Δυναμική μοντελοποίηση γνωστικού υπόβαθρου εκπαιδευόμενων και προσωποποιημένη μαθησιακή εμπειρία

Dynamic modeling of learners' cognitive background and personalized learning experience (Αγγλική)

  1. MSc thesis
  2. Ναστάτος, Σπυρίδων
  3. Μεταπτυχιακή Εξειδίκευση στα Πληροφοριακά Συστήματα (ΠΛΣ)
  4. 19 Σεπτεμβρίου 2021 [2021-09-19]
  5. Ελληνικά
  6. 194
  7. Ρεφανίδης, Ιωάννης
  8. Μηχανική Μάθηση | Μοντέλα Πρόβλεψης | Ακρίβεια Πρόβλεψης | Machine Learning | Prediction Models | Prediction Accuracy
  9. 1
  10. 1
  11. 26
  12. Περιέχει : πίνακες, διαγράμματα, εικόνες
    • Η μηχανική μάθηση είναι πλέον μία αρκετά ώριμη προσέγγιση για την εκμετάλλευση του μεγάλου όγκου δεδομένων που διατίθενται στο διαδίκτυο, στις διαδικασίες λήψης αποφάσεων. Η υπερδιαθεσιμότητα των δεδομένων δημιουργεί δυσκολίες στην διαλογή τους και την επιλογή των καταλληλότερων για χρήση. Η μηχανική μάθηση προσφέρει ικανοποιητικές λύσεις στον τομέα αυτό. Έχει βρει σημαντικές εφαρμογές σε διάφορους τομείς της ανθρώπινης δραστηριότητα και στην εκπαίδευση. Στην παρούσα εργασία εξετάζεται ο τρόπος με τον οποίο μπορούν να χρησιμοποιηθούν οι διαδικασίες της ώστε να εξυπηρετηθεί η απαίτηση της εξατομίκευσης των εκπαιδευτικών διαδικασιών για την προετοιμασία συμμετοχής σε εξετάσεις γλωσσομάθειας. Αναπτύχθηκαν μοντέλα πρόβλεψης με εποπτευόμενες και μη εποπτευόμενες μεθόδους με την χρήση διαφορετικών χαρακτηριστικών του συνόλου των δεδομένων και συγκρίθηκαν ως προς την ποιότητά τους ώστε να εκτιμηθεί ποια από αυτά μπορούν να χρησιμοποιηθούν για την εξατομίκευση της εκπαίδευσης.
    • Machine learning is now a fairly mature approach to exploiting the vast amount of data available on the Internet in decision-making processes. The over-availability of data creates difficulties in their sorting and selection of the most suitable for use. Machine learning offers satisfactory solutions in this area. It has found important applications in various fields of human activity and education. This paper examines how its procedures can be used to meet the requirement of personalizing educational procedures to prepare for language proficiency exams. Predictive models with supervised and unsupervised methods were developed using different characteristics of the data set and compared in terms of quality to assess which of them can be used to personalize education.
  14. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.