دانشگاه تربیت دبیر شهید رجائی

  اخبار و اعلانات

 آمار

تعداد نشریات13
تعداد شماره‌ها200
تعداد مقالات2,008
تعداد مشاهده مقاله2,680,155
تعداد دریافت فایل اصل مقاله1,937,353
نورانی, سیده فاطمه, منشئی, محمدحسین, محمودزاده, الهام, منتظری, محمدعلی. (1399). کشف الگوهای مکرر یادگیرندگان در یک محیط یادگیری مشارکتی پویا ایجاد شده براساس نظریه بازی. فناوری آموزش, 14(3), 557-570. doi: 10.22061/jte.2020.5907.2304
سیده فاطمه نورانی; محمدحسین منشئی; الهام محمودزاده; محمدعلی منتظری. "کشف الگوهای مکرر یادگیرندگان در یک محیط یادگیری مشارکتی پویا ایجاد شده براساس نظریه بازی". فناوری آموزش, 14, 3, 1399, 557-570. doi: 10.22061/jte.2020.5907.2304
نورانی, سیده فاطمه, منشئی, محمدحسین, محمودزاده, الهام, منتظری, محمدعلی. (1399). 'کشف الگوهای مکرر یادگیرندگان در یک محیط یادگیری مشارکتی پویا ایجاد شده براساس نظریه بازی', فناوری آموزش, 14(3), pp. 557-570. doi: 10.22061/jte.2020.5907.2304
نورانی, سیده فاطمه, منشئی, محمدحسین, محمودزاده, الهام, منتظری, محمدعلی. کشف الگوهای مکرر یادگیرندگان در یک محیط یادگیری مشارکتی پویا ایجاد شده براساس نظریه بازی. فناوری آموزش, 1399; 14(3): 557-570. doi: 10.22061/jte.2020.5907.2304

کشف الگوهای مکرر یادگیرندگان در یک محیط یادگیری مشارکتی پویا ایجاد شده براساس نظریه بازی

فناوری آموزش
مقاله 60، دوره 14، شماره 3 - شماره پیاپی 55، تیر 1399، صفحه 557-570    اصل مقاله (1.99 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jte.2020.5907.2304
نویسندگان
سیده فاطمه نورانی؛ محمدحسین منشئی* ؛ الهام محمودزاده؛ محمدعلی منتظری
گروه نرم‌افزار و فناوری اطلاعات، دانشکده برق و کامپیوتر، دانشگاه صنعتی اصفهان، اصفهان، ایران
تاریخ دریافت: 09 شهریور 1398،  تاریخ بازنگری: 25 بهمن 1398،  تاریخ پذیرش: 07 اسفند 1398 
چکیده
پیشینه و اهداف: در هر سیستم آموزشی، بازدهی مطلوب رویکرد آموزشی از اهمیت ویژه‏ای برخوردار است. بدین­منظور در نظر گرفتن خصوصیات شخصیتی افراد و ارائه خدمات آموزشی مطابق با خصوصیات یادگیرندگان یکی از عوامل موثر در افزایش یادگیری و بازدهی آموزشی است. از طرفی یکی از تحقیقات سال­های اخیر در این فضا، بررسی رفتار فرد در سیستم آموزشی و استخراج خصوصیات شخصیتی یادگیرندگان براساس رفتار آنها به صورت تلویحی و ضمنی است. در سالهای اخیر، استفاده از اطلاعاتی مانند تعداد دوستان، نحوه انجام فعالیت در تالار گفتگو، خصوصیات نوشتاری افراد، مدت زمان مطالعه، میزان سختی تکالیف و مثالهای ارائه شده توسط یادگیرنده، تعداد کلیکها، تعداد علامتهای داخل جملات و مدت زمان سپری شده در مورد تکالیف درسی، مواردی هستند که در جهت شناسایی خصوصیات شخصیتی وی مورد استفاده قرار گرفته­اند. هدف از پژوهش حاضر، استفاده از اطلاعات تغییر/عدم تغییر همگروه یادگیرندگان  به منظور شناسایی خصوصیات شخصیتی وی است. برای این منظور اطلاعات تغییر/عدم تغییر همگروه از یک محیط یادگیری مشارکتی پویا که به یادگیرندگان اجازه تغییر همگروه در طول جلسات مختلف یادگیری را می دهد، استخراج و سپس خصوصیات شخصیتی وی شناسایی می شود. سیستم یادگیری مشارکتی استفاده شده در این پژوهش براساس نظریه بازی طراحی و پیاده سازی گردیده است. نظریه بازی یک مدل ریاضی از تقابل و مشارکت، تصمیم گیرندگان عاقل مهیا می­کند.
روش‌ها‌: در این مقاله، 119 دانشجوی مهندسی کامپیوتر به صورت تصادفی انتخاب شده و سپس اطلاعات مربوط به تغییر/عدم تغییر همگروه آنها از یک محیط یادگیری مشارکتی پویا جمع آوری می شود. به منظور ارزیابی پیش­بینی­های انجام شده، نتایج حاصل، با اطلاعات حاصل از پرسشنامه 5 عاملی شخصیت نئوی یادگیرندگان مقایسه می شود.، در بخش دیگری از تحقیق، با استفاده از قوانین توالی لاپلاس، بر اساس سوابق تغییر/عدم تغییر همگروه یادگیرندگان، پیش بینی های ارزشمندی در مورد احتمال تغییر همگروه یادگیرندگان در طی فرآیند یادگیری انجام می­شود.
یافته­ها: در پژوهش حاضر، با کاوش رفتار یادگیرنده، شناسایی­هایی در برخی از ابعاد شخصیتی نئو مانند بعد اول(در مورد افراد مضطرب)، بعد دوم (در افراد برونگرا) و بعد سوم (افراد علاقمند به تجارت تازه) و با مقدار پشتیبانی قابل قبول، به دست آوردیم. این اطلاعات می تواند در فرایند تطبیق محیط و مواد آموزشی براساس خصوصیات شخصیتی یادگیرندگان مورد استفاده قرار گیرد.
در قدم بعدیِ تحقیق، پیش­بینی­هایی در مورد احتمال تغییر همگروه در جلسات بعد تا دقت %44/67 به دست آوردیم. با استفاده از این نتیجه می­توان براساس میزان احتمال تغییر همگروه، پیشنهاداتی به یادگیرنده ارائه داد. به این معنی که با افزایش احتمال محاسبه شده برای تغییر همگروه، همگروه مناسب تری به یادگیرنده پیشنهاد داد.
نتیجه­گیری: نتایج تحقیق حاضر می­تواند در هر سیستم تطبیق پذیر که با هدف افزایش یادگیری، نیازمند پیش بینی رفتار تغییر همگروه یا شناسایی ابعاد شخصیتی براساس رفتار وی است، مورد استفاده قرار گیرد.
کلیدواژه‌ها
کشف الگوهای مکرر؛ قوانین توالی لاپلاس؛ محیط یادگیری مشارکتی پویا
موضوعات
کاربرد بازی در آموزش
عنوان مقاله [English]
Learners’ frequent pattern discovering in a dynamic collaborative learning environment designed based on game theory
نویسندگان [English]
S. F. Noorani؛ M.H. Manshaei؛ E. Mahmoudzadeh؛ M. A. Montazeri
Computer and IT Group, Department of Electrical and Computer Engineering, Isfahan University of Technology, Isfahan, Iran
چکیده [English]
Background and Objectives:In any educational system, the optimal output of educational approach is of particular importance. Therefore, considering the personality characters of individuals and providing educational services in accordance with their characteristics are effective factors in learning and educational efficiency improvement. Analyzing the data related to learner’s behavior in an educational environment and implicitly discovering the learner’s personality based on their behavior is a well-noticed study in recent years. Over the last few years, using learners’ information such as number of friends, the level of activities in educational forum, writing style of learner, study duration, the difficulty of solved problem, the difficulty of presented example by learners, number of clicks, number of signs in sentences, the time spent doing homework are items that has been used to personal characteristic identification.
This study is aimed at using teammates’ changing / not changing data in order to learners’ personality identification. For this purpose the teammates’ changing/ not changing data extracted from a dynamic collaborative learning environment that allows leaners to change their teammate during the different sessions of learning, are used. The design and implementation of mentioned dynamic collaborative learning environment is based on game theory. Game theory provides mathematical models of conflict and collaboration between intelligent rational decision-makers.
Methods: In this paper, we collect teammates’ changing/not changing information of 119 randomly selected computer engineering students from a game theoretical dynamic collaborative learning environment. At the next step, using frequent pattern mining, as a tools of data mining, some aspects of the neo big 5 personality traits of learners are identified. In this survey, in order to evaluate the results, the extracted patterns from frequent pattern mining are compared with the neo big 5 personality questionnaire that have been filled by learners. In another part of research, using the Laplace’s rule of succession, valuable predictions were made about the probability of teammate’s changing of learners during the learning process.
Findings: In this study, using frequent pattern mining in learners’ behaviour, we identified some neo big 5 personality traits such as those in the first (neuroticism), second (extraversion), and third (openness to experience) dimensions, with an acceptable support value. The results of this part of research can be used in any adaptive learning environment that adapt learning process for individual learners with different personality. At the next step of our study, we predicted the probability of the teammate changing in the sessions after. At this step, we had a prediction accuracy of up to 67.44%. Using the results of this part, teammate suggestion can be made to learner based on likelihood of their teammates’ changing. That is, higher teammate changing probability, more appropriate teammate suggestion to learner.
Conclusion: The results of the present study can be used in any adaptive system that requires predicting group change behaviour or identifying personality dimensions based on behaviour.
 
کلیدواژه‌ها [English]
Frequent pattern mining, Laplace’s rule of succession, Dynamic collaborative learning environment
مراجع

[1] Parsad B, Lewis L, Tice P. Distance education at degree-granting postsecondary institutions: 2006-2007: National Center for Education Statistics, Institute of Education Sciences; 2008.

[2] Siddiquei N, Khalid RJOP. The relationship between personality traits, learning styles and academic performance of e-learners. International Council for Open and Distance Education. 2018;10(3):249-63.

[3] Buckley P, Doyle E. Individualising gamification: An investigation of the impact of learning styles and personality traits on the efficacy of gamification using a prediction market. Computer & Educarion. 2017;106:43-55.

[4] Boroujeni AAJ, Roohani A, Hasanimanesh AJT, Studies PiL. The impact of extroversion and introversion personality types on EFL learners’ writing ability. Theory and Practice in Language Studies. 2015;5(1):212-8.

[5] Lounsbury JW, Sundstrom E, Loveland JM, Gibson LWJP, differences i. Intelligence, “Big Five” personality traits, and work drive as predictors of course grade. Personality and individual differences. 2003;35(6):1231-9.

[6] Rios TJJoEO. The relationship between students' personalities and their perception of online course experiences. Journal of Educators Online. 2019;16(1): n1.

[7] Vasileva-Stojanovska T, Malinovski T, Vasileva M, Jovevski D, Trajkovik VJL, Differences I. Impact of satisfaction, personality and learning style on educational outcomes in a blended learning environment. Learning and Individual Differences. 2015; 38:127-35.

[8] Bhagat KK, Wu LY, Chang C-YJAJoET. The impact of personality on students' perceptions towards online learning. Australasian Journal of Educational Technology. 2019; 35(4): 98-108.

[9] Khan A, Shin LP, Hishan SS, Mustaffa MS, Madihie A, Sabil SJIJoE, et al. Effect of personality traits and learning styles towards students’ academic achievement in Johor Bahru. nternational Journal of Engineering and Technology. 2018; 7(2.10): 4-9.

[10] Denden M, Tlili A, Essalmi F, Jemni MJSLE. Implicit modeling of learners’ personalities in a game-based learning environment using their gaming behaviors. Smart Learn Environ. 2018; 5(1):29.

