| چکیده |
استفاده از ربات‌های اجتماعی به عنوان دستیار آموزشی زبان اشاره‌ی ایرانی می‌تواند گامی مهم در جهت گسترش ارتباط با قشر ناشنوا در آینده باشد. در ادبیات موضوعی، نشان داده شده است که رابط‌های کاربری با رفتار تطبیقی نسبت به غیرتطبیقی‌ها منجر به مقبولیت بیشتری از سوی کاربر و افزایش بازده آموزشی می‌شود. هدف این پروژه، توانمندسازی ربات رسا جهت آموزش تطبیقی زبان اشاره‌ی ایرانی به کاربران است به این‌صورت که کلمه‌ی انتخابی برای تدریس، سرعت ربات، دفعات تکرار ربات و واکنش احساسی آن با کاربر سازگار باشد. اولین نوآوری مهم این پژوهش، استفاده از شبکه‌های عصبی عمیق و روش «حالت-تصویر» جهت پیش‌پردازش داده‌ها به منظور استفاده در سامانه‌ی تشخیص علائم زبان اشاره است. یک نوآوری مهم دیگر، تطبیقی‌سازی برنامه‌ی آموزشی ربات نسبت به هر فرد و همچنین منطق کلی آموزشی ربات به طور همزمان است. در فاز اول با استفاده از دستکش داده‌برداری یک پایگاه داده کلمات زبان اشاره‌ی ایرانی جمع‌آوری گردید که در آن هر حرکت دینامیکی توسط متد «حالت-تصویر» به یک عکس تبدیل شد. سپس با استفاده از الگوریتم ژنتیک، یک ساختار بهینه برای شبکه‌ی عصبی عمیق به دست آمد که عکس‌ها به آن تغذیه شد و به این ترتیب شبکه‌ی عصبی قادر به پیش‌بینی الگوهای حرکتی شد. در فاز دوم ، در محیط راس و زبان پایتون یک معماری آموزشی تطبیقی روی ربات رسا پیاده‌سازی گردید که با استفاده از منطق فازی و براساس پیشینه‌های کاربری و آموزشی، آموزش را نسبت به هر فرد و هر جلسه منحصر‌به‌فرد می‌کند. نهایتا در فاز سوم، عملکرد آموزشی ربات از طریق داده‌های گردآوری شده حین آموزش و پرسش‌نامه‌ی استاندارد یو‌تی‌ای‌یو‌تی و تحلیل‌های آماری تی‌تست و اندازه-اثر کوهن‌دی بررسی شد. نتایج سیستم تشخیص علائم نشان می‌دهد سازوکار اتخاذ شده می‌تواند 15 علامت زبان اشاره را با دقت 99.7 درصد به درستی تشخیص دهد. همچنین نتایج آماری نشان می‌دهد تطبیقی شدن آموزش ربات نه تنها از طرف کاربران به خوبی حس شده بلکه تاثیر معناداری در بهبود عملکرد کاربران و نگرش آن‌ها نسبت به تعامل انسان-ربات در چهار آیتم پرسش‌نامه‌ی استاندارد داشته است.
|
