<br />

مدل بندی کاربر و دانش آموز یک مکانیزم اصولی برای کسب تعامل انفرادی بین سیستم های رایانه ای و انسان ها است. معمولاً مستلزم مدل بندی موارد مرتبط با کاربر مانند اهداف، برنامه ها، ترجیحات، عقاید، دانش یا اعتقادات می باشد. طبق بررسی پیوا [8] دشوارترین وظیفه در این مدل بندی، تعبیر اطلاعات جمع آوری شده در مدت تعامل به منظور تولید فرضیه هایی درباره کاربران و رفتار دانش آموزان بوده که معمولا دارای عدم اطمینان می باشند. شبکه های عصبی به منظور افزودن یادگیری در مدل های کاربر مورد استفاده قرار گرفته و از نماهای موجود کاربر نتیجه گیری هایی را نمایش می دهد. وان لن و همکاران [14] مدل¬بندی دانش آموزان را فرآیندی از ایجاد و حفظ مدل های دانش آموزی نامیدند و آن را به دو مؤلفه متفاوت اما به شدت در هم بافته تقسیم نمودند:

 مدل دانش آموزی ساده ترین شکل یک ساختار اطلاعاتی است که اطلاعات مربوط به دانش آموز را ذخیره کرده است.
 مدل تشخیصی، فرآیند تشخیص را انجام می دهد که مدل دانش آموزی را به روز رسانی کرده است.

مدل های دانش آموزی مشخصه های متمایز کننده ای از هوش مصنوعی هستند که بر اساس سیستم های آموزشی رایانه ایجاد شده اند. یک محیط یادگیری هوشمند ( ILE) یک نوع جدید از سیستم آموزش مبتنی برکامپیوتر در هوش مصنوعی است که دانش آموز توانایی یادگیری در این محیط را دارد. یک مدل دانش آموزی به سیستم توانایی داده است تا رفتار و تصمیمهای آموزشی خود را با آنچه دانش آموز استفاده می کند سازگار نماید. [4] به طور ایده آل یک مدل دانش آموزی باید شامل تمامی جنبه های رفتار و علم دانش آموزان باشد که عکس العملهایی بر کارایی و یادگیری آنها دارند. استنباط یک مدل دانش آموزی “تشخیص” نامیده می شود چرا که بسیار شبیه تشخیص بیماری در پزشکی است، همانطور که استنباط یک وضعیت فیزیولوژیکی مخفی از علائم قابل مشاهده، نوع بیماری را شناسایی می کند، محیط یادگیری هوشمند هم خصوصیات و ویژگیهای مخفی دانش آموز را آشکار می نماید، رفتار دانش آموز توسط مراجعه معلم به یک پاسخ قابل مشاهده دانش آموز نسبت به یک محرک ویژه (ورودی اولیه سیستم مدلسازی دانش آموز) در یک دامنه ی مشخص بدست می آید، ورودی می تواند یک عمل یا نتیجه عمل باشد و همچنین می تواند شامل نتایج میانی باشد. از این ورودی، واحد تشخیص باید یک رفتار غیرقابل مشاهده را استنباط نماید. با بررسیهای سلف و همکاران [14] واضح است که با اطلاعات کم جهت ارزیابی، وظیفه تشخیص رفتار، دشوارتر خواهد شد و باعث شده مدارک درباره ی رفتار یک دانش آموز که توسط ورودیهای دانش آموز به یک محیط یادگیری هوشمند فراهم شده کافی نباشد و فرآیند مدلسازی دانش آموزی دشوار گردد. رویکرد دیگر برای اداره و کنترل عدم قطعیت در رفتار دانش آموز و رسیدن به یک توصیف انسانی از دانش، استفاده از منطق فازی است، روشهای منطق فازی در مدلسازی کاربر و دانش آموز پیشنهاد شده اند. [10] درصورتیکه یک سیستم مدلسازی کاربر و دانش آموز رویکرد منطق فازی را بپذیرد استدلالش ممکن است به ویژه برای طراحان و کاربران برای درک یا اصلاح ساده شود. منطق فازی به عنوان یک روش آسان، روشی که انسان آموزش می بیند پیشنهاد شده که ممکن است یک دانش آموز را ارزیابی نماید و تصمیمهای آموزشی را که مشخص و واضح نیستند کنترل کند. دراین راستا تلاشهای متعدد دیگر برای مدلسازی دانش دانش آموز، وضعیتهای روحی و پیشرفت درسی و همچنین قابلیتهای شناختی و خصوصیات شخصی پیشنهاد شده اند. شبکه های عصبی نیز در مدلسازی دانش آموزی برحسب تواناییهایشان برای یادگیری و تشخیص رفتار دانش آموزان پیشنهاد شده اند. این دانش تعمیم داده شده می تواند برای شناخت رفتارهای ناشناخته استفاده شود. یک مشکل که هنگام تلاش در بکار بردن یک شبکه عصبی در مدلسازی رفتار انسان رخ می دهد ارائه دانش است. یک رویکرد شبکه عصبی که درآن هرگره و اتصال معنای نمادین دارد و به کمک الگوریتمی به نام الگوریتم پس انتشار می توان خطاهایی را که در فرآیند تشخیص وجود دارد را شناسایی و به حداقل رساند. [5]
1-2- بیان مساله
یکی از مشکلات مدل بندی کاربر و دانش آموز در سیستم آموزش هوشمند عدم تشخیص رفتار و ویژگی های غیر قابل مشاهده (مانند انگیزه و … ) دانش آموزان می باشد. مدل عصبی- فازی توانایی حل این مشکل را به خوبی دارد، با تبدیل پارامترهای فازی به شبکه های عصبی و سپس به کاربردن یک فرآیند یادگیری با استفاده از داده های یادگیری یک مدل بهبودیافته ای را ایجاد می نماید همچنین می تواند خطاهای موجود در قضاوت معلمین را شناسایی و آنها را به حداقل برساند. در مدل عصبی-فازی برنامه هایی مانند Matlab استفاده می شود که نتایج بدست آمده را به یک مدل بهبود یافته تبدیل می نماید.

