closer to 1 due to the fact that de

closer to 1 due to the fact that describers tag resources in a more verbose and descriptive
way.
o Overlap Factor: measures the phenomenon of an overlap produced by the assignment of
more than one tag per resource on average. Categorizers are interested in keeping this
overlap relatively low. On the other hand, describers produce a high overlap factor since
they do not use tags for navigation but instead aim to best support later retrieval.
o Tag/Title Intersection Ratio: measures how likely users choose tags from the words of an
educational resource title. Categorizers use tags taken from the title and they score values
closer to 1, whereas describers rarely use tags from the title and they score values closer to
0.
ƒ Step 2 – Calculate similarity between social tags and educational metadata: During this step we
calculate the similarity between social tags (offered by end-users, that is teachers) and educational
metadata (offered by metadata experts or content providers). The similarity is calculated for social
tags added by describers, as well as for social tags added by categorizers based on the users’
discrimination performed in step 1. At the end of this step, we expect to identify digital educational
resources enlarged with social tags offered by describers and/or categorizers that are different by the
formal metadata descriptions offered by metadata experts or content providers.
ƒ Step 3 - Compare folksonomy with formal vocabularies of educational metadata: During this
step, we compare the resulted folksonomy produced by the social tags with formal structured
vocabularies of educational metadata. The comparison is performed with the folksonomy produced
by describers, as well as with the folksonomy produced by categorizers following the users’
discrimination performed in step 1. At the end of this step, we would be able to identify new tags
offered by describers and/or categorizers that can enlarge the formal structured vocabularies of
educational metadata

ผลลัพธ์ (ไทย) 1:

ใกล้ชิดกับ 1 เนื่องจากว่า describers แท็กทรัพยากร more verbose และอธิบายวิธีการo ปัจจัยที่ซ้อนกัน: ปรากฏการณ์ซ้อนผลิต โดยการกำหนดมาตรการมากกว่าหนึ่งป้ายสำหรับแต่ละทรัพยากรโดยเฉลี่ย Categorizers มีความสนใจในการรักษานี้ทับซ้อนค่อนข้างต่ำ บนมืออื่น ๆ describers ผลิตตัวทับซ้อนสูงตั้งแต่พวกเขาใช้แท็กสำหรับการนำทาง แต่จุดมุ่งหมายเพื่อสนับสนุนส่วนการเรียกในภายหลังแทนo อัตราการแยกแท็ก/ชื่อเรื่อง: ประเมินว่าผู้ใช้เลือกแท็กจากคำของการชื่อทรัพยากรทางการศึกษา Categorizers ใช้แท็กที่นำมาจากชื่อเรื่อง และพวกเขาคะแนนค่าใกล้ชิดกับ 1 ใน ขณะที่ describers ไม่ค่อยใช้แท็กจากชื่อพวกเขาคะแนนค่าใกล้ชิด0ขั้นตอนที่ 2 – คำนวณความคล้ายคลึงกันระหว่างสังคมแท็กและข้อมูลเมตาศึกษา: ระหว่างขั้นตอนนี้เราคำนวณความคล้ายคลึงกันระหว่างสังคมแท็ก (นำเสนอ โดยผู้ใช้ ที่เป็นครู) และการศึกษาข้อมูลเมตา (นำเสนอ โดยผู้เชี่ยวชาญข้อมูลเมตาหรือผู้ให้บริการเนื้อหา) คำนวณความคล้ายกันในสังคมแท็กเพิ่ม โดย describers และแท็กสังคมเพิ่ม categorizers ที่ยึดผู้แบ่งแยกดำเนินการในขั้นตอนที่ 1 เมื่อสิ้นสุดขั้นตอนนี้ เราคาดว่าจะระบุบทเรียนดิจิตอลทรัพยากรขยาย ด้วยแท็กสังคมที่เสนอ โดย describers หรือ categorizers ที่แตกต่างกันโดยคำอธิบายของทางตาด้วยข้อมูลเมตาของผู้เชี่ยวชาญหรือผู้ให้บริการเนื้อหาขั้นตอนที่ 3 - โฟล์กโซโนมีเปรียบเทียบกับ vocabularies ทางดาต้าศึกษา: ในระหว่างนี้ขั้นตอน เราเปรียบเทียบโฟล์กโซโนมี resulted ที่ผลิต โดยแท็กสังคมกับระบบโครงสร้างvocabularies ของ metadata ที่ศึกษา มีดำเนินการเปรียบเทียบกับโฟล์กโซโนมีผลิตโดย describers เช่น เดียว กับโฟล์กโซโนมี categorizers ต่อผู้ผลิตแบ่งแยกดำเนินการในขั้นตอนที่ 1 เมื่อสิ้นสุดขั้นตอนนี้ เราจะสามารถระบุป้ายใหม่นำเสนอ โดย describers หรือ categorizers ที่สามารถขยาย vocabularies โครงสร้างอย่างเป็นทางการของศึกษาข้อมูลเมตา

