دانشگاه تربیت دبیر شهید رجائی

  اخبار و اعلانات

 آمار

تعداد نشریات13
تعداد شماره‌ها200
تعداد مقالات2,008
تعداد مشاهده مقاله2,679,701
تعداد دریافت فایل اصل مقاله1,936,979
معطری, معصومه, پازوکی, احسان, ابراهیم پور, رضا, رضایی, محمد رضا. (1401). استخراج هوشمند سبک شناختی یادگیرندگان بر اساس تعامل آن‌ها با سامانه آموزش زبان انگلیسی. فناوری آموزش, 17(1), 209-232. doi: 10.22061/tej.2023.8895.2749
معصومه معطری; احسان پازوکی; رضا ابراهیم پور; محمد رضا رضایی. "استخراج هوشمند سبک شناختی یادگیرندگان بر اساس تعامل آن‌ها با سامانه آموزش زبان انگلیسی". فناوری آموزش, 17, 1, 1401, 209-232. doi: 10.22061/tej.2023.8895.2749
معطری, معصومه, پازوکی, احسان, ابراهیم پور, رضا, رضایی, محمد رضا. (1401). 'استخراج هوشمند سبک شناختی یادگیرندگان بر اساس تعامل آن‌ها با سامانه آموزش زبان انگلیسی', فناوری آموزش, 17(1), pp. 209-232. doi: 10.22061/tej.2023.8895.2749
معطری, معصومه, پازوکی, احسان, ابراهیم پور, رضا, رضایی, محمد رضا. استخراج هوشمند سبک شناختی یادگیرندگان بر اساس تعامل آن‌ها با سامانه آموزش زبان انگلیسی. فناوری آموزش, 1401; 17(1): 209-232. doi: 10.22061/tej.2023.8895.2749

استخراج هوشمند سبک شناختی یادگیرندگان بر اساس تعامل آن‌ها با سامانه آموزش زبان انگلیسی

