الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.
قیمت
قیمت این مقاله: 25000 تومان
(ایران ترجمه - irantarjomeh)
توضیح
بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.
شماره
۱۷
کد مقاله
EDU17
مترجم
گروه مترجمین ایران ترجمه – irantarjomeh
نام فارسی
مدل ریاضی فراگیری تسریعی آتی از طریق شناخت ویژگیهای فردی
نام انگلیسی
A Computational Mo del of ccelerated Future Learning through Feature Recognition
تعداد صفحه به فارسی
۱۰
تعداد صفحه به انگلیسی
۳
کلمات کلیدی به فارسی
فراگیری تسریعی آینده ، مدلسازی فراگیرنده
کلمات کلیدی به انگلیسی
accelerated future learning, learner modeling
مرجع به فارسی
کالج علوم کامپیوتر، دانشگاه کارنیج ملون، ایالات متحده
مرجع به انگلیسی
School of Computer Science Carnegie Mellon University
کشور
ایالات متحده
مدل ریاضی فراگیری تسریعی آتی از طریق شناخت ویژگیهای فردی
چکیده
فراگیری تسریعی آتی در آینده، که در آن به دلیل آموزش های مقدماتی نتایج یادگیری موثرتر و سریع تر حاصل می شوند، را می توان به عنوان یکی از جذاب ترین شیوه های یادگیری کامل و تمام عیار در نظر گرفت. مطالعات فزاینده ای نشان داده اند که برخی از راهکارهای آموزشی منجر به فراگیری تسریعی آتی در آینده می شوند. با این وجود، مطالعات اندکی بر درک مکانیسم های یادگیری که منجر به تسریع یادگیری در آینده می شوند تمرکز داشته اند. ما در این مقاله، یک مدل ریاضی را شرح داده ایم که با بکاربردن تکنیک های آموزش ماشینی جهت شناخت ویژگی فردی، فراگیری تسریعی آتی در آینده را نشان می دهد. به منظور درک رفتار مدل پیشنهادی، مطالعه شبیه سازی کنترل شده ای را با توجه به چهار نگارش مختلف از این مدل انجام داده تا مشخص شود که چگونه ممکن است یادگیری بهتر اولیه دانش و استراتژی های بهترآموزشی بطور مستقل منجر به تسریع یادگیری در آینده شوند. بر این مبنا، نتایج حاصل شده از مدلهای یادگیری، با نرخ یادگیری و تطابق با روند اشتباهات رخ داده توسط دانشجویان حقیقی، اندازه گیری شده است. ما دریافتیم که دانش پرمحتوا و بیشتر اولیه همراه با استراتژی یادگیری بهتر قابیت تسریع فرآیند یادگیری را خواهند داشت. برخی از گوناگونی های مرتبط با مدل قابلت ایجاد الگوهای خطای انسانی را دارا می باشند، اما دیگر مدل ها اینگونه فرا می گیرند که چگونه باید، در مقایسه با دانشجویان، از بروز خطا اجتناب نمود.
شاید یکی از جذاب ترین ترین شیوه های یادگیری کامل ، فراگیری تسریعی آتی باشد. در این زمینه تحقیقات فزاینده ای به طور تجربی نشان داده اند که برخی از راهکارهای آموزشی منجر به تسریع روند یادگیری در آینده می شوند. این راهکارها (و مطالعات مربوطه) در بردارنده ابداع روشی برای فراگیری تسریعی آتی [۱]، توضیح فرد به خود [۲]، و تمرین جهت شناخت ویژگی پیش نیاز [۳] می باشند. در حالیکه گردآوری نتایج آغاز شده است، با این وجود ما هنوز از روش درک صحیح مکانیسم های یادگیری، که منجر به تحصیل چنین نتایجی می شوند، چیز زیادی نمی دانیم. یک مدل ریاضی فراگیری تسریعی آتی که با داده های آموزشی دانش جویان منطبق شده است، می تواند دستاورد قابل ملاحظه ای را در زمینه جامعیت نظری علوم آموزشی حاصل آورد و نشانه های پیشرفت در تکنولوژی های فعلی آموزش را خاطر نشان سازد.
تحقیق قبلی[۴] نشان داد که یکی از عوامل کلیدی تمایز متخصصان و تازه کاران این است که نگرش متخصصان به مشخصات شناختی / کاربردی دنیا عمیق است، در حالیکه تازه کاران نسبت به این مسئله نگرشی سطحی دارند. در این مقاله، به منظور دستیابی به شناخت عمیق از ویژگی ها، با استفاده از تکنیک های آموزش ماشینی، نگرش جدیدی را نسبت به مدلسازی فراگیری تسریعی آتی پیشنهاد می کنیم. بر این مبنا، فرض می کنیم که ورودی های سیستم مجموعه گزارشاتی از ویژگی های شناختی است. هر گزارش در برگیرنده یک مسئله اصلی (یعنی یک عبارت، -۳x)، و ویژگی بدست آمده از مسئله (یعنی ضریب در مسئله، ۳- در -۳x) می باشد. هدف از این مقاله ایجاد یک مدل ریاضی برای یادگیری شناخت ویژگیهای (فردی) است. پس از بررسی دقیق مشکل، ما دریافتیم که مشکل شناخت ویژگیهای (فردی) در ارتباط نزدیکی با محتوای احتمالی دستور زبان آزاد (PCFG) می باشد ، در حالیکه دانش با قواعد دستور زبان ارائه می شود، و فرایند یادگیری شبیه به استنتاج دستور زبان است. بنابراین، ما الگوریتم قیاسی دستور زبان را که توسط لی و همکارانش (۵) ارائه شده بود را بسط دادیم [۵]، زیرا این مدل، چارچوب احتمالی دستور زبان آزاد (PCFG) را بدون نیاز به دانش ساختاری مقدماتی با استفاده از مشاهدات متوالی بدست می آورد . جزئیات در مورد این الگوریتم یادگیری در [۵] شرح داده شده است.
به منظور تقویت قابلیت یادگیری، پس از کسب دستور زبان از الگوریتم لی وهمکارانش، سیستم ما نماد واسطه ای، که با ویژگی غالب در درخت های تجزیه نمونه های آموزشی مرتبط بود، را یافته و آن را تحت عنوان ویژگی هدف نامیدیم. جهت درک اینکه چگونه دانش پایه و استراتژی یادگیری می توانند بر نتایج حاصل از یادگیری اثر بگذارند، ما الگوریتم یادگیری را در دو جهت بسط دادیم. اولا، ما مکانیسم انتقال یادگیری را طراحی کردیم که روند تأثیرپذیری قوانین احتمالات در تمرین های آینده از احتمالات مرتبط با تمرین های گذشته را نشان می دهد. یادگیرنده تعداد دفعاتی را که هر قانون دستور زبان در درخت تجزیه از تمرین قبلی ظاهر می شد را ثبت کرده، و احتمال کاربرد قانون در تمرین جدید را با افزودن تعداد دفعات استعمال قانون قبلی درمسائل آموزشی به هنگام می کند. ثانیا، ما مکانیسم یادگیریمان را به منظور استفاده از یک “قید غیر- پایانی معنایی” در داده های آموزشی در طول دوران یادگیری بسط دادیم. بطور اخص، یادگیرنده توالی تمام ویژگی ها را دنبال نموده تا با یک نماد غیر پایانی مطابقت داشته باشند.
مدل ریاضی شناخت ویژگیهای فردی
۲- مطالعه تجربی
ما تحقیق شبیه سازی شده کنترل شده ای را در درس جبر به منظور بررسی موارد زیرانجام دادیم :
آیا دانش اولیه قویتر و استراتژی های بهتر آموزشی می توانند منجر به تسریع یادگیری در آینده شوند.
اگر مورد ۱ امکان پذیر باشد، دانش اولیه و استراتژی های یادگیری تا چه حدی باید باشند تا بتوانند بر نتایج یادگیری اثر بگذارند.
چهار نسخه جایگزین ۲ در ۲ از مدل یادگیری پیشنهاد شده در تحقیق مورد استفاده قرارگرفتند:
L00، ، یادگیرنده اصلی بدون وجود انتقال یادگیری و محدودیت نامتناهی
L01، یاد گیرنده با محدودیت نامتناهی و بدون وجود انتقال یادگیری
L10، یادگیرنده با انتقال یادگیری بدون وجود محدودیت نامتناهی
L11، یادگیرنده با وجود انتقال یادگیری و محدودیت نامتناهی
ما سه برنامه درسی طراحی کردیم. سه تکلیف در طی سه برنامه درسی با افزایش پیچیدگی مورد استفاده قرار گرفتند. سه برنامه درسی عبارت بودند از:
تکلیف یک، سپس تکلیف دو
تکلیف دو، سپس تکلیف سه
تکلیف یک، سپس تکلیف دو، سپس تکلیف سه
در تمام تکالیف به غیر از تکلیف آخر، به هر یادگیرنده ۱۰ تمرین آموزشی داده شد. برای تکلیف آخر، به هر یادگیرنده یک تا پنج تمرین آموزشی داده شد. هر دو سیستم تحت هر کدام از این شرایط آموزشی، بر روی ۱۰۰ یادگیرنده، براساس داده های مشابه آموزشی تکلیف آخر، مورد بررسی قرارگرفتند. برای هر مورد آزمایش شده، ما ویژگی شناسایی شده توسط طرح های پیش بین را با ویژگی شناسایی شده با اجرای مدل مقایسه کردیم، و صحت نتایج را ارزیابی نمودیم.
ما همچنین اشتباهات رخداده در سیستم یادگیری را با اشتباهات متداول دانش جویان حقیقی در برنامه درسی یک با هم مقایسه کردیم. ما اشتباهات متداولی راکه دانش جویان درتکلیف ۲ داشتند را با مطالعه ۷۱ دانش اموز دبیرستانی که از ابزار کمک آموزشی جبر با نام مربی جبر من کارنگی استفاده می کردند بررسی کرده و متوجه شدیم که نادیده گرفتن علامت منفی ضریب ( یعنی نوشتن ۳ به جای ۳- به عنوان ضریب -۳x ) غالب ترین اشتباه است. از سیستم یادگیری خواسته شد تا ضریب را در ۱۰۰ پاسخ ارائه شده دانش آموزان حقیقی بررسی کند، و مدل بر اساس مطابقت اشتباهات رخ داده توسط یادگیرنده و اشتباهات متداول دانش آموزان مورد ارزیابی قرارگرفت.
همانگونه که در شکل ۱(الف) نشان داده شده است، نتیجه نشان می دهد که با وجود انتقال یادگیری، یادگیرنده ها قادرند سریعتر از حالتی که انتقال یادگیری را دراختیار ندارند دانش را کسب کنند. با مقایسه یادگیرنده اصلی، L00، و یادگیرنده دارای محدودیت نامتناهی، L01، ما می توانیم ببینیم که استراتژی بهتر یادگیری منجر به شیب بیشتر منحنی یادگیری می شود. ما همچنین مشاهده نمودیم که در هر سه برنامه درسی، منحنی انتقال یادگیری ، L10، همیشه بالاتر از منحنی یادگیرنده بامحدودیت نامتناهی معنایی ، L01 قرار دارد. نتایج مشابهی از برنامه درسی دو و سه بدست آمد. این نتایج نشان می دهند که در فراگیری تسریعی آتی در آینده، دانش اولیه از استراتژی های بهتر یادگیری موثرتر است. در مطالعه مطابقت اشتباهات، ما مشاهده کردیم که پس از آموزش با ۱ تا ۵ مسئله، متداولترین اشتباه را در بررسی یادگیرنده اصلی L00 از خود نشان داده است. علاوه بر اینکه پاسخ های اشتباه دیگر به دلیل عدم توانایی شناسایی ضریب از مسئله رخ داده بودند.
لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.
