دانلود رایگان ترجمه مقاله مدل سازی دانشجویی در آموزش جراحی ارتوپدی با تعامل بین شبکه بیزی زمانی و تحلیل تعلیمی– ۲۰۱۰

logo-4

دانلود رایگان مقاله انگلیسی مدلسازی دانشجویی در آموزش جراحی ارتوپدی: بهره گیری از تعامل بین شبکه ‌های بیزی زمانی و تحلیل تعلیمی ظریف  به همراه ترجمه فارسی

 

عنوان فارسی مقاله مدلسازی دانشجویی در آموزش جراحی ارتوپدی: بهره گیری از تعامل بین شبکه ‌های بیزی زمانی و تحلیل تعلیمی ظریف
عنوان انگلیسی مقاله Student Modeling in Orthopedic Surgery Training: Exploiting Symbiosis between Temporal Bayesian Networks and Fine-grained Didactic Analysis
رشته های مرتبط علوم تربیتی و کامپیوتر، تکنولوژی آموزشی و هوش مصنوعی
کلمات کلیدی مدلسازی دانشجویی، شبکه های بیزی زمانی، پشتیبانی هوشمند ، مهندسی تعلیمی ، آموزش پزشکی، شبیه‌سازی های کامپیوتری
فرمت مقالات رایگان

مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند

همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد

کیفیت ترجمه کیفیت ترجمه این مقاله متوسط میباشد 
توضیحات ترجمه این مقاله به صورت خلاصه انجام شده است.
سال انتشار ۲۰۱۰
کد محصول F673

مقاله انگلیسی رایگان (PDF)

دانلود رایگان مقاله انگلیسی

ترجمه فارسی رایگان (PDF)

دانلود رایگان ترجمه مقاله

خرید ترجمه با فرمت ورد

خرید ترجمه مقاله با فرمت ورد
جستجوی ترجمه مقالات جستجوی ترجمه مقالات

  

فهرست مقاله:

چکیده
مقدمه
مدلسازی دانش و مدلسازی دانشجویی
مشارکت
محیط مربوط به نمونه
ساختار مقاله
معماری سیستم
چارچوب تئوری
ادراک ، ادراک نادرست ، دانستن ، پیرامون و حل مسأله
چارچوب مدلسازی دانش دامنه
تحلیل تعلیمی
روش
نتایج اصلی
مسائل (P)
عملگرها (R)
کنترل‌ها (Σ)
نتیجه‌گیری
مدلسازی دانشجو و تشخیص
شبکه‌های بیزی زمانی
مدل دانشجویی
تشخیص دانشجو
متا-مدل
متغیرهای تکامل
قوانین IF-THEN
متغیرهای تصحیح
گره‌های کنترل
فرایند تشخیص
ارزیابی
بحث
کارهای مشابه و بحث
روش بر پایه‌ی ادراک
روش بر پایه‌ی محدودیت
روش بر پایه‌ی شبکه‌های بیزی
نتیجه‌گیری

 

بخشی از ترجمه فارسی مقاله:

مقدمه
مدلسازی دانش و مدلسازی دانشجویی
در سی سال گذشته نتایج پژوهش‌ها در علوم شناختی برای مدلسازی دانشجویی در حل مسأله مورد بهره‌برداری قرار گرفته‌است، همان‌طور که با روش‌های شناختی متعددی اثبات شده‌است. بررسی‌های زیادی بر روی آموزش مباحث پایه‌ای مانند هندسه ، جبر فیزیک و زبان برنامه‌سازی کامپیوتر صورت گرفته‌است. اما طبیعت دانش محیطی و پیچیدگی رفتار شناختی فراگیران به‌ویژه در مباحث خاص (مانند آموزش پزشکی) مورد بررسی دقیق قرار نگرفته‌است. نخست، نقش دانش ضمنی عملگرا (حاصل از تجربه) هم برای آموزگار مجرب و هم برای دانشجوی تازه‌کار در یک فرایند حل مسأله بسیار حیاتی است. این دانش ضمنی در اصل عبارت است از «فوت‌وفن‌های عملی مربوط به کار که به طور غیر رسمی در حین تجربه‌ی ضمن کار به دست می‌آید؛ در مقابل آموزش رسمی». در حین مشاهده‌ی اقدامات پزشکی در یک بیمارستان فرانسوی، ما دریافتیم که هنگام مواجهه با یک مشکل خاص، آموزگار خبره و دانشجوی تازه‌کار، با استفاده از دانش عملگرا راه‌حلی نو برای مشکل پیش‌آمده پیدا می‌کنند که از پیش تعریف نشده‌است. دوم، رفتار شناختی دانشجویان که در این اقدامات مورد مشاهده‌ی ما قرار گرفتند پیچیده بود. یک فراگیرنده‌ی بامهارت، حتی یک کارشناس دامنه ، پیش از رسیدن به راه‌حل مطلوب تلاش‌های متعددی انجام می‌دهد: او ممکن است اشتباه کرده و بارها برای جبران آن تلاش کند. بنابراین از دیدگاه مشاهده‌کننده، باید توالی اعمال فراگیرنده را در نظر گرفت تا بتوان حالت و رفتار شناختی او را تشخیص داد.
تعدادی از پژوهشگران بحث کرده‌اند که بررسی سازگاری راه‌حل دانشجو با محدودیت‌های دامنه (مانند بررسی‌های سازگاری محلی) مهم‌تر از مقایسه‌ی راه‌حل دانشجو با راه‌حل اصولی کارشناس دامنه (دلیل مقدم) است. این عقیده به‌ویژه برای بنیان‌نهادن سیستم‌های آموزشی برای دامنه‌های خاصی که در پاراگراف پیشین مورد بحث قرار گرفت مفید است، چرا که در این دامنه‌ها ممکن است راه‌حل‌های زیادی برای یک مسأله‌ی به‌خصوص وجود داشته‌باشد که برخی از آنها استادانه توسط کارشناس دامنه به کار می‌روند. بنابراین، نخستین پرسش طرح‌شده در این مقاله درباره‌ی تحلیل و بهره‌برداری از انواع مختلف دانش محیطی، به‌ویژه دانش ضمنی عملگرا، برای ساختن یک مدل دامنه‌ی استوار است که مدلسازی و تشخیص دانشجویی بسیار حیاتی است. دانش ضمنی عملگرا اغلب به روشنی در واحدهای تئوری و کتاب‌های مرجع شرح داده‌نشده‌است. برای پاسخ به پرسش نخست درباره‌ی تحلیل «تعلیمی» ظریف بحث خواهیم‌کرد. واژه‌ی تعلیمی (didactic در واقع یک اصطلاح فرانسوی‌زبان است) به مفهوم بررسی آموزش و کسب دانش در دامنه‌ی مباحث گوناگون است. تعلیم و آموزش در نتیجه بر اساس نقش مرکزی محتوای