کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6861786 1439258 2018 37 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A multi-constraint learning path recommendation algorithm based on knowledge map
ترجمه فارسی عنوان
الگوریتم پیشنهاد مسیر چند محدودیتی بر اساس نقشه دانش
کلمات کلیدی
یادگیری الکترونیکی، نقشه دانش، سناریوی یادگیری، توصیه آموزش مسیر،
ترجمه چکیده
برای یادگیرندگان الکترونیکی دشوار است تصمیم بگیرند چگونه می توانند یاد بگیرند وقتی که با مقدار زیادی از منابع یادگیری مواجه می شوند، به ویژه هنگامی که آنها باید مدت زمان یادگیری محدود و اهداف یادگیری چندگانه را در سناریوهای مختلف یادگیری محدود کنند. این تحقیق که در این مقاله ارائه شده است، این چالش را با پیشنهاد یک الگوریتم پیشنهاد چند مسیریابی مسیر یادگیری مبتنی بر نقشه دانش ارائه می دهد. مشارکتهای اصلی مقاله به شرح زیر است: اولا، دو فرضیه بر روی ترجیحات مسیر یادگیری الکترونیکی یادگیرندگان برای چهار سناریو مختلف یادگیری (یادگیری اولیه، بازنگری معمول، یادگیری قبل از آزمون و بررسی پیش آزمون) از طریق تحلیل آماری مبتنی بر پرسشنامه تایید شده است. ثانیا، با توجه به ویژگی های رفتار یادگیری چهار نوع سناریوهای یادگیری، پیشنهاد مدل چند راهه یادگیری یادگیری یاد شده، که در آن متغیرها و ضرایب وزن آنها، ترکیب های مختلف یادگیری یادگیری فراگیران در سناریوهای مختلف یادگیری و یادگیری را در نظر می گیرند. سازمان منابع و زمان تقسیم شده. سوم، بر اساس مدل پیشنهادی و نقشه دانش، طراحی و پیاده سازی یک الگوریتم پیشنهاد مسیر مسیر یادگیری چند محدودیتی توصیف شده است. در نهایت، نشان داده شده است که پرسشنامه از بیش از 110 آموزگار الکترونیکی بررسی اثربخشی الگوریتم پیشنهادی را نشان می دهد و شباهت بین روش های یادگیری خود به خود سازمان یافته و مسیرهای یادگیری را نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
الگوریتم پیشنهاد مسیر چند محدودیتی بر اساس نقشه دانش
چکیده انگلیسی
It is difficult for e-learners to make decisions on how to learn when they are facing with a large amount of learning resources, especially when they have to balance available limited learning time and multiple learning objectives in various learning scenarios. This research presented in this paper addresses this challenge by proposing a new multi-constraint learning path recommendation algorithm based on knowledge map. The main contributions of the paper are as follows. Firstly, two hypotheses on e-learners' different learning path preferences for four different learning scenarios (initial learning, usual review, pre-exam learning and pre-exam review) are verified through questionnaire-based statistical analysis. Secondly, according to learning behavior characteristics of four types of the learning scenarios, a multi-constraint learning path recommendation model is proposed, in which the variables and their weighted coefficients considers different learning path preferences of the learners in different learning scenarios as well as learning resource organization and fragmented time. Thirdly, based on the proposed model and knowledge map, the design and implementation of a multi-constraint learning path recommendation algorithm is described. Finally, it is shown that the questionnaire results from over 110 e-learners verify the effectiveness of the proposed algorithm and show the similarity between the learners' self-organized learning paths and the recommended learning paths.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Knowledge-Based Systems - Volume 143, 1 March 2018, Pages 102-114
نویسندگان
, , , , , , , , ,