دسته بندی سبک های یادگیری با استفاده از ویژگی های رفتاری و ماشین بردار پشتیبان دو قلو

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 555

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JEIT-13-3_007

تاریخ نمایه سازی: 16 تیر 1398

چکیده مقاله:

موفقیت تحصیلی دانشجویان از اهداف مهم در محیط های 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 می کند. لحاظ کردن یک شیوه مناسب آموزش باعث بهبود عملکرد دانشجویان در محیط آموزشی می شود. در این مقاله، هدف ساخت یک مدل برای تشخیص خودکار سبک های یادگیری است. 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. ویژگی های رفتاری از نحوه تعامل دانشجویان با سامانه آموزش الکترونیکی استخراج شده و سپس سبک های یادگیری با روش ماشین بردار پشتیبان دو قلو دسته بندی می شوند. ماشین بردار پشتیبان دو قلو گونه جدیدی از دسته بند های مبتنی بر مرز مانند SVM است که هدف آن بدست آوردن حاشیه ناموازی است. این دسته بند به دادگان نامتوزان حساس نمی باشد و سرعت آموزش آن بسیار سریع است. نتایج نشان می-دهد که روش پیشنهادی از سایر روش ها بهتر عمل کرده و با دقت 95 درصد سبک های یادگیری را تشخیص می-دهد.

نویسندگان

جلال الدین نصیری

گروه پژوهشی زبان شناسی رایانشی، پژوهشگاه علوم و فناوری اطلاعات ایران، تهران، ایران

امیر محمود میر

مهندسی کامپیوتر، دانشگاه آزاد تهران شمال، تهران

سمیه فتاحی

گروه پژوهشی سیستم های اطلاعاتی، پژوهشگاه علوم و فناوری اطلاعات ایران، تهران، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Fatahi, S., & Moradi, H. (2016). A fuzzy cognitive map ...
  • Fatahi, S., Moradi, H., & Kashani-Vahid, L. (2016). A survey ...
  • Haron, N. B., & Salim, N. B. (2006). Empirical evaluation ...
  • Durling, D., Cross, N., & Johnson, J. (1996). Personality and ...
  • Felder, R. M., Felder, G. N., & Dietz, E. J. ...
  • Kinshuk, S. G. (2007). Providing adaptive courses in learning management ...
  • García, P., Amandi, A., Schiaffino, S., & Campo, M. (2007). ...
  • Gong, W., & Wang, W. (2011). Application research of support ...
  • Fatahi, S., Moradi, H., & Farmad, E. (2015). Behavioral Feature ...
  • Truong, H. M. (2016). Integrating learning styles and adaptive e-learning ...
  • Jayadeva, Khemchandani, R., & Chandra, S. (2007). Twin support vector ...
  • Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine learning, ...
  • Nayak, J., Naik, B., & Behera, H. (2015). A comprehensive ...
  • Ripley, B. D. (2007). Pattern recognition and neural networks (1st ...
  • Kumar, M. A., & Gopal, M. (2009). Least squares twin ...
  • Witten, I. H., Frank, E., Hall, M. A., & Pal, ...
  • نمایش کامل مراجع