Agente basado en recomendación en entorno de e-learning utilizando descubrimiento de conocimiento y enfoques de aprendizaje automático
Autores: Shahbazi, Zeinab; Byun, Yung-Cheol
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Agente basado en recomendación en entorno de e-learning utilizando descubrimiento de conocimiento y enfoques de aprendizaje automático
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
E-learning
Sistema de recomendación
Desafíos
Aprendizaje automático
Técnicas de PNL
Preferencias de usuario
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
El aprendizaje en línea es un área popular en términos de aprendizaje de sitios web de redes sociales en diversos temas y contenidos para cada grupo de personas en este mundo con diferentes antecedentes de conocimiento y trabajos. Los sitios de aprendizaje en línea ayudan a usuarios como estudiantes, trabajadores de negocios, instructores y aquellos que buscan diferentes instituciones educativas. Excluyendo los beneficios de este sistema, existen varios desafíos que los usuarios enfrentan en plataformas en línea. Uno de los desafíos importantes es la información verdadera y el contenido correcto basado en estos recursos, resultados de búsqueda y calidad. Esta investigación propone recomendaciones basadas en agentes virtuales e inteligentes, que requieren información de perfil y preferencias de los usuarios para recomendar el contenido adecuado y los resultados de búsqueda basados en su historial de búsqueda. Aplicamos técnicas de Procesamiento del Lenguaje Natural (NLP) y enfoques de análisis semántico para la recomendación de la selección de cursos para e-estudiantes y tutores. Además, se aplicó un análisis de rendimiento de aprendizaje automático para mejorar los resultados de calificación del usuario en el entorno de aprendizaje en línea. El sistema aprende y analiza automáticamente las características del aprendiz y procesa el estilo de aprendizaje a través de la estrategia de agrupación. En comparación con el estado del arte reciente en este campo, el sistema propuesto y los resultados de la simulación muestran la minimización del número de errores métricos en comparación con otros trabajos. Los logros del enfoque presentado son proporcionar una plataforma cómoda al usuario para la selección y recomendaciones de cursos. De manera similar, evitamos recomendar los mismos contenidos y cursos. Analizamos las preferencias del usuario y mejoramos el rendimiento del sistema de recomendación para proporcionar contenido altamente relacionado basado en la situación del perfil del usuario. La precisión de predicción del sistema propuesto es del 98% en comparación con el filtrado híbrido, sistemas de autoorganización y modelado de conjunto.
Descripción
El aprendizaje en línea es un área popular en términos de aprendizaje de sitios web de redes sociales en diversos temas y contenidos para cada grupo de personas en este mundo con diferentes antecedentes de conocimiento y trabajos. Los sitios de aprendizaje en línea ayudan a usuarios como estudiantes, trabajadores de negocios, instructores y aquellos que buscan diferentes instituciones educativas. Excluyendo los beneficios de este sistema, existen varios desafíos que los usuarios enfrentan en plataformas en línea. Uno de los desafíos importantes es la información verdadera y el contenido correcto basado en estos recursos, resultados de búsqueda y calidad. Esta investigación propone recomendaciones basadas en agentes virtuales e inteligentes, que requieren información de perfil y preferencias de los usuarios para recomendar el contenido adecuado y los resultados de búsqueda basados en su historial de búsqueda. Aplicamos técnicas de Procesamiento del Lenguaje Natural (NLP) y enfoques de análisis semántico para la recomendación de la selección de cursos para e-estudiantes y tutores. Además, se aplicó un análisis de rendimiento de aprendizaje automático para mejorar los resultados de calificación del usuario en el entorno de aprendizaje en línea. El sistema aprende y analiza automáticamente las características del aprendiz y procesa el estilo de aprendizaje a través de la estrategia de agrupación. En comparación con el estado del arte reciente en este campo, el sistema propuesto y los resultados de la simulación muestran la minimización del número de errores métricos en comparación con otros trabajos. Los logros del enfoque presentado son proporcionar una plataforma cómoda al usuario para la selección y recomendaciones de cursos. De manera similar, evitamos recomendar los mismos contenidos y cursos. Analizamos las preferencias del usuario y mejoramos el rendimiento del sistema de recomendación para proporcionar contenido altamente relacionado basado en la situación del perfil del usuario. La precisión de predicción del sistema propuesto es del 98% en comparación con el filtrado híbrido, sistemas de autoorganización y modelado de conjunto.