هدايت يادگيرندگان در محيط‌هاي يادگيري غيررسمي: تخمين موضوع آتي يادگيري

learner’s guidance in informal learning environment: Next Learning Topic prediction

بهبود فضاي يادگيري تا حد زيادي به تخمين نيازمندي‌هاي يادگيري يادگيرندگان در شبكه‌هاي يادگيري اجتماعي وابسته است. در اين مقاله تخمين‌گري براي تخمين نيازهاي يادگيري يادگيرندگان در شبكه‌هاي يادگيري اجتماعي پيشنهاد شده است. در شبكه‌هاي پرسش و پاسخ، تخمين نياز يادگيري به معني تخمين موضوع آتي سؤال است. معنادار بودن وابستگي تشابه دنبالۀ موضوعات يادگيري پيشين با موضوعات آتي يادگيرندگان يكي از زمينه‌هاي بسيار مهم در تخمين موضوع يادگيري آتي به شمار مي‌آيد. از اين‌رو اين تخمينگر بر اساس تشابه موضوعاتي كه يادگيرندگان در آن سؤال مي‌پرسند، موضوع يادگيري بعدي را تخمين مي‌زند. روش تخمين معرفي شده در اين پژوهش مبتني بر روش بيز طراحي شده است. عملكرد اين روش در مجموعه دادۀ استخراج شده از يكي از شبكۀ يادگيري اجتماعي پركاربرد مورد ارزيابي قرار گرفته است. نتايج نشان مي‌دهد روش پيشنهادي توانسته است در محيط غير رسمي يادگيري، با استفاده از برچسب‌هاي سؤالات پرسيده شده توسط يادگيرندگان، با دقت 78 درصد برچسب آتي هر يادگيرنده را شناسايي كند.

Estimating the learning needs of learners in a Social Learning Network (SLN) is very important in proper planning for improving learning space. This paper presented a predictor to estimate the learning needs of learners in SLNs. In Question amp; Answer Networks, estimating the need for learning means estimating the future subject of the question. The significance of the similarity of the sequence of previous learning subjects with the future subjects of learners is one of the most important areas for estimating the subject of future learning. Hence, this predictor estimates the next learning subject based on the similarity of the subjects about which the learner asks questions. The estimation method introduced in this study is based on the Bayesian solution method. The performance of this method was evaluated in the dataset extracted from one of the most widely used SLNs. The results showed that the proposed method was able to detect future tag of each learner with 78% precision in the informal learning environment using the tags of the questions asked by learners.