یادگیری الکترونیکی
حسن ضیافت؛ قاسم آذری آرانی
چکیده
پیشینه و اهداف: دادهکاوی آموزشی به‌عنوان یکی از حوزه‌های نوین و میان‌رشته‌ای، نقش مهمی در تحلیل رفتار فراگیران، شناسایی عوامل مؤثر بر موفقیت یا افت تحصیلی و پشتیبانی از تصمیم‌گیری‌های آموزشی ایفا می‌کند. با رشد سامانههای آموزش الکترونیکی و افزایش حجم دادههای آموزشی، نیاز به روش‌های هوشمند برای استخراج دانش نهفته در این ...
بیشتر
پیشینه و اهداف: دادهکاوی آموزشی به‌عنوان یکی از حوزه‌های نوین و میان‌رشته‌ای، نقش مهمی در تحلیل رفتار فراگیران، شناسایی عوامل مؤثر بر موفقیت یا افت تحصیلی و پشتیبانی از تصمیم‌گیری‌های آموزشی ایفا می‌کند. با رشد سامانههای آموزش الکترونیکی و افزایش حجم دادههای آموزشی، نیاز به روش‌های هوشمند برای استخراج دانش نهفته در این دادهها بیش‌ازپیش احساس میشود. روش‌های سنتی یادگیری ماشین، هرچند در بسیاری از پژوهش‌ها به کار گرفته شده‌اند، اما در مواجهه با دادههای پیچیده، غیرخطی و چندبعدی آموزشی با محدودیت‌هایی از نظر دقت و قدرت تعمیم‌پذیری روبه‌رو هستند. در این میان، مدلهای مبتنی بر یادگیری عمیق و شبکه‌های عصبی مصنوعی به دلیل توانایی بالا در مدل‌سازی روابط پیچیده، توجه پژوهشگران را به خود جلب کرده‌اند. هدف اصلی این پژوهش، توسعه و ارزیابی یک مدل ترکیبی هوشمند مبتنی بر شبکه‌های عصبی پیش‌خور شامل شبکه عصبی مصنوعی، شبکه یادگیری با سرعت بالا (ELM) و شبکه پرسپترون چندلایه به همراه روش‌های پیشرفته انتخاب ویژگی است تا ضمن شناسایی متغیرهای کلیدی مؤثر بر عملکرد تحصیلی دانشجویان، دقت پیشبینی وضعیت تحصیلی آنان به طور معناداری افزایش یابد.
روش‌ها: در این مطالعه، مجموعه‌ای جامع از دادههای آموزشی شامل اطلاعات دموگرافیک، اجتماعی- اقتصادی، وضعیت ثبت‌نام، سوابق آموزشی و نمرات تحصیلی دانشجویان مورداستفاده قرار گرفت. دادهها از سامانههای آموزشی دانشگاهی و همچنین مجموعه‌داده‌های عمومی معتبر گردآوری شدند. پس از انجام پیش‌پردازش‌های لازم از جمله پاک‌سازی دادهها، مدیریت مقادیر گمشده و نرمال‌سازی ویژگی‌ها، فرایند انتخاب ویژگی با استفاده از سه روش MRMR، Chi-square و ReliefF انجام شد. سپس سه شبکه عصبی ANN، ELM و MLP با استفاده از ۹۰ درصد دادهها آموزش داده شدند و ۱۰ درصد باقی‌مانده برای آزمون و اعتبارسنجی مدل‌ها مورداستفاده قرار گرفت. در نهایت، خروجی شبکه‌ها با بهره‌گیری از روش رأی‌گیری اکثریت به‌صورت یک مدل ترکیبی ادغام شد. عملکرد مدل پیشنهادی با استفاده از معیارهای استاندارد دقت، صحت، فراخوانی و معیار F ارزیابی گردید.
یافته‌ها: نتایج حاصل از آزمایش‌ها نشان داد که روش ReliefF در مقایسه با سایر روش‌های انتخاب ویژگی، عملکرد بهتری در شناسایی ویژگی‌های مؤثر دارد. با استفاده از ۲۰ ویژگی برتر استخراج‌شده توسط این روش، مدل ترکیبی پیشنهادی به‌دقت ۸۱.۴۴ درصد و مقدار F برابر با ۰۹/۷۲ درصد دست‌یافت. در بررسی عملکرد شبکه‌های عصبی به‌صورت مستقل، شبکه ELM بهترین نتیجه را بادقت ۸/۸۲ درصد ارائه کرد که به طور متوسط ۲ تا ۴ درصد بالاتر از ANN و MLP بود. علاوه بر این، مقایسه مدل پیشنهادی با روش‌های سنتی یادگیری ماشین نشان داد که مدل ترکیبی شبکه‌های عصبی توانسته است دقت پیشبینی را بیش از ۷ درصد و دقت طبقه‌بندی را بیش از ۴ درصد بهبود بخشد که بیانگر برتری معنادار رویکرد پیشنهادی است.
