بخشی از مقاله
چکیده
کیفیت سامانه های یادگیری الکترونیکی به نحوه ی توصیف مناسب یادگیرندگان، بر اساس سبک یادگیری آنان و نیز دقت و صحت تفکیک یادگیرندگان در گروه های همگن و غیر همگن وابسته است. در این مقاله روش طبقهبندی با استفاده از شبکه عصبی کوانتومی برای طبقه بندی یادگیرندگان در گروه های همگن در محیط یادگیری الکترونیکی پیشنهاد شده است. روش طبقهبندی کوانتومی علاوه بر سادگی ساختاری، قابلیت طبقه بندی یادگیرندگان با سرعت و دقت زیاد را برعهده دارد.
سامانه طبقهبندی کوانتومی در یک دوره آموزش الکترونیکی مورد ارزیابی قرار گرفته است و نتایج ارزیابی نشان میدهد این روش نسبت به روش متداول شبکهی پرسپترون چند لایه پیچیدگی زمانی کمتر و دقت بیشتری در طبقه بندی یادگیرندگان داشته است و توانسته است یادگیرندگان را با دقت %97 در گروه مناسب طبقه بندی کند. در صورتی که دقت طبقهبندی شبکهی عصبی پرسپترون چند لایه در این ارزیابی %85 بوده است و این درحالی است که این روش پیچیدگی بیشتری نسبت به روش شبکه عصبی کوانتومی دارد.
-1 مقدمه
یادگیری الکترونیکی شیوه ی نوینی در آموزش و یادگیری است که دو هدف تطبیق آموزش به یادگیرندگان و ایجاد زمینهی مشارکت آنان را در جهت اهداف آموزشی، نشانه رفته است. این شکل یادگیری محدودیتهای زمانی و مکانی را در ارائه آموزش از پیشرو برداشته و فرصت های زیادی را برای بهبود فضای یادگیری به وجود آورده است .[2,3] با پیشرفتهای چشمگیر در دسترسی به اطلاعات و استفاده از امکانات رایانشی در آموزش، انتظارات از این روش آموزشی برای تطبیق آموزش به یادگیرندگان و ایجاد گروه های مشارکتی در راستای اهداف آموزش، افزایش یافته است .
گروه بندی یادگیرندگان یکی از چالشهای مهم در طراحی سامانههای یادگیری مشارکتی و تطبیقی است که معمولاً دو گام شناسایی ساختار گروه های یادگیرندگان و طبقه بندی خودکار آن ها در گروههای شناسایی شده را دربر می گیرد. در سامانه های یادگیری تطبیقی فرایند تطبیق یادگیری برای ارائه آموزش مختص هر یادگیرنده، از دو مرحله تشکیل می شود: در مرحلهی اول باید نیازهای هر یک از یادگیرندگان شناسایی شود و در مرحلهی دوم دورههای آموزشی، منطبق بر نیازهای شناسایی شدهی هر یک از یادگیرندگان، انتخاب و ارائه گردد .[5]
از آنجایی که به علت برخی محدودیتها در تهیهی محتوای آموزشی متنوع و متناسب با نیاز هر یک از یادگیرندگان و عدم دستیابی به فنّاوریهای لازم برای پشتیبانی از آموزش یک به یک، ارائه آموزشی که دقیقاً متناسب با هر یادگیرنده باشد با پیچیدگی-های زیادی همراه بوده و هماکنون میسّر نیست؛ از این رو ارائه ی آموزش سفارشی شده برای گروهی از یادگیرندگان که نیازها و فرایند یادگیری مشابهی دارند، پیشنهاد شده است .[6,7] در سامانه های یادگیری مشارکتی نیز به دنبال ایجاد گروه هایی از یادگیرندگان هستیم که اعضای آن در برخی ویژگی ها مشابه و در برخی دیگر متفاوت هستند، به عبارت دیگر گروه ایجاد شده در برخی ویژگیها همگن و در برخی دیگر ناهمگن است.
اهمیت طبقهبندی یادگیرندگان در سامانههای یادگیری الکترونیکی از آنجاست که امکان سازماندهی خودکار یادگیرندگان یادگیرندگان جدید و یا یادگیرندگانی که شاخصه های مدل سازی آن ها تغییر یافته است، را در گروههای شناسایی شده فراهم میکند. روشهای متداول برای حل این مسئله در آثار دیگر محققان شبکهی بیز [8]، شبکهی عصبی پرسپترون چند لایه [9] و ماشین بردار پشتیبان [10] است که دقت و سرعت آنها در طبقهبندی یادگیرندگان از منظر محققان تأثیری زیادی در عملکرد سامانههای یادگیری الکترونیکی در تطبیق آموزش و ایجاد بستر مناسب برای تعامل یادگیرندگان با یکدیگر دارد.
هدف از این پژوهش ارائهی روشی خودکار برای پاسخ به مسئلهی طبقهبندی یادگیرندگان در گروه های همگن شناسایی شده است. بدین منظور ساختار مقاله به شکل زیر تنظیم شده است: در بخش دوم روش طبقهبندی یادگیرندگان تشریح می شود. در بخش سوم نحوه ی پیاده سازی و ارزیابی سامانه طبقه بندی شرح داده می شود. در بخش آخر نیز نتایج این پژوهش بیان و نتیجهگیری میشود.
