Adaptivni sistemi eizobraevanja Saa Divjak Kaj bomo spoznali
Adaptivni sistemi e-izobraževanja Saša Divjak
Kaj bomo spoznali? • • Ozadje adaptivnih učnih sistemov Primere Adaptivna učna okolja Orodja za adaptivno učenje
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
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
Intelligent Adaptive Learning: Bistven element poučevanja in učenja v 21 stoletju Sistemi IAL naj bi • Služili študentu kot osebni tutor • Prilagajali sekvenčenje učnega načrta in ustreznih učnih izkušenj • Individualizirali tempo učenja • Regulirali kognitivno breme študenta • Angažirali študenta z učenjem preko igranja
Definicija AES (Adaptive e-learning system) definiramo kot hipertekstni sistem, ki vnese nekatere lastnosti študenta v model študenta in uporabi ta model za prilagoditev predstavitev različnih gradiv. AES uporabljamo za izboljšanje učnih aktivnosti v spletno zasnovanem okolju za učenje na daljavo.
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.
Nekaj pojmov • Diferencirano učenje opisuje primere, ko imajo študenti na voljo različne poti prehoda skozi učno okolje, tipično organizirane kot vnaprej nastavljene kategorije. • Personalizirano učenje opisuje primere, ko ima vsak posamezni študent različno pot, pogosto implementirano z odločitvenimi drevesi. Študenti najprej delajo diagnostični test, ki omgoči sistemu pravil, da posamezniku tvorijo pot in vsebino. • Adaptivno učenje poganjajo podatki, ki jih sproti prejemamo od študentov in prilagajamo njihove učne poti, ki se spreminjajo in sčasoma izboljšujejo za vsakega študenta.
Kakšna so glavna vprašanja • Kaj je adaptivno? – Adaptivno zaporedje izobraževalnih nalog – Adaptivna predstavitev vsebin – Adaptivno razvrščanje rezultatov iskanja • Kakšne podatke o študentu? – Znanje študenta – Interes študenta – Lastnosti študenta
Kaj so adaptivni učbeniki • Adaptivni učbenik je učbenik, ki se inteligentno prilagaja interakciji študenta 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.
Kaj je adaptivnega v adaptivnih učbenikih Mnoga programska orodja so „adaptivna“, vendar to pomeni marsikaj. Adaptivni učbeniki kažejo 3 vrste adaptacij: • 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.
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.
Intelligentno adaptivno učenje Inteligentna učna platforma se v realnem času prilagaja interakcijam študenta, tako znotraj lekcij kot med lekcijami.
Sestavine adaptivnih učnih sistemov • Ekspertni model – Model z vsebino obravnavanega področja • Model študenta– Model, ki sledi in spoznava študenta • Model poučevanja– Model, ki obravnava posredovanje vsebine • Poučevalno okolje– Uporabniški vmesnik za interakcijo s sistemom
Sestavine adaptivnih učnih sistemov Domain Expert Provides information about how to perform the task Trainee Model Provides information about student’s knowledge User Interface Enables trainee to interact with the system Training Session Manager Interprets trainees’ actions and reports the results or provides coaching Trainee Scenario Generator Determines difficulty and order in which problems are presented to trainee
Ekspertni model • Model, ki pomni podatke o gradivih iz obravnavega področja. Lahko so to le preproste rešitve na vprašanja, lahko pa vsebujejo tudi lekcije ali tutoriale in, v bolj sofisticiranih primerih, tudi ekspertne metodologije za pristop k vprašanjem. • Adaptivni učni sistemi, ki ne vsebujejo ekspertnega modela, lahko te funkcije vključijo v instrukcijski model.
Model študenta • Najbolj preprosto pomeni to določanje veščin študenta s pomočjo testov. V tem primeru je predmet predstavljen z vprašanji, ki temeljijo na predpostavkah o nivoju veščin. • Med potekom testa lahko računalnik fino prilagaja oceno z izbiro vprašanj z ožjega področja težavnosti. Govorimo o CAT (Computerized Adaptive Testing) • V bistvu je lahko to binarno iskanje z oženjem področja glede na že ugotovljen nivo analiziranih veščin študenta
Model študenta Identifikacija šibkih točk študenta je lahko tudi z analizo napačnih odgovorov. Primer: Vprašanje z več možnimi odgovori: Imejmo izraz . In ga poenostavimo: Možni odgovori: a) Ne da se ga poenostaviti b) c). . . d). . . Študent, ki bi odgovoril z b), je seštel dva eksponenta in torej ne razume členov polinoma. Napačen odgovor tako nudi dodaten vpogled poleg dejstva, da je sam odgovor napačen
Modeliranje študenta Podatki o študentu nje a ir Zb Sistem Modeliranje študenta va ela d b O Drug i pro cesi Prilagajanje Učinki prilagajanja
Modeliranje študenta 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.
