فهرست مطالب
چکیده
مروری بر مفاهیم اصلی آموزش الکترونیکی
سیستمهای ابر رسانه تطبیقی
تاریخچه
موارد استفاده سیستمهای ابر رسانه تطبیق پذیر
مدلسازی فراگیر
فاز تصمیم گیری تطبیق پذیری
تطبیق پذیری با چه چیزی؟
رده های تطابق در محیطهای آموزشی
چه چیزی می تواند تطبیق داده شود؟
مروری بر شخصی سازی
تعریف
داده های ورودی برای سیستم های شخصی سازی
داده های کاربر
داده های مورد استفاده
داده های محیطی
بازنمایی و استنتاجهای ثانوی
دلیل یابی استنتاجی
دلیل یابی استقرایی
دلیل یابی آنالوگ
کاربردها
منابع
چکیده:
در تمامی کاربردها و زمینه های مبتنی بر e، شخصی سازی نقش مهمی را ایفا می کند. امروزه با توجه به بازه گسترده کاربران در آموزش الکترونیکی، آموزش به مدل سنتی one- size- fit- all دیگر امکانپذیر نبوده و ارائه یک سیستم شخصی سازی شده که بتواند به صورت اتوماتیک با سطح دانش و علائق کاربران هماهنگ شود، از اهمیت فراوانی برخوردار است. در حیطه E-Learning مدل کردن فراگیر1، نقش عمده ای در تامین شخصی سازی، بر عهده دارد. مدل کردن به معنای تحلیل رفتار فراگیر، پیش بینی رفتار آینده وی و ترجیحات آموزشی اش می باشد.
در میان سیستمهای آموزش الکترونیکی موجود، کمتر به مقوله شخصی سازی پرداخته شده و در اکثرت موارد، چنین بحثی اصلاً مطرح نشده است. در حالی که اگر این شخصی سازی، به دقت و در عمق زیاد صورت بگیرد، مسلماً این خلاء موجود در سیستمهای آموزش الکترونیکی فعلی را پر کرده و موجب افزایش رضایت کاربر و کارایی سیستم آموزشی خواهد شد. امروزه با گسترش مفاهیم داده کاوی و روشهای تجزیه – تحلیل و آنالیز داده ها، می توان با جمع آوری داده های کافی در مورد هر فرد و در زمینه های گوناگون (مانند علائق، شیوه درس خواندن، سطح دانش در مورد یک زمینه بخصوص و ….) و بهنگام سازی آنها با توجه به رفتارها و مدل ایجاد شده برای آن فراگیر، محتوای آموزشی مناسب برای هر فرد را آماده و برای وی ارسال نمائیم. هدف از انجام این تحقیق، بررسی سیستمهای آموزش الکترونیکی موجود، نحوه استفاده و بکارگیری روشهای شخصی سازی و مدلسازی فراگیران در این سیستمها، مطالعه روشهای مدلسازی موجود و مقایسه آنها، بررسی نقاط قوت و ضعف هر کدام، تعیین معیارهای اصلی برای تهیه پروفایل کاملی از کاربر و بررسی روشهای شخصی سازی و الگوریتمها و متدهای موجود در این زمینه می باشد که در نهایت، با استفاده از این معیارها و آنالیز مدل رفتاری کاربر با توجه به معیارهای آموزشی، سعی خواهد شد که مناسبترین محتوا برای هر فرد، شخصی سازی و برای وی، ارسال شود.
مروری بر مفاهیم اصلی آموزش الکترونیکی:
در رابطه با سیستمهای آموزش الکترونیکی، سه دسته تکنولوژی را می توان در نظر گرفت: ابزارهای تالیف محتوای درس، سیستمهای مدیریت آموزش (LMSs) و سیستمهای مدیریت محتوای آموزشی (LCMSs) .
LCMS: Learning Content Management Systems
به تعاریف زیر از LCMS توجه فرمائید:
* یک محیط چند کاربره، که در آن توسعه دهندگان آموزشی می توانند محتویات آموزشی دیجیتال را تولید، ذخیره، بازیابی، مدیریت و از یک مخزن مرکزی، ارسال نمایند.2
* سیستمی به منظور تولید، ذخیره، سرهم کردن و ارسال محتویات شخصی سازی شده E-learning به شکل اشیای آموزشی.3
* سیستمی است (غالباً مبتنی بر وب)، به منظور تالیف، تصدیق، نشر و مدیریت محتوای آموزشی.4( که غالباً تحت عنوان اشیای آموزشی نیز از آنها نام برده می شود)
در واقع یک LCMS، ترکیبی است از LMS, CMS : ابعاد مدیریت و اجرایی یک LMS را با ابعاد تولید محتوا و سرهم سازی شخصی سازی شده یک CMS، ترکیب می کند.
خصوصیات اصلی یک LCMS عبارتند از:
* تولید محتوا (و یا تالیف):
* اصلی ترین وظیفه هر LCMS، قابلیت تولید محتوا توسط کاربران است که بتواند به صورت اشیای قابل استفاده مجدد، به یک پایگاه داده مرکزی، اضافه شود. غالباً فرآیند تالیف به صورت اتوماتیک شده بوده و با بهره گیری از قالبها، wizard ها و سایر تسهیلات، کار را برای کاربرانی که دانش برنامه نویسی؛ طراحی وب و … ندارند، آسان می سازد.
* ارسال پویا:
هنگامی که محتوا به صورت اشیای آموزشی قابل استفاده مجدد، در یک پایگاه داده مرکزی ذخیره می شود، امکان تولید تجربه های آموزشی شخصی سازی شده براساس نیازهای فردی نیز، فراهم خواهد شد. جنبه دیگر این ارسال پویا، امکان تغییر شکل محتوا توسط سیستم – جدا از جنبه های شخصی سازی – به منظور هماهنگی با انواع واسطهای خروجی (مانند وب، PDA, CD- ROM و ….) می باشد.
* نظارت و مدیریت:
یک LCMS باید تا حدودی قابلیتهای مدیریتی نیز داشته باشد: اختصاص تمرینهای درسی به دانش آموزان بخصوص، مدیریت سوابق دانش آموزان، تعقیب پیشرفت فراگیران، ارائه گزارشات مدیریتی و ….
سیستمهای ابر رسانه تطبیقی5
7. تاریخچه:
مدلی از اهداف، ترجیحات و دانش هرکاربر، به صورت مجزا ساخته و سپس در تعامل با کاربر، از این مدل به منظور تطبیق با نیازهای کاربر، استفاده می کنند. یکی از محدودیتهای روش سنتی 1ابر رسانه های ایستا (static) این است که آنها دقیقاً یک صفحه را با تمام محتویات و لینک های موجود در آن، برای تمامی کاربران ارسال می کنند. حال اگر جمعیت کاربران، نسبتاً متنوع باشد، چنین روشی فاقد قابلیت being all things to all people خواهد بود در واقع سیستمهای ابر رسانه تطبیقی جایگزین روش سنتی one size fits all در طراحی و توسعه سیستمهای ابر رسانه می باشد. از جمله این سیستمها می توان به موارد زیر اشاره کرد:
* سیستم ابر رسانه آموزشی تطبیقی: دانش آموز، با محتویاتی متناسب با دانش وی از موضوع و مجموعه ای از پیشنهادات برای مطالعه آینده، روبرو خواهد بود.
* دایره المعارف الکترونیکی تطبیقی: محتوات هر مقاله را متناسب با علاقه و دانش کاربر در آن زمینه، شخصی سازی می کند.
* موزه مجازی: مسیر بازدید از موزه را با توجه خصوصیات کاربر و راهنمایی های خاص وی، به او نشان خواهد داد.
* کتابفروشی الکترونیکی: براساس علایق هرکاربر، کتابهایی را به وی پیشنهاد خواهد کرد.
نخستین فعالیتها در زمینه سیستمهای ابر رسانه تطبیقی در سالهای اولیه دهه 90 شروع شد. در آن تاریخ، دو ریشه اصلی این زمینه را Hypertext و User Modeling تشکیل می دادند. سال 1996 به عنوان نقطه جهشی در تحقیق سیستمهای ابر رسانه تطبیقی محسوب می شود. تا پیش از این تاریخ، تحقیق در این زمینه بوسیله چندین تیم و به صورت مجزا صورت می گرفت، بدون آنکه ارتباطی با هم داشته باشند. ولی از سال 1996، سیستمهای ابر رسانه تطبیقی با رشد نسبتاً سریعتری مواجه بوده است که دلیل آن را می توان در 1- رشد سریع استفاده از World Wide Web و 2- یکپارچه و هماهنگ شدن تحقیقات صورت گرفته در این زمینه، دانست.
8. موارد استفاده سیستمهای ابر رسانه تطبیق پذیر:
6 کاربرد عمده سیستمهای ابر رسانه تطبیق پذیر عبارتند از:
1. ابر رسانه های آموزشی
2. سیستمهای اطلاعاتی on-line
3. سیستمهای on- line help
4. ابر رسانه های بازیابی اطلاعات
5. ابر رسانه های سازمانی موسساتی
6. و سیستمهای مدیریت view های شخصی سازی شده در فضاهای اطلاعاتی
به طور کلی، دو مورد اول بیش از همه معروف بوده و حدود 3/2 فعالیتها در این زمینه را شامل می شوند.
ابر رسانه های آموزشی: ابررسانه های آموزشی تطبیق پذیر6، به تسهیل محیطهای آموزشی online با استفاده از شخصی سازی کمک می کنند: یک فراگیر تنها محتوایی را دریافت خواهد کرد که با توجه به معیارهایی نظیر: دانش، سن، جنسیت، ترجیحات و روش آموزشی، شیوه درس خواندن و … برای وی مناسب است. یکی از دلایل عمده تحقیق در این زمینه را می توان به علاقه در به کارگیری وب در آموزش از راه دور، برشمرد از سال 1996 سیستمهای ابررسانه آموزشی متعددی، طراحی و گزارش شده اند (جدول زیر).
Table: Adaptive Hypermedia systems in education (after 1996)
New methods ELM-ART (Weber and Specht, 1997), Medtec(Eliot etal,
1997), AST( Specht etal, 1997), ADI(Schoch et al, 1998),
Hy- SOM:(Kayama and Okamoto, 1999), AHM(Pilar da
Silva et al, 1998), CHEOPS(Negro etal, 1998), RATH
(Hockemeyer etal, 1998), TANGOW(Carro etal, 1999)
Arthur (Cilbert and Han, 1999), PAKMAS(SUB ETAL
1999), CAMELEON(Laroussi and Benahmed, 1998)
New frameworks ImerBook (Brusilovsky et al, 1998a), KBS-Hyperbook
(Henze et al,1999), AHA (De Bra and Calvi, 1998),
SKILL(Neumann and Zirvas, 1998), Multibook
(Steinacker et al, 1998), ACE(Specht and Oppermann,
1998), ART-Web(Weber, 1999), MetaLinks (Murray et al,
1998)
در واقع، انتخاب وب به عنون platform طراحی، امروزه به صورت یک استاندارد در این زمینه در آمده است. هر سیستم ابررسانه آموزشی و تطبیق پذیر از 2 لایه اصلی تشکیل می شود که عبارتند از مدلسازی فراگیر (کاربر) و تصمیم گیری تطابق پذیری.
