پایان نامه با واژگان کلیدی اضطراب امتحان، استفاده از تلفن همراه، سلسله مراتب، تلفن همراه

دانلود پایان نامه ارشد

‏4-59 با دانشجويان موفق در جدول ‏4-60 نشان ميدهد که نداشتن برنامه صحيح براي مطالعه و اولويتبندي بين کارها بزرگ‌ترين مشکل دانشجويان مشمول افت است در مقابل برنامهريزي صحيح بزرگ‌ترين نقطه قوت دانشجويان موفق است.
کد محوري مطالعه نادرست دانشجويان الکترونيکي مشروط شده در مقابل کد مهارتهاي تحصيلي دانشجويان موفق قرار دارد. به گونهاي که دانشجويان موفق با انتخاب واحد صحيح و مطالعه صحيح زمينه موفقيت خود را فراهم ميآورند، حال اينکه دانشجويان مشمول افت از اين مهارتها برخوردار نيستند.
مشغله کار و زندگي به عنوان يک کد محوري براي عدم موفقيت دانشجوي الکترونيکي بيان شد. حال اينکه در مقابل برخي از دانشجويان موفق علت موفقيت خود را عدم اشتغال بيان کردهاند.
4-12 -3 عوامل مؤثر بر موفقيت و افت (مشترک)
در دسته سوم عواملي قرار ميگيرند که در انواع نظامهاي آموزشي مشترک بوده و کمتر مورد بحث پژوهش حاضر است. کدهاي محوري اين عوامل براي دانشجويان مشمول افت در جدول ‏4-61 و براي دانشجويان موفق در جدول ‏4-62 گزارش شده است.
جدول ‏4-61:کدهاي محوري براي عوامل مشترک موثر بر افت تحصيلي دانشجوي الکترونيکي و حضوري
کد محوري
زير مقولهها
فراواني
1. عدم تلاش و درس نخواندن
تنبلي خود آدم؛ سهل انگاري دانشجو؛ خود دانشجو و کم کاري فرد؛ درس نخواندن؛ مطالعه کم؛ کوتاهي در درس خواندن
43
2. حوادث غير مترقبه
فوت نزديکان، تصادف؛ بيماري
12
3. عوامل روحي
روحيه خراب؛ مشکلات عصبي و روحي؛ به وجود آمدن مشکلات روحي؛ استرس زياد
10
4. مشکلات مالي
نياز به درآمد؛ هزينه بالاي تحصيل
7
5. مشکلات شخصي
مشکلات خانوادگي
4
6. مشغله ذهني
عدم تمرکز
4
7. عدم علاقه به رشته تحصيلي
عدم علاقه به سيلابس دروس؛ کسل کننده بودن برخي از دروس
4
8. ضعف در امتحان تستي

1
جدول ‏4-62: کدهاي محوري براي عوامل مشترک بر موفقيت دانشجوي الکترونيکي و حضوري
کد محوري
زير مقولهها
فراواني
1. علاقه به رشته و تحصيل
(علاقه) (علاقه به رشته) (داشتن روحيه تحقيق و مطالعه
9
2. اراده و مداومت
(پشتکار)
3
3. هوش

1
4. اعتماد به نفس

1
5. توکل به خدا

1
6. پايه قوي

1

با مقايسه دو جدول مشاهده ميشود، علاقه دانشجو به رشته عاملي است که بين دانشجويان موفق و مشمول افت مشترک بوده، به عبارتي عدم علاقه به رشته ممکن است زمينهساز افت تحصيلي دانشجو شود. تلاش، پشتکار و مدامت عامل ديگري است که در برابر عدم تلاش و تنبلي دانشجو قرار ميگيرد.
4- 13 هدف نهم: شناسايي مدل مناسب هوش مصنوعي براي پيش بيني موفقيت
همان‌طور که در فصل دوم و پيشينه پژوهشهاي مبتني بر روش‌هايي هوشمند گذشت، از الگوريتمهاي مختلف يادگيري ماشيني براي پيشبيني وضعيت تحصيلي دانشآموزان و دانشجويان استفاده شده است. کارآيي الگوريتمها نيز بر اساس شاخصهاي مختلف مقايسه شده است که ذکر جزئيات آن‌ها در فصل دوم گزارش شد. مشخص شد، کارآيي الگوريتمها با توجه به مواردي چون حجم داده‌ها (تعداد نمونهها)، تعداد متغيرهاي ورودي (پيشبين)، نوع متغيرهاي ورودي، بالانس بودن مجموعه داده‌ها، نوع متغيرهاي خروجي (ملاک) و … متفاوت است. بنابراين بايد ديد متناسب با هدف و نوع داده‌هاي پژوهشي چه الگوريتمي بيشترين کارآيي را دارد.
چنان که در فصل سوم گذشت، براي شناسايي مدل مناسب هوش مصنوعي از روش دادهکاوي استفاده شد. در اين فصل بحث شد که اولين گام در دادهکاوي، شناخت حوزه مطالعاتي و تدوين اهداف مطالعه است. در فصل دوم اشاره شد، مسائل پيشبيني در حوزه ياددهي- يادگيري با توجه به متغير ملاک (خروجي يا کلاس) به دو دسته تقسيم ميشود. 1) مسائل رگرسيوني هدف آن پيشبيني نمره واقعي يادگيرنده الکترونيکي است. به زبان ساده در نظام آموزشي ايران پيش نمره يا معدل کل يادگيرنده الکترونيکي از 20 محاسبه ميشود. 2) مسائل طبقهبندي، مسائلي هستند که هدفشان پيشبيني وضعيت تحصيلي دانشجو در دو يا چند طبقه است. اين طبقات ممکن است کسب نمره F در برابر عدم کسب نمره F يا ماندگاري در برابر اخراج و … باشد.
پژوهش حاضر نيز هدف شناسايي مدل مناسب هوش مصنوعي را به دو هدف کلي تقسيم ميکند:
الف) شناسايي مدل مناسب هوش مصنوعي براي پيشبيني ميزان موفقيت يادگيرنده الکترونيکي (معدل کل).
ب) شناسايي مدل مناسب هوش مصنوعي براي موفقيت يادگيرنده الکترونيکي.
پس از تعيين هدف، يکي از مهم‌ترين گامهاي دادهکاوي آموزشي، شناسايي داده‌هاي مرتبط است. در فصل دوم پژوهش حاضر، مجموعه داده‌هاي دموگرافيک، پيشينه تحصيلي و روان‌شناختي مرتبط با موفقيت يادگيرنده الکترونيکي شناسايي شدند. نقش تفکيکي اين عوامل با استفاده از مدل رگرسيون، شناسايي و تحليل شد. براي شناسايي مدل هوشمند، داده‌ها در چهار مرحله وارد مدلهاي هوشمند شدند:
1) مشخصههاي ورودي: مدل شماره يک براي متغيرهاي پيشبين، مجموعه متغيرهايي است که در بدو ورود به دوره الکترونيکي در دسترس است. به عبارتي موسس? آموزشي يا يادگيرنده الکترونيکي با داشتن اين مشخصهها ميتواند وضعيت يادگيرنده الکترونيکي را پيشبيني نمايد. اين متغيرها شامل يازده مشخصه ميشود که در جدول ‏4-63 گزارش شده است:
جدول ‏4-63 : مشخصه هاي ورودي و ارزش هاي مربوطه
مشخصه
ارزشها
مقطع
کارشناسي

کارشناسي ارشد
جنسيت
آقا

خانم
وضعيت سکونت تهراني
تهراني

غير تهراني
وضعيت اشتغال
شاغل

غير شاغل
سن (زمان ثبت نام در مرکز)
مقياس نسبتي
فاصله بين دو مقطع تحصيلي
مقياس نسبتي
معدل مقطع قبل
مقياس فاصلهاي
وضعيت تأهل
متأهل

مجرد
تأمين هزينه توسط دانشجو
دانشجو

غير دانشجو
سرعت اينترنت
kbp 56

kbp 64

kbp 128

kbp 256

kbp 512
لپ تاپ شخصي
داراي لپ تاپ

بدون لپ تاپ

2) مشخصههاي پرسشنامهاي: مدل شماره دو مشخصههاي پرسشنامهاي را در بر ميگيرد. اين متغيرها چنان که در فصل دوم بحث شد، مجموعه متغيرهايي هستند که پژوهشگران متعدد در علت شناسي عدم موفقيت يادگيرنده الکترونيکي شناسايي کردهاند. در فصل سوم پژوهش حاضر، اين مشخصهها شامل 9 مورد گزارش شد که در جدول ‏4-64 همراه با ارزشهاي مربوطه گزارش شده است.
جدول ‏4-64: مشخصه هاي پرسشنامه اي و ارزش هاي مربوطه
مشخصهها
اطمينان رايانهاي
استقلال در يادگيري
خود گرداني
مديريت زمان
مرکز کنترل
رضايت تحصيلي
اضطراب امتحان
مطالعه الکترونيکي
اعتياد اينترنتي
ارزشها
1-5
1-5
1-5
1-5
1-5
1-5
1-5
1-5
1-5
از آنجا که داده‌هاي مربوط به متغيرهاي پرسشنامهاي با استفاده از پرسشنامه و در طيف ليکرت (1 تا 5) جمعآوري شده است، هر مورد (دانشجو) در هر کدام از مشخصههاي مذکور ويژگي بين 1 تا 5 را کسب ميکند.
3) تمام مشخصهها بدون معدل ترم اول: در مدل شماره سه تمام 11 مشخصه ورودي (مدل شماره 1) و 9 مشخصه پرسشنامهاي (مدل شماره 2) وارد مدل هوشمند شدند. علاوه بر اين استفاده از تلفن همراه براي اهداف يادگيري نيز بر 20 مشخصه افزوده شده است. اين مدل شامل تمام متغيرهاي شناسايي در اين پژوهش، منهاي معدل ترم اول يادگيرنده الکترونيکي. ارائه مدل با تمام مشخصهها بدون معدل ترم اول به اين دليل است که معدل ترم اول همبستگي بسيار بالايي با معدل کل يادگيرنده الکترونيکي دارد. بالا بودن همبستگي باعث ميشود بسياري از مدلهاي هوشمند، ساير متغيرهاي موثر را به دليل بالا بودن ارتباط معدل ترم اول با معدل کل، ناديده بگيرند. بنابراين مدل شامل تمام مشخصهها بدون معدل ترم اول به عنوان مدل سوم آزمون شد.
4) تمام مشخصهها: در مدل شماره 4، تمام مشخصهها (22 مشخصه) با استفاده از روش‌هايي رگرسيون تحليل شدند. در اين مدل معدل ترم اول يادگيرنده الکترونيکي نيز وارد مدل شد.
مشخصه کلاس (برونداد، ملاک) براي پيشبيني ميزان موفقيت به عنوان مسئله رگرسيوني شامل معدل کل يادگيرنده الکترونيکي در کارنامه آموزشي است. براي مسئله طبقهبندي متناسب با نظام آموزشي ايران براي هر مقطع آموزشي وضعيت تحصيلي يادگيرنده الکترونيکي به سه طبقه تقسيم شد: 1) f (عدم موفقيت) : شامل معدل کل يادگيرنده الکترونيکي کمتر از 12 براي دانشجوي کارشناسي و کمتر از 14 براي کارشناسي ارشد است. علت انتخاب اين نمرات به عنوان ملاک F به اين دليل است که در نظام آموزشي ايران ملاک مشروطي دانشجويان کارشناسي نمره 12 و براي دانشجويان کارشناسي ارشد نمره 14 است. کسب معدل کل کمتر از 12 و 14 نشان از عدم موفقيت يادگيرنده الکترونيکي است. 2) bcd (متوسط) : براي دانشجويان کارشناسي، دانشجويان داراي معدل بين 12 تا 15 و براي دانشجوي کارشناسي ارشد معدل کل بين 14 تا 17 در طبقه متوسط قرار گرفتند. علت انتخاب 17 براي دانشجويان کارشناسي ارشد به اين دليل است که دانشجويان کارشناسي ارشد معدل 17، الف محسوب ميشود. اما براي دانشجويان کارشناسي اين مقدار 15 قرار داده شد، زيرا کسب نمره بالاي 17 در آموزش مهندسي به ويژه در آموزش الکترونيکي بسيار سخت و دانشجويي که معدل آن بين 12 تا 15 باشد را ميتوان دانشجوي متوسط ناميد. 3) A (الف) : شامل دانشجويان موفق در يادگيري الکترونيکي ميشود. در اين دسته دانشجوياني قرار ميگيرند که در مقطع کارشناسي معدل کل بالاي 15 و براي دانشجويان کارشناسي ارشد معدل کل بالاي 17 کسب کردهاند. به طور خلاصه مسئله طبقهبندي پژوهش حاضر سه کلاسه- موفق، متوسط و ناموفق- است.
