نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد کامپیوتر، دانشگاه آزاد اسلامی، واحد قزوین

2 دانشیار دانشکده علوم ریاضی و رایانه دانشگاه علامه طباطبائی

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.

کلیدواژه‌ها

عنوان مقاله [English]

Modeling User Knowledge for Adaptive Learning in E-Learning Environment

نویسندگان [English]

  • Ayoub Daregi 1
  • Hassan Rashidi 2

چکیده [English]

Recently, data mining methods has widely been used in e-learning. In fact, various researchers attempt, by adopting data mining method, to understand the learners more and more and accordingly foster adaptive learning. The studies have employed the learners’ characteristics, performance, learning style and cognitive style. This study identifies the level of learners’ knowledge and develops models for them for customizing the material taught. To develop the suggested model, the researchers applied improved RBF neural network and used a three-step teaching approach to strengthen this network. This approach adopts the particle group optimization algorithm in the first step, the nearest neighboring K algorithm in the second step, and fastest reduction algorithm in the third step. Further parts of the article deal with the learners’ characteristics and four appropriate characteristics were developed for the purpose of predicting the class variable to determine the level of learners’ knowledge. In order to assess the suggested model, an online course of Excel was tested. The learners of this course were divided into three experimental groups. One of the groups employed the suggested model, and the other two groups of learners benefited from presentation of the mediocre and algorithm courses available in the research literature. Test results suggest academic achievement and satisfaction of the learners paced in the group relating to the suggested model.

کلیدواژه‌ها [English]

  • : E-Learning
  • Data mining
  • Optimization Algorithm of Particle Group
  • RBF Neural Network