論文の概要: An Outcome-Based Educational Recommender System

• arxiv url: http://arxiv.org/abs/2509.18186v1
• Date: Thu, 18 Sep 2025 18:18:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 20:41:27.469742
• Title: An Outcome-Based Educational Recommender System
• Title（参考訳）: アウトカムベースの教育レコメンダシステム
• Authors: Nursultan Askarbekuly, Timur Fayzrakhmanov, Sladjan Babarogić, Ivan Luković,
• Abstract要約: OBER-an Outcome-Based Educational Recommenderは学習結果と評価項目を直接データスキーマに埋め込む。 OBERは最小限のエンティティ-リレーションモデル、ログ駆動のマスタリー式、プラグインアーキテクチャを使用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most educational recommender systems are tuned and judged on click- or rating-based relevance, leaving their true pedagogical impact unclear. We introduce OBER-an Outcome-Based Educational Recommender that embeds learning outcomes and assessment items directly into the data schema, so any algorithm can be evaluated on the mastery it fosters. OBER uses a minimalist entity-relation model, a log-driven mastery formula, and a plug-in architecture. Integrated into an e-learning system in non-formal domain, it was evaluated trough a two-week randomized split test with over 5 700 learners across three methods: fixed expert trajectory, collaborative filtering (CF), and knowledge-based (KB) filtering. CF maximized retention, but the fixed path achieved the highest mastery. Because OBER derives business, relevance, and learning metrics from the same logs, it lets practitioners weigh relevance and engagement against outcome mastery with no extra testing overhead. The framework is method-agnostic and readily extensible to future adaptive or context-aware recommenders.
• Abstract（参考訳）: ほとんどの教育推薦システムは、クリックまたはレーティングに基づく関連性に基づいて調整され、判断される。 我々は,データスキーマに直接学習結果や評価項目を埋め込む,OBER-an Outcome-Based Educational Recommenderを導入し,それを育成する熟達に基づいて任意のアルゴリズムを評価する。 OBERは最小限のエンティティ-リレーションモデル、ログ駆動のマスタリー式、プラグインアーキテクチャを使用する。 非形式ドメインのeラーニングシステムに統合され、固定専門家軌道、協調フィルタリング(CF)、知識ベース(KB)フィルタリングという3つの手法にまたがる5,700人以上の学習者による2週間のランダム化分割試験が評価された。 CFは保持を最大化したが、固定経路は最高の熟達を達成した。 OBERは、同じログからビジネス、関連性、学習のメトリクスを導出します。 このフレームワークはメソッドに依存しず、将来の適応型やコンテキスト対応の推奨者に容易に拡張できる。

関連論文リスト

• Unlearning for Federated Online Learning to Rank: A Reproducibility Study [24.712358666002658]
  本稿では,FOLTR(Federated Online Learning to Rank)におけるフェデレーション・アンラーニング・ストラテジーの有効性と効果について報告する。 本研究は、アンダーアンラーニングとオーバーアンラーニングの両方のシナリオを管理するために、アンラーニング戦略の有効性を厳格に評価する。
  論文  参考訳（メタデータ） (2025-05-19T07:23:46Z)
• Top-Down vs. Bottom-Up Approaches for Automatic Educational Knowledge Graph Construction in CourseMapper [0.5937476291232802]
  本研究では,自動EduKG構築におけるトップダウンとボトムアップのアプローチを比較した。 以上の結果から,ボトムアップアプローチは,重要な知識概念を正確に識別し,マッピングする上で,トップダウンアプローチよりも優れていることが示唆された。
  論文  参考訳（メタデータ） (2025-05-15T08:11:48Z)
• Performance-bounded Online Ensemble Learning Method Based on Multi-armed bandits and Its Applications in Real-time Safety Assessment [6.0343041794631604]
  本稿では,PB-OEL という名前のマルチアームバンディットに基づくパフォーマンスバウンドオンラインアンサンブル学習手法を提案する。 提案手法は既存の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2025-03-19T14:57:53Z)
• Exploring Federated Unlearning: Review, Comparison, and Insights [101.64910079905566]
  フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。 本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。 フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-30T01:34:33Z)
• Set-to-Sequence Ranking-based Concept-aware Learning Path Recommendation [49.85548436111153]
  SRC(Set-to-Sequence Ranking-based Concept-Aware Learning Path Recommendation)という新しいフレームワークを提案する。 SRCは、セット・ツー・シーケンス・パラダイムの下でレコメンデーション・タスクを定式化する。 実世界の2つの公開データセットと1つの産業データセットについて広範な実験を行う。
  論文  参考訳（メタデータ） (2023-06-07T08:24:44Z)
• SelfCF: A Simple Framework for Self-supervised Collaborative Filtering [72.68215241599509]
  協調フィルタリング(CF)は、観測された相互作用からユーザやアイテムの情報的潜在表現を学習するために広く用いられている。 本稿では,暗黙的なフィードバックを伴うレコメンデータシナリオに特化して設計された自己教師型協調フィルタリングフレームワーク(SelfCF)を提案する。 自制フレームワークのBUIRと比較して,SelfCFは平均17.79%の精度向上を実現している。
  論文  参考訳（メタデータ） (2021-07-07T05:21:12Z)
• BCFNet: A Balanced Collaborative Filtering Network with Attention Mechanism [106.43103176833371]
  協調フィルタリング(CF)ベースの推奨方法が広く研究されている。 BCFNet(Balanced Collaborative Filtering Network)という新しい推薦モデルを提案する。 さらに注意機構は、暗黙のフィードバックの中で隠れた情報をよりよく捉え、ニューラルネットワークの学習能力を強化するように設計されている。
  論文  参考訳（メタデータ） (2021-03-10T14:59:23Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)
• Probabilistic Case-based Reasoning for Open-World Knowledge Graph Completion [59.549664231655726]
  ケースベース推論(CBR)システムは,与えられた問題に類似した事例を検索することで,新たな問題を解決する。 本稿では,知識ベース(KB)の推論において,そのようなシステムが実現可能であることを示す。 提案手法は,KB内の類似エンティティからの推論パスを収集することにより,エンティティの属性を予測する。
  論文  参考訳（メタデータ） (2020-10-07T17:48:12Z)
• Towards a Flexible Embedding Learning Framework [15.604564543883122]
  本稿では,学習表現に組み込むことができる関係性の観点から柔軟な埋め込み学習フレームワークを提案する。 サンプリング機構は、入力と出力埋め込みによって捕捉された情報との直接接続を確立するために慎重に設計される。 実験の結果,提案するフレームワークは,関連エンティティ・リレーショナル・マトリクスのセットと合わせて,様々なデータマイニングタスクにおける既存の最先端アプローチよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-09-23T08:00:56Z)

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。