مدل‌سازی دانش کاربر به ‌منظور یادگیری تطبیقی در محیط یادگیری الکترونیکی

در سال‌های اخیر از روش‌های داده‌کاوی به‌طور گسترده درزمینه‌ی یادگیری الکترونیکی استفاده‌شده است. درواقع محققین مختلف با استفاده از روش‌های داده‌کاوی سعی در شناخت هر چه بیشتر یادگیرندگان و درنتیجه ایجاد یادگیری تطبیقی داشته‌اند. در تحقیقات از ویژگی‌ها، عملکرد، سبک یادگیری و سبک‌شناختی یادگیرندگان استفاده‌شده است. این مقاله به شناسایی سطح دانش یادگیرندگان و مدل‌سازی آن‌ها به‌منظور شخصی‌سازی آموزش ارائه‌شده، می‌پردازد. به‌منظور ایجاد مدل پیشنهادی از شبکه عصبی تابع پایه شعاعی بهبودیافته استفاده‌شده و برای ارتقاء این شبکه از یک رویکرد آموزش سه مرحله‌ای بهره‌گیری شده است. این رویکرد در مرحله اول از الگوریتم بهینه‌سازی گروه ذرات، در مرحله دوم الگوریتم نزدیک‌ترین K همسایه و در فاز سوم الگوریتم تندترین کاهش را به کار گرفته است. در ادامه‌ی مقاله به بررسی مشخصه‌های یادگیرندگان پرداخته و چهار مشخصه مناسب به‌منظور پیش‌بینی متغیر کلاس جهت تعیین سطح دانش یادگیرندگان، ایجادشده است. جهت ارزیابی مدل ارائه‌شده، یک دوره‌ی مجازی آموزش مایکروسافت اکسل مورد آزمایش قرارگرفته است. یادگیرندگان دوره‌ی موردنظر در سه گروه آزمایشی قرار گرفتند. یکی از گروه‌ها از مدل پیشنهادی استفاده کرده و دو گروه دیگر از یادگیرندگان از ارائه دروس متوسط و الگوریتمی موجود از ادبیات تحقیق بهره ‌بردند. نتایج حاصل از آزمایش‌ها، موفقیت و رضایت تحصیلی یادگیرندگان گروه مربوط به مدل پیشنهادی را نشان می‌دهد.