فناوری آموزش
مقاله 14، دوره 17، شماره 1 - شماره پیاپی 65، دی 1401، صفحه 209-232    اصل مقاله (1.39 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/tej.2023.8895.2749
نویسندگان
معصومه معطری؛ احسان پازوکی* ؛ رضا ابراهیم پور؛ محمد رضا رضایی
گروه هوش مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران
تاریخ دریافت: 29 خرداد 1401،  تاریخ بازنگری: 02 آبان 1401،  تاریخ پذیرش: 10 دی 1401 
چکیده
پیشینه و اهداف: امروزه یادگیری الکترونیکی به‌عنوان یک فنّاوری تحول‌آفرین و ابزاری مهم در فرایند آموزش و فعالیت‌های آموزشی مطرح است. از طرفی نیاز به یادگیری زبان انگلیسی به‌عنوان زبان اول دنیا به‌منظور مبادله اطلاعات و ارتباط برقرار کردن با سایر ملل با هدف به‌کارگیری دانش روز غیرقابل‌انکار است، بنابراین استفاده از فناوری اطلاعات به‌منظور تولید و ارائه خدمات آموزشی در راستای بهبود آموزش و یادگیری زبان انگلیسی مؤثر است. شناسایی عوامل مؤثر در یادگیری، یکی از مقوله­های مهم و مورد پژوهش است. از آنجا که عوامل مؤثر بر یادگیری بسیار گسترده و وسیع هستند؛ شناسایی این عوامل در رفع مشکلات و نارسایی­های سیستم آموزشی مهم است. یکی از این عوامل، سبک‌شناختی است. افراد به تناسب تفاوت­های فردی خود از سبک­های متفاوتی برای یادگیری بهره می­جویند. سبک شناختی را می­توان به‌عنوان روشی که افراد اطلاعات و تجربیات تازه را در ذهن خود پردازش می­کنند، تعریف کرد؛ بنابراین ایجاد محیط شخصی‌سازی شده براساس سبک شناختی افراد، با هدف انطباق بیشتر راهبرد آموزشی با نیازها و توانایی کاربر و افزایش بازدهی روند یادگیری، امری ضروری است. در این پژوهش، از سبک شناختی رایدینگ که افراد را در دو بعد کلامی-تصویری و کلی‌نگر-جزئی‌نگر تقسیم می‌کند، به‌عنوان عامل مؤثر در یادگیری استفاده می‌شود. این مطالعه با هدف پیش‌بینی سبک‌شناختی رایدینگ، براساس حرکت موس کاربران در یک نرم­افزار آموزش زبان می‌باشد. در همین راستا، نرم‌افزار آموزش زبانی طراحی و پیاده‌سازی شد که در آن تمامی حرکات موس کاربر در مقیاس میلی‌ثانیه هنگام مطالعه متن انگلیسی و استفاده از امکانات طراحی شده در نرم­افزار،  ثبت می‌شود. در ادامه با استفاده از روش­های یادگیری ماشین توسط داده‌های تعاملی ذخیره‌شده از کاربران هنگام کار با نرم­افزار، مدل هوشمندی ارائه شد که افراد را در دو بعد مبتنی بر سبک‌شناختی رایدینگ دسته‌بندی می‌کند. این پژوهش از نظر هدف کاربردی است.
روش‌ها:‌ در این پژوهش از آزمون سبک‌شناختی پترسن جهت استخراج سبک‌شناختی یادگیرندگان با هدف ساخت داده‌های برچسب‌دار استفاده می‌شود. همچنین، داده‌های موس افراد هنگام تعامل با نرم‌افزار ثبت شده و از الگوریتم‌ها و مدل‌های یادگیری ماشین مبتنی بر هوش مصنوعی جهت ساخت مدل‌های هوشمند برای طبقه‌بندی و پیش‌بینی سبک‌شناختی افراد استفاده می‌شود. فرآیند آموزش و ساخت مدل‌های هوشمند از طریق داده‌های برچسب‌دار انجام می‌شود. در نهایت ارزیابی مدل‌های استفاده شده، با مقایسه نتایج حاصل از آزمون سبک شناختی و خروجی‌های مدل‌های هوشمند انجام می‌شود. در آزمون‌های انجام شده از دانشجویان خانم و آقا 22 تا 35 سال، دارای تحصیلات کارشناسی و کارشناسی ارشد آشنا به زبان انگلیسی کمک گرفته‌ایم.
یافته‌ها: داده‌های تعاملی ذخیره‌شده کاربران به‌عنوان ورودی پنج طبقه‌بند درخت تصمیم، شبکه­عصبی، نزدیک‌ترین همسایه، ماشین بردار پشتیبان و جنگل تصادفی، همچنین نتایج آزمون پترسون به‌عنوان برچسب این مدل‌ها استفاده شد؛ بنابراین افراد در دو بعد مبتنی بر سبک‌شناختی رایدینگ دسته‌بندی شدند. بهترین طبقه‌بندی، مربوط به درخت تصمیم با دقت 90% در بعد کلامی –تصویری و دقت 87% در بعد کلی‌نگر- جزئی‌نگر از نتایج این پژوهش بود.
نتیجه‌گیری: با توجه به یافته‌های این پژوهش، سامانه آموزش زبان طراحی شده می‌تواند به‌صورت هوشمند سبک شناختی افراد را هنگام مطالعه متن انگلیسی با دقت مناسبی استخراج کند. بنابراین در آینده می‌توان قابلیت ارائه محتوای شخصی‌سازی شده منطبق بر سبک شناختی افراد را به نرم‌افزار طراحی شده اضافه کرد.
کلیدواژه‌ها
یادگیری الکترونیکی؛ سبک شناختی؛ آموزش زبان انگلیسی؛ یادگیری ماشین
موضوعات
محیط های یادگیری مبتنی بر فناوری
عنوان مقاله [English]
Intelligent learners' cognitive style detection based on their interaction in the English language teaching system
نویسندگان [English]
M. Moatari؛ E. pazouki؛ R. Ebrahimpour؛ M.R. Rezaee
Department of Artificial Intelligence, Faculty of Computer Engineering, Shahid Rajaee Teacher Training University, Tehran, Iran
چکیده [English]
Background and Objectives: Today, e-learning is considered as a transformational technology and an important tool in the process of education and educational activities. On the other hand, the need to learn English as the first language in the world in order to exchange information and communicate with other nations in order to use up-to-date knowledge is undeniable, so the use of information technology to produce and provide educational services to improve English language teaching and learning is effective. Identifying the effective factors in achieving learning is one of the important and researched cases. Since the factors affecting learning are very wide and extensive, it is important to identify these factors in solving the problems and shortcomings of the educational system. One of these factors is cognitive style. People use different learning styles according to their individual differences. Cognitive style can be defined as the way people process new information and experiences in their minds; therefore, it is necessary to create a personalized environment based on the cognitive style of individuals in order to better adapt the educational strategy to the needs and abilities of the user and increase the efficiency of the learning process. In this research, Riding’s cognitive style, which divides people into two dimensions, verbal-imagery and wholistic-analytic, is used as an effective factor in learning. This study aims to predict the cognitive style of riding, based on the mouse movement of users in a language teaching software. In this regard, the language training software was designed and implemented, in which all the user's mouse movements are recorded on a millisecond scale when reading the English text and using the media designed in the software. Next, by using machine learning methods and interactive data stored from users while working with the software, an intelligent model was presented that categorizes people in two dimensions based on Riding’s cognitive style. This research is practical in terms of purpose.
Methods: In this study, Peterson’s cognitive style test is used to extract learners' cognitive style with the aim of constructing labeled data. Also, individuals’ mouse data is recorded when interacting with software, and artificial intelligence-based machine learning algorithms and models are used to build intelligent models for classifying and predicting individuals' cognitive styles. The process of training and building smart models is done through labeled data. Finally, the models used are evaluated by comparing the results of the cognitive style test and the outputs of the intelligent models. In the exams, male and female students aged between 22 and 35, with bachelor's and master's degrees familiar with English participated.
Findings: Users stored interactive data was used as the input to the five classifiers of the decision tree, neural network, nearest neighbor, support vector machine, and random forest. Patterson test results were also used as labels for these models; thus, individuals were categorized into two dimensions based on Riding’s cognitive style. The best classification was related to the decision tree with 90% accuracy in the verbal-imagery dimension and 87% accuracy in the wholist-analytic dimension of the results of this research.
Conclusion: According to the findings of this study, the designed language teaching system can intelligently extract the cognitive style of people when reading the English passage with appropriate accuracy. Therefore, in the future, the ability to provide personalized content in accordance with the cognitive style of people can be added to the designed software.
کلیدواژه‌ها [English]
E-learning, Cognitive Style, English Teaching, Machine Learning
مراجع
[1] Wirawan I Made Yudik, K P E. The Use of Blended Learning in Teaching Reading. Journal of Teaching & Education. 2022; 4.

