بخشی از مقاله
چکیده
در جوامع آموزشی، یکی از مهمترین و رایجترین روشهای یادگیری، یادگیری همکارانه است. در یادگیری همکارانه، یادگیرندگان در گروههای دو نفره یا بیشتر برای جستجوی راهحلها، درک مفاهیم، یا تولید یک محصول با هم همکاری میکنند. یکی از مهمترین عوامل در بالا بردن کارایی گروه تشکیل گروه مناسب با توجه به قابلیت افراد و روابط میان افراد است. به دست آوردن این روابط به صورت دستی و استفاده از آنها برای گروهبندی کار مشکلی است.
از این رو ، الگوریتم های مختلفی برای گروه بندی پیشنهاد شده است. این مقاله بر آن است تا الگوریتم جدیدی برای شکلگیری گروهها، با استفاده از تطابق بیشینه وزندار برای گرافهای دو بخشی - weighted maximum bipartite matching - ، ارائه دهد. تطابق بیشینه وزندار برای گرافهای دو بخشی تطابق کاملی است که در آن مجموع مقادیر - وزنها - روی یالهای تطابق، بیشترین مقدار را داشته باشد. این الگوریتم روابط میان افراد را بر اساس فرومهای درس به دست آورده و تاثیرگذاری و اهمیت افراد را بر اساس این روابط استخراج کرده و گروههای ناهمگونی را از نقطه نظر فعالیت یادگیرندگان تشکیل میدهد.
این الگوریتم بر روی دانشجویان یک دوره درسی مجازی یک دانشگاه انجام شد.140 نفر دانشجوی این کلاس به 27 گروه 5 نفره تقسیم شدند. اکثریت دانشجویان از گروه خود اعلام رضایت کردند. نتایج این مقاله میتوان برای به دست آوردن روابط افراد و تاثیرگذاری آنها در جوامع یادگیری و تشکیل گروهها به صورت مجازی سود جست. ابزار آماده شده دارای امکان استفاده در تمام مراکز آموزشی ودانشگاههایی است که به نحوی از سیستم آموزش مودل استفاده میکنند.
.1 مقدمه
امروزه با گسترش روزافزون اینترنت در زندگی افراد به خصوص دانشجویان و دانشآموزان و تبدیل شدن آن به بزرگترین و در دسترسترین منبع اطلاعاتی موجود؛ محیط های یادگیری وبی نیز به سرعت در حال رشد هستند. همچنین گسترش امکانات ارتباطات برخط به یادگیرندگان امکان یادگیری همکارانه را در قالب تالارهای گفتگو، یادداشتگذاری و اتاقهای گفتگوی همزمان داده است و در واقع صور مختلفی از یادگیری همکارانه در این قالبها به تحقق پیوسته است که در آنها یادگیرندگان با همکاری یکدیگر در یادگیری مفاهیم و تقویت مهارتها و دانستههای خویش میکوشند.
یکی از چالشهای اساسی در یادگیری همکارانه تشکیل کارآمد گروههای یادگیری است [2] [1] چنانچه تحقیقات بر روی تأثیر همگروهی ها بر روی یادگیری نشان میدهند که یادگیرندگانی که گروه را تشکیل میدهند شرایطی را به وجود میآورند که میتواند باعث شود فرآیند یادگیری سرعت بگیرد و بهبود یابد و یا اینکه مانع از انجام آن به نحو مطلوب شود. این مطلب به معنی این است که روش تشکیل گروههای مؤثر بر روی میزان سود بخشی تعامل گروهی تأثیر میگذارد .[3] روابط میان همگروهیها یکی از مهمترین ویژگیهای تأثیرگذار است.
شیوه استخراج روابط میتواند به صورت رسمی یا غیر رسمی باشد. مثالی از شیوه رسمی، پرسش صریح از دانشجویان برای اعلام رابطه ایشان با همدیگر است [4] و برای شیوه غیر رسمی، می توان به استخراج رابطه دوستی از شبکههای اجتماعی مانند Facebook استفاده کرد و یا از تعداد تبادلات پیام بین هر دو نفر در [5] forum اشاره کرد.
