بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
طراحی سیستم توصیه گر با استفاده از برچسب گذاري در آموزش الکترونیکی
چکیده
در سیستمهاي آموزش الکترونیکی به دلیل حجم زیاد اطلاعات، بسیاري از کاربران با مشکل یافتن منابع مورد علاقه و مفیـد خـود مواجـه هستند. براي برطرف ساختن این مشکل، وجود یک سیستم توصیهگر میتواند براي یادگیرنده در یافتن اطلاعات مفید واقع شود. از طرفی، در حال حاضر در محیطهاي آموزش الکترونیکی دستهبندي ساخت یافته منابع مطالعه شده توسط یادگیرنده امکان پذیر نیسـت. اسـتفاده از مکانیزم برچسبگذاري میتواند راه حلی براي این مشکل باشد. برچسبگذاري در محیط اینترنت به کاربران این امکان را مـیدهـد کـه بتوانند به دلخواه، منابع مطالعه شده خود را طبقهبندي و نامگذاري کنند؛ تا در زمان نیاز در جستجوهاي خود براي یافتن مطالب، سادهتـر عمل کنند. از آنجا که برچسبگذاري اغلب به صورت آزادانه بر اساس علایق کاربر صورت میگیرد، میتوان از آن در یـک محـیط آمـوزش
الکترونیکی که به صورت همکارانه طراحی شده است، استفاده کرده و کاربران را به همکاري و فعالیت بیشتر در روندتشویقآموزشی کـرد.
در این مقاله براي اولین بار در یک محیط آموزش الکترونیکی امکان برچسبگذاري منابع را در اختیار کاربران قرار خواهیم داد و مجموعـه برچسبهاي کاربران را به عنوان پارامتري جدید در مدل یادگیرنده بکار خواهیم گرفت. با کمک این پارامتر جدیـد، سیسـتم توصـیهگـري طراحی خواهیم کرد که میتواند منابع آموزشی را براساس ویژگیهاي مبتنی بر علاقه کاربربهان آنها پیشنهاد کند.
واژه هاي کلیدي
آموزش الکترونیکی، برچسبگذاري، مدل کاربر، روش بیزین، سیستمهاي توصیهگر
-1 مقدمه
طبقهبندي محتوا در اینترنت مراحل مختلفی را طی کرده است. محتواهاي ساختیافته، موتورهاي جستجوگر ناساختیافته و در حال حاضر نیز برچسبگذاري از جمله این مراحل هستند.
برچسبگذاري به عنوان روشی براي جمعآوري اطلاعاتمورد استفاده قرار میگیرد. وب معنایی نیز یکی دیگر از مراحل طبقه بندي محتوا در اینترنت محسوب میگردد. دلیل حرکت از محتواهاي ساختیافته به موتورهاي جستجوگر، انفجار عظیم اطلاعات و ترکیب غیر ساختاري محیط وب میباشد. روش جذب1
کردن اطلاعات در موتورهاي جستجو باعث شده است که کاربر در مواجه با اطلاعات جدید و پویاي وب دچار مشکل شود. یک روش مبتنی بر فشار2 که اطلاعات رامستقیماً از کاربران دریافت کند
میتواند راهکار مناسبی باشد. یکی از روشهاي اعمال فشار در ابزار اطلاعات، برچسبگذاري است. با استفاده از برچسبها افراد میتوانند در محیطهاي مختلف مطالب و منابع خود را نامگذاري و طبقهبندي کنند تا در زمان نیاز بتوانند در جستجووي منابع یافتن مطالب دلخواه سادهتر عمل کنند. در واقع با قراردادن یک برچسب بر روي منبع دلخواه میتوان آن را جزء طبقه خاصی از منابع قرار داد. برچسبها را میتوان در محیطهاي مختلف و براي منابع مختلف اعم از عکس، فیلم، متن و غیره مورد استفاده قرار داد. برچسبگذاري اغلب با توجه به علایق کاربران صورت میگیرد و ممکن است از هیچ نظم و ردهبندي خاصی پیروي نکند.برچسبزدن بر روي منابع توسط افراد متخصص، روشی رایج است. به عنوان مثال برچسب زدن بر روي کتابها در یک کتابخانه امکان جستجوي سادهتري را به کاربران میدهد. از سال 2003 سعی شده است که امکان طبقهبندي منابع را از سمت متخصصان به سمت کاربران اینترنت حرکت دهند، تا ضمن کمکردن هزینه هاي گزاف این کار، مسئله همکاري را در محیط اینترنت افزایش دهند. از این رو، برچسبگذاري فردي از سال 2003 با بوجود آمدن یک سایت نشانهگذاري جمعی به نام deliciousبنا3 شد. در این سایت به کاربران امکان داده میشود که آدرسهاي اینترنتی را نشانهگذاري کنند. با استقبال کاربران اینترنتی از مکانیزم برچسبگذاري، سایتهاي دیگري شروع به کار کرده و امکان برچسبگذاري منابع را براي کاربران فراهم کردند. براي مثال سایت 4flicker ، جهت برچسبگذاري عکس، و سایت5bibsonomy براي برچسبگذاري مقالات ایجاد شدهاند.
