مدل هوشمند برای پیش بینی میزان موفقیت دانشجویان در یادگیری الکترونیکی

اختصاصی از اس فایل مدل هوشمند برای پیش بینی میزان موفقیت دانشجویان در یادگیری الکترونیکی دانلود با لینک مستقیم و پر سرعت .

پایان نامه دکتری تکنولوژی آموزشی

همراه با پرسش نامه

258 صفحه

چکیده

آموزش الکترونیکی در مؤسسه­های آموزش عالی به ویژه در حوزه آموزش مهندسی ایران در حال توسعه چشمگیر است. پذیرش دانشجو برای تحصیل به روش الکترونیکی در ایران و جهان با چالشی مشترک و پدیده­ای تحت عنوان افت تحصیلی مواجه بوده به گونه­ای که آماری بین 20 تا 80 درصد برای افت تحصیلی گزارش شده که این میزان دو برابر آموزش متداول است. در راستای شناسایی عوامل مؤثر بر موفقیت یادگیرنده الکترونیکی در جامعه پژوهشی حاضر که مرکز آموزش الکترونیکی دانشگاه علم و صنعت ایران است، تحقیقی کمّی- کیفی اجرا شد. نمونه پژوهش 738 یادگیرنده الکترونیکی بود. داده‌های کمّی پژوهش با استفاده از پرسشنامه محقق ساخته گردآوری شد. روایی سازه ابزار با استفاده از روش تحلیل عاملی اکتشافی، روایی پیش­بین با استفاده از روش تحلیل رگرسیون و پایایی آن با استفاده از روش آلفای کرونباخ بررسی و تایید شد. داده‌های کیفی نیز از طریق مصاحبه، جلسات برخط، فروم و پیام­های دانشجویان گردآوری و مورد تحلیل کیفی قرار گرفت.

نتایج تحلیل رگرسیون چند متغیری نشان داد، مدل رگرسیونی که تجارب یادگیری الکترونیکی را در بر می­گیرد 66.7%، متغیرهای دموگرافیک 24.8%؛ پیشینه تحصیلی 23.1%؛ متغیر­های روانی- فنی 16.4%؛ مدیریتی 14.6%؛ اجتماعی- اقتصادی 8% و رسانه­ای 4.4% از تغییرات معدل کل یادگیرنده الکترونیکی را تبیین می­کنند. معنی­دارترین متغیر­های پیش­بین در هر کدام از مدل­ها عبارت بود از: معدل ترم اول دانشجو در تحصیل الکترونیکی، سن، معدل مقطع قبل، اضطراب امتحان، خودگردانی، سکونت در شهرستان، دارا بودن لپ­تاپ. با استفاده از مدل معادلات ساختاری، مدلی تدوین و آزمون شد. این مدل 72% از تغییرات معدل کل یادگیرنده الکترونیکی را تبیین کرده و برازش مطلوب نیز داشت (2.294=X2/Df).

در بخش تحلیل کیفی پژوهش، پس از تحلیل محتوای کیفی و کدگذاری باز و محوری، 11 کد محوری استخراج شد. پنج کد محوری که بیشترین فراوانی را داشتند عبارتند از: 1) تبعیض گذاشتن بین دانشجوی مجازی و روزانه؛ 2) عدم شرکت در کلاس مجازی؛ 3) مسائل روان‌شناختی محیط یادگیری الکترونیکی؛ 4) وفق نیافتن با سیستم مجازی؛ 5) مشکلات کلاس مجازی.

در راستای شناسایی مدل مناسب هوش مصنوعی، از روش داده­کاوی آموزشی استفاده شد. پیش­بینی وضعیت دانشجو در یادگیری الکترونیکی به دو صورت مسئله طبقه­بندی و رگرسیونی تعریف شد. نتایج میانگین خطای مطلق نشان داد برای مسئله رگرسیونی، الگوریتم M5' (از مدل­های درخت تصمیم­گیری) و M5Rules (از مدل­های استنتاج قانون) دقیق­ترین و پایاترینِ مدل­ها هستند. برای مسئله طبقه­بندی نیز الگوریتم JRip (از مدل­های استنتاج قانون) قدرت پیش­بینی مطلوب­تری نسبت به سایر مدل­ها داشت. مدل­های پیش­بینی درخت تصمیم و استنتاج قانون به دلیل قابلیت تفسیر نتایج و قدرت پیش­بینی بر مدل­های دیگر چون شبکه عصبی ترجیح داده شد. در پایان نتایج مربوط به یافته­های پژوهش بحث و پیشنهادات کاربردی برای کاهش افت و افزایش موفقیت یادگیرنده الکترونیکی ارائه شد.

