شخصی‌سازی محتوای آموزشی دروس فناوری اطلاعات سلامت با استفاده از روش‌های داده‌کاوی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری انفورماتیک پزشکی، گروه انفورماتیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران

2 استادیار، گروه مدارک پزشکی و فناوری اطلاعات سلامت، دانشکده علوم پیراپزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران

3 استادیار گروه مدارک پزشکی و فناوری اطلاعات سلامت، دانشکده علوم پیراپزشکی، دانشگاه علوم پزشکی مشهد، مشهد، ایران

چکیده

مقدمه: شخصی‌سازی محتوای آموزشی براساس نیازها و ترجیحات دانشجویان یکی از حوزه‌های کاربردی در داده‌کاوی می‌باشد. در این راستا، مطالعه حاضر با هدف شخصی‌سازی محتوای آموزشی از دیدگاه دانشجویان با کمک روش داده‌کاوی انجام شد.
مواد و روشها: در پژوهش توصیفی- مقطعی حاضر، نمونه‌ای 56 نفری از دانشجویان ترم 7 (ترم آخر تئوری) در مقطع کارشناسی پیوسته رشته فناوری اطلاعات سلامت از دانشگاه‌های علوم پزشکی مشهد، سمنان و اهواز به‌صورت تصادفی به‌عنوان نمونه انتخاب شدند. برای جمع‌آوری داده‌‌ها، چک‌لیستی در اختیار دانشجویان قرار داده شد و از آن‌ها درخواست گردید بهترین توالی پیشنهادی برای تدریس مؤثر سرفصل‌های دروس فناوری اطلاعات سلامت 1، 2 و 3 را به انتخاب خود مشخص نمایند و سرفصل‌هایی را که از نظر آن‌ها تدریسشان ضروری نیست، حذف کنند. در ادامه با کمک الگوریتم‌های داده‌کاوی مبتنی بر الگوریتم ژنتیک، الگوهای پرتکرار از توالی‌های ارائه‌شده استخراج گردیدند.
یافته‌ها: چهار توالی پرتکرار از تحلیل داده‌ها استخراج گردید. گروه اول از دانشجویان توالی مشترکی را برای بخش‌هایی از سرفصل‌های دروس فناوری اطلاعات سلامت 1، 2 و 3 پیشنهاد دادند. گروه‌های دوم و سوم تنها برای بخش‌هایی از سرفصل‌های درس "فناوری اطلاعات سلامت 1" توالی مشترکی را پیشنهاد دادند. از میان داده‌های مربوط به گروه چهارم، هیچ توالی پرتکراری استخراج نگردید. مناسب‌نبودن سرفصل‌ها، ترتیب ارائه دروس، منابع، حجم مطالب و روش ارائه آن‌ها (تئوری و عملی) مهم‌ترین عوامل کسب این نتایج بودند.
نتیجهگیری: تحلیل نتایج توسط سه نفر از اساتید رشته مربوطه نشان داد که الگوریتم پیشنهادی در ارائه توالی‌های مناسب سرفصل‌های آموزشی مفید بوده است.

کلیدواژه‌ها


  1. Chan AT, Chan SY, Cao J. SAC: a self-paced and adaptive courseware system. IEEE International Conference on Advanced Learning Technologies, Madison, WI, USA; 2001. P. 78-81.
  2. Qu C, Gamper J, Nejdl W. A collaborative courseware generating system based on webdav, xml, and jsp. Proceedings IEEE International Conference on Advanced Learning Technologies, Madison, WI, USA; 2001. P. 197-8.
  3. Rodríguez G, Pérez J, Cueva S, Torres R. A framework for improving web accessibility and usability of open course ware sites. Comp Educ. 2017; 109:197-215.
  4. Anaya AR, Boticario JG. Application of machine learning techniques to analyse student interactions and improve the collaboration process. Exp Syst Appl. 2011; 38(2):1171-81.
  5. Brusilovsky P, Peylo C. Adaptive and intelligent web-based educational systems. Int J Artific Intellig Educ. 2003; 13(4):159-72.
  6. Shin DH. User value design for cloud courseware system. Behav Inform Technol. 2015; 34(5):506-19.
  7. Hawryszkiewycz IT. Agent support for personalized learning services. Proceedings 3rd IEEE International Conference on Advanced Technologies, Athens, Greece; 2003. P. 332-33.
  8. de-Marcos L, Martinez JJ, Gutiérrez JA, Barchino R, Hilera JR, Oton S, et al. Genetic algorithms for courseware engineering. Int J Innovat Comp Inform Control. 2011; 7(7):1-27.
  9. Brusilovsky P, Eklund J, Schwarz E. Web-based education for all: a tool for development adaptive courseware. Comp Networks ISDN Syst. 1998; 30(1-7):291-300.
  10. Carchiolo V, Longheu A, Malgeri M, Mangioni G. Courses personalization in an e-learning environment. Proceedings 3rd IEEE International Conference on Advanced Technologies, Athens, Greece; 2003. P. 252-3.
  11. Lin X, Xin Z. Learning courseware design based on problem solving. 2010 International Conference on Optics, Photonics and Energy Engineering (OPEE), Wuhan, China; 2010. P. 166-9.
  12. Peng Y. SCORM-based courseware design for the personalization of e-learning system. Workshop on Intelligent Information Technology Application, Zhang Jiajie, China; 2007. P. 260-3.
  13. Bontchev B, Vassileva D. Courseware authoring for adaptive e-learning. International Conference on Education Technology and Computer, Singapore; 2009. P. 176-80.
  14. Vassileva J, Deters R. Dynamic courseware generation on the WWW. Br J Educ Technol. 1998; 29(1):5-14.
  15. Hajavi A, Sarbaz M, Moradi N. Medical records. Tehran: Publication of Iran University of Medical Sciences; 1991.
  16. Rezaee Gharahtekan M, Tayyeban M, Alizadeh M. Factors affecting discipline choice in students of medical records and health information technology in Mazandaran university of medical sciences in year 2010. Iran J Med Educ. 2012; 12(4):258-64.
  17. Ministry of Health and Medical Education. Available at: URL: www.behdasht.gov.ir; 2019.
  18. Han J, Pei J, Kamber M. Data mining: concepts and techniques. New York: Elsevier; 2011.
  19. Mahdi BJ, Fattaneh T. A longest common subsequence based genetic algorithm for courseware design. 4th International Conference on e-Learning and e-Teaching, Shiraz, Iran; 2003. P. 40-6.
  20. Edwin R. Courseware curriculum development project aligning outcome-based education across different curricular programs in Universidad de Zamboanga. J Eng Appl Sci. 2017; 12(21):5578-83.
  21. Chang KH, Bassue J. Green tricycle design through experiential learning-an open courseware enriching engineering curriculum and entrepreneurship. Comp Aided Design Appl. 2017; 14(6):823-32.
  22. Burbridge B, Kalra N, Malin G, Trinder K, Pinelle D. University of saskatchewan radiology courseware (USRC): an assessment of its utility for teaching diagnostic imaging in the medical school curriculum. Teach Learn Med. 2015; 27(1):91-8.