Подход к сравнению образовательных курсов с использованием технологий обработки естественного языка

Дмитрий Сергеевич Ботов, Юлий Дмитриевич Кленин

Аннотация


По мере роста числа образовательных программ и курсов потребность в методах их сравнения становится очевидной. В этой статье рассматривается общее состояние сферы интеллектуального анализа образовательного контента, разнообразие существующих форматов и типов документов, представляющих образовательный контент, и предлагается комбинированная мера близости для программ образовательных курсов. Предложенная мера близости использует три наиболее важных составляющих программы курса: описание курса, образовательные результаты курса и структура курса. В статье описывается предложенный подход к вычислению меры близости для пар каждого из этих компонентов, а также представлены первичные результаты экспериментов и их оценка с использованием метрики mean average precision.


Ключевые слова


интеллектуальный анализ образовательного контента; программа образовательного курса; учебный план; анализ данных; мера близости

Полный текст:

PDF (English)

Литература


Saini P.S., Sona D., Veeramachaneni S., Ronchetti M. Making E-learning better through Machine Learning. International Conference on Methods and Technologies for Learning, 2005, pp. 1–6.

Foley J., Allan J. Retrieving Hierarchical Syllabus Items for Exam Question Analysis. Advances in Information Retrieval, March 2016, pp. 575–586.

Chernikova E., Nikolaev P. The Similarity Measure and Algorithm for Comparison of the Learning Outcomes. Proceedings of the Fourth International Conference on Internet Technologies and Applications, 2011, pp. 465–473.

Chung H., Kim J. An Ontological Approach for Ssemantic Modelling of Curriculum and Syllabus in Higher Education. International Journal of Information and Education Technology, 2016, vol. 6, no. 5, pp. 365–369. DOI: 10.7763/IJIET.2016.V6.715

Oprea M. On the Use of Educational Ontologies as Support Tools for Didactical Activities. Proceedings of the International Conference on Virtual Learning(ICVL2012), Nov. 2012, pp. 67–73.

Botov D., Klenin J. Educational Content Semantic Modelling for Mining of Training Courses according to the Requirements of the Labor Market. Proceedings of the 1st International Workshop on Technologies of Digital Signal Processing and Storing, Russia, Ufa, UGATU, 2015, pp. 214–218.

Berry M.W., Kogan J. Text Mining: Theory and Applications. John Wiley & Sons Ltd, The Atrium, Southern Gate, Chichester, West Sussex, PO19 8SQ, United Kingdom, 2010, pp. 3–19.

Mikolov T., Sutskever I., Chen K., Corrado G.S., Dean J. Distributed Representations of Words and Phrases and their Compositionality. Advances in Neural Information Processing Systems, 2013, pp. 3111–3119.

Rehurek R., Sojka P. Software Framework for Topic Modelling with Large Corpora. Proceedings of the LREC 2010 Workshop on New Challenges for NLP Frameworks, Malta, Valletta, 2010, pp. 45–50.




DOI: http://dx.doi.org/10.14529/ctcr170301

Ссылки

  • На текущий момент ссылки отсутствуют.