The use of genetic algorithm to optimize quantitative learner's motivation model

• Autorzy: Lempa P. , Ptaszynski M. , Masui F.

Identyfikatory

DOI

10.4467/2353737XCT.18.066.8378

Warianty tytułu

PL

Wykorzystanie algorytmu genetycznego do optymalizacji ilościowego modelu motywacji ucznia

• Języki publikacji: EN

Abstrakty

EN

The paper presents a method of optimizing Quantitative Learner’s Motivation Model with the use of genetic algorithm. It is focused on optimizing the formula for prediction of learning motivation by means of different weights for three values: interest, usefulness in the future and satisfaction. For the purpose of this optimization, we developed a C++ library that implements a genetic algorithm and an application in C# which uses that library with data acquired from questionnaires enquiring about those three elements. The results of the experiment showed improvement in the estimation of student’s learning motivation.

PL

W artykule przedstawiono metodę optymizacji ilościowego modelu motywacji ucznia z wykorzystaniem algorytmu genetycznego. Przedstawiona metoda polega na optymalizacji formuły przewidywania motywacji do nauki poprzez wykorzystanie różnych wag dla trzech różnych wartości: zainteresowanie przedmiotem, jego przydatność w przyszłości i zadowolenie z udziału w zajęciach. Na potrzebę optymalizacji stworzono bibliotekę C++, która implementuje algorytm genetyczny oraz aplikację w C#, która wykorzystuje tę bibliotekę razem z zebranymi danymi z ankiet w celu indukcji powyższych trzech elementów. Wyniki eksperymentu wykazały poprawę w szacowaniu motywacji uczniów.

Słowa kluczowe

EN

optimization; genetic algorithm; Quantitative Learner’s Motivation Model

PL

optymalizacja; algorytm genetyczny; ilościowy model motywacji ucznia

• Wydawca: Wydawnictwo Politechniki Krakowskiej im. Tadeusza Kościuszki
• Czasopismo: Technical Transactions
• Rocznik: 2018
• Tom: Vol. 115, iss. 4
• Strony: 189--194
• Opis fizyczny: Bibliogr. 15 poz., wz., tab.

Twórcy

autor

Lempa P.

• Department of Computer Science Kitami Institute of Technology, Japan

autor

Ptaszynski M.

• Department of Computer Science Kitami Institute of Technology, Japan

autor

Masui F.

• Department of Computer Science Kitami Institute of Technology, Japan

Bibliografia

• [1] Nobuta Y., Masui F., Ptaszynski M, Modeling Learning Motivation of Students Based on Analysis of Class Evaluation Questionnaire, Technical Transactions, 2-M/2015, 193–201.
• [2] Ekbal, A., Saha, S., Simultaneous feature and parameter selection using multiobjective optimization: application to named entity recognition International Journal of Machine Learning and Cybernetics, Volume 7, Issue 4, 2016, 597–611.
• [3] Calkin S. Montereo, Araki K., Unsupervised language independent genetic algorithm approach to trivial dialogue phrase generation and evaluation. Lecture Notes in Computer Science, Springer, Berlin, Heidelberg, Vol. 4592, 2007, 388–394.
• [4] Manurung R., Ritchie G., Thompson H., Using Genetic Algorithms to Create Meaningful Poetic Text, Journal of Experimental & Theoretical Artificial Intelligence, Vol. 24, Issue 1, 2012, 43–64.
• [5] Manurung H.M., An evolutionary algorithm approach to poetry generation, Doctoral Thesis, Institute for Communicating and Collaborative Systems, School of Informatics University of Edinburgh, 2003.
• [6] Araki K., Kuroda M., Generality of Spoken Dialogue System using SeGA-IL for Different Languages, Systems and Computers in Japan, Vol. 35, No. 12, 2004.
• [7] McIntyre N., Lapata M., Plot Induction and Evolutionary Search for Story Generation, Proceedings of the 48th Annual Meeting of the Association for Computational Linguistics, Stroudsburg, 2010, 1562–1572.
• [8] Goldberg D.E., Holland J.H.., Genetic algorithms and machine learning, Machine learning 3(2), 1988, 95–99.
• [9] Langdon WB, Poli R. Foundations of genetic programming, Springer, 2002.
• [10] Melanie M. An introduction to genetic algorithms, Cambridge, Massachusetts London, England, Fifth printing 1999.
• [11] Ladd SR. Genetic algorithms in C++, Hungry Minds, Incorporated, 1995.
• [12] Deslauriers W.A., Asexual Versus Sexual Reproduction in Genetic Algorithms, Carleton University.
• [13] Wu Ch. H., Tzeng G.H., Goo Y.J., Fang W.C., A real-valued genetic algorithm to optimize the parameters of support vector machine for predicting bankruptcy, Expert Systems with Applications, 2007, Vol. 32, Issue 2, 397–408.
• [14] Keller J.M., Kopp T., Application of the ARCS model of motivational design, M. Reigluth (Ed.), Instructional theories in action: Lessons illustrating selected theories and models, Lawrence Erlbaum Associates, USA 1987.
• [15] Keller J.M., Suzuki K., Use of the ARCS motivation model in courseware design (Chapter 16), [in:] D.H. Jonnasen (Ed.), Instructional designs for microcomputer courseware, Lawrence Erlbaum Associates, USA 1988.

Uwagi

EN

Section "Mechanics"

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).