Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô Hình Học Tập Cá Nhân Hóa Trong Hệ Thống E-Learning Sử Dụng Bản Đồ Nhận Thức Mờ Và Hệ Thống Suy Diễn Mờ
Tóm tắt
Mỗi người học có một phong cách học tập độc đáo, điều mà khiến người học tiếp thu dễ dàng hơn. Mục tiêu là cá nhân hóa trải nghiệm học tập cho từng người học trong môi trường học trực tuyến (e-learning). Vì vậy, việc chẩn đoán đầy đủ phong cách và hành vi học tập của người học là rất quan trọng để cung cấp các lộ trình học tập phù hợp và nội dung cá nhân hóa tự động theo lựa chọn của họ. Bài báo này đề xuất một số chiều mới của tính thích nghi như việc phát hiện phong cách học tập tự động và động, và cung cấp sự cá nhân hóa tương ứng. Nó có những lợi thế về độ chính xác và thời gian sử dụng. Đây là một phương pháp dựa trên tài liệu trong đó một mô hình học tích cực cá nhân hóa (PALM) được xây dựng. Mô hình người học được đề xuất này khai thác dữ liệu truy cập điều hướng của người học và tìm ra các mẫu hành vi của người học, từ đó cá nhân hóa từng người học và cung cấp sự cá nhân hóa phù hợp với phong cách học tập của họ trong quá trình học tập. Các bản đồ nhận thức mờ và hệ thống suy diễn mờ, những kỹ thuật tính toán mềm, đã được giới thiệu để triển khai PALM. Kết quả cho thấy hệ thống e-learning cá nhân hóa thích ứng tốt hơn và hứa hẹn hơn so với các hệ thống không thích ứng về lợi ích cho người học và cải thiện trong toàn bộ quá trình học tập. Do đó, việc cung cấp tính thích nghi theo nhu cầu của người học là một yếu tố quan trọng để nâng cao hiệu quả và tính hiệu quả của toàn bộ quá trình học tập.
Từ khóa
#mô hình học tập cá nhân hóa #hệ thống e-learning #bản đồ nhận thức mờ #hệ thống suy diễn mờ #cá nhân hóa học tậpTài liệu tham khảo
Siemens, G., Baker, R.S.J.D.: Current state of learning analytics and educational data mining. Educause Learning Initiative (ELI), pp. 1–38 (2013)
Ömer, Ş., Atman, N., Murat, M., Arikan, Y.D.: Diagnosis of learning styles based on active/reflective dimension of felder and silverman’ s learning style. ICCSA 2010, Part II, LNCS 6017, pp. 544–555. Springer, Berlin (2010)
Ross, T.J.: Fuzzy Logic with Engineering Applications. Wiley (2004). doi:10.1002/9781119994374
Surjono, H.D.: The design of adaptive e-learning system based on student’ s learning styles. Int. J. Comput. Sci. Inf. Technol. 2(5), 2350–2353 (2011)
Desmarais, M.C., Baker, R.S.J.D.: A review of recent advances in learner and skill modeling in intelligent learning environments. User Model. User-Adapt. Interact. 22(1–2), 9–38 (2012)
Premlatha, K.R., Geetha, T.V.: Learning content design and learner adaptation for adaptive e-learning environment: a survey. Artif. Intell. Rev. 44, 443–465 (2015)
Zhang, D., Nunamaker, J.F.: Powering e-Learning in the new millennium: an overview of e-learning and enabling technology. Inf. Syst. Front. 5(2), 207–218 (2003)
Herrera, F.: Data mining and soft computing. Int. J. Gen Syst 42(8), 892 (2013)
Millán, E., Brusilovsky, P.: User models for adaptive hypermedia and adaptive educational systems. In: Brusilovsky, P., Kobsa, A., Neidl, W. (eds.) The Adaptive Web: Methods and Strategies of Web Personalization, pp. 3–53 (2007)
Karagiannis, I., Satratzemi, M.: Comparing LMS and AEHS: challenges for improvement with exploitation of data mining. In: 2014 IEEE 14th IEEE International Conference on Advanced Learning, pp. 65–66 (2014)
Hawkes, L.W., Derry, S.J., Rundensteiner, E.A.: Individualized tutoring using an intelligent fuzzy temporal relational database. Int. J. Man Mach. Stud. 33(4), 409–429 (1990)
Jameson, A.: Numerical uncertainty management in user and student modeling: an overview of systems and issues. User Model. User-adapt. Interact. 5(3–4), 193–251 (1995)
Mohamad, F.S., Mumtazimah, M., Fadzli, S.A.: Integrating an e-learning model using IRT, felder- silverman and neural network approach. pp. 207–211 (2013)
Castro, F., Vellido, A., Nebot, A., Mugica, F.: Applying data mining techniques to e-learning problems\r. Stud. Comput. Intell. 62(2007), 183–221 (2007)
Verbert, K., Manouselis, N., Ochoa, X., Wolpers, M., Drachsler, H., Bosnic, I., Duval, E.: Context-aware recommender systems for learning: a survey and future challenges. IEEE Trans. Learn. Technol. 5(4), 318–335 (2012)
Saberi, N., Montazer, G.: A new approach for learners’ modeling in e-learning environment using LMS logs analysis. In: 2012 Third International Conference on E-Learning E-Teaching, pp. 25–33 (2012)
Tobergte, D.R., Curtis, S.: J. Chem. Inf. Model. 53(9), 1689–1699 (2013)
Botsios, S., Georgiou, D.: Recent adaptive E-learning contributions towards A ‘STANDARD Ready’ architecture. e-Learning, pp. 1–5. http://utopia.duth.gr/~dgeorg/PUBLICATIONS/53.pdf (2008)
Özyurt, Ö., Özyurt, H., Baki, A.: Design and development of an innovative individualized adaptive and intelligent e-learning system for teaching–learning of probability unit: details of UZWEBMAT. Expert Syst. Appl. 40(8), 2914–2940 (2013)
Özyurt, Ö., Özyurt, H.: Learning style based individualized adaptive e-learning environments: content analysis of the articles published from 2005 to 2014. Comput. Hum. Behav. 52, 349–358 (2015)
Moore, A.W.: Regression and classification with neural networks. J. Sci. 70(16–18), 2809–2816 (2003)
Dias, S.B., Hadjileontiadou, S.J., Hadjileontiadis, L.J., Diniz, J.A.: Fuzzy cognitive mapping of LMS users’ quality of interaction within higher education blended-learning environment. Expert Syst. Appl. 42(21), 7399–7423 (2015)
Mahajan, R.: Web usage mining for building an adaptive e-learning site: a case study. Int. J. e-Edu., e-Bus., e-Manag, e-Learn. 4(4), 283–291 (2014)
Romero, C., Ventura, S., Zafra, A., De Bra, P.: Applying web usage mining for personalizing hyperlinks in web-based adaptive educational systems. Comput. Educ. 53(3), 828–840 (2009)
Romero, C., Ventura, S.: Educational data mining: a review of the state of the art. IEEE Trans. Syst. Man, Cybern. Part C (Appli. Rev.) 40(6), 601–618 (2010)
Dascalu, M.-I., Bodea, C.-N., Moldoveanu, A., Mohora, A., Lytras, M., de Pablos, P.O.: A recommender agent based on learning styles for better virtual collaborative learning experiences. Comput. Hum. Behav. 45, 243–253 (2015)
Romero, C., Pechenizkiy, M., Calders, T., Viola, S.R.: In: International Workshop on Applying Data Mining in e-Learning (ADML’ 07) as Part of the Second European Conference on Technology Enhanced Learning (EC-TEL07) (2007)
Carmona, C., Castillo, G., Millán, E.: Designing a dynamic bayesian network for modeling students’ learning styles (2008). doi:10.1109/ICALT.2008.116
Graf, S., Viola, S.R., Leo, T.: In-depth analysis of the felder-silverman learning style dimensions. J. Res. Technol. Educ. 40(1), 79–93 (2007)
Truong, H.M.: Integrating learning styles and adaptive e-learning system: current developments, problems and opportunities. Comput. Human Behav. 55, 1185–1193 (2015). doi:10.1016/j.chb.2015.02.014
Felder, R., Silverman, L.: Learning and teaching styles in engineering education. Eng. Educ. 78(June), 674–681 (1988)
Carmona, C. Castillo, G., Millan, E.: Designing a dynamic bayesian network for modeling students’ learning styles. In: 2008 Eighth IEEE International Conference on Advanced Learning Technologies (2008)
Sweta, S., Lal, K.: Learner model for automatic detection of learning style using FCM in adaptive e-learning system. IOSR J. (IOSR J. Comput. Eng.) 18(2), 18–24 (2016)
“Kosko FCM.pdf.”
Papageorgiou, E.I., Salmeron, J.L.: A review of fuzzy cognitive maps research during the last decade. IEEE Trans. Fuzzy Syst. 21(1), 66–79 (2013)
Schiaffino, S., Garcia, P., Amandi, A.: eTeacher: providing personalized assistance to e-learning students. Comput. Educ. 51(4), 1744–1754 (2008)
Cha, H.J., Kim, Y.S., Park, S.H., Yoon, T.B., Jung, Y. M., Lee, J.-H.: Learning style diagnosis based on user interface behavior for the customization of learning interfaces in an intelligent tutoring system. In: 8th Int. Conf. Intell. Tutoring Syst. Lect. Notes Comput. Sci., vol. 4053, pp. 513–524 (2006)
Dung, P.Q., Florea, A.M.: An approach for detecting learning styles in learning management systems based on learners’ behaviours. In: 2012 Int. Conf. Educ. Manag. Innov., vol. 30, pp. 171–177 (2012)
Baldiris, S., Graf, S., Fabregat, R.: Dynamic user modeling and adaptation based on learning styles for supporting semi-automatic generation of ims learning design. In: 2011 IEEE 11th International Conference on Advanced Learning Technologies, pp. 218–220 (2011)
Brusilovsky, P.: KnowledgeTree: a distributed architecture for adaptive e-learning. In: Proceedings of the 13th international World Wide Web conference, pp. 104–113. ACM (2004). doi:10.1145/1013367.1013386
Elswick, S.E.: Effective data collection modalities utilized in monitoring the effects of the good behavior game: technology-based data collection versus hand collected data. Comput. Hum. Behav. 73, 158–169 (2012)
Kobsa, A.: Generic user modeling systems. Adapt. Web (LNCS 4321), pp. 136–154 (2007)
Georgiou, D.A., Botsios, S., Mitropoulou, V., Papaioannou, M., Schizas, C., Tsoulouhas, G.: Learning style recognition based on an adjustable three layer fuzzy cognitive map. JAISCR 1(4), 333–347 (2011)
Changing, T., Scene, A.: Introduction to Data Mining, pp. 1–48 (2004)
Stylios, C., Groumpos, P.: Mathematical formulation of fuzzy cognitive maps. In: Proc. 7th Mediterr., pp. 2251–2261 (1999)
Li, S.-J., Shen, R.-M.: Fuzzy cognitive map learning based on improved nonlinear Hebbian rule. In: Proc. 2004 Int. Conf. Mach. Learn. Cybern. (IEEE Cat. No.04EX826), vol. 4, pp. 256–268 (2004)
Romero, C., Ventura, S., García, E.: Data mining in course management systems: Moodle case study and tutorial. Comput. Educ. 51(1), 368–384 (2008). doi:10.1016/j.compedu.2007.05.016
Dung, P.Q., Florea, A.M.: An approach for detecting learning styles in learning management systems based on learners’ behaviours. In: 2012 Int. Conf. Educ. Manag. Innov. vol. 30, pp. 171–177 (2012)
Yang, J., Huang, Z.X., Gao, Y.X., Liu, H.T.: Dynamic learning style prediction method based on a pattern recognition technique. IEEE 7(2), 165–177 (2014)
Gray, S.A., Gray, S., Cox, L. J., Henly-Shepard, S.: Mental modeler: a fuzzy-logic cognitive mapping modeling tool for adaptive environmental management. In: Proc. Annu. Hawaii Int. Conf. Syst. Sci., pp. 965–973 (2013)
Sweta, S., Lal, K.: Adaptive and personalized intelligent learning interface (APIE-LMS) in e-learning system. Int. J. Appl. Eng. Res. 10(21), 42488–42492 (2015)