Adaptivni e-učni sistemi

1. Adaptivni e-učni sistemi Saša Divjak

2. Adaptacija v poljubnem tipu informacijskega sistema • Prilagajanje informacij • Informacije prilagojene glede na to, kdo, kje in kdaj je uporabnik • Informacije prilagojene glede na to, kaj delamo ali kaj smo prej naredili (n. primer pri učenju) • Predstavitev prilagojena okoliščinam (na primer uporabljeni napravi, omrežju itd) • Prilagajanje procesa • Prilagajanje interakcije oziroma pogovora • Prilagajanje struktur navigacije • Prilagajanje vrstnega reda nalog in korakov

3. Zakaj adaptivno e-učenje? Prilagajanje je v izobraževanju vedno pomembno. Kako nam lahko pri tem pomaga splet? • Velika raznolikost uporabnikov • Novi “nepripravljeni” uporabniki • Uporabniki so na spletu “sami” • Pomoč učitelja je omejena

4. Izvor tehnologij za adaptivno učenje Computer Supported Collaborative Learning Information Retrieval Machine Learning, Data Mining Adaptive Hypermedia Systems Intelligent Tutoring Systems Intelligent Collaborative Learning Adaptive Information Filtering Adaptive Hypermedia Intelligent Monitoring Intelligent Tutoring

5. Prednosti adaptivnih sistemov • Povečana učinkovitost: • Optimalni proces (navigacije, pogovora, zaporedja učenja itd.) • Minimalno število korakov • Maksimalne ugodnosti (pomembnih informacij) • Povečano zadovoljstvo: • Sistem podaja dobre nasvete in pomembne podatke • Interaktivne aplikacije ne delajo neumnih potez • Vračanje vloženega: • Priporočanje proizvodov, ki jih uporabnik potrebuje, je ena od oblik dobrega sporočanja • Adaptivni sistemi se tehnično bolje obnašajo

6. Slabosti adaptivnih sistemov • Adaptivni sistemi se lahko narobe obnašajo • Adaptivne igre se slabo učijo od slabih igralcev • V splošnem: prilagajanje, primerno za enega uporabnika, je lahko slabo za drugega; mora biti poosebljeno • Adaptivni sistemi lahko izigrajo uporabnika • Pomislimo na filme, v katerih stroji prevzamejo prevlado na svetu, to ni v prid adaptivnim sistemom drugega reda • Igra, ki se nauči vedno zmagati, ni več zabavna • Adaptivni informacijski sistem lahko učinkovito cenzurira • Adaptivnemu sistemu težko povemo, da se moti

7. Sistemi, prilagodljivi uporabniku Podatki o uporabniku Modeliranje uporabnika Zbiranje Obdelava Sistem Drugi procesi Prilagajanje Učinki prilagajanja

8. Razmišljanje naprej in nazaj • Dva nasprotna pristopa: • Razmišljanje naprej: • Beleženje dogodkov • Preslikava podatkov o dogodkih v model uporabnika • Pomnenje podatkov o modelu uporabnika • Prilagajanje, ki temelji neposredno na podatkih iz modela uporabnika • Vzvratno razmišljanje: • Beleženje dogodkov • Pomnenje pravil za sklepanje o modelu uporabnika iz podatkov o dogodkih • Pomnenje pravil za sklepanje o prilagajanju iz podatkov o modelu uporabnika • Prilagajanje terja vzvratno razmišljanje: odločimo, kateri podatki iz modela porabnika so potrebni in nato sklepamo, kateri podatki o dogodkih so zato potrebni.

9. Kaj so adaptivni učbeniki Adaptivni učbenik je učbenik, ki se inteligentno prilagaja interakciji učenca in nivoju njegovega znanja. Adaptivni učbeniki temeljijo na visoki interaktivnosti in uporabi vizualno angažiranim simulacijam, ki jim včasih pravimo tudi „virtualni aparati“. Programerski razvijalci so odgovorni za tvorbo teh simulacij, učitelji pa tvorijo izobraževalne in pedagoške vidike učbenikov. To vključuje pisanje vprašanj, specificiranje adaptivnih odzivov za predvidene napake študentov in za zaporedje vprašanj.

