Inteligentny System Nauczający dla

advertisement
Samodzielna Pracownia Radiokomunikacji Morskiej w Gdańsku (P8)
Inteligentny System Nauczający dla wspomagania
procesu nauczania zrealizowanego w technologii
ODL (Open and Distance Learning)
Praca nr 08300045
Gdańsk, grudzień 2005
Inteligentny System Nauczający dla wspomagania procesu nauczania zrealizowanego
w technologii ODL (Open and Distance Learning)
Praca nr 08300045
Słowa kluczowe: indywidualizacja procesu nauczania ODL, środki sztucznej inteligencji dla
wspomagania procesu ODL, systemy inteligentne w nauczaniu ODL, środowiska uczenia,
modele uczniów
Kierownik pracy: mgr inż. Jolanta Chęć
Wykonawcy pracy: mgr inż. Jolanta Chęć
Kierownik Pracowni: mgr inż. Rafał Niski
© Copyright by Instytut Łączności, Warszawa 2005
Spis treści
1. Wprowadzenie........................................................................................................................ 4
2. Sztuczna inteligencja w edukacji ........................................................................................... 4
3. Pedagogiczne aspekty procesu uczenia.................................................................................. 5
3.1. Pedagogiczna teoria Kolba............................................................................................. 5
3.2 Dziedziny akademickie a środowiska uczenia................................................................ 6
3.3. Rola poznawcza komputerowych systemów edukacyjnych .......................................... 7
3.4 Strategie kształcenia wspomaganego komputerowo ........................................................... 8
4. Metody oceny środowisk uczenia .......................................................................................... 9
5. Koncepcja Inteligentnego Systemu Nauczającego .............................................................. 10
6. Realizacja koncepcji Inteligentnego Systemu Nauczającego .............................................. 12
6.1. Środowisko symulowane ....................................................................................................... 12
6.1.1. Środowisko uczenia ............................................................................................ 12
6.1.2. Populacje modeli uczniów .................................................................................. 12
6.2. Inteligentny System Nauczający........................................................................................... 15
7. Wnioski ................................................................................................................................ 16
Literatura .................................................................................................................................. 17
Załączniki ................................................................................................................................. 18
3
1. Wprowadzenie
Szybki rozwój technologii informacyjnych i komunikacyjnych umożliwił powstanie nowych
form edukacji m.in. nauczania zrealizowanego w technologii ODL (wykorzystującego Internet i zapewniającego niezależność od miejsca i czasu nauki). Nauczanie wspomagane komputerowo jest zaawansowanym sposobem przekazywania wiedzy. Jednak istniejące systemy
nauczania ODL nie wykorzystują w pełni możliwości, które stwarza ten typ edukacji. Powinny one umożliwiać optymalne dostosowanie procesu nauczania do indywidualnego ucznia.
Obecnie w systemach ODL wykorzystywany jest głównie nauczyciel-opiekun (człowiek) w
trybie asynchronicznym i synchronicznym. Opracowano także systemy kształcenia wykorzystujące środki sztucznej inteligencji do realizacji zadań cząstkowych.
Proces ODL charakteryzuje się niezależnością od miejsca i czasu nauki, wysoką interakcją
(uczeń-materiał, uczeń-uczniowie, uczniowie-nauczyciel), możliwością szybkiego wyszukiwania informacji, bogatymi technologiami prezentacji (multimedia, hypermadia, symulacje),
możliwością samokształcenia oraz samokontroli.
Dla usprawnienia procesu kształcenia trwającego przez całe życie (proces Life Long Learning
w Społeczeństwie Wiedzy) celowe jest opracowanie Inteligentnego Systemu Nauczającego
optymalnie adaptującego się do indywidualnych możliwości i potrzeb ucznia w trakcie procesu uczenia. Prezentacja materiału powinna być optymalnie dostosowana do wiedzy i możliwości każdego ucznia. Integracja sprawdzania wiedzy z nauczaniem (akcje testujące i nauczające zapewni każdemu uczniowi naukę w innym optymalnie dla niego dobranym trybie.
Adaptacja Inteligentnego Systemu Nauczającego (nauczyciel komputerowy) w sposób optymalny do indywidualnego ucznia wymaga przeprowadzenia wielu prób trudnych do przeprowadzenia w środowisku rzeczywistym. Dlatego dla realizacji zadania konieczne jest odpowiednie środowisko symulowane obejmujące modele uczniów generowane losowo (zapewniając populację modeli uczniów o różnych zdolnościach).
2. Sztuczna inteligencja w edukacji
Każda z dziedzin sztucznej inteligencji posiada pewne zalety i ograniczenia przy rozwiązywaniu złożonych problemów. Połączenie technik reprezentacji i przetwarzania wiedzy stosowanych w różnych dziedzinach w obrębie jednego systemu prowadzi do systemów hybrydowych, w których wykorzystuje się pozytywne cechy jednego podejścia, aby usunąć bądź
zminimalizować ograniczenia innego. Połączenie różnych dziedzin sztucznej inteligencji w
jednym systemie stwarza możliwość automatyzacji pozyskiwania wiedzy, przetwarzania
wiedzy niepełnej i nieprecyzyjnej, możliwość wyjaśniania dojścia do rozwiązania rozpatrywanego problemu oraz adaptacji do zmieniającego się środowiska (danych i sytuacji zewnętrznego środowiska). Dlatego systemy takie nazywa się inteligentnymi.
