• • سیستم­های آموزش هوشمند و آموزش­های انطباقی مبتنی بر وب: داده ­کاوی برای تجزیه و تحلیل لاگ­ها و فعالیت­های یادگیرندگان و مدل­سازی یادگیرنده در این سیستم­های آموزشی به کار می‌روند (رومرو و ونچرا، ۲۰۱۰، ص ۶۰۱).

چهار حوزه کاربرد برای داده ­کاوی آموزشی عبارتند از: ۱) بهبود مدل­سازی یادگیرنده؛۲) بهبود مدل­سازی حوزه دانش^[۱۴۵]؛ ۳) مطالعه پشتیبانی­های آموزشی فراهم شده توسط نرم­افزار­های یادگیری؛ ۴) تحقیقات علمی در زمینه یادگیری و یادگیرنده. مهم‌ترین تکنیک­ها نیز عبارتند از: ۱) پیش ­بینی؛ ۲) خوشه ­بندی؛ ۳) کاوش روابط^[۱۴۶]؛ ۴) تجزیه داده ها برای قضاوت انسان؛ و ۵) اکتشاف با داده ها (بیکر و یاسف^[۱۴۷]،۲۰۰۹).

رومرو و ونچرا (۲۰۱۰) پس بررسی ۳۰۶ مرجع و پژوهش در زمینه داده ­کاوی آموزشی طی سال­های ۱۹۹۳ تا ۲۰۰۹ مهم‌ترین کاربردهای داده ­کاوی آموزشی را در یازده طبقه قرار داده است:

1. 1. تجزیه و تحلیل و مصور­سازی: هدف این طبقه، برجسته­سازی اطلاعات مهم و مفید برای کمک به تصمیم ­گیری است. در این دسته، بیشتر از روش‌هایی آماری، نمودار­ها و هیستوگرام­ها استفاده می­ شود.

1. 1. فراهم­سازی بازخورد برای مدرس: هدف استفاده از داده ها برای فراهم­سازیِ بازخورد­هایی است که مدرسان/ مؤلفان/ مدیران را در تصمیم ­گیری کمک نماید. فنون مختلف داده ­کاوی برای رسیدن ‌به این هدف استفاده می­ شود که “کاوش قواعد ارتباطی“^[۱۴۸] متداول‌ترین آن است.

1. 1. پیشنهاد به یادگیرندگان: هدف ارائه پیشنهاداتی به یادگیرندگان مبتنی بر نتایج داده ­کاوی است. پیشنهاداتی چون انجام فعالیت درسی خاص، مشاهده لینک خاص و … می ­تواند بر حسب نتایج داده ­کاوی به دانشجو ارائه شود. مهم‌ترین فنون داده ­کاوی برای رسیدن ‌به این هدف، عبارتند از: “کاوش قواعد ارتباطی”، “خوشه ­بندی” و “الگو کاوی ترتیبی^[۱۴۹]“.

1. 1. پیش ­بینی عملکرد یادگیرندگان: هدف پیش ­بینی ارزش متغیر مجهولی است که توصیف کننده وضعیت دانشجو است. پیش ­بینی عملکرد تحصیلی، دانش و نمره درسی مهم‌ترین مصادیق پیش ­بینی بر اساس داده های آموزشی است. مهم‌ترین فنون داده‌کاوی که برای این هدف به کار می‌روند؛ عبارتند از: “شبکه­ های عصبی”، “شبکه­ های بیزی^[۱۵۰]“، “سیستم­های مبتنی بر قاعده^[۱۵۱]” و “رگرسیون”.

1. 1. مدل­سازی یادگیرنده: هدف مدل­سازی یادگیرنده، ارائه یک مدل شناختی از مهارت ­ها و دانش یادگیرنده است. داده ­کاوی از داده هایی چون وضعیت انگیزشی، رضایت­مندی، سبک یادگیری، وضعیت عاطفی یادگیرنده و … برای مدل­سازی یادگیرنده، استفاده می­ کند. شبکه­ های بیزی مهم‌ترین فنونی هستند که برای مدل­سازی یادگیرنده به کار می­روند.

1. 1. تشخیص رفتار غیر قابل انتظار یادگیرنده: هدف شناسایی یادگیرندگانی است که یک رفتار غیر قابل انتظار نشان خواهند داد. مانند پیش ­بینی ترک تحصیل، انگیزش پایین دانشجو و… مصادیق رفتار غیر قابل انتظار هستند. الگوریتم­های مختلف طبقه ­بندی و خوشه ­بندی برای این هدف به کار می­روند. شبکه­ های عصبی مصنوعی، شبکه­ های بیزی، “یادگیری مبتنی بر مورد”^[۱۵۲] نمونه ­هایی از پرکاربردترین فنون داده ­کاوی هستند.

