بخشی از مقاله
چکیده
در یادگیری الکترونیکی، گروهبندی یادگیرندگان به منظور تطبیق آموزش به آنان و یا ایجاد زمینه تعامل و مشارکت بیشتر آنان، مسئلهای مهم و حائز اهمیت است. در این مقاله روشی مبتنی بر شبکههای عصبی برای گروهبندی یادگیرندگان در گروههای همگن ارائه شده است. این روش برای خوشهبندی یادگیرندگان و شناسایی ساختار گروههای آنان طراحی شده است و از رویکرد Snap-Drift در یادگیری پیروی میکند. این شبکه نسبت به نسخهی قبلی آن که توانایی کاهش اثر نویز در گروهبندی یادگیرندگان داشت با تغییراتی جدی در فرایند یادگیری و مقداردهی اولیه وزنها بهبود یافته و دقت آن افزایش یافته است.
به منظور ارزیابی این روش، شاخصههای رفتاری سبک یادگیری مخاطبان در محیط شبکهای اندازهگیری و براساس آن گروههای یادگیرندگان با روش شبکهی عصبی اسنپ-دریفت بهبود یافتهی فازی شناسایی شده است. نتایج ارزیابی گروههای حاصل براساس معیارهای ارزیابی دیبویس-بولدین و خلوص و تجمع نشان میدهد که روش پیشنهادی گروههای مناسبتر و دقیقتری را نسبت به روشهای دیگر ایجاد کرده است.
1 مقدمه
در سالهای اخیر یادگیری الکترونیکی رشد چشمگیری داشته ورویکردهای متنوعی در این حوزه ارائه شده است. سامانههای یادگیری تطبیقی و مشارکتی دو جلوهی این رویکرد به منظور بهبود فضای آموزش هستند
مسئلهی مهم در طراحی این سامانهها چگونگی مدلسازی و توصیف یادگیرندگان و شیوهی تمایز و تفکیک آنان در گروههای همگن و ناهمگن است تا امکان تطبیق برنامهی آموزشی به آنها و یا ایجاد زمینهی تعامل میان آنها فراهم آید. از اینرو گروهبندی یادگیرندگان نقشی اساسی در اثربخشی سامانههای یادگیری الکترونیکی در بهبود محیط آموزش دار مدلهای مختلفی برای توصیف سبک یادگیری یادگیرندگان ارائه شده است که از میان آنها سبک یادگیری فلدر - سیلورمن کاربرد بیشتری داشته است. این مدل برای سامانههای آموزشی رایانهبنیاد1 بسیار مناسب به نظر میرسد. چرا که ارزیابی عددی از سبک یادگیری یادگیرندگان ارائه میدهد که این مهم عامل مفیدی برای استفاده از این مدل در سامانه های مبتنی بر رایانه به شمار میآید. از سوی دیگر چارچوبهایی برای اندازهگیری این سبک بر اساس شاخصههای رفتاری یادگیرندگان در محیط یادگیری الکترونیکی پیشنهاد شده است که امکان مدلسازی یادگیرندگان و گروهبندی آنان را به صورت خودکار فراهم میکند
هدف از این مقاله ارائهی روشی به منظور گروهبندی یادگیرندگان الکترونیکی در گروههای همگن بر اساس سبک یادگیری فلدر- سیلورمن با استفاده از روش شبکه عصبی است. از اینرو ساختار مقاله به این شرح است: در بخش بعد به مفهوم یادگیری تطبیقی و مشارکتی پرداخته خواهد شد. در بخش سوم روش پیشنهادی برای شناسایی گروههای یادگیرندگان با استفاده از روش اسنپ دریفت توسعه یافته تشریح خواهد شد. در بخش چهارم نحوهی ارزیابی روش پیشنهادی و نتایج آن بیان خواهد شد. در بخش آخرنیز به نتیجهگیری از بحث پرداخته خواهد شد.
