گروه بندی همسان یادگیرندگان در محیط الکترونیکی به کمک روش خوشه بندی شورایی

یادگیری الکترونیکی به عنوان روشی نوین در امر آموزش و یادگیری در طی سالیان اخیر مورد استقبال فراوانی قرار گرفته است. اکثر سامانه های یادگیری الکترونیکی، صرف نظر از تفاوت های فردی یادگیرندگان محتوای آموزشی مشابهی را برای همه یادگیرندگان ارایه می دهند در حالی که در آموزش های مبتنی بر وب، علاوه بر افزایش فرصت یادگیری باید به ارتقای بازدهی یادگیری نیز توجه شود. سامانه های یادگیری تطبیقی برای ارایه محتوای تطبیق پذیر با هر یادگیرنده، نیازمند گروه بندی یادگیرندگان با علایق مشابه است و برای تحقق این هدف، می توان از سبک های یادگیری یادگیرندگان بهره گرفت. گروه بندی خودکار یادگیرندگان در این محیط به کمک روش های خوشه بندی امکان پذیر است. به دلیل متفاوت بودن نتایج روش های خوشه بندی در تکرارهای مختلف، در این پژوهش از روش خوشه بندی شورایی برای ترکیب نتایج خوشه بندی پنج روش  FCM،  K-means، KNN , SVM و medoids-K برای گروه بندی یادگیرندگان در محیط یادگیری الکترونیکی استفاده شده است. نتایج ارزیابی تجربی روش خوشه بندی پیشنهادی بر اساس سه شاخص «دیویس - بولدین»، « خلوص و تجمع» و « واریانس » نشان می دهد که این روش، کاهش هزینه محاسباتی و دقت و سرعت بیشتری نسبت به سایر روش های متداول در شناسایی گروه ها داشته است.