بخشی از مقاله
چکیده
امروزه استفاده از فناوری های مدرن در آموزش جهت بهبود و ارتقای کیفیت آموزشی امری اجتناب ناپذیر است. همچنین بیشتر سازمان ها و موسسات تمایل دارند کیفیت آموزشی کاربران خود را بهبود بخشند، به همین علت استفاده از داده کاوی در آموزش و رویکردهای جدید و هوشمند در حوزه آموزش الکترونیکی و شخصی شدن محیط یادگیری، اخیرا مورد توجه قرار گرفته است.
یکی از رویکردهای جدید در زمینه داده کاوی آموزشی و آموزش خصوصی، بکارگیری سیستم های توصیه گر در ارائه توصیه های مناسب است. هرچند از سیستم های توصیه گر در زمینه های مختلف تجارت الکترونیک جهت پیش بینی و توصیه اقلام مختلف به کاربر بر طبق رفتار وی استفاده می شود، اما تعداد کمی از سیستم های توصیه گر وجود دارند که در زمینه آموزش و پیش بینی عملکرد و بهبود یادگیری کاربران مورد استفاده قرار گرفته باشند.
در این مقاله به معرفی سیستم های توصیه گر، انواع آن و چگونگی استفاده از تکنیک های آن در حوزه آموزش هوشمند پرداخته می شود. سپس روش هایی برای استفاده از تکنولوژی سیستم های توصیه گر در زمینه پیشنهاد موضوعات یادگیری، پیش بینی عملکرد و ارزیابی کاربر ارائه می گردد.
-1مقدمه
امروزه استفاده از فناوری های مدرن در آموزش جهت بهبود و ارتقای کیفیت آموزشی امری اجتناب ناپذیر است. سیستم های کامپیوتری به منظور اهداف آموزشی از اوایل سال 1960 مورد استفاده قرار گرفتند Corbett, Koedinger, Anderson - ، . - 849 :1997 از طرف دیگر، داده کاوی آموزشی1 اخیرا مورد توجه قرار گرفته است. به علت اینکه مراکز آموزشی تمایل دارند کیفیت آموزشی خود را بهبود بخشند، استفاده از داده کاوی به منظور بهبود عملکرد کاربران خود را مورد توجه قرار داده اند.
سیستم های آموزشی هوشمند یکی از جدیدترین رویکردها در حوزه آموزش الکترونیکی است که عمدتآ سعی در فراهم نمودن فضایی دارند که با شناخت کافی از کاربر و اجزای آموزشی، ساز و کاری را برای بهینه کردن روند انتقال مفاهیم، مهیا سازند. در Hegarty, Routen - ، - 1996 سیستم های آموزشگر هوشمند را سیستم هایی تعریف نموده که با ترکیب تکنیکهای ارتباط و انتقال دانش و مهارت به دانشآموز ابزاری مناسب برای آموزش الکترونیکی فراهم می کنند. همانطور که در شکل1 نشان داده شده سیستم های آموزشی هوشمند از سه حوزه علم کامپیوتر، روانشناسی و آموزش تشکیل شده به طوری که بسیاری از روش ها و ابزارهای این سه حوزه مکمل یکدیگرند.
شکل -1ساختار یک سیستم آموزشگر هوشمند Woolf - ، - 2008
یکی از رویکردهای جدید در زمینه داده کاوی آموزشی و آموزش خصوصی، بکارگیری سیستم های توصیه گر در ارائه توصیه های مناسب است. هرچند از سیستم های توصیه گر در زمینه های مختلف تجارت الکترونیک مثلا در زمینه فیلم، موسیقی، کتاب، صفحات وب و غیره، جهت پیش بینی و توصیه استفاده می شود، اما تعداد کمی از سیستم های توصیه گر وجود دارند که در زمینه آموزش و پیش بینی عملکرد و بهبود یادگیری کاربران مورد استفاده قرار گرفته باشند. هرچند پژوهشگران استفاده از سیستم های توصیه گر را در آموزش الکترونیکی2 به ویژه در تکنولوژی ارتقای یادگیری Manouselis - ، - 388 : 2011 به کار برده اند، اما سیستم های یادگیری کمی با عملکردهای توصیه ای طراحی شده اند
-2 سیستم های توصیه گر
سیستم های توصیه گر در دهه 90 میلادی پا به عرصه تحقیق و پژوهش گشودند و با بهره گیری از تکنیک های آماری و تکنیک های کشف دانش به منظور توصیه محصولات به کاربران و کاهش مشکلات ناشی از حجم زیاد داده ها به کار گرفته شدند. تا کنون تعاریف متعددی برای سیستم های توصیه گر ارائه شده است. به عنوان نمونه در سیستم های توصیه گر زیرمجموعه ای از DSS ها - سیستم های تصمیم یار - عنوان شده است و آن ها را سیستم های اطلاعاتی تعریف می کند که توانایی تحلیل رفتارهای گذشته و ارائه توصیه هایی برای مسائل جاری را دارا هستند.
از دیدگاه سیستمی، توصیه گر ماشینی است که با گرفتن ورودی از منابع تعریف شده و کاربر و دیگر کاربران جامعه اطلاعاتی و پردازش آنها با استفاده از تکنیک های توصیه، خروجی منحصر به فردی برای کاربر خاص تولید می کند که این خروجی می تواند یک پیشنهاد، پیش بینی و یا ارزیابی از طرف سیستم باشد - مردای منش، . - 1388 این سیستم ها دارای الگوریتم هایی هستند که با روش صریح یا ضمنی اطلاعاتی را از کاربر و گذشته او استخراج کرده و در نهایت از این داده ها برای ایجاد یک لیست از آیتم های پیشنهادی استفاده می کند Bedi,Agarwal - ، - 611 : 2011 و یا محتمل ترین انتخاب آینده او را پیش بینی می کند.
برای درک مفهوم سیستم توصیهگر، ابتدا مفاهیم اصلی و ابتدایی آن را بررسی می کنیم.
• کاربر فعال یا کاربر هدف: کاربری که توصیه جاری در سیستم، برای وی در حال پردازش و آماده شدن است.
• ماتریس رتبهها: الگوریتمهای به کار رفته در سیستمهای توصیه گر، از این ماتریس استفاده میکنند. ساختار ماتریس رتبهها بدین گونهاست که در آن، هر سطر ماتریس نمایانگر یک کاربر و هر ستون آن معرف یک آیتم خاص است.
• مصرف کردن: از این فعل، زمانی استفاده می شود که کاربر توصیه ارائه شده را میپذیرد.
• تابع سودمندی: برای توضیح نحوه پیادهسازی و به منظور ارائه این سیستمها بصورت یک مدل ریاضی باید با مفهومی به نام تابع سودمندی آشنا شد. در واقع یک سیستم توصیهگر را میتوان با نگاشت U همسان دانست و مدل کرد:
که در آن C مجموعه تمام کاربران یا مشتریان و S مجموعه تمام آیتم ها و اقلام در دسترس می باشد. تابعی که میزان مفید و متناسب بودن آیتم را برای کاربر محاسبه میکند، با u - c,s - نشان داده می شود که با انتساب عددی حقیقی به هر جفت - c,s - ، اقلام را برای هر کاربر امتیازدهی می کند. در این جا R یک مجموعه کاملا مرتب - فرضا یک محدوده از اعداد صحیح و غیر منفی - بر اساس میزان اهمیت است. Rc,s رتبه دهی کاربر c برای آیتم s را مشخص می کند. برای هر کاربر c∈ C می توان آیتم s'∈ S را انتخاب کرد به طوری که تابع سودمندی کاربر بیشینه شود. به عبارت دیگر:
در سیستم های توصیه گر، میزان سودمندی یک آیتم که معمولا با یک رتبه مشخص می شود، بیان می کند که یک کاربر خاص به چه اندازه یک آیتم خاص را دوست دارد. هر یک از اعضای فضای کاربر C و عناصر موجود در فضای S می توانند با یک پروفایل تعریف شوند. این پروفایل شامل خصوصیات مختلف کاربر - مثل شناسه کاربر , سن, جنسیت, درآمد و... - و آیتم است.
