Download
1 / 26
260 likes | 367 Vues
Design a personalized e-learning system based on item response theory and artificial neural network approach. 報告人：潘輝銘. Ahmad Baylari, Gh.A. Montazer IT Engineering Department, School of Engineering, Tarbiat Modares University, Tehran, Iran
E N D
Design a personalized e-learning system based on item response theory and artificial neural network approach 報告人：潘輝銘 Ahmad Baylari, Gh.A. Montazer IT Engineering Department, School of Engineering, Tarbiat Modares University, Tehran, Iran Expert Systems with Applications, Volume 36, Issue 4, May 2009, Pages 8013-8021
Outline(1/2) • Introduction • Personalization concept in e-learning systems • Item response theory (IRT) • Test construction process • System architecture
Outline(2/2) • System design and development • The artificial neural network • Data normalization and partitioning • Network architecture and training • System evaluation&Conclusion
Introduction(1/3) • 頻繁的網上技術在教育領域提供機會使用新的學習方法與更有效的教學方式。 • 使用數位學習可以克服傳統學習的局限性，例如遠距離，時間，經費或忙碌的情況。 • 在許多 Web應用程序，如窗口網站(如Google、Yahoo)，新聞網站，各類商業化網站(如Amazon、eBay)和搜索引擎等，皆提供個性化的機制，此服務已經得到很大的關注，原因在於資訊需求是來自不同用戶。
Introduction(2/3) • 適性化是趨勢，需進一步關注，即系統將考慮到使用者特定的習慣或不擅長的地方而改變其使用程序。 • 本文之研究，提出一個框架，基於IRT理論的和類神經網路(ANN) ，建構適性化數位學習系統，推薦合適的教材給學習者。
Personalization concept in e-learning systems(1/2) • 2002年，Shi, Revithis, & Chen提出一個方法，利用自組織映射(self-organizing map, SOM)代理模組，取代掉整個數位學習環境中，人為指導與控制。 • 2005，Chen 等學者提出一種概念，在適性化學習的過程中，同時考慮教材難度和學習能力，提供了完善的個人學習路徑。
Personalization concept in e-learning systems(2/2) • 2006，Chen, Liu,& Chang開發適性化網路教學系統(PWIS)的原型，進行個人化課程安排，依照學習者的能力與觀念，調整課程元件難易程度。 • 在本文系統有三個測驗 • Pre-test 前測 • Adaptive post-tests 適性化後測 • Reviewtests 複測 • 系統自動診斷學習者之問題，並動態推薦適合的教材。
Item response theory (IRT) (1/5) • IRT理論的主要目的是評估一位受試者的能力(θ)，根據其反應，以測試項目。 • 基於IRT模型，受試者反應和測試項目間的關係，為一項目特徵曲線(ICC)。
Item response theory (IRT) (2/5) • 典型案例，S形函數曲線： • 橫軸 - 能力值；縱軸 - 答對機率
Item response theory (IRT) (3/5) • three parameter logistic model (3PL) - 題目難度 D- 常數1.7 θ-能力大小 - 為答對題目的機率
Item response theory (IRT) (4/5) • IRT中，Item information function (IIF) 為題目資訊量，提供受試者最具「訊息」的題目，可有效分辨受試者潛在能力，降低估計誤差。 • Test information function (TIF)為每個題目對其測驗結果的資訊量總合。
Item response theory (IRT) (5/5) • IIF&TIF定義： (IIF) (TIF) • 其中 (θ) = 1 -(θ) • (θ):(θ) 一階微分 • I(θ): 項目i從1~N的資訊量加總
Test construction process(1/3) • 在本文使用IRT-3PL模組，針對學習能力評估及選擇適當的後測來建構。 • 指導者分析其學習內容，從各別的學習方向(LO)設計多種適合的題目。 • 有三種類型測試，每種有10題測驗，共測30題。
Test construction process(2/3) • 後測架構： 每個題目皆有獨特的編碼儲存在資料庫當中。
Test construction process(3/3) • 複審的測試，是靜態的測驗流程，被用來診斷學習者的學習問題。 • 測驗資料庫，在系統上用於評估學習者。
System architecture(1/2) • 本文提出一個多代理系統架構，用於適性化學習環境。 • 三層式架構，中間層包含四個代理機制： • Activity agent- 記錄網上學習活動。 • Planning agent- 規劃學習的流程。 • Test agent- 根據上個機制的要求，提出相應的測驗題型給學習者。 • Remediation agent- 分析複測結果， 診斷並推薦合適的教材。
System architecture(2/2) 儲藏層 - 包含學習者資料庫、LO資料庫、測驗資料庫
System design and development(1/7) • 數據提交系統，經過對每個反應項目的分析，診斷後推薦適合的LO 給學習者。
System design and development(2/7) • The artificial neural network--- 從一個資料空間經過學習，映射到另一個使用的例子，具高推廣度。 此網絡為20個輸入節點和5個輸出神經元。
System design and development(3/7) • Data normalization and partitioning--- 規範輸入和輸出變量()在 區間對應的範圍。 : 的標準值，輸入和輸出範圍在0.1~0.9。 資料60％進行訓練，10％驗證，剩餘用以測試網絡。
System design and development(4/7) • Network architecture and training--- 兩個隱藏層，在MATLAB環境下與其他層神經元作訓練。 以兩種標準來停止訓練： • 訓練誤差(均方根誤差MSE)為 • 最大訓練次數1000次
System design and development(5/7) • 一個隱藏層15個神經元，分為sigmoid activation function和linear activation function兩種方式作訓練。 訓練誤差:0.0007& 訓練次數:144次 Testing MSE:7.13
System design and development(6/7) • 第一個隱藏層有15個神經元，第二個神經元有10個。 訓練誤差: 達9.97e-6& 訓練次數:231次 Testing MSE:0.0158
System design and development(7/7) • 歸納其他網絡結構不同訓練結果：
System evaluation&Conclusion(1/2) • 來自網絡LOs的推薦與人類LOs推薦對比，與目標輸出達25/30(83.3％)之準確率。
System evaluation&Conclusion(2/2) • 該系統能診斷學習者的學習問題，有如人類教師，可以推薦合適的學習教材。 • 提出一種適性化的多代理機制數位學習系統，運用IRT理論與測驗，評估學習者基礎能力。 • 實驗結果表明，該系統提供適性化的課程和適當的建議，準確率達到83.3％，可加速學習效率和效益。
