1 Personalizacja kursów e-learningowychŁukasz Rauch, Krzysztof Andrelczyk, Jan Kusiak Centrum E-Learningu Akademia Górniczo-Hutnicza 1
2 Agenda Wprowadzenie – nowy model kształcenia Cele projektuWykorzystane narzędzia Etapy realizacji projektu Opis zastosowanego algorytmu agentowego Perspektywy dalszej rozbudowy i zastosowania Podsumowanie 2 2
3 Cel projektu Stworzenie systemu umożliwiającego automatyczne dostosowywanie treści kursów e-learningowych do indywidualnych preferencji i potrzeb każdego ucznia w celu zwiększenia efektywności nauczania. 3 3
4 Szczegółowe cele personalizacjiDodanie fragmentów innych kursów pomocnych w zrozumieniu prezentowanej treści Odrzucenie zbędnych fragmentów kursów (np. zaprezentowanych już w ramach innego kursu) Wyznaczanie indywidualnej ścieżki nauczania 4 4
5 Wykorzystywana przez uczelnianą platformę e-learningową AGHPlatforma Moodle Darmowy, Open Source'owy system zarządzania kursami umożliwiający tworzenie interakcyjnych kursów e-learningowych popularność (22256 stron) elastyczność (modułowa budowa) otwarty kod Wykorzystywana przez uczelnianą platformę e-learningową AGH 5 5
6 Sharable Content ObjectSCORM Sharable Content Object Reference Model Otwarty standard stworzony w ramach inicjatywy Advanced Distributed Learning Oparty na technologii XML (elastyczny, łatwo przetwarzalny i aplikowalny) Obecnie ok. 250 produktów wykorzystujących standard 6 6
7 Dlaczego SCORM? Możliwość wykorzystania kursów na różnych platformach - przenośność Możliwość wykorzystania kursów pochodzących z różnych źródeł Duży wybór kursów Możliwość wielokrotnego wykorzystywania elementów kursów. 7 7
8 Etapy realizacji 1. Opracowanie nowej struktury kursów2. Automatyzacja budowy kursów poprzez implementację systemu agentowego 3. Stworzenie algorytmu personalizacji 8 8
9 Podstawową składową kursu jest pojedynczy obiekt SCO.Struktura kursu1 Podstawową składową kursu jest pojedynczy obiekt SCO. Powiązania pomiędzy elementami odpowiadają zależnościom pomiędzy nimi i sugerują kolejność prezentacji. 9 9
10 Struktura kursu2 1. Metody optymalizacji a) Złoty podział - definicje- algorytm b) Metoda sympleks Transformacja kursu na strukturę grafową 10 10
11 Struktura kursu3 Definicje Algorytm Złoty podział Metoda SympleksMetody optymalizacji Automatycznie tworzone połączenia zapewniają kompatybilność wstecz. 11 11
12 Dobór parametrów Wiedza autora kursu Historia nauki studentaWiedza zdobyta poza platformą e-learningową 12 12
13 Dobór parametrów1 Wiedza autora kursuAutor decyduje o powiązaniach kursu z innymi elementami znajdującymi się na platformie. 13 13
14 Dobór parametrów2 Historia nauki studentaOstatni czas dostępu do kursu Ocena końcowa z kursu Czas poświęcony danemu kursowi 14 14
15 Dobór parametrów3 Wiedza zdobyta poza platformą e-learningowąTesty kwalifikacyjne. 15 15
16 System agentowy1 Budowa systemu agentowego odpowiada strukturze wszystkich kursów dostępnych na platformie. Struktura kursu jest rekurencyjna. Pojedynczy agent może reprezentować: Jeden obiekt SCO Cały kurs zawierający zbiór obiektów 16 16
17 System agentowy2 Parametry systemu:Połączenia pomiędzy agentami – odpowiadają połączeniom pomiędzy elementami kursów Progi aktywacji – wartości ustalane dla każdego agenta, decydują o dołączeniu danego elementu do prezentowanego kursu 17 17
18 System agentowy3 System agentowy odpowiada za:Wybór elementów wchodzących w skład prezentowanego kursu Budowę struktury prezentowanego kursu na podstawie połączeń pomiędzy agentami 18 18
19 Wybór elementów 1 Definicje Algorytm Algorytm Złoty Sympleks PodziałMetoda Złotego Podziału Metody optymalizacji Metoda Sympleks 19 19
20 Wybór elementów 2 Definicje Algorytm Algorytm Złoty Sympleks PodziałMetoda Złotego Podziału Metody optymalizacji Metoda Sympleks 20 20
21 Wybór elementów 3 Definicje Algorytm Algorytm Złoty Sympleks PodziałMetoda Złotego Podziału Metody optymalizacji Metoda Sympleks 21 21
22 Wybór elementów 4 Definicje Algorytm Algorytm Złoty Sympleks PodziałMetoda Złotego Podziału Metody optymalizacji Metoda Sympleks 22 22
23 Wybór elementów 5 Definicje Algorytm Algorytm Złoty Sympleks PodziałMetoda Złotego Podziału Metody optymalizacji Metoda Sympleks 23 23
24 Wybór elementów 6 Definicje Algorytm Algorytm Złoty Sympleks PodziałMetoda Złotego Podziału Metody optymalizacji Metoda Sympleks 24 24
25 Budowa kursu1 1. Metody optymalizacji a) Złoty podział - definicje- algorytm b) Metoda sympleks Algorytm Algorytm Złoty podział Sympleks Metody optymalizacji 25 25
26 Budowa kursu2 Na podstawie wyników działania algorytmu do bazy danych dodawany jest nowy kurs, który następnie prezentowany jest użytkownikowi. 26 26
27 Inne możliwości Wyznaczanie spersonalizowanej ścieżki nauczaniaWybór formy prezentacji treści Dynamiczna modyfikacja parametrów systemu w trakcie działania algorytmu 27 27
28 Dalsze prace Rozbudowa mechanizmu personalizacjiTworzenie kursów SCORM z materiałów dostępnych na platformie Eksportowanie i importowanie spersonalizowanych kursów Automatyczne generowanie spersonalizowanych testów Wykorzystanie architektur rozproszonych, kursów dostępnych z zewnątrz poprzez Internet 28 28
29 Podsumowanie Moduł personalizacji został zaimplementowany za pomocą technologii PHP i XML oraz wdrożony na platformie Moodle Stworzony moduł umożliwia automatyczną personalizację kursów e-learningowych Wykorzystanie otwartych narzędzi i standardów umożliwia powszechne wdrożenie rozwiązania 29 29
30 Bibliografia „Intelligent agent supported personalization for virtual learning environments”, Dongming Xu, Huaiqing Wang „Smart Tutor: An Intelligent Tutoring System in web-based adult education”, B. Cheung, L. Hui, J. Zhang, S.M. Yiu „Towards a Standards-based Approach to e- Learning Personalization using Reusable Learning Objects” - O. Conlan, D. Dagger, V. Wade 30 30