CC BY
11
Научни трудове на Съюза на учените в България - Пловдив Серия В. Техника и технологии, том XIII., Съюз на учените, сесия 5 - 6 ноември 2015 Scientific Works of the Union of Scientists in Bulgaria-Plovdiv, series C. Technics and Technologies, Vol. XIII., Union of Scientists, ISSN 1311-9419, Session 5 - 6 November 2015.
АВТОМАТИЗИРАНО ГЕНЕРИРАНЕ НА АДАПТИВЕН ПЛАН ЗА ОБУЧЕНИЕ
Георги Пашев Пловдивски Университет „Паисий Хилендарски"
Работата описва модели, структури от данни и софтуер за описание на метаданни, използван в интегрираната среда за адаптивно обучение PU Adapt, която в момента се използва като курсов модул в Moodle за автоматизиране на процеса за генериране на План за обучение (ПО) в даден курс в Moodle. Моделът на предметната област (МПО) и Моделът на Курса формално са дефинирани като насочени хиперграфи с определени типове възли и ребра. Редактиращи преподаватели, регистрирани като такива в курса, могат да дефинират МПО, МК и метаданните за наличните учебни модули, които са достъпни в интегрираната среда. За реализацията се използва авторски фреймуърк за изпълнение на работни процеси Tiny Work-Flow (TinyWf).
AUTOMATED GENERATION OF ADAPTIVE CURRICULUM GRAPH
GeorgiPashev University of Plovdiv "PaisiiHilendarski"
Abstract:The paper describes a methodology, data structures, algorithm and a software which is used in the integrated Adaptive Learning Environment PUAdapt, which is currently used as a Moodle Course Module, to automate the process of generation of adaptive curriculum graph of a given course in Moodle. Subject Area Description and Course Description are formally defined as hypergraphs with certain types of nodes and edges. Editing teachers, registered in the course are currently supposed to define its Subject Area Graph and Course Description and the Concepts Metadata of training and examination modules, which are present in the educational environment by using an intuitive user interface, provided by our own TinyWf Work-flow Management System.
Keywords: E-learning, adaptivity, courseware, intelligent tutoring systems, hypergraphs, work-flow
Въведение
Не винаги е възможно да се реализира персонализираност в обучителния процес. Следователно, учените трябвало да търсят други форми на преподаване, за да се постигне почти същата ефективност, чрез различни техники на адаптация. Подходи на преподаване
и техники, които са насочени спрямо нуждите на индивидуални обучавани се наричат адаптивно преподаване. [1]
Адаптивни системи са тези, които могат да променят своята структура, функционалност или потребителски интерфейс, така, че да адресират различни нужди на индивиди, групи, както и да се адаптират спрямо промяната на техните нужди с времето. [2]
Измежду техниките за адаптация в интелигентните системи за обучение са: генериране на поредици на съдържание, интелигентен анализ на решенията на обучаваните, интерактивна подкрепа на обучавания при решаване на проблеми, подкрепа на обучавания чрез привеждане на примери. [3]
При моделиране на е-обучение се налага въвеждане на различни модели - изучавана предметна абласт (ИПО), учебна програма и учебни цели, учебни ресурси (курсове, текстови, мултимедийни и тестови материали), субекти на обучението (обучавани, преподаватели, консултанти, проектанти, автори и др.) и т. н.
Използването на работни процеси в компютърните технологии е широко разпространено. Следвайки еволюцията на софтуерните технологии, организации влагат усилия за модернизация и нови методи за разработка, с цел подобрение на обучението и работните условия. [4] Модели
Модел на учебен курс Mc е ориентиран хиперграф Hc = (Vc, Еес), където: Vc = V U B, множеството от възли VC (VC £ V B П VC = 0) представя понятията, изучавани в Мс, B е множество от елементи от B', което е множество от типове релации между понятия (напр. And, or, not), множеството от дъги ЕС представя връзките между понятията, включени в Мс множеството Ebc е множество от ненасочени хиперребра, които определят принадлежност на понятия от Vc в подобласт S £ V FBody е описание на тялото на функция (тригер), която се извиква при настъпване на даденото събитие. [5]
evCond е условие за настъпване на събитието Eev, което се задава като булев израз, в който могат да участват атрибути на текущия списък от учебни материали, в автоматично генерирания план за обучение P, атрибути на самите учебни материали или глобални функции / променливи. Param = (ParamType, ParamName) е наредена двойка тип параметър и име на параметър. InputParams е наредена n-торка от фактически параметри Param Sig = (InputParams) : прототип на събитие Slot = (InputParams, FBody): функционална имплементация Ее е множество от събития Eev = (evCond, Sig, Slot, evFacParams) множеството от ребра Eec = Ec U Ehc U Ее [5]
По-горе Sig и Slot са дефинирани като функционални имплементации по следния начин: Slot = (InputParams, FBody), Sig = (InputParams), InputParams е наредена n-торка от фактически параметри Param, а Param = (ParamType, ParamName) е наредена двойка „тип на параметър" и „име на параметър"; FBody е описание на тялото на функция (тригер), която се извиква при настъпване на даденото събитие;
evCond е условие за настъпване на събитието Eev, което се задава като булев израз, в който могат да участват атрибути на текущия списък от учебни материали, в автоматично генерирания план за обучение P, атрибути на самите учебни материали или глобални функции / променливи. evFacParams е наредена n-торка от фактически параметри, които се подават при емитиране на сигнала Sigb като
size(InputParams(Sigi)) = size ^InputParams(Sigj)) = n = size(evFacParams). Планът за обучение P по даден учебен курс представлява ориентиран граф Gp = (Vpb, Ep), където:
Vpb = {vbl,.... ,vbk} е крайно множество от списъци на базова единица учебен материал (БЕУМ), Ep £ Eec . БЕУМ vbi, i 6 И, i 6(0, n] се задава с наредената четворка
Vbi(Vi(N,Tvbi,E), l, Л,Н) където: vi е съставен учебен материал, N е име на vi, в който Vbi участва;
i е адрес по предварително дефинираната адресна схема Л на типа на учебния материал (типа като файл) TVbi. Е е булев атрибут, който е true: когато v; е обучителен материал и false, когато v; е изпитен материал.
Модел на съставен учебен материал v; e наредената тройка Vj(N,TVbi, Е). C е понятие от ИПО, Lc е слой на понятието C, fc: C х Lc ^ Sf х Sf х ... х S„ е ресурсна функция, H е крайно множество от наредени тройки (C, Lc, fc), Тук Sf = S; U £ като £ се използва в случаите, когато стойността на съответния ресурс не е определена. [5]
Реализация и работни процеси
За реализацията се използва четерислойна архитектура за интеграция на разнотипни системи, която реално се използва в Електронния портал на ПУ. Предложената архитектура има 4 слоя, (от долу на горе). [6]
• База данни - предоставя съхранени процедури, които приемат входни параметри и връщат релационен резултат [6]
• Транспортен слой - представлява връзка между слоя с базата данни и слоя за генериране на интерфейс чрез REST или SOAP протокол. [6]
• Слой за генериране на интерфейс - дефиниция на работните процеси. За дефиницията на възлите на бизнес процеса се използват URL шаблони. - Използва се авторската система TinyWf, която изпълнява дефинирани от разработчик работни процеси [6]
• Потребителски слой - предоставя достъп до процеси от системата за работни процеси в зависимост от потребителски роли, права и лични настройки. [6]
Следват диаграмите на някои от по-важните работни процеси на модула.
• Работен процес за дефиниране на метаданни за курса
Дефиницията на метаданни за наличния курс в Мудъл средата се разделя на няколко основни типа:
Дефиницията на метаданни за учебни материали, Дефиниция на номенклатура понятия, които обхваща курсът, Дефиниция на адаптивни цели в курса,
Дефиниция на начално състояние на отделен студент или на всички студенти в курса.
o o o o
Фиг.1 Работен процес за дефиниране на метаданни на курса
Метаданните на курса се дефинират от потребител, който има права на редактиращ преподавател в Moodle за текущия курс.
• Работен процес за обучаван при изпълнение на етап от адаптивен учебен план от студент
Фиг.2 Работен процес за обучаван при изпълнение на етап от учебен план Работен процес за генериране на учебен курс или корекция на учебен план за
студент
L
I UИ.уLL,'J IWLFHI I l-J " J Ц1.'.Ч
7
) 11 ТеК/ЩО лостигката чел ъ еписък от мет динни или крапин цели в а лределя не координата гнс ¡i-M.i □ 1 nnhiM a Lin на пел*
ьурсл
пренахване излишни кстрлимлти
иэСор поредна цел
[hi Н Г11ЛС l.PTrl
trmcbii с цели с по-голени
PMJUfJ ДИНЛ РН О Г Г* К у Ljo I IU<- I И' 4d I d
генериране на учебен път ¿о иелгта
К .LID С rilrfi 1, К □! у K'il1 М MjI. ICflblxinH
HSEi инстанция на ГвЧУШ работен проце;
К
текущо постигната цел = передне цел
инициализация пространство с
ШЧКН I LI 14|LJIL4]la
« текущо посшгнэта
да
-г
Фиг.3 Работен процес за генериране на учебен курс или корекция на учебен план за студент
• Алгоритъм за Генериране на учебен път между две учебни цели_
while(1){
готов=0;
foreach(QString cur_module_name, имена на модули){ if(eps.IsInTargetArea(&(eps.module_name_to_point[cur_module_name]))&&eps.IsGra duallyGrowing(&(current_point), &(eps.module_name_to_point[cur_module_name]))){
изходен_списък.push_back(cur_module_name);
r0T0B=1;ycnex=true;break; }
}
if(r0T0B)break;
eps. сортирайМодулиПоРазстояниеКъм(&goal_point);
bool ИмамИзключенМодул=false;
foreach(QString cur_module_name, eps){
if(eps.AKonocTeneHHoHapacTBa(¤t_point, &(eps.module_name_to_point[cur_module_name]))){
ИзходенСписък.push_back(cur_module_name);
TeKyi4aTo4Ka=eps.module_name_to_point[cur_module_name];
eps.module_name_to_point.remove(cur_module_name); eps.ПремахниМодулОтСписъка(CurModuleName);
have_excluded_module=true;
break;
}
}
if(eps.IsInTargetArea(¤t_point)){ ycnex=true; break;
}
if(eps.IsInTargetArea(¤t_point)==false&&have_excluded_module==false){ ycnex=false; break;
}
}_
Фиг. 4 Алгоритъм за Генериране на учебен път между две учебни цели
Алгоритъмът се възползва от факта, че всяка една цел в курса, независимо дали е начална, междинна или крайна, отговаря на точно една точка в n-мерно ортонормирано пространство от трудности на понятия, където n е мощността на множеството от понятия, които участват едновременно във всяка от описаните цели на курса. За всяко от понятията има описана стойност на максимално нарастване на трудността му, като целта на това максимално нарастване е да не се предлагат учебни материали, чиито нараствания на трудностите са толкова големи, че не биха могли да бъдат лесно възприети от обучаваните. За всеки един от учебните материали отговаря аналогична точка в това пространство. Целта на алгоритъма е по възможно най-малко на брой учебни материали / точки в пространството, които все пак отговарят на предиката за максималното нарастване на трудностите, да постигнат цел, която е в сектор на пространството, по-голям или равен на целевата точка.
