Veri Dönüştürme – Eğitim – Essay – Ödev – Tez – Makale – Çeviri – Tez Yazdırma -Tez

Veri Dönüştürme

Mevcut meta veri dönüştürme araçlarının aksine, meta veri değişimi için açık uçlu bir çerçeve öneriyoruz. Bu çerçeve altında inşa edilen sistem, potansiyel olarak istenildiği kadar çok meta veri şemasını barındıracak şekilde genişletilebilir.

İşlevsel olarak çerçeve dört bölümden oluşur: giriş birimi, meta veri alışverişi, veri deposu ve çıktı birimi. Giriş birimi üç tür veri girişini kabul eder – veri yazarak klavye girişi, kaynak verileri XML dosyaları olarak yükleyerek XML girişi ve sisteme sistemin otomatik olarak topladığı bir Web kaynağının URL’sini sağlayarak Web girişi mümkün olduğunca fazla meta veri içerir.

Sistemin çekirdeği olan meta veri alışverişi, eşlemenin gerçekleştirilmesinden sorumludur. Veri deposu, meta veri depolamayı ve kullanıcı bilgileri yönetimini kolaylaştırır. Çıktı birimi, yalnızca çıktı XML dosyalarının sunumunu sağlar. Bu çerçeve gösterilmiştir.

Aracılı Eşleme

Birden çok şemayı manipüle edebilen ölçeklenebilir bir meta veri değişim sistemi oluşturmak için ana sorun, bu şemalar arasındaki çok sayıda eşlemedir. Sistemin yeni bir şema eklemek için genişletilmesi gerekiyorsa, bu sorun daha önemli hale gelir, çünkü bu durumda yeni şema ile mevcut tüm şemalar arasındaki eşlemelerin tanımlanması gerekir. Bu sorunu aşmak için, LOM aracılı eşleme şeması olarak adlandırılan bir şema önerilmiştir.

Kaynak şemayı doğrudan hedef şemaya eşlemek (kaynak-hedef eşlemesi) yerine, kaynak şema kavramsal olarak ilk adımda LOM’a ve ardından ikinci adımda LOM’dan hedef şemaya eşlenir.

Bu yaklaşım kullanılarak, sisteme her yeni bir şema eklenmesi gerektiğinde, mevcut tüm şemalarla eşlemeler yerine yalnızca yeni şemanın LOM ile eşlemelerinin tanımlanması gerekir. Böylece sistem ölçeklenebilirliği büyük ölçüde artırılır. LOM aracılı eşlemenin kaynak-hedef eşlemeye kıyasla önemli etkisi gösterilmiştir.

LOM aracılı eşleme kullanmanın gerekçesi

LOM, şu anda (ve öngörülebilir gelecekte) tek akredite LO meta veri standardıdır ve öğrenme nesnelerine atfedilebilecek tüm önemli yönleri kapsamaya çalışmak için geniş bir öğe seti belirtir.

Bu nedenle, farklı şemalardaki öğelerin gerçek adları biraz farklı olsa bile, çoğu LO meta veri şeması LOM uyumlu ve hatta LOM’un bir alt kümesi olacaktır ve gerçekten de öyledir. Bu, LOM müdahalesine rağmen çoğu durumda haritalama doğruluğunu ve veri eksiksizliğini garanti eder.

Ek olarak, her şemanın, şemanın bir parçası olarak, yaygın olarak bilinen ve kabul edilen LOM’a eşleme sağladığını varsaymak mantıklıdır. Bu nedenle, aracı olarak LOM’nin benimsenmesi, meta veri yaya geçitlerindeki içsel sorunlar nedeniyle doğru, genel olarak kabul edilen bir haritalamanın genellikle zor olduğu durumu büyük ölçüde iyileştirebilir.

Bununla birlikte, bu yüksek düzeyde ölçeklenebilir LOM-aracılı yaklaşımın, kaynak şemanın LOM’de eşdeğerliği olmayan birkaç unsurunun neden olduğu, kaynak şemayı aracı LOM’ye dönüştürme sürecinde veri kaybı olasılığı vardır. Bu sorunu aşmak için bir dinamik veritabanı yaklaşımı öneriyoruz.

Veri dönüştürme nedir
Logaritmik dönüşüm
Veriler normal dağılım göstermiyorsa ne yapılır
box-cox dönüşümü
Normal dağılıma sahip olmayan veriler için kullanılan dağılım ölçüsü
Normal dağılmayan veri analizi
box-cox dönüşümü spss
Parametrik OLMAYAN regresyon analizi SPSS

Dinamik Veritabanı Yaklaşımı

Dinamik veritabanı yaklaşımının arkasındaki temel fikir, LOM-aracılı haritalamanın ilk adımından gelen LOM formatlı meta verileri kaydetmek için en baştan LOM yapılandırılmış bir veritabanının tasarlanmasıdır; yani kaynak-LOM dönüşümüdür.

