گروه‌بندی همسان یادگیرندگان در محیط یادگیری الکترونیکی به کمک روش خوشه¬بندی شورایی
الموضوعات :
ملیحه کمرئی
1
,
غلامعلی منتظر
2
1 - مدیریت فنّاوري اطلاعات، گروه مدیریت، دانشگاه تربیت مدرّس، تهران، ایران
2 - فنّاوري اطلاعات، دانشکده فنی و مهندسی، دانشگاه تربیت مدرّس، تهران، ایران
الکلمات المفتاحية: یادگیری الکترونیکی, گروه¬بندی یادگیرندگان, خوشه¬بندی, سبک یادگیری, رویکرد شورایی,
ملخص المقالة :
یادگیری الکترونیکی به عنوان روشی نوین در امر آموزش و یادگیری در طی سالیان اخیر مورد استقبال فراوانی قرار گرفته است. اکثر سامانه های یادگیری الکترونیکی، صرف نظر از تفاوت های فردی یادگیرندگان محتوای آموزشی مشابهی را برای همة یادگیرندگان ارائه می دهند در حالی که در آموزش های مبتنی بر وب، علاوه بر افزایش فرصت یادگیری باید به ارتقای بازدهی یادگیری نیز توجه شود. سامانه های یادگیری تطبیقی برای ارائة محتوای تطبیق پذیر با هر یادگیرنده، نیازمند گروه بندی یادگیرندگان با علایق مشابه است و برای تحقق این هدف، می توان از سبک های یادگیری یادگیرندگان بهره گرفت. گروه-بندی خودکار یادگیرندگان در این محیط به کمک روش های خوشه بندی امکان پذیر است. به دلیل متفاوت بودن نتایج روش های خوشه بندی در تکرارهای مختلف، در این پژوهـش از روش خوشه بندی شورایی برای ترکیـب نـتایج خوشـه بندی پنـج روش FCM، K-means، KNN , SVM و medoids-K برای گروه بندی یادگیرندگان در محیط یادگیری الکترونیکی استفاده شده است. نتایج ارزیابی تجربی روش خوشه‌بندی پیشنهادی بر اساس سه شاخص «دیویس – بولدین»، « خلوص و تجمع» و « واریانس » نشان می‌دهد که این روش، کاهش هزینة محاسباتی و دقت و سرعت بیشتری نسبت به سایر روش‌های متداول در شناسایی گروه‌ها داشته است.
1. Samadi.M. (2011) Study of Felder and Solomon Psychometric Properties Questionnaire of Learning Styles. Journal of New Educational Approaches. Volume 6 , Number 1 (13);pp 39-60 [in Persian]
2. Romiszowski, A. J. (2004) "How's the e-learning baby? Factors leading to success or failure of an educational technology innovation," Educational Technology-Saddle Brook Then Englewood Cliffs NJ-, vol. 44, pp. 5-27.
3. Maseleno A., Sabani N., Huda M, Ahmad. R , Jasmi . K.A and Basiron. B. (2018). Demystifying Learning Analytics in Personalised Learning. International Journal of Engineering & Technology. Vol. 7, pp. 1124-1129.
4. Chen S. and Zhang, J. (2008). "The adaptive learning system based on learning style and cognitive state," in Knowledge Acquisition and Modeling, 2008. KAM'08. International Symposium on, pp. 302-306.
5. Schleith, D, Widener, M.J.,Kim C ,.Liu. L (2018). Assessing the delineated commuter sheds of various clustering methods. Journal of Computers, Environment and Urban Systems. Vol 71, pp 81-87.
6. Popat S. K. and Emmanuel, M (2014). "Review and Comparative Study of Clustering Techniques," International Journal of Computer Science and Information Technologies, vol. 5, pp. 805-812.
. Huang, Y.-P. Lu, C.-C. Chang, T.-W. and. Horng, M.-S (2007). "An intelligent approach to detecting the bad credit card accounts," in Proceedings of the 25th conference on Proceedings of the 25th IASTED International Multi-Conference: artificial intelligence and applications, pp. 220-225.
8. Shakhnarovich, G, Indyk. P, and Darrell, T. (2006). Nearest-neighbor methods in learning and vision: theory and practice.