1. مدلسازی فراگیر: هدف از آن، رسیدن به نتایج سطح بالا در مورد کاربرد مورد استفاده است. مثلاً در زمینه آموزش: کاربر یک مفهوم را متوجه نشده است. این مدل معمولاً براساس اطلاعات سطح پائینی ساخته می شود که توسط یک سیستم نمایشگر، از کاربر جمع آوری شده است. مثلاً نحوه آغاز و به انجام رساندن تکالیف، پاسخدهی به آزمونها و غیره.
سیستمهای مدلسازی کاربر متداول:
Overlay Model:
براساس مدل ساختاری دامنه بحث بنا می شود. مدل ساخت یافته دامنه بوسیله شبکه ای از مفاهیم7 موجود در دامنه ساخته می شود: مفاهیم با هم مرتبط هستند؛ به نحوی که یک شبکه مفهومی8 را شکل می دهند که در مجموع ساختار دامنه بحث را بازنمایی خواهد کرد.( این مفاهمی ممکن است در سیستمهای مختلف، اسامی مختلفی داشته باشند: سرفصلها9 عناصر دانش، اشیا، نتیجه آموزش ولی نهایتاً همگی قطعات اولیه دانش در دامنه مفروض می باشند) بعضی از سیستمها، حالت ساده ای از مدل دامنه را به کار می برند که در آن میان مفاهیم، لینکی وجود ندارد ولی در اکثر سیستمهای ابررسانه تطبیق پذیر، چندین نوع مفهوم بیانگر انواع مختلف عناصر دانش (یا اشیا) و چندین نوع لینک بیانگر تنوع ارتباطات میان مفاهیم وجود دارد.
ایده مدل overlay: آن است که دانش فرد را از موضوع به عنوان جای گذاشتی10 از مدل دامنه بیان کند. به ازای هر مفهوم از مدل دامنه، مدل جای گذاشت فرد، مقداری را ذخیره می کند که تخمینی است از سطح دانش فرد از آن مفهوم، می تواند باینری (دارد/ندارد)، کیفی (خوب/ متوسط/ ضعیف) و یا کمی (احتمال آن که کاربر مفهوم را بلد باشد) باشد. مدل جای گذاشت از دانش کاربر، می تواند به صورت مجموعه ای از زوجهای مفهوم مقدار نمایش داده شود بدین ترتیب به ازای هر مفهوم یک زوج خواهیم داشت. این مدل کاربرد زیادی به خصوص در زمینه سیستم های آموزشی تطبیق پذیر دارد و در واقع مدل دانش آموز، همان مدل جای گذاشت از دانش فراگیر را تشکیل می دهد (که در واقع بخشی است از مدل کلی فراگیر) ولی به همان نام مدل فراگیر مصطلح است.
Stereotype model:
مجموعه ای از حالات متداول و کلیشه ای کاربران به ازای هر بعد از مدل فراگیر داریم و هر کاربر بدین نحو مدل می شود که به ازای هر بعد از طبقه بندی، به یکی از این کلیشه های موجود، منصوب خواهد شد حالت دیگر این مدلسازی مجموعه ای از زوجهای کلیشه تعداد می باشد که مقدار می تواند T/F (تعلق/ عدم تعلق) و یا احتمال تعلق به آن کلیشه باشد.
Hybrid model:
مشکل مدل کلیشه این است که اکثر سیستمهای تطبیق پذیر به مدل جای گذاشتی نیاز دارند که بهتر دانه بندی11 شده باشد. یک راه حل برای این مشکل ایجاد یک نگاشت بین این دو مدل می باشد مثلاً نسبت دادن تعداد معینی زوج مفهوم مقدار به هرکلیشه در عوض یک مشکل مدل جای گذاشت نیز، دشواری تعیین مقدار اولیه تمام مفهوم ها با یک مثلاً مصاحبه ساده می باشد. بهترین حالت، ترکیب این دو مدل است: ابتدا از مدل کلیشه استفاده کنیم( برای تعیین کلاس دسته کاربر و مقدار دهی اولیه به مقادیر جای گذاشت) و سپس مدل جای گذاشت معمول را بکار خواهیم برد.
سیستمهای جامع مدلسازی کاربر
در نخستین فعالیتهایی که در زمینه مدلسازی کاربر صورت می گرفت، تمایز چندانی میان مولفه هایی که کار مدلسازی کاربر را انجام می دادند و سایر مولفه های سیستم وجود نداشت در حالی که کاربری اصلی سیستمهای جامع مدلسازی کاربر (در واقع همان سیستمهای مدلسازی کاربر مستقل از برنامه های کاربردی) را فرهم دیدن خدمات مدلسازی کاربران (در زمان اجرا) تشکیل می دهد به نحوی که بتوان آنها را در زمان طراحی، ترکیب بندی نمود و بدین ترتیب وقتی که با دانش برنامه کاربردی مورد نظر پر می شوند، به عنوان مولفه های مجزای مدلسازی کاربر در آن دامنه، عمل خواهند کرد. Kobsa 12 در سال 1990 عبارت سیستمهای مدلسازی کاربر هسته ایی13 در سال 1990 عبارت سیستمهای مدلسازی کاربر هسته ایی14 را به کاربرد. در واقع واژه سیستمهای هسته (پوسته) ایی از زمینه سیستمهای خبره اتخاذ شده است، به معنای: یک سیستم خبره خالی باید با قوانین مرتبط با دامنه کاربرد، پر شود تا بتواند به عنوان یک سیستم خبره واقعی به کار گرفته شود از جمله مهمترین shell system ها در این زمینه می توان به موارد زیر اشاره نمود:
* ( 1994 UMT (Brajnik and Tasso, : به کاربر امکان تعریف سلسله مراتبهای stereotypeهای کاربران و همچنین قوانینی به منظور استنتاج مدل کاربری می دهد.
* (1998 fohl, 1995 BGP-MS(Kobsa and pohl, : امکان فرضیاتی در مورد کاربر و فرضیات کلیشه ای (streotipical) در مورد گروهی از کاربران را فراهم می آورد که به صورت first- order predicate logic نمایش داده می شود. این سیستم می تواند به عنوان سرور شبکه با چندین کاربر و چندین برنامه کاربردی به کار گرفته شود.
* (1995 DOPPELGANGER (Orwant, : اطلاعات مربوط به کاربران را از طریق سنسورهای نرم افزاری / سخت افزاری جمع آوری کرده و سپس با استفاده از تکنیکهایی نظیر توزیع بتا، پیش بینی خطی، مدلهای مارکوف و مانند آن به تعمیم و برون یابی این داده ها می پردازد.
* (1995 TAGUS (Paiva and Self,: مانند UMT عمل می کند.
* (1995 UM (Kay,: ابزاری است برای مدلسازی کاربر که فرضیاتی را درباره دانش، عقاید، ترجیحات و سایر خصوصیات کاربر به صورت صفتهای دوتایی ارائه می دهد. هر قطعه از اطلاعات با لیستی از شواهد دال بر درست و یا غلط بودن آن اطلاع همراه می باشد.
2.فاز تصمیم گیری تطبیق پذیری: در طی این فاز، براساس نتایج حاصله از فاز مدلسازی، تطبیق پذیریهای معینی انتخاب می شوند با این هدف که جنبه های خاصی از تعامل را بهبود بخشند. منطق آن هم براساس قوانین تطبیق پذیری معین می شود که تعیین می کند کدام اجزا تشکیل دهنده تطبیق پذیری باید انتخاب شوند.
9.تطبیق پذیری با چه چیزی؟
تطبیق پذیری می تواند در 3 مورد صورت پذیرد (همانند شخصی سازی):
1.با داده های کاربران: همان روش سنتی تطبیق پذیری: شامل خصوصیات و مشخصات مختلف کاربران.
2.با داده های مورد استفاده: داده های مربوط به تعامل کاربر با سیستم که ناشی از خصوصیات کاربر نیستند (ولی در عین حال می توانند برای تصمیم گیری در مورد تطبیق پذیری، استفاده شوند)
3.با داده های محیطی: شامل تمامی جنبه های محیط کاربر که به خود کاربران مربوط نیستند.
خصوصیات کاربران: که می تواند شامل وظایف اهداف کاربران، دانش، پیش زمینه، تجربه در فضای ابر رسانه، ترجیحات، علایق کاربر و خصلتهای فردی باشد.
علایق کاربر: پس از دانش کاربر، دومین آیتم مورد استفاده فراوان در سیستمهای تطبیق پذیری می باشد و عمده کاربرد آن در سیستمهای بازیابی اطلاعات مبتنی بر وب می باشد که علایق درازمدت کاربر را به صورت موازی با اهداف جستجوی کوتاه مدت وی ترکیب کرده و بدین ترتیب اطلاعات را فیلتر کرده و پیشنهادات مناسب را به کاربر ارائه دهند.
خصلتهای فردی کاربر: نامی است برای مجموعه ای از نکات قابل توجه یک فرد که در مجموع وی را به صورت یک فرد تعریف می کنند. به عنوان مثال عامل های شخصیتی (درون گرایی برون گرایی) عامل های شناختی (آموزشی) و شیوه های فراگیری را می توان نام برد. خصلتهای فردی مانند پیش زمینه کاربر، خصوصیات پایدار یک کاربر می باشند که با اصلاً تغییر نمی کنند و یا در دراز مدت ممکن است تغییر کنند. ولی بر خلاف پیش زمینه کاربر خصلتهای فردی به صورت سنتی و از طریق یک مصاحبه ساده به دست نمی آیند بلکه مستلزم تستهای پیچیده روانشناسی می باشند. در حال حاضر بسیاری از محققین بر اهمیت مدل کردن و به کارگیری خصلتهای فردی، توافق دارند ولی بر سر این که کدام نکات می توانند و باید به کار گرفته شوند توافق اندکی وجود دارد یکی از مثالهای بارز در این زمینه تطابق با روش فراگیری کاربران در سیستمهای ابر رسانه آموزشی می باشد سیستمهای متعددی تاکنون به این منظور طراحی شده اند ولی همچنان مشخص نیست که کدام جنبه های شیوه های فراگیری، ارزش مدل کردن را داشته و چه چیز متفاوتی می توانند برای کاربرانی با شیوه های متفاوت ارائه دهند.
محیط: تطابق با محیط کاربر، نوع جدیدی از تطبیق پذیری است که از سیستمهای مبتنی بر وب منشا گرفته است. این تطبیق پذیری می تواند براساس مکان و یا platform مورد استفاده کاربر، صورت بگیرد ساده ترین حالت تطابق با platform (نرم افزار/ سخت افزار/ پهنای باند شبکه) به صورت انتخاب نوع و جنس مدیا (مثلاً تصاویر ثابت و یا ویدیو) می باشد. حالتهای پیشرفته تر، ممکن است برای کاربران با platform های مختلف، واسهای15 متمایزی را به نمایش بگذارند.
