استفاده از داده کاوی آموزشی جهت گروه بندی یادگیرندگان در محیط یادگیری الکترونیکی به منظور شخصی سازی برنامه آموزش
Publish Year: 1397
Type: Journal paper
Language: Persian
View: 255
This Paper With 26 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
JR_MPES-11-1_004
Index date: 14 September 2021
استفاده از داده کاوی آموزشی جهت گروه بندی یادگیرندگان در محیط یادگیری الکترونیکی به منظور شخصی سازی برنامه آموزش abstract
سامانه های آموزشی شخصی سازی شده برای یادگیرندگان کارآیی بیشتری نسبت به سامانه های سنتی دارند. یادگیری الکترونیکی نیز از این قاعده مستثنا نیست و یکی از ملزومات آن وجود مکانیزمی شخصی شده برای کمک به یادگیری موثر یادگیرنده است. در سال های اخیر از روش های داده کاوی به طور گسترده در زمینه ی بهبود کیفیت آموزش استفاده شده است. با استفاده از روش های داده کاوی می توان 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 گروه بندی یادگیرندگان براساس سبک یادگیری آن ها 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 گروه بندی آن ها پرداخته شده است. در نهایت مدل ارائه شده به منظور برنامه ریزی بهتر آموزشی، در دوره ای 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 هم چنین دوره ی برگزار شده از جذابیت بیشتری برخوردار شد.
استفاده از داده کاوی آموزشی جهت گروه بندی یادگیرندگان در محیط یادگیری الکترونیکی به منظور شخصی سازی برنامه آموزش Keywords:
استفاده از داده کاوی آموزشی جهت گروه بندی یادگیرندگان در محیط یادگیری الکترونیکی به منظور شخصی سازی برنامه آموزش authors
محمود دی پیر
دانشگاه هوایی شهید ستاری
احمد رابو
دانشگاه آزاد اسلامی واحد بندرعباس
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :