15000 تومان
افزودن به سبد خرید
0 فروش 157 بازدید
جزئیات محصول
تعداد قسمت: 1
پسوند فایل: zip
حجم فایل: 2MB
فایل راهنما: ندارد
بسته نصبی: ندارد
امکانات: شامل فایل pdf مقاله لاتین و فایل word ترجمه فارسی (9 صفحه)
تاریخ انتشار: 17 دسامبر 2018
دسته بندی: ,

تبلیغات

طبقه بندی سوالات به صورت خودکار در یک محیط یادگیری رقابتی با استفاده از الگوریتم  ژنتیک در سیستم های خبره فازی

چکیده

سیستم تدریس خصوصی هوشمند یک ابزار کارآمد است تا به طور خودکار پیشرفت و نیازهای دانش آموزان را منطبق با فرآیند یادگیری کند. نکته مهم در این جا این است که آیا سیستم می­تواند سطح علمی دانش آموزان را مشخص کند؟! در این جا سعی شده است که دانش آموزان را بر اساس سطح دشواری آنان طبقه بندی کنیم. خیلی از سیستم­ها برای تخمین این سوال­ها به مشکل برمی­خورند. با این حال تنوع در محیط نرم افزار باعث شده که اعمال راه حل های موجود به طور مستقیم به یک برنامه مشکل شود. بنابراین، یک راه حل خاص طراحی شده است که منظور آن تعیین سطح دشواری سوالات باز در یک روش به صورت خودکار و عینی است. این راه حل می تواند با ویژگی های خاص زمانی و در حال اجرا به فعالیت ها  اعمال شده و به عنوان ایجاد رقابت از طریق سؤال مسابقه، که یک ابزاری است که  بستر های نرم افزاری و آموزش الکترونیک را ادغام میشود. هدف پیشنهاد یک سیستم خبره فازی است که با استفاده از الگوریتم ژنتیک   هر سطح دشواری را مشخص می­کند که خروجی الگوریتم آن طبقه بندی سوالات  براساس قواعد فازی که  می­باشد. به منظور تایید اعتبار سیستم در برابر  کارشناسان از  اطلاعات ثبت شده در  فعالیتی رقابتی در یک دوره مهندسی مخابرات  استفاده شده است. نتایج نشان می دهد که سیستم با موفقیت این کار را انجام می­دهد. بنابراین، می توان نتیجه گرفت که سیستم قادر به انجام کار ​​طبقه بندی سوالات در یک محیط یادگیری رقابتی است.

۱٫مقدمه

در سال گذشته،  فرآیند یادگیری  تغییر و تحول قابل ملاحظه ای داشته است که در جهت متناسب کردن نیازها و ویژگی­های دانش آموزان متمرکز شده است. مطالعات مختلف اثر  سیستم تطبیقی ​​یادگیری جدی را نشان می­دهد (Verdْ, Regueras, Verdْ, deCastro, & Pérez, 2008).

بسیاری از این سیستم­ها تلاش زیادی می­کنند که با تطبیق ​​بین  سطح دشواری و مهارت ها و توانایی ها سؤالاتی را به دانش آموزان ارائه دهند. هدف افزایش بهره وری و سطح تعامل و انگیزه دانش­آموزان است   (Lilley، بارکر، Britton، ۲۰۰۴).

سوالات خیلی سخت یا خیلی آسان می تواند باعث نا امید شدن و کاهش انگیزه دانش آموزان شود در حالی که توالی سوالات تطبیقی باعث  یادگیری  بهتر و موثرتر می­شود (Wauters، Desmet، و ون دن Noortgate، ۲۰۱۰) .

علاوه بر این ، با توجه به (لی و Heyworth، ۲۰۰۰)، دانش آموزان باید قادر به گرفتن نمره بالاتر باشند که در این صورت باید مسائل با توجه به سطح دشواری خود مرتب شوند که در آن دانش آموز پس از حل مسائل ساده تر، انگیزه بیشتری برای حل آن مسائلی که سخت تر است را پیدا کنند. از سوی دیگر، سیستم یادگیری رقابتی از آنجایی که  به عنوان سیستم تورنمنت سؤال محسوب می­شود باید یک روش موثر را برای به تصرف درآوردن علاقه و انگیزه  دانشجویان با ایجاد  یک محیط رقابتی فراهم کند (اندرسون، ۲۰۰۶؛ Philpot، سالن، Hubing و Flori،۲۰۰۵).

علاوه بر این ، یادگیری رقابتی باعث  کاهش  ناکامی دانش آموزان برای کامل کردن تکالیف و همچنین باعث بهبود فرایند یادگیری می­شود(لارنس، ۲۰۰۴) و  (Regueras و همکاران، ۲۰۰۹) .

دانش آموزان برای گرفتن بالاترین نمرات و  رتبه بندی به رقابت بپردازند. آنها باید تمرینات را در داخل یک محدوده زمانی و در اسرع وقت حل کنند چون با گذشت زمان  تابع نمره دهی  تغییر میکند. (شناخته شده به عنوان چالش در تورنمنت سؤال) . ماهیت رقابتی تورنمنت سؤال نه تنها انگیزه دانش آموزان را افزایش نداده بلکه  می تواند باعث استرس و دلسردی در دانش آموزان شود. نسبت دادن رقیب ها و سوالات متناسب به یک دانش آموز ممکن است یک استراتژی موثر برای کاهش این اثرات منفی باشد(وو و همکاران،  (۲۰۰۷٫بنابراین این سیستم باید  دانش آموزان را به گروه­هایی با مهارت های مشابه تقسیم بندی کرده  سوالاتی با سطح دشواری مناسب  برای آنهاایجاد کند بنابراین طبقه بندی سوالات بر اساس سطح دشواری  بسیار مهم است . با این حال، برای معلمان دشوار است که به دقت سطح دشواری را با توجه به سطح مهارت دانش آموزان برآورد کنند.)آبیاری و Rijt، ۲۰۰۶ ) تجربه به معلمان کمک می کند تا سطح دشواری سوالات را بهتر برآورد کنند، اما گاهی اوقات حتی معلمان ارشد هم شکست می­خورند .برآورد سیستم اتوماتیک می تواند پایه ای برای یک فرآیند انطباق موثر باشد.بسیاری از سیستم های که به طور خودکار برآورد سطح دشواری آیتم ها را مشخص می­کنند را می توان در متون یافت.
(Burghof، ۲۰۰۱ چنگ، شن، و باسو، ۲۰۰۸٫ جونگ چان وو، و لین، ۲۰۰۶؛ لی، ۱۹۹۶؛. Wauterset و همکاران، ۲۰۱۰).

با این حال، تنوع در ماهیت  محیط نرم افزار باعث سخت تر شدن  اعمال راه حل های موجود به طور مستقیم به یک برنامه دیگر است. بنابراین، یک راه حل خاص  این است که تبدیل سیستم  رقابتی آموزش الکترونیکی  تورنمنت سؤال را بر اساس یک سیستم هوشمند طراحی کرد. هدف این است که به یادگیری موثرتر و کاهش برخی از اشکالات عملی در محیط  یادگیری  رقابتی رسید. این مقاله یک سیستم متخصص که به صورت خودکار سطح دشواری سوالات مطرح شده را در مسابقات سؤال سیستم یادگیری رقابتی تخمین می زند بیان می­کند بخش ۲ معرفی مسائلی که  معلمان در آن به مشکل برمی­خورند و  پیدا کردن راه حل آنها است. سیستم خبره که در بخش ۳ شرح داده شده است. بخش ۴ شروع با شرح آزمایش به منظور تایید اعتبار سیستم می­باشد. در مرحله بعد، یک مطالعه آمده است که تجزیه و تحلیل  دقت برآورد سختی  به دست آمده توسط سیستم هوشمند ارائه می­کند.در نهایت،نتیجه گیری اصلی توضیح داده شده است.

A genetic fuzzy expert system for automatic question classification in a competitive learning environment

Abstract

Intelligent tutoring systems are efficient tools to automatically adapt the learning process to the student’s progress and needs. One of the possible adaptations is to apply an adaptive question sequencing system, which matches the difficulty of the questions to the student’s knowledge level. In this context, it is important to correctly classify the questions to be presented to students according to their difficulty level. Many systems have been developed for estimating the difficulty of questions. However the variety in the application environments makes difficult to apply the existing solutions directly to other applications. Therefore, a specific solution has been designed in order to determine the difficulty level of open questions in an automatic and objective way. This solution can be applied to activities with special temporal and running features, as the contests developed through QUESTOURnament, which is a tool integrated into the e-learning platform Moodle. The proposed solution is a fuzzy expert system that uses a genetic algorithm in order to characterize each difficulty level. From the output of the algorithm, it defines the fuzzy rules that are used to classify the questions. Data registered from a competitive activity in a Telecommunications Engineering course have been used in order to validate the system against a group of experts. Results show that the system performs successfully. Therefore, it can be concluded that the system is able to do the questions classification labour in a competitive learning environment.

دانلود مقاله اصلی:

https://www.sciencedirect.com/science/article/pii/S0957417412001339

افزودن به سبد خرید

لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد

محصولات پر فروش

پر فروش ترین محصولات فروشگاه روکساوب