Kaynak şemada LOM tarafından kapsanmayan öğeler varsa, bu öğeler, sistem tarafından özellikle o şema için dinamik olarak oluşturulan veri tablosuna/tablolarına kaydedilir. LOM-aracılı haritalamanın ikinci adımında, örn. LOM-hedef dönüşümünde, sistem verileri yalnızca LOM tabanlı veri tabanından değil, aynı zamanda dinamik veri tablosundan/tablolarından da alır.

Uygulama

Web tabanlı bir öğrenme nesneleri meta veri alışverişi prototip sistemi uygulanmıştır. Teknik olarak, prototip sistemi iki temel teknoloji etrafında inşa edilmiştir: XML ve Java. Ayrıntılı olarak, MySQL veritabanına erişim arabirimi olarak JDBC’yi, XML belgelerini ayrıştırma, doğrulama ve dönüştürme aracı olarak JAXP’yi, sunucu tarafı programlama dili olarak Servlet’leri ve JSP’leri ve JSP’ler ve Servlet’leri daha fazla kapsüllemek için geliştirme olarak JavaBeans kullanıyoruz. karmaşık kontrol mantığı. Apache Tomcat sunucusu, Java bileşenlerini uygulamak için kapsayıcı olarak kullanılır.

Prototip başlangıçta yalnızca IMS ve EdNA meta veri şemaları için başlatıldı. Daha sonra iki şema daha eklendi: Dublin Core ve LOM. Bu uzantıyı, sistemi yeniden oluşturmaya ihtiyaç duymadan, yalnızca yeni şemalar için LOM eşlemeleri ve giriş arabirimi ekleyerek yaptık.

Bu kolay genişletmenin nedeni, LOM aracılı eşleme şeması ve dinamik veritabanı yaklaşımı tarafından sunulan açık uçlu özellikler ve yüksek ölçeklenebilirliktir.

Bir metadata kaydı, ister LOM tabanlı veritabanında mevcut olsun, ister üç giriş yolundan herhangi biri aracılığıyla sisteme doğrudan girilen yeni bir kayıt olsun, istenen bir şemaya dönüştürülebilir. Sisteme bir XML dosyası olarak yüklenen bir IMS kaydından EdNA’ya dönüştürmenin bir örneğini gösterir.

Değerlendirme sonuçları, sistemin tamamen işlevsel ve yüksek düzeyde ölçeklenebilir olduğunu göstermektedir. Temel olarak, LOM-aracılı eşleme, olağan bir şema-şema eşlemenin bir şema-LOM-şema yoluyla üstlenilmesine izin verirken, dinamik-veritabanı yaklaşımı, bazı şemaların olmayan verileri tutması için gerekli veritabanı tablolarının dinamik olarak oluşturulmasına izin verir. LOM kapsamındadır.

LOM aracılı eşleme, dinamik veritabanı yaklaşımıyla birlikte, yüksek ölçeklenebilirliğe sahip bir öğrenme nesneleri meta veri değişim sistemiyle sonuçlanır.

Gelecekteki çalışmalar iki yöne odaklanacaktır: müşteri sistemleriyle etkileşimler ve prototipin daha fazla optimizasyonu. Prototip sistemde daha esnek meta veri düzenleyicileri uygulamaya ve daha karmaşık bir veritabanı tasarımı planlamaya ihtiyaç vardır. Kullanıcıların, geliştiricilerin herhangi bir müdahalesi olmadan yeni şema-LOM eşlemeleri eklemelerini sağlamak için daha fazla çalışmaya ihtiyaç vardır.

Yaşam boyu öğrenme, Japonya’daki en önemli eğitim politikalarından biridir. Son zamanlarda, Hayat Boyu Öğrenmeyi Destekleme Merkezi (LLPC) tarafından geliştirilen web tabanlı Hayat Boyu Öğrenme Destek Sistemi (LLSS), yerel yönetimlerde yaygın olarak kullanılmaktadır.

Mevcut LLSS’yi analiz ettik ve sağladığı bilgi ve işlevlere göre iki role ayırdık: “bilgi sağlayıcı” ve “kaynak sağlayıcı”. Ayrıca, LLSS için yeni bir rol olan “program sağlayıcı”ya odaklandık. LLSS’nin yeni rolünü açıklığa kavuşturmak için, programların geliştirilmesine kolayca yardımcı olan ve öğrencilerin yaşam boyu öğrenme etkinliklerine katılmalarına rehberlik eden bir sistemdir.

tercüman tercüman

Biyografinin Tamamını Gör