فناوری آموزش - هوش مصنوعی
محمدرضا رضائی؛ احسان پازوکی؛ رضا ابراهیم پور
چکیده
پیشینه و اهداف: در عصر حاضر، با توجه به گسترش روزافزون فناوری در سراسر جهان، سیستم‌های آموزش الکترونیکی به‌سرعت در حال گسترش هستند. با پیشرفت آموزش الکترونیکی حرکت از سمت آموزش سنتی (رویکرد ارائه یک آموزش برای همه) به سمت آموزش شخصی‌سازی شده آغاز شد. آموزش شخصی‌سازی شده یک رویکرد آموزشی است که هدف آن، سفارشی کردن یادگیری براساس ...
بیشتر
پیشینه و اهداف: در عصر حاضر، با توجه به گسترش روزافزون فناوری در سراسر جهان، سیستم‌های آموزش الکترونیکی به‌سرعت در حال گسترش هستند. با پیشرفت آموزش الکترونیکی حرکت از سمت آموزش سنتی (رویکرد ارائه یک آموزش برای همه) به سمت آموزش شخصی‌سازی شده آغاز شد. آموزش شخصی‌سازی شده یک رویکرد آموزشی است که هدف آن، سفارشی کردن یادگیری براساس نقاط قوت، مهارت‌ها، علایق و نیازهای یادگیرنده است. این روش از آموزش مانند هر شیوه نوین دیگری دارای نقاط ضعف و قوت است. در واقع، میتوان افزایش انگیزه و کسب مهارت خودحمایتی را از مزایای مهم این نوع از آموزش دانست. در مقابل، به‌عنوان نقاط ضعف این روش میتوان به زمان‌بر بودن آموزش، چالش در پیاده‌سازی و عدم وضوح در شیوه به‌کارگیری اشاره کرد. با توجه به در دسترس بودن داده‌های بسیار از یادگیرندگان، استفاده از هوش مصنوعی جهت شخصی‌سازی آموزش هم کیفیت را افزایش می‌دهد و هم باعث جذابیت آموزش خواهد شد. امروزه، یکی از شیوه‌های شخصی‌سازی آموزش، ارائه براساس ترجیحات یادگیرندگان است. ترجیحات یادگیرنده می‌تواند به‌صورت خودانگارانه و به‌طور صریح با درخواست مستقیم از یادگیرنده یا به‌صورت ضمنی و جمع‌آوری و پایش داده‌ها شناسایی و استخراج شود. امروزه مدل‌سازی ترجیحات کاربر یکی از چالش برانگیزترین وظایف در سیستم‌های آموزش الکترونیکی است که با حجم زیادی از اطلاعات سروکار دارد. هدف این پژوهش، استخراج ضمنی ترجیحات یادگیرنده با بهره‌گیری از یک سامانه آموزشی هوشمند تعاملی برخط است که مدل‌سازی ترجیحات یادگیرنده با استفاده از مفهوم‌سازی برای اشیای یادگیری از طریق گسترش پروفایل و بهره‌گیری از الگوریتم‌های هوش مصنوعی انجام می‌شود. مدل با داده‌های تعاملی جمع‌آوری شده آموزش دیده و اشیای یادگیری جدید را براساس ترجیحات یادگیرنده در اختیار او قرار می‌دهد. این پژوهش، از نظر هدف کاربردی است.روش‌ها: در این پژوهش، با توجه به جامعه در دسترس ما، 29 آقا و خانم دانشجوی کارشناسی رشته کامپیوتر، با میانگین سنی 5/21 سال که درس یادگیری ماشین را نگذرانده بودند، به‌عنوان شرکت‌کننده همکاری داشتند. شرکت‌کنندگان پس از ثبت‌نام به‌صورت تصادفی به دو گروه کنترل و آزمایش تقسیم شدند. به گروه آزمایش محتوای شخصی‌سازی شده منطبق با ترجیحات و به گروه کنترل محتوای نامنطبق با ترجیحات ارائه شد. پس از طی آموزش، میزان یادگیری و بار شناختی شرکت‌کنندگان توسط آزمون عملکردی طراحی شده و پرسش‌نامه شاخص بار کاری ناسا مورد سنجش قرار گرفت. در پایان سطح معناداری نتایج به‌دست آمده دو گروه با استفاده از آزمون آماری تی مستقل مورد ارزیابی قرار گرفت.یافته‌ها: براساس نتایج به‌دست آمده، میانگین نمرات آزمون عملکردی گروه آزمایش که محتوای منطبق با ترجیحات دریافت کرده بودند نسبت به میانگین گروه کنترل با مقدار 7/0p= دارای اختلاف معنادار نبود (ضمن انجام یادگیری)؛ اما میانگین بار شناختی گروه آزمایش نسبت به میانگین بار شناختی گروه کنترل با مقدار 00/0p= به‌صورت معنادار پایین تر گزارش شد.نتیجه‌گیری: براساس یافته‌های پژوهش، ارائه محتوای آموزشی شخصی‌سازی شده براساس ترجیحات یادگیرندگان با استفاده از تکنیک گسترش پروفایل، در زمان یادگیری، بار شناختی را میزان قابل توجهی کاهش داد. بنابراین، ارائه محتوای آموزشی براساس ترجیحات یادگیرندگان، به‌عنوان یکی از شیوه‌های آموزشی شخصی‌سازی شده در یادگیری الکترونیکی، نقش مهمی‌در کاهش بار شناختی یادگیرندگان ایفا می‌کند.
محیط های یادگیری مبتنی بر فناوری
معصومه معطری؛ احسان پازوکی؛ رضا ابراهیم پور؛ محمد رضا رضایی
چکیده
پیشینه و اهداف: امروزه یادگیری الکترونیکی به‌عنوان یک فنّاوری تحول‌آفرین و ابزاری مهم در فرایند آموزش و فعالیت‌های آموزشی مطرح است. از طرفی نیاز به یادگیری زبان انگلیسی به‌عنوان زبان اول دنیا به‌منظور مبادله اطلاعات و ارتباط برقرار کردن با سایر ملل با هدف به‌کارگیری دانش روز غیرقابل‌انکار است، بنابراین استفاده از فناوری اطلاعات ...
بیشتر
پیشینه و اهداف: امروزه یادگیری الکترونیکی به‌عنوان یک فنّاوری تحول‌آفرین و ابزاری مهم در فرایند آموزش و فعالیت‌های آموزشی مطرح است. از طرفی نیاز به یادگیری زبان انگلیسی به‌عنوان زبان اول دنیا به‌منظور مبادله اطلاعات و ارتباط برقرار کردن با سایر ملل با هدف به‌کارگیری دانش روز غیرقابل‌انکار است، بنابراین استفاده از فناوری اطلاعات به‌منظور تولید و ارائه خدمات آموزشی در راستای بهبود آموزش و یادگیری زبان انگلیسی مؤثر است. شناسایی عوامل مؤثر در یادگیری، یکی از مقولههای مهم و مورد پژوهش است. از آنجا که عوامل مؤثر بر یادگیری بسیار گسترده و وسیع هستند؛ شناسایی این عوامل در رفع مشکلات و نارساییهای سیستم آموزشی مهم است. یکی از این عوامل، سبک‌شناختی است. افراد به تناسب تفاوتهای فردی خود از سبکهای متفاوتی برای یادگیری بهره میجویند. سبک شناختی را میتوان به‌عنوان روشی که افراد اطلاعات و تجربیات تازه را در ذهن خود پردازش میکنند، تعریف کرد؛ بنابراین ایجاد محیط شخصی‌سازی شده براساس سبک شناختی افراد، با هدف انطباق بیشتر راهبرد آموزشی با نیازها و توانایی کاربر و افزایش بازدهی روند یادگیری، امری ضروری است. در این پژوهش، از سبک شناختی رایدینگ که افراد را در دو بعد کلامی-تصویری و کلی‌نگر-جزئی‌نگر تقسیم می‌کند، به‌عنوان عامل مؤثر در یادگیری استفاده می‌شود. این مطالعه با هدف پیش‌بینی سبک‌شناختی رایدینگ، براساس حرکت موس کاربران در یک نرمافزار آموزش زبان می‌باشد. در همین راستا، نرمافزار آموزش زبانی طراحی و پیاده‌سازی شد که در آن تمامی حرکات موس کاربر در مقیاس میلی‌ثانیه هنگام مطالعه متن انگلیسی و استفاده از امکانات طراحی شده در نرمافزار، ثبت می‌شود. در ادامه با استفاده از روشهای یادگیری ماشین توسط داده‌های تعاملی ذخیره‌شده از کاربران هنگام کار با نرمافزار، مدل هوشمندی ارائه شد که افراد را در دو بعد مبتنی بر سبک‌شناختی رایدینگ دسته‌بندی می‌کند. این پژوهش از نظر هدف کاربردی است.روش‌ها: در این پژوهش از آزمون سبک‌شناختی پترسن جهت استخراج سبک‌شناختی یادگیرندگان با هدف ساخت داده‌های برچسب‌دار استفاده می‌شود. همچنین، داده‌های موس افراد هنگام تعامل با نرمافزار ثبت شده و از الگوریتم‌ها و مدل‌های یادگیری ماشین مبتنی بر هوش مصنوعی جهت ساخت مدل‌های هوشمند برای طبقه‌بندی و پیش‌بینی سبک‌شناختی افراد استفاده می‌شود. فرآیند آموزش و ساخت مدل‌های هوشمند از طریق داده‌های برچسب‌دار انجام می‌شود. در نهایت ارزیابی مدل‌های استفاده شده، با مقایسه نتایج حاصل از آزمون سبک شناختی و خروجی‌های مدل‌های هوشمند انجام می‌شود. در آزمون‌های انجام شده از دانشجویان خانم و آقا 22 تا 35 سال، دارای تحصیلات کارشناسی و کارشناسی ارشد آشنا به زبان انگلیسی کمک گرفته‌ایم.یافته‌ها: داده‌های تعاملی ذخیره‌شده کاربران به‌عنوان ورودی پنج طبقه‌بند درخت تصمیم، شبکهعصبی، نزدیک‌ترین همسایه، ماشین بردار پشتیبان و جنگل تصادفی، همچنین نتایج آزمون پترسون به‌عنوان برچسب این مدل‌ها استفاده شد؛ بنابراین افراد در دو بعد مبتنی بر سبک‌شناختی رایدینگ دسته‌بندی شدند. بهترین طبقه‌بندی، مربوط به درخت تصمیم با دقت 90% در بعد کلامی –تصویری و دقت 87% در بعد کلی‌نگر- جزئی‌نگر از نتایج این پژوهش بود.نتیجه‌گیری: با توجه به یافته‌های این پژوهش، سامانه آموزش زبان طراحی شده می‌تواند به‌صورت هوشمند سبک شناختی افراد را هنگام مطالعه متن انگلیسی با دقت مناسبی استخراج کند. بنابراین در آینده میتوان قابلیت ارائه محتوای شخصی‌سازی شده منطبق بر سبک شناختی افراد را به نرمافزار طراحی شده اضافه کرد.
