3 0 0 0 学術情報検索における閲覧論文の文献種別による分析
インターネットの普及と文献の電子化に伴い,CiNii Articles などの学術論文検索が日常的な学習や研究で重要な役割を果たすようになった.ただし,研究者以外の多彩なユーザに,文献がどのように利用されているかは明らかではない.本稿では,学術情報検索サービスのユーザの閲覧行動を,何人が閲覧したかで重要度を示す閲覧人数と,ある論文を閲覧したユーザが他にどのくらい論文を閲覧したかで内容の普遍性を示す閲覧普遍度の2つの指標と,学術および一般出版物の種別を用いて分析する.まず,CiNii Articles のサービスの利用履歴から,ユーザが閲覧した各文献の閲覧人数と閲覧普遍度を求める.次に,計算機科学分野のクエリの検索結果を閲覧人数と閲覧普遍度で順位付けした後に,該当分野における主要3学会が発行・開催する論文誌,研究会,大会・シンポジウム,そして一般的な出版社の雑誌などの異なる特性を表す種別を付与することで,各指標の順位に伴う文献種別の傾向や特性の変化を分析する.
- 著者
- 潘 秋実 冨平 準喜 手塚 太郎
- 雑誌
- WebDB Forum 2019論文集
- 巻号頁・発行日
- vol.2019, pp.25-28, 2019-09-01
eラーニングシステムは世界的に急速な普及を続けている.その学習ログに機械学習による推薦機能を加え,生徒の特性に合わせて最適な学習プログラムを提供するための様々な試みが近年活発に行われてきた.eラーニングにおいて機械学習が利用される代表的なタスクとして,生徒が次に解く問題の正解確率を予測する Knowledge Tracing (KT)がある.このタスクに対する手法としては現在,Bayesian Knowledge Tracing (BKT)と Deep Knowledge Tracing (DKT)が活発に研究されている.しかし既存の KT モデルとその実用的な利用の間にはギャップがあるのが現状である.DKT が抱える限界の一つは学習者が過去に学習した概念が現在に与える影響をうまく考慮できないことである.この問題に対処するため,本研究では encoder-decoder モデルを用いることでより適切に学習パスを予測する手法を提案する.これにより,生徒はeラーニングシステムにおいてより良い学習効果を得られるような問題を選択できるようになることが期待される.