دسته بندی سبک های یادگیری با استفاده از ویژگی های رفتاری و ماشین بردار پشتیبان دو قلو

دسترسی به اینترنت و کامپیوتر فرصت هایی را برای آموزش الکترونیکی ایجاد کرده اند. دسترسی راحت تر به منابع و آزادی عمل کاربران از مزایای آموزش الکترونیکی است. با این حال آموزش الکترونیکی جذابیت و پویایی آموزش های سنتی یا چهره به چهره را ندارد و در این سیستم ها وضعیت کاربر مانند نرخ یادگیری و وضعیت انگیزشی آن ها در نظر گرفته نمی شود. از این رو، توسعه دهندگان سیستم های آموزش الکترونیکی می توانند با در نظر گرفتن سبک یادگیری و طراحی رابط های کاربری تعاملی به حل کردن مشکلات مذکور در این سیستم ها کمک نمایند. همچنین تشخیص خودکار سبک یادگیری نه تنها جذابیت آموزش الکترونیکی را افزایش می دهد، بلکه موجب افزایش کارایی و انگیزه یادگیرندگان در محیط های الکترونیکی نیز می شود.مطالعات روانشناسی نشان می دهد که افراد در تصمیم گیری، حل مسئله و یادگیری با یکدیگر متفاوت هستند. سبک یادگیری باعث می شود که افراد به گونه متفاوتی یک مطلب را درک کنند.  برای مثال افرادی که حافظه بصری خوبی دارند، ارایه مباحث به صورت بصری را نسبت به صورت شفاهی ترجیج می دهند. لحاظ کردن یک شیوه مناسب آموزش باعث بهبود عملکرد یادگیرنده در محیط آموزشی می شود. عدم توجه به سبک یادگیری دانشجویان باعث کاهش انگیزه و علاقه ی آن ها به مطالعه و شرکت در دوره های آموزشی می شود.موفقیت تحصیلی دانشجویان از اهداف مهم در محیط های آموزشی است. یکی از عوامل مهم در تحقق این هدف، توجه به سبک یادگیری دانشجویان است. آگاهی از سبک یادگیری دانشجویان به طراحی یک روش مناسب آموزش کمک می کند. لحاظ کردن یک شیوه مناسب آموزش باعث بهبود عملکرد دانشجویان در محیط آموزشی می شود. در این مقاله، هدف ساخت یک مدل برای تشخیص خودکار سبک های یادگیری است.

بدین منظور از یک محیط آموزش الکترونیکی متشکل از 202 دانشجو رشته مهندسی برق و کامپیوتر، دو مجموعه داده برای ایجاد مدل جمع آوری شده است. ویژگی های رفتاری از نحوه تعامل دانشجویان با سامانه آموزش الکترونیکی استخراج شده و سپس سبک های یادگیری با روش ماشین بردار پشتیبان دو قلو دسته بندی می شوند. ماشین بردار پشتیبان دو قلو گونه جدیدی از دسته بند های مبتنی بر مرز مانند SVM است که هدف آن بدست آوردن حاشیه ناموازی است. این دسته بند به دادگان نامتوزان حساس نمی باشد و سرعت آموزش آن بسیار سریع است.

در این پژوهش، ضمن تاکید بر افزایش جذابیت آموزش الکترونیکی، مسئله تشخیص خودکار سبک یادگیری دانشجویان بررسی شده است و مدل MBTI برای تعیین سبک های یادگیری استفاده شده است. دو مجموعه داده از تعامل 202 دانشجو مهندسی برق و کامپیوتر با سامانه آموزش الکترونیکی مودل جمع آوری شده است. مجموعه داده جمع آوری شده بسیار نامتوزان است که تاثیر منفی روی دقت دسته بند ها دارد. با در نظر گرفتن این نکته، ماشین بردار پشتیبان دو قلو کمترین مربعات به عنوان دسته بند استفاده شده است. ویژگی بارز این دسته بند حساسیت کم به توازن داده ها و سرعت بسیار زیاد است. نتایج نشان می دهد که روش پیشنهادی با وجود نامتوزان بودن داده ها، در دسته بندی سبک یادگیری دانشجویان بسیار خوب عمل کرده است و با دقت 95 درصد سبک های یادگیری را تشخیص می دهد.