رده های تطابق در محیطهای آموزشی:
رفتارهای تطبیق پذیر در یک محیط آموزشی را می توان به انواع زیر تقسیم نمود:
* تعامل تطبیق پذیر: به رفتارهایی اطلاق می شود که در interface سیستم رخ می دهند و هدفشان، تسهیل و یا پشتیبانی از تعاملات کاربر با سیستم می باشد، بدون آنکه در محتوای آموزشی هیچ گونه تغییری ایجاد کنند.
* ارسال adaptive درس/ دوره: این رده، رایج ترین گونه از تکنیکهای adaptive را در محیطهای آموزشی امروزه شکل می دهد. منظور از این گونه تطابقها، مناسب ساختن16یک درس (و یا مجموعه ای از درسها) برای یک کاربر بخصوص می باشد. هدف اصلی بهینه ساختن میزان تناسب میان محتویات درس و خصوصیات/ نیازهای کاربر به منظور دستیابی به نتیجه آموزشی بهینه می باشد.
* Content discovery and assembly : این رده از تطابق به کاربرد تکنیکهای تطابق سازی در کشف و سرهم کردن مواد/ محتویات آموزشی از منابع ومآخذ متعدد و توزیع شده اشاره می کند مولفه تطابق پذیری در این فرآیند در بهره وری مدلهای تطابق گرا و شناخت حاصله از کاربر قرار دارد که هیچ کدام در سیستمهای non adaptive مشاهده نمی شوند.
* پشتیبانی از همکاری adaptive هدف از این گونه تطابق استفاده از پشتیبانی تطابق پذیر در انواعی از فرایندهای آموزشی است که شامل ارتباطاتی میان چندین فراگیر (و در نتیجه تعاملات اجتماعی) می شوند.
10.چه چیزی می تواند تطبیق داده شود؟
در شکل زیر سلسله مراتب روشهای به کارگرفته شده در تطبیق پذیری را مشاهده می فرمائید.
مدلهای موجود در محیطهای آموزشی تطبیق پذیر:
تمام رده های ذکر شده در بالا براساس مجموعه ای از مدلها و فرایندها بنا نهاده شده اند که در ادامه به اختصار توضیح داده می شوند.
* مدل دامنه17 از آنجائیکه اکثریت مدلهای آموزشی تطبیق پذیر امروزه بر ارسال adaptive درس/ دوره تمرکز کرده اند مدل دامنه و یا کاربرد در واقع ارائه ای است از درسی که قرار است عرضه شود مهمترین نکته در این مدل آن است که این مدلها معمولاً براساس شناسائی روابط میان عناصر تشکیل دهنده درس که متعاقباً به منظور تصمیم گیری برای تطابق استفاده می شوند بنا شده اند.
* مدل فراگیر 18 این مدل حالت خاصی است از مدل کردن کاربر که در سیستمهای آموزشی به کار برده می شود و می تواند در حین تعامل با کاربر بهنگام شود مدل فراگیر نه تنها اطلاعات کلی در مورد فراگیر را ثبت می کند بلکه یک گزارش زنده19نیز از تعاملات فراگیر با سیستم را می سازد.
* مدلهای گروهی: همانند مدل قبلی، این مدلها نیز به منظور ثبت خصوصیات گروهی از کاربران/ فراگیران استفاده می شوند و تفاوت اصلی آن با مدل قبلی در موارد زیر است:
o معمولاً به صورت پویا سرهم (assemble) می شوند به جای اینکه پر (fill in) شوند.
o گروههایی از کاربران را شناسائی می کنند که خصوصیات مشترکی دارند.
* مدل تطابق 20 این مدل تئوری تطابق در محیط آموزشی تطبیق پذیر را در سطوح گوناگونی از انتزاع، دخیل می کند در واقع این مدل معین می کند که چه چیزی می تواند منطبق شود در چه زمانی و چگونه؟
مروری بر شخصی سازی21
11.تعریف:
درباره واژه شخصی سازی، تعاریف زیادی وجود دارد که اهم آنها در زیر آورده شده اند:
* توانایی ارائه خدمات و سرویس ها که با توجه به شناخت از سلایق و رفتارهای افراد برایآنها دوخته شده است.
* ارسال پیشنهاد مناسب به مشتری مناسب از طبق کانال های مناسب.
* در گذشته، روشهای شخصی سازی، بیشتر بر روی مونتاژ محتوا و ارسال آن تمرکز داشتند.
* شخصی سازیهای اولیه در وب، براساس تنظیمات دستی محتوا توسط کاربر انجام می شد، مثلاً در سرویسهای خبر، خود کابر موضوعات مورد علاقه اش را براساس اولویت انتخاب و تنظیم می کرد.
* شخصی سازی درباره بخش بندی واقعی مشتریان است که بتوان با آنها براساس بخشی که در آن قرار گرفته اند، رفتار کرد.
* شخصی سازی، نوید بهبود کیفیت تعامل با مشتری را می دهد که می تواند از طریق تعاملهای هوشمند و بلادرنگ در نقاط تماس مشتری، حاصل شود، برای بدست آوردن تعاملات هوشمند، باید مدلهای مستحکم پیش بینی، با تحلیلهای تاریخچه مشتری و منطق پویای بازاریابی، در تمام منابع داده ایی مربوط به مشتری، یکپارچه شوند. سپس دیدگاهها و استراتژیهای رفتاری بدست آمده، باید به صورت منسجم و سریع از طریق نقاط تماس هر مشتری و در تعامل با او برایش ارسال شوند.
12.داده های ورودی برای سیستم های شخصی سازی:
سیستم های شخصی سازی معمولاً به حجم وسیعی از داده نیاز دارند که ممکن است مستقیماً بوسیله سیستم مشاهده شده و یا از طریق پروسه های پیچیده، جمع آوری شوند.
1.داده های کاربر22 : منظور از داده های کاربر، اطلاعات مربوط به خصوصیات شخصی کاربر می باشد که در مواردی با داده های مورد استفاده23 که (مربوط به رفتار تعاملی کاربر می باشد)، همپوشانی دارد. در ادامه زیر دسته های این نوع داده بررسی می شوند:
1 ،1. داده های جمعیت شناختی: این داده ها در واقع حقایق موضوعی هستند مانند:
* داده های ثبتی (نام، آدرس، شماره تلفن)
* داده های جغرافیایی (کدپستی، شهرستان، استان و کشور)
* مشخصات کاربر (سن، جنسیت، تحصیلات، سطح درآمد)
* ثبت نام برای دریافت اطلاعات بیشتر در یک مبحث
* شرکت در بخت آزمایی ها
* و نظایر آن
2 ،1. دانش کاربر: فرضیات درباره دانش کاربر (و یا به طور کلی تر عقاید عمومی وی) از مفاهیم ارتباط میان مفاهیم، حقایق و قوانین، با در نظرگرفتن دامنه کاربر و سیستم همیشه یکی از مهم ترین منابع برای شخصی سازی بوده است. لازم به ذکر است که تطبیق پذیری با دانش کاربر از مفاهیم دامنه از قوانین و یا سایر موارد یکی از ابزارهای رایج در سیستم های هوشمند آموزشی می باشد.
(توجه داشته باشید که تطبیق پذیر، تطبیق پذیری هایی را مشخص می کند که در زمان اجرا صورت می گیرند و ممکن است بوسیله سیستم و یا کاربر اعمال شوند ولی قابلیت تطبیق 24 ، تطبیق پذیرهای پیش از زمان اجرا را بیان می کند؛ مثلاً بار اولی که سیستم نصب می شود).
3 ،1. مهارت ها و توانایی های کاربر: مورد قبلی چیزی که کاربر می داند را مورد استفاده قرار می دهد، در حالی که علاوه بر آن دانستن نحوه اجرا نیز می تواند در سیستم های تطبیق پذیر، نقش مهمی را ایفا نماید. از جمله سیستم های این دیدگاه می توان به سیستم های help تطبیق پذیر اشاره نمود.
4،1. علایق و ترجیحات کاربر: علایق میان کاربران یک سیستم مشابه معمولاً بسیار متغیر بوده و اطلاعات و مواردی که به دسته ایی از کاربران ارائه می شد ممکن است برای دسته ای دیگر اصلاً جالب نبوده و یا حتی مورد علاقه شان نباشد. علاقه کاربر در سیستم های پیشنهاد دهنده25 نقش اساسی ایفا می کند. این سیستم ها می توانند محصولات، خدمات، مستندات، اخبار و غیره را به کاربران پیشنهاد کنند. در این صورت علایق کاربر معمولاً به صورت علایم26 بیان می شود (که در حالت مستندات می تواند خصوصیت واژه های این مستندات باش). پیشنهادات همچنین می توانند با درخواست از کاربر برای رتبه بندی موارد ارائه شود. سپس سیستم کاربرانی با رتبه بندی های یکسان را شناسایی و مواد یکسانی را به آنها پیشنهاد خواهد کرد (فیلتر لینگ براساس collaborative و یا (clique- based
5،1. برنامه ها و اهداف کاربر: اهداف معمول کاربر می تواند یافتن موضوعی خاص و یا خرید نوع خاصی از محصول باشد سیستم هایی که کاربر را در دستیابی به اهدافش یاری می رسانند بسیار سودمند هستند چرا که سیستم از گامهای بعدی کاربر یکسری پیش فرضیاتی دارد و نتیجتاً می تواند آن ها را به روش منعطف تری تقسیر نماید.
2. داده های مورد استفاده: می توانند به صورت مستقیم مشاهده و ثبت شوند یا آن که از طریق تحلیل داده های قابل مشاهده بدست بیایند. سیستم های ابر رسانه ایی که منحصراً مبتنی بر html هستند تنها قادر خواهند بود که صفحات و فایلهایی که از سرور درخواست شده اند را ثبت کنند سیستم هایی که کنترل بیشتری در تعاملات دارند (مثلاً با استفاده از اپلت های جاوا) می توانند داده های مورد استفاده را تا سطح حرکت و کلیک ماوس ذخیره کنند. علاوه بر رفتار تعاملی زمینه مورد استفاده نیز می توانند به عنوان منبعی برای تطبیق پذیری مورد استفاده قرار گیرد. داده های مورد استفاده می توانند به صورت مستقیم مشاهده شوند که ممکن است مستقیماً به تطبیق پذیری منجر شوند و یا برای کشف قانون مندی های عمومی تر در داده های مورد استفاده قابل مشاهده به کار روند که در این صورت ممکن است برای تطبیق با ترجیحات، عادات و سطح تخصص کاربر توسط سیستم به کار گرفته شوند.
1،2 داده های مورد استفاده قابل مشاهده: راههای مختلفی وجود دارند که کاربران با یک سیستم تعامل برقرار کنند که از آن جمله می توان به موارد زیر اشاره کرد:
1،1،2.اقدامهای انتخابی: رایج ترین نوع تعامل در سیستم های مبتنی بر وب کلیک کردن بر روی یک لینک می باشد که می تواند بیانگر انواع مختلفی از داده های کاربر باشد:
علاقه: کلیک کردن کاربر بر روی یک لینک، scroll بزرگ کردن و سایر عملیات بر روی اشیا ابر رسانه نظیر صورت و تصویر می تواند ناشی از علاقه کاربر به آن فیلد باشد. (توجه داشته باشید که عدم انتخاب یک لینک توسط کاربر، الزاماً به معنای عدم علاقه در آن زمینه نخواهد بود)
ناآشنایی کاربر: کاربر ممکن است در اثر عدم آگاهی درباره یک موضوع، از روی کنجکاوری و یا به منظور کسب اطلاعات بیشتر بر روییک لینک کلیک کند.
ترجیحات: یکی از راههای استفاده از این نوع داده ها، تفسیر ترجیحات کاربر با قراردادن لیستی از اشیای بالقوه مورد علاقه کاربر در برابر وی و سپس بررسی نحوه انتخاب وی می باشد.
2،1،2. رفتار مشاهده زمانی: زمان مشاهده به عنوان یک نشانگر اصلی از میزان علاقه کاربر، مورد استفاده قرار می گیرد. اگر چه اندازه گیری زمان مشاهده واقعی نیز دشوار می باشد. (در واقع غیرممکن است که تشخیص دهیم کاربر پشت کامپیوتر نشسته یا خیر و آیا این صفحه با صفحات دیگر پوشانده شده است؟)
3،1،2. رتبه بندی: رتبه بندی اشیا (مستندات، مقالات، محصولات و …) می تواند بیانگر مرتبط بودن و یا علاقه برای کاربر به آن شی باشد. رتبه بندی می تواند به صورت باینری و یا در یک بازه (مثلاً 0 تا 5 رتبه بندی آمازون به این صورت می باشد) صورت بگیرد البته این روش با دو مشکل مواجه می باشد 1- در چه ارتباط اطلاعات همیشه به میزان (متغیر) نیاز اطلاعاتی کاربر بستگی دارد؛ مثلاً اگر کاربری یک مقاله را در مکان سوم قرار داده است، شاید به این دلیل باشد که دو مقاله اول، نیاز اطلاعاتی وی را برطرف کرده و او به صورت افزایشی میزان ارتباط را تعیین می کند 2- کاربران کامپیوتری اصولاً علاقه چندانی به رتبه بندی ندارند، آمارها نشان می دهند که کاربران نسبت به عملیات که با اهداف فوری آن ها ارتباط مستقیم نداشته و یا سوددهی آنی برایشان ندارند بی میل هستند، حتی اگر در دراز مدت سودده باشند.
4،1،2. سایر اقدامات تصدیق/ غیرتصدیق کننده: رتبه بندی از جمله اقداماتی است که می تواند اقدامات قبلی را تصدیق و یا تکذیب کند. چنین اقداماتی اگرچه خودشان قدرت نشانگری قوی نداشته باشند معمولاً برای تقویت و یا تضعیف فرضیات درباره اقداماتی قبلی نقش مهمی را ایفا می کنند از جمله این اقدامات می توان به ذخیره کردن یک صفحه book mark کردن آن، پرینت گرفتن از آن و … اشاره نمود.
2،2.قانون مندی های مورد استفاده: در بسیاری از موارد، تعاملات مشاهده شده کاربر مستقیماً به تطبیق پذیری منجر نمی شوند،بلکه نیازمند پردازش می باشند تا اطلاعات لازم از آن ها استخراج شود. از جمله این قانون مندی ها می توان به چنین مواردی اشاره کرد: فرکانس استفاده طبقه بندی رویدادها و شمارش فرکانس آن ها (مثلاً آیکون های اضافه شده و یا حذف شده از toolbar موجود در Microsoft word به همین طریق مشخص می شوند) همبستگی میان موقعیت و اقدام، زنجیره اقدامات (به منظور پیش بینی گام آتی کاربر براساس اقدام های قبلی وی و پیشنهاد و اقدامهایی براساس زنجیره اقدامات مکرر سایر کاربران)
3. داده های محیطی: نحوه کاربرد وب، ممکن است بوسیله نرم افزار/ سخت افزار مورد استفاده کاربر و نیز مشخصات مکان فعلی وی تحت تاثیر قرار بگیرد. در حال حاضر بازده وسایل سخت افزاری و نرم افزاری که با استفاده از آن ها می توان به سیستم های مبتنی بر وب متصل شد با وجود وسایلی نظیر PDA ها و تلفن های موبایل دارای این قابلیت در حال گسترش می باشد.
1،3.محیط نرم افزاری:همگی نرم افزارهای موجود تمامی قابلیت ها و ابزارهای موجود در وب سایت ها را پشتیبانی نمی کنند. این موضوع به خصوص هنگامی جلوه می کند که وسایل وب پذیرای جدید، نظیر تلفن های موبایل را به لیست این نرم افزارها بیفزائیم نسخه و platform مورد استفاده مرورگر، توانایی های plug-in ها و این که آیا کاربر تمایلی به نصب آن ها برروی کامپیوترش داشته باشد اسکریپت های جاوا و عدم وجود Java Virtual Machine نباید سبب سوء عملکرد وب سایت شود. توجه داشته باشید که آگاهی درباره محیط نرم افزاری کاربر می تواند منجر به فرضیاتی درباره داده های کاربر شود. مثلاً وجود جدیدترین نسخه بتای یک مرورگر بر روی کامپیوتر خانگی کاربری می تواند نشانگر این مطلب باشد که کاربر کار تخصصی کرده و دارای تجربه زیادی است.
2،3.محیط سخت افزاری: معمولاً میان سخت افزارهایی که تولید کنندگان صفحات وب از آن ها استفاده می کنند و سخت افزارهایی که بازدید کنندگان این صفحات مورد استفاده قرار می دهند، تفاوت زیادی وجود دارد. این تفاوت عمدتاً در:
– پهنای باند: پهنای باند موجود زمان دانلود را مورد تاثیر قرارداده و زمان دانلود کم در واقع خود عاملی است برای رضایت کاربر از یک سایت و تفسیر حالات غیرعادی در رفتار مشاهده زمانی.
– سرعت پردازش: حتی اگر پهنای باند زیاد باشد محدودیت در حافظه و یا قدرت پردازش ممکن است مانع از مشاهده صفحاتی با عکسهای حجیم و بزرگ شود.
– وسایل تصویری
– وسایل ورودی: به خصوص در محیطهایی نظیر WAP که تنها با صفحه کلید محدودی روبرو هستیم و یا تعاملات مبتنی بر صحبت در حالت رانندگی و hands free باید مدنظر قرار گرفته شوند.
3،3. محل کاربر: اطلاعات درباره محل مورد استفاده کاربر می تواند برای فیلتر کردن محتویات تطبیق پذیری (مثلاً فرمت بازنمایی ها) و ارائه پیشنهادات بر اساس دانش جغرافیایی مورد استفاده قرار بگیرند این اطلاعات شامل مکان فعلی کاربر ( از سطح کشور گرفته تا مقیاس متروسانتی متر در کاربردهای حساس به مکان) و خصوصیات محل کاربر (سطح آلودگی صوتی، میزان روشنایی محیط و اطلاعاتی درباره اشیا و مکان های موجود در محل) می شود.
بازنمایی و استنتاجهای ثانوی:
هنگامی که داده های کاربری و مورد استفاده جمع آوری شدند باید بازنمایی شده تا بتوان برای تجزیه و تحلیل بعدی آن ها را مورد استفاده قرار داد. منظور از استنتاج ثانوی نیاز به تفسیر به منظور ترکیب مدل کاربر و مدل مورد استفاده مبتنی بر نتایج اولیه کسب این داده ها می باشد. در واقع این استنتاجها دیگر ورودی فعلی کاربر را لحاظ نکرده و به همین دلیل ثانوی نامیده می شوند. به طور کلی دلیل یابی می تواند استنتاجی (از موارد عام به خاص) استقرایی ( از حالات خاص به حالات عام) و یا آنالوگ ( از موارد مشابه به مورد جاری) باشد که هرکدام این موارد و یا ترکیبی از آن ها می تواند در سیستم های ابر رسانه شخصی سازی شده به کار گرفته شده باشد ممکن است بیشتر از یک نوع از این روش ها در اصل به کار گرفته شود ولی عملاً چنین حالتی نادر می باشد.
دلیل یابی27 استنتاجی:
بازنمایی و تفسیر مبتنی بر منطق: اکثر سیستم های هسته ایی مدلسازی کاربر از روشهای مبتنی بر منطق به همراه تابع تفسیر استفاده می کنند به عنوان مثال در سیستم تطبیق پذیری ابر متن KN AHS که از سیستم هسته ایی مدلسازی کاربر به نام BGP-MS بهره می برد (که فرضیاتی را درباره عقاید کاربر؛ آشنایی کاربر با مفاهیم تخصصی موجود در یک ابر متن در نظر می گیرد) هم این فرضیات و هم دانش دامنه بوسیله یک فرمالیسم مفهومی بازنمایی می شوند. که در آن هر texual link anchor در ابر متن منطبق است با یک مفهوم به عنوان مثال فرض این که کاربر مفهوم x را می داند. بوسیله وارد کردن بازنمایی آن مفهوم در پایگاه دانش مدلسا کاربر بازنمایی می شود وهنگامی که اضافه شد خود این فرض ممکن است منجر شود به دلیل یابی های سطوح بالاتر مبتنی بر روابط میان مفاهیم که به صورت دامنه دانش ارائه شده اند سلسله مراتبی از حیوانات را نشان می دهد که می تواند برای بازنمایی دانش کاربر در این دامنه به کار گرفته شود. دو محدودیت اصلی این روش برای بازنمایی مدل کاربر عبارتند از: توانایی محدود در مواجه با موارد 1- عدم قطعیت و 2- تغییرات در مدل کاربر. در بسیاری از کاربردها، خصوصیات کاربران در طی زمان تغییر می کند و نتیجتاً یک بازنمایی از مدل کاربر، باید قادر باشد که این تغییرات را اعمال دهد.
بازنمایی و دلیل یابی با عدم قطعیت: به منظور مواجه با عدم قطعیت در سیستم های مدلسازی کاربر بسیاری از این سیستم ها، از روشهای عددی به منظور تخمین میزان اعتبار محتویا ت مدل کاربر بوسیله مقادیر شاهد، استفاده می کنند. در حال حاضر شبکه های Bayesian از مشهورترین روشها برای بازنمایی عدم قطعیت در مدلسازی کاربر و در دامنه های متفاوت محسوب می شوند از جمله روشهای مبتنی بر شاهد دیگر که در بازنمایی احتمالاتی مدل کاربر استفاده می شوند می توان به منطق فازی تئوری Dempster- Shafer و پارامترهای خطی اشاره کرد.
دلیل یابی استقرایی: فراگیری28
دلیل یابی استقرایی درباره کاربر به معنای مشاهده تعامل کاربر با سیستم کاربردی و گرفتن نتایج عمومی بر مبنای یکسری از مشاهدات می باشد. از این نوع دلیل یابی عمدتاً به فراگیری درباره کاربر نام برده می شود. الگوریتم های فراگیری اساساً می توانند به منظور تفسیر هرگونه فرضیاتی درباره کاربر به کار گرفته شوند به خصوص در حالات مدیریت روابط با مشتری29 عمدتاً برای ساختن پروفایل علاقه کاربر به صورت ضمنی و یا صریح، استفاده می شوند (منظور از پروفایل کاربر همان مدل کاربر و منظور از پروفایل علاقه، همان مدل علاقه می باشد). پروفایلهای علاقه، علاقه و تمایل کاربران را به اشیا براساس تخمین علاقه شان از علائمی از آن اشیا نشان می دهند. این نوع پروفایل در واقع مدلی است از کاربر که امکان پیشنهادات شخصی سازی شده و یا سایر انواع فیلترینگ را فراهم می سازد؛ این نوع فیلترینگ غالباً مبتنی بر علائم30 نامیده می شود چرا که به علائمی که خصوصیات اشیای احتمالاً مورد علاقه کاربر را توصیف می کنند وابسته است. روشهای مختلفی برای بدست آوردن پروفایل علاقه کاربر وجود دارند که از آن میان می توان به کاربرد شبکه های عصبی، الگوریتم نزدیکترین همسایه، طبقه گر Bayesian و درخت های تصمیم گیری اشاره کرد. همچنین در بسیاری از سیستم هایی که از فراگیری استقرایی به منظور اعمال شخصی سازی استفاده می کنند. پروفایل های علاقه به محتویات اطلاعاتی مستندات اشاره می کنند که در این حالت، علائم کلماتی هستند که کم یا بیش، مرتبط با کاربر لحاظ می شوند. در چنین حالتی می توان از روشهای کلاسیک بازیابی اطلاعات استفاده نمود.
دلیل یابی آنالوگ: این نوع دلیل یابی از این حقیقت استفاده می کند که سیستم های مبتنی بر وب، کاربران بسیار زیادی دارند و دلیل یابی آنالوگ براساس تشخیص مشابهت ها در میان کاربران بنا می شود. دو روش اصلی این نوع دلیل یابی، در ادامه معرفی می شوند:
فیلترینگ مبتنی بر Clique: مشکلی که سیستم های مبتنی بر علائم دارند، این است که همیشه لازم است که تعداد حداقلی اشیای نمونه که توسط کاربر خاص، رتبه بندی شده اند موجود باشند و به منظور یافتن قانون مندی ها میان اشیاء مورد تجزیه و تحلیل قرار بگیرند. این مشکلات با در نظر گرفتن یافتن کاربرانی که رفتار تعاملی مشابهی با این کاربر خاص دارند. قابل حل می باشد. چنین سیستم هایی تطبیق پذیری را برای کاربر خاص براساس رفتار این همسایگان علاقه انجام می دهند و مجموعه کاربران مشابه، یک پروفایل ضمنی از کاربر را خواهند ساخت. به عنوان مثال Siteseer.com انجمن های مجازی از کاربران براساس پوشه های bookmark شده شان می سازد و سپس به ازای هر کاربر می کوشد تا پیشنهاد دهندگان را پیدا کند یعنی سایر کاربران با پوشه های همپوشان در سلسله مراتب bookmark درجه این همپوشانی، میزان کیفیت یک پیشنهاد دهنده را بیان می کند و سپس صفحاتی که بوسیله همسایگان مجازی کاربر، bookmark شده اند را به عنوان پیشنهاد به کاربر ارائه می دهد (با دادن اولویت به صفحاتی که بیشترین میزان همپوشانی را در همسایگی داشته اند). به طور کلی فرآیند ارائه یک پیشنهاد سه گام دارد یافتن همسایگان مشابه: معمولاً از معیارهای مشابهت استاندارد (نظیر مدل فضا بردار) به منظور محاسبه فاصله میان بازنمایی فعلی کاربر (مانند یک بردار علامت) و بازنمایی مجموعه ای از کاربران استفاده می شود. 2- انتخاب بک گروه مقایسه از همسایگان: پس از تعیین فاصله با سایر کاربران، مجموعه ای از نزدیکترین کاربران باید انتخاب شدند که می توانند براساس یک threshold ثابت صورت بگیرد. 3- محاسبه پیش بینی براساس بازنمایی (وزن دار) همسایگان انتخاب شده: نگرش های متفاوتی برای تعیین میزان شایستگی یک همسایه به عنوان نشانگر، وجود دارد که اکثریت این ارزیابی ها براساس معیارهای آماری نظیر میانگین رتبه بندی فرد، میانگین انحراف فرد از متوسط گروه و همبستگی انحراف میان فرد خاص و این همسایه صورت می گیرند. از جمله سایت هایی که از این نوع فیلترینگ استفاده می کنند. می توان به musicmarker.com, Amazon.com moviefinder.com, ptv.ie و … را اشاره کرد.
خوشه بندی31پروفایلهای کاربران: در روش بالا، هیچ پروفایل صریحی از کاربر ساخته نشده و در عوض کاربر با تعیین مجموعه ای از کاربران مشابه خصوصیت دهی می شود. ولی در عین حال، هنگامی که پروفایلهای کاربر به صورت صریح لازم بوده و وجود نیز دارند، باز هم امکان تعیین مشابهت ها میان کاربران وجود دارد. یک روش دلیل یابی مبتنی بر کلیشه32 است که روشی است سریع برای قرار دادن کاربر در مجموعه از پیش تعیین شده ایی از گروههای کاربری (با فرض آن که کاربر مشخصات کلی این گروه را که به صورت صریح تعیین شده اند دارا خواهد بود) یک شکل این روش این است که معمولاً گروه بندی قطعی بوده و در چنین سیستم هایی امکان گروه بندی دوباره وجود ندارد و این تشخیص حالات استثنا را ( که در آن کاربر خصوصیاتی را دارا می باشد که با سایر افراد گروه اشتراکی ندارد) با شکل مواجه می سازد. روش دیگر (که در سیستم DOPPELGANGER به کار رفته است)، بدین صورت می باشد: با استفاده از روشهای Machine- learning و آمار، پروفایلهای صریح کاربران ساخته شده و با اعمال الگوریتم های خوشه بندی بر روی سرور (که تمامی پروفایلها در آن قرار دارند)، کاربران مشابه پیدا شده و پروفایلهای گروهی شکل می گیرند. و سپس پروفایلهای انفرادی می توانند با این پروفایلهای گروهی مقایسه شوند. مشابه با روش های کلیشه، اگر اطلاعات در خود پروفایل کاربر موجود نباشد. می توان از پروفایل گروه آن را بدست آورد ولی بر خلاف این روش ها، می توان درجه ایی از اعتبار به این مقادیر گروهی نسبت داد که براساس قوت آن مقدار در مدل گروه (محاسبه شده بوسیله الگوریتم خوشه بندی) و میزان فاصله میان پروفایل کاربر و پروفایل گروه، محاسبه می شود.
کاربردها:
Course personalization in E – Learning Environment33:
در این مقاله، یک مدل E-Learning به منظور ارائه یک محیط ماجولار آموزشی- هم برای فراگیران و هم برای اساتید – معرفی شده است. در این مدل، درس ها/ دوره ها به صورت نودهای یک گراف، نمایش داده شده و یالهای (جهت دار) این گراف، تقدم و تاخر آنها را نشان می دهد. یک موتور تولید ارائه درسها، مسیرهای مشخص شخصی سازی شده را با در نظرگرفتن پروفایل فراگیر و استاد با شروع از سطح دانش فعلی دانش آموز، تا سطحی که باید به آن برسد، ایجاد کرده و آنها را به صورت یک درخت نمایش خواهد داد. هسته اصلی این مدل، تور34 می باشد که از 2 بخش تولید و نمایش (ارائه) درسها، تشکیل می شود.
بخش DDB از ماجول Courses، شامل تمام واحدهای درسی CU)ها) است که با مشخصاتشان، در یک گراف مرتب شده اند (بدون در نظرگرفتن درسی که متعلق به آن هستند) این بخش با ارائه این واحدهای درسی به Course Generator با آن در ارتباط می باشد. ماجول profiles، شامل تمامی پروفایلهای مربوط به اساتید (شامل نکات و دستور العملهای آموزشی مربوط به هراستاد) و فراگیران (شامل زمان آزاد بودن، دانش اولیه، روش تدریس ترجیح داده شده، تاریخچه و …) می باشد Virtual Environment به کار رفته نیز می تواند یک وب سایت، یک کامپیوتر و یا حتی SMS هایی درباره درسها باشد.
Discovering Students Models in E- Learning Systems
در این مقاله، بر روی مولفه ای به نام profile Extractor از سیستم E-Learning تمرکز شده است که اختصاصاً به شخصی سازی می پردازد. بدین نحو که به صورت اتوماتیک، ترجیحات، نیازها و علائق فراگیر را کشف کرده و مدل را براساس کارایی آموزشی و وسایل ارتباطی، بنا می نهد. داده های جمع آوری شده در مورد هر دانشجو، ابتدا از یک سری آزمون های پیش نیاز(مانند دانش پیش زمینه، اهداف تحصیلی، انگیزه ها، وسایل ارتباطی مورد علاقه و …) جمع آوری شده و سپس با استفاده از log های مبربوط به هر فراگیر، بهنگام می شوند.
روش کار profile Extractor بدین نحو می باشد که امکان دسته بندی کاربران را از طریق تعاملاتشان با سیستم فراهم می کند. هسته Profile Extractor را WEKA تشکیل می دهد که یک ابزار آموزشی است مبتنی بر ماشین، تولید شده در دانشگاه Waikato در نیوزیلند، این ابزار به منزله یک واسط یکدست برای بسیاری از الگوریتمهای آموزشی، عمل می کند. در این مقاله برای هماهنگی با WEKA از XWEKA استفاده شده است؛ نسخه ای از WEKA با قابلیتهای XML که ورودی را در فرمت XML پذیرفته و خروجی را نیز به همین فرمت تولید می کند.
A personalized E- Learning System Based on User profile Constructed Using Information Fusion35
در این مقاله، یک سیستم آموزش الکترونیکی شخصی سازی شده براساس معماری IEEE در زمینه تکنولوژی سیستمهای آموزشی36 ارائه شده است که دارای مولفه های اصلی زیر می باشد: یک feedback extractor با قابلیت fusion که معیارهای چند گانه بازخورد را ترکیب کرده و ترجیحات کاربر را استنتاج می نماید و یک User profiler که با استفاده از متدهای collaborative filtering اطلاعات شخصی سازی شده را برای کاربر ارسال می نماید.
با استفاده از پروفایل کاربر می توان منابع آموزشی را به صورت شخصی شده ایجاد کرد؛ همچنین می توان گروههایی از کاربرانی با علائق و سطوح مشترک تشکیل داد، به نحوی که feedback های دریافت شده از یک فرد به عنوان راهنمایی برای ارسال اطلاعات به سایر افراد گروه مفید شود.
