ارتقای کیفیت آموزش در سامانه‌های آموزش الکترونیکی با استفاده از داده‌کاوی آموزشی

مقصودی, بهروز; سلیمانی, صادق; امیری, علی; افشارچی, محسن

doi:10.22061/tej.2012.200

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ دانشکده فنی مهندسی،دانشگاه آزاد اسلامی،زنجان،ایران

² دانشکده فنی مهندسی برق و کامپیوتر، دانشگاه کردستان،ایران

³ دانشکده فنی برق و کامپیوتر، دانشگاه زنجان،ایران

https://doi.org/10.22061/tej.2012.200

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 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.

کلیدواژه‌ها

20.1001.1.20080441.1391.6.3.2.8

موضوعات

آموزش الکترونیکی- مجازی

عنوان مقاله [English]

Teaching Quality Improvement of Electronic Learning Systems Using Educational Data Mining

نویسندگان [English]

B. Maghsoudi ¹
S. Sulaimany ²
A. Amiri ³
M. Afsharchi ³

¹ Faculty of Engineering, Islamic Azad University, Zanjan, Iran

² Faculty of Electrical and Computer Engineering, Kurdistan University, Iran

³ Faculty of Electrical and Computer Engineering, Zanjan University, Iran

چکیده [English]

Educational and technology based learning is the turning point of learning and so is utilizing networks for design, presentation, selection, management and development which includes learners, specialists and content providers. A large volume of data which is produced in user interaction with learning management systems, student selected courses and their course grades are stored. These data include valuable information for studying, analyzing student behavior and offering consulting services. Electronic learning systems need virtual consultants and online associate specialists because of user-teacher distance and lack of related assistance in order to help students make better decisions and improve the learning quality level. This study aims at gaining more experience than is acquired by an associate specialist and dean by means of data mining. It also uses the data mining results to conduct educational guidance in electronic learning systems. It finds hidden patterns in student's course selection and predicts their final grades. The research also investigates the effect of activity, entrance method, time of attendance, and semester in electronic learning systems

کلیدواژه‌ها [English]

Electronic Learning
Learning Data Mining
Associative Rules
Prediction

مراجع

[1] Han J. and Kamber M., Data Mining concepts and techniques, Morgan Kaufmann publishers, 2006. [2] Romero C. and Ventura S., Educational data mining: A survey from 1995 to 2005, Expert Systems with Applications, 2007, pp.135-146. [3] Baker R. and Yacef K., The State of Educational Data Mining in 2009: A Review and Future Visions, Journal of Educational Data Mining, Vol.1, No.1, 2010, pp.3-17. [4] Romero C., Ventura S. and Garcia E., Data Mining in Course Management Systems: MOODLE Case Study and Tutorial, Computers & Education, Vol.51, No.1, 2008, pp.368-384. [5] Suneetha K.R. and Krishnamoorthi R., Identifying User Behavior by Analyzing Web Server Access Log File, International Journal of Computer Science and Network Security, Vol.9, 2009, p.6. بهروز مقصودی و همکاران 081 نشریه علمی پژوهشی فناوری آموزش، سال ششم، جلد 6 ،شماره 3 ،تابستان 3313 [6] Castro F., Vellido A., Nebot A. and Mugica F., Applying Data Mining Techniques toe-Learning Problems, in Studies in Computational Intelligence, Berlin and Heidelberg: SpringerVerlag, 2007, pp.183-221. [7] Chen G., Liu C., Ou K. and Liu B., Discovering decision knowledge from web log portfolio for managing classroom processes by applying decision tree and data cube technology, Journal of Educational Computing Research, Vol.23, No.3, 2000, pp.305-332. [8] Minaei-Bidgoli B. and Punch B., Using Genetic Algorithms for Data Mining Optimization in an Educational Web-based System, Genetic and Evolutionary Computation, Vol.2, 2003, pp.2252-2263. [9] Baker R.S., Corbet A.T. and Koedinger K., Detecting Student Misuse of Intelligent Tutoring Systems, in Proceedings of the 7th International Conference on Intelligent Tutoring Systems, Maceio, Brazil, 2004, pp.531-540. [10] Kotsiantis S.B., Pierrakeas C.J. and Pintelas P.E., Predicting Students’ Performance in Distance Learning Using Machine Learning Techniques, Applied Artificial Intelligence, Vol.18, No.5, 2004, pp.411-426. [11] Yudelson M.V. and et al., Mining Student Learning Data to Develop High Level Pedagogic Strategy in a Medical ITS, in Proceedings of the AAAI Workshop on Educational Data Mining, Boston, MA, USA, 2006, pp.1-8. [12] Cocea M. and Weibelzahl S., Can Log Files Analysis Estimate Learners’ Level of Motivation?, in Proceedings of the 14th Workshop on Adaptation and User Modeling in Interactive Systems, Hildesheim, Germany, 2006, pp.32-35. [13] Hamalainen W. and Vinni M., Comparison of machine learning methods for intelligent tutoring systems, in Proceedings of the 8th international conference in intelligent tutoring systems, Taiwan, 2006, pp.525-534. [14] Zaïane O., Building a recommender agent for e-learning systems, in Proceedings of the International Conference on Computers in Education, 2002, pp.55. [15] Hwang G.J., Hsiao C.L. and Tseng C.R., A computer-assisted approach to diagnosing student learning problems in science, Journal of Information Science and Engineering, Vol.19, 2003, pp.229-248. [16] Lu J., Personalized e-learning material recommender system, in Proceedings of the International conference on information technology for application, Utah, USA, 2004, pp.374-379. [17] Markellou P., Mousourouli I., Spiros S. and Tsakalidis A., Using semantic web mining technologies for personalized e-learning experiences, in Proceedings of the web-based education conference, Grindelwald, Switzerland, 2005, pp.461-826. [18] Ramli A.A., Web usage mining using apriori algorithm: UUM learning care portal case, in Proceedings of the International Conference on Knowledge Management, Malaysia, 2005, pp.1-19. [19] Minaei - Bidgoli B., Tan P. and Punch W., Mining interesting contrast rules for a webbased educational system, in Proceedings of the international conference on machine learning applications, Louisville, KY, 2004, pp.1-8. [20] Romero C., Ventura S. and Bra P.D., Knowledge discovery with genetic programming for providing feedback to courseware author, User Modeling and UserAdapted Interaction: The Journal of Personalization Research, Vol.14, No.5, 2004, pp.425-464. [21] Yu P., Own C. and Lin L., On learning behavior analysis of web based interactive environment, in Proceedings of the Workshop on Implementing Curricular Change in Engineering E

نامه به سردبیر

سر دبیر نشریه فناوری آموزش، با تواضع انتشار نامه های واصله از نویسندگان و خوانندگان و بحث در سامانه نشریه را ظرف 3 ماه از تاریخ انتشار آنلاین مقاله در سامانه و یا قبل از انتشار چاپی نشریه، به منظور اصلاح و نظردهی امکان پذیر نموده است.، البته این شامل نقد در مورد تحقیقات اصلی مقاله نمی باشد.

توچه به موارد ذیل پیش از ارسال نامه به سردبیر لازم است در نظر گرفته شود:

[1]نامه هایی که شامل گزارش از آمار، واقعیت ها، تحقیقات یا نظریه ها هستند، لازم است همراه با منابع معتبر و مناسب باشند، اگرچه ارسال بیش از زمان 3 نامه توصیه نمی گردد

[2] نامه هایی که بجای انتقاد سازنده به ایده های تحقیق، مشتمل بر حملات شخصی به نویسنده باشند، توجه و چاپ نمی شود

[3] نامه ها نباید بیش از 300 کلمه باشد

[4] نویسندگان نامه لازم است در ابتدای نامه تمایل یا عدم تمایل خود را نسبت به چاپ نظریه ارسالی نسبت به یک مقاله خاص اعلام نمایند

[5] به نامه های ناشناس ترتیب اثر داده نمی شود

[6] شهر، کشور و محل سکونت نویسندگان نامه باید در نامه مشخص باشد.

[7] به منظور شفافیت بیشتر و محدودیت حجم نامه، ویرایش بر روی آن انجام می پذیرد.