ارائه مدل ارزشیابی مدرسین نظام آموزش الکترونیکی با استفاده از سیستم استنتاج عصبی فازی تطبیقی (ANFIS)
محورهای موضوعی : آموزش و پرورش
امیر دانشور
1
(استادیار ، گروه مدیریت فناوری اطلاعات، دانشکده مدیریت، واحد الکترونیکی، دانشگاه آزاد اسلامی، تهران، ایران)
مهدی همایون فر
2
(استادیار، گروه مدیریت صنعتی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران)
مهدی فدایی اشکیکی
3
(استادیار، گروه مدیریت صنعتی، واحد رشت، دانشگاه آزاد اسلامی، رشت، ایران)
اسفندیار دشمن زیاری
4
(استادیار،گروه مدیریت بازرگانی، دانشکده مدیریت، واحد اسلامشهر، دانشگاه آزاد اسلامی، تهران، ایران)
کلید واژه: آموزش مجازی, سیستم مدیریت یادگیری, واژههای کلیدی: ارزیابی عملکرد مدرسین, سیستم استنتاج فازی عصبی تطبیقی (ANFIS),
چکیده مقاله :
چکیده مقدمه و هدف: با توجه به تحول قابل ملاحظه نظامهای یادگیری در سالهای اخیر و شرایط حاکم بر زندگی بشر به واسطه همهگیری ویروس کوید 19، اهمیت آموزش مجازی در سیستم مدیریت یادگیری غیر قابل انکار است. این مساله نقش مدرسان در سیستمهای آموزشی را برجسته تر از هر زمان دیگری کرده است. بر این اساس، هدف تحقیق حاضر، ارائه یک سیستم استنتاج عصبی فازی تطبیقی (ANFIS) هوشمند برای ارزیابی عملکرد مدرسان سیستم های آموزش الکترونیک به ویژه در موسسات دانشگاهی است. روش شناسی پژوهش: این پژوهش از نظر روش، توصیفی و از نظر هدف کاربردی است. در این پژوهش از یک رویکرد کمی برای طراحی مدل ارزیابی عملکرد مدرسان در نظام آموزش الکترونیک استفاده شده است. جامعه آماری تحقیق شامل خبرگان حوزه مدیریت فناوری اطلاعات دانشگاه آزاد اسلامی استان یزد بودهاند بر اساس مشخصات تعریف شده، شامل 29 نفر است. با توجه به محدود بودن تعداد عناصر مورد بررسی، جهت انتخاب عناصر نمونه، برای همه عناصر جامعه آماری پرسشنامه ارسال شد که 17 نفر به سئوالات طرح شده پاسخ دادند. در این پژوهش برای تحلیل عملکرد مدرسان در موسسات آموزشی از یک سیستم استنتاج فازی عصبی تطبیقی (ANFIS) استفاده شده است. یافته ها:سیستم استنتاج فازی عصبی تطبیقی (ANFIS) ارایه شده، بر مبنای ۴ عامل اصلی (فرایند یادگیری تدریس، شیوه تدریس، گرایش پژوهشی و قابلیتهای فردی) و ۱۶ عامل فرعی در فرایند ارزیابی مدرسان استفاده میکند. این سیستم ANFIS، عملکرد مدرسین را در چهار دسته از پیش تعریف شده، یعنی: مدرس نیازمند آموزش، مدرس با مهارتهای خوب، مدرس بسیار خوب و مدرس عالی طبقهبندی میکند. نتیجه گیری: سیستم طراحی شده ابزار مفیدی در ارزیابی مدرسان و ارائه بازخورد مناسب از نقاط قوت و ضعف آن ها جهت بهبود عملکرد است.
Introduction: According to the significant evolution of learning systems in recent years and the prevailing conditions of human life due to the epidemic of COVID 19 virus, the importance of e-learning in the learning management system is undeniable. This has made the role of teachers in education systems more prominent than ever. Accordingly, the aim of this study is to provide an intelligent adaptive neuro fuzzy inference system (ANFIS) to evaluate the performance of teachers in e-learning system, especially in academic institutions. research methodology: In terms of method, this research is descriptive and from the objective point of view it's applied. In this research, a quantitative approach has been used to design a model for evaluating the performance of teachers in the e-learning system. The statistical population of the study included experts in the field of information technology management of the Islamic Azad University of Yazd Province. Based on the pre-determined specifications, it includes 29 people. Due to the limited number of under study elements, a questionnaire was sent to all elements of the statistical population where 17 experts answered the questions. In this study, an adaptive neuro fuzzy inference system (ANFIS) method has been used to analyze the performance of teachers in educational institutions. Findings: This system is based on 4 main factors (teaching learning process, teaching method, research orientation and individual capabilities) and 16 sub-factors in the teacher evaluation process. The designed ANFIS system classifies the performance of teachers into four predefined categories: teachers need for training, teachers with good skills, teachers who are very good and teachers who are excellent. Conclusion: The designed system is a useful tool for evaluating teachers and providing appropriate feedback on their strengths and weaknesses to improve their performance.
_||_