دوره و شماره : آماده انتشار

نویسندگان : علی رضائی* ¹ ، کیمیا بازرگان لاری ² ، زهرا اکرام زاده ³

چکیده :
در دهه اخیر، آموزش آنلاین به‌طور چشمگیری محبوب شده و مزایای بسیاری برای یادگیرندگان و معلمان فراهم کرده است. بااین‌حال، چالش‌هایی نظیر نظارت بر سطح توجه دانشجویان وجود دارد. یکی از مشکلات اصلی، دشواری در تشخیص میزان مشارکت فعال دانشجویان در جلسات یادگیری الکترونیکی است. برای حل این مشکل، سیستمی مبتنی بر سیگنال‌های فیزیولوژیکی EEG با استفاده از دستگاه Neurosky طراحی شده است که توجه دانشجویان را در طول جلسات بررسی می‌کند. این سیستم از تکنیک‌های یادگیری ماشین استفاده کرده و سطح توجه را با دقت بالایی پیش‌بینی می‌کند. در این مطالعه، ۱۰۰ شرکت‌کننده حضور داشته و وضعیت یادگیری به دو حالت توجه و عدم توجه تقسیم شده است. نتایج نشان داد که الگوریتم ماشین بردار پشتیبان (SVM ) با دقت % 68/91، بهترین عملکرد را داشته است. همچنین، امواج بتا و آلفا به‌عنوان مهم‌ترین شاخص‌ها در پیش‌بینی توجه شناسایی شدند. برای تحلیل بیشتر، الگوریتم‌های K-means و خوشه‌بندی سلسله‌مراتبی برای داده‌ها به کار رفتند که K-means در شناسایی وضعیت توجه موثرتر بود. این پژوهش نشان می‌دهد سیگنال‌های EEG ابزار ارزشمندی برای پشتیبانی از تصمیم‌گیری در یادگیری الکترونیکی و بهبود نظارت بر توجه دانشجویان ارائه می‌دهند.

کلمات کلیدی :
یادگیری ماشین، امواج الکتروانسفالوگرام، تعامل مغز-کامپیوتر، سیستم پشتیبانی تصمیم گیری توجه