کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4943387 1437631 2017 32 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Learning style Identifier: Improving the precision of learning style identification through computational intelligence algorithms
ترجمه فارسی عنوان
سبک یادگیری شناسه: بهبود دقت شناسایی سبک ها از طریق الگوریتم های هوشمند محاسباتی
کلمات کلیدی
ترجمه چکیده
شناسایی سبک های یادگیری دانش آموزان دارای مزایای متعددی از جمله ایجاد دانش آموزان از نقاط قوت و ضعف آنها در هنگام یادگیری و امکان شخصی سازی محیط یادگیری خود به سبک یادگیری آنها است. در حالی که پرسشنامه سبک یادگیری برای شناسایی سبک یادگیری دانش آموز وجود دارد، چنین پرسشنامه دارای معایب متعددی است و به همین دلیل، تحقیق به صورت خودکار شناسایی سبک های یادگیری از رفتار دانش آموزان در محیط یادگیری انجام شده است. رویه های فعلی برای به طور خودکار سبک های یادگیری را تعیین می کند که میانگین 66٪ تا 77٪ است که نشان می دهد نیاز به پیشرفت برای استفاده از این رویکردهای خودکار در محیط های یادگیری به طور قابل اعتماد. در این مقاله، چهار الگوریتم هوشمند محاسباتی (شبکه عصبی مصنوعی، الگوریتم ژنتیک، سیستم کلون مورچه و بهینه سازی ذرات ذرات) با توجه به پتانسیل آنها برای بهبود دقت شناسایی سبک یادگیری خودکار مورد بررسی قرار گرفته است. هر الگوریتم با داده ها از 75 دانش آموز ارزیابی شد. شبکه عصبی مصنوعی نتیجه های بسیار محتمل را با دقت متوسط ​​80.7٪ نشان می دهد، سپس بهینه سازی ذرات ذرات با دقت متوسط ​​79.1٪ می شود. بهبود دقت شناسایی خودکار سبک یادگیری دانش آموزان می تواند دانش آموزان بیشتری را از اطلاعات دقیق تر در مورد سبک های یادگیری خود و همچنین شخصی سازی دقیق تر در جهت سازگاری با سبک های یادگیری خود در محیط یادگیری بهره مند سازد. علاوه بر این، معلمان می توانند درک بهتر دانش آموزان خود را داشته باشند و قادر به ارائه مداخلات مناسب تر باشند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
سبک یادگیری شناسه: بهبود دقت شناسایی سبک ها از طریق الگوریتم های هوشمند محاسباتی
چکیده انگلیسی
Identifying students' learning styles has several benefits such as making students aware of their strengths and weaknesses when it comes to learning and the possibility to personalize their learning environment to their learning styles. While there exist learning style questionnaires for identifying a student's learning style, such questionnaires have several disadvantages and therefore, research has been conducted on automatically identifying learning styles from students' behavior in a learning environment. Current approaches to automatically identify learning styles have an average precision between 66% and 77%, which shows the need for improvements in order to use such automatic approaches reliably in learning environments. In this paper, four computational intelligence algorithms (artificial neural network, genetic algorithm, ant colony system and particle swarm optimization) have been investigated with respect to their potential to improve the precision of automatic learning style identification. Each algorithm was evaluated with data from 75 students. The artificial neural network shows the most promising results with an average precision of 80.7%, followed by particle swarm optimization with an average precision of 79.1%. Improving the precision of automatic learning style identification allows more students to benefit from more accurate information about their learning styles as well as more accurate personalization towards accommodating their learning styles in a learning environment. Furthermore, teachers can have a better understanding of their students and be able to provide more appropriate interventions.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Expert Systems with Applications - Volume 75, 1 June 2017, Pages 94-108
نویسندگان
, , , ,