عنوان پایان‌نامه
استخراج مدل انگیزه ای کاربر بر سیستم آموزش online
- رشته تحصیلی
- مهندسی کامپیوتر- هوش مصنوعی - رباتیک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2439;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 62756
- تاریخ دفاع
- ۲۴ دی ۱۳۹۲
- دانشجو
- مریم نقی زاده
- استاد راهنما
- منوچهر مرادی سبزوار
- چکیده
- به برنامه هایی که با استفاده از روش های هوش مصنوعی به افراد در یادگیری کمک می کنند، سامانه های آموزشیار هوشمند گویند. تأثیر برهم‌کنش میان فرآیند‌های شناختی و انگیزه انسان روی فرآیند یادگیری، پژوهش گران را بر آن داشت تا نقش انگیزه را نیز در طراحی این سامانه‌ها در نظر بگیرند. مشکل روش های موجود این است که یا استاتیک هستند، یا برای دریافت اطلاعات، آموزش را قطع می کنند و یا از دستگاه هایی استفاده می نمایند که هم هزینه برند و هم کاربرپسند نیستند. در این پژوهش سعی شده است چارچوبی برای ادغام انگیزه در معماری سامانه آموزشیار هوشمند ارائه شود که مشکلات فوق را نداشته باشد. این چارچوب شامل واحدی به نام تخمین گر انگیزه با هدف تخمین میزان انگیزه آموزشی کاربر در طول زمان می باشد. در روش مزبور با استفاده از نظریه ARCS کِلِر، زمان مطالعه، نمره، درجه سختی سؤال، میزان علاقه کاربر به موضوع، میزان سازگاری محتوا با سبک یادگیری کاربر، سطح دانش و وضعیت انگیزه ای پیشین کاربر به عنوان ویژگی های تأثیرگذار روی انگیزه استخراج شدند. برای این که کارآیی تخمین گر انگیزه در عمل بررسی شود، نیاز به تولید محیط آموزشی ای بود تا بستر لازم برای جمع آوری داده فراهم آید. بدین منظور، سامانه آنلاینی برای تمرین درک مطلب زبان انگلیسی طراحی و پیاده سازی گردید. پس از جمع آوری داده، 6 الگوریتم داده کاوی در 4 حالت بدون انتخاب ویژگی و بدون اعمال هزینه، بدون انتخاب ویژگی و با اعمال هزینه، با انتخاب ویژگی و بدون اعمال هزینه، با انتخاب ویژگی و با اعمال هزینه روی داده اعمال شد. طبق نتایج به دست آمده، اعمال انتخاب ویژگی، عملکرد تمامی روش ها را تا حدودی بهبود بخشیده است و اعمال هزینه مختلف برای طبقه بندی اشتباه دسته ها، به کاهش اختلاف بین درصد طبقه بندی صحیح دو دسته با انگیزه و بی انگیزه، بدون کاهش قدرت طبقه بندی کل، می انجامد. علاوه بر این، طبق نتایج حاصل شده، عملکرد الگوریتم های نزدیک ترین همسایه، جنگل تصادفی و Ridor بهتر از سایر الگوریتم ها بوده و این روش ها برای تخمین انگیزه مناسب تر می باشند.
- Abstract
- Intelligent tutoring systems (ITS) are softwares that use artificial intelligence in order to help people in learning. Due to interaction between motivation and cognition and their influence on learning process, researchers felt the need to consider the role of motivation in ITS. Existing methods are either static, or they interrupt learning process to gather data, or use expensive or unfriendly tools. In this research, a new framework for integrating motivation in ITS architecture is presented without mentioned problems. It has a motivation detection module that dynamically predicts learner motivation. Based on Keller's ARCS theory, reading time, grade, question difficulty level, user interest in subject, compatibility of context with user's learning style, user's skill level and his previous motivational state are extracted as the seven features affecting motivation. It was necessary to build a learning environment in order to gather necessary data needed to assess motivation detection performance. Thus, an online system for English reading practice was designed and implemented. After data was collected, 6 data mining algorithms were tested on data in 4 cases: no feature selection and no cost imposing, no feature selection with cost imposing, feature selection without cost imposing, feature selection with cost imposing. According to the results, feature selection moderately improves performance of all methods and imposing different misclassification costs on the classes, decreases the difference between correct classification rates of motivated and unmotivated classes, without reducing total classification rate. In addition, results indicate that performance of K-Nearest-Neighbors, Random Forest and Ridor algorithms is higher than the rest and that these methods are more appropriate for motivation detection. Keywords: E-learning, Intelligent Tutoring Systems, Motivation Detection, Data Mining, User Modeling
