کنسرسیوم W3C آغاز شد. هدف اولیه و همچنین هدف جاری این پروژه آن است که با تشخیص منابع داده موجود تحت لیسانس های باز، و با انتشار آنها بر اساس قواعد داده های پیوندی، آنها را بر روی وب منتشر کند و گام های اولیه و اساسی برای تحقق وب داده را آغاز نماید.
برای نمایش حجم و ابعاد موضوعی وب داده حاصل از این پروژه، می توان ابر پروژه LOD را مورد توجه قرار داد. این ابر را می توان به شکل یک گراف جهت دار در نظر گرفت. هر گره که با یک دایره نشان داده می شود نماینده یک مجموعه داده مستقل که بر اساس قواعد داده های پیوندی منتشر شده، می باشد. یال موجود بین دو گره به این معناست که بین داده های موجود در دو مجموعه داده های متناظر با آن گره ها، لینک و ارتباط وجود دارد. ضخامت یالها، تخمینی از میزان این اتصالات ارائه می کند. هر چه میزان اتصالها بیشتر باشد ضخامت یال نیز بیشتر است. یالهای دوسویه نیز به معنای وجود اتصال از هر یک از دو منبع به منبع دیگر می باشد. شکل ، وضعیت ابر LOD را در مارچ ۲۰۰۹ نشان می دهد. بر اساس آمارهایی که توسط انجمن LOD ارائه شده است، وب داده در ماه می ۲۰۰۹ شامل ۴.۷ میلیارد سه گانه RDF بوده است که از طریق حدود ۱۴۲ میلیون لینک RDF به یکدیگر متصل شده اند.
شکل ۲-۴- ابر LOD
۲-۷-۴- انتخاب واژگان URIS و RDF:
ارائه کنندگان داده بین الگوهای کاربردی HTTP, URI انتخاب می کند، تا نهادها را معین کنند فرمت معمول سریالی شدن این داده های پیوندی RDF/xml است. داده های پیوندی به صورت RDFA سریالی میشود که سه گانه RDF را در html ارائه میکند. در مورد دوم ناشران داده باید از RDFA در تعیین URIS نهادها استفاده کنند که به دیگر ارائه کنندگان داده اجازه می دهد رابط های RDF را در آنها ارایه کنند.
۲-۷-۵- ایجاد لینک:
لینک های RDF به متقاضی اجازه می دهد بین منابع داده جهت یابی کرده و داده های اضافی را کشف کند منابع داده باید لینک های RDF را با نهادهای مربوطه تنظیم کنند. منابع داده اطلاعاتی در مورد تعداد نهادهای بزرگ ارائه می کنند و از روشهای اتومات و نیمه اتومات در ایجاد لینک های RDF استفاده می کنند. اگر منبع لینک و مجموعه داده های هدف یکی از این فرضیه های شناسایی را حمایت کند رابطه غیر واضح بین نهادها در هر دو مجموعه داده به صورت لینک های RDF واضح می شود. این روش در ایجاد لینک ها بین منابع داده متفاوت در ابر LOD به کار می رود.
اگر فرضیه نامگذاری مشترک موجود نباشد، لینک های RDF بر اساس تشابه نهادها در هر دو مجموعه داده حاصل میشود. این محاسبات تشابه در چارچوب وسیع آثار مربوط و شناسایی تکثیر در جامعه پایگاه داده و تطابق انتولوژی حاصل می شود.
۲-۷-۶-ابزار انتشار: ابزار به ذخایر محتوای RDF روی شبکه می پردازد و ناشران به جزئیات تکنیکی می پردازند. بعلاوه برخی ابزار استفهامات SPARQL را مطرح میکند که به داده های ارائه شده دسترسی دارند و از انتشار روبرداشت RDF حمایت میکند.
۲-۷-۷- Revyu:
مکان بررسی و رده بندی اصلی بر اساس این اصول داده های پیوندی و انبار تکنولوژی وب معنایی است. علاوه بر انتشار داده های پیوندی، Revyu تجربه مکانی کاربران را ارتقا میدهد. وقتی فیلم ها روی آن بررسی شوند، سایت تلاش می کند با ورودی های DBpedia تطابق یابد بعد اطلاعات اضافی در مورد فیلم اصلاح شده در صفحات HTML سایت نشان داده میشود. لینک ها در سطح RDF حاصل میشود و اطمینان می دهد که کاربران انسانی دیدگاه غنی تری از مقوله ارائه میکند. کاربرهای آگاه از داده های پیوندی به URIS اشاره دارد. اصول مشابه در لینک آیتم ها به کار میرود مثل کتاب و داده های خارجی و پروفایل کاربر با داده های FOAF ارتقا میدهد.
