طراحی یک سامانه توصیه‌گر ترکیبی دوره‌های آموزشی براساس روش استدلال مبتنی بر نمونه و منطق فازی

درزی, محمد; حسینی, مهدی; لیایی, علی‌اصغر; مرادی‌منش, زهرا; اصغری, حبیب‌اله

doi:10.22061/tej.2010.309

نوع مقاله : مقاله پژوهشی

نویسندگان

پژوهشکده ICT،جهاد دانشگاهی،تهران،ایران

https://doi.org/10.22061/tej.2010.309

چکیده

در این پژوهش، ابتدا دو مورد از چالش‌های پیش‌ روی شرکت‌های کوچک و متوسط در نیازسنجی و برنامهریزی آموزشی مورد بررسی قرار میگیرد و مسأله انتخاب دوره‌های آموزشی و مهارتی مناسب تشریح میشود. سپس در جهت شناسایی نیازهای آموزشی شرکتها و برنامهریزی دورههای آموزشی مناسب، سیستمی برای پیشنهاد دوره‌های آموزشی با استفاده از روش استدلال مبتنی بر نمونه و منطق فازی ارائه میشود. استدلال مبتنی بر نمونه، برای حل مسائل جدید از مسائل مشابه حل‌شده‌ پیشین استفاده می‌کند. پایگاه دانش این متدولوژی که در آن تجربیات و دانش اندوخته قبلی به صورت نمونه‌‌ها ذخیره می‌شود، کمک میکند تا دانش متخصصان در سیستم پیشنهادی جمع‌آوری و حفظ شود. استفاده از این سیستم در برنامهریزی آموزشی شرکتها، گامی نوین در جهت همسوسازی فعالیتهای آموزشی و مدیریت دانش است و با هدف افزایش عملکرد و تعالی در سازمانها انجام میشود. از طرف دیگر در بازنمایی و بازیابی نمونه‌ها (مقیاس شباهت) از منطق فازی استفاده شده است تا در مدیریت ابهام و عدم قطعیتی که در اطلاعات جمعآوری شده از شرکت‌های کوچک و متوسط وجود دارد به سیستم کمک کرده و کارایی آن را افزایش دهد. در مدل کردن حوزههای عملکردی، چارچوب بنیاد اروپایی مدیریت کیفیت (EFQM) به کار رفته است و همچنین به منظور کاهش زمان به ثبات رسیدن عملکرد سیستم، با استفاده از یک آستانه شباهت و یک روش ابتکاری برای تکمیل فرایند پیشنهاد(SMART) که بر اساس عملکرد ذهن خبره عمل می‌کند، خلأ ارائه توصیههای مرتبط پوشش داده میشود. در پایان، مدل طراحی‌شده با روشهای مرسوم حوزه استدلال مبتنی بر نمونه، ارزیابی شده و نتایج ارزیابی گزارش شده است.

کلیدواژه‌ها

20.1001.1.20080441.1389.5.1.2.3

موضوعات

فناوری آموزش- تربیت معلم

عنوان مقاله [English]

A Hybrid Training Course Recommender System using Case-based Reasoning and Fuzzy Logic

نویسندگان [English]

M. Darzi
M. Hosseini
A. Liyaee
Z. Moradi
H. Asghari

ICT Research Institute, Jahad Daneshgahi, Tehran, Iran

چکیده [English]

In this study, firstly two challenges ahead of SMEs in doing need assessment & educational planning are considered. Then the issue of finding and selecting training courses is elaborated. Afterwards, a system of recommending training courses using case-based reasoning and Fuzzy Model is presented in order to identify the need assessment of firms as well as planning a suitable curriculum. The case-based reasoning is based on this principle that similar problems have similar solutions. In the knowledge base (case base) of this methodology in which the information & records of the past are gathered as cases, helps to collect & maintain the experts' knowledge in the proposed system. In this system, the Fuzzy model has been used to cope with the ambiguities & uncertainties in case representation and retrieval phase. EFQM (European Foundation for Quality Management) is applied for case modeling. Besides, in order to overcome the cold start problem, a module that is called SMART (Supplementary Module to Accomplish Recommending Task) has been used in which infer as an expert. Finally, this system is evaluated and the results are reported.

کلیدواژه‌ها [English]

Need Assessment
Training Course Recommendation
Recommender System
Case-based Reasoning
Fuzzy logic
Small and Medium Enterprises (SMEs)

مراجع

[1] Hamburg I. and Engert S., Competency-based Training in SMEs: The Role of ELearning and E-Competence, In Proceedings of the 6th IASTED International Conference Web-based Education, Chamonix, France March, 2007, pp.189-193. [2] Roy A. and Raymond L., Meeting the Training Needs of SMEs: is e-Learning a Solution? The Electronic Journal of e- Learning, Vol.6, No.2, July 2008, pp. 89 – 98. [3] Zadeh L.A., Fuzzy sets Information and Control, 1965, pp. 338-353. [4] Zimmerman H.J., Fuzzy Sets Theory and Its Applications, 3rd ed., Kluwer- Nijhoff, Amsterdam, 1996. [5] Aamodt A. and Plaza E., Case-Based Reasoning: Foundational issues, AI Communications, Vol.7, No.1, 1994, pp. 39-59. [6] Mullins R. and et al., A Web Based Intelligent Training System for SMEs, The Electronic Journal of e-Learning, Vol.5, No.1, 2007, pp. 39-48. ]7 ]مرادی منمش زهرا ، درزی محمد و اصغری وبیب اددد، بررسی و تحلیل فاکتورهمای اساسی در طراوی ی سیستم توصیهگر، دومیآ کنررانس شهر الکترونیکی، خرداد، 0399د [8] Chang P., Liu C. and Lai R., A fuzzy case-based reasoning model for sales forecasting in print circuit board industries, Expert Systems with Applications, 2008, pp. 2049–2058. [9] Chaudhury S.S., Singh T. and Goswami S.P., Distributed fuzzy case based reasoning, Applied Soft Computing, Vol. 4, 2004, pp. 323–343. [10] Bonissone P. and Cheetham W., Fuzzy CaseBased Reasoning for Residential Property Valuation, Handbook on Fuzzy Computing, Oxford University Press, 1998. طراوی ی سامانه توصیهگر ترکیبی ددد نشریه علمی پژوهشی فناوری آموزش، سال پنجم، جلد 5 ،شماره 2 ،زمستان 9831 918 [11] Dubois D., Esteva F., Garcia P., Godo L., López de Màntaras R. and Prade H., Fuzzy set-based models in case-based reasoning, IIIA Research Report, 1997, pp.97-109. [12] Ma Z., Hu J., Zhao S., and Huang J., Mobile Network Optimization Using Fuzzy Case-Based Reasoning for GSM, In Proceedings of the 2009 Symposia and Workshops on Ubiquitous, Autonomic and Trusted Computing, IEEE Computer Society, Washington D.C, July, 2009, pp.461- 464. [13] Jaczynski M. and Trousse B., Fuzzy logic for the retrieval step of a case-based reasoned, in proceeding of the EWCBR'94, 1994, pp.313- 321. [14] Hansen B.K., Weather Prediction Using CaseBased Reasoning and Fuzzy Set Theory, Master of Computer Science thesis, Technical University of Nova Scotia. Canada, 2001. [15] Darzi M., Manesh Z.M., Hosseini M., Liaei A.A. and Asghari H., FCRS: A Fuzzy Casebased Recommender System for SMEs, In the proceeding of International Conference on Education and Information Technology, Chongqing, China, September, 2010 , pp.17-21. [16] Burke J. and Sandvig R., AACORN: A CBR recommender for academic advising, DePaul University, 2000. [17] Bendakir N. and Aimeur E., Using association rules for course recommendation, In Proceedings of the AAAI Workshop on Educational Data Mining, July, 2006 , pp.31–40. [18] Farzan R. and Brusilovsky P., Social navigation support in a course recommender system, In Proceedings of the 4th International Conference on Adaptive Hypermedia and Adaptive Webbased Systems, June, 2006, pp.91–100. [19] Ching Hsu I., SXRS: An XLink-based Recommender System using Semantic Web technologies, Expert Systems with Applications, Vol.36 No.2, March, 2009, pp. 3795-3804. [20] Saidi-Mehrabadi M., RezaeiSadrabadi M. and Mohammadian I., A new method to fuzzy modeling and its application in performance evaluation of tenants in incubators, In The International Journal of Advanced Manufacturing Technology, April, 2008, pp.192-201. [21] Benítez J.M., Martín J.C. and Román C., Using fuzzy number for measuring quality of service in the hotel industry, Tourism Management, Vol.28,No.2, April, 2007, pp.544–555. [22] Avramenko Y. and Kraslawski A., Case based design: Application in process Engineering, Springer-Verlag, Berlin, Heidelberg, 2008. [23] Kolodner J., Cased-based reasoning. Morgan Kaufmann, San Mateo, CA, 1993. [24] Chen S.J., A new similarity measure of generalized fuzzy numbers based on geometric-mean averaging operator, IEEE International Conference on Fuzzy Systems, BC, Canada Vancouver, 2006, pp.1879-1886. [25] Wilke W. and Bergmann R., Techniques and knowledge used for adaptation during casebased problem solving, In Tasks and Methods in Applied Artificial Intelligence, Springer Berlin / Heidelberg, 1998, pp.497-506. [26] Wilke W. and Bergmann R., Techniques and knowledge used for adaptation during casebased problem solving, In :Tasks and Methods in Applied Artificial Intelligence, Springer Berlin / Heidelberg, 1998, pp.497-506. [27] Burke R.D., Hybrid recommender systems: Survey and experiments, User Model, UserAdapt. Interact, Vol.12, No.4, 2002, pp.331– 370. [28] Breese J.S., Heckerman D. and Kadie C., Empirical analysis of predictive algorithms for collaborative filtering, in: Proc, of the 14th Annual Conf. on Uncertainty in AI, 1998, pp.43-52. [29] Chen S.J., Chen S.M. and Fuzzy risk analysis based on the ranking of generalized trapezoidal fuzzy numbers. Applied Intelligence, Vol.26, No.1, 2007, pp.1-11. [30] Hanley J.A. and McNeil B.J., The Meaning and Use of the Area under a Receiver Operating Characteristic (RO

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.