tutaj
Transkrypt
tutaj
EduAkcja. Magazyn edukacji elektronicznej nr 2 (12)/2016, str. 87—101 Inteligentne systemy e-learningowe jako przykład wykorzystania sztucznej inteligencji w kształceniu na odległość Jacek Marciniak Uniwersytet im. Adama Mickiewicza [email protected] Streszczenie: W artykule zaprezentowane zostało w jaki sposób narzędzia i metody sztucznej inteligencji mogą wspomagać proces kształcenia na odległość. W szczególności omówiona została nowa klasa systemów informatycznych, którą są inteligentne systemy e-learningowe. Łączą one funkcje platform e-learningowych (ang. Learning Management System; LMS) oraz inteligentnych systemów wspierających kształcenie (ang. Intelligent Tutoring System; ITS). Mogą służyć jako wsparcie w procesie kształcenia dużych oraz niejednorodnych grup szkoleniowych dostarczając uczącemu się zindywidualizowane materiały, które dobierane są w miarę potrzeb z repozytorium treści dydaktycznych zorganizowanych jako Learning objects. Rozwiązanie bazuje na ontologiach typu wordnet, które wykorzystywane są podczas indeksowania materiałów oraz jako model wiedzy o świecie, którą dysponuje system podczas podejmowania decyzji przy ich dostarczaniu. Słowa kluczowe: Inteligentne systemy e-learningowe, ITS, repozytoria treści dydaktycznych, indywidualizacja kształcenia 1. Wprowadzenie Rozwój technologiczny, zmiany uwarunkowań technicznych, ewolucja narzędzi i metod ich wykorzystania sprawiają, że podczas organizacji kształcenia na odległość pojawiają się nowe możliwości i sposoby postępowania. Dzięki rozwojowi technologicznemu możliwe jest rozwiązywanie problemów, które były nierozwiązywalne z wykorzystaniem starszych narzędzi i technologii. Rozwiązania informatyczne wspierające kształcenie wyglądały inaczej, gdy komputery jako nowe narzędzie zostały wprowadzone do klas i sal ćwiczeniowych; inaczej, gdy komputery zostały podłączone do sieci komputerowej; inaczej, gdy Internet stał się ważną częścią współczesnego świata. Wśród pierwszych szeroko rozpowszechnionych zastosowań narzędzi informatycznych w nauczaniu wymienić można jednostanowiskowe aplikacje uruchamiane na komputerach osobistych, rozwiązanie szczególnie popularne, gdy aplikacje te dystrybuowane były na płytach CD. Wśród pierwszych zastosowań sieci komputerowych wskazać należy komunikację zdalną z uczącym się, udostępnianie materiałów dydaktycznych, czy pracę na odległość. Wszystko realizowane z wykorzystaniem dostępnych wówczas narzędzi komunikacji takich jak np. pierwsze komunikatory, strony WWW czy katalogi sieciowe. W okresie tym pojawiły się pierwsze platformy e-learningowe, często będące składową większych systemów informatycznych przeznaczonych do organizacji kształcenia metodami tradycyjnymi, wdrażanych na dużych uczelniach, w korporacjach i przedsiębiorstwach. W erze ogromnej popularności Internetu i dzięki rozpowszechnieniu urządzeń mobilnych pojawiły się rozwiązania przeznaczone do natychmiastowej komunikacji praktycznie z dowolnego miejsca. Dzięki rozwiązaniom Web 2.0 i mediom społecznościowym zmieniła się rola uczącego się w procesie dydaktycznym. Pojawienie się oprogramowania OpenSource doprowadziło do sytuacji, w której platformy e-learningowe mogą być zainstalowane i utrzymywane praktycznie w każdej instytucji. Zaczęło powstawać Jacek Marciniak, Inteligentne systemy e-learningowe jako przykład wykorzystania sztucznej... coraz więcej materiałów dydaktycznych w postaci elektronicznej dzięki dostępności prostych i niedrogich narzędzi do ich tworzenia. Takie otoczenie technologiczne doprowadziło do sytuacji, w której pojawiała się potrzeba prowadzenia kształcenia na odległość oraz dostarczanie treści dydaktycznych grupom uczących się o różnych kompetencjach i umiejętnościach oraz niejednorodnych potrzebach. Kształcenie prowadzone jest na masową skalę w środowiskach takich jak uniwersytety wirtualne czy platformy MOOC (ang. Massive Open Online Course). Rozwój narzędzi wykorzystywanych w kształceniu na odległość spowodowany jest nie tylko rozwojem technologicznym, ale wynika również z postępu, będącego efektem prowadzonych prac badawczych. Narzędzia i metody sztucznej inteligencji wykorzystywane jako wsparcie procesu kształcenia są przykładem tego, jak badania naukowe wpływają na postać dostępnych narzędzi. Sztuczna inteligencja to dziedzina nauki stawiająca sobie za cel tworzenie systemów informatycznych o inteligentnym zachowaniu. Na potrzeby kształcenia metody i narzędzia sztucznej inteligencji wykorzystywane są w wielu różnych systemach, w tym w systemach dialogowych wykorzystywanych w nauczaniu, w systemach automatycznie generujących odpowiedzi, w narzędziach do komunikacji multimodalnej pomiędzy uczącym się a komputerem, w rozpoznawaniu emocji uczącego się, w systemach automatycznego oceniania prac pisemnych, w analizie stylu i korekcji błędów gramatycznych, w narzędziach do wykrywania plagiatów oraz w inteligentnych systemach wspierających kształcenie umożliwiających prowadzenie kształcenia w sposób adaptacyjny oraz spersonalizowany. 2. Inteligentne systemy wspierające kształcenie Prace nad inteligentnymi systemami wspierającymi kształcenie (ang. intelligent tutoring systems, ITS) prowadzone są od lat 80. XX w. Wśród pierwszych systemów tego typu wymienić należy systemy takie, jak SOPHIE (Brown et al., 1982) czy GUIDON (Clancey, 1986). Zadaniem inteligentnych systemów wspierających kształcenie jest dostarczanie uczącemu się treści dydaktycznych, które odpowiadają zidentyfikowanym w trakcie kształcenia potrzebom uczącego się. Czynność ta dokonywana jest automatycznie bez interwencji dydaktyka, bądź treści dobierane są przez system, ale przed dostarczeniem uczącemu się są przez niego akceptowane. W opracowaniach dotyczących systemów ITS przytaczana jest architektura zaproponowana przez Wengera (1987), w której na system tego typu składają się cztery niezależne, ale wzajemnie uzupełniające się składowe (Rys. 1): model dziedzinowy (ang. domain model), model studenta (ang. student model), model pedagogiczny (ang. pedagogical model) oraz interfejs (ang. interface). Rysunek 1. Architektura systemu ITS według Wengera (1987) Model dziedzinowy to model wiedzy o świecie, wykorzystywany w procesie dobierania treści uczącemu się. Model studenta gromadzi wiedzę o studencie oraz jego postępach w procesie dydaktycznym. Wiedza ta może dotyczyć postępów w osiąganiu celów dydaktycznych związanych EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 88 Jacek Marciniak, Inteligentne systemy e-learningowe jako przykład wykorzystania sztucznej... z realizowanym materiałem dydaktycznym, może również obejmować kompetencje i umiejętności studenta zdobywane w dłuższym okresie czasu. Model pedagogiczny determinuje sposób w jaki prowadzony jest proces dydaktyczny, wyznacza dopuszczalne schematy postępowania systemu podczas interakcji z uczącym się. Interfejs definiuje sposób, w jaki treści są dostarczane uczącemu się. Pierwsze systemy ITS budowane były jako jednostanowiskowe aplikacje, potrafiące adaptować się do potrzeb uczącego się przy wykorzystaniu algorytmów oraz treści wbudowanych na stałe w aplikację. Systemami działającymi zgodnie z tym podejściem były pierwsze systemy, takie jak na przykład SOPHIE (Brown et al., 1982) czy GUIDON (Clancey, 1986). Podobne podejście wykorzystane zostało również w wielu innych systemach tworzonych później, w tym w systemach budowanych w odmiennych uwarunkowaniach technologicznych, np. Help Tutor (Roll et al., 2007), Cognitive Tutor (Aleven et al., 2006), Logicando (Lanzilotti i Roselli, 2007), ASSISTments Platform (Karlovčec et al., 2011), Fractions Tutor (Rau et al., 2012). Podejście, w którym treści oraz algorytmy wbudowane są na stałe w aplikację bez możliwości ich wymiany, uwzględnia kontekst, w którym dane rozwiązanie jest wykorzystywane. Wyróżnić można dwa rodzaje zastosowań systemów o tej architekturze: narzędzie przeznaczone jest do nauczania dobrze rozpoznanych i opracowanych zagadnień, bądź wykorzystywane jest w badaniach nad interakcją człowieka z systemem inteligentnym. W pierwszym przypadku wymiana treści i algorytmów nie jest konieczna, gdyż mocną stroną systemu jest właśnie to, że treści i postać, jaką przyjmują zostały starannie opracowane, jak również to, że został zaprojektowany określony sposób ich dostarczania uczącemu się. Przykładem takich systemów są: Logicando, przeznaczony do nauczania podstaw logiki uczniów szkół podstawowych, Fractions Tutor, służący do nauki ułamków w szkole podstawowej, ASSISTments Platform, będący systemem wykorzystywanym do nauczania matematyki w szkołach podstawowych i średnich. Przy badaniach nad interakcją człowiek–komputer system ITS służy jako narzędzie przeznaczone do przeanalizowania określonych zachowań uczącego się z systemem inteligentnym. W podejściu takim algorytm określający zachowanie zarówno systemu, jak i treści podawane uczącemu się są nierozerwalnie związane z zaplanowanymi eksperymentami, w których system ma być wykorzystywany. Przykładem takich systemów są Cognitive Tutor oraz Help Tutor. Ponieważ brak możliwości wymiany algorytmów określających zachowanie systemu oraz brak możliwości wymiany treści dostarczanych uczącemu się w wielu sytuacjach było nadmiernie ograniczające, pojawiły się również systemy, w których modyfikacje takie mogły być dokonywane. Przykładami takich systemów są KPP system (Zouaq et al., 2008) oraz ADAPT system (Dias et al., 2014). Systemy ITS mogą realizować bardzo różne strategie podczas dostarczania treści. W istniejących rozwiązaniach pojawiały się np. architektury wykorzystujące podczas interakcji z uczącym się różne style uczenia się. Na przykład w systemach CS383 (Carver et al., 1996) i Winds (Kravčík et al., 2004) rozpoznawany jest styl uczenia się zgodnie z modelem Feldera i Sivermana (1988) wyróżniającym w określaniu strategii kształcenia następujące style uczenia się: sensoryczno-intuicyjny (ang. sensing-intuitive), wizualno-werbalny (ang. visual-verbal), aktywny-refleksyjny (ang. active-reflective), sekwencyjno-łączny (ang. sequential-global). Systemy te, po rozpoznaniu stylu uczącego się, proponują mu treści o różnej postaci (tekst, wideo, grafika). Inne podejście zostało przyjęte w systemie Inspire (Papanikolaou et al., 2003), w którym uwzględniany jest podział Honeya i Mumforda (2006), wyróżniających następujące style uczenia się: Activist (eksperymentowanie, preferencja uczenia się przez działanie), Reflector (analiza, kumulacja danych w celu wyciągnięcia wniosków), Theorist (synteza, preferowanie wiedzy teoretycznej), Pragmatist (wykorzystanie, stawianie na praktyczne wykorzystanie zdobytej wiedzy). System, w zależności od potrzeb uczącego zidentyfikowanych na podstawie kwestionariusza, dostarcza materiały dydaktyczne zorganizowane na różne sposoby. W systemie AES-CS (Triantafillou et al., 2002) wykorzystywany jest model Witkina (Witkin et al., 1977), dzielący studentów na dwie EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 89 Jacek Marciniak, Inteligentne systemy e-learningowe jako przykład wykorzystania sztucznej... grupy: zależnych i niezależnych od dziedziny. W przyjętym algorytmie działania system organizuje proces dydaktyczny i materiały na różne sposoby w zależności od tego jak dany uczący się został sklasyfikowany. Powyższy przegląd istniejących rozwiązań pokazuje, że potrzeba wymiany algorytmów odpowiedzialnych za zachowanie systemu oraz elastyczne mechanizmy dostarczanie treści wpływają na sposób, w jaki system będzie adaptował się do potrzeb uczącego się. Potrzeba wymiany algorytmów odpowiedzialnych za zachowanie systemu może wynikać ze zmiany filozofii działania rozwiązania, np. potrzeby uwzględnienia nowej strategii kształcenia, może również być spowodowana potrzebą naprawienia błędnych zachowań systemu zidentyfikowanych podczas interakcji z uczącymi się. Elastyczne mechanizmy zarządzania treścią mogą wspierać procesy kształcenia obejmujące nowe obszary tematyczne, mogą również być wykorzystane podczas uaktualniania i modyfikacji treści zawartych w systemie. Zaprezentowane poniżej inteligentne systemy e-learningowe pozwalają na wymianę treści dzięki temu, że ich architektura opiera się na operowaniu na repozytoriach treści e-learningowych, które są zasilane w sposób ciągły, zaś modyfikacja i wymiana algorytmów zachowania systemu określana jest poza systemem wprost w treściach dydaktycznych. 