پیشنهاد دهنده تطبیقی منابع آموزشی بر اساس سبک یادگیری، بازخورد کاربر و الگوریتم اتوماتای یادگیر

سیستم های پیشنهاددهنده شخصی سازی شده، در کنار موتورهای جستجو، راهکاری برای غلبه بر مشکل گرانباری اطلاعات هستند به گونه ای که در آنها سعی می‏شود با استفاده از تکنیک‏های هوشمند و تعاملات کاربران در وب، محیطی شخصی‏سازی شده جهت تولید پیشنهادات مناسب فراهم آید. یکی از زمینه های کاربردی برای این سیستم‏ها، محدوده یادگیری تطبیقی است. یک زیرسیستم پیشنهاددهنده، ماژول مهمی از سیستم های تطبیقی آموزشی است که وظیفه ارائه اشیای آموزشی مناسب به کاربر خود را دارد. کاربران گوسفند خاکستری، یکی از چالش های مطرح شده در این دسته از سیستم ها هستند. این کاربران تشابه کمی با دیگر فراگیران دارند لذا پیشنهادات ارائه شده برای دیگران و یا بر اساس عادات قبلی آنها، لزوما مناسب این نوع از کاربران نیست. برای حل این چالش، راهکار مطرح شده در این مقاله، استخراج فراداده صفحات آموزشی وب و تطابق آنها با خصوصیت سبک یادگیری کاربر در قالب یک فرمول رتبه بندی، جهت ارائه مناسب ترین پیشنهاد منبع آموزشی برای یک فراگیر است. تعیین سبک یادگیری کاربر، بر اساس مدل فلدر- سیلورمن انجام می گیرد. سپس بر طبق میزان آن، صفحات مناسب برای آموزش و یادگیری بر حسب پارامترهای صریح و پنهان تعریف شده در آن صفحات، استخراج و پیشنهاد می گردند. پاسخ سیستم به پرس و جوی کاربر در قالب خروجی ایده مطرح شده، به وی نمایش داده می شود. همچنین کاربر می تواند جواب پیشنهادات برای سوال خود را با خروجی الگوریتم لوسین که در اکثر موتورهای جستجو مورد استفاده است، برای مقایسه میزان مناسب بودن آنها مشاهده نماید. کاربر میزان مفیدبودن پیشنهادات مطرح شده را به سیستم بازخورد می دهد. این بازخورد برای الگوریتم اتوماتای یادگیر تعریف شده برای تولید نتایج و پیشنهادات بعدی، مورد استفاده قرار می گیرد. نمونه ای از سیستم پیاده سازی شده، در محیط آموزشی دانشگاهی، مورد ارزیابی دانشجویان قرار گرفته که نتایج بازخورد کاربران نشان از بهبود عملکرد سیستم نسبت به الگوریتم های متعارف جستجوی عمومی دارد. این سیستم را می توان به صورت یادگیری رسمی و غیر رسمی بر پایه منبع در محیط وب، مورد استفاده قرار داد.