بخشی از مقاله
چکیده
گروهبندی هوشمند یادگیرندگان، در طراحی سامانههای مناسب برای یادگیری انطباقی و مشارکتی در محیط یادگیری الکترونیکی اهمیت زیادی دارد. در تحقیقات انجام شده در این حوزه، محققان اغلب به دنبال بهبود روشهای پایه، از طریق ترکیب آنها با روشهای بهینهسازی میباشند. این امر موجب پیچیدهتر شدن روشهای گروهبندی و نیز کیفیت نه چندان مناسب گروههای ایجاد شده به علت نگرش یکسویه به خوشهبندی شده است.
در این مقاله روشی مبتنی بر نظریهی فازی برای انتخاب خوشههای مناسب در روش خوشه-بندی پیوندی معرفی شده است که در آن با مدلسازی هر خوشه به عنوان یک عدد فازی و تخمین آن به یک عدد فازی مثلثی، خوشههای متناظر، با عملگرهای ریاضیات فازی مشخص شده و بهترین آنها که معادل کوچکترین عدد فازی در هر تناظر است به عنوان خوشه مناسب انتخاب شده است.
این روش موجب افزایش دقت روش خوشهبندی پیوندی شده است و علت آن تأثیر همهی اعضای خوشهها در انتخاب خوشهی بهتر در هر تناظر به کمک نظریهی فازی است. نتایج تجربی حاصل از خوشهبندی یادگیرندگان در بعد ادراکی به وسیلهی روش خوشهبندی FCM، k-means، روش پیوندی ساده و EFC - توسعهیافته روش - FCM بر اساس معیار P&G نشاندهنده این است که روش پیشنهادی در عین حفظ سادگی ، بهترین خوشهبندی را نسبت به هر چهار روش ذکر شده دارد.
-1 مقدمه
امروزه یادگیری الکترونیکی به عنوان یک روش نوین آموزشی گسترش یافتهاست. تا آنجا که بسیاری از دانشگاههای معتبر دنیا هم اینک بخش مهمی از آموزشهای خود را از این طریق به یادگیرندگان ارائه میکنند
تواناییهای بالقوه این روش در ارائه آموزش به صورت هوشمند از جمله شاخصهایی است که می تواند نقش موثری در توسعه این روش و فراگیری آن بازی نماید. تحقیقات وسیعی در حوزه هوشمندسازی آموزش از طریق سیستمهای یادگیری الکترونیکی انجام شده است که هدف آن ها توانمندسازی این سیستمها در انطباق فرایند و محتوای آموزشی به هر یادگیرنده مبتنی بر نیازها، علایق و توانمندیهای اوستامّا. به دلایل محدودیّتهای فناوری و آموزشی هنوز امکان انطباق آموزش به هر یادگیرنده میسر نیست
از این رو ارائه آموزش متناسب با نیازهای گروههایی از یادگیرندگان مشابه مورد توجه قرار گرفته است. از همین رو یکی از حوزههای بسیار مهم در تحقیقات این زمینه گروهبندی یادگیرندگان به منظور هدایت آموزشی هر گروه متناسب با ویژگیها و توانمندیهای اعضای آن گروه است. در گروهبندی یادگیرندگان، محققان [1,3] به دنبال خوشه بندی و دستهبندی صحیح یادگیرندگان بر اساس شاخص های رفتاری و یادگیری یادگیرندگان میباشند. مقادیر این شاخصها از تناظر شاخصهای ثبت شده یادگیرنده در فضای مجازی با شاخصهای رفتاری و یادگیری، قابل تعیین است.
با توجه به تنوع بسیار زیاد یادگیرندگان و عدم دانش کافی نسبت به وضعیت آنها، اطلاعات زیادی در مورد گروههای موجود در یادگیرندگان وجود ندارد از این رو خوشهبندی دقیق یادگیرندگان بر مبنای رفتار و واکنش های ثبت شده آنها همواره از دغدغههای تحقیقاتی در این حوزه تلقی میگردد.
روش خوشهبندی پیوندی ساده، روشی است که با نظرخواهی از روشهای خوشهبندی پایه همچون FCM و k-means، نظرات برتر این روشها را به تفکیک خوشههای ایجاد شده پیوند میدهد. در این روش برای قضاوت در مورد بهترین خوشه، ابتدا بر اساس نزدیکی مراکز خوشه، بین خوشههای مشابه تناظر ایجاد شده و پس از آن با معیار فشردگی خوشه، بهترین خوشه از میان کاندیداها انتخاب میشود. سپس عناصر تکراری و حذف شده از خوشهها،طبق روالی معیّن اصلاح میشوند.
این روش ضمن حفظ سادگی در حد روشهای پایه، از منظر چند روش متنوع به خوشه بندی ممکن عناصر مینگرد و سپس در مورد نتایج هر کدام از روشهای پایه تصمیمگیری میکند.[9] در این مقاله روشی برای بهبود روش خوشهبندی پیوندی با کمک نظریه فازی جهت انتخاب دقیقتر خوشههای کاندید برای گروهبندی یادگیرندگان پیشنهاد شده است که سعی دارد دقت خوشه بندی را افزایش دهد.
ساختار مقاله به این شرح است :
در بخش دوم به بررسی روشهای مطرح در حوزه تحقیقات محققان در خوشهبندی و گروهبندی یادگیرندگان الکترونیکی و ویژگیها و معایب آنها میپردازیم. در بخش سوم روش پیشنهادی و روال آن معرفی میشود. در بخش چهارم نتایج اعمال روش پیشنهادی در گروه بندی دانشجویان درس مجازی برنامه نویسی کامپیوتر و در بعد ادراکی مقایسه میگردد و مزیت روش پیشنهادی در مقایسه با روشهای FCM و k-means و EFC و روش خوشهبندی پیوندی ساده بررسی میشود . در بخش پنجم به نتیجه گیری و معرفی کارهای آینده پرداخته میشود.
-2 مروری بر روشهای متداول گروهبندی یادگیرندگان الکترونیکی
در زمینه گروه بندی یادگیرندگان تحقیقات زیادی صورت پذی رفته است. که به طور عمده بر ویژگیها ی مناسب یادگیرندگان جهت گروهبندی تمرکز نموده اند و بدون توجه تحقیقاتی به روش گروهبندی، به طور ساده از روش های پایه همچون K-means برای گروهبندی بهره برده اند.[2,4]در تعدادی نیز تحقیقات به سمت بررسی روشهای مختلف و مزیت هرکدام در گروهبندی دقیق تر یادگیرندگان پرداخته شده است .[1,5] در ادامه این بخش به مرور برخی از این تحقیقات میپردازیم.
در مقاله Christine [4] و دیگران یادگیرندگان توسط الگوریتم k-means به سه گروه تقسیم شده اند. Yang و دیگران [6] یک روش خود سازمان ده - self organization - را برای گروهبندی یادگیرندگان محیط یادگیری الکترونیکی بر اساس علایق و توانمندی آنان پیشنهاد داده است. نقص عمده دو کار تحقیقی صورت گرفته و کارهای مشابه آن، عدم بررسی صحت نتایج خوشه بندی در مقایسه با سایر روشها است تا الگوریتم به کار گرفته شده از نظر منطبق بودن بر ویژگیهای مجموعه داده و تعداد صحیح خوشه ها ایجاد شده، ارزیابی گردد. در حوزه شاخصهای ارزیابی دقت خوشه بندی، تعداد زیادی شاخص معرفی شده است اما انتخاب الگوریتم مناسب برای گروه بندی همچنان به عنوان چالش اصلی در این حوزه تحقیقاتی مطرح است
در مقاله [8] از ترکیبی از روش های SVM و ژنتیک برای گروهبندی یادگیرندگان استفاده شده است. در این روش ابتدا ویژگیهایی که در گروهبندی یادگیرندگان اهمیت دارند مشخص میشوند و سپس توسط الگوریتم ژنتیک به بهترین ترکیب از آن ها که بیشترین تفکیک را میان یادگیرندگان ایجاد میکند بهینه میسازد. پس از انتخاب ترکیب بهینه از ویژگیها دسته بندی بهینه یادگیرندگان توسط روش SVM انجام میشود. در مقاله [5] از روش خوشهبندی فازی مبتنی بر آمار فازی برای گروهبندی یادگیرندگان استفاده شده است.
در مقالهی [3] از روش دستهبندی بیز برای گروه بندی یادگیرندگان استفاده شده است. این روش دستهبندی با نظارت است و نیازمند یادگیری اولیه و نشانهگذاری بر روی داده های تمرینی است. Zhang و دیگران در مقاله خود [1] روش بهبود یافته خوشهبندی مبتنی بر ماتریس را پیشنهاد داده اند که ضمن عملکرد بهتر نسبت به K-means، معایب K-means در لزوم معین بودن تعداد خوشه را بر طرف نموده ست و پارامتر فشردگی خوشه را بهبود بخشیده است.
به عبارت دیگر در الگوریتم k-means میبایست ابتدا خوشهبندی با تعداد خوشه های مختلف انجام شود و سپس با بررسی نتایج، بهترین تعداد خوشه تعیین گردد، در نتیجه در هنگام هرگونه تغییر در ویژگیها و یا اضافه شدن عناصر جدید، میبایست این روال تکرار شود اما در روش بهبود یافته مبتنی بر ماتریس، پس از مدلسازی عناصر در ماتریس شباهت، الگوریتم عناصر را به بهینهترین تعداد خوشه گروهبندی مینماید.
