پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,573 |
| تعداد مقالات | 71,037 |
| تعداد مشاهده مقاله | 125,513,794 |
| تعداد دریافت فایل اصل مقاله | 98,775,520 |
تطبیق محتوای درسی زبان انگلیسی با ترجیحات یادگیرنده در نظام‌های آموزش الکترونیکی بر اساس الگوریتم ممتیک | ||
| پژوهشهای زبانی | ||
| دوره 15، شماره 2 - شماره پیاپی 26، دی 1403، صفحه 125-156 اصل مقاله (1015.02 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jolr.2024.379570.666890 | ||
| نویسندگان | ||
| منصوره دلارامی فر* 1؛ طیبه سرگزی مقدم2 | ||
| 1استادیار گروه آموزش زبان انگلیسی، دانشگاه فرهنگیان. تهران، ایران | ||
| 2گروه علوم کامپیوتر، دانشگاه سیستان و بلوچستان، سیستان و بلوچستان، ایران. | ||
| چکیده | ||
| امروزه فناوری اطلاعات و ارتباطات بخش جدایی‌ناپذیر از زندگی بشر است. یکی از زمینه‌هایی که سهم عمده‌ای از این فناوری را به خود اختصاص می‌دهد یادگیری است؛ به نحوی که استفاده از فناوری‌های اطلاعات و ارتباطات در این زمینه منجر به ظهور حیطه نوینی تحت عنوان یادگیری الکترونیکی یا آموزش الکترونیکی به معنی بهره‌گیری از نظام‌های الکترونیکی مانند کامپیوتر، اینترنت، دیسک‌های آموزش الکترونیکی جهت آموزش است. از این رو، ارتقاء نظام‌های یادگیری الکترونیکی اهمیت ویژه‌ای می‌یابد؛ بنابراین، پژوهش حاضر بر آن است که با به‌کارگیری فن‌های هوش مصنوعی، روشی کارآمد جهت فراهم‌سازی مناسب‌ترین محتوای آموزشی زبان انگلیسی برای یادگیرنده را از طریق کشف علایق و ترجیحات وی معرفی نماید. پژوهش حاضر از یک چارچوب تصمیم‌گیری با بهره‌برداری از الگوریتم بهینه‌سازی ممتیک جهت استخراج مناسب‌ترین تطبیق بین مسیرها و فعالیت‌های یادگیری در دسترس استفاده کرده است. همچنین، با استفاده از یک فرمول خطی و تعیین فاکتورهای شخصی از قبیل میزان دانش یادگیرنده و ترجیحات وی بهینه‌ترین پاسخ ممکن که همان بهترین تصمیم سیستم برای یادگیری هر فرد است، ارائه داده است. فریم‌ورک آموزشی به‌دست آمده بر روی تعداد 40 دانش‌آموز 12-15 سال آزمایش گردید. در این آزمایش، یک گروه کنترل شامل 20 نفر و یک گروه آزمایش شامل 20 نفر در نظر گرفته شد و فریم ورک در اختیار گروه آزمایش قرار گرفت و گروه کنترل با استفاده از روش‌های سنتی از قبیل کتاب به یادگیری پرداختند. در تحلیل داده‌ها از نرم‌افزار SPSS استفاده گردید. همچنین، در جلسه آخر کلاس با استفاده از یک نظرسنجی از گروه آزمایش مواردی از قبیل علاقه‌مندی افراد به یادگیری الکترونیکی، تمایل به استمرار کلاس، نیاز به زمان استراحت بیشتر و تمایل به ادامه یادگیری زبان انگلیسی از این طریق مورد بررسی قرار گرفت. یافته‌ها نشان دادند که میانگین نمره پس‌آزمون گروه کنترل پس از آموزش از طریق محتوای درسی کتاب محور 14,8750 و میانگین نمره پس‌آزمون گروه آزمایش که با در نظر گرفتن ترجیحات یادگیرنده و با استفاده از محتوای متنوع آموزش دیده بودند 16,7500 بوده است. در حالی‌که میانگین نمره پیش‌آزمون این دو گروه 10,2250 و 10,8000 است که تقریباً نزدیک به یکدیگر قرار داشته است. همچنین، انحراف معیار پس‌آزمون نزدیک به صفر است که نمایانگر پراکندگی اندک داده‌ها است. از سوی دیگر، بررسی سطح معناداری حاکی از این است که استفاده از برنامه آموزشی الکترونیکی بر اساس ترجیحات یادگیرنده دارای تأثیر معنادار (p < 0.05) بر گروه آزمایش بوده است و در نتیجه اشاره به تأثیر بیشتر آموزش الکترونیکی با در نظر گرفتن ترجیحات یادگیرنده نسبت به یادگیری سنتی افراد دارد. با توجه به تأثیر بیشتر آموزش الکترونیکی با استفاده از الگوریتم ممتیک، یادگیری افراد هنگامی‌که از آنها در ارتباط با علایق و ترجیحاتشان سؤال می‌شود و بر اساس آن به آموزش می‌پردازند، افزایش می‌یابد و فرد با محتوای شخصی‌سازی‌شده نتیجه بهتری در پایان دوره آموزش به‌دست خواهد آورد. در نتیجه، استفاده از الگوریتم ممتیک در یادگیری الکترونیکی باعث بهینه‌سازی نمرات یادگیرندگان خواهد شد | ||
| کلیدواژه‌ها | ||
| الگوریتم ممتیک؛ ترجیحات یادگیرنده؛ الگوریتم فازی؛ هوش مصنوعی؛ آموزش الکترونیکی | ||
| عنوان مقاله [English] | ||
| Matching Course Content with Learner Preferences in E-learning Systems Based on the Memetic Algorithm | ||
| نویسندگان [English] | ||
| Mansoureh Delaramifar1؛ Tayebeh Sargazi Moghadam2 | ||
| 1teaching English language department, Farhangian University, Tehran, Iran | ||
| 2Department of Computer Science, University of Sistan and Baluchestan, Sistan and Baluchestan, Iran | ||
| چکیده [English] | ||
| Since, due to the advancement of technology, mankind solves many of its educational needs, such as learning foreign languages, through electronic education, upgrading electronic learning systems with educational infrastructure become very important. Therefore, this research aims to introduce an efficient method to provide the most appropriate educational content for the learner by discovering her interests and preferences and adapting it to educational and cultural issues by using artificial intelligence techniques. In this regard, The present study uses a decision-making framework using a Memetic optimization algorithm to extract the best match between available learning paths and activities. It also provides the best possible response, which is the system's best decision for each individual's learning, using a linear formula and determining personal factors such as the learner's knowledge level and preferences. The resulting educational framework was tested on 40 students, 12-15 year old. In this experiment, a control group of 20 and an experimental group of 20 were considered, and the framework was given to the experimental group and the control group learned using traditional methods such as books. SPSS software was used for data analysis. In addition, in the last class session, a survey was used to examine the experimental group on issues such as interest in e-learning, willingness to continue the class, need for more breaks, and willingness to continue learning English in this way. The findings showed that the average post-test score of the control group after training through textbook-based content was 14.8750 and the average post-test score of the experimental group that was trained with diverse content considering the learner's preferences was 16.7500. On the other hand, the significance level test indicates that the use of an e-learning program based on learner preferences had a significant (p < 0.05) effect on the experimental group, and as a result, it refers to the greater effect of e-learning with considering learner preferences compared to traditional learning.The final achievement was evaluated using multi-part software plugins from the point of view of flexibility, efficiency and interoperability through user satisfaction testing. Considering that more than seventy percent of users were satisfied with the learning efficiency and flexibility of the system, the results indicate that the system's output will have a more favorable effect on individual learning | ||
| کلیدواژه‌ها [English] | ||
| Memetic algorithm, E-Learning, cultural and educational knowledge, learner preferences | ||
| مراجع | ||
|
هوشیار امیری، مهری و داریوش نوروزی (1394). تأثیر استفاده از تصاویر آموزشی در حین تدریس بر رشد هوش فضایی دانش‌آموزان، همایش پژوهشهای نوین در علوم انسانی، تهران، مرکز همایش‌های بین‌المللی صداوسیما.
بریهی، فاطمه (1397). تصویر و آموزش الکترونیک. کنفرانس ملی دستاوردهای نوین جهان در تعلیم و تربیت، روانشناسی، حقوق و مطالعات فرهنگی اجتماعی، خوی، دانشگاه آزاد اسلامی.
سراجی ، فرهاد و محمد عطاران (1391). یادگیری الکترونیکی، همدان، دانشگاه بوعلی همدان.
سرگزی مقدم، طیبه و امین راحتی (1392). کاربرد الگوریتم ممتیک و نظام‌های فازی برای تولید آموزش الکترونیکی بر پایه وب 2، پنجمین کنفرانس ملی مهندسی برق و الکترونیک، گناباد، دانشگاه آزاد اسلامی.
