Search

This study investigates the potential of regression models to analyze semantic similarities in course descriptions using BERT embeddings, aiming to streamline the course recommendation process in international education. Focusing on cross-term multiple linear and polynomial regression models, the research assesses their effectiveness in mimicking the outcomes from the large language model with reduced computational complexity. The findings highlight that while cross-term multiple linear regression models offer reliable error metrics and consistency, they still do not fully capture the intricate semantic relationships present in the data. The study recommends further exploration into advanced machine learning techniques and diversifying embedding methods to improve accuracy and practicality in educational applications., Denna studie undersöker potentialen hos regressionsmodeller för att analysera semantiska likheter i kursbeskrivningar med hjälp av BERT-inbäddningar, med målet att effektivisera kursrekommendationsprocessen inom internationell utbildning. Genom att fokusera på flervariabel linjär och polynomiell regression med korsmultiplikation, utvärderar forskningen deras effektivitet i att efterlikna resultaten från den stora språkmodellen med reducerad beräkningskomplexitet. Resultaten visar att medan flervariabel linjär regression med korsmultiplikation erbjuder tillförlitliga felmått och konsistens, fångar de fortfarande inte fullt ut de intrikata semantiska relationerna i datan. Studien rekommenderar vidare utforskning av avancerade maskininlärningstekniker och diversifiering av inbäddningsmetoder för att förbättra noggrannhet och praktisk tillämpning inom utbildningsområdet.

This study investigates the potential of regression models to analyze semantic similarities in course descriptions using BERT embeddings, aiming to streamline the course recommendation process in international education. Focusing on cross-term multiple linear and polynomial regression models, the research assesses their effectiveness in mimicking the outcomes from the large language model with reduced computational complexity. The findings highlight that while cross-term multiple linear regression models offer reliable error metrics and consistency, they still do not fully capture the intricate semantic relationships present in the data. The study recommends further exploration into advanced machine learning techniques and diversifying embedding methods to improve accuracy and practicality in educational applications., Denna studie undersöker potentialen hos regressionsmodeller för att analysera semantiska likheter i kursbeskrivningar med hjälp av BERT-inbäddningar, med målet att effektivisera kursrekommendationsprocessen inom internationell utbildning. Genom att fokusera på flervariabel linjär och polynomiell regression med korsmultiplikation, utvärderar forskningen deras effektivitet i att efterlikna resultaten från den stora språkmodellen med reducerad beräkningskomplexitet. Resultaten visar att medan flervariabel linjär regression med korsmultiplikation erbjuder tillförlitliga felmått och konsistens, fångar de fortfarande inte fullt ut de intrikata semantiska relationerna i datan. Studien rekommenderar vidare utforskning av avancerade maskininlärningstekniker och diversifiering av inbäddningsmetoder för att förbättra noggrannhet och praktisk tillämpning inom utbildningsområdet.

type:Journal Article, In providing e-learning, it is desirable to build an environment that is suitable to the student’s learning style. In this study, using the questionnaire to measure the student’s preferences for asynchronous learning and the use of ICT in learning that has been develoed by authors, the relationship between the learning preferences of a student that have been measured before and after the course and his or her adaptability to the course is explored. The result of multiple regression analyses, excluding the changes in learning preferences that may occur duirng the course, shows that a student’s learning adaptability can be estimated to some extent based on his/her learning preference measured before the course starts. Based on this result, we propose a system to recommend e-learning courses that are suitable to a student before the student takes the courses., source:https://doi.org/10.1007/978-3-642-23190-2_14