Zastosowanie narzędzi sztucznej inteligencji umożliwia tworzenie inteligentnych interakcyjnych środowisk uczenia, które mają możliwość adaptacji do potrzeb uczniów. Zdolność do
adaptacji zapewnia indywidualizację procesu uczenia: personalizację e-content (zgodnie z
potrzebami ucznia, aktualną wiedzą ucznia, stylem uczenia się, doświadczeniem ucznia, jego
preferencjami, jego przyzwyczajeniami) oraz naukę we własnym tempie. Poszczególne dziedziny sztucznej inteligencji mogą zostać wykorzystane do usprawnienia różnych faz procesu
uczenia. Opracowane zostały różne rozwiązania systemów inteligentnych dla realizacji i
usprawnienia procesu nauczania na odległość. Roboty wiedzy wykorzystują techniki inteli-
4
gentnego agenta. Systemy instruktażowe są systemami eksperckimi. Agenci pedagogiczni
opierają się na paradygmacie autonomicznego agenta.
Tabl. 1. Porównanie różnych dziedzin sztucznej Inteligencji
Podstawowe właściwości
Dziedziny sztucznej
inteligencji
Automatyzacja
pozyskiwania
wiedzy
Przetwarzanie wiedzy
niepełnej i nieprecyzyjnej
Wyjaśnianie
Systemy ekspertowe
zła
złe
bardzo dobre
Systemy rozmyte
zła
bardzo dobre
dobre
Sieci neuronowe
bardzo dobra
bardzo dobre
złe
Algorytmy genetyczne
bardzo dobra
dostateczne
dostateczne
Inteligentne systemy nauczające tworzą i wykorzystują modele uczniów w celu adaptacji
do potrzeb i charakterystyk uczniów. Model ucznia przechowuje informacje o uczniu odzwierciedlając aktualny stan jego wiedzy.
Sieci Bayesowskie są innymi mechanizmami służącymi do przechowywania informacji
o wiedzy ucznia. Sieci te w sposób probabilistyczny oszacowują stan wiedzy ucznia (na bazie
interakcji ucznia z tutorem). Każdy węzeł sieci Bayesowskiej posiada prawdopodobieństwo
określające wiedzę ucznia dotyczącą danego fragmentu materiału dydaktycznego. Metody
rozmyte mogą być zastosowane do reprezentacji niepewności w modelu ucznia.
Sieci neuronowe mogą być wykorzystane do monitorowania indywidualnych postępów w
ramach kursów zrealizowanych w technologii nauczania na odległość. Sieci neuronowe mogą
imitować doświadczonego nauczyciela (człowieka) poprzez detekcję cząstkowych odpowiedzi w testach. Sieci neuronowe jako inteligentni klasyfikatorzy zawierają także wyniki testów
dla wszystkich uczestników danego kursu. Sieci neuronowe jako sieci samoorganizujące się
mogą pomagać uczniom w znalezieniu stosownych materiałów uzupełniających w sieci web.
3. Pedagogiczne aspekty procesu uczenia
3.1.Pedagogiczna teoria Kolba
Zgodnie z teorią Kolb`a dotyczącą uczenia empirycznego uczenie jest procesem za pomocą
którego wiedza tworzona jest przez przekształcanie doświadczenia. Jednym z najbardziej
fundamentalnych wymogów, który ułatwia uczenie jest odpowiednie środowisko, gdzie uczący się mogą zdobyć doświadczenie W uczeniu empirycznym uczeń pozostaje w bezpośrednim kontakcie ze studiowaną rzeczywistością. Mózg ludzki składa się z dwóch półkul: lewa
półkula reprezentuje symbole abstrakcyjne, z kolei prawa półkula reprezentuje rzeczywistość.
Proces uczenia nie jest dla każdego identyczny w związku z tym wyróżnia się różne style
uczenia. Na rys. 1 przedstawione zostały dwa prostopadłe wymiary uczenia (konkretny/abstrakcyjny oraz aktywny/refleksyjny), niezależne od siebie, definiujące cztery tryby
uczenia oraz cztery rodzaje wiedzy. Te cztery tryby uczenia to: konkretne doświadczenie,
5
obserwacja refleksyjna, abstrakcyjna konceptualizacja, aktywne eksperymentowanie oraz
cztery rodzaje wiedzy: wiedza przystosowawcza, wiedza rozbieżna, wiedza asymilacyjna,
wiedza zbieżna. Indywidualne style uczenia określone są przez tryby uczenia jako: przystosowanie, rozbieżność, asymilacja, zbieżność.
