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