مجموعه داده‌هاي مربوط به شناسايي مدلهاي هوشمند، تعداد 738 دانشجوي الکترونيکي در مرکز آموزش الکترونيکي بود که جزئيات جمعيت شناختي آن‌ها در فصل سوم گزارش شد. در راستاي پيش پردازش داده‌ها با عنايت به وجود داده‌هاي گم شده در مجموعه داده‌ها، تعداد افراد مجموعه داده به 717 دانشجو کاهش يافت.
در فرايند دادهکاوي آموزشي، پس از پيش پردازش داده‌ها، توسعه مدلها و مقايسه کارآيي مدلها است. در اين پژوهش الگوريتمهاي پرکاربرد موجود در جعبه ابزار نرمافزار WEKA استفاده شد. الگوريتمهاي بکار رفته مربوط به مدل شبکه عصبي مصنوعي، درخت تصميمگيري، استنتاج قانون، نزديک‌ترين همسايه، ماشين بردار پشتيبان و شبکههاي بيزي بودند. نظر به اينکه از رگرسيون نيز در فرايند دادهکاوي آموزشي استفاده شده است؛ عملکرد رگرسيون نيز با ساير الگوريتمها مقايسه شده است. الگوريتمهاي مربوط به مدلهاي هوش مصنوعي به قرار زير است. نظر به اينکه مبناي محاسباتي الگوريتمها بسيار مفصل است به گزارش جزئيات آن‌ها اشاره نميشود.
– مدل شبکههاي عصبي مصنوعي: چنان که در فصل دوم بحث شد، شبکههاي عصبي يک روش يادگيري استقرايي از مثالها يا موارد است. شبکه عصبي شامل تعداد زيادي از ارتباطات نوروني است که براي هدف پيشبيني مسائل رگرسيوني و طبقهبندي به کار ميروند. در اين پژوهش از شبکه عصبي پرسپترون چند لايه و شبکه عصبي پيش خور RBF384 براي پيش بيني ميزان موفقيت يادگيرنده الکترونيکي استفاده شده است. اين نوع شبکههاي هم براي حل مسائل رگرسيوني هم براي حل مسائل طبقهبندي بکار ميروند.
– مدل درخت تصميمگيري: درخت تصميم از جمله مدلهاي هوشمند است که مجموعه شرايط را در يک ساختار سلسله مراتبي ارائه ميکند. درخت تصميمگيري مدل پيشبيني است که در آن شرايط يا کلاس هر مورد را ميتوان با پيگيري ريشه درخت تا شاخهها شناسايي کرد. الگوريتمهاي درخت تصميمگيري آزمون شده براي مسئله رگرسيوني M5′ و REPTree بودهاند. براي طبقهبندي نيز از الگوريتمهاي SimpleCart، C4.5 و REPTree استفاده شد. لازم به توضيح است الگوريتم C4.5 در نرم افزار WEKA داراي نام J48 است
– مدل استنتاج قانون385: زير مجموعهاي از روش‌هايي يادگيري ماشيني است که از مجموعه مشاهدات قواعد اگر- پس استخراج ميکند. براي پيشبيني معدل کل يادگيرنده الکترونيکي، الگوريتم M5Rules و براي طبقهبندي وضعيت تحصيلي دانشجو، الگوريتم RIPPER آزمون شدند.
– مدل نزديک‌ترين همسايه386: نوعي روش يادگيري ماشيني مبتني بر مورد است. منطق زير بنايي اين دسته از مدلها اين است که مورد ديگري شبيه به مورد موجود در کلاس خاص وجود دارد که ميتوان بر اساس شباهت بين آن‌ها استدلال کرد. به عبارتي بر

پایان نامه
Previous Entries پایان نامه با واژگان کلیدی اضطراب امتحان Next Entries پایان نامه با واژگان کلیدی الگوريتم، پيشبيني، طبقهبندي، مشخصههاي