داده کاوری
محمد قدوسی؛ فاطمه میرسعیدی؛ حمیدرضا کوشا
چکیده
پیشینه و اهداف: در حال حاضر پیشرفتهای قابل توجهی در عرصه فناوری اطلاعات و ارتباطات در جوامع مختلف دیده میشود. با توجه به این پیشرفتها، دانشگاهها به عنوان یک نهاد پیشرو در عرصه علم، به سمت فرآیندهای الکترونیکی در مسیر مدیریت آموزش حرکت نمودهاند و در محیطهای آموزشی، پایگاههای اطلاعاتی با حجم اطلاعات زیاد وجود دارد. ...
بیشتر
پیشینه و اهداف: در حال حاضر پیشرفتهای قابل توجهی در عرصه فناوری اطلاعات و ارتباطات در جوامع مختلف دیده میشود. با توجه به این پیشرفتها، دانشگاهها به عنوان یک نهاد پیشرو در عرصه علم، به سمت فرآیندهای الکترونیکی در مسیر مدیریت آموزش حرکت نمودهاند و در محیطهای آموزشی، پایگاههای اطلاعاتی با حجم اطلاعات زیاد وجود دارد. با تحلیل این دادههای انبوه سیستمهای آموزشی، میتوان روشهایی را برای بهبود وضعیت آموزشی دانشجویان ارایه داد. دادهکاوی آموزشی به دنبال کشف دانش موجود در دادههای سیستم آموزشی بوده‌است. یکی از کاربردهای دادهکاوی آموزشی، پیشبینی عملکرد تحصیلی دانشجویان است. پیشبینی عملکرد تحصیلی دانشجویان و ارائه راهکارهای مفید از اهمیت ویژه‌ای در موفقیت نظام‌های آموزشی برخوردار است و میتواند به تصمیمگیری درست مدیران، جهت افزایش بازدهی سیستم آموزشی و عملکرد بهتر دانشجویان، کمک شایانی کند. هدف مقاله حاضر، شناسایی شاخصهای مؤثر بر عملکرد تحصیلی، پیشبینی وضعیت تحصیلی دانشجویان با استفاده از تکنیک‌های دادهکاوی و در نهایت، ارائه روندی جدید برای اصلاح روش انتخاب واحد و راهکارهای آموزشی در جهت افزایش کارایی سیستم آموزش است.روش‌ها: گامهای این پژوهش بر اساس مدل Crisp تعیین شده است. در پژوهش حاضر، پایگاهدادهای شامل 9 مجموعه داده از درسهای تخصصی رشته مهندسی صنایع استفاده شدند. دوره تحصیلی دانشجویان در نظر گرفته شده کارشناسی بوده‌است. شاخصهای تاثیرگذار بر عملکرد دانشجویان، بر اساس تحقیقات قبلی و نظر خبرگان شناسایی شده‌است. دادههای جمعیت‌شناختی و سوابق تحصیلی دانشجویان مقطع کارشناسی رشته مهندسی صنایع وارد پایگاه داده شدند. پس از پیش‌پردازش دادهها، 13 شاخص در نظر گرفته شد و با کمک الگوریتمهای مختلف، مدلهای مختلفی برای پیشبینی وضعیت تحصیلی دانشجویان در نیمسال بعدی ارائه گردید. مدلهای شبکه بیزی، لوجیت بوست، پارت و درخت تصمیم به عنوان پرکاربردترین الگوریتم های دادهکاوی آموزشی در این پژوهش مورد استفاده قرار گرفته و جهت بررسی عملکرد الگوریتمها از دو شاخص صحت و سطح زیر نمودار عملکرد استفاده شد. 9 پایگاه داده دروس در دو حالت دو و چند کلاسه در نظر گرفته‌شدند. در ادامه، مقایسه‌ای میان نتایج حاصل از 4 الگوریتم مختلف صورت گرفته‌است.یافته‌ها: با توجه به شاخصهای بهره اطلاعات و نسبت بهره، تمامی 13 شاخص در نظر گرفته شده، به عنوان شاخصهای مؤثر شناسایی شدند. این شاخصها عبارتند از: معدل، کل واحدهای گذرانده، تعداد ترم‌های مشروطی، نوع پذیرش، وضعیت تأهل، جنسیت، سال ورود به دانشگاه، سن، محل زندگی، ترم حاضر، نمره درس پیشنیاز، استاد درس، تکرارد در اخذ واحد. از بین 4 مدل در نظر گرفته شده، بهترین مدل در دسته‌بندی و پیشبینی عملکرد آموزشی دانشجویان ، الگوریتم Logit Boost شناخته شد. این الگوریتم، در هر دو حالت دو و چندکلاسه براساس شاخصهای درصد صحت و سطح زیر نمودار ROC عملکرد بهتری از خود نشان داده‌است.نتیجه‌گیری: با توجه به عملکرد قابل قبول الگوریتمهای دادهکاوی، استفاده از این الگوریتمها در پیشبینی عملکرد دانشجویان مناسب است و میتوان مدل پیشنهادی را به عنوان یک ابزار پشتیبان تصمیمگیری در سیستمهای آموزشی مورد استفاده قرار داد. در نهایت، با توجه به نتایج به‌دست آمده و نظرخواهی از خبرگان دانشگاهی، فرایند انتخاب واحد، بازطراحی گردید. فرایند ارایه شده با استفاده از دادههای موجود در سیستمهای آموزشی و علم دادهکاوی، دانش مفیدی به تصمیمگیرندگان جهت تصمیم صحیح و مناسب ارایه میدهد. تصمیمگیرندگان میتوانند با بررسی پیشبینیهای انجام شده توسط الگوریتم دادهکاوی و کسب اطلاعات مفید، تصمیمات مناسب اخذ نمایند، تا سیستم آموزشی بازدهی بیشتری داشته‌باشد.
آموزش الکترونیکی- مجازی
بهروز مقصودی؛ صادق سلیمانی؛ علی امیری؛ محسن افشارچی
چکیده
آموزش الکترونیکی، عبارت است از انجام فرایند آموزشی بر روی بستر ارتباطات الکترونیکی همچنین بهره‌گیری از فناوری شبکه برای طراحی، ارائه و توسعه آموزش میباشد که فراگیران، کارشناسان و تهیه‌کنندگان مطالب را در بر میگیرد. در این میان حجم وسیعی از اطلاعات مانند نحوه تعامل کاربر با سامانههای مدیریتی آموزش، دروس انتخابی دانشجو ...
بیشتر
آموزش الکترونیکی، عبارت است از انجام فرایند آموزشی بر روی بستر ارتباطات الکترونیکی همچنین بهره‌گیری از فناوری شبکه برای طراحی، ارائه و توسعه آموزش میباشد که فراگیران، کارشناسان و تهیه‌کنندگان مطالب را در بر میگیرد. در این میان حجم وسیعی از اطلاعات مانند نحوه تعامل کاربر با سامانههای مدیریتی آموزش، دروس انتخابی دانشجو و نمرات دانشجویان ذخیره میگردد. این دادهها حاوی اطلاعات با ارزشی برای مطالعه و تحلیل رفتار دانشجویان و ارائه مشاوره به دانشجویان میباشد. به علت دور بودن استاد از دانشجو و نبود کارشناس گروه در سیستمهای آموزش الکترونیکی نیاز به ارائه یک مشاوره مجازی و کارشناس گروه برخط ضروری میباشد که بتواند دانشجویان را در تصمیمگیری کمک کرده و در نهایت منجر به ارتقای کیفیت آموزش شود. هدف اصلی این پژوهش به دست آوردن تجربههایی فراتر از تجربیات یک کارشناس گروه و مدیرگروه حقیقی با استفاده از دادهکاوی و همچنین استفاده از این تجربیات در سیستم آموزش الکترونیکی جهت هدایت تحصیلی میباشد. در این پژوهش به کشف الگوهای نهفته در انتخاب واحد دانشجویان و پیشبینی نمرات آنان پرداخته شده است. همچنین تأثیر فعالیت، نحوه ورود، ساعت ورود، فصل و غیره در سامانه مدیریت آموزش الکترونیکی بررسی شده است.