Kako dobimo karakteristike študenta • • • Sistem inicializira privzete vrednosti. Sistem ponudi preskuse za merjenje znanja. Sistem predstavi vprašalnike. Študenti uredijo lastne profile. Sistem zajame zgodovino navigacije študenta
Model študenta je bolj ali manj tabela: Za vsakega uporabnika in za vsak pojem pomnimo vrsto vrednosti atributov. Primer: ime znanje ready-to-read. . . WWW learned false HTML well-learned true HTTP not-known false true. . .
Stabilne karakteristike študenta • Ozadje in izkušnje študenta – ozadje = Izkušnje študenta izven aplikacije (e-učenja) – izkušnje = izkušnje študenta s hiper prostorom aplikacije (ne pa z vsebino) • Preference (nagnenja) – Vsak jasno izražen vidik uporabnika lahko uporabimo prilagajanju – primeri: medijske preference, stili poznavanja itd. • Kontekst / okolje – Vidiki okolja študenta, kot je naprava z brkljalnikom, velikost oken, pasovna širina, računalniška moč itd. (Manj stabilno od drugih lastnosti)
Razvoj karakteristik študenta • Znanje o študentu – 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
Stili učenja Preference Opis Avditorno Nagnjenost k poslušanju učnih gradiv Priporočena predstavitev PPT predstavitve , sinhronizirane z zvokom Vizualno Nagnjenost k slikovnim gradivon Nagnjenost k fizični interakciji z učnim gradivom Diagrami, ilustracije, animacije Multimedijski elementi, igre, uganke, . . Kinestetično
Modeliranje “znanja” študenta • 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)
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 od znanja iz preskusov, aktivnosti itd.
Modeliranje interesa študenta • 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
Modeliranje ciljev in nalog • Predstavitev namena študenta – Cilj je tipično predstavljen s pomočjo kataloga ciljev – Sistemi tipično prepdpostavljajo, da ima študent en cilj – Automatsko določanje cilja je težavno; pristop steklene škatle: prikažemo cilj, uporabnik ga lahko spremeni – Cilj lahko spremeni hitreje kot znanje ali interes • Določanje cilja oziroma nalog študenta je lažje, če prilagoditev izvedemo med delovanjem sistema
Modeliranje ozadja študenta • Študentove predhodne izkušnje izven področja aplikacije – N. pr. (predhodna) izobrazba, stroka, službene zadolžitve, izkušnje iz sorodnih področij, . . . – Sistem lahko tipično obravnava le nekaj možnosti, kar vodi v model stereotipa – Ozadje je tipično precej stabilno – Ozadje težko določimo avtomatično
Modeliranje osebe: lastnosti osebe • Osebni podatki (ime itd. ) • Psihologija: – motivacija – spretnost – možnosti • Ozadje (socialno , izobrazba, …) • Nagnjenost pripovedovanja(prva oseba, tretja oseba, avtoritativno, po domače, …) • Kontekst (okolje, naprave, …)
Modeliranje lastnosti posameznika • Lastnosti, ki definirajo uporabnika kot posameznika: – Osebnostne lastnosti (n. pr. Introvertiran/ekstravertiran) – Kognitivni stil (n. pr. Holist/ serialist) – Kognitivni faktorji (n. pr. spominska zmogljivost) – Stili učenja (podobno kognitivnim stilom, vendar posebej, kako se uporabnik želi učiti)
Modeliranje delovnega konteksta uporabnika • Model uporabnika vsebuje lastnosti konteksta, čeprav to pravzaprav niso lastnosti „uporabnika“. – platforma: dimenzije zaslona, tip brkljalnika, pasovna širina; lahko se precej spreminjajo – lokacija: pomembno pri mobilnih aplikacijah – Čustveno stanje: motivacija, razočaranje, angažiranost
Modeliranje študenta na temelju negotovosti • Najbolj pogoste tehnike: Bayesove mreže in mehka logika – Akcije študenta dajo “dokaz”, da študent pozna (ali ne pozna) pojem – Ekspert mora razviti kvalitativni model: • Vsak pojem postane “naključna spremenljivka” (vozel v BN) • Izvor dokaza: čas branja, odgovori na teste itd. • Upoštevamo smeri med evidenčnimi vozli E in vozli znanja Z vzročna smer : KZ E (znanje vodi v dokaz) – Diagnostična smer: E Z (dokaz vodi v znanje) • Neodvisnost spremenljivk vpliva na veljavnost modela
Vizualizacija modela študenta
Motivacija, spretnost, možnosti • Motivacija: – Pomembnost za osebo, konsistenca z vrednostmi, cilji, vedenjem, zaznanim tveganjem • spretnost: zmožnosti bralca – znanje, izkušnje, kognitivni stil, morda posebne potrebe • možnost: – Razpoložljiv čas glede na količino informacij, okolica/vznemirjanje, …
Stereotipno modeliranje uporabnika • Stereotipi so preprosti, lahko jih skrbno načrtujemo, uporabni so pri zagonu aplikacije • V učnih aplikacijah pogosto začetnik, nekaj srednjega, ekspert • V „zgodbah“ lahko imamo osebi „učitelj“ in „učenec“
Zahteve za souporabo podatkov o modelu študenta • Souporaba tehničnih API ni dovolj: – Adaptivni sistem mora preslikati svoje interne študentske podatke v študentske podatke modela (in obratno) – Podatki o študentih morajo biti standardizirani – Za različne adaptivne sisteme z istega področja potrebujemo souporabne ontologije (poravnava ontologij) – Sporazum o tem, kdo lahko kaj prilagodi – Sporazum o pomenu “vrednosti” v modelu študenta • “Preiskovalnost” modela študenta: – Podatki modela morajo biti uporabniku razumljivi – Uporabniki morajo imeti nadzor nad podatki o svojem modelu
FUMES: Federated User Model Exchange Services FUMES je orodje za izmenjavo podatkov o uporabnikovem modelu med dvema sistemoma s pomočjo spletnih storitev (WEB services) Deluje na sintaktičnem in semantičnem nivoju s pomočjo ontologij
Zahteve za sisteme za generično modeliranje uporabnika • • • Splošnost, vključno neodvisnost od področja Izraznost in močne zmožnosti sklepanja Podpora hitremu prilagajanju Razširljivost Uvoz zunanjih podatkov o uporabniku Upravljanje s porazdeljenimi podatki Podpora odprtim standardom Uravnovešenje bremena Strategije v primeru izpadov Konsistenca transakcij Podpora zasebnosti
Sistemi z generičnim modeliranjem uporabnika • Adaptivni sistemi z vgrajenim modeliranjem uporabnikov: – Zaprto ujemanje med modelom uporabnika in potrebami adaptivnega sistema – Možna je visoka učinkovitost (z ne preveč komunikacije) – Model uporabnika je težko izmenljiv z drugimi adaptivnimi sistemi) • Adaptivni sistemi, ki uporabljajo generičen sistem za modeliranje uporabnika – Znižajo stroške razvoja adaptivnega sistema – Vnesejo več komunikacijske režije – Nepotrebne lastnosti lahko zmanjšajo performanse – Modele uporabnikov lahko adaptivni sistemi souporabljajo
IMS LIP (Learner Information Package) in LIP Editor Uporablja podatkovno bazo e. Xist
Modeliranje študenta - standardi Incorporation between IEEE LTSC’s Personal and Private Information (PAPI) Standard and the IMS Learner Information Package (LIP)
Model poučevanja • Ta model v splošnem skuša vgraditi najboljša tehnološka učna orodja (n. pr. multimedijske predstavitve) z nasveti pedagoškega eksperta. • Nivo sofisticiranosti inštrukcijskega modela je precej odvisen od modela sofisticiranosti modela študentov. • Pri modelu študentov, ki ga dobimo z metodo CAT, bo inštrukcijski model preprosto razvrstil lekcije v skladu z naborom vprašanj. Ko je nivo študenta zadovoljivo ocenjen, sistem ponudi ustrezno lekcijo. • Pri bolj naprednih sistemih , ki temeljijo na ocenjevanju konceptov, pa so v skladu s koncepti organizirane tudi ponujene lekcije.
