نوع مقاله : مقاله پژوهشی

نویسندگان

• معصومه معطری
• احسان پازوکی
• رضا ابراهیم پور
• محمد رضا رضایی

گروه هوش مصنوعی، دانشکده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجائی، تهران، ایران

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 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.

کلیدواژه‌ها

• یادگیری الکترونیکی
• سبک شناختی
• آموزش زبان انگلیسی
• یادگیری ماشین

20.1001.1.20080441.1401.17.1.14.9

موضوعات

• محیط های یادگیری مبتنی بر فناوری

عنوان مقاله [English]

Intelligent learners' cognitive style detection based on their interaction in the English language teaching system

نویسندگان [English]

• M. Moatari
• E. pazouki
• R. Ebrahimpour
• M.R. Rezaee

Department of Artificial Intelligence, Faculty of Computer Engineering, Shahid Rajaee Teacher Training University, Tehran, Iran

چکیده [English]

Background and Objectives: Today, e-learning is considered as a transformational technology and an important tool in the process of education and educational activities. On the other hand, the need to learn English as the first language in the world in order to exchange information and communicate with other nations in order to use up-to-date knowledge is undeniable, so the use of information technology to produce and provide educational services to improve English language teaching and learning is effective. Identifying the effective factors in achieving learning is one of the important and researched cases. Since the factors affecting learning are very wide and extensive, it is important to identify these factors in solving the problems and shortcomings of the educational system. One of these factors is cognitive style. People use different learning styles according to their individual differences. Cognitive style can be defined as the way people process new information and experiences in their minds; therefore, it is necessary to create a personalized environment based on the cognitive style of individuals in order to better adapt the educational strategy to the needs and abilities of the user and increase the efficiency of the learning process. In this research, Riding’s cognitive style, which divides people into two dimensions, verbal-imagery and wholistic-analytic, is used as an effective factor in learning. This study aims to predict the cognitive style of riding, based on the mouse movement of users in a language teaching software. In this regard, the language training software was designed and implemented, in which all the user's mouse movements are recorded on a millisecond scale when reading the English text and using the media designed in the software. Next, by using machine learning methods and interactive data stored from users while working with the software, an intelligent model was presented that categorizes people in two dimensions based on Riding’s cognitive style. This research is practical in terms of purpose.
Methods: In this study, Peterson’s cognitive style test is used to extract learners' cognitive style with the aim of constructing labeled data. Also, individuals’ mouse data is recorded when interacting with software, and artificial intelligence-based machine learning algorithms and models are used to build intelligent models for classifying and predicting individuals' cognitive styles. The process of training and building smart models is done through labeled data. Finally, the models used are evaluated by comparing the results of the cognitive style test and the outputs of the intelligent models. In the exams, male and female students aged between 22 and 35, with bachelor's and master's degrees familiar with English participated.
Findings: Users stored interactive data was used as the input to the five classifiers of the decision tree, neural network, nearest neighbor, support vector machine, and random forest. Patterson test results were also used as labels for these models; thus, individuals were categorized into two dimensions based on Riding’s cognitive style. The best classification was related to the decision tree with 90% accuracy in the verbal-imagery dimension and 87% accuracy in the wholist-analytic dimension of the results of this research.
Conclusion: According to the findings of this study, the designed language teaching system can intelligently extract the cognitive style of people when reading the English passage with appropriate accuracy. Therefore, in the future, the ability to provide personalized content in accordance with the cognitive style of people can be added to the designed software.

کلیدواژه‌ها [English]

• E-learning
• Cognitive Style
• English Teaching
• Machine Learning

COPYRIGHTS 
©2023 The author(s). This is an open access article distributed under the terms of the Creative Commons Attribution (CC BY 4.0), which permits unrestricted use, distribution, and reproduction in any medium, as long as the original authors and source are cited. No permission is required from the authors or the publishers.