跟踪：AFEL-日常学习分析

跟踪：国际项目WWW 2018，2018年4月23日至27日，法国里昂439AFEL -日常学习Mathieumathieu. insight-centre.org，Insight Centre for Data Analytics，NUI Galway（爱尔兰）{afessl，dkowald，elex，sthalmann}@know-center.at，Know-Center GmbH Graz（Austria）摘要AFEL的目标是开发、试验和评估方法和应用，这些方法和应用促进了非正式/集体学习，因为它隐含地出现在在线社交环境中。该项目采用多学科、行业驱动的方法来分析和理解学习者数据，以个性化、加速和改进非正式学习过程。学习分析和教育数据挖掘传统上涉及对来自学习环境的数据的分析和探索，特别是了解学习者的行为。然而，长期以来的研究表明，学习活动也发生在正规教育平台之外。这包括非正式和集体学习，通常作为副作用与其他（社会）环境和活动相关联AFEL的目标是依靠来自商业平台的真实数据，提供并验证在此类学习活动中利用学习分析的技术基础和工具。这将在学习和协作的认知模型中实现，这对于理解在线社交环境中松散定义的学习过程是必要的AFEL将把联盟中可用的技能应用到一组具体的现场工业在线社交环境中，将通过以下方式解决非正式学习分析的主要挑战：1）开发必要的工具和技术，以从（不一定是教育）在线社交环境中捕获有关学习活动的信息;2）创建基于组合的非正式学习数据分析方法特征工程和视觉分析与学习和协作的认知模型;和3）展示该方法在提高对非正式学习的理解方面的潜力，以及更好地支持非正式学习的方式; 4）在现实世界的大规模应用和平台中评估所有前项。关键词学习分析;日常学习;H2020ACM参考格式：马蒂厄·2018年。AFEL-日常学习分析在WWW '18Companion：The2018WebConferenceCompanion，2018年4月23日至27日，法国里昂。ACM，New York，NY，USA，2页。网址：//doi. org/10. 1145/3184558。3186206本文在知识共享署名4.0国际（CC BY 4.0）许可下发布。作者保留在其个人和公司网站上以适当的归属方式传播作品的权利WWW©2018 IW3C2（国际万维网会议委员会），在知识共享CC BY 4.0许可下发布。ACM ISBN 978-1-4503-5640-4/18/04。网址：//doi. org/10. 1145/3184558。3186206图1：H2020日常学习分析（AFEL）项目的徽标。1基本项目信息财团数据科学研究所，洞察数据分析中心，NUI Galway（爱尔兰）：Mathieu d'Aquin，协调员Gnoss，RiamInterlearning Lab S.L（西班牙）：Ricardo Maturana和Esteban SotaKnow-Center GmbH Graz （ 奥 地 利 ） ： Elisabeth Lex ，DominikKowald ， EduardoVeas ， IlireHasani-Mavriqi，Angela Fessl和Stefan Thalmann德国教育媒体基金会知识媒体研究中心：JoachimKimmerle和Peter HoltzLeibniz University Hannover（德国）：Stefan Dietze和Besnik Fetahu• 英国开放大学：Ilaria Tiddi和Alessandro Adamou演示者的姓名 Mathieu d'Aquin，数据科学研究所，数据分析洞察中心，NUIGalway（爱尔兰）项目持续时间。从2015-12-01到2018-11-30工程量。2，581，940欧元供资机构。欧盟官方网站。http：//afel-project. 欧盟2为什么这项研究很重要在学习以外的其他几个领域，自我导向的活动是突出的（例如健身），近年来随着用于自跟踪的工具的技术发展，已经出现了一种趋势这些工具量化特定用户身体健康），以实现自我意识和反思，目的是将其转化为行为改变。虽然自我跟踪在这些领域的实际好处仍然存在争议，但我们对这种方法如何在学习行为变得自我导向时受益的理解仍然有限。AFEL（见图1）旨在解决在在线社会学习背景下应用学习分析所带来的理论和技术挑战。该项目的支柱是捕获跨多个平台（包括）学习者在线活动的大规模异构数据的技术·····跟踪：国际项目WWW 2018，2018年4月23日至27日，法国里昂440社交媒体）和学习的理论认知模型的操作化，以测量和评估这些在线学习活动。3介绍和演示的内容报告将介绍项目头两年取得的成果这包括一个大型数据平台，旨在收集、整合和重新分发有关用户活动和他们用于学习的在线资源的数据。这将在AFEL合作伙伴GNOSS提供的Didactalia在线学习平台（包括数十万用户，使用数万资源）以及使用各种平台（在线视频，MOOC，社交媒体等）的在线资源进行更普遍的学习中得到证明基于收集的数据，我们将展示各种技术，用于集成和语义丰富这些数据，以便计算用户在线学习行为的进展和有效性的指标。这些指标是通过移动应用程序和仪表板跟踪的，仪表板提供了一系列针对新手和高级用户的可视化分析工具。这些应用程序将在演示过程中使用实际数据进行演示。4结果在最初的两年里，该项目取得了许多重大成果，包括项目各个方面的演示，研究不同方面的论文（包括数据集成，丰富，可视化和学习的认知模型）。我们总结了以下四个最重要的结果：AFEL数据平台。AFEL所依赖的数据平台旨在从大量异构源获取数据，从而能够聚合这些数据，丰富它们，并通过面向学习者的工具可用的API将它们提供回来。一个关键的挑战是确保数据围绕在不同平台上以不同方式识别的用户进行连接 我们依靠核心数据模式来重新构建RDF中的数据，以及ElasticSearch平台来处理大量的活动数据。 更多信息请参阅：http：//data. afel项目。欧盟/。AFEL可视化分析框架。 通过项目中开发的可视化分析框架，可以创建灵活的仪表板，从而实现大量自动推荐的可定制可视化。更多资讯：http：//分析。双趾畸形净AFEL开放数据集。作为学习分析研究人员，我们使用的数据也可以用于其他研究人员。用于学习分析的AFEL数据集是用于在在线/社交学习情境中执行分析的数据源的集合。 它是从AFEL数据目录的内容中提炼出来的，不包括包含个人数据和其他不可自由再分发的数据集。 它聚合了超过38B个不同的RDF三元组，这些三元组是通过重构现有的链接数据集和重新设计第三方数据集获得的。更多信息请参阅：http：//data. afel-项目。eu/catalogue/dataset-for-learning-analytics-v2/学习分析术语表。学习分析需要处理与学习的认知过程相关的复杂概念，并通过分析过程使其计算操作。学习分析词汇表是AFEL领导的合作计划，旨在为这些概念建立共享定义，以及在学习分析中近似这些概念的方法，重点是社交，自我导向学习。更多信息请参阅：http：//laglossary. GitHub. io学习资源推荐系统。Didactalia的资源推荐服务旨在为用户提供学习资源建议。这些推荐是基于指示学习活动（诸如过去的用户交互、资源流行度和资源内容）的所识别和提取的特征来计算的。已经识别了项目感兴趣的三个用例：（i）推荐系统中的流行资源（即，非个性化的），（ii）推荐志同道合的用户已经与之交互的资源（即，个性化的），（iii）针对特定资源的（替代的）类似资源的推荐（即，更像这样）。 对于实现，我们将建立在我们在该领域的先前研究的基础上（例如，[2- 4]）以及利用我们的可伸缩推荐框架ScaR（例如，[5]）。更多信息：http：//afel-project。eu/toolkit/afel-recommender/5致谢作者要感谢AFEL联盟的其他成员这项工作得到了格拉茨知识中心，爱尔兰科学基金会（SFI）数据分析洞察中心和欧洲资助的项目AFEL（GA687916）的支持。格拉茨知识中心由奥地利交通、创新和技术部、奥地利经济和劳动部以及施蒂里亚州赞助的奥地利COMET计划--卓越技术能力中心资助。COMET由奥地利研究促进局（FFG）管理。引用[1] Mathieud'Aquin、AlessandroAdamou、StefanDietze、BesnikFetahu、UjwalGadi-raju、IlireHasani-Mavriqi、PeterHoltz、JoachimKimmerle、DominikKowald和ElisabethLex。2017年 。 AFEL ： Towards Measuring Online Activities Contributions to Self-Directed Learning（英语：AFEL） 在第七届技术增强学习（ARTEL）中的意识和反思研讨会的会议记录中，与第12届欧洲技术增强学习会议一起：适应性和适应性学习（EC-TEL 2017）。[2] Dominik Kowald Simone Kopeinik和Elisabeth Lex 2017. TagRec框架作为开发基于标签的推荐系统的工具包。第25届用户建模、适应和个性化会议（UMAP '17）ACM，New York，NY，USA，23https：//doi. org/10. 1145/3099023。3099069[3] 多米尼克·科沃德和伊丽莎白·莱克斯。2015年。标签推荐算法评价在现实世界的民俗学：一项比较研究。 第九届ACM推荐系统会议论文集。ACM，265[4] Dominik Kowald Subhash Chandra Pujari和Elisabeth Lex 2017. Twitter中对Hashtag重用的时间效应：一种认知启发的Hashtag推荐方法。第26届万维网国际会议（WWW 国际万维网会议指导委员会，瑞士日内瓦共和国和州，1401-1410。网址：//doi. org/10. 1145/3038912。3052605[5] Emanuel Lacic，Matthias Traub，Dominik Kowald，and Elisabeth Lex.2017年。Scar：基于微服务架构的实时推荐框架。 大规模推荐系统研讨会（LSRS '2015）与第九届ACM推荐系统会议（RecSys'2015）共同举办。