Building an E-Tutor Supporting Student Learning

EduAkcja. Magazyn edukacji elektronicznej
nr 2 (12)/2016, str. 43—50
Budowa e-tutora wspomagającego uczenie się studentów
Lech Banachowski
Polsko-Japońska Akademia Technik Komputerowych
[email protected]
Agnieszka Chądzyńska-Krasowska
Polsko-Japońska Akademia Technik Komputerowych
[email protected]
Elżbieta Mrówka-Matejewska
Polsko-Japońska Akademia Technik Komputerowych
[email protected]
Jerzy Paweł Nowacki
Polsko-Japońska Akademia Technik Komputerowych
[email protected]
Streszczenie: Budowa e-tutora wspomagającego uczenie się studentów wymaga doboru odpowiedniej reprezentacji przekazywanej wiedzy i zapisu jej w bazie danych. Zawartość zbioru materiałów dydaktycznych z określonej
dziedziny wiedzy zostaje rozłożona na części i wprowadzona do bazy danych (Banachowski, Mrówka-Matejewska
i Nowacki, 2014). W swoim artykule autorzy proponują metodę konstrukcji e-tutora, którego celem jest wspomaganie procesu nauczania na życzenie studenta, w tym sprawdzenie wiedzy, nadrobienie zaległości, uzyskanie dodatkowej pomocy, powtórzenie materiału, rozszerzenie materiału i pomoc w samodzielnym uczeniu się.
(1) W trakcie swojego działania e-tutor dokonuje analizy zachowania się i postępów studenta, dzięki czemu (2)
może ocenić aktualne potrzeby studenta i zaproponować mu odpowiednie akcje, (3) w oparciu o analizę profili
i wyników uczenia się poprzednich studentów może zastosować wyniki tej analizy do zarekomendowania odpowiednich akcji nowemu studentowi, (4) może wskazać autorom te materiały dydaktyczne, które wymagają poprawy.
Słowa kluczowe: reprezentacja wiedzy, model danych dla wiedzy, baza danych dziedziny wiedzy, automatyzacja
procesów e-nauczania, e-tutor, eksploracja danych edukacyjnych
1. Wstęp
Na wyższych uczelniach stosowane są różne tryby nauczania studentów. Najpopularniejszy jest
tryb konwencjonalny, w którym zajęcia do wszystkich przedmiotów programu studiów odbywają się w gmachu uczelni. Tylko pewne pomocnicze elementy są realizowane przez Internet,
takie jak e-mail, forum, dostęp do tablicy ogłoszeń, folderów zadań, materiałów wykładowych,
ćwiczeniowych i uzupełniających. Coraz większą popularność na wyższych uczelniach uzyskuje
tryb mieszany, w którym większość aktywności odbywa się przez Internet, a tylko pewna część,
zwykle między 10 a 50%, odbywa się w gmachu uczelni. Do rzadkości natomiast ciągle należy
tryb online, w którym nauczanie odbywa się wyłącznie poprzez elektroniczny system zarządzania nauczaniem LMS, w tym komunikacja pomiędzy nauczycielem a studentami.
W wyniku prowadzenia zajęć ze studentami zarówno w gmachu uczelni, jak i przez Internet
powstaje coraz więcej materiałów w postaci elektronicznej. Zachodzi potrzeba strukturyzacji
Lech Banachowski et al., Budowa e-tutora wspomagającego uczenie się studentów
zbioru tych materiałów – do tego celu służą między innymi powstające repozytoria materiałów
elektronicznych. Rysuje się także możliwość budowy na skalę praktyczną programów nazywanych e-tutorami, które są w stanie pomagać studentom niezależnie od stosowanego trybu nauczania (zobacz Rys. 1).
Rysunek 1 Ewolucja użycia e-materiałów w nauczaniu
E-tutor jest to system informatyczny realizujący zadania korepetytora na życzenie studenta
takie jak:
• sprawdzenie wiedzy,
• nadrobienie zaległości – do opanowania materiału w kursie zorganizowanym student potrzebuje wiedzy z pewnego obszaru, którego znajomość zakłada kurs,
• dodatkowa pomoc – uczestnictwo w zorganizowanym kursie nie jest wystarczające do pozytywnego jego zakończenia i osoba ucząca się potrzebuje dodatkowej pomocy. System może
dostarczyć wyjaśnień, przykładów i zadań na dany temat,
• powtórzenie materiału – osoba ma już opanowany zakres zorganizowanego kursu i chciałaby
tylko powtórzyć swoją wiedzę, np. w zakresie konkretnego tematu. System może dostarczyć
zbiorczego, syntetycznego zebrania najważniejszych informacji na dany temat,
• rozszerzenie materiału – osoba ma już opanowany zakres zorganizowanego kursu i chciałaby
tylko rozszerzyć swoją wiedzę, np. w zakresie konkretnego tematu,
• pomoc w samodzielnym uczeniu się – osoba jest w stanie sama przy niewielkiej pomocy systemu opanować wiedzę z obszaru wiedzy i nie musi uczestniczyć w zorganizowanym kursie.
Dodatkowo, w tle system dokonuje analizy zachowania się i postępów studenta. W ten sposób
może ocenić aktualne potrzeby studenta i zaproponować odpowiednie akcje, a na podstawie analizy profili i wyników uczenia się poprzednich studentów może zarekomendować odpowiednie
akcje nowym studentom. Autorom może wskazać partie materiałów wymagające poprawy.
Punktem wyjścia do budowy e-tutora są podręczniki elektroniczne i wspomagające proces
nauczania różnorodne materiały elektroniczne. Elementy wiedzy oraz wyniki aktywności studentów są składowane w bazie danych e-tutora. Na podstawie informacji zapisanych w bazie
danych e-tutor może generować materiały dopasowane do indywidualnych potrzeb studenta.
Może on w każdej chwili skierować do systemu zapytanie o wyjaśnienie dowolnego tematu,
może poprosić o sprawdzenie wiedzy, może powtórzyć dowolny fragment e-podręcznika, może
poprosić o przygotowanie zbiorczego zestawienia w celu utrwalenia przerobionego materiału.
Jest też możliwość eksploracji zgromadzonych danych o aktywnościach studentów.
Trzeba podkreślić, że zadaniem e-tutora jest pomóc studentowi w uczeniu się, nie zastępując
EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 44
Lech Banachowski et al., Budowa e-tutora wspomagającego uczenie się studentów
zewnętrznego procesu nauczania organizowanego w ramach kursu akademickiego.
Prace nad budową podobnych e-tutorów trwają w kilku miejscach na świecie, między innymi
w Rice University (Carr, 2013; projekt OpenStax Tutor) oraz UMass (projekt Ripples).
2. Tworzenie bazy danych dziedziny wiedzy
Gdy zgromadzone są materiały dydaktyczne, pierwszym krokiem przy budowie e-tutora jest
konstrukcja modelu danych dziedziny wiedzy i zapisanie go w bazie danych. W tym celu wybieramy podręczniki elektroniczne, które zakresem pokrywają dziedzinę wiedzy. Rozkładamy je na
części, wyróżniając fragmenty podręcznika, elementy wiedzy oraz tematy wiedzy i zapisujemy
w bazie danych tak, jak to zostało opisane w pracy (Banachowski et al., 2014). Dodatek 1 w tym
artykule dostarcza więcej informacji na temat zastosowanego schematu bazy danych dziedziny
wiedzy.
Kolejnym krokiem jest identyfikacja sekcji w materiałach elektronicznych, czyli jednostek
materiału udostępnianych studentom w całości. W przypadku podręczników będą to punkty
wchodzące w skład rozdziałów (bądź lekcji). W przypadku uzupełniających materiałów cały
materiał (np. prezentacja) może stanowić jedną sekcję. Każdą sekcję opisujemy przy użyciu metadanych, w tym słów kluczowych.
Następnie identyfikujemy relacje zachodzące między sekcjami, a mianowicie:
1. Prerequisite:: jedna sekcja stanowi warunek wstępny dla drugiej sekcji.
2. After:: po danej sekcji student może realizować kolejną sekcję, jako uzupełnienie lub rozwinięcie.
Cały proces budowy bazy danych dziedziny wiedzy jest przedstawiony na Rys. 2. Znajduje
się na nim jeden komponent „Rejestrowanie aktywności studentów”, który zostanie omówiony
w następnym punkcie.
Rysunek 2. Konstrukcja bazy danych dziedziny wiedzy
Student może skorzystać z kolejności studiowania sekcji materiałów zgodnej ze strukturą
podręcznika elektronicznego, ale może też wybrać sobie indywidualną ścieżkę.
Student ma w każdej chwili do wyboru:
• zrealizować kolejną sekcję lub inną sekcję wybraną ze spisu treści podręcznika,
• przejść do sekcji materiałów zaproponowanej przez system po analizie danych zebranych
w bazie danych,
• przejść do sekcji materiałów wskazanych przez relację Prerequisite,
• wybrać jedną z sekcji materiałów wskazanych przez relację After,
EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 45
Lech Banachowski et al., Budowa e-tutora wspomagającego uczenie się studentów
• wyszukać sekcje materiałów przy użyciu słów kluczowych,
• wyświetlić pytania, testy, zestawienia, prezentacje generowane z bazy danych.
W testowanym prototypie ekran wyboru przez studenta kolejnej sekcji jest przedstawiony na
Rys. 3.
Rysunek 3. Wybór przez studenta kolejnej sekcji – dla kursu „Systemy zarządzania bazami danych” w PJATK
Student sam decyduje, czy zapoznał się z kursem/ sekcją materiałów/ tematem – nie system.
Student może wyrazić swoje zdanie o proponowanych mu materiałach w postaci rekomendacji dla innych studentów.
Model danych dziedziny wiedzy może być skonstruowany dla dowolnej dziedziny wiedzy posiadającej podręczniki elektroniczne. Może być podstawą sprawdzania, czy studenci opanowali
wiedzę związaną z daną dziedziną. Pozostaje jeszcze pytanie, jak sprawdzać opanowanie przez
studentów umiejętności rozwiązywania zadań i problemów. Tutaj możliwe metody są zdeterminowane specyfiką dziedziny wiedzy. W przypadku informatyki można zastosować metodę opartą na więzach (constraint-based)(Woolf, 2008). Mianowicie, wiedza dziedzinowa o charakterze
proceduralnym jest reprezentowana jako zbiór więzów w postaci par warunków nazywanych
odpowiednio warunkiem stosowalności – oznaczenie Cr i warunkiem spełnialności – oznaczenie Cs. Stosowany jest zapis więzów: IF Cr THEN Cs, co można odczytać w następujący sposób:
jeśli rozwiązanie studenta spełnia warunek Cr, to powinno także spełniać warunek Cs. System
stawia problem, student przedstawia rozwiązanie, a e-tutor sprawdza, czy zachodzą wszystkie
więzy. Jeśli nie, system odkrył błąd w rozwiązaniu studenta i informuje go o tym.
3. Rejestrowanie i analiza aktywności studentów
Na początku system uzyskuje informacje o studentach z ankiety wypełnianej przed rozpoczęciem korzystania z e-tutora.
Następnie, system zbiera informacje o aktywnościach studentów w ramach przerabiania
przez nich sekcji, tematów i zadań w e-materiałach oraz zajmowania się treściami generowanymi przez system. Stosowana jest metoda nakładania (overlay) (Woolf, 2008) wiedzy o studentach na model danych dziedziny wiedzy.
Ścieżka studenta jest to ciąg sekcji, tematów, zadań, testów i generowanych treści, którymi
zajmował się student, razem z:
EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 46
Lech Banachowski et al., Budowa e-tutora wspomagającego uczenie się studentów
• uzyskanymi wynikami w modułach oceniających jak testy, zadania,
• rekomendacjami, i • spędzonym czasem – wszystkie elementy uporządkowane w czasie.
Wśród wszystkich dostępnych ścieżek wykrywane są ścieżki wzorcowe – do tego celu służy
algorytm odkrywania wzorców sekwencji (PrefixSpan) (Pei et al., b.d.) wzbogacony o parametr
służący do odrzucania ścieżek o niezadowalających rekomendacjach.
Cyklicznie, powiedzmy raz na dobę, stosujemy algorytm wyszukiwania wzorców sekwencji
PrefixSpan i w wyniku jego działania otrzymujemy zbiór ścieżek wzorcowych. Ponieważ mamy
do czynienia z materiałem z zaproponowanym z góry pewnym porządkiem przejścia, możemy
przypuszczać, że duża grupa studentów będzie szła zgodnie z układem podręcznika/kursu, więc
należy zadbać o wyszukanie również mniej standardowych ścieżek wzorcowych. Dlatego proponuje się następujące postępowanie:
1. Uruchamiamy algorytm wyszukiwania wzorców sekwencji PrefixSpan z parametrem progu wyboru o wysokiej wartości np. 40%.
2. Wykorzystując algorytm podobieństwa dla ciągów (stosujemy algorytm Smith-Waterman-Gotoh; Gotoh, 1982) odrzucamy ścieżki podobne do tych znalezionych w pierwszym kroku.
3. Ponownie uruchamiamy algorytm wyszukiwania wzorców sekwencji z parametrem progu wyboru o niższej wartości, np. 20% na pozostałych ścieżkach – w ten sposób mamy
szanse na znalezienie ciekawych wzorców dla osób nie idących według podręcznika.
4. Ewentualnie, usuwamy ze zbioru wyznaczonych w krokach 1 i 3 ścieżek wzorcowych,
ścieżki o niezadowalającym współczynniku rekomendacji. Niezadowalający współczynnik oznacza ustalony procent materiałów na ścieżce ocenionych jako słabe.
5. Wykorzystując ponownie algorytm podobieństwa dla ciągów, wyszukujemy najbardziej
podobną ścieżkę wzorcową do tej, którą idzie student.
6. W rezultacie tych akcji system proponuje studentowi kolejny krok wybrany ze ścieżki
wzorcowej najbardziej podobnej do ścieżki zrealizowanej do tej pory przez studenta.
Na podstawie zebranych danych jest także możliwe dokonanie analizy materiałów z możliwością ich ulepszenia. O tym, że materiał może wymagać poprawy, mogą świadczyć następujące
czynniki:
• duża grupa studentów spędza dużo czasu na danej partii materiału,
• wyniki testów kończących daną partię materiału są słabe,
• duża grupa studentów nie kończy studiowania materiału (może jest za łatwy? a może niezrozumiały?),
• jest dużo negatywnych rekomendacji studentów.
E-tutor daje możliwość obejrzenia:
• najbardziej popularnych tematów/fragmentów/sekcji,
• obejrzenia czasów spędzonych w poszczególnych tematach/fragmentach/sekcjach,
• obejrzenia wyników uzyskanych przez studentów.
E-tutor dla każdej sekcji materiałów wyznacza następujące charakterystyki:
• liczba osób, które ją przerobiły,
• liczba osób, które ją rozpoczęły, a nie ukończyły,
• średni wynik testów,
• liczba pozytywnych rekomendacji,
• liczba negatywnych rekomendacji,
• średni czas studiowania,
• zbiorcza ocena będąca średnią (materiał można oceniać tak, jak ocenia się studenta):
–– średniego wyniku testów wyrażonego w procentach,
–– procentu osób, które ją przerobiły,
EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 47
Lech Banachowski et al., Budowa e-tutora wspomagającego uczenie się studentów
–– procentu pozytywnych rekomendacji.
W testowanym prototypie ekran prezentujący statystyki dotyczące użycia sekcji materiałów
jest przedstawiony na Rys. 4.
Rysunek 4. Wyświetlanie statystyk dotyczących użycia sekcji
Reasumując, e-tutor spełnia także funkcje modułu kontroli jakości materiałów dydaktycznych.
4. Podsumowanie
Na obecnym etapie nauki nie da się całkowicie wyeliminować tradycyjnych metod nauczania.
Jeśli założymy, że e-tutor ma tylko pomagać studentowi w nauce, a nie zastępować proces regularnego nauczania z udziałem nauczyciela akademickiego, tworzenie e-tutorów na szeroką skalę
staje się możliwe.
Przedstawione w pracy rozwiązanie oparte na bazie danych daje się zastosować do każdej
dziedziny wiedzy, dla której zgromadzono materiały dydaktyczne, ponieważ zastosowany model danych wiedzy jest oparty na niezależnych od dziedzin wiedzy modelach Wikipedii i Semantic Web (Banachowski et al., 2014). Pokazaliśmy, jak do istniejących materiałów dobudować
„inteligentną” nadbudowę wspomagającą uczącego się i autorów materiałów: uniwersalną – nie
odwołującą się do specyfiki dziedziny wiedzy.
Na koniec zauważmy, że dane zebrane w bazie danych dziedziny wiedzy ze względu na swój
uniwersalny charakter mogą być podstawą działania oprócz e-tutorów także innych aplikacji
korzystających z reprezentacji wiedzy, takich jak systemy doradcze, encyklopedie wiedzy (Banachowski, Mrówka-Matejewska i Nowacki, 2013).
5. Bibliografia
1. Woolf, B. P. (2008). Building Intelligent Interactive Tutor: Student-Centered Strategies for Revolutionizing
E-learning, Morgan Kaufmann.
2. Carr, D. F. (2013). Rice University’s OpenStax Tutor Tackles Personalized Learning. Pobrano 01.09.2015,
z:
http://www.informationweek.com/mobile/mobile-devices/rice-universitys-openstax-tutor-tacklespersonalized-learning/d/d-id/1108939?
3. Banachowski, L., Mrówka-Matejewska, E., Nowacki, J. P. (2013). Czy bazy wiedzy i podręczniki inteligentne
stanowią kolejną fazę rozwoju technologii edukacyjnych? W: Postępy e-edukacji. Warszawa: Wydawnictwo
PJATK.
4. Banachowski, L., Mrówka-Matejewska, E., Nowacki, J. P. (2014). Zastosowanie baz danych do reprezentacji
EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 48
Lech Banachowski et al., Budowa e-tutora wspomagającego uczenie się studentów
wiedzy i automatyzacji procesów e-nauczania. Eduakcja, 2(8).
5. Pei, J. et al. (b.d.). PrefixSpan: Mining Sequential Patterns Efficiently by Prefix-Projected Pattern Growth.
Pobrano 01.09.2015, z: http://hanj.cs.illinois.edu/pdf/span01.pdf
6. Gotoh, O. (1982). An Improved Algorithm for Matching Biological Sequences. J. Mol. Biol., 162, 705-708.
Pobrano 01.09.2015, z: https://www.cs.umd.edu/class/spring2003/cmsc838t/papers/gotoh1982.pdf
7. Strona projektu Ripples w UMass (b.d.). Pobrano 01.09.2015, z: http://manic.cs.umass.edu/about.html
8. Strona projektu OpenStax Tutor w Rice University (b.d.). Pobrano 01.09.2015, z: https://openstaxtutor.org/
Dodatek 1: Schemat bazy danych dziedziny wiedzy
Podany wcześniej opis bazy danych dziedziny wiedzy nie określa jeszcze jednoznacznie schematu samej bazy danych. Poniżej zamieszczamy więcej informacji, które mogą się przydać ewentualnym konstruktorom e-tutorów.
Korzystamy z modelu danych dziedziny wiedzy na Rys. 5, który został zaproponowany w pracy (Banachowski et al., 2014).
Rysunek 5. Model danych dziedziny wiedzy
• Podstawowymi pojęciami modelu danych są:
–– fragment e-materiału,
–– element (item) – atomowy element wiedzy,
–– temat (topic) – złożony element wiedzy.
• Każdy element wiedzy charakteryzuje się posiadaniem definicji.
• Każdy temat wyraża pewną własność elementu lub połączenia elementów wiedzy. Każdy temat jest przedstawiony przy użyciu fragmentu e-materiałów.
Do niego dodajemy informacje o relacjach następstwa między sekcjami Prerequisite i After
(zobacz Rys. 6).
Rysunek 6. Rozszerzenie modelu danych dziedziny wiedzy o relacje następstwa sekcji Prerequisite i After
Informacje o aktywnościach studentów są zbierane w trzech tabelach Student.SectionEvaluation, Student.TaskEvaluation i Student.GeneratedContent zbierające informacje odpowiednio
EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 49
Lech Banachowski et al., Budowa e-tutora wspomagającego uczenie się studentów
o sekcjach materiału przerabianych przez studentów, o zadaniach realizowanych przez studentów oraz o używaniu przez studentów materiałów generowanych przez system (zobacz Rys. 7).
Rysunek 7. Rozszerzenie modelu danych dziedziny o informacje o aktywnościach studentów
Building an E-Tutor Supporting Student Learning
Summary
Keywords: Knowledge representation, data model for knowledge, database for knowledge domain, automation of
e-leaming processes, e-tutor, educational data mining
The paper proposes a new method for e-tutor building, whose aim is to support learning process at the request of
a student including knowledge vverification, catching up, getting additional help, repetition of material, extension
ofknowledge and help in self-education. During its operation e-tutor analyses the learning profiles of the previous
students and the behavior and progress of a specific student and therefore it is able to evaluate current student
needs and recommend appropriate actions, it can indicate the dydactic materials to the their authors that need
corrections.
EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 50