Tasarım ve Sonuçlar – Eğitim – Essay – Ödev – Tez – Makale – Çeviri – Tez Yazdırma -Tez Yazdırma Fiyatları

 Tasarım ve Sonuçlar

Bu yazıda, öğreticiler, örnekler ve problemler gibi farklı öğrenme içeriğini bireysel öğrencilere uyarlanabilir şekilde sunan ve öğrencilerle olan etkileşiminden performansının nasıl iyileştirileceğini öğrenen akıllı bir aracıyı tanımlıyoruz.

Grafiksel kullanıcı arabirimi (GUI) ön ucu, vaka tabanlı akıl yürütme (CBR) tarafından desteklenen bir aracı ve bir mySQL veritabanı arka ucu ile, yukarıdaki hedefi temel alan uçtan uca bir akıllı öğretim sistemi oluşturduk. Bireysel vakalara gömülü pedagojik stratejileri ve benzerlik elde etme ve uyarlama buluşsal yöntemlerini depolamak için bir vaka tabanı kullanıyoruz.

Her vakanın durum, çözüm ve sonuç parametreleri vardır. Durum parametreleri, öğrencilerin statik ve dinamik profillerini ve öğretim içeriğinin özelliklerini içerirken, çözüm parametreleri öğrenciye iletilecek örneğin veya sorunun özelliklerini belirtir.

Beş konuyu içeren bir CS1 içeriği seti geliştirdik ve sistemimizi laboratuvarlara yerleştirdik. Sonuçlarımız, makine öğrenimi mekanizması etkinleştirildiğinde aracımızın öğrencilere daha verimli ders vermeyi öğrenebildiğini gösteriyor.

Akıllı öğretim sistemlerinde hangi yeteneklerin gerekli olduğu veya mevcut olduğu konusunda evrensel bir anlaşma yoktur. ITS’ler aşağıdaki özelliklerin bir kombinasyonuna sahip olabilir:

(1) Bir ITS’nin problemler, ipuçları ve öğrenci performansına ilişkin yardım dahil olmak üzere dinamik olarak öğretim materyali oluşturduğu üretici; (2) Bir ITS’nin bir öğrencinin bilgisinin mevcut durumunu değerlendirdiği ve değerlendirmeye dayalı olarak öğretimsel olarak yararlı bir şey yaptığı öğrencileri modelleyebilme; (3) Bir ITS’nin uzman performansını tespit ettiği ve öğretim açısından faydalı bir model türettiği uzman performansını modelleyebilme; (4) Bir ITS’nin öğrenci modelinin değişen durumuna, bir uzman modelinin reçetelerine veya her ikisine bağlı olarak öğretim stilini değiştirdiği pedagojik stratejileri değiştirebilme; (5) Bir ITS’nin insan-bilgisayar etkileşimini geliştirmek için sunum planlarını değiştirdiği karma girişim; ve (6) Bir ITS’nin deneyimin bir işlevi olarak kendi öğretim performansını izleme, değerlendirme ve geliştirme kapasitesine sahip olduğu kendini geliştirme.

Yukarıdakilere dayanarak, gerçekten akıllı bir ITS uyarlanabilir olmalı ve bireysel öğrenciler için özelleştirilmiş ders ve öğrenime yol açmalıdır. Ayrıca, herhangi bir akıllı sistemin uyarlanabilir olması için, (1) öğrencilerle kendi etkileşimini izleyebilmeli ve değerlendirebilmelidir, (2) değerlendirme sonucu ortalamanın altındaysa bilgisini değiştirebilmelidir ve (3) sonradan değiştirilmiş olanı uygulayabilmelidir. 

Bir ITS’nin bilgisi genellikle öğretim içeriğinden (öğreticiler, örnekler, problemler, vb.), öğrencilerin modellenmesinden ve pedagojik stratejilerden oluşur.

Öğretim içeriği her zaman uygun olmayabilir (örneğin, belirli bir problem bir öğrenci için uygunken başka bir öğrenci için fazla kolay olabilir), öğrencilerin modellenmesi doğru olmayabilir (örneğin, arka arkaya üç problemde başarısız olan bir öğrenci, ilgili konuların anlaşılmaması veya bu konuyu incelemek için motivasyon eksikliği olarak algılanır.

Tasarım tabanlı araştırma örneği
Design-based research
Tasarım araştırma yöntemleri
Tasarım ve geliştirme araştırma yöntemi
Tasarım tabanlı araştırma yöntemi
Tasarım araştırması nedir
Araştırma Tasarımı örnek
Tasarım İçin Araştırma

Böylece, bir ITS bilgisini değiştirdiğinde, öğretim içeriğini, belirli bir öğrenciyi modellemesini veya belirli bir pedagojik stratejiye olan güvenini değiştirebilir. Bu yazıda, performansını zaman içinde iyileştirmek için makine öğrenimi yeteneklerine sahip bir ITS öneriyoruz.

Akıllı Öğrenme Materyalleri Dağıtım Aracısı (ILMDA) olarak adlandırılan ITS, öğrencileri sistemle nasıl etkileşime girdiklerine (sadece soru-cevap değerlendirmesine değil) göre modeller, pedagojik stratejilerini değiştirir ve kendini geliