Inteligentny System Nauczający wykorzystany w procesie nauczania ODL (Open and Distance Learning)

Transkrypt

1 Samodzielna Pracownia Radiokomunikacji Morskiej w Gdańsku (P8) Inteligentny System Nauczający wykorzystany w procesie nauczania ODL (Open and Distance Learning) Praca nr Gdańsk, 2006

2 Inteligentny System Nauczający wykorzystany w procesie nauczania ODL (Open and Distance Learning) Praca nr Słowa kluczowe: systemy inteligentne w nauczaniu ODL, środki sztucznej inteligencji wykorzystywane w procesie ODL, indywidualizacja procesu nauczania ODL Kierownik pracy: mgr inż. Jolanta Chęć Wykonawcy pracy: mgr inż. Jolanta Chęć Kierownik Pracowni: mgr inż. Rafał Niski Copyright by Instytut Łączności, Warszawa 2006

3 Spis treści 1. Wprowadzenie Proces uczenia Teorie pedagogiczne Indywidualizacja procesu nauczania Kształcenie wspomagane komputerowo Nowe formy edukacji Specyfikacja (IEEE LTSC) systemów DL Strategie kształcenia Zastosowanie sztucznej inteligencji w edukacji Inteligentny System Nauczający (ISN) Koncepcja Inteligentnego Systemu ODL Architektura ISN Optymalizacja procesu e-learning przez ISN Środowisko symulacyjne Model ucznia Stochastyczność modelu ucznia Generacja losowa populacji modeli Przykładowe modele Eksperymenty w środowisku symulacyjnym Wnioski. 20 Literatura. 23 Załączniki 24 3

4 1. Wprowadzenie Bardzo szybki rozwój technologii informacyjnych i komunikacyjnych umożliwił powstanie nowych form edukacji dla usprawnienia procesu kształcenia trwającego przez całe życie (LLL). 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 edukacji, bardzo powszechną i odpowiednią dla procesu uczenia mogącego trwać przez całe życie (LLL; Life Long Learning), jest nauczanie na odległość (DL; Distance Learning) - proces nauczania przy wykorzystaniu Internetu (narzędzia 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 (uczeń-materiał, uczeń-uczniowie, uczniowie-nauczyciel), możliwością szybkiego wyszukiwania informacji, bogatymi technologiami prezentacji, możliwością samokształcenia oraz samokontroli. Nauczanie wspomagane komputerowo jest zaawansowanym sposobem przekazywania wiedzy. Jednak istniejące systemy nauczania na odległość w niewielkim stopniu wykorzystują możliwości, które stwarza ten typ edukacji. Systemy takie powinny zapewniać indywidualizację procesu nauczania. Bogate metody i narzędzia sztucznej inteligencji można zastosować dla wspomagania procesu nauczania na odległość. Jest to korzystne ze względu na jego specyfikę oraz możliwości oferowane przez sztuczną inteligencję. Metody sztucznej inteligencji stwarzają możliwość dostosowania procesu nauczania realizowanego w technologii DL do indywidualnych potrzeb studiujących. Przy wykorzystaniu metod sztucznej inteligencji możliwa jest konstrukcja inteligentnego systemu nauczającego (ISN) usprawniającego proces nauczania na odległość poprzez ciągłą adaptację takiego systemu do indywidualnych możliwości i potrzeb ucznia w trakcie procesu uczenia. Inteligencja takiego systemu nauczającego zawiera się w podejmowanych przez niego decyzjach pedagogicznych o tym jak uczyć na podstawie gromadzonej o uczniach informacji. Adaptacja inteligentnego systemu nauczającego (nauczyciel komputerowy) do indywidualnego ucznia wymaga przeprowadzenia wielu prób trudnych lub niemożliwych do zrealizowania w środowisku rzeczywistym, dlatego konieczne było utworzenie środowiska symulacyjnego interakcji nauczyciela z uczniem. Środowisko to obejmuje populację modeli uczniów generowanych losowo. Populacja modeli uczniów jest zbliżona do rzeczywistej populacji uczniów. Przeprowadzono szereg eksperymentów w środowisku symulacyjnym dla zbadania i optymalizacji działania ISN Teorie pedagogiczne 2. Proces uczenia 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; 4

5 konstruktywizm określający uczenie jako budowanie wiedzy będące rezultatem interpretacji przyporządkowanych doświadczeniom uczącego się. Bardzo przydatną dla tworzenia systemów w technologii ODL uwzględniających aspekty pedagogiczne jest pedagogiczna teoria Kolb a. 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. 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, 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 Wiedza zbieżna Wiedza asymilacyjna Obserwacja refleksyjna PERCEPCYJNIE KOMPLEKSOWE Abstrakcyjna konceptualizacja SYMBOLICZNIE KOMPLEKSOWE Rys.1. Pedagogiczna teoria Kolb'a Każda dziedzina akademicka taka, jak fizyka, matematyka, historia, inżynieria, itp. należy do jednego z rodzajów wiedzy określonych przez teorię Kolb a. Taka klasyfikacja jest bardzo przydatna dla zaprojektowania odpowiedniego środowiska uczenia. Dla efektywnego uczenia wymagane jest odpowiednie środowisko. Zgodnie z teorią Kolb a środowiska uczenia, które 5

6 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). Każde środowisko uczenia może być scharakteryzowane przez główne i drugorzędne cechy. 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). Teoria Kolb a jest bardzo użyteczna dla tworzenia przyjaznych środowisk uczenia, ułatwiających proces uczenia z uwzględnieniem typów wiedzy i stylów uczenia. Pomocny dla pomiaru strategii i metod dotyczących procesu uczenia i studiowania w różnych środowiskach jest opracowany zespół środków LASSI (wykaz strategii uczenia i studiowania). Składa się on z dziesięciu skal, każda dla pomiaru innego składnika procesu uczenia Indywidualizacja procesu nauczania Celem indywidualizacji pracy ucznia jest poprawianie wyników uczenia się dzięki wykorzystaniu indywidualnych właściwości uczącego się i zwiększaniu jego indywidualnych możliwości. Dla nauczyciela uczącego w sposób zindywidualizowany istotne są te właściwości uczniów różnicujące ich między sobą, które wyznaczają możliwości i sposób uczenia się. Możliwości uczenia się to właściwości psychofizyczne określające w danym momencie granice efektów uczenia się. Każdy uczeń w sobie właściwy sposób uzyskuje, organizuje, wykorzystuje i przechowuje w pamięci wiadomości oraz wykonuje towarzyszące temu czynności. Można założyć, że uczniów o podobnych możliwościach można doprowadzić do identycznych efektów kształcenia jeśli pozwoli im się na zróżnicowany sposób uczenia. Jeśli sposób nauczania będzie jednakowy dla wszystkich to osiągnięte wyniki będą się różnić. W przypadku nauczyciela człowieka zgodnie z przeprowadzonymi badaniami i analizami pedagogicznych aspektów procesu uczenia możliwe jest stosowanie następujących sposobów indywidualizowania: Indywidualizowane przydziały czasu uczeń powinien otrzymywać na nauczenie się danego materiału tyle czasu ile potrzebuje z powodu swoich zdolności, stylu pracy i innych ważnych cech; Uzupełnienia wiadomości i umiejętności stosuje się zajęcia wyrównawcze i przygotowujące dla wybranych grup, bądź lekcje powtórzeniowe lub wprowadzające; 6

7 Zmiany zakresu i układu treści treść powinna być interesująca i odpowiednio trudna dostosowana do danego ucznia; Cele indywidualne informowanie ucznia o stawianych przed nim celach nauki; Dobieranie metody nauczania należy uwzględnić różnice w utrwalaniu materiału (częstość powtórek), sposób dostarczania uczniom informacji zwrotnej, zindywidualizowany charakter kontroli (częstotliwość kontroli, zakres materiału i celów, który kontrola obejmuje); Grupowanie uczniów uczniów grupuje się, aby ujednolicić grupę pod względem zdolności, zainteresowań czy też wykonywanych zadań bądź celów Wykorzystanie środków nauczania uczniowie otrzymują indywidualne pakiety dydaktyczne zawierające materiały dydaktyczne odpowiadające osobniczym właściwościom ucznia razem z programem pracy w zindywidualizowanym tempie, ze zindywidualizowaną kontrolą, przewidzianym kontaktem z nauczycielem, a przede wszystkim ze zindywidualizowanym zestawem celów; 3.1. Nowe formy edukacji 3. Kształcenie wspomagane komputerowo Bardzo szybki rozwój technologii informacyjnych i komunikacyjnych umożliwił powstanie nowych form edukacji dla procesu LLL takich, jak: uczenie wspomagane komputerowo (CAL) uczenie się przy wykorzystaniu komputera do nauki we własnym tempie; uczenie grupowe wspomagane komputerowo (CSCL) nauka grupowa przy wykorzystaniu komputera; kształcenie na odległość (DL) proces uczenia z wykorzystaniem Internetu (narzędzia synchroniczne i asynchroniczne), w którym uczniowie i nauczyciel nie muszą być obecni w tym samym miejscu oraz mogą komunikować się niezależnie od czasu. Nowe formy edukacji znacznie ułatwiają proces uczenia. W szczególności kształcenie na odległość charakteryzuje się niezależnością od miejsca i czasu nauki, możliwością samokształcenia oraz samokontroli, wysoką interakcją (uczeń-materiał, nauczyciel-uczniowie, uczeń-uczniowie), możliwością szybkiego wyszukiwania informacji, bogatymi technologiami prezentacji. Stosując różne kryteria można wyróżnić różne grupy modeli systemów realizujących kształcenie na odległość. Możliwe jest wyróżnienie następujących modeli DL: ze względu na czas w którym odbywa się nauka: modele synchroniczne, modele asynchroniczne; ze względu na miejsce, w którym odbywa się nauka: nauka poza campusem (off-campus): very far from campus, near campus; nauka w campusie (on-campus); geograficznie rozproszone grupy kohortowe; ze względu na czas i miejsce, w którym odbywa się nauka: 7