۲-۷-۸- APIS شبکه:
اکثر منابع داده شبکه مثل google, amazon, ebay, yahoo به داده ها از طریق APIS دسترسی دارند. Web.com در حال حاضر APIS 1309 را لیست می کند و ۳۹۶۶ mashup را بر اساس این APIS ارائه میکند. از مکانیسم های متعددی در این روند استفاده میشود: URIS و HTTP به عنوان مکانیسم دسترسی و شناسایی و RDF به عنان فرمت محتوا. به کمک تکنولوژی با روابط متعدد و فرمت های نتیجه، منابع داده با موتور های تحقیقاتی در دسترس قرار می گیرد. علاوه بر این جزئیات تکنیکی، تفاوت مفهومی عمده ای بین APIS شبکه و داده های پیوندی وجود دارد.
۲-۷-۹- بکارگیری تکنیک در داده های پیوندی:
ابتدا باید پایگاه های اطلاعاتی مناسبی که قرار است برای ایجاد لینک ها استفاده شوند مشخص شوند. سپس مساله اصلی این است که برای ایجاد یک لینک بین دو عنصر از دو پایگاه اطلاعاتی، لازم است به نوعی عمل انطباق (Matching) یا تشخیص شباهت، انجام شود. بعنوان مثال لازم است تشخیص داده شود که اگر در یک پایگاه مربوط به بانک اطلاعات، نام یک فایل pdf “Object-Oriented Database” است و در یک پایگاه دیگر، صفحه ای با عنوان “Object-oriented query language” وجود دارد، آیا این دو در واقع یک چیز هستند و می توان آنها را با استفاده از owl:sameAs به یکدیگر متصل کرد یا خیر. بنابراین به زبان ساده می توان گفت مساله اصلی در اینجا انطباق و Link Discovery می باشد. نمونه این مسئله در مقاله[Has09] برای توسعه یک بانک اطلاعاتی از فیلمها با نام LinkedMDB بررسی شده است.
پس از اینکه عناصر مختلف موجود در پایگاه های اطلاعاتی مختلف با هم مرتبط شدند، این ارتباطات در قالب یکسری RDF Link ذخیره و منتشر می شوند. مساله بعدی مساله انطباق عناصر است. این عمل بطور عمده با استفاده از الگوریتم های انطباق رشته (String Matching) انجام می شود. باید توجه داشت که یک الگوریتم انطباق کامل (exact matching) به تنهایی کافی نیست. بعنوان مثال چنین الگوریتمی از تشخیص انطباق در مورد زیر ناتوان است:
یک فایل در یک منبع با عنوان ” Object-Oriented Database ” و در یک منبع دیگر با عنوان ” Object-oriented query language ” ذخیره شده است. در نتیجه باید به سراغ الگوریتم های تشخیص انطباق تقریبی (Approximate Matching) رفت.
البته در اینجا هم باز مواردی وجود دارد که پیچیدگی هایی را ایجاد می کند و نیازمند لحاظ کردن مسائل جدیدی در الگوریتم تشخیص انطباق می باشد. یک الگوریتم تشخیص انطباق تقریبی، ممکن است انطباق هایی ایجاد کند که نامطلوب باشند. بنابراین پیچیدگی های مساله قابل توجه است و احراز یک نتیجه ۱۰۰ درصد درست، ممکن نمی باشد مگر آنکه الگوریتم بسیار سخت گیری مورد استفاده قرار گیرد که در این حالت نیز میزان recall کاهش می یابد و این هم مطلوب نمی باشد. یک راه حل که در مقاله [Has09] مورد استفاده قرار گرفته است آن است که وقتی لینکی بین دو موجودیت تشخیص داده شد، یکسری metadata برای آن لینک ایجاد شود که به نوعی نشاندهنده این باشد که آن لینک چقدر قابل اطمینان است و به چه روشی ایجاد شده است.
۲-۸- پایگاه دانش DBpedia و کاربرد آن در دسترسی به محتوای موجود[Biz09]:
در حال حاضر wikipedia به یکی از منابع فعلی دانش تبدیل شده است که با هزاران عامل حفظ می شود. پروژه DBpedia این منبع بزرگ دانش را با استخراج اطلاعات ساختاری از Wikipedia ارتقاء داده و این اطلاعات را در وب در دسترس قرار می دهد.
