Group1-Topic6

[skardan]

6.1 How Bayesian networks were used in e-learning systems as a
facility to model the students?

[مهدين ستوده‎]

سلام- انصافا موضوع سختي بود! من كلي search كردم و كلي مقاله كه البته
اكثرا account لازم داشتن پيدا كردم كه هر كدوم شبكه هاي بيزين رو واسه
منظور خاصي استفاده كرده بودند.با اينكه سعي كردم كليات رو ازشون استخراج
كنم اما چندان موفق نبودم و خودم هنوز نياز به اطلاعات بيشتري دارم-اقاي
كاردان لطفا منبعي كه كليات را با يك مثال گفته باشه به ما بديد يا جلسه
استاديار كمي بيشتر ما رو راهنمايي كنيد چون موضوع جالبيم هست. بهر حال
يافته هاي من:

يك مدل يادگيرنده Learner model كه به آن مدل دانش اموز student model
نيز گفته مي شود، مدلي ست كه از مشاهدات و يافته هاي حاصل از تعامل و
محاوره بين يك سيستم يادگيري يا محيط اموزشي ويادگيرنده حاصل مي شود.
بعبارت ديگر مدل يادگيرنده مدلي از دانش، مشكلات و نيز داده هاي غلط و
اطلاعات ناصحيح افراد است . در حين فرايند يادگيري داده هاي موجود در مدل
يادگيرنده درباره درك و يادگيري او بهنگام سازي مي شود تا وضعيت و اهداف
و ايده هاي فعلي او را منعكس نمايند.
شبكه هاي بيزين گرافهاي جهت دار بدون دوري هستند كه نودهاي آنها مجموعه
اي از متغيرهاي تصادفي و يالها ارتباطات احتمالي بين متغيرها مي
باشند.اجزاي اين شبكه عبارتند از:
• مجموعه اي از متغير هاي تصادفي، كه نودهاي گراف هستند
• مجموعه اي از يالهاي جهت دار كه ارتباطات احتمالي نودها را نشان مي
دهند و اگر از نود A به نود B يالي موجود باشد A را والد B مي گويند
• هر نود يك توزيع احتمال شرطي دارد كه تاثير نودهاي والد را برروي آن
بصورت عددي نمايش مي دهد.
• گراف هيچ دوري ندارد .
اگراز نود A به نود B يالي رسم شود مي گوييم Aوالد B است. اين گرافها
ابزاري گرافيكي براي تصوير كردن وابستگي هاي مشروط بين موجوديت ها مي
باشند.
بعنوان مثال وقتي سيستم هاي آموزشي مي خواهند يادگيرنده را به شكل تعاملي
در مسير يادگيري راهنمايي كنند نياز به آگاهي از دانش فعلي او و نيز
اهدافي كه مي خواهد به آنها دست يابد دارند.
بنابراين سيستم هم بايد به بررسي و هم به شناسايي برنامه ها و طرح هاي
فراگير بپردازد. مدلسازي اين موارد با درصد بالايي از عدم قطعيت همراه
است چراكه فراگير مي تواند روش هاي مختلفي از استدلال را استفاده كند و
ملزم به ارائه شفاف و صريح استدلال هاي خود نمي باشند. شبكه هاب بيزين
بعنوان ابزاري براي كنترل و مديريت اين عدم قطعيت مي باشند.
سطح دانش يادگيرنده در هر مرحله بر اساس توزيع احتمال مربوطه كه معمولا
براي هرحالت داراي فرمول و تابع خاصي ست محاسبه مي شود. به تدريج كه
فرايند يادگيري پيشرفت مي كند task ها و روابط جديدي ايجاد و به مدل
اضافه مي شود. با تحليل شبكه كه اخرين وضعيت يادگيرنده را نشان مي دهند
مي توان الگوريتم هاي تطبيقي مناسب را براي ارائه آموزش مناسب تر بدست
آورد.

1. http://edutechwiki.unige.ch/en/Open_learner_model
2. http://ite.gmu.edu/~klaskey/uai07workshop/AppWorkshopProceedings/UAIAppWorkshop/paper11.pdf
3. http://www.informatics.sussex.ac.uk/users/richc/papers/GraweCoxAIED05CR.pdf
4. http://www.cs.usask.ca/UM99/Proc/short/conati_181818.pdf
5. http://aied.inf.ed.ac.uk/members00/archive/vol_11/conati/full.html
6. http://en.wikipedia.org/wiki/Intelligent_tutoring_system
7.

[mmkashani]

Topic6-Reply

How Bayesian networks were used in e-learning systems as a facility
to model the students?

