Developing a personalized study program recommender

Scheffler, Marc ; Dieing, Thilo I. ; Cohausz, Lea

PDF
Workshop_Recommender.pdf - Veröffentlichte Version
Download (693kB)

DOI:	https://doi.org/10.18420/delfi2024-ws-33
URL:	https://dl.gi.de/items/4e7722e6-5263-48df-be62-edf...
URN:	urn:nbn:de:bsz:180-madoc-678563
Dokumenttyp:	Konferenzveröffentlichung
Erscheinungsjahr:	2024
Buchtitel:	Workshopband der 22. Fachtagung Bildungstechnologien (DELFI) : 9.-11. September 2024, Fulda, Deutschland
Seitenbereich:	233-240
Veranstaltungstitel:	EduRS 2024 - Recommender Systems in Education, Workshop bei der DELFI 2024, 23. Fachtagung Bildungstechnologien (DELFI)
Veranstaltungsort:	Fulda, Germany
Veranstaltungsdatum:	09.09.24
Herausgeber:	Kiesler, Natalie ; Schulz, Sandra
Ort der Veröffentlichung:	Bonn
Verlag:	Gesellschaft für Informatik (GI)
Verwandte URLs:	https://dl.gi.de/items/68f50ea1-b70a-4fc... https://www.fernuni-hagen.de/forschung/s... https://delfi-tagung.de/programm/worksho...
Sprache der Veröffentlichung:	Englisch
Einrichtung:	Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Practical Computer Science II: Artificial Intelligence (Stuckenschmidt 2009-)
Lizenz:	Creative Commons Namensnennung 4.0 International (CC BY 4.0)
Fachgebiet:	004 Informatik
Freie Schlagwörter (Englisch):	education , recommender system , study program recommendation , NLP , fastText , embed- dings , BERUFENET
Abstract:	This paper presents a recommender system designed to match prospective students with study programs in Baden-Württemberg, Germany, streamlining the selection process by providing personalized recommendations based on user queries. Utilizing data from approximately 1,500 study programs and employing natural language processing and machine learning techniques, specifically the German fastText model for word embeddings, our system captures the semantic relationships between user queries and program descriptions. We evaluated the system’s performance using both manual test cases and automated validation methods. The manual evaluation involved subjective assessments by multiple raters, while the automated approach utilized self-supervised keyword-based approaches. The results demonstrate the system’s effectiveness in enhancing the study program selection process.