* Information Fusion : نقطه مشترک میان تمام کاربردهای Information Fusion نیاز به بازیابی اطلاعات در مورد یک شی بخصوص و از منابع داده ای چندگانه، می باشد. به عنوان مثال در این سیستم ، برای ارزیابی ترجیحات کاربرد چندین نشانگر وجود دارد که ترکیب کردن آنها به منظور دستیابی به نتیجه پیچیده تر و دقیقتر، نیازمند بکارگیری روشهای fusion می باشد. این مساله در اینجا به صورت یک مشکل در سطح تصمیم گیری مطرح شده و روشهای به کار رفته در این سطح عبارتند از رای گیری37 Bayesian inference و روش Dempster Shafer
معماری سازمان:
در شکل زیر معماری IEEE را مشاهده می فرمایید که شامل 3 نوع مولفه می باشد:
* فرایندها: موجودیت فراگیر، ارزیابی، مربی و ارسال
* انباره ها: منابع آموزشی و سوابق فراگیر
* جریانها: ترجیحات کاربر، رفتارها، اطلاعات ارزیابی، query catalog info مکان نما، محتوای آموزشی،multimedia، و مضمون تعاملات.
تبادل اطلاعات میان فرآیندها و انباره ها از طریق جریانها صورت می گیرد. در این سیستم، مدلهای مفهومی IEEE با مولفه های نشان داده شده در شکل زیر نمونه سازی شده اند. توجه داشته باشید که لینک میان مربی (User Profiler) و موجودیت فراگیر به خاطر آنکه بازخوردها به صورت ضمنی جمع آوری می شوند، برداشته شده است.
منابع آموزشی و User Profile:
منابع آموزشی (مانند صفحات وب)، بر اساس موضوعاتشان در یک ساختار مبتنی بر دانش 38ontology فرار می گیرند.
تعریف 1: هر صفحه وب pg، به صورت یک عنصر با 4 صفت مشخص می شود:
Pg=<id, co, tp, l>
که در آن id: یک شناسه یکتا، co: محتوای صفحه،tp: سرفصل صفحه و l : بیانگر سطح آن صفحه یعنی مبتدی، متوسط و یا پیشرفته می باشند.
تعریف 2: یک پروفایل کاربر upf، به صورت یک عنصر با 4 صفت مشخص می شود:
Upf = <id, bh, ch, ls> که در آن id: یک شناسه یکتا،
Bh: سابقه browsing است که به صورت نشان داده شده و صفحه وبی است که توسط کاربر خوانده شده و ترجیحات کاربر است بر صفحه
Ch: سابقه گفتگو به زبان طبیعی،
Ls: سطح تخصصی است که به صورت نشان داده شده و بیانگر یک سرفصل و : بیانگر سطح آن سرفصل یعنی مبتدی، متوسط و یا پیشرفته می باشند.
Feedback Extractor
این مولفه کلیه feedbackها را به منظور ارزیابی نهایی ترجیحات کاربر جمع اوری کرده و از 2 بخش تشکیل می شود:
* Feedback Indicator : بنا به تعریف، تابعی است که یا 0 برمی گرداند (به معنای عدم وابستگی با ترجیحات کاربر) و یا 1 (به مفهوم وابستگی با ترجیحات کاربر)4 Feedback Indicator به صورت ضمنی در این سیستم به کار گرفته شده اند که عبارتند از:
زمان خواندن: اگر کاربر صفحه pg را در زمانی بیش از بخواند 1 و در غیر این صورت 0 بر می گرداند.( : یک آستانه از پیش تعریف شده است)
Scroll: اگر تعداد scrollهای صورت گرفته توسط کاربر بر روی صفحه pg (چه با استفاده از ماوس و چه با استفاده از صفحه کلید)، بیش از یک آستانه از پیش تعریف شده است)
Print/Save: اگر کاربر صفحه pg را ذخیره کرده و یا از آن پرینت بگیرد، 1 و در غیر این صورت 0 برمی گرداند.
شاخص رابطه ای: اگر کلمات کلیدی صفحه pg در سابقه گفتگوی کاربر (ch)، بیش از بار تکرار شود 1 و در غیر این صورت، 0 برمی گرداند.
Fusion Model: فرض کنید که H فرض آن باشد که کاربر با توجه به نشانگرهای مستقل ترجیح مثبت دارد، در این صورت احتمال استقرایی H39 می تواند با استفاده از روش Bayesian حاصل شود:
که در آن p(H)=1-p(H)
احتمالات مشاهده نشانگر هستند به شرط H
P(H) احتمال قیاسی40 فرض H می باشد.
User Profiler
این مولفه از هسته های اصلی سیستم بوده و از 2 تابع تشکیل می شود:
* ارزیابی سطح تخصصی: که به صورت کلی با استفاده از میانگین ترجیحات معلوم می شوند. سطح کاربر در سرفصل tp برابر با سطح صفحه ای با این سرفصل خواهد بود که بیشترین میانگین علاقه را دارد.
* راهما برای ارسال: ارسال اطلاعات براساس الگوریتم collaborative- filtering صورت می گیرد.
در شکل زیر دیاگرام سیستم و نمونه ای از واسط آن را مشاهده می کنید که در آن امکانات مختلفی برای ارسال اطلاعات مانند whiteboard (بالا راست) اتاق گفتگو (پائین راست) و browser وب به صورت شخصی سازی شده ارائه شده اند.
AES- CS: Adaptive Educational System based on cognitive Styles41
در این مقاله به معرفی نحوه طراحی و توسعه با یک سیستم آموزشی تطبیق پذیر با در نظر گرفتن روشهای شناختی42پرداخته شده است. با وجود آن که روشهای شناختی یکی از عوامل مهمی می باشند که باید از سوی طراحان و مدرسان ابزارهای آموزشی مبتنی بر ابررسانه مد نظر قرار گیرند ولیکن تاکنون تحقیقات اندکی از زمینه تطبیق پذیری سیستمهای ابررسانه با روشهای شناختی فراگیران، صورت گرفته است.
روشهای شناختی:
باید توجه داشت که میان روشهای فراگیری43 و روشهای شناختی، تفاوت وجود دارد. روش شناختی با فرم فعالیت شناختی (یعنی: فکرکردن، درک کردن و به خاطر آوردن) در ارتباط می باشد و نه محتوای آن روش فراگیری به عنوان ساختار گسترده تری مشاهده شده و شناخت را در رابطه با روشهای فیزیولوژی و نیز عاطفی شامل می شود. روش شناختی معمولاً به عنوان یک بعد شخصیتی توصیف می شود که عقاید اندیشه ها و تعامل اجتماعی را تحت تاثیر قرار می دهد و به روش ترجیح داده شده یک فرد برای پردازش اطلاعات، اشاره می کند تقسیم بندیهای گوناگونی برای روش های شناختی وجود دارد که از شناخته شده ترین آن ها می توان به44 FD/FI اشاره کرد. این تقسیم بندی به تمایل به مواجه شدن با محیط به صورت تحلیلی و یا کلی همه جانبه می پردازد، مطالعات در این زمینه وجود روابطی میان این نوع روش شناختی و فراگیری را نشان می دهد از جمله قابلیت فراگیری از محیطهای اجتماعی، انواع کمکهای آموزشی مورد نیاز برای تقویت فراگیری و مقدار ساختار ترجیح داده شده در یک محیط تحصیلی فراگیران FI معمولاً در دیدگاهشان به صورت تحلیلی عمل کرده و تمایل دارند که به صورت درونی دارای انگیزه باشند، اهدافشان را خودشان تعریف کرده و از فراگیری انفرادی لذت می برند، در حالی که فراگیران FD، به صورت همه جانبه و کلی عمل کرده (جنگل را به درختان ترجیح می دهند) و انگیزه های آنها به صورت برونی و خارجی بوده و مایل هستند که اهدافشان به صورت خارجی تعریف شود و از آموزش و یادگیری به صورت گروهی و همیاری لذت می برند.
نکات به کار رفته در طراحی ابررسانه ای تطبیق پذیر:
به منظور در نظرگرفتن روشهای شناختی متفاوت فراگیران باید بتوانند که از حالتهای آموزشی متفاتی به منظور برآوردن نیازهای شخصی و نیز افزایش کارایی، بهره برند. به همین دلیل در طراحی چنین سیستمهایی، علاوه بر روش شناختی، باید به استراتژی تدریس نیز توجه شود. منظور از استراتژی تدریس، مواد آموزشی و استراتژی آموزش این مواد، می باشد. در جدلو زیر، استراتژی های تدریس متفاوت به کار گرفته شده در AES-CS و نوع روش شناختی که این استراتژی ها از آنها پشتیبانی می کنند، آمده است:
FIELD-Independent Iearners
Field-Dependent Iearners
Provide analytical approach
Provide global approach
Provide information from specific to general
Provide information from general to specific
Leamer control
Program control
Provide post organizer
Provide advance organizer
Provide minimal instructions
Provide maximum instructions
Provide minimal feedback
Provide maximum feedback
Allow Ieamers to develop their own structure
Provide structured lessons
Provide Graphics path Indicator
Provide individual environment
Provide social features
در ادامه به بررسی تعدادی از این استراتژی ها و نحوه پیاده سازی آنها در AES-CS می پردازیم:
کنترل توسط برنامه/ کنترل توسط کاربر: مطالعات نشان داده است که کاربران FD در استفاده از کنترل توسط برنامه کارآیی بهتری دارند و کاربران FI بیشتر کنترل توسط کاربر را ترجیح می دهند. در حالت کنترل توسط کاربر، این کار از طریق یک منو صورت می گیرد که بوسیله آن کاربر می تواند معین کند که درس را به چه ترتیبی جلو رود. در حالت کنترل توسط برنامه، منویی وجود ندارد ولی سیستم کاربر را در طی ماده آموزشی از طریق گشت و گذار تطبیق پذیر، هدایت می کند.
استفاده از نظم دهنده مبتنی بر متن: ابزار دیگری که در AES-CS به کار رفته است، کاربرد نظم دهنده مبتنی بر بتن با توجه به بعد FD/FI می باشد. کاربران FD بیشتر از نظم دهنده های پیشین و تصویری45 بهره می برند و کاربران FI نظم دهنده های پسین تصویری46 را ترجیح می دهند. نظم دهنده پیشین مانند پلی بین یک واحد و واحد بعدی عمل می کند. هم چنین شمایی از مفهوم جدید را برای کاربر فراهم می کند. نظم دهنده پسین به بازسازی دانش بدست آمده کمک می کند و بعد از ارائه اطلاعات جدید به کاربر ارائه می شود.
ساختار: AES-CS دو نوع ابزار گشت و گذار را برای کاربران فراهم می کند تا بوسیله آن بتوانند ساختار دامنه و دانش را سازمان دهند: مفهومی و نمایشگر گرافیکی مسیر نقشه مفهومی، بازنمایی تصویری دامنه دانش بوده و در آن مفهومها، به صورت گروه ها نشان داده شده و روابط میان آنها بوسیله لینکهای جهت دار تعیین می شود این نقشه ها انعطاف پذیر می باشند چرا که دانش آموزان می توانند از آنها استفاده کنند برای تولید نقشه های خودشان به منظور بازنمایی دامنه های متفاوتی از دانش در محیط AES-CS از این نقشه ها برای کمک به کاربران FD استفاده می شود تا بتوانند تصویر کلی را ترسیم کرده و جزئیات را در دورنما در نظر داشته باشند. نمایشگر گرافیکی مسیر، به صورت پویا ساخته شده و مبحث فعلی قبلی و بعدی را ارائه می دهد. این نمایشگر در پائین هر صفحه قرار گرفته و همسایگان هر مبحث را به صورت محلی (local) نشان می دهد.
