پایان نامه ارشد رایگان درباره شبکه عصبی، شبکه عصبی مصنوعی، وضعیت تحصیلی، رگرسیون

پیشبینی میزان پیشرفت تحصیلی، موفقیت یا عدم موفقیت تحصیلی یادگیرنده، مسئلهای است که حل آن نیاز به استدلال انسان دارد. وقتی متغیرها پیچیده و تعداد آن‌ها زیاد میشود، دقت استدلال و پیشبینی انسان به شدت تضعیف میشود. برای مواجه با این مشکل میتوان از برنامههای رایانهای استفاده کرد، برنامههایی که برای کمک به رفع مشکلاتی از این قبیل بکار میروند، امروزه به رایانش نرم۱۶۳شهرت دارند. رایانش نرم، بخشی از سیستمهای هوشمند است که از روش‌هایی استدلال انسان بهره میبرد، لذا توانایی استدلال و یادگیری در محیطهای پر از عدم قطعیت و دقت را دارد. مهم‌ترین زیرمجموعههای رایانش نرم عبارتند از: سیستمهای فازی، شبکههای عصبی، الگوریتمهای ژنتیک و استدلال احتمالاتی (ماستافیده و سوارسیتو۱۶۴، ۲۰۱۲).
در نظامهای آموزشی وضعیت تحصیلی دانشجو، معمولا به دو روش محاسبه میشود. ۱) مقیاس عددی پیوسته ۲) مقیاس گسسته و طبقهای. در روش اول که در سیستم آموزشی ایران متداول است، وضعیت تحصیلی دانشجو بر اساس مقیاس عددی پیوسته بین صفر تا بیست محاسبه میشود؛ در برخی از کشورها محاسبه این مقیاس بین صفر تا صد است. پیشبینی وضعیت تحصیلی دانشجویان بر اساس مقیاس پیوسته، یک پیشبینی رگرسیونی گفته میشود. روش دوم مقیاس گسسته است که در ایران کمتر متداول بوده و در جهان رواج بیشتری دارد؛ در این روش وضعیت تحصیلی دانشجو در طبقات A، B، C، D، F قرار میگیرد. مجموعه روش‌هایی یادگیری ماشینی که به پیشبینی وضعیت تحصیلی دانشجو در مقیاس گسسته و طبقهای می‌پردازد؛ یک مسئله طبقهبندی نامیده میشود. همان‌گونه که در مبحث یادگیری ماشینی و دادهکاوی به آن پرداختیم، روش‌هایی مختلف یادگیری ماشینی برای پیشبینی بکار میروند. از میان روش‌هایی آماری میتوان به انواع رگرسیون اشاره کرد. از میان روش‌هایی هوشمند، الگوریتمهای مختلفی برای این هدف به کار میرود که میتوان به شبکه عصبی مصنوعی، درخت تصمیمگیری۱۶۵، قواعد استنتاج فازی۱۶۶، استنتاج قانون، شبکههای بیزی و … اشاره کرد. توضیح تمام موارد فوق از حوصله این بحث خارج است، اما به عنوان نمونه شبکه عصبی مصنوعی که هم برای طبقهبندی و هم برای پیشبینی رگرسیونی به کار میرود، تشریح میشود.
شبکه عصبی مصنوعی
تجزیه و تحلیل شبکههای عصبی مصنوعی مبتنی بر نظریات عصبشناسان درباره نحوه ذخیره و انتقال اطلاعات و سیگنالها در مغز است. بر حسب برآورد عصبشناسان، مغز انسان بیش از یک‌صد میلیارد نورون دارد، حال اینکه بزرگ‌ترین شبکه عصبی مصنوعی ساخته شده از چندین هزار نورون تجاوز نمیکند (کوپر۱۶۷،۲۰۰۷).
نورون، مهم‌ترین عنصر یک شبکه عصبی است که مدلسازی مصنوعی آن مبتنی بر مدل ارائه شده توسط عصبشناسان است. شکل ‏۲-۱۱ مدل نورون بیولوژیک را نشان میدهد. در نورون بیولوژیک، دندریتها، سیگنالهای ارسال شده از نورونهای بهم متصل را به عنوان ورودی دریافت میکنند. این سیگنالها به جسم سلولی ارسال میشوند. جسم سلولی تمام سیگنالها را جمع میکند و حاصل جمع را از طریق آکسون به سیناپسها ارسال میکند. علاوه بر این، سیناپس قدرت سیگنالها را بر حسب یک آستانه مشخص، افزایش یا کاهش میدهد.
شکل ‏۲-۱۱: نورون بیولوژیک
شبکه عصبی مصنوعی همان‌گونه که از نامش پیدا است در صدد است با استفاده از رایانه کارکردهای نورون در سیستم عصبی را شبیهسازی نماید. هدف شبکه عصبی مصنوعی شبیهسازی فعالیتهای نورون و به‌کارگیری آن در تصمیم سازی و حل مسائل روزمره با استفاده از رایانه است. سدهی و همکاران (۱۳۸۸) در این باره آوردهاند: شبکههای عصبی مصنوعی برای تشخیص، طبقه بندی و پیشبینیهایی بکار میرود که دارای روابط غیرخطی هستند. مبحث شبکه عصبی مصنوعی مربوط به شبیهسازی قو? یادگیری در انسان و پیادهسازی آن به صورت الگوریتمهای کامپیوتری است.
مدلسازی مغز از سال ۱۹۴۳ با مدلسازی تک نورون عصبی شروع شد که به نورون مککلوچ و پیتز۱۶۸معروف است. اگر یک مجموعه ورودی با نورون مککلوچ و پیتز داده شود؛ مجموع وزنها را محاسبه و با آستانه۱۶۹مقایسه میکند؛ سپس نورون بر اساس ارزش آستانه خروجی صفر و یک می‌دهد (کوپر،۲۰۰۷).
پرسپترون۱۷۰ یکی از رایجترین مدلهای شبکه عصبی مصنوعی است، که برای پیشبینی و دادهکاوی آموزشی استفاده شده است. شبکه عصبی پرسپترون توسط روزنبلات۱۷۱ارائه شده است. ساختار این شبکه در شکل ‏۲-۱۲ قابل مشاهده است.
شکل ‏۲-۱۲: پرسپترون
پرسپترون ورودیهای PR…P1,P2, را دریافت و در ماتریس وزنها W ضرب میشود و مجموع حاصلضربها به عنوان ورودی به تابع انتقال تحویل داده میشود. در مرحله جمع زنی بایاس (W0P0) هم اضافه میشود. ورودی بایاس اغلب یک مقدار ثابت و عدد “یک” است.
بزرگ‌ترین محدودیت شبکههای پرسپترون توانایی حل مسائلی است که قابلیت تفکیک خطی دارند. برای رفع این مشکل پرسپترونِ چند لایه۱۷۲توسط مینسکی و پاپرت۱۷۳ ارائه شد. یکی از توانمندیهای برجسته این نوع شبکه عصبی مصنوعی، پیش بینی متغیرهایی است که روابط آن‌ها غیر خطی است. در شبکه عصبی چند لایه خروجی یک لایه، ورودی لایه بعد است. شکل ‏۲-۱۳ توپولوژی یک شبکه عصبی چند لایه را نشان میدهد.
شکل ‏۲-۱۳: پرسپترون چند لایه
شبکه عصبی چند لایه ارائه شده در شکل ‏۲-۱۲ یک شبکه عصبی پس انتشار۱۷۴محسوب میشود. این نوع شبکه، جزء شبکههای ساده و در عین حال بسیار کارآمد است و در پیشبینی با داده‌های آموزشی استفاده شده است. توضیح مبسوط شبکههای عصبی مصنوعی، انواع، توابع انتقال و قواعد یادگیری آن‌ها بحث مفصلی می‌طلبد که از حوصله گزارش حاضر خارج است. با توجه به اهمیت فرایند یادگیری شبکه، این مبحث را با توضیح فرایند یادگیری یک شبکه پس انتشار به پایان میبریم. شکل ‏۲-۱۴ که بر گرفته از ونگ کامدی و سره سانگ تاکول۱۷۵(۲۰۱۰) است، نحوه یادگیری یک شبکه عصبی پیشخور را نشان میدهد.
شکل ‏۲-۱۴: فرایند یادگیری شبکه های پس انتشار
فرایند یادگیری به این صورت است که در مرحله اول داده‌های آموزش، به هر دو لایه مخفی و خروجی انتشار داده میشوند. این فرایند “تحویل رو به جلو۱۷۶” نامیده میشود. در این مرحله هر گره۱۷۷ لایه ورودی، مخفی و خروجی، وزنهای مناسب بین گرهها را محاسبه و تنظیم میکند؛ در نهایت از جمعبندی انجام شده برای وزنها، خروجی ارائه میکند. خروجی ارائه شده با خروجی هدف مقایسه میشود. در مرحله بعد، خطای خروجی شبکه با خروجی واقعی مقایسه میشود و به لایه مخفی پس داده میشود تا وزنهای هر گره را دوباره به روز کند. این فرایند یادگیری “تحویل رو به عقب۱۷۸” نامیده میشود. شبکه این فرایند جلو و عقب را تکرار میکند تا به میزان خطای قابل قبول برسد. بعد از اینکه فاز آموزش به پایان رسید، شبکه آموزش داده شده را میتوان برای داده‌های جدید استفاده کرد (ونگ کامدی و سره سانگ تاکول، ۲۰۱۰ ص ۳۰).
۲-۵ پیشینه پژوهش های پیش بینی موفقیت تحصیلی
در این بخش از گزارش پژوهشی، پیشینه پژوهشهای انجام شده در زمینه پیشبینی وضعیت تحصیلی یادگیرنده الکترونیکی در دنیا گزارش میشود. پیشینه پژوهشها به سه دسته تقسیم میشود. در دسته اول پژوهشهایی گزارش میشود که با استفاده از روش‌هایی همبستگی و رگرسیون، وضعیت تحصیلی دانشجوی الکترونیکی را بررسی کردهاند. از آنجا که در این دسته از پژوهشها علاوه بر تحلیل همبستگی و رگرسیون از تحلیل تشخیص، آزمونهای مقایسه و بعضاً تحلیل کیفی نیز استفاده شده است؛ این دسته از پژوهشها تحت عنوان پیشینه مبتنی بر روش‌هایی کمّی و آمیخته طبقهبندی شدهاند. در دسته دوّم پژوهشهایی گزارش میشود، که با تحلیل معادلات ساختاری، روابط پیچیده و اثر غیر مستقیم عوامل پیشبین را بررسی کردهاند. در دسته سومّ نیز پژوهشهایی گزارش خواهند شد که از دادهکاوی و روش‌هایی یادگیری ماشینی برای پیشبینی وضعیت تحصیلی دانشجو بهره بردهاند.
۲-۵- ۱ پیشینه مبتنی بر روش‌هایی کمّی و آمیخته
پایه تحلیل رگرسیون، همبستگی بین متغیر پیشبین و ملاک است. نظر به بالا بودن عدم ماندگاری دانشجویان در سیستمهای آموزش الکترونیکی به ویژه در سطح آموزش عالی و نظر به اهمیت مسئله، پژوهشهای متعددی به تحلیل وضعیت تحصیلی دانشجویان الکترونیکی و عوامل پیشبینی کننده آن پرداختهاند. در این بخش با توجه به روند تاریخی، مصادیقی از پژوهشها گزارش میشوند. از آنجا که آموزش الکترونیکی مورد بحث پژوهش حاضر از نوع از راه دور است، برای نشان دادن قدمت مسئله افت تحصیلی در آموزشهای از راه دور، چند نمونه از پژوهشهایی که بر آموزشهای از راه دور غیر الکترونیکی تمرکز داشتهاند، نیز در این بخش گزارش میشود.
کندی و پاول۱۷۹(۱۹۷۶) یک مدل توصیفی دو بعدی شامل ۱) ویژگی و ۲) شرایط محیطی برای افت تحصیلی در آموزش از راه دور ارائه کردهاند. ویژگیها شامل عواملی هستند که تغییر آن‌ها به کندی صورت میگیرد، مانند پیشینه تحصیلی، انگیزش و شخصیت؛ از طرفی شرایط محیطی شامل عواملی میشوند که تغییر آن‌ها نسبتاً سریع است، مانند سلامتی، وضعیت مالی، تغییرات شغلی و ارتباطات خانوادگی. در این مدل فشار شرایط محیطی نامناسب بر افراد دارای ویژگیهای ضعیف بیشتر از افراد با ویژگیهای قوی بوده و منجر به افت تحصیلی آنان میشود. آن‌ها برای توجیه مدل خود از چهار مطالعه موردی استفاده کردند که نشان داد، مدل میتواند در این چهار مورد و سایر موارد علل افت تحصیلی یادگیرندگان را توجیه کند (کندی و پاول، ۱۹۷۶ به نقل از کمبر۱۸۰، ۱۹۸۹).
تامپسون۱۸۱(۱۹۸۴) به تأثیر دو سبک یادگیری وابسته به زمینه و مستقل از زمینه در آموزش مکاتبه ای پرداخته است و مدعی است افراد مستقل از زمینه در دروس مکاتبهای موفقیت بیشتری دارند زیرا میزان استقلال آن‌ها بیشتر است. این محقق برای افزایش سطح موفقیت افراد وابسته به زمینه پیشنهاد کرده است که میزان تعامل بین یادگیرنده و مدرس با روش‌هایی چون تدریس نظاممند تلفنی افزایش یابد. (تامپسون، ۱۹۸۴ به نقل از کمبر، ۱۹۸۹).
پارکر۱۸۲(۱۹۹۹) متغیرهای پیش بینِ افت دانشجویان در سیستم آموزش از راه دور را با نمونه ۱۰۰ نفری بررسی کرده است. در این پژوهش سه درس مورد تحقیق قرار گرفت، نحوه ارائه در درس اول، کاست صوتی با کتاب تمرین، در درس دوم، آموزش مکاتبهای با کتاب درسی خودآموز و درس سوم به روش کنفرانس کامپیوتری۱۸۳ ارائه شده بود. در این پژوهش، افت تحصیلی در دروس از راه دور ۱۷ درصد و در آموزش حضوری ۳ درصد گزارش شده است. پارکر برای شناسایی عوامل پیشبینی کنند? افت تحصیلی از مقیاس مرکز کنترل روتر۱۸۴و اطلاعات دانشجویان استفاده کرده است. نتایج مربوط به عوامل پیشبین بر اساس تحلیل ممیزی نشان داد: مرکز کنترل و منبع تأمین کننده هزینه تحصیلی با ۸۵ درصد دقت میتوانند افت تحصیلی را پیشبینی نمایند. مرکز کنترل به تنهایی ۸۰ درصد قدرت پیشبینی دارد. بررسی

این مطلب مشابه را هم بخوانید :   دانلود پایان نامه ارشد درموردحقوق ایران، قانون مدنی، پایان نامه، عقود معین

دیدگاهتان را بنویسید