شخصی‌سازی محیط یادگیری الکترونیکی براساس خودکارامدی یادگیرنده

زرّین, فاطمه; منتظر, غلامعلی

doi:10.22061/jte.2018.3137.1911

فهرست نشریات

دانشگاه تربیت دبیر شهید رجائی

انتشارات دانشگاه تربیت دبیر شهید رجائی

نشریات مستقل دانشگاه در سامانه ارزیابی نشریات علمی وزارت علوم

نشریه معماری وشهرسازی پایدار موفق به اخذ رتبه علمی-پژوهشی شد

تعداد نشریات	11
تعداد شماره‌ها	208
تعداد مقالات	2,090
تعداد مشاهده مقاله	2,830,338
تعداد دریافت فایل اصل مقاله	2,050,037

	شخصی‌سازی محیط یادگیری الکترونیکی براساس خودکارامدی یادگیرنده
فناوری آموزش
مقاله 9، دوره 13، شماره 4 - شماره پیاپی 52، مهر 1398، صفحه 868-880 اصل مقاله (878.09 K)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22061/jte.2018.3137.1911
نویسندگان
فاطمه زرّین؛ غلامعلی منتظر^*
گروه مهندسی فنّاوری اطلاعات، دانشگاه تربیت مدرّس، تهران، ایران
تاریخ دریافت: 24 اردیبهشت 1397، تاریخ بازنگری: 05 آذر 1397، تاریخ پذیرش: 14 آذر 1397
چکیده
پیشینه و اهداف: یکی از ویژگیهایی که برای شخصیسازی محیط یادگیری الکترونیکی مورد استفاده قرار می‌گیرد، خودکارامدی است. این ویژگی به باور افراد نسبت به تواناییهای خود برای انجام تکالیف اشاره دارد. متخصصان براین باورند که خودکارامدی تحصیلی، یکی از عوامل مهمی است که تأثیر به‌سزایی بر یادگیری مؤثر و پیشرفت تحصیلی یادگیرندگان دارد. تبیین مفهوم خودکارآمدی، با فعالیتهای آلبرت بندورا آغاز شد. براساس تعریف بندورا خودکارآمدی، باورها یا قضاوت‌های فرد نسبت به تواناییهای خود در انجام وظایف و مسؤولیتهاست. این مفهوم به داشتن مهارت یا توانایی مربوط نمیشود، بلکه داشتن باور به توانایی انجام کار در موقعیتهای مختلف را بیان میکند. هدف از پژوهش حاضر طراحی و پیاده‌سازی سامانة آموزشیاری هوشمندی است که مدل یادگیرندة آن شامل ویژگی‌های خودکارامدی تحصیلی و سبک یادگیری، دو ویژگی مؤثر در یادگیری است. روش ها: خودکارامدی تحصیلی به‌صورت خودکار و با طراحی سامانة فازی براساس رفتارهای یادگیرنده و سبک یادگیری از طریق پرسش‌نامة فلدرـ سیلورمن که شامل 44 گویه است، شناسایی شده‌اند. پس از شناسایی این ویژگیها، راهبردهای آموزشی متناسب با آنها ارائه و در سامانه‌ای هوشمندی به‌نام «پِرلِس» در محیطی واقعی پیادهسازی شده و اثرگذاری آن در بهبود عملکرد یادگیرندگان و رضایت آنان از سامانه مورد ارزیابی قرار گرفته است. جامعه مورد بررسی شامل 23 نفر با میانگین سنی 24.56 سال بوده است. یافته‌ها: ارزیابی محیط شخصی‌شده نشان میدهد که درنظرگرفتن ویژگیهای کاربردی در مدل یادگیرنده و ارائۀ درس‌پار‌ها و توصیه‌های متناسب با این ویژگیها، به پیشرفت تحصیلی 75% از یادگیرندگان منجر شده و‌ رضایت تحصیلی آنان را به دنبال داشته است. ضمن اینکه بررسی‌ِ مدت زمان حضور یادگیرندگان در محیط شبکه قبل از استفاده از پِرلس و پس از آن تفاوت معناداری (سطح معنی‌داری=0/05) را نشان نمی‌دهد. نتایج بهدست‌آمده بیانگر آن است که سامانۀ جدید آموزشیاری، علاوه‌بر موفقیت تحصیلی یادگیرنده، افزایش تمایل یادگیرندگان را برای استفاده از سامانه به‌دنبال داشته است. نتیجه‌گیری: هدف این پژوهش، شخصی‌سازی محیط یادگیری الکترونیکی بوده است. بدین منظور ویژگی‌های خودکارامدی تحصیلی و سبک یادگیری که دو ویژگی مؤثر در یادگیری هستند، برای مدل کردن یادگیرندگان در محیط شبکه‌ای انتخاب شدند. سبک یادگیری از طریق پرسش‌نامه بدست آمد و تلاش شد خودکارامدی تحصیلی به‌طور غیر‌مستقیم و بااستفاده از رفتارهای یادگیرنده در محیط یادگیری الکترونیکی شناسایی شود. برای این‌کار سامانة شناسندة خودکارآمدی (سامانة اف‌سی) به کمک نظریۀ مجموعه‌های فازی طراحی شده و مورد ارزیابی قرار گرفت. مقایسة نتایج خروجی سامانۀ شناسنده با پرسش‌نامة خودکارامدی تحصیلی نشان می‌دهدکه دقت سامانه برابر با %88.2 است. این امر بیانگر آن است که رفتارهای یادگیرنده در محیط یادگیری الکترونیکی به میزان قابل قبولی میتواند نشاندهندۀ خودکارامدی تحصیلی وی باشد و می‌توان این رفتارها را به عنوان مبنایی برای شناسایی خودکارامدی تحصیلی وی در نظرگرفت. پیشنهاد می‌شود درپژوهش‌های آتی ویژگی‌های دیگرِ مؤثر در آموزش همچون سبک شناختی، احساس، شخصیت به‌منظور ارائة محیط شخصی‌شده برای یادگیرندگان مورد توجه قرار گیرد.
کلیدواژه‌ها
واژه‌های کلیدی: یادگیری الکترونیکی؛ شخصی‌سازی؛ سامانۀ آموزشیاری هوشمند(ساهو)؛ مدل یادگیرنده؛ خودکارامدی
موضوعات
یادگیری الکترونیکی
عنوان مقاله [English]
Personalizing e-Learning environment based on learner’s self-efficacy
نویسندگان [English]
F. Zarrin؛ Gh. Montazer
Information Technology, Tarbiat Modares University, Tehran, Iran
چکیده [English]
Background and Objective:One of the features used to personalize the e-learning environment is self-efficacy. This feature refers to people's belief in their ability to do tasks. Experts believe that academic self-efficacy is one of the important factors that has a positive effect on effective learning and academic achievement of learners. The concept Self-efficacy began with the work of Albert Bandura. According to Bandura, self-efficacy is a person's beliefs or judgments about his or her ability to perform tasks and responsibilities. This concept is not about having a skill or ability, but about believing in the ability to do work in different situations. The purpose of this article is to design an intelligent tutoring system. The learning model of the proposed system includes features of academic self-efficacy and learning style. Methods:Academic self-efficacy has been automatically identified by designing of a fuzzy system based on learners' behavior and learning style through the questionnaire of Felder-Silverman which contains 44 question. After identification of these features, Proportional education strategies are presented and implemented in tutoring system in a real environment. The effectiveness of the proposed tutoring system is evaluated in terms of learners' operation by investigation of their satisfaction from system. Findings: The results show that considering functional characteristics in learning model, presenting some learning objects and proportional recommendations to the characteristics, results in 75% learners' educational progress and their educational satisfaction. Moreover, evaluation of the time passed in the e-Learning environment before and after using Perles does not show a significant difference. Results show that the designed intelligent tutoring system based on the learner model and educational strategies, has led not only to the educational success of the learners but also to increase in their enthusiasm in using the system. Considering other effective and cognitive features in learning is highly recommended in order to provide a personalized environment. Conclusion:The purpose of this study was to personalize the e-learning environment. For this purpose, the characteristics of academic self-efficacy and learning style, which are two effective characteristics in learning, were selected to model learners in a networked environment. Learning style was obtained through a questionnaire and an attempt was made to identify academic self-efficacy indirectly by using learner behaviors in the e-learning environment. To do this, the self-efficacy identification system was designed and evaluated using fuzzy set theory. Comparison of the output results of the identifier system with the academic self-efficacy questionnaire shows that the accuracy of the system is 88.2%. This indicates that the learner's behaviors in the e-learning environment can be an acceptable indicator of his/her academic self-efficacy and these behaviors can be considered as a basis for identifying academic self-efficacy. It is suggested that in future research, other effective features in education such as cognitive style, emotion, and personality be considered in order to provide a personalized environment for learners.
کلیدواژه‌ها [English]
Keywords: E-Learning, Personalization, intelligent tutoring systems, Learning model, Self-efficacy

مراجع
[1] Yilmaz R. Knowledge sharing behaviors in e-learning community: Exploring the role of academic self-efficacy and sense of community. Computers in Human Behavior. 2016; 63: 373-382. [2] Rahmati Z. The Study of Academic Burnout in Students with High and Low Level Of Self-Efficacy. Procedia - Social and Behavioral Sciences. 2015; 171: 49-55. [3] Müller NM, Seufer, T. Effects of self-regulation prompts in hypermedia learning on learning performance and self-efficacy. Learning and Instruction. 2018; 58: 1-11. [4] Tavakolizadeh J, Tabari J, Akbari A. Academic self-efficacy: predictive role of attachment styles and meta-cognitive skills. Procedia - Social and Behavioral Sciences. 2015; 171:113-120. [5] Hermita M, Thamrin WP. Metacognition toward academic self-efficacy among Indonesian private university scholarship students. Procedia-Social and Behavioral Sciences. 2015; 171: 1075-1080. [6] Zonoubi R, Rasekh AE, Tavakoli M. EFL teacher self-efficacy development in professional learning communities. System. 2017; 66: 1-12. [7] Gheibi M, Arefi M, Danesh E. The Relationship between Learning Styles and Self-efficacy of Students in Academic Groups. Applied Psychology. 2012; 6(1): 53-69. Persian. [8] Panadero E, Jonsson A, Botella, J. Effects of self-assessment on self-regulated learning and self-efficacy: Four meta-analyses. Educational Research Review. 2017; 22: 74-98. [9] Stracke E. Language learning strategies of Indonesian primary school students: In relation to self-efficacy beliefs. System. 2016; 60: 1-10. [10] Hodges CB. Self-efficacy in the context of online learning environments: A review of the literature and directions for research. Performance Improvement Quarterly. 2008; 20(3-4): 7-29. [11] Kim Y, Baylor AL. A social-cognitive framework for pedagogical agents as learning companions. Educational Technology Research and Development. 2006; 54(6): 569–596. [12] Jackson JW. Enhancing self-efficacy and learning performance. Experimental Education. 2002; 70(3): 243–254. [13] Visser L, Plomp T, Amirault R, Kuiper W. Motivating students at a distance:The case of an international audience. Educational Technology Research and Development. 2002; 50(2): 94–110. [14] Ice P, Curtis R, Phillips P, Wells J. Using asynchronous audio feedback to enhance teaching presence and students’ sense of community. Journal of Asynchronous Learning Networks. 2007; 11(2): 3-25. [15] Honicke T, Broadbent J. The influence of academic self-efficacy on academic performance: A systematic review. Educational Research Review. 2016; 17: 63-84. [16] Komarraju M, Nadler D. Self-efficacy and academic achievement: Why do implicit beliefs, goals, and effort regulation matter?. Learning and Individual Differences. 2013; 25: 67-72. [17] Liyanage MPP, KS LG, Hirakawa M. Detecting learning styles in learning management systems using data mining. Journal of Information Processing. 2016; 24(4): 740-749. [18] Truong HM. Integrating learning styles and adaptive e-learning system: Current developments, problems and opportunities. Computers in human Behavior. 2016; 55: 1185-1193. [19] Moallem M. Applying learning styles in an online course; 2006. [20] Sun S, Joy M, Griffiths N. The use of learning objects and learning styles in a multi-agent education system. Journal of Interactive Learning Research. 2007; 18(3): 381–398. [21] Ghorbani F, Montazer GHA. E-learners’ personality identifying using their network behaviors. Computers in Human Behavior. 2015; 51: 42-52. [22] McQuiggan SW, Mott BW, Lester JC. Modeling Self-Efficacy in Intelligent Tutoring Systems: An Inductive Approach. User Modeling and User Adapted Interaction Journal. 2008; 81-123. [23] Komarraju M, Karau SJ. The relationship between the big five personality traits and academic motivation. Personality and Individual Differences. 2005; 39: 557–567. [24] Rezaei MS, Montazer, GA. An automatic adaptive grouping of learners in an e-learning environment based on fuzzy grafting and snap-drift clustering. International Journal of Technology Enhanced Learning. 2016; 8(2): 169-186.
آمار تعداد مشاهده مقاله: 1,747 تعداد دریافت فایل اصل مقاله: 1,059

سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب

پیوندهای مفید

پیوندهای مفید

اخبار و اعلانات

آمار

شخصی‌سازی محیط یادگیری الکترونیکی براساس خودکارامدی یادگیرنده