دانشجويان توسط سبک هاي يادگيري متفاوت مشخصه گذاري مي شوند. اين کار با
تمرکز بر روي انواع مختلف اطلاعات و پردازش اين اطلاعات از طريق روش هاي
گوناگون انجام مي شود. يکي از مشخصه هاي مطلوب سيستم آموزشي مبتني بر وب,
اين است که تمام دانشجويان به توانند علي رغم سبک هاي يادگيري گوناگون به
تحصيل و يادگيري به پردازند. براي رسيدن به اين هدف, بايد چگونگي يادگيري
دانشجويان را آشکار کنيم. براي مثال, آيا آنها انعکاسي يا کنشي عمل مي
کنند, آيا به طور پيوسته و يک نواخت يا به اندازه شروع مي کنند, از طريق
درک مستقيم يا احساسي ياد مي گيرند؟ يکي از استفاده هاي شبکه هاي بايزين,
برايآشکار سازي سبک يادگيري دانشجو در سيستم آموزشي مبتني بر وب مي باشد.
شبکه بايزين جوانب مختلف رفتار دانشجو را درحاليکه او با سيستم کار مي
کند, مدل مي سازد. پس از آن سبک يادگيري او را مطابق با رفتارهاي مدل
شده , استنتاج مي نمايد. در اين راستا, مدل پيشنهاد شده اي در متن هوش
مصنوعي درس مبتني بر وب ارزيابي شده است. نتايج به دست آمده آشکار سازي
رفتاري دانشجو را تأئيد مي کند. با اين روش مي شود با دقت هاي مختلفي ,
سطوح يادگيري و جوانب آن را ارزيابي نمود که به نوبه خود مي تواند به طور
مؤثر در امر آموزش و يادگيري کمک فراواني به طراحان آموزشي نمايد.
http://www.sciencedirect.com, "Evaluating Bayesian networks’ precision
for detecting students’ learning styles

[Mehdi Ghanimifard]

سوال: آیا ترجمه «شبکه های بیضوی» برای Bayesian networks مناسبتر نیست؟ البته یک جایی دیدام که فقط نوشتند بایزین.
محمد مهدی غنیمی فرد

[Samad Kardan]

در فارسي شبكه هاي بيزي استفاده مي شود.
دليل نامگذاري استفاده از قانون احتمال شرطي بيز در رابطه بين گره ها است.

2008/11/30 Mehdi Ghanimifard <mmeh...@gmail.com>

--
Samad Kardan
Advaced e-Learning Technologies Group,
Computer Engineering and Information Technology Department,
Amirkabir University of Technology.
Web: http://ceit.aut.ac.ir/aelt/members/skardan

[ayoob sadeghiani]

مدل‏سازی دانشجو برای این منظور صورت می‏گیرد که نحوه‏ی یادگیری او به منظور طراحی روش‏های آموزشی مناسب(محیط آموزشی مناسب) برای وی، مشخص گردد. همچنین مدل‏سازی کمک می‏کند که ساختار گشت و گذار(حرکت در وب یا محیط آموزشی)،  هدف آموزش، تولید نسخه‏های آزمایشی ابزارهای آموزشی و ... دائماً بر اساس نیازمندی‏های دانشجو تطبیق پذیر شود.

هر دانشجو در هنگام یادگیری یا حل مسأله مجموعه‏ای از استدلال‏ها و اعمال را انجام می‏دهد که نتیجه‏ی آن یادگیری، یا عدم یادگیری و حل صحیح یا اشتباه یک مسأله است. مجموعه‏ی این استدلال‏ها و اعمال برای یک دانشجو رصد می‏شود. از آن‏جا که برخی از اعمال و استدلال‏ها به گونه‏ای اتفاق می‏افتد که به صورت یک زنجیره هستند، می‏توان گفت که شرط وقوع یک رفتار یا استدلال وقوع رفتار یا استدلال دیگری است که به صورت پیش‏نیاز صورت گرفته باشد. پیچیدگی و تعدد اعمال و استدلال‏ها و روابط آن‏ها باعث شده است که تحلیل و شناخت آن‏ها نیازمند یک مدل باشد که احتمال رخ دادن هر رفتار را بر اساس سایر رفتارها نشان دهد. به همین منظور شبکه‏های بیزی که اساس آن احتمالات شرطی است مورد استفاده قرار گرفته است.

2008/12/1 Samad Kardan <s.ka...@gmail.com>

[Babak Tavassoli]

شبکه های بیزی پیش تر چگونه در تسهیل مدل سازی یادگیرندگان در سیستم های
یادگیری الکترونیکی به کار برده می شدند؟
مدل های مبتنی بر شبکه بیزی می توانند نوع شخصی سازی موردنیاز هر
یادگیرنده را (بنابر نیازهای واقعی وی) به گونه ای تعیین نمایند که شی و
اهداف شخصی سازی در آن لحاظ شده باشد. روابط علت و معلول بین شی و اهداف
موردنظر در شبکه بیزی کدگزاری شده، و در چهار گام (فاز کاری) یادگیری
مورد لحاظ و ارزیابی قرار می گیرند: گام دانش پیشین یادگیرنده، گام
پیشرفت دانش یادگیرنده، گام اهداف یادگیرنده و آموزگار، و گام تجربه ها و
سلیقه حرکت در صفحه ها. میزان تاثیرگزاری (راندمان کاری) شبکه های بیزی
از همان اولین گام قابل تشخیص و تایید است، زیرا در آن یادگیرنده با
انتخاب نوع دانش موردنظر (و زیرشاخه های آن) وارد موضوع می شود:
یادگیرندگان به تناسب سبک های مختلف یادگیری، تمرکز برانواع اطلاعات و
پردازش آنها گروه بندی می شوند. یکی از خصوصیات ارزشمند سیستم آموزشی
مبتنی بر وب این است که یادگیرندگان می توانند (باوجود شیوه های یادگیری
متفاوت خود) آموزش ببینند. در حین کار یادگیرنده (کاربر) با سیستم، شبکه
بیزی جنبه های مختلف رفتاری وی را مدل سازی می کند، و سپس با توجه با آن
مدل های رفتاری، نوع و سبک یادگیری فرد را استنتاج می نماید. این نوع مدل
سازی همواره دقت یکسانی و بی نقصی در تشخیص جنبه ها و ابعاد یادگیری
افراد در سطوح و لایه های متفاوت ندارد.

[mahdi kereshteh]

شبکه های بیزی، یک مدل گرافیکی احتمالی از متغیر ها و مقادیر احتمالی
مستقل آنها است. به طور مثال یک شبکه ی بیزی می تواند رابطه ی بین بیماری
و نشانه ها باشد که می تواند احتمال رخداد بیماری را محاسبه نماید.
معمولا شبکه های بیزی به صورت گراف جهت دار بدون دور که نودهای آن
متغیرها و یالها نشان دهنده ی مقادیر احتمالی ارتباطی آنها می باشد. [1]
شبکه ی بیزی می تواند سازوکاری خودکار برای اعمال تئوری بیز در مسائل
پیچیده در نظر گرفته شود. در تئوری بیز فرض می شود که احتمال رخداد پدیده
ای پس از مشاهده ی نتایجی در گذشته متفاوت از قبل خواهد بود و دانش ایجاد
شده را می بایست در محاسبات احتمالی در نظر گرفت تا نتایج قابل قبول تر
باشند.[2]
تئوری بیز معمولا دو کاربرد عمومی دارد. [3]
تخمین نتایج احتمالی سیستم برای ورودی و مدل احتمالی مشخص (MAP)
تشخیص احتمالی ورودی سیستم بر حسب در اختیار داشتن خروجی و مدل احتمالی
سیستم (ML)
در مدلسازی یادگیرندگان، می توان از شبکه های بیزی برای دسته بندی
یادگیرندگان و تخمین میزان اثرگذاری اطلاعات ارائه شده و نیز تحقیق در
مورد دلایل اثرپذیری یادگیرندگان از مطلب آموزش خاص به شیوه ی مشخص می
باشد. از جمله مثالهایی برای این فرض ها می توان به موارد زیر اشاره
نمود:
دسته بندی کننده های بیزی [3]
Static and dynamic Bayesian Student Model [4]
SE-Coach student model [5]
Item-based Bayesian Student Models [6]

[1]: http://en.wikipedia.org/wiki/Bayesian_network
[2]: http://en.wikipedia.org/wiki/Bayes'_theorem
[3]: Machine Learning, Tom Mitchell, McGraw Hill, 1997.
[4]: Dynamic versus Static Student Models Based on Bayesian Networks,
José Luis & Pérez-de-la-Cruz & Felipe García, October 21, 2003
[5]: CRISTINA CONATI & KURT VANLEHN, a Computational Framework to
Coach Self-Explanation, 2000
[6]: Item-based Bayesian Student Models, Michel C. Desmarais, Michel
Gagnon, Peyman Meshkinfam, École Polytechnique De Montréal,

On Nov 18, 12:21 am, skardan <s.kar...@gmail.com> wrote:

[zohrabi]

شبکه های باور بیزی یاBayesian Belief Networks که Bayes Nets هم
نامیده میشود روشی است برای توصیف توزیع احتمال توام مجموعه ای از
متغیرها.
در صورتی که ساختار شبکه معلوم بوده وتمامی متغیرها قابل مشاهده باشند
میتوان براحتی جدول احتمال شرطی را از روی داده های آموزشی یاد گرفت )
مشابه یادگیری بیزی ساده(
در صورتیکه ساختار شبکه از قبل معلوم بوده ولی فقط برخی از مقادیر
متغیرها قابل مشاهده باشند، یادگیری مشکلتر خواهد بود. اینکار شبیه
یادگیری وزنهای لایه مخفی شبکه های عصبی است.
در صورتیکه ساختار شبکه معلوم نباشد یادگیری مشکل بوده و از روشهای
جستجوئی نظیر K2 برای جستجو در فضای ساختارهای ممکن استفاده میشود