'${fmt}' is kein unterstütztes Format.
- Home
- Archive
- Special Edition
- Towards a Standardized Machine-Readable Metadata Format for MOOC Platforms
Citation and metadata
Recommended citation
Thomas, M., Staubitz, T., Meinel, C. (2023). Towards a Standardized Machine-Readable Metadata Format for MOOC Platforms. e-learning and education, Iss. 15. (urn:nbn:de:0009-5-57801)
Download Citation
Endnote
%0 Journal Article %T Towards a Standardized Machine-Readable Metadata Format for MOOC Platforms %A Thomas, Max %A Staubitz, Thomas %A Meinel, Christoph %J e-learning and education %D 2023 %V 15 %N 2 %@ 1860-7470 %F thomas2023 %X Heutzutage sind viele Onlinekurse wie MOOCs (Massive Open Online Courses) verfügbar von verschiedenen Anbietern (z.B. edX, Coursera, openHPI, OpenWHO, iMOOX). Um Lernende zu unterstützen, wurden Aggregatoren wie Class Central oder MOOChub gegründet. Diese Aggregatoren enthalten Kataloge mit den Angeboten der Provider, was sie zu zentralen Eintrittspunkten für die Nutzenden macht. Diese Kataloge basieren auf Metadaten, die entsprechend formatiert sein müssen. Die Metadaten können dann auch zum Filtern von Kursen und Empfehlungssystemen genutzt werden. Mit dem Aufkommen von mehr und mehr KI-basierten Empfehlungsservicen für Lerngelegenheiten und Lernpfadassistenten steigt der Bedarf an gut gepflegten und bedeutsamen Metadaten massiv an. In dieser Publikation stellen wir unsere Untersuchungen zu verschiedenen Systemen zur Kategorisierung des Studienbereichs, Themenbereichs oder Faches vor, die genutzt werden können, um existierende Metadatenformate zu verbessern. Eine Übersicht über Kategorisierungssysteme für Studienbereiche von verschiedenen Entitäten (z.B. international, national und private Organisationen) wird gegeben. Die Systeme werden in Hinblick auf ihren Nutzen in Metadatenformaten zur Beschreibung von Kursen verglichen. Die Ergebnisse werden genutzt, um unser Metadatenformat zu verfeinern und stellen einen weiteren Schritt hin zu einem standardisierten Metadatenformat für Kurse und automatisiert generierten Metadaten dar. %L 370 %K Fields of Study %K MOOC %K Massive Open Online Course %K Metadaten %K Standards %K Studienbereich %K e-learning %K metadata %U http://nbn-resolving.de/urn:nbn:de:0009-5-57801Download
Bibtex
@Article{thomas2023, author = "Thomas, Max and Staubitz, Thomas and Meinel, Christoph", title = "Towards a Standardized Machine-Readable Metadata Format for MOOC Platforms", journal = "e-learning and education", year = "2023", volume = "15", number = "2", keywords = "Fields of Study; MOOC; Massive Open Online Course; Metadaten; Standards; Studienbereich; e-learning; metadata", abstract = "Heutzutage sind viele Onlinekurse wie MOOCs (Massive Open Online Courses) verf{\"u}gbar von verschiedenen Anbietern (z.B. edX, Coursera, openHPI, OpenWHO, iMOOX). Um Lernende zu unterst{\"u}tzen, wurden Aggregatoren wie Class Central oder MOOChub gegr{\"u}ndet. Diese Aggregatoren enthalten Kataloge mit den Angeboten der Provider, was sie zu zentralen Eintrittspunkten f{\"u}r die Nutzenden macht. Diese Kataloge basieren auf Metadaten, die entsprechend formatiert sein m{\"u}ssen. Die Metadaten k{\"o}nnen dann auch zum Filtern von Kursen und Empfehlungssystemen genutzt werden. Mit dem Aufkommen von mehr und mehr KI-basierten Empfehlungsservicen f{\"u}r Lerngelegenheiten und Lernpfadassistenten steigt der Bedarf an gut gepflegten und bedeutsamen Metadaten massiv an. In dieser Publikation stellen wir unsere Untersuchungen zu verschiedenen Systemen zur Kategorisierung des Studienbereichs, Themenbereichs oder Faches vor, die genutzt werden k{\"o}nnen, um existierende Metadatenformate zu verbessern. Eine {\"U}bersicht {\"u}ber Kategorisierungssysteme f{\"u}r Studienbereiche von verschiedenen Entit{\"a}ten (z.B. international, national und private Organisationen) wird gegeben. Die Systeme werden in Hinblick auf ihren Nutzen in Metadatenformaten zur Beschreibung von Kursen verglichen. Die Ergebnisse werden genutzt, um unser Metadatenformat zu verfeinern und stellen einen weiteren Schritt hin zu einem standardisierten Metadatenformat f{\"u}r Kurse und automatisiert generierten Metadaten dar.", issn = "1860-7470", url = "http://nbn-resolving.de/urn:nbn:de:0009-5-57801" }Download