9. Gravenhorst, R. M. (2007). "Student learning styles and academic performance in a non-traditional anatomy course," Journal of Dance Education, vol. 7, pp. 38-46.
10. Honey P. and Mumford, A. (1989). Learning styles questionnaire: Organization Design and Development, Incorporated.
11. Kolb A. and Kolb, D. A. (2012) ."Kolb’s learning styles," in Encyclopedia of the Sciences of Learning, ed: Springer, pp. 1698-1703.
12. Felder R. M. and Silverman, L. K. (1988). "Learning and teaching styles in engineering education," Engineering education, vol. 78, pp. 674-681.
13. Essalmi, F. . Ayed, L. J. B ,Jemni, M. and Graf, S (2010). "A fully personalization strategy of E-learning scenarios," Computers in Human Behavior, vol. 26, pp. 581-591.
14. رضايي محمدصادق, منتظر غلامعلي. گروه بندي همگن يادگيرندگان الکترونيکي بر اساس رفتار شبکه اي آنان. نشریه فناوری اطلاعات و ارتباطات ایران، سال ششم شماره ۲۱ (پاییز و زمستان ۱۳۹۳)
15. Truong, HM (2016). Integrating learning styles and adaptive e-learning system: Current developments, problems and opportunities .Journal of Computers in Human Behavior. Vol 55, pp 1185-1193.
16. Sabitha ,A.S, Mehrotra D. and Bansal. A. (2017). An ensemble approach in converging contents of LMS and KMS. Journal of Education and Information Technologies. Vol 22, pp 1673–1694.
17. Abellán J. and .Castellano, JG. (2017). A comparative study on base classifiers in ensemble methods for credit scoring. Journal of Expert Systems with Applications. Vol 73 , pp 1-10.
18. Fred, A. (2001). "Finding consistent clusters in data partitions," in Multiple classifier systems, ed: Springer , pp. 309-318.
19. Vega-Pons S. and Ruiz-Shulcloper, J. (2011). "A survey of clustering ensemble algorithms," International Journal of Pattern Recognition and Artificial Intelligence, vol. 25, pp. 337-372.
20. Davies D. L. and Bouldin, D. W. (1979). "A cluster separation measure," Pattern Analysis and Machine Intelligence, IEEE Transactions on, pp. 224-227.
21. Zheng, Q. Ding, J. Du, J. and Tian, F. (2007). "Assessing method for e-learner clustering," in Computer Supported Cooperative Work in Design, CSCWD 2007. 11th International Conference on, 2007, pp. 979-983.
22. Halkidi, M. Batistakis, Y. and Vazirgiannis, M. (2001). "On clustering validation techniques," Journal of Intelligent Information Systems, vol. 17, pp. 107-145.
23. Olson, D. L., & Delen, D. (2008). Advanced data mining techniques p. 138 (1st ed.). Springer.
24. Lokaiczyk, R , Faatz,A, Beckhaus,A and Goertz,M.(2007). Enhancing Just-in-Time E-Learning Through Machine Learning on Desktop Context Sensors. International and Interdisciplinary Conference on Modeling and Using Context.pp 330-341.
25. Lykourentzou, I *. Giannoukos,I . Nikolopoulos,V . Mpardis,G . Loumos, V. (2009). Dropout prediction in e-learning courses through the combination of machine learning techniques. Journal of Computers & Education Vol 53. pp 950–965.
26. He ,Y . Hui, SC . Quan,TT.(2009). Automatic summary assessment for intelligent tutoring systems. Journal of Computers & Education . Vol 53 . pp 890–899.
27. Kotsiantis.S . Patriarcheas. K , Xenos.M .(2010). A combinational incremental ensemble of classifiers as a technique for predicting students’ performance in distance education. Journal of Knowledge-Based Systems. Vol 23 .pp 529–535.
28. Moreira-Matias.L . Mendes-Moreira.J . Gama.J and Brazdil.P.(2012). Text Categorization Using an Ensemble Classifier Based on a Mean Co-association Matrix. pp. 525–539.
29. Sai.A . Sabitha1 & Mehrotra1. D & Bansal.A. (2016). An ensemble approach in converging contents of LMS and KMS. Journal of Education and Information Technologies Vol 22(4) .