[2] Alshammari M. Adaptation based on Learning Style and Knowledge Level in E-Learning Systems [dissertation]. University of Birmingham; 2016.

[3] Alebeisat F, H Altarawneh, Z T Alhalhouli, A Qatawneh, M Almahasne.The Impact of Human and Computer Interaction on eLearning Quality. International Journal of Interactive Mobile Technologies (iJIM). 2022; 16(04): 58-69.

[4] Hashemi F, S A Qureshi. The effect of educational factors based on e-learning environments on comprehension skills of sixth grade elementary students. Technology of Education Journal. 2021; 16(1): 13-26.

[5] Mahdizadeh H, H Biemans, M Mulder. Determining factors of the use of e-learning environments by university teachers. Computers & Education. 2008; 51: 142-154.

[6] Cai H. E-learning and English Teaching. IERI Procedia. 2012; 2: 841-846.

[7] Jia J. Intelligent Web-Based English Instruction in Middle Schools. 2015: IGI Global.

[8] Bataineh R, M Mayyas. The utility of blended learning in EFL reading and grammar: A case for moodle. Teaching English with Technology. 2017; 17: 35-49.

[9] Almekhlafi A. The Effect of Computer Assisted Language Learning (CALL) on United Arab Emirates English as a Foreign Language (EFL) School Students' Achievement and Attitude. Journal of Interactive Learning Research. 2006; 17.

[10] Graf S, T C Liu, Kinshuk, N S Chen, S J H Yang. Learning styles and cognitive traits – Their relationship and its benefits in web-based educational systems. Computers in Human Behavior. 2009; 25(6): 1280-1289.

[11] Özyurt Ö, H Özyurt. Learning style based individualized adaptive e-learning environments: Content analysis of the articles published from 2005 to 2014. Computers in Human Behavior. 2015; 52.

[12] Essalmi F, L Ben Ayed, M Jemni, D Kinshuk, S Graf. A fully personalization strategy of E-learning scenarios. Computers in Human Behavior. 2010; 26: 581-591.

[13] Sein M. AI-assisted knowledge assessment techniques for adaptive learning environments. Computers and Education: Artificial Intelligence. 2022; 3: 100050.

[14] Lee J, O Park. Adaptive instructional systems. Handbook of research on educational communications and technology. 2008: 469-484.

[15] Böcker H D, H Hohl, T Schwab. Upsilon-pi-ADAPT-epsilon-rho: Individualizing hypertext. In: Proceedings of the IFIP TC13 Third Interational Conference on Human-Computer Interaction. 1990.

[16] Kulaglić S, S Mujačić, I K Serdarević, S Kasapović. Influence of learning styles on improving efficiency of adaptive educational hypermedia systems. 12th International Conference on Information Technology Based Higher Education and Training (ITHET): 2013. IEEE.

