Роҳи омӯзиши фардӣ (Personalized Learning Path, PLP), пайдарпаии инфиродии маводи омӯзишӣ мебошад, ки дар он бо дарназардошти ҳадафҳо, сатҳи когнитивӣ, афзалиятҳои мундариҷа ва расонаӣ ва маҳдудиятҳои вақти омӯзандаи муайян маводи омӯзишӣ интихоб шуда, мувофиқи робитаҳои педагогии онҳо тартиб дода мешаванд. Ин таҳқиқ тарҳрезии PLP-ро на ба равиши “услубҳои омӯзиш”, ки дастгирии таҷрибавии заиф дорад, балки ба Назарияи когнитивии омӯзиши чандрасонаӣ (Cognitive Theory of Multimedia Learning, CTML) такя медиҳад; бо табдил додани принсипҳои CTML ба рубрикаҳои миқдории маводи омӯзишӣ ва PLP, интихоби мавод ва тартибдиҳии маводро ҳамчун ду масъалаи оптимизатсияи бисёрҳадафа ифода мекунад.

Дар таҳқиқ графи дониш бо 67 гиреҳи дониш, ки аз соҳаи илми компютерӣ гирифта шудааст, 365 маводи воқеии омӯзишӣ ва профилҳои омӯзандагон, ки аз 12 донишҷӯи таҳсилоти баъдидипломӣ гирифта шудаанд, истифода мешаванд. Интихоби маводи омӯзишӣ бо Non-Dominated Sorting Genetic Algorithm II (NSGA-II), ва тартибдиҳии маводи интихобшуда бо алгоритмҳои Random Hill Climber (RHC) ва Simulated Annealing (SA) анҷом дода шудааст. Нишон дода шудааст, ки масъалаи умумии интихоб тавассути редуксия аз Subset Sum NP-комил аст; ҷузъҳои interleaving ва prerequisite-и масъалаи умумии тартибдиҳии бисёр-ба-бисёр низ ҳар кадом алоҳида NP-комил мебошанд.

Мувофиқи Ҷадвали 8-и манбаъ, миёнаҳои ниҳоии ҳамгирошудаи рубрикаи PLP барои 12 профили донишҷӯ аз 3,19 то 3,54 аз 4 хол тағйир меёбанд. Арзиши пасттарин барои Student 11 — 3,19 ва арзиши баландтарин барои Student 9 — 3,54 мебошад. Алгоритмҳои тартибдиҳии RHC ва SA дар маҷмӯъ холҳои баланди рубрика ба даст овардаанд; махсусан RHC дар бисёр профилҳои донишҷӯён барои ҳамаи се меъёри тартибдиҳӣ ба 4,00 хол расидааст.

Ин натиҷаҳо нишон медиҳанд, ки раванди оптимизатсияи бар CTML асосёфта метавонад аз рӯйи рубрикаи муайяншуда PLP-ҳои дорои холҳои баланд тавлид кунад; аммо нишон намедиҳанд, ки донишҷӯён тавассути ин роҳҳо воқеан беҳтар меомӯзанд. Дар таҳқиқ озмоиши инсонӣ барои муқоисаи натиҷаҳои омӯзиши донишҷӯён гузаронида нашудааст ва тасдиқи рубрикаи PLP бо натиҷаҳои воқеии омӯзиш ба таҳқиқоти оянда гузошта шудааст.

Масъалаи асосии таҳқиқ

Системаи омӯзиши онлайн метавонад садҳо ё ҳазорҳо маводи омӯзишӣ дошта бошад. Он ки ҳамаи донишҷӯён ҳамон маводро дар ҳамон тартиб пайгирӣ кунанд, сатҳҳои гуногуни дониш, ҳадафҳо, вақти дастрас ва афзалиятҳои онҳоро ба назар намегирад. Равиши PLP кӯшиш мекунад ин масъаларо бо сохтани зермаҷмӯи алоҳидаи мавод ва пайдарпаии алоҳидаи омӯзиш барои ҳар донишҷӯ ҳал кунад.

Аммо муайян кардани он ки фардисозӣ тибқи кадом қоидаи педагогӣ анҷом дода шавад, масъалаи муҳим аст. Манбаъ таъкид мекунад, ки дар таҳқиқоти қаблии PLP услубҳои омӯзиш васеъ истифода шудаанд, дар ҳоле ки ин равиш дар адабиёти таълимӣ ва равоншиносӣ заминаи қавии эмпирикӣ надорад.

Пешниҳоди ин таҳқиқ пайвастани тарҳрезии PLP ба назарияи омӯзишие мебошад, ки аз ҷиҳати илмӣ мустаҳкамтар аст. CTML мепазирад, ки инсон иттилоотро тавассути каналҳои визуалӣ ва шунавоӣ коркард мекунад, хотираи корӣ маҳдуд аст ва барои омӯзиши пойдор коркарди фаъоли когнитивӣ зарур мебошад. Аз ин рӯ, муҳим аст, ки мавод танҳо дар “шакли писандидаи” донишҷӯ пешниҳод нашавад, балки тавре тарҳрезӣ гардад, ки сарбории когнитивӣ, сохторбандӣ ва омӯзиши маънодорро дастгирӣ кунад.

Принсипҳои CTML Чӣ Гуна ба Алгоритми Омӯзиш Табдил Дода Мешаванд?

Таҳқиқ ба ҷойи рамзгузории мустақими CTML дар алгоритм, аввал онро ба рубрикаҳое табдил медиҳад, ки маводи омӯзишӣ ва тамоми PLP-ро баҳогузорӣ мекунанд. Мавод аз рӯйи принсипҳои multimedia, coherence, worked example, segmenting, signaling, spatial contiguity, temporal contiguity, modality, redundancy, personalization, voice ва sourcing арзёбӣ мешавад; сипас ин холҳо ба тағйирёбандаҳои тарҳии масъалаи интихоби бисёрҳадафа табдил дода мешаванд.

Се ҳадафи когнитивии CTML

Манбаъ дар тарҳрезии таълим се ҳадафи фарохи когнитивии CTML-ро асос қарор медиҳад:

• Коҳиш додани коркарди когнитивии нолозим: Пешгирӣ аз он ки донишҷӯ хотираи кории маҳдуди худро ба иттилооти берабт ба ҳадафи омӯзиш сарф кунад.
• Идора кардани коркарди асосӣ: Дастгирии сохторбандии мундариҷаи мураккаб мутобиқ ба маҳдудиятҳои хотираи кории донишҷӯ.
• Дастгирии коркарди когнитивии тавлидӣ: Осон кардани пайвастани фаъоли иттилооти нав бо дониши қаблӣ ва сохтани схемаи зеҳнӣ аз ҷониби донишҷӯ.

Рубрикаи маводи омӯзишӣ

365 маводи омӯзишии дар таҳқиқ истифодашуда аз ҷониби муҳаққиқони инсонӣ аз ҷиҳати мувофиқат ба CTML бо шкалаи чорсатҳӣ баҳогузорӣ шудаанд. 4 баландтарин мувофиқат, 1 пасттарин мувофиқат ва 2 ва 3 сатҳҳои миёнаи мувофиқатро нишон медиҳанд.

Сохтори чорхолӣ интихоби огоҳона аст: нуқтаи миёнаи бетараф истифода намешавад ва аз дақиқии сунъие, ки шкалаҳои васеътар метавонанд ба вуҷуд оранд, парҳез карда мешавад.

Меъёрҳои интихоби рубрикаи PLP

Муодилаҳои асосии интихоб

Маводи дохили PLP-и номзад бо тағйирёбандаҳои қарор \(\chi_j \in \{0,1\}\) интихоб мешаванд. \(\chi_j=1\) нишон медиҳад, ки маводи омӯзишии \(j\)-ум ба PLP дохил карда шудааст.

Арзиши миёнаи CTML:

\[ V_p = \frac{\sum_{j=1}^{n}\chi_j v_j} {|p|} \]

Мутобиқати миёнаи душворӣ:

\[ D_p = \frac{\sum_{j=1}^{n}\chi_j d_j} {|p|} \]

Арзиши миёнаи афзалият:

\[ O_p = \frac{\sum_{j=1}^{n}\chi_j o_j} {|p|} \]

Давомнокии умумии PLP:

\[ T_p=\sum_{j=1}^{n}\chi_j t_j \]

Дар ин ҷо \(v_j\) арзиши CTML-и мавод; \(d_j\) мутобиқати душворӣ; \(o_j\) арзиши афзалияти омӯзанда ва \(t_j\) давомнокии мавод мебошад.

Мутобиқати маъноии байни мавод чӣ гуна ҳисоб карда мешавад?

Тавсифи матнии ҳар мавод Sentence-BERT all-mpnet-base-v2 бо модели мазкур ба вектори 768-ченака табдил дода мешавад. Қиматҳои cosine similarity барои ҷуфтҳои мавод ҳисоб ва ба фосилаи [0,1] нормализатсия шуда, арзиши cohesiveness-и байни мавод ҳосил карда мешавад.

Ин истифода дурустии педагогии маводи омӯзиширо ба таври автоматӣ намесанҷад. Модель танҳо имкон медиҳад, ки шабоҳати маъноии тавсифи мавод ҳамчун яке аз меъёрҳои истифодаи якҷоя дар PLP ба кор бурда шавад.

Се сохтори додаҳо якҷоя чӣ гуна фардисозиро ба вуҷуд меоранд?

Фарқиятҳои асосии 12 профили донишҷӯ

Ёддошти мувофиқати манбаъ: Бо вуҷуди он ки дар усули пурсиш гуфта шудааст, донишҷӯён бояд ҳадди аксар 5 KN-и мақсаднок интихоб кунанд, барои Student 3 ва Student 7 мутаносибан 18 ва 15 KN-и мақсаднок гузориш шудаанд. Манбаъ шарҳ намедиҳад, ки ин фарқ чӣ гуна ба вуҷуд омадааст.

Чаро Масъалаҳои Интихоб ва Тартибдиҳии PLP NP-Комиланд?

Масъалаи умумии бисёрҳадафаи интихоби мавод дар таҳқиқ NP-комил аст, зеро ҳатто агар танҳо маҳдудияти вақти умумӣ боқӣ монад, масъалаи NP-комили Subset Sum метавонад дар вақти полиномиалӣ ба ин масъала редуксия карда шавад. Масъалаи тартибдиҳӣ дар муносибати бисёр-ба-бисёри мавод–гиреҳи дониш низ метавонад ҳатто ҳангоми фаъол будани танҳо яке аз ҳадафҳои interleaving ё prerequisite NP-комил бошад. Баръакс, тартибдиҳӣ танҳо аз рӯйи душворӣ бо алгоритми оддии сорткунӣ дар вақти полиномиалӣ ҳал мешавад.

Интихоби мавод: редуксияи Subset Sum

Манбаъ аввал нишон медиҳад, ки ҳамаи маҳдудиятҳои ҳалли номзад дар вақти полиномиалӣ санҷида мешаванд ва аз ин роҳ муқаррар мекунад, ки масъалаи интихоб дар NP аст. Сипас ҳар адади масъалаи Subset Sum-ро ба давомнокии як маводи омӯзишӣ табдил дода, ҳадди ақал ва ҳадди аксари давомнокии PLP-ро ба ҳамон арзиши ҳадаф баробар мекунад.

Дар ин ҳолат ёфтани PLP-и қобили қабул ба ёфтани зермаҷмӯи маводе баробар мешавад, ки давомнокии онҳо маҳз ҷамъбасти ҳадафро медиҳад. Азбаски Subset Sum NP-комил аст ва редуксия дар вақти полиномиалӣ анҷом дода мешавад, масъалаи интихоб NP-душвор аст; ҳамзамон чун дар NP аст, NP-комил мебошад.

Се ҳадаф дар тартибдиҳӣ

Пас аз интихоби мавод, масъалаи дуюм ба пайдарпаии аз ҷиҳати педагогӣ мувофиқ овардани маводи интихобшуда мебошад. Манбаъ се меъёри вайроншавиро камтарин мекунад:

Fitness-и муттаҳида ва нормализатсияшудае, ки алгоритмҳои тартибдиҳӣ истифода мебаранд:

\[ fitness = \frac{ H_p/H_M + R_p/R_M + I_p/I_M }{3} \]

Дар ин ҷо \(H_M\), \(R_M\) ва \(I_M\) арзишҳои ҳадди аксари имконпазири вайроншавии меъёрҳои дахлдор мебошанд. Ҳар ҷузъ ба фосилаи [0,1] оварда мешавад ва fitness-и пасттар тартибдиҳии беҳтарро маъно дорад.

Чаро бисёр-ба-бисёр ва бисёр-ба-як муҳиманд?

Ин натиҷа маънои онро надорад, ки “роҳи омӯзиши фардӣ дар ҳама ҳолат масъалаест, ки ҳисоб кардани он хеле душвор аст”. Синфи умумии масъала метавонад NP-комил бошад, аммо сохторҳои муайяни додаҳо, ҳадафҳои ягона ё тарҳҳои маводи бисёр-ба-як метавонанд дар вақти полиномиалӣ ҳал шаванд.

Усул ва Натиҷаҳои Таҳқиқот

Сохтори Design Science Research

Таҳқиқ дар маҷмӯъ тибқи равиши Design Science Research Process for Information Systems сохта шудааст. Пайдарпаии таҳқиқ чунин мантиқро риоя мекунад: интихоби назарияи омӯзишии аз ҷиҳати илмӣ тасдиқшуда; табдил додани назария ба рубрикаҳои миқдорӣ; муайян кардани масъалаҳои интихоб ва тартибдиҳӣ ба шакли математикӣ; исбот кардани мураккабии онҳо; сохтани намунаҳои масъала бо додаҳои воқеӣ; иҷрои алгоритмҳо; арзёбии натиҷаҳо бо рубрика ва санҷишҳои оморӣ.

Дар ҷадвали усули худи манбаъ махсус қайд мешавад, ки дар марҳилаи ҳозираи арзёбӣ озмоишҳои инсонӣ вуҷуд надоранд. Ин норасоӣ танҳо ҷузъиёти техникӣ нест, балки ҳади тафсири педагогии таҳқиқ мебошад.

Интихоби маводи омӯзишӣ бо NSGA-II

Интихоби мавод бо татбиқи PyGAD NSGA-II анҷом дода шудааст, ки хромосомаи иборат аз 365 тағйирёбандаи қарори дуӣ истифода мебарад. Нӯҳ ҳадафи ибтидоӣ ба се ҳадафи муттаҳид табдил дода шудаанд, то алгоритм ҷустуҷӯи ҳассостар анҷом диҳад.

Ду нишондиҳандаи пайвастаи мувофиқат, ки аз арзишҳои нормализатсияшуда ҳисоб шудаанд, чунинанд:

\[ LM\_Compliance = 3\left( \frac{V_N+D_N+O_N+T_N+E_N}{5} \right)+1 \]

\[ KN\_Compliance = 3\left( \frac{B_N+M_N+C_N+S_N}{4} \right)+1 \]

LM_Compliance, мувофиқати маводи интихобшударо ба донишҷӯ; KN_Compliance, то чӣ андоза хуб қонеъ кардани ҳадафҳои омӯзишии донишҷӯро аз ҷониби ин мавод месанҷад. Ҳадафи сеюм, яъне Rubric_Average, миёнаи нӯҳ категорияи рубрикаи PLP мебошад.

