پایان نامه با واژگان کلیدی انتقال اطلاعات، سلسله مراتب، حوزه آموزش

دانلود پایان نامه ارشد

دادهکاوي و يادگيري ماشيني چه از نظر هدف و چه از نظر روش رسيدن به هدف با هم داراي اشتراکات زيادي بوده و اين امر باعث شده که اين دو معادل هم بکار روند. حوزه آموزش نيز از اين قاعده مستثني نبوده است؛ البته اصطلاح دادهکاوي آموزشي150در علوم تربيتي و ياددهي-يادگيري بيشتر متداول است. رومرو و ونچرا151(2010) دادهکاوي آموزشي را اعمال فنون دادهکاوي بر روي داده آموزشي تعريف مي‌کنند، هدف نيز حل موضوعات پژوهشي در حوزه تعليم و تربيت است. مهم‌ترين کاربردهاي دادهکاوي در سيستمهاي آموزشي زير است:
– آموزش حضوري: اين نوع آموزشها بر ارتباطات آموزشي چهره به چهره متمرکز است، انواع روش‌هايي روانسنجي و آماري در تحقيقات آموزشهاي حضوري از دير باز مورد استفاده بوده است.
– يادگيري الکترونيکي و سامانههاي مديريت يادگيري152: يادگيري الکترونيکي، آموزش برخط را فراهم ميکند و سامانهها ابزاري براي ارتباط، مشارکت، مديريت و گزارش گيري در آموزش الکترونيکي هستند. فنون کاوش وب153 براي تجزيه و تحليل لاگهاي دانشجويان و پايگاهدادهِ اين سيستمها بکار ميرود.
– سيستمهاي آموزش هوشمند و آموزشهاي انطباقي مبتني بر وب: دادهکاوي براي تجزيه و تحليل لاگها و فعاليتهاي يادگيرندگان و مدلسازي يادگيرنده در اين سيستمهاي آموزشي به کار مي‌روند (رومرو و ونچرا، 2010، ص 601).
چهار حوزه کاربرد براي دادهکاوي آموزشي عبارتند از: 1) بهبود مدلسازي يادگيرنده؛2) بهبود مدلسازي حوزه دانش154؛ 3) مطالعه پشتيبانيهاي آموزشي فراهم شده توسط نرمافزارهاي يادگيري؛ 4) تحقيقات علمي در زمينه يادگيري و يادگيرنده. مهم‌ترين تکنيکها نيز عبارتند از: 1) پيشبيني؛ 2) خوشهبندي؛ 3) کاوش روابط155؛ 4) تجزيه داده‌ها براي قضاوت انسان؛ و 5) اکتشاف با داده‌ها (بيکر و ياسف156،2009).
رومرو و ونچرا (2010) پس بررسي 306 مرجع و پژوهش در زمينه دادهکاوي آموزشي طي سالهاي 1993 تا 2009 مهم‌ترين کاربردهاي دادهکاوي آموزشي را در يازده طبقه قرار داده است:
1. تجزيه و تحليل و مصورسازي: هدف اين طبقه، برجستهسازي اطلاعات مهم و مفيد براي کمک به تصميمگيري است. در اين دسته، بيشتر از روش‌هايي آماري، نمودارها و هيستوگرامها استفاده ميشود.
2. فراهمسازي بازخورد براي مدرس: هدف استفاده از داده‌ها براي فراهمسازيِ بازخوردهايي است که مدرسان/ مؤلفان/ مديران را در تصميمگيري کمک نمايد. فنون مختلف دادهکاوي براي رسيدن به اين هدف استفاده ميشود که “کاوش قواعد ارتباطي”157 متداول‌ترين آن است.
3. پيشنهاد به يادگيرندگان: هدف ارائه پيشنهاداتي به يادگيرندگان مبتني بر نتايج دادهکاوي است. پيشنهاداتي چون انجام فعاليت درسي خاص، مشاهده لينک خاص و … ميتواند بر حسب نتايج دادهکاوي به دانشجو ارائه شود. مهم‌ترين فنون دادهکاوي براي رسيدن به اين هدف، عبارتند از: “کاوش قواعد ارتباطي”، “خوشهبندي” و “الگو کاوي ترتيبي158”.
