در سال های اخیر از روش های داده کاوی به طور گسترده درزمینه ی یادگیری الکترونیکی استفاده شده است. درواقع محققین مختلف با استفاده از روش های داده کاوی سعی در شناخت هر چه بیشتر یادگیرندگان و درنتیجه ایجاد یادگیری تطبیقی داشته اند. در تحقیقات از ویژگی ها، عملکرد، سبک یادگیری و سبک شناختی یادگیرندگان استفاده شده است. این مقاله به شناسایی سطح دانش یادگیرندگان و مدل سازی آن ها به منظور شخصی سازی آموزش ارائه شده، می پردازد. به منظور ایجاد مدل پیشنهادی از شبکه عصبی تابع پایه شعاعی بهبودیافته استفاده شده و برای ارتقاء این شبکه از یک رویکرد آموزش سه مرحله ای بهره گیری شده است. این رویکرد در مرحله اول از الگوریتم بهینه سازی گروه ذرات، در مرحله دوم الگوریتم نزدیک ترین K همسایه و در فاز سوم الگوریتم تندترین کاهش را به کار گرفته است. در ادامه ی مقاله به بررسی مشخصه های یادگیرندگان پرداخته و چهار مشخصه مناسب به منظور پیش بینی متغیر کلاس جهت تعیین سطح دانش یادگیرندگان، ایجادشده است. جهت ارزیابی مدل ارائه شده، یک دوره ی مجازی آموزش مایکروسافت اکسل مورد آزمایش قرارگرفته است. یادگیرندگان دوره ی موردنظر در سه گروه آزمایشی قرار گرفتند. یکی از گروه ها از مدل پیشنهادی استفاده کرده و دو گروه دیگر از یادگیرندگان از ارائه دروس متوسط و الگوریتمی موجود از ادبیات تحقیق بهره بردند. نتایج حاصل از آزمایش ها، موفقیت و رضایت تحصیلی یادگیرندگان گروه مربوط به مدل پیشنهادی را نشان می دهد.