RIS
TY - JOUR AU - Thomas, Max AU - Staubitz, Thomas AU - Meinel, Christoph PY - 2023 DA - 2023// TI - Towards a Standardized Machine-Readable Metadata Format for MOOC Platforms JO - e-learning and education VL - 15 IS - 2 KW - Fields of Study KW - MOOC KW - Massive Open Online Course KW - Metadaten KW - Standards KW - Studienbereich KW - e-learning KW - metadata AB - Heutzutage sind viele Onlinekurse wie MOOCs (Massive Open Online Courses) verfügbar von verschiedenen Anbietern (z.B. edX, Coursera, openHPI, OpenWHO, iMOOX). Um Lernende zu unterstützen, wurden Aggregatoren wie Class Central oder MOOChub gegründet. Diese Aggregatoren enthalten Kataloge mit den Angeboten der Provider, was sie zu zentralen Eintrittspunkten für die Nutzenden macht. Diese Kataloge basieren auf Metadaten, die entsprechend formatiert sein müssen. Die Metadaten können dann auch zum Filtern von Kursen und Empfehlungssystemen genutzt werden. Mit dem Aufkommen von mehr und mehr KI-basierten Empfehlungsservicen für Lerngelegenheiten und Lernpfadassistenten steigt der Bedarf an gut gepflegten und bedeutsamen Metadaten massiv an. In dieser Publikation stellen wir unsere Untersuchungen zu verschiedenen Systemen zur Kategorisierung des Studienbereichs, Themenbereichs oder Faches vor, die genutzt werden können, um existierende Metadatenformate zu verbessern. Eine Übersicht über Kategorisierungssysteme für Studienbereiche von verschiedenen Entitäten (z.B. international, national und private Organisationen) wird gegeben. Die Systeme werden in Hinblick auf ihren Nutzen in Metadatenformaten zur Beschreibung von Kursen verglichen. Die Ergebnisse werden genutzt, um unser Metadatenformat zu verfeinern und stellen einen weiteren Schritt hin zu einem standardisierten Metadatenformat für Kurse und automatisiert generierten Metadaten dar. SN - 1860-7470 UR - http://nbn-resolving.de/urn:nbn:de:0009-5-57801 ID - thomas2023 ER -Download
Wordbib
<?xml version="1.0" encoding="UTF-8"?> <b:Sources SelectedStyle="" xmlns:b="http://schemas.openxmlformats.org/officeDocument/2006/bibliography" xmlns="http://schemas.openxmlformats.org/officeDocument/2006/bibliography" > <b:Source> <b:Tag>thomas2023</b:Tag> <b:SourceType>ArticleInAPeriodical</b:SourceType> <b:Year>2023</b:Year> <b:PeriodicalTitle>e-learning and education</b:PeriodicalTitle> <b:Volume>15</b:Volume> <b:Issue>2</b:Issue> <b:Url>http://nbn-resolving.de/urn:nbn:de:0009-5-57801</b:Url> <b:Author> <b:Author><b:NameList> <b:Person><b:Last>Thomas</b:Last><b:First>Max</b:First></b:Person> <b:Person><b:Last>Staubitz</b:Last><b:First>Thomas</b:First></b:Person> <b:Person><b:Last>Meinel</b:Last><b:First>Christoph</b:First></b:Person> </b:NameList></b:Author> </b:Author> <b:Title>Towards a Standardized Machine-Readable Metadata Format for MOOC Platforms</b:Title> <b:Comments>Heutzutage sind viele Onlinekurse wie MOOCs (Massive Open Online Courses) verfügbar von verschiedenen Anbietern (z.B. edX, Coursera, openHPI, OpenWHO, iMOOX). Um Lernende zu unterstützen, wurden Aggregatoren wie Class Central oder MOOChub gegründet. Diese Aggregatoren enthalten Kataloge mit den Angeboten der Provider, was sie zu zentralen Eintrittspunkten für die Nutzenden macht. Diese Kataloge basieren auf Metadaten, die entsprechend formatiert sein müssen. Die Metadaten können dann auch zum Filtern von Kursen und Empfehlungssystemen genutzt werden. Mit dem Aufkommen von mehr und mehr KI-basierten Empfehlungsservicen für Lerngelegenheiten und Lernpfadassistenten steigt der Bedarf an gut gepflegten und bedeutsamen Metadaten massiv an. In dieser Publikation stellen wir unsere Untersuchungen zu verschiedenen Systemen zur Kategorisierung des Studienbereichs, Themenbereichs oder Faches vor, die genutzt werden können, um existierende Metadatenformate zu verbessern. Eine Übersicht über Kategorisierungssysteme für Studienbereiche von verschiedenen Entitäten (z.B. international, national und private Organisationen) wird gegeben. Die Systeme werden in Hinblick auf ihren Nutzen in Metadatenformaten zur Beschreibung von Kursen verglichen. Die Ergebnisse werden genutzt, um unser Metadatenformat zu verfeinern und stellen einen weiteren Schritt hin zu einem standardisierten Metadatenformat für Kurse und automatisiert generierten Metadaten dar.</b:Comments> </b:Source> </b:Sources>Download
