سيستم پيشنهاددهنده مبتني بر اعتماد در محيط يادگيري الكترونيكي با استفاده از خوشه‌بندي فازي

پيشينه و اهداف: بسياري از سيستم هاي يادگيري مرسوم  مبتني بر داده‌هاي ايستا هستند و همه دانش‌آموزان را يكسان و مشابه در نظر مي‌گيرند. بنابراين نمي‌توانند پاسخگوي نيازها و سلايق متنوع آن ها باشند. مشكل اصلي آن ها، درنظر نگرفتن علاقه‌مندي‌ها و تعاملات پيشين كاربران است. سيستم هاي پيشنهاد‌دهنده يادگيري الكترونيكي با هدف غلبه بر اين مشكلات و پيشنهاد مناسب‌ترين دوره‌هاي آموزشي شخصي‌سازي‌شده به هر كاربر مطرح شده‌اند. هدف اين مقاله،ارائه يك سيستم پيشنهاد‌دهنده يادگيري الكترونيكي مبتني بر اعتماد با استفاده از خوشه‌بندي فازي با در نظر گرفتن تعاملات پيشين كاربران و تمايلات آن‌ها است. بدين منظور از كاوش قوانين انجمني وزن دار و پيش بيني رتبه براي توليد ليست كانديد دوره هاي آموزشي و رتبه بندي مجدد ليست كانديد براي توليد ليست نهايي استفاده شده است. روش‌ها‌: در اين مقاله يك روش جديد مبتني بر تركيب روابط اعتماد بين كاربران و شباهت علايق آن ها براي محاسبه ميزان تشابه كاربران در يك سيستم پيشنهاددهنده يادگيري الكترونيكي با هدف پيشنهاد دوره هاي آموزشي به كاربران ارائه‌ شده است كه از روش خوشه‌بندي فازي و قوانين انجمني وزن دار استفاده مي‌كند. در روش پيشنهادي بعد از بررسي شباهت ميان كاربران و ساخت ماتريس اعتماد، ادامه مراحل به دو فاز كلي تقسيم مي شود: فاز خوشه بندي كاربران و فاز توليد پيشنهاد دوره‌هاي آموزشي مناسب براي كاربر. فاز خوشه‌بندي شامل دو مرحله است كه در مرحله‌ اول با استفاده از الگوريتم XMeans، تعداد بهينه خوشه ها به‌دست مي‌آيد و در مرحله‌ دوم بر اساس تعداد خوشه هاي به‌دست‌آمده، خوشه‌بندي CMeans فازي انجام مي‌شود. در فاز ايجاد پيشنهاد براي كاربر، با استفاده از قوانين انجمني وزن دار و بر اساس خوشه‌هاي نهايي كه براي كاربران حاصل شده‌اند، رتبه‌ موردنظر كاربر هدف، براي هر آيتم آموزشي با توجه به همسايه هاي خوشه هاي كاربر پيش‌بيني مي‌شود. در نهايت بر اساس رتبه‌هاي پيش‌بيني‌شده، N آيتم آموزشي با رتبه‌ بالاتر به‌‌ عنوان آيتم‌هاي مورد علاقه‌ كاربر هدف به وي پيشنهاد مي‌شوند. يافته‌ها: پياده‌سازي و ارزيابي روش پيشنهادي بر روي مجموعه داده Moodle نشان مي‌دهد كه با كاهش دو معيار ميانگين خطاي مطلق و خطاي جذر ميانگين مربعات، دقت پيشنهاد‌هاي ارائه ‌شده با استفاده از روابط اعتماد افزايش يافته و نرخ پوشش كاربران و رتبه ها نيز با استفاده از خوشه‌بندي فازي و قوانين انجمني وزن دار نسبت به روش هاي موجود بهبود يافته است. اين نتايج حاصل استفاده از خوشه بندي فازي كاربران بر اساس علاقه مندي هاي و روابط اعتماد ميان آن ها است كه امكان عضويت هر كاربر را در چند خوشه با درجات عضويت مختلف، قرار مي دهد. علاوه بر اين، در استفاده از قوانين انجمني وزن‌دار، قوانين انجمني كه بيشترين مطابقت را با دوره هاي گذرانده شده توسط كاربر موردنظر دارند انتخاب مي شوند. امتيازگذاري انتخاب قوانين، نه تنها بر اساس ضريب اطمينان، بلكه بر اساس تركيبي از ضريب اطمينان و علاقه مندي هاي كاربر به دوره هاي آموزشي، محاسبه شود. نتيجه‌گيري:  بكارگيري معيار اعتماد ميان كاربران باعث افزايش دقت در انتخاب همسايه‌ها و محدود كردن اثرات مخرب كاربران و نظرات بي‌اعتبار مي شود كه منجر به ارائه پيشنهادهاي دقيق‌تري خواهد شد. همچنين با توجه به خوشه‌بندي فازي كاربران، پيش‌بيني رتبه دوره‌هاي آموزشي مختلف فقط بر اساس همسايه‌هاي موجود در خوشه هاي كاربر هدف، انجام مي‌شود و در نتيجه براي حجم انبوه اطلاعات موجود در يك سيستم يادگيري الكترونيكي، عملكرد كارآتري خواهد داشت و مشكل خلوت بودن داده ها را كاهش مي دهد.