Ampirik Genellemeler Karşılaştırmalı çalışmaların diğer bir standart kullanımı, bir olgunun genelliğini belirlemektir. Doğruluk, bir olgunun yapısal sınırlarını belirlemek kadar söz konusu değildir: olgu nerede doğru bir tanımdır? Bazı sosyologlar ve antropologlar için bu amaç, toplumları veya kültürleri ne olursa olsun tüm insanlar için geçerli olan "evrenseller" gerçekler ve bunların başka gerçeklerle açıklanması arayışı haline gelir. Kuram üretme hedefimiz aynı zamanda bu ampirik genellemelerin oluşturulmasını da kapsar, çünkü genellemeler yalnızca temellendirilmiş bir kuramın uygulanabilirlik sınırlarının sınırlandırılmasına yardımcı olmakla kalmaz; daha da önemlisi, teoriyi daha genel uygulanabilir ve daha fazla açıklayıcı ve tahmin gücüne sahip olacak şekilde genişletmemize yardımcı olurlar. Gerçeklerin benzer veya farklı olduğu yerleri karşılaştırarak, kategorilerin genelliğini ve açıklama gücünü artıran kategorilerin özelliklerini üretebiliriz. Örneğin, Amerika'da kanserden ölme "kapalı bir farkındalık bağlamında" meydana geliyor olarak nitelendirilebilir, hastane personeli bunu yaparken, hasta ölmekte olduğunu bilmez. Doktorların çoğu hastalarına hastalıklarının ölümcül olduğunu söylemez ve hastalar, kendilerini ölmek üzere oldukları konusunda uyarabilecek ipuçlarının muğlak ve ölümlerinin son aşamalarına kadar okunması zor olduğunu fark ederler. Bir zamanlar ziyaret ettiğimiz bir Japon hastanesinde, kanser hastaları tipik olarak ölmek üzere olduklarını bilirler ("açık farkındalık bağlamı"). Neden? Çünkü hastane koğuşu açıkça "Kanser" olarak etiketlenmiştir. Koğuşa giren hasta, ölmekte olduğunun farkına varmasını sağlayan net bir ipucu okur. Amerika'da ipuçları belirsiz ve geçici olma eğilimindeyken, Japon örneği aracılığıyla, uzun bir ölüm döneminin başlangıç aşamasında bile net olabileceklerini keşfettik. O zamana kadar, kanser gibi bir hastalığın başlangıcında ipuçlarının netliğinin değişebileceğini fark etmemiştik. Net ipuçlarının ancak son aşamalarda ortaya çıktığını düşünmüştük; örneğin, rahip geldiğinde veya hastanın ağrısı dayanılmaz veya şiddetli olduğunda. bedensel dejenerasyon meydana gelir. Japonya'dan gelen bu karşılaştırmalı veriler, Amerika'da ölümün başlangıcında net ipuçlarının sağlandığı yerleri bulmamız için bizi teşvik etti. Bir gaziler hastanesinde ve bir hapishane tıbbi koğuşunda, hastalara en baştan kanser olduklarına dair net ipuçları verildiğini bulduk. Böylece, bir devlet hastanesinde tutsak bir hasta olmanın yapısal koşulu altında, kişinin açık farkındalık bağlamında ölme eğiliminde olduğunu keşfettik. Ancak Amerika'daki çoğu hasta bu koşullar altında ölmez. Konsept Belirlemek Karşılaştırmalı verilerin başka bir (genellikle ayrıntılı ve zahmetli) kullanımı, tek durum çalışması için bir analiz birimi belirlemektir. Bu, birimi tanımlayan kavramın boyutlarının belirtilmesiyle yapılır. Yazar, okuyucunun belirli bir monografın görünüşte benzer birimlerle karşılaştırıldığında ne hakkında olduğunu anladığından emin olmak için, analiz için kendi birimini bu diğer birimlerle karşılaştırır. Karşılaştırması, incelediği vakanın ayırt edici unsurlarını veya doğasını ortaya çıkarır. Örneğin, Cressey analizine devam etmeden önce taksi-dans salonlarını diğer tüm dans salonlarıyla titizlikle karşılaştırdı. Kendi "sapkın" vaka incelemelerini oluşturmak için ITU'nun kendine özgü siyasi doğası ile diğer sendikaların karakteristik yapısı karşılaştırıldı.? Lise türleri arasında üç boyutta dikkatli bir şekilde ayrım yapan IBM ekipmanının yardımıyla, senaryodan daha fazla farklı olduklarından emin olmamızı