تعداد نشریات | 13 |
تعداد شمارهها | 206 |
تعداد مقالات | 2,049 |
تعداد مشاهده مقاله | 2,721,267 |
تعداد دریافت فایل اصل مقاله | 1,972,911 |
توسعه مکانیزم هوشمند مقایسه آموزش شخصیسازی شده در بستر سامانه آموزشی تعاملی | ||
فناوری آموزش | ||
مقاله 14، دوره 18، شماره 3 - شماره پیاپی 71، تیر 1403، صفحه 697-714 اصل مقاله (1.45 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22061/tej.2024.10465.3012 | ||
نویسندگان | ||
محمدرضا رضائی1؛ احسان پازوکی1؛ رضا ابراهیم پور* 2 | ||
1گروه هوش مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران | ||
2گروه پژوهشی علوم شناختی، پژوهشکده جامع علوم و فناوریهای همگرا، دانشگاه صنعتی شریف، تهران، ایران | ||
تاریخ دریافت: 24 دی 1402، تاریخ بازنگری: 25 فروردین 1403، تاریخ پذیرش: 03 خرداد 1403 | ||
چکیده | ||
پیشینه و اهداف: در عصر حاضر، با توجه به گسترش روزافزون فناوری در سراسر جهان، سیستمهای آموزش الکترونیکی بهسرعت در حال گسترش هستند. با پیشرفت آموزش الکترونیکی حرکت از سمت آموزش سنتی (رویکرد ارائه یک آموزش برای همه) به سمت آموزش شخصیسازی شده آغاز شد. آموزش شخصیسازی شده یک رویکرد آموزشی است که هدف آن، سفارشی کردن یادگیری براساس نقاط قوت، مهارتها، علایق و نیازهای یادگیرنده است. این روش از آموزش مانند هر شیوه نوین دیگری دارای نقاط ضعف و قوت است. در واقع، میتوان افزایش انگیزه و کسب مهارت خودحمایتی را از مزایای مهم این نوع از آموزش دانست. در مقابل، بهعنوان نقاط ضعف این روش میتوان به زمانبر بودن آموزش، چالش در پیادهسازی و عدم وضوح در شیوه بهکارگیری اشاره کرد. با توجه به در دسترس بودن دادههای بسیار از یادگیرندگان، استفاده از هوش مصنوعی جهت شخصیسازی آموزش هم کیفیت را افزایش میدهد و هم باعث جذابیت آموزش خواهد شد. امروزه، یکی از شیوههای شخصیسازی آموزش، ارائه براساس ترجیحات یادگیرندگان است. ترجیحات یادگیرنده میتواند بهصورت خودانگارانه و بهطور صریح با درخواست مستقیم از یادگیرنده یا بهصورت ضمنی و جمعآوری و پایش دادهها شناسایی و استخراج شود. امروزه مدلسازی ترجیحات کاربر یکی از چالش برانگیزترین وظایف در سیستمهای آموزش الکترونیکی است که با حجم زیادی از اطلاعات سروکار دارد. هدف این پژوهش، استخراج ضمنی ترجیحات یادگیرنده با بهرهگیری از یک سامانه آموزشی هوشمند تعاملی برخط است که مدلسازی ترجیحات یادگیرنده با استفاده از مفهومسازی برای اشیای یادگیری از طریق گسترش پروفایل و بهرهگیری از الگوریتمهای هوش مصنوعی انجام میشود. مدل با دادههای تعاملی جمعآوری شده آموزش دیده و اشیای یادگیری جدید را براساس ترجیحات یادگیرنده در اختیار او قرار میدهد. این پژوهش، از نظر هدف کاربردی است. روشها: در این پژوهش، با توجه به جامعه در دسترس ما، 29 آقا و خانم دانشجوی کارشناسی رشته کامپیوتر، با میانگین سنی 5/21 سال که درس یادگیری ماشین را نگذرانده بودند، بهعنوان شرکتکننده همکاری داشتند. شرکتکنندگان پس از ثبتنام بهصورت تصادفی به دو گروه کنترل و آزمایش تقسیم شدند. به گروه آزمایش محتوای شخصیسازی شده منطبق با ترجیحات و به گروه کنترل محتوای نامنطبق با ترجیحات ارائه شد. پس از طی آموزش، میزان یادگیری و بار شناختی شرکتکنندگان توسط آزمون عملکردی طراحی شده و پرسشنامه شاخص بار کاری ناسا مورد سنجش قرار گرفت. در پایان سطح معناداری نتایج بهدست آمده دو گروه با استفاده از آزمون آماری تی مستقل مورد ارزیابی قرار گرفت. یافتهها: براساس نتایج بهدست آمده، میانگین نمرات آزمون عملکردی گروه آزمایش که محتوای منطبق با ترجیحات دریافت کرده بودند نسبت به میانگین گروه کنترل با مقدار 7/0p= دارای اختلاف معنادار نبود (ضمن انجام یادگیری)؛ اما میانگین بار شناختی گروه آزمایش نسبت به میانگین بار شناختی گروه کنترل با مقدار 00/0p= بهصورت معنادار پایین تر گزارش شد. نتیجهگیری: براساس یافتههای پژوهش، ارائه محتوای آموزشی شخصیسازی شده براساس ترجیحات یادگیرندگان با استفاده از تکنیک گسترش پروفایل، در زمان یادگیری، بار شناختی را میزان قابل توجهی کاهش داد. بنابراین، ارائه محتوای آموزشی براساس ترجیحات یادگیرندگان، بهعنوان یکی از شیوههای آموزشی شخصیسازی شده در یادگیری الکترونیکی، نقش مهمیدر کاهش بار شناختی یادگیرندگان ایفا میکند. | ||
کلیدواژهها | ||
آموزش الکترونیکی؛ یادگیری الکترونیکی؛ شخصیسازی آموزش؛ ترجیحات یادگیری؛ بار شناختی | ||
موضوعات | ||
فناوری آموزش - هوش مصنوعی | ||
عنوان مقاله [English] | ||
Development of an Intelligent Mechanism for Comparing Personalized Education in the Context of an Interactive Educational System | ||
نویسندگان [English] | ||
M. Rezaei1؛ E. Pazouki1؛ R. Ebrahimpour2 | ||
1Department of Artificial Intelligence, Faculty of Computer Engineering, Shahid Rajaee Teacher Training University, Tehran, Iran | ||
2Center for Cognitive Science, Institute for Convergence Science & Technology, Sharif University of Technology, Tehran, Iran | ||
چکیده [English] | ||
