ارائه چارچوب پیشنهادگر بهبود یافته برای منابع یادگیری و درس در محیط یادگیری شخصی با استفاده از داده کاوی

سیستم های آموزشی مبتنی بر وب هوشمند و تطبیق پذیر به عنوان راه حلی برای ایجاد محیط های یادگیری شخصی(ple) ارائه شده اند. این سیستم ها سعی در پیشنهاد آموزش های شخصی به یادگیرنده با توجه به مدلسازی دانش، اولویت ها و اهداف او دارند. سیستم های پیشنهادگر (rs) نیز برای حمایت یادگیرندگان و پیشنهاد منابع یادگیری مناسب به منظور حل مساله اضافه بار اطلاعات و شخصی سازی محیط یادگیری با توجه به گرایش و اولویت های یادگیرنده به عنوان جزئی از این سیستم ها به کارگرفته شده اند. این تحقیق در سه بخش مجزا با هدف بهبود عملکرد rs جهت ارائه منابع یادگیری و دروس یادگیری ارائه شده است. در دو بخش اول هدف پیشنهاد منابع یادگیری و بخش سوم هدف پیشنهاد دروس مناسب می باشد. در بخش اول ویژگی های صریح (آشکار) و ویژگی های ضمنی (پنهان) برای منابع یادگیری و یادگیرندگان معرفی می شود. در پیشنهادگر مبتنی بر ویژگی های صریح ((eabr، ابتدا منابع در فضای چند بعدی ویژگی های صریح مدل شده و سپس درخت ویژگی های یادگیرنده (lat) به منظور مدل کردن ارجحیت های چندگانه یادگیرنده با استفاده همزمان ویژگی های صریح منبع، امتیازدهی یادگیرنده و ترتیب مطالعه منابع ساخته می-شود. از مفهوم تابع فراموشی تدریجی (gff) نیز برای ایجاد رویکردی داینامیک، در مدلسازی ارجحیت های کاربر استفاده می شود. در این پیشنهادگر پیشنهادات با استفاده از دو رویکر پالایش محتوایی مبتنی بر ویژگی (abcbf) و پالایش مشارکتی مبتنی بر ویژگی (abcf) تولید می شود. این پیشنهادگر قادر است مسائل تنک بودن داده ها و شروع سرد را کاهش داده و در عین یک لیست پیشنهادی نسبتا متنوع ارائه دهد. به منظور افزایش دقت پیشنهادات در مواقعی که اطلاعات درباره ویژگی های صریح کافی نمی باشد، ویژگی های ضمنی معرفی می شود. در پیشنهادگر مبتنی بر ویژگی های ضمنی ((eabr از تکنیک جداسازی غیر منفی ماتریس(nnmf) جهت استخراج ویژگی های ضمنی استفاده می شود. مقادیر اولیه این ویژگی ها نیز با استفاده از الگوریتم ژنتیک(ga) برای کاربران و آیتم ها تولید می شود. در نهایت در این بخش دو رویکرد وزنی و آبشاری جهت ترکیب پیشنهادات استفاده می شود. نتایج ارزیابی رویکرد ارائه شده با استفاده از داده های واقعی محیط آموزشی نشان از افزایش دقت پیشنهادات و کاهش مسائل تنک بودن داده ها و شروع سرد دارد. از آنجائیکه منابع یادگیری دارای یک ترتیب ذاتی در فرآیند یادگیری می باشند، در بخش دوم از کاوش الگوی توالی(spm) برای شناسایی الگوهای پنهان توالی دسترسی منابع یادگیری استفاده می شود. با مقایسه دو الگوریتمprefixspan و + bideمشخص شد که پیشنهادات دو الگوریتم دارای دقت (سنجه ) تقریبا یکسانی بوده در حالی که سرعت حل الگوریتم + bideبالاتر از prefixspan می باشد. بنابراین الگوهای توالی بسته کشف شده توسط +bide، توسط دو رویکرد پیشنهادات مبتنی بر مدل منطقی (lbr) و پیشنهادات مبتنی بر مدل مارکو (mbr) جهت تولید پیشنهادات استفاده شد. علاوه بر آن پیشنهادات lbr با پیشنهادات روش پالایش مشارکتی (cf) مبتنی بر آیتم با دو وزنی و آبشاری ترکیب شد. نتایج آزمایشات نشان می دهد که استفاده از الگوهای پنهان توالی دسترسی منابع یادگیری کیفیت پیشنهادات را بهبود می دهد. از آنجائی که پیشنهاد درس یا مساله به یادگیرنده بر اساس عملکرد قبلی او در گذشته می باشد، پیش بینی عملکرد یادگیرندگان از ضروریات سیستم های یادگیری است. لذا در بخش سوم رویکردی جدید بر مبنای سیستم های پیشنهادگر جهت پیش بینی عملکرد یادگیرنده ارائه می شود. ابتدا از الگوریتم k-میانگین جهت خوشه بندی یادگیرندگان استفاد می شود. بعد از تشکیل خوشه ها، قواعد انجمنی(ar) به منظور پیش بینی عملکرد یادگیرنده با توجه به عملکرد گذشته او (حداقل بعد از دو ترم تحصیلی) ویرایش می شود. به منظور بهبود دقت پیش بینی نتایج حاصل از ar با استفاد از روش رای اکثریت با نتایج cf تقویت می شود. نتایج ارزیابی رویکرد ارائه شده نشان داد که رویکرد ترکیبی دقت پیشنهادات را افزایش می دهد.