مطلب مرتبط :   فقه، احکام، نظامهای، فقهی، تمدن، حقوقی

1-3- اهمیت و ضرورت تحقیق

ژانگ [10] مدل یادگیرنده را به صورت مدلی که مجموعه اطلاعات مهمی در ارتباط با یادگیرنده به طور ضمنی یا صریح فراهم مینماید، تعریف نمود. از مهمترین مسائل در سیستمهای آموزشی تطبیق پذیر میتوان به میزان اهمیت دقت مدلسازی یادگیرنده که موجب افزایش دقت تطبیق پذیری و ایجاد انگیزه میگردد، اشاره نمود. در این مدل، یادگیرنده میتواند در صورتی که اشتباهی در مدل خود رویت نمود با سیستم درباره آن مذاکره، و موجب افزایش دقت مدل او گردد. جیمسون [10] صفت عدم قطعیت در همه زمینه‌ها را جهت مطالعه، طراحی، و کنترل بررسی نمود. به عنوان مثال مفاهیم نادقیق بسیاری در پیرامون ما وجود دارند که آن‌ها را به صورت روزمره در قالب عبارت‌های مختلف بیان می‌کنیم. مانند «هوا خوب است.» هیچ کمیتی برای خوب بودن هوا مطرح نیست تا آن را بطور دقیق اندازه‌گیری نماییم، بلکه این یک حس کیفی است. منطق فازی فناوری جدیدی است که شیوه‌هایی را که برای طراحی و مدل سازی یک سیستم نیازمند ریاضیات پیچیده و پیشرفته‌است، با استفاده از مقادیر زبانی و دانش فرد خبره جایگزین می‌سازد. آن جا که ذهن ما با منطق دیگری کارهایش را انجام می‌دهد و تصمیماتش را اتّخاذ می‌کند، جهت شروع، ایجاد و ابداع منطق‌های تازه و چندارزشی مورد نیاز است که منطق فازی یکی از آن‌ها می‌باشد. روآن [16] به منظور استخراج دانش گردآوری شده از یک شبکه فازی عصبی در شبکه سه لایه ای خود استفاده نمود. ساختار چند لایه ای خاص بوسیله یک الگوریتم سلسله ای یاد گرفته می شود. در لایه میانی سه نوع نورون وجود دارد که با یکدیگر تشکیل گروه داده اند. یک گروه از نورونهای توان تابع or و یک گروه دیگر فقط عمل and را انجام می دهد. از آنجائیکه ممکن است قواعد نامشخصی وجود داشته باشد، گروه سومی از نورونها وجود دارند که دارای ورودی های منفرد و خروجیهای منفرد هستند. خروجی نورون به آسانی همانند یک عمل or بر روی تمامی نورونهای میانی عمل می کند. به عبارت ساده تر شبکه کاملا بهم متصل شده درونی نشاندهنده تمامی توابع منطقی احتمالی از منطق or است. در حین پروسه یادگیری تمامی اتصلاات زیر یک محدوده خاص محدود می شوند . ما به طور مشخص این قواعد را بعد از یادگیری جدا می کنیم. ماگولاس [10] بیان نمود که خطا در آخرین لایه قابل مشاهده است و برای به روز کردن وزنهای نود ها در دیگر لایه ها، خطای قابل مشاهده وجود ندارد. ایده آن است که خطای این لایه ها با استفاده از خطای لایه آخر تخمین زده شود این خطای محاسبه شده از لایه آخر به لایه های قبلی انتشار می یابد.هدف پیدا کردن ترکیب بهینه ای از وزن ها در لایه های مختلف شبکه است که با الگوریتم های مربوط به بهینه سازی صورت می گیرد. دانش آموزان و به روز رسانی مدل دانش آموزی در محیط های هوشمند یادگیری تعریف نمود.این محققین در مقاله خود از یک محیط یادگیری-اکتشافی که به صورت نرم افزار شبیه سازی شده کارگاه مکانیک بود، جهت یادگیری مفاهیم مشکل ریاضی و فیزیک مقطع دبیرستان استفاده نمودند و این امکان را به متخصصین داد تا یک تصمیم گیری نهایی از رفتار غیرقابل مشاهده دانش آموزان با مدل عصبی-فازی بدست آورند.

1-4- فرضیه ها
1. افزودن منطق فازی باعث درک بهتر تصمیمات معلمین و متخصصین می گردد.
2. در تصمیمات استنباط شده معلمین و متخصصین در سیستم آموزش هوشمند خطا وجود دارد.
3.در سیستم آموزش هوشمند موجود نحوه آموزش مفاهیم و مطالب درسی با ابهام صورت می گیرد.
1-5- اهداف انجام تحقیق
1. پردازش مدل عصبی- فازی در محیط هوشمند کمک می کند تا مدرس تشخیص صحیحی داشته باشد.
2. شبکه عصبی جهت خطا گیری در تشخیص و قضاوت متخصصین استفاده می شود.
3. با استفاده از نرم افزار های مربوط به عصبی-فازی مانندMatlab می توان یک مدل بهبود یافته ای ایجاد نمود.

1-6- محاسبه با لغات
منطق فازی نقش مهمی در روش شناسی محاسبه با لغات دارد. محاسبه با لغات به عنوان شاخه ای از منطق فازی است، انسانها بیشتر مواقع لغات را در محاسبه و استدلال به کار می برند تا به نتایجی برسند چرا که لغات با توجه به فرضیه ها به زبان طبیعی بیان می شوند. مفهوم محاسبه با لغات در بررسی متعدد زاده ، یک متغیر زبانی و دانه دانه سازی معرفی شده است. یعنی یک قید فازی و تکثیر قید فازی است، بنابراین کاربرد منطق فازی در ارائه مفهوم و در معانی آزمایش- امتیاز است. یک جنبه کلیدی محاسبه با لغات این است که شامل ترکیبی از زبانهای طبیعی و محاسبه با متغیرهای فازی است. این ترکیب است که منجر به تکامل این نوع محاسبات شده و در زمینه تشخیص رفتار و نوع یادگیری دانش آموز، ارزیابی را راحت تر و آسان تر نموده است.
1-7- آموزش مجازی
هنگام بدست آمدن داده های بسیار زیاد، پردازش و ارزیابی دستی این داده ها امکانپذیر نیست، به علاوه ارزیابی و پردازش یادگیری دانش آموز باید سطح پیشرفت یادگیری تعریف شده توسط سازنده را مشخص کند و این بسیار پیچیده است. این واقعیتی است که برای ارزیابی باید تا حد ممکن سریع باشیم پس این مانع دیگری برای پردازش دستی داده است. برای حل این مشکل از ترکیب سیستم آموزش مجازی به صورت شبیه سازی شده با سیستم متخصص استفاده می شود، که ارزیابی، به صورت خودکار و بر اساس زبان طبیعی تولید می شود. برای رسیدن به این هدف بر اساس بررسی به عمل آمده، مدلی به نام مدل دانه دانه زبان شناسی عمومی ارزیابی یادگیری طراحی شده است. بر اساس این طرح، ارزیابی یادگیری “الگوریتم دیجکسترا” و “الگوریتم گراف” به صورت شبیه سازی شده مدل سازی می شوند، که پس از اجرای این مدل، گزارشی جهت نمایش سطح پیشرفت یادگیرنده با زبان طبیعی تولید می شود.

