پایان نامه با واژگان کلیدی حوزه آموزش

دانلود پایان نامه ارشد

گزارش مي‌شود (شکل ‏2-10). اين پژوهشگران پس از بررسي مشترکات سيستم آموزشي هوشمند، اعم از سيستمهاي مبتني بر شبکه و مبتني بر رايانه شخصي، مهم‌ترين اجزاء يک سيستم آموزشي هوشمند را شناسايي و گزارش نمودهاند. انطباقي بودن، جزء ويژگيهاي خاص آموزشهاي هوشمند است که بر قابليت انطباق سيستم با نيازها، اهداف، علايق و … کاربر دلالت دارد. در طبقهبندي پژوهشگران فوق‌الذکر، سيستم هوشمند آموزشي و فرا رسانه‌اي هاي انطباقي جزء انواع کلاسيک آموزشهاي هوشمند است، لذا در شکل ‏2-10 با رنگ تيره تر نمايش داده شده است.

شکل ‏2-10: اجزاء سيستم آموزش هوشمند مبتني بر وب

جزء آموزش هوشمند، خود شامل سه دسته فناوريهاي هوشمند ميشود:
1 ) ترتيب دهي به محتوا134: مجموعه فناوريها و فنون هوش مصنوعي را شامل ميشود که ترتيب و برنامه ارائه محتوا (ارائهها، مثالها، تمرينها، سئوالها و …) را براي کاربر (متناسب) مي‌سازد. اين فناوريها بهترين مسير حرکت در محتوا و مواد آموزشي را براي يادگيرنده شناسايي ميکند.
2) تجزيه و تحليل هوشمند راهحلها: سيستمهاي هوشمند اغلب شامل مجموعه مسئلهها و تماريني هستند که به کاربران خود ارائه ميکنند. در آموزشهاي مبتني بر رايانه غير هوشمند به دانشجو صحيح يا غلط بودن پاسخ بازخورد داده ميشد. در سيستمهاي آموزشي هوشمند، علل يا علل زمينهساز اشتباه دانشجو بر اساس پاسخ دانشجو، تجزيه و تحليل ميشود، به عنوان مثال مشخص ميشود، يادگيرنده در کجاي مسئله کم توجهي کرده است، يا کدام بخش از محتوا را به درستي درک نکرده است.
3) پشتيباني حل مسئله135: مجموعه فناوريهايي را شامل مي‌شود که در فرايند حل مسئله به دانشجو ياري ميرسانند؛ همان‌گونه که يک مدرس در فرايند حل مسئله ممکن است به دانشجوي خود کمک کند.
جزء فرا رسانه انطباقي136که در سمت چپ شکل ‏2-10 با رنگ تيره تر نشان داده شده است؛ با ماژول ترتيب دهي محتوا در سيستمهاي آموزشي هوشمند که قبلاً توضيح آن گذشت، شباهت زيادي دارد. با اين تفاوت که اين جزء براي فرامتنها يا فرا رسانههاي مبتني بر شبکه است. يکي از فناوريهاي هوشمند در اين جزء، ارائه انطباقي137 است. هدف فناوريهاي ارائه انطباقي، منطبق سازي هر يک از صفحات وب، با اهداف، دانش و ساير اطلاعاتي است که در مدل سازي دانشجو شناسايي شده است. فناوري پشتيباني پيمايش انطباقي138، از ديگر فناوريهاي ارائه انطباقي فرا رسانه محسوب مي‌شود؛ فناوريهاي پيمايش يا راهبري و حرکت در صفحات وب، حرکت و پيش روي يادگيرنده را در صفحات وب هدايت ميکنند؛ به عنوان مثال اين کار را با تغيير رنگ و يا قابل مشاهده و غير قابل مشاهده کردن لينکها انجام ميدهند.