4. پيشبيني عملکرد يادگيرندگان: هدف پيشبيني ارزش متغير مجهولي است که توصيف کننده وضعيت دانشجو است. پيشبيني عملکرد تحصيلي، دانش و نمره درسي مهم‌ترين مصاديق پيشبيني بر اساس داده‌هاي آموزشي است. مهم‌ترين فنون داده‌کاوي که براي اين هدف بکار مي‌روند؛ عبارتند از: “شبکههاي عصبي”، “شبکههاي بيزي159″، “سيستمهاي مبتني بر قاعده160” و “رگرسيون”.
5. مدلسازي يادگيرنده: هدف مدلسازي يادگيرنده، ارائه يک مدل شناختي از مهارتها و دانش يادگيرنده است. دادهکاوي از داده‌هايي چون وضعيت انگيزشي، رضايتمندي، سبک يادگيري، وضعيت عاطفي يادگيرنده و … براي مدلسازي يادگيرنده، استفاده ميکند. شبکههاي بيزي مهم‌ترين فنوني هستند که براي مدلسازي يادگيرنده بکار ميروند.
6. تشخيص رفتار غير قابل انتظار يادگيرنده: هدف شناسايي يادگيرندگاني است که يک رفتار غير قابل انتظار نشان خواهند داد. مانند پيشبيني ترک تحصيل، انگيزش پايين دانشجو و… مصاديق رفتار غير قابل انتظار هستند. الگوريتمهاي مختلف طبقهبندي و خوشهبندي براي اين هدف بکار ميروند. شبکههاي عصبي مصنوعي، شبکههاي بيزي، “يادگيري مبتني بر مورد”161 نمونههايي از پرکاربردترين فنون دادهکاوي هستند.
7. گروهبندي يادگيرندگان: هدف، گروهبندي يادگيرندگان بر اساس شخصيت، ويژگيها، علايق و … است. خوشهها يا گروههاي بدست آمده ممکن است براي طراحي يک سيستم آموزشي شخصي شده، تشکيل يک گروه يادگيري و … استفاده شود. الگوريتمها و فنون مختلف طبقهبندي (يادگيري با ناظر) و خوشهبندي (يادگيري بدون ناظر) براي اين هدف بکار ميروند.
8. تجزيه و تحليل شبکه اجتماعي: در تحليل شبکهاي يا ساختاري، بجاي توجه به ويژگيها يا مشخصات افراد به بررسي روابط بين افراد ميپردازد. به عبارتي هدف، شناسايي الگوي روابط بين افراد يک شبکه است. به عنوان مثال بر اساس تحليل شبکهاي ميتوان علايق يک دسته از دانشجويان را شناسايي کرد. مهم‌ترين روش دادهکاوي که براي اين هدف بکار مي‌رود، فيلترينگ هميارانه162 است. اين نوع فيلترينگ عبارت است از پيشبيني اتوماتيک علايق يادگيرنده بر اساس تحليل روابط آن‌ها در يک شبکه اجتماعي.
9. ساخت نقشه مفهومي: نقشه مفهومي روابط سلسله مراتبي بين مفاهيم درسي را نمايش ميدهد. هدف ساخت نقشه مفهومي، کمک به مدرس براي ساخت اتوماتيک يک نقشه مفهومي از محتويات درسي است. متنکاوي و کاوش قواعدِ ارتباطي، پرکاربردترين فنون دادهکاوي براي ساخت نقشه مفهومي است.
10. ساخت نرمافزارهاي درسي: يکي از اهداف اتوماتيک کردن، ساخت نرمافزار درسي و توليد محتوا بوده و هدف ديگر آن تسهيل استفاده مجدد و به اشتراک گذاري محتوا بين يادگيرندگان و ساير سيستمهاي آموزشي است. فنون خوشهبندي و شبکههاي بيزي ازجمله فنوني هستند که براي اين هدف بکار رفتهاند.
11. برنامهريزي و زمان‌بندي: هدف استفاده از دادهکاوي براي بهينه سازي فعاليتهايي چون برنامهريزي دروس آتي، کمک به يادگيرندگان براي برنامهريزي درسي، تخصيص منابع، کمک به پذيرش دانشجو و … است. کاوش قواعد ارتباطي پرکاربردترين فنون دادهکاوي براي رسيدن به اين هدف است (رمرو و ونچرا، 2010).
