For example, a recommender system o

For example, a recommender system of pedagogical patterns (RSPP) was developed in[108]to help lecturers choose a proper pedagogical pattern
and define the best teaching strategies. RSPP defines an ontology to
represent the pedagogical patterns and their interaction with the fundamentals of the educational process, and applies a unified hybrid
model which combines content and CF to make recommendations. To
extend Web-based educational systems with personalized support,
a user-centered design approach was proposed and applied to the
Willow system[109]. This study indicates that building personalized
learning e-environments is a process that must consider learners'
needs throughout the e-learning life cycle. It also reported that the
e-learning life cycle can be used to design and evaluate personalization support through recommendations in Web-based educational
systems.
The corresponding ontologies of learners and learning objectives are
discussed in the literature. Biletskiy et al.[110]described a technical solution for a personalized search of learning objects on the Web which
proposes a comparison of learner (user) profiles and learning object descriptions. This comparison is based not only on the values of the attributes of learner profiles and the attributes of the learning object
descriptions, but also on the importance of these attributes for the
learner. In the framework, a comparator is proposed to evaluate the
“matching score”between learners and learning objectives, based on
comparison rules.
From the above reviews, it is clear that KB pedagogical rules play a
more important part in making recommendations in e-learning recommender systems than they do in other recommender systems, because such recommender systems usually lack sufficient historical
data sets for CF or CB algorithms. The architecture of an e-learning
recommender system usually consists of three parts: 1) using Web
analysis techniques to collect learners' profiles and identify their
personalized demands; 2) collecting the metadata of learning objectives to identify the features; 3) acquiring related pedagogical
knowledge to evaluate the matching degree between learners and
learning objectives. It also should be mentioned that some advanced
techniques are also integrated in the matching process to improve
system performance.

Kết quả (Việt) 1:

Ví dụ, một hệ thống các mô hình sư phạm (RSPP) đã được phát triển trong [108] để giúp giảng viên chọn một mô hình sư phạm thích hợpvà xác định tốt nhất giảng dạy chiến lược. RSPP định nghĩa một ontology đểđại diện cho các mô hình sư phạm và của họ tương tác với các nguyên tắc cơ bản của quá trình giáo dục, và áp dụng thống nhất laiMô hình kết hợp nội dung và CF để làm cho các khuyến nghị. Đểmở rộng các trang Web dựa trên hệ thống giáo dục với hỗ trợ cá nhân hoá,một cách tiếp cận người dùng làm trung tâm thiết kế đã được đề xuất và áp dụng cho cácLiễu hệ thống [109]. Nghiên cứu này chỉ ra rằng xây dựng cá nhân hoáe-môi trường học tập là một quá trình mà phải cho người họcnhu cầu trong suốt vòng đời của e-learning. Nó cũng thông báo rằng cácchu kỳ sống e-learning có thể được sử dụng để thiết kế và đánh giá cá nhân hỗ trợ thông qua các đề nghị trong dựa trên Web giáo dụcHệ thống.Ontologies tương ứng của người học và mục tiêu học tậpthảo luận trong văn học. Biletskiy et al. [110] mô tả một giải pháp kỹ thuật cho một tìm kiếm được cá nhân hoá học tập các đối tượng trên các trang Web màđề xuất một so sánh các hồ sơ học (người dùng) và học tập mô tả đối tượng. So sánh này là không chỉ dựa trên các giá trị của các thuộc tính của cấu hình học và các thuộc tính của đối tượng họcMô tả, mà còn về tầm quan trọng của các thuộc tính cho cáchọc lái xe. Trong khuôn khổ, so sánh một đề xuất để đánh giá các"phù hợp với điểm" giữa học viên và mục tiêu học tập, dựa trênso sánh quy tắc.Từ những nhận xét ở trên, nó là rõ ràng rằng KB sư phạm quy tắc chơi mộtmột phần quan trọng trong việc đưa ra khuyến nghị trong e-learning các hệ thống hơn là trong các hệ thống khác, bởi vì các hệ thống như vậy thường thiếu đủ lịch sửbộ dữ liệu cho các thuật toán CF hoặc CB. Kiến trúc của một e-learningCác hệ thống thường bao gồm ba phần: 1) bằng cách sử dụng Webkỹ thuật phân tích để thu thập các hồ sơ của người học và xác định của họnhu cầu cá nhân; 2) thu thập các siêu dữ liệu của học tập các mục tiêu để xác định các tính năng; 3) có liên quan sư phạmkiến thức để đánh giá mức độ phù hợp giữa học viên vàmục tiêu học tập. Nó cũng nên được đề cập một số tiên tiếnkỹ thuật cũng được tích hợp trong quá trình kết hợp để cải thiệnhiệu năng hệ thống.