دامنه‌ی مبحث و بعد معرفت‌شناختی آن (یعنی طبیعت دانشی که یاد داده‌می‌شود) از پرورش متفاوت است. تحلیل تعلیمی تا حدودی شبیه تحلیل کارکرد شناختی است. هر دو برای درک بهتر مبحثی که آموزش داده‌می‌شود تلاش می‌کنند تا موقعیت‌های آموزشی، بهتر برای دانشجویان ایجاد شود. تفاوت اصلی آنها پروتکل تحلیل است: تحلیل کارکرد شناختی معمولاً با مشاهده‌ی کارورزان پر‌مهارت و توضیح دقیق فعالیت‌هایی برای انجام کامل کارکرد پیچیده لازم است انجام می‌شود، در حالی که تحلیل تعلیمی معمولاً در حالت آموزشی دستور‌العملی و کارآموزی انجام می‌شود که در آن یک فراگیرنده‌ی تازه‌کار برای حل یک مسأله با یک آموزگار خبره همکاری می‌کند. بر خلاف تحلیل کارکرد شناختی که در تلاش است تا فرایند حل مسأله‌ی کارشناسان دامنه را تا حد امکان کامل توضیح دهد و مفاهیم پرورشی را در این فرایند جستجو کند، تحلیل تعلیمی مستقیماً از طریق مشاهده‌ی محیط آموزشی دستورالعملی و کارآموزی انواع مختلف دانش مورد نیاز برای تدریس موفق را جستجو می‌کند. پس، تحلیل تعلیمی می‌تواند انواع به‌خصوصی از دانش مانند دانش محتوای پرورشی را نشان دهد که تحلیلی کارکرد شناختی نمی‌تواند نشان دهد، چرا که کارشناسان دامنه ممکن است این نوع دانش‌ها را در ذهن نداشته‌باشند یا آنها را به روشنی در محیط تحلیل کارکرد شناختی نشان ندهند. انواع خاصی از دانش مانند دانش محتوای پرورشی برای طراحی محیط یادگیری مفید هستند.
پرسش دوم درباره‌ی بهره‌گیری از تکنیک‌های مناسب در هوش مصنوعی برای مدلسازی و «تشخیص » دانش دانشجو یا حالت شناختی او در یک مقطع زمانی مشخص و رفتار شناختی او در طی زمان است. تشخیص نخستین بسیار مهم و در بسیاری از ITSهای معمول رایج است. ما اعتقاد داریم که تشخیص دوم درباره‌ی رفتار شناختی نیز بسیار مهم است؛ چرا که می‌توان به ایجاد بازخورد بهتر برای دانشجو کمک کند. یکی از راه‌های انجام چنین تشخیص‌هایی تحلیل برهم‌کنش‌های دانشجو با واسطه‌های سیستم یادگیری و مانند شبیه سازی کامپیوتری است. به هر حال اما تشخیص دانش و رفتار شناختی دانشجو آسان نیست، چرا که دانستن این که در حین یادگیری یک مفهوم یا حل یک مسأله توسط یک شخص در ذهن او دقیقاً چه می‌گذرد دشوار است. یک شبکه‌ی بیزی تکنیک مفیدی برای مدلسازی در شرایط نامطمئن (مثلاً درباره‌ی حالت شناختی دانشجو) است و بنا بر گفته‌ی Mayo و Mitrovic (2001) در بسیاری از کاربردها از جمله ITSها به کار گرفته‌شده‌است. با در نظر گرفتن پیچیدگی رفتار شناختی فراگیرنده در طی زمان (مثلاً فرایند تصحیحی یک فراگیرنده در حالی که در حال پایه‌گذاری یک راه‌حل است) در دامنه‌های خاص، همان‌طور که ذکر شد، شبکه‌های بیزی زمانی (پویا ) می‌توانند ابزار مؤثری باشند.

بخشی از مقاله انگلیسی:

INTRODUCTION

Knowledge Modeling and Student Modeling

In the past thirty years, research results in cognitive science have been exploited for student modeling in problem solving, as evidenced by a significant number of cognitive approaches (Webber, 2004; Mayo & Mitrovic, 2001; Murray, 1999). Many studies have been done within the context of teaching fundamental subjects, for example, geometry (Anderson, Boyle, & Yost, 1986), (Webber, 2004), algebra (Koedinger, Anderson, Hadley, & Mark, 1997), physics (Albacete & VanLehn, 2000), computer programming language (Anderson, Farrell, & Sauers, 1984). The nature of domain knowledge and the complexity of the learner’s cognitive behavior, especially in a number of specific subjects (e.g., in medical education), however, have not been considered carefully. Firstly, the tacit pragmatic knowledge (obtained by experience) plays an important role for both the expert teacher and the novice learner during a problem-solving process. This tacit knowledge refers to “work-related, practical know-how that typically is acquired informally as a result of on-the-job experience, as opposed to formal instruction.” (Wagner, Sujan, Sujan, Rashotte, & Sternberg, 1999, p. 157). While observing a number of medical interventions in a French hospital, we realized that sometimes the expert teacher and the novice student, when confronting a specific problem, used pragmatic knowledge to elaborate an original solution to the problem encountered, which could not have been defined before. Secondly, the student’s cognitive behavior we observed in those interventions is complex. A skillful learner, even a domain expert, often makes several attempts before arriving at an acceptable solution: he or she may make an error and then retry to correct the error several times. Thus, from an observer’s point of view, one may need to consider a sequence of actions from the learner to be able to diagnose his or her cognitive state and behavior accurately. A number of researchers (Kodaganallur, Weitz, & Rosenthal, 2005; Luengo, Mufti-Alchawafa, & Vadcard, 2004; Webber, 2004; Mitrovic & Ohlsson, 1999) have argued that it is important to check the consistency of the student’s solution with domain constraints (i.e., local consistency checks) rather than to compare the student’s solution with the domain expert’s a priori normative solution (Ohlsson, 1992). This idea is particularly useful for building tutoring systems for the kind of specific domains mentioned in the previous paragraph, because in those domains there may have many different solutions to a given problem, some of which being elaborated in action by the domain expert. So, the first question we address in this paper is concerned with exploiting and analyzing different kinds of domain knowledge, especially tacit pragmatic knowledge, in order to build a robust domain model, which is critical for student modeling and diagnosis (Weber & Brusilovsky, 2001). Tacit pragmatic knowledge is often not explicitly explained in theoretical courses or reference books (Vadcard & Luengo, 2005). To answer the first question, we argue for a fine-grained “didactic” analysis (Pastré, ۱۹۹۷). Didactic (an originally francophone term) designates the study of teaching and knowledge acquisition in different subject domains. Didactic is thus different from pedagogy by the central role of the subject domain contents and by its epistemological dimension (i.e., the nature of knowledge to be taught). To some extent, didactic analysis is similar to cognitive task analysis (Clark & Estes, 1996). Both of them seek to better understand the subject being taught, so as to better devise instructional situations for students. The major difference between them is the analysis protocol: cognitive task analysis is often done by observing highly skilled practitioners and describing the precise activities that are required to perform a complex task, whereas didactic analysis is often performed in instructional or apprenticeship settings in which, for example, a novice learner interacts with an expert teacher to solve problems. Unlike cognitive task analysis, which tries to describe the problem-solving process of domain experts as completely as possible and to seek pedagogical implications from that process, didactic analysis seeks different kinds of knowledge needed for successful teaching directly from observing instructional or apprenticeship settings. Hence, didactic analysis may reveal special kinds of knowledge such as pedagogical content knowledge (Shulman, 1986) that cognitive task analysis might not be able to produce because the domain experts might not have those kinds of knowledge in mind or not reveal them explicitly in the context of cognitive task analysis. Special kinds of knowledge such as pedagogical content knowledge are useful for the design of a learning environment (Shulman, 1986). The second question is concerned with exploiting suitable techniques in artificial intelligence to model and “diagnose” the student’s knowledge or cognitive state at a given time and his or her cognitive behavior over time. The first diagnosis is important and very common in many traditional ITSs (Wenger, 1987). We believe that the second diagnosis about cognitive behavior could be also important, because it may help generate better feedback for the student. A way to do those kinds of diagnosis is to analyze the student’s interactions with the interface of the learning system such as a computerbased simulation (Luengo, Mufti-Alchawafa, & Vadcard, 2004). Diagnosing the student’s knowledge and cognitive behavior, however, is not easy because it is difficult to know what happens exactly in the mind of an individual when he or she is learning a concept or solving a problem (Sasse, 1991). Bayesian networks offer a useful technique for modeling under uncertainty (e.g., about students’ cognitive state), and according to Mayo and Mitrovic (2001) it has been adopted in many applications, including ITSs. Considering the complexity of the learner’s cognitive behavior over time (e.g., the learner’s correction process while he or she is constructing a solution) in specific domains, as mentioned previously, temporal (or dynamic) Bayesian networks (Russell & Norvig, 2009; Ghahramani, 1998) could be an effective means.

 

 

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *