Learning path prediction in Social Learning Network
محل انتشار: چهارمین کنفرانس ملی و دومین کنفرانس بین المللی پژوهش های کاربردی در مهندسی برق، مکانیک و مکاترونیک
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 284
متن کامل این مقاله منتشر نشده است و فقط به صورت چکیده یا چکیده مبسوط در پایگاه موجود می باشد.
توضیح: معمولا کلیه مقالاتی که کمتر از ۵ صفحه باشند در پایگاه سیویلیکا اصل مقاله (فول تکست) محسوب نمی شوند و فقط کاربران عضو بدون کسر اعتبار می توانند فایل آنها را دریافت نمایند.
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ELEMECHCONF04_387
تاریخ نمایه سازی: 11 مرداد 1396
چکیده مقاله:
Because of the increasing application of Information Technology (IT) and its role in changing people’s learning styles, it is necessary to increase the performance of Social Learning Networks (SLN). Prediction of learners’ requirement is important to support the learning process and improve learner’s performance learning needs prediction is so important to support the learners’ learning process and improve their performance. In this paper, we propose an interpreter to predict the learner’s learning needs in SLN. The interpreter then guesses and offers the next learning topics in regards to the corresponding topics which were studied previously. The proposed perfection method uses a user-based Collaboration Filtering (CF) approach. The performance of the proposed method is evaluated through extracting the data-set from one of the familiar SLNs. The results shows the people who follow similar learning topics in a network, share the same learning needs. The method could predict about 60 percent of learning needs in recall criteria.
کلیدواژه ها:
نویسندگان
Hossein Bobarshad
Network Science and Technology Department, Faculty of New Sciences and Technologies, University of Tehran, Tehran, Iran
Mohammad Sadegh Rezaei
Network Science and Technology Department, Faculty of New Sciences and Technologies, University of Tehran, Tehran, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :