MODEL RANGKAIAN NEURAL BAGI PENENTUAN GAYA PEMBELAJARAN PELAJAR BERASASKAN MODEL FELDER-SILVERMAN

Mohd Faisal Ibrahim

Abstract


Gaya pembelajaran merupakan kecenderungan pendekatan seseorang pelajar untuk belajar. Kebanyakan model penentuan gaya pembelajaran yang dibangunkan menggunakan kaedah soal-selidik dan tinjauan yang memerlukan pelajar menjawab soalan yang banyak. Kaedah konvesional ini mempunyai beberapa kelemahan seperti memerlukan masa yang panjang, soal-selidik yang dijawab secara sambil-lewa, kualiti soal-selidik yang rendah serta cara setiap pelajar menginterprestasi soalan yang diberikan. Dengan perkembangan teknologi e-pembelajaran masa kini seperti sistem pengurusan pembelajaran digital (SPP), rekod mentah aktiviti dan interaksi pelajar dengan sistem pembelajaran dapat disimpan secara dalam talian. Kajian ini bertujuan untuk mengkaji hubungkait aktiviti pelajar dalam sesuatu SPP dalam menentukan gaya pembelajaran mereka. Berdasarkan teori gaya pembelajaran Felder-Silverman, satu model kepintaran buatan telah dibangunkan bagi menentukan dimensi-dimensi gaya pembelajaran secara automatik dengan menggunakan rekod aktiviti pelajar dalam SPP. Model kepintaran buatan dibina berasaskan algoritma Rangkaian Neural dan teknik pembelajaran mesin terselia. Model Rangkaian Neural ini telah dilatih menggunakan rekod kekerapan seseorang pelajar itu melawati kandungan-kandungan pembelajaran seperti nota kuliah, video pembelajaran, slaid pengajaran dan latihan dalam talian. Hasil daripada pembelajaran mesin ini, empat model Rangkaian Neural telah terhasil yang mana setiap satu model mewakili dimensi-dimensi dalam gaya pembelajaran Felder-Silverman iaitu penerimaan maklumat, penyampaian maklumat, pemprosesan  maklumat dan organisasi maklumat. Ketepatan model yang diperolehi adalah di antara 77.8% sehingga 100%.


Keywords


Attitudes; Augmented Reality; Instagram; Knowledge; Practices

Full Text:

PDF

References


Alzahrani, N., Meccawy, M. & Siddiqu, M. A. A. A. (2020). Automatic prediction of learning styles in learning management systems: A literature review. Proceedings of the 2020 IEEE Asia-Pacific Conference on Computer Science and Data Engineering, 1-7.

Da-Costa, R.D., de-Souza, G.F., de-Castro, T.B., de- Medeiros-Valentim, R.A. & de-Pinho-Dias, A. (2020). Identification of Learning Styles in Distance Education Through the Interaction of the Student with a Learning Management System. Proceedings of IEEE Revista Iberoamericana de Tecnologias del Aprendizaje, 148-160.

Felder, R.M. & Silverman, L.K. (1988). Learning and Teaching Styles in Engineering Education. Engr. Education, 78(7).

Ferreira, L.D., Spadon, G., Carvalho, A.C. & Rodrigues, J.F. (2018). A comparative analysis of the automatic modeling of Learning Styles through Machine Learning techniques. Proceedings of the 2018 IEEE Frontiers in Education Conference (FIE), 1-8.

Gambo, F.L., Wajiga, G.M., Shuib, L., Garba, E.J. Abdullahi, A.A. & Bisandu, D.B. (2022). Performance Comparison of Convolutional and Multiclass Neural Network for Learning Style Detection from Facial Images. EAI Endorsed Transactions on Scalable Information Systems, 9(35).

Ghosh, A., Sufian, A., Sultana, F., Chakrabarti, A. & De, D. (2020). Fundamental Concepts of Convolutional Neural Network. Recent Trends and Advances in Artificial Intelligence and Internet of Things, 172, 519-567.

Gomede, E., Miranda-de-Barros, R., & de-Souza-Mendes, L. (2020). Use of Deep Multi-Target Prediction to Identify Learning Styles. Appl. Sci., 10(5).

Ikawati, Y., Al Rasyid, M.U.H. & Winarno, I. (2020). Student Behavior Analysis to Detect Learning Styles in Moodle Learning Management System. Proceedings of International Electronics Symposium: The Role of Autonomous and Intelligent Systems for Human Life and Comfort, 501–506.

Jamali, A.R. & Mohamad, M.M. 2018. Dimensions of Learning Styles among Engineering Students. J. Phys.: Conf. Ser., 1049.

Khan, F.A., Akbar, A., Altaf, M., Tanoli, S.A.K. & Ahmad, A. (2019). Automatic Student Modelling for Detection of Learning Styles and Affective States in Web Based Learning Management Systems. IEEE Access, 7, 128242-128262.

Lwande, C., Muchemi, L. & Oboko, R. (2021). Identifying learning styles and cognitive traits in a learning management system. Heliyon, 7(8).

Shrivastava, A.K., Das, D., Mahapatra, R. & Varshney, N. (2021). Scaled Conjugate Gradient Algorithm for Neural Network Detector in Mobile Molecular Communication. Proceedings of the 2021 IEEE Global Communications Conference.


Refbacks

  • There are currently no refbacks.


Index