AFEKTYWNIE KOMPLEKSOWE
Konkretne
doświadczenie
Wiedza przystosowawcza
Wiedza
rozbieżna
Aktywne eksperymentowanie
BEHAVIORALNIE
KOMPLEKSOWE
Obserwacja
refleksyjna
Wiedza
asymilacyjna
Wiedza
zbieżna
PERCEPCYJNIE
KOMPLEKSOWE
Abstrakcyjna
konceptualizacja
SYMBOLICZNIE KOMPLEKSOWE
Rys.1. Pedagogiczna teoria Kolb'a
Dla efektywnego uczenia wymagane jest odpowiednie środowisko. Środowiska uczenia, które
wspierają cztery tryby uczenia przedstawione na rys. 1 to odpowiednio: afektywnie kompleksowe (koncentruje się na doświadczaniu tego co wydaje się być profesjonalnym w studiowanej dziedzinie), percepcyjnie kompleksowe (głównym celem jest zrozumienie, tj. zdolność do
definiowania problemów oraz do określenia powiązań pomiędzy pojęciami), symbolicznie
kompleksowe (uczeń jest zaangażowany w próbę rozwiązania problemu dla którego istnieje
poprawna odpowiedź), behawioralnie kompleksowe (główny nacisk kładziony jest na aktywne zastosowanie wiedzy i umiejętności do problemu natury praktycznej).
3.2 Dziedziny akademickie a środowiska uczenia
Uniwersytety klasyfikują wiedzę jako nauki ścisłe, inżynierię, medycynę, zarządzanie, sztukę,
nauki humanistyczne. Nie jest jednak wiadomo w jaki sposób ludzie uczą się przedmiotowych dziedzin. Natomiast zgodnie z teorią pedagogiczną Kolba wiedzę klasyfikuje się jako:
wiedzę przystosowawczą, wiedzę rozbieżną, wiedzę asymilacyjną oraz wiedzę zbieżną. Każdy rodzaj wiedzy zgodnie z teorią Kolba zajmuje jedną z czterech ćwiartek wyznaczoną przez
6
strukturalne wymiary uczenia empirycznego. Każda dziedzina akademicka taka, jak fizyka,
matematyka, historia, inżynieria, itp. należy do jednego z rodzajów wiedzy określonych przez
teorię Kolba (może być umieszczona w jednej ćwiartek przestrzeni uczenia empirycznego).
Taka klasyfikacja jest bardzo przydatna dla zaprojektowania odpowiedniego środowiska
uczenia. Na przykład nauka przedmiotu z zakresu inżynierii (należącego do wiedzy zbieżnej
wymaga środowiska behawioralnie i symbolicznie kompleksowego. Nauka przedmiotu z
zakresu nauk ścisłych (matematyki lub fizyki, które należą do wiedzy asymilacyjnej) wymaga
środowiska symbolicznie i percepcyjnie kompleksowego. Nauka przedmiotu z zakresu ekonomii lub zarządzania (należącego do wiedzy przystosowawczej) wymaga środowiska afetywnie i behawioralnie kompleksowego. Nauka przedmiotu z zakresu nauk humanistycznych
(należącego do wiedzy rozbieżnej) wymaga środowiska afektywnie i percepcyjnie kompleksowego.
Praca społeczna
Historia
ROZBIEŻNA
PRZYSTOSOWAWCZA
Edukacja
Biznes
ASYMILACYJNA
ZBIEŻNA
Matematyka
Fizyka
Inżynieria elektryczności
Rys.2. Różne dziedziny akademickie w uczeniu empirycznym
3.3. Rola poznawcza komputerowych systemów edukacyjnych
Wraz z rozwojem technologii zmieniają się narzędzia wspomagające proces uczenia. Sam
proces uczenia, z pedagogicznego punktu widzenia, nie zmienia się. Technologie ICT stosowane w edukacji stanowią nowy element dodany do istniejącego zestawu narzędzi wspomagających nauczanie. Technologie te powinny być zestawem narzędzi poznawczych, a nie
tylko narzędziami do zbierania, magazynowania i przesyłania informacji.
Analizując koncepcje celów stawianych komputerowemu wspomagania kształcenia , a także
koncepcje przebiegu kształcenia można wyodrębnić dwa wyraźnie różniące się podejścia.
7
Zakłada się, że celem kształcenia jest zdobycie przez uczącego się wiedzy jaką dysponuje
nauczyciel. Koncepcja ta zakłada, że w procesie kształcenia uczeń nabywa wiedzę będącą
odbiciem struktury wiedzy ekspertów. Uczeń w tym wypadku otrzymuje strumień wiedzy od
nauczyciela. To jednokierunkowe działanie wywołuje pewną bierność w odbiorze i przyswajaniu wiedzy przez uczniów. Przyjęcie założenia odwzorowania wiedzy nauczyciela w wiedzę
ucznia jest dość powszechne w konstrukcji programów kształcenia. Komputer pełni tu rolę
pomocniczą. Druga koncepcja zakłada zaistnienie aktywności intelektualnej w procesie
uczenia w związku z czym komputer jako narzędzie intelektualne może być wykorzystywany
do wspomagania procesu myślenia oraz ułatwiania konstrukcji wiedzy w mózgu człowieka.