Параметрҳои NSGA-II

Тафовути дохили манбаъ: Дар тавсифи ҷустуҷӯи параметрҳо гуфта мешавад, ки эҳтимолияти crossover-и 0,90 дар аҳолии донишҷӯён баландтарин миёнаи холҳои рубрикаро додааст, аммо рӯйхати конфигуратсияи истифодашуда 0,84-ро нишон медиҳад. Манбаъ шарҳ намедиҳад, ки чаро дар конфигуратсияи ниҳоӣ арзиши дигар истифода шудааст.

Аҳолии ибтидоӣ

Аҳолии ибтидоии NSGA-II ба ҷойи тавлиди комилан тасодуфии 365 бит бо тартибе сохта шудааст, ки сохтори масъаларо истифода мебарад. Алгоритм аввал маводеро ба таври тасодуфӣ интихоб мекунад, ки гиреҳҳои мақсадноки донишро фаро мегиранд. Агар ҳамаи ҳадафҳо фаро гирифта шуда бошанд, вале давомнокии умумӣ аз вақти ҳадди ақал кам бошад, аз миёни маводи боқимонда интихоби иловагӣ анҷом медиҳад.

Агар дар 10.000 кӯшиши пайдарпай хромосомаи ҷавобгӯ ба маҳдудияти вақт тавлид нашавад, барои аҳолии боқимонда маҳдудияти вақт сабуктар карда мешавад ва афзалияти фарогирии KN-ҳои мақсаднок нигоҳ дошта мешавад. Ин тарҳ кӯшиш мекунад, ки алгоритми генетикӣ аз ибтидо вақти худро ба комбинатсияҳои комилан бемаънии мавод сарф накунад.

Тартибдиҳӣ бо RHC ва Simulated Annealing

Ҳар ду алгоритми тартибдиҳӣ аз пайдарпаии тасодуфии мавод оғоз мекунанд. RHC маводро дар ду индекси тасодуфӣ иваз мекунад ва агар ҳалли нав fitness-и беҳтар диҳад, тағйирро нигоҳ медорад. SA аз ҳамон ҳаракати ҳамсоягӣ истифода мекунад, аммо махсусан дар итератсияҳои аввал ҳалли бадтарро бо эҳтимолияти муайян қабул карда, ҳадаф дорад аз оптимуми маҳаллӣ берун шавад.

Коэффисиенти сардшавии SA дар манбаъ:

\[ \alpha = \left( \frac{T_m}{T_1} \right)^{1/(m-1)} \]

бо ин шакл ҳисоб шудааст. Барои \(T_1=0,95\), \(T_m=0,01\) ва \(m=10.000\), \(\alpha=0,9995467\) ба даст омадааст.

Санҷиши χ² барои дисперсия

Азбаски алгоритмҳо стохастикӣ мебошанд, барои санҷидани он ки натиҷаҳои 30 такрор аз натиҷаҳои тасодуфие, ки сохтори хоси донишҷӯ надоранд, иборатанд ё не, санҷиши якҷонибаи як-дисперсияи χ² истифода шудааст. Сатҳи аҳамиятнокӣ \(p=0,05\) мебошад.

Барои тақсимоти дискретии якнавохти чорхола дисперсияи интизории як категорияи рубрика 1,25 қабул шудааст. Барои миёнаи нӯҳ категорияи интихоб арзиши интизорӣ:

\[ \sigma^2_{selection} = \frac{1,25}{9} \approx 0,139 \]

Барои се категорияи тартибдиҳӣ:

\[ \sigma^2_{sequencing} = \frac{1,25}{3} \approx 0,417 \]

Манбаъ дисперсияи критикиро:

\[ \chi^2 = \frac{(n-1)s^2}{\sigma^2} \]