Odvisnosti od predpogojev • Osnovni gradnik adaptivnih izobraževalnih adaptivnih hipermedijev: – A je predpogoj za B kar pomeni: A moraš preučiti pred B – To je pedagoška odvisnost, – A je predpogoj za B ne pomeni hipertekstne povezave od A do B!
Kako realizirati predpogoje? • Naučil naj bi se A pred B – “naj bi se”: Različne tehnike prilagajanja, ali vsilimo ali svetujemo – “naučiti”: to je lahko dostop ali branje ali opravljanje preskusa (učenje in znanje ni isto); rezultat je vrednotenje znanja – Koliko znanja je dovolj? – “pred”: to ne pomeni prav pred tem
Model poučevanja: namigi • Pri vrednotenju napačnih vprašanj s pomočjo modela študentov nudijo nekateri sistemi odziv z namigi. Študent lahko dobiva pri svojih napakah namige kot „pazljivo poglej na predznak števila“. • Taki namigi so lahko splošni, lahko pa so specifični za dano vprašanje. • V slednjem primeru se ekspertni, študentov in instrukcijski model prekrivajo.
Adaptivno učenje na nivoju objekta • Primer kaže pristop k adaptivnemu učenju na nivoju objekta • Druga stran učnega objekta predstavlja eno aktivnost. Študent lahko da odgovore in jih takoj preveri. Svoj odgovor lahko izboljša. Proces se ponavlja, dokler niso vsi odgovori pravilni. Šele tedaj se odpre naslednja aktivnost. Primer iz matematike
Adaptivno učenje na nivoju zaporedja Primer je zaporedje učnih objektov, ki predstavlja lekcijo. Na prvi strani vidimo graf in glavo lekcije. Glede na obnašanje študenta se dinamično tvori pot, ki vodi študenta skozi gradivo glede na njegove zmožnosti. Začne se z uvodno interaktivnostjo. Znanje in veščine so ocenjene. Študent ne more napredovati na naslednji učni objekt, dokler ne doseže 100% rezultata. Primer iz matematike
Sistemi, prilagodljivi študentu Podatki o študentu nje a ir Zb Sistem Modeliranje študenta va ela d b O Drug i pro cesi Prilagajanje Učinki prilagajanja
Optimizacija učenja z adaptivnim učenjem
Inteligento : Adaptivno 1. Inteligentno vendar ne adaptivno (ni modela učenca!!) 2. Adaptivno, a ne ravno inteligentno 3. Inteligentno in adaptivno 1 Inteligentni e sistem 2 3 Adaptivni e sistem
Glavna vprašanja poosebljenega in adaptivnega učenja Poosebljenje ( personalizacija) je zmožnost prilagajanja e-učne vsebine in storitev profilu uporabnika. Vključuje: • Kako najti in filtrirati učna gradiva v skladu z nagnjenji študenta, njegovimi potrebami, predznanjem, stilom učenja itd. • Kako jih predstaviti • Kako prilagoditi učni proces (n. pr. posredovati študentu pravo gradivo na zahtevo in v pravem času) • Kako podati uporabniku orodja za rekonfiguriranje sistema • Kako zgraditi učinkovit model študenta in slediti njegovim stalnim spremembam
Poosebljenje v trenutnih LMS vsebuje • Profil študenta 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 študenta med učenjem in o reakcijah sistema – poosebljen potek inštrukcij, adaptivne učne vsebine itd. ; • Način in oblika predstavitve učnih vsebin v skladu s stilom učenca.
Tipi poosebljenja • Poosebljenje učnega konteksta, ki temelji na preferencah študenta, 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 učenje pomeni 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.
