عنوان پایان‌نامه
ارائه مدل محاسباتی وضعیت کاربر بر مبنای شخصیت، خُلق و احساس
- رشته تحصیلی
- مهندسی کامپیوتر- هوش مصنوعی - رباتیک
- مقطع تحصیلی
- دکتری تخصصی PhD
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 3032;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77327;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 3032;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 77327
- تاریخ دفاع
- ۲۰ شهریور ۱۳۹۵
- دانشجو
- سمیه فتاحی
- استاد راهنما
- منوچهر مرادی سبزوار
- چکیده
- از دیرباز رویای تمامی محققان هوش مصنوعی، ساخت ماشین هایی بوده است که بتوانند رفتاری مشابه انسان داشته باشند. در جهت تحقق این رویا، محققان این حوزه نیازمند تشخیص وضعیت انسان در شرایط متفاوت و دانستن نحوه ی تفکر و تصمیم گیری انسان هستند. در این رساله، یک مدل محاسباتی جهت تشخیص وضعیت روانشناختی کاربرها در قالب شخصیت و متغیر خوشایندی مولفه احساس ارائه می گردد. با توجه به اینکه آموزش و یادگیری، یکی از پرکاربردترین حوزه های ارتباط انسان با رایانه است، مدل پیشنهادی در این تحقیق برای محیط یادگیری مجازی، پیاده سازی و مورد آزمایش قرار گرفت. در مولفه شخصیت، مجموعه ای از ویژگی های رفتاری و دنباله های رفتاری پرتکرار جهت تشخیص خودکار شخصیت بدست آمدند. در مولفه احساس، اساس بر تعیین میزان خوشایند یا ناخوشایند بودن رویدادهای محیطی که در محیط یادگیری اتفاق می افتند و باعث می شوند احساس یادگیرنده تغییر کند، قرار داده شده است. در مولفه ی احساس، براساس ویژگی های شخصیتی، اهداف یادگیرنده، و رویدادهای محیط یادگیری، میزان متغیر خوشایندی تعیین می شود. مدل پیشنهادی تشخیص شخصیت در یک محیط واقعی مورد ارزیابی قرار گرفت و در بخش ویژگی های رفتاری، از 112 ویژگی تعریف شده 14 ویژگی با دقت خوشه بندی بین 55 تا 100 درصد، امکان دسته بندی افراد با شخصیت های مختلف را ارائه می کنند. همچنین دنباله های رفتاری با دقتی بین 77 تا 79 درصد قادر به خوشه بندی یادگیرندگان با شخصیت های مختلف هستند. مولفه احساس? مدل پیشنهادی در یک محیط شبیه سازی و دو محیط واقعی یادگیری مجازی مورد ارزیابی قرار گرفت. نتایج محیط شبیه سازی امکان پیش بینی خوشایندی را با دقتی بین 87 تا 91 درصد و محیط های واقعی با دقت 75 درصد نشان می دهند. نتایج نشان می دهد که مدل پیشنهادی می تواند با دقت قابل قبولی نوع شخصیتی و میزان خوشایندی در محیط یادگیری مجازی را به صورت خودکار و به درستی تشخیص و گزارش نماید. در نهایت، کارایی مدل تعیین خوشایندی در دو سیستم آموزش لغات زبان انگلیسی که یکی به صورت ساده و دیگری هوشمند طراحی شده بود، مورد بررسی قرار گرفت. سیستم هوشمند سیستمی بود که در آن خوشایندی به صورت خودکار تشخیص داده می شد و متناسب با آن، سیستم، واکنشی را درخور وضعیت کاربر ارائه می کرد. نتایج مقایسه دو سیستم هوشمند و ساده نشان داد که کاربرها سیستم هوشمند را جذاب تر و نزدیک تر به ویژگی های شخصیتی شان می دانند. همچنین آن ها تایید کردند که سیستم هوشمند، وضعیت احساسی آن ها را به خوبی درک کرده و متناسب با آن واکنش نشان داده است و این سیستم می تواند در بهبود فرآیند یادگیری آن ها موثر واقع شود. واژه‌های کلیدی: شخصیت، احساس، سبک یادگیری، خوشایندی
- Abstract
- Artificial intelligence researchers have always aimed to design machines that behave like humans. To accomplish this goal, machines should understand human status in different situations and how human beings perceive the world. To this aim, we have proposed a computational model to determine users’ cognitive status through their personality and emotion in e-learning environments. The e-learning environment has been chosen since e-learning has been widely used around the world and it highly needs to become more intelligent to properly interact with humans. Consequently, there are huge amount of research to make these environments as intelligent as possible. The proposed model for personality detection uses a set of behavioral features and a set of frequent behavioral sequences to determine personality of users. In the emotion module, desirability is calculated using the personality of a user, his/her learning goals, and the e-learning environment’s events. A personality module has been implemented and tested in a real e-learning environment to determine the personality of the system’s user. Fourteen features are determined to be useful to cluster learners with 55-100% accuracy, for different personality dimensions. Also, a set of frequent behavioral sequences has been determined that could cluster learners with 77%-79% accuracy. Moreover, the emotion module has been evaluated both in a simulated and in two real e-learning environments. The results in the simulated environment report 87%-91% of accuracy in predicting desirability. Also, the results in the real e-learning environments report 75% of accuracy in predicting desirability. In conclusion, the results show that the proposed model can predict a user’s personality and desirability with a reasonable accuracy. Finally, the performance of the desirability module has been evaluated in a real e-learning environment which is designed to teach English vocabulary. The e-learning environment has been implemented in two versions, i.e. a basic system with no intelligence and an intelligent system which can predict a user’s desirability. In the intelligent version, the desirability is detected automatically using the proposed models. After that, the intelligent e-learning environment acts according to the user’s status based on her/his desirability. The results in this research show that users believe the intelligent environment is believable and more attractive than the basic one. Also, they express this environment can understand their emotional status and react based on it, and it can improve their learning process. Keywords: Personality, Emotion, Learning styles, Desirability
