پیوندهای مفید
آمار
| تعداد نشریات | 11 |
| تعداد شمارهها | 237 |
| تعداد مقالات | 2,398 |
| تعداد مشاهده مقاله | 3,830,611 |
| تعداد دریافت فایل اصل مقاله | 2,775,223 |
دسته بندی سبک های یادگیری با استفاده از ویژگی های رفتاری و ماشین بردار پشتیبان دو قلو | ||
| فناوری آموزش | ||
| مقاله 7، دوره 13، شماره 2 - شماره پیاپی 50، فروردین 1398، صفحه 316-326 اصل مقاله (815.65 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22061/jte.2018.3358.1859 | ||
| نویسندگان | ||
| جلال الدین نصیری* 1؛ امیر محمود میر2؛ سمیه فتاحی3 | ||
| 1گروه زبانشناسی رایانشی، پژوهشکده علوم اطلاعات، پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)، تهران، ایران | ||
| 2گروه مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه آزاد اسلامی، واحد تهران شمال، تهران، ایران | ||
| 3گروه سیستمهای اطلاعاتی، پژوهشکده فناوری اطلاعات، پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)، تهران، ایران | ||
| تاریخ دریافت: 07 اردیبهشت 1397، تاریخ بازنگری: 05 آبان 1397، تاریخ پذیرش: 15 آبان 1397 | ||
| چکیده | ||
| پیشینه و اهداف:دسترسی به اینترنت و کامپیوتر فرصتهایی را برای آموزش الکترونیکی ایجاد کردهاند. دسترسی راحتتر به منابع و آزادی عمل کاربران از مزایای آموزش الکترونیکی است. با این حال آموزش الکترونیکی جذابیت و پویایی آموزشهای سنتی یا چهره به چهره را ندارد و در این سیستمها وضعیت کاربر مانند نرخ یادگیری و وضعیت انگیزشی آنها در نظر گرفته نمیشود. از این رو، توسعه دهندگان سیستمهای آموزش الکترونیکی می توانند با در نظر گرفتن سبک یادگیری و طراحی رابطهای کاربری تعاملی به حل کردن مشکلات مذکور در این سیستمها کمک نمایند. همچنین تشخیص خودکار سبک یادگیری نه تنها جذابیت آموزش الکترونیکی را افزایش میدهد، بلکه موجب افزایش کارایی و انگیزه یادگیرندگان در محیطهای الکترونیکی نیز میشود.مطالعات روانشناسی نشان میدهد که افراد در تصمیمگیری، حل مسئله و یادگیری با یکدیگر متفاوت هستند. سبک یادگیری باعث میشود که افراد به گونه متفاوتی یک مطلب را درک کنند. برای مثال افرادی که حافظه بصری خوبی دارند، ارائه مباحث به صورت بصری را نسبت به صورت شفاهی ترجیج میدهند. لحاظ کردن یک شیوه مناسب آموزش باعث بهبود عملکرد یادگیرنده در محیط آموزشی میشود. عدم توجه به سبک یادگیری دانشجویان باعث کاهش انگیزه و علاقهی آنها به مطالعه و شرکت در دورههای آموزشی میشود.موفقیت تحصیلی دانشجویان از اهداف مهم در محیطهای آموزشی است. یکی از عوامل مهم در تحقق این هدف، توجه به سبک یادگیری دانشجویان است. آگاهی از سبک یادگیری دانشجویان به طراحی یک روش مناسب آموزش کمک میکند. لحاظ کردن یک شیوه مناسب آموزش باعث بهبود عملکرد دانشجویان در محیط آموزشی میشود. در این مقاله، هدف ساخت یک مدل برای تشخیص خودکار سبکهای یادگیری است. روش ها: بدین منظور از یک محیط آموزش الکترونیکی متشکل از 202 دانشجو رشته مهندسی برق و کامپیوتر، دو مجموعه داده برای ایجاد مدل جمع آوری شده است. ویژگیهای رفتاری از نحوه تعامل دانشجویان با سامانه آموزش الکترونیکی استخراج شده و سپس سبکهای یادگیری با روش ماشین بردار پشتیبان دو قلو دستهبندی میشوند. ماشین بردار پشتیبان دو قلو گونه جدیدی از دستهبندهای مبتنی بر مرز مانند SVM است که هدف آن بدست آوردن حاشیه ناموازی است. این دستهبند به دادگان نامتوزان حساس نمی باشد و سرعت آموزش آن بسیار سریع است. یافته ها: در این پژوهش، ضمن تاکید بر افزایش جذابیت آموزش الکترونیکی، مسئله تشخیص خودکار سبک یادگیری دانشجویان بررسی شده است و مدل MBTI برای تعیین سبکهای یادگیری استفاده شده است. دو مجموعه داده از تعامل 202 دانشجو مهندسی برق و کامپیوتر با سامانه آموزش الکترونیکی مودل جمع آوری شده است. مجموعه داده جمعآوری شده بسیار نامتوزان است که تاثیر منفی روی دقت دسته بندها دارد. با در نظر گرفتن این نکته، ماشین بردار پشتیبان دو قلو کمترین مربعات به عنوان دستهبند استفاده شده است. ویژگی بارز این دستهبند حساسیت کم به توازن دادهها و سرعت بسیار زیاد است. نتایج نشان میدهد که روش پیشنهادی با وجود نامتوزان بودن دادهها، در دستهبندی سبک یادگیری دانشجویان بسیار خوب عمل کرده است و با دقت 95 درصد سبکهای یادگیری را تشخیص میدهد. | ||
| کلیدواژهها | ||
| آموزش الکترونیکی؛ سبک یادگیری؛ ماشین بردار پشتیبان؛ MBTI؛ دسته بندی | ||
| موضوعات | ||
| رویکردهای نوین آموزشی | ||
| عنوان مقاله [English] | ||
| Classification of learning styles using behavioral features and twin support vector machine | ||
| نویسندگان [English] | ||
| J. Nasiri1؛ A.M. Mir2؛ S. Fatahi3 | ||
| 1Department of Computational Linguistics, Information Science Research Department, Iranian Research Institute for Information Science and Technology (IRANDOC), Tehran, Iran | ||
| 2Department of Computer Engineering, Faculty of Electrical and Computer Engineering, North Tehran Branch, Islamic Azad University, Tehran, Iran | ||