پایگاه دانش DBpedia در حال حاضر بیش از ۶/۲ میلیون ماهیت را شرح می دهد شامل ۱۹۸۰۰۰ نفر و ۳۲۸۰۰۰ مکان و ۱۰۱۰۰۰ کار موسیقی و ۳۴۰۰۰ فیلم و ۲۰۰۰۰ شرکت. پایگاه دانش شامل ۱/۳ میلیون رابط با صفحات خارجی وب است و ۹/۴ میلیون رابط RDF با منابع دیگر داده وب دارد. داده های مرتبط ناشران شامل ۷/۴ بیلیون RDF سه تایی بوده و حوزه هایی مثل اطلاعات جغرافیایی و افراد و شرکت ها و فیلم ها و موسیقی و ژن ها و دارو و کتاب ها و مقالات علمی را پوشش می دهد.
۲-۸-۱- شبکه ترکیب و ادغام داده:
لینک های RDF داده های نهادی با منابع داده متفاوت را به هم مرتبط می کند که اساسی برای ترکیب داده از این منابع است تا دیدگاه های منابع متعدد را مطرح کند.
۲-۸-۲- شبکه تفسیر محتوا:
URI نهاد DBP در تفسیر محتوای کلاسیک وب یا اخبار با موضوعات و رفرنس های مکان ها و شرکت ها و افراد به کار می رود. با افزایش تعداد مکان هایی که از URls DBpedia برای تفسیر استفاده می کنند. این پایگاه به منبع ارزشمندی برای کشف محتوای وب کلاسیک تبدیل می گردد.
۲-۸-۳- استفهام و بررسی و جستجو:
پایگاه دانش DBP شامل مقادیر زیادی دانش هدفمند است در پاسخ به سوالات جالب به کار میرود که در مورد موضوعات متفاوت است.
سازنده سوال DBP: ابزاری که در اثبات این قابلیت ها کامل شده است.
پرسش ها به کمک الگوی نموداری مطرح میشود که شامل چندین الگوی سه تایی است.
در هر الگوی ۳ تایی، متغیرها و شناساگرها و فیلترهایی هستند که برای پیش بینی و هدف سه تایی به کار میروند. به خاطر پوشش وسیع DBpedia، کاربران سخت می دانند کدام شاخصه و شناساگر بکار رفته و در استفهام به کار می روند. متعاقباً کاربران هدایت می شوند وقتی سوالات و راهکارها باید ارائه شود. وقتی کاربران اسامی شناساگر را در یکی از اشکال تایپ می کند، تحقیقات راهکارهای مناسب را ارائه می کند. این امر نه تنها با جستجوی شناساگرهای منطبق حاصل میشود که با اجرای سوال فعلی به کمک متغیری برای شناساگر ویراستاری شده و فیلتر کردن نتایج حاصل میشود که با حلقه تحقیقاتی که کاربر مطرح کرده آغاز میشود. این روش اطمینان می دهد که شناساگر پیشنهادی در واقع با الگوی نمودار به کار میرود و پرسش در واقع نتایج را منعکس میکنند.
۲-۸-۴- تفسیر محتوا:
کاربردهای متعددی اخیراً در دسترس است که امکان تفسیر محتوای شبکه را با شناساگر DBP می دهد که به صورت اتومات یا نیمه اتومات صورت می گیرد. این تفاسیر به کشف محتوای وب کمک کرده و به DBP مربوط است و اشخاص ثالث می توانند محتوای خود را با داده های ارائه شده توسط DBP غنی کنند.
۲-۹- مرور تحقیقات انجام شده در حوزه آموزش الکترونیکی مبتنی بر وب معنایی
۲-۹-۱- پروژه GRAPPLE: سیستم های مدیریت آموزش به کمک ??محیط های یادگیری تطبیقی[Pau13] [Bra08]: سیستم های مدیریت آموزشی (LMSs) در بسیاری از موسسات آموزشی برای مدیریت فرایند یادگیری مورد استفاده قرار می گیرد. ??محیط یادگیری تطبیقی۵۰ (ALES) ، پشتیبانی را برای فرایند یادگیری از طریق هدایت تطبیقی ??و محتوای مواد آموزشی و همچنین شخصی سازی ارائه می دهد. در بخشی از پروژه Grapple که در اروپا انجام شده است در زیرساخت های جدیدی که ارائه شده این دو را (شخصی سازی و محتوای آموزشی) با یکدیگر برای یادگیرنده به ارمغان آورده است، یعنی یادگیرنده علاوه بر اینکه در یک محیط شخصی به فرآیند آموزش می پردازد محتوای آموزشی نیز برای وی

این مطلب رو هم توصیه می کنم بخونین:   پایان نامه ارشد با موضوعآموزش الکترونیک، آموزش الکترونیکی، یادگیری الکترونیک، رابط کاربر
دسته‌ها: No category

دیدگاهتان را بنویسید