جستجوي پيشرفته | کتابخانه مجازی الفبا

بحث تولید و بازیابی محتوای آموزشی یکی از بحث‌های مهم در آموزش‌ الکترونیکی است. از طرفی باافزایش محتوا روی وب تلاش برای دسترسی به مفاهیم مرتبط با یک حوزه‌ی درسی و آموزشی؛ برای مثال مفاهیم مرتبط با حوزه‌ی سیستم‌های فازی کاری وقت‌گیر، هزینه‌بر و مشکل است و ممکن است جست‌وجو روی وب، محقق را به نتیجه‌ی دلخواه نرساند. بنابراین در بسیاری از تحقیقات اخیر سعی‌ بر این است که روش‌هایی برای دسته‌بندی و نمایش مفاهیم مرتبط به‌صورت کلی و یکپارچه ارائه شود. در این تحقیق سعی‌ شده است که با استفاده از پایگاه‌دانش‌های عمومی ‌به مفاهیم مرتبط با حوزه‌ی دلخواه دسترسی پیدا کرده و به‌صورت دسته‌بندی شده براساس سطح سختی به دانش‌ورزان در قالب یک پایگاه‌دانش ارائه شود. در سال‌های اخیر به‌کارگیری تکنیک‌های وب‌معنایی برای تولید و نمایشِ دانش در آموزش‌ الکترونیکی توجه بسیاری را به خود جلب کرده است. این رساله، سیستمی برای تولید و نمایش دانش ارائه می‌کند که مبتنی‌بر مفاهیمِ نقشه‌‌ی مفهوم، مدل داده‌ای چارچوب توصیف منابع و آنتولوژی است. از آن جهت که این مفاهیم می‌توانند دانش مورد نظر را بهتر نشان دهند و معنا را نیز دربرمی‌گیرند. در روش پیشنهادی از پایگاه‌دانش عمومیِ DBpedia که مبتنی‌بر موجودیت‌های ویکی‌پدیا است برای استخراج مفاهیم آموزشی، از نقشه-ی مفهوم برای ایجاد گرافی از مفاهیم و ارتباطات میان آن‌ها و از ابزارهای ویرایش‌گر آنتولوژی مانند پروتگ برای ساخت پایگاه‌دانش از نقشه‌ی مفهوم به زبانِ آنتولوژی وب استفاده شده است. همچنین از آن‌جاکه ساخت مواد آموزشی کاری وقت‌گیر، مشکل و پرهزینه است، این رساله برای بازیابی مواد آموزشی با استفاده از مدل پیشکارهای وب‌معنایی از موتورهای جستجوگر وب و وب‌سرویس‌های کتابخانه‌های دیجیتال استفاده می‌کند. روش پیشنهادی برای ایجاد پایگاه‌دانش از مفاهیم موجود در حوزه‌ی سیستم‌های فازی و بازیابی مواد آموزشی برای هر مفهوم استفاده می‌کند. ارزیابی سیستم با استفاده از مقایسه‌ی طرح پیشنهادی با کارهای پیشین و نظرسنجی دانش‌ورزان انجام می-شود. براساس این دو ارزیابی می‌توان به معنادار بودن، نشانه‌گذاری ساده‌، قابلیت پویایی ساده، کامل بودن و قابلیت اشتراک پایگاه‌دانش حاصل در تمامی سیستم‌های آموزشی، دسترسی سریع و دسته‌بندی شده به مفاهیم و سرفصل‌های آموزشی و دسترسی به منابع بیشتر اشاره کرد.

امروزه یادگیری و آموزش در دنیای مجازی از اهمیت بالایی برخوردار است. بهمین دلیل نیاز به سیستم‌های یادگیری الکترونیک که یادگیری را در هر مکان و زمانی ممکن می‌سازند بیش از پیش احساس می‌شود. از سوی دیگر با توسعه وب، حجم اطلاعات موجود در آن بصورت چشمگیری رو به افزایش است. این امر سبب می‌شود تا سیستم‌های یادگیری الکترونیک با حجم وسیعی از اطلاعات برای آموزش مواجه شوند. اما اصول مشتری مداری این اجازه را به این سیستم‌ها نمی‌دهند تا فراگیران را با حجم زیادی از اطلاعات درگیر کنند. چراکه اولا این امر موجب سردرگمی فراگیران در انتخاب موضوع برای مطالعه می‌شود، ثانیا بسیاری از این اطلاعات با توجه به مواردی نظیر خصوصیات فراگیر، علایق، اهداف و توانمندی‌های وی قابل استفاده توسط او نیستند.در پاسخ به این مسئله سیستم‌های تطبیق پذیر آموزشی ظهور کردند که هدف کلی آنها ایجاد یک تجربه منحصر به فرد آموزشی برای هر فراگیر است. این سیستم‌ها با مدل کردن خصیصه‌های مختلف فراگیر و دراختیار داشتن فرادانشی نسبت به محتوای آموزشی به شخصی سازی مطالب آموزشی برای تک تک فراگیران می‌پردازند. این مطالعه ابتدا به مرور کارهای انجام شده در زمینه سیستم‌های تطبیق پذیر آموزشی می‌پردازد. ماحصل مرور منابع موجود در این حوزه، شکاف‌های تحقیقاتی فعلی است که به تفصیل بررسی می‌شوند. بر این اساس این تحقیق به ارائه مدلی جهت شخصی سازی محتوای آموزشی می‌پردازد. معماری این مدل مبتنی بر ایده سیستم‌های چند عامله است و برای نگهداری محتویات آموزشی از هستی شناسی و استاندارد محتوایی SCORM در سطوح انتزاعی جداگانه بهره می‌گیرد. به منظور اعتبار سنجی این مدل از رویکرد پیاده سازی و شبیه سازی یک سناریوی ساده استفاده شده است. این سیستم بر روی سیستم مدیریت یادگیری Sakai نصب و راه اندازی شده است و به منظور اثبات کارآمدی آن از یک سناریوی ساده برای تطبیق پذیری استفاده شده است. نتایج این شبیه سازی نشان می‌دهند که این مدل بخوبی می‌تواند محتویات آموزشی را به فراگیران مختلف ارائه دهد.

چکیده ندارد.

امروزه یکی از مهمترین چالش‌ها در زمینه امنیت اطلاعات و شبکه‌های ارتباطی، گسترش روزافزون بدافزارها است که به دنبال آن،یافتن راه‌های مناسب جهت حفاظت سیستم‌ها در مقابل نفوذگران الزامی است .یکی از مشکلات اساسی برای درک صحیح رفتارهای مخرب و گرایش‌های جدید در توسعه بدافزارها، این است که بدافزارها نیز مانند کامپیوترها و نرم‌افزارها به سرعت توسعه و بهبود می‌یابند و روز به روز، از روش‌های پیچیده‌تری برای گریز از تشخیص بهره می‌گیرند. لذا روش‌های سنتی، مانند تطابق چند رشته کد از امضای بدافزارها، که قادر به شناسایی بدافزارهای ناشناخته و جدید نبوده و میزان هشدارهای نادرست بالایی دارند، به تنهایی کارایی لازم جهت تشخیص بدافزارها را ندارند. در اینجاست که تشخیص هوشمند به موازات پیچیده‌تر شدن بدافزارها مورد توجه قرار گرفته‌است. روش‌های هوشمند کنونی، با تکیه بر تکنیک‌های یادگیری ماشین، کمک به درک سریع‌تر رفتارهای مخرب کرده و، در نتیجه، راه را برای تشخیص و ارزیابی بدافزارها هموارتر ساخته اند. باتوجه به اهمیت این موضوع، ایده اصلی ما، ارائه یک سیستم تشخیص بدافزار با توانایی درک معنایی است که با استفاده از جریان اطلاعات یعنی روابط میان داده‌ها و استنتاج آنها، بدافزار را شناسایی کرده و، سپس، با استفاده از طبقه‌بندی ابعادی پیشنهادی، بدافزار شناسایی شده را به درستی به خانواده مربوط به خود اختصاص می‌دهد.چارچوب پیشنهادی به معرفی یک سیستم تشخیص نفوذ توزیع شده در سطح شبکه می‌پردازد که شناسایی بدافزارها را با استفاده از مفاهیم هستان‌شناسی انجام داده و آن ها را به خوبی طبقه‌بندی می‌کند. سیستم ارائه شده، قادر به شناسایی حملات ناشناخته بوده و بهبود قابل ملاحظه‌ای در نرخ تشخیص، نسبت به سایر روش‌ها داشته، ضمن اینکه نرخ هشدارهای نادرست آن، در مقایسه با سایر روش‌ها پایین‌تر است.

چکیده ندارد.