فایل ورد کامل یک سیستم خبره فازی ژنتیکی برای طبقه بندی خودکار سوال در یک محیط یادگیری رقابتی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل یک سیستم خبره فازی ژنتیکی برای طبقه بندی خودکار سوال در یک محیط یادگیری رقابتی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۵ صفحه

چکیده :
سیستم های آموزش هوشمند، ابزاری کارامد و موثر برای سازگاری خودکار فرایند یادگیری با پیشرفت و نیاز های دانشجویان است. یکی از سازگاری های احتمالی، استفاده از یک سیستم مرتب سازی سوال تطبیقی میباشد که سحتی سوالات را با سطح دانش دانشجوین تطبیق می دهد. در این زمینه، طبقه بندی صحیح سوالات برای ارایه به دانشجوین بر طبق سطح سختی آن ها مهم است. بسیاری از سیستم ها برای براورد و تخمین سختی سوالات توسعه یافته اند. با این حال تنوع در محیط های کاربرد موجب شده است تا استفاده از راه حل های موجود به سایر محیط ها سخت تر باشد. بنابر این، یک راه حل خاص به منظور تعیین سطح سختی سوالات باز به شکلی خودکار و هدفمند طراحی شده است. این راه حل را می توان به سایر فعالیت های با ویژگی های زمانی و اجرایی خاص به کار برد زیرا آزمون ها از طریق QUESTOURnament می یابند. این ابزاری است که در پلاتفرم یادگیری الکترونیک مودل(محیط آموزشی داینامیک شئی گرای ماژولار) تلفیق می شود. راه حل پیشنهادی، یک سیستم خبره فازی است که از یک الگوریتم ژنتیکی به منظور تعیین سطح سختی استفاده می کند. از خروجی الگوریتم، این سیستم، قواعد فازی ای را تعریف می کند که این قواعد برای طبقه بندی سوالات استفاده می شود. داده های ثبت شده از یک فعالیت رقابتی در یک درس مهندسی مخابرات برای ارزیابی سیستم در برابر یک گروهی از کارشناسان استفاده شده است. نتایج نشان می دهد که سیستم عملکرد موفقی دارد. بنابر این می توان نتیجه گرفت که سیستم قادر است تا کار طبقه بندی سوالات را در یک محیط یادگیری رقابتی انجام دهد.

