Przystosowanie platformy MOODLE do potrzeb szkoleń e-learningowych Ośrodka Szkolenia IŁ

Transkrypt

1 Zakład Radiokomunikacji Morskiej w Gdańsku (Z8) Przystosowanie platformy MOODLE do potrzeb szkoleń elearningowych Ośrodka zkolenia IŁ prawozdanie z pracy statutowej Praca nr Warszawa, grudzień

2 Przystosowanie platformy MOODLE do potrzeb szkoleń e earningowych Ośrodka zkolenia IŁ Praca nr łowa kluczowe: platformy dla systemów elearning, kursy elearning, platforma MOODLE Wykonawca pracy: inż. Jolanta Chęć Kierownik Zakładu: dr inż. Rafał Niski 2

3 Cel pracy Celem pracy było przystosowanie istniejącej darmowej platformy elearningowej MOODLE (oferującej szereg bogatych możliwości wspomagających proces kształcenia) do szkoleń elearningowych prowadzonych przez Ośrodek zkolenia Instytutu Łączności. Po realizacji pracy możliwe będzie przeprowadzenie pełnego szkolenia ODL (Open and Distance Learning) z wykorzystaniem platformy MOODLE na populacji rzeczywistych uczniów (co umożliwi ocenę efektywności zastosowania MOODLE w środowisku rzeczywistym), a następnie praktyczne wykorzystanie MOODLE w kursach i wykładach zrealizowanych w technologii ODL zapewniając indywidualizację procesu nauczania. Realizacja pracy W ramach pracy do czasu pobytu na zwolnieniu lekarskim Jolanta Chęć zajmowała się analizą platformy MOODLE pod kątem możliwości jej wykorzystania w szkoleniach elearningowych w Ośrodku zkolenia IŁ oraz opracowała wymienione niżej publikacje, a także prowadziła sesję: Wybrane problemy enauczania na XVII ej Krajowej Konferencji egospodarki w dniu 9 czerwca 2009r. w Łodzi: 1). Chęć J. ELearning ystems for Persons with Disabilities. Materiały 18 th International EDEN 2009 Annual Conference: Innovation in Learning Communities. What did you invent for tomorrow? Abstrakt (1strona) str. 120 w Book of Abstracts (IBN ) oraz referat na CD ROM: 6 stron 2). Chęć J.: Pedagogika dla elearning. Rozdział w monografii: Wybrane problemy zastosowania platformy elektronicznej, red. Marian Niedźwiedziński, Katarzyna Langeadzińska. Łódź 2009r. IBN , str.: 719 3). Chęć J.: Elearning w kształceniu osób niepełnosprawnych. Materiały konferencji w Jelitkowie: Edukacja dla bezpieczeństwa. Bezpieczeństwo intelektualne Polaków., Gdańsk kwiecień 2009r., str.: ). Chęć J.: ystemy elearning w społeczeństwie wiedzy. Przegląd Naukowo Metodyczny, Poznań 2009r. Rok II.Numer 3, str.:

4 ELEARNING YTEM FOR PERON WITH DIABILITIE Jolanta Chec, National Institute of Telecommunications, POLAND 1. Introduction Very quick development of new Information and Communication Technologies (ICT) has enabled the birth of new forms of education very useful for Life Long Learning Process. They are realized by modern elearning systems facilitating learning process. Elearning systems can give new tools (of cognitive and creative nature enabling active teaching) and possibilities for learners. They can ensure high quality elearning process considering pedagogical aspects of learning. Elearning systems can use methods and tools of artificial intelligence. Particular artificial intelligence domains can be used to facilitate different phases of elearning process. Artificial intelligence means give large possibilities for creation of teaching systems with intelligence. Intelligent teaching system, by the use of artificial intelligence means, enables individualization of elearning process (considering learners current knowledge, experience, preferences, customs and learning styles) ensuring optimum learning process for each learner. Intelligent teaching system and appropriate simulated learning environment were elaborated by me ensuring high quality individualization of elearning process. Many experiments concerning investigation and optimization of intelligent teaching system performance were carried out in simulated learning environment ensuring trials repetitions from the beginning (impossible in real environment) very useful for full investigations. Elearning gives large possibilities for disabled persons enabling individualization of learning process. Elearning ensures learning in self pace independently on time and place. It can enable creative, effective and convenient learning process for people with disabilities after special adaptation to disabled persons needs. Different features of elearning can be used for different disabilities. After special learning and training disabled persons can gain job and next can work. Features of modern elearning systems, pedagogical theories concerning learning process, artificial intelligence means for elearning process, exemplary solutions for disabled persons learning process, new ideas concerning creative, individualized learning process for disabled persons are presented in the paper. 2. Modern elearning systems for individualization of elearning process Modern elearning systems enable creation of appropriate learning environments considering pedagogical theories. They can use ICT tools as creative and cognitive tools extension of human brain. By the use of artificial intelligence means elearning systems can adapt in continuous manner to learners knowledge and characteristics (individualization of learning process). 2.1 Pedagogical aspects of elearning process Elearning systems should ensure creation of high quality learning environments that facilitate learning process. Good understanding of learning process is very important for designing and implementation of appropriate (concerning type of knowledge and learning styles) and useful learning environments. According to Kolb s pedagogical theory: learning is a process whereby knowledge is created through the transformations of experiences. The learning process is not identical for all human beings so different learning styles can be distinguished: accommodation, divergence, assimilation, convergence. Four learning modes: active experimentation, abstract conceptualization, reflective observation, concrete experience and four knowledge types: convergent, assimilative, divergent, accommodative are determined according to Kolb s theory.

5 An appropriate learning environment (that supports learning mode) is needful for effective learning. Learning environments can be of the following types: behaviourally complex (the emphasis is on the active applications of knowledge and skills to a practical problem), symbolically complex (a learner is involved in trying to solve a problem for which there is a right answer), perceptually complex (the main purpose is to understand: to be able to define problems, to identify relationships between concepts), affectively complex (it emphasizes experiencing what it is like to be a professional in the field of study). Each subject (academic fields such as physics, mathematics, history, business, engineering, etc.) belongs to one knowledge type. uch classification is useful to design appropriate learning environments. For example: learning an engineering subject (that belongs to convergent knowledge) requires environment that is behaviourally and symbolically complex. AFFECTIVELY COMPLEX Concrete Experience Accommodative Knowledge Diverse Knowledge Active Experimentation Convergent Knowledge Assimilative Knowledge Reflective Observation BEHAVIORALLY COMPLEX PERCEPTUALLY COMPLEX Abstract Conceptualization YMBOLICALLY COMPLEX Figure 1. Kolb s pedagogical theory Each learning environment can be characterized by primary and secondary features. The following primary features are ensured by learning environments: step by step solution to a problem is ensured by behaviourally complex learning environment; focus on process is ensured by perceptually complex learning environment; small group discussion is ensured by affectivelly complex learning environment; symbolic tool is ensured by symbolically complex learning environment. The selection of appropriate environment features depends on the type of knowledge to which a learning object belongs and also learner characteristics (learning styles, goals, preferences, experiences). ICT tools should be used as creative and cognitive tools to support learners during learning process ensuring high quality and effective learning. ICT tools should be used for support of thinking process and facilitation of knowledge building in human brain. Process of information understanding enables creation of mechanism of automatic learning. 2.2 Use of artificial intelligence means Elearning systems can use artificial intelligence means in different phases of elearning process for facilitation of learning process.

6 Particular artificial intelligence domains differ in the ways of knowledge gathering and processing. Expert and fuzzy systems use symbolic (declarative) knowledge understandable for people. However neural networks and genetic algorithms use numeric data and process them in procedural way as sequences of numeric calculations. In this case an appropriate semantic interpretation ensures understanding, of input and output data, for people. Each of artificial intelligence domains has advantages and limitations for solving complicated problems. Combination of representation and knowledge processing techniques used in different domains within one system tends towards hybrid systems. In hybrid systems positive features of one solution are used in order to eliminate or minimize limitations of other solution. Combination of different artificial intelligence domains ensures automation of knowledge acquisition, processing of uncertain and nonprecision knowledge, explanation of problem solving and adaptation to varying environment. Therefore such systems are called intelligent systems. Comparison of basic features (automation of knowledge acquisition, processing of uncertain and nonprecision knowledge, explanation of problem solving) of different artificial intelligence domains is presented in the table 1. Tab. 1. Basic features of artificial intelljgence domains Artificial Intelligence Domains Basic features Neural networks Genetic Algorithms Fuzzy ystems Export ystems Processing of uncertain and nonprecision knowledge very good sufficient very good bad Automation of knowledge acquizittion very good very good bad bad Explanation bad sufficient good very good 2.3 Individualization of learning process Individualization of learning process can be done in two ways. In first way individualization of learning process is done by learner using node points structure (figure 2). Didactical program (enabling own learning path) is based on the structure of node points. Each node point can contain associated units (parts of didactical material) in different formats. Central link, beginning and start do not occur in the node point structure. It gives possibilities for interdisciplinary knowledge presentation. It also gives possibilities for education in the area of creative thinking. Learner can begin to learn from any node point. tructure of node points enables learners to make decisions during learning process. uch structure enables learners selection of learning path ensuring individualization of learning process. In second way individualization of learning process is done by an intelligent computer teacher that adapts, in continuous manner, to learners knowledge and abilities ensuring optimum learning process for each learner. An intelligent teaching system (fig.3; computer teacher), using artificial intelligence means, facilitates the learning process by continuous adaptation to individual learner needs and learner characteristics during learning process

7 Figure 2 Exemplary node points structure Material presentation Interactions LearnersTeacher Evaluation of Learners Teaching upervisor Domain Knowledge Didactical Methods Learner Model Figure 3. Intelligent Teaching ystem The Teaching upervisor is used for control and coordination of other components. The base of Didactical Methods contains different didactical methods supporting course authors and educators. The Learner Model stores information concerning individual learner (especially learner current knowledge state). Learner Model is a set of parameters containing the information about learner s personality, experience, education. It is important for each system adaptive to a user. Domain Knowledge contains learning contents. The Material presentation component enables presentation of learning contents in different ways according to learner characteristic (on the bases of currently updated learner model). The Evaluation of Learners component determines the performance of the learners using tests. The Interactions LearnersTeacher component determines the level of interactivity of a learning environment. The intelligent teaching system uses information from a learner model in order to determine pedagogical decisions for each learner (especially to control learner s progress and to adapt the course presentation to individual learner). Teacher strategies comprise didactical methods and the way of material presentation. In practice a teacher uses more than one teaching method during teaching a subject according to the type of domain knowledge. Teachers also switch from one method to another method for the same material according to student different styles. An effective intelligent teaching system must be able to provide multiple teaching method.

8 Intelligent teaching system (computer teacher) and simulation environment were elaborated by me. uch simulated environment enables to perform many trials that are difficult or impossible to realize in real environment. Elaborated simulated learning environment is very useful for optimization of learning process. It comprises population of models similar to population of real learners. Big variety of models enables high quality individualization of learning process. imulated environment ensures trials repetition from the beginning very useful for full investigations (impossible in real environment). Many trials concerning Computer Teacher performance and optimization were carried on in simulated environment. Investigations of Intelligent Computer Teacher, performed in simulated environment, enable determination of its features in order to its better design. Using different optimization criteria of Intelligent Computer Teacher performance it is possible to notice that better results are achieved by Intelligent Computer Teacher that teaches with individualization than Computer Teacher that teaches without individualization. 3. Elearning for disabled persons Nowadays there are some solutions of elearning systems adapted for disabled person needs (exemplary applications presented below using special interface). They do not use the whole possibilities that can be offered by intelligent elearning systems for persons without disabilities (see p. 2.3). I suggest that it is possible to adapt intelligent elearning systems (that ensure individualization of learning process by the use of learners models) to disabled persons needs considering their disabilities (see p. 3.3). 3.1 Elearning for blind persons Online learning environment [1] was designed for blind students in Italy (Palermo). The learning resources are web based and designed in easier manner to understood and to interact. The architecture of the system is based on clientserver model. Communication is based on Internet protocols: http and tcp/ip. All modules are developed using java language. Vocal interface and tools using vocal interface were developed enabling blind people to use asynchronous and synchronous communication, search for information by the use of Internet and surf the web. Learners can fully participate in online collaborative activities. et of tools for preparing new courses for blind people and tools to manage such courses were designed. 3.2 Elearning for deaf persons According to Office for the Disabled and Chronically ick in lovenia there are 6000 persons of deaf and hard of hearing [6]. tatistics inform that the register unemployment of disabled persons in lovenia is three to four times higher than unemployment rate of the remaining population. The cause is the education lack of disabled persons so appropriate education for disabled person is very important. lovenia took part in some international programs concerning education of deaf and hard hearing people.: Phare Project VIIOCOM (Video upported Online Communities) offering tools for weboriented multipoint videoconference, learning with tutors; OCRATE GRUNDTVIG Project BITEMA (Bilingual Teaching Material for Deaf by means of ICT) prototype of user interface on WWW suitable for deaf learners was designed (sections of user interface: sign language, subtitles, video control buttons, navigation bar, glossary). Questionnaire and tests concerning learning of deaf people were done. Better results were achieved by group of deaf learners using webbased lectures than traditional learning. Use of elearning systems is very important and useful for deaf learners on each level of their education and rehabilitation. 3.3 Intelligent elearning system for disabled persons Currently existing elearning systems adapted to disabled person needs (e.g. p. 3.1 for blind persons and p. 3.2 for deaf persons) are realized practically. They use bodily organs (being in good health) functions during learning process eliminating person disabilities. The way of adaptation can be used by intelligent elearning systems. Elaborated intelligent elearning system (see p. 2.3) ensures high quality elearning process of individualized and creative nature but it is not adapted for disabled persons. My new idea is to adapt intelligent elearning systems (using learner models) for disabled persons needs (considering their disabilities). This way disabled persons can use the whole functions offered for persons without

9 disabilities by intelligent elearning systems (enabling high quality creative, individualized learning process for disabled persons). 4. Conclusion tatistics show that the unemployment of disabled persons (see exemplary situation p.3.2) is a few times higher than unemployment rate of the remaining population. Appropriate education for disabled persons is very important to eliminate education lack. All barriers for disabled persons (technical, legal) concerning learning process and active participation in life should be removed. Elearning systems because of their features (learning independently on time and place in self pace) can be very helpful for appropriate education of disabled persons. They should be adapted to different kinds of disabilities (e.g. vocal interface for blind persons, videos using sign language for deaf persons). ome solutions of elearning systems according to different disabilities are made (see p.3.1, p. 3.2). uch elearning systems adapted to different disabilities should be based on functions of bodily organs in good health. The information and services offered by Internet should be designed appropriately according to disabled persons needs. ICT tools offer large benefits for learners with disabilities enabling effective learning process and active participation in the development of their community. Vocal interface and special tools using vocal interface, special printers and keyboards using Braille alphabet can support blind learners. Visual presentations (video presentations using sign language, pictures, animations, text) can support deaf learners. Intelligent elearning system (developed and examined in simulated environment) can be adapted to disabled persons needs (see p.3.3) ensuring effective learning: high quality creative, individualized learning process for disabled persons (offering the same functions as for people without disabilities). References 1. ARRIGO, M. (2005) ELearning Accessibility for blind students, Recent Research Developments in Learning Technologies, CHEC, J. (2006) Creative and Cognitive Aspects of ELearning Process, International EDEN Annual 2006 Conference. Vienna, Austria, June 2006 CHEC, J. (2008) Individualization of ELearning Process in New Learning Cultures, International EDEN Annual 2008 Conference. Lisbon, Portugal, June 2008 Chec, J. (2007) Intelligent Computer Teacher in ELearning ystems, 10 th International Conference ICL Villach, Austria, eptember 2007 CHEC, J. (2001) ODL ystem for Engineering Postgraduate tudies, 19 th International Conference on Technology and Education. Florida tate University, UA. May 2001 DEBEVC, M., DUGONIK, B., Use of Information and Communication Technology in Deaf and Hard of Hearing Educationin lovenia JOYCE, B., CALHOUN E AND HOPKIN D. (1997) Models of Learning Tools for Teaching, Buckingham: Open University Press KOLB, D. A. (1984) Experiential Learning, PrenticeHall MINOLI, D. (1996) Distance Learning. Technology and Applications, Teleport Communication Group, tevens Institute of Technology, Artech House, Inc. RUEL,. AND NORVIG P. (1995) Artificial Intelligence, London : PrenticeHall

10 WYBRANE PROBLEMY ELEKTRONICZNEJ GOPODARKI ŁÓDŹ 2009 Jolanta Chęć * PEDAGOGIKA DLA ELEARNING 1. Wprowadzenie Bardzo szybki rozwój technologii informacyjnych i komunikacyjnych umożliwił powstanie nowych form edukacji wykorzystywanych w procesie LLL (Life Long Learning). Nowe formy edukacji znacznie ułatwiają proces uczenia. W celu zapewnienia wysokiej jakości procesu uczenia systemy elearningowe powinny uwzględniać pedagogiczne aspekty procesu uczenia. Nowe formy edukacji są realizowane przez nowe instytucje edukacyjne: uniwersytet otwarty szkoła wyższa oferująca kursy niezależnie od przygotowania uczestników (nie są wymagane żadne dokumenty). Jest otwarta dla każdego; uniwersytet wirtualny instytucja edukacyjna wysokiego poziomu (może oferować uzyskanie stopni i zaświadczeń) udostępniająca kursy przy wykorzystaniu Internetu. Nie posiada fizycznej siedziby dla edukacji (posiada pomieszczenia tylko dla personelu pomocniczego takiego, jak administracja i personel techniczny); asynchroniczne sieci uczące (ALN) sieci ludzkie umożliwiające kształcenie na odległość w skali globalnej w dowolnym czasie i dowolnym miejscu. Łączą możliwość samokształcenia z interaktywnością asynchroniczną pomiędzy nauczycielem i uczniami oraz pomiędzy uczniami. Oferują uzyskanie stopni oraz zaświadczeń Technologie komputerowe stosowane w edukacji stanowią nowy element dodany do zestawu narzędzi wspomagających nauczanie. Proces pedagogiczny nie zmienia się, zmieniają się tylko narzędzia. Technologie komputerowe powinny być zestawem narzędzi poznawczych, a nie tylko narzędziami do zbierania, magazynowania i przesyłania informacji. Taką nową formą eedukacji, bardzo powszechną i odpowiednią dla procesu uczenia LLL, jest nauczanie na odległość (ODL; Open and Distance Learning) proces nauczania przy wykorzystaniu Internetu (narzędzia * Instytut Łączności PIB

11 2 Imię i Nazwisko Autora synchroniczne i asynchroniczne), w którym studenci i nauczyciel nie muszą być obecni w tym samym miejscu oraz mogą komunikować się ze sobą niezależnie od czasu. Proces nauczania na odległość charakteryzuje się niezależnością od miejsca i czasu nauki, wysoką interakcją (uczeńmateriał, uczeńuczniowie, uczniowienauczyciel), możliwością szybkiego wyszukiwania informacji, bogatymi technologiami prezentacji, możliwością samokształcenia oraz samokontroli. W dalszej części referatu omówione zostały teorie pedagogiczne wykorzystywane w systemach elearning, tworzenie przyjaznych środowisk uczenia, wskaźniki LAI opracowane dla oceny metod uczenia, model Fritza dla procesu uczenia oraz przykładowy system e learning z inteligencją. 2. Teorie pedagogiczne dla elearning Obecnie można wyróżnić następujące teorie pedagogiczne dotyczące procesu uczenia: behawioryzm określający uczenie jako rezultat reakcji na bodźce; model przetwarzania informacji wg psychologii kognitywnej uczący się przetwarza informacje podobnie jak robi to komputer; konstruktywizm określający uczenie jako budowanie wiedzy będące rezultatem interpretacji przyporządkowanych doświadczeniom uczącego się. 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. Opracowanie programu komputerowego umożliwiającego wykorzystanie komputera jako narzędzia intelektualnego, kreatywnego i poznawczego wymaga znajomości wiedzy z zakresu technologii

12 Tytuł artykułu 3 komputerowej, wiedzy w zakresie technologii kształcenia oraz wiedzy z zakresu stosowania narzędzi poznawczych. Jedną z teorii pedagogicznych bardzo przydatną dla tworzenia systemów elearning jest pedagogiczna teoria Kolb a. uwzględniająca aspekty pedagogiczne (rys. 1). AFEKTYWNIE KOMPLEKOWE Konkretne doświadczenie Aktywne eksperymentowanie BEHAVIORALNIE KOMPLEKOWE Wiedza przystosowawcza Wiedza zbieżna Wiedza rozbieżna Wiedza asymilacyjna Obserwacja refleksyjna PERCEPCYJNIE KOMPLEKOWE Abstrakcyjna konceptualizacja YMBOLICZNIE KOMPLEKOWE Rysunek 1. Pedagogiczna teoria Kolb'a. Źródło: [8] 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. Dwa wymiary uczenia (konkretny/abstrakcyjny oraz aktywny/refleksyjny), niezależne od siebie, definiują cztery tryby uczenia oraz cztery rodzaje wiedzy. Te cztery tryby uczenia to: konkretne doświadczenie, obserwacja refleksyjna, abstrakcyjna konceptualizacja,

13 4 Imię i Nazwisko Autora 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. 3. Środowiska uczenia Dla efektywnego uczenia wymagane jest odpowiednie środowisko. Środowiska uczenia, które wspierają cztery tryby uczenia 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). Praca społeczna Historia PRZYTOOWAWCZA ROZBIEŻNA Edukacja Biznes ZBIEŻNA AYMILACYJNA Matematyka Inżynieria elektryczności Fizyka Rysunek 2. Różne dziedziny akademickie w uczeniu empirycznym. Źródło: [8]

14 Tytuł artykułu 5 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 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 z 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 afektywnie i behawioralnie kompleksowego. Nauka przedmiotu z zakresu nauk humanistycznych (należącego do wiedzy rozbieżnej) wymaga środowiska afektywnie i percepcyjnie kompleksowego. Każde środowisko uczenia może być scharakteryzowane przez główne i drugorzędne cechy (tab. 1). 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).

15 6 Imię i Nazwisko Autora Tablica 1. Cechy środowiska Cechy środowiska Behavioralne Afektywne ymboliczne Percepcyjne Zapisy wykładów lajdy, tekst lajdy, tekst z audio lajdy, tekst z audio i wideo Teoria do odczytu tudia przypadku Ćwiczenia, zadania domowe, kwizy Wizualizacja Animacja ymulacja Partnerski feedback Personalizowany feedback Dzielone odczucia Zręczność/aktywne rozwiązanie problemu Nauczyciel jako korepetytor/pomocnik Nauczyciel jako ekspert/interpretator Nauczyciel jako przewodnik Nauczyciel jako model zawodu Rozmowa ekspercka/seminarium Autonomiczny (samokształcenie) uczeń Uczeń myśli samodzielnie Doświadczenia ucznia będące profesjonalnymi Uczeń określa własne kryteria powiązań Ogniskowanie się na procesie P Ogniskowanie się informacji na zadaniach i ich realizacja Narzędzie symboliczne P Źródło informacji jest tutaj i teraz Dyskusje w małych grupach P Konferowanie Przekaz synchroniczny Wykonanie ocenianie jako poprawne lub błędne Rozwiązanie problemu krok po kroku P P Cecha główna, Cecha drugorzędna Źródło: opracowanie własne

16 4. Model Fritza dla procesu uczenia Tytuł artykułu 7 Dobre rozumienie procesu uczenia jest bardzo ważne dla zaprojektowania i implementacji odpowiednich i użytecznych systemów elearning zapewniających efektywną naukę w wysokiej jakości środowisku uczenia. Proces uczenia jest wspomagany przez odpowiednie środowisko uczenia, gdzie uczniowie mogą zyskać stosowne doświadczenie. Budowanie i magazynowanie jednostek doświadczenia przez uczniów jest realizowane poprzez kombinację ludzkiego systemu sensorycznego, początkowej lub zdobytej wiedzy oraz budowania nowych doświadczeń w oparciu o oszacowanie poprzednich doświadczeń. Model Fritza dla procesu uczenia (rys. 3) został opracowany na bazie pracy badawczej prowadzonej przez Fritza, Martineza, Banque, Rama, Adobbati i arno dotyczącej autonomicznych systemów inteligentnych. Jest on zgodny z pedagogiczną teorią Kolba. W modelu Fritza występują następujące pojęcia dotyczące procesu uczenia: doznawanie sposób w jaki uczeń postrzega środowisko (poprzez tekst, obraz, animację, symulację i wizualizację); sytuacja jest specjalnym stanem (numeryczną wartością) doznawania, np. określona sytuacja może być objaśnieniem (w postaci audio) szczegółowego problemu dotyczącego zadania domowego; akcja wykonane przez ucznia działanie, które transformuje bieżącą sytuację lub stan do następnej sytuacji lub stanu. Akcje, wykonywane przez ucznia na środowisku, zmieniają sytuację lub stan; stan ucznia jest informacją konieczną do unikalnego scharakteryzowania postępów ucznia stosownie do spełniania misji; poziom przyjemności miara przyjemności jako wynik wykonania jednej lub ciągu akcji; poziom wykonania uczeń podczas wykonywania misji stanowi zbiór pomiarów wskazujących jak dobrze uczeń osiąga swoją misję; pojedyncze doświadczenie obejmuje 5 elementów: bieżącą sytuację, akcję, poziom przyjemności, poziom wykonania oraz następną sytuację; pojedyncza lekcja stanowi abstrakcję zbioru doświadczeń odnoszącego się do wykonania misji. Lekcje powodują uczenie się poprzez doświadczenia. Abstrakcja może być osiągnięta poprzez generalizację lub specjalizację, np. jako wynik abstrakcji lekcja może być reprezentowana przez 4 elementy: akcję, poziom przyjemności, poziom wykonania i zadanie;

17 8 Imię i Nazwisko Autora misja, zadanie lub podzadanie określa nauczenie się przedmiotu, szkolenie w zakresie specyficznej funkcji lub rozwój fachowości w specyficznym przedsięwzięciu. Generacja reguł uczenia (wskazówek dla procedur do generacji działań opartych na stanie, sytuacji i wydajności) pociąga za sobą doznania poprzez ludzkie zmysły, identyfikację zbioru sytuacji oraz generację stosownych działań w oparciu o stan systemu i wydajność systemu. Może dotyczyć doświadczenia, poziomu przyjemności i lekcji. Obok budowania i magazynowania jednostek doświadczenia proces uczenia obejmuje rozumowanie, które zapewnia uczniom naukę z lepszą wydajnością wraz z większym doświadczeniem. Rozumowanie stanowi także pomoc w procesie uczenia dla odkrywania, rozumienia oraz rozwiązywania problemów. Zaprojektowanie środowiska uczenia umożliwiającego efektywną naukę nie jest więc sprawą trywialną. Taksator całkowity wykonanie Decyzja ucznia akcja Wirtualne Środowisko Uczenia Obiekty doznawanie kładnik kontroli sytuacja Percepcja kładnik uczenia się poziom przyjemności Taksator przyjemności lekcja Moduł abstrakcji doświadczenie Obserwator Ryunek.3. Model Fritza procesu uczenia Źródło [6]

18 Tytuł artykułu 9 5. Ocena środowisk uczenia (wskaźniki LAI) Wykaz strategii uczenia i studiowania (Learning and tudy trategies Inventory; LAI) został opracowany jako zespół środków dla pomiaru strategii i metod dotyczących procesu uczenia i studiowania w różnych środowiskach. kłada się on z dziesięciu skal, każda dla pomiaru innego składnika procesu uczenia. Poniżej podano składniki procesu uczenia objęte pomiarem LAI: 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); 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; samotestowanie świadomość studenta w zakresie ważności samotestowania 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 online wykorzystywane są taksonomie dotyczące kształcenia na odległość. Wyróżnia się różne rodzaje taksonomii: taksonomię Barret a (zgodnie z

19 10 Imię i Nazwisko Autora którą proces uczenia może należeć do jednej z czterech kategorii) oraz taksonomię Merrilla (wykorzystującą macierz wykonanie (akcje nauczające) zawartość (rodzaj treści dydaktycznej). 6. Przykładowy system elearning z inteligencją wykorzystujący model ucznia Inteligentny system uczący (nauczyciel komputerowy) umożliwia ciągłą adaptację procesu uczenia do indywidualnych potrzeb ucznia i jego charakterystyki. Na rys. 4 została przedstawiona koncepcja takiego systemu zgodna z opracowaną przez IEEE LTC 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. Ocena Prezentacja Komunikacja Model ucznia ilnik uczący Baza metod Baza wiedzy Rysunek 4. Inteligentny ystem Uczący. Źródło: opracowanie własne ilnik 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 więcej 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. kładnik prezentacja umożliwia generację i prezentację materiału dydaktycznego na

20 Tytuł artykułu 11 różne sposoby. kładnik komunikacja określa poziom interaktywności środowiska uczenia. kładnik 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. 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 Wiedza wspólna ucznia i eksperta Błędna wiedza ucznia a) Nakładkowy model ucznia b) Dewiacyjny model ucznia Rysunek. 5. Modele uczniów Uczeń uczy się wykorzystując inteligentny system nauczający poprzez rozwiązywanie problemów. ystem porównuje swoje rozwiązanie z rozwiązaniem ucznia, przygotowuje diagnozę, wysyła zwrotnie stosowną