ذوالفقاری، فاطمه و امین راحتی (1393). کاربرد درس الکترونیکی سازگار با سبک‌های یادگیری دانش‌آموزان با الگوی ممتیک، نشریه علمی پژوهشی فناوری آموزش، جلد9 ، شمارۀ 2. https://doi.org/10.22061/tej.2014.248 Acampora, G., Loia, V. and Gaeta, M., 2010. Exploring e-learning knowledge through ontological memetic agents. IEEE Computational Intelligence Magazine, 5(2), pp.66-77. DOI: 10.1109/MCI.2010.936306 Adanır, A. G., İsmailova, R., Omuraliev, A. and Muhametjanova, G., 2020. Learners’ perceptions of online exams: A comparative study in Turkey and Kyrgyzstan. International Review of Research in Open and Distributed Learning, 21(3), pp.1-17. https: // doi. org/ 10. 1177/ 2042753019899713 Altuwairqi, K., Jarraya, S.K., Allinjawi, A. and Hammami, M., 2021. A new emotion–based affective model to detect student’s engagement. Journal of King Saud University-Computer and Information Sciences, 33(1), pp.99-109. DOI: 10.1016/j.jksuci.2018.12.008 Bahreini, K., Nadolski, R. and Westera, W., 2016. Towards multimodal emotion recognition in e-learning environments. Interactive Learning Environments, 24(3), pp.590-605. DOI 10.1080/10494820.2014.908927 Bereyhi, F. 2018. Image and E-learning. The National Conference on New World Achievements in Education, Psychology, Law and Social-Cultural Studies. Khoy. [In Persian] Boticario, J.G. and Santos, O.C., 2007. An Open IMS-based user modelling approach for developing adaptive learning management systems. Journal of Interactive Media in Education. DOI:10.5334/2007-2 Darling, L., 2002. Your ELearning Strategy: Make sure it's learning for results. Training, 39(3), p.2. https://doi.org/10.4018/978-1-5225-1013-0.ch009 Ebner, M., 2007. E-Learning 2.0= e-Learning 1.0+ Web 2.0? In The Second International Conference on Availability, Reliability and Security (ARES'07) (pp. 1235-1239). IEEE. DOI: 10.1109/ARES.2007.74 Fernández, A. and Herrera, F., 2012. Linguistic fuzzy rules in data mining: follow-up mamdani fuzzy modeling principle. Combining Experimentation and Theory: A Hommage to Abe Mamdani, pp.103-122. Hinton, G.E. and Salakhutdinov, R.R., 2006. Reducing the dimensionality of data with neural networks. science, 313(5786), pp.504-507. DOI: 10.1126/science.1127647 Hooshyar Amiri, Mehri, Norouzi Daryoosh, Zarei Esmaeel. 2015. The effect of using educational images during teaching on the development of students' spatial intelligence. Conference of new researches in humanities. Tehran: Center for International Broadcasting Conferences. [In Persian] Huang, M., Xu, G. and Li, H., 2023. Construction of personalized learning service system based on deep learning and knowledge graph. Applied Mathematics and Nonlinear Sciences, 9(1).: 10.2478/amns.2023.2.01683 Huang, G.B., Zhu, Q.Y. and Siew, C.K., 2006. Extreme learning machine: theory and applications. Neurocomputing, 70(1-3),pp.489-501. https : // doi. Org /10.1016/j.neucom.2005.12.126 Kort, B., Reilly, R. and Picard, R.W., 2001, May. External representation of learning process and domain knowledge: Affective state as a determinate of its structure and function. In Workshop on Artificial Intelligence in Education (AI-ED 2001), San Antonio,(May 2001) (pp. 64-69). Krarup Jakob.R.A.R. and Pruzan, P.M., 1983. The simple plant location problem: Survey and synthesis. European journal of operational research, 12(36-81), p.41. 10.1016/0377-2217(83)90181-9 Lee, C.S., Wang, M.H. and Chen, J.J., 2008. Ontology-based intelligent decision support agent for CMMI project monitoring and control. International Journal of Approximate Reasoning, 48(1), pp.62-76. DOI: 10.1016/j.ijar.2007.06.007 Lee, C.S., Jian, Z.W. and Huang, L.K., 2005. A fuzzy ontology and its application to news summarization. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 35(5), pp.859-880. DOI: 10. 1109 /TSMCB.2005.845032 Lim, D., Ong, Y.S., Jin, Y., Sendhoff, B. and Lee, B.S., 2007. Efficient hierarchical parallel genetic algorithms using grid computing. Future Generation Computer Systems, 23(4), pp.658-670. DOI : 10. 