2 یادگیری تطبیقی و مشارکتی
سامانههای یادگیری تطبیقی و مشارکتی دو شکل استفاده از فنّاوری اطلاعات در بهبود محیط یادگیری الکترونیکی هستند. در ادامه به معرفی هر یک از این دو سامانه و نقش گروهبندی یادگیرندگان در عملکرد آنها می پردازیم:
page721 یادگیری تطبیقی
یادگیری تطبیقی به وجود روالی مشخص به منظور تطبیق برنامه و محتوای آموزشی با توانمندیها، نیازها و علایقیادگیرندگان در محیط یادگیری الکترونیکی اشاره دارد از اینرو ایجاد گروههای همگن از یادگیرندگانی که نیازها، تواناییها و علایق آموزشی مشابهی دارند اهمیت بهسزایی در کیفیت تطبیق آموزش به یادگیرندگان دارد نمونه ای از سامانهی آموزشیار تطبیقی است که در آن از سبک یادگیری فلدر-سیلورمن برای توصیف سبک یادگیری کاربران و از روش شبکه عصبی خود سامانده2 ، برای ایجاد گروههای همگن استفاده شده است
22 یادگیری مشارکتی
یادگیری مشارکتی نوعی روش آموزشی است که بر پایهی تعاملات گروهی یادگیرندگان برای دستیابی به هدفی خاص تعریف شده است - . - Kumar, 1996 مهمترین مسئله در یادگیری مشارکتی تشکیل مجامع و گروههایی است که افرادی که در برخی ویژگیها با یکدیگر مشابه و در برخی دیگر متفاوت هستند، گرد هم میآیند و با تعامل میان خود در جهت تعمیق یادگیری مفهومی خاص و یا بهبود دانش خود و پاسخ به نیازهای یادگیری تلاش میکنند از اینرو دو رویکرد اصلی همگنسازی و ناهمگنسازی برای گروهبندی یادگیرندگان در این حوزه پیشنهاد شده است
در رویکرد همگنسازی فرض بر این است که مشابهت سازی اعضای گروه در ویژگیهای شخصی و رفتاری، بر تمایل افراد به تعامل با یکدیگر اثر میگذارد اما در رویکرد ناهمگنسازی تنوعسازی در ویژگیهای اعضای به عنوان عاملی مؤثر بر تعامل یادگیرندگان حاضر در یک گروه با یکدیگر در نظر گرفته میشود. در این حوزه در تحقیقات ,از روشهای آماری چون درخت تصمیم، شبکه بیز و k-means برای گروهبندی همگن یادگیرندگان در یادگیری مشارکتی استفاده کردهاند.
3 روش شبکهی عصبی اسنپ - دریفت بهبودیافتهی فازی
در مرجع - - Montazer and Rezaei, 2013 سعی شده است که روش خوشهبندی ART فازی با استفاده از روش یادگیری شبکه عصبی اسنپ - دریفت برای کاهش اثر نویز اندازهگیری بر نتیجه خوشهبندی بهبود داده شود اما روش پیشنهادی علی رغم موفقیت در کاهش اثر نویز، دقت خوشهبندی کمتر از روش K-means داشته است در این مقاله با توسعهی این شبکه و تغییر فرایند یادگیری و مقداردهی اولیه وزنهای شبکه سعی شده است که کارایی و دقت شبکه در گروهبندی یادگیرندگان نسبت به سایر روشهای خوشهبندی افزایش یابد.
شبکهی عصبی اسنپ - دریفت بهبودیافتهی فازی1، مطابق شکل 1 ، شبکهای سه لایه است. نرونهای لایهی اول و دوم به صورت یک به یک و نرونهای لایهی دوم و سوم به صورت دو طرفه به یکدیگر متصل میشوند. علاوهبراین تابع آستانه هر نرون در لایههای دوم و سوم سیگمویید و در لایه-ی اول خطی است. وزنهای پایین به بالا به منظور فیلتر کردن الگو و تعیین نرون برنده به کار میروند. وزنهای بالابهپایین نمایانگر مرکز خوشهی j ام هستند و در ارزیابی کفایت تشابه نسبی الگوی ورودی به الگوی متناظر با نرون برنده نقش دارند.
وزنهای اولیهی بالابهپایین به اندازهی نصف دامنهی تغییرات هر یک از ابعاد شاخصههای گروهبندی یادگیرندگان و وزنهای پایینبهبالا به شکل زیر بر مبنای وزنهای اولیه بالا به پایین تعیین میشود : - Brown et al.,
شکل :1 معماری شبکهی اسنپ - دریفت بهبودیافتهی فازی - MFSD -
که ً wJi مقدار اولیهی وزنهای بالا به پایین و N تعداد نرونهای لایهی ورودی است. نحوه عملکرد شبکه و فرایند یادگیری آن به شرح زیر است:
ابتدا وزنها مطابق روابط بخش قبل مقداردهی اولیه میشوند. سپس ورودی I - ویژگی یادگیرنده - به شبکه وارد و مقدار خروجی هر نرون در لایهی دوم بر اساس رابطهی زیر محاسبه میشود:
نرونی که دارای بیشترین مقدار است به عنوان نرون متناظر با خوشهی برنده انتخاب میشود. خروجی نرون برنده یک و سایر نرونهای لایهی F2 به طور موقت صفر میشوند. در گام بعد برای تأیید انتساب الگو به خوشهی متناظر با نرون برنده شباهت نسبی ویژگیهای یادگیرنده با خوشهی انتخابی بر اساس پارامتر مراقبت به شکل زیر محاسبه میشود:
I WIj نرم اقلیدسی فاصلهی ویژگیهای یادگیرنده تا مرکز خوشهی برنده که همان وزنهای بالا به پایین متصل به آن است و I نرم اقلیدسی الگوی ویژگیهای یادگیرنده است. این رابطه شباهت نسبی الگوی ویژگیهای یادگیرنده با الگوی متناظر با نرون برنده را اندازهگیری میکند