Kết quả (Việt) 2:

Ví dụ, một hệ thống recommender của mô hình sư phạm (RSPP) đã được phát triển trong [108] để giúp giảng viên chọn một mô hình sư phạm thích hợp
và xác định các chiến lược giảng dạy tốt nhất. RSPP định nghĩa một ontology để
đại diện cho mô hình sư phạm và sự tương tác của họ với các nguyên tắc cơ bản của quá trình giáo dục, và áp dụng một lai thống nhất
mô hình kết hợp giữa nội dung và CF để khuyến nghị. Để
mở rộng hệ thống giáo dục dựa trên web với hỗ trợ cá nhân,
một cách tiếp cận thiết kế sử dụng làm trung tâm đã được đề xuất và áp dụng cho các
hệ thống Willow [109]. Nghiên cứu này chỉ ra rằng, xây dựng cá nhân
học tập e-môi trường là một quá trình mà phải xem xét người học
nhu cầu trong suốt vòng đời e-learning. Nó cũng báo cáo rằng các
chu kỳ cuộc sống học tập điện tử có thể được sử dụng để thiết kế và đánh giá hỗ trợ cá nhân thông qua các khuyến nghị trong giáo dục dựa trên Web
hệ thống.
Các bản thể tương ứng của người học và mục tiêu học tập được
thảo luận trong các tài liệu. Biletskiy et al. [110] mô tả một giải pháp kỹ thuật cho một tìm kiếm được cá nhân hoá học tập các đối tượng trên Web mà
đề xuất một sự so sánh của người học profile (người sử dụng) và học giới thiệu đối tượng. Sự so sánh này không chỉ dựa trên các giá trị của các thuộc tính của hồ sơ học lái xe và các thuộc tính của đối tượng học
giới thiệu, mà còn về tầm quan trọng của các thuộc tính cho các
học viên. Trong khuôn khổ, một so sánh được đề xuất để đánh giá
"phù hợp với số điểm" giữa người học và mục tiêu học tập, dựa trên
quy tắc so sánh.
Từ nhận xét trên, rõ ràng là KB quy tắc sư phạm đóng một
phần quan trọng trong việc đưa ra các khuyến nghị trong e-learning hệ thống tư hơn là trong các hệ thống tư khác, bởi vì hệ thống tư như vậy thường không có đủ lịch sử
các tập dữ liệu cho CF hoặc các thuật toán CB. Kiến trúc của một e-learning
hệ thống recommender thường bao gồm ba phần: 1) sử dụng Web
kỹ thuật phân tích để thu thập hồ sơ của người học và nhận dạng của họ
nhu cầu cá nhân; 2) thu thập siêu dữ liệu của mục tiêu học tập để xác định các tính năng; 3) mua sư phạm liên quan
kiến thức để đánh giá mức độ phù hợp giữa người học và
mục tiêu học tập. Cũng cần phải nói rằng một số tiên tiến
kỹ thuật này cũng được tích hợp trong quá trình kết hợp để cải thiện
hiệu năng hệ thống.