palette
استفاده از داده کاوی آموزشی جهت گروه‌بندي یادگیرندگان در محیط یادگیري الکترونیکی به منظور شخصی سازی برنامه آموزش
محمود دی پیر, احمد رابو

چکیده

سامانه‌های آموزشی شخصی‌سازی شده برای یادگیرندگان کارآیی بیشتری نسبت به سامانه‌های سنتی دارند. یادگیری الكترونیكی نیز از این قاعده مستثنا نیست و یکی از ملزومات آن وجود مکانیزمی شخصی‌شده برای کمک به یادگیری مؤثر یادگیرنده است. در سال‌های اخیر از روش‌های داده‌کاوی به‌طور گسترده در زمینه‌ی بهبود کیفیت آموزش استفاده شده است. با استفاده از روش‌های داده‌کاوی می‌توان شناخت بیشتری از یادگیرندگان در محیط یادگیری الکترونیکی بدست آورده و از آن در جهت دستیابی به یادگیری تطبیقی استفاده کرد. در این مقاله مدلی به منظور گروه‌بندی یادگیرندگان براساس سبک یادگیری آن‌ها ارائه شده است. به این ترتیب که ابتدا با استفاده از پرسشنامه فلدر-سولومون ابعاد مختلف سبک یادگیری یادگیرندگان در قالب مدل فلدر-سیلورمن سنجیده و سپس با استفاده از الگوریتم k میانگین به گروه‌بندی آن‌ها پرداخته شده است. در نهایت مدل ارائه شده به‌منظور برنامه‌ریزی بهتر آموزشی، در دوره‌ای واقعی مورد استفاده و ارزیابی قرار گرفته است. نتایج حاصل شده نشان از کارآیی مدل پیشنهادی دارند. در واقع، یادگیرندگان با استفاده از مدل پیشنهادی به موفقیت تحصیلی بالاتری دست یافتند و هم‌چنین دوره‌ی برگزار شده از جذابیت بیشتری برخوردار شد.

 

 

واژگان کلیدی
یادگیری الکترونیکی- داده کاوی آموزشی- سبک یادگیری- الگوریتم k میانگین

منابع و مآخذ مقاله

Rasouli, R., & Pahlevaninejad, D.(2016). A Linear Model for Quality Assessment on Learner’s Satisfaction in Electronic Learning Bases of Universities with Distance Education System, Journal of Management and Planning in Educational Systems, 8 (15), 9-26. (In Farsi).

Graf, S., & Kinshuk, P. (2006). An Approach for Detecting Learning Styles in Learning Management Systems. In Sixth International Conference on Advanced Learning Technologies, pp. 161 –163.

Romero, C., Ventura, S., & García, E. (2008). Data mining in course management systems: Moodle case study and tutorial. Computers & Education, 51(1), 368-384.

Jovanovic, M., Vukicevic, M., Milovanovic, M., & Minovic, M. (2012). Using data mining on student behavior and cognitive style data for improving e-learning systems: a case study. International Journal of Computational Intelligence Systems, 5(3), 597-610.

Chang, Y. C., Kao, W. Y., Chu, C. P., & Chiu, C. H. (2009). A learning style classification mechanism for e-learning. Computers & Education, 53(2), 273-285.

Peña-Ayala, A. (2014). Educational data mining: A survey and a data mining-based analysis of recent works. Expert systems with applications, 41(4), 1432-1462.

Yang, Y. J., & Wu, C. (2009). An attribute-based ant colony system for adaptive learning object recommendation. Expert Systems with Applications, 36(2), 3034-3047.

Leite, W. L., Svinicki, M., & Shi, Y. (2010). Attempted validation of the scores of the VARK: Learning styles inventory with multitrait–multimethod confirmatory factor analysis models. Educational and psychological measurement, 70(2), 323-339.

Kolb, D. A., Boyatzis, R. E., & Mainemelis, C. (2001). Experiential learning theory: Previous research and new directions. Perspectives on thinking, learning, and cognitive styles, 1, 227-247.

Felder, R. M., & Silverman, L. K. (1988). Learning and teaching styles in engineering education. Engineering education, 78(7), 674-681.

Felder, R. M., & Brent, R. (2005). Understanding student differences. Journal of engineering education, 94(1), 57-72.

Carver, C. A., Howard, R. A., & Lane, W. D. (1999). Enhancing student learning through hypermedia courseware and incorporation of student learning styles. IEEE transactions on Education, 42(1), 33-38.

Kanninen, E. (2009). Learning Styles and E-Learning, Master of Science Thesis, Tampere University of Technology. Unpublished master thesis). Retrieved from hlab. ee. tut. fi/video/bme/evicab/astore/delivera/wp4style. pdf.

Schiaffino, S., Garcia, P., & Amandi, A. (2008). eTeacher: Providing personalized assistance to e-learning students. Computers & Education, 51(4), 1744-1754.

Bousbia, N., & Belamri, I. (2014). Which Contribution Does EDM Provide to Computer-Based Learning Environments?. In Educational data mining (pp. 3-28). Springer International Publishing.

Dutt, A., Aghabozrgi, S., Ismail, M. A. B., & Mahroeian, H. (2015). Clustering algorithms applied in educational data mining. International Journal of Information and Electronics Engineering, 5(2), 112.

Salazar, A., Gosalbez, J., Bosch, I., Miralles, R., & Vergara, L. (2004). A case study of knowledge discovery on academic achievement, student desertion and student retention. In Information Technology: Research and Education, 2004. ITRE 2004. 2nd International Conference on (pp. 150-154). IEEE.

Bogarín, A., Romero, C., Cerezo, R., & Sánchez-Santillán, M. (2014, March). Clustering for improving educational process mining. In Proceedings of the Fourth International Conference on Learning Analytics And Knowledge (pp. 11-15). ACM.

Özpolat, E., & Akar, G. B. (2009). Automatic detection of learning styles for an e-learning system. Computers & Education, 53(2), 355-367.


ارجاعات
  • در حال حاضر ارجاعی نیست.