Background and Objectives: Today, due to the increasing development of technology all over the world, e-learning systems are expanding rapidly. With the progress of electronic education, the movement from traditional education (the approach of providing one education for all) to personalized education began. Personalized education is an educational approach that aims to customize learning based on a learner's strengths, skills, interests, and needs. This method of education, like any other new method, has its strengths and weaknesses. In fact, increasing motivation and acquiring self-defense skills can be considered as one of the important benefits of this type of training. On the other hand, as the weaknesses of this method, we can mention the time-consuming training, the challenge in implementation, and the lack of clarity in the method of application. Due to the availability of many data from learners, the use of artificial intelligence to personalize education will both increase the quality and make education more attractive. Nowadays, one of the ways to personalize education is to provide it based on the preferences of learners. Learner preferences can be self-identified and explicitly identified and extracted by directly asking the learner or implicitly and collecting and monitoring data. Today, modeling user preferences is one of the most challenging tasks in e-learning systems that deal with a large amount of information. The aim of this research was to extract the implicit preferences of the learner by using an online interactive intelligent educational system that models the learner's preferences using conceptualization for learning objects through profile expansion and the use of artificial intelligence algorithms. The model was trained with the collected interactive data and provides new learning objects based on the learner's preferences. This research was practical in terms of purpose. Methods: In this research, according to the society available to us, 29 male and female undergraduate students of computer sciences, with an average age of 21.5 years, who had not taken the machine learning course, were included as the participants. After registration, the participants were randomly divided into two control and experimental groups. The experimental group was presented with personalized content that matched their preferences, and the control group was presented with content that did not match their preferences. After the training, the learning rate and cognitive load of the participants were measured by the designed performance test and the NASA workload index questionnaire. At the end, the significance level of the obtained results of the two groups was evaluated using the independent t-test. Findings: Based on the obtained results, the average performance test scores of the experimental group who received content matching their preferences had no significant difference compared to the average of the control group with a value of p=0.7 (while learning), but the cognition of the control group was significantly lower with p=0.00 compared to that of the experimental group. Conclusion: Based on the findings of the research, providing personalized educational content based on learners' preferences using the profile expansion technique significantly reduced the cognitive load during learning. So, Providing educational content based on learners' preferences, as one of the personalized educational methods in e-learning, plays an important role in reducing the cognitive load of learners. | ||
کلیدواژهها [English] | ||
Electronic Education, Electronic Learning, personalization of Education, Learning Preferences, Cognitive Load | ||
مراجع | ||
[4] Biletskiy, Y., Baghi, H., and et al., An adjustable personalization of search and delivery of learning objects to learners. Experts Systems with Application,2009. 36: p. 9113-9120. https://doi.org/10.1016/j.eswa.2008.12.038
[5] S. Dwivedi and V. S. K. Roshni, Recommender system for big data in education," 5th National Conference on E-Learning & E-Learning Technologies (ELELTECH), Hyderabad, India, 2017: p. 1-4. http://doi.org/10.1109/ELELTECH.2017.8074993
[7] Pourjamshidi, M., The Study of the Interaction Preferences Power of the Students of Web-based Instruction Courses Learning Styles, Educational Psychology, 2016; 12(39): p. 175-197. https://doi.org/10.22054/jep.2016.4123
[11] Husmann, P. R., O’Loughlin, V. D., Another Nail in the Coffin for Learning Styles? Disparities among Undergraduate Anatomy Students’ Study Strategies, Class Performance, and Reported VARK Learning Styles. Anatomical Sciences Education, 2018. https://doi.org/10.1002/ase.1777
https://doi.org/10.4236/ns.2021.136016
[19] Liyanage, M.P.P., L.G. KS, and M. Hirakawa, Detecting learning styles in learning management systems using data mining. Journal of Information Processing, 2016. 24(4): p. 740-749. https://doi.org/10.2197/ipsjjip.24.740
[23] Graf, S., et al., Learning styles and cognitive traits–Their relationship and its benefits in web-based educational systems. Computers in Human Behavior, 2009. 25(6): p. 1280-1289. https://doi.org/10.1016/j.chb.2009.06.005
[27] Hart, S.G. NASA-task load index (NASA-TLX); 20 years later. in Proceedings of the human factors and ergonomics society annual meeting. 2006. Sage publications Sage CA: Los Angeles, CA. https://doi.org/10.1177/154193120605000909
| ||
آمار تعداد مشاهده مقاله: 24 تعداد دریافت فایل اصل مقاله: 20 |