Design and implementation of an online education platform (open classroom)

Abstract

The emergence of online education has changed the landscape of learning and teaching by bypassing the constraints of the traditional classroom. This revolution offers unparalleled flexibility, allowing learners to access high-quality learning resources at a time that suits them. Consequently, it has opened up new avenues for self-study, professional development, and access to high-quality curricula. One important issue that has been identified is the difficulty students have in searching and finding relevant information effectively in e-learning environments. This issue often stems from inadequate search functionality, which can hinder the learning process. This work aims to address this issue by personalizing the learning experience using AI techniques. It focuses on the design and implementation of an online learning platform. Through the use of a dataset and deep learning techniques such as recurrent neural networks (RNNs), specifically long term memory (LSTM), by predicting the next word, the system can provide more relevant search suggestions and autocomplete the search, thereby enhancing the user experience and making the search process more efficient, and has shown remarkable accuracy rates and low errors. It achieved an accuracy rate of 0.97 and an error rate of 0.15. The application of integrating convolutional neural networks (CNNs) to generate search results and recommendations to other relevant resources was also highlighted. The model achieves an accuracy rate of 0.73 and an error of 0.87 Un problème important qui a été identifié est la difficulté qu'ont les étudiants à rechercher et à trouver des informations pertinentes de manière efficace dans les environnements d'apprentissage en ligne. Ce problème découle souvent d'une fonctionnalité de recherche inadéquate, qui peut entraver le processus d'apprentissage. Ce travail vise à résoudre ce problème en personnalisant l'expérience d'apprentissage à l'aide de techniques d'intelligence artificielle. Il se concentre sur la conception et la mise en œuvre d'une plateforme d'apprentissage en ligne. En utilisant un ensemble de données et des techniques d'apprentissage profond telles que les réseaux neuronaux récurrents (RNN), en particulier la mémoire à long terme à court terme (LSTM), en prédisant le mot suivant, le système peut fournir des suggestions de recherche plus pertinentes et compléter automatiquement la recherche, améliorant ainsi l'expérience de l'utilisateur et rendant le processus de recherche plus efficace, et a montré des taux de précision remarquables et de faibles erreurs. Il a atteint un taux de précision de 0,97 et un taux d'erreur de 0,15. L'application de l'intégration des réseaux neuronaux convolutionnels (CNN) pour générer des résultats de recherche et des recommandations vers d'autres ressources pertinentes a également été mise en évidence. Le modèle atteint un taux de précision de 0,73 et une erreur de 0,87.مشكلة مهمة تم تحديدها هي صعوبة الطلاب في البحث عن المعلومات ذات الصلة والعثور عليها بشكل فعال في بيئات التعلم عبر الإنترنت. غالبًا ما تنشأ هذه المشكلة من ضعف وظيفة البحث، مما قد يعيق عملية التعلم. يهدف هذا العمل إلى حل هذه المشكلة من خلال تخصيص تجربة التعلم باستخدام تقنيات الذكاء الاصطناعي. يركز على تصميم وتنفيذ منصة للتعلم عبر الإنترنت. من خلال استخدام مجموعة من البيانات وتقنيات التعلم العميق مثل الشبكات العصبية المتكررة (RNN)، وخاصة ذاكرة المدى الطويل القصيرة (LSTM)، عن طريق التنبؤ بالكلمة التالية، يمكن للنظام تقديم اقتراحات بحث أكثر ملاءمة وإكمال البحث تلقائيًا، مما يحسن تجربة المستخدم ويجعل عملية البحث أكثر فعالية، و...وأظهر معدلات دقة ملحوظة وأخطاء منخفضة. فقد وصل إلى معدل دقة قدره 0.97 ومعدل خطأ قدره 0.15. كما تم تسليط الضوء على تطبيق دمج الشبكات العصبية التلافيفية (CNN) لتوليد نتائج البحث والتوصيات نحو موارد أخرى ذات صلة. ويحقق النموذج معدل دقة قدره 0.73 وخطأ قدره 0.87.