2استادیار گروه عوم و فناوری شبکه، دانشگاه علوم و فنون نوین، دانشگاه تهران
چکیده
بهبود فضای یادگیری تا حد زیادی به تخمین نیازمندیهای یادگیری یادگیرندگان در شبکههای یادگیری اجتماعی وابسته است. در این مقاله تخمینگری برای تخمین نیازهای یادگیری یادگیرندگان در شبکههای یادگیری اجتماعی پیشنهاد شده است. در شبکههای پرسش و پاسخ، تخمین نیاز یادگیری به معنی تخمین موضوع آتی سؤال است. معنادار بودن وابستگی تشابه دنبالۀ موضوعات یادگیری پیشین با موضوعات آتی یادگیرندگان یکی از زمینههای بسیار مهم در تخمین موضوع یادگیری آتی به شمار میآید. از اینرو این تخمینگر بر اساس تشابه موضوعاتی که یادگیرندگان در آن سؤال میپرسند، موضوع یادگیری بعدی را تخمین میزند. روش تخمین معرفی شده در این پژوهش مبتنی بر روش بیز طراحی شده است. عملکرد این روش در مجموعه دادۀ استخراج شده از یکی از شبکۀ یادگیری اجتماعی پرکاربرد مورد ارزیابی قرار گرفته است. نتایج نشان میدهد روش پیشنهادی توانسته است در محیط غیر رسمی یادگیری، با استفاده از برچسبهای سؤالات پرسیده شده توسط یادگیرندگان، با دقت 78 درصد برچسب آتی هر یادگیرنده را شناسایی کند.
learner’s guidance in informal learning environment: Next Learning Topic prediction
Authors
mohammadsadegh rezaei, Hossein Bubarshad
Abstract
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 & 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.