Publication

Collecting Experience Data from Remotely Hosted Learning Applications

Denis Gillet, Christophe Salzmann
2018
Conference Papers

Résumé

The ability to integrate multiple learning applications from different organizations allows sharing resources and reducing costs in the deployment of learning systems. In this sense, Learning Tools Interoperability (LTI) is the main current leading technology for integrating learning applications with platforms like Learning Management Systems (LMS). On the other hand, the integration of learning applications also benefits from data collection, which allows learning systems to implement Learning Analytics (LA) processes. Tin Can API is a specification for learning technology that makes this possible. Both learning technologies, LTI and Tin Can API, are supported by nowadays LMS, either natively or through plugins. However, there is no seamless integration between these two technologies in order to provide learning systems with experience data from remotely hosted learning applications. Our proposal defines a learning system architecture ready to apply advanced LA techniques on experience data collected from remotely hosted learning applications through a seamless integration between LTI and Tin Can API. In order to validate our proposal, we have implemented a LRS proxy plug-in in Moodle that stores learning records in a SCORM Cloud LRS service, and a basic online lab based on Easy JavaScript Simulation (EjsS). Moreover, we have tested our implementation using resources located in three European universities.

Source officielle

https://infoscience.epfl.ch/entities/publication/81924846-6c9d-44c8-9dbd-8625b11d95a2

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Denis Gillet, Christophe Salzmann
2018
Conference Papers

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/81924846-6c9d-44c8-9dbd-8625b11d95a2

À propos de ce résultat

Concepts associés (17)

Learning management system

En technologies de l'information et de la communication, un learning management system (LMS) ou learning support system (LSS) est un logiciel qui accompagne et gère un processus d'apprentissage ou un parcours pédagogique. En français, on parle de « plateforme d'apprentissage », « système de gestion de l'apprentissage », « centre de formation virtuel », « plate-forme e-learning », « formation ouverte et à distance » (FOAD) ou « formation en ligne », et, particulièrement au Québec, d'« environnement numérique d'apprentissage » (ENA).

Gestion des données

La gestion des données est une discipline de gestion qui tend à valoriser les données en tant que ressources numériques. La gestion des données permet d'envisager le développement d'architectures, de réglementations, de pratiques et de procédures qui gèrent correctement les besoins des organismes sur le plan de tout le cycle de vie des données. Les données sont, avec les traitements, l'un des deux aspects des systèmes d'information traditionnellement identifiés, et l'un ne peut aller sans l'autre pour un management du système d'information cohérent.

Apprentissage profond

L'apprentissage profond ou apprentissage en profondeur (en anglais : deep learning, deep structured learning, hierarchical learning) est un sous-domaine de l’intelligence artificielle qui utilise des réseaux neuronaux pour résoudre des tâches complexes grâce à des architectures articulées de différentes transformations non linéaires. Ces techniques ont permis des progrès importants et rapides dans les domaines de l'analyse du signal sonore ou visuel et notamment de la reconnaissance faciale, de la reconnaissance vocale, de la vision par ordinateur, du traitement automatisé du langage.

Afficher plus

Publications associées (30)

Seeking the new, learning from the unexpected: Computational models of surprise and novelty in the brain

Alireza Modirshanechi

Human babies have a natural desire to interact with new toys and objects, through which they learn how the world around them works, e.g., that glass shatters when dropped, but a rubber ball does not. When their predictions are proven incorrect, such as whe ...

EPFL2024

Robust machine learning for neuroscientific inference

Steffen Schneider

Modern neuroscience research is generating increasingly large datasets, from recording thousands of neurons over long timescales to behavioral recordings of animals spanning weeks, months, or even years. Despite a great variety in recording setups and expe ...

EPFL2024

Few-shot Learning for Efficient and Effective Machine Learning Model Adaptation

Arnout Jan J Devos

Machine learning (ML) enables artificial intelligent (AI) agents to learn autonomously from data obtained from their environment to perform tasks. Modern ML systems have proven to be extremely effective, reaching or even exceeding human intelligence. Altho ...

EPFL2024

Afficher plus