-2 تشریح روش طبقهبندی
طبقه بندی یادگیرندگان می تواند به عنوان یکی از گام های گروه بندی یادگیرندگان مطرح میشود که با فرض مشخص بودن ساختار گروه های یادگیرندگان انجام می گیرد. در این پژوهش از شبکههای عصبی کوانتومی، برای طراحی روش طبقه بندی استفاده شده است. دلیل استفاده از این نوع شبکه ها، توانمندی آن ها در پاسخگویی به انتظاراتی همچون کمترین پیچیدگی محاسباتی و بیشترین دقت در طبقه بندی یادگیرندگان است. در صورت استفاده از شبکه ی عصبی پرسپترون چند لایه به منظور تشخیص الگو، در مقایسه با شبکههای عصبی کوانتومی، با افزایش تعداد گروهها و نیز تعداد شاخصهها نیازمند طراحی شبکهای با تعداد لایه و نرون بیشتری هستیم که این امر بر کارایی زمانی و حافظهای روش طبقهبندی اثر منفی دارد.
معماری شبکه ی عصبی کوانتومی از نظر ظاهری شبیه شبکه ی عصبی پرسپترون چند لایه ی پس انتشار است. تفاوت اصلی میان شبکهی عصبی پس انتشار و شبکه ی عصبی کوانتومی شکل تابعهای فعالسازی به کار رفته در نرون های پنهان شبکه است. بر اساس ایدهی برهمنهش سطح کوانتوم، در این نوع شبکه های عصبی از تابع سیگمویید معمولی و توابع فعال سازی در نرون های نهان استفاده نمیشود بلکه نرونهای نهان در این شبکه ها چند سطحی بوده و چندین بازهی کوانتومی متفاوت را دربرمیگیرند.[11]
مهم ترین ویژگی شبکههای عصبی کوانتومی که موجب بهبود صحت تشخیص الگو همزمان با کاهش پیچیدگی محاسباتی در تشخیص شده است، توانایی در کشف خودکار وجود عدم قطعیت در نمونه داده و یادگیری کوانتوم سازی عدم قطعیت موجود به صورت تطبیقی است .[11] بنابراین نرونها شامل نوعی ابهام ذاتی هستند تا دادهی دارای ابهام را به الگوهای متناظر نسبت دهند. به همین دلیل شبکه های عصبی کوانتومی کارایی خوبی در حل مسائل تشخیص الگو دارند. از آنجا که معماری شبکهی عصبی کوانتومی اجازهی رمزگذاری اطلاعات نمونه فقط به سطوح خاصی از قطعیّت/ عدم قطعیّت را می دهد، از این رو این شبکه ها به عنوان یک شبکهی عصبی پیشرو شناخته میشوند.
-3 پیادهسازی و ارزیابی تجربی
ارزیابی روش کوانتومی با استفاده از داده های جمعآوری شده از رفتارهای شبکهای دانشجویان درمحیط آموزش الکترونیکیِ درسهای معماری سازمانی فنّاوری اطلاعات و شبکهی مخابرات دادهها در دورهی کارشناسی ارشد دانشگاه تربیت مدرّس انجام شده است. تعداد یادگیرندگان حاضر در محیط آموزشی 66 نفر بوده و طول مدت دورهی آموزشی یک نیمسال تحصیلی معادل 16 هفته بوده است.
برای مدل سازی یادگیرنده از مدل سبک یادگیری فلدر- سیلورمن استفاده شده است و ارزیابی تنها برای بُعد ادراکی این مدل انجام شده است. بُعد ادراکی حساسیت یادگیرنده به تجارب، صداها، بینایی و احساس فیزیکی را نشان میدهد. بر مبنای این بُعد یادگیرندگان در دو دستهی حسّی و شهودی قرار می گیرند .[12] شاخصهای این بُعد از سبک یادگیری با توجه به رفتار شبکه ای یادگیرنده به شکل خودکار اندازهگیری میشود - شکل .[1] - 1 از طرفی دیگر برای ارزیابی گروه های ایجاد شده برای آزمایش، سبک یادگیری یادگیرندگان به روش پرسشنامه نیز با مقیاس عددی بین 0 تا 11 اندازهگیری شده است .[13]
زمان بازنگری آزمون
به منظور ارزیابی روش کوانتومی برای طبقهبندی یادگیرندگان، ابتدا ساختار گروه های آنها در بُعد ادراکی با استفاده از روش خوشهبندی K-means شناسایی شده است. برای یافتن تعداد گروه مناسب برای گروهبندی یادگیرندگان، خوشه بندی آنها در دو، سه، چهار و پنج خوشه انجام شده است و نتایج بر اساس دو معیار »دیبویس - بولدین[14]« و »خلوص و گردآوری[15]« در جدول 2 مقایسه شده است.
نتایج نشان می دهد که خوشهبندی یادگیرندگان در چهار خوشه شکل مناسبی از گروههای یادگیرندگان را ایجاد میکند. پس از تعیین گروههای یادگیرندگان، به منظور ارزیابی روش طبقهبندی کوانتومی، %70 دادههای هرگروه برای آموزش، %15 برای آزمایش و %15 برای اعتبارسنجی در نظر گرفته شده اند. داده ها با استفاده از روش طبقهبندی کوانتومی و روش شبکه عصبی پرسپرون چند لایه طبقهبندی شدهاند.