sağlamak için kendileri ampirik olarak kontrol edildi. Ampirik araştırma yöntemleri Ampirik yöntem nedir Ampirik araştırma nedir Sosyal bilimlerde ampirik yöntem Ampirik yöntem felsefe Ampirik çalışma örnekleri Görgül araştırma nedir Teorik araştırma yöntemleri Bu standart, karşılaştırmalı analizin gerekli kullanımı, sonraki hikayeyi doğru bir şekilde anlamak amacıyla bir çalışmanın sunumunda erken gerçekleştirilir. Bu kullanım, elbette teori üretme amacı altında toplanmıştır. Bununla birlikte, analistin amacı yalnızca bir analiz birimi belirlemek olduğunda, karşılaştırmalı analizin diğer herhangi bir kullanımından daha büyük bir dereceye kadar üretme şansını zorlar; Karşılaştırma birimlerini ayırt eden ayırt edici ampirik unsurlar, farklı tanımların net bir şekilde anlaşılmasını sağlamak için veri düzeyinde tutulur. Sonuç olarak, karşılaştırma yaparken analistin aklına gelebilecek ortak birimlerin genel özelliklerine dikkatle bakılmaz. Rakip birimler arasında, hepsine yayılan genel bir temel özellik gibi hiçbir benzerlik belirsizliğine izin verilmez. O halde karşılaştırmalı analiz, monologu bir daha asla "bozmamak" için dikkatli bir şekilde resimden çıkarılır. Doğrulama Teorisi Analist teorik kaygılara yöneldiğinde, kanıtlar her zaman kendi hipotezlerinin ve dolayısıyla kategorilerinin uygunluğunun testi olarak kullanılır; karşılaştırmalı veriler en iyi testi verir. Veriler akarken analist hem üstü kapalı hem de açık bir şekilde teorisini sürekli olarak kontrol eder. Hipotezlerini test etmenin ötesindeki açık doğrulama, büyük tekdüzelikler ve evrenseller oluşturmaya, farklı koşullar altında teorinin stratejik varyasyonlarına ve teoride temelli değişikliklere yol açabilir. Bir nesil dokunuşu dahil edilebilir, ancak araştırmacının odak noktası doğrulamadır; o, yalnızca orijinal teorisini testlerin bir sonucu olarak değiştirmenin hizmetinde teori üretir. Ve bu çalışmanın çoğu mevcut teorilerle yapılır. Bazı analistler, verilerinde ortaya çıkan yeni teoriyi doğrulamaya odaklanırlar.H Böylece, çalışmalarında teori üretilir, ancak ortaya çıkışı sorgusuz sualsiz kabul edilir; kasıtlı olarak çalışılan şey, ortaya çıkan bu teorinin doğrulanmasıdır. Analistler "ortaya çıkan önermeler dizisini" "kontrol etmekle" meşguller. En sevdikleri teknik, negatif vakaları aramak veya hipotezleri için daha fazla kanıt elde etmek için kasıtlı olarak pozitif vakaları biriktirmeye koyulmaktır. Ve Dalton'un araştırmasında olduğu gibi, aktif olarak karşılaştırmalı gruplar aramak için büyük zahmet çekilebilirken, diğer analistler karşılaştırmalı grupları tesadüfen veya hatta üstü kapalı olarak kullanabilirler. Belirli araştırmalardaki bu araştırmacılar, doğrudan teorilerinin nasıl ortaya çıktığına odaklanmış görünmüyorlar; sonuç olarak, daha sistematik bir şekilde ve daha fazla kavramsal genellik ve kapsamla nasıl daha fazlasını üretebileceklerini keşfetmediler. Dolayısıyla teste odaklanmak, daha yuvarlak ve daha yoğun bir teorinin oluşturulmasını kolayca engelleyebilir. Normalde bize, araştırılan durumda neler olup bittiğini yalnızca kısmen açıklayabilen, test edilmiş teori parçaları sunulur. Ayrıca, doğrulama için dağlar kadar daha fazla şey olduğuna dair en azından zımni güvencelerle birlikte bize bol miktarda kanıt sunulur - çünkü kanıt, teorisinin "doğru" olduğunu nasıl bildiğini test etme aracı olarak analist için hala en önemli olanıdır. Kanıta odaklanmak, paradoksal bir şekilde, huysuz meslektaşlarının, kendi farklı karşılaştırmalı kanıtları veya kişisel deneyimleri ile onun teorisini tamamen veya kısmen "hatırlamalarına" izin verir.

Meta Verilerin Otomatik Çıkarılması – Eğitim – Essay – Ödev – Tez – Makale – Çeviri – Tez Yazdırma -Tez Yazdırma Fiyatları

ByÖdevcim Yöneticisi 7 Temmuz 20227 Temmuz 2022

HTML Web Sayfalarından Öğrenme Nesnesi Meta Verilerin Otomatik Çıkarılması

İnternetin hızlı büyümesiyle, elektronik öğrenme kaynaklarının sayısı katlanarak artmakta ve kullanılacak uygun olanı seçmeyi zorlaştırmaktadır. İnternetin gevşek yapısı nedeniyle; öğrenme için yararlı kaynakları bulmak da zordur.

Arama motorlarının yardımıyla bile, arama sonuçları genellikle düşük kaliteli ve alakalıdır. Yahoo’da basit bir anahtar kelime araması milyonlarca web sitesinde bilgi patlamasına yol açabilir. Basit bir arama motoru ihtiyaçlarımızı karşılamaya yetmez.

Öte yandan, alana özgü bir arama motoru, tüm web’i kapsamaya çalışmadığı için daha yüksek alaka düzeyine sahip sonuçlar sağlayabilir. Bununla birlikte, ilgili öğrenme nesnelerini belirlemek yine de kolay değildir, çünkü farklı insanlar aynı kelime üzerinde farklı algılara sahip olabilir ve bu da arama sırasında belirsizliğe neden olabilir.

Bu nedenle, ilgili öğrenme nesnelerini kolayca tanımlayabilmemiz için öğrenme kaynaklarını tanımlamak ve düzenlemek için iyi tanımlanmış bir dizine ihtiyacımız var. Öğrenme kaynaklarının nasıl daha iyi tanımlanacağı ve bunların nasıl bulunup iyi bir şekilde kullanılacağı bir meydan okuma haline gelir. Öğrenme teknolojisi standartları ve iyi tasarlanmış öğrenme kaynağı yönetim sistemleri, kişinin yararlı ve ilgili öğrenme kaynaklarını bulmasına yardımcı olmak açısından kritik öneme sahiptir.

IEEE-LTSC, IMS Global Learning vb. gibi öğrenme kaynakları için standartları tanımlayan bazı büyük kuruluşlar vardır. IEEE Learning Object Metadata (LOM) standardı, bir öğrenme nesnesini herhangi bir varlık olarak tanımlar.

Öğrenenler, eğitmenler veya otomatik yazılım süreçleri tarafından öğrenme nesnelerinin aranmasını, değerlendirilmesini, edinilmesini ve kullanılmasını kolaylaştırmayı amaçlar. Buradaki meta veriler, öğrenme nesnesi hakkındaki verilerdir. Meta veri kullanımıyla, kullanıcılar ilgili öğrenme kaynaklarını kolayca elde edebilirler. Öğrenme kaynaklarının paylaşımı metadata kullanımı ile daha kullanışlı ve pratiktir.

Ancak, öğrenme kaynaklarının tanımlanmasında öğrenme teknolojisi standartlarının kullanımı nadirdir. Yazarlar ve geliştiriciler, LOM’da yaklaşık 80 alanı doldurmak zor ve sıkıcı olduğu için LOM kullanmaya isteksizdir. Mevcut öğrenme kaynağı yönetim sistemleri ve arama motorları, öğrenme teknolojisi standardının kullanımını desteklememektedir.

Ayrıca, LOM’daki bazı alanlar iyi tanımlanmamıştır. Örneğin, bir öğrenme nesnesinin içeriğinin zor ve ne kadar zor olduğunu ve bir öğrenme nesnesinin yüksek düzeyde etkileşimli mi yoksa orta düzeyde etkileşimli mi olduğunu belirlemek oldukça özneldir. Bu nedenle, bu araştırmada, yukarıdaki sorunları çözmek için en popüler öğrenme kaynaklarından biri olan HTML web sayfalarından LOM öğelerinin otomatik olarak nasıl çıkarılacağını araştırıyoruz.

LOM özniteliklerinin HTML web sayfalarından otomatik olarak çıkarılmasıyla, kısa sürede çok sayıda meta veri elde edilebilir ve oluşturulabilir ve yazarların LOM’da çok fazla alan doldurmasına gerek yoktur.

Öğrenme nesnelerinin etkileşim düzeyine karar vermek gibi öznel yargı sorunları, bazı buluşsal kurallar tarafından ele alınır. Otomatik çıkarma, yazarların hangi değerleri kullanmaları gerektiği konusunda hüsrana uğramamaları için LOM öğeleri için standart bir yapı ve değerler sağlar.

Bu yazıda, HTML web sayfalarındaki LOM özniteliklerini ve verilerini analiz edeceğiz, LOM özniteliklerinin HTML verileriyle eşlenmesine ilişkin kuralları tanıtacağız, LOM öğelerini HTML web sayfalarından çıkarmak için otomatik bir çıkarma çerçevesi önereceğiz, HTML web’den bilgilerin nasıl ayıklandığını açıklayacağız. Sayfalar, doğrudan eşleme ve buluşsal kurallar aracılığıyla LOM’a eşlenebilir ve bazı ön sonuçları tartışabilir.

