Preference Elicitation of learners to personalize the learning process in MOOCs.

Abstract

Dans ce manuscrit, nous avons mené une analyse et une étude approfondie des domaines du e-learning, plus particulièrement les MOOCs, et des systèmes de recommandation en mettant l’accent sur la fusion entre eux afin d’améliorer la satisfaction des apprenants en se concentrant sur l’élicitation de leur préférences dans le processus de la recommandation. Pour cette étude, nous avons utilisé le modèle BERT base uncased de la bibliothèque Transformers de Hugging Face, développé par Google et dédié pour le traitement des requêtes, des commentaires, la prédiction et la génération des textes en anglais. L'objectif de ce travail est de proposer une solution au problème de la diversification des préférences des apprenants, en exploitant les avantages de BERT pour extraire les préférences à partir des commentaires fournis par les apprenants. Ensuite, ces préférences seront

In this manuscript, we conducted an in-depth analysis and study of the fields of e-learning, particularly MOOCs, and recommendation systems, focusing on the integration between them to enhance learner satisfaction by eliciting their preferences in the recommendation process. For this study, we utilized the BERT base uncased model from the Hugging Face Transformers library, developed by Google, specifically designed for processing queries, comments, prediction, and text generation in English. The objective of this work is to propose a solution to the issue of diversifying learner preferences by leveraging BERT's capabilities to extract preferences from learner comments. These preferences are then incorporated into the recommendation process to improve the relevance of course recommendations and increase learner satisfaction. The system was implemented using the Python programming language. A series of tests was conducted to demonstrate the performance of our system, followed by a comparison with the BiLSTM and LSTM models. The results obtained were satisfactory in terms of sentiment classification and the recommendations generated. في هذه المخطوطة، أجرينا تحليلًا ودراسة متعمقة لمجالات التعلم الإلكتروني، وبشكل خاص الدورات المفتوحة عبر الإنترنت (MOOCs)، وأنظمة التوصية، مع التركيز على التكامل بينها لتعزيز رضا المتعلم من خلال استنباط تفضيلاتهم في عملية التوصية. لهذه الدراسة، استخدمنا نموذج BERT base uncased من مكتبة Hugging Face Transformers، الذي طورته شركة جوجل، والمصمم خصيصًا لمعالجة الاستفسارات والتعليقات والتنبؤ وإنشاء النصوص باللغة الإنجليزية. الهدف من هذا العمل هو اقتراح حل لمشكلة تنويع تفضيلات المتعلمين من خلال الاستفادة من قدرات BERT لاستخراج التفضيلات من تعليقات المتعلمين. ثم يتم دمج هذه التفضيلات في عملية التوصية لتحسين صلة التوصيات بالدورات وزيادة رضا المتعلمين. تم تنفيذ النظام باستخدام لغة البرمجة بايثون. تم إجراء سلسلة من الاختبارات لعرض أداء نظامنا، تلتها مقارنة، تلاه مقارنة مع نماذج BiLSTM و LSTM. كانت النتائج التي تم الحصول عليها مرضية من حيث تصنيف المشاعر والتوصيات الناتجة. incorporées dans le processus de la recommandation afin d'améliorer la pertinence des recommandations de cours et d’augmenter la satisfaction des apprenants. Le système a été implémenté en utilisant le langage de programmation Python. Une série de tests a été menée afin de démontrer les performances de notre système, suivie d'une comparaison avec les modèles BiLSTM et LSTM. Les résultats obtenus étaient satisfaisants en termes de classification des sentiments et des recommandations générées.