CC BY
27
Mr Goran Simić,
major, VP 4522, Batajnica
MODELOVANJE KORISNIKA U SISTEMIMA ZA UPRAVLJANJE SADR@AJEM
UDC: 004.78 : 025.4.036
Rezime:
Sistemi za upravljanje informacionim sadr'ajima, zahvaljujući razlicitim funkcional-nim mogucnostima, vrlo su rasprostranjeni na Webu kao globalnoj mre'i, i u lokalnim mre-zama institucija i organizacija razlicitih namena. Oni omogućavaju potpuno administriranje informacionim sadr'ajima i njihovo dinamicko komponovanje i distribuciju. Iako postoje tehnološki preduslovi, ovi sistemi su fokusirani na sadr'aje i nemaju podršku za njihovo per-sonalizovano predstavljanje. Ovaj materijal opisuje mogucnosti proširivanja funkcionalnosti navedenih sistema radi adaptacije sadr'aja koji se isporucuje korisnicima.
Kljucne reci: modelovanje korisnika, sistemi za upravljanje informacionim sadr'ajem, Fazi lo-gika, Web tehnologije, arhitekture, dizajn i aplikacija.
THE USER MODELING ISSUES IN THE CONTENT MANAGEMENT SYSTEMS
Summary:
Owing to different functional posibilities, there are many content management systems (CMS) on the Web and in the local networks of different organizations. They provide administering of different information content (delegation of content authoring and content using grants), as well as dinamical content composing and distribution. They are focused on their content. Although there are technology prerequisites, these systems lack content personalization. This paper describes the possibility of the CMS functional extending to adjust data structure and content with particular users' skills, interests and demands.
Key words: user modelling, content management systems, fuzzy logic, Web technologies, architectures, design, application.
Uvod
U savremenim informacionim siste-mima, zahvaljuju}i objektno orijentisa-nom dizajnu i implementaciji, postavljeni su standardi koje softver mora da zado-volji, kako bi se iz faze razvoja mogao preneti u fazu kori{}enja. Zbog toga apli-kacije koje se nalaze u operativnoj upo-trebi zadovoljavaju osnovne funkcionalnosti, specificirane projektnim zadacima.
Novi kvalitet, koji proizvo|a~i nastoje da dostignu jeste adaptibilnost softvera pre-ma mogu}nostima, interesovanjima i po-trebama korisnika. U tom smislu, model korisnika (user model — UM) predstavlja eksplicitnu reprezentaciju svojstava indi-vidualnog korisnika. Najve}i broj aplika-cija sadrži implicitni korisni~ki model. Sistemi koji obavljaju edukativne zadat-ke, kao {to su inteligentni tutorski sistemi - ITS (Intelligent Tutoring Systems —
VOJNOTEHNIČKI GLASNIK 1/2005.
59
ITS), ili sistemi sa adaptivnim hiperme-dijalnim sadržajima (Adaptive Hypermedia - AH) obicno sadrže eksplicitni korisnicki model (najčešće zvan studentski model). Ovaj model predstavlja jednu od najznacajnijih komponenti sistemske ar-hitekture. Navedeni sistemi su strucno (domenski) usko specijalizovani, tako da su njihovi korisnicki modeli takođe spe-cijalizovani i prilagođeni potrebama si-stemskog zakljucivanja (zakljucivanja o korisniku).
S druge strane, postoji veliki broj do-menski nezavisnih sistema kao što su si-stemi za upravljanje ucenjem (Learning Management System — LMS), sistemi za upravljanje sadržajem (Content Management Systems - CMS, objašnjeni u daljem tekstu) i sistemi za informacioni menadž-ment (Information Management Systems — IMS). Većina navedenih sistema nije fo-kusirana na edukaciju (izuzev LMS), niti na potrebe konkretnog korisnika. Njihovi administracioni (upravljanje sadržajem, dodela grupama i pojedincima prava pri-stupa i korišćenja Web servisa), autoriza-cioni (kreiranje i editovanje sadržaja) i kolaboracioni alati (saradnja grupa i poje-dinaca bazirana na zajednickim intereso-vanjima) boljeg su kvaliteta od alata u in-teligentnim i adaptivnim sistemima. Ista situacija je i u vezi struktuiranosti i standar-dizovanosti sadržaja. Domenski nezavisni sistemi su većinom fokusirani na sadržaj, zbog cega se šire koriste u edukaciji za-snovanoj na Web tehnologijama nego ITS i AH sistemi.
Danas postoji veliki broj sistema za upravljanje sadržajem (u daljem tekstu CMS). Oni su transparentni i dizajnerima obezbeđuju mogućnost nadgradnje funk-cionalnosti, ali još uvek poseduju nedo-
statak adaptibilnosti. Isti sadržaji isporu-cuju se razlicitim korisnicima na isti na-cin. Ova ogranicenja postoje iz dva raz-loga - jedan je slaba struktuiranost sadr-žaja (dekompozicija) a drugi je u vezi s modelovanjem korisnika. CMS ne sadrže korisnicki model sa andragoškom i peda-goškom podrškom i sa mogućnošću rezo-novanja. Postoje razlicite mogućnosti i prepreke u ugrađivanju korisnickog mo-dela u postojeće CMS, kako bi se omo-gućila personalizacija sadržaja.
Klasifikacija modela korisnika
U sistemima kao što su ITS i AH korisnicki model predstavlja eksplicitnu komponentu sistemske arhitekture. Nivo inteligencije (adaptibilnosti) navedenih sistema direktno je proporcionalan mo-gućnostima korisnickog modela da opiše sposobnosti, interesovanja i znanje real-nog korisnika.
Sadržaj koji sistem dostavlja korisni-ku zasnovan je na karakteristikama mode-la. Ako model sadrži netacan ili nekom-pletan profil korisnika, akcije sistema će zakomplikovati korisnikove napore da se upozna, informiše ili nauci sadržaj.
Ne postoji univerzalan adaptibilan model korisnika, niti univerzalno prepo-znatljiva ontologija za njegovo modelo-vanje. Nasuprot tome, postoje brojne raz-licite klasifikacije korisnickih modela [1], koje se zasnivaju na nacinu ažurira-nja (staticko ili dinamicko), na osnovu sadržaja koje model podržava (specificni trenutni podaci ili opšti podaci dobijeni u procesu zakljucivanja o korisniku) i na osnovu izvora informacija (upitnici i/ili testovi koje korisnik popunjava ili si-stemsko rezonovanje o ponašanju na
60
VOJNOTEHNIČKI GLASNIK 1/2005.
osnovu praćenja aktivnosti korisnika). Pojedini sistemi sadrže korisnicki model koji nije namenjen postizanju adaptibil-nosti. Takav model naziva se kanoničkim i u njemu su podaci o korisniku postojani onoliko koliko traje korisnicka sesija sa sistemom.
Drugi nacin klasifikacije zasnovan je na znanju korisnika. Dva osnovna tipa su prekrivajući model i stereotipski model. Ova kategorizacija se ucestalo kori-sti u sistemima za ucenje [2]. Prekrivaju-ći model je ogranicen na ekspertsko zna-nje ugradeno u sistem, i korisnika mode-luje na osnovu razlike njegovog i sistem-skog znanja iz konkretne naucne oblasti. Prekrivajući model je tipicno implemen-tiran u ITS (npr. ELM ART [3]) i AH sistemima (npr. KN-AHS [4]). Modelova-nje pomoću stereotipova predstavlja svr-stavanje korisnika u razlicite kategorije prema razlicitim kriterijumima (npr. u si-stemu za preporucivanje na Amazon.com sajtu - prema interesovanjima ili u KNO-ME sistemu [5] - na osnovu nivoa znanja korisnika).
Postoje poteskoće u odredivanju tipa stvarnih korisnika, jer ne postoje jasne granice izmedu razlicitih tipova modela. Isti model može sadržati staticke i dina-micke podatke. Korisnicki modeli mogu koristiti podatke direktno dobijene od korisnika, ali i podatke na osnovu zakljuci-vanja o korisniku (implicitno, na osnovu podataka iz vise korisnickih sesija).
