کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6865228 1439555 2018 22 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Characterizing attentive behavior in intelligent environments
ترجمه فارسی عنوان
ویژگی رفتار توجه در محیط های هوشمند
کلمات کلیدی
محیط هوشمند، فراگیری ماشین، فعالیت های یادگیری، توجه سبک های یادگیری،
ترجمه چکیده
سبکهای یادگیری به شدت با یادگیری ارتباط دارد و زمانی که به کسب دانش جدید می رسد، توجه یکی از مهم ترین مکانیسم ها است. توجه یادگیرنده بر نتایج یادگیری تاثیر می گذارد و می تواند موفقیت یا شکست یک دانش آموز را تعریف کند. هنگامی که دانش آموزان فعالیت های یادگیری را با استفاده از فن آوری های جدید انجام می دهند، بسیار مهم است که معلم بازخورد از کار دانش آموزان برای شناسایی مشکلات یادگیری احتمالی در مرحله اول و سپس انتخاب روش های مناسب تدریس باشد. در این مقاله، یک سیستم توزیع غیرمستقیم برای نظارت بر سطح توجه دانشجویان ارائه شده است. این به خصوص برای کلاس های کار در کامپیوتر مناسب است. سیستم ارائه شده قادر به ارائه اطلاعات در زمان واقعی در مورد هر دانش آموز و همچنین اطلاعات در مورد کلاس است و پیش بینی های مربوط به بهترین شیوه یادگیری برای یک دانش آموز را با استفاده از مجموعه ای از شبکه های عصبی پیش بینی می کند. این ممکن است برای معلمان بسیار مفید باشد تا رویدادهای بالقوه منحرف را شناسایی کنند و این سیستم ممکن است برای معلمان برای اجرای استراتژی های آموزشی مناسب تر مفید باشد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
ویژگی رفتار توجه در محیط های هوشمند
چکیده انگلیسی
Learning styles are strongly connected with learning and when it comes to acquiring new knowledge, attention is one the most important mechanisms. The learner's attention affects learning results and can define the success or failure of a student. When students are carrying out learning activities using new technologies, it is extremely important that the teacher has some feedback from the students' work in order to detect potential learning problems at an early stage and then to choose the appropriate teaching methods. In this paper we present a nonintrusive distributed system for monitoring the attention level in students. It is especially suited for classes working at the computer. The presented system is able to provide real-time information about each student as well as information about the class, and make predictions about the best learning style for a student using an ensemble of neural networks. It can be very useful for teachers to identify potentially distracting events and this system might be very useful to the teacher to implement more suited teaching strategies.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Neurocomputing - Volume 272, 10 January 2018, Pages 46-54
نویسندگان
, , , ,