بهره گیری از مدل ترنسفورمر و یادگیری تقویتی در شخصی سازی محتوای آموزشی دانشگاهی

با گسترش سامانه های یادگیری الکترونیکی در آموزش عالی، شخصی سازی محتوای آموزشی به عامل کلیدی در بهبود کیفیت یادگیری تبدیل شده است. در این پژوهش، رویکردی جدید مبتنی بر ترکیب مدل ترنسفورمر (Transformer) و یادگیری تقویتی (Reinforcement Learning) برای بهینه سازی فرآیند توصیه محتوا ارائه می گردد. ابتدا معماری ترنسفورمر جهت استخراج ویژگی های پیچیده از توالی تعاملات آموزشی دانشجویان طراحی شده و سپس با استفاده از یادگیری تقویتی، استراتژی پیشنهادی محتوای درسی برای هر دانشجو به صورت پویا به روز رسانی می شود. به منظور انجام آزمایش ها، داده هایی به صورت شبیه سازی شده تهیه گردیده تا رفتارهای متنوع دانشجویان را بازتاب دهد. مقایسه نتایج با روش های رایج از جمله آموزش سنتی غیرآنلاین و یکپارچه برای همه نشان می دهد که روش پیشنهادی دقت بالاتری در ارائه توصیه های شخصی سازی شده داشته و نرخ ماندگاری دانشجویان در سامانه یادگیری را به طور محسوسی افزایش می دهد.

Keywords:

ترنسفورمر , یادگیری تقویتی , شخصی سازی محتوای آموزشی , یادگیری الکترونیکی , سیستمهای توصیه گر