علاوه بر کمک به سهولت یافتن دوباره منابع، برچسبگذاري کاربردهاي دیگري نیز دارد و در مسائل مختلفی استفاده شده است. براي مثال از آن میتوان به عنوان ابزاري توانمند در طراحی سیستمهاي توصیهگر استفاده کرد و دقت این سیستمها را افزایش داد.
سیستمهاي توصیهگر زیرمجموعهاي از ساختارهاي فیلتر کردن اطلاعات6 هستند که با توجه به علایق قبلی و شخصیکالاي فرد جدیدي را به وي توصیه میکنند. این سیستمها به کاربر کمک میکنند تا با توجه به علایق شخصی خود و نیز با توجه به علایق افراد مورد توجهاش، کالا و یا اطلاعات مورد نظر را در میان انبوهی از کالاها و اطلاعات موجود در اینترنت پیدا کند. سیستمهاي توصیهگر به خصوص به دلیل حجم زیاد اطلاعات بودنومشکل انتخاب براي کاربر، در موارد گوناگون بسیار به کار میروند. این سیستمها، در محیطهاي آموزش الکترونیکی نیز میتوانند به یادگیرنده در یافتن اطلاعات جدید آموزشی کمک به سزایی کنند.
در محــیط آمــوزش الکترونیکــی کــه در آن منــابع آموزشــی مختلفی قرار گرفته است، کاربران نیاز به سیستمی دارند که منابع احتمالی مورد علاقه آنها را توصیه کند. همچنین بـا وجـود اثبـات مزایاي برچسبگذاري همکارانه در محیط وب، به نظر می آیـد کـه در محیط آموزش الکترونیکی نیز بتوانیم از مزایاي برچسبگـذاري بهرهبرداري کنیم. در ایـن مقالـه بـراي اولـین بـار در یـک محـیط آموزش الکترونیکی امکان برچسبگذاري منابع در اختیار کـاربران قرار می گیرد و مجموعه برچسبهاي کاربران بـه عنـوان پـارامتري جدیــد در مــدل یادگیرنــده بکــار گرفتــه مــیشــود. در سیســتم پیشنهادي هدف ما پیشنهاد دادن منـابعی بـه کـاربران اسـت کـه خارج از محیط آموزش الکترونیکی قرار دارند. این منابع پیشنهادي از سایتهاي نشانهگذاري جمعی7 گردآوري می شوند. براي مثال از منابع موجـود در سـایت delicious و یـا سـایت bibsonomy جهت پیشـنهاد منـابع احتمـالی مـورد علاقـه کـاربران در محـیط آموزش الکترونیکی استفاده خواهیم کرد.
-2 کارهاي انجام شده
با توجه به مزایاي برچسبگذاري در وب، میتوان مواردي از کاربرد برچسبگذاري را در آموزش الکترونیکی به شرح زیر معرفی نمود:
دسته بندي محتواهـاي خوانـده شـده: در سیسـتم آمـوزش الکترونیکی هر فرد میتواند به طور جداگانه منابع درسـی مطالعـه شده خود را برچسبگذاري کند. به این ترتیب هـر فـرد مجموعـه مطالب خود را به طور جداگانه و مستقل طبقـهبنـدي مـیکنـد. از آنجا که محیط آموزش الکترونیکی بـه صـورت همکارانـه طراحـی شده است، یادگیرندگان میتوانند بر اساس جسـتجو در مجموعـه برچسب هاي گذاشـته شـده توسـط یادگیرنـدگان دیگـر، و یـافتن برچسبهاي مشترك بین خود و آنها، بطور سـادهتـري بـه منـابع مورد علاقه خود دست پیدا کنند.
نمایش مسیر آموزشی: با در نظر گرفتن برچسبهائی که توسط کاربران بر روي منابع آموزشی قرار داده شده است میتوان علایـق آنها را مورد بررسی قرار داد، و با توجـه بـه میـزان، برچسـب هـاي سختی و سادگی مطالـب مطالعـه شـده، بـه آنهـا مسـیر آموزشـی مناسب تري را معرفی نمود که در افزایش و تکمیل دانش آنها مفید واقع شود.
