Opcionális analitikai és megfigyelési eszközöket csak az Ön hozzájárulásával használunk. Elfogadhatja az összeset, elutasíthatja az összeset, vagy áttekintheti a részleteket.
Az alapvető cookie-k aktívak maradnak, mivel szükségesek a weboldal alapvető működéséhez és az adatvédelmi beállítások tárolásához.
Multidiszciplináris kutatásunk ötvözi a technológia által támogatott tanulást, a mesterséges intelligenciát, a felhasználói modellezést és a szoftverfejlesztést a személyre szabott online tanulás következő generációjának kifejlesztése érdekében. Ez határozza meg, hogyan támogatja az eDoer a kiváló minőségű, adaptív és készségközpontú oktatást strukturált beillesztési folyamatok (onboarding), egészségügyi képzések és szerepkör-specifikus tanulási utak révén. Annak érdekében, hogy megfeleljünk a tanulók munkavégzéshez szükséges készségek, személyes érdeklődés és válogatott tudásanyag iránti igényeinek, számos kulcsfontosságú kérdést és témát vizsgálunk:
Tömör áttekintés a mesterséges intelligenciával támogatott tanulás, a nyílt oktatási források, a tananyagfejlesztés és a személyre szabás témakörében végzett válogatott munkákról.
We introduced eDoer as an AI-driven recommender that connects learner goals, labor-market skills, and open educational resources, and validated it in a randomized controlled trial (RCT) with learners.
Egészségügyi vonatkozások: The same logic can support role-based health staff onboarding and continuing education.
We benchmarked embedding-based rankings for learning-outcome alignment, validated them with experts, and linked them to learner performance in a three-group randomized controlled trial (RCT).
Egészségügyi vonatkozások: For healthcare, this helps check whether a resource really supports a required competency or patient-learning goal.
We developed a human-AI workflow for personalized curriculum creation and validated the platform in two pre-post randomized controlled trials (RCTs) comparing it with Moodle on knowledge acquisition.
Egészségügyi vonatkozások: This is highly relevant for healthcare, where experts need trustworthy AI support to build and validate learning paths quickly.
We designed and evaluated LLM-assisted interfaces that reduce prompt-engineering effort for curriculum authors.
Egészségügyi vonatkozások: This supports busy educators and health professionals who need practical authoring tools.
We studied how LLMs can generate learner-specific answers and how those answers can be evaluated automatically and by humans.
Egészségügyi vonatkozások: This points toward clearer explanations for patients, relatives, staff, and other learner groups.
We evaluated whether LLMs can generate useful course topics and help refresh curricula beyond conventional search workflows.
Egészségügyi vonatkozások: The approach can help experts draft first versions of training paths in healthcare and other domains.
We analyzed OER metadata and showed how metadata signals can help predict resource quality across repositories.
Egészségügyi vonatkozások: This matters when patient or staff education depends on trusted, well-described learning content.
We built a prototype that links job-skill requirements with open educational videos and recommends relevant learning content.
Egészségügyi vonatkozások: This can transfer to clinical training videos, nursing skills, and practical onboarding paths.
We combined AI recommendations and expert input to help contributors create and update personalized curricula.
Egészségügyi vonatkozások: This fits fast-changing healthcare knowledge, where experts must keep learning paths current.
We defined and evaluated quality metrics that help authors and platforms assess open educational resources.
Egészségügyi vonatkozások: Quality checks are especially valuable for sensitive learning contexts such as patient education.
We contributed to an ontology for representing learning resources, skills, user profiles, and recommendations in a connected structure.
Egészségügyi vonatkozások: A shared structure makes it easier to model complex domains such as healthcare without losing cross-domain flexibility.
Olvassa el a GYIK-et arról, hogyan használja az eDoer a kutatási eredményeket, az MI-támogatást, a tanulási analitikát és az ember által ellenőrzött tartalmakat.