با سلام خدمت کاربران در صورتی که با خطای سیستم پرداخت بانکی مواجه شدید از طریق کارت به کارت (6037997535328901 بانک ملی ناصر خنجری ) مقاله خود را دریافت کنید (تا مشکل رفع گردد).
ردیف | عنوان | نوع |
---|---|---|
1 |
Integrating machine learning into item response theory for addressing the cold start problem in adaptive learning systems
ادغام یادگیری ماشین در تئوری پاسخ به موارد برای پرداختن به مشکل شروع سرما در سیستم های یادگیری انطباقی-2019 Adaptive learning systems aim to provide learning items tailored to the behavior and needs of
individual learners. However, one of the outstanding challenges in adaptive item selection is that
often the corresponding systems do not have information on initial ability levels of new learners
entering a learning environment. Thus, the proficiency of those new learners is very difficult to be
predicted. This heavily impairs the quality of personalized items recommendation during the
initial phase of the learning environment. In order to handle this issue, known as the cold-start
problem, we propose a system that combines item response theory (IRT) with machine learning.
Specifically, we perform ability estimation and item response prediction for new learners by
integrating IRT with classification and regression trees built on learners’ side information. The
goal of this work is to build a learning system that incorporates IRT and machine learning into a
unified framework. We compare the proposed hybrid model to alternative approaches by conducting
experiments on two educational data sets. The obtained results affirmed the potential of
the proposed method. In particular, the obtained results indicate that IRT combined with
Random Forests provides the lowest error for the ability estimation and the highest accuracy in
terms of response prediction. This way, we deduce that the employment of machine learning in
combination with IRT could indeed alleviate the effect of the cold start problem in an adaptive
learning environment Keywords: Item response theory | Decision tree learning | Machine learning | Adaptive learning system | Cold-start problem |
مقاله انگلیسی |
2 |
نقش شخصیت در یادگیری مبتنی بر کامپیوتر
سال انتشار: 2016 - تعداد صفحات فایل pdf انگلیسی: 9 - تعداد صفحات فایل doc فارسی: 22 امروزه با توجه به پیشرفت های بسیار سریع تکنولوژی خصوصا در زمینه ابزارهای آموزشی،فناوری های جدیدی پدیدار شده اندکه یکی از آنها یادگیری مبتنی بر کامپیوتر می باشد.علی رغم فواید کاملا قابل شهود این نوع یادگیری افرادی وجود دارند که یادگیری سنتی را ترجیح داده و بر این اعتقاد هستند که بازخورد مثبتی از یادگیری مبتنی بر کامپیوتر نداشته اند.با توجه به این که افراد دارای شخصیت ها و واکنش های مختلفی در رفتار با سیستم می باشند بنابراین چالش اصلی در این زمینه شناسایی انواع شخصیت های موجود می باشد تا بتوان تفاوت های یادگیرندگان را سنجش و بررسی نمود تا برنامه ای مطابق انواع رفتار افراد درگیر در این سیستم طراحی شود.شخصیت به عنوان یکی از مهمترین پارامترهای تفاوت های فردی میان اشخاص مطرح می شود.در این مقاله بررسی می شود که چگونه تفاوت های شخصیتی در یادگیرندگان بر یادگیری مبتنی بر کامپیوتر تاثیر گذار است و هر کدام ازاین شخصیت ها چه واکنشی نشان خواهند داد.نتایج قابل توجه از نوزده پژوهش صورت گرفته در این زمینه در زیر ذکر شده است:
- MBTIبیشترین تاکید را بر شخصیت در یادگیری مبتنی بر کامپیوتر دارد. -ویژگی های شخصیتی بر اینکه چگونه یادگیرندگان مفاهیم آموزشی و شیوه یادگیری مانند جمع آوری اطلاعات و برقراری ارتباط بامدرس و شیوه مطالعه را ترجیح می دهند تاثیر میگذارند. -یک مدل جدید از متغیر های شخصیت در یادگیری مبتنی بر کامپیوتر با تلاش و نظرسنجی بسیاری از پژوهشگران علاقمند و پزشکان توانای مرتبط با این حوزه باید در نظر گرفته شود. - رویکرد ضمنی جدیدی را با استفاده از تجزیه و تحلیل یادگیری به جای شیوه پرسشنامه برای شناسایی شخصیت یادگیرنده مطرح می کند. واژه های کلیدی: یادگیری مبتنی بر کامپیوتر | مدل شخصیت | سیستم آموزش هوشمند | یادگیری تطبیقی |
مقاله ترجمه شده |