مدلسازی دانش کاربر به منظور یادگیری تطبیقی در محیط یادگیری الکترونیکی

در سالهای اخیر از روشهای داده کاوی به طور گسترده درزمینه ی یادگیری الکترونیکی استفادهشده است. درواقع محققین مختلف با استفاده از روشهای داده کاوی سعی در شناخت هر چه بیشتر یادگیرندگان و درنتیجه ایجاد یادگیری تطبیقی داشته اند. در تحقیقات از ویژگیها، عملکرد، سبک یادگیری و سبکشناختییادگیرندگان استفادهشده است. این مقاله به شناسایی سطح دانش یادگیرندگان و مدلسازی آنها بهمنظور شخصیسازی آموزش ارایهشده، میپردازد. بهمنظور ایجاد مدل پیشنهادی از شبکه عصبی تابع پایه شعاعی بهبودیافته استفادهشده و برای ارتقاء این شبکه از یک رویکرد آموزش سه مرحلهای بهرهگیری شده است.این رویکرد در مرحله اول از الگوریتم بهینهسازی گروه ذرات، در مرحله دوم الگوریتم نزدیکترین K همسایه و در فاز سوم الگوریتم تندترین کاهش را به کار گرفته است. در ادامهی مقاله به بررسی مشخصههای یادگیرندگان پرداخته و چهار مشخصه مناسب بهمنظور پیشبینی متغیر کلاس جهت تعیین سطح دانشیادگیرندگان، ایجادشده است. جهت ارزیابی مدل ارایهشده، یک دورهی مجازی آموزش مایکروسافت اکسل مورد آزمایش قرارگرفته است. یادگیرندگان دورهی موردنظر در سه گروه آزمایشی قرار گرفتند. یکی از گروهها از مدل پیشنهادی استفاده کرده و دو گروه دیگر از یادگیرندگان از ارایه دروس متوسط والگوریتمی موجود از ادبیات تحقیق بهره بردند. نتایج حاصل از آزمایشها، موفقیت و رضایت تحصیلی یادگیرندگان گروه مربوط به مدل پیشنهادی را نشان میدهد.

کلیدواژه ها:

یادگیری الکترونیکی ، دادهکاوی ، الگوریتم بهینهسازی گروه ذرات ، شبکهعصبی تابع پایهی شعاعی