نقش سیستم های پیشنهاد دهنده برای شخصی سازی متون در یادگیری الکترونیک

Publish Year: 1386
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 3,424

This Paper With 5 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ICEC01_079

تاریخ نمایه سازی: 22 خرداد 1387

Abstract:

به منظور افزایش انگیزه در یادگیری، مسئله مهم کمک به کاربران به منظور انتخاب مناسب متون، متناسب با علایق آنها می باشد. هدف این مقاله توسعه یک سیستم پیشنهاد دهنده شخصی سازی شده برای کاربران آنلاین در آموزش الکترونیک می باشد. یک سیستم پیشنهاد دهنده اطلاعات مفید را پیشنهاد می دهد یا استراتژی هایی به کاربران برای دستیابی به اهداف شان پیشنهاد می دهد. چنین سیستمی رفتار کاربران را بررسی نموده و پیشنهاد مناسب را ارائه می نماید. یک مثال ساده از چنین سیستمی یک موتور جستجوست وقتی هیچ نتیجه ای برای پرس و جوهای آن پیدا نشود می تواند کلمات کلمات کلیدی دیگری یا پرسش های بهتری که ممکن است نتابج بهتری را در بر داشته باشد پیشنهاد کند. [6] سیستم های پیشنهاد دهنده بسیاری در فیلدهایی مثل تجارت الکترونیک، فیلم، موزیک، کتاب و ... وجود دارند اما برای کاربران سیستم های آموزش الکترونیک، سیستم های کمی با توابع پیشنهاد دهنده طراحی شده اند. اغلب سیستم های پیشنهاد دهنده با روشهای فیلتر همبستگی یا فیلتر مبتنی بر محتوا برای ازائه پیشنهاد به کاربران مطابقت دارند. [11] روش مبتنی بر محتوا از اطلاعات آیتم ها به منظور ارائه پیشنهاد استفاده می کند. روش مبتنی بر محتوا از مقایسه آیتم‌ها و پروفایل کاربران استفاده نموده تا آیتم‌های مشابهی که کاربر در گذشته انتخاب نموده به وی پیشنهاد دهد. در این سیستم ها اغلب از بعضی از شماهای وزن دهی استفاده می کنند، به گونه ای که وزن بالا علامت مشخصه ای برای انتخاب می باشد. زمانی که یک آیتم به کاربر نشان داده می شود، بازخورد آن استنباط می شود. اگر کاربر آیتم مورد نظر را دوست داشته باشد به پروفایل کاربر اشافه می شود. چنین پروسه ای به عنوان بازخوردی برای به روز رسانی پروفایل کاربر می باشد. در فیلتر همبستگی بر اساس شباهت رفتاری و الگوهای عملکردی کاربرانی که شباهت رفتاری و الگوهای مشابهی با کاربر فعلی در گذشته داشته اند، پیشنهادات ارائه می گردد. آنالیزهای داده کاوی نیز به متدولوژی های سیستم های پیشنهاد دهنده اضافه شده‌اند. در ترکیبی از متد فیلتر همبستگی و تکنیک‌های قوانین مرتبط به کار رفته است و در سیستم های پیشنهاد دهنده شخصی روی وب کاوی و استنتاج در حوزه درخت تصمیم استفاده نموده‌اند.

Authors

نفیسه شبیب

دانشجوی کارشناسی ارشد فناوری اطلاعات دانشگاه شیراز

محمدعلی نعمت بخش

عضو هیئت علمی و استادیار دانشگاه اصفهان

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 :
  • G. Adomavicius, R. s ankaranar ayanan, S. Sen, A. Tuzhilin, ...
  • A. Ahn, J.K. Kim, I.Y. Choi, Y.H. Cho, A personalised ...
  • Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining association ...
  • R. Burke, Hybrid recommender systems: survey and experiments, User Modeling ...
  • Cho, Y. H., Kim, J. K., & Kim, S. H. ...
  • Jain, A. K., & Dubes, R. C. (1988). Algorithms for ...
  • Lee, C.-H., Kim, Y .-H., & Rhee, P.-K. (2001). Web ...
  • J.A. Konstan, B.N. Miller, D. Maltz, J.L. Herlocker, L.R. Gordon, ...
  • G. Linden, B. Smith, J. York, Amazon.com rec ommendatio ns: ...
  • Diamond Bullet (2004). Provider of usability and Web design services. ...
  • Resnick, P., lacovou, N., Suchak, M., Bergstrom, P., & Riedl, ...
  • Wang, Y. F., Chuang, Y. L., Hsu, M. H., & ...
  • نمایش کامل مراجع