آنچنان که در معرفی اجزاء سیستم­های آموزشی هوشمند گذشت، یکی از مهم‌ترین ماژول‌های سیستم­های آموزشی هوشمند، مدل­سازی یادگیرنده است. زیرا اغلب ماژول‌های فوق‌الذکر بلا استثناء مبنای عمل خود را اطلاعات مدل سازی یادگیرنده قرار می‌دهند. در ماژول مدل­سازی یادگیرنده، اطلاعاتی از قبیل دانش قبلی یادگیرنده، انگیزش، علاقه، سبک یادگیری، مهم‌ترین اشتباهات یادگیرنده در یادگیری موضوع خاص و … مدل شده و در تعامل با سیستم هوشمند این اطلاعات به روز می­شوند. پژوهش حاضر که با هدف طراحی مدل هوشمند برای پیش ­بینی میزان موفقیت یادگیرنده الکترونیکی، نوعی مدل سازی یادگیرنده است. ‌به این روش که سعی می­ شود، بر اساس برخی متغیرها، چون دانش قبلی یادگیرنده، انگیزش، سبک یادگیری و برخی مشخصه­ های روان‌شناختی و دموگرافیک، در معرض خطر بودن دانشجو شناسایی (مدل) شود. یافته می ­تواند در اختیار دانشجو، استاد و یا سایر همگنان موفق‌تر دانشجو قرار گیرند و اقدامات پیشگیرانه لازم بر اساس مدل­سازی صورت گرفته انجام شود.

یادگیری ماشینی مهم‌ترین دانش هوش مصنوعی است که در بخش­های مختلف یک سیستم آموزشی هوشمند به کار می‌رود، ۱) مدل­سازی یادگیرنده؛ ۲) ماژول‌های مربوط به نظارت فعالیت­های دانشجو در سامانه مدیریت یادگیری الکترونیکی؛ ۳) فیلتر کردن داده ها با توجه به اطلاعات موجود در مدل­سازی یادگیرنده؛۴) ماژول یادگیری همیارانه؛ ۵) سازماندهی ترتیب و توالی محتوای آموزشی و ۶) ارائه آن بر اساس مدل­سازی یادگیرنده، همگی اجزاء حیاتی یک سیستم­ آموزشی هوشمند است که مستقیماً بر دانش، روش­ها و مدل­های یادگیری ماشینی متکی هستند. با توجه به اهمیت یادگیری ماشینی و اهمیت آن برای پژوهش حاضر، یادگیری ماشینی و داده ­کاوی آموزشی به اختصار تشریح می­گردد.

یادگیری ماشینی و داده ­کاوی آموزشی

سیستم­های هوشمند اعم از سیستم­های آموزشی، سیستم­هایی که در صنعت، نظام، اقتصاد و … توسعه یافته­اند، به شدت متکی بر الگوریتم­های یادگیری ماشینی هستند. قبل از پرداختن به یادگیری ماشینی و داده ­کاوی آموزشی توجه به تعریف این دو مفهوم حائز اهمیت است.

دایره‌المعارف آزاد ویکی‌پدیا، یادگیری ماشینی را شاخه­ای از هوش مصنوعی معرفی می‌کند که به ساخت و مطالعه سیستم­هایی مربوط است که می ­توانند، از داده ها “یاد” بگیرند. به عنوان مثال، سیستم یادگیری ماشینی به نحوی آموزش داده می­ شود که بتواند هرزنامه­ها را از پیام­های معتبر تفکیک و بعد از شناسایی، آن‌ ها را دو پوشه جداگانه ذخیره کند. کاربرد­های یادگیری ماشینی به مسائل حوزه وب و اینترنت محدود نمی‌شود؛ ویتن و فرانک^[۱۳۷](۲۰۰۵)، مثال جالبی از به‌کارگیری یادگیری ماشینی در کمک به گاو داران نیوزلندی زده­اند. گاو داران باید در یک برهه زمانی تصمیم بگیرند که گاو­های خود را برای شیرده فصل بعد نگهدارند یا آن‌ ها را به کشتارگاه بفرستند. آن‌ ها از داده های چندین میلیون گاو و ۷۰۰ مشخصه از آن‌ ها چون سن، سابقه بیماری و … برای این هدف استفاده کرده ­اند و با بهره گرفتن از فنون یادگیری ماشینی این تصمیم ­گیری مهم را اتوماتیک کرده ­اند.

