توضیحات
- اصل مقاله انگلیسی را می توانید به طور رایگان دانلود کنید.
- متن کامل ترجمه پس از خرید قابل دانلود است، همچنین فایل ترجمه پس از اتمام خرید به صورت خودکار از سمت سرور به ایمیل شما نیز ارسال می شود، از آنجایی که ایمیل از سمت سرور و با نام سایت ارسال می شود، به همین دلیل ممکن است به عنوان ایمیل تبلیغاتی در نظر گرفته شده و در قسمت Spam (هرزنامه) ایمیل شما قرار گیرد، پس لطفا قسمت Spam (هرزنامه) ایمیل خود را نیز چک کنید.
- توجه: چنانچه پس از خرید طی دو ساعت ترجمه به ایمیل شما ارسال نشد، با ایمیل پشتیبانی تماس بگیرید تا ما در اسرع وقت به موضوع رسیدگی کنیم.
———————————————————————
مشخصات مقاله انگلیسی:
ترجمه عنوان مقاله: به سوی یک سیستم توصیهگر ترکیبی برای شخصیسازی یادگیری الکترونیکی بر اساس روشهای دادهکاوی
عنوان انگلیسی مقاله: Toward a Hybrid Recommender System for E-learning Personalization Based on Data Mining Techniques
نام ژورنال: INTERNATIONAL JOURNAL ON INFORMATICS VISUALIZATION
نام ناشر: JIOV
سال انتشار: ۲۰۱۸
تعداد صفحات مقاله انگلیسی: ۸ صفحه
مشخصات ترجمه مقاله:
تعداد صفحات مقاله ترجمه شده: ۲۱ صفحه (در قالب فایل word و pdf)
ترجمه چکیده مقاله:
برنامهریزی شخصیسازی شدهی آگاه به دروس آموزشی بر اساس سیستم توصیهگر، که فرآیندی است شامل انتخاب و مرتبسازی خودکار اشیاء یادگیری، به عنوان یکی از حوزههای جالب پژوهشی در آموزش هوشمند مبتنی بر وب شناخته شده است. از آنجایی که پروفایل هر فرد یادگیرنده از فرد دیگر متفاوت است، ما باید یادگیری را متناسب با نیازهای مختلف افراد یادگیرنده مشخص کنیم. در واقع با توجه به دانشی که از پروفایل هر فرد یادگیرنده به دست میآید، پیشنهاد مجموعهای مناسب از اشیاء یادگیری جهت ارتقاء فرآیند یادگیری، راحتتر خواهد بود. ما در این مقاله یک سیستم یادگیری تطبیقی به نام LearnFitII را شرح میدهیم، که میتواند به طور خودکار با ترجیحات پویای افراد یادگیرنده تطبیق یابد. این سیستم الگوهای متفاوت از سبک یادگیری و عادات افراد یادگیرنده را از طریق آزمایش کردن مدل روانشناختی افراد یادگیرنده و کاوش logهای سرور آنها به دست میآورد. در ابتدا، سیستم یک سناریوی یادگیری شخصیسازی شده را برای مقابله با مسئلهی شروع سرد با استفاده از مدل Felder و Silverman پیشنهاد میدهد. سپس، سیستم به تحلیل عادات و ترجیحات افراد یادگیرنده از طریق کاوش اطلاعاتی در مورد اقدامات و تعاملات این افراد میپردازد. در نهایت، سناریوی یادگیری با استفاده از سیستم توصیهگر مبتنی بر K-نزدیکترین همسایه و الگوریتمهای کاوش قوانین انجمنی مورد بازبینی و بروزرسانی قرار میگیرد. نتایج به دست آمده از سیستم پیشنهادی که در محیطهای واقعی مورد آزمایش قرار گرفته است، نشان میدهند که در نظر گرفتن ترجیحات افراد یادگیرنده، کیفیت یادگیری را افزایش میدهد و نیازهای فرد یادگیرنده را برآورده مینماید.
کلمات کلیدی:یادگیری الکترونیکی (E-Learning)، سیستم توصیهگر، سبک یادگیری، فیلتر کردن مشارکتی، اشیاء یادگیری.
برای مشاهده نمونه کار می توانید به این صفحه مراجعه کنید.
مقالات مرتبط دیگری در این زمینه را می توانید در صفحه “مقالات سیستم های توصیه گر” بیابید.
نقد و بررسی ها
هیچ دیدگاهی برای این محصول نوشته نشده است .