Uzyskiwanie wiedzy przez uczącego się według schematu poznawczego ma charakter procesu konstruktywistycznego. Jeżeli zatem narzędzie w postaci programu komputerowego rozwija myślenie oraz ułatwia gromadzenie wiedzy można je określić jako konstruktywistyczne.
Do takiego określenia upoważnia fakt, że narzędzia poznawcze wywołują u uczących się taki
sposób gromadzenia wiedzy, który odpowiada ich sposobowi rozumowania i pojmowania
wiadomości.
Komputer powinien być wykorzystywany jako narzędzie kreatywne i poznawcze dla wspomagania uczniów podczas procesu uczenia zapewniając wysokiej jakości efektywną naukę.
Komputer powinien być stosowany w celu wsparcia procesu myślenia oraz dla ułatwienia
budowania wiedzy w umyśle ludzkim. Proces rozumienia informacji umożliwia tworzenie
mechanizmu automatycznej nauki. Zgodnie z teorią Andersona możliwe jest wyróżnienie
następujących dwóch rodzajów wiedzy: wiedzy deklaratywnej (wiedzieć że) oraz wiedzy
proceduralnej (wiedzieć jak). D. H. Jonassen opracował model dotyczący narzędzi poznawczych, podobny do modelu Guilforda dla trójwymiarowej struktury umysłu. Model Jonassena
zakłada, że narzędzia poznawcze umieszczone są w przestrzeni trójwymiarowej.
Rola komputera powinna polegać na wspieraniu tych obszarów myślenia, w których komputer przede wszystkim wzmocni procesy myślenia twórczego. Wymaga to skupienia się na
hipermedialnych i inteligentnych systemach kształcenia. Systemy te pozwalają ukazać wiedzę
w sposób interdyscyplinarny oraz systemowy.
3.4. Strategie kształcenia wspomaganego komputerowo
W literaturze przedmiotu wyróżnia się szereg klasyfikacji strategii kształcenia wspomaganego
komputerowo. Najbardziej ogólna przewiduje dwie grupy strategii: podstawowe i pomocnicze. Strategie podstawowe bezpośrednio przyczyniają się do przekazywania określonej wiedzy, umożliwiając uczącemu się wiązanie wiadomości oraz ich przetwarzanie. Natomiast
strategie pomocnicze uzupełniają i wzbogacają proces dydaktyczny.
Istnieją dwa typy strategii podstawowych: strategie przetwarzania materiału i strategie aktywnej nauki. W strategii przetwarzania materiału wyróżnia się cztery typy: przywoływanie z
pamięci, integrację, organizację i opracowanie. Z kolei strategie aktywnej nauki obejmują
czynności poszukiwania wiadomości, zawierają całe systemy nauki. Typ przywoływania z
pamięci opiera się przede wszystkim na behawioralnych ćwiczeniach uczenia, powtórzeniach
i procedurach wspomagających uczenie się z tekstem. Typy strategii integracji i organizacji
są też nazywane strategiami przywołania i transformacji. Są to strategie przetwarzające, które
wspomagają reorganizację informacji trudnej w formę łatwiejszą do zapamiętania. W typie
opracowania wiadomości uczący się dodają swoje osobiste ich rozumienie. Obok strategii
podstawowych, które operują wprost na informacji uczący się mogą używać różnych strategii
pomocniczych.. Strategie pomocnicze mają na celu wsparcie przetwarzania wiadomości przez
pomaganie uczącemu się w zachowaniu właściwej orientacji w procesie kształcenia. Obej-
8
mują one strategie systemowego uczenia się takie, jak wybór celu, organizacja czasu, organizacja uwagi i techniki relaksacji.
Istnieją także inne taksonomie dotyczące strategii uczenia się występujących w komputerowym wspomaganiu kształcenia. Obejmują one następujące strategie:
strategię mechanicznego kształtowania nawyków (drill and practice), strategię korepetycyjną
(tutorial), strategię symulacyjną (simulation) oraz strategię modelowania (modelling).
W strategii mechanicznego kształtowania nawyków komputer spełnia rolę automatu ćwiczącego określoną umiejętność. Uczący się może poprzez powtarzanie zapamiętywać określone
sekwencje materiału nauczania lub wykonywać ćwiczenia według poznanych wcześniej
zasad. Strategia ta oparta jest na zasadzie pamięciowego opanowywania drobnych fragmentów materiału dydaktycznego, które dopiero po opanowaniu całości pozwalają uczącemu się
osiągnąć umiejętność ogólną.
W strategii korepetycyjnej występuje bardziej złożona forma interakcji aniżeli w strategii
mechanicznego kształtowania nawyków. Występuje tu specyficzny dialog użytkownikkomputer. Aktywność uczącego się dotyczy zastosowania testów on-line, dialogów usprawniających zakres sprawdzania i korekty interakcyjności. Strategia korepetycyjna może mieć
przebieg liniowy lub rozgałęziony.
