Περίληψη
Η παρούσα διδακτορική διατριβή επικεντρώνεται στα ερευνητικά πεδία της τηλεκπαίδευσης και των συνεργατικών συστημάτων συλλογικής ευφυΐας, παρουσιάζοντας καινοτόμες μεθόδους βελτιστοποίησης τους, οι οποίες θεμελιώθηκαν με χρήση τεχνικών μηχανικής μάθησης καθώς και μεθόδων μοντελοποίησης της συμπεριφοράς των διαδικτυακών χρηστών. Όσον αφορά το γνωστικό πεδίο της τηλεκπαίδευσης η διατριβή αναλύει το πρόβλημα της μειωμένης δυνατότητας των διδασκόντων για έγκαιρη και ακριβή πρόβλεψη της μελλοντικής συμπεριφορά των εκπαιδευόμενων, κυρίως λόγω της απόστασης η οποία υπεισέρχεται σε αυτόν τον τύπου εκπαίδευσης. Αυτή η αδυναμία πρόβλεψης δημιουργεί με τη σειρά της δυσκολία στην κάλυψη των εξειδικευμένων μαθησιακών αναγκών των σπουδαστών και οδηγεί στα πολύ υψηλότερα, σε σχέση με την παραδοσιακή εκπαίδευση, ποσοστά εκπαιδευομένων οι οποίοι εγκαταλείπουν την παρακολούθηση των μαθημάτων τηλεκπαίδευσης. Για την επίλυση του ανωτέρω προβλήματος στη παρούσα διατριβή θεμελιώνονται δύο νέες μέθοδοι έγκαι ...
Η παρούσα διδακτορική διατριβή επικεντρώνεται στα ερευνητικά πεδία της τηλεκπαίδευσης και των συνεργατικών συστημάτων συλλογικής ευφυΐας, παρουσιάζοντας καινοτόμες μεθόδους βελτιστοποίησης τους, οι οποίες θεμελιώθηκαν με χρήση τεχνικών μηχανικής μάθησης καθώς και μεθόδων μοντελοποίησης της συμπεριφοράς των διαδικτυακών χρηστών. Όσον αφορά το γνωστικό πεδίο της τηλεκπαίδευσης η διατριβή αναλύει το πρόβλημα της μειωμένης δυνατότητας των διδασκόντων για έγκαιρη και ακριβή πρόβλεψη της μελλοντικής συμπεριφορά των εκπαιδευόμενων, κυρίως λόγω της απόστασης η οποία υπεισέρχεται σε αυτόν τον τύπου εκπαίδευσης. Αυτή η αδυναμία πρόβλεψης δημιουργεί με τη σειρά της δυσκολία στην κάλυψη των εξειδικευμένων μαθησιακών αναγκών των σπουδαστών και οδηγεί στα πολύ υψηλότερα, σε σχέση με την παραδοσιακή εκπαίδευση, ποσοστά εκπαιδευομένων οι οποίοι εγκαταλείπουν την παρακολούθηση των μαθημάτων τηλεκπαίδευσης. Για την επίλυση του ανωτέρω προβλήματος στη παρούσα διατριβή θεμελιώνονται δύο νέες μέθοδοι έγκαιρης και δυναμικής πρόβλεψης της τελικής επίδοσης των σπουδαστών τηλεκπαίδευσης καθώς και της πιθανότητάς τους να αποσυρθούν από το μάθημα. Οι μέθοδοι βασίζονται στη χρήση τεχνικών μηχανικής μάθησης και στη μοντελοποίηση της συμπεριφοράς των εκπαιδευομένων και στόχο έχουν να δώσουν στους διδάσκοντες τη δυνατότητα να ανταποκρίνονται στις εξειδικευμένες εκπαιδευτικές ανάγκες των σπουδαστών έγκαιρα και με ακρίβεια, συμβάλλοντας έτσι στην αύξηση των επιπέδων συγκράτησης των σπουδαστών στο θεσμό της τηλεκπαίδευσης. Εκτός από το πρόβλημα της μειωμένης ανάδρασης λόγω απόστασης, ένα από τα κυριότερα προβλήματα τόσο της τηλεκπαίδευσης όσο και γενικότερα των συστημάτων Ιστού είναι η διασφάλιση της ποιότητας της πληροφορίας η οποία αποστέλλεται στους χρήστες. Το πρόβλημα αυτό εντοπίζεται ιδιαίτερα στα συνεργατικά συστήματα συλλογικής ευφυΐας, και συγκεκριμένα στα συστήματα Ιστού δεύτερης γενιάς τα οποία επιτρέπουν τη συνεργασία πολλών χρηστών στη δημιουργία περιεχομένου. Αν και τα συστήματα αυτά παρέχουν δυνατότητα συνεργασίας στους χρήστες οι οποίοι συμμετέχουν, ωστόσο δεν καταφέρνουν να αξιοποιήσουν τις γνώσεις τους και να συντονίσουν τις ενέργειές τους με βέλτιστο τρόπο ώστε να προκόψει το ποιοτικότερο δυνατό περιεχόμενο της συλλογικής τους ευφυΐας. Για την επίλυση του ανωτέρω προβλήματος, στην παρούσα διατριβή προτείνεται ένα καινοτόμο αυτορρυθμιζόμενο σύστημα συλλογικής ευφυΐας το οποίο δρα προς τη διασφάλιση της ποιότητας του περιεχομένου του συνδυάζοντας τεχνικές μηχανικής μάθησης με τη συλλογική ευφυΐα των ομότιμων χρηστών του.
