استفاده از داده كاوي آموزشي جهت گروه بندي يادگيرندگان در محيط يادگيري الكترونيكي به منظور شخصي سازي برنامه آموزش

Using Educational Data Mining for Grouping Learners in an E-Learning Environment for Customizing Learning Program

سامانه‌ هاي آموزشي شخصي‌سازي شده براي يادگيرندگان كارآيي بيشتري نسبت به سامانه‌ هاي سنتي دارند. يادگيري الكترونيكي نيز از اين قاعده مستثنا نيست و يكي از ملزومات آن وجود مكانيزمي شخصي‌شده براي كمك به يادگيري مؤثر يادگيرنده است. در سال‌هاي اخير از روش‌هاي داده‌كاوي به‌طور گسترده در زمينه‌ي بهبود كيفيت آموزش استفاده شده است. با استفاده از روش‌هاي داده‌كاوي مي‌توان شناخت بيشتري از يادگيرندگان در محيط يادگيري الكترونيكي بدست آورده و از آن در جهت دستيابي به يادگيري تطبيقي استفاده كرد. در اين مقاله مدلي به منظور گروه‌بندي يادگيرندگان براساس سبك يادگيري آن‌ها ارائه شده است. به اين ترتيب كه ابتدا با استفاده از پرسشنامه فلدر-سولومون ابعاد مختلف سبك يادگيري يادگيرندگان در قالب مدل فلدر-سيلورمن سنجيده و سپس با استفاده از الگوريتم k ميانگين به گروه‌بندي آن‌ها پرداخته شده است. در نهايت مدل ارائه شده به‌منظور برنامه‌ريزي بهتر آموزشي، در دوره‌اي واقعي مورد استفاده و ارزيابي قرار گرفته است. نتايج حاصل شده نشان از كارآيي مدل پيشنهادي دارند. در واقع، يادگيرندگان با استفاده از مدل پيشنهادي به موفقيت تحصيلي بالاتري دست يافتند و هم‌چنين دوره‌ي برگزار شده از جذابيت بيشتري برخوردار شد.

Customized learning systems have higher performance in comparison to traditional systems for learners. This is also true for electronic learning (E-learning). It is essential to have such customized mechanism for effective learning process. Recently, educational data mining methods are widely used in order to enhance the learning process. In fact, by using data mining techniques, it is possible to recognize learners and create a customized learning program in a better way. In this paper, a new model to cluster learners based on their learning style has been proposed. In this model, for learners, using Felder-Solomon questionnaire different dimensions of Felder and Silverman learning style are measured. Subsequently, using k-means clustering algorithm, the learners are categorized in different groups. In order to evaluate the model, it has been used and evaluated in a real learning program. Evaluation results show the effectiveness of the proposed model since the learners showed better educational performance. Moreover, the training process became more exciting for them.