شبکه عصبی مصنوعی
تجزیه و تحلیل شبکه های عصبی مصنوعی مبتنی بر نظریات عصبشناسان درباره نحوه ذخیره و انتقال اطلاعات و سیگنالها در مغز است. بر حسب برآورد عصبشناسان، مغز انسان بیش از یک‌صد میلیارد نورون دارد، حال اینکه بزرگ‌ترین شبکه عصبی مصنوعی ساخته شده از چندین هزار نورون تجاوز نمیکند (کوپر[۱۵۸]،۲۰۰۷).
نورون، مهم‌ترین عنصر یک شبکه عصبی است که مدلسازی مصنوعی آن مبتنی بر مدل ارائه شده توسط عصبشناسان است. شکل ۲‑۱۱ مدل نورون بیولوژیک را نشان میدهد. در نورون بیولوژیک، دندریتها، سیگنالهای ارسال شده از نورونهای بهم متصل را به عنوان ورودی دریافت می‌کنند. این سیگنالها به جسم سلولی ارسال میشوند. جسم سلولی تمام سیگنالها را جمع می کند و حاصل جمع را از طریق آکسون به سیناپسها ارسال می کند. علاوه بر این، سیناپس قدرت سیگنالها را بر حسب یک آستانه مشخص، افزایش یا کاهش میدهد.
دندریت
آکسون
جسم سلولی
سیناپس سلولی
شکل ۲‑۱۱: نورون بیولوژیک
شبکه عصبی مصنوعی همان گونه که از نامش پیدا است در صدد است با بهره گرفتن از رایانه کارکردهای نورون در سیستم عصبی را شبیهسازی نماید. هدف شبکه عصبی مصنوعی شبیهسازی فعالیتهای نورون و به‌کارگیری آن در تصمیم سازی و حل مسائل روزمره با بهره گرفتن از رایانه است. سدهی و همکاران (۱۳۸۸) در این باره آوردهاند: شبکه های عصبی مصنوعی برای تشخیص، طبقه بندی و پیش بینیهایی به کار میرود که دارای روابط غیرخطی هستند. مبحث شبکه عصبی مصنوعی مربوط به شبیهسازی قوۀ یادگیری در انسان و پیاده سازی آن به صورت الگوریتمهای کامپیوتری است.
مدلسازی مغز از سال ۱۹۴۳ با مدلسازی تک نورون عصبی شروع شد که به نورون مککلوچ و پیتز[۱۵۹]معروف است. اگر یک مجموعه ورودی با نورون مککلوچ و پیتز داده شود؛ مجموع وزنها را محاسبه و با آستانه[۱۶۰]مقایسه می کند؛ سپس نورون بر اساس ارزش آستانه خروجی صفر و یک میدهد (کوپر،۲۰۰۷).
پرسپترون[۱۶۱] یکی از رایجترین مدلهای شبکه عصبی مصنوعی است، که برای پیش بینی و داده کاوی آموزشی استفاده شده است. شبکه عصبی پرسپترون توسط روزنبلات[۱۶۲]ارائه شده است. ساختار این شبکه در شکل ۲‑۱۲ قابل مشاهده است.
جمع زنی
تابع انتقال
شکل ۲‑۱۲: پرسپترون
پرسپترون ورودیهای PR…P1,P2, را دریافت و در ماتریس وزنها W ضرب می شود و مجموع حاصلضربها به عنوان ورودی به تابع انتقال تحویل داده می شود. در مرحله جمع زنی بایاس (W0P0) هم اضافه می شود. ورودی بایاس اغلب یک مقدار ثابت و عدد “یک” است.
بزرگ‌ترین محدودیت شبکه های پرسپترون توانایی حل مسائلی است که قابلیت تفکیک خطی دارند. برای رفع این مشکل پرسپترونِ چند لایه[۱۶۳]توسط مینسکی و پاپرت[۱۶۴] ارائه شد. یکی از توانمندیهای برجسته این نوع شبکه عصبی مصنوعی، پیش‌بینی متغیرهایی است که روابط آن ها غیر خطی است. در شبکه عصبی چند لایه خروجی یک لایه، ورودی لایه بعد است. شکل ۲‑۱۳ توپولوژی یک شبکه عصبی چند لایه را نشان میدهد.
لایه وردی
لایه مخفی
لایه خروجی
شکل ۲‑۱۳: پرسپترون چند لایه
شبکه عصبی چند لایه ارائه شده در شکل ۲‑۱۲ یک شبکه عصبی پس انتشار[۱۶۵]محسوب می شود. این نوع شبکه، جزء شبکه های ساده و در عین حال بسیار کارآمد است و در پیش بینی با داده های آموزشی استفاده شده است. توضیح مبسوط شبکه های عصبی مصنوعی، انواع، توابع انتقال و قواعد یادگیری آن ها بحث مفصلی می‌طلبد که از حوصله گزارش حاضر خارج است. با توجه به اهمیت فرایند یادگیری شبکه، این مبحث را با توضیح فرایند یادگیری یک شبکه پس انتشار به پایان میبریم. شکل ۲‑۱۴ که بر گرفته از ونگ کامدی و سره سانگ تاکول[۱۶۶](۲۰۱۰) است، نحوه یادگیری یک شبکه عصبی پیشخور را نشان میدهد.
تنظیم وزنها
هدف
خروجی
شبکه ای شامل اتصالات بین نورونها
درونداد
شکل ۲‑۱۴: فرایند یادگیری شبکه های پس انتشار
فرایند یادگیری به این صورت است که در مرحله اول داده های آموزش، به هر دو لایه مخفی و خروجی انتشار داده میشوند. این فرایند “تحویل رو به جلو[۱۶۷]” نامیده می شود. در این مرحله هر گره[۱۶۸] لایه ورودی، مخفی و خروجی، وزنهای مناسب بین گره ها را محاسبه و تنظیم می کند؛ در نهایت از جمع بندی انجام شده برای وزنها، خروجی ارائه می کند. خروجی ارائه شده با خروجی هدف مقایسه می شود. در مرحله بعد، خطای خروجی شبکه با خروجی واقعی مقایسه می شود و به لایه مخفی پس داده می شود تا وزنهای هر گره را دوباره به روز کند. این فرایند یادگیری “تحویل رو به عقب[۱۶۹]” نامیده می شود. شبکه این فرایند جلو و عقب را تکرار می کند تا به میزان خطای قابل قبول برسد. بعد از اینکه فاز آموزش به پایان رسید، شبکه آموزش داده شده را می‌توان برای داده های جدید استفاده کرد (ونگ کامدی و سره سانگ تاکول، ۲۰۱۰ ص ۳۰).
۲-۵ پیشینه پژوهش های پیش بینی موفقیت تحصیلی
در این بخش از گزارش پژوهشی، پیشینه پژوهشهای انجام شده در زمینه پیش بینی وضعیت تحصیلی یادگیرنده الکترونیکی در دنیا گزارش می شود. پیشینه پژوهشها به سه دسته تقسیم می شود. در دسته اول پژوهشهایی گزارش می شود که با بهره گرفتن از روش‌هایی همبستگی و رگرسیون، وضعیت تحصیلی دانشجوی الکترونیکی را بررسی کرده اند. از آنجا که در این دسته از پژوهشها علاوه بر تحلیل همبستگی و رگرسیون از تحلیل تشخیص، آزمونهای مقایسه و بعضاً تحلیل کیفی نیز استفاده شده است؛ این دسته از پژوهشها تحت عنوان پیشینه مبتنی بر روش‌هایی کمّی و آمیخته طبقه بندی شده‌اند. در دسته دوّم پژوهشهایی گزارش می شود، که با تحلیل معادلات ساختاری، روابط پیچیده و اثر غیر مستقیم عوامل پیشبین را بررسی کرده اند. در دسته سومّ نیز پژوهشهایی گزارش خواهند شد که از داده کاوی و روش‌هایی یادگیری ماشینی برای پیش بینی وضعیت تحصیلی دانشجو بهره برده اند.