[17] Alshammari MT, Qtaish A. Effective Adaptive E-Learning Systems According to Learning Style and Knowledge Level. Journal of Information Technology Education. 2019; 1(18).

[18] Bernard J, T W Chang, E Popescu, S Graf. Using Artificial Neural Networks to Identify Learning Styles. 2015.

[19] Liu G Z, J Spector, M Merrill, J J G. Van Merrienboer, M Driscoll, L Erlbaum. Handbook of Research on Educational Communications and Technology. Routledge; 2008.

[20] Romero C, S Ventura. Educational Data Mining and Learning Analytics: An Updated Survey. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. 2020.

[21] Allport G W. Personality: a psychological interpretation. 1937.

[22] Zine O, A. Derouich, A Talbi. A Comparative Study of the Most Influential Learning Styles used in Adaptive Educational Environments. International Journal of Advanced Computer Science and Applications. 2019. 10.

[23] Riding R, I Cheema, Cognitive Styles—an overview and integration. Educational Psychology. 1991; 11(3-4): 193-215.

[24] Riding R J. Cognitive Styles Analysis. Learning and Training Technology. 1991.

[25] Truong H M. Integrating learning styles and adaptive e-learning system: Current developments, problems and opportunities. Computers in Human Behavior. 2016; 55: 1185-1193.

[26] Thalmann S. Adaptation Criteria for the Personalized Delivery of Learning Materials: A Multi-Stage Empirical Investigation. Australasian Journal of Educational Technology. 2014; 30: 45-60.

[27] Hmedna B, A El Mezouary, O baz. A predictive model for the identification of learning styles in MOOC environments. Cluster Computing. 2020; 23.

[28] Rasheed F, A Wahid. Learning Style Detection in E-learning Systems Using Machine Learning Techniques. Expert Systems with Applications. 2021: 114774.

[29] Zhang H, T Huang, S Liu, H Yin, J Li, H Yang, Y Xia. A learning style classification approach based on deep belief network for large-scale online education. Journal of cloud computing. 2020; 9: 1-17.

[30] Fatahi S, H Moradi, L Kashani-Vahid. A survey of personality and learning styles models applied in virtual environments with emphasis on e-learning environments. Artificial Intelligence Review. 2016; 46.

[31] Nasiri J, A M Mir, S Fatahi. Classification of learning styles using behavioral features and twin support vector machine. Technology of Education Journal (TEJ). 2019; 13(2): 316-326.

[32] Abdullah M, A Alqahtani, J Aljabri, R Altowirgi, R Fallatah. Learning Style Classification Based on Student's Behavior in Moodle Learning Management System. 2015.

[33] Alkhuraiji S, B Cheetham, O Bamasak. Dynamic Adaptive Mechanism in Learning Management System Based on Learning Styles. IEEE 11th International Conference on Advanced Learning Technologies. 2011.

[34] Pardamean B, T Suparyanto, T W Cenggoro, D Sudigyo, A Anugrahana. AI-Based Learning Style Prediction in Online Learning for Primary Education. IEEE Access. 2022; 10: 35725-35735.

[35] Ikawati Y, M Rasyid, I Winarno. Student Behavior Analysis to Detect Learning Styles in Moodle Learning Management System. 2020; 501-506.

[36] Kolekar S, R Pai, M M M. Prediction of Learner's Profile Based on Learning Styles in Adaptive E-learning System. International Journal of Emerging Technologies in Learning (iJET). 2017; 12: 31.

[37] Bernard J, T  W Chang, E Popescu, S Graf. Learning Style Identifier: Improving the Precision of Learning Style Identification Through Computational Intelligence Algorithms. Expert Systems with Applications. 2017; 75.

[38] Kalhoro A. Detection of E-Learners' Learning Styles: An Automatic Approach using Decision Tree. International Journal of Computer Science and System Analysis. 2016; 14: 420-425.

[39] S Fatahi, H M , E Farmad. Behavioral Feature Extraction to Determine Learning Styles in e-Learning Environments. International Conference e-Learning. 2015.

[40] Peterson E, I Deary, E Austin. The reliability of Riding's Cognitive Style Analysis Test. Personality and Individual Differences. 2004; 34: 881-891.

[41] Sadler-Smith E, R Riding. Cognitive style and instructional preferences. Instructional Science. 1999; 27: 355-371.

آمار
تعداد مشاهده مقاله: 445
تعداد دریافت فایل اصل مقاله: 365


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب