مترجمان:

1. الهام لفظی قاضی 

2. علی لفظی قاضی

3. نسرین یحیی پور

استفاده از مطالب بدون ذکر نام نویسنده و دخل و تصرف در آن پیگرد قانونی دارد!

 

alaghh-kave-dr-mhet-eadgere-mjaze.doc [155 کیلوبایت] ( تعداد دانلود: 127)
دانلود نسخه کامل مقاله

 

 

 

 

چکیده هدف: رفتار در محیط های یادگیری مجازی (VLE) که شامل سفر، چشم دوختن،به کار بردن،ژست و مکالمه است و اطلاعات قابل ملاحظه ای را درباره علاقه ضمنی کاربر ارائه می کند. هدف از این مطالعه، یافتن روشی برای علاقه کاوی از طریق تحلیل رفتار در محیط های یادگیری مجازی است.روش شناسی: طبق این تحقیق، در روانشناسی، هر تعاملی در محیط های یادگیری مجازی ، معانی را برای علاقه ضمنی کاربر دارد. برای کاویدن علاقه ضمنی کاربر، نیاز است تا یک مدل علاقه-تعاملی آشکار ایجاد شود. این مقاله یافته هایی را از رده بندی مفهومی رفتار در محیط های یادگیری مجازی نشان می دهد. بر پایه این رده بندی، این مقاله، یک مدل تعاملی سلسله مراتبی را پیشنهاد می کند. در این مدل، رابطه میان تعامل و علاقه کاربر می تواند در نظر گرفته شود و برای ارتقای کارایی سیستم به کار رود.یافته ها: علاقه آشکار کاربر می تواند از طریق سطوحی از داده کاوی، یعنی،سیگنال نخستین ژست کاربر، پردازش اولیه داده، کشف زمینه، هدف تعامل و علاقه کاوی، استخراج شود.اطلاعات استخراج شده از علاقه کاربر می تواند برای روزآمد سازی حالت علاقه محلی به کار رود که منجر به کاهش ترافیک شبکه و ارتقای سیستم می گردد.ارزش: این یک مطالعه اصل است که با استفاده از تحلیل رفتار به علاقه کاوی در یادگیری الکترونیکی می پردازد. پژوهش درباره علاقه کاوی در یادگیری الکترونیکی بر محتوا یا موتور جستجو و کاربردکاوی در دروس وبی تمرکز دارد. برونداد پژوهش می تواند به طور گسترده ای مورد استفاده قرار گیرد که شامل یادگیری آنلاین، خصوصاً در محیط های یادگیری مجازی می باشد.نوع مقاله: پژوهشیکلید واژه ها: یادگیری الکترونیکی، رفتارمقدمهبه نظر می رسد با رشد وب، کاربرد فناوری وب مدار و علاقه، در آموزش و یادگیری در همه جا وجود دارد. در طول دهه های اخیر، با آغاز فناوری های جدید، مهمترین نوآوری ها در سیستم های آموزشی با آموزش و ب مدار مرتبط بوده است. این شیوه از آموزش به طور قابل ملاحظه ای اهمیت یافته است و هزاران دوره درسی وب در چندین سال گذشته هم گیر شده است. اما، بسیاری از دروس وب مدار جاری، تقریباً با مواد آموزشی ایستا ساخته می شوند که نیازهای یادگیری متفاوت دانشجویان را برآورده نمی سازد. در مجموعه آموزشی سنتی، آموزش دهندگان می توانند مستقیماً بازخورد دانشجویان را از طریق تعامل رو در رو و تحلیل رفتار بدست آورند(شرد و دیگران[1]،2003). به هر حال، در محیط یادگیری الکترونیکی، غیر ممکن است که بازخورد داشته باشیم.سیستم های آموزشی وب محور هوشمند و سازگار به عنوان راه حلی در جهت غنی سازی محیط یادگیری برای اشخاص در نظر گرفته می شوند. بسیاری از تحقیقات گذشته درباره یادگیری وب محور بر جنبه های نمایش وفقی، پشتیبانی وفقی، توالی برنامه آموزشی و تحلیل هوشمند از رفتار دانشجو تمرکز کردند. برای ارئه داده کاوی آموزش شخصی به یادگیرندگان، فناوری ها به روز می شوند. داده کاوی یا کشف دانش در پایگاههای اطلاعاتی(KDD) یک استخراج خودکار از زمینه های جالب و ضمنی از مجموعه های بزرگ داده است(کلوزگن[2] و زیتکو[3]،2002). کشف دانش در پایگاههای اطلاعاتی می تواند اطلاعات مفیدی را از سهام های یادگیری استخراج کند و این اطلاعات را برای مدل سازی فرایند یادگیری و مدل سازی دانشجو استفاده کند(تانگ[4] و مک کالا[5]،2002).

چکیده 

هدف: رفتار در محیط های یادگیری مجازی (VLE) که شامل سفر، چشم دوختن،به کار بردن،ژست و مکالمه است و اطلاعات قابل ملاحظه ای را درباره علاقه ضمنی کاربر ارائه می کند. هدف از این مطالعه، یافتن روشی برای علاقه کاوی از طریق تحلیل رفتار در محیط های یادگیری مجازی است.

روش شناسی: طبق این تحقیق، در روانشناسی، هر تعاملی در محیط های یادگیری مجازی ، معانی را برای علاقه ضمنی کاربر دارد. برای کاویدن علاقه ضمنی کاربر، نیاز است تا یک مدل علاقه-تعاملی آشکار ایجاد شود. این مقاله یافته هایی را از رده بندی مفهومی رفتار در محیط های یادگیری مجازی نشان می دهد. بر پایه این رده بندی، این مقاله، یک مدل تعاملی سلسله مراتبی را پیشنهاد می کند. در این مدل، رابطه میان تعامل و علاقه کاربر می تواند در نظر گرفته شود و برای ارتقای کارایی سیستم به کار رود.

یافته ها: علاقه آشکار کاربر می تواند از طریق سطوحی از داده کاوی، یعنی،سیگنال نخستین ژست کاربر، پردازش اولیه داده، کشف زمینه، هدف تعامل و علاقه کاوی، استخراج شود.اطلاعات استخراج شده از علاقه کاربر می تواند برای روزآمد سازی حالت علاقه محلی به کار رود که منجر به کاهش ترافیک شبکه و ارتقای سیستم می گردد.

ارزش: این یک مطالعه اصل است که با استفاده از تحلیل رفتار به علاقه کاوی در یادگیری الکترونیکی می پردازد. پژوهش درباره علاقه کاوی در یادگیری الکترونیکی بر محتوا یا موتور جستجو و کاربردکاوی در دروس وبی تمرکز دارد. برونداد پژوهش می تواند به طور گسترده ای مورد استفاده قرار گیرد که شامل یادگیری آنلاین، خصوصاً در محیط های یادگیری مجازی می باشد.

نوع مقاله: پژوهشی

کلید واژه ها: یادگیری الکترونیکی، رفتار

 

دانلود کامل مقاله:

alaghh-kave-dr-mhet-eadgere-mjaze.doc [155 کيلوبايت] ( تعداد دانلود: 41)

مقدمه

به نظر می رسد با رشد وب، کاربرد فناوری وب مدار و علاقه، در آموزش و یادگیری در همه جا وجود دارد. در طول دهه های اخیر، با آغاز فناوری های جدید، مهمترین نوآوری ها در سیستم های آموزشی با آموزش و ب مدار مرتبط بوده است. این شیوه از آموزش به طور قابل ملاحظه ای اهمیت یافته است و هزاران دوره درسی وب در چندین سال گذشته هم گیر شده است. اما، بسیاری از دروس وب مدار جاری، تقریباً با مواد آموزشی ایستا ساخته می شوند که نیازهای یادگیری متفاوت دانشجویان را برآورده نمی سازد. در مجموعه آموزشی سنتی، آموزش دهندگان می توانند مستقیماً بازخورد دانشجویان را از طریق تعامل رو در رو و تحلیل رفتار بدست آورند(شرد و دیگران[1]،2003). به هر حال، در محیط یادگیری الکترونیکی، غیر ممکن است که بازخورد داشته باشیم.

سیستم های آموزشی وب محور هوشمند و سازگار به عنوان راه حلی در جهت غنی سازی محیط یادگیری برای اشخاص در نظر گرفته می شوند. بسیاری از تحقیقات گذشته درباره یادگیری وب محور بر جنبه های نمایش وفقی، پشتیبانی وفقی، توالی برنامه آموزشی و تحلیل هوشمند از رفتار دانشجو تمرکز کردند. برای ارئه داده کاوی آموزش شخصی به یادگیرندگان، فناوری ها به روز می شوند. داده کاوی یا کشف دانش در پایگاههای اطلاعاتی(KDD) یک استخراج خودکار از زمینه های جالب و ضمنی از مجموعه های بزرگ داده است(کلوزگن[2] و زیتکو[3]،2002). کشف دانش در پایگاههای اطلاعاتی می تواند اطلاعات مفیدی را از سهام های یادگیری استخراج کند و این اطلاعات را برای مدل سازی فرایند یادگیری و مدل سازی دانشجو استفاده کند(تانگ[4] و مک کالا[5]،2002).

مروری بر وب کاوی در یادگیری الکترونیک

وب کاوی در تعریف عام، کشف و تحلیل اطلاعات مفید از شبکه جهانی وب می باشد. کولی و دیگران[6](1997) رده بندی از وب کاوی، یعنی، محتوا کاوی وبی و کاربرد کاوی وبی را نشان می دهند. محتوا کاوی وبی بر جستجوی اطلاعات دلخواه کاربر به صورت آنلاین با استفاده از موتور های جستجوی سنتی مثل لیکاس، آلتاویستا، وب کرولر و علی وب تمرکز دارد. در سالهای اخیر، برخی از تحقیقات بر توسعه ابزارهای هوشمند برای بازیابی اطلاعات و سازگاری با روش بنگاه مدار یا پایگاه اطلاعاتی تمرکز داشته اند. کشف زمینه اهی رفتار کاربر در وب، .ظیفه اصلی کاربرد کاوی وبی است. برای استخراج اطلاعات مفید، دو نوع ابزار توسعه یافته است(کولی و دیگران،1997): 1) ابزارهای تحلیل 2) ابزارهای کشف

طبق رده بندی وب کاوی، وب کاوی در یادگیری الکترونیک می تواند به دو دسته محتوا کاوی . کاربرد کاوی تقسیم شود. اما، تفاوتهای مهمی میان وب کاوی در تجارت الکترونیک و وب کاوی در یادگیری الکترونیک وجود دارد(رومرو[7] و ونتورا[8]، 2007):

دامنه: هدف تجارت الکترونیکی این است که مشتریان را در خرید راهنمایی کند. در حالی که هدف یادگیری الکترونیک این است که دانشجویان را در امر یادگیری داده هدایت کند(رومرو و دیگران،2004). در تجارت الکترونیک، منابع وب کاوی داده، به طور طبیعی گزارش[9] های دسترسی ساده به سرور وبی هستند. اما، در یادگیری الکترونیک، اطلاعات بیشتری وجود دارد که از گزارش تعامل آموزشی کاربر بدست می آید(پال[10] و دونلان[11]،2000). همچنین، الگو مدل سازی کاربر در هر سیستم متفاوت است.

مقصد: مقصد وب کاوی در تجارت الکترونیک، افزایش سود است که ملموس می باشد و می توان آن را بر حسب مقادیری چون پول، تعداد مشتریان و صداقت مشتری اندازه گیری کرد. اما، مقصد وب کاوی در یادگیری الکترونیک ارتقای یادگیری است. این هدف برای اندازه گیری تکنیک های ذهنی تر و ظریف تر است. سیستم های آموزشی خصیصه های خاصی دارند که به یک شیوه خاص، به ویژه به فرایند یادگیری توجه کند(لی[12] و زایان[13]،2004).بر خلاف محیط های آموزش سنتی، زمانی که دانشجویان در محیط های الکترونیک کار می کنند، برای آموزش دهندگان امکان پذیر نیست که اطلاعاتی از بازخورد دانشجویان بدست آورند و آنها باید راههای دیگری را پیدا کنند تا این اطلاعات را کسب کنند. سیستم های آموزشی وب محور می توانند به طور طبیعی نقاط دسترسی یادگیرنده را در وبلاگها ثبت کنند که نشانه های ناوبری یادگیرنده را در سایت ارائه می کند. انواع گوناگونی از گزارش ها وجود دارد:

1) فایل گزارش سرور: این فایل منبع داده را برای اجرای داده کاوی ایجاد می کند که شامل جزئیات اندکی از زمان بندی، مسیر و پاسخ درونداد است. متاسفانه، برای همه دانشجویان تنها یک فایل گزارش واحد وجود دارد.

2) فایل گزارش مشتری: این فایل شامل مجموعه ای از فایل های گزارش است . برای هر دانشجویی وجود دارد که شامل اطلاعاتی درباره تعامل کاربر با این سیستم است.

3) فایل گزارش پروکسی[14]: این فایل شامل مجموعه ای از فایل های ذخیره شده است که میان مرورگر های مشتری و سرورهای وب وجود دارد. این اطلاعات، فایل گزارش سرور را تکمیل می کند. با استفاده از این فایل ها ی گزارش، محیط های یادگیری وب محور می توانند رفتارهای یادگیری بیشتری از دانشجویان را ثبت کنند و بنابراین قادر هستند تا مقادیر بیشتری از پروفایل یادگیری را ارائه کنند(رومرو و ونتورا،2007). زیرا آنها منابع و مقاصد داده متفاوتی را دارند و ضروری است تا به طور جداگانه در انواع متفاوتی از سیستم های یادگیری الکترونیک به کاربردهای داده کاوی بپردازند. رومرو و ونتورا (2007) سه نوع متفاوت از سیستم های آموزشی وب مدار را شناسایی می کنند: دروس وب مدار، سیستم های مدیریت محتوای یادگیری شناخته شده و سیستم های آموزشی وب مدار هوشمند.

دوره درسی وب مدار

دوره های وب مدار، درس افزاری را ارائه می کنند که از فناوری صفحه وب پویا یا استتیک استفاده مس کند. فرقی نمی کند که آنها چه محتوایی را نمایش دهند، آنها منبع داده مشابهی را داند(اسریواستاوا و دیگران[15]،2000). صفحات دوره های وب مدار معمولاً شامل متن، گرافیک، ویدئو، صدا و ... هستند. ساختار اطلاعاتی صفحه داخلی به صورت فرامتن است که یک صفحه را به صفحه دیگر متصل می کند. ساختار اطلاعات صفحه میانی می تواند به عنوان یک ساختار درختی نشان داده شود. وب کاوی می تواند کشف کند که دانشجویان چگونه از درس استفاده می کنند و چگونه استراتژی روش های آموزشی، بر انواع گوناگونی از دانشجویان اثر می گذارد و با چه نظمی دانشجویان موضوعات فرعی را مطالعه می کنند و چه زمانی را صرف مطالعه یک صفحه منفرد، یک بخش یا کل درس می کنند.

سیستم مدیریت محتوا یادگیری

سیستم های مدیریت محتوا یادگیری (LCMS) برنامه هایی هستند که تنوع بزرگی از کانال ها و فضاهای کاری را ارائه کمی کنند تا اشتراک اطلاعات و ارتباط میان شرکت کنندگان در یک درس تسهیل یابد. مقادیر تجاری یا رایگان که از سیستم های مدیریت محتوا یادگیری وجود دارند، مثل بلک بورد[16]، وب سی تی[17]، مودل[18]، توتر[19] و ... این سیستم ها مقادیر زیادی از داده گزارش را جمع آوری می کنند که مرتبط با فعالیت های دانشجویان است مانند خواندن، نوشتن و حتی ارتباط با دیگران. سیستم های مدیریت محتوا یادگیری، همچنین یک پایگاه اطلاعاتی را فراهم می کند که تمام اطلاعات سیستم را ذخیره می کند: اطلاعات شخصی مرتبط با کاربر(پروفابل)، نتایج دانشگاهی و داده تعاملی کاربر. وب کاوی می تواند برای کشف، مشاهده و تحلیل داده به کار رود تا زمینه های مفیدی شناسایی شود و فعالیت وبی ارزیابی گردد تا بازخورد عینی بیشتری از آموزش یک فرد گرفته شود و معلوم گردد که چگونه دانشجویان از طریق سیستم های مدیریت محتوا یادگیری، آموزش فرا می گیرند(رومرو و دیگران،2007؛ تالاورا[20] و گودیوسو[21]،2004).

سیستم های آموزشی وب مدار هوشمند و سازگار

با توسعه افزار درسی آموزشی وب مدار، سیستم های آموزشی وب مدار هوشمند و سازگار(AIWEBS) جایگزینی برای رویکرد "فقط بر روی وب قرار بده"[22] می باشند(بروسیلووسکی[23] و پیلو[24]، 2003).داده های سیستم های آموزشی وب مدار هوشمند و سازگار از نظر معناشناختی قوی تر هستند و امکان تحلیل تشخیصی بیشتری را نسبت به داده های سیستم آموزشی وب مدار سنتی فراهم می کنند(مرسرون[25] و یاسف[26]،2004). سیستم های آموزشی وب مدار هوشمند و سازگار، تلاش می کنند تا با ساختن مدلی از اهداف، خواستها و دانش هر یک از دانشجویان، سازگارتر شوند و این مدل را در کلیه تعاملات با دانشجویان به کار گیرند تا نیازهای دانشجویان را برآورده سازند. وب کاوی می تواند مشکلات را در سیستم کشف کند، برای مثال: بازخورد اشتباه بیانات(نیلاکانت[27] و میتروویک[28]، 2005)، سازگاری سطح آموزش با پیشرفت یادگیرنده(رومرو و دیگران،2004) و ارائه تجارب و فعالیت های یادگیری شخصی برای دانشجویان(تانگ و مک کالا، 2005).

علاقه کاوی در محیط یادگیری مجازی

محیط یادگیری مجازی (VLE)، یک محیط یادگیری در دنیای مجازی وب و کاربردهای اینترنت مدار است که اساس آن تعامل و همکاری است.تفاوت اساسی میان محیط یادگیری مجازی و سایر محیط های یادگیری وب مدار این است که امکان ارتباط و همکاری با دیگر دانشجویان و اساتید در چنین محیط مجازی وجود دارد که محتوا را اداره می کند. محیط یادگیری مجازی به سیستم هایی محدود نمی شود که شامل فناوری واقعی مجازی/3D هستند(دیلنبورگ[29]،2000).کاربرد Web 3D در آموزش مزایای زیادی را با توجه به تمرین یادگیری سنتی نشان می دهد. اول، طیف وسیعی از تجارب ارزشمند را ارئه می دهد، که امکان تجربه برخی از آنها در دنیای واقعی به دلیل هزینه، خطر و ... وجود ندارد. دوم، کاربرد گرافیک های 3D نمایش مفصل تر و واقعی تر را در مقایسه با فناوری 2D فراهم می کند(چیتارو[30] و رانون[31]،2007).موارد موفق زیادی از Web 3D وجود دارد (برنتون و دیگران[32]،2007؛ هامالاینن و دیگران، 2006؛ ایرونوتی[33] و چیتارو،2007؛مرفی[34]،2000؛ امزوقی و دیگران[35]،2007؛ ویلد[36]،2005). بر خلاف پیشرفت های صورت گرفته در محیط یادگیری مجازی ، هنوز بسیاری از مشکلات باقی است که حل نشده است. اولین مشکل، هماهنگی سیستم است. هماهنگی بر ویژگی هایی تمرکز دارد که در سیستم محیط یادگیری مجازی تواماً وضعیت با ثبات محیط را حفظ می کند. بنابراین، سیستم محیط یادگیری مجازی باید پیغام روزآمد را دائماً میان همه شرکت کنندگان توزیع کند. با رشد تعداد شرکت کنندگان و پیچیدگی این محیط، تعداد پیغام های روزآمد شدیداً افزایش خواهد یافت که ترافیک عظیم شبکه و کارایی پایین سیستم را به همراه می آورد. این نتایج علاقه ضمنی یادگیرنده را نادیده می گیرد که یادگیرنده را به سمت بار سنگین معرفتی هدایت می کند، بنابراین موجب دشواری در امر یادگیری می گردد. طبق پژوهشی که در روانشناسی انجام شد، هر تعاملی در محیط یادگیری مجازی معانی برای علاقه ضمنی کاربر دارد. بنابراین، ما روش شناسی را برای استخراج علاقه ضمنی یادگیرنده از طریق تحلیل رفتار ضمنی پیشنهاد می کنیم. محیط یادگیری مجازی مانند سایر کاربرد های بازیابی اطلاعات (IRA) (بازا-یتس[37] و ریبریو-نتو[38]،1999) نیاز دارد تا نیازهای دانشجویان را استخراج کند، اطلاعات مفید را با مقادیر زیادی از داده جستجو و پالایش کند و بعد اطلاعاتی را که دانشجویان نیاز دارند، برایشان فراهم کند. بنابراین، وب کاوی در سیستم های یادگیری الکترونیک، خصوصاً در محیط یادگیری مجازی ضروری می باشد.

 

مدل تعاملی در محیط یادگیری مجازی

انسانها مخلوقاتی بسیار اجتماعی هستند. بنابراین، برای ما مهم است که بتوانیم درک کنیم که دیگران چه کاری انجام می دهند و معنی ضمنی را از ژست ها و حالات آنها استنباط کنیم. بنابراین، تعامل کاربر در محیط یادگیری مجازی، خصوصاً تعاملات اجتماعی، نشانه های مهمی برای استخراج علاقه کاربر است. مانینن [39](2001) اصطلاح "تعامل" را اینگونه تعریف می کند: " مجموعه تعامل شامل فعالیت های شخصی و انواع و امکانات تعاملی است که توالی های تعاملی پیچیده تری را فراهم می کند". به نظر می رسد همتای مجازی کامپیوتر، از دنیای واقعی عقب مانده است، اما ما می توانیم این تعاملات را طبق مدلی که در شکل 1 نشان دادیم، دسته بندی و رده بندی کنیم. این مدل شامل 5 فهرست اصلی است:

1. سفر: تعاملی که میان کاربر و محیط وجود دارد و بر پایه موقعیت روز آمد شده کاربر است. در حقیقت، سفر کاربر هدف کاربر را از کشف فضاهای کشف نشده در دنیای مجازی طبق مسیر نشان می دهد.

2. چشم دوختن: تعامل میان دو کاربر یا میان کاربر و محیط را گویند. چشم دوختن کاربر به هدف کاربر در بررسی جزئیات یک شی طبق دیدگاه کاربر اشاره دارد.

3. به کار بردن: تعامل میان کاربر و اشیای محیط را گویند. در انجام وظایف، کاربر طبق علاقه درونی یک شی را به کار می برد، مانند: هل دادن جعبه، برداشتن یک ابزار، روشن کردن تلویزیون و ...

4. ژست: به تعامل اجتماعی میان دو کاربر گویند. کاربر حرکات پرمعنی متفاوتی را با بخشهای مختلف بدنش خصوصاً دستها یا سر طبق هدف خاصی انجام می دهد. برای مثال: دانشجویی که برای نشان داده احترام، به استادش تعظیم می کند.

5. گفتگو: این تعاملی اجتماعی بر پایه زبان است که میان دو کاربر از طریق گفتار یا پیام متنی/تصویری صورت می گیرد.

مدل سلسله مراتبی تعاملی در شکل 2 استخراج علاقه ضمنی کاربر را از طریق تعامل ضمنی در محیط یادگیری مجازی نشان می دهد. طبق اهداف تعاملی متفاوت، تعامل در محیط یادگیری مجازی می تواند به دو مدل فرعی تقسیم شود: مدل فرعی شی-کاربر که در شکل 1 نشان داده شده و مدل فرعی اجتماعی کاربر-کاربر که در شکل 2 نشان داده شده است. هر مدل فرعی دو لایه تعاملی را نشان می دهد. یعنی، تعامل آشکار و تعامل ضمنی. لایه تعامل آشکار، بازیابی اطلاعات تعاملی آشکار را پوشش می دهد و لایه تعاملی ضمنی برای استخراج علاقه ضمنی، یعنی، هدف و علاقه به کار می رود. اگرچه 5 نوع از تعامل در محیط یادگیری مجازی وجود دارد، بازیابی اطلاعات تعاملی آشکار سه گام دارد: جمع آوری سیگنال در لایه فرعی گیرنده، دسته بندی و رده بندی، یافتن رئوس مطالب در لایه فرعی زمینه و تولید برونداد در لایه فرعی هدف.

ایده اصلی این ساختار، تقسیم و رده بندی تعاملات در محیط یادگیری مجازی است. خلع یک ساختار سلسله مراتبی از عملیات سطح پایین و سیگنالی آغاز می شود و تا سطحی ارتقا می یابد که اهداف و مقاصد معرفتی، هدف تعامل را تعریف می کند. بر پایه دسته بندی و رده بندی تعامل در محیط یادگیری مجازی، می توان گفت که اطلاعات تعاملی ضمنی کاربر می تواند از اطلاعات تعاملی آشکار سطح پایین استخراج یابد.

معماری عمومی برای علاقه کاوی در محیط یادگیری مجازی

طبق مدل سلسله مراتبی تعامل، معماری عمومی فرایند علاقه کاوی را به دو بخش اصلی تقسیم می کند: بازیابی رفتار که (BR نامیده می شود) و علاقه کاوی که (IE نامیده می شود). بازیابی رفتار شامل پردازش اولیه، کشف زمینه و هدف کاوی تعمل است. بخش استخراج علاقه شامل فناوری داده کاوی بر پایه دانش است که به عنوان موتور علاقه کاوی به کار می رود. معماری عمومی برای علاقه کاوی در محیط یادگیری مجازی در شکل 3 نشان داده می شود.

مجموعه داده

گام اول در محیط یادگیری مجازی، فرایند علاقه کاوی است که شامل مجموعه ای از داده سیگنال اولیه است که می توئاند گرفته و تحلیل شود تا اطلاعات مفیدی را درباره رفتار کاربر ارائه کند. اگرچه سه منبع داده برای وب کاوی وجود دارد(داده سرور، داده مشتری و داده پروکسی) (پیراکوز و دیگران[40]،2003)، منبع داده اصلی برای علاقه کاوی در محیط یادگیری مجازی، داده تعامل مشتری است که می تواند علاقه کاربر یا برونداد آشکار کاربر را ثبت کند.داده مشتری از میزبان محلی گرفته می شود که به سایت محیط یادگیری مجازی دسترسی دارد. فناوری های سنتی برای بدست آوردن داده مشتری از جاوا یا جاوا اسکریپت استفاده می کنند(شهابی و دیگران[41]،2001؛ شهابی و دیگران،1997 ).به هر حال، این فناوری ها به تائیید کاربر نیاز دارند، کسانی که شاید مکانیزم های امنیت محلی را فعال می کنند تا عملکرد برنامه های جاوا یا جاوا اسکریپت و مرورگرهای آنها را محدود کنند. بنابراین، رفتار کاربر یا برونداد ضمنی می تواند از حسگرهای سیگنال محلی گرفته شود که داده های اولیه را به درخواست های پردازش شده انتقال می دهند.

پردازش اولیه داده

مجموعه داده، فاز اولیه علاقه کاوی در محیط یادگیری مجازی است. زیرا داده سیگنال اولیه جمع آوری شده ناقص، پر سر و صدا و بی ثبات است. این داده خام باید به شکل هماهنگ، یکپارچه و کامل برای کشف زمینه بعدی گردآوری شود. به عنوان ضروری ترین فاز علاقه کاوی در محیط یادگیری مجازی، جریان عادی پردازش اولیه داده اول تلاش می کند تا ارزش های از دست رفته را در داده تصحیح کندو بعد، داده را یکپارچه سازن و به شکل های مناسب برای کشف زمینه تغییر دهد.

گام پردازش اولیه داده تا حدی وابسته به میزبان است، یعنی، ارزش و توالی رفتار کاربر بر تصمیمی که درباره داده های مرتبط گرفته می شود، اثر می گذارد. همچنین به شدت به نوع و کیفیت داده وابسته است.

 

کشف زمینه

در مرحله کشف زمینه،برای استخراج زمینه های تعامل کاربر از داده سیگنال پاک پردازش شده، از ماشین یادگیری و سایر روش های آماری استفاده می شود. مشابه با اکثر کاربردهای داده کاوی، وب کاوی 4 رویکرد (دسته بندی، رده بندی، کشف پیوستگی و کشف زمینه توالی) را برای کشف زمینه اتخاذ می کند. اکثر روش هایی که برای علاقه کاوی در محیط یادگیری مجازی به کار می روند، روش های دسته بندی هستند.

در این مطالعه، اهداف کشف زمینه، کشف داده تعامل ضمنی از مقادیر بزرگ داده سیگنال پیش پردازش شده است. از میان روش های دسته بندی داده کاوی خصوصاً روش دسته بندی بر پایه مدل، شناخته شده است که می تواند تعاریف نهادی را برای هر گروه داده سیگنال پیش پردازش شده کشف کند.

 

هدف تعاملی و علاقه کاوی ضمنی

بر خلاف کشف زمینه، هدف تعاملی و علاقه کاوی ضمنی با روش های رده بندی سازگار است. هدف رده بندی، شناسایی ویژگی های مشخص اهداف یا علائق از پیش تعریف شده است که بر پایه مجموعه ای از نمونه ها می باشد. این ویژگی ها می تواند هم برای درک داده موجود و هم برای پیش بینی رفتار نمونه جدید به کار رود. در زمینه علاقه کاوی در محیط یادگیری مجازی، روش های رده بندی می تواند برای مدل سازی ویژگی های هدف رفتار کاربر و علاقه ضمنی به کار رود.

 

طراحی و کاربرد سیستم آزمایشی

ما یک سیستم پیش نمونه را طراحی و توسعه داده ایم و با رویکرد علاقه کاوی، خودمان درباره داده سیگنال ژست کاربر که از سیستم VR رومیزی با استفاده از سیستم 5DT cyber و با درجه آزادی 6 جمع آوری شده است، آزمایش کردیم. ما پردازش اولیه داده، کشف زمینه، هدف تعاملی و روش های علاقه کاوی ضمنی را ارزیابی کردیم.

 

فلو چارت علاقه کاوی

فلو چارت علاقه کاوی، یک پیش نمونه آزمایشی است که در شکل 4 نشان داده می شود. در پیش نمونه آزمایشی، سیگنال رفتار کاربر(ژست) از سیستم cyber گرفته می شود و با درجه آزادی 6 همزمان از موقعیت دستی کاربر و سیگنال متحرک گرفته می شود. این دو داده سیگنال اولیه، پاک می شوند، یکپارچه می شوند و به واحدهای پردازش اولیه داده تغییر می یابند. با جستجو شکل ژست در پایگاه اطلاعاتی نهادی، سیستم از داده پردازش اولیه گرفته می شود و کشف زمینه خاتمه می یابد. بعد، واحدهای هدف کاوی و علاقه کاوی، استخراج علاقه ضمنی را از طریق ژست برآورده می کنند. در نهایت، سیستم، وضعیت علاقه کاربر را روزآمد می کند که می تواند باعث ارتقای کارایی سیستم گردد.

 

کاربرد علاقه کاربر

کاربرد اصلی علاقه کاربر در پیش نمونه های آزمایشی، پالایش ترافیک شبکه میان کاربران است. همانگونه که قبلاً بدان اشاره شد، هر مشتری در محیط یادگیری مجازی نیاز دارد تا پیام روزآمد را میان همه شرکت کنندگان توزیع کند که منجر به انفجار ترافیک شبکه می شود. بعد از استخراج علاقه ضمنی کاربر، سیستم می تواند پیام وضعیت روزآمد محلی را به شرکت کنندگان مختلف در بسامد متفاوت منتقل کند.

به علاوه، سیستم می تواند سطح جزییات پیام روزآمد(LOD) را کنترل کند تا ترافیک شبکه کاهش یابد.

معماری سیستم پیش نمونه

معماری سیستم، فاکتور اصلی برای طراحی سیستم پیش نمونه است. به محض آنکه علاقه محلی روزآمد شد، مشتری باید در اسرع وقت به سایر مشتریان اطلاع دهد. پیام روزآمد از طریقی کانالی که توسط توپو لوژی سیستم تعیین شده انتشار می یابد.عموماً، سه توپو لوژی اولیه و سه توپو لوژی تغییر پذیر وجود دارد که در شکل 5 نشان داده می شوند. توپو لوژی تمرکز یافته(a) مزیت ارائه آسان یک مکانیزم پالایش در سرور را دارد(گره هسته).توپو لوژی توزیع یافته(b) رویکرد مخالفی را ارائه می کند. سرور مرکزی و تنگنای سرور برای هر مشتری وجود ندارد تا برای انتقال پیام مسئول باشد. با وجود این، دشوار است تا مکانیزم پالایش داده را اجرا کند. توپو لوژی هیبرید، یک نقشه ساختمانی است که مزیت معماری هایی را که قبلاً بدان اشاره شد، دارد. در شکل 5، (c) و (f) به این توپو لوژی تعلق دارند که مشکل (a) و (b) را حل می کنند. اما آنها هنوز مسئله قیمت بالا را دارند که مربوط به سرورهای متعدد و مبادله اطلاعات اضافی میان سرور ها است(یو[42] و چوی[43]،2001).پیش نمونه آزمایشی ما با معماری هیبرید سازگار است که در شکل 6 نشان داده می شود. هر مشتری شامل چندین واحد اصلی است، مانند واحد ارتباط، واحد پیام، واحد مدیریت علاقه و واحد درخواست.

خلاصه

در این مقاله، رویکرد علاقه کاوی کاربر برای بازیابی خودکار و تحلیل تعامل کاربر در محیط یادگیری مجازی نشان داده شد. وب کاوی در آموزش تقریباً نتایج جالبی را تولید می کند که شامل سیستم آموزشی هوشمند و موتور جستجوی محتوای عمومی است. اما تحقیق درباره علاقه کاوی بر پایه تحلیل تعامل نادر است. این مقاله، کار را در حال پیشرفت توصیف می کندو مرحله بعد شامل توسعه نمایش سیستم برای آزمایش است. ما نقش فناوری اطلاعات را در توانمند سازی منابع داده بررسی کردیم که در محیط دانشگاهی به کار می رود.در آخر، ما می خواهیم نتیجه بگیریم که موفقیت واقعی فناوری اطلاعات در موسسات دانشگاهی این است که به دانشجویان کمک شود تا انسانهای ارزشمندی شوند تا شجاعت رویارویی با مشکلات را با قوای درونی داشته باشند. هر نوآوری سازمانی به زمان، پول، انرژی و منابع احتیاج دارد تا موسسات دانشگاهی به کمال برسند و متناسب شوند. باید توجه کنیم که هنوز مسئولیت سازمان، چه مجازی و چه سنتی این است که محیط های یادگیری مناسب را فراهم کنند. اما، برای کارکنانی که هیچ وفا داری نسبت به سازمان ندارند، خطر تداوم اندک در تمرین های آموزشی آشکار می شود که مطمئناً هدف فراهم آوری یک محیط یادگیری مناسب را تحت تاثیر قرار می دهد.

 

 

 

 

 

 

منابع:

 

Baeza-Yates, R., Ribeiro-Neto, B. (1999), Modern Information Retrieval, Wesley-Longman, Harlow, .

[Manual request] [Infotrieve]

Brenton, H., Hernandez, J., Bello, F., Strutton, P., Purkayastha, S., Firth, T., Darzi, A. (2007), "Using multimedia and Web3D to enhance anatomy teaching", Computers and Education, Vol. 49 No.1, pp.32-53.

[Manual request] [Infotrieve]

Brusilovsky, P., Peylo, C. (2003), "Adaptive and intelligent web-based educational systems", International Journal of Artificial Intelligence in Education, Vol. 13 pp.156-69.

[Manual request] [Infotrieve]

Chittaro, L., Ranon, R. (2007), "Web3D technologies in learning, education and training: motivations, issues, opportunities", Computers and Education, Vol. 49 No.1, pp.3-18.

[Manual request] [Infotrieve]

Cooley, R., Mobasher, B., Srivastava, J. (1997), "Web mining: information and pattern discovery on the world wide web", Proceedings of the 9th IEEE International Conference on Tools with Artificial Intelligence, Newport Beach, CA, IEEE Computer Society, New York, NY, 5-8 November, pp.558-67.

[Manual request] [Infotrieve]

Dillenbourg, P. (2000), "Virtual learning environments", EUN Conference 2000, Learning in the New Millennium: Building New Education Strategies for Schools, Workshop on Virtual Learning Environments, available at: tecfa.unige.ch/tecfa/publicat/dil-papers-2/Dil.7.5.18.pdf, .

[Manual request] [Infotrieve]

Gu, R., Zhu, M., Dong, Y., Shi, D., Wang, Y. (2005), "A case study of virtual circuit laboratory for undergraduate student courses", ITHET 2005: 6th International Conference on Information Technology Based Higher Education and Training, Vol. 2005 pp.21-4.

[Manual request] [Infotrieve]

Hamalainen, R., Manninen, T., Jarvela, S., Hakkinen, P. (2006), "Learning to collaborate: designing collaboration in a 3-D game environment", The Internet and Higher Education, Vol. 9 No.1, pp.47-61.

[Manual request] [Infotrieve]

Ieronutti, L., Chittaro, L. (2007), "Employing virtual humans for education and training in X3D/VRML worlds", Computers and Education, Vol. 49 No.1, pp.93-109.

[Manual request] [Infotrieve]

Klosgen, W., Zytkow, J. (2002), Handbook of Data Mining and Knowledge Discovery, Oxford University Press, New York, NY, .

[Manual request] [Infotrieve]

Li, J., Zaïane, O. (2004), "Combining usage, content, and structure data to improve web site recommendation", International conference on e-commerce and web technologies, pp.305-15.

[Manual request] [Infotrieve]

Manninen, T. (2001), "Rich interaction in the context of networked virtual environments – experiences gained from the multi-player games domain", in Blanford, A., Vanderdonckt, J., Gray, P. (Eds),Joint Proceedings of HCI 2001 and IHM 2001 Conference, Springer-Verlag, New York, NY, pp.383-98.

[Manual request] [Infotrieve]

Merceron, A., Yacef, K. (2004), "Mining student data captured from a web-based tutoring tool: initial exploration and results", Journal of Interactive Learning Research, Vol. 15 No.4, pp.319-46.

[Manual request] [Infotrieve]

Morphew, V.N. (2000), "Web-based learning and instruction: a constructivist approach", in Lau, L. (Eds),Distance Learning Technologies: Issues, Trends and Opportunities, Idea Group, London, pp.1-15.

[Manual request] [Infotrieve]

Mzoughi, T., Herring, S.D., Foley, J.T., Morris, M.J., Gilbert, P.J. (2007), "WebTOP: a 3D interactive system for teaching and learning optics", Computers and Education, Vol. 49 No.1, pp.110-29.

[Manual request] [Infotrieve]

Nilakant, K., Mitrovic, A. (2005), "Application of data mining in constraint-based intelligent tutoring systems", in Looi, C.-K., McCalla, G., Bredeweg, B., Breuker, J. (Eds),Proceedings of the 12th International Conference on Artificial Intelligence in Education AIED, Amsterdam, 18-22 July, IOS Press, Washington, DC, pp.896-8.

[Manual request] [Infotrieve]

Ouyang, Y., Dong, Y., Zhu, M., Huang, Y., Mao, S., Mao, Y. (2005), "ECVlab: a web-based virtual laboratory system for electronic circuit simulation", International Conference on Computational Science 2005, pp.1027-34.

[Manual request] [Infotrieve]

Pahl, C., Donnellan, C. (2003), "Data mining technology for the evaluation of web-based teaching and learning systems", Proceedings of the Congress E-learning, Montreal, Canada, .

[Manual request] [Infotrieve]

Pierrakos, D., Paliouras, G., Papatheodorou, C., Spyropoulos, C.D. (2003), "Web usage mining as a tool for personalization: a survey", User Modelling and User-Adapted Interaction, Vol. 13 No.4, pp.311-72.

[Manual request] [Infotrieve]

Romero, C., Ventura, S. (2007), "Educational data mining: a survey from 1995 to 2005", Expert Systems with Applications, Vol. 33 No.1, pp.135-46.

[Manual request] [Infotrieve]

Romero, C., Ventura, S., Bra, P.D. (2004), "Knowledge discovery with genetic programming for providing feedback to courseware authors", User Modeling and User-Adapted Interaction, Vol. 14 No.5, pp.425-64.

[Manual request] [Infotrieve]

Romero, C., Ventura, S., Garcia, E. (2007), "Data mining in course management systems: Moodle case study and tutorial", Computers and Education, Vol. 49 pp.1-17.

[Manual request] [Infotrieve]

Shahabi, C., Banaei-Kashani, F., Faruque, J. (2001), "A reliable, efficient, and scalable system for web usage data acquisition", paper presented at WebKDD'01 WorkShop in conjunction with ACMSIGKDD 2001, .

[Manual request] [Infotrieve]

Shahabi, C., Zarkesh, A.M., Abidi, J., Shah, V. (1997), "Knowledge discovery from user's web-page navigation", Proceedings of the 7th IEEE Intlernational Workshop on Research Issues in Data Engineering (RIDE), pp.20-9.

[Manual request] [Infotrieve]

Sheard, J., Ceddia, J., Hurst, J., Tuovinen, J. (2003), "Inferring student learning behaviour from website interactions: a usage analysis", Education and Information Technologies, Vol. 8 No.3, pp.245-66.

[Manual request] [Infotrieve]

Srivastava, J., Cooley, R., Deshpandé, M., Tan, P.-N. (2000), "Web usage mining: discovery and applications of usage patterns from web data", ACM SIGKDD Explorations Newsletter, Vol. 1 No.2, pp.12-23.

[Manual request] [Infotrieve]

Talavera, L., Gaudioso, E. (2004), "Mining student data to characterize similar behavior groups in unstructured collaboration spaces", Workshop on Artificial Intelligence in CSCL, 16th European Conference on Artificial Intelligence, pp.17-23.

[Manual request] [Infotrieve]

Tang, T.Y., Mccalla, G. (2002), "Student modeling for a web-based learning environment: a data mining approach", Proceedings of the 18th National Conference on Artificial Intellegience (AAAI-2002), Edmonton, Canada, pp.967-8.

[Manual request] [Infotrieve]

Tang, T., McCalla, G. (2005), "Smart recommendation for an evolving e-learning system", International Journal on E-Learning, Vol. 4 No.1, pp.105-29.

[Manual request] [Infotrieve]

Wyeld, T.G. (2005), "The pedagogical benefits of remote design collaboration in a 3D virtual environment: a case study", IEEE Computer Society, New York, NY, Proceedings of the 5th IEEE International Conference on Advanced Learning Technologies, ICALT 2005, Kaohsiung, Taiwan, No.5-8 July 2005, pp.824-6.

[Manual request] [Infotrieve]

Yabo, D., Miaoliang, Z. (2002), "Web-based VR-form virtual laboratory", Chemical Engineering Education, Vol. 36 No.2, pp.102-7.

[Manual request] [Infotrieve]

Yu, S.-J., Choy, Y.-C. (2001), "A dynamic message filtering technique for 3D cyberspaces", Computer Communications, Vol. 24 No.18, pp.1745-58.

[Manual request] [Infotrieve]

 

 

[1] Sheard et al.

 

[2] Klosgen

 

[3] Zythkow

 

[4] Tang

 

[5] McCalla

 

[6] Cooly et al.

 

[7] Romero

 

[8] Ventura

 

[9] log

 

[10] Pahl

 

[11] Donnellan

 

[12] Li

 

[13] Zaiane

 

[14] proxy

 

[15] Srivastava et al.

 

[16] Blackboard

 

[17] WebCT

 

[18] Moodle

 

[19] Tutor

 

[20] Talavera

 

[21] Gaudioso

 

[22] Just put it on the web

 

[23] Brusilovsky

 

[24] Peylo

 

[25] Merceron

 

[26] Yacef

 

[27] Nilakant

 

[28] Mitrovic

 

[29] Dillenbourg

 

[30] Chittaro

 

[31] Ranon

 

[32] Brenton et al.

 

[33] Ieronutti

 

[34] Morphew

 

[35] Mzoughi et al.

 

[36] Wyeld

 

[37] Baeza-Yates

 

[38] Ribeiri-Neto

 

[39] Manninen

 

[40] Pierrakos et al.

 

[41] Shahabi et al.

 

[42] Yu

 

[43] Choy

 

 

 


 
به یک وبسایت نیاز دارید؟
فروشگاه ساز می خواهید؟