Както се вижда в горепосочените работни процеси, автоматизираното генериране на план за обучение се свежда до многократно извикване на алгоритъма за генериране на учебен път между две учебни цели.
Когато се генерира първоначалният учебен план, валиден за всеки студент в курса, алгоритъмът се извиква за всяка наредена двойка цели (G1, G2), където G1 е начална цел, а G2 междинна цел в курса или G1 е междинна цел и G2 - крайна цел в курсаили G1 е междинна цел от n-ти ред, а G2 e междинна цел от n+1 ред. Цел Goal е дефинирана като 5-торка със следните атрибути:
Goal = (ConceptDifficulties, IsBeginningGoal, IsInterimGoal, IsFinishGoal, Goallndex); IsBeginningGoal, IsInterimGoal, IsFinishGoal са булеви атрибути, които показват дали текущата цел е начална, междинна или крайна. GoalIndex е целочислен атрибут, който при условие, че целта е междинна показва нейният ред. ConceptDifficulties е наредена n-торка от стойности на трудностите на съответните понятия (радиус-вектор в n-мерното пространство).
Когато се извършва адаптивна корекция на учебен план на обучаван, условието за започване на такава корекция е обучаваният да е получил по-нисък от максималният резултат от последния проведен изпитен модул в курса. Тогава към постигнатите големини на трудностите за всяко понятие се добавя не максималната стойност, предвидена за преминаването на съответния учебен материал, за който е проведен изпитния модул, а трудност с коригирана големина, пропорционална на постигнатата оценка от изпитния модул. Така променената текущо постигната цел участва в ново генериране на персонален учебен план, като се премахват всички начални или междинни цели, чиито големини отговарят на радиус-вектори в n-мерното пространство от големини на трудности на понятията, с големини по-малки или равни на големината на текущо
постигнатата цел. Така останалите междинни и крайни цели, които са все още непремахнати, според това условие, участват в генерирането на нов учебен план по алгоритъм аналогичен на алгоритъма за генериране на начален учебен план за всички участници в курса.
Заключение
Постигнати са основни цели, като :
• максимална универсалност на моделите, с цел с тях да могат да се опишат всички съществуващи системи за електронно обучение, като например Moodle (с различни модули на Moodle),
• създадена е програмна среда и система за адаптивно, персонализирано електронно обучение с голяма степен на автоматизъм при работата и пълен автоматизъм при генериране на учебен план на курса,
• автоматично генериране на план на учебен курс за всички студенти в курса,
• при неуспех на обучавания да покрие максималните резултати при преминаване през даден учебен материал, учебният курс на студента се генерира отново, на базата на коригирани данни за трудностите на понятията, усвоени от него.
Литература
[1] Corno L, R. E. Show,Adapting teaching to individual differences among learners, In Handbook of research of teaching, 1986, 605-629
[2] Benyon D, D. Murray, Adaptive systems: From intelligent tutoring to autonomous agents, Knowledge-Based Systems, 6, 4, 1993, 197-219
[3] Brusilowsky P, Methods and techniques of adaptive hypermedia; User modeling and user adapted interaction, 1996, 87-129
[4] Пашев Г., Е. Алендарова, Г. Тотков, Проверяване на знанията и автоматично оценяване чрез интегриране на разнотипни системи с работни процеси, Сборник на 8-ма Нац. конференция „Образованието и изследванията в информационното общество" (ред. Г. Тотков и Ив. Койчев), 28 май - 29 май 2015 г., Асоциация „Развитие на информационното общество",Пловдив, ISSN 1314-0752, 119 - 128.
[5] Г. Тотков и др. „Съвременни направления на е-обучението", „Ракурси", Пловдив, 2014, ISBN 978-954-8852-46-3
[6] Пашев Г., Александър Трайков, Евгения Алендарова, Георги Тотков, Интеграция на разнотипни системи в сферата на електронното обучение, VI Международна конференция на младите учени - СУБ Пловдив 2015