[11] Tagiyare F, Seyadati M, Orooji F. [Measuring the effectiveness of Jackson model on learning improvment in e-learning system]. Technology of education journal (tej). 2008; 4(1):1-12. Persian.

[12] Nafiseh S, Montazer GA. [Personalized e-learning environment using fuzzy recommender system base on combination of learning style and cognitive trait]. Technology of education journal (tej). 2010; 2:91-109. Persian.

[13] Ghorbani F, Montazer GA. E-learners’ personality identifying using their network behaviors. Computers in Human Behavior. 2015;51:42-52.

[14] Petrides KV, Vernon P, Schermer J, Ligthart L, Boomsma D, Veselka L. Relationships between trait emotional intelligence and the Big Five in the Netherlands. Personality and Individual differences. 2010; 48(8): 906-10.

[15] Costa Jr PT, McCrae RR. The revised NEO personality inventory (NEO-PI-R): Sage Publications, Inc; 2008.

[16] Lin J, Mao W, Zeng DD. Personality-based refinement for sentiment classification in microblog. Knowledge-Based Systems. 2017;132:204-14.

[17] Chen Z, Lin T. Automatic personality identification using writing behaviours: an exploratory study. Behaviour Information Technology. 2017; 36(8):839-45.

[18] Zarrin F, Montazer G. [Personalizing e-Learning environment based on learner’s self-efficacy]. Technology of education journal (tej). 2019;14(1):141-54. Persian.

[19] Wu W, Chen L, Yang Q, Li Y. Inferring students’ personality from their communication behavior in web-based learning systems. International Journal of Artificial Intelligence in Education. 2019; 29(2):189-216.

[20] Noorani SF, Manshaei MH, Montazeri MA, Zhu QJIA. Game-theoretic approach to group learning enhancement through peer-to-peer explanation and competition. IEEE Access. 2018; 6:53684-53697.

[21] Fostering peer learning through a new game-theoretical approach in a blended learning environment. arXiv:1910.12235  cs.CY. 2019. Available from: https://arxiv.org/abs/1910.12235 [Accessed 15th Dec 2019]

[22] Rowe J.P., Shores L.R., Mott B.W., Lester J.C. Integrating Learning and Engagement in Narrative-centred Learning Environments. In: Aleven V., Kay J., Mostow J. (eds) Intelligent Tutoring Systems. Lecture Notes in Computer Science, ITS 2010, Jun 14,Springer, Berlin; Heidelberg. 2010, p. 166-177.

[23] Srba I, Bielikova M. Dynamic group formation as an approach to collaborative learning support. IEEE Transactions on Learning Technologies. 2014;8(2):173-86.

[24] O'Donnell AM, Reeve J, Smith JK. Educational psychology: Reflection for action. US: John Wiley & Sons; 2011.

[25] Maqtary N, Mohsen A, Bechkoum K, Learning. Group formation techniques in computer-supported collaborative learning: A systematic literature review. Technology, Knowledge. 2019; 24(2):169-90.

[26] Zurita G, Nussbaum M, Salinas R, Society. Dynamic grouping in collaborative learning supported by wireless handhelds. Journal of Educational Technology. 2005;8(3):149-61.

[27] Martin E, Paredes Barragán P. Using learning styles for dynamic group formation in adaptive collaborative hypermedia systems. 2004.

[28] Myerson RB. Game theory. US: Harvard University Press; 2013.

[29] Osborne MJ. An introduction to game theory. New York: Oxford University Press. 2004.

[30] Feller W. An introduction to probability theory and its applications. US: John Wiley & Sons; 2008.

[31] Agrawal R, Srikant R. Fast algorithms for mining association rules. In: Bocca J, Jarke M, Zaniolo C. (eds.) VLDB 94: Proceedings of 20th international conference on Very Large Data Bases, VLDB 94, 12 Sep 12 1994, Morgan Kaufmann Publishers Inc; 1994. p. 487-499.

آمار
تعداد مشاهده مقاله: 895
تعداد دریافت فایل اصل مقاله: 780


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب