پیوندهای مفید
آمار
| تعداد نشریات | 13 |
| تعداد شمارهها | 238 |
| تعداد مقالات | 2,418 |
| تعداد مشاهده مقاله | 3,962,356 |
| تعداد دریافت فایل اصل مقاله | 2,874,079 |
روشی جدید برای بهبود هوشمند یادگیری الکترونیکی | ||
| فناوری آموزش | ||
| مقاله 2، دوره 9، شماره 2 - شماره پیاپی 34، فروردین 1394، صفحه 87-98 اصل مقاله (1.46 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22061/tej.2015.303 | ||
| نویسندگان | ||
| حسین بنادکوکی1؛ کریم عباسی2؛ امین راحتی* 3 | ||
| 1علوم کامپیوتر، دانشگاه سیستان و بلوچستان،ایران | ||
| 2علوم کامپیوتر، دانشگاه سیستان و بلوچستان | ||
| 3علوم کامپیوتر،دانشگاه سیستان و بلوچستان،ایران | ||
| تاریخ دریافت: 18 تیر 1392، تاریخ بازنگری: 21 اردیبهشت 1393، تاریخ پذیرش: 21 اردیبهشت 1393 | ||
| چکیده | ||
| یادگیری الکترونیکی با از بین بردن محدودیت زمان و مکان کلاس حضوری، کاربرد گستردهای در ارتباط بین دانشجو و آموزگار پیدا کرده است. از سوی دیگر مؤلفههای هوشمندی مانند فراهم ساختن بازخورد و راهنمایی برای دانشجو کیفیت آموزش را افزایش میدهد، اما روشهای کنونی هوشمندسازی هزینه پیادهسازی بالایی دارند. این پژوهش روشی جدید برای هوشمندی یادگیری الکترونیکی با هزینه پایین معرفی مینماید. هوشمندی در دو مؤلفه ارزیابی دانش و انتخاب راهنمایی مناسب حین حل مسأله نمود مییابد. در این روش از شبکه بیزی برای ارزیابی دانش دانشجو و از شبکه عصبی مصنوعی برای انتخاب راهنمایی مناسب استفاده میشود. ساختار هر دو شبکه تنها توسط داده آموزشی تعیین میشود. روش پیشنهادی بر روی یک سیستم یادگیری الکترونیکی پیاده سازی شده و ارزیابی میشود. دقت بالای 90 درصدی هر دو شبکه و هزینه پیادهسازی پایین از مهمترین مزایای روش پیشنهادی است. همچنین ساختار مبتنی بر داده آموزشی دو شبکه امکان استفاده از آن را در سیستمهای متنوع یادگیری الکترونیکی در حال استفاده با دامنههای گوناگون دانش فراهم میآورد. | ||
| کلیدواژهها | ||
| یادگیری الکترونیکی؛ هوشمندسازی آموزش؛ شبکه بیزی؛ شبکه عصبی مصنوعی | ||
| موضوعات | ||
| آموزش الکترونیکی- مجازی | ||
| عنوان مقاله [English] | ||
| A New Approach To Improve E-Learning | ||
| نویسندگان [English] | ||
| H. Banadkouki1؛ K. Abbasi2؛ A. Rahati3 | ||
| 1Computer Science, Sistan and Baluchestan University, Iran | ||
| 2Computer Science, Sistan and Baluchestan University, Iran | ||
| 3Computer Science, Sistan and Baluchestan University, Iran | ||
| چکیده [English] | ||
| : E-learning, by eliminating the limitation of space and time to attend in classes, has found a widespread use in communication between students and teachers. On the other hand, intelligence components, such as providing feedback and hint for students will increase the quality of education. But current methods for implementation of intelligent have high costs. This paper introduces a new method to provide intelligent e-learning at a low cost. Intelligence emergences in two components, including knowledge assessment and selection of appropriate hint during the problem solving. In this approach, a Bayesian network utilized to assess student knowledge and an Artificial Neural network utilized to select the appropriate hint. The structure of both networks is determined by training data. The proposed method is implemented and assessed in an e-learning system. The above 90 percent accuracy in both networks and low implementation cost are of the important advantages of the proposed method. The structure of the two networks which is based on training data makes it possible to use it in a variety of systems use e-learning systems with a diverse range of knowledge. | ||
| کلیدواژهها [English] | ||
| e-Learning, Intelligent Learning, Bayesian Networks, Artificial neural network | ||
| مراجع | ||
|
[1] Beatty, B. Ulasewicz, C. Online teaching and learning in transition: Faculty perspectives on moving from blackboard to the Moodle learning management system. TechTrends, 50(4). 2009. pp.36–45. [2] D'Mello, C. and Graessner, A. Dynamics of affective states during complex learning. Learning and Instruction, 22(2). 2012. pp.145–157. [3] Koedinger, K. and Aleven, V. Exploring the assistance dilemma in experiments with cognitive tutors. Educational Psychology Review, 19. 2007. pp.239–264. [4] Ford, L. A New Intelligent Tutoring System. British Journal of Educational Technology, 39(2). 2008. pp.311-318. [5] Banadkuki, H. Investigation of An Expert Model For Tutoring Heuristic Search Methods, M.Sc. Desert Of Computer Science, University of Sistan and Baluchestan, 2012. ]In Persian[ [6] Myung, I.J. Tutorial on maximum likelihood estimation. Journal of Mathematical Psychology, 47. 2009. pp.90–100. [7] Durkin, J. Expert Systems: Catalog of Applications. Intelligent Computer Systems. 2011. [8] Dymova, L., Sevastianov, P. and Kaczmarek, K. A stock trading expert system based on the rule-base evidential reasoning using Level 2 Quotes. Expert Systems with Applications, Volume 39, Issue 8. 2012. pp.7150-7157. [9] Vanlehn, K., Lynch, C., Schulze, K., Shapiro, J. A., Shelby, R. H., Taylor, L., Treacy, D. J., Weinstein, A., and Wintersgill, M. C. The Andes physics tutoring system: Five years of evaluations. Proceedings of the Artificial Intelligence in Education Conference. 2005. [10] Cruz-Ramireza, N., Acosta-Mesa, H.G., Carrillo-Calvet, H., Nava-FernJndez, A. and Barrientos-Martinez, R.E. Diagnosis of Breast Cancer Using BayesianNetworks: Acase Study .ELSEVIER. 2007. [11] Estevam R., Hruschka, Jr and Ebecken, N.F. Towards Efficient Variables Ordering for Bayesian Networks Classifier. ELSEVIER. 2007. [12] Munetomo, M., Nurao, N. and Akama, K. Introducing Assignment Functions to Bayesian Optimization Algorithms. ELSEVIER. 2012. [13] de Rigo, D., Castelletti, A., Rizzoli, A.E., Soncini-Sessa, R. and Weber, E. A selective improvement technique for fastening Neuro-Dynamic Programming in Water Resources Network Management. Proceedings of the 16th IFAC World Congress - IFAC-PapersOnLine. 16th IFAC World Congress. 2008. [14] Arroyo, I., Woolf, B. Inferring learning and attitudes from a Bayesian network of log file data. In Proceedings AIED 05, 12th international conference on Artificial intelligence in education. 2005. [15] Wu, J., Chen, E. A Novel Nonparametric Regression Ensemble for Rainfall Forecasting Using Particle Swarm Optimization Technique Coupled with Artificial Neural Network. 6th International Symposium on Neural Network. Springer. 2009. | ||
|
آمار تعداد مشاهده مقاله: 2,850 تعداد دریافت فایل اصل مقاله: 1,908 |
||