10. Virtualni aparati Primer, simulator računalnika DEMO Virtual Apparatuses (VA) so vizualno zahtevne interaktivne simulacije, ki tvorijo osnovo adaptivnih učbenikov. Lahko jim damo drug namen in uporabimo v različnih učnih kontekstih. Od učnih objektov se razlikujejo v tem, da ne vsebujejo pedagoške oziroma izobraževalne vsebine, pač pa so preprosto ekvivalentni laboratorijskim napravam v resničnem svetu.

11. Primer virtualnih aparatov: STAR STAR = Software Tools for Academics and Researchers

12. Kaj je adaptivnega v adaptivnih učbenikih • Adaptivni odziv– ko učenec naredi napako, adaptivna učna platforma nudi inteligenten odziv, specifičen na vrsto napake in vodi učenca k pravilnemu odgovoru. Imamo dve vrsti odziva: informativni odziv in poln odziv. • Adaptivno sekvenčenje– če ima učenec še probleme z razumevanjem, nudi platforma dodatna navodila in prilagaja sekvenco aktivnosti potrebam učenca. • Razmislek in adaptacija vsebin– učitelji imajo na voljo analitična orodja, ki omogočijo razmislek in adaptacijo vsebin. Z analizo obnašanja učencev lahko učitelj izboljša vsebino, ki naj bi bolj ustrezala potrebam učencev. Mnoga programska orodja so „adaptivna“, vendar to pomeni marsikaj. Adaptivni učbeniki kažejo 3 vrste adaptacij:

13. Smart Sparrow Adaptive eLearning Platform

14. Kaj je „adaptivna zanka" Ideja, da učenci potrebujejo individualni odziv v svojih učbenikih, učitelji pa potrebujejo odziv, kako dobro ali slabo se njihovi učenci učijo (z uporabo adaptivnega odziva).

15. 2 tipa adaptivnega odziva Informativni odziv: - učenci dobe informativno pomoč, kako rešiti trenutni problem. Ta informacija je lahko v obliki teksta, slik, videa itd. Morda kot odgovor ali dodatne napotke na napake učenca.Ta pomoč je le informativna. „Odziv s stanjem“ – sistem intervenira na akcije učenca in mu pomaga s korakom proti rešitvi. Spomnimo se učenca v laboratoriju, ki pri poskusu zaprosi za pomoč, učitelj pa mu ne le svetuje, pač pa tudi naravna naprave. Sistem torej spremeni stanje „virtualne naprave“ učenca.

16. AIS-IFT: Intelligent Tutoring System for Helicopter Pilots VIDEO

17. Inteligento: Adaptivno 1. Inteligentno vendar ne adaptivno (ni modela učenca!!) 2. Adaptivno, a ne ravno inteligentno 3. Inteligentno in adaptivno 1 2 3 Adaptivni e sistem Inteligentni e sistem

18. Kakšna so glavna vprašanja • Kaj je adaptivno? • Adaptivno zaporedje izobraževalnih nalog • Adaptivna predstavitev vsebin • Adaptivno razvrščanje rezultatov iskanja • Kakšne podatke o uporabniku? • Znanje uporabnika • Interes uporabnika • Lastnosti uporabnika

19. Odvisnosti od predpogojev • Osnovni gradnik adaptivnih izobraževalnih adaptivnih hipermedijev: • A je predpogoj za Bkar pomeni:A moraš preučiti pred B • To je pedagoška odvisnost, • A je predpogoj za B ne pomeni hipertekstne povezave od A do B!