ISI
PT Journal AU Thomas, M Staubitz, T Meinel, C TI Towards a Standardized Machine-Readable Metadata Format for MOOC Platforms SO e-learning and education PY 2023 VL 15 IS 2 DE Fields of Study; MOOC; Massive Open Online Course; Metadaten; Standards; Studienbereich; e-learning; metadata AB Heutzutage sind viele Onlinekurse wie MOOCs (Massive Open Online Courses) verfügbar von verschiedenen Anbietern (z.B. edX, Coursera, openHPI, OpenWHO, iMOOX). Um Lernende zu unterstützen, wurden Aggregatoren wie Class Central oder MOOChub gegründet. Diese Aggregatoren enthalten Kataloge mit den Angeboten der Provider, was sie zu zentralen Eintrittspunkten für die Nutzenden macht. Diese Kataloge basieren auf Metadaten, die entsprechend formatiert sein müssen. Die Metadaten können dann auch zum Filtern von Kursen und Empfehlungssystemen genutzt werden. Mit dem Aufkommen von mehr und mehr KI-basierten Empfehlungsservicen für Lerngelegenheiten und Lernpfadassistenten steigt der Bedarf an gut gepflegten und bedeutsamen Metadaten massiv an. In dieser Publikation stellen wir unsere Untersuchungen zu verschiedenen Systemen zur Kategorisierung des Studienbereichs, Themenbereichs oder Faches vor, die genutzt werden können, um existierende Metadatenformate zu verbessern. Eine Übersicht über Kategorisierungssysteme für Studienbereiche von verschiedenen Entitäten (z.B. international, national und private Organisationen) wird gegeben. Die Systeme werden in Hinblick auf ihren Nutzen in Metadatenformaten zur Beschreibung von Kursen verglichen. Die Ergebnisse werden genutzt, um unser Metadatenformat zu verfeinern und stellen einen weiteren Schritt hin zu einem standardisierten Metadatenformat für Kurse und automatisiert generierten Metadaten dar. ERDownload
Mods
<mods> <titleInfo> <title>Towards a Standardized Machine-Readable Metadata Format for MOOC Platforms</title> </titleInfo> <name type="personal"> <namePart type="family">Thomas</namePart> <namePart type="given">Max</namePart> </name> <name type="personal"> <namePart type="family">Staubitz</namePart> <namePart type="given">Thomas</namePart> </name> <name type="personal"> <namePart type="family">Meinel</namePart> <namePart type="given">Christoph</namePart> </name> <abstract>Heutzutage sind viele Onlinekurse wie MOOCs (Massive Open Online Courses) verfügbar von verschiedenen Anbietern (z.B. edX, Coursera, openHPI, OpenWHO, iMOOX). Um Lernende zu unterstützen, wurden Aggregatoren wie Class Central oder MOOChub gegründet. Diese Aggregatoren enthalten Kataloge mit den Angeboten der Provider, was sie zu zentralen Eintrittspunkten für die Nutzenden macht. Diese Kataloge basieren auf Metadaten, die entsprechend formatiert sein müssen. Die Metadaten können dann auch zum Filtern von Kursen und Empfehlungssystemen genutzt werden. Mit dem Aufkommen von mehr und mehr KI-basierten Empfehlungsservicen für Lerngelegenheiten und Lernpfadassistenten steigt der Bedarf an gut gepflegten und bedeutsamen Metadaten massiv an. In dieser Publikation stellen wir unsere Untersuchungen zu verschiedenen Systemen zur Kategorisierung des Studienbereichs, Themenbereichs oder Faches vor, die genutzt werden können, um existierende Metadatenformate zu verbessern. Eine Übersicht über Kategorisierungssysteme für Studienbereiche von verschiedenen Entitäten (z.B. international, national und private Organisationen) wird gegeben. Die Systeme werden in Hinblick auf ihren Nutzen in Metadatenformaten zur Beschreibung von Kursen verglichen. Die Ergebnisse werden genutzt, um unser Metadatenformat zu verfeinern und stellen einen weiteren Schritt hin zu einem standardisierten Metadatenformat für Kurse und automatisiert generierten Metadaten dar.</abstract> <subject> <topic>Fields of Study</topic> <topic>MOOC</topic> <topic>Massive Open Online Course</topic> <topic>Metadaten</topic> <topic>Standards</topic> <topic>Studienbereich</topic> <topic>e-learning</topic> <topic>metadata</topic> </subject> <classification authority="ddc">370</classification> <relatedItem type="host"> <genre authority="marcgt">periodical</genre> <genre>academic journal</genre> <titleInfo> <title>e-learning and education</title> </titleInfo> <part> <detail type="volume"> <number>15</number> </detail> <detail type="issue"> <number>2</number> </detail> <date>2023</date> </part> </relatedItem> <identifier type="issn">1860-7470</identifier> <identifier type="urn">urn:nbn:de:0009-5-57801</identifier> <identifier type="uri">http://nbn-resolving.de/urn:nbn:de:0009-5-57801</identifier> <identifier type="citekey">thomas2023</identifier> </mods>Download
Full Metadata
Bibliographic Citation | e-learning and education, Iss. 15 |
---|---|
Title |
Towards a Standardized Machine-Readable Metadata Format for MOOC Platforms (eng) |
Author | Max Thomas, Thomas Staubitz, Christoph Meinel |
Language | eng |
Abstract | Heutzutage sind viele Onlinekurse wie MOOCs (Massive Open Online Courses) verfügbar von verschiedenen Anbietern (z.B. edX, Coursera, openHPI, OpenWHO, iMOOX). Um Lernende zu unterstützen, wurden Aggregatoren wie Class Central oder MOOChub gegründet. Diese Aggregatoren enthalten Kataloge mit den Angeboten der Provider, was sie zu zentralen Eintrittspunkten für die Nutzenden macht. Diese Kataloge basieren auf Metadaten, die entsprechend formatiert sein müssen. Die Metadaten können dann auch zum Filtern von Kursen und Empfehlungssystemen genutzt werden. Mit dem Aufkommen von mehr und mehr KI-basierten Empfehlungsservicen für Lerngelegenheiten und Lernpfadassistenten steigt der Bedarf an gut gepflegten und bedeutsamen Metadaten massiv an. In dieser Publikation stellen wir unsere Untersuchungen zu verschiedenen Systemen zur Kategorisierung des Studienbereichs, Themenbereichs oder Faches vor, die genutzt werden können, um existierende Metadatenformate zu verbessern. Eine Übersicht über Kategorisierungssysteme für Studienbereiche von verschiedenen Entitäten (z.B. international, national und private Organisationen) wird gegeben. Die Systeme werden in Hinblick auf ihren Nutzen in Metadatenformaten zur Beschreibung von Kursen verglichen. Die Ergebnisse werden genutzt, um unser Metadatenformat zu verfeinern und stellen einen weiteren Schritt hin zu einem standardisierten Metadatenformat für Kurse und automatisiert generierten Metadaten dar. Nowadays, there are many online courses like MOOCs (Massive Open Online Courses) available from different providers (e.g. edX, Coursera, openHPI, OpenWHO, iMOOX). To support learners, aggregators like Class Central or MOOChub were established. These aggregators hold catalogs with the offerings of the providers making them a central entry point for the users. Such catalogs are based on metadata, which needs to be formatted in a proper way. This metadata can then be used for filtering courses and recommendation engines also. With more and more emerging AI-based recommendation services for learning opportunities and learning path assistants, the need for well-maintained and meaningful metadata is growing massively. In this paper, we report on our research about different systems for categorizing the fields of study, topic, or subject, which can be used to enhance existing metadata formats. An overview of field of study categorization systems of different entities (e.g. international, national, and private organizations) is given. The systems are compared regarding their usefulness in metadata formats for the description of courses. The results are utilized to refine our own metadata format and represent a further step towards a standardized metadata format for courses and automatically generated metadata. |
Subject | Fields of Study, MOOC, Massive Open Online Course, Metadaten, Standards, Studienbereich, e-learning, metadata |
Classified Subjects |
|
DDC | 370 |
Rights | fDPPL |
URN: | urn:nbn:de:0009-5-57801 |