Atelier sur les systèmes de recommandation pour les technologies d'aide à l'apprentissage à Barcelone, en Espagne
29 Septembre 2010 - 29 Septembre 2010
Espagne
Un atelier sur les systèmes de recommandation pour les technologies d'aide à l'apprentissage aura lieu les 29 et 30 septembre à Barcelone, en Espagne.
Les systèmes de recommandations utilisent souvent des ensembles de données provenant de différents environnements d'application de manière à évaluer les algorithmes de recommandation. Ces ensembles de données sont utilisés comme références pour développer de nouveaux algorithmes de recommandation et les comparer à d'autres algorithmes dans des contextes donnés.
Dans ces ensembles de données, une représentation des retours d'informations implicites ou explicites des utilisateurs concernant les articles du candidat est stockée de manière à permettre au système de produire une recommandation. Ce retour d'informations peut être sauvegardé sous plusieurs formes. Par exemple, dans le cas d'un système de filtrage collaboratif, il peut s'agir de notation ou de votes (c'est-à-dire si un article est consulté ou ajouté aux favoris). Dans le cas des recommandations de contenu, il peut s'agir de comptes rendus ou simplement d'étiquettes (mots-clés) que les utilisateurs apposent à leur article. Des informations supplémentaires sont également nécessaires pour identifier un utilisateur proposant son retour d'informations (numéro d'identification de l'utilisateur) et l'article concerné (numéro d'identification de l'article). La matrice de notation de l'utilisateur utilisée dans les systèmes de filtrage en est un exemple bien connu.
Les systèmes de recommandation sont de plus en plus appliqués dans les technologies d'aide à l'apprentissage (TEL - technology-enhanced learning), mais il s'agit encore d'un domaine d'application qui manque d'ensembles de données pouvant permettre l'évaluation expérimentale de la performance des divers algorithmes de recommandation à l'aide d'ensembles de données comparables, interopérables et réutilisables.
Les systèmes de recommandations utilisent souvent des ensembles de données provenant de différents environnements d'application de manière à évaluer les algorithmes de recommandation. Ces ensembles de données sont utilisés comme références pour développer de nouveaux algorithmes de recommandation et les comparer à d'autres algorithmes dans des contextes donnés.
Dans ces ensembles de données, une représentation des retours d'informations implicites ou explicites des utilisateurs concernant les articles du candidat est stockée de manière à permettre au système de produire une recommandation. Ce retour d'informations peut être sauvegardé sous plusieurs formes. Par exemple, dans le cas d'un système de filtrage collaboratif, il peut s'agir de notation ou de votes (c'est-à-dire si un article est consulté ou ajouté aux favoris). Dans le cas des recommandations de contenu, il peut s'agir de comptes rendus ou simplement d'étiquettes (mots-clés) que les utilisateurs apposent à leur article. Des informations supplémentaires sont également nécessaires pour identifier un utilisateur proposant son retour d'informations (numéro d'identification de l'utilisateur) et l'article concerné (numéro d'identification de l'article). La matrice de notation de l'utilisateur utilisée dans les systèmes de filtrage en est un exemple bien connu.
Les systèmes de recommandation sont de plus en plus appliqués dans les technologies d'aide à l'apprentissage (TEL - technology-enhanced learning), mais il s'agit encore d'un domaine d'application qui manque d'ensembles de données pouvant permettre l'évaluation expérimentale de la performance des divers algorithmes de recommandation à l'aide d'ensembles de données comparables, interopérables et réutilisables.