تعيين روش‌هاي برتر سنجش فراگيران در دوره‌هاي يادگيري‌الكترونيكي - رويكرد داده‌كاوي

A Data Mining Approach to Determine Better Methods for Learnersʹʹ Assessment in E-learning Courses

چگونگي سنجش فراگيران و تعيين محتويات مطالب از فعاليت‏هاي ضروري فرايندهاي آموزش الكترونيكي مي‌باشد. اين فعاليت‏ها توسط استاد يا آموزشيار انجام مي‌پذيرد و روش‏هاي ارزيابي دانشجويان، نظير برگزاري آزمون‌هاي برخط يا واگذاري تكاليف مدت‌دار به آن‌ها تعيين مي‌شوند. در صورتي كه برگزاركنندگان بتوانند از ميزان تاثير هر فعاليت در كيفيت يادگيري فراگيران آگاهي پيدا كنند، ضمن صرفه‌جويي قابل توجه در وقت و منابع ذينفعان دوره‌ها، باعث انتقال مطالب مفيدتر و سنجش واقعي‌تر دانشجويان و در‌نهايت بهبود آموزش‌الكترونيكي خواهد شد. در اين مقاله نخست با روش‌هاي فاقد ناظر داده‌كاوي به خوشه‌بندي و توصيف وضعيت موجود فراگيران پرداخته و به‌كمك قاعده‌كاوي، قواعد نهفته در داده‌هاي آموزش الكترونيكي را استخراج و محتواهاي موثر در نتيجه مطلوب فراگيران را كشف مي‌كنيم، سپس با روش‏هاي باناظر به پيش‌بيني نتايج دوره‌ها مي‌‎پردازيم. از اين رو با بهره‏گيري از داده‏هاي واقعي فعاليت‏هاي يك درس الكترونيكي ارايه ‌شده و با طراحي چهار روش مختلف براي نمونه‌برداري داده‌ها و آموزش سيستم با دو درخت DT و WJ48، پيش‌بيني‌ها اجرا شدند و روش‏ها با نرخ دقت 86/92 درصد اعتبارسنجي شدند. در اينجا نشان داده‏ايم كه اسلوب‏هاي اين مطالعه مي‌توانند به استاد درس براي شناخت بهتر فراگيران و تاثير فعاليت‏هاي آموزشي خواسته شده از آنان نظير- توصيف ويژگي‏هاي فراگيران بر‌پايه كشف الگوهاي نهفته در نمره‏هاي اكتسابي آنان كمك نمايند. تعيين فعاليت‏هاي موثرتر يادگيري و تصميم‌گيري درباره شاخص‏هاي سنجش واقعي‌تر فراگيران از مزيت‌هاي مهمي است كه روش‌هاي فناورانه اين مطالعه براي بهبود مديريت دوره‌هاي يادگيري الكترونيكي فراهم مي‌كنند.

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