معماری سیستم و پیاده سازی:
مهم ترین ویژگی AES-CS آن است که می تواند با روش شناختی و سطح دانش فراگیر تطبیق داده شود. سیستم از سه مدل اصلی تشکیل می شود: مدل دامنه، مدل فراگیر و ماجول تطبیق پذیری.
مدل دامنه: مجموعه ای است از مفاهیم دامنه و به عنوان پایه ای برای ساختن محتویات AES-CS استفاده می شود هر مفهوم از مجموعه ای از سرفصلها تشکیل می شود که قطعات اصلی دانش را برای دامنه مفروض ارائه داده و حجم آنها به دامنه بستگی دارد. سرفصلها به هم لینک داده شده و نوعی از شبکه مفهومی را تداعی می کنند که در واقع ساختار دامنه دانش را شکل می دهد. در سیستم AES-CS هر صفحه ابررسانه فقط به یک سرفصل اختصاص دارد.
مدل فراگیر: سه دسته از اطلاعات باید در مدل دانش آموز لحاظ شوند: پروفایل شخصی که شامل داده های ایستا نظیر نام و رمز عبور می باشد، پروفایل شناختی که شامل داده های تطبیق پذیر نظیر ترجیحات روش شناختی می باشد و یک پروفایل overlay از دانش فراگیر که دانش فراگیر را بر روی یک مبحث نشان می دهد. به جزئیات این اطلاعات در جدول زیر توجه فرمائید (جدول 2
How acquired
Value
Item
Type
User
Free text
Name
Personal profile
User
Free text
Password
user of system
FD or FI
Cognitive style
Cognitive profile
user of system
Yes or No
Program Control
user of system
Yes or No
Leamer Control
user of system
Yes or No
Advance Organizer
user of system
Yes or No
Post Organizer
user of system
Yes or No
Graphics path Indicator
user of system
Unknown
Know
Leamed
Well-Leaned
Concept 1
Knowledge profile
-//-
-//-
Concept 2
در این پروژه از آزمون group Embedded figures به منظور شناسایی کاربران FD و FI استفاده شده است. دراین آزمون، کاربران اطلاعات را به صورت یکسری اشکال ساده مشاهده می کند که این اشکال به صورت مستقل، در داخل شکل پیچیده تری، نهفته هستند.
ماجول تطبیق پذیری:
AES-CS تطبیق پذیری را از طریق تکنیک ارائه تطبیق داده شده اعمال می کند و بدین ترتیب اطلاعات بنا به روش شناختی فراگیر و سطح دانش وی برای وی شخصی سازی شده و ارسال می شود ارائه تطبیق داده شده می تواند به دو حالت متن شرطی و یا صفحات متنوع ارائه شود. در حالت اول هر صفحه به بخشهایی تقسیم شده و هر بخش دارای شطی است که بیانگر نوع کاربری است که باید صفحه به او ارائه شود. در حالت دوم، به ازای هر مبحث، دو نسخه ازصفحه وجود دارد که بنا به نوع روش شناختی فراگیر (FD/FI) صفحه مناسب برای وی ارسال می شود. حالت دیگر تطبق پذیری، پشتیبانی از گشت و گذار تطبیق پذیر می باشد که به کاربر کمک می کند تا مسیر درست را در یک محیط آموزشی ابررسانه بیابد. این امکان در حالتی که گزینه کنترل توسط کاربر را داریم وجود ندارد ولی درمورد کنترل توسط برنامه از طریق انتخاب و ارائه لینکها بوسیله حاشیه گذاری تطبیق پذیر که اطلاعات اضافی درباره محتویات یک ابرلینک را به کاربر ارائه می دهد و یا راهنمایی مستقیم امکان پذیر می باشد.
Adaptive Learning systems in the World Wide Web47
در این مقاله به معرفی ELM-ART پرداخته شده است که با توجه به نوع تکینکهای تطبیق پذیری به کار گرفته شده از دو نوع مدلسازی کاربر استفاده می کند: ی مدل overlay چند لایه که امکان حاشیه گذاری لینکها و ترتیب درسها را برای افراد فراهم می سازد و یک مدل کاربر episodic که این امکان را برای سیستم مهیا می سازد که روشهای تشخیص مساله را توسط هر دانش آموز تشخیص داده و مثالهای شخصی سازی شده را برای تمرینهای برنامه سازی به آنها ارائه بدهد.ELM-ART یک دوره مقدماتی Lisp است که از یک کتاب الکترونیکی و ابزارهای تعاملی نظیر آزمون و پرسش، برنامه نویسی تعاملی، ارزیابی برنامه های نوشته شده و ارتباط با مدرس و سایر فراگیران از طریق یک chatroom تشکیل می شود:
مدل overlay چند لایه:
دانشی که باید از واحدهای کتاب آموخته شود به صورت شبکه ای از مفاهیم عرضه می شود. واحدها به صورت سلسله مراتبی از درسها، بخشها، زیربخشها و صفحات نهایی تشکیل شده اند. صفحات نهایی می توانند مفاهیم جدیدی را معرفی کرده و لیستی از کارهایی که باید صورت بگیرد و ماسله ها را ارائه دهند. هر واحد شی ایی است که از یک سری slot برای واحد بعدی که باید ارائه شود با صفحات مرتبط با آن و برای اطلاعاتی که می توانند واحدها و مفاهیم را به هم مرتبط سازند تشکیل شده است. Slotها، اطلاعاتی را در مورد مفاهیم پیش نیاز، مفاهیم مرتبط و نتیجه واحد (مفهومی که باید در طی آن واحد آموخته شود) ذخیره می کند.
مدل overlay در این سیستم 4 لایه است
1.آیا کاربر صفحه ای در ارتباط با مفهومی را قبلاً مشاهده کرده است یا خیر؟
2.اطلاعاتی در این مورد که کاربربر روی چه تمرین و یا آزمون مرتبط با این مفهوم کار کرده است؟ و آیا تمرین برنامه نویسی و یا آزمون پرسش و پاسخ را (با توجه به معیارها) موفق گذرانده است؟
3.آیا یک مفهوم را می توان از روی لینکهای ارجاعی که کاربر قبلاً بر روی یک موضوع پیشرفته تر دنبال کرده است به عنوان دانسته تلقی کرد؟
4.آیا کاربر یک مفهوم را به عنوان قبلاً دانسته علامتگذاری کرده است؟
با استفاده از این لایه ها امکان حاشیه گذاری لینکها و ترتیب ارسال درسها برای هر فرد مهیا می شود، 5 حالت کلی برای حاشیه گذاری لینکها وجود دارد:
1.قبلا آموخته شده
2.استنتاج شده (اگر حالت انباشد و از طریق لایه 3، استنتاج شود که قبلاً آموخته شده است)
3.خود کاربر بیان کرده که بلد است
4.آماده و مناسب برای مطالعه
5.ناآمده برای مطالعه
مدل کاربر episodic : دانش سیستم از دامنه دانش LISP و دانش episodic درباره یک کاربر بخصوص تشکیل می شود. مدل فردی کاربر از مجموعه ای از اپیزودها تشکیل می شود که هرکدام توصیفی اند از نحوه حل مساله توسط یک دانش آموز بخصوص این توضیحات در واقع ساختارهای توضیحی اند از این که یک دانش آموز چگونه یک تمرین برنامه سازی را حل کرده است؟ دانش به کار گرفته شده درمدل episodic از یک48 heterarchy از مفاهیم و قوانین تشکیل می شود در واقع هر اپیزود ذخیره شده شامل تمامی اطلاعات درباره مفاهیم و قوانینی است که لازم هستند تا قطعه کد تولید شده توسط دانش آموز به عنوان راه حل مساله را تولید کنند. اپیزودها به صورت خرده ریز49 ذخیره می شوند هر خرده ریز یک مفهوم و قانون به کار گرفته شده برای حل یک طرح و یا زیرطرح از تمرین برنامه نویسی را توصیف می کند. برای ساختن مدل کاربر کد تولید شده توسط یک کاربر با توجه به دامنه دانش از یک سو و تعریف مساله از سوی دیگر تحلیل می شود. به این ترتیب به درختی از مفاهیم و قوانین می رسیم که ممکن است کاربر برای حل مساله از آنها استفاده کرده باشد. در واقع این مفاهیم و قوانین نمونه هایی از واحدهایی از پایگاه دانش می باشند مدل ایپیزودیک کاربر از این نمونه ها ساخته می شود.
ELM-ART امکانات تطبیق پذیری دیگری نیز مانند رنگ حاشیه گذاری لینکها، خاموش و یا روشن کردن حاشیه گذاری، خواندن فقط متن، بدون نمایش تمرینها، دارا می باشد.
Knowledge Tree: Adistributed Architecture for Adaptive E-Learning50
در این مقاله به بررسی Knowledge Tree پرداخته شده است یک معماری برای آموزش الکترونیکی تطبیق پذیر مبتنی بر فعالیت های آموزش هوشمند قابل استفاده مجدد و توزیع شده هدف Knowledge Tree پوشاندن شکاف موجود میان دیدگاههای پر طرفدار تحصیلات مبتنی بر وب و فناوریهای قدرتمند ولی کم بهره برده شده در زمینه آموزش هوشمند و ابررسانه ای تطبیق پذیر می باشد ساختار آن براساس وجود حداقل 6 نوع سرور بنا شده است: سرورهای فعالیت، خدمات افزودن ارزش، پورتالهای آموزشی و سرورهای مدل فراگیر. این سرورها در واقع بیانگر علایق سه دسته اصلی از ذی نفعان در آموزش الکترونیکی امروزه می باشند ارائه کنندگان خدمات و محتویات، ارائه کنندگان دوره های درسی و دانش آموزان.
پورتال آموزشی: نیازهای ارائه کنندگان دوره های درسی (اساتید،معلمان، دانشگاهای مربوط و …) را بیان می کند. یک پروتال از دو جنبه نقشی مشابه LMS های امروزه بازی می کند:
1.یک نقطه ورود تمرکز برای دانش آموزان عضو ارائه می کند که از طریق آن می توانند با تمام ابزارهای آموزشی و بخشهای محتویات که درمتن دوره های درسی ارائه شده قرار گرفته اند کار کنند.
2.به استاد مربوطه درس این امکان را می دهد که با توجه به نیازهای دوره درسی دسترسی به بخشهای توزیع شده را ساختار دهی نماید.
در واقع پورتال مولفه ای از ساختار است که بر پشتیبانی از یک درس کامل متمرکز شده است. همانند LMSها یک واسط تالیف درس را برای استاد ارائه می دهد و یک واسط زمان اجرا را نیز برای دانش آموز، اجرا می کند. در Knowledge Tree فعالیت ها (منظور محتوای آموزشی+ خدمات پشتیبانی آموزشی می باشد) از طریق پورتال و بوسیله چندین سرور فعالیت ارائه می شوند. پورتال این قابلیت را دارد که سرور فعالیت را برای فعالیت های مرتبط، پرس و جو و یا فعالیت های (راه دور) انتخابی توسط فراگیران و یا خود پورتال را، فراخوانی کند.