آنچنان که مشخص شد، پژوهشگران عرص? آموزشهاي مبتني بر وب از روش‌هايي مختلف يادگيري ماشيني در راستاي حل مسائل و موضوعات مطرح در اين حوزه استفاده ميکنند. پيشبيني عملکرد تحصيلي دانشجو در يادگيري الکترونيکي با استفاده از روش‌هايي يادگيري ماشيني- موضوع پژوهش حاضر- نيز جزء همين دسته از پژوهشها است.
2-4-4 الگوريتم هاي پيش بيني هوش مصنوعي
مسئله پيشبيني ميزان پيشرفت تحصيلي، موفقيت يا عدم موفقيت تحصيلي يادگيرنده، مسئلهاي است که حل آن نياز به استدلال انسان دارد. وقتي متغيرها پيچيده و تعداد آن‌ها زياد ميشود، دقت استدلال و پيشبيني انسان به شدت تضعيف ميشود. براي مواجه با اين مشکل ميتوان از برنامههاي رايانهاي استفاده کرد، برنامههايي که براي کمک به رفع مشکلاتي از اين قبيل بکار ميروند، امروزه به رايانش نرم163شهرت دارند. رايانش نرم، بخشي از سيستمهاي هوشمند است که از روش‌هايي استدلال انسان بهره ميبرد، لذا توانايي استدلال و يادگيري در محيطهاي پر از عدم قطعيت و دقت را دارد. مهم‌ترين زيرمجموعههاي رايانش نرم عبارتند از: سيستمهاي فازي، شبکههاي عصبي، الگوريتمهاي ژنتيک و استدلال احتمالاتي (ماستافيده و سوارسيتو164، 2012).
در نظامهاي آموزشي وضعيت تحصيلي دانشجو، معمولا به دو روش محاسبه ميشود. 1) مقياس عددي پيوسته 2) مقياس گسسته و طبقهاي. در روش اول که در سيستم آموزشي ايران متداول است، وضعيت تحصيلي دانشجو بر اساس مقياس عددي پيوسته بين صفر تا بيست محاسبه ميشود؛ در برخي از کشورها محاسبه اين مقياس بين صفر تا صد است. پيشبيني وضعيت تحصيلي دانشجويان بر اساس مقياس پيوسته، يک پيشبيني رگرسيوني گفته ميشود. روش دوم مقياس گسسته است که در ايران کمتر متداول بوده و در جهان رواج بيشتري دارد؛ در اين روش وضعيت تحصيلي دانشجو در طبقات A، B، C، D، F قرار ميگيرد. مجموعه روش‌هايي يادگيري ماشيني که به پيشبيني وضعيت تحصيلي دانشجو در مقياس گسسته و طبقهاي مي‌پردازد؛ يک مسئله طبقهبندي ناميده ميشود. همان‌گونه که در مبحث يادگيري ماشيني و دادهکاوي به آن پرداختيم، روش‌هايي مختلف يادگيري ماشيني براي پيشبيني بکار ميروند. از ميان روش‌هايي آماري ميتوان به انواع رگرسيون اشاره کرد. از ميان روش‌هايي هوشمند، الگوريتمهاي مختلفي براي اين هدف به کار ميرود که ميتوان به شبکه عصبي مصنوعي، درخت تصميمگيري165، قواعد استنتاج فازي166، استنتاج قانون، شبکههاي بيزي و … اشاره کرد. توضيح تمام موارد فوق از حوصله اين بحث خارج است، اما به عنوان نمونه شبکه عصبي مصنوعي که هم براي طبقهبندي و هم براي پيشبيني رگرسيوني به کار ميرود، تشريح ميشود.
شبکه عصبي مصنوعي
تجزيه و تحليل شبکههاي عصبي مصنوعي مبتني بر نظريات عصبشناسان درباره نحوه ذخيره و انتقال اطلاعات و سيگنالها در مغز است. بر حسب برآورد عصبشناسان، مغز انسان بيش از يک‌صد ميليارد نورون دارد، حال اينکه بزرگ‌ترين شبکه عصبي مصنوعي ساخته شده از چندين هزار نورون تجاوز نميکند (کوپر167،2007).