توصیه محتوا: در محیط هائی که به کاربران امکان برچسبگذاري داده میشود، یافتن و جستجو در میان منابع آموزشی میتواند کار مشکل و طاقت فرسایی باشد. براي جلـوگیري از ایجـاد آشـفتگی و بی نظمی میتوان از روشهاي مختلف توصیه جهت توصـیه منـابع به افراد استفاده کرد.
تمام برچسبهایی که کاربران بر روي منابع قرار دادهاند مـی- توانند به عنوان مجموعهاي مناسب براي استفاده در مـدل کـاربري او باشند. برچسبهایی که کاربر بر روي منابع در یک محـیط قـرار میدهد، میتواند دلیل بر این سه موضوع باشد:
میزان ارتباط کاربر با سیستم: هر اندازه که کاربر برچسـبهـاي بیشتري در سیستم قرار میدهد، میتواند دلیلی بر ارتباط بیشتر او با سیستم باشد.
سطح طبقه بندي کاربر: هر کاربر با توجه بـه علایـق خـود منـابع مختلف را خوانده و آنها را طبقه بندي میکند.
علاقه: اگر کاربري برچسبهاي زیادي درباره یک موضوع خاصی بر روي منابع قرار دهـد، دلیـل بـر علاقـه او بـه یـک موضـوع خـاص است.[1]
در مقاله [2] با استفاده از روش FCA بـا کـاوش در فضـاي برچسب کاربران، یک مدل کاربر براي او ایجاد میکنند. ایـن روش با استفاده از تئوري شبکه به آنالیز داده میپردازد. شبکهاي که بـه این روش در یک محیط علامتگذاري رسم میشـود یـک ارتبـاط سهگانه بین برچسبها، علامتگذاريها8 و ارتبـاط بـین ایـن دو را مشخص میکند. با استفاده از چنین شبکهاي میتوان میزان خاص یا عام بودن علایق کاربران را سنجید.
در زمینه پیشنهاد منابع با استفاده از برچسبگذاري تا به حال کارهاي زیادي انجـام شـده اسـت. در سیسـتمهـاي نشـانهگـذاري جمعی کاربران منابع مختلف را با برچسبهاي مختلفی برچسـب- گذاري میکنند. همانطور کـه پیـدا اسـت در چنـین محـیطهـایی یافتن اطلاعات و منابع مشابه که براي کاربر میتواند مفیـد باشـد، کار بسیار دشواري است. براي حل این مشـکل تحقیقـات بسـیاري انجام شده است تا بتوان مسئله یافتن و پیشنهاد دادن منـابع تـازه را براي کاربران سیستم سـاده تـر کـرد. سیسـتمهـاي توصـیهگـر، سیستمهایی هستند که بر اساس پروفایل شخصی کاربران، منابعی را به آنها پیشـنهاد مـیکننـد. در مقـالات[4]، [3] سیسـتمهـاي توصیهگري براساس فیلتر همکارانه9 پیاده سازي شده اسـت کـه بـا استفاده از پروفایل شخصی افراد و به کمک برچسبهایی کـه قـرار دادهاند و همچنین با در نظر گرفتن تشابه بـین پروفایـل شخصـی ( شـامل محتواهـاي آموزشـی، علایــق، سـبک یـادگیري و غیـره)
کاربران به آنها توصیههـایی مـیشـود. در [4] بـا اسـتفاده از یـک دستهبندي به روش بیزین توصیه نهایی انجام میشود. در [5]
علاوه بر روش فیلتر کردن همکارانه از روش مبتنی بر گراف بـراي توصیه منـابع اسـتفاده کـرده اسـت. در مقالـه [6] یـک الگـوریتم شخصی سازي شده براي پیشنهاد دادن برچسبها ارائه شده اسـت که بر اساس یک ساختار سلسـله مراتبـی خوشـهبنـدي برچسـبی، عمل میکند. درروشمقاله [7] دو براي فیلتر کـردن مبتنـی بـر کاربر10 و مبتنی بر کالا11 را با هم ترکیب کرده و از مزایاي هـر دو روش براي یک توصیه مناسبتر بهره میبرد. در [8] روشـی ارائـه شده است که از ترکیب دو روش مبتنی بر محتوا12 و فیلتـر کـردن همکارانه بهره می برد و از روش PLSA براي ترکیب این دو روش جهت پیشنهاد منبـع اسـتفاده کـرده اسـت. در [9] روشـی بـراي پیشنهاد برچسب در بلاگها ارائه شده است کـه از تکنیـک شـبکه عصبی بهره میبرد. به این ترتیب که اطلاعـات هوشـمندانه دربـاره برچسبها را جمعآوري میکند و در نهایت با تحلیل آنها برچسب- هایی را به کاربر پیشنهاد میکند.
-3 معماري سیستم
در شکل 1 نمایی از سیستم پیشـنهادي جهـت توصـیه منـابع بـه یادگیرندگان در سیسـتم آمـوزش الکترونیکـی نمـایش داده شـده است. همانطور که ملاحظـه مـی کنیـد. ایـن سیسـتم داراي چهـار قسمت اصلی میباشد: .1سیستم علامتگذاري جمعـی، .2قسـمت یـادگیري بیـزین، .3 سیسـتم آمـوزش الکترونیکـی، و .4 سیسـتم توصیه گر.
3-1 توصیف سیستم پیشنهادي
در این بخش هر یک از اجزاء سیستم پیشنهادي به طور کامل شرح داده میشود.
1-3-1 بخش یادگیري بیزین
در یک محیط آموزش الکترونیکی بیشتر منابع قـرار داده شـده بـه صورت متنی و محتوایی هسـتند. نظـر بـه اینکـه روش بیـزین بـه راحتی بر روي متون قابل پیادهسازي است، بنابراین در این مقاله از روش بیزین به منظور بالا بردن دقت سیسـتم، اسـتفاده کـردهایـم.
روش بیزین از تئـوري بیـز بهـره مـی بـرد کـه مبتنـی بـر تئـوري احتمالات است.[10] بخش یادگیري بیزین شـامل تعـدادي منبـع است که مربوط به عناوین آموزشی( براي مثال: یـادگیري ماشـین، هوش مصنوعی، پـردازش زبانهـا و غیـره) متفـاوتی اسـت. در ایـن قسمت هرچه تعداد منابع بیشتر باشد، یادگیري بیزین بـه صـورت بهینه تري انجام میشود.
در شکل 2 روند کار در قسمت یادگیري بیزین را مشاهده میکنید:
مرحله 1-جمع اوری محتواهای اموزشی که هر یک جز یک دسته مشخص است.
مرحله 2- انجام یادگیری بیزین بر روی محتواهای اموزشی در این مرحله باید مقادیر زیر را محاسبه کنیم.
P(Vj)احتمال رخدادعنوان Vj (برای مثال احتمال اینکه متنی جز عنوان هوش مصنوعی یادگیری ماشین و غیره باشد.
:docsj مجموعه مستندات که جز عنوان هستند
:Docs مجموعه تمام مستندات جمع آوري شده
احتمال اینکـه کلمـه Wk در عنـوان Vj رخ دهـد
Nkتعداد دفعاتی که کلمه Nk در Docsj رخ می دهد .
n مجموعه کل کلمات یکتا Docsj
vocabolery مجموعه کل کلمات یکتا در Docsj
مرحله -3 ذخیره مقادیر محاسبه شده بالا در پایگاه داده.
2-3-1 سایت علامتگذاري جمعی
سایت علامتگذاري جمعی شامل تعدادي کاربر، نشانهگذاري- هاي آنها و در نهایت برچسبهاي مربوط به هر یک از این نشانه-گذاريها و منابع مربوطه است. براي مثال در سـایت delicious
افراد آدرسهاي اینترنتی مورد علاقه خود را قرار دادهانـد و جهـت طبقهبندي آدرس هاي اینترنتی بر اسـاس علایـق شخصـی خـود، تعدادي برچسب در نظـر گرفتـهانـد. سـایت bibsonomy یـک سایت نشانهگذاري جمعی است که در آن افراد مقالات مورد علاقه خود را برچسب میزنند. بنابراین، این مجموعه میتواند به عنـوان زیرساختی غنی براي توصیه به یادگیرندگان در مقـاطع تحصـیلی بالاتر باشد.
این بخش از مراحل زیر تشکیل شده است:
مرحله -1 کاربر منبع جدیدي را در سایت علامتگـذاري جمعـی قرار داده و نشانهگذاري jام bookmarkj را بر آن قرار میدهد.
مرحله --2 کاربر مجموعه برچسب jام tagj را بـر روي نشـانه- گذاري j ام قرار میدهد.
با داشتن این مقادیر پارامتر جدیـدي بـه نـام Resj تعریـف میکنیم که شـامل مجموعـه کلمـات موجـود در bookmarkjو tagj است.
براي تست و ارزیابی ایـن
سیسـتم، قصـد داریـم در سـایتهاي مذکور خزش13 کرده و اطلاعـاتی شـامل کـاربران، برچسـب هـا و منابع مربوطه را جمعآوري کنیم.
حال با استفاده از روش دستهبندي ساده بیزین، هر یک از این منابع Resj را دسته بندي کـرده و جـزء یکـی از دسـتههـا قـرار میدهیم:
بر اساس تئوري بیز احتمال اینکه Resj جزء دسـته باشـد از رابظه 3 محاسبه میشود :[10]
