عنوان پایان‌نامه
مدلسازی پیشرفت علمی دانشجویان در سیستم های آموزشی هوشمند با استفاده از فیلترهای بیزی
- رشته تحصیلی
- مهندسی کامپیوتر-هوش مصنوعی- رباتیک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2886;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72929
- تاریخ دفاع
- ۰۶ مهر ۱۳۹۱
- دانشجو
- سیدعباس مرادی
- استاد راهنما
- مسعود اسدپور, منوچهر مرادی سبزوار
- چکیده
- یکی از محور‌های اصلی سیستمهای آموزشی هوشمند مدل کاربری دانشآموز است. مدل کاربری یا دانش‌آموزی می‌بایست قادر باشد پیشرفت علمی دانشجویان را از محیط آموزشی استخراج، توضیح و ثبت نماید . هدف اصلی این پایان نامه طراحی و پیاده سازی چارچوبی است که سطح علمی دانشجویان را در حداقل زمان، با حداکثر دقت و انعطاف‌پذیری پیش بینی نماید، تا از این طریق، سیستمهای آموزشی فرصت زمان بیشتری برای هدایت تحصیلی بهینه‌ی کاربرانش داشته باشد. بدین منظور از ایده‌ی فیلترهای بیزی کمک گرفته و با تخمین مرحله به مرحلهی سطح مهارت، اقدام به مدلسازی پیشرفت تحصیلی دانش‌آموزان کرده ایم. در گام تخمین، سطح مهارت‌های موجود در سیستمهای آموزشی هوشمند از طریق الگوریتم‌های خوشه‌یابی استخراج شده و الگوی نمرات فعالیت‌های آموزشی در هر سطح مشخص می‌گردد. پس از این مرحله رابطه‌ی میان الگوی نمرات فعالیت‌های آموزشی و سطح مهارت نهایی با چند روش تخمین زده شده و بهترین روش تخمین سطح مهارت نهایی، به مرورزمان، شناسایی و بکار گرفته می‌شوند. سرعت تخیمن سطح مهارت کاربران در فعالیت‌های آموزشی و دقت رو به رشد در تخمین سطح مهارت نهایی از زیرمهارت کاربران در فعالیت‌های آموزشی، انعطاف پذیری برای اعمال به سبک‌های مختلف تدریس، تشخیص دانشجویان با رشد تحصیلی نامتناسب و کمک به اساتید در شناسایی فعالیت‌های آموزشی بدون تاثیر در ارتقای سطح مهارت کاربران از مزیت‌های این سبک مدلسازی می‌باشد. مدل پیشنهادی بر روی یک سیستم ترکیبی آموزش آنلاین اعمال گردیده و پیشرفت دانشجویان با ... درصد دقت بدست آمده است. کلمات کلیدی: - سیستمهای آموزشی هوشمند – مدلسازی سطح مهارت دانش‌آموزان-تخمین سطح مهارت دانش‌آموزان
- Abstract
- Determining the skill level of students as early as possible in a semester would help to better tailor the learning materials and helping them to learn more effectively. This can be helpful in traditional, online learning, and blended learning environments in which intelligent tutoring systems can be used. Intelligent tutoring systems consist of four different subsystems or modules: the interface module, the expert module, the student module, and the tutor module. These intelligent tutoring systems derive much of their power from having a student model that describes the learner’s proficiencies at various aspects of the domain to be learned. However, assessing students’ knowledge is difficult because 1) part of the students’ proficiency evaluation comes from visual observation which is not available in online systems, and even in large traditional classrooms since an instructor does not have direct interaction with most of the students, 2) students’ performance in an exam or a quiz may not be a perfect reflection of their knowledge and proficiency in a field, and 3) the state of students’ knowledge changes over time. It also should be noted that the information gathered through human-computer interaction is imprecise, error prone, and its interpretation is vague and uncertain. Consequently, it is important to design a system to be able to correctly and efficiently process the data. Therefore, skill level modeling module, which is part of the student module, should be able to estimate the level of a student’s performance as soon as possible, observe changes in his/her skill level, and classify students in groups according to their skill level. Such embedded module in an ITS, provides customization and personalization of the environment according to skill level and training required to improve educational quality. Such module would be very helpful for traditional classrooms too if an instructor uses an online system such as Moodle or blackboard in which all the students’ grades and activities are available. The skill level estimator can provide early warning to the instructor about the students who are falling behind the class and need extra attention and help to catch up with the class. Keywords: Student Modeling, Skill level estimation, intelligent Tutoring Systems.
