آزاده فاروقی؛ پرهام مرادی
چکیده
دوره های گسترده آنلاین باز (MOOCs) اخیراً به یک ابزار آموزشی محبوب تبدیل شده اند. آنها به طور کلی گزینه های در مقیاس بزرگ را به دانش آموزان می دهند. با این حال، تنوع دوره های MOOC موجود و به روز رسانی سریع آنها، یافتن مطالب جدید مرتبط با آنها را برای دانش آموزان دشوارتر می کند. یک سیستم توصیه (RS) یادگیرنده را با بهترین منابع یادگیری برای برآورده ...
بیشتر
دوره های گسترده آنلاین باز (MOOCs) اخیراً به یک ابزار آموزشی محبوب تبدیل شده اند. آنها به طور کلی گزینه های در مقیاس بزرگ را به دانش آموزان می دهند. با این حال، تنوع دوره های MOOC موجود و به روز رسانی سریع آنها، یافتن مطالب جدید مرتبط با آنها را برای دانش آموزان دشوارتر می کند. یک سیستم توصیه (RS) یادگیرنده را با بهترین منابع یادگیری برای برآورده کردن علایق دانش آموزان مرتبط می کند. اکثر تحقیقات سیستم توصیه‌گر بر اساس وجود بازخورد صریح است که اغلب در MOOC غیرممکن یا غیرقابل دسترسی است. در نتیجه، در این مقاله، ترجیحات مثبت و منفی کاربر را با استفاده از بازخورد ضمنی که به طور منفعلانه با مشاهده انواع مختلف رفتار دانش‌آموزان به دست می‌آید مدل می‌کنیم. این مقاله یک توصیه دوره جدید را پیشنهاد می‌کند، که از شبکه‌های عصبی سیامی (SNN) برای استخراج بازنمایی‌های نهفته از دانش‌آموزان و دوره‌ها با استفاده از یک تابع ضرر استفاده می‌کند که به نفع مشاهده نسبت به دوره‌های مشاهده نشده است. سپس شباهت کاربران و دوره ها با استفاده از یک مکانیزم نمایش جدید تعیین می شود. علاوه بر این، توصیه دوره‌هایی با داده‌های تعامل محدود یک چالش بزرگ در توصیه‌کنندگان MOOC است. برای مقابله با این موضوع، از نمایه دوره ها به عنوان اطلاعات جانبی استفاده می شود که به ما کمک می کند تا نمایش های دقیق تری ایجاد کنیم. برای ارزیابی عملکرد روش پیشنهادی، آزمایش‌ها را روی یک مجموعه داده واقعی جمع‌آوری‌شده از XuetangX انجام دادیم که یکی از بزرگترین MOOCهای چین است. نتایج آزمایش‌ها نشان می‌دهد که روش پیشنهادی از تعدادی از توصیه‌کنندگان MOOC مبنا و پیشرفته‌تر عمل می‌کند.