Metaveri Nedir
Metadata nasıl oluşturulur
Meta data
Üst veri Nedir
Metadata NFT
Metadata viewer
Metadata online
Metadata ekşi

LOM Niteliklerinin ve HTML Web Sayfalarının Analizi

LOM niteliklerinin HTML verileriyle eşlenmesi ancak LOM niteliklerinin doğası analiz edildikten ve HTML web sayfalarında hangi bilgilerin bulunabileceğini araştırdıktan sonra yapılabilir. Bu bölümde, LOM özniteliklerini doğasına göre sınıflandıracağız, HTML web sayfalarından çıkarılabilecek bilgileri inceleyeceğiz ve LOM özniteliklerinin HTML verileriyle eşlenmesine ilişkin kuralları tanıtacağız.

LOM Niteliklerinin Doğalarına Göre Sınıflandırılması

LOM özelliklerini niteliklerine göre aşağıdaki 5 kategoride sınıflandırdık ve bunlar özetlenmiştir:

• Diğerlerinden Girdilere Bağlı Öğeler – Bu kategori, “Meta-Metadata” ve “Annotation” gibi başkaları tarafından doldurulması gereken LOM niteliklerini ifade eder. yani, meta verileri oluşturan sistemin doldurulmasını gerektiren verileri tanımlayan verilerdir. Açıklama kategorisi, diğer kullanıcıların katkısını gerektiren öğrenme nesnesinin eğitimsel kullanımı hakkında yorumlar sağlar.

• Önlemlere ve Başkalarının Kontrolüne Bağlı Unsurlar – “Haklar” (LOM 6) kategorisi, öğrenme nesnesinin fikri mülkiyet haklarını ve kullanım koşullarını gruplayarak, onu korumak için başka önlemler veya kontroller gerektirir. “İlişki” (LOM 7) yazarların ilişkinin farkında olmayabileceği ve başkalarının desteğine ihtiyaç duyabileceği ilgili öğrenme nesneleri arasındaki ilişkiyi tanımlar.

• Bir Öğrenme Nesnesinin Fiziksel Özellikleriyle İlgili Öğeler – Bu kategori, bir öğrenme nesnesinin yazarlarını ve e-posta adresini temsil eden “Contribute” (LOM 2.3) gibi bir öğrenme nesnesinin fiziksel özelliklerini tanımlayan LOM özniteliklerine atıfta bulunur; Öğrenme nesnesinin dosya boyutunu temsil eden “Boyut” (LOM 4.2).

• Bir Öğrenme Hedefinin İçeriğiyle İlgili Öğeler – Bu kategori, öğrenme nesnesinin başlığını temsil eden “Başlık” (LOM 1.2) gibi bir öğrenme nesnesinin İçeriğini tanımlayan LOM niteliklerine atıfta bulunur; Öğrenme nesnesinin vb. etkileşim düzeyini temsil eden “Etkileşim Düzeyidir”.

• Bir Öğrenme Nesnesinin Bağlamsal Kullanımıyla İlgili Öğeler – Bu kategori, öğrenme nesnesinin içeriğinde nadiren bulunan ve yazarların doldurmasını gerektiren bir öğrenme nesnesinin kullanımına atıfta bulunur, örneğin “Kurulum Açıklamaları” (LOM 4.5) bu web sayfasının nasıl kurulacağına ilişkin açıklamayı vermek; Bu öğrenme nesnesinin tasarlandığı asıl kullanıcıları, bir öğretmeni veya bir öğrenciyi vb. tanımlayan “Amaçlanan Son Kullanıcı Rolü” olarak bilinir.

HTML Web Sayfalarında Bulunabilecek Bilgiler

Bir HTML web sayfasında, örneğin başlık, anahtar kelimeler, boyut, içerik dili, oluşturma tarihi vb. gibi birçok bilgi bulunur. Bu bilgiler, doğrudan HTTP başlığından, HTML etiketinden ve içerikten toplanabilir veya değerlerini elde etmek için bazı buluşsal kurallar.

Örneğin, web sayfasının son değiştirilme tarihini doğrudan “Son Değiştirilme” HTTP başlığından, web sayfasının başlığını <title> HTML etiketinden ve sunucuyla etkileşimi HTML etiketi <Form action> ve <‘den alabiliriz. Girdi> vb. Web sayfalarından doğrudan çıkarılabilen veriler özetlenir.