Strategia symulacyjna polega na przedstawieniu fikcyjnej sytuacji świata rzeczywistego.
Celem symulacji komputerowej jest poznanie przez uczących się funkcjonowania procesu,
dokonanie analizy i oceny zorganizowanej całości, optymalizacja procesu. W czasie symulacji występują następujące etapy rozwiązania: dekompozycja procesu na procesy składowe,
optymalizacja procesów składowych, łączenie procesów składowych, optymalizacja kombinacji optymalnych procesów składowych. Wyróżnia się symulację sekwencyjną, przedmiotową oraz symulację systemów.
Strategia modelowania polega na wykonaniu przez uczącego się modelu przedstawiającego
uproszczoną wersję określonej sytuacji występującej w świecie rzeczywistym. W trakcie
przygotowywania swojego modelu uczący się stawia szereg hipotez, których prawdziwość ma
możliwość potwierdzić dzięki testom wbudowanym w zajęcia realizowane w systemie nauczania wspomaganego komputerowo.
4. Metody oceny środowisk uczenia
Wykaz strategii uczenia i studiowania (Learning and Study Strategies Inventory; LASSI)
został opracowany jako zespół środków dla pomiaru strategii i metod dotyczących procesu
uczenia i studiowania w różnych środowiskach. Składa się on z dziesięciu skal, każda dla
pomiaru innego składnika procesu uczenia. Poniżej podano składniki procesu uczenia objęte
pomiarem LASSI:
nastawienie – zainteresowanie i motywacja studenta oraz gotowość do wykonania zadań
koniecznych dla osiągnięcia sukcesu na uczelni;
motywacja – stopień do którego student akceptuje odpowiedzialność za wykonanie powyższych zadań poprzez samodyscyplinę i ciężką pracę;
zarządzanie czasem – zakres dla którego student tworzy lub wykorzystuje harmonogramy w
celu efektywnego zarządzania swoimi zadaniami;
obawa – stopień niepokoju jaki student odczuwa, gdy przystępuje do zadań akademickich;
koncentracja – zdolność studenta do skupienia uwagi i unikania jej rozproszenia w czasie
pracy związanej z zadaniami szkolnymi (studiowanie);
9
przetwarzanie informacji – zdolność przetwarzania pomysłów (idei) poprzez umysłową pracę
nad nimi w celu organizowania ich w znaczący sposób;
wybór głównych idei – ogrom studenckich możliwości do wyłowienia ważnej informacji
podczas sytuacji uczenia;
wsparcie studiów – zdolność studenta do wykorzystania lub rozwoju czynników, które
wspomagają proces uczenia w trakcie studiów;
samo-testowanie – świadomość studenta w zakresie ważności samo-testowania i oceny podczas nauki materiału oraz ich praktyczne wykorzystanie;
strategie testowe – pomiar zdolności studenta do efektywnego przygotowania się do egzaminu oraz do rozumowania poprzez odpowiedź na pytanie.
Do klasyfikacji różnych czynników uczenia oraz do wyboru odpowiedniej technologii dla
realizacji kształcenia w trybie on-line wykorzystywane są taksonomie dotyczące kształcenia
na odległość. Wyróżnia się różne rodzaje taksonomii: taksonomię Barret’a (zgodnie z którą
proces uczenia może należeć do jednej z czterech kategorii) oraz taksonomię Merrilla (wykorzystującą macierz wykonanie (akcje nauczające) - zawartość (rodzaj treści dydaktycznej) .
5. Koncepcja Inteligentnego Systemu Nauczającego
Inteligentny system uczący (nauczyciel komputerowy) umożliwia ciągłą adaptację procesu
uczenia do indywidualnych potrzeb ucznia i jego charakterystyki. Na rys. 3 została przedstawiona koncepcja takiego systemu zgodna z opracowaną przez IEEE LTSC specyfikacją architektury systemów DL. Inteligentny system uczący zgodnie z tą koncepcją składa się z następujących składników: silnika uczącego, modelu użytkownika (ucznia), bazy wiedzy, bazy
metod, oceny, prezentacji i komunikacji.
Prezentacja
Komunikacja
Ocena
Silnik uczący
Model użytkownika
Baza wiedzy
Baza metod
Rys. 3. Inteligentny System Uczący – architektura
Silnik uczący jest wykorzystywany do sterowania, kontroli i koordynacji wszystkich składników. Baza wiedzy zawiera materiał dydaktyczny. Baza metod zawiera różne koncepcje i
metody dydaktyczne wspomagające nauczycieli. W praktyce nauczyciele wykorzystują wię10
cej niż jedną metodę nauczania zgodnie z typem wiedzy dziedzinowej. Zmieniają także metodę nauczania dla tej samej partii materiału dydaktycznego dostosowując się do różnych stylów uczenia się. Składnik prezentacja umożliwia generację i prezentację materiału dydaktycznego na różne sposoby. Składnik komunikacja określa poziom interaktywności środowiska
uczenia. Składnik ocena określa poziom wiedzy ucznia zapewniając stosowne testy. Model
ucznia przechowuje informacje dotyczące indywidualnego ucznia, stanowi zbiór parametrów
zawierających informacje charakteryzujące ucznia (wyróżnia się następujące klasy parametrów w modelu ucznia: parametry profesjonalne, parametry psychologiczne, parametry fizjologiczne, parametry demograficzne), odzwierciedla bieżący stan wiedzy ucznia. Wyróżnia się
różne rodzaje modeli ucznia (rys. 4). W modelu nakładkowym wiedza ucznia stanowi podzbiór wiedzy eksperta. W modelu dewiacyjnym wiedza ucznia składa się z podzbioru wiedzy
eksperta oraz błędnej wiedzy ucznia.
Inteligencja takiego systemu nauczającego zawiera się w podejmowanych przez niego decyzjach pedagogicznych, jak uczyć na podstawie gromadzonej o uczniach informacji. Inteligentny system uczący, poprzez wykorzystanie środków sztucznej inteligencji, zapewnia
uczniom automatyczny tutoring (interakcja od materiału dydaktycznego). Uczniowie mogą do
interakcji z materiałem dydaktycznym wykorzystywać szereg różnorodnych środków. Mogą
wybierać formę prezentacji materiału dydaktycznego (teoria, przykłady, pokaz), wybierać
stosowny materiał uzupełniający wykorzystując bogate mechanizmy wyszukiwań, ustawiać
parametry dla symulacji.
Wiedza
eksperta
Wiedza
ucznia
Wiedza
eksperta
a) Nakładkowy model ucznia
Wiedza
wspólna
ucznia
i eksperta
Błędna
wiedza
ucznia
b) Dewiacyjny model ucznia
Rys. 4. Modele uczniów
Uczeń uczy się wykorzystując inteligentny system nauczający poprzez rozwiązywanie
problemów. System porównuje swoje rozwiązanie z rozwiązaniem ucznia, przygotowuje
diagnozę, wysyła zwrotnie stosowną informację, uaktualnia model ucznia, określa następną
partię materiału do nauki i sposób jej prezentacji. Następnie wybiera problemy do rozwiązania przez ucznia i cały cykl zostaje powtórzony.
ISU przystosowuje w sposób optymalny materiał dydaktyczny (personalizacja e-content) do
indywidualnego ucznia (z uwzględnieniem wiedzy i zdolności ucznia). ISU sprawdza wiedzę
ucznia i uczy go w sposób optymalny.
Sformułowane zostało kryterium optymalizacji działania Inteligentnego Systemu Nauczającego: osiągnięcie maksymalnego możliwego poziomu wiedzy w zakresie uczonego materiału dydaktycznego przez reprezentatywną grupę uczniów (populację uczniów symulowanych o
11
rozkładach zdolności podobnych do typowych rozkładów w populacji rzeczywistej grupy
uczniów).
6. Realizacja koncepcji Inteligentnego Systemu Nauczającego
W celu realizacji projektu konieczne było opracowanie środowiska symulowanego w celu
przeprowadzenia szeregu prób i badań inteligentnego systemu nauczającego trudnych do
zrealizowania w środowisku rzeczywistym, a także opracowanie Inteligentnego Systemu
Nauczającego zgodnie z opracowaną koncepcją.
6.1. Środowisko symulowane
Opracowane zostało środowisko symulowane dla zbadania działania opracowanego przeze
mnie Inteligentnego Systemu Nauczającego. Środowisko to obejmuje wygenerowane losowo
modele uczniów. Scharakteryzowane jest ono przez tzw. cechy środowiska zależne od typu
wiedzy oraz charakterystyki uczniów.
6.1.1. Środowisko uczenia
Każde środowisko uczenia może być scharakteryzowane przez główne i drugorzędne cechy
(tabl. 2) opracowane zgodnie z teorią Kolba. Środowiska uczenia zapewniają następujące
główne cechy:
rozwiązanie problemu krok po kroku – jest zapewniane przez behawioralnie kompleksowe
środowisko uczenia;
ogniskowanie się na procesie – jest zapewniane przez percepcyjnie kompleksowe środowisko
uczenia;
dyskusje w małych grupach – są zapewniane przez afektywnie kompleksowe środowisko
uczenia;
narzędzie symboliczne – jest zapewniane przez symbolicznie kompleksowe środowisko uczenia.
Wybór odpowiednich cech środowiska zależy od typu wiedzy do której należy obiekt uczący
oraz charakterystyki uczniów (style uczenia, cele, preferencje, doświadczenie). Różne dziedziny akademickie można zakwalifikować do określonego typu wiedzy i tym samym określić
wymagane dla danej dziedziny środowisko uczenia.
6.1.2. Populacje modeli uczniów
Środowisko symulowane obejmuje wygenerowaną losowo populację (przy wykorzystaniu
generatora liczb pseudolosowych) modeli uczniów o rozkładach zdolności (rozkład normalny) podobnych do typowych rozkładów w populacji rzeczywistej grupy uczniów. Model
ucznia dostarcza do ISN dane potrzebne do przystosowania materiału dydaktycznego dla
indywidualnego ucznia. Pod wpływem akcji nauczających model ucznia zmienia stan wiedzy.