در عصر فناوری اطلاعات و شبکه­ های بزرگ چون وب، با حجم انبوه داده ها در پایگاه ­های داده مواجه هستیم. وب علاوه بر این که مملو از اطلاعات است، تمام فعالیت و کلیک­های ما را نیز ثبت می­ کند. با افزایش بی حد و حصر داده ها، استخراج الگو­ها و روابط معنادار بیش از پیش احساس می­ شود. به زعم ویتن و فرانک (۲۰۰۵) مجموعه تکنیک­هایی که برای کشف و توصیف الگو­های ساختاری در داده ها به کار می­رود، یادگیری ماشینی است؛ البته باید توجه داشت، کشف الگو­ از داده ها از آغاز زندگی بشر بوده است به عنوان مثال، شکارچیان در صدد یافتن الگو­ی مهاجرت پرندگان، کشاورزان در صدد یافتن الگوی رشد محصولات و سیاستمداران در صدد شناسایی الگوی عقاید رأی دهندگان بوده ­اند.

مفهوم “یادگیری” در “یادگیری ماشینی” بسیار چالش برانگیز است. ورود به آن از حوصله گزارش پژوهش حاضر خارج است. اما باید تأکید کرد، که منظور از “یادگیری” در یادگیری ماشینی با آنچه که بین صاحب‌نظران علوم یادگیری مطرح است، متفاوت است. در یادگیری ماشینی، یادگیری الزاماًً با درک، فهم و آگاهی همراه نیست. چه بسا ماشین در حل یک مسئله، همانند انسان عمل کند، بدون اینکه بر عمل خود آگاهی داشته باشد. به طور خلاصه یادگیری ماشینی یکی از بزرگ‌ترین زیرمجموعه­های هوش مصنوعی است که با طراحی و توسعه تکنیک­ها و الگوریتم­هایی سرکار دارد که برای رایانه امکان”یادگیری” را فراهم می­ کند.

“داده ­کاوی” و یادگیری ماشینی اغلب معادل هم به کار می­روند. کلوزگن و زیتگو^[۱۳۸](۲۰۰۴) داده ­کاوی یا کشف دانش از داده ها^[۱۳۹]را استخراج اتوماتیک الگو­های جالب و ضمنی از مجموعه ­های عظیم داده ها تعریف کرده ­اند (کلوزگن و زیتگو، ۲۰۰۴، به نقل از رومرو، ونچرا و گارسیا^[۱۴۰]،۲۰۰۸). تفکیک یادگیری ماشینی از داده ­کاوی به ویژه در حوزه آموزش مشکل است. به عبارت دقیق­تر داده ­کاوی، از روش‌هایی یادگیری ماشینی برای استخراج الگوها و اطلاعات از داده ها بهره ‌می‌گیرد و در عین حال به روش‌هایی یادگیری ماشینی محدود نمی­ شود و از روش‌هایی آماری نیز بهره می‌گیرد. معمولا داده ­کاوی نیاز به داده های زیاد دارد، و اغلب از داده های پایگاه ­های رایانه­ای استفاده می‌شود. در یادگیری ماشینی هدف از قبل کاملاً مشخص است (مثلاً پیش ­بینی)، اما در داده ­کاوی در اغلب موارد، هدف از قبل کاملاً مشخص نیست و داده­کاو (محقق) با بررسی روابط ساختاری پیچیده، میان انبوه داده ها اطلاعات یا الگو­های معنا­دار و مفید را استخراج می­ کند. هوش مصنوعی نیز در طراحی و توسعه سیستم­های هوشمند، خود را محدود به یادگیری ماشینی و الگوریتم­های آن نمی­کند، بلکه از روش‌هایی معمول آماری نیز برای رسیدن به هدف خود بهره ‌می‌گیرد.

با مقدمه­ای که گذشت، پر واضح است که دو حوزه داده ­کاوی و یادگیری ماشینی چه از نظر هدف و چه از نظر روش رسیدن به هدف با هم دارای اشتراکات زیادی بوده و این امر باعث شده که این دو معادل هم به کار روند. حوزه آموزش نیز از این قاعده مستثنی نبوده است؛ البته اصطلاح داده ­کاوی آموزشی^[۱۴۱]در علوم تربیتی و یاددهی-یادگیری بیشتر متداول است. رومرو و ونچرا^[۱۴۲](۲۰۱۰) داده ­کاوی آموزشی را اعمال فنون داده ­کاوی بر روی داده آموزشی تعریف می‌کنند، هدف نیز حل موضوعات پژوهشی در حوزه تعلیم و تربیت است. مهم‌ترین کاربرد­های داده ­کاوی در سیستم­های آموزشی زیر است:

• • آموزش حضوری: این نوع آموزش­ها بر ارتباطات آموزشی چهره به چهره متمرکز است، انواع روش‌هایی روان­سنجی و آماری در تحقیقات آموزش­های حضوری از دیر باز مورد استفاده بوده است.