موسسه آموزش عالی آپادانا نشریه مطالعات مهندسی کامپیوتر آپادانا - A review of a decision support system for estimating cognitive status with wearable devices in online education. مروری بر یک سیستم پشتیبانی تصمیم برای تخمین وضعیت شناختی با دستگاه‌های پوشیدنی در آموزش آنلاین 10.22051/jera.2021.31891.2698 FA علی دانشجوی ارشد رشته کامپیوتر نرم افزار مؤسسه آموزش عالی آپادانا شیراز کیمیا استادیار گروه کامپیوتر مؤسسه آموزش عالی آپادانا شیراز زهرا مربی گروه کامپیوتر مؤسسه آموزش عالی آپادانا شیراز In the last decade, online learning has become increasingly popular and has provided many benefits to learners and teachers. However, there are challenges such as monitoring students' attention levels. One of the main problems is the difficulty in detecting the level of active participation of students in e-learning sessions. To solve this problem, a system based on EEG physiological signals using the Neurosky device has been designed to monitor students' attention during sessions. This system uses machine learning techniques and predicts the attention level with high accuracy. In this study, 100 participants were present and the learning status was divided into two states of attention and inattention. The results showed that the support vector machine (SVM) algorithm performed best with an accuracy of 91.68%. Also, beta and alpha waves were identified as the most important indicators in predicting attention. For further analysis, K-means and hierarchical clustering algorithms were applied to the data, with K-means being more effective in identifying the attention status. This research shows that EEG signals offer a valuable tool to support decision-making in e-learning and improve student attention monitoring. 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. /downloadfilepdf/491487