Workshop zu Empfehlungssystemen für technologiegestütztes Lernen, Barcelona, Spanien
29 September 2010 - 29 September 2010
Spanien
Am 29. und 30. September 2010 findet in Barcelona, Spanien, der Workshop zu Empfehlungssystemen für technologiegestütztes Lernen (Workshop on recommender Systems for technology-enhanced learning) statt.
Empfehlungsdienste nutzen oft öffentlich zugängliche Datenbestände aus verschiedenen Applikationsumgebungen, um Empfehlungsalgorithmen zu bewerten. Diese Datensätze werden als Benchmarks zur Entwicklung neuer Empfehlungsalgorithmen und zum Vergleich mit anderen Algorithmen in gegebenen Einstellungen verwendet.
In derartigen Datensätzen wird eine Darstellung des impliziten oder expliziten Feedbacks von Nutzern in Bezug auf den betreffenden Artikel gespeichert, damit Empfehlungsdienste eine Empfehlung erstellen können. Dieses Feedback kann verschiedene Formen haben. Im Fall kollaborativer Filtersysteme können es beispielsweise Bewertungen oder Abstimmungen sein (d. h., wenn ein Artikel angeschaut oder markiert wurde). Bei inhaltsbasierten Empfehlungen können es Produktbewertungen oder einfache Tags (Stichworte) sein, die Nutzer für Artikel eingeben. Zusätzliche Informationen sind auch erforderlich, um zu ermitteln, wer dieses Feedback (Nutzer-ID) und zu welchem Artikel (Artikel-ID) liefert. Die in kollaborativen Filtersystemen eingesetzte Nutzerbewertungsmatrix ist ein bekanntes Beispiel dafür.
Wenngleich Empfehlungssysteme zunehmend beim technologiegestützten Lernen (technology-enhanced learning, TEL) zur Anwendung kommen, ist es doch immer noch ein Anwendungsgebiet, dem Datensätze fehlen, die die experimentelle Bewertung der Leistung verschiedener Empfehlungsalgorithmen mithilfe vergleichbarer, interoperabler und wiederverwendbarer Datensätze gestatten würden.
Empfehlungsdienste nutzen oft öffentlich zugängliche Datenbestände aus verschiedenen Applikationsumgebungen, um Empfehlungsalgorithmen zu bewerten. Diese Datensätze werden als Benchmarks zur Entwicklung neuer Empfehlungsalgorithmen und zum Vergleich mit anderen Algorithmen in gegebenen Einstellungen verwendet.
In derartigen Datensätzen wird eine Darstellung des impliziten oder expliziten Feedbacks von Nutzern in Bezug auf den betreffenden Artikel gespeichert, damit Empfehlungsdienste eine Empfehlung erstellen können. Dieses Feedback kann verschiedene Formen haben. Im Fall kollaborativer Filtersysteme können es beispielsweise Bewertungen oder Abstimmungen sein (d. h., wenn ein Artikel angeschaut oder markiert wurde). Bei inhaltsbasierten Empfehlungen können es Produktbewertungen oder einfache Tags (Stichworte) sein, die Nutzer für Artikel eingeben. Zusätzliche Informationen sind auch erforderlich, um zu ermitteln, wer dieses Feedback (Nutzer-ID) und zu welchem Artikel (Artikel-ID) liefert. Die in kollaborativen Filtersystemen eingesetzte Nutzerbewertungsmatrix ist ein bekanntes Beispiel dafür.
Wenngleich Empfehlungssysteme zunehmend beim technologiegestützten Lernen (technology-enhanced learning, TEL) zur Anwendung kommen, ist es doch immer noch ein Anwendungsgebiet, dem Datensätze fehlen, die die experimentelle Bewertung der Leistung verschiedener Empfehlungsalgorithmen mithilfe vergleichbarer, interoperabler und wiederverwendbarer Datensätze gestatten würden.