بخشی از مقاله
چکیده :
تحقیقات در زمینه روانشناسی آموزش نشان میدهد که احساسات نقش مهمی در یادگیری ایفا میکنند. انسانها غالباً بین استدلال و احساس تفاوت قائل میشوند و فکر میکنند که احساسات مانع تصمیمگیری یا استدلال منطقی میشوند. اما براساس پژوهشهای انجام گرفته، فرآیندهای شناختی افراد به شدت به احساسات آنها وابسته است
امروزه جهتگیری بسیاری از سامانههای آموزش الکترونیکی به سمت شخصیسازی فرایند آموزش برای یادگیرنده است، زیرا ترتیب و ساختار آموزشی از پیش تعریفشدهی ثابت و یکسان برای تمامی یادگیرندگان مؤثر نخواهد بود؛ چراکه نمیتواند تغییرات نیازهای آنها را پوشش دهد
-1 مقدمه
یکی از مهمترین گرایشها در طراحی و ایجاد سامانههای آموزشیار هوشمند، فراهم کردن محیط یادگیری شخصی شده برای یادگیرندگان است. بسیاری از محققان بر این باورند که حالات احساسی یادگیرنده تأثیر بهسزایی بر میزان یادگیری افراد دارد. بنابراین اگر سامانههای آموزشیار هوشمند بتوانند حالات احساسی یادگیرنده را شناسایی کنند، میتوانند اثر بخشی فرایند یادگیری را بهبود دهند. همچنین اگر سامانههای آموزشیار هوشمند بتوانند توانایی یادگیرنده را تعیین و از آن برای ارائه درسپارها و آزمونها به یادگیرنده استفاده کنند، می-توانند فرایند یادگیری را بهبود دهند.
هدف نهایی از انجام این تحقیق، طراحی سامانه آموزشیار هوشمندی است که بتواند محیط یادگیری شخصیشدهای را برای یادگیرندگان با در نظر گرفتن دو عامل حالات احساسی و توانایی یادگیرنده ایجاد کند. در این تحقیق از تغییر حالات چهره برای تشخیص حالات احساسی یادگیرندگان استفاده شده است. اما روشهای ارائه شده برای شناسایی حالات چهره دارای کاستیهایی است و همین امر باعث شد تا در این تحقیق روشی نو بر مبنای موجک و روشهای هوشمند به منظور افزایش دقت شناسایی حالات چهره ارائه گردید که علاوه بر دقت بالای آن در شناسایی حالات چهره - تا - %92/9، از سرعت بالایی نیز برخوردار است که کاربرد آن را در محیطهای برخط مقدور میسازد.
علاوه بر این در این مقاله برای تعیین توانایی یادگیرنده از »نظریه پرسش و پاسخ« استفاده شده است و سامانه پیشنهادی براساس توانایی یادگیرنده، درسپارهای با سطح سختی مناسب و آزمونهای شخصیشده را به یادگیرندگان ارائه میدهد، سپس مدلی از سامانه آموزشیار هوشمند که بتواند از دو عامل حالات احساسی و توانایی یادگیرندگان برای ارائه آموزش شخصیشده استفاده کند، پیشنهاد شده است. برای اعتبار سنجی مدل پیشنهادی، این سامانه در محیط واقعی پیاده سازی شده و نتایج نشان میدهد که سامانه پیشنهادی توانسته بود »موفقیت تحصیلی« و »رضایت یادگیرندگان« را فراهم کند.
سامانههای آموزشیار هوشمند، شناسایی حالات چهره، نظریه پرسش و پاسخ، نظریه موجک هوشمند« شد . این سامانهها باید توانایی وفق پذیری و سازگاری با هر یادگیرنده به وسیله ارائه مطالب شخصی شده را دارا باشند .[2] این سامانهها باید درسپارهای آموزشی و راهبردهای آموزشی را براساس حالت آموزشی یادگیرنده - مانند سطح سواد و توانایی - و حالت احساسی او - مانند احساسات و شخصیت - به همان صورت که معلم انسانی از احساسات یادگیرنده به منظور افزایش کارایی فرایند آموزش استفاده میکند، ارائه کنند
مدل سازی ویژگیهای احساسی یکی از عوامل مهم در بهبود فرایند آموزشی به شمار میرود .[4] اما پژوهشهای انجام گرفته در این زمینه به دلیل نبود تعریفی مشخص برای احساس [5] و وجود حالتهای احساسی فراوان و به طبع آن راهبردهایی که متناسب با هر حالت احساسی باید ارائه شود، محدود است. بسیاری از تحقیقات در این زمینه تلاش زیادی برای شخصی سازی سامانههای آموزشیار هوشمند با استفاده از رفتار، علایق و عادت یادگیرندگان کردهاند
عموماً در این گونه سامانهها، توانایی یادگیرنده در ارائه مطالب درسی و آزمون با سطح سختی مناسب به او در نظر گرفته نمیشود. اما در بعضی از تحقیقات بر شخصی سازی محیط یادگیری الکترونیکی براساس توانایی یادگیرندگان تأکید شده است، زیرا ایجاد یک محیط یادگیری متناسب با توانایی و سطح دانش یادگیرنده میتواند اثربخشی فرایند یادگیری را بهبود دهد
نظریه پرسش و پاسخ1 یکی از ابزارهای پرکاربرد و محبوب برای اندازهگیری توانایی یادگیرندگان است که کاربرد آن در ایجاد آزمونهایی متناسب با توانایی یادگیرندگان است
هدف اصلی در این مقاله، طراحی سامانه آموزشیار هوشمندی است که با شناسایی حالتهای احساسی یادگیرنده در حین آموزش و نیز با لحاظ میزان توانایی علمی او بتواند آموزشی شخصیشده را به یادگیرندگان ارائه دهد. به همین دلیل روشی ابتکاری که بر مبنای تجزیه موجک، الگوریتم ژنتیک و دسته بند شبکه عصبی پایه شعاعی است برای شناسایی حالات احساسی چهره یادگیرندگان معرفی میشود.
برای سنجش توانایی یادگیرندگان از مدل سه پارامتری نظریه پرسش و پاسخ بهره گرفته شده است که از آن برای ارائه درسپارها2 و آزمونهای شخصی شده به یادگیرنده استفاده میشود. ادامه مقاله به این صورت است : در بخش دوم روش پیشنهادی برای شناسایی حاﻻت احساسی یادگیرنده از طریق چهره وی توضیح داده میشود. سپس نظریه پرسش و پاسخ در بخش سوم مرور میشود. در بخش چهارم سامانه آموزشیار هوشمند پیشنهادی بیان میشود و در ادامه و در بخش پنجم نحوه پیاده سازی و اعتبار سنجی سامانه پیشنهادی در محیط واقعی شرح داده میشود. در بخش انتهایی نتیجه-گیری ارائه میشود.
-2 روش پیشنهادی برای شناسایی حالات احساسی
در حالت کلی انسانها برای انتقال پیامها از راههای مختلفی همچون: گفتار، متن، تغییر حالتهای چهره و ژست استفاده میکنند که در این میان، حالتهای چهره مؤثرترین روش غیر صریح برای بیان حالتهای احساسی است .[10]
رایج ترین و پرکاربرد ترین توصیفی که از احساس وجود دارد، در سال 1971 میلادی توسط اکمان3 ارائه شد که احساسات انسانی را به شش دسته اصلی شامل: شادی، غم، هیجان، ترس، تنفر و عصبانیت تقسیم میکند .[11] در این مقاله نیز این شش حالت احساسی به همراه حالت احساسی خنثی4 برای شناسایی احساس فرد در نظر گرفته میشود. به همین منظور الگوریتمی بر مبنای تصاویر ایستا پیشنهاد شده است که از ویژگیهای ظاهری چهره برای شناسایی احساس استفاده می-کند.
روش پیشنهادی دارای سه قسمت اصلی است: پیش پردازش تصویر، استخراج ویژگی و دسته بندی احساس. پیش پردازش تصویر، مرحلهای مهم در مسائل شناسایی حالت چهره است که هدف اصلی آن به دست آوردن تصاویری هنجار شده، هم اندازه و هم شکل است .
در روش پیشنهادی از اشتراکیترین تشخیص دهنده صورت در تحلیل خودکار حالات چهره که به تشخیص دهنده صورت وایولا-جونز[13] 5 شناخته میشود، استفاده میشود. به منظور شناسایی احساس، نیاز است تا مجموعهای از پارامترهای کلیدی - مجموعه ویژگی - 6 را از تصویر استخراج کرد تا بتوان تفاوت بین احساسهای مختلف را مشخص کرد. برای استخراج ویژگی در الگوریتم پیشنهادی، ابتدا تبدیل موجک گسسته برای کاهش بعد تصویر استفاده میشود و سپس با اعمال روش GA/KNN، مجموعه ویژگی برای شناسایی احساس به دست میآید.
-1 -2 تبدیل موجک گسسته دو بعدی
تبدیل موجک گسسته7 نوعی تبدیل موجک است که نمایش فشردهای از سیگنال را در دو حوزه زمان و فرکانس ارائه میدهد که از نظر محاسباتی بسیار کارآمد است. این تبدیل، سیگنال را به زیر باندهای فرکانسی در مقیاسهای مختلف تجزیه میکند. متداولترین روش برای تجزیه سیگنال، روش هرمی8 است. در سطح رزولوشن k، روش هرمی سیگنال را به 3k+1 زیر باند تجزیه میکند که LL زیر باندی است که حاوی پایین ترین فرکانسهای موجود در تصویر است .[14] برای هر فیلتر موجک، زیر باند
صاف ترین مدل 9 از تصویر اصلی و بهترین تقریب برای تصویر اصلی است که بُعد فضای کمتری نسبت به تصویر اصلی دارد . [15] در اینجا هدف اصلی استفاده از تبدیل موجک گسسته، تجزیه تصویر اصلی به تصویر با بعد کوچکتر بدون از دست دادن اطلاعات مهم در تصویر اصلی است.
-2 -2 روش GA/KNN
در این روش، زیر مجموعهای از ویژگیها توسط الگوریتم ژنتیک ایجاد و با استفاده از دسته بند نزدیکترین k همسایه، میزان توانایی هر زیر مجموعه ویژگی در دسته بندی سنجیده میشود. این روند تا یافتن زیر مجموعه ویژگیهایی که تفاوت بین دستهها را با توجه به سطح آستانه مشخص می-کند، ادامه مییابد. برای هر ویژگی، میزان تکرار آن ویژگی در زیر مجموعه-های ویژگی نهایی، بیانگر توانایی آن ویژگی در ایجاد تمایز بین دسته-هاست . در نتیجه هر چه میزان تکرار ویژگی در این زیر مجموعهها بیشتر باشد، بیانگر بالاتر بودن توانایی آن ویژگی در دسته بندی است. در انتها، ویژگیها بر مبنای میزان تکرارشان به صورت نزولی مرتب میشوند
برای استخراج ویژگی ابتدا با استفاده از تبدیل موجک گسسته، تصاویر را تا سه سطح به وسیله موجک »هار« تجزیه و سپس از زیر باند در مراحل بعدی برای استخراج ویژگی استفاده میکنیم - شکل . - 1 آنگاه از زیر باند - اندازه آن است که در مجموع دارای 256 ویژگی است - برای استخراج ویژگی در روش GA/KNN استفاده میشود. در روش GA/KNN ، اندازه زیر مجموعهها 15 تایی انتخاب شده و از دسته بند نزدیکترین k همسایه - با مقدار - k=1 و قاعده فاصلهای کسینوسی برای ارزیابی زیر مجموعه ویژگیها استفاده شده است. ضمناً سطح آستانه قابل قبول برای دسته بندی صحیح زیر مجموعههای ویژگی را برابر با %90 و تعداد زیرمجموعههای ویژگی نهایی را 1000 در نظر میگیریم.
همان طور هک قبلاً بیان شد روش GA/KNN ویژگیها را براساس تعداد تکرار آنها در زیر مجموعه ویژگیهایی که در دسته بندی، سطح آستانه مورد نظر را برآورده سازند، مرتب میکند؛ از این رو 100 ویژگی که بیشترین تکرار را داشته باشند به عنوان مجموعه ویژگی اصلی برای دسته بندی احساسها انتخاب میشوند.
الف - شکل اصلی ب - سطح اول تبدیل موجک ج - سطح دوم تبدیل موجک د - سطح سوم تبدیل موجک
شکل 1 تجزیه تصویر با موجک هار
آخرین مرحله در سیستمهای شناسایی حالت چهره، دسته بندی ویژگیهای استخراج شده از صورت است. شبکههای عصبی، ابزاری پرکاربرد در مسائل شناسایی چهره محسوب میشود که در مسائل شناسایی حالات چهره نیز کاربردهای فراوانی داشته است
شبکه عصبی پایه شعاعی با ساختار شبکهای بزرگ و مناسب میتواند هر تابع پیوستهای را با هر میزان دقت دلخواه تقریب بزند. علاوه بر این سادگی و حجم کم محاسباتی این شبکه، از مهمترین دلایل کاربرد آن در مسائل شناسایی حالات چهره [18] و همچنین انتخاب آن به عنوان دسته بند در این تحقیق بوده است . در این قسمت برای دسته بندی حالات احساسی، یک شبکه عصبی پایه شعاعی با 100 نرون در لایه ورودی و 140 نرون در لایه پنهان برای دسته بندی احساسها طراحی شده است؛ به طوری که 100 ویژگی حاصل از مرحله قبل به عنوان ورودی مورد استفاده قرار می-گیرد. لایه خروجی این شبکه نیز دارای هفت نرون - معادل با هفت حالت احساسی - در نظر گرفته شده است.
-3 -2 اعتبار سنجی مدل
به منظور اعتبار سنجی الگوریتم پیشنهادی، از پایگاه داده JAFFE که دارای یک حالت احساسی خنثی به همراه شش حالت احساسی پایه - عصبانیت، تنفر، ترس، شادی، ناراحتی و هیجان - است، استفاده شده است. این پایگاه داده شامل 213 تصویر از ده زن ژاپنی است که سه تصویر در شدتهای مختلف برای هر حالت احساسی را داراست .[19]
روش پیشنهادی به این صورت پیاده سازی شده است که برای داده آزمون، از حالت احساسی هر فرد یکی به صورت تصادفی انتخاب - هفتاد تصویر - و بقیه تصاویر برای دادههای آموزش در نظر گرفته شده است، بدین ترتیب 143 تصویر برای دادههای آموزش و 70 تصویر برای دادههای آزمون به دست میآید. نتایج حاصل پس از 100 بار اجرا در جدول 1 آورده شده است.
جدول 1 میزان شناسایی هفت حالت احساسی
-3 نظریه پرسش و پاسخ
هدف اصلی در این نظریه، ارائه پرسشهای استاندارد 1 است که بتوان آزمونشوندگان را در مکان، زمان و حتی پرسش های متفاوت سنجید و آزمونی متناسب با دانش پیشین آزمون شونده طراحی کرد . در نظریه پرسش و پاسخ »توانایی« را به عنوان ویژگیهای یادگیرنده مانند کسب نمره خوب، یادگیری آسان مطالب جدید، مرتبط ساختن منابع گوناگون اطلاعات با یکدیگر و استفاده مؤثر از زمان مطالعه در نظر گرفته میشود. این مفهوم قابل اندازهگیری است که از آن میتوان برای بیان میزان توانایی فردی خاص و نیز برای مقایسه توانایی افراد مختلف با یکدیگر استفاده کرد
در اندازهگیریهای چندگزینهای که آزمونشوندگان میتوانند پاسخ درست را از طریق حدس به دست آورند از مدل سه پارامتری استفاده می-شود .[9] بنابراین در این مقاله از مدل سه پارامتری نظریه پرسش و پاسخ استفاده میشود.
هدف اصلی در نظریه پرسش و پاسخ، اجرای آزمون و تعیین جایگاه آزمونشونده در مقیاس توانایی است. اگر بتوان اندازه این توانایی را برای هر یادگیرنده به دست آورد، دو نتیجه در پی خواهد داشت: نخست آنکه میتوان آزمونشونده را بر حسب اینکه دارای چه میزان از توانایی است ارزیابی کنیم. دوم آنکه میتوان آزمونشوندگان را با یکدیگر مقایسه کرد
-4 سامانه آموزشیار هوشمند پیشنهادی
معماری کلی سامانه پیشنهادی در شکل 3 آورده شده است . این سامانه از چهار واحد کلی : مدل یادگیرنده، مدل یاددهنده، پایگاه دانش و رابط کاربری که دارای هفت کارگزار تشکیل شده است.
-1 -4 واحد یادگیرنده
این واحد هسته اصلی این سامانهها است که اطلاعات هر یادگیرنده از قبیل سطح سواد، توانایی، سابقه یادگیرنده و ... را در بر میگیرد.