20. Kako realizirati predpogoje? • Naučil naj bi seA pred B • “naj bi se”: Različne tehnike prilagajanja, ali vsilimoali svetujemo • “naučiti”: to je lahko dostopalibranjealiopravljanje preskusa (učenje in znanje ni isto); rezultat je vrednotenje znanja • Koliko znanja je dovolj? • “pred”: to ne pomeni prav pred tem

21. Adaptivni izobraževalni hipermediji • Izvor: Inteligentni tutorski sistemi • Kombinacija bralnih gradiv in preskusov znanja • Prilagodljivo sekvenčenje tečaja, odvisno od preskusov znanja • Dobimo: Adaptive Educational Hypermedia (AEH) • Več svobode za učenca: vodenje namesto vsiljenih sekvenc • Prilagodljive vsebine tečaja za boljše razumevanje problematike z branjem novih strani • Prilagajanje temelji na branju in na preskusih

22. Glavna vprašanja poosebljenega in adaptivnega učenja Kako najti in filtrirati učna gradiva v skladu z nagnenji uporabnika, njegovimi potrebami, predznanjem, stilom učenja itd. Kako jih predstaviti Kako prilagoditi učni proces (n.pr. posredovati učencu pravo gradivo na zahtevo in v pravem času) Kako podati uporabniku orodja za rekonfiguriranje sistema Kako zgraditi učinkovit model uporabnika in slediti njegovim stalnim spremembam Poosebljenje ( personalizacija) je zmožnost prilagajanja e-učne vsebine in storitev profilu uporabnika. Vključuje:

23. Poosebljenje v trenutnih LMS vsebuje Profil uporabnika lahko spreminjamo; Grafični izgled učnih gradiv lahko spreminjamo; Osebni koledar sledenja dogodkov napredka pri učenju; Dostop do učnih objektov pogojen z delom osebnih podatkov, ki vsebujejo dosežke, izkušnje, preference itd.; Podatki o obnašanju učenca med učenjem in o reakcijah sistema – poosebljen potek inštrukcij, adaptivne učne vsebine itd.; Način in oblika predstavitve učnih vsebin v skladu s stilom učenca.

24. Podedovane tehnologije • Inteligentni tutorski sistemi • Sekvenčenje tečaja • Inteligentna analiza rešitev problemov • Interaktivna podpora reševanja problemov • Reševanje problemov, zasnovano na primerih • Adaptivni hipermedijski sistemi • Adaptivna predstavitev • Adaptivna podpora navigaciji

25. Izvor tehnologij AEL (adaptive e-learning) Intelligent Tutoring Systems Adaptive Hypermedia Systems Adaptive Hypermedia Intelligent Tutoring Adaptive Presentation Problem Solving Support Curriculum Sequencing Adaptive Navigation Support Intelligent Solution Analysis

26. Inteligentni tutorski sistemi (ITS) • Sistemi za poučevanje, ki uporabljajo umetno inteligenco • Trije tipi ITS: • tutorstvo • Inštruiranje • usposabljanje • Tutorstvo je strukturiran poskus povečanja razumevanja vsebine neke domene s strani učenca

27. Kaj je adaptivni sistem e-izobraževanja (AES) AES je kombinacija dveh tehnologij: inteligentnih tutorskih sistemov (ITS) in hipermedijskih sistemov. Inteligentni tutorski sistemi (ITS) Hipermedijski sistemi Adaptivni sistem za e-izobraževanje • ITS uporablja model uporabnika za prilagajanje različnim vidikom posameznega uporabnika • Hipermedijski sistem vsebuje podatke o različnih medijih s povezavami nanje

28. Definicija AES AES (Adaptive e-learning system) definiramo kot hipertekstni sistem, ki vnese nekatere lastnosti učenca v model učenca in uporabi ta model za prilagoditev predstavitev različnih gradiv. AES uporabljamo za izboljšanje učnih aktivnosti v spletno zasnovanem okolju za učenje na daljavo.

29. Primerjava AES s konvencionalnim e-učenjem AES razširja prednosti klasičnega e-učenja (spletno zasnovanega poučevanja), ki so: • Neodvisnost od razreda • Neodvisnost od platforme Z nudenjem poosebljenega poučevanja na daljavo. AES lahko minimizira problem “izgubljenosti v prostoru”, ki je včasih prisoten pri klasičnem e- učenju.