ผลลัพธ์ (ไทย) 2:

ใกล้ชิดกับ 1 เนื่องจากข้อเท็จจริงที่ว่า describers
ทรัพยากรแท็กในอย่างละเอียดมากขึ้นและบรรยายวิธี.
o ปัจจัยซ้อน:
มาตรการปรากฏการณ์ของการทับซ้อนที่ผลิตโดยการมอบหมายของมากกว่าหนึ่งแท็กต่อทรัพยากรโดยเฉลี่ย Categorizers
มีความสนใจในการรักษานี้ทับซ้อนที่ค่อนข้างต่ำ ในทางตรงกันข้าม, describers
ผลิตเป็นปัจจัยที่ทับซ้อนกันสูงเนื่องจากพวกเขาไม่ได้ใช้แท็กสำหรับการนำทางแต่แทนที่จะมุ่งมั่นที่จะสนับสนุนที่ดีที่สุดภายหลังการดึง.
o Tag / ชื่อแยกอัตราส่วน:
มาตรการวิธีที่ผู้ใช้มีแนวโน้มที่จะเลือกแท็กจากคำพูดของที่ชื่อทรัพยากรการศึกษา Categorizers
ใช้แท็กที่นำมาจากชื่อและที่พวกเขาทำคะแนนค่าที่ใกล้ชิดกับ1 ในขณะที่ describers ไม่ค่อยใช้แท็กจากชื่อและคะแนนที่พวกเขาใกล้ชิดกับค่า
0.
?? ขั้นตอนที่ 2 - คำนวณความคล้ายคลึงกันระหว่างแท็กทางสังคมและข้อมูลการศึกษา:
ในระหว่างขั้นตอนนี้เราคำนวณความคล้ายคลึงกันระหว่างแท็กทางสังคม(ที่นำเสนอโดยผู้ใช้ขั้นปลายที่เป็นครู)
และการศึกษาเมตาดาต้า(นำเสนอโดยผู้เชี่ยวชาญด้านเมตาดาต้าหรือผู้ให้บริการเนื้อหา) ความคล้ายคลึงกันมีการคำนวณทางสังคมสำหรับแท็กที่เพิ่มขึ้นโดย describers, เช่นเดียวกับแท็กทางสังคมที่เพิ่มขึ้นโดย categorizers ขึ้นอยู่กับผู้ใช้ 'การเลือกปฏิบัติดำเนินการในขั้นตอนที่1 ในตอนท้ายของขั้นตอนนี้เราคาดว่าจะระบุการศึกษาดิจิตอลทรัพยากรขยายกับแท็กทางสังคมที่นำเสนอโดย describers และ / หรือ categorizers ที่มีแตกต่างกันโดยรายละเอียดอย่างเป็นทางการเมตาดาต้าที่นำเสนอโดยผู้เชี่ยวชาญด้านเมตาดาต้าหรือผู้ให้บริการเนื้อหา. ?? ขั้นตอนที่ 3 - เปรียบเทียบ folksonomy กับคำศัพท์อย่างเป็นทางการของเมตาดาต้าศึกษา: ในช่วงนี้ขั้นตอนที่เราเปรียบเทียบผลผลิตfolksonomy โดยแท็กทางสังคมที่มีโครงสร้างอย่างเป็นทางการคำศัพท์ของเมตาดาต้าศึกษา การเปรียบเทียบจะดำเนินการกับ folksonomy ที่ผลิตโดยdescribers เช่นเดียวกับ folksonomy ที่ผลิตโดย categorizers ต่อไปนี้ผู้ใช้เลือกปฏิบัติดำเนินการในขั้นตอนที่1 ในตอนท้ายของขั้นตอนนี้เราจะสามารถที่จะระบุแท็กใหม่ที่นำเสนอโดยdescribers และ / หรือ categorizers ที่สามารถขยายคำศัพท์ที่มีโครงสร้างอย่างเป็นทางการของเมตาดาต้าศึกษา