бо ин муносибат ҳисоб мекунад. Барои 30 намуна бо 29 дараҷаи озодӣ \(\chi^2=17,708\) истифода шудааст. Аз ин рӯ ҳисоб дар матн:

\[ s^2_{selection} = \frac{17,708 \times 0,139}{29} = 0,0849 \]

\[ s^2_{sequencing} = \frac{17,708 \times 0,417}{29} = 0,254 \]

Номувофиқии ададии дохили манбаъ: Дар идомаи бевоситаи ҳамон абзац ҳадди қабул барои масъалаи интихоб 0,8049 навишта шудааст. Ин арзиш бо ҳисоби 0,0849-и боло мувофиқат намекунад. Verianla ин ду арзишро ҳамчун як арзиши “ислоҳшуда” якҷо намекунад.

Алгоритмҳо Барои 12 Профили Донишҷӯ Чӣ Натиҷа Доданд?

Дар Ҷадвали 8-и манбаъ миёнаҳои рубрикаи ҳамгирошудаи PLP-ҳое, ки бо NSGA-II интихоб ва бо RHC тартиб дода шудаанд, дар фосилаи 3,19–3,54 / 4 қарор доранд. Student 9 баландтарин 3,54 ва Student 11 пасттарин 3,19-ро гирифтаанд. Бо вуҷуди ин, ҳамаи донишҷӯён дар зермеъёрҳои яксон қавӣ нестанд; дар баъзе профилҳо байни вақт, мувозинати мавзӯъ ё segmenting созишҳои равшани Pareto вуҷуд доранд.

Student 7 ва Student 11: таниши вақт–мувозинати мавзӯъ

Дар натиҷаҳои интихоби Student 7 ва Student 11 махсусан байни меъёрҳои time interval ва topic balance робитаи манфӣ мушоҳида шудааст. Student 7 дорои 15 KN-и мақсаднок ва маҳдудияти вақти 30–90 дақиқа мебошад; Student 11 бошад панҷ ҳадаф ва маҳдудияти вақти 10–60 дақиқа дорад.

Вақте алгоритм маводро байни ҳамаи мавзӯъҳои мақсаднок мутавозинтар тақсим мекунад, хавфи гузаштан аз маҳдудияти вақт зиёд мешавад; вақте вақтро сахттар нигоҳ медорад, тақсимоти мавзӯъ метавонад вайрон шавад. Манбаъ инро ҳамчун намунаи созиши воқеии Pareto дар оптимизатсияи бисёрҳадафа тафсир мекунад.

Student 5: созиш байни мувофиқат ва topic balance

Дар Student 5 холи мувозинати мавзӯъ бо мувофиқати CTML, мувофиқати душворӣ ва мувофиқати афзалияти омӯзанда дар самти баръакс тағйир ёфтааст. Ба ибораи дигар, алгоритм дар баъзе иҷроҳо мувофиқати қавии мавод ба донишҷӯро ва дар баъзе иҷроҳо тақсимоти мутавозинтарро байни мавзӯъҳои мақсаднок авлотар донистааст.

Student 1: таъсири маҳдудияти вақти дароз

Барои Student 1 вақти ҳадди ақал 2400 дақиқа ва вақти ҳадди аксар 4800 дақиқа аст. Манбаъ мегӯяд, ки ҳалли ин профил тақрибан 80 маводро дар бар мегирад. Чунин маҷмӯи калон, вақте маводи кофии фарогирандаи ҳадафҳои донишҷӯ мавҷуд нест, байни меъёрҳое чун coherence ва topic balance танишҳои нав ба вуҷуд овардааст.

Натиҷаҳои тартибдиҳии SA ва RHC

Student 1 равшантарин фарқи байни SA ва RHC-ро нишон медиҳад. Дар маҷмӯи бузурги ҳалли тақрибан 80 мавод, он ки SA баъзан ҳалли ҳамсояи бадтарро қабул мекунад, ба камбудӣ табдил ёфтааст; миёнаҳои difficulty ва prerequisite-и SA мутаносибан тақрибан 3,01 ва 3,42 ва холи ҳамгирошудаи тартибдиҳӣ 3,48 будааст. RHC барои ҳамон профил ба миёнаи 4,00 расидааст.