Model predmetnega področja
Primer: hierarhična organizacija poglavja o krmilnih stavkih (tečaj o programiranju)
Prilagajanje Podatki o uporabniku nje a ir Zb Sistem Modeliranje uporabnika va ela d b O Drug i pro cesi Prilagajanje Učinki prilagajanja
Kaj prilagajamo? • Prilagodljive predstavitve: – Prilagajanje podatkov – Prilagajanje predstavitve podatkov – Izbire medijev in faktorjev medijev, kot je sta velikost in kvaliteta slik ali videa • Prilagodljiva navigacija: – Prilagajanje sider prikazanih povezav – Prilagajanje ciljev povezav – podajanje “pregleda” za podporo navigaciji ali orientaciji
Kako prilagajamo? • Dva nasprotna pristopa: • Razmišljanje naprej: 1. 2. 3. 4. Beleženje dogodkov Preslikava podatkov o dogodkih v model študenta Pomnenje podatkov o modelu študenta Prilagajanje, ki temelji neposredno na podatkih iz modela študenta • Vzvratno razmišljanje: 1. Beleženje dogodkov 2. Pomnenje pravil za sklepanje o modelu študenta iz podatkov o dogodkih 3. Pomnenje pravil za sklepanje o prilagajanju iz podatkov o modelu študenta 4. Prilagajanje terja vzvratno razmišljanje: odločimo, kateri podatki iz modela študenta so potrebni in nato sklepamo, kateri podatki o dogodkih so zato potrebni.
Načini prilagajanja učenja - Naključno – ponavljanje naključne izbire učnih objektov; - Glede na profil – izbira tečajev ali vsebine glede na profil učenca (vlogo, veščine, stil učenja itd. ); - Z raziskovanjem – za dani učni cilj iskanje učnega objekta, ki je najbolj skladen z učnimi cilji ob dani trenutni množici učenčevih veščin, ob dani platformi, stilu učenja, jezikovno preferenco itd. ; - Glede na odzive – izbira naslednje učne aktivnosti na temelju učenčevih odgovorov na vprašanja.
Metodologija prilagajanja, temelječa na spletnih storitvah Spletno naravnana metodologija prilagajanja glede na profil, posebej metodologija za izločanje učnih objektov iz tečaja, ker: • Trenutna vloga učenca ne zahteva učnih ciljev, ki jih predvideva učni objekt, • Profil učenca nakazuje, da je učenec že dosegel cilj, predviden v učnem objektu. Učna vsebina in podatki, uporabljeni pri poosebljenju, so predstavljeni v podatkovnih modelih, ki temeljijo na množici standardov.
Pristop k prilagajanju učenja in spletnim servisom • The overall web-services architecture for learning is divided into layered services. The layers from top to bottom are: • - User agents - provide interface between users and the learning services and major element of LMS – authoring of content, management of learning, content delivery, etc. ; • - Learning services – they are collection of data models and independent behaviours. They are grouped into logical collections • - tool layer – provide public interface to the learning tools (simulators, assessment engines, collaboration tools, registration tools, etc. ) • - common application layer (sequencing, managing learner profiles, content management, competency management, etc. ) • - basic services layer – core features and functionality that are not specific for the learning (storage, management, workflow, right management, query/data interfaces, etc. )
V kaj lahko prilagajamo? • V znanje o študentu – 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
V kaj lahko prilagajamo? (2) • V ozadje in izkušnje študenta – ozadje = Uporabnikove izkušnje izven aplikacije – izkušnje = izkušnje uporabnika s hiper prostorom aplikacije • Preference – Vsak jasno izražen vidik uporabnika lahko uporabimo prilagajanju – primeri: medijske preference, stili poznavanja itd. • Kontekst / okolje – Vidiki okolja uporabnika, kot je naprava z brkljalnikom, velikost oken, pasovna širina, računalniška moč itd.
Prilagajanje učnih gradiv stilom učenja posameznikov Filtriranje Iskanje učnih objektov s ključnimi besedami Učenec Rangiranje Rezultatov učnih obj. 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 priporočnju posameznih učnih objektov
Klasifikacija tehnik prilagajanja
Strojno prilagajanje besedila • Vstavljanje/odtranjevanje delov – Razlage predpogojev: vključene, ko jih uporabnik potrebuje – Dodatne razlage: dodatne podrobnosti ali primeri za nekatere uporabnike – Primerjalne razlage: prikazane le uporabnikom, ki lahko delajo primerjave • Spreminjanje delov – Najbolj primerno za izbiro med vrsto alternativ – Lahko uporabimo za izbiro razlag ali primerov, lahko pa tudi za izbiro posameznega pojma • Sortiranje delov – Lahko uporabimo za rangiranje po pomembnosti
Strojno prilagajanje besedila (2) • Raztezanje besedila – Similar to replacement links in the Guide hypertext system – Items can be open or closed; system decides adaptively which items to open when a page is accessed • Zatemnitev delov – Text not intended for this user is de-emphasized (greyed out, smaller font, etc. ) – Can be combined with stretchtext to create de-emphasized text that conditionally appears, or only appears after some event (like clicking on a tooltip icon)
Podpora prilagodljivi navigaciji (1) • Direktno vodenje – Podobno adaptivnemu, vodenemu obhodu – Gumb “next” , katerega cilj se adaptivno določa • Prilagodljiva tvorba povezav – Sistem lahko odkrije nove uporabne povezave med stranmi in jih dodaja – Sistem lahko uporablja predhodnjo navigacijo in podobnost strani za dodajanje povezav – Generiranje seznama povezav je tipično pri poizvedovalnih sistemih in sistemih filtriranja • Varianta: Prilagodljivi cilji povezav – Sidro povezave je fiksno (ali vsaj stalno prisotno) vendar sistem sproti določa cilj povezave
Podpora prilagodljivi navigaciji (2) • Adaptivno označevanje povezav – Vse povezave so vidne, vendar označevanje nakazuje pomembnost – Sidro povezave se lahko spreminja (n. pr. Z barvo) ali pa se uporabljajo dodatni simboli označevanja • Adaptivno skrivanje povezav – Čisto skrivanje pomeni, da se sidro povezave kaže kot normalen tekst (uporabnik ne vidi, da je tam povezava) – Onemogočanje povezave pomeni, da povezava ne bo delovala; lahko pa jo še vedno prikazujemo, kot če bbi tam še vedno bila povezava – Odstranjevanje povezave pomeni, da sidro povezave odstranimo (in zato povezave ne moremo uporabiti) – Možna je kombinacija: skrivanje + onemogočanje pomeni, da sidro povezave postane navaden tekst.
Podpora prilagodljivi navigaciji (3) • Map adaptation – complete (site)maps are not feasible for a non-trivial hyperspace – a “local” or “global” map can be adapted by annotating or removing nodes or larger parts – a map can also be adapted by moving nodes around – maps can be graphical or textual – adaptation can be based on relevance, but also on group presence
Adaptivni učni sistemi: Primeri • • Project Grapple Dreambox Realize. It Carnegie Learning Bright. Space Smart Sparrow Knewton Clarity
Projekt GRAPPLE
Arhitektura GRAPPLE (1) • LMS for managing the learning process, progress and support; • GALE for the adaptive delivery of learning material; • GUMF, a generic User Model Framework that maintains information about each learner as (s)he uses different LMS and GALE instances; • a single sign-on facility (based on Shibboleth 4) that ensures that all GRAPPLE components recognize the learner through a single identity. • GEB, a generic Event Bus that facilitates asynchronous information exchange between all GRAPPLE components.
Razvoj in načrtovanje adaptivne učne vsebine Adaptive learning content is can be defined as a relevant sequence of learning objects (LOs), each of them associated with learning activity that fulfill given learning objective. The flows of learning activities can be described by rules and actions that specify: • the relative order in which LOs have to be presented, and • the conditions under which a pieces of content have to be selected, delivered or skipped during sequence presentation • according to the outcomes of learner’s interactions with content.
Razvoj in načrtovanje adaptivne učne vsebine Proces definiranja specifične sekvence učnih aktivnosti se začne s tvorbo strategije učenja za doseganje določenih pedagoških ciljev. Strategija učenja specificira: • Tipe učnih aktivnosti • Njihovo logično organiziranost • predpogoje • Pričakovanje rezultate za vsako od aktivnosti. IMS Simple Sequencing Specification in SCORM standard omogočata preslikavo strategij učenja v pravila in akcije sekvenčenja, ki temeljijo na napredku in performansah učenca.
Vloga razvijalcev in učiteljev pri razvoju adaptivnih učnih vsebin Naloge učitelja in naloge programskega razvijalca so ločene. Učitelji nadzorujejo pedagoške vidike učbenikov. Razvijalci tvorijo vizualno privlačne interaktivne simulacije. Te simulacije so osnova adaptivnim učbenikom. Razvite so tako, da omogočajo spremembo namembnosti in ponovno uporabo v različnih učnih kontekstih.
Ali lahko adaptivno e-učenje pomaga učitelju? Tvorimo lahko visoko interaktivne in privlačne vsebine, ki se prilagajajo interakciji učencev in njihovemu znanju. Z adaptivnimi učbeniki lahko v realnem času ali kasneje spremljamo napredek učencev. Ko učenci končajo z učbenikom, lahko adaptivni sistem nudi analitična orodja, s pomočjo katerih lahko izboljšamo in dodelujemo vsebino.
Primeri adaptivnih učbenikov • Adaptive Mechanics
Nekaj podjetij, ki uporabljajo tehnologijo adaptivnega učenja • Carnegie Learning, a publisher of math curricula, offers adaptive math software (known as the Cognitive Tutor) to high school students, along with traditional textbook offerings. • e. Spindle Learning, a nonprofit maintaining an online vocabulary and spelling coaching program based on the adaptive learning concept. • Knewton, an online learning company, currently uses adaptive learning technology for its online test-prep courses and plans to apply it to a wide range of educational markets. • Prep. Me, an online learning company, currently uses adaptive learning technology for test preparation, K-12 education, and professional development. • Smart. fm, a social learning and community website, uses adaptive learning technology with the goal of increasing learning speed and retention.
Carnegie Learning
Carnegie Learning: Cognitive tutor: učenje matematike
Bright. Space
Dreambox
Dreambox- Adaptive Learning
Realize. It
Realize. It
Adapt
Smart Sparrow Adaptive e. Learning Platform
Orodja za adaptivno učenje Primer takega orodja je m. Author. Za pripravo vsebin ne potrebujemo programerskih veščin. Orodje je tipa (WYSIWIG) Na strani m. Author samples section vidimo več primerov interaktivnih vsebin. Tvorimo lahko kompleksne učne objekte in sekvence, ki vsebujejo značilnosti adaptivega učenja.
Smart Sparrow Adaptive e. Learning Platform
Knewton
Knewton - demonstracije • Personal Math Trainer - Powered by Knewton • Adaptive Learning with Personal Math Trainer Powered by Knewton
Dreambox
Clarity
Dream. Box vs CLARITY • Adaptive Learning Platforms: Dream. Box vs CLARITY critique
Adaptive Learning Environment & existing LMSs Service oriented framework Manage user Manage enrollments into courses Administrative workflow management Delivery of learning materials Assessment and evaluations Portfolio management Adaptive Learning Environment Single Sign On facility (SSO) Providing communication channels User modeling facilities User Profile exchange facilities Adaptation of page content on User Profile • pre-knowledge • prerequisites • preferences Adaptation of page content on device Adaptation of testing tools Collaborative filtering of resources Adaptive guidance Ten. Competence event/Sestri Levante
Primer: LMS (SAKAI) in adaptivno orodje ASPIRE)
Adaptivno poučevanje in poigritev • In 2014, an educational researcher concluded a multi-year study of adaptive learning for educational game design. The research developed and validated the ALGAE (Adaptive Learning GAme d. Esign) model, a comprehensive adaptive learning model based on game design theories and practices, instructional strategies, and adaptive models. The research extended previous researching in game design, instructional strategies, and adaptive learning, combining those three components into a single complex model.
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
Glavni problemi interoperabilnosti • Sintaktična različnost • Raznični vmesniki • Različni podatkovni modeli • Semantična različnost • Različni besednjaki in različni pogledi na npodatke • Različni izrazi za opis podovnih pojmov (n. pr. avtor, tvorec, sestavljalec) • Isti izrazi, ki pomenijo zelo različne stvari
Motivacija za raziskave • Interoperabilnost med sistemi za poučevanje • Da bi bila lažja • Xml in web services • IMS Tools Interoperability • Interoperabilnost med adaptivnimi sistemi za poučevanje • Bolj kompleksna • Nudenje poosebljenja na temelju modela uporabnika • Preference, kompetence • Različni sistemi imajo različne tipe • Standardizirani(IMS, LIP, IEEE PAPI) • Lastni (xml in podatkovne baze)
- Slides: 103