چکیده:
در سالهای اخیر از روشهای دادهکاوی بهطور گسترده درزمینهی یادگیری الکترونیکی استفادهشده است. درواقع محققین مختلف با استفاده از روشهای دادهکاوی سعی در شناخت هر چه بیشتر یادگیرندگان و درنتیجه ایجاد یادگیری تطبیقی داشتهاند. در تحقیقات از ویژگیها، عملکرد، سبک یادگیری و سبکشناختی یادگیرندگان استفادهشده است. این مقاله به شناسایی سطح دانش یادگیرندگان و مدلسازی آنها بهمنظور شخصیسازی آموزش ارائهشده، 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 دانش یادگیرندگان، ایجادشده است. جهت ارزیابی مدل ارائهشده، 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 ارائه دروس متوسط و الگوریتمی موجود از ادبیات تحقیق بهره بردند. نتایج حاصل از آزمایشها، موفقیت و رضایت تحصیلی یادگیرندگان گروه مربوط به مدل پیشنهادی را نشان میدهد.
خلاصه ماشینی:
"در این مقاله از الگوریتم بهینه سازی گروه ذرات به جای الگوریتم خوشه بندی k-میانگین استفاده شده است که نسبت به مقادیر تصادفی اولیه مراکز واحدهای لایه ی میانی شبکه حساس نیست که این باعث میشود در دفعات مختلف آموزش شبکه با استفاده از الگوریتم بهینه سازی گروه 1 Lin & Liou 2 Expectation-Maximization 3 Bishop 4 Orthogonal least squares 5 Chen, Billings, Cowan & Grant 6 Self-Organizing feature map clustering 7 Mu 8 Regression Tree 9 Orr, Hallam, Murray & Leonard 10 Pseudo-inverse (Minimum-norm) 11 Cancelliere & Gai 12 Least-Mean-Square 13 Lin & Liou 14 Quick Propagation 116 ذرات در تعیین مراکز واحدها، نتایج مشابه حاصل شود که این در کاربردهایی که نیاز با پاسخ های یکسان در دفعات متعدد آموزش دارند، ارزشمند است .
در این بخش به بررسی این دو هدف پرداخته خواهد شد: 1 Kenedy 2 Eberhart 3 NOS: Near Optimal Solution 4 particle 1175 Eberhart, Shi & Kennedy - به کمک روش های داده کاوی یادگیرندگان دسته بندی می شوند و میزان دانش آن ها پیش بینی میگردد: پس از جمع آوری و پیش پردازش داده ها، این مدل ایجادشده به منظور دسته بندی یادگیرندگان بر اساس مشخصه های در نظر گرفته شده و درنهایت پیش بینی دانش آن ها به کار گرفته شد که با توجه به نتایج حاصل و میزان خطای مدل ، این فرضیه به اثبات میرسد که با استفاده از رویکرد داده کاوی میتوان دانش یادگیرندگان را در دوره های آموزش الکترونیکی پیش بینی کرد.
- گروه سوم : یادگیرندگانی هستند که میزان دانش آن ها با استفاده از شبکه عصبی تابع پایه شعاعی آموزش دیده با الگوریتم بهینه سازی گروه ذرات پیش بینیشده است و درس هایی 120 متناسب با سطح خود را دریافت کرده اند؛ که در قسمت "پیاده سازی واقعی و اعتبارسنجی مدل پیشنهادی" به طور مفصل و دقیق به تحلیل نتایج خواهیم پرداخته شده است ."