واژگان کلیدی: یادگیری الکترونیکی، افت تحصیلی، یادگیری ماشینی، هوش مصنوعی، داده­کاوی آموزشی

دانلود پایان نامه بررسی اثربخشی داستان گویی در فرآیند یادگیری با تکیه بر درس ریاضی پایه هفتم

اختصاصی از اس فایل دانلود پایان نامه بررسی اثربخشی داستان گویی در فرآیند یادگیری با تکیه بر درس ریاضی پایه هفتم دانلود با لینک مستقیم و پر سرعت .

شرح مختصر : هدف از پژوهش حاضر، بررسی بهره گیری از داستان گویی مباحث درسی توسط دبیر مربوطه در دستور کار قرار گرفته است. رویکرد این پژوهش کیفی و ملهم از نظریه تفسیری است. جمع آوری داده ها از طریق مشاهده تاملی ، عاطفی-روانی و آموزشی کلاس هفتم انجام شده است. یافته های این پژوهش ، تاثیر مثبتی که تخیل در یادگیری دانش آموزان و جو کلاس ریاضی می گذارد که منجر به ایجاد یادگیری مطلوب درس ریاضیات در اکثر فراگیران شده است را نشان میدهد. نتایج حاصل نشان می دهد استفاده از این روش باعث افزایش تمرکز دانش آموزان می شود و این یادگیری فعال را در آنها افزایش می دهد؛ و با تحریک افکار آن ها ، فراگیران را به مشارکت در کلاس وا می دارد و فرایندهای ذهنی را بهبود می بخشد؛ واُفت تسلط بر مبحث که بعداز مدتی در هر درسی رایج است را به حداقل می رساند

فهرست :

چکیده

مقدمه

اهداف کلی

اهداف رفتاری

روش آموزشی

اجرا

ارزیابی عملکرد فرآیند کار

موانع احتمالی

راهکار

منابع

دانلود مقاله عوامل مؤثر بر یادگیری

اختصاصی از اس فایل دانلود مقاله عوامل مؤثر بر یادگیری دانلود با لینک مستقیم و پر سرعت .

مقدمه :

یادگیری هر فرد متاثر از عوامل مختلفی است که از هر فرد به فرد دیگر تفاوت دارد و با توجه به بهره هوشی و شرایط محیطی هر فرد متفاوت است روش یادگیری از هر فرد تا دیگری هم متفاوت است اما اصول کلی وجود دارد که فرد با تبعیت از آنان می تواند میزان یادگیری خود را بهبود بخشد. و باعث پیشرفت وی شود.

بطور مثال شاید باید این جمله را باور داشت که

نبوغ 10% بستگی به بهره هوشی دارد و 90% درصد به تلاش و پشتکار فرد وابسته است.

یادگیری :

باید بدانیم که در یادگیری موفقیت و شکست نسبی و موقت اند. روزگار به هر حال می گذرد . مهم این است که همۀ تلاش خود را به بهترین وجه صرف زندگی کنید . کمتر دانش آموزی است که درسی را دوست داشته باشد که در آن موفق نبوده است. پیشرفت مناسب در یادگیری مطمئن ترین راه حفظ نگرش مثبت به یک موضوع درسی است. اگر دانش آموزان در ابتدای کار از عهدۀ یک تکلیف یادگیری منطقی و بجا بر نیایند و در عین حال فکر کنند به اندازۀ کافی تلاش کرده اند ، معمولاً احساس آمیخته ای از سردرگمی ، ناکامی و دلسردی در آنها ایجاد می شود . ممکن است این باور در آنها شکل بگیرد که به اندازۀ کافی تلاش کرده اند ولی نتوانسته اند به سطح قابل قبولی از پیشرفت تحصیلی برسند چنین افرادی از لحاظ انگیزش ممکن است در دامنه ای از بی اعتنایی تا احساس بیچارگی جای گیرند.

دانلود پایان نامه یادگیری ماشین

اختصاصی از اس فایل دانلود پایان نامه یادگیری ماشین دانلود با لینک مستقیم و پر سرعت .

مقوله ماشین های یادگیرنده (Learning Machines) ، شاخه ای از هوش مصنوعی است که هدف آن دستیابی به ماشین هایی است که قادر به استخراج دانش( یادگیری) از محیط می باشند. این سیستم ها به عبارتی رفتار یادگیری انسان را در سیستم های هوشمند شبیه سازی می کند. یکی از عمده ترین کاربردهای تکنیک های تولید شده، طراحی و تولید پایگاه دانش سیستم های خبره می باشد. حساسیت مرحله طراحی و تولید پایگاه دانش سیستم های خبره به حدی است که آن را می توان تنگنای طراحی سیستمهای خبره دانست.

