dc.contributor.advisor | Σάμψων, Δημήτριος | |
dc.contributor.author | Αριστείδου, Μαρία Χ. | |
dc.date.accessioned | 2012-10-11T08:08:44Z | |
dc.date.available | 2012-10-11T08:08:44Z | |
dc.date.issued | 2012-10-11T08:08:44Z | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/5050 | |
dc.description.abstract | Ο στόχος της παρούσας Μεταπτυχιακής Διπλωματικής Εργασίας είναι η εφαρμογή μιας προτεινόμενης Μεθοδολογίας Ανάλυσης Συλλογικού Χαρακτηρισμού, σε μια υπάρχουσα Αποθήκη Μεταδεδομένων Μαθησιακών Αντικειμένων, την «OpenScienceResources Repository». Στα πλαίσια της Τεχνολογικά Υποστηριζόμενης Μάθησης γίνεται χρήση ψηφιακού εκπαιδευτικού περιεχομένου σε μορφή Μαθησιακών Αντικειμένων προκειμένου να υποστηριχθεί ένα μεγάλο φάσμα εκπαιδευτικών δραστηριοτήτων. Γενικά, το ψηφιακό εκπαιδευτικό περιεχόμενο είναι οργανωμένο με βάση μοντέλα μεταδεδομένων τα οποία αποτελούν κοινά αποδεκτούς τρόπους περιγραφής εκπαιδευτικού περιεχομένου, χρησιμοποιώντας μεταδεδομένα όπως αυτά που προσφέρει το διεθνές πρότυπο μοντέλο «IEEE Μεταδεδομένα Μαθησιακού Αντικειμένου» (IEEE LTSC, 2002). Ωστόσο, το μοντέλο αυτό επιβάλλει μια αυστηρή ταξινόμηση του περιεχομένου (Bateman et al., 2007; Vuorikari, 2007). Ο Συλλογικός Χαρακτηρισμός υποστηρίζεται από μια σειρά εφαρμογών του Παγκοσμίου Ιστού οι οποίες ενθαρρύνουν ομάδες ατόμων να μοιραστούν ανοιχτά με άλλους χρήστες τις ιδιωτικές περιγραφές τους (ή ετικέτες) του ψηφιακού περιεχομένου, είτε με τη χρήση μιας συλλογής από ετικέτες που δημιουργούνται από τα ίδια τα άτομο για προσωπική χρήση (λαϊκονομία) είτε με τη χρήση ενός συλλογικού λεξιλογίου (collabulary) (Anderson, 2007). Ολοένα και περισσότερες έρευνες επικεντρώνονται στα πιθανά οφέλη του χαρακτηρισμού των ψηφιακού εκπαιδευτικού περιεχομένου με ετικέτες οι οποίες προέρχονται από τελικούς χρήστες, σε σύγκριση με το χαρακτηρισμό με ετικέτες προερχόμενες από τυποποιημένες περιγραφές κοινά αποδεκτών συστημάτων ταξινόμησης του περιεχομένου όπως είναι το ΙΕΕΕ LOM (Bi et al., 2009). Για το σκοπό αυτό, έχει εκπονηθεί στα πλαίσια του κλάδου της Τεχνολογικά Υποστηριζόμενης Μάθησης, ένας αριθμός μελετών οι οποίες έχουν ως βασικό στόχο να αξιολογήσουν τα πιθανά οφέλη του Συλλογικού Χαρακτηρισμού όσον αφορά στη βελτίωση της ποιότητας της αναζήτησης του ψηφιακού εκπαιδευτικού περιεχομένου (Trant, 2009a; Vuorikari & Ayre, 2009). Παρ’όλα αυτά υπάρχουν περιορισμένες μελέτες οι οποίες ερευνούν το πώς η τακτική των χρηστών στη Διαδικασία Χαρακτηρισμού των Μαθησιακών Αντικειμένων μπορεί να επηρεάσει α) την ενίσχυση των μεταδεδομένων που χαρακτηρίζουν το ψηφιακό εκπαιδευτικό περιεχόμενο και β) την προκύπτουσα λαϊκονομία σε σύγκριση με το επίσημο λεξιλόγιο που χρησιμοποιείται για την περιγραφή του ψηφιακού εκπαιδευτικού περιεχομένου. Η προτεινόμενη Μεθοδολογία Αξιολόγησης Συλλογικού Χαρακτηρισμού, η οποία εφαρμόζεται μέσω της παρούσας Μεταπτυχιακής Διπλωματικής Εργασίας στην Αποθήκη Μεταδεδομένων Μαθησιακών Αντικειμένων «OpenScienceResources», έχει ως στόχο της να ερευνήσει τα πιο πάνω ερωτήματα και να εξετάσει κατά πόσο τα διαφορετικά κίνητρα των χρηστών στη Διαδικασία Χαρακτηρισμού, μπορούν να ενισχύσουν τα μεταδεδομένα που χαρακτηρίζουν το ψηφιακό εκπαιδευτικό περιεχόμενο. | |
dc.language.iso | el | |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 4.0 Διεθνές | |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/deed.el | |
dc.subject | Εκπαιδευτική τεχνολογία | |
dc.subject | Διαδίκτυο (Internet) στην εκπαίδευση | |
dc.subject | Open Learning | |
dc.subject | Εκπαίδευση -- Πληροφορική | |
dc.subject | IEEE 802.16 (Standard) | |
dc.subject | Παγκόσμιος Ιστός (WWW) -- Τεχνολογικές καινοτομίες | |
dc.title | Social tagging evaluation methodologies in technology - enhanced learning | |
dc.type | Master Thesis | |
dc.identifier.call | 004.6 ΑΡΙ | |
dc.description.abstractEN | The key objective of this Τhesis is the implementation of a proposed Social Tagging Evaluation Methodology in an existing Open Educational Resources (OER) Repository, the OpenScienceResources Repository. In the context of Technology Enhanced Learning, Digital Educational Resources in the form of learning objects, are used to support a wide range of educational activities. In general, Digital Educational Resources are organized according to formal descriptions from centrally designed and agreed classification systems using metadata, such as IEEE Learning Object Metadata (IEEE LOM) (IEEE LTSC, 2002). However, IEEE LOM imposes a strict classification of the content (Bateman et al., 2007; Vuorikari, 2007). Social tagging has emerged in contrast and alongside the formal classification of content of Digital Educational Resources. Social tagging is supported by a number of web applications that encourage groups of individuals to openly share their private descriptions (or tags) of digital resources with other users, either by using a collection of tags created by the individual for his/her personal use (referred to as folksonomy) or by using a collective vocabulary (referred to as collabulary) (Anderson, 2007). Increasingly, recent investigations focus on the potential benefits of digital educational resources characterization by user-based tagging rather than author-based formal description based on centrally agreed classification systems, for example metadata such as IEEE LOM (Bi et al., 2009). To this end, a number of studies have been reported in field of Technology Enhanced Learning (TeL) mainly aiming to evaluate the potential benefits of social tagging in improving the search effectiveness of digital educational resources (Trant, 2009a; Vuorikari & Ayre, 2009). However, there are limited studies to investigate how users’ tagging behaviour can influence (a) the enhancement of metadata descriptions of digital educational resources and (b) the resulted folksonomy compared to formal vocabularies used for characterizing the digital educational resources. The proposed Social Tagging Evaluation Methodology which is applied by means of this Thesis to the OSR Repository aims to investigate the aforementioned quarries and examine whether different users’ tagging motivations could enhance the metadata descriptions of digital educational resources. | |