3. Inteligentne systemy wspierające kształcenie w środowisku e-learningowym Inteligentne systemy wspierające kształcenie budowane były również z uwzględnieniem specyfiki e-learningu oraz wykorzystywanych w tym środowisku rozwiązań technologicznych. Współczesne środowiska e-learningowe bazują na założeniu, że materiały dydaktyczne tworzone są w taki sposób, że istnieje możliwość przenoszenia ich pomiędzy różnymi platformami e-learningowymi. Rozpowszechnione są specyfikacji takie jak SCORM, Tin Can czy starsza AICC określające zasady organizacji i agregowania treści na potrzeby ich wielokrotnego użycia. Treści budowane są w sposób pozwalający na ich uruchamianie w przeglądarkach WWW oraz na urządzeniach mobilnych. Systemy tworzone w środowisku e-learningowym budowane są z wykorzystaniem różnych architektur. KPP System (Zouaq et al., 2008) opiera się na podejściu, w którym treści dostarczane są uczącemu się pod postacią Learning objects (Wiley, 2000) zapisanych w SCORM. System generuje takie obiekty wykorzystując treści składowane w bazie wiedzy, która może być na bieżąco modyfikowana i rozszerzana. W podejściu przyjętym przez Santosa i Jorge’a (2013) ITS został zaimplementowany wprost w obiekcie Learning object, który dostarczany jest uczącemu się poprzez platformę e-learningową. Learning object zapisany jest w SCORM, ITS podejmuje zatem działanie wtedy, gdy taki obiekt zostanie dostarczony do przeglądarki WWW uczącego się. W rozwiązaniu tym ITS traktowany jest jako inteligentny agent. W innym podejściu gotowe Learning objects wybierane są z repozytorium, które jest częścią platformy e-learningowej i dostarczane uczącemu się zgodnie z zaimplementowanym w systemie niewymienialnym algorytmem, realizującym predefiniowane strategie dydaktyczne (Gašević et al., 2004). Odmienne podejście zostało przyjęte przez Kaziego (2004), Kazanidisa i Satratzemiego (2009) oraz Stantosa i Figueirę (2010). Zaproponowali oni architekturę systemu ITS, w której algorytm określający strategie dydaktyczne zapisywany jest w języku IMS Simple Sequencing wprost w kursie e-learningowym zapisanym w SCORM 2004 (Advanced Distributed Learning, 2009). Dzięki takiemu podejściu twórca strategii może tworzyć ją poza platformą e-learningową bez potrzeby dokonywania zmian w samym systemie. W systemach Kaziego (2004), Kazanidisa i Satratzemiego (2009) oraz Stantosa i Figueiry (2010), dzięki wykorzystaniu języka IMS Simple Sequencing, zaimplementowana została pełna architektura ITS zaproponowana przez Wengera (1987). Oparcie architektury systemu ITS jedynie na specyfikacji SCORM nie pozwala jednakże na budowanie rozwiązań, które pozwalałby pracować z wykorzystaniem repozytoriów treści e‑learningowych zasilanych w sposób ciągły. Wykorzystanie IMS Simple Sequencing pozwala na EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 90 Jacek Marciniak, Inteligentne systemy e-learningowe jako przykład wykorzystania sztucznej... tworzenie strategii dobierania treści w sposób adaptacyjny, jednakże adaptacja ta może być realizowana jedynie dla treści umieszczonych w paczce SCORM kursu e-learningowego. Nie ma możliwości sięgnięcia do innych treści zawartych w repozytorium w którym taki kurs jest składowany. Tak właśnie działają systemy zaprezentowane w pracach Kaziego (2004), Kazanidisa i Satratzemiego (2009) oraz Santosa i Figueiry (2010). W przypadku dynamicznie przyrastających repozytoriów podejście takie jest zbyt ograniczające. Możliwość sięgnięcia do zasobów całego repozytorium pozwoli dostarczyć uczącemu się treści zawarte w repozytorium i bardziej odpowiednie niż te znajdujące się w paczce SCORM, z którego żądanie dostarczenia nowych treści zostało wygenerowane podczas adaptacji do potrzeb uczącego się. Możliwe będzie zatem dostarczanie np. treści o bardziej odpowiednim poziomie trudności, posiadające postać zgodną z rozpoznanym stylem uczenia się czy też w wersji językowej odpowiedniej dla uczącego się. Oznacza to, że możliwe będzie dostarczanie uczącemu się treści, które do repozytorium zostaną wgrane później niż paczka SCORM, z którą pracuje uczący się. Taka charakterystyka inteligentnego systemu wspierającego kształcenia odpowiada specyfice dostępnych współcześnie środowisk e-learningowych. Ze względu na powszechność platform e-learningowych takich jak Blackboard, Olat, czy Moodle pozwalających na udostępnianie treści dydaktycznych zapisanych m.in. w SCORM oraz dostępność narzędzi takich jak Articulate służących do budowy treści, lawinowo przyrasta ilość materiałów e-learningowych tworzonych poza platformami e-learningowymi. W przypadku zgromadzenia dużej liczby takich materiałów pojawia się potrzeba ich gromadzenia w jednym miejscu oraz wykorzystywania w różnych kontekstach edukacyjnych z możliwością wariantowania na potrzeby konkretnej grupy uczących zgodnie z ich indywidualnymi potrzebami. W takich środowiskach przydatna będzie również możliwość modyfikowania algorytmu dostarczania materiałów w zależności od potrzeb danej grupy szkoleniowej oraz jej postępów w realizacji dostarczonego materiału. Ostatnie jest szczególnie istotne w sytuacji w której dydaktyk musi indywidualizować proces dydaktyczny w dużych grupach uczących się. W przypadku małych grup możliwa jest sytuacja, gdy proces dostosowywania materiałów realizowany jest przez dydaktyka „ręcznie”, tzn. poprzez rozpoznanie indywidualnych potrzeb każdego z uczących się i dobrania dla niego odpowiednich materiałów z repozytorium. Dla dużych grup uczących się, np. w przypadku kursów typu MOOC, takie postępowanie jest trudne, bądź wręcz niemożliwe ze względu na ograniczenia czasowe. W przypadku takim nie jest możliwe prowadzenie nauczania zindywidualizowanego, nawet jeżeli zgromadzone w repozytorium zasoby na to pozwalają. W takich sytuacjach niezbędne jest wykorzystanie narzędzi pozwalających na adaptację treści w sposób zautomatyzowany z uwzględnieniem rzeczywistych postępów uczącego się oraz zaplanowanej przez dydaktyka ścieżki kształcenia. Systemami takimi są inteligentne systemy e-learningowe, zanurzone w repozytoriach treści e-learningowych, redefiniujące klasę systemów ITS z uwzględnieniem nowych uwarunkowania technologicznych i praktyki nauczania w środowiskach e-leaningowych. 4. Inteligentne systemy e-learningowe zanurzone w repozytoriach treści dydaktycznych Inteligentne systemy e-learningowe zanurzone w repozytoriach treści dydaktycznych to nowa klasa systemów informatycznych, łącząca funkcje platform e-learningowych (Learning Management System; LMS) oraz inteligentnych systemów wspierających kształcenie (Intelligent Tutoring Systems; ITS) (Marciniak, 2014b; Marciniak, 2015). Operują na repozytoriach treści e-learningowych zapisanych w SCORM, pozwalają na personalizację kształcenia z wykorzystaniem wszystkich treści pobieranych z repozytorium oraz realizują strategie pedagogiczne budowane przez autorów bezpośrednio w kursach e-learningowych. Identyfikacja potrzeb uczących się odbywa się poprzez udostępniane w kursach e-learningowych sprawdziany postępu, jak również EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 91 Jacek Marciniak, Inteligentne systemy e-learningowe jako przykład wykorzystania sztucznej... poprzez odwoływanie się do wiedzy o uczącym się gromadzonej w systemie. Dla systemów tych przyjmuje się założenie, że operują na repozytoriach treści dydaktycznych o następującej charakterystyce (Marciniak, 2015): • treści zapisywane są jako Learning objects, które są niezależne od siebie oraz zorganizowane w taki sposób, że pozwalają na osiągnięcie wyznaczonych przez autora celów dydaktycznych, • repozytorium jest zasilane materiałami zorganizowanymi jako kursy e-learningowe, tzn. jako uporządkowany zbiór Learning objects, • składowe zawarte w kursach mogą funkcjonować samodzielnie, tzn. mogą zostać wyłączone z kursu oraz umieszczone w innym kursie, • nowe kursy są tworzone w systemie w sposób dynamiczny, niedeterministyczny i adaptujący się do potrzeb uczącego się zidentyfikowanych w trakcie uczenia się. Adaptacja jest realizowana z wykorzystaniem wszystkich materiałów zawartych w repozytorium. Architektura inteligentnego systemu e-learningowego zaprezentowana jest na Rys. 2. Rysunek 2. Architektura inteligentnego systemu e-learningowego (Marciniak, 2015) System jest rozszerzeniem architektury LMS, dzięki czemu dostęp do treści odbywa się poprzez przeglądarkę WWW. Do przeglądarki dostarczane są SCO, które są najmniejszymi składowymi technicznymi kursów e-learningowych zapisanych w SCORM, które mogą być podawane uczącemu się przez system LMS. To, że architektura repozytorium jest zgodna ze SCORM sprawia, że przechowywane są w nim informacje o organizacji (Content Organization) kursów e-learningowych, które zostały wgrane do repozytorium pod postacią paczek SCORM. Dla każdego kursu przechowywana jest informacja o hierarchicznej strukturze organizacji treści oraz o instrukcjach zapisanych w IMS Simple Sequencing wyznaczających sekwencję udostępniania treści w kursie e-learningowym, określoną przez autora w trakcie tworzenia kursu. Aby jednoznacznie rozstrzygnąć, które składowe treści są w pełni niezależne oraz aby podczas dostarczania ich uczącemu się była pewność, że są spójne, tzn. zawierają wszystkie elementy pozwalające osiągnąć założone przez autora cele dydaktyczne, przyjęto założenie, że materiały w repozytorium są anotowane przy pomocy UCTS. UCTS (Universal Curricular Taxonony System) (Marciniak, 2012; Marciniak, 2014a) pozwala na wyodrębnienie w obrębie kursu e-learningowego partii materiału o różnym stopniu agregacji i złożoności przez wykorzystanie pojęć takich, jak UCTS Curriculum, UCTS Module, UCTS Unit. Dzięki temu możliwe jest operowanie w repozytorium na treściach EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 92 Jacek Marciniak, Inteligentne systemy e-learningowe jako przykład wykorzystania sztucznej... o różnej objętości i złożoności, a nie tylko na najbardziej granularnych, którymi są Learning objects. Oznacza to, że podczas podawania treści system może dobierać treści o różnej wielkości w zależności od zidentyfikowanych potrzeb uczącego się oraz realizowanej strategii dydaktycznej. W prezentowanym rozwiązaniu przyjęto założenie, że implementowane są wszystkie składowe architektury ITS zaprezentowane przez Wengera (1987), tzn. interfejs, model studenta, model dziedzinowy oraz model pedagogiczny. Jako interfejs systemu traktowany jest interfejs treści e-learningowych przechowywanych w repozytorium i dostarczanych uczącemu się. Rozwiązanie takie jest naturalną konsekwencją osadzenia systemu w środowisku e-learningowym – istotą współczesnego e-learningu jest różnorodność. Treści budowane są z wykorzystaniem różnych technologii, mają różną postać oraz oprawę graficzną (Rys. 3). Mogą to być elementy tekstowe, multimedialne i interaktywne, graficzne, zdjęcia, sekwencje wideo, itp. Ze względu na ciągłą ewolucję formatów technicznych wynikającą z postępu technologicznego zmienność interfejsu jest naturalna. W tak dynamicznym otoczeniu nie jest możliwe przyjęcie założenia, że interfejs systemu powinien być ustandaryzowany, tak jak miało to miejsce w pierwszych systemach ITS. Na model studenta w systemie składają się wszystkie informacje o studencie zebrane podczas interakcji z danym kursem oraz inne informacje przechowywane w systemie (np. preferencje, kompetencje ogólne, styl uczenia, itp.). Mogą być zorganizowane np. z wykorzystaniem specyfikacji IMS ePortfolio (2015). Ważnym założeniem prezentowanego rozwiązania jest to, że model dziedzinowy budowany jest przy wykorzystaniu ontologii typu wordnet, która pozwala na jednoczesne reprezentowanie wiedzy o charakterze ogólnym oraz dziedzinowym. Ułatwi to pokrycie modelem wiedzy dziedzinowej obszarów tematycznych materiałów przechowywanych w repozytorium. Na model pedagogiczny składają się strategie dydaktyczne zapisywane w IMS Simple Sequencing oraz Agent ITS będący agentem programowym odpowiedzialnym za proces dostarczania treści i kontrolującym postępy uczących się. Rysunek 3. Przykładowa postać materiałów e-learningowych (E-archaeology Content Repository, 2015) EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 93 Jacek Marciniak, Inteligentne systemy e-learningowe jako przykład wykorzystania sztucznej... 5. Model dziedzinowy: ontologia typu wordnet Model dziedzinowy w systemie ITS to model wiedzy o świecie. Jego zadaniem jest dostarczanie wiedzy o dziedzinach, których dotyczą treści zgromadzone w repozytorium. Model wykorzystywany jest podczas wnioskowania prowadzonego przez system przy podejmowaniu decyzji o tym, jakie treści mają zostać dostarczone uczącemu się w punktach kontrolnych, w których oceniane są postępy oraz identyfikowane są potrzeby uczącego się. Pojęcia z modelu wykorzystywane są również do opisania tematyki treści składowanej w repozytorium. W prezentowanym rozwiązaniu jako model dziedzinowy wykorzystywane są ontologie typu wordnet (Marciniak, 2015). Ontologia typu wordnet to ontologia pozwalająca na organizowanie wiedzy dziedzinowej, uporządkowanej zasobami leksykalnymi (Marciniak, 2014c). W informatyce ontologie wykorzystywane są w systemach zarządzania wiedzą oraz sztucznej inteligencji. W zastosowaniach tych używana jest często definicja podana przez Grubera (1993), że „ontologia to specyfikacja konceptualizacji”. Przez konceptualizację rozumie się abstrakcyjną i uproszczoną wizję świata, a przez specyfikację formalną i deklaratywną reprezentację tej wizji. Takie rozumienie ontologii pozostaje w luźnym związku z ontologią rozumianą jako dziedzina filozofii, w której prowadzone są badania nad pojęciem bytu oraz istnienia. Ontologia typu wordnet posiada strukturę, która zaczerpnięta jest z leksykalnych baz danych typu wordnet (inaczej „wordnetów”; pierwszym zasobem tego typu był Princeton WordNet) (Fellbaum, 1998), poszerzonych o relacje o charakterze dziedzinowym i eksperckim (Marciniak, 2014c). Wiedza pochodząca z leksykalnej bazy danych typu wordnet traktowana jest jako wiedza ogólna o świecie i stanowi strukturę bazową ontologii. Przyjęcie założenia, że ontologia budowana jest z wykorzystaniem zasobów leksykalnych wynika z tego, że ważnym założeniem rozpatrywanej architektury jest to, że tematyka treści w repozytorium opisywana jest w procesie tagowania. Oznacza to, że aby opisać tematykę treści, do zasobu w którym ta treść jest zawarta, przypisywane jest słowo lub wyrażenie dobrane w sposób swobodny przez tagującego. Dzięki podstawowej składowej wordnetu, którą jest synset, na który składają się słowa bądź wyrażenia mogące być wykorzystane zamiennie w określonych kontekstach (Fellbaum, 1998), użyte przy opisywaniu tematyki treści słowa i wyrażenia są ujednoznacznione. W procesie tym możliwe jest również odwoływanie się do pojęć podobnych lub powiązanych dzięki zawartym w wordnetach relacjom o charakterze leksykalnym (hiperonimia/hiponimia, holonimia/meronimia, antonimia, itp.). Wiedza dziedzinowa może zostać wprowadzona do ontologii typu wordnet z tezaurusów, ontologii dziedzinowych czy systemów klasyfikacyjnych (Marciniak, 2015), gdzie dana dziedzina opisana jest poprzez wyszczególnienie pojęć pod postacią deskryptorów, czy klas oraz relacji pomiędzy nimi. Wiedza dziedzinowa zawarta w językach klasyfikacyjnych tego typu jest opracowywana przez ekspertów – specjalistów w danej dziedzinie oraz organizowana w taki sposób, aby pokrywała całą rozpatrywaną dziedzinę, lub poddziedzinę w zakresie wyznaczonym przez ekspertów. Przykładem takich konceptualizacji jest tezaurus Getty AAT, ontologia CIDOC CRM czy system klasyfikacyjny Icon Class, które zawierają wiedzę z szeroko pojętej historii sztuki, ale każdy z nich organizuje ją w różny sposób, uwzględniając różne aspekty dziedziny oraz różne poziomy szczegółowości. Przy budowie ontologii typu wordnet zakłada się ponadto, że wiedza ekspercka może zostać wprowadzona do ontologii bezpośrednio przez eksperta na potrzeby konceptualizowania dziedziny, której dotyczą treści w repozytorium e-learningowym (w innych zastosowaniach dotyczące przetwarzanych zasobów treści np. artykułów w serwisie internetowym). Wiedza ta może być wyrażona w ontologii w trakcie prowadzenia tagowania zasobów, gdy okaże się że wiedza dziedzinowa tam zawarta, a pochodząca z konceptualizacji dziedzinowej o charakterze ogólnym (np. pochodząca z istniejącego tezaurusa), okaże się niewystarczająca, zbyt pobieżna lub niepełna. Możliwość taka jest o tyle ważna, że konceptualizacje dziedzinowe zaczerpnięte z dostępnych opracowań o charakterze EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 94 Jacek Marciniak, Inteligentne systemy e-learningowe jako przykład wykorzystania sztucznej... ogólnym nie zawsze odpowiadają potrzebom pojawiającym się podczas opisywania tematyki zasobów bardzo specjalistycznych lub pochodzących z innego kręgu kulturowego (Hjørland, 2012; Seidel-Grzesińska i Stanicka-Brzezicka, 2014). 6. Model pedagogiczny: strategie dydaktyczne oraz Agent ITS Podstawowa funkcja inteligentnego systemu e-learningowego o prezentowanej architekturze, tzn. zdolność samodzielnego podejmowania decyzji o tym, jakie treści dydaktyczne mają zostać dostarczone uczącemu się w odpowiedzi na zidentyfikowane potrzeby, realizowana jest przy pomocy tzw. strategii dydaktycznych oraz Agenta ITS. Strategia dydaktyczna to schemat postępowania, który ma być realizowany przez system podczas prowadzenia kształcenia zgodnie z zamysłem dydaktyka oraz z uwzględnieniem postępów uczącego się. Strategie zapisywane są w języku IMS Simple Sequencing i implementowane wprost w kursie e-learningowym zawierającym materiały dydaktyczne dobrane przez dydaktyka, tak aby osiągnąć założony cel dydaktyczny. Dzięki wykorzystaniu IMS Simple Sequencing zapewniona jest wymienialność algorytmów zachowania inteligentnego systemu e-learningowego bez potrzeby dokonywania zmian w samym systemie. Rozwiązanie to jest analogiczne do podejścia zaprezentowanego przez Kazanidisa i Satratzemiego (2009) oraz Santosa i Figueirę (2010). Aby podczas tworzenia strategii możliwe było odwoływanie się do repozytorium oraz wszystkich zawartych tam zasobów, a nie tylko do materiałów przenoszonych w paczce SCORM kursu e-learningowego, w którym strategia jest osadzona, niezbędne jest wykorzystanie mechanizmu uzupełniającego specyfikację SCORM, którym są Extension Points oraz Triggers (Marciniak, 2014d). Rozwiązanie to służy do przekazywania do ITS warunków (Triggers) przeszukiwania repozytorium oraz wpływania na strategię działania ITS wprost z wnętrza SCO, w którym umieszczono punkt kontrolny (Extension Point) przeznaczony do podejmowania decyzji o dalszych krokach w podawaniu treści. Uzupełnienie SCORM zostało zaprojektowane w taki sposób, że mechanizmy sterujące zachowaniem ITS z wnętrza kursu e-learningowego nadają dodatkowe interpretacje modelowi danych IEEE LTSC CMI, który jest składową SCORM 2004 odpowiedzialną za komunikację pomiędzy składowymi treści a LMS. W przyjętym podejściu nie było konieczne rozszerzanie specyfikacji SCORM, dzięki czemu tworzone kursy e-learningowe, implementujące mechanizmy sterujące ITS, mogą być uruchomione dzięki zgodnej ze standardem implementacji SCORM na platformie LMS. Dzięki możliwości implementacji strategii dydaktycznych w języku IMS Simple Sequencing poza systemem, w którym treści są osadzone, zagwarantowana jest swoboda w tworzeniu, modyfikacji i uzupełnianiu strategii oraz ich wariantowanie, uwzględniające np. różne modele nauczania, różne strategie wyszukiwania treści z wykorzystaniem ontologii typu wordnet, czy wpływanie na to, co ma być wyszukane poprzez metadane (np. IEEE LOM) opisujące treści. Agent ITS to moduł informatyczny, który powinien zostać zaimplementowany w systemie LMS, rozszerzając jego architekturę. Jego zadanie polega na obsłudze żądań dostarczania uczącemu się treści o określonej charakterystyce przesyłanych wprost z wnętrza SCO przy pomocy mechanizmów Extension Points oraz Triggers. Podczas sterowania procesem dostarczania treści wykorzystywany jest algorytm określający strategię dydaktyczną zapisaną przez autora treści oraz uwzględniane są postępy uczącego się, które z kursu przesyłane są do systemu przy pomocy modelu danych CMI. Agent ITS ma za zadanie skonfrontować oczekiwania dydaktyka z rzeczywistymi postępami uczącego się oraz podjąć optymalną decyzję. Autonomiczność Agenta ITS w procesie podejmowania decyzji dotyczących tego jakie treści mają zostać dostarczone uczącemu się, sprawia, że można go traktować jako agenta inteligentnego (Russel i Norvig, 2009; Marciniak, 2015). EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 95 Jacek Marciniak, Inteligentne systemy e-learningowe jako przykład wykorzystania sztucznej... 7. Przykładowa implementacja inteligentnego systemu e-learningowego Na przykładową implementację inteligentnego systemu e-learningowego składają się następujące, wzajemnie uzupełniające się składowe (Marciniak, 2015): • system Edumatic ITS, • ontologia PMAH (Protection and Management of Archaeological Heritage), • treści e-learningowe pochodzące z repozytorium E-archaeology Content Repository (2015), • kursy e-learningowe z osadzonymi strategiami dydaktycznymi. Edumatic ITS to wersja platformy e-learningowej Edumatic implementującej inteligentny system e-learningowy zgodnie z założeniami zaprezentowanymi powyżej. W systemie osadzony został Agent ITS jako niezależny moduł programowy połączony z komponentami odpowiadającymi za implementację SCORM 2004. Moduł został zaimplementowany w taki sposób, że podczas podejmowania decyzji realizowana jest strategia prostego agenta odruchowego (ang. simple reflex agent) (Russel i Norvig, 2009). Strategia sprowadza się do dwóch kroków: wyszukanie treści z repozytorium, odpowiadających potrzebom uczącego się, oraz wybranie spośród wyszukanych tej składowej treści, która jest najbardziej odpowiednia na danym etapie kształcenia (rekomendacja). Edumatic ITS pozwala na dostarczanie treści w trybie automatycznym i pół-automatycznym. W pierwszym trybie system zachowuje pełną autonomię podczas dostarczania treści uczącym się, w drugim proponuje najlepsze treści dla uczącego się, a decyzja o tym, które z nich mają zostać dostarczone uczącemu się, podejmowana jest przez dydaktyka. Jako model wiedzy dziedzinowej w systemie wykorzystana została ontologia PMAH (Protection and Management of Archaeological Heritage). Jest to ontologia typu wordnet zbudowana na potrzeby indeksowania zasobów e-learningowych zgromadzonych w repozytorium E-archaeology Content Repository (2015), zawierającym materiały z zakresu ochrony i zarządzania dziedzictwem archeologicznym. Ontologia powstała, aby wspierać proces indeksowania zasobów z wykorzystaniem poszerzonego systemu tagującego (Marciniak, 2013). Została zbudowana po to, aby połączyć relacjami dziedzinowymi i ogólnymi (leksykalnymi) tagi wykorzystane przez indeksujących do opisania tematyki treści zawartych w repozytorium. Na ontologię składa się ok. 1800 słów i wyrażeń tworzących ok. 1500 synsetów. Wyróżniono w niej ponad 700 relacji o charakterze leksykalnym. Wiedza dziedzinowa wyrażona została przez wprowadzenie 93 kategorii dziedzinowych oraz ok. 1600 relacji dziedzinowych. Wykorzystanie ontologii typu wordnet jako modelu wiedzy dziedzinowej pozwala na poszerzenie zakresu przeszukiwania treści w repozytorium. Dla wskazanego w strategii dydaktycznej pojęcia, wyznaczającego zakres tematyczny treści do wyszukania, możliwe jest znalezienie pojęć podobnych i powiązanych, dla których można również wyszukiwać treści z repozytorium. To, czy takie poszerzone przeszukiwanie repozytorium ma być zrealizowane, zależy od decyzji dydaktyka budującego strategię dydaktyczną. Może on wyznaczyć pole semantyczne dla pojęcia, dla którego ma być prowadzone wyszukiwanie. W omawianej implementacji inteligentnego systemu e-learningowego wykorzystano materiały e-learningowe pochodzące z repozytorium E-archaeology Content Repository (2015). W repozytorium zawarte są treści obejmujące tematykę ochrony i zarządzania dziedzictwem archeologicznym. Zgromadzono zasoby o objętości 4856 Learning objects (SCO) składające się na 24 programy szkoleniowe. W obrębie tych programów wyróżniono mniejsze składowe do wielokrotnego wykorzystania; 249 składowych UCTS Module oraz 794 składowych UCTS Unit. Materiały w repozytorium zredagowane są w siedmiu wersjach językowych. Dzięki UCTS możliwe było wyodrębnienie w obrębie tych materiałów składowych przeznaczonych do wielokrotnego wykorzystania, ale innych (większych) niż Learning objects. Inteligentny system e-learningowy rozpoczyna działanie, gdy uczący się przystąpi do realizacji materiału dydaktycznego z zaimplementowaną strategią dydaktyczną. Zgodnie z zapreEduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 96 Jacek Marciniak, Inteligentne systemy e-learningowe jako przykład wykorzystania sztucznej... zentowanymi powyżej założeniami materiał ten powinien przyjmować postać paczki SCORM, a strategia dydaktyczna musi być zaimplementowana w IMS Simple Sequencing wprost w tej paczce (tzn. w pliku imsmanifest.xml zawierającym informację o strukturze treści zgromadzonej w paczce). Przykładem zaprojektowanej strategii dydaktycznej jest Similar Content Strategy, która w prezentowanym środowisku została m.in. osadzona w kursie e-learningowym Podstawowe zagadnienia archeologii. Strategia dydaktyczna Similar Content Strategy ma za zadanie dostarczyć uczącemu się treści z repozytorium, które są zgodne z tematyką wyznaczoną przez autora w kursie e-learningowym. Tematyka ta zapisywana jest przy pomocy słów lub wyrażeń pochodzących z ontologii typu wordnet. Strategia ma obsługiwać sytuacje, w których podczas pracy z danym materiałem dydaktycznym stwierdzone zostaną braki uczącego się w określonym obszarze wiedzy. Rolą systemu jest dobranie najbardziej odpowiednich treści z repozytorium uzupełniających te braki. Kurs Podstawowe zagadnienia archeologii ma za zadanie wprowadzić uczącego się w problematykę archeologii. Składa się na niego 6 składowych UCTS Unit, w których zawarte są 32 składowe typu Learning objects. Pod koniec kursu zdefiniowany jest punkt kontrolny (test jednokrotnego/wielokrotnego wyboru), w którym sprawdzana jest wiedza uczącego się o omawianych wcześniej w kursie zagadnieniach (Rys. 4). W zależności od wyników testu, do repozytorium przesyłane jest żądanie wyszukania treści na zadany temat oraz tematy podobne i powiązane. Np. zapisanie oczekiwanego zakresu tematycznego jako aerial photography:weight:3 oznacza, że mają zostać wyszukane treści dotyczące fotografii lotniczej oraz treści podobne i powiązane o maksymalnym zakresie (weight=3). Przy tak sformułowanym zapytaniu system wyszuka z repozytorium treści o różnym stopniu powiązania ze wskazanym tematem, wyszukane zostaną przede wszystkim treści zaindeksowane przy pomocy wyrażenia aerial photography, ale również zaindeksowany przy pomocy pojęć podobnych i powiązanych, takich jak np. aerial photographs i digital photography. Jeżeli system działa w trybie pół-automatycznym, wyniki wyszukania zostaną przedstawione dydaktykowi, który musi samodzielnie podjąć decyzję które z nich są najbardziej odpowiednie i powinny zostać dostarczone uczącemu się (Rys. 5). W trybie automatycznym system samodzielnie podejmie decyzję o tym, jaka partia materiału ma zostać dostarczona (Rys. 6). Przy podejmowaniu decyzji o tym, które z wyszukanych materiałów są najbardziej odpowiednie, wykorzystywany jest Agent ITS oraz zawarty w nim algorytm odpowiedzialny za realizację strategii Similar Content Strategy. W systemie Edumatic ITS schemat postępowania Agenta ITS dla obsługiwanych przez system strategii dydaktycznych wyznaczany jest przez operatora systemu z wykorzystaniem wbudowanego edytora reguł (Rys. 7). Pozwala on na określenie, jakie są priorytety systemu przy ocenie materiału wyszukiwanego z repozytorium dla zapytania sformułowanego przez dydaktyka w kursie e-learningowym. Pod uwagę mogą być brane: język materiałów (tzn. czy preferowane są treści w tym samym języku, co język materiałów, w którym strategia dydaktyczna jest realizowana), trafność tematyczna (tzn. czy preferowane są treści na zadany temat, czy też można uwzględnić treści tematycznie podobne i powiązane). Można również uwzględnić autorstwo (tzn. czy preferowane są materiały tego samego autora), trudność czy poziom interaktywności materiałów. Kryteria mogą zostać wybrane z predefiniowanego zestawu i uporządkowane zgodnie z intencją twórcy reguły rekomendacyjnej. Pozwala na to na elastyczne zarządzanie algorytmem odpowiedzialnym za realizację strategii rekomendacyjnej. EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 97 Jacek Marciniak, Inteligentne systemy e-learningowe jako przykład wykorzystania sztucznej... Rysunek 4. Punkt kontrolny określony przez strategię dydaktyczną, w którym uczący się przystępuje do testu weryfikującego postępy w realizacji kursu Rysunek 5. Treści zaproponowane przez system Edumatic ITS po przystąpieniu przez uczącego się do testu w punkcie kontrolnym Rysunek 6. Składowe dostarczone uczącemu się w wyniku działania inteligentnego systemu e-learningowego EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 98 Jacek Marciniak, Inteligentne systemy e-learningowe jako przykład wykorzystania sztucznej... Rysunek 7. Edytor do tworzenia reguł rekomendacyjnych w systemie Edumatic ITS 8. Podsumowanie Zaprezentowane w pracy inteligentne systemy e-learningowe pozwalają na prowadzenie kształcenia w sposób adaptacyjny, dzięki czemu podczas podawania treści możliwe jest uwzględnianie specyficznych potrzeb uczących się. Takie zindywidualizowane podejście jest szczególnie użyteczne przy pracy z dużymi grupami uczących się, dzięki systemowi o powyższej charakterystyce proces kształcenia może być prowadzony przez dydaktyków bardziej sprawnie. Systemy prezentowanej klasy mogą być osadzone w dowolnym systemie LMS przez nieznaczne rozszerzenie architektury umożliwiające osadzenie modułu programowego, którym jest Agent ITS. Zaprezentowana przykładowa implementacja opierająca się na systemie Edumatic ITS może zostać wykorzystana do prowadzenia kształcenia w dowolnym obszarze tematycznym, o ile materiały dydaktyczne zostaną zapisane w SCORM, uzyskają strukturę wspierającą wielokrotne użycie składowych oraz zostaną otagowane słowami i wyrażeniami tak, aby wyrazić ich tematykę. Aby system mógł funkcjonować, konieczne jest również zbudowanie modelu wiedzy dziedzinowej poprzez odwzorowanie wykorzystanych podczas tagowania słów i wyrażeń na składowe ontologii typu wordnet oraz wyrażenie w niej relacji dziedzinowych przez specjalistów zarządzających repozytorium treści. 9. Bibliografia 1. Advanced Distributed Learning (2009). Sharable Content Object Reference Model (SCORM®) 2004. 4th Edition Run-Time Environment (RTE) Version 1.1. 2. Aleven, V., McLaren, B. Roll, I., Koedinger, K. (2006). Toward Meta-cognitive Tutoring: A Model of Help-Seeking with a Cognitive Tutor. International Journal of Artificial Intelligence in Education, 16, 101–130. 3. Brown, J. S., Burton, R. R., deKleer, J. D. (1982). Pedagogical, natural language and knowledge engineering techniques in SOPHIE I, II and III. W: D. Sleeman and J. Brown (Red.), Intelligent tutoring systems. New York: Academic Press. 4. Carver, C. A., Howard, R. A., Lavelle, E. (1996). Enhancing student learning by incorporating learning styles into adaptive hypermedia. W: Proceedings of Ed-MEDIA 96 (s. 118–123). Boston. 5. Dias, L., Faria, L., Martins, C., Marques, V., Pratas, E. (2014). Adaptive learning management system to support an intelligent tutoring module. W: L. Gómez Chova, A. López Martínez, I. Candel Torres (Red.), EDULEARN14. Conference proceedings. 6th International Conference on Education and New Learning Technologies. July 7th-9th, 2014 (s. 598–607). Barcelona, Spain. IATED Academy. 6. E-archaeology Content Repository (2015). Pobrano we wrześniu 2015, z: www.e-archaeology.org/contentrepository 7. Felder, R. M., Silverman, L. K. (1988). Learning Styles and Teaching Styles in Engineering Education. Engr. Education, 78(7), 674–681. EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 99 Jacek Marciniak, Inteligentne systemy e-learningowe jako przykład wykorzystania sztucznej... 8. Gašević, D., Jovanović, J., Devedžić, V. (2004). Ontologies for Creating Learning Object Content. W: M. Negoita, R. Howlett, L. Jain (Red.), Knowledge-Based Intelligent Information and Engineering Systems. LNCS, 3213, 284–291. 9. Fellbaum, Ch. (Red.) (1998). WordNet: An Electronic Lexical Database, MIT Press. 10. Gruber, T. R. (1993). A Translation approach to portable ontology specifications. Knowledge Asquisition, 5(2), 199–220. 11. Honey, P., Mumford, A (2006). The Learning Styles Questionnaire, 80-item version. Maidenhead, UK: Peter Honey Publications. 