تحسين نظام توصية التعلم الالكتروني باستخدام التعلم العميق

Abstract

المستخلص نظراً لتوفر كمية هائلة من المصادر التعليمية على الشبكة فمن الصعب على المستخدمين والمتعلمين إيجاد ما يطابق إحتياجاتهم. الاستشخاص ليس بالمفهوم الجديد في الشبكات العصبية أوفي التعليم الالكتروني وللشبكات العصبية دور مهم في الاستشخاص والتعليم الالكتروني من خلال تزويد المستخدمين والمتعلمين بمقترحات (توصية) معتمدة على ما يفضلونه بأقل وقت وجهد. هذا البحث يناقش مفهوم الاستشخاص والذي له دور في إيجاد إحتياجات المستخدم من المصادر التعليمية باستخدام الشبكات العصبية التلافيفة. انظمة التوصية تستخدم لتقديم مقترحات وتوصيات الى مستخدم النظام للمنتجات الجديدة او الخصائص الجديدة للنظام التي من الممكن ان لا يكون لاحظها لذا يقوم نظام التزكية ببناء مقترحات لمستخدم النظام اعتمادا على تفضليات المتسخدم السابقة او احتياجاته عندما كان يستخدم النظام. وقد تم استخدام أحد انظمة التزكية المعتمدة على المحتوى، عادة يعتمد على بناء Profile للمستخدم لتحليل احتياجاته في ذلك النظام ويتنبأ بخصائص جديدة التي من الممكن ان يكون مهتما بها. في هذا البحث تم تحسين سرعة ودقة نظام استشخاصPersonalization لبيئة التعلم الالكتروني اعتمادا على ادوات ذكية وباستخدام التعلم العميق Deep Learning وتحديداً الشبكة العصبية التلافيفية ذات البعد الواحد (1D CNN) وذلك لغرض إضافة طابع شخصي على بيئة التعلم الالكتروني. وان أهم ما يميز هذا النظام عن الدراسات والأنظمة السابقة هو سرعة النظام المقترح والمستند الى الشبكة العصبية التلافيفية والدقة العالية في جلب البيانات والمعلومات ذات الصلة بتفضيلات المستخدم حيث وصلت دقة النظام الى 99.8 %. البيانات المستخدمة في النظام عبارة عن مجموعة بيانات تحليلات التعلم الجامعي (OULAD) والمتاحة على شبكة الانترنت وتحتوي على بيانات حول الدورات والطلاب وتفاعلاتهم مع بيئة التعلم الافتراضية لسبع دورات مختارة وأكثر من 28785 طالب. هذه البيانات استخدمت في النظام لعمل تزكية للانظمة التعليمية باستخدام طرق ذكية عن طريق التعلم العميق في بيئة التعليم الالكترونية الخاصة. ولقد تم قياس النتائج باستخدام مجموعة من مقاييس الاداء وبعد مقارنة النتائج التي تم الحصول عليها مع نتائج الدراسات السابقة اتضح تفوق النظام المقترح بشكل كبير. Abstract A large amount of learning resources is available on the net which makes it a difficult process for users and learners to decide which matches his/her needs. Personalization is not a new concept in Neural Networks or in E-Learning. Artificial Neural Networks have a great significance in personalization and E-Learning by giving suggestions (recommendations) to users and learners based on their preferences and all of this with less time and effort. This dissertation discusses the concept of personalization which has an importance in finding what user needs from learning resources by using convolutional neural networks. System-based recommendation systems are used to recommend system users for the new products or features of the system. One of the recommendation systems have been used in this research called the content-based recommendation system which is typically based on building a user profile to analyze the needs of the system user and then predicts the new features that he may be interested in. In this dissertation, the speed and accuracy of the Personalization system for the e-learning environment were improved based on smart tools and using deep learning, specifically the one-dimensional convolutional neural network (1D CNN) for the purpose of adding a personal character to the e-learning environment. The most important thing that distinguishes this system from previous studies and systems is the speed of the proposed system, which is based on the convolutional neural network, and the high accuracy in fetching data and information related to user preferences, where the accuracy of the system reached 99.8%. The system relies on an online dataset called Open University Learning Analytics Dataset (OULAD), which comprises information about courses, students, and their interactions with the virtual learning environment for seven different courses and over 28,785 students. The results were assessed using a set of performance indicators, and when compared to previous studies’ findings, it was obvious that the proposed approach was much superior.