طبقه بندی سوالات به صورت خودکار در یک محیط یادگیری رقابتی با استفاده از الگوریتم ژنتیک در سیستم های خبره فازی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 513

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NICE01_019

تاریخ نمایه سازی: 30 دی 1394

چکیده مقاله:

سیستم تدریس خصوصی هوشمند یک ابزار کارآمد است تا به طور خودکار پیشرفت و نیاز های دانش آموزان را منطبق با فرآیند یادگیری کند. نکته مهم در این جا این است که آیا سیستم می تواند سطح علمی دانش آموزان را مشخص کند؟ در این جا سعی شده است که دانش آموزان را بر اساس سطح دشواری آنان طبقه بندی کنیم. خیلی از سیستم ها برای تخمین این سوال ها به مشکل بر می خورند. با این حال تنوع در محیط نرم افزار باعث شده که اعمال راه حل های موجود به طور مستقیم به یک برنامه مشکل شود. بنابراین، یک راه حل خاص طراحی شده است که منظور آن تعیین سطح دشواری سوالات باز در یک روش به صورت خودکار و عینی است. این راه حل می تواند با ویژگی های خاص زمانی و در حال اجرای به فعالیت ها اعمال شده و به عنوان ایجاد رقابت از طریق سوال مسابقه، که یکی ابزاری است که بسترهای نرم افزاری و آموزش الکترونیک را ادغام میشود. هدف پیشنهاد یک سیستم خبره فازی است که با استفاده از الگوریتم ژنتیک هر سطح دشواری را مشخص می کند که خروجی الگوریتم آن طبقه بندی سوالات بر اساس قواعد فازی می باشد. نتایج نشان می دهد که سیستم با موفقیت این کار را انجام می دهد. بنابراین، می توان نتیجه گرفت سیستم قادر به انجام کار طبقه بندی سوالات در یک محیط یادگیری رقابتی است.

نویسندگان

Verdu Elena

School of Telecommunications Engineering, University of Valladolid, Paseo Belén, 15, 47011 Valladolid, Spain

معصومه هاشم زاده

دانشگاه آزاد اسلامی واحد شهرکرد

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Verdu, E., Regueras, L. M., Verdu, M. J., de Castro, ...
  • Lilley, M., Barker, T., & Britton, C. The development and ...
  • Wauters, K., Desmet, P., & Van den Noortgate, W. Adaptive ...
  • Lee, F. L., & Heyworth, R. M. Problem complexity: A ...
  • Anderson, J. R. On cooperative and competitive learning in the ...
  • Regueras, L. M., Verdu, E., Muoz, M. _ A.. d ...
  • Wu, W. M. C., Cheng, H. N. H., Chiang, M.-C., ...
  • Watering, G. V. D., & Rijt, J. V. D. Teachers" ...
  • Burghof, K. L. (2001). Assembling an item-bank for computerized linear ...
  • Van der Linden, W. JA hierarchical framework for modeling speed ...
  • Mattar, J. D. Investigation of the validity of the An ...
  • Zhou, W .Teachers estimation of item difficulty: What contributes to ...
  • Hibou, M., & Labat, J.-M Embedded Bayesian network student model, ...
  • Colace, F., & De Santo, M. AA tutoring tool based ...
  • Noguez, J., Sucar, E., & Ramos, FA probabilistic relational student ...
  • =http ://i eeexplore. i eee. org/lpdoc s/epic03 /wrapp er. h ...
  • Chen, C.-M., Lee, H.-M., & Chen, Y.-H. Personalized e-learning system ...
  • Embretson, S. E.. & Reise, S. P. (2000). Item response ...
  • Jong, B.-S.. Chan, T.-Y., Wu, Y.-L., & Lin, T.-W. Applying ...
  • Kunichika, H., Urushima, M., Hirashima, T., & Takeuchi, AA computational ...
  • Romero, C., Gonzalez, P., Ventura, S., del Jesus, M. J., ...
  • Cord n, O. Ten years of genetic fizzy systems: Current ...
  • Nebot, _ Mugica, F., Castro, F. & Acosta, JGenetic fuzzy ...
  • Mason, E., Zollman, A., Bramble, W. J., & O Brien, ...
  • O'Keefe, R., Balci, O., & Smith, E. PValidation of expert ...
  • Mosq ueira-Rey, E., Moret-Bonillo, V., & FernJndez- Leal _ _ ...
  • Viera, A. J., & Garrett, J. M. Understanding inter observer ...
  • نمایش کامل مراجع