نورون، مهم‌ترين عنصر يک شبکه عصبي است که مدلسازي مصنوعي آن مبتني بر مدل ارائه شده توسط عصبشناسان است. شکل ‏2-11 مدل نورون بيولوژيک را نشان ميدهد. در نورون بيولوژيک، دندريتها، سيگنالهاي ارسال شده از نورونهاي بهم متصل را به عنوان ورودي دريافت ميکنند. اين سيگنالها به جسم سلولي ارسال ميشوند. جسم سلولي تمام سيگنالها را جمع ميکند و حاصل جمع را از طريق آکسون به سيناپسها ارسال ميکند. علاوه بر اين، سيناپس قدرت سيگنالها را بر حسب يک آستانه مشخص، افزايش يا کاهش ميدهد.

شکل ‏2-11: نورون بيولوژيک
شبکه عصبي مصنوعي همان‌گونه که از نامش پيدا است در صدد است با استفاده از رايانه کارکردهاي نورون در سيستم عصبي را شبيهسازي نمايد. هدف شبکه عصبي مصنوعي شبيهسازي فعاليتهاي نورون و به‌کارگيري آن در تصميم سازي و حل مسائل روزمره با استفاده از رايانه است. سدهي و همکاران (1388) در اين باره آوردهاند: شبكههاي عصبي مصنوعي براي تشخيص، طبقه بندي و پيشبينيهايي بکار ميرود كه داراي روابط غيرخطي هستند. مبحث شبكه عصبي مصنوعي مربوط به شبيهسازي قو? يادگيري در انسان و پيادهسازي آن به صورت الگوريتمهاي كامپيوتري است.
مدلسازي مغز از سال 1943 با مدلسازي تک نورون عصبي شروع شد که به نورون مککلوچ و پيتز168معروف است. اگر يک مجموعه ورودي با نورون مککلوچ و پيتز داده شود؛ مجموع وزنها را محاسبه و با آستانه169مقايسه ميکند؛ سپس نورون بر اساس ارزش آستانه خروجي صفر و يک مي‌دهد (کوپر،2007).
پرسپترون170 يکي از رايجترين مدلهاي شبکه عصبي مصنوعي است، که براي پيشبيني و دادهکاوي آموزشي استفاده شده است. شبکه عصبي پرسپترون توسط روزنبلات171ارائه شده است. ساختار اين شبکه در شکل ‏2-12 قابل مشاهده است.

شکل ‏2-12: پرسپترون
پرسپترون وروديهاي PR…P1,P2, را دريافت و در ماتريس وزنها W ضرب ميشود و مجموع حاصلضربها به عنوان ورودي به تابع انتقال تحويل داده ميشود. در مرحله جمع زني باياس (W0P0) هم اضافه ميشود. ورودي باياس اغلب يک مقدار ثابت و عدد “يک” است.
بزرگ‌ترين محدوديت شبکههاي پرسپترون توانايي حل مسائلي است که قابليت تفکيک خطي دارند. براي رفع اين مشکل پرسپترونِ چند لايه172توسط مينسکي و پاپرت173 ارائه شد. يکي از توانمنديهاي برجسته اين نوع شبکه عصبي مصنوعي، پيش بيني متغيرهايي است که روابط آن‌ها غير خطي است. در شبکه عصبي چند لايه خروجي يک لايه، ورودي لايه بعد است. شکل ‏2-13 توپولوژي يک شبکه عصبي چند لايه را نشان ميدهد.

شکل ‏2-13: پرسپترون چند لايه
شبکه عصبي چند لايه ارائه شده در شکل ‏2-12 يک شبکه عصبي پس انتشار174محسوب ميشود. اين نوع شبکه، جزء شبکههاي ساده و در عين حال بسيار کارآمد است و در پيشبيني با داده‌هاي آموزشي استفاده شده است. توضيح مبسوط شبکههاي عصبي مصنوعي، انواع، توابع انتقال و قواعد يادگيري آن‌ها بحث مفصلي مي‌طلبد که از حوصله گزارش حاضر خارج است. با توجه به اهميت فرايند يادگيري

پایان نامه
Previous Entries پایان نامه با واژگان کلیدی حوزه آموزش Next Entries پایان نامه با واژگان کلیدی آموزش از راه دور