Mô hình logic mờ - mạng nơ ron tương ứng với định nghĩa trước đó được thể hiện trong hình 3.7: Điểm Thời gian Kém Trung bình Trung bình Khá Khá Giỏi
Đầu vào Làm mờ Suy diễn Đầu ra
Mạng được xây dựng sử dụng các quy tắc sau:
1. Số lượng tế bào trong tầng đầu vào L1 bằng số lượng đầu vào; 2. Số lượng tế bào trong tầng L2 tương đương với số lượng tập mờ; 3. Số tế bào trong tầng tiền đề L3 bằng số luật;
4. Số lượng tế bào trong tầng đầu ra L4 bằng số lớp phân loại;
5. Các mô hình kết nối giống nhau cho tất cả mô hình logic mờ - mạng nơ ron và nó được thể hiện trong hình 3.7
Kết luận chƣơng
Chương này đã trình bày chi tiết các bước áp dụng lý thuyết về logic mờ và mạng nơ-ron nhân tạo vào việc dự đoán khả năng học tập của từng người học. Sau đó đưa ra ứng dụng về việc tạo thử nghiệm một chương trình phân loại đối tượng với việc xác định cụ thể các giá trị đầu vào, đầu ra và tập luật tương ứng.
Chƣơng 4: CÀI ĐẶT CHƢƠNG TRÌNH VÀ THỬ NGHIỆM 4.1 Cài đặt chƣơng trình
Màn hình chính của chương trình như sau:
Hình 4.1: Màn hình chính của chương trình.
Từ Menu chính của chương trình, người dùng chọn Phân loại, phân loại một ngƣời học để phân loại cho 1 người học với các thông số về người học được nhập trực tiếp từ form.
Người dùng mở form để nhập các thông số điểm thi và thời gian, và nhấp chuột vào nút Huấn luyện, sau đó nhấp chuột vào nút Phân loại.
Trong ví dụ ở hình dưới đây, 100 điểm tương ứng với Điểm Cao, và 25phút tương ứng với Thời gian Nhanh. Với kết quả như vậy, học sinh được phân loại là học sinh Giỏi theo luật từ Bảng 4.1.
Hình 4.2: Phân loại người học bằng tay.
Ngoài ra, người dùng có thể đưa vào 1 danh sách các tham số của các người học được lưu trong file text. Hệ thống sẽ tự động phân loại danh sách người học này thành các lớp người học đã định nghĩa trước đó:
Hình 4.3: Phân loại 1 tập người học.
Hình 4.3 cho thấy một mạng nơ ron - fuzzy trong chương trình. Cell kích hoạt trong lớp đầu ra được đánh dấu với màu đỏ tương ứng với lớp Giỏi. Nguyên tắc cơ bản thể hiện rõ ràng trong ví dụ này: Nếu một học sinh thuộc một số lớp được xác định trước, cell tương ứng cho lớp này trong lớp đầu ra được kích hoạt.
Hình 4.4: Mô hình Nơ ron – Fuzzy.
Tập huấn luyện mạng:
Người dùng đưa thông tin vào tập huấn luyện mạng qua form sau. Người dùng có thể nhập giá trị của đầu vào, và tham số cho các giá trị đầu ra tương ứng.
4.2 Thử nghiệm
Để đánh giá hiệu quả mô hình logic mờ - mạng nơ ron trên, chúng tôi đưa vào chương trình 2 bộ test thử nghiệm, mỗi bộ có dữ liệu của 100 học sinh với các giá trị ngôn ngữ được xác định trước trong các biến ngôn ngữ về các giá trị đầu vào của những học sinh này, và độ thuộc được xác định trước cho các giá trị này cũng đã được tạo ra. Các mẫu của những tập dữ liệu này xây dựng các giá trị đầu vào X = {x1, x2} của mô hình phân loại người học và được xếp vào một trong 5 loại {Kém, Trung bình, Trung bình khá, Khá, Giỏi}. Việc phân loại của mô hình phân loại người học được so sánh với phân loại của các giáo viên có kinh nghiệm với tập đầu vào tương tự. Kết quả cho thấy, các giá trị đưa vào cho kết quả đầu ra chính xác như kết quả mong muốn, như mô tả dưới đây:
Tập thử nghiệm đầu tiên chứa các giá trị mà các độ thuộc của chúng đã được xác định rõ ràng, nghĩa là không có trường hợp có độ thuộc bằng 0.5
Ví dụ, Chúng ta hãy xem xét một học sinh có Điểm thi =100 và Thời gian làm bài = 20 phút, và một học sinh có Điểm thi = 5, và Thời gian làm bài = 60 phút. Việc phân loại học sinh đầu tiên được đánh giá theo nhóm "Giỏi”, và phân loại học sinh thứ hai là “Kém”, sự tin tưởng của nhóm giáo viên chuyên gia trong việc đánh giá của họ ở cả hai trường hợp này đều rất mạnh. Trong mô hình của chúng tôi, khi các độ thuộc tới các giá trị ngôn ngữ trên các giá trị đầu vào của học sinh bằng 1, hai quyết định đánh giá này cung cấp ở đầu ra của các giai đoạn suy luận các vecto đánh giá mờ là [0, 0, 0,1 ] cho hoc sinh 1 và [1, 0, 0, 0] cho học sinh 2 tương ứng. Cuối cùng, sau khi giải mờ, học sinh 1 được phân loại là Giỏi, học sinh 2 được phân loại là Kém. Kết quả phân loại này giống với kết quả phân loại của nhóm giáo viên chuyên gia. Tỷ lệ thành công cho tập thử nghiệm đầu tiên là 100%
Tập thử nghiệm thứ 2 với các thành phần mà các giá trị hàm thuộc bằng 0.5 được phân loại thành 2 loại. Những phần tử này được gộp vào 1 tập huấn luyện với việc phân loại rõ ràng. Sau khi lặp đi lặp lại việc huấn luyện những phần tử này, hệ thống đạt tỷ lệ thành công là 100%. Vì vậy, giải pháp cho vấn đề phân loại sai có thể là một trong những điều sau đây:
Gộp các giá trị có thể được phân loại sai vào tập huấn luyện ban đầu với việc phân loại được xác định
Xác định nguyên tắc để giải quyết cho các trường hợp này: Phân loại chúng thành các tập mờ thấp hơn hoặc cao hơn
Kết luận chƣơng
Chương này ứng dụng lý thuyết logic mờ và mạng nơ ron nhân tạo ở trên để cài đặt thử nghiệm chương trình phân loại đối tượng học tập trong đào tạo điện tử. Qua việc đánh giá trên hai bộ dữ nghiệm thử nghiệm, kết quả của chương trình đưa ra đạt độ chính xác là 100% so với những đánh giá đã được kiểm chứng bởi các giáo viên có kinh nghiệm.