12. Hjørland, B. (2012). Is classification necessary after Google? Journal of Documentation, 68(3), 299–317. 13. IMS ePortfolio Specification (2015). Pobrano we wrześniu 2015, z: www.imsglobal.org/ep 14. Karlovčec, M., Córdova-Sánchez, M., Pardos, Z. A. (2011). Knowledge Component Suggestion for Untagged Content in an Intelligent Tutoring System. W: S. A. Cerri, W. J. Clancey, G. Papadourakis, K. Panourgia (Red.), Intelligent Tutoring Systems. LNCS, 7315. Berlin: Springer Berlin Heidelberg, 195–200. 15. Kazanidis, I., Satratzemi, M. (2009). Applying learning styles to SCORM compliant courses. W: I. Aedo, N. S. Ch. Kinshuk, D. Sampson, L. Aitseva (Red.), Proceedings of The Ninth IEEE International Conferece on Advanced Learning Technologies, s. 147–151. 16. Kazi, S. A. (2004). A conceptual framework for web-based intelligent learning environments using SCORM-2004. Proceedings of IEEE ICALT, 12–15. 17. Lanzilotti, R., Roselli, T. (2007). An Experimental Evaluation of Logiocando, an Intelligent Tutoring Hypermedia System. International Journal of Artificial Intelligence in Education 17, 41–56. 18. Kravčík, M., Specht, M. (2004). Flexible Navigation Support in the WINDS Learning Environement for Architecture and Design. Proceedings of the Third International Adaptive Hypermedia and ADaptive Web-based Systems Conference, Eindhoven, The Netherlands, 156–165. 19. Marciniak, J. (2012). Metody organizacji materiałów dydaktycznych w postaci elektronicznej zapisywanych w standardzie SCORM. EduAkcja. Magazyn edukacji elektronicznej, 1(3), 79–92. 20. Marciniak, J. (2013). Building wordnet based ontologies with expert knowledge. W: Z. Vetulani, H. Uszkoreit (Red.), Proceedings of 6th Language and Technology Conference, December 7–9, 2013, Poznań, Poland, s. 273–278. 21. Marciniak, J. (2014a). Building E-learning Content Repositories to Support Content Reusability. International Journal of Emerging Technologies in Learning (iJET), 9(3), 45–52. 22. Marciniak, J. (2014b). Building Intelligent Tutoring Systems Immersed in Repositories of E-learning Content. Procedia Computer Science, 35 , 541–550. 23. Marciniak, J. (2014c). Enhancing Tagging Systems by Wordnet Based Ontologies. W: Z. Vetulani, J. Mariani (Red.), Human Language Technology Challenges for Computer Science and Linguistics. 5th Language and Technology Conference, LTC 2011, Poznań, Poland, November 25–27, 2011. LNCS, 8387. Springer International Publishing, 367–378. 24. Marciniak, J. (2014d). Creating pedagogical strategies for personalization in intelligent tutoring systems active in e-learning content repositories. W: L. Gómez Chova, A. López Martínez, I. Candel Torres (Red.), EDULEARN14. Conferece proceedings. 6th International Conference on Education and New Learning Technologies July 7th-9th, 2014 (s. 2035–2062). Barcelona, Spain. IATED Academy. 25. Marciniak, J. (2015). Inteligentne systemy e-learningowe wykorzystujące ontologie typu wordnet. Poznań: Wydawnictwo Naukowe UAM. 26. Papanikolaou, K. A., Grigoriadou, H. K., Magoulas, G. D. (2003). Personalizing the Interaction in a Web-based Educational Hypermedia System: the case of INSPIRE. User Modeling and User-Adapted Interaction, 13. Netherlands: Kluwer Academic Publishers. 27. Roll, I., Aleven, V., McLaren, B. M., Koedinger, K. R. (2007). Designing for metacognition—applying cognitive tutor principles to the tutoring of help seeking. Metacognition and Learning, 2(2), 125–140. 28. Russel, S. J, Norvig, P. (2009). Artificial Intelligence: A modern approach. Prentice Hall. 29. Seidel-Grzesińska, A., Stanicka-Brzezicka, K. (2014). Wielojęzyczne słowniki hierarchiczne w dokumentacji muzealnej w Polsce. Muzealnictwo, 55, 116–126. 30. Santos, G., Jorge, J. (2013). Interoperable Intelligent Tutoring Systems as SCORM Learning Objects. W: A. Pena-Ayala (Red.), Intelligent and Adaptive Educational-Learning Systems. Achievements and Trends (s. 239-265). Springer Berlin Heidelberg. 31. Santos, G., Figueira, A. (2010). Web-based intelligent tutoring systems using the SCORM 2004 specification: A conceptual framework for Implementing SCORM compliant intelligent web-based learning environments. Proceedings of ICALT, 676–678. 32. Triantafillou, E., Pomporsis, A., Georgiadou, E. (2002). AES-CS: Adaptive Educational System based on cognitive styles. Proceedings of the AH2002 Workshop, Spain. 33. Wenger, E. (1987). Artificial Intelligence and Tutoring Systems: Computational and Cognitive Approaches to the Communication of Knowledge. Los Altos, CA: Morgan Kaufmann Publishers, Inc. EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 100 Jacek Marciniak, Inteligentne systemy e-learningowe jako przykład wykorzystania sztucznej... 34. Witkin, H., Moore, C., Goodenough, D., Cox, P. (1977). Field-dependent and field-independent cognitive styles and their educational implications. Review of Educational Research, 47(1), 1–64. 35. Wiley, D. A. (2000). Connecting learning objects to instructional design theory: A definition, a metaphor, and a taxonomy. W: D. A. Wiley (Red.) The Instructional Use of Learning Objects: Online Version. Pobrano we wrześniu 2014, z: http://reusability.org/read 36. Zouaq, A., Nkambou, R., Frasson, C. (2008). Bridging the Gap between ITS and eLearning: Towards Learning Knowledge Objects. W: B. P. Woolf,E. Aimeur, R. Nkambou, S. Lajoie (Red.), Intelligent Tutoring Systems. LNCS, 5091. Guildford : Springer London, 448–458. Intelligent E-Learning Systems as an Example of Application of Artificial Intelligence in Distance Learning Summary Keywords: Intelligent e-learning systems, ITS, content repositories, learning personalization The article presents how different tools and methods of artificial intelligence can be used in distance learning. A new class of IT systems called intelligent e-learning systems is presented. Systems of this type combine functionality of Learning Management Systems (LMS) with Intelligent Tutoring Systems (ITS). They can be used during training of large and heterogeneous group of learners as a tool to supply personalized e-learning materials built-up from e-learning content stored in repository of Learning objects. The system apply wordnet based ontologies used during indexing of training materials and acting as a domain model used when system makes decisions which content should be provided to learner from content repository. EduAkcja. Magazyn edukacji elektronicznej, nr 2 (12)/2016 , str. 101