به سوی ارزیابی هوشمند: استفاده از الگوریتم های یادگیری تقویتی برای بهبود دقت و کارایی در سیستم های آموزشی آنلاین

در این تحقیق، از یادگیری تقویتی برای طراحی یک سیستم انتخاب سوالات آزمون شخصی سازی شده استفاده شده است که به طور خاص برای ارزیابی دانش آموزان در محیط های آموزشی آنلاین توسعه یافته است. این سیستم از الگوریتم های یادگیری تقویتی نظیر Q-learning و SARSA برای تنظیم ترتیب توالی سوالات بر اساس نیازها و توانمندی های فردی دانش آموزان استفاده می کند. نتایج حاصل نشان دهنده افزایش دقت در ارزیابی ها و بهبود تجربیات یادگیری دانش آموزان است، که این امر سبب سازگاری بهتر آموزش با نیازهای فردی و پیشرفت تحصیلی آنها می شود. استفاده از این سیستم در محیط های آنلاین نه تنها امکان پیاده سازی گسترده تری را فراهم می آورد بلکه بهره وری از داده های جمع آوری شده برای بهینه سازی مداوم فرایند یادگیری را نیز افزایش می دهد. این تحقیق می تواند نقطه عطفی در نحوه طراحی ارزیابی های آموزشی و توسعه برنامه های درسی متناسب با هر دانش آموز باشد. در میان الگوریتم های استفاده شده الگوریتم Value Iteration با دقت ۰.۵۲۱ بهترین عملکرد را داشته است. اهداف این مقاله بررسی تاثیر توابع مختلف پاداش و عوامل تخفیف، بررسی مزایای احتمالی استفاده از این الگوریتم برای ایجاد ارزیابی های شخصی و تطبیقی، و شناسایی محدودیت ها و چالش ها در ارزیابی آموزشی است.

کلیدواژه ها:

ارزیابی شخصی سازی شده ، تکنولوژی آموزشی ، یادگیری تقویتی ، هوش مصنوعی ، الگوریتم های یادگیری