8 w tym samym czasie i w tym samym miejscu; w tym samym czasie i w różnych miejscach; w różnym czasie i w tym samym miejscu; w różnym czasie i w różnych miejscach; ze względu na pomoc nauczyciela-opiekuna w procesie uczenia 3.2. Specyfikacja (IEEE LTSC) systemów DL Znormalizowana specyfikacja architektury systemów kształcenia na odległość (LTSA) została opracowana przez IEEE LTSC (IEEE Learning Technology Standards Committee). Jest ona bardzo przydatna przy opracowywaniu kompatybilnych systemów kształcenia na odległość. Zapewnienie wysokiej jakości procesu uczenia wymaga nie tylko dostarczenia treści dydaktycznej oraz podłączenia i korzystania z Internetu. Systemy umożliwiające realizację kształcenia na odległość powinny być systemami o charakterze otwartym. Na rys. 2 pokazana została architektura otwartych systemów kształcenia na odległość (ODL Systems) zgodnie ze standardem LTSA. Składa się ona z następujących elementów: Procesy (uczeń, nauczyciel, dostawa, ocena); Pamięci (baza danych, biblioteka wiedzy); Połączenia (zawartość ucząca, multimedia, styl uczenia, oszacowanie, wykonanie, zachowanie, indeks zapytania, indeks zawartości, indeks lokalizacji); Multimedia Uczeń Zachowanie Dostawa Zawartość ucząca Biblioteka wiedzy Zawartość ucząca Index lokalizacji Index zawartości (metadata) Index zapytania Styl uczenia Nauczyciel Oszacowanie Wykonanie (historia) Wykonanie (nowe) Ocena Wykonanie (bieżące) Baza danych 3.3. Strategie kształcenia Rys 2. System ODL 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 8

9 uzupełniają i wzbogacają proces dydaktyczny. Istnieją dwa typy strategii podstawowych: strategie przetwarzania materiału i strategie aktywnej nauki. 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. 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). 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 (rys. 3) 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. narzędzia poznawcze Aktywność Pasywność Nauczyciel Kontrola Uczeń Reprodukcja Generacja Tworzenie Rys.3. Narzędzia poznawcze 3.4. Zastosowanie sztucznej inteligencji w edukacji Wykorzystanie sztucznej inteligencji w edukacji umożliwia tworzenie wysokiej jakości systemów edukacyjnych z inteligencją. Narzędzia sztucznej inteligencji zapewniają indywidualizację procesu uczenia zgodnie z potrzebami i charakterystyką ucznia. Indywidualizację procesu uczenia obejmuje: 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. Porównanie cech różnych dziedzin sztucznej inteligencji zostało przedstawione w tablicy 1. 9

10 Każda z dziedzin sztucznej inteligencji posiada pewne zalety i ograniczenia przy rozwiązywaniu złożonych problemów. Połączenie różnych dziedzin sztucznej inteligencji w jednym systemie 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 m.in. adaptacji do zmieniającego się środowiska. Dlatego systemy takie nazywa się inteligentnymi. Opracowane zostały różne rozwiązania systemów inteligentnych (realizujące zadania cząstkowe) dla Tabl. 1. Porównanie dziedzin Sztucznej Inteligencji Dziedziny Sztucznej Inteligenccji Główne cechy Sieci neuronowe Algorytmy genetyczne Systemy rozmyte Systemy eksperckie Przetworzenie wiedzy niepewnej i nieprecyzyjnej bardzo dobre dostateczne bardzo dobre złe Automatyzacja akwizycji wiedzy bardzo dobre bardzo dobre zła zła Wyjaśnienie złe dostateczne dobre bardzo dobre usprawnienia procesu nauczania na odległość. Roboty wiedzy wykorzystują techniki inteligentnego agenta, umożliwiając automatyzację rutynowych zadań realizowanych przez tutoraczłowieka. Systemy instruktażowe są systemami eksperckimi. Agenci pedagogiczni opierają się na paradygmacie autonomicznego agenta umożliwiając naturalne interakcje z uczniami. Sieci bayesowskie mogą być wykorzystywane do przechowywania informacji o wiedzy ucznia. Metody rozmyte mogą być zastosowane do reprezentacji niepewności w modelu ucznia. Sieci neuronowe jako sieci samoorganizujące się mogą pomagać uczniom w znalezieniu stosownych materiałów uzupełniających w sieci web. Sieci neuronowe mogą służyć także do monitorowania indywidualnych postępów w ramach kursów ODL. Zastosowanie sztucznej inteligencji umożliwia tworzenie inteligentnych środowisk uczenia. Poniżej przedstawiony został opracowany nauczyciel komputerowy, który umożliwia indywidualizację procesu uczenia w sposób optymalny Koncepcja Inteligentnego Systemu ODL 4. Inteligentny System Nauczający (ISN) Inteligentny System ODL umożliwia ciągłą adaptację procesu uczenia zrealizowanego w technologii ODL do indywidualnych potrzeb ucznia i jego charakterystyki. Na rys. 4 została przedstawiona koncepcja takiego systemu zgodna z opracowaną przez IEEE LTSC specyfikacją architektury systemów DL. Inteligentny System ODL zgodnie z tą koncepcją składa się z 10

11 następujących składników: silnika uczącego, modelu użytkownika (ucznia), bazy wiedzy, bazy metod, oceny, prezentacji i komunikacji. 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 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. 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. W modelu nakładkowym wiedza ucznia stanowi podzbiór wiedzy eksperta. W modelu dewiacyjnym wiedza ucznia składa się z podzbioru wiedzy eksperta oraz błędnej wiedzy ucznia. Prezentacja Ocena Komunikacja Silnik uczący Model użytkownika Baza metod Baza wiedzy Rys. 4. Inteligentny System ODL W procesie uczenia zrealizowanym w technologii ODL można wyróżnić dwie fazy: rozumienie konceptualne i uczenie w głąb (rys. 5). Faza rozumienia konceptualnego umożliwia zrozumienie powiązań pomiędzy modułami materiału dydaktycznego. Składa się ona z następujących części: Struktura zewnętrzna i problemy - pomaga zrozumieć powiązania pomiędzy materiałem dydaktycznym i innymi kursami w zakresie danego obszaru zainteresowań. Zaprojektowana jest dla uczenia problemowego; Struktura wewnętrzna czyni jawnymi konceptualne powiązania pomiędzy modułami wiedzy oraz informuje uczniów, które moduły wiedzy powinni poznać wcześniej, aby bieżący moduł mógł być zrozumiały. 11

12 Faza uczenia w głąb umożliwia uczniom korzystanie z trzech różnych sposobów prezentacji materiału, takich jak: teoria, przykłady, pokazy. Uczniowie mogą także wybrać stosowny materiał uzupełniający. Inteligentny System ODL przystosowuje w sposób optymalny materiał dydaktyczny (personalizacja e-content) do indywidualnego ucznia (z uwzględnieniem wiedzy i zdolności ucznia), sprawdza wiedzę ucznia i uczy go w sposób optymalny. Uczniowie mogą uczyć się na różne sposoby z uwzględnieniem ich stylów uczenia, posiadanej wiedzy, celów i zainteresowań. Uczniowie mogą być informowani o ocenie ich wiedzy w zakresie studiowanego materiału z wykorzystaniem logu uczenia. Rozumienie konceptualne styl uczenia Struktura zewnętrzna i problemy Struktura wewnętrzna Wybór materiału wiedza ucznia log uczenia Uczenie w głąb Teoria Temat Przykłady Pokaz Wybór materiału uzupełniającego Materiał uzupełniający 1 Materiał uzupełniający 2 Materiał uzupełniający n Oszacowanie rozumienia Rys. 5. Kształcenie wspomagane komputerowo Inteligentny System ODL, 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. Uczeń może uczyć się wykorzystując Inteligentny System ODL 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. Inteligentny System ODL wykorzystuje strukturę punktów węzłowych (rys. 6). 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 12

13 decyzji w trakcie uczenia. Taki układ struktury daje możliwość dokonywania wyboru drogi uczenia się a tym samym stwarza dogodne warunki do indywidualizacji kształcenia. Rys. 6. Struktura punktów węzłowych Dla realizacji koncepcji Inteligentnego Systemu ODL opracowany został ISN oraz środowisko symulacyjne umożliwiając przeprowadzenie szeregu badań Architektura ISN Opracowany Inteligentny System Nauczający (automatyczny nauczyciel komputerowy) umożliwia ciągłą adaptację do wiedzy uczniów i i ich zdolności (zapewniając indywidualizację procesu uczenia). ISN działa zgodnie z algorytmem optymalnego nauczania zapewniając każdemu uczniowi optymalny proces uczenia. ISN wykorzystuje dwa rodzaje akcji pedagogicznych: akcje nauczające i akcje testujące. Proces nauczania zrealizowany jest przy wykorzystaniu akcji nauczających. Ocena wiedzy ucznia zrealizowana jest przy wykorzystaniu akcji testujących. Przyjęto, że akcje testujące nie zmieniają wiedzy ucznia (ze względu na ich znikomy efekt nauczający). Nauczyciel a L1 L 1 Ekstraktor cech Sieć neuronowa a Li L i a LN L N 13

14 Rys. 7. Architektura środowiska symulacyjnego Inteligencja takiego Inteligentnego Systemu Nauczającego zawarta jest w jego decyzjach pedagogicznych (jak i czego uczyć) oraz informacji o uczniach. ISN wykorzystuje informacje z modelu ucznia w celu określenia decyzji pedagogicznych stosownie do potrzeb każdego ucznia (w szczególności dla kontroli postępów ucznia i adaptacji do indywidualnego ucznia). ISN składa się z dwóch głównych komponentów: ekstraktora cech i sieci neuronowej (rys.7 ). Ekstraktor cech zawiera pamięć wykorzystywaną do gromadzenia informacji dotyczących procesu nauczania. Pamięć jest wykorzystywana do ekstrakcji głównych cech procesu uczenia dotyczących każdego ucznia L i (i=1,,n). Cechy te są wykorzystywane przez sieć neuronową w celu wyboru stosownej akcji pedagogicznej dla indywidualnego ucznia L i. Wyniki akcji testującej (testu) przesyłane są do modułu ekstraktora cech w celu przechowania i dalszej analizy Optymalizacja procesu e-learning przez ISN ISN umożliwia realizację wysokiej jakości procesu e-learning. Optymalizacja ISN zapewnia optymalizację procesu e-learning. Badania i optymalizacja ISN wymagają utworzenia odpowiedniego środowiska symulacyjnego, które obejmuje populację różnych modeli uczniów wygenerowaną losowo, zapewniając populację modeli o rozkładzie zdolności podobnym do typowego rozkładu zdolności rzeczywistej grupy uczniów. Takie środowisko symulacyjne pozwala na wykonanie szeregu prób trudnych lub niemożliwych do realizacji w środowisku rzeczywistym. Kryterium optymalizacji działania ISN zostało sformułowane jako osiągnięcie maksymalnego możliwego poziomu wiedzy przez reprezentatywną grupę różnych uczniów (populację uczniów symulowanych o rozkładach zdolności podobnych do typowych rozkładów w populacji rzeczywistej grupy uczniów), w zakresie prowadzonego kursu (materiału dydaktycznego). ISN oceniany jest poprzez wyniki osiągnięte przez populację uczniów w czasie procesu nauczania. Integracja procesu nauczania (akcje nauczające) z oceną wiedzy ucznia (akcje testujące) zapewnia optymalizację ISN (tj. indywidualizację procesu nauczania na wysokim poziomie), a tym samym naukę każdemu uczniowi w optymalnie dla niego dobranym trybie. Poziom wiedzy ucznia może być określony jako całkowita wiedza w zakresie wszystkich jednostek dydaktycznych kursu (suma ważona wiedzy dotyczącej poszczególnych jednostek). W środowisku symulacyjnym przeprowadzone zostały eksperymenty dla różnych populacji modeli uczniów. Po wielu próbach sieć neuronowa (składnik ISN) działa lepiej. Po wytrenowaniu sieć neuronowa wybiera w sposób optymalny odpowiednią akcję pedagogiczną dla każdego modelu ucznia. ISN przy użyciu określonej liczby akcji pedagogicznych (wybranych przez sieć neuronową zgodnie z algorytmem optymalnego nauczania) umożliwia osiągnięcie najwyższego poziomu wiedzy w zakresie kursu przez reprezentatywną grupę różnych uczniów. Za pierwszym razem ISN dostarcza tę samą sekwencję nauczającą do wszystkich modeli uczniów. Następne sekwencje pedagogiczne dostarczane do modeli uczniów (różne dla poszczególnych modeli uczniów) zależą od poprzednich sekwencji i ich wyników (wyniki testów) zapewniając indywidualizację procesu uczenia dla każdego modelu ucznia. W wyniku porównania ISN nauczającego bez indywidualizacji (te same sekwencje pedagogiczne dla każdego modelu ucznia z danej populacji) z ISN nauczającym z indywidualizacją (różne 14