Ontologija modela korisnika
Kod sistema koji su domenski neza-visni ne postoji generalno opredeljenje u razvoju korisnickih modela. Ovi sistemi mogu imati razlicite namene (LMS -
edukativnu, IMS - informativnu, CMS -edukativnu i/ili informativnu). Zbog toga korisnicki modeli domenski nezavisnih sistema moraju da podržavaju razlicite profile i razlicite podatke o korisniku. Ti podaci mogu se klasifikovati na razlicite nacine. Autori obicno specificiraju dve vrste podataka: o mentalnom stanju korisnika i o njihovim akcijama (tabela 1). Licni podaci o korisniku prikupljaju se eksplicitno (posredstvom upitnika i preli-minarnih testova). Frekventnost i redo-sled korisnickih akcija (selektovanje ma-terijala, vreme zadržavanja na pojedinac-nim stranicama, navigacione putanje) predstavljaju implicitne izvore korisnickih podataka. Cest je slucaj da sistemi implicitno zakljucuju o tome koju akciju, ili koji stereotip je najbolje primeniti na specificiranog korisnika.
Tabela 1
Struktura modela korisnika prema Kobsi, Kenemanu i Polu [6]
Model korisnika
Podaci korisnika Podaci o korisćenju sadižaja
Podaci iz posmatranja Pravilnosti u korišćenju
Demografski podaci Znanje Vestine i sposobnosti Iskustvo u korisćenju sistema Licne crte Interesovanja i prioriteti Ciljevi i planovi Izbor sadižaja Ponasanje pri povre-menom pregledanju Brzina Ostale afirmativne akcije Ucestanost korisćenja Korelacija situacija - akcija Redosled akcija
Drugi primer ontologije modela korisnika predstavljen je preporukama Onto logging konzorcijuma (slika 1) [2]. Ova ontologija sadrži vise od dve grupe podataka, a to su: identifikacioni podaci (ime, adresa, datum rodenja, licni identi-fikacioni broj, pol i sl.), afilatorni podaci (zvanje, pripadnost timu, grupi, odelje-nju, organizaciji i sl.), QCL (kvalifikaci-je, sertifikati i licence), podaci o radnom
VOJNOTEHNIČKI GLASNIK 1/2005.
61
iskustvu, ucestvovanje u aktivnostima, pristupacnost (jezici koje poznaje, struc-ne oblasti koje poznaje i podrucja od ši-reg interesovanja), hobiji, ponasanje (na-cini ucestvovanja u razlicitim aktivnostima i spremnost da podeli znanje sa dru-gima) i ciljevi (licni ciljevi i aspiracije).
Kao u prethodnom primeru, model Ontologging sadrži podatke koji se eks-plicitno dobijaju od korisnika (identifika-cioni podaci, QCL, afilacija) i podatke koji se prikupljaju u toku korišćenja si-stema i u procesu zakljucivanja (aktivno-sti, ponašanje, interesovanja). Eksplicitni podaci se, obicno, predstavljaju korišće-njem literala (numericka i tekstualna re-prezentacija), dok se implicitni podaci predstavljaju u vidu koncepata. Navedeni podaci mogu se razmatrati i prema posto-janosti: perzistentni (staticki) podaci
(osnovni licni podaci) i tranzijentni (di-namicki) podaci (prihvatanje preporuka, praćenje navigacije, stanje sesije, karak-teristicne greške) [7].
Sistemi za upravljanje sadržajem
Sistemi za upravljanje sadržajem predstavljaju Web aplikacije usmerene ka dva cilja: autorima obezbeduju mesto na racunarskoj mreži za smeštanje kreira-nih sadržaja (lokalnoj ili globalnoj), a ko-risnicima omogućavaju pristup istim sa-držajima radi ostvarivanja razlicitih za-dataka (edukacija, informisanje, kupovi-na i sl.). Sadržaj može biti predstavljen u tekstualnom formatu ili u vidu razlicitih multimedijalnih sadržaja (fotografije, audio zapisi, video zapisi ili kompoziti). Nova generacija sistema za upravljanje
62
VOJNOTEHNIČKI GLASNIK 1/2005.
sadržajem omogućava komponovanje sa-držaja u realnom vremenu, sto je omogu-ćeno specificnom arhitekturom (slika 2).
Ovi sistemi razvijani su u razlicitim tehnologijama. Me|u njima su dve domi-nantne: sistemi zasnovani na Java tehnologijama i Microsoft .NET (DOT NET) komponente. Sistemi zasnovani na Javi obicno su implementirani kao JSP (Java Servlet Pages — JSP) ili Servleti, sa Apache Web serverom kao distributorom sadržaja na prednjem kraju (npr. Apache Lenya [8], Ariadne LKP [9]). Kao alter-nativa postoje i sistemi za upravljanje sa-držajem kao samostalni Web serveri u kojima je integrisana i aplikaciona logika (npr. OpenCMS [10]). S druge strane, .NET tehnologija integrise dobro poznate Microsoft Web proizvode u skalabilan model zasnovan na komponentama. Si-stemi za upravljanje sadržajem mogu biti implementirani i u drugim tehnologijama: PHP jezik kombinovan sa MySQL sistemom za upravljanje bazama podata-ka (npr. Absolute Engine, phpWCMS i PHP Nuke), sistemi zasnovani na Payton jeziku i DTML-u (Document Template
Modelling Language - DTML), (npr. Plone server, Zope server sa objektnom bazom podataka).
Sistemi za upravljanje sadržajem mogu izvrsavati razlicite administrativne zadatke, ali su iskljucivo fokusirani na sadržaj koji pohranjuju. Ponasanje apli-kacione logike nije ograniceno, tako da postoje mogućnosti za implementaciju razlicitih Web servisa.
Funkcija korisničkog modela u
sistemima za upravljanje sadržajem
Iako najveći broj sistema za upravljanje sadržajem ima mogućnost isporu-civanja dinamicki komponovanog sadr-žaja, to ne znaci da je on (sadržaj) prila-go|en individualnom korisniku. Da bi se omogućila personalizacija Web servisa, neophodno je da sistem sadrži model korisnika kao softversku komponentu. Korisnicki model ima ugnježdenu struk-turu u kojoj se prikupljaju podaci iz teku-će sesije, smestaju podaci iz prethodnih sesija i cuvaju podaci dobijeni na osnovu zakljucivanja sistema o korisniku. Siste-
VOJNOTEHNIČKI GLASNIK 1/2005.
63
mi za upravljanje sadržajem smestaju i manipulisu domenski razlicitim sadržaji-ma. Razlicite (naucne) oblasti zahtevaju razlicite vrste podataka o korisniku i razlicite nacine zakljucivanja na osnovu sta-nja korisnickog modela. Na primer, pot-puno se razlikuju zahtevi modelovanja u domenu matematike u odnosu na domen muzicke umetnosti. Da bi korisnicki model zaista bio koristan u sistemima za upravljanje sadržajem, potrebno je da po-država podatke za vrlo razlicite oblasti, sto je tesko izvodljivo.
Drugi problem modelovanja korisni-ka u razmatranim sistemima je akvizicija podataka. Ovi sistemi ne mogu u potpu-nosti predvideti sve moguće vrste (profile) korisnika. Korisnici sadržaja imaju razlicite ciljeve, motivaciju, interesovanja i sposobnosti. Zakljucivanje o tome mora biti vrlo fleksibilno. Za razliku od pret-hodno pominjanih edukacionih sistema (sa adaptivnim hipermedijalnim sadržaji-ma, inteligentni tutorski sistemi i sistemi za upravljanje ucenjem), sistemi za upravljanje sadržajem ograniceni su na priku-pljanje uglavnom implicitnih podataka u toku korisnickih interakcija sa sistemom. Rezonovanje se, uglavnom, zasniva na: izboru sadržaja, praćenju navigacije, vre-menu provedenom na svakoj pojedinacnoj stranici (sadržaj se isporucuje u vidu dina-micki kreiranih HTML stranica) i akcija-ma koje dozvoljavaju isporucene stranice (korisćenje pomoći, slanje elektronske po-ste, ucestvovanje u diskusionim grupama, izbori iz lista, unos teksta, promena izgle-da sadržaja i sl.).
Danas postoje mnogobrojni robustni i domenski uskospecijalizovani korisnicki modeli. Za razmatrane sisteme su, nasu-prot tome, potrebni genericki modeli koji
bi predstavljali agregaciju malog broja tzv. univerzalnih prenosivih modela koji su specijalizovani za razlicite zadatke. Ci-njenica da su sistemi za upravljanje sadr-žajem fokusirani na deklarativno (a ne proceduralno) znanje donekle ublažava probleme dizajna i implementacije koris-nickog modela. Model mora omogućiti traganje za odgovarajućim profilom korisnika (model tracing, kao sto je analiticko modelovanje studenta u LISP Tutor-u) i indukciju zasnovanu na pravilima i stablu odlucivanja (kao sto je sinteticko modelovanje u Debuggy ili ACM).
Pored navedenih tipologizacija, po-stoji klasifikacija modela na osnovu defi-nisanja korisnickog znanja. Prekrivajući model je domenski zavisan i zahteva pre-cizno definisano ekspertsko (domensko) znanje. Ovaj tip modela pogodan je za domenski ogranicene sisteme (AH sistemi, ITS, ili generalnije Knowledge Management System — KMS). Prekrivajući model, zbog specijalizovane namene, ni-je odgovarajući i za sisteme za upravljanje sadržajem. Model zasnovan na stere-otipima omogućava kategorizaciju kori-snika zasnovanu na razlicitosti domena (nauka, sport, muzika, itd.), sto je u skla-du sa cinjenicom da razmatrani sistemi skladiste multidomenske sadržaje.
Moguće resenje problema
U sistemima za upravljanje sadrža-jem korisnicki model treba da bude foku-siran na moguća unapređenja funkcional-nosti, kako bi se dobila adaptibilnost u procesu komponovanja sadržaja koje je zahtevao korisnik (HTTP request). Mo-guće resenje zasniva se na konceptu ra-
64
VOJNOTEHNIČKI GLASNIK 1/2005.
slojenog korisnickog modela. Slicno mo-delima korišćenim u sistemima za uce-nje, u kojima su socijalni koncepti pred-stavljeni na razlicitim nivoima - indivi-dualni, timski (grupni), klasni (generacij-ski), smer (specijalnost), u sistemima za upravljanje sadržajem može se izvršiti raslojavanje u smislu generalizacije -specijalizacije. Na primer, identifikacioni podaci mogu se razmatrati na višem ni-vou opštosti (generalije), dok pristupac-nost pripada mnogo specijalizovanijem nivou. Raslojen model omogućava profi-lisanje korisnika sa najmanjim skupom podataka. Pocevši od prve korisnicke se-sije, sistem gradi korisnicki model sloj po sloj - prakticno izucava korisnika.
Slicno modelu Ontologging konzor-cijuma predloženo rešenje za razmatrane sisteme sadrži koncept generickog korisnika (Generic User) u korenu stabla on-tologije korisnickog modela (slika 3).
Ovaj koncept predstavlja podrazu-mevajući model koji se može izgraditi sa minimalnim setom podataka (identifikacioni podaci). Koncept domenskog stere-otipa (DomainStereotype) jeste apstrakt-na komponenta modela koja enkapsulira
potencijalno ponašanje korisnika na osnovu selekcije sadržaja. Trenutni model podržava tri domenski zasnovana ko-risnicka stereotipa. Kulturni stereotip (Cultural) fokusiran je na umetnost, sport i slicne sadržaje. Socijalni (Social) sadrži domene kao što su istorija, socio-logija, psihologija, marketing, dok je stereotip zvan ExactScience usmeren na proceduralna znanja (matematika, fizika, programiranje i sl.). Sistemi za upravljanje sadržajem koriste stereotipove u ko-njukciji sa drugim konceptom - korisnic-kim profilom (User Profile). Profil, tako-đe, predstavlja apstraktnu komponentu. Sistem profiliše korisnika tokom sesija. U trenutnim implementacijama korisnik može biti u ulogama studenta - ucenika (Learner), sakupljaca informacija (Information Collector) ili se razmatra kao slu-cajni korisnik (OccasionalUser). Prvi profil je dizajniran za najnaprednije (naj-zainteresovanije) korisnike, a slucajni korisnik predstavlja drugu krajnost profi-lisanja. Kriterijumi za određivanje profila su vreme potrošeno na zahtevane sadrža-je i navigacija tokom više sesija korisnika i sistema (slika 4).
VOJNOTEHNIČKI GLASNIK 1/2005.
65
Dizajn konkretnog modela zahteva brojne dodatne koncepte (klase). U CMS-ovima glavni izvor podataka su korisni~ke sesije. Dodatne klase su kreirane upravo da smeste i ažuriraju podatke iz korisnic-kih sesija. Klasa sesije enkapsulira navi-gacionu putanju i informacije o poseće-nim sadržajima. Sistemski modul za za-klju~ivanje koristi podatke sesije radi od-ređivanja stereotipa i profila korisnika. Konkretni korisnik uvek se svrstava u je-dan od prethodno opisanih (predefinisa-nih) profila i stereotipova. Konkretne kla-se izvedene iz klasa profila i stereotipova takođe mogu biti prosirene novim kon-kretnim tipovima i podtipovima (klasa-ma). Inteligencija sistema je predstavljena njegovom mogućnosću da prepozna novi stereotip - profil i ugradi ga u sistem.
Rezonovanje
U praksi nema jasnih granica izme-đu pojedinih profila i stereotipova. Isti korisnik se ne ponasa uvek isto u razli~i-tim sesijama. Cesto sistem ne može da prepozna nastojanja korisnika na osnovu njegovih akcija. Informacioni sum kom-
plikuje zaklju~ivanje o korisniku samo na osnovu pravila (Rule Based Reasoning - najpopularnija tehnika zakljuciva-nja). Navigaciona statistika i merenje vremena može produkovati dvosmislene i iracionalne rezultate. Mogući na~in re-savanja ovog problema je korisćenje teo-rije Fazi skupova (Fuzzy set theory), koja dozvoljava rezonovanje uz prisustvo neodređenosti u podacima. Da bi se na-vedena teorija implementirala u konkre-tan sistem, potrebno je da se ontologija korisni~kog modela prosiri dodatnim Fazi konstrukcijama.
To bi zna~ilo da su koncepti Domain-Stereotype i UserProfile predstavljeni od-govarajućim Fazi varijablama (tabela 2).
Tabela 2
Implementacija Fazi teorije u korisni~kom modelu CMS-a
Fazi varijable Fazi termini Fazi skupovi
Slucajni korisnik (0,40)
Korisnicki profil Sakupljac informacija (20,80)
Ucenik (60,100)
Svaka varijabla je opisana sopstve-nim setom mogućih vrednosti (universe of discourse - UOD) i skupom Fazi ter-
66
VOJNOTEHNIČKI GLASNIK 1/2005.
Sl. 5 — Stepen i funkcija pripadanja za Fazi termine o korisnickom profilu
mina. Konkretni korisnicki stereotipovi i profili korišćeni su kao Fazi termini. Svaki pojedinacni Fazi termin je opisan posebnim Fazi skupom (slika 5). Fazi lo-gika je u konkretnom primeru CMS-a korišćena radi merenja ozbiljnosti kon-kretnog korisnika sistema. Ucenik (Learner) je najozbiljniji korisnik, dok slucajni korisnik (OccasionalUser) ima najmanje ozbiljne namere.
Uzorci predstavljeni u tabelama i na dijagramu odslikavaju raspodelu rezulta-ta korisnika tokom sesije. Fazi skupovi (tabela 1) predstavljaju intervale odluci-vanja dizajnirane za odre|ivanje profila korisnika. Na taj nacin sistem može kon-struisati distribuciju individualnih termi-na (primenjenih na pojedinacnu Fazi va-rijablu). Podaci prikupljani tokom više
sesija mapirani su u stepene pripadanja Fazi terminima, kako bi se dobila njihova lingvisticka reprezentacija. Kombinova-nje Fazi termina sa logickim operatorima omogućava lingvisticko predstavljanje Fazi koncepata. Te konstrukcije mogu se koristiti kao premise (uslovi) Fazi pravila (slika 6). Ova pravila mogu se interpreti-rati u modulima za zakljucivanje na bazi pravila (Rule engine).
Akcioni deo pravila generiše podat-ke koji se mogu tumaciti kao diskretne vrednosti koje se dalje mogu procesirati na konvencionalan nacin (tzv. proces de-fazifikacije). Iz predstavljenog opisa izu-zet je koncept korišćenja modifikatora, koji dodatno poboljšavaju mogućnosti nelinearnog zakljucivanja sistema sa Fazi logikom.
FuzzyVariable outProfile=new FuzzyVariable("seriousness", 0,100, "Degree seriousness"); outProf ile . addTerifi( "OcassionalUser", new ZFuzsySet (0,40)); outProf ile.addTerm("Inf ormat ionCollector", new TrapezoidFuzzySet(20,40,60,80)); outProf ile.addTerm("Learner", new SFuszySet(60,100)); //create rule FuzzyRule esciencelearner=new FuzzyRule(); //add premise esciencelearner.addAntecendent(new FuzzyValue(outProf ile,"Learner")); esciencelearner.addAntecendent(new FuzzyValue(outStereotype,"ExactScience")); //add action esciencelearner.addConclusion(new FuzzyValue(concreteUser,"ProceduralCUser"));
Sl. 6 — Prikaz konstrukcije Fazi pravila u alatu FuzzyJess
VOJNOTEHNIČKI GLASNIK 1/2005.
67
Zaključak
Modelovanje korisnika u sistemima za upravljanje sadržajem razlikuje se od modelovanja ucenika - studenata u edu-kativnim sistemima. U inteligentnim tu-torskim, adaptivnim hipermedijalnim si-stemima i sistemima za upravljanje zna-njem, sadržaj je dizajniran iskljucivo za edukativne namene. Sadržaji u sistemima za upravljanje sadržajem nisu namenjeni samo ucenju. Zbog toga je u njima znat-no složenije modelovanje korisnika.
Složenija je i akvizicija podataka o korisniku. Pokusaji sa zadavanjem obim-nih upitnika pri prvoj sesiji samo su odbija-li korisnike da koriste sistem. Inicijalno te-stiranje, radi procene sposobnosti konkret-nog korisnika, nemoguće je ako sistem ne poznaje namere korisnika (npr. da li želi da uci, ili samo da bude informisan). Zbog na-vedenih ogranicenja, a da bi se korisnik uspesno modelovao u sistemima za upravljanje sadržajem, potrebno je prikupljanje mnogobrojnih implicitnih podataka (deta-lja) iz visestrukih sesija. Ti podaci dalje su korisćeni u procesu zakljucivanja o kon-kretnom profilu i stereotipu korisnika. Pri-sustvo nepreciznih i dvosmislenih podata-ka nametnulo je potrebu korisćenja Fazi lo-gike. Korisćeni koncepti za modelovanje korisnika sadrže vrednosti koje se prekla-paju, a služe kao osnova za odlucivanje o profilu i stereotipu. Sistem mapira saku-pljene podatke i određuje stepen pripada-nja definisanih Fazi termina, dajući im lin-gvisticku reprezentaciju koja se koristi u rezonovanju na osnovu pravila. Ovaj pro-
ces je iterativan i inkrementalan, tako da se modelovanje korisnika nikada ne zavrsava.
Drugi problem personalizacije sadr-žaja je njegovo predstavljanje. Razliciti CMS-ovi struktuiraju sadržaj na razlicite nacine. Neki od njih koriste ugnježdene SCORM editore (Sharable Content Object Reference Model — SCORM), koji ostavljaju autorima da sami opisuju svoje sadržaje. Mnogo veći broj sistema ne koristi standarde za eksplicitni opis sadrža-ja. Dobro dekomponovan sadržaj je po-godan za personalizaciju. Ako fragmenti nisu formalno opisani korisćenjem meta-podataka, ili recnika podataka, kao sto su XSD (XML Schema), RDFS (Resource Definition Framework Schema), sistem neće moći da odredi pogodne sadržajne fragmente i da ih koristi u dinamickom komponovanju.
Literatura:
[1] Ross, E.: Intelligent User Interfaces: Survey and Research Directions. University of Bristol. United Kingdom, (2000).
[2] Ontologging consortium: User modeling issues in the context of Knowledge Management Systems, resumed from http://www.ontologging.com/project/ (2004).
[3] ELM-ART (2003), http://www.psihologiue.uni-trier.de:8-000/project/ELM/elmart.html
[4] Kobsa, A.; Mller, D. and Nill, A. KN-AHS: An Adaptive Hypertext Client of the User Modeling System BGP-MS. Proceedings of the Fourth International Conference on User Modeling, Hyannis, MA, pp. 99-105, 1994.
[5] Chin, D.: KNOME: Modeling What the User Knows in UC. In A. Kobsa and W. Wahlster (Eds.), User Models in Dialog Systems, Berlin: Springer-Verlag, (Symbolic Computation Series edited by D. W. Loveland), (1989) pp. 74—107.
[6] Kobsa, A.; Koenemann, J. and Pohl, W.: Personalized Hypermedia Presentation techniques for Improving Online Customer Relationships. The Knowledge Engineering Review 16(2), (2001) 111-155.
[7] Simić, G.; Devedžić, V.: Building an intelligent system using modern Internet technologies, Expert Systems With Applications Journal, Elsevier, Vol. 25 (2003) 231-246.
[8] Apache Lenya http://cocoon.apache.org/lenya/
[9] ARIADNE: http://www.ariadne-eu.org/index.html
[10] Open CMS: http://www.opencms.org/opencms/opencms/
68
VOJNOTEHNIČKI GLASNIK 1/2005.
