AbstractRecently, the elucidation o

Abstract
Recently, the elucidation of learning activity for human learning systems has gained tremendous interests in many areas including neuroscience, brain sciences, behavioral sciences, and education. The main problems of these data are noise and the large amount data (big data). Multidimensional scaling (MDS) is well known method to capture the similarity of objects in lower dimensional configuration space and latent cognitive factors as the dimensions. How- ever, ordinary MDS is based on the Euclidean distance which often fails to capture the similarity relationship in the lower dimensional space. The main reason for this fault is that data usually does not have significant variance to be captured by the MDS. Therefore, in this study, we exploit the latent classification structure of variables to the distance and propose a new dissimilarity and a new multidimensional scaling based on this dissimilarity. We show a better performance of the proposed method by using a time series log data of mobile learning with the collaboration of several students

ผลลัพธ์ (ไทย) 1:

บทคัดย่อล่าสุด elucidation เรียนกิจกรรมสำหรับการเรียนรู้ที่มนุษย์ได้รับประโยชน์อย่างมากในหลายพื้นที่รวม ทั้งประสาทวิทยาศาสตร์ วิทยาศาสตร์สมอง พฤติกรรมศาสตร์ การศึกษา ปัญหาหลักของข้อมูลเหล่านี้เป็นเสียงและข้อมูลจำนวนมาก (ข้อมูลขนาดใหญ่) หลายมาตราส่วน (ติด) ได้รู้จักวิธีการจับภาพเฉพาะของวัตถุในพื้นที่การตั้งค่าคอนฟิกมิติต่ำและรับรู้ปัจจัยแฝงอยู่เป็นมิติ วิธี - เคย ติดปกติจะขึ้นอยู่กับยุคลิดซึ่งมักจะไม่สามารถจับความสัมพันธ์คล้ายคลึงในช่องว่างมิติที่ต่ำกว่า เหตุผลหลักสำหรับข้อบกพร่องนี้คือ ว่า ข้อมูลมักจะไม่มีผลต่างอย่างมีนัยสำคัญจะถูกรวบรวม โดยการติด ดังนั้น ในการศึกษานี้ เราใช้โครงสร้างประเภทที่แฝงอยู่ของตัวแปรระยะห่าง และเสนอ dissimilarity ใหม่ และการกำหนดขนาดมิติใหม่ตาม dissimilarity นี้ แสดงประสิทธิภาพของวิธีการนำเสนอ โดยใช้เวลาชุดบันทึกข้อมูลการเรียนรู้เคลื่อนที่ ด้วยความร่วมมือของนักเรียนหลาย

ผลลัพธ์ (ไทย) 2:

บทคัดย่อ
เมื่อเร็ว ๆ นี้การชี้แจงของกิจกรรมการเรียนรู้สำหรับระบบการเรียนรู้ของมนุษย์ได้รับความสนใจอย่างมากในหลายพื้นที่รวมทั้งประสาทวิทยาศาสตร์สมองพฤติกรรมศาสตร์และการศึกษา ปัญหาหลักของข้อมูลเหล่านี้เป็นเสียงและข้อมูลจำนวนมาก (ข้อมูลขนาดใหญ่) ปรับหลายมิติ (MDS) เป็นวิธีที่รู้จักกันดีในการจับภาพความคล้ายคลึงกันของวัตถุในพื้นที่กำหนดค่ามิติที่ต่ำกว่าและปัจจัยองค์ความรู้ที่แฝงเป็นมิติ อย่างไรก็ตามการที่เคยสามัญ MDS จะขึ้นอยู่กับระยะทางยุคลิดซึ่งมักจะล้มเหลวในการจับภาพความสัมพันธ์ที่มีความคล้ายคลึงกันในพื้นที่มิติที่ต่ำกว่า เหตุผลหลักสำหรับความผิดนี้ก็คือว่าข้อมูลที่มักจะไม่ได้มีความแปรปรวนอย่างมีนัยสำคัญจะถูกจับโดย MDS ดังนั้นในการศึกษานี้เราใช้ประโยชน์จากโครงสร้างการจัดหมวดหมู่ของตัวแปรแฝงกับระยะทางและนำเสนอความแตกต่างกันใหม่และการปรับหลายมิติใหม่บนพื้นฐานของความแตกต่างกันนี้ เราแสดงประสิทธิภาพที่ดีขึ้นของวิธีการที่นำเสนอโดยใช้ข้อมูลอนุกรมเวลาการเข้าสู่ระบบของการเรียนรู้มือถือที่มีการทำงานร่วมกันของนักเรียนหลายคน

ผลลัพธ์ (ไทย) 3:

นามธรรม
เมื่อเร็ว ๆนี้จากกิจกรรมการเรียนรู้สำหรับระบบการเรียนรู้ของมนุษย์ได้รับความสนใจอย่างมากใน หลายพื้นที่ รวมทั้งสมอง สมองศาสตร์ พฤติกรรมศาสตร์ และการศึกษา ปัญหาหลักของข้อมูลเหล่านี้เป็นเสียงและข้อมูลจำนวนมาก ( และใหญ่ )multidimensional scaling ( MDS ) เป็นที่รู้จักกันดีวิธีการจับความเหมือนกันของวัตถุในพื้นที่การตั้งค่ามิติและปัจจัยทางปัญญาแฝงลดลงตามขนาด วิธีการ - เคยธรรมดา , MDS จะขึ้นอยู่กับระยะทางแบบยุคลิดซึ่งมักจะล้มเหลวในการจับความเหมือนความสัมพันธ์ในกลุ่มมิติอวกาศเหตุผลหลักสำหรับความผิดนี้ เป็นข้อมูลที่มักจะไม่ได้มีความสำคัญที่จะถูกจับโดย MDS . ดังนั้นในการศึกษานี้ เราใช้ประโยชน์จากโครงสร้างของตัวแปรแฝง ประเภทระยะทาง และเสนอจะใหม่และใหม่ multidimensional scaling ตามความแตกต่างนี้เราแสดงประสิทธิภาพที่ดีของวิธีที่นำเสนอโดยการใช้อนุกรมเวลาบันทึกข้อมูลการเรียนรู้เคลื่อนที่ด้วยความร่วมมือของนักเรียนหลาย ๆ