در محیط های یادگیری مجازی نظیر دانشگاههای ارائه دهنده خدمات یادگیری و آموزش الکترونیکی، به دلیل تعداد بالای افراد و نبود شناخت کافی آنها از یکدیگر، استخراج روابط میان افراد و گروهبندی آنها بر اساس این روابط به صورت خودکار بسیار کارا و مفید است. در این مقاله بر آن شدیم تا با استفاده از شیوه غیر رسمی روابط دانشجویان را به دست آورده و الگوریتمی برای گروهبندی آنها ارائه دهیم.
شبکه مورد بررسی دانشجویان درس الگوهای تصمیمگیری کارآفرینان دانشکده کارآفرینی دانشگاه تهران دارای 140 نفر دانشجوست. با استفاده از تبادلات پیام در forum میان دانشجویان روابط آنها استخراج و الگوریتمی برای گروهبندی آنها بر اساس روابط به دست آمده ارائه شده است. این الگوریتم به صورتی است که گروههایی با کارایی مشابه به دست میآورد به صورتی که روابط میان افراد همگروه در بالاترین حد ممکن باشد.
قوت رابطه دو نفر متناسب با معکوس مجذور فاصله است.در الگوریتم ارائه شده این افراد بر اساس فعالیت رده بندی شده و این ردهها با کمک الگوریتم [6] maximum weighted matching جفت شدهاند. این الگوریتم در ابزار گروهبندی مودل پیادهسازی شد و بر روی دانشجویان اعمال شد.دانشجویان به 27 گروه 5 نفره تقسیم شدهاند. به منظور ارزیابی الگوریتم از دانشجویان خواسته شد تا نظر خود را نسبت به گروهبندی انجام شده و گروهبندی که در درس در آن عضو بوده اند اعلام کنند. 41 نفر نظر خود را اعلام کردند که نظر آنها نسبت به این گروه بندی و کارایی آن مثبت بوده است.
.2 الگوریتمهای گروهبندی بر اساس روابط اجتماعی
.2,1 استخراج روابط
در [4] از روش رسمی برای جمعآوری نظر یادگیرندگان برای گروهبندی استفاده شده است. در این مقاله ابتدا پرسشنامهای در بین افراد توزیع شد که در آن هر فرد میزان تمایل برای همگروه شدن با همکلاسیهایش را اعلام کرد. 5 گزینه برای پاسخ دادن وجود داشت: 4 خیلی مایل هستم، 3 مایل هستم، 2 نظری ندارم ، 1 مایل نیستم و 0 اصلا مایل نیستم.
به این صورت که تعداد پاسخهای مستقیم هر دانشجو به دانشجوی دیگر را در نظر میگیرد. بدین ترتیب ماتریس مربعی به تعداد دانشجویان به دست میآید که هر درایه - i,j - آن نشان دهنده تعداد پاسخهای مستقیم دانشجوی iام به دانشجوی jام است. بنابراین هر سطر نشان دهنده اطلاعات پاسخ های فرستاده شده توسط فرد متناظر با سطر است و هر ستون نشان دهنده اطلاعات پاسخهای دریافت شده توسط فرد متناظر با آن است.
.2,2 گروهبندی بر اساس روابط
کاربردهای مختلفی را میتوان برای استفاده از روابط دانشجویان نام برد. از این کاربردها میتوان به به تحلیل رفتار جمعی [7]، دست آوردن قابلیت سرگروهی [8] ، ارتباط میان مهارت و محبوبیت دانشجویان [9] اشاره کرد. استفاده از ابزارهای تحلیل شبکه اجتماعی در این موارد کمک بسزایی میتواند داشته باشد .[9] [8] یکی از مهمترین کاربردها گروهبندی است. گروهبندی را میتوان بر اساس خصوصیات فردی دانشجویان [10] انجام داد و گروههای همگن و یا ناهمگنی را بر اساس مفهوم این خصوصیات به دست آورد.همچنین میتوان از روابط اجتماعی بین دانشجویان [4] بهره برد.
د ر [4] هما ن طو ر که گفته شد نظر ا ت یا د گیر ند گا ن ر ا نسبت به همکلاسیهایشان جویا میشود و برای گروهبندی ابتدا یادگیرندگان بر اساس واریانس نظرات داده شده توسط آنها به صورت نزولی مرتب میشوند. دلیل نزولی بودن این ترتیب آن است که فرد با واریانس نظرهای بالاتر زودتر گروهبندی شده و نظر او بیشتر مورد توجه قرار گیرد. زیرا این فرد نسبت به همگروهیهای خود حساسیت بیشتری داشته و نظرات متفاوتتری داده است. ولی فردی که نظراتش واریانس کمتری دارد، برای انتخاب همگروهی حساسیت کمتری داشته و نظراتش نسبت به افراد تفاوت کمتری دارد.
حال شروع به گروهیندی افراد مینماید. اولین فرد کسی است بالاترین واریانس را دارد. این شخص در یک گروه قرار داده می شود و همگروهیهای او به ترتیب از میان بقیه افراد انتخاب می شود. برای به وجود آوردن هر گروه از افراد باقیمانده،اولین عضو گروه را شخص با بالاترین واریانس در نظردهی قرار میدهیم. برای اضافه گردن عضو بعدی گروه، برای هر فرد x تمایل قرار گیری در این گروه را به این صورت محاسبه میکنیم:
1. سازگاری متقابل x را با اعضای انتخاب شده گروه در هم ضرب میکنیم
2. از بین افرادی که بالاترین سازگاری را دارند، شخص با واریانس ببیشتر را در گروه عضو میکنیم
3. تا پر شدن گروه روند 2 را ادامه میدهیم. بدین ترتیب گروه ها با تعداد افراد دلخواه به دست میآید.
.3 الگوریتم پیشنهادی برای گروهبندی یادگیرندگان بر اساس روابط اجتماعی
این تحقیق در کلاس درس الگوهای تصمیمگیری کارآفرینان دانشکده کارآفرینی دانشگاه تهران انجام شد. این کلاس را 140 نفر دانشجو تشکیل میدادند. این دانشجویان تجربه همکاری با یکدیگر در گروه بندی به صورت حضوری در گروههای 1 تا 13 نفره را داشتند. روابط این افراد به روش غیررسمی استخراج شد.
.3,1 استخراج روابط بر اساس فروم ها
روابط دانشجویان به صورت غیر رسمی از طریق forumهای درس تشخیص داده شد. forum های درس دارای 334 مبحث و 4344 پست بود. تشخیص روابط به صورت زیر انجام شد: طبق اطلاعات موجود در پایگاه داده میتوان فهمید که پستها توسط چه کسانی ارسال شده اند و همچنین مشخص است که هر پست پاسخ کدام پست است.
در نظر میگیریم پستی که در حال بررسی آن هستیم نوشتهی دانشجوی x باشد و در پاسخ به پستی داده شده است که توسط دانشجوی y گذاشته شده است. در این حالت قدرت رابطه بین x و y یک واحد افزایش مییابد. حال اگر پست دانشجوی y در پاسخ به پست دانشجوی دیگری مانند z باشد، قدرت رابطهی بین x و z به اندازه 1/r افزایش مییابد که r را به دلخواه میتوان تعیین کرد.
برای شخص x، قدرت رابطهاش با هریک از اشخاص دیگر که قبل از او پست گذاشتهاند و پست او در ادامهی پستهای آنان آمده است، با رابطهی افزایش مییابد که d فاصله بین پستها با یکدیگر میباشد. این رابطه با الهام از واقعیت کاهش انرژی امواج با همین نسبت از مبدا به کار گرفته شده است. مجموع وزن یالهای ورودی گره متناظر هر شخص به عنوان میزان فعالیت شخص در نظر گرفته شده است.
.3,2 نمادهای به کار گرفته شده
نمادهایی را که در طول مقاله از آنها استفاده شده در جدول 1 آورده شده است.
.3,3 طراحی الگوریتم پیشنهادی
ابتدا افراد را بر اساس میزان فعالیتشان در - Av - forum به N دسته hyper active، active، normal، ... همانند شکل زیر ردهبندی میکنیم در ابتدا دسته hyper active را با دسته active دو به دو جفت میکنیم - شکل . - 3 دلیل آغاز از دسته ها با میزان فعالیت بیشتر آن است که دانشجویانی که فعالیت بالاتری دارند، میزان ارتباطاتشان با افراد با معناتر و قابل اتکاتر است. برای جفت کردن دستهها، از تطابق بیشینه وزندار برای گرافهای دو بخشی استفاده میشود. . تطابق بیشینه وزندار برای گرافهای دو بخشی تطابق کاملی است که در آن مجموع مقادیر - وزنها - روی یالهای تطابق، بیشترین مقدار را داشته باشد.
