Semantic-based Analysis and Recommendation in Education

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.