Qua những thử nghiệm trên đây, chúng tôi đánh giá chương trình phân loại đối tượng học phù hợp với quyết định của một giáo viên con người. (adsbygoogle = window.adsbygoogle || []).push({});
KẾT LUẬN
Luận văn định hướng nội dung nghiên cứu vào logic mờ, mạng nơ ron, mô hình kết hợp giữa phương pháp học máy mạng nơ ron với logic mờ, ứng dụng vào bài toán phân loại đối tượng học tập trong đào tạo điện tử
Kết quả đạt đƣợc của luận văn
1. Tìm hiểu các phương pháp phân loại đối tượng học tập 2. Hệ thống hóa lý thuyết về logic mờ và mạng nơ ron
3. Nghiên cứu phương pháp kết hợp logic mờ với mạng nơ ron nhằm đạt kết quả cao cho bài toán phân loại đối tượng học
4. Xây dựng chương trình thử nghiệm phân loại đối tượng học sử dụng logic mờ kết hợp với mạng nơ ron như ở trên. Kết quả thử nghiệm trên 200 mẫu với tỉ lệ thành công là 100%
Hƣớng phát triển
Kết quả nghiên cứu về ứng dụng logic mờ và mạng nơ ron cho bài toán phân loại người học trong đào tạo điện tử rất khả quan, với kết quả đạt độ chính xác 100% trên 200 mẫu thử nghiệm đưa ra đã chứng tỏ rằng đây là một mô hình có thể ứng dụng hiệu quả cho bài toán này. Tuy nhiên, số lượng thuộc tính đầu vào của người học còn hạn chế. Vì vậy, một trong những hướng phát triển tiếp theo của đề tài là nghiên cứu, cải tiến và đưa thêm nhiều thuộc tính về hành vi của người học để có thể phân loại người học một cách chính xác nhất. Qua đó có thể giúp cho quá trình đưa ra chiến lược giảng dạy cho từng người học hiệu quả nhất.
Ngoài ra, hướng nghiên cứu tiếp theo của đề tài là nghiên cứu và ứng dụng quá trình phân loại người học để tạo khóa học thích nghi cho các đối tượng đã được phân loại.
TÀI LIỆU THAM KHẢO Tiếng việt
[1] Nguyễn Việt Anh (2009), Một mô hình tạo khóa học thích nghi trong đào tạo điện tử, luận án tiến sỹ, Đại học Công Nghệ, ĐH Quốc Gia Hà Nội.
[2] Nguyễn Cát Hồ, Lý thuyết tập mờ và công nghệ tính toán mềm, Hệ mờ, mạng nơron và ứng dụng, NXB khoa học kỹ thuật 2001.
Tiếng Anh
[3] Stathacopoulou, Regina; Magoulas, George D.; Neuro-Grigoriadou, Maria and Smarakou, Maria (2005). Fuzzy knowledge processing in intelligent learning environments for improved student diagnosis. Information Sciences
[4] Stathacopoulou, Regina; Magoulas, George D.; Grigoriadou, Maria and Samarakou, Maria (2005) Neuro-fuzzy knowledge processing in intelligent learning environments for improved student diagnosis, Information Sciences [5] A. B. Arons, A guide to introductory physics teaching. Washington, John Wiley and Sons Inc, 1990.
[6] J[26]A. Jameson, Numerical Uncertainty Management in User and Student Modeling: An Overview of Systems and Issues, User Modeling and User-Adapted Interaction 5 (1996) 193-251, available on-line: http://www.w5.cs.uni- sb.de/amp/home-page.html, accessed at 20/01/2001.
[7] J. J. Beshuizen, E. T. Stoutjesdijk, Study strategies in a computer assisted study environment, Learning and Instruction (1999).
[8] J. Biggs, The Study Process Questionnaire (SPQ) Manual, Australian Council for Educational Research, Melbourne, 1987.
[9] J. Biggs, Student approaches to learning and studying, Australian Council for Educational Research, Hawthorn Victoria, 1987.
[10] J. S. Brown, A. Collins, P. Duguid, Situated cognition and the culture of learning, Educational researcher (1989).