فهرست مطالب

1. فصل 1 یادگیری ماشین

1-1 چکیده

1-2 یادگیری چیست؟

1-3 نگاهی به فردا

1-4 یادگیری ماشین

1-4-1 هدف

1-5 ماشین یادگیرنده

1-5-1 روند تکاملی ماشین های یادگیرنده

1-5-2 انواع ماشین های یادگیرنده

1-5-3 اجزاء ماشین های یادگیرنده

1_5_4 مشکلات ماشین های یادگیرنده

1-6 روشهای یادگیری عامل

1-7 مسائل اساسی یادگیری

1-8 روند عملیلتی

1-9 قوانین یادگیری

1-9-1 روش AQ11

1-9-2 روش CN2

1-9-3 درخت تصمیم

1-10 طراحی یک سیستم یادگیری

1-10-1 انتخاب Training Experience

1-10-2 انتخاب تابع هدف

1-10-3 انتخاب نحوه نمایش تابع هدف

1-10-4 انتخاب الگوریتم شبیه سازی

1-10-5 طراحی نهایی

1-11 کاربردهای ماشین های یادگیرنده

1-12 تکنیک های یادگیری ماشین

1-12-1 درخت تصمیم گیری

1-12-2 شبکه های عصبی

1-12-3 منطق فازی

1-12-4 یادگیری از طریق منطق مخاسباتی

1-12-5 محاسبات تکاملی

1-12-5-1 الگوریتم ژنتیک

1-12-6 یادگیری تقویتی

فصل 2 داده کاوی

مقدمه

2-1 تعریف تئوریک از داده کاوی

2-2 جایگاه داده کاوی

2-2-1 چند واقعیت

2-3 مراحل یک فرایند داده کاوی

2-4 پایه های یک فرایند داده کاوی

2-5 کاربردهای داده کاوی

2-6 مقوله کاهش ابعاد داده

2-6-1 پروسه کشف دانش از پایگاه داده

2-6-2 ویژگی های KDD

2-6-3 استخراج داده ها

2-6-4 آماده کردن داده ها

2-6-5 مهندسی داده ها

2-6-6 مهندسی الگوریتم و تعیین استراتژی های کاوش

2-7 زبان های پرسشی داده کاوی

2-8 کلاسه بندی و پیشگویی داده ها

2-8-1 انواع روشهای کلاسه بندیگ

2-8-2 مراحل یک الگوریتم کلاسه بندی

2-8-3 ارزیابی روشهای کلاسه بندی

2-9 خوشه بندی

2-9-1 تعریف فرایند خوشه بندی

2-9-2 کیفیت خوشه بندی

2-9-3 روش ها و الگوریتم های خوشه بندی

2-9-4 دسته بندی ویژگی های الگوریتم های خوشه بندی

2-10 داده کاوی با استفاده از استنتاج و یادگیری بیزی

2-10-1 تئوری بیز

2-10-2 اصل طول توصیف مینیمم

2-10-3 الگوریتم Gibbs

2-10-4 طبقه بندی ساده بیزی

2-10-5 تخمین زدن احتمالات

2-10-6 الگوریتم EM

نتیجه گیری

فصل 3 شبکه های عصبی

مقدمه

3-1 تاریخچه

3-2 ایده پیدایش شبکه های عصبی

3-3 پباهن با مغز

3-4 روش کار نرون ها

3-5 مدل ریاضی

3-6 پیاده سازی های الکترونیکی نرون ها مصنوعی

3-7 عملیات شبکه های عصبی

3-8 آموزش شبکه های عصبی

3-9 آموزش تطبیقی

3-10 تفاوت شبکه های عصبی با روش های محاسباتی متداول و سیستم های خبره

3-11 انواع یادگیری برای شبکه های عصبی

3-11-1 باناظر

3-11-2 تشدیدی

3-12 زمینه‌ای در مورد perceptron

3-12-1 قدرت protron

3-12-2 دنباله های protron

3-13 قضیه بنیادی دنباله ها

3-14 کاربردهای شبکه های عصبی مصنوعی

3-15 مزیت شبکه های عصبی

3-16 قوانین فعال سازی

نتیجه

فصل 4 الگوریتم ژنتیک

مقدمه

4-1 الگوریتم ژنتیک چیست؟

4-2 طبیعت ایده اولیه

4-3 رابطه تکامل طبیعی با هوش مصنوعی

4-4 چارچوب کلی الگوریتم های ژنتیک

4-4-1 شرط پایان الگوریتم

4-5 روش های نمایش

4-6 عملگرهای الگوریتم ژنتیک

4-6-1 تابع سازگاری

4-6-2 انتخاب

4-6-3 CrossOver

4-6-4 موتاسیون ( جهش )