περισσότερα
Περίληψη σε άλλη γλώσσα
The present doctoral thesis focuses on the scientific fields of e-learning and collaborative collective intelligence systems and presents novel methods for improving these systems. These methods are established through the use of machine learning techniques and through behaviour modelling of online users. As far as e-learning is concerned, the thesis presents the limitations that instructors face in promptly and accurately predicting the future behaviour of trainees, mainly due to the distance that is involved in this type of education. This inability to predict trainee behaviour results in difficulties when addressing the specialized educational needs of the trainees, which in turn leads to increased dropout rates, compared to traditional education. To address the above problem, two novel methods are established in the present thesis, for early and dynamic prediction of the final achievement of e-learning students and their possibility to drop the online course. The methods are based ...
The present doctoral thesis focuses on the scientific fields of e-learning and collaborative collective intelligence systems and presents novel methods for improving these systems. These methods are established through the use of machine learning techniques and through behaviour modelling of online users. As far as e-learning is concerned, the thesis presents the limitations that instructors face in promptly and accurately predicting the future behaviour of trainees, mainly due to the distance that is involved in this type of education. This inability to predict trainee behaviour results in difficulties when addressing the specialized educational needs of the trainees, which in turn leads to increased dropout rates, compared to traditional education. To address the above problem, two novel methods are established in the present thesis, for early and dynamic prediction of the final achievement of e-learning students and their possibility to drop the online course. The methods are based on the use of machine learning techniques and the modelling of the trainee behaviour, aiming to provide instructors with the means to address the specialized educational needs of the trainees in a prompt and accurate manner, thus contributing to die increase of e-learning retention. Apart from the problem of reduced feedback due to the distance involved, one of the most important issues of e-learning and of Web systems in general, is the quality assurance of the information communicated to the users. This problem is particularly observed in collaborative collective intelligence systems, and more specifically in Web 2.0 systems, which assist the cooperation of large numbers of users on the task of content creation. Although these systems allow participating users to collaborate, they do not succeed in co-ordinating them and in taking full advantage of their knowledge and skills, so that content of the best possible quality will emerge out of their collective intelligence. To address the aforementioned issue, the present thesis proposes a new self-regulating collective intelligence system that acts towards ensuring content quality, by combining machine learning techniques with the collective intelligence of its peer users.
περισσότερα