۱-مقدمه
در طی سال های گذشته، فرایند یادگیری به طور قابل توجهی تغییر کرده است به طوری که این فرایند بیشتر به سمت دانشجو محوی ودر نظر گرفتن نیاز ها و ویژگی های دانشجویان حرکت کرده است. مطالعات مختلف کارایی و اثر بخشی سیستم های یادگیری تطبیقی جدید را نشان داده اند( وردو، راگراس، وردو، دی کاسترو، پرز ۲۰۰۸). بسیاری از این سیستم ها با ارایه سوالات به دانشجویان بر اساس سطوح سختی و بر طبق مهارت ها و قابلیت های دانشجویان، تلاش می کنند تا به صورت تطبیقی عمل کنند. هدف اصلی، افزایش کارایی و سطح تعامل و انگیزش دانشجویان است( لیلی، بارکر و برتون ۲۰۰۴). سوالات بسیار سخت یا بسیار آسان، موجب ناامیدی و کاهش انگیزه دانشجویان می شود، در حالی که مرتب سازی یا ترتیب دهی سوالات تطبیقی، یک یادگیری موثر و کارامد تر را ارایه می کند( واترز، دسمت و وان دن نورگات ۲۰۱۰). به علاوه، بر طبق( لی و هیورت ۲۰۰۰)، در صورتی که آیتم ها یا مسائل بر طبق سطح سختی طبقه بندی شوند، دانشجویان قادر هستند تا نمره بالاتری را کسب کنند، زیرا پس از حل مسائل آسان تر،آن ها احساس می کنند که انگیزه بیشتری برای حل سوالات سخت تر دارند.
از سوی دیگر، سیستم های یادگیری رقابتی، همانند سیستم QUESTOURnament، یک روش کارامد برای در نظر گرفتن علایق، انگیزش و مشارکت دانشجویان با تحریک غرایز رقابتی آن هاست( اندرسون ۲۰۰۶، فیلپوت، هال، هابینک و فلوری ۲۰۰۵). به علاوه، یادگیری رقابتی موجب کاهش تعویق می شود که یک دلیل رایج برای ناتوانی دانشجویان در انجام و تکمیل تکالیف است( لارونس ۲۰۰۴) و موجب بخبود فرایند یادگیری می شود( راگراس و همکاران ۲۰۰۹).
QUESTOURnament یک ابزار از راه دور می باشد که در پلتفرم یادگیری الکترونیک مودل تلفیق شده و به معلمان امکان سازمان دهی آزمون ها و رقابت های پویا را در هر حوزه دانشی می دهد (راگراس و همکاران ۲۰۰۹). دانش جویان بر سر دست یابی به بالاترین نمرات رقابت می کنند و در بالای رنکینگ قرار می گیرند. آن ها بایستی تمارین( موسوم به چالش ها در QUESTOURnament) را در یک محدوده زمانی و در اسرع وقت حل کنند، زیرا دستور نمره دهی با گذشت زمان تغییر می کند.
ماهیت رقابتی QUESTOURnament نه تنها موجب انگیزش دانشجویان می شود، بلکه می تواند موجب افزایش استرس و نا امیدی دردانشجویان ضعیف کلاس شود. افزودن رقبا و سوالات کافی به یک دانشجو می تواند یک راهبرد موثر برای کاهش این اثرات منفی باشد( وو و همکاران ۲۰۰۷). از این روی، سیستم بایستی دانشجویان را بر اساس سطح دانش طبقه بندی کند به طوری که دانشجویان با مهارت های مشابه با یک دیگر رقابت کرده و به سوالات با یک سطح سختی مناسب برای آن ها پاسخ می دهند.
در این رابطه، طبقه بندی صحیح سوالات بر اساس سطح سختی مهم است. با این حال، معلمان به سختی قادر به براورد صحیح سطح سختی بر اساس سطح مهارت دانش آموزان می باشند( واترینگ و ریجت ۲۰۰۶). تجربه به معلمان در براورد بهتر سطح سختی سوالات کمک می کند با این حال حتی دانشجویان ارشد ممکن است مردود شوند و بایستی هنگام تحلیل پاسخ های داده شده توسط دانشجویان تجدید نظر شود. یک سیستم براورد خودکار می تواند اساس و مبنایی برای یک فرایند انطباق موثر باشد.
تعداد زیادی از سیستم ها که به طور خودکار سطح سختی گزینه ها را براورد می کنند را می توان در منابع یافت( برگوف ۲۰۰۱، چنگ، شن، بازو ۲۰۰۸، جانگ،چان، وو، لین ۲۰۰۶، لی ۱۹۹۶، واترز و همکاران ۲۰۱۰). با این حال، تغییر در ماهیت محیط های کاربرد موجب می شود تا استفاده از راه حل موجود به طور مستقیم در سایر کاربرد ها سخت شود. از این روی،یک راه حل ویژه، برای تبدیل سیستم یادگیری الکترونیک رقابتی QUESTOURnament به یک سیستم هوشمند طراحی شده است. هدف اصلی موثر تر سازی یادگیری و کاهش برخی از موانع عملی بر سر راه یادگیری رقابتی است.
این مقاله در مورد روایی و اعتبار یک سیستم خبره بحث می کند که به طور خودکار سطح سختی سوالات مطرح شده در سیستم یادگیری رقابتی QUESTOURnament را براورد می کند. بخش ۲، مسائل اصلی در مورد ادراک معلمان از سختی را معرفی کرده و تحقیقات در مورد راه حل ها را خلاصه می کند. سیستم خبره در بخش ۳ توصیف شده است. بخش ۴ با یک توصیفی از آزمایش انجام شده برای ارزیابی سیستم شروع می شود. سپس، یک مطالعه ای که به تحلیل صحت براورد های سختی بدست آمده توسط سیستم هوشمند می پردازد، ارایه می شود. در نهایت، نتیجه گیری اصلی بیان شده است.

عنوان انگلیسی:A genetic fuzzy expert system for automatic question classification in a competitive learning environment~~en~~

Abstract

Intelligent tutoring systems are efficient tools to automatically adapt the learning process to the student’s progress and needs. One of the possible adaptations is to apply an adaptive question sequencing system, which matches the difficulty of the questions to the student’s knowledge level. In this context, it is important to correctly classify the questions to be presented to students according to their difficulty level. Many systems have been developed for estimating the difficulty of questions. However the variety in the application environments makes difficult to apply the existing solutions directly to other applications. Therefore, a specific solution has been designed in order to determine the difficulty level of open questions in an automatic and objective way. This solution can be applied to activities with special temporal and running features, as the contests developed through QUESTOURnament, which is a tool integrated into the e-learning platform Moodle. The proposed solution is a fuzzy expert system that uses a genetic algorithm in order to characterize each difficulty level. From the output of the algorithm, it defines the fuzzy rules that are used to classify the questions. Data registered from a competitive activity in a Telecommunications Engineering course have been used in order to validate the system against a group of experts. Results show that the system performs successfully. Therefore, it can be concluded that the system is able to do the questions classification labour in a competitive learning environment.

۱ Introduction

During the last years, the learning process is changing substantially in order to be centred on the students and adapted to their needs and features. Different studies have shown the effectiveness of the new adaptive learning systems (Verd, Regueras, Verd, de Castro, & Pérez, 2008). Many of these systems attempt to be more adaptive by offering students questions with difficulty levels according to their skills and capabilities. The aim is to increase the efficiency and the level of interaction and motivation of students (Lilley, Barker, & Britton, 2004). Too difficult or too easy questions can frustrate and decrease students’ motivation, while adaptive question sequencing provides a more efficient and effective learning (Wauters, Desmet, & Van den Noortgate, 2010). Moreover, according to (Lee & Heyworth, 2000), students should be able to score higher if the items or problems are arranged according to their difficulty level, since after solving easier problems, they feel more motivated to solve the harder ones. On the other hand, the competitive learning systems, as the QUESTOURnament system, are an effective technique to capture students’ interest, motivation and engagement by arousing their competitive instincts (Anderson, 2006; Philpot, Hall, Hubing & Flori, 2005).Moreover, competitive learning reduces procrastination, a common cause for students failing to complete assignments (Lawrence, 2004) and improves the learning process (Regueras et al., 2009). QUESTOURnament is a telematic tool integrated into the elearning platform Moodle that allows teachers to organize dynamic contests in any knowledge domain (Regueras et al., 2009). Students compete for getting the highest marks and being at the top in the ranking. They must solve exercises (known as challenges in QUESTOURnament) within a time limit and as soon as possible, since the scoring function varies with time. The competitive nature of QUESTOURnament motivates students but also can provoke stress and discouragement in the worst classified students. To assign the adequate opponents and questions to a student may be an effective strategy to reduce these negative effects (Wu et al., 2007). Therefore the system should group students by knowledge level so that students with similar skills compete together and answer questions with a difficulty level suitable for them. In this context, it is very important to correctly classify questions by difficulty level. However, it is difficult for teachers to accurately estimate the difficulty level according to the students’ level of competence (Watering & Rijt, 2006). Experience helps teachers to better estimate the difficulty level of the questions, but even senior teachers sometimes fail and have to rectify when they analyze the answers given by their students. An automatic estimation system could be the basis for an effective adaptation process. A lot of systems that automatically estimate the difficulty level of items can be found in the literature (Burghof, 2001; Cheng, Shen, & Basu, 2008; Jong, Chan, Wu, & Lin, 2006; Lee, 1996; Wauters et al., 2010). However, the variety in the nature of the application environments makes difficult to apply the existing solutions directly to other applications. Therefore, a specific solution has been designed in order to turn the competitive e-learning system QUESTOURnament into an intelligent system. The objective is to make learning more effective and to mitigate some of the practical drawbacks of competitive learning. This paper discusses the validity of an expert system that automatically estimates the difficulty level of the questions posed in the QUESTOURnament competitive learning system. Section 2 introduces the major issues about teachers’ perception of difficulty and summarizes the search towards the solution. The expert system is described in Section 3. Section 4 starts with a description of the experiment developed in order to validate the system. Next, a study that analyzes the accuracy of the estimations of difficulty obtained by the intelligent system is presented. Finally, the main conclusions are stated.

$$en!!