بهبود سیستمهای یادگیری تطبیقی: یک رویکرد احتمالی با استفاده از شبکههای بیزی و خوشهبندی کاربر
محورهای موضوعی : پردازش چند رسانه ای، سیستمهای ارتباطی، سیستمهای هوشمند
پروانه احمدی فرد
1
,
مجتبی صالحی
2
*
,
محمد یاراحمدی
3
,
مرتضی ذاکری
4
1 - کارشناسی ارشد، گروه کامپیوتر، واحد خرم آباد، دانشگاه آزاد اسلامی، خرم آباد، ایران
2 - مربی، گروه کامپیوتر، واحد خرم آباد، دانشگاه آزاد اسلامی، خرم آباد، ایران.
3 - مربی، گروه ریاضی، واحد خرم آباد، دانشگاه آزاد اسلامی، خرم آباد، ایران
4 - استادیار، دانشکده مهندسی کامپیوتر، دانشگاه صنعتی امیرکبیر، تهران، ایران
کلید واژه: سیستم آموزش هوشمند, انتخاب ویژگی, شبکه بیزین, الگوریتم .K-Means. ,
چکیده مقاله :
تحول سامانههای آموزش الکترونیکی دسترسی بیسابقهای به آموزش فراهم کرده و نیازهای متنوع کاربران را از طریق خدمات و روشهای مختلف برآورده میکند. با این حال، نبود تکنیکهای شخصیسازی و بهینهسازی مؤثر، مانع از بهرهبرداری کامل از پتانسیل این سامانهها شده است. این پژوهش یک چارچوب نوآورانه برای ارتقای کیفیت و انطباقپذیری سامانههای آموزشی مبتنی بر وب با استفاده از شبکههای بیزین ارائه میدهد. روش پیشنهادی شامل انتخاب ویژگی از طریق الگوریتم Relief، خوشهبندی کاربران با استفاده از الگوریتم k-means، و پیشنهاد خدمات بهصورت احتمالاتی بر اساس استنتاج بیزین است. انتخاب ویژگی با اولویتبندی ویژگیهای کلیدی کاربران، ابعاد دادهها را کاهش داده و کارایی پردازشی را افزایش میدهد. خوشهبندی، کاربران را بر اساس شباهتهایشان در گروههای همگن سازماندهی کرده و ارائه خدمات شخصیسازیشده را تسهیل میکند. این سامانه با استفاده از یک مجموعه داده شامل 2000 کاربر که هرکدام دارای 16 ویژگی و 24 خدمت بودند، ارزیابی شد. شبکههای بیزین روابط احتمالاتی و عدم قطعیتها را تحلیل کرده و خدمات مرتبط را به هر کاربر پیشنهاد میدهند. این روش مشکل آغاز سرد را برطرف کرده و انطباقپذیری و مقیاسپذیری را برای نیازهای متنوع کاربران بهبود میبخشد. نتایج آزمایشها دقتی معادل 88.15 درصد را نشان داد که مؤثر بودن مدل در مقایسه با روشهای سنتی را تأیید میکند. مزایای کلیدی شامل بهبود شخصیسازی، افزایش کارایی محاسباتی و ارتقای رضایت کاربران است. یافتههای این مطالعه، توانایی سامانههای آموزشی هوشمند را برای تطبیق پویا با نیازهای کاربران نشان داده و زمینهساز تجربههای آموزشی جذابتر و مؤثرتر میشود. پژوهشهای آتی بر ادغام الگوریتمهای فراابتکاری برای پیشبینی دقیقتر و دریافت بازخورد بلادرنگ کاربران به منظور بهبود فرآیند پیشنهاد متمرکز خواهند بود
Introduction: This study proposes an innovative framework to enhance the quality and adaptability of web-based educational systems using Bayesian networks. The proposed methodology aims to address issues like the cold-start problem and improve the scalability and personalization of educational services.
Method: The proposed methodology encompasses feature selection through the Relief algorithm, user clustering via k-means, and probabilistic service recommendation based on Bayesian inference. Feature selection prioritizes user-specific attributes, reducing data dimensionality and enhancing computational efficiency. Clustering organizes users into homogeneous groups based on similarities, facilitating tailored service provision. The system was validated using a dataset of 2000 users, each characterized by 16 features and linked to 24 services.
Results: The experimental results demonstrated an accuracy rate of 88.15%, underscoring the model's effectiveness compared to traditional techniques. Bayesian networks enabled the analysis of probabilistic relationships and uncertainties, ensuring that the most relevant services were recommended to each user.
Discussion: The proposed approach addressed the cold-start problem, improving scalability and adaptability to diverse user needs. Key advantages of this framework include enhanced personalization, computational efficiency, and significant improvements in user satisfaction. The study's findings highlight the potential of intelligent learning systems to adjust dynamically to user requirements, paving the way for more engaging and effective educational experiences. Future research will incorporate heuristic algorithms to improve prediction accuracy and integrate real-time user feedback to refine the recommendation process further.