ارزیابی نظام مند و بازتولیدپذیر پیش بینی پروفایل های رفتاری یادگیری از داده های رفتاری با تاکید بر محدودیت های برچسب گذاری و مقایسه ی رویکردهای مدلی

چکیده مقاله

این پژوهش یک چارچوب مفهومی و بازتولیدپذیر برای پیش بینی پروفایل های رفتاری یادگیری برچسب های جانشین از داده های رفتاری در سیستم های آموزش تطبیقی ارائه می کند و بر چالش های بنیادین فقدان برچسب های معتبر و نبود مقایسه های منصفانه میان رویکردهای مدلی تمرکز دارد با استفاده از پایگاه داده عمومی EdNet KT۱، ویژگی های رفتاری دانش آموزان استخراج و برچسب های جانشین به منظور تقریب پروفایل های رفتاری یادگیری از طریق خوشه بندی تولید شدند سپس دو رویکرد مدل سازی متمایز مدلسازی شامل مدل های مبتنی بر داده های جدولی مانند Gradient Boosting و XGBoost و مدل های ترتیبی LSTM و Transformer در یک پروتکل ارزیابی کنترل شده همراه با پیشگیری سخت گیرانه از نشت داده به منظور تشخیص برچسب های جانشین / پروفایل های رفتاری استخراج شده از خوشه بندی مقایسه شدند عملکرد مدل ها با معیار F۱ macro سنجیده شد و نتایج نشان داد همه مدل ها نزدیک به سطح شانس ۰ ۳۳۳ عمل می کنند هر چند آزمون فریدمن تفاوت هایی در رتبه بندی توصیفی نشان داد اندازه اثر ضریب کندال ۲۰۰۱ بسیار کوچک بود که بیانگر فقدان سیگنال قابل اتکا در داده های رفتاری است سهم اصلی این مطالعه ارائه یک روند ارزیابی شفاف و بازتولیدپذیر و یک نتیجه منفی آموزنده است که می تواند مبنای پژوهش های آتی قرار گیرد در پژوهش های آتی استفاده از پرسشنامه های معتبر برای اعتبار سنجی داده های چندوجهی و روش های بازنمایی و خوشه بندی پیشرفته تر پیشنهاد می شوند

کلیدواژه‌ها

نویسندگان

فائقه فقیه موسوی

دانشجوی دکتری گروه مهندسی کامپیوتر و فناوری اطلاعات دانشکده فنی و مهندسی دانشگاه قم قم ایران

فرانک فتوحی قزوینی

استادیار، گروه مهندسی کامپیوتر و فناوری اطلاعات دانشکده فنی و مهندسی دانشگاه قم، قم، ایران

فقیه موسوی، فائقه و فتوحی قزوینی، فرانک،1404،ارزیابی نظام مند و بازتولیدپذیر پیش بینی پروفایل های رفتاری یادگیری از داده های رفتاری با تاکید بر محدودیت های برچسب گذاری و مقایسه ی رویکردهای مدلی،دومین کنفرانس بین المللی دو سالانه پیشرفت ها در هوش مصنوعی و علوم داده،بوشهر

ارائه‌شده در

همایش «بسیج، پیشرفت و امنیت پایدار در منطقه جنوب شرق کشور»7 بهمن 1404 · تهران