]
  大規模なオープンオンラインコース(MOOC)は、その柔軟性のおかげで、eラーニングの一般的な選択肢となっている。 多くの学習者とその多様な背景から、リアルタイムサポートの提供は課税されている。 MOOCインストラクターの大量の投稿と高い作業負荷により、インストラクターが介入を必要とするすべての学習者を識別できる可能性は低いです。 本稿では,モンテカルロドロップアウトと変分推論という2つの手法を用いて,学習者によるテキスト投稿のベイジアン深層学習を初めて検討する。
  論文  参考訳（メタデータ） (2021-04-26T15:12:13Z)
• Linking open-source code commits and MOOC grades to evaluate massive online open peer review [0.0]
  GitHub上の公開コードリポジトリのデータと、大規模な大規模オンラインオープンコースのコースグレードをリンクして、大規模なピアレビューのダイナミクスを研究します。 3つの異なるピアレビューのサブミットを見つけ、これらを使用して、コードサブミットの変更に応じてグレードがどのように変化するかを調べます。 我々の調査は、大規模なピアレビュースコアが非常に変動し、平均的に、繰り返しの投稿で増加し、スコアの変化は、再レビューの基盤となるコード変更と密接な関係がない、という重要な観察につながります。
  論文  参考訳（メタデータ） (2021-04-15T18:27:01Z)
• Can We Automate Scientific Reviewing? [89.50052670307434]
  我々は、最先端自然言語処理(NLP)モデルを用いて、科学論文の第一パスピアレビューを生成する可能性について論じる。 我々は、機械学習領域で論文のデータセットを収集し、各レビューでカバーされているさまざまなコンテンツに注釈を付け、レビューを生成するために論文を取り込み、ターゲットの要約モデルを訓練する。 総合的な実験結果から、システム生成レビューは、人間によるレビューよりも、論文の多くの側面に触れる傾向にあることが示された。
  論文  参考訳（メタデータ） (2021-01-30T07:16:53Z)
• Are Top School Students More Critical of Their Professors? Mining Comments on RateMyProfessor.com [83.2634062100579]
  RateMyProfessor.comの学生レビューとコメントは、学生の現実的な学習経験を反映している。 本研究は,学生のレビューやコメントに重要な情報が含まれており,授業や大学への入学に欠かせない参考文献として利用できることを実証する。
  論文  参考訳（メタデータ） (2021-01-23T20:01:36Z)
• Revealing the Hidden Patterns: A Comparative Study on Profiling Subpopulations of MOOC Students [61.58283466715385]
  MOOC(Massive Open Online Courses)は、学生の異質性を示す。 MOOCプラットフォームからの複雑な“ビッグデータ”の出現は、学生がMOOCにどのように従事しているかを深く理解する上で、難しいが報われる機会である。 本報告では,MOOCにおける学生活動のクラスタリング分析と,学生集団間の行動パターンと人口動態の比較分析について述べる。
  論文  参考訳（メタデータ） (2020-08-12T10:38:50Z)
• Attentional Graph Convolutional Networks for Knowledge Concept Recommendation in MOOCs in a Heterogeneous View [72.98388321383989]
  大規模なオープンオンラインコース(MOOC)は、学生が知識を習得するための大規模かつオープンな学習機会を提供する。 学生の関心を惹きつけるため、MOOCsプロバイダによる推薦制度が採用され、学生にコースを推薦する。 そこで本研究では,MOOCにおける知識概念レコメンデーションのために,Attentional Heterogeneous Graph Convolutional Deep Knowledge Recommender (ACKRec) という,エンドツーエンドのグラフニューラルネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-23T18:28:08Z)

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。