آنچنان که در معرفی اجزاء سیستمهای آموزشی هوشمند گذشت، یکی از مهمترین ماژولهای سیستمهای آموزشی هوشمند، مدلسازی یادگیرنده است. زیرا اغلب ماژولهای فوقالذکر بلا استثناء مبنای عمل خود را اطلاعات مدل سازی یادگیرنده قرار میدهند. در ماژول مدلسازی یادگیرنده، اطلاعاتی از قبیل دانش قبلی یادگیرنده، انگیزش، علاقه، سبک یادگیری، مهمترین اشتباهات یادگیرنده در یادگیری موضوع خاص و … مدل شده و در تعامل با سیستم هوشمند این اطلاعات به روز میشوند. پژوهش حاضر که با هدف طراحی مدل هوشمند برای پیش بینی میزان موفقیت یادگیرنده الکترونیکی، نوعی مدل سازی یادگیرنده است. به این روش که سعی می شود، بر اساس برخی متغیرها، چون دانش قبلی یادگیرنده، انگیزش، سبک یادگیری و برخی مشخصه های روانشناختی و دموگرافیک، در معرض خطر بودن دانشجو شناسایی (مدل) شود. یافته می تواند در اختیار دانشجو، استاد و یا سایر همگنان موفقتر دانشجو قرار گیرند و اقدامات پیشگیرانه لازم بر اساس مدلسازی صورت گرفته انجام شود.
یادگیری ماشینی مهمترین دانش هوش مصنوعی است که در بخشهای مختلف یک سیستم آموزشی هوشمند به کار میرود، ۱) مدلسازی یادگیرنده؛ ۲) ماژولهای مربوط به نظارت فعالیتهای دانشجو در سامانه مدیریت یادگیری الکترونیکی؛ ۳) فیلتر کردن داده ها با توجه به اطلاعات موجود در مدلسازی یادگیرنده؛۴) ماژول یادگیری همیارانه؛ ۵) سازماندهی ترتیب و توالی محتوای آموزشی و ۶) ارائه آن بر اساس مدلسازی یادگیرنده، همگی اجزاء حیاتی یک سیستم آموزشی هوشمند است که مستقیماً بر دانش، روشها و مدلهای یادگیری ماشینی متکی هستند. با توجه به اهمیت یادگیری ماشینی و اهمیت آن برای پژوهش حاضر، یادگیری ماشینی و داده کاوی آموزشی به اختصار تشریح میگردد.
یادگیری ماشینی و داده کاوی آموزشی
سیستمهای هوشمند اعم از سیستمهای آموزشی، سیستمهایی که در صنعت، نظام، اقتصاد و … توسعه یافتهاند، به شدت متکی بر الگوریتمهای یادگیری ماشینی هستند. قبل از پرداختن به یادگیری ماشینی و داده کاوی آموزشی توجه به تعریف این دو مفهوم حائز اهمیت است.
دایرهالمعارف آزاد ویکیپدیا، یادگیری ماشینی را شاخهای از هوش مصنوعی معرفی میکند که به ساخت و مطالعه سیستمهایی مربوط است که می توانند، از داده ها “یاد” بگیرند. به عنوان مثال، سیستم یادگیری ماشینی به نحوی آموزش داده می شود که بتواند هرزنامهها را از پیامهای معتبر تفکیک و بعد از شناسایی، آن ها را دو پوشه جداگانه ذخیره کند. کاربردهای یادگیری ماشینی به مسائل حوزه وب و اینترنت محدود نمیشود؛ ویتن و فرانک[۱۳۷](۲۰۰۵)، مثال جالبی از بهکارگیری یادگیری ماشینی در کمک به گاو داران نیوزلندی زدهاند. گاو داران باید در یک برهه زمانی تصمیم بگیرند که گاوهای خود را برای شیرده فصل بعد نگهدارند یا آن ها را به کشتارگاه بفرستند. آن ها از داده های چندین میلیون گاو و ۷۰۰ مشخصه از آن ها چون سن، سابقه بیماری و … برای این هدف استفاده کرده اند و با بهره گرفتن از فنون یادگیری ماشینی این تصمیم گیری مهم را اتوماتیک کرده اند.
در عصر فناوری اطلاعات و شبکه های بزرگ چون وب، با حجم انبوه داده ها در پایگاه های داده مواجه هستیم. وب علاوه بر این که مملو از اطلاعات است، تمام فعالیت و کلیکهای ما را نیز ثبت می کند. با افزایش بی حد و حصر داده ها، استخراج الگوها و روابط معنادار بیش از پیش احساس می شود. به زعم ویتن و فرانک (۲۰۰۵) مجموعه تکنیکهایی که برای کشف و توصیف الگوهای ساختاری در داده ها به کار میرود، یادگیری ماشینی است؛ البته باید توجه داشت، کشف الگو از داده ها از آغاز زندگی بشر بوده است به عنوان مثال، شکارچیان در صدد یافتن الگوی مهاجرت پرندگان، کشاورزان در صدد یافتن الگوی رشد محصولات و سیاستمداران در صدد شناسایی الگوی عقاید رأی دهندگان بوده اند.
مفهوم “یادگیری” در “یادگیری ماشینی” بسیار چالش برانگیز است. ورود به آن از حوصله گزارش پژوهش حاضر خارج است. اما باید تأکید کرد، که منظور از “یادگیری” در یادگیری ماشینی با آنچه که بین صاحبنظران علوم یادگیری مطرح است، متفاوت است. در یادگیری ماشینی، یادگیری الزاماًً با درک، فهم و آگاهی همراه نیست. چه بسا ماشین در حل یک مسئله، همانند انسان عمل کند، بدون اینکه بر عمل خود آگاهی داشته باشد. به طور خلاصه یادگیری ماشینی یکی از بزرگترین زیرمجموعههای هوش مصنوعی است که با طراحی و توسعه تکنیکها و الگوریتمهایی سرکار دارد که برای رایانه امکان”یادگیری” را فراهم می کند.
“داده کاوی” و یادگیری ماشینی اغلب معادل هم به کار میروند. کلوزگن و زیتگو[۱۳۸](۲۰۰۴) داده کاوی یا کشف دانش از داده ها[۱۳۹]را استخراج اتوماتیک الگوهای جالب و ضمنی از مجموعه های عظیم داده ها تعریف کرده اند (کلوزگن و زیتگو، ۲۰۰۴، به نقل از رومرو، ونچرا و گارسیا[۱۴۰]،۲۰۰۸). تفکیک یادگیری ماشینی از داده کاوی به ویژه در حوزه آموزش مشکل است. به عبارت دقیقتر داده کاوی، از روشهایی یادگیری ماشینی برای استخراج الگوها و اطلاعات از داده ها بهره میگیرد و در عین حال به روشهایی یادگیری ماشینی محدود نمی شود و از روشهایی آماری نیز بهره میگیرد. معمولا داده کاوی نیاز به داده های زیاد دارد، و اغلب از داده های پایگاه های رایانهای استفاده میشود. در یادگیری ماشینی هدف از قبل کاملاً مشخص است (مثلاً پیش بینی)، اما در داده کاوی در اغلب موارد، هدف از قبل کاملاً مشخص نیست و دادهکاو (محقق) با بررسی روابط ساختاری پیچیده، میان انبوه داده ها اطلاعات یا الگوهای معنادار و مفید را استخراج می کند. هوش مصنوعی نیز در طراحی و توسعه سیستمهای هوشمند، خود را محدود به یادگیری ماشینی و الگوریتمهای آن نمیکند، بلکه از روشهایی معمول آماری نیز برای رسیدن به هدف خود بهره میگیرد.
با مقدمهای که گذشت، پر واضح است که دو حوزه داده کاوی و یادگیری ماشینی چه از نظر هدف و چه از نظر روش رسیدن به هدف با هم دارای اشتراکات زیادی بوده و این امر باعث شده که این دو معادل هم به کار روند. حوزه آموزش نیز از این قاعده مستثنی نبوده است؛ البته اصطلاح داده کاوی آموزشی[۱۴۱]در علوم تربیتی و یاددهی-یادگیری بیشتر متداول است. رومرو و ونچرا[۱۴۲](۲۰۱۰) داده کاوی آموزشی را اعمال فنون داده کاوی بر روی داده آموزشی تعریف میکنند، هدف نیز حل موضوعات پژوهشی در حوزه تعلیم و تربیت است. مهمترین کاربردهای داده کاوی در سیستمهای آموزشی زیر است:
-
- آموزش حضوری: این نوع آموزشها بر ارتباطات آموزشی چهره به چهره متمرکز است، انواع روشهایی روانسنجی و آماری در تحقیقات آموزشهای حضوری از دیر باز مورد استفاده بوده است.