مطلب مرتبط :   معماری، مصالح، توسط:، راهکارهایی، عایق، تقلیل

1-8- سیستم آموزش هوشمند
سیستم آموزش هوشمند، با استفاده از تکنیک های هوش مصنوعی دانشی درباره ی دامنه و دانش آموز ارائه و پردازش نموده و جهت اجرا از مولفه هایی در حیطه تخصص، مدل دانش آموزی، ترفندهای ارتباطی یا تخصص آموزشی دانش آموزان استفاده می کند. در عمل رقابت های مدل دانش آموزی شامل اهداف و برنامه ریزی ها، قابلیت ها، عقاید، نظریات و علم یاد گیرنده است و به عنوان ابزاری برای تطبیق رفتار تک تک دانش آموزان در محیط یادگیری هوشمند مورد استفاده قرار گرفته است.[4] مدل فرآیند تشخیصی که مورد بررسی قرار گرفته است، قصد دارد تا رفتار دانش آموز را بر اساس تخصص معلم روی دانش آموزان تشخیص دهد. یکی از مشکلات مدل بندی کاربر و دانش آموز در سیستم آموزش هوشمند، عدم تشخیص رفتار و ویژگی های غیر قابل مشاهده دانش آموزان می باشد که این مشکل را با مدل عصبی- فازی حل می نماید، [5] با تبدیل پارامترهای فازی به شبکه عصبی و سپس به کاربردن یک فرآیند یادگیری با استفاده از داده های یادگیری یک مدل بهبود یافته ای را ایجاد نموده و همچنین می توان خطاهای موجود در قضاوت معلمین را شناسایی و آنها را به حداقل رساند. مدل فازی – عصبی هدفش ارزیابی مشخصه های یادگیری دانش آموزان هم چون قابلیت ها، عقاید، سطح علمی، انگیزه و سبک یادگیری است.
اخیراً محققان تلاش کرده اند تا سازه هایی را که معلمان برای طبقه بندی و تمایز میان حالات مختلف دانش آموزان استفاده می کنند را تشخیص دهند و نتایج آنها بر اساس این فرض بوده است که در مدت آموزش معلم متخصص شواهدی را جمع آوری کرده است و عقاید نسبتاً عامی را از نوع آموزش شکل داده که ممکن است برای هر دانش آموزی مؤثرتر واقع شود. با توجه به این یافته ها تمامی معلمین دانش آموزان را از لحاظ دو بعد بنیادین که به طور مشابهی تعریف شده اند قضاوت و طبقه بندی نمودند: انگیزه و توانایی ذهنی. منطق فازی می تواند یک حالت استنباط کیفی را فراهم کرده که به تصمیم گیری انسان نزدیک تر است چرا که عدم دقت و ابهامات را با ترکیب حقایق فازی و روابط فازی کنترل کرده، شبکه عصبی روش راحتی را برای بدست آوردن قابلیت تطبیق فرآیند تشخیص برای استنباط و قضاوت های ذهنی معلم فراهم آورده است. بنابراین اجرای عصبی ـ فازی به سیستم کمک نموده که هم دانش ساختار دهی شده و ساختار دهی نشده کدگذاری شود. در مدل عصبی- فازی برنامه هایی مانند Matlab استفاده می شود که نتایج بدست آمده را به یک مدل بهبود یافته تبدیل کرده است. منطق فازی دارای قابلیت درک آسانتر بوده و یا تغییر آن آسان است، توصیفات انسان گونه ای از دانش را فراهم می آورد و یک سبک انسانی از استدلال با مفاهیم مبهم را تقلید می کند، استخراج دانش از