La incorporación de tecnología en la enseñanza ha cambiado drásticamente cómo los aprendices interactúan con los recursos académicos para un tema en particular. Los Sistemas de Gestión del Aprendizaje de hoy contienen innumerables recursos que requieren sistemas de recomendación inteligentes para optimizar la interacción y el logro del aprendiz. Este estudio se centra en crear un sistema de recomendación de contenido basado en IA utilizando filtrado híbrido, donde la recomendación se basa tanto en el contenido como en la actividad del usuario dentro del LMS. El enfoque principal del sistema es mitigar el problema del inicio en frío y la sobreespecialización de los sistemas recomendadores tradicionales. Se construyó un prototipo con un LMS personalizado que incorporaba un sistema de recomendación híbrido que fue probado en un entorno experimental con estudiantes de una universidad local contra técnicas de filtrado tradicionales. Se recopilaron y analizaron datos sobre precisión, recuperación, compromiso del usuario y satisfacción. Los resultados del estudio mostraron que el uso integrado de diversas técnicas de IA satisface de manera más precisa las necesidades del usuario respecto al acceso al contenido educativo, ya que los aprendices calificaron su experiencia de manera más positiva. La investigación demuestra las ventajas significativas que presentan los modelos de fusión en el contexto educativo moderno, al tiempo que delimita la dirección de la investigación que requieren los sistemas de aprendizaje adaptativo.
Petrović et al. (Wed,) estudiaron esta cuestión.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: