فصلنامه علمی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه زبان‌شناسی رایانشی، پژوهشکده علوم اطلاعات، پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)، تهران، ایران

2 گروه مهندسی کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه آزاد اسلامی، واحد تهران شمال، تهران، ایران

3 گروه سیستم‌های اطلاعاتی، پژوهشکده فناوری اطلاعات، پژوهشگاه علوم و فناوری اطلاعات ایران (ایرانداک)، تهران، ایران

چکیده

پیشینه و اهداف:دسترسی به اینترنت و کامپیوتر فرصت­هایی را برای آموزش الکترونیکی ایجاد کرده­اند. دسترسی راحت­تر به منابع و آزادی عمل کاربران از مزایای آموزش الکترونیکی است. با این حال آموزش الکترونیکی جذابیت و پویایی آموزش­های سنتی یا چهره به چهره را ندارد و در این سیستم­ها وضعیت کاربر مانند نرخ یادگیری و وضعیت انگیزشی آن­ها در نظر گرفته نمی­شود. از این رو، توسعه دهندگان سیستم­های آموزش الکترونیکی می توانند با در نظر گرفتن سبک یادگیری و طراحی رابط­های کاربری تعاملی به حل کردن مشکلات مذکور در این سیستم­ها کمک نمایند. همچنین تشخیص خودکار سبک یادگیری نه تنها جذابیت آموزش الکترونیکی را افزایش می­دهد، بلکه موجب افزایش کارایی و انگیزه یادگیرندگان در محیط­های الکترونیکی نیز می­شود.مطالعات روانشناسی نشان می­دهد که افراد در تصمیم­گیری، حل مسئله و یادگیری با یکدیگر متفاوت هستند. سبک یادگیری باعث می­شود که افراد به گونه متفاوتی یک مطلب را درک کنند.  برای مثال افرادی که حافظه بصری خوبی دارند، ارائه مباحث به صورت بصری را نسبت به صورت شفاهی ترجیج می­دهند. لحاظ کردن یک شیوه مناسب آموزش باعث بهبود عملکرد یادگیرنده در محیط آموزشی می­شود. عدم توجه به سبک یادگیری دانشجویان باعث کاهش انگیزه و علاقه­ی آن­ها به مطالعه و شرکت در دوره­های آموزشی می­شود.موفقیت تحصیلی دانشجویان از اهداف مهم در محیط­های آموزشی است. یکی از عوامل مهم در تحقق این هدف، توجه به سبک یادگیری دانشجویان است. آگاهی از سبک یادگیری دانشجویان به طراحی یک روش مناسب آموزش کمک می­کند. لحاظ کردن یک شیوه مناسب آموزش باعث بهبود عملکرد دانشجویان در محیط آموزشی می­شود. در این مقاله، هدف ساخت یک مدل برای تشخیص خودکار سبک­های یادگیری است.
روش ها: بدین منظور از یک محیط آموزش الکترونیکی متشکل از 202 دانشجو رشته مهندسی برق و کامپیوتر، دو مجموعه داده برای ایجاد مدل جمع آوری شده است. ویژگی­های رفتاری از نحوه تعامل دانشجویان با سامانه آموزش الکترونیکی استخراج شده و سپس سبک­های یادگیری با روش ماشین بردار پشتیبان دو قلو دسته­بندی می­شوند. ماشین بردار پشتیبان دو قلو گونه جدیدی از دسته­بند­های مبتنی بر مرز مانند SVM است که هدف آن بدست آوردن حاشیه ناموازی است. این دسته­بند به دادگان نامتوزان حساس نمی باشد و سرعت آموزش آن بسیار سریع است.
یافته ها: در این پژوهش، ضمن تاکید بر افزایش جذابیت آموزش الکترونیکی، مسئله تشخیص خودکار سبک یادگیری دانشجویان بررسی شده است و مدل MBTI برای تعیین سبک­های یادگیری استفاده شده است. دو مجموعه داده از تعامل 202 دانشجو مهندسی برق و کامپیوتر با سامانه آموزش الکترونیکی مودل جمع آوری شده است. مجموعه داده جمع­آوری شده بسیار نامتوزان است که تاثیر منفی روی دقت دسته بند­ها دارد. با در نظر گرفتن این نکته، ماشین بردار پشتیبان دو قلو کمترین مربعات به عنوان دسته­بند استفاده شده است. ویژگی بارز این دسته­بند حساسیت کم به توازن داده­ها و سرعت بسیار زیاد است. نتایج نشان می­دهد که روش پیشنهادی با وجود نامتوزان بودن داده­ها، در دسته­بندی سبک یادگیری دانشجویان بسیار خوب عمل کرده است و با دقت 95 درصد سبک­های یادگیری را تشخیص می­دهد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Classification of learning styles using behavioral features and twin support vector machine

نویسندگان [English]

  • J. Nasiri 1
  • A.M. Mir 2
  • S. Fatahi 3

1 Department of Computational Linguistics, Information Science Research Department, Iranian Research Institute for Information Science and Technology (IRANDOC), Tehran, Iran

2 Department of Computer Engineering, Faculty of Electrical and Computer Engineering, North Tehran Branch, Islamic Azad University, Tehran, Iran

3 Department of Information Systems, Information Technology Research Department, Iranian Research Institute for Information Science and Technology (IRANDOC), Tehran, Iran

چکیده [English]

Background and Objective:Internet and computer access have created opportunities for e-learning. Easier access to resources and freedom of action for users is one of the benefits of e-learning. However, e-learning is not as attractive and dynamic as traditional or face-to-face instruction, and in these systems the user's condition, such as learning rate and motivation, is not taken into account. Therefore, the developers of e-learning systems can help to solve the problems mentioned in these systems by considering the learning style and design of interactive user relationships. Automated identification of learning style not only increases the attractiveness of e-learning, but also increases the efficiency and motivation of learners in e-learning environments. Research shows that people differ in decision making, problem solving, and learning. Learning style makes people understand a story differently. For example, people with good visual memory prefer to present topics visually rather than orally. Applying a proper teaching method improves the learner's performance in the learning environment. Lack of attention to students' learning style reduces their motivation and interest in studying and engagement in educational courses. Students’ success is one of the prominent goals in the learning environments. In order to achieve this goal, paying attention to students’ learning style is essential. Being aware of students’ learning style helps to design an appropriate education method which improves student’s performance in the learning environments. In this paper, the aim is to create a model for automatic prediction of learning styles.
Methods: Therefore, two real datasets collected from an e-learning environment which consists of 202 electrical and computer engineering students. Behavioral features were extracted from users’ interaction with e-learning system and then learning styles were classified using twin support vector machine. Twin support vector machine is an extension of SVM which aims at generating two non-parallel hyperplanes. This classifier is not sensitive to imbalanced datasets and its training speed is fast.
Findings: In this study, increasing the attractiveness of e-learning is emphasized and the issue of automatic recognition of students' learning style has been investigated by MBTI model. Two data sets from the interaction of 202 electrical and computer engineering students with the Moodle e-learning system have been collected. The collected data set is very unbalanced, which has a negative effect on the accuracy of the categories. With this in mind, the twin support vector machine uses the least squares as a binder. The distinctive feature of this category is the low sensitivity to data balance and very high speed. The results show that the proposed method, despite the inconsistency of the data, has performed very well in the classification of students' learning style and accurately recognizes 95% of learning styles.
Conclusion: Due to the excellent performance of the proposed method, a new component can be added to e-learning systems such as Moodle by identifying the learning style, content and appropriate teaching method for the learner. Future research could also gather more data from an e-learning environment and categorize learning styles with cognitive characteristics from the learner.
 
=====================================================================================
COPYRIGHTS 
©2019 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. 
=====================================================================================

کلیدواژه‌ها [English]

  • e-Learning
  • Learning style
  • Support vector machine
  • MBTI
  • Classification

[1] Fatahi S, Moradi H. A fuzzy cognitive map model to calculate a user’s desirability based on personality in e-learning environments. Computers in Human Behavior. 2016; 63: 272-281.

[2] Fatahi S, Moradi H, Kashani-Vahid L. A survey of personality and learning styles models applied in virtual environments with emphasis on e-learning environments. Artificial Intelligence Review. 2016; 46(3): 413-429.

[3] Haron NB, Salim NB. Empirical evaluation of mixed approach in adaptive hypermedia learning system. In Proceedings of the postgraduate annual research seminar (pp. 244-249).; 2006

[4] Durling D, Cross N, Johnson J. Personality and learning preferences of students in design and design-related disciplines. London: L. University; 1996

[5] Felder RM, Felder GN, Dietz EJ. (2002). The effects of personality type on engineering student performance and attitudes. Journal of Engineering Education. 2003; 91(1): 3-17.

[6] Kinshuk SG. Providing adaptive courses in learning management systems with respect to learning styles. Proceedings of the world conference on e-learning in corporate, government, healthcare, and higher education (e-Learn) (pp. 2576-2583); 2007.

[7] García P, Amandi A, Schiaffino S, Campo M. Evaluating Bayesian networks’ precision for detecting students’ learning styles. Computers & Education. 2007; 49(3): 794-808.

[8] Gong W, Wang W. Application research of support vector machine in E-Learning for personality. Cloud Computing and Intelligence Systems (CCIS), IEEE International Conference on (pp. 638-642); 2011

[9] Fatahi S, Moradi H, Farmad E. Behavioral Feature Extraction to Determine Learning Styles in e-Learning Environments. International Association for Development of the Information Society; 2015.

[10] Truong HM. Integrating learning styles and adaptive e-learning system: Current developments, problems and opportunities. Computers in Human Behavior. 2016; 55: 1185-1193.

[11] Jayadeva Khemchandani R, Chandra S. Twin support vector machines for pattern classification. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2007; 29(5).

[12] Cortes C, Vapnik V. Support-vector networks. Machine Learning. 1995; 20(3): 273-297.

[13] Nayak J, Naik B, Behera H. A comprehensive survey on support vector machine in data mining tasks: applications & challenges. International Journal of Database Theory and Application. 2015; 8(1): 169-186.

[14] Ripley BD. Pattern recognition and neural networks (1st ed.). Cambridge: Cambridge university press; 2007.

[15] Kumar MA, Gopal M. Least squares twin support vector machines for pattern classification. Expert Systems with Applications. 2009; 36(4): 7535-7543.

[16] Witten IH, Frank E, Hall MA, Pal CJ. Data Mining: Practical machine learning tools and techniques (4th ed.). Massachusetts: Morgan Kaufmann; 2016.


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.

CAPTCHA Image