| 3Department of Information Systems, Information Technology Research Department, Iranian Research Institute for Information Science and Technology (IRANDOC), Tehran, Iran | ||
| چکیده [English] | ||
| Background and Objective:Internet and computer access have created opportunities for e-learning. Easier access to resources and freedom of action for users is one of the benefits of e-learning. However, e-learning is not as attractive and dynamic as traditional or face-to-face instruction, and in these systems the user's condition, such as learning rate and motivation, is not taken into account. Therefore, the developers of e-learning systems can help to solve the problems mentioned in these systems by considering the learning style and design of interactive user relationships. Automated identification of learning style not only increases the attractiveness of e-learning, but also increases the efficiency and motivation of learners in e-learning environments. Research shows that people differ in decision making, problem solving, and learning. Learning style makes people understand a story differently. For example, people with good visual memory prefer to present topics visually rather than orally. Applying a proper teaching method improves the learner's performance in the learning environment. Lack of attention to students' learning style reduces their motivation and interest in studying and engagement in educational courses. Students’ success is one of the prominent goals in the learning environments. In order to achieve this goal, paying attention to students’ learning style is essential. Being aware of students’ learning style helps to design an appropriate education method which improves student’s performance in the learning environments. In this paper, the aim is to create a model for automatic prediction of learning styles. Methods: Therefore, two real datasets collected from an e-learning environment which consists of 202 electrical and computer engineering students. Behavioral features were extracted from users’ interaction with e-learning system and then learning styles were classified using twin support vector machine. Twin support vector machine is an extension of SVM which aims at generating two non-parallel hyperplanes. This classifier is not sensitive to imbalanced datasets and its training speed is fast. Findings: In this study, increasing the attractiveness of e-learning is emphasized and the issue of automatic recognition of students' learning style has been investigated by MBTI model. Two data sets from the interaction of 202 electrical and computer engineering students with the Moodle e-learning system have been collected. The collected data set is very unbalanced, which has a negative effect on the accuracy of the categories. With this in mind, the twin support vector machine uses the least squares as a binder. The distinctive feature of this category is the low sensitivity to data balance and very high speed. The results show that the proposed method, despite the inconsistency of the data, has performed very well in the classification of students' learning style and accurately recognizes 95% of learning styles. Conclusion: Due to the excellent performance of the proposed method, a new component can be added to e-learning systems such as Moodle by identifying the learning style, content and appropriate teaching method for the learner. Future research could also gather more data from an e-learning environment and categorize learning styles with cognitive characteristics from the learner. | ||
| کلیدواژهها [English] | ||
| e-Learning, Learning style, Support vector machine, MBTI, Classification | ||
| مراجع | ||
|
[3] Haron NB, Salim NB. Empirical evaluation of mixed approach in adaptive hypermedia learning system. In Proceedings of the postgraduate annual research seminar (pp. 244-249).; 2006 [6] Kinshuk SG. Providing adaptive courses in learning management systems with respect to learning styles. Proceedings of the world conference on e-learning in corporate, government, healthcare, and higher education (e-Learn) (pp. 2576-2583); 2007. [8] Gong W, Wang W. Application research of support vector machine in E-Learning for personality. Cloud Computing and Intelligence Systems (CCIS), IEEE International Conference on (pp. 638-642); 2011 [12] Cortes C, Vapnik V. Support-vector networks. Machine Learning. 1995; 20(3): 273-297. | ||
|
آمار تعداد مشاهده مقاله: 1,800 تعداد دریافت فایل اصل مقاله: 1,076 |
||