با نگاهی کلی به تحقیقات صورت گرفته در حوزهی گروهبندی دانشجویان به این جمعبندی دست می یابیم که بسیاری از محققان ترجیح داده اند که از الگوریتم K-means برای خوشهبندی استفاده کنند. علت این انتخاب خوشهبندی بهتر k-means در تعداد خوشه کوچک نسبت به سایر روش ها میباشد.
همانطور که مشاهده می شود موضوع تعامل میان روش های مختلف خوشه بندی به منظور دستیابی به خوشهبندی بهتر مغقول مانده است.
-3 روش خوشهبندی پیوندی بهبودیافته
روش خوشهبندی پیوندی روشی، ساده از نظر عملکرد و پیچیدگی زمان و حافظه و در عین حال دقیق در ایجاد خوشههای بهینه است.
آغاز
محاسبه ی DB-index به ازای تعداد خوشه های مختلف هر الگوریتم و انتخاب تعداد خوشه با کمترین DB
خوشه بندی با الگوریتم های پایه با تعداد خوشه های بهینه
فازیسازی هر خوشه و تخمین آن به صورت یک عدد فازی مثلثی
مرتب کردن اعداد فازی متناظر با هر خوشه و خوشهبندی سلسله مراتبی اعداد فازی نزدیک به هم به تعداد خوشههای بهینه
انتخاب کوچکترین عدد فازی در دسته و در نظر گرفتن خوشهی متناظر با آن به عنوان خوشهی تصویبی به عنوان خوشه تصویبی
مشخص کردن عناصر تکراری در خوشههای منتخب و انتصاب آنها به خوشهای که عضو مذکور در مجموعهی فازی آن دارای بیشترین درجه عضویت بوده است و حذف آن از خوشهی دیگر
مشخص کردن عناصری که در هیچکدام از خوشه های منتخب نیستند. محاسبه فاصله ی نسبی آن ها از مراکز خوشههای منتخب از رابطه 5 و اضافه کردن آن به خوشهای که دارای کمترین مقدار است.
پایان
شکل :1 روال روش خوشه بندی پیوندی بهبود یافته.
این رویکرد در مقابل رویکردی قرار دارد که در تحقیقات اخیر برای افزایش دقت روش های خوشهبندی به چشم میخورد و در آنها با ترکیب روش-های خوشهبندی پایه با سایر روش های هوشمند روشهای پیچیدهای برای خوشهبندی پیشنهاد شده است و علاوه بر اینکه محققان را به سوی رویکردهای مقطعی در این حوزه کشانده است، به پیچیدگی زمانی و مکانی روشهای خوشهبندی نیز منجر شده است.
همانطور که در [9] نشان داده شده است استفاده از چند روش خوشهبندی و سپس پیوند نتایج آنها، در عین سادگی، خوشههای دقیقتری در مقایسه با اصلاح، دستکاری و پیچیده تر کردن روش های پایه ای و اصلی، به ارمغان میآورد. در این بخش مبتنی بر دیدگاه خوشهبندی پیوندی، نسخهای بهبود یافته از این روش با بهرهگیری از روشی فازی برای انتخاب خوشه-های مناسب و پیوند آنها به یکدیگر پیشنهاد شده است. رویکرد انتخاب و پیوند خوشه فازی در روش پیشنهادی، جایگزین روش فشردگی خوشه ها در روش خوشهبندی پیوندی شده و دقت انتخاب خوشهی مناسب را افزایش داده است. در شکل 1 روندنمای روش پیشنهادی آورده شده است.
روال اجرای روش پیشنهادی به شرح زیر است.
در مرحله اول هدف مشخص کردن تعداد خوشه های بهینه است که بیشترین فاصله بین خوشه های حاصل و کم ترین فاصله بین عناصر داخل خوشه ها را ایجاد کند. از این رو خوشهبندی با روش های مختلف پایه پیوند و با تعداد خوشههای مختلف انجام داده و اندیس دبویس بولدین DB- - [10] - index برای یافتن تعداد بهینه خوشه در روشهای مختلف محاسبه میشود.
اگر تعداد بهینه خوشه در روشهای پایه پیوند یکسان نبود، تعداد خوشه بهینه اکثریت روشها، به عنوان تعداد بهینه خوشه برای انجام خوشهبندی در همهی روش های پایه پیوند منظور میشود. پس از تعیین تعداد بهینه خوشه با الگوریتمهای پایه که در این مقاله FCM و K-means انتخاب شده است، خوشهبندی با تعداد خوشه های بهینه محاسبه شده در مرحله قبل، انجام میگیرد. در مرحله سوم هر خوشه به عنوان یک عدد فازی مدل میشود. برای این منظور تابع تعلق هر یک از اعضای خوشه از رابطه 1 محاسبه میشود.
