دسته بندی سبک های یادگیری با استفاده از ویژگی های رفتاری و ماشین بردار پشتیبان دو قلو

پیشینه و اهداف:دسترسی به اینترنت و کامپیوتر فرصت هایی را برای آموزش الکترونیکی ایجاد کرده اند. دسترسی راحت تر به منابع و آزادی عمل کاربران از مزایای آموزش الکترونیکی است. با این حال آموزش الکترونیکی جذابیت و پویایی آموزش های سنتی یا چهره به چهره را ندارد و در این سیستم ها وضعیت کاربر مانند نرخ یادگیری و وضعیت انگیزشی آن ها در نظر گرفته نمی شود. از این رو، توسعه دهندگان سیستم های آموزش الکترونیکی می توانند با در نظر گرفتن سبک یادگیری و طراحی رابط های کاربری تعاملی به حل کردن مشکلات مذکور در این سیستم ها کمک نمایند. همچنین تشخیص خودکار سبک یادگیری نه تنها جذابیت آموزش الکترونیکی را افزایش می دهد، بلکه موجب افزایش کارایی و انگیزه یادگیرندگان در محیط های الکترونیکی نیز می شود.مطالعات روانشناسی نشان می دهد که افراد در تصمیم گیری، حل مسئله و یادگیری با یکدیگر متفاوت هستند. سبک یادگیری باعث می شود که افراد به گونه متفاوتی یک مطلب را درک کنند.  برای مثال افرادی که حافظه بصری خوبی دارند، ارائه مباحث به صورت بصری را نسبت به صورت شفاهی ترجیج می دهند. لحاظ کردن یک شیوه مناسب آموزش باعث بهبود عملکرد یادگیرنده در محیط آموزشی می شود. عدم توجه به سبک یادگیری دانشجویان باعث کاهش انگیزه و علاقه ی آن ها به مطالعه و شرکت در دوره های آموزشی می شود.موفقیت تحصیلی دانشجویان از اهداف مهم در محیط های آموزشی است. یکی از عوامل مهم در تحقق این هدف، توجه به سبک یادگیری دانشجویان است. آگاهی از سبک یادگیری دانشجویان به طراحی یک روش مناسب آموزش کمک می کند. لحاظ کردن یک شیوه مناسب آموزش باعث بهبود عملکرد دانشجویان در محیط آموزشی می شود. در این مقاله، هدف ساخت یک مدل برای تشخیص خودکار سبک های یادگیری است. روش ها: بدین منظور از یک محیط آموزش الکترونیکی متشکل از 202 دانشجو رشته مهندسی برق و کامپیوتر، دو مجموعه داده برای ایجاد مدل جمع آوری شده است. ویژگی های رفتاری از نحوه تعامل دانشجویان با سامانه آموزش الکترونیکی استخراج شده و سپس سبک های یادگیری با روش ماشین بردار پشتیبان دو قلو دسته بندی می شوند. ماشین بردار پشتیبان دو قلو گونه جدیدی از دسته بند های مبتنی بر مرز مانند svm است که هدف آن بدست آوردن حاشیه ناموازی است. این دسته بند به دادگان نامتوزان حساس نمی باشد و سرعت آموزش آن بسیار سریع است. یافته ها: در این پژوهش، ضمن تاکید بر افزایش جذابیت آموزش الکترونیکی، مسئله تشخیص خودکار سبک یادگیری دانشجویان بررسی شده است و مدل mbti برای تعیین سبک های یادگیری استفاده شده است. دو مجموعه داده از تعامل 202 دانشجو مهندسی برق و کامپیوتر با سامانه آموزش الکترونیکی مودل جمع آوری شده است. مجموعه داده جمع آوری شده بسیار نامتوزان است که تاثیر منفی روی دقت دسته بند ها دارد. با در نظر گرفتن این نکته، ماشین بردار پشتیبان دو قلو کمترین مربعات به عنوان دسته بند استفاده شده است. ویژگی بارز این دسته بند حساسیت کم به توازن داده ها و سرعت بسیار زیاد است. نتایج نشان می دهد که روش پیشنهادی با وجود نامتوزان بودن داده ها، در دسته بندی سبک یادگیری دانشجویان بسیار خوب عمل کرده است و با دقت 95 درصد سبک های یادگیری را تشخیص می دهد.

Classification of learning styles using behavioral features and twin support vector machine

Background and Objective:Internet and computer access have created opportunities for elearning. Easier access to resources and freedom of action for users is one of the benefits of elearning. However, elearning is not as attractive and dynamic as traditional or facetoface instruction, and in these systems the user’s condition, such as learning rate and motivation, is not taken into account. Therefore, the developers of elearning systems can help to solve the problems mentioned in these systems by considering the learning style and design of interactive user relationships. Automated identification of learning style not only increases the attractiveness of elearning, but also increases the efficiency and motivation of learners in elearning environments. Research shows that people differ in decision making, problem solving, and learning. Learning style makes people understand a story differently. For example, people with good visual memory prefer to present topics visually rather than orally. Applying a proper teaching method improves the learner’s performance in the learning environment. Lack of attention to students’ learning style reduces their motivation and interest in studying and engagement in educational courses. Students’ success is one of the prominent goals in the learning environments. In order to achieve this goal, paying attention to students’ learning style is essential. Being aware of students’ learning style helps to design an appropriate education method which improves student’s performance in the learning environments. In this paper, the aim is to create a model for automatic prediction of learning styles. Methods: Therefore, two real datasets collected from an elearning environment which consists of 202 electrical and computer engineering students. Behavioral features were extracted from users’ interaction with elearning system and then learning styles were classified using twin support vector machine. Twin support vector machine is an extension of SVM which aims at generating two nonparallel hyperplanes. This classifier is not sensitive to imbalanced datasets and its training speed is fast. Findings: In this study, increasing the attractiveness of elearning is emphasized and the issue of automatic recognition of students’ learning style has been investigated by MBTI model. Two data sets from the interaction of 202 electrical and computer engineering students with the Moodle elearning system have been collected. The collected data set is very unbalanced, which has a negative effect on the accuracy of the categories. With this in mind, the twin support vector machine uses the least squares as a binder. The distinctive feature of this category is the low sensitivity to data balance and very high speed. The results show that the proposed method, despite the inconsistency of the data, has performed very well in the classification of students’ learning style and accurately recognizes 95% of learning styles.Conclusion: Due to the excellent performance of the proposed method, a new component can be added to elearning systems such as Moodle by identifying the learning style, content and appropriate teaching method for the learner. Future research could also gather more data from an elearning environment and categorize learning styles with cognitive characteristics from the learner.   ===================================================================================== COPYRIGHTS  ©2019 The author(s). This is an open access article distributed under the terms of the Creative Commons Attribution (CC BY 4.0), which permits unrestricted use, distribution, and reproduction in any medium, as long as the original authors and source are cited. No permission is required from the authors or the publishers.  =====================================================================================