Дар маҷмӯаҳои хурдтари мавод SA дар баъзе ҳолатҳо тавонистааст аз RHC каме натиҷаи беҳтар диҳад. Манбаъ инро нишонае мешуморад, ки хусусияти баромадани SA аз оптимумҳои маҳаллӣ дар намунаҳои хурди масъала метавонад муфид бошад.

Чаро масъалаи умумии NP-комили тартибдиҳӣ дар озмоишҳо осон намуд?

Манбаъ чунин мешуморад, ки ҳадафҳои segmenting ва topic balance дар марҳилаи интихоб метавонанд масъалаи минбаъдаи тартибдиҳиро табиатан осон карда бошанд. Ҳадафи Segmenting маводи хурдтар ва ҳадафмандеро, ки шумораи ками KN-ҳоро фаро мегиранд, авлотар медонад; дар натиҷа баъзе сохторҳои бисёр-ба-бисёр амалан метавонанд ба сохторҳои бисёр-ба-як наздик шаванд.

Ҳадафи Topic balance маводи омӯзиширо байни KN-ҳои мақсаднок мутавозинтар тақсим мекунад. Ин сохтор махсусан метавонад коҳиш додани вайроншавиҳои interleaving-ро осон кунад. Дар натиҷа, гарчанде масъалаи умумии математикӣ NP-комил аст, маҷмӯаҳои маводе, ки NSGA-II барои ин 12 профили воқеии донишҷӯ тавлид кардааст, аз ҷиҳати тартибдиҳӣ ба намунаҳои нисбатан осони масъала табдил ёфтаанд.

Оё Ин Таҳқиқ Исбот Мекунад, ки PLP-ҳои Бар CTML Асосёфта Омӯзиши Донишҷӯёнро Беҳтар Мекунанд?

Не. Таҳқиқ нишон медиҳад, ки принсипҳои CTML метавонанд ба ҳадафҳои математикӣ табдил дода шаванд ва алгоритмҳо метавонанд аз рӯйи ин ҳадафҳо роҳҳои омӯзиши фардии дорои холҳои баланд тавлид кунанд; аммо мустақиман насанҷидааст, ки донишҷӯён бо PLP-ҳои бар CTML асосёфта ба натиҷаҳои баландтари омӯзиш, дар хотир нигоҳ доштан ё transfer мерасанд. Манбаъ ин тасдиқи инсонӣро ба марҳилаи навбатии таҳқиқ гузоштааст.

Эътибори рубрика ҳанӯз бо омӯзиши инсон тасдиқ нашудааст

Холҳои CTML барои 365 мавод аз ҷониби муҳаққиқон дода шудаанд. Ҳам дар тарҳрезии рубрика ва ҳам дар баҳогузории инсонӣ ба мавод хатогӣ имконпазир аст. Аз ин рӯ, манбаъ ошкоро мегӯяд, ки рубрикаи CTML ба санҷиш ва такмили бештар ниёз дорад.

Фарзияи elaboration + difficulty + interleaving

Масъалаи тартибдиҳӣ ба фарзияе такя мекунад, ки беҳтар кардани якҷояи ҳадафҳои elaboration/prerequisite, ҳаракат аз осон ба душвор ва interleaving ба натиҷаҳои қавитари донишҷӯ оварда мерасонад.

Гарчанде ин фарзия бо адабиёти омӯзиш асоснок карда шудааст, дар ин мақола донишҷӯён ба ду шарти гуногуни тартибдиҳӣ ҷудо ва муқоиса нашудаанд. Бинобар ин, бартарии оптимизатсияи якҷояи се меъёр барои омӯзиши воқеӣ ҳанӯз натиҷаи таҷрибавӣ нест.

