نویسندگان

• حسن رضاپور ¹
• محمد رضاپور ²
• محمد مهدی سپهری ³

¹ دانشجوی دکتری ریاضی -گرایش تحقیق در عملیات، دانشگاه قم

² کارشناسی ارشد مهندسی فناوری اطلاعات و ارتباطات، دانشکده فنی و مهندسی، دانشگاه تربیت مدرس

³ دانشیار بخش مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه تربیت مدرس

چکیده

چگونگی سنجش فراگیران و تعیین محتویات مطالب، از فعالیت‏های ضروری فرایندهای آموزش الکترونیکی می‌باشند. این فعالیت‏ها توسط استاد یا آموزشیار صورت گرفته و روش‏های ارزیابی دانشجویان، نظیر برگزاری آزمونهای برخط یا واگذاری تکالیف مدت‌دار به آنها تعیین می‌شوند. در صورتیکه برگزارکنندگان بتوانند از میزان تأثیر هر فعالیت در کیفیت یادگیری فراگیران آگاهی یابند، ضمن صرفه‌جوئی قابل توجه در وقت و منابع ذینفعان دوره‌ها، باعث انتقال مطالب مفیدتر و سنجش واقعی‌تر دانشجویان و در نهایت بهبود آموزش‌الکترونیکی خواهدشد. در این مقاله، ابتدا با تکنیکهای فاقد ناظر داده‌کاوی، به خوشه‌بندی و توصیف وضعیت موجود فراگیران پرداخته و بکمک قاعده‌کاوی، قواعد نهفته در داده‌های آموزش الکترونیکی را استخراج و محتواهای مؤثر در نتیجه‌ی مطلوب فراگیران را کشف می‌کنیم؛ سپس، با روش‏های باناظر، به پیش‌بینی نتایج دوره‌ها می‌‎پردازیم. با بهره‏گیری از داده‏های واقعی فعالیت‏های یک درس الکترونیکی ارائه‌شده، و با طراحی چهار روش مختلف برای نمونه‌برداری داده‌ها و آموزش سیستم با دو درخت DT و WJ48، پیش‌بینی‌ها اجرا شدند و روش‏ها با نرخ دقت 92.86% اعتبارسنجی گردیدند. نشان داده‏ایم که اسلوب‏های این مطالعه می‌توانند به استاد درس برای شناخت بهتر فراگیران و تأثیر فعالیت‏های آموزشی خواسته شده از آنان نظیر- توصیف ویژگی‏های فراگیران بر پایه کشف الگوهای نهفته در نمره‏های اکتسابی آنان کمک نماید. تعیین فعالیت‏های مؤثرتر یادگیری و تصمیم‌گیری درباره‌ی شاخص‏های سنجش واقعی‌تر فراگیران، از مزیت‌های مهمی است که روش‌های فناورانه این مطالعه برای بهبود مدیریت دوره‌های یادگیری الکترونیکی فراهم می‌کنند.

کلیدواژه‌ها

• داده‌کاوی
• آموزش‌الکترونیکی
• کشف‌الگو
• خوشه‌بندی
• پیش‌بینی

عنوان مقاله [English]

A data mining approach to determine better methods for learners' assessment in e-learning courses

نویسندگان [English]

• Hassan Rezapour ¹
• Mohammad Rezapour ²
• Mohammad Mehdi Sepehri ³

چکیده [English]

Determining how to assess learners and contents of e-learning are essential activities in its processes. These activities are conducted by a professor or teaching assistant and they determine student assessment methods, such as holding an online test or periodic homework assignment. if the organizers can be aware of the effectiveness of each activity in the quality of learning,then besides saving considerable time and resources to stakeholders courses, which transfer the content useful and realistic assessment of students and will ultimately improve e-learning. In this paper, first we use unsupervised techniques of data mining for clustering and describe the present status of learners, and extract hidden rules in e-learning data using rule mining and will discover the effective contents in desired results. Next, using supervised methods we predict results of courses. Using real data of an electronic course provided and with designing four different methods for data sampling and training system, predictions were performed and the methods were validated with an accuracy rate of 92.86%. We have shown that the methods of this study can help teachers for a better understanding of learners and impact of such training activities required, such as describe characteristics of learners based on the discovery of hidden patterns in the scores of their acquired and determine the most effective learning activities and decide about real measures of learners.

کلیدواژه‌ها [English]

• data mining
• E-learning
• Pattern Discovery
• Clustering
• Prediction