15 sekwencje pedagogiczne dla każdego modelu ucznia z tej samej populacji) okazało się, że lepsze wyniki osiąga populacja modeli nauczana z indywidualizacją. 5. Środowisko symulacyjne Środowisko symulacyjne umożliwia przeprowadzenie wielu prób dla indywidualizacji i optymalizacji procesu uczenia. Środowisko symulacyjne obejmuje populację modeli uczniów wygenerowaną losowo (zapewniającą różnorodność modeli podobną do typowej grupy rzeczywistych uczniów) oraz model nauczyciela (automatyczny nauczyciel komputerowy w miejsce nauczyciela człowieka). W środowisku symulacyjnym możliwe jest powtarzanie prób od początku (co jest niemożliwe w środowisku rzeczywistym) oraz badanie zachowania ISN dla różnych populacji modeli uczniów. ISN może być badany i optymalizowany przy wykorzystaniu różnorodnych modeli uczniów (tak więc utworzenie odpowiedniej populacji modeli uczniów jest bardzo ważne dla optymalizacji ISN). Przeprowadzone zostały eksperymenty (poniżej opisane) w celu zbadania komponentów środowiska symulacyjnego (w szczególności modeli uczniów wygenerowanych losowo oraz nauczyciela komputerowego) dla utworzenia odpowiedniego środowiska uczenia na potrzeby ISN zapewniając optymalizację ISN (indywidualizacja procesu nauczania dla każdego ucznia) Model ucznia W celu prezentacji modelu ucznia w środowisku symulacyjnym wybrany został model automatowy. Uczeń reprezentowany jest przez automat składający się z określonej liczby stanów. Stan automatu reprezentuje macierz S, składająca się z dwóch wierszy: w1 s = z1 Pierwszy wiersz jest wektorem wiedzy składającym się z N elementów odpowiadających poszczególnym jednostkom materiału dydaktycznego (materiał dydaktyczny składa się z N jednostek). Każdy element wektora wiedzy określa poziom wiedzy ucznia w zakresie odpowiadającej mu jednostki dydaktycznej. Poziomy wiedzy ucznia mieszczą się w przedziale liczb naturalnych: <0, R>. 0 oznacza brak wiedzy w zakresie danej jednostki dydaktycznej. Każda jednostka materiału dydaktycznego może być przedstawiona na wielu poziomach trudności zależnie od zdolności ucznia. Jednostka dydaktyczna składa się z porcji w zależności od stopnia trudności. Merytoryczna zawartość jednostki dydaktycznej jest niezależna od jej prezentacji. Stopnie trudności mieszczą się w przedziale liczb naturalnych: <0, T>. Numery porcji mieszczą się w przedziału liczb naturalnych: <0, P>. Akcja nauczająca a j iu dostarcza porcję u jednostki i materiału dydaktycznego zgodnie ze stopniem trudności j. Akcja testująca dostarcza numer jednostki dydaktycznej i w wyniku uzyskuje ocenę wiedzy ucznia w zakresie tej jednostki. Akcja testująca bez numeru jednostki dydaktycznej uzyskuje ocenę ucznia w zakresie całego kursu. Drugi wiersz macierzy S jest wektorem pamięci składającym się z N elementów odpowiadających poszczególnym jednostkom materiału dydaktycznego. Jest wykorzystywany dla uwzględnienia procesu zapominania wiedzy. Model ucznia charakteryzują wygenerowane losowo parametry pamięci. w z N N 15

16 5.2. Stochastyczność modelu ucznia Model ucznia jest modelem stochastycznym. Przejścia jego stanów są opisane przez macierz przejść. Każda dwuwymiarowa macierz jest określona dla jednej akcji nauczającej. Tak więc liczba takich macierzy jest równa liczbie wszystkich akcji nauczających. Wiersze takiej macierzy reprezentują stare stany w modelu ucznia, natomiast jej kolumny reprezentują nowe stany w modelu ucznia. Każdy element macierzy określa prawdopodobieństwo p ij przejścia modelu ucznia ze stanu s i do nowego stanu s j pod wpływem akcji nauczającej dla której dana macierz została określona. s 1 s 2 M s i M s Q s ' 1 p 11 p 21 p i1 p Q1 s ' 2 p 12 p 22 p i2 p Q 2 s ' j p 1 j p 2 j p ij p Qj s ' K p 1K p 2K p ik p QK Na rys. 8 pokazany został fragment grafu dla stochastycznego modelu ucznia. Dla każdej akcji nauczającej podane jest w nawiasach prawdopodobieństwo przejścia modelu ucznia z jednego stanu do innego pod wpływem tej akcji. 1 a 12 (0.2) a 2 11 (0.9) S 2 2 a 21 (0.5) S 3 a 3 11 (0.6) S 0 3 a 11 (0.3) 1 a 12 (0.8) a 2 21 (0.5) a 3 11 (0.1) a 2 11 (0.1) S 1 S 4 Rys. 8. Fragment grafu dla stochastycznego modelu ucznia Można zauważyć następujące przypadki: dla akcji a 3 11: p 02 =0.3, p 00 =0.6, p 01 =0.1 i p 02 + p 00 + p 01 =1; 16

17 dla akcji a 2 11: p 02 =0.9, p 01 =0.1 i p 02 + p 01 =1; dla akcji a 2 21: p 23 =0.5, p 24 =0.5 i p 23 + p 24 =1; dla akcji a 1 12: p 22 =0.2, p 21 =0.8 i p 22 + p 21 =1 gdzie p ij określa prawdopodobieństwo przejścia modelu ze stanu s i do stanu s j dla określonej akcji nauczającej Generacja losowa populacji modeli Modele uczniów na potrzeby ISN generowane są w sposób losowy. Zapewnia to dużą różnorodność modeli uczniów umożliwiając wysokiej jakości indywidualizację procesu e-learning. Modele generowane są z parametrami dotyczącymi m.in. poziomów wiedzy ucznia, stopni trudności, jednostek dydaktycznych kursu, powiązań pomiędzy jednostkami kursu, porcji jednostek, parametrów pamięci, itp. Założono, że ISN wykorzystuje ustaloną liczbę akcji pedagogicznych w ramach kursu dla każdego modelu ucznia (ale różne akcje dla poszczególnych modeli uczniów). Zgodnie z tym zdolność modelu została określona jako maksymalny możliwy do osiągnięcia poziom wiedzy ucznia w ramach ustalonej liczby akcji pedagogicznych kursu (specyficzny dla każdego indywidualnego modelu ucznia). Populacje modeli uczniów wykorzystywane w eksperymentach zostały wygenerowane zgodnie z rozkładem Gaussa (rys.9) dot. zdolności modeli uczniów w ramach populacji. Takie populacje modeli są podobne do populacji rzeczywistych uczniów. f(x) Uczniowie słabi μ - σ μ uczniowie przecietni μ - σ Uczniowie b. dobrzy Rys. 9. Rozkład Gaussa dla zdolności modeli uczniów Zdolność ucznia 5.4. Przykładowe modele Zostały przyjęte następujące założenia dla przykładowych modeli uczniów ( rys. 10): Ilość jednostek materiału dydaktycznego = 5; Poziomy wiedzy ucznia dla jednostki i materiału dydaktycznego: 0, 1, 2, 3 Stopnie trudności: 1, 2, 3 (3 = najtrudniejszy); Liczba porcji w jednostce: 1, 2, 3; 17

18 a) a 3 11 a 3 21 a 3 41 S0 S1 S2 S3 S4 a 3 31 a 1 11 a 1 13 a 2 31 a 2 32 a 3 51 S9 a 1 12 S11 S10 S5 a 3 21 b) a 1 11 a 1 12 a 1 13 S0 S9 S6 S1 a 2 21 S8 a 2 22 S7 c) a 2 11 a 2 12 a 1 21 S0 S6 S1 S7 S9 a 1 22 S14 a 2 41 S12 a 3 31 S2 a 1 23 S8 a 2 42 S15 Rys.10. Fragmenty grafów dla wybranych modeli uczniów a) bardzo dobry uczeń b) uczeń słaby c) uczeń średni 18

19 Jednostka i materiału dydaktycznego może być dostarczona według stopnia trudności przy użyciu następujących akcji nauczających: Stopień trudności = 3: a 3 i1; Stopień trudności = 2: a 2 i1, a 2 i2; Stopień trudności = 1: a 1 i1, a 1 i2, a 1 i3. Przykładowe wyniki akcji nauczających dotyczących jednostki i materiału dydaktycznego dla trzech wybranych modeli ucznia: Akcja a 3 i1: Akcja a 2 i1: Bardzo dobry uczeń: w i = 3 Bardzo dobry uczeń: w i = 2 Uczeń średni: w i = 1 Uczeń średni: w i = 2 Uczeń słaby: w i = 0 Uczeń słaby: w i = 1 Akcja a 2 i2: Akcja a 1 i1: Bardzo dobry uczeń: w i = 3 Bardzo dobry uczeń: w i = 1 Uczeń średni: w i = 3 Uczeń średni: w i = 1 Uczeń słaby: w i = 2 Uczeń słaby: w i = 1 Akcja a 1 i2: Akcja a 1 i3: Bardzo dobry uczeń: w i = 2 Bardzo dobry uczeń: w i = 3 Uczeń średni: w i = 2 Uczeń średni: w i = 3 Uczeń słaby: w i = 2 Uczeń słaby: w i = 3 Akcja a 2 i2 została poprzedzona przez akcję a 2 i1 Akcja a 1 i2 została poprzedzona przez akcję a 1 i1 Akcja a 1 i3 została poprzedzona przez akcję a 1 i2 Definicje wektorów wiedzy w stanach automatu wykorzystane w wybranych modelach uczniów W0 = [0,0,0,0,0] W1 = [3,0,0,0,0] W2 = [3,3.0,0,0] W3 = [3,3,3,0,0] W4 = [3,3,3,3,0] W5 = [3,3,3,3,3] W6 = [2,0.0,0,0] W7 = [3,1,0,0,0] W8 = [3,2,0,0,0] W9 = [1,0,0,0,0] W10 = [3,3.2,0,0] W11 = [2,0,0,0,0] W12 = [3,3,1,0,0] W14 = [3,3,1,2,0] W15 = [3,3.1,3,0] 5.5. Eksperymenty w środowisku symulacyjnym Przeprowadzone zostały eksperymenty mające na celu utworzenie odpowiedniego środowiska symulacyjnego na potrzeby ISN zapewniającego optymalizację działania ISN. Zostało zauważone, że modele uczniów z tą samą zdolnością posiadają różny rozkład zdolności. ISN uwzględnia tę cechę modelu ucznia w celu lepszej indywidualizacji procesu uczenia. Model 19

20 ucznia powinien być scharakteryzowany nie tylko przez zdolność zdefiniowaną jako maksymalny możliwy poziom wiedzy do osiągnięcia przez ucznia poprzez akcje pedagogiczne w ramach kursu ale także przez jego rozkład zdolności określony przez częstotliwość osiągania przez ucznia poszczególnych poziomów wiedzy (szczególnie wysokich poziomów) przy wykorzystaniu sekwencji akcji pedagogicznych % wszystkich sekwencji a) Wiedza ucznia % wszystkich sekwencji b) Wiedza ucznia Rys. 11. Rozkład zdolności dla różnych uczniów Rys.11 pokazuje rozkład zdolności (wynik szeregu eksperymentów przeprowadzonych w środowisku symulacyjnym) dla przykładowych uczniów. Szare słupki na wykresie a) pokazują rozkład zdolności ucznia słabego. Czarne słupki na wykresie a) pokazują rozkład zdolności ucznia bardzo zdolnego. Szare słupki na wykresie b) pokazują rozkład zdolności ucznia przeciętnego. Czarne słupki na wykresie b) pokazują rozkład zdolności ucznia przeciętnego (ale lepszego od ucznia reprezentowanego przez szare słupki na wykresie b). 6. Wnioski Projekt stanowi kontynuację moich poprzednich prac prowadzonych w Instytucie Łączności dotyczących zastosowania metod i narzędzi sztucznej inteligencji w edukacji oraz opracowa- 20