1. 1. گروه­بندی یادگیرندگان: هدف، گروه­بندی یادگیرندگان بر اساس شخصیت، ویژگی­ها، علایق و … است. خوشه ­ها یا گروه ­های به دست آمده ممکن است برای طراحی یک سیستم آموزشی شخصی شده، تشکیل یک گروه یادگیری و … استفاده شود. الگوریتم­ها و فنون مختلف طبقه ­بندی (یادگیری با ناظر) و خوشه ­بندی (یادگیری بدون ناظر) برای این هدف به کار می­روند.

1. 1. تجزیه و تحلیل شبکه اجتماعی: در تحلیل شبکه ­ای یا ساختاری، بجای توجه به ویژگی­ها یا مشخصات افراد به بررسی روابط بین افراد می ­پردازد. به عبارتی هدف، شناسایی الگوی روابط بین افراد یک شبکه است. به عنوان مثال بر اساس تحلیل شبکه ­ای ‌می‌توان علایق یک دسته از دانشجویان را شناسایی کرد. مهم‌ترین روش­ داده ­کاوی که برای این هدف به کار می‌رود، فیلترینگ همیارانه^[۱۵۳] است. این نوع فیلترینگ عبارت است از پیش ­بینی اتوماتیک علایق یادگیرنده بر اساس تحلیل روابط آن‌ ها در یک شبکه اجتماعی.

1. 1. ساخت نقشه مفهومی: نقشه مفهومی روابط سلسله مراتبی بین مفاهیم درسی را نمایش می­دهد. هدف ساخت نقشه مفهومی، کمک به مدرس برای ساخت اتوماتیک یک نقشه مفهومی از محتویات درسی است. متن­کاوی و کاوش قواعدِ ارتباطی، پرکاربردترین فنون داده ­کاوی برای ساخت نقشه مفهومی است.

1. 1. ساخت نرم­افزارهای درسی: یکی از اهداف اتوماتیک کردن، ساخت نرم­افزار درسی و تولید محتوا بوده و هدف دیگر آن تسهیل استفاده مجدد و به اشتراک گذاری محتوا بین یادگیرندگان و سایر سیستم­های آموزشی است. فنون خوشه ­بندی و شبکه­ های بیزی ازجمله فنونی هستند که برای این هدف به کار رفته­اند.

1. برنامه­ ریزی و زمان‌بندی: هدف استفاده از داده ­کاوی برای بهینه سازی فعالیت­هایی چون برنامه­ ریزی دروس آتی، کمک به یادگیرندگان برای برنامه­ ریزی درسی، تخصیص منابع، کمک به پذیرش دانشجو و … است. کاوش قواعد ارتباطی پرکاربردترین فنون داده ­کاوی برای رسیدن ‌به این هدف است (رمرو و ونچرا، ۲۰۱۰).

آنچنان که مشخص شد، پژوهشگران عرصۀ آموزش­های مبتنی بر وب از روش‌هایی مختلف یادگیری ماشینی در راستای حل مسائل و موضوعات مطرح در این حوزه استفاده ‌می‌کنند. پیش ­بینی عملکرد تحصیلی دانشجو در یادگیری الکترونیکی با بهره گرفتن از روش‌هایی یادگیری ماشینی- موضوع پژوهش حاضر- نیز جزء همین دسته از پژوهش­ها است.

۲-۴-۴ الگوریتم های پیش‌بینی هوش مصنوعی

مسئله پیش ­بینی میزان پیشرفت تحصیلی، موفقیت یا عدم موفقیت تحصیلی یادگیرنده، مسئله­ای است که حل آن نیاز به استدلال انسان دارد. وقتی متغیر­ها پیچیده و تعداد آن‌ ها زیاد می­ شود، دقت استدلال و پیش ­بینی انسان به شدت تضعیف می­ شود. برای مواجه با این مشکل ‌می‌توان از برنامه ­های رایانه­ای استفاده کرد، برنامه­ هایی که برای کمک به رفع مشکلاتی از این قبیل به کار می­روند، امروزه به رایانش نرم^[۱۵۴]شهرت دارند. رایانش نرم، بخشی از سیستم­های هوشمند است که از روش‌هایی استدلال انسان بهره می­برد، لذا توانایی استدلال و یادگیری در محیط­های پر از عدم قطعیت و دقت را دارد. مهم‌ترین زیرمجموعه­های رایانش نرم عبارتند از: سیستم­های فازی، شبکه­ های عصبی، الگوریتم­های ژنتیک و استدلال احتمالاتی (ماستافیده و سوارسیتو^[۱۵۵]، ۲۰۱۲).