使用基于Transformer的模型与InfoNCE损失及语言切换方法的课程推荐

课程推荐范式致力于在教育技术和课程发展的不断演变领域中促进学习平等。在承认现有方法论（如内容冲突和语言翻译带来的干扰）所固有的障碍后，该范式旨在面对并克服这些挑战。值得注意的是，它解决了语言翻译引入的内容冲突和干扰，这些障碍可能阻碍创建全面且个性化的学习体验。该范式的目标是培养一个不仅拥抱多样性，而且根据每个学习者的独特需求定制学习体验的教育环境。为了克服这些挑战，我们的方法建立在课程发展和个性化学习的显著贡献之上，引入了三项关键创新。这些包括集成Transformer基础模型以提高计算效率，实施InfoNCE损失以实现准确的内容-主题匹配，以及采用语言切换策略以减轻与翻译相关的歧义。这些创新共同旨在解决固有挑战，并为多样化的学习者群体打造更公平、更有效的学习旅程。有竞争力的交叉验证分数证明了sentence-transformers/LaBSE的有效性，达到0.66314，展示了我们的方法在内容对齐预测中处理多种语言细微差别的有效性。索引词——课程推荐、带有InfoNCE损失的Transformer模型、语言切换。