Time-dependent recommender systems for the prediction of appropriate learning objects
| dc.contributor.advisor | Hauswirth, Manfred | |
| dc.contributor.author | Krauß, Christopher | |
| dc.contributor.grantor | Technische Universität Berlin | en |
| dc.contributor.referee | Hauswirth, Manfred | |
| dc.contributor.referee | Merceron, Agathe | |
| dc.contributor.referee | Drachsler, Hendrik | |
| dc.date.accepted | 2018-05-29 | |
| dc.date.accessioned | 2018-06-21T08:53:16Z | |
| dc.date.available | 2018-06-21T08:53:16Z | |
| dc.date.issued | 2018 | |
| dc.description.abstract | This dissertation deals with adaptive learning technologies which aim to optimize Technology Enhanced Learning (TEL) offerings to fit the individual learner’s needs. Thereby, Recommender Systems play a key role in supporting the user’s decision process for items of interest. This works very well for e-commerce and Video on Demand services. However, it is found to be the case that these traditional Recommender Systems cannot be directly transferred to TEL as the recommendation of course items follows a particular educational paradigm. The special conditions of this paradigm are first investigated and then taken into account for the realization of new algorithms. In order to allow a broad interoperability of a Recommender System with other technical components, a set of open standards and specifications results in a reference architecture for such an adaptive learning environment. Based on the realized architecture, activity data have been collected from students using course materials available online – the courses themselves comprising face-to-face lectures backed up by digital representations of the presented contents, blended learning settings as well as online-only courses. The courses provided access to the course materials via a novel Learning Companion Application. This app also presents learning recommendations to make the content selection more efficient and effective. Thereby, this work indicates that an educational Recommender System should not be evaluated using standard evaluation frameworks that utilize, for instance, a classical n-fold cross-validation. For this reason, a time-dependent evaluation framework is defined to investigate the precision of the Top-N learning recommendations at various points in time. Moreover, a new measure is introduced to determine the Mean Absolute Timeliness Deviation between an item recommendation and the time when it is actually accessed by the user. Subsequently, four major techniques for Recommender Systems are realized and applied to the collected data, evaluated with the time-dependent evaluation framework and successively optimized. As a reference implementation, a traditional Collaborative Filtering algorithm is developed and extended to incorporate time information. The results are then compared to the results of other time sensitive algorithms: an Item-based Collaborative Filtering approach which has previously been applied to TEL and a new learning path generator which incorporates a set of contextual information. Finally, a novel time-weighted Knowledge-based Filtering algorithm is presented and exhaustively analyzed. The evaluation results indicate that time-dependent filtering which incorporates multi-contextual activity data can produce the most precise recommendations. | en |
| dc.description.abstract | Die vorliegende Dissertation beschäftigt sich mit adaptiven Lerntechnologien, die sich an die individuellen Bedürfnisse der Lernenden anpassen. Dabei spielen vor allem Empfehlungssysteme eine Schlüsselrolle, da sie den Entscheidungsprozess der Benutzer unterstützen. Das funktioniert sehr gut für E-Commerce und Video on Demand-Dienste. Allerdings können diese Mechanismen nicht einfach für den Bereich des Technologie-gestützten Lernens übertragen werden, da die Empfehlungen von Kursinhalten einem sehr speziellen Paradigma folgen. Die Eigenschaften dieses Paradigmas werden in der Dissertation erst analysiert und anschließend als Basis für neue Algorithmen berücksichtigt. Um eine breite Interoperabilität des Empfehlungssystems mit anderen technischen Komponenten zu gewährleisten, wurden offene Standards und Spezifikationen umgesetzt, mit deren Hilfe eine Referenzarchitektur für adaptive Lernumgebungen umgesetzt wurde. Basierend darauf wurden Aktivitätsdaten in Echtwelt-Kursen gesammelt – von Präsenzunterricht, welcher durch digitales Vorlesungsmaterial unterstützt wurde, über Blended Learning-Umgebungen bis hin zu ausschließlichen Online-Kursen. Alle Kursteilnehmer hatten Zugriff auf die Kursmaterialien über die Lernbegleiter-App. Der Entscheidungsprozess der Lernenden wurde durch ein Lernempfehlungssystem unterstützt. Dabei hat sich herausgestellt, dass herkömmliche Evaluationstechniken, wie die n-Fold Cross- Validation, nicht für die Evaluation von Lernempfehlungssystemen geeignet sind. Deshalb wurde ein zeitabhängiges Evaluations-Framework definiert, mit dem die Präzision von Top-N-Lernempfehlungen zu verschiedenen Zeitpunkten analysiert werden kann. Zusätzlich wurde eine neuartige Messgröße eingeführt, die „Mean Absolute Timeliness Deviation”, die den zeitlichen Abstand zwischen Empfehlungen und dem späteren Abruf der Inhalte durch den Benutzer misst. Darauf basierend konnten vier Haupttechniken für Empfehlungssysteme realisiert und auf die gewonnenen Datensätze angewandt werden. Dann wurden diese mit dem definierten Evaluations- Framework ausgewertet und sukzessive optimiert. Als Referenzimplementierung diente ein traditioneller Collaborative Filtering-Algorithmus. Dieser ließ sich mit zeitabhängigen Algorithmen vergleichen: mit einer Item-based Collaborative Filtering-Methode, welche bereits für das Technologie-gestützte Lernen angewandt wurde, sowie mit einem Lernpfad-Generator, der kontextabhängige Informationen verarbeitet. Anschließend ist ein neuartiger kontextsensitiver und zeitabhängiger Knowledge-based Filtering-Algorithmus vorgestellt und ausgewertet worden. Die Arbeit zeigt, dass die präzisesten Empfehlungen durch zeitabhängige Filter-Algorithmen produziert werden, die zusätzlich mehrere Typen von Aktivitätsdaten verarbeiten. | de |
| dc.description.sponsorship | BMBF, 01IS12053, Software Campus | en |
| dc.description.sponsorship | BMBF, 01PD14002D, Smart Learning - Medieneinsatz in der handwerklichen Weiterbildung | en |
| dc.description.sponsorship | BMBF, 01PD17002D, Smart Learning - Medieneinsatz in der Online-Weiterbildung | en |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/7957 | |
| dc.identifier.uri | http://dx.doi.org/10.14279/depositonce-7119 | |
| dc.language.iso | en | en |
| dc.rights.uri | https://creativecommons.org/licenses/by/4.0/ | en |
| dc.subject.ddc | 000 Informatik, Wissen, Systeme | de |
| dc.subject.other | technology enhanced learning | en |
| dc.subject.other | time-aware recommender systems | en |
| dc.subject.other | intelligent tutoring systems | en |
| dc.subject.other | adaptive learning | en |
| dc.subject.other | time-dependent evaluation techniques | en |
| dc.subject.other | technologie-gestütztes Lernen | de |
| dc.subject.other | zeit-sensitive Empfehlungssysteme | de |
| dc.subject.other | intelligente Tutorensysteme | de |
| dc.subject.other | adaptives Lernen | de |
| dc.subject.other | zeit-abhängige Evaluationstechniken | de |
| dc.title | Time-dependent recommender systems for the prediction of appropriate learning objects | en |
| dc.title.translated | Zeitabhängige Empfehlungssysteme für die Vorhersage von geeigneten Lerninhalten | de |
| dc.type | Doctoral Thesis | en |
| dc.type.version | acceptedVersion | en |
| tub.accessrights.dnb | free | en |
| tub.affiliation | Fak. 4 Elektrotechnik und Informatik::Inst. Telekommunikationssysteme | de |
| tub.affiliation.faculty | Fak. 4 Elektrotechnik und Informatik | de |
| tub.affiliation.institute | Inst. Telekommunikationssysteme | de |
| tub.publisher.universityorinstitution | Technische Universität Berlin | en |