W trakcie realizacji procesu nauczania model ucznia jest uaktualniany.
Na rys.5. przedstawione zostały fragmenty grafów dla wybranych modeli uczniów, gdzie
liczba występująca w węźle jest zapisem wiedzy ucznia w systemie czwórkowym czytanym wspak np. liczba 63 określa stan wiedzy ucznia S = [3, 3, 3, 0, 0] w zakresie pięciu
kolejnych jednostek materiału dydaktycznego.
12
Tabl.2. Cechy środowiska
Cechy środowiska
Behavioralne Afektywne
Symboliczne
Percepcyjne
Zapisy wykładów
S
S
S
S
Slajdy, tekst
-
-
-
-
Slajdy , tekst z audio
-
-
-
-
Slajdy, tekst z audio i wideo
-
-
-
S
S
Ćwiczenia, zadania domowe, kwizy
S
S
Wizualizacja
S
S
Animacja
S
S
Symulacja
S
S
S
S
S
S
Teoria do odczytu
Studia przypadku
S
Partnerski feedback
S
Personalizowany feedback
S
S
Dzielone odczucia
S
Zręczność/aktywne rozwiązanie problemu S
Nauczyciel jako korepetytor/pomocnik
S
Nauczyciel jako ekspert/interpretator
S
Nauczyciel jako przewodnik
Nauczyciel jako model zawodu
S
Rozmowa ekspercka/seminarium
S
Autonomiczny (samokształcenie) uczeń
Uczeń myśli samodzielnie
S
Doświadczenia ucznia będące profesjonalnymi
S
Uczeń określa własne kryteria powiązań
S
Ogniskowanie się na procesie
SP
Ogniskowanie się informacji na zadaniach
i ich realizacja
S
Narzędzie symboliczne
SP
Źródło informacji jest tutaj i teraz
S
Dyskusje w małych grupach
SP
Konferowanie
Przekaz synchroniczny
Wykonanie ocenianie jako poprawne lub
błędne
Rozwiązanie problemu krok po kroku
S
SP
P – cecha główna, S – cecha drugorzędna
13
S
a113
0
a)
3
a
15
a123
11
a
0
a112
1023
1
22
a122
2
255
3
a51
7
2
b)
63
a121
a122
2
11
a 413
3
a31
3
a21
1
a12
3
7
a113
9
1
13
2
a22
2
a21
1
a31
1
a32
1
a33
29
45
61
c)
a113
0
1
a11
1
1
a12
2
1
a13
3
2
a21
7
2
a22
11
Rys. 5. Fragmenty grafów dla wybranych modeli uczniów, gdzie
a) uczeń bardzo zdolny, b) uczeń średni, c) uczeń słaby
14
S = 63 = 3 x 1 + 3 x 4 + 3 x 16 + 0 x 64 + 0 x 256
6.2. Inteligentny System Nauczający
Inteligentny System Nauczający (nauczyciel komputerowy) został opracowany zgodnie z
koncepcją opisaną w rozdziale 5. Umożliwia on adaptacyjną prezentację materiału dydaktycznego (personalizacja zawartości edukacyjnej), adaptacyjne wyszukiwanie oraz naukę we
własnym tempie. Uczniowie mogą aktywnie konstruować swoją własną interpretację materiału (konstruktywizm), Komputer wykorzystywany jest jako narzędzie poznawcze w procesie
uczenia. Możliwe jest wykorzystanie jako metody uczenia: uczenia problemowego.
Inteligentny System
Naucząjcy
Program nauki
Generacja
problemu
Prezentacja
problemu
Rozwiązanie ISN
Porównanie
rozwiązań
Bieżąca odpowiedź (sprzężenie
zwrotne)
Rozwiązanie
studenta
Student
Uaktualnienie
modelu
studenta
Rys. 6 . Inteligentny System Nauczający – rozwiązywanie problemów
Inteligentny System Nauczający uczy za pomocą akcji nauczających i sprawdza wiedzę
ucznia za pomocą akcji testujących. W trakcie procesu uczenia uaktualniany jest model
ucznia. Do pomiaru postępów ucznia wykorzystywany jest model ucznia. Do reprezentacji
treści dydaktycznej wykorzystywany jest IMS standard.
Inteligentny System Nauczający wykorzystuje strukturę punktów węzłowych.
15
Rys. 7. Struktura punktów węzłowych
W strukturze punktów węzłowych brak jest centralnego ogniwa oraz początku i końca. Daje
to możliwość interdyscyplinarnego ujęcia wiedzy. Pozwala dobrze ukazać związki pomiędzy
wiadomościami, które wydają się być bardzo odległe. Stwarza możliwość kształcenia w
obszarze myślenia twórczego. Struktura punktów węzłowych umożliwia uczącemu się podejmowanie decyzji w trakcie uczenia. Taki układ struktury daje możliwość dokonywania
wyboru drogi uczenia się a tym samym stwarza dogodne warunki do indywidualizacji kształcenia.
7. Wnioski
Projekt stanowi kontynuację moich poprzednich prac prowadzonych w Instytucie Łączności
dotyczących zastosowania metod i narzędzi sztucznej inteligencji w edukacji oraz opracowania koncepcji Inteligentnego Systemu Nauczającego zastosowanego w procesie ODL Taki
system umożliwia indywidualizację procesu nauczania poprzez automatyczną adaptację, w
sposób optymalny, do indywidualnych możliwości i potrzeb ucznia. Projekt ma na celu
realizację mojego przewodu doktorskiego pt.: „Inteligentny system dla indywidualizacji
nauczania na odległość” otwartego w 2004r. Z tematyki związanej z realizacją projektu
opracowałam 21 publikacji naukowych w tym 15 w j. ang. z czego 11 wygłosiłam za granicą.
W wyniku realizacji projektu opracowałam oprogramowanie umożliwiające realizację
środowiska symulowanego obejmującego modele uczniów generowane losowo. Modele te
tworzą populację o rozkładach zdolności zbliżonych do typowych rozkładów w populacji
rzeczywistych uczniów. Opracowałam także program komputerowy w celu praktycznej realizacji koncepcji Inteligentnego Systemu Nauczającego.
W wyniku realizacji projektu w br. opracowałam następujące publikacje:
1). J. Chęć „Globalna Infrastruktura Informacyjna na potrzeby edukacji. Monografia Wybrane problemy elektronicznej gospodarki, Łódź, 2005r., s.357-378.
2). J. Chec ”Global Education Using Global Information Infrastructure”. 4th Global Conference: The Idea of Education, Praga, 9-11 sierpnia 2005r., s. 1-8
3). J. Chec ”New Roles of a Teacher in E-Learning Systems”. EDEN Fifth Open Classroom International Conference, Poitiers Francja, 5-7 października 2005r., s. 129-134
16
4). J. Chęć „Pedagogiczne aspekty procesu uczenia w inteligentnych systemach uczących”. Monografia Edukacja XXI wieku, Fundacja edukacja XXI wieku, Warszawa – Poznań,
2005r., s. 1-10
Na XIII Krajowej Konferencji EDI-EC, która odbyła się w Łodzi Dobieszkowie w dniach
15-17 czerwca 2005 prowadziłam sesję tematyczną: Problemy edukacyjne.
Na III Międzynarodowej Konferencji Naukowej Edukacja XXI wieku, która odbyła się w
Pile w dniach 18-21 października 2005 współ-przewodniczyłam sekcji problemowej nr 4:
Media w kształcenio zawodowym.
Celowa jest kontynuacja pracy umożliwiająca przystosowanie i zbadanie działania Inteligentnego Systemu Nauczającego w środowisku rzeczywistym. Po realizacji pracy w oparciu o
uzyskane wyniki w drodze przeprowadzonych badań w środowisku rzeczywistym możliwe
będzie wykorzystanie optymalnego automatycznego nauczyciela komputerowego (Inteligentnego Systemu Nauczającego) w kursach i wykładach zrealizowanych w technologii ODL.
Literatura
ETSI, European Telecommunications Standardisation and the Information Society, 1995.
IEEE LTSC, Learning Technology Systems Architecture (LTSA). Specification, v. 4.00, 1988.
ITU-T Recommendations of Y Series.
JALN. ALN Magazine. Vanderbilt University, Volumes: 1,2,3,4; 1997, 1998, 1999, 2000.
Joyce, B., Calhoun E. and Hopkins D. Models of learning – tools for teaching. Buckingham:
Open University Press, 1997.
Kolb D. A. Experiential Learning. Prentice-Hall, 1984.
Minoli, D. Distance Learning. Technology and applications. Teleport Communication Group.
Stevens Institute of Technology, Artech House, Inc, 1996.
Philips D.C. Soltis J.F. Perspectives on Learning. Teachers College Press, Columbia University, 1998.
Russel, S..and Norvig P. Artificial Intelligence. London: Prentice-Hall, 1995.
Stenberg R.J. Psychologia poznawcza. WSiP, Warszawa, 2001.
17
Załączniki
Zał.1). J. Chec ”Global Education Using Global Information Infrastructure”. 4th Global
Conference: The Idea of Education, Praga, 9-11 sierpnia 2005r., s. 1-8
Zał.2). J. Chęć „Globalna Infrastruktura Informacyjna na potrzeby edukacji. Monografia
Wybrane problemy elektronicznej gospodarki, Łódź, 2005r., s.357-378.
Zał.3). J. Chec ”New Roles of a Teacher in E-Learning Systems”. EDEN Fifth Open
Classroom International Conference, Poitiers Francja, 5-7 października 2005r., s. 129-134
Zał.4). J. Chęć „Pedagogiczne aspekty procesu uczenia w inteligentnych systemach uczących”. Monografia Edukacja XXI wieku, Fundacja edukacja XXI wieku, Warszawa – Poznań,
2005r., s. 1-10
18
Download