30. Tipi poosebljenja Poosebljenje učnega konteksta, ki temelji na preferencah učenca, predznanju, stilu učenja itd. Poosebljenje načina in oblike predstavitev učne vsebine (na primer adaptivne učne sekvence učnih objektov) Polno poosebljenje, ki je kombinacija prejšnjih dveh tipov. Adaptivno učenjepomeni zmožnost spreminjanja učnih vsebin oziroma individualne učilne izkušnje študenta kot funkcije informacij, ki jih pridobimo skozi njegovo obnašanje in napredek pri postavljenih nalogah in ocenjevanjih.

31. Komponente inteligentnih tutorskih sistemov Domain Expert Provides information about how to perform the task Trainee Model Provides information about student’s knowledge Training Session Manager Interprets trainees’ actions and reports the results or provides coaching User Interface Enables trainee to interact with the system Trainee Scenario Generator Determines difficulty and order in which problems are presented to trainee

32. Karakteristike inteligentnih tutorskih sistemov • Sposobnost usposabljanja poučevanja s potrebami posameznega učenca • Komunikacija in odgovarjanje učencu • Modeliranje učnega procesa učenca • Odločanje na osnovi performans učenca o nudenju naslednjih informacij • Odločanje o nivoju razumevanja učenca • Izvajanje samoocenjevanja, kar lahko vpliva na učni proces

33. Primer adaptivnega hipermedijskega sistema (AEHS-LS)

34. Model domene (pri AEHS-LS)

35. Primer: hierarhična organizacija poglavja o krmilnih stavkih (tečaj o programiranju)

36. Modeliranje učenca Podatki o učencu Modeliranje učenca Zbiranje Obdelava Sistem Drugi procesi Prilagajanje Učinki prilagajanja

37. Modeliranje učenca Model učenca omogoča sistemu: Nudenje individualiziranih vsebin tečajev in študijsko vodstvo Predlaganje optimalnih učnih ciljev Določanje profilov učencev in njihovega trenutnega znanja Dinamično združevanje tečajev glede na potrebe usposabljanja in stile učenja Stike z učiteljem za vodenje, pomoč, motivacijo itd.

38. Modeliranje učenca - standardi Incorporation between IEEE LTSC’s Personal and Private Information (PAPI) Standard and the IMS Learner Information Package (LIP)

39. V kaj lahko prilagajamo? • V znanje o uporabniku (učencu) • Inicializacija s pomočjo stereotipov (začetnik, povprečni poznavalec, ekspert) • Predstavljeno v večplastnem (hierarhičnem) modelu strukture pojmov aplikacije • Fina ali groba zrnatost • Temelječe na brkljanju in na preskusih • Cilji, naloge, interes • Preslikano na strukturo pojmov aplikacije • Težko določimo, dokler tega ne nastavi uporabnik ali potek sistema • Cilji se lahko spreminjajo bolj pogosto in bolj drastično kot znanje

40. V kaj lahko prilagajamo? (2) • V ozadje in izkušnje uporabnika • ozadje = Uporabnikove izkušnje izven aplikacije • izkušnje = izkušnje uporabnika s hiper prostorom aplikacije • Preference • Vsak jasno izražen vidik uporabnika lahko uporabimo pri prilagajanju • primeri: medijske preference, stili poznavanja itd. • Kontekst / okolje • Vidiki okolja uporabnika, kot je naprava z brkljalnikom, velikost oken, pasovna širina, računalniška moč itd.

41. Kako dobimo karakteristike učenca • Sistem inicializira privzete vrednosti. • Sistem ponudi preskuse za merjenje znanja. • Sistem predstavi vprašalnike. • Učenci uredijo lastne profile. • Sistem zajame zgodovino navigacije učenca

42. Model uporabnika Model uporabnika je bolj ali manj tabela: Za vsakega uporabnika in za vsak pojem pomnimo vrsto vrednosti atributov. Primer: znanje ... ime read ready-to-read WWW learned false false HTML well-learned true true HTTP not-known false true ... ...

43. Stabilne karakteristike učenca • Ozadje in izkušnje uporabnika • ozadje = Izkušnje uporabnika izven aplikacije (e-učenja) • izkušnje = izkušnje uporabnika s hiper prostorom aplikacije (ne pa z vsebino) • Preference (nagnenja) • Vsak jasno izražen vidik uporabnika lahko uporabimo pri prilagajanju • primeri: medijske preference, stili poznavanja itd. • Kontekst / okolje • Vidiki okolja uporabnika, kot je naprava z brkljalnikom, velikost oken, pasovna širina, računalniška moč itd. (Manj stabilno od drugih lastnosti)

44. Razvoj karakteristik učenca • Znanje o uporabniku • Inicializacija s pomočjo stereotipov (začetnik, povprečni poznavalec, ekspert) • Predstavljeno v večplastnem (hierarhičnem) modelu strukture pojmov aplikacije • Fina ali groba zrnatost • Temelječe na brkljanju in na preskusih • Cilji, naloge, interes • Preslikano na strukturo pojmov aplikacije • Težko določimo, dokler tega ne nastavi uporabnik ali potek sistema • Cilji se lahko spreminjajo bolj pogosto in bolj drastično kot znanje

45. Stili učenja

46. Prilagajanje učnih gradiv stilom učenja posameznikov Filtriranje Iskanje učnih objektov s ključnimi besedami Rezultatov učnih obj. Rangiranje Učenec Predstavitev Profil uporabnika (učni stil posameznika) Poosebljen pogled učenca na informacijski prostor učnih objektov Poosebljen proces brkljanja po učnih objektih v skladu z: Nagnjenja učenca pomagajo sistemu pri priporočnju posameznih učnih objektov

47. Modeliranje “znanja” uporabnika • Cilj se premika: med uporabo aplikacije se cilj spreminja • skalarni model: znanje celotnega tečaja merimo na enem merilu(z eno spremenljivko) • Strukturni model: znanje področja razdeljeno na neodvisne fragmente, znanje merimo po delih • Tip znanja (deklarativno, proceduralno) • Nivo znanja (v primerjavi z „idealnim“) • Uporabimo lahko pozitivne (prekrivne) ali negativne podatke (beleženje napak in neznanja)

48. Modeliranje plasti znanja uporabnika • Področje aplikacije modeliramo s strukturo pojmov (množica, hierarhija, mreža). • Pojmi so lahko v večjih kosih (kot poglavja v knjigi) • Pojmi so lahko tanki (kot odstavki ali deli besedila, pravila ali omejitve) • Relacije med pojmi lahko vsebujejo: • Del od: definira hierarhijo od večjih učnih ciljev do manjših (atomarnih) učnih vsebin • je: pomenska relacija med pojmi • predpogoj: nauči se to pred tem • Nekateri sistemi dopuščajo definicijo poljubnih relacij

49. Kakšne so vrednosti znanja? • Prvi sistemi: Boolove vrednosti (znano / neznano) • Uporabno pri množicah pojmov, ne pa pri hierarhijah (ni možno širjenje znanja navzgor po hierarhiji) • Numerične vrednosti (na primer procent) • Koliko poznate o nekem pojmu • Kakšna je verjetnost, da poznate ta pojem • Več vrednosti na pojem • N.pr. Razlikovanje virov informacij • Znanje iz branja je drugačno odznanja iz preskusov, aktivnosti itd.

50. Modeliranje interesa učenca • sprva: utežen vektor ključnih besed • nazadnje: utežene plasti modela področja • Bolj točna predstavitev interesa • Lahko rokujemo s sinonimi (ker se izrazi ujemajo s pojmi) • Semantične povezave (kot uporabljamo v ontologijah) omogočajo kompenzacijo razpršenosti • Premik iz ročne klasifikacije dokumentov k avtomatiziranem ujemanju med dokumenti in ontologijo