ผลลัพธ์ (ไทย) 3:

ใกล้ 1 เนื่องจาก describers ทรัพยากรแท็กใน verbose มากขึ้นและบรรยาย
.
o ซ้อนปัจจัย : มาตรการปรากฏการณ์ของการทับซ้อน ผลิตโดยการมอบหมายของ
มากกว่าหนึ่งแท็กต่อทรัพยากรเฉลี่ย categorizers สนใจในการรักษานี้
ซ้อนค่อนข้างต่ำ . บนมืออื่น ๆ , describers ผลิตปัจจัยซ้อนสูงตั้งแต่
พวกเขาไม่ต้องใช้แท็กเพื่อนำทาง แต่จุดมุ่งหมายที่ดีที่สุดสำหรับการสนับสนุนการเรียกใช้ในภายหลัง
o แท็ก / ชื่อเรื่องแยกสัดส่วน : มาตรการวิธีที่ผู้ใช้อาจเลือกแท็กจากคำพูดของ
ชื่อเรื่อง ทรัพยากรทางการศึกษา categorizers ใช้แท็กมาจากชื่อและคะแนนค่า
เข้าใกล้ 1 ส่วน describers ไม่ค่อยได้ใช้แท็กจากชื่อและคะแนนค่าใกล้

0คำนวณเจ้าขั้นที่ 2 –ความคล้ายคลึงระหว่างแท็กทางสังคมและข้อมูลการศึกษา : ในขั้นตอนนี้เรา
การคำนวณความคล้ายระหว่างแท็กทางสังคม ( เสนอโดยผู้ใช้ขั้นปลายที่เป็นครู ) และการศึกษา
เมตาดาต้า ( เสนอโดยผู้เชี่ยวชาญด้านเมตาดาต้าหรือผู้ให้บริการเนื้อหา ) ความเหมือนคือ คำนวณหาสังคม
แท็กเพิ่มโดย describers รวมทั้งแท็กทางสังคมเพิ่มโดย categorizers ขึ้นอยู่กับผู้ใช้ '
การกระทำในขั้นตอนที่ 1 เมื่อจบขั้นตอนนี้ เราคาดว่าจะระบุดิจิตอลการศึกษา
ทรัพยากรขยายกับสังคมแท็กที่เสนอ โดย describers และ / หรือ categorizers ที่แตกต่างกัน โดยข้อมูลรายละเอียดเสนอ
อย่างเป็นทางการโดยผู้เชี่ยวชาญด้านเมตาดาต้าหรือผู้ให้บริการเนื้อหา .
เจ้าขั้นตอนที่ 3 เปรียบเทียบกับคำศัพท์ของเมตาดาต้าแบบโฟล์กโซโนมีการศึกษา : ในระหว่างขั้นตอนนี้
,เราเปรียบเทียบผลโฟล์กโซโนมีที่ผลิตโดยแท็กทางสังคมที่มีโครงสร้างอย่างเป็นทางการ
ศัพท์ข้อมูลการศึกษา การเปรียบเทียบจะแสดงกับโฟล์คโซโนมีผลิต
โดย describers รวมทั้งกับโฟล์กโซโนมีที่ผลิตโดย categorizers ต่อไปนี้ผู้ใช้ '
) ดำเนินการในขั้นตอนที่ 1 เมื่อจบขั้นตอนนี้ เราก็จะสามารถระบุแท็ก
ใหม่เสนอ โดย describers และ / หรือ categorizers ที่สามารถขยายระบบโครงสร้างศัพท์
ข้อมูลการศึกษา