1016 /j.future.2006.10.008 Martin, E. and Carro, R.M., 2009. Supporting the development of mobile adaptive learning environments: A case study. IEEE Transactions on Learning Technologies, 2(1), pp.23-36. DOI: 10.1109/TLT.2008.24 Megahed, M. and Mohammed, A., 2020. Modeling adaptive E-learning environment using facial expressions and fuzzy logic. Expert Systems with Applications, 157, p.113460. https: // doi. org/ 10. 1016/ j.eswa. 2020.113460 Miao, M., Wu, J., Cai, F. and Wang, Y.G., 2022. A modified memetic algorithm with an application to gene selection in a sheep body weight study. Animals, 12(2), p.201. DOI: 10.3390/ani12020201 Murugesan, S., 2007. Understanding Web 2.0. IT professional, 9(4), pp.34-41. DOI: 10.1109/MITP.2007.78 Neri, F., Cotta, C. and Moscato, P. eds., 2011. Handbook of memetic algorithms (Vol. 379). Springer. https: // doi. Org / 10.1007/978-3-642-23247-3 Oguzor, N.S., Nosike, A.N. and Opara, J.A., 2011. Information Technology (IT) and the learning society: growth and challenges. Educational Research and Reviews, 6(4), pp.342-346. O’Regan, K. (2003). Emotion and E-Learning. Journal of Asynchronous Learning Networks,7(3), 78–92. https://doi.org/10.24059/olj.v7i3.1847 Pastore, R., 2002. Elearning in education: An overview. In Society for Information Technology & Teacher Education International Conference (pp. 275-276). Association for the Advancement of Computing in Education (AACE). https://www.learntechlib.org/p/10519 Sargazi Moghadam, T, Rahati, 2012. A. Application of memetic algorithm and fuzzy systems to produce web-based e-learning 2. 4th Iranian Conference on Electrical and Electronics Engineering. Gonabad. Iran, [In Persian] Sargazi Moghadam, T., Darejeh, A., Delaramifar, M. and Mashayekh, S., 2023. Toward an artificial intelligence-based decision framework for developing adaptive e-learning systems to impact learners’ emotions. Interactive Learning Environments, pp.1-21. DOI: 10. 1080/ 10494820.2023.2188398 Seraji, F., Ataran, M. 2012. E-Learning. Hamadan: Bu Ali University [In Persian] Shabha, G., 2000. Virtual universities in the third millennium: an assessment of the implications of teleworking on university buildings and space planning. Facilities, 18(5/6), pp.235-244. DOI: 10. 1108 / 0263 277 001 032 8108 Shrestha, S. and Pokharel, M., 2021. Determining learning style preferences of learners. Journal of Computer Science Research, 3(1), pp.33-43. DOI:10.30564/jcsr.v3i1.2761 Singh, G., O'Donoghue, J. and Worton, H., 2005. A study into the effects of elearning on higher education. Journal of university teaching & learning practice, 2(1), pp.16-27. https://doi.org/10.53761/ 1.2.1.3 Tang, J., Lim, M.H., Ong, Y.S. and Er, M.J., 2006. Parallel memetic algorithm with selective local search for large scale quadratic assignment problems. International Journal of Innovative Computing, Information and Control, 2(6), pp.1399-1416. Turky, A., Sabar, N.R., Dunstall, S. and Song, A., 2020. Hyper-heuristic local search for combinatorial optimisation problems. Knowledge-Based Systems, 205, p.106264. DOI:10.1016/j.knosys.2020.106264 Wang, M. and Kang, M., 2006. Cybergogy for engaged learning: A framework for creating learner engagement through information and communication technology. Engaged learning with emerging technologies, pp.225-253. DOI: 10.13140/RG.2.2.11569.02408 Zhu, Z., Ong, Y.S. and Dash, M., 2007. Wrapper–filter feature selection algorithm using a memetic framework. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 37(1), pp.70-76. DOI: 10. 1109 / TSMCB.2006.883267 Zolfaghari, F. and Rahati, A., 2014. Electronic Lesson Application Compatible with the Learning Styles of Students With Memetic Pattern. Technology of Education Journal (TEJ), 9(1), pp.1-14. https: // doi. Org /10.22061/tej.2014.248 [In Persian] Zulkifli, S.F., Shiang, C.W., bin Khairuddin, M.A. and bt Jali, N., 2020. Modeling emotion oriented approach through agent-oriented approach. Int. J. Adv. Sci. Eng. Inf. Technol, 10(2), p.647â. DOI: http: // dx. doi. org/10.18517/ijaseit.10.2.10644 | ||
|
آمار تعداد مشاهده مقاله: 120 تعداد دریافت فایل اصل مقاله: 8 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب