دسته بندی سبک های یادگیری با استفاده از ویژگی های رفتاری و ماشین بردار پشتیبان دو قلو

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه پژوهشی زبان‌شناسی رایانشی، پژوهشگاه علوم و فناوری اطلاعات ایران، تهران، ایران

2 مهندسی کامپیوتر، دانشگاه آزاد تهران شمال، تهران

3 گروه پژوهشی سیستم‌های اطلاعاتی، پژوهشگاه علوم و فناوری اطلاعات ایران، تهران، ایران

چکیده

موفقیت تحصیلی دانشجویان از اهداف مهم در محیط‌های آموزشی است. یکی از عوامل مهم در تحقق این هدف، توجه به سبک یادگیری دانشجویان است. آگاهی از سبک یادگیری دانشجویان به طراحی یک روش مناسب آموزش کمک می‌کند. لحاظ کردن یک شیوه مناسب آموزش باعث بهبود عملکرد دانشجویان در محیط آموزشی می‌شود. در این مقاله، هدف ساخت یک مدل برای تشخیص خودکار سبک‌های یادگیری است. بدین منظور از یک محیط آموزش الکترونیکی متشکل از 202 دانشجو رشته مهندسی برق و کامپیوتر، دو مجموعه داده برای ایجاد مدل جمع آوری شده است. ویژگی‌های رفتاری از نحوه تعامل دانشجویان با سامانه آموزش الکترونیکی استخراج شده و سپس سبک‌های یادگیری با روش ماشین بردار پشتیبان دو قلو دسته‌بندی می‌شوند. ماشین بردار پشتیبان دو قلو گونه جدیدی از دسته‌بند‌های مبتنی بر مرز مانند SVM است که هدف آن بدست آوردن حاشیه ناموازی است. این دسته‌بند به دادگان نامتوزان حساس نمی باشد و سرعت آموزش آن بسیار سریع است. نتایج نشان می-دهد که روش پیشنهادی از سایر روش‌ها بهتر عمل کرده و با دقت 95 درصد سبک‌های یادگیری را تشخیص می-دهد.

چکیده تصویری

دسته بندی سبک های یادگیری با استفاده از ویژگی های رفتاری و ماشین بردار پشتیبان دو قلو

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Classification of learning styles using behavioral features and twin support vector machine

نویسندگان [English]

  • Jalal A. Nasiri 1
  • Amir Mahmoud Mir 2
  • Somayeh Fatahi 3
1 Iranian Research Institute for Information Science and Technology (IranDoc), Tehran, Iran
2 Faculty of Computer Engineering, North Tehran Branch, Islamic Azad University, Tehran
3 Iranian Research Institute for Information Science and Technology (IRANDOC),
چکیده [English]

Students’ success is one of the prominent goals in the learning environments. In order to achieve this goal, paying attention to students’ learning style is essential. Being aware of students’ learning style helps to design an appropriate education method which improves student’s performance in the learning environments. In this paper, the aim is to create a model for automatic prediction of learning styles. Therefore, two real datasets collected from an e-learning environment which consists of 202 electrical and computer engineering students. Behavioral features were extracted from users’ interaction with e-learning system and then learning styles were classified using twin support vector machine. Twin support vector machine is an extension of SVM which aims at generating two non-parallel hyperplanes. This classifier is not sensitive to imbalanced datasets and its training speed is fast. The results reveal that proposed method performs better than other used learning algorithms and it predicts learning styles with 95 percent accuracy.

کلیدواژه‌ها [English]

  • e-Learning
  • Learning style
  • Support vector machine
  • MBTI
  • Classification

[1] Fatahi, S., & Moradi, H. (2016). A fuzzy cognitive map model to calculate a user's desirability based on personality in e-learning environments. Computers in Human Behavior, 63, 272-281.

[2] Fatahi, S., Moradi, H., & Kashani-Vahid, L. (2016). A survey of personality and learning styles models applied in virtual environments with emphasis on e-learning environments. Artificial Intelligence Review, 46(3), 413-429.

[3] Haron, N. B., & Salim, N. B. (2006). Empirical evaluation of mixed approach in adaptive hypermedia learning system. Proceedings of the postgraduate annual research seminar (pp. 244-249).

[4] Durling, D., Cross, N., & Johnson, J. (1996). Personality and learning preferences of students in design and design-related disciplines, London: L. University

[5] Felder, R. M., Felder, G. N., & Dietz, E. J. (2002). The effects of personality type on engineering student performance and attitudes. Journal of engineering education, 91(1), 3-17.

[6] Kinshuk, S. G. (2007). Providing adaptive courses in learning management systems with respect to learning styles. Proceedings of the world conference on e-learning in corporate, government, healthcare, and higher education (e-Learn) (pp. 2576-2583).

[7] García, P., Amandi, A., Schiaffino, S., & Campo, M. (2007). Evaluating Bayesian networks’ precision for detecting students’ learning styles. Computers & Education, 49(3), 794-808.

[8] Gong, W., & Wang, W. (2011). Application research of support vector machine in E-Learning for personality. Cloud Computing and Intelligence Systems (CCIS), 2011 IEEE International Conference on (pp. 638-642).

[9] Fatahi, S., Moradi, H., & Farmad, E. (2015). Behavioral Feature Extraction to Determine Learning Styles in e-Learning Environments. International Association for Development of the Information Society.

[10] Truong, H. M. (2016). Integrating learning styles and adaptive e-learning system: Current developments, problems and opportunities. Computers in Human Behavior, 55, 1185-1193.

[11] Jayadeva, Khemchandani, R., & Chandra, S. (2007). Twin support vector machines for pattern classification. IEEE transactions on pattern analysis and machine intelligence, 29(5).

[12] Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, 20(3), 273-297.

[13] Nayak, J., Naik, B., & Behera, H. (2015). A comprehensive survey on support vector machine in data mining tasks: applications & challenges. International Journal of Database Theory and Application, 8(1), 169-186.

[14] Ripley, B. D. (2007). Pattern recognition and neural networks (1st ed.). Cambridge: Cambridge university press.

[15] Kumar, M. A., & Gopal, M. (2009). Least squares twin support vector machines for pattern classification. Expert Systems with Applications, 36(4), 7535-7543.

[16] Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical machine learning tools and techniques (4th ed.). Massachusetts: Morgan Kaufmann.