چارچوب پیشنهادی آموزش الکترونیکی موثر با مدلسازی ترجیحات چند بعدی تطبیقی یادگیرنده

اهمیت روزافزون یادگیری الکترونیکی در سالهای اخیر باعث انفجار مواد آموزشی موجود در وب شده است ، زیرایافتن مناسب ترین مطالب از میان مواد آموزشی متعدد با توجه به روش جستجوی کلمات کلیدی برای زبانآموز دشوار است . سیستم های توصیه مواد بخش مهمی از سیستم های آموزش الکترونیکی برای حل این مشکل بوده اند. با این حال، در الگوریتم های پیشنهادی موجود، علایق پویا و ترجیحات چندگانه فراگیران و مواد چند ویژگی سیستم آموزش الکترونیکی (مانند موضوع، موضوع فرعی و ناشر) همیشه نادیده گرفته می شود. این الگوریتم ها نمی توانند ترجیحات یادگیرنده را به طور موثر منعکس کنند و نمی توانند محیط های یادگیری الکترونیکی راکاملا تطبیق دهند. برای پرداختن به این مشکلات،یک مدل توصیه مواد چند بعدی و الگوریتم توصیه مربوطه برای محیط های آموزش الکترونیکی پیشنهاد شدهاست . در اینجا، درخت یادگیرنده (LT) معرفی می شود تا ویژگی های چند بعدی مواد، ماتریس رتبه بندی زبانآموزان و ترجیح متغیر زمانی یادگیرنده را به طور همزمان در نظر بگیرد. سپس با استفاده ازیک معیار جدید، درجه ارتباط بین LT و هر ماده آموزشی محاسبه می شود. علاوه بر این ،یک طبقه بندی کننده بیزی برای پیش بینی نرخ مواد رتبه بندی نشده استفاده می شود. در نهایت ، مواد کاندید را می توان فیلتر و مرتب کرد تا نتایج توصیه (Top-N) تولید شود. شبیه سازیها نشان می دهند که روش پیشنهادی ما نسبت به الگوریتم های قبلی بهتر عمل می کند و می تواند برای محیط های آموزش الکترونیکی بسیار مناسب تر باشد.

کلیدواژه ها:

فیلتر محتوا ، فیلتر مشارکتی ، توصیه چند بعدی ، مطالب آموزشی ، آموزش الکترونیکی