4-6-5 جایگزینی

4-7 مزایا و معایب

4-8 کاربردهای الگوریتم ژنتیک

4-8-1 نمونه ای از کاربرد در مسائل بهینه سازی مهندسی نفت

4-8-2 کاربرد الگوریتم ژنتیک در شبکه های عصبی

4-8-3 هایپر هیوریستیک

4-9 روند الگوریتم ژنتیک با یک نمونه ساده

نتیجه

دانلود پایان نامه مقایسه راهبردهای یادگیری دانش آموزان موفق وناموفق

اختصاصی از اس فایل دانلود پایان نامه مقایسه راهبردهای یادگیری دانش آموزان موفق وناموفق دانلود با لینک مستقیم و پر سرعت .

محیط پیرامون ما با وجود افراد، اشیاء و رویدادهای متعدد ومتنوع بسیار پیچیده است بعلاوه کنش متقابل وتغییرات مداوم موجود در عوامل مختلف پیچیدگی فزاینده‌ای را بر زندگی انسان تحمیل می‌کند. و انسان برای مقابله با این همه تغییرات بدنبال یافتن راه‌حلهای مناسب برای سازگاری است.

از آنجائیکه منابع خطر و ارضاء نیاز ما نیز پیوسته در حال تغییرند. لازمة زندگی پویایی در سازگاری ارگانیسم با محیط است. و فرایندهای یادگیری پویایی لازم برای ارگانیسم را فراهم می‌کند تا بتواند با شرایط محیطی گوناگون به زندگی خود ادامه دهد. یعنی علاوه براینکه محرکهای مختلف مثبت، منفی یا خنثی را بشناسد. رفتارهای مناسب مقابل هر کدام از محرکها را یاد بگیرد واین یادگیری به طرق مختلف از ابتدای زندی نوع بشر صورت گرفته است اما امروزه با تکامل زندگی بشر یادگیری عمومی و کسب دانش از طریق آموزش بخش مهمی از اطلاعات لازم برای سازگاری را در اختیار قرار می‌دهد. (السون[1] و هرگنهان[2]،1997)

حجم اطلاعات از هر نوع که باشد،چنان رو به افزایش است که هر فرد در هر شغل و مقامی برای رفع نیازهای فردی و شغلی خود نیاز به مطالعه و صرف وقت زیاد برای آن دارد. به این ترتیب مطالعه وسیلة ارتقاء نوع بشر و ابزار انتقال علم ودانش است. ولی متأسفانه در جامعة ما هنوز فرهنگ مطالعه به عنوان یک نیاز واقعی برای مردم به حساب نمی‌آید. و حتی دانش‌آموزان ودانشجویان ما نیز که مطالعه جزء اصلی و حرفه وزندگی آنهاست درست مطالعه نمی‌کنند. روش مطالعه فعال را نمی‌دانند، کند می‌خوانند، به اندازه کافی مطالب را درک نمی‌کنند، به خوبی به یاد نمی‌آورند. نمی‌دانند چه بخوانند؟ چگونه بخوانند؟ و چگونه به خاطر بسپارند؟ از همه بدتر نمی‌دانند که بد می‌خوانند و اینهمه باعث گریز از مطالعه و عدم یادگیری مناسب از آن است.

  بیان مسئله

وقتی دانش‌آموزان تحت آموزش رسمی قرار می‌گیرند. پاسخهای متفاوتی نسبت به محرکهای محیطی از جمله فرایندهای یاددهی – یادگیری از خود بروز می‌دهند. برای درک تفاوتهای دانش‌آموزان در آموزش یکسان لازم است ویژگیهای ورودی یادگیرندگان مورد مطالعه قرار بگیرد. ویژگیهای عاطفی، فیزیولوژیکی و شناختی یادگیرندگان در نحوه واکنش آنها بر محرکها تأثیر دارد وشیوه‌های یادگیری[3] از جمله این ویژگیهاست. و از موضوعاتی است که در دهه‌های اخیر به خصوص توسط نظریه‌پردازان شناختی مورد توجه واقع شده است.

[1] - Olson, M.H

[2] - Hergenhan, B.R

[3] - Learning Strategies