جزء فيلتر انطباقي اطلاعات139بر فناوريهاي کلاسيک بازخواني (بازيابي) اطلاعات از پايگاه داده‌هاي بزرگ مبتني است. نمونه بارز اين فناوريها موتورهاي جستجو هستند. کاربرد اين فناوريها در آموزشهاي هوشمند به ويژه مواردي که مبتني بر وب نيستند، بسيار محدود است. اما با توسعه آموزشهاي مبتني بر وب و افزايش محتواهاي الکترونيکي تحت وب به ويژه در سامانههاي مديريت يادگيري الکترونيکي، فيلترينگ هوشمند و منطبق با نيازهاي يادگيرندگان حائز اهميت است. همان‌گونه که در شکل ‏2-10 مشاهده مي‌شود، علوم بازيابي اطلاعات، يادگيري ماشيني و دادهکاوي آموزشي مهم‌ترين علومي هستند که براي طراحي و توسعه اين جزء از سيستم آموزشي هوشمند استفاده ميشود.
جزء نظارت هوشمند کلاس140، در آموزشهاي مبتني بر وب مدرس نميتواند چهره و بازخوردهاي دانشجو را مشاهده کند. با توجه به اين محدوديت بزرگ، نمي‌توان فهميد دانشجو مطالبي را متوجه نشده و به کمک يا توجه بيشتر نياز دارد. در سيستمهاي آموزشي مبتني بر وب ميتوان تمام فعاليتهاي دانشجويان را رديابي کرد، سيستمهاي مانيتور هوشمند در اين پيگيري به مدرس يا مدير سيستم الکترونيکي کمک ميکند. همان‌گونه که در شکل ‏2-10 مشاهده ميشود، يادگيري ماشيني و دادهکاوي آموزشي، مهم‌ترين دانش حوزه هوش مصنوعي است که براي طراحي و توسعه اين فناوريها به کار ميرود.
جزء يادگيري هميارانه هوشمند141شامل فناوريهايي ميگردد که زمينه مشارکت و يادگيري هميارانه کاربر (يادگيرنده) را فراهم ميآورد. از جمله انتقاداتي که بر سيستمهاي آموزشي هوشمند وارد ميشد، عدم امکان تعامل يادگيرنده با ساير يادگيرندگان و يادگيري اجتماعي بود، با توسعه و فراگير شدن يادگيري مبتني بر شبکه، اين محدوديت نيز تا حد زيادي رفع شده است. در اين جزء از سيستمهاي آموزشي هوشمند، سه دسته فناوري شناسايي شده است. 1) شکلدهي انطباقي گروه و کمک همگنان142؛ 2) پشتيباني هميارانه انطباقي1433) دانشجوهاي مجازي144.
فناوريهاي هوشمند، شکلدهي انطباقي گروه و کمک همگنان، شامل فناوريهاي است که با استفاده از اطلاعات موجود در مدلسازي يادگيرندگان، براي کار بر روي پروژه يا مسئله خاصي، بهترين گروه از دانشجويان را شکل ميدهد. به عنوان مثال اگر يک پروژه گروهي براي دانشجويان تعريف شود، اين دسته از فناوريها بر حسب علاقه، ميزان تسلط دانشجويان بر موضوع و … بهترين تيم را شناسايي و شکل ميدهد. کمک همگنان نيز بهترين دانشجوي موجود در سامانه آموزش را براي کمک به دانشجوي خاص در مورد موضوع يا مسئله خاص شناسايي و معرفي ميکند.
فناوريهاي هوشمند پشتيباني هميارانه انطباقي، همانند پشتيباني حل مسئله است که شرح آن گذشت، با اين تفاوت که در پشتيباني حل مسئله، از پايگاه دانش سيستم هوشمند به صورت تعاملي به دانشجو کمک مي‌شود؛ اما در سيستمهاي پشتيباني هميارانه انطباقي با استفاده از دانش موجود درباره بهترين و بدترين الگوهاي همياري که توسط توسعهدهنده سيستم تعريف شده است يا از لاگهاي ارتباطات قبلي دانشجويان ياد گرفته شده است؛ پشتيباني هميارانه فراهم ميشود.
در فناوري دانشجوي مجازي، سعي ميشود، به جاي معرفي استاد يا مشاور به دانشجو، دانشجوي مجازي تعريف و به دانشجو معرفي شود. دانشجوي مجازي ميتواند با استفاده از عاملهاي انيميشني145طراحي و توسعه يابد. همان‌گونه که در شکل ‏2-10 مشاهده ميشود، يادگيري ماشيني، دادهکاوي، يادگيري هميارانه به کمک رايانه مهم‌ترين علومي هستند، که در توسعه اين جزء از سيستمهاي آموزشي هوشمند از آن‌ها استفاده ميشود.
آنچنان که در معرفي اجزاء سيستمهاي آموزشي هوشمند گذشت، يکي از مهم‌ترين ماژول‌هاي سيستمهاي آموزشي هوشمند، مدلسازي يادگيرنده است. زيرا اغلب ماژول‌هاي فوق‌الذکر بلا استثناء مبناي عمل خود را اطلاعات مدل سازي يادگيرنده قرار مي‌دهند. در ماژول مدلسازي يادگيرنده، اطلاعاتي از قبيل دانش قبلي يادگيرنده، انگيزش، علاقه، سبک يادگيري، مهم‌ترين اشتباهات يادگيرنده در يادگيري موضوع خاص و … مدل شده و در تعامل با سيستم هوشمند اين اطلاعات به روز ميشوند. پژوهش حاضر که با هدف طراحي مدل هوشمند براي پيشبيني ميزان موفقيت يادگيرنده الکترونيکي، نوعي مدل سازي يادگيرنده است. به اين روش که سعي ميشود، بر اساس برخي متغيرها، چون دانش قبلي يادگيرنده، انگيزش، سبک يادگيري و برخي مشخصههاي روان‌شناختي و دموگرافيک، در معرض خطر بودن دانشجو شناسايي (مدل) شود. يافته ميتواند در اختيار دانشجو، استاد و يا ساير همگنان موفق‌تر دانشجو قرار گيرند و اقدامات پيشگيرانه لازم بر اساس مدلسازي صورت گرفته انجام شود.
يادگيري ماشيني مهم‌ترين دانش هوش مصنوعي است که در بخشهاي مختلف يک سيستم آموزشي هوشمند به کار مي‌رود، 1) مدلسازي يادگيرنده؛ 2) ماژول‌هاي مربوط به نظارت فعاليتهاي دانشجو در سامانه مديريت يادگيري الکترونيکي؛ 3) فيلتر کردن داده‌ها با توجه به اطلاعات موجود در مدلسازي يادگيرنده؛4) ماژول يادگيري هميارانه؛ 5) سازماندهي ترتيب و توالي محتواي آموزشي و 6) ارائه آن بر اساس مدلسازي يادگيرنده، همگي اجزاء حياتي يک سيستم آموزشي هوشمند است که مستقيماً بر دانش، روشها و مدلهاي يادگيري ماشيني متکي هستند. با توجه به اهميت يادگيري ماشيني و اهميت آن براي پژوهش حاضر، يادگيري ماشيني و دادهکاوي آموزشي به اختصار تشريح ميگردد.
يادگيري ماشيني و دادهکاوي آموزشي
سيستمهاي هوشمند اعم از سيستمهاي آموزشي، سيستمهايي که در صنعت، نظام، اقتصاد و … توسعه يافتهاند، به شدت متکي بر الگوريتمهاي يادگيري ماشيني هستند. قبل از پرداختن به يادگيري ماشيني و دادهکاوي آموزشي توجه به تعريف اين دو مفهوم حائز اهميت است.
دايره‌المعارف آزاد ويکي‌پديا، يادگيري ماشيني را شاخهاي از هوش مصنوعي معرفي مي‌کند که به ساخت و مطالعه سيستمهايي مربوط است که ميتوانند، از داده‌ها “ياد” بگيرند. به عنوان مثال، سيستم يادگيري ماشيني به نحوي آموزش داده ميشود که بتواند هرزنامهها را از پيامهاي معتبر تفکيک و بعد از شناسايي، آن‌ها را دو پوشه جداگانه ذخيره کند. کاربردهاي يادگيري ماشيني به مسائل حوزه وب و اينترنت محدود نمي‌شود؛ ويتن و فرانک146(2005)، مثال جالبي از به‌کارگيري يادگيري ماشيني در کمک به گاو داران نيوزلندي زدهاند. گاو داران بايد در يک برهه زماني تصميم بگيرند که گاوهاي خود را براي شيردهي فصل بعد نگهدارند يا آن‌ها را به کشتارگاه بفرستند. آن‌ها از داده‌هاي چندين ميليون گاو و 700 مشخصه از آن‌ها چون سن، سابقه بيماري و … براي اين هدف استفاده کردهاند و با استفاده از فنون يادگيري ماشيني اين تصميمگيري مهم را اتوماتيک کردهاند.
در عصر فناوري اطلاعات و شبکههاي بزرگ چون وب، با حجم انبوه داده‌ها در پايگاههاي داده مواجه هستيم. وب علاوه بر اين که مملو از اطلاعات است، تمام فعاليت و کليکهاي ما را نيز ثبت ميکند. با افزايش بي حد و حصر داده‌ها، استخراج الگوها و روابط معنادار بيش از پيش احساس ميشود. به زعم ويتن و فرانک (2005) مجموعه تکنيکهايي که براي کشف و توصيف الگوهاي ساختاري در داده‌ها بکار ميرود، يادگيري ماشيني است؛ البته بايد توجه داشت، کشف الگو از داده‌ها از آغاز زندگي بشر بوده است به عنوان مثال، شکارچيان در صدد يافتن الگوي مهاجرت پرندگان، کشاورزان در صدد يافتن الگوي رشد محصولات و سياستمداران در صدد شناسايي الگوي عقايد رأي دهندگان بودهاند.
مفهوم “يادگيري” در “يادگيري ماشيني” بسيار چالش برانگيز است. ورود به آن از حوصله گزارش پژوهش حاضر خارج است. اما بايد تاکيد کرد، که منظور از “يادگيري” در يادگيري ماشيني با آنچه که بين صاحب‌نظران علوم يادگيري مطرح است، متفاوت است. در يادگيري ماشيني، يادگيري الزاماً با درک، فهم و آگاهي همراه نيست. چه بسا ماشين در حل يک مسئله، همانند انسان عمل کند، بدون اينکه بر عمل خود آگاهي داشته باشد. به طور خلاصه يادگيري ماشيني يکي از بزرگ‌ترين زيرمجموعههاي هوش مصنوعي است که با طراحي و توسعه تکنيکها و الگوريتمهايي سرکار دارد که براي رايانه امکان”يادگيري” را فراهم ميکند.
“دادهکاوي” و يادگيري ماشيني اغلب معادل هم بکار ميروند. کلوزگن و زيتگو147(2004) دادهکاوي يا کشف دانش از داده‌ها148را استخراج اتوماتيک الگوهاي جالب و ضمني از مجموعههاي عظيم داده‌ها تعريف کردهاند (کلوزگن و زيتگو، 2004، به نقل از رومرو، ونچرا و گارسيا149،2008). تفکيک يادگيري ماشيني از دادهکاوي به ويژه در حوزه آموزش مشکل است. به عبارت دقيقتر دادهکاوي، از روش‌هايي يادگيري ماشيني براي استخراج الگوها و اطلاعات از داده‌ها بهره ميگيرد و در عين حال به روش‌هايي يادگيري ماشيني محدود نميشود و از روش‌هايي آماري نيز بهره مي‌گيرد. معمولا دادهکاوي نياز به داده‌هاي زياد دارد، و اغلب از داده‌هاي پايگاههاي رايانهاي استفاده مي‌شود. در يادگيري ماشيني هدف از قبل کاملاً مشخص است (مثلاً پيشبيني)، اما در دادهکاوي در اغلب موارد، هدف از قبل کاملاً مشخص نيست و دادهکاو (محقق) با بررسي روابط ساختاري پيچيده، ميان انبوه داده‌ها اطلاعات يا الگوهاي معنادار و مفيد را استخراج ميکند. هوش مصنوعي نيز در طراحي و توسعه سيستمهاي هوشمند، خود را محدود به يادگيري ماشيني و الگوريتمهاي آن نميکند، بلکه از روش‌هايي معمول آماري نيز براي رسيدن به هدف خود بهره ميگيرد.
با مقدمهاي که گذشت، پر واضح است که دو حوزه

پایان نامه
Previous Entries پایان نامه با واژگان کلیدی تلفن همراه، ساختار دانش، آموزش مهارت، انتخاب رشته Next Entries پایان نامه با واژگان کلیدی انتقال اطلاعات، سلسله مراتب، حوزه آموزش