論文の概要: How Good Are Large Language Models for Course Recommendation in MOOCs?

• arxiv url: http://arxiv.org/abs/2504.08208v1
• Date: Fri, 11 Apr 2025 02:19:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-21 21:42:07.908008
• Title: How Good Are Large Language Models for Course Recommendation in MOOCs?
• Title（参考訳）: MOOCにおける学習指導要領の大規模言語モデルはどの程度優れているか?
• Authors: Boxuan Ma, Md Akib Zabed Khan, Tianyuan Yang, Agoritsa Polyzou, Shin'ichi Konomi,
• Abstract要約: 大規模言語モデル(LLM)は自然言語処理において大きな進歩を遂げており、リコメンデーションシステムに統合されつつある。 本稿では,大規模コーパスから得られた膨大な知識を活用して,LLMを汎用レコメンデーションモデルとして活用することを検討する。 実世界のMOOCデータセットを用いて大規模な実験を行い、LLMを精度、多様性、新規性といった重要な次元にわたるコースレコメンデーションシステムとして利用した。
• 参考スコア（独自算出の注目度）: 0.08738116412366388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Models (LLMs) have made significant strides in natural language processing and are increasingly being integrated into recommendation systems. However, their potential in educational recommendation systems has yet to be fully explored. This paper investigates the use of LLMs as a general-purpose recommendation model, leveraging their vast knowledge derived from large-scale corpora for course recommendation tasks. We explore a variety of approaches, ranging from prompt-based methods to more advanced fine-tuning techniques, and compare their performance against traditional recommendation models. Extensive experiments were conducted on a real-world MOOC dataset, evaluating using LLMs as course recommendation systems across key dimensions such as accuracy, diversity, and novelty. Our results demonstrate that LLMs can achieve good performance comparable to traditional models, highlighting their potential to enhance educational recommendation systems. These findings pave the way for further exploration and development of LLM-based approaches in the context of educational recommendations.
• Abstract（参考訳）: 大規模言語モデル(LLM)は自然言語処理において大きな進歩を遂げており、リコメンデーションシステムに統合されつつある。 しかし、教育レコメンデーションシステムにおけるその可能性については、まだ十分に検討されていない。 本稿では,大規模コーパスから得られた膨大な知識を活用して,LLMを汎用レコメンデーションモデルとして活用することを検討する。 我々は、プロンプトベースの手法からより高度な微調整技術まで、様々なアプローチを検討し、それらの性能を従来のレコメンデーションモデルと比較する。 実世界のMOOCデータセットを用いて大規模な実験を行い、LLMを精度、多様性、新規性といった重要な次元にわたるコースレコメンデーションシステムとして利用した。 本研究は,LLMが従来のモデルに匹敵する優れた性能を達成できることを示し,教育レコメンデーションシステムを強化する可能性を強調した。 これらの知見は、教育レコメンデーションの文脈において、LCMに基づくアプローチのさらなる探求と発展の道を開くものである。

関連論文リスト

• Generative Large Recommendation Models: Emerging Trends in LLMs for Recommendation [85.52251362906418]
  このチュートリアルでは、大規模言語モデル(LLM)を統合するための2つの主要なアプローチを探求する。 これは、最近の進歩、課題、潜在的研究の方向性を含む、生成的な大規模なレコメンデーションモデルの包括的な概要を提供する。 主なトピックは、データ品質、スケーリング法則、ユーザの行動マイニング、トレーニングと推論の効率性である。
  論文  参考訳（メタデータ） (2025-02-19T14:48:25Z)
• Towards Next-Generation LLM-based Recommender Systems: A Survey and Beyond [41.08716571288641]
  本論では,本質的なレコメンデーションに端を発する新しい分類法を紹介する。 本稿では,レコメンデーションシステムの発達過程をより正確に反映した3層構造を提案する。
  論文  参考訳（メタデータ） (2024-10-10T08:22:04Z)
• All Roads Lead to Rome: Unveiling the Trajectory of Recommender Systems Across the LLM Era [63.649070507815715]
  我々は、リコメンデータシステムをより広い視野に統合し、将来の研究のためのより包括的なソリューションの道を開くことを目指しています。 我々は、リストワイズレコメンデーションと会話レコメンデーションを通じて、現代のレコメンデーションシステムの2つの進化経路を特定する。 本稿では,ユーザの獲得コストを削減しつつ,推薦情報の有効性を高めることを指摘する。
  論文  参考訳（メタデータ） (2024-07-14T05:02:21Z)
• Aligning Large Language Models for Controllable Recommendations [31.255594408462322]
  従来のレコメンデータモデルから派生したラベルを付加した教師付き学習タスクのコレクションを導入する。 そこで我々は,LLMの能力を高めるための強化学習に基づくアライメント手法を開発した。 提案手法は,高い精度性能を維持しつつ,レコメンダシステム内の命令に準拠するLLMの能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-03-08T05:23:27Z)
• Exploring the Impact of Large Language Models on Recommender Systems: An Extensive Review [2.780460221321639]
  本稿では,リフォームレコメンダシステムにおける大規模言語モデルの重要性について述べる。 LLMは、言葉の複雑な解釈において、その適応性を示す、アイテムを推薦するのに非常に熟練している。 トランスフォーメーションの可能性にもかかわらず、入力プロンプトに対する感受性、時には誤解釈、予期せぬ推奨など、課題は続いている。
  論文  参考訳（メタデータ） (2024-02-11T00:24:17Z)
• Tapping the Potential of Large Language Models as Recommender Systems: A Comprehensive Framework and Empirical Analysis [91.5632751731927]
  ChatGPTのような大規模言語モデルは、一般的なタスクを解く際、顕著な能力を示した。 本稿では,レコメンデーションタスクにおけるLLMの活用のための汎用フレームワークを提案し,レコメンデーションタスクとしてのLLMの機能に着目した。 提案手法は,提案手法が推薦結果に与える影響を解析し,提案手法とモデルアーキテクチャ,パラメータスケール,コンテキスト長について検討する。
  論文  参考訳（メタデータ） (2024-01-10T08:28:56Z)
• Empowering Few-Shot Recommender Systems with Large Language Models -- Enhanced Representations [0.0]
  大規模言語モデル(LLM)は、明示的なフィードバックベースのレコメンデータシステムで遭遇する少数のシナリオに対処するための、新たな洞察を提供する。 我々の研究は、LLMがレコメンデーターシステムに関わっていることの多面的側面を深く掘り下げるために、研究者に刺激を与えることができる。
  論文  参考訳（メタデータ） (2023-12-21T03:50:09Z)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• A Survey on Large Language Models for Recommendation [77.91673633328148]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。 本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
  論文  参考訳（メタデータ） (2023-05-31T13:51:26Z)
• Recommendation as Instruction Following: A Large Language Model Empowered Recommendation Approach [83.62750225073341]
  我々は、大規模言語モデル(LLM)による指示としてレコメンデーションを考える。 まず、ユーザの好み、意図、タスクフォーム、コンテキストを自然言語で記述するための一般的な命令形式を設計する。 そして、39の命令テンプレートを手動で設計し、大量のユーザ個人化された命令データを自動的に生成する。
  論文  参考訳（メタデータ） (2023-05-11T17:39:07Z)

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。