پایان نامه ارشد رایگان درباره یادگیری ماشین، مدلسازی، نقشه مفهومی، هوش مصنوعی

هوشمند است که مستقیماً بر دانش، روشها و مدلهای یادگیری ماشینی متکی هستند. با توجه به اهمیت یادگیری ماشینی و اهمیت آن برای پژوهش حاضر، یادگیری ماشینی و دادهکاوی آموزشی به اختصار تشریح میگردد.
یادگیری ماشینی و دادهکاوی آموزشی
سیستمهای هوشمند اعم از سیستمهای آموزشی، سیستمهایی که در صنعت، نظام، اقتصاد و … توسعه یافتهاند، به شدت متکی بر الگوریتمهای یادگیری ماشینی هستند. قبل از پرداختن به یادگیری ماشینی و دادهکاوی آموزشی توجه به تعریف این دو مفهوم حائز اهمیت است.
دایره‌المعارف آزاد ویکی‌پدیا، یادگیری ماشینی را شاخهای از هوش مصنوعی معرفی می‌کند که به ساخت و مطالعه سیستمهایی مربوط است که میتوانند، از داده‌ها “یاد” بگیرند. به عنوان مثال، سیستم یادگیری ماشینی به نحوی آموزش داده میشود که بتواند هرزنامهها را از پیامهای معتبر تفکیک و بعد از شناسایی، آن‌ها را دو پوشه جداگانه ذخیره کند. کاربردهای یادگیری ماشینی به مسائل حوزه وب و اینترنت محدود نمی‌شود؛ ویتن و فرانک۱۴۶(۲۰۰۵)، مثال جالبی از به‌کارگیری یادگیری ماشینی در کمک به گاو داران نیوزلندی زدهاند. گاو داران باید در یک برهه زمانی تصمیم بگیرند که گاوهای خود را برای شیردهی فصل بعد نگهدارند یا آن‌ها را به کشتارگاه بفرستند. آن‌ها از داده‌های چندین میلیون گاو و ۷۰۰ مشخصه از آن‌ها چون سن، سابقه بیماری و … برای این هدف استفاده کردهاند و با استفاده از فنون یادگیری ماشینی این تصمیمگیری مهم را اتوماتیک کردهاند.
در عصر فناوری اطلاعات و شبکههای بزرگ چون وب، با حجم انبوه داده‌ها در پایگاههای داده مواجه هستیم. وب علاوه بر این که مملو از اطلاعات است، تمام فعالیت و کلیکهای ما را نیز ثبت میکند. با افزایش بی حد و حصر داده‌ها، استخراج الگوها و روابط معنادار بیش از پیش احساس میشود. به زعم ویتن و فرانک (۲۰۰۵) مجموعه تکنیکهایی که برای کشف و توصیف الگوهای ساختاری در داده‌ها بکار میرود، یادگیری ماشینی است؛ البته باید توجه داشت، کشف الگو از داده‌ها از آغاز زندگی بشر بوده است به عنوان مثال، شکارچیان در صدد یافتن الگوی مهاجرت پرندگان، کشاورزان در صدد یافتن الگوی رشد محصولات و سیاستمداران در صدد شناسایی الگوی عقاید رأی دهندگان بودهاند.
مفهوم “یادگیری” در “یادگیری ماشینی” بسیار چالش برانگیز است. ورود به آن از حوصله گزارش پژوهش حاضر خارج است. اما باید تاکید کرد، که منظور از “یادگیری” در یادگیری ماشینی با آنچه که بین صاحب‌نظران علوم یادگیری مطرح است، متفاوت است. در یادگیری ماشینی، یادگیری الزاماً با درک، فهم و آگاهی همراه نیست. چه بسا ماشین در حل یک مسئله، همانند انسان عمل کند، بدون اینکه بر عمل خود آگاهی داشته باشد. به طور خلاصه یادگیری ماشینی یکی از بزرگ‌ترین زیرمجموعههای هوش مصنوعی است که با طراحی و توسعه تکنیکها و الگوریتمهایی سرکار دارد که برای رایانه امکان”یادگیری” را فراهم میکند.
“دادهکاوی” و یادگیری ماشینی اغلب معادل هم بکار میروند. کلوزگن و زیتگو۱۴۷(۲۰۰۴) دادهکاوی یا کشف دانش از داده‌ها۱۴۸را استخراج اتوماتیک الگوهای جالب و ضمنی از مجموعههای عظیم داده‌ها تعریف کردهاند (کلوزگن و زیتگو، ۲۰۰۴، به نقل از رومرو، ونچرا و گارسیا۱۴۹،۲۰۰۸). تفکیک یادگیری ماشینی از دادهکاوی به ویژه در حوزه آموزش مشکل است. به عبارت دقیقتر دادهکاوی، از روش‌هایی یادگیری ماشینی برای استخراج الگوها و اطلاعات از داده‌ها بهره میگیرد و در عین حال به روش‌هایی یادگیری ماشینی محدود نمیشود و از روش‌هایی آماری نیز بهره می‌گیرد. معمولا دادهکاوی نیاز به داده‌های زیاد دارد، و اغلب از داده‌های پایگاههای رایانهای استفاده می‌شود. در یادگیری ماشینی هدف از قبل کاملاً مشخص است (مثلاً پیشبینی)، اما در دادهکاوی در اغلب موارد، هدف از قبل کاملاً مشخص نیست و دادهکاو (محقق) با بررسی روابط ساختاری پیچیده، میان انبوه داده‌ها اطلاعات یا الگوهای معنادار و مفید را استخراج میکند. هوش مصنوعی نیز در طراحی و توسعه سیستمهای هوشمند، خود را محدود به یادگیری ماشینی و الگوریتمهای آن نمیکند، بلکه از روش‌هایی معمول آماری نیز برای رسیدن به هدف خود بهره میگیرد.
با مقدمهای که گذشت، پر واضح است که دو حوزه دادهکاوی و یادگیری ماشینی چه از نظر هدف و چه از نظر روش رسیدن به هدف با هم دارای اشتراکات زیادی بوده و این امر باعث شده که این دو معادل هم بکار روند. حوزه آموزش نیز از این قاعده مستثنی نبوده است؛ البته اصطلاح دادهکاوی آموزشی۱۵۰در علوم تربیتی و یاددهی-یادگیری بیشتر متداول است. رومرو و ونچرا۱۵۱(۲۰۱۰) دادهکاوی آموزشی را اعمال فنون دادهکاوی بر روی داده آموزشی تعریف می‌کنند، هدف نیز حل موضوعات پژوهشی در حوزه تعلیم و تربیت است. مهم‌ترین کاربردهای دادهکاوی در سیستمهای آموزشی زیر است:
– آموزش حضوری: این نوع آموزشها بر ارتباطات آموزشی چهره به چهره متمرکز است، انواع روش‌هایی روانسنجی و آماری در تحقیقات آموزشهای حضوری از دیر باز مورد استفاده بوده است.
– یادگیری الکترونیکی و سامانههای مدیریت یادگیری۱۵۲: یادگیری الکترونیکی، آموزش برخط را فراهم میکند و سامانهها ابزاری برای ارتباط، مشارکت، مدیریت و گزارش گیری در آموزش الکترونیکی هستند. فنون کاوش وب۱۵۳ برای تجزیه و تحلیل لاگهای دانشجویان و پایگاهدادهِ این سیستمها بکار میرود.
– سیستمهای آموزش هوشمند و آموزشهای انطباقی مبتنی بر وب: دادهکاوی برای تجزیه و تحلیل لاگها و فعالیتهای یادگیرندگان و مدلسازی یادگیرنده در این سیستمهای آموزشی به کار می‌روند (رومرو و ونچرا، ۲۰۱۰، ص ۶۰۱).
چهار حوزه کاربرد برای دادهکاوی آموزشی عبارتند از: ۱) بهبود مدلسازی یادگیرنده؛۲) بهبود مدلسازی حوزه دانش۱۵۴؛ ۳) مطالعه پشتیبانیهای آموزشی فراهم شده توسط نرمافزارهای یادگیری؛ ۴) تحقیقات علمی در زمینه یادگیری و یادگیرنده. مهم‌ترین تکنیکها نیز عبارتند از: ۱) پیشبینی؛ ۲) خوشهبندی؛ ۳) کاوش روابط۱۵۵؛ ۴) تجزیه داده‌ها برای قضاوت انسان؛ و ۵) اکتشاف با داده‌ها (بیکر و یاسف۱۵۶،۲۰۰۹).
رومرو و ونچرا (۲۰۱۰) پس بررسی ۳۰۶ مرجع و پژوهش در زمینه دادهکاوی آموزشی طی سالهای ۱۹۹۳ تا ۲۰۰۹ مهم‌ترین کاربردهای دادهکاوی آموزشی را در یازده طبقه قرار داده است:
۱. تجزیه و تحلیل و مصورسازی: هدف این طبقه، برجستهسازی اطلاعات مهم و مفید برای کمک به تصمیمگیری است. در این دسته، بیشتر از روش‌هایی آماری، نمودارها و هیستوگرامها استفاده میشود.
۲. فراهمسازی بازخورد برای مدرس: هدف استفاده از داده‌ها برای فراهمسازیِ بازخوردهایی است که مدرسان/ مؤلفان/ مدیران را در تصمیمگیری کمک نماید. فنون مختلف دادهکاوی برای رسیدن به این هدف استفاده میشود که “کاوش قواعد ارتباطی”۱۵۷ متداول‌ترین آن است.
۳. پیشنهاد به یادگیرندگان: هدف ارائه پیشنهاداتی به یادگیرندگان مبتنی بر نتایج دادهکاوی است. پیشنهاداتی چون انجام فعالیت درسی خاص، مشاهده لینک خاص و … میتواند بر حسب نتایج دادهکاوی به دانشجو ارائه شود. مهم‌ترین فنون دادهکاوی برای رسیدن به این هدف، عبارتند از: “کاوش قواعد ارتباطی”، “خوشهبندی” و “الگو کاوی ترتیبی۱۵۸”.
۴. پیشبینی عملکرد یادگیرندگان: هدف پیشبینی ارزش متغیر مجهولی است که توصیف کننده وضعیت دانشجو است. پیشبینی عملکرد تحصیلی، دانش و نمره درسی مهم‌ترین مصادیق پیشبینی بر اساس داده‌های آموزشی است. مهم‌ترین فنون داده‌کاوی که برای این هدف بکار می‌روند؛ عبارتند از: “شبکههای عصبی”، “شبکههای بیزی۱۵۹”، “سیستمهای مبتنی بر قاعده۱۶۰” و “رگرسیون”.
۵. مدلسازی یادگیرنده: هدف مدلسازی یادگیرنده، ارائه یک مدل شناختی از مهارتها و دانش یادگیرنده است. دادهکاوی از داده‌هایی چون وضعیت انگیزشی، رضایتمندی، سبک یادگیری، وضعیت عاطفی یادگیرنده و … برای مدلسازی یادگیرنده، استفاده میکند. شبکههای بیزی مهم‌ترین فنونی هستند که برای مدلسازی یادگیرنده بکار میروند.
۶. تشخیص رفتار غیر قابل انتظار یادگیرنده: هدف شناسایی یادگیرندگانی است که یک رفتار غیر قابل انتظار نشان خواهند داد. مانند پیشبینی ترک تحصیل، انگیزش پایین دانشجو و… مصادیق رفتار غیر قابل انتظار هستند. الگوریتمهای مختلف طبقهبندی و خوشهبندی برای این هدف بکار میروند. شبکههای عصبی مصنوعی، شبکههای بیزی، “یادگیری مبتنی بر مورد”۱۶۱ نمونههایی از پرکاربردترین فنون دادهکاوی هستند.
۷. گروهبندی یادگیرندگان: هدف، گروهبندی یادگیرندگان بر اساس شخصیت، ویژگیها، علایق و … است. خوشهها یا گروههای بدست آمده ممکن است برای طراحی یک سیستم آموزشی شخصی شده، تشکیل یک گروه یادگیری و … استفاده شود. الگوریتمها و فنون مختلف طبقهبندی (یادگیری با ناظر) و خوشهبندی (یادگیری بدون ناظر) برای این هدف بکار میروند.
۸. تجزیه و تحلیل شبکه اجتماعی: در تحلیل شبکهای یا ساختاری، بجای توجه به ویژگیها یا مشخصات افراد به بررسی روابط بین افراد میپردازد. به عبارتی هدف، شناسایی الگوی روابط بین افراد یک شبکه است. به عنوان مثال بر اساس تحلیل شبکهای میتوان علایق یک دسته از دانشجویان را شناسایی کرد. مهم‌ترین روش دادهکاوی که برای این هدف بکار می‌رود، فیلترینگ همیارانه۱۶۲ است. این نوع فیلترینگ عبارت است از پیشبینی اتوماتیک علایق یادگیرنده بر اساس تحلیل روابط آن‌ها در یک شبکه اجتماعی.
۹. ساخت نقشه مفهومی: نقشه مفهومی روابط سلسله مراتبی بین مفاهیم درسی را نمایش میدهد. هدف ساخت نقشه مفهومی، کمک به مدرس برای ساخت اتوماتیک یک نقشه مفهومی از محتویات درسی است. متنکاوی و کاوش قواعدِ ارتباطی، پرکاربردترین فنون دادهکاوی برای ساخت نقشه مفهومی است.
۱۰. ساخت نرمافزارهای درسی: یکی از اهداف اتوماتیک کردن، ساخت نرمافزار درسی و تولید محتوا بوده و هدف دیگر آن تسهیل استفاده مجدد و به اشتراک گذاری محتوا بین یادگیرندگان و سایر سیستمهای آموزشی است. فنون خوشهبندی و شبکههای بیزی ازجمله فنونی هستند که برای این هدف بکار رفتهاند.
۱۱. برنامهریزی و زمان‌بندی: هدف استفاده از دادهکاوی برای بهینه سازی فعالیتهایی چون برنامهریزی دروس آتی، کمک به یادگیرندگان برای برنامهریزی درسی، تخصیص منابع، کمک به پذیرش دانشجو و … است. کاوش قواعد ارتباطی پرکاربردترین فنون دادهکاوی برای رسیدن به این هدف است (رمرو و ونچرا، ۲۰۱۰).
آنچنان که مشخص شد، پژوهشگران عرص? آموزشهای مبتنی بر وب از روش‌هایی مختلف یادگیری ماشینی در راستای حل مسائل و موضوعات مطرح در این حوزه استفاده میکنند. پیشبینی عملکرد تحصیلی دانشجو در یادگیری الکترونیکی با استفاده از روش‌هایی یادگیری ماشینی- موضوع پژوهش حاضر- نیز جزء همین دسته از پژوهشها است.
۲-۴-۴ الگوریتم های پیش بینی هوش مصنوعی
مسئله

این مطلب مشابه را هم بخوانید :   دانلود پایان نامه ارشد درموردشخصیت حقوقی، انحلال شرکت، قانون مدنی، اشخاص ثالث

دیدگاهتان را بنویسید