Маҳдудияти миқёси 365 мавод

Манбаъ мегӯяд, ки ҳавзи 365 мавод нисбатан хурд аст ва рафтори алгоритм бояд дар фазоҳои ҷустуҷӯии бузургтар аз нав таҳқиқ шавад. Ҳавзҳои бузургтар ва аз ҷиҳати metadata гуногунтари мавод метавонанд PLP-ҳои ба донишҷӯ беҳтар мувофиқро эҷод кунанд; аммо ҳамзамон метавонанд бори ҳисоббарории масъалаи интихобро зиёд намоянд.

Алгоритмҳои ғайр аз NSGA-II

Таҳқиқ пас аз муттаҳид кардани нӯҳ меъёри интихоб ба се ҳадафи якҷоя NSGA-II-ро истифода кардааст. Пешниҳод мешавад, ки таҳқиқоти оянда ҳадафҳоро муттаҳид накарда, натиҷаҳоро бо усулҳое монанди NSGA-III, ки барои шумораи зиёди ҳадафҳо тарҳрезӣ шудаанд, муқоиса кунанд.

Маҳдудияти намуна

Профилҳои омӯзандагон танҳо аз 12 донишҷӯи таҳсилоти баъдидипломӣ гирифта шудаанд. Ин шумора барои сохтани намунаҳои масъалаи алгоритмӣ истифода шудааст; намунаи калони таълимие нест, ки аҳолии демографӣ ё педагогии донишҷӯёнро намояндагӣ кунад.

Натиҷаҳое, ки таҳқиқ дастгирӣ мекунад ва дастгирӣ намекунад

Ёддошт оид ба Манбаъ ва Усул

Саҳми муаллифон: Консептуализатсия Sean Mochocki ва Mark Reith; методология Sean Mochocki, Mark Reith ва Jonathan Zemmer; таҳқиқ Sean Mochocki; таҳлили формалӣ Sean Mochocki, John Jasper ва Laurence D. Merkle; захираҳо Mark Reith; нармафзор Sean Mochocki; назорат Mark Reith; тарҳи аввал Sean Mochocki; бозбинӣ ва таҳрир аз ҷониби Mark Reith, Paolo J. Singh, Ralucca Gera, Gilbert Peterson, Brett Borghetti, John Jasper ва Laurence D. Merkle анҷом дода шудааст.

Додаҳо ва бозтавлидпазирӣ: Манбаъ хабар медиҳад, ки рубрикаҳо, бастаи додаҳо ва кодҳои алгоритмӣ кушодаанд. Ин баррасии мустақили дубораи натиҷаҳои математикӣ ва алгоритмиро осон мекунад.

Ҳади назари институтсионалӣ: Дар мақола гуфта мешавад, ки андешаҳои баёншуда назари муаллифонанд ва сиёсати расмӣ ё назари United States Air Force, Department of Defense ё United States Government-ро намояндагӣ намекунанд.

Маҳдудияти асосии методологӣ: Озмоиши омӯзиши инсон, ки марҳилаи ниҳоии тасдиқи педагогии таҳқиқ мебошад, гузаронида нашудааст. Баҳои баланди рубрикаи PLP маънои онро надорад, ки донишҷӯ беҳтар омӯхтааст.

Ёддоштҳои ададии дохили манбаъ: Дар ҷустуҷӯи crossover-и NSGA-II 0,90 ҳамчун беҳтарин навишта шудааст, аммо рӯйхати ниҳоии параметрҳо 0,84-ро медиҳад; дар ҳисоби дисперсияи интихоб 0,0849 ба даст омадааст, вале дар ҷумлаи баъдии қабул 0,8049 навишта шудааст; дар тамоми таҳқиқ 12 профили донишҷӯ истифода шудааст, аммо conclusion дар як ҷой 11 донишҷӯ мегӯяд. Verianla ин фарқҳоро хомӯшона ислоҳ накардааст.