سرور فعالیت: مولفه ای است که بر روی نیازهای بالقوه ارائه کنندگان خدمات و محتویات، تمرکز می کند. این مولفه نقشی شبیه مخازن تحصیلی در ابزارهای تحصیلی با دیدگاههای قابل استفاده مجدد، بازی می کند: محتویات آموزشی قابل استفاده مجدد را پذیرا می باشد. تفاوت میان این مولفه و یک مخزن تحصیلی معمولی در 2 عامل است:
1- برخلاف مخازن که انبارهایی برای ذخیره اشیا آموزشی ساده و اکثراً ایستا هستند، یک سرور فعالیت می تواند محتویات آموزشی را در سطح بالایی از تعامل و تطبیق پذیری، پذیرا باشد. همچنین می تواند شامل خدمات آموزشی تعاملی نظیر جلسات بحث و بررسی و یاحاشیه گذاری اشتراکی باشد.
2- نحوه استفاده مجدد از یک محتویات در این مولفه متمایز است: اشیای آموزشی ساده کپی شده و در درسهای جدید به منظور استفاده مجدد درج می شوند. ولی یک فعالیت به منظور استفاده مجدد ارجاع دهی شده و از طریق سرور مربوطه ارسال می شود.
وظیفه یک سرور فعالیت، پاسخگویی به درخواست های پورتال و خدمات افزودن ارزش برای فعالیت های مشخص و ارائه پشتیبانی کامل برای دانش آموزانی است که با هر یک از فعالیت های قرار گرفته در سرور، در حال کار می باشند. فعالیتهای ارسالی می توان شکل 11- عناصر اصلی معماری Knowledge Tree می تواند اطلاعات مربوط به یک دانش آموز را از سرور دانش آموز دریافت کرده و آن را بهنگام سازد و به این طریق یک تجربه آموزشی کاملاً شخصی سازی شده ایجاد نماید.
خدمت افزودن ارزش: امکانات پورتال و سرور فعالیت را ترکیب می کند. قادر است که محتویات و خدمات خام را از خودش عبور داده و کاربردهای ارزش مندی را به آنها اضافه کند مانند: adaptive sequencing حاشیه گذاری، تصویر سازی و این سرویس قادر است مانند یک پورتال، سرورهای فعالیت را مورد پرس و جو قرار داده و به فعالیتها دسترسی داشته باشد. همچنین مانند یک سرور فعالیت می تواند توسط پورتال مورد پرس و جو و دسترسی قرار گیرد. این خدمات نگهداری شده و از آن جا که مستقل از درس می باشند، می توانند در درسهای گوناگونی مورد استفاده قرار بگیرند.
سرور مدل فراگیر: این مولفه پاسخگوی نیازهای دانش آموزان در پروسه آموزش الکترونیکی می باشد و نقش مهمی در شخصی سازی آموزش الکتریکی توزیع شده ایفا می کند. می تواند توسط یک ارائه کنند (مثلاً دانشگاه) نگهداری شده و یاتوسط خود دانش آموزان
سرور مدل فراگیر: CUMU LATE
ایده اصلی این سرور، آن است که شواهد (رخدادهایی) مربوط به فراگیر را جمع آوری کند. این شواهد از طریق سرورهایی که با فراگیر در تعامل می باشند جمع آوری شده و سپس به مجموعه قابل اشتراکی از پارامترهای فراگیر که برای مدلهای دانش آموز کلاسیک، عمومی هستند پردازش می شود. هر رخداد سرور فعالیت نوع رخداد (مثلاً صفحه خوانده شده، پرسش پاسخ داده شده؛ مثال تحلیل شده، فعالیتی که رخداد را ایجاد نموده و نتیجه و حاصل رخداد را مشخص می کند. این رخدادهای جمع آوری شده با برچسب های زمانی در بخش انبار رخداد فراگیر ذخیره می شوند، که بصورت یک پایگاه داده رابطه ای، پیاده سازی شده است. مدل فراگیر همچنین شامل عاملهای استنتاج داخلی و خارجی می باشد که هر عامل، جریان رخدادها را به طریق متفاوتی پردازش کرده و مقادیر موجود در بخش مدل استنتاج در سرور را به صورت زوجهای (خصوصیت، مقدار) و سه تایی های (خصوصیت، شی، مقدار) بهنگام می کند. این زوجها و سه تایی ها سطح بالایی مدل را شکل می دهند که می تواند توسط سرورهای فعالیت و پورتالها که از یک پروتکل پرس و جوی استاندارد استفاده می کنند، مورد پرس و جو قرار بگیرد. هرعامل موظف است که یک خصوصیت مشخص را در مدل استنتاج نگهداری کند. (به عنوان مثال یک عامل رشته رخدادها را پردازش می کند به منظور استخراج سطح فعلی انگیزه دانش آموز و عامل دیگری ممکن است رشته را به منظور استنتاج سطح فعلی دانش آموز به ازای هر کدام از مباحث درس مورد پردازش قرار دهد).
منابع
1- Vincenza Carchiolo, and Alessandro Longheu, Michele Malgeri and Giuseppe Mangioni, Course Personalization in E-Learning Environment, ICALT 2003
2- Floriana Esposito, and Oriana Licchelli, and Giovanni Semeraro, Discovering Student Models in e-learning Systems Universal Computer Science,vol.10, no. 1 (2004)
3- Xin Li, and Shi-Kuo Chang,A personalized E-Learning System Based on User profile Constructed Using Information Fusion,University of pitssburgh,USA, 2004
4- Peter Brusilovsky, Adaprive Hypermedia,User Modeling and User-Adapted Interaction 11:87-110,2000, Kluwer Academic publishers
5- Alfred Kobsa, Generic User Modeling Systems, User Modeling and User-Adapted Interaction 11:46-93,2001, Kluwer Academic Publishers
6- John Self, The Role of Student Models in Learning Environments,in Transactions of the Institute of Electronics,Information and Communication Engineers,3-8,1994
7- Ion Juniva,and Herre van oostendorp, predicting User preferences-From Semantec to pragmatic Metrics of Web Navigation Behavior,Utrecht University,The Netherlands.
8- Peter Brusilovsky, From Adaptive Hyermedia to the Adaptive Web: Mensch & Computer 2003: Interaktion in Bewegung. Stuttgart: B.G. Teubner, 2003,S.21-24
9- Peter Brusilovsky, Layered evaluation of adaptive learning systems, Int. J. Cont. Engineering Education and Lifelong Learning Learning, Vol. 14, Nos. 4/5, 2004
10- Josef Fink, Alfred Kobsa, A Review and Analysis of Commercial User Modeling and User- Adapted Interaction 10:209-249,2000
11- Addie Johnson, Niels Taatgen, CHAPTER 25: User Modeling, University of Groningen.
12- Alfred Kobsa, Jurgen Koenmann,Wolfgang pohl, Personalised hypermedia presentation techniques for improving online customer relationships, The Knowledge Engineering Review, Vol.16:2,111-155, 2001, Cambridge University press.
13- Gerhard Weber,Adaptive Learning Systems in the World Wide Web, Department of psychology, University of Education Freiburg,Gommercial
14- Josef Fink, Alfred Kobsa,A Review and Analysis of Commercial User Modeling Servers for personalization on the World Wide Web,User Modeling and User-Adapted Interaction 10: 209-249,2000
15- E. Triantafillou, A pomportis, E.Georgiadou,AES-CS: Adaptive Educational Sysrems based on Cognitiv Styles, proc. Of AH 2002 workshop on Adaptive Systems for Web-based Education.
16- Declan Dagger, Vincent Wade and Owen Conlan, personalization for All: Making Adaptive Course Composition Easy, Knowledge and Data Engineering Group, Department of Computer Science, Trinrty College Dublin,Ireland, Educational Technology & Society, Vol 8-3,2005
17- P Brusilovsky, Knowledge Tree: A Distributed Architecture for Adaptive E-Learning, University of Pitssburgh, ACM,2004
18- Tom Hannigan & Christina palendrano, personalization Can Be Quite Dynamic, data warehousing and analytics editorial from DMReview,October 2002
19- Horst Treiblmaier, Maria Madlberger, Nicolas Knotzer Irene pollach Evaluating personalization and Customization from an Ethical point of View: An Empirical Study, Vienna University of Economics and Business Administration Austria, IEEE 2004
20- Jie Lu, A personalized e-Learning Material Recommender System, proceedings of the 2nd International Conference on Information Technology for Application (ICITA 2004)
21- Personalization And CRM. Know The Customer, http://www.edocmagazine.com/
22- IEEE LTSC: http://ltsc.ieee.org1/index.html,retrieved on Oct.2005
1- Student Modeling
2 – Jay Cross, Internet Time.com
3 – Research Company IDC
4- Maish Nichani, 2001
5- AHS: Adaptive Hypermedia Systems
6- Adaptive Educational Hypermedia Systems
7- Concept
8- Semantic Network
9- Topecs
10- overlay
11- Grained
12- Generic User Modeling Systems
13- Alfred Kobsa, User Modeling: Recent Work, Prospects and Hazards, University of Konstanz, 1993
14- User Modeling Shell Systems
15- interface
16- tailor
17- Domain Midel
18- Learner Model
19- live
20- Adaptation Model
21- Personalzation
22- User Data
23- Usage Data
24- Adaptive
25- Recommender System
26- Feature
27- Reasoning
28- Learning
29- Customer Relationship Management (CRM)
30- Feature- based
31- Clustering
32- Streotype- based
33- Vincenza Carchiolo, Alessandro Longheu, Michele Malgeri and Giuseppe Mangioni, Course Personalizarion in E- Learning Environment ICALT2003
34- Engine
35- xin Li, Shi- Kuo Chang, Aersonalized E- Learning Sysrem Based on User profile Constructed Using Information Fusion, University of pitssburgh, USA,2004
36- IEEE Learning Technology Systems Architecture (IEEE LTSA)
37- voting
38- Ontology Knowledge Base (OKB)
39- Posteriori probaility
40- prior probability
41- E.Triantafillou, A.Pomportis, E. Georgiadou AES- Cs: Adaptive Educational Sysrem based on cognitive 41styles, procesdings of Workshop on Adaptive Systems for Web-based Education,Spain,2002
42- Cognitive style
43- Learning style
44- Field Dependent/Field Independent
45- IIIustrative Advanced Organizer
46- IIIustrative Post Organizer
47- E.Weber Adaptive Learning Systems in the World Wide Web, University of Education Freiburg, Germany,1997
48- Like a hierarchy, but a node connected to any of its surrounding node.
49- Scippet
50- Brusilovsky, Knowkedge Tree: Adistributed Architecture for Adaptive E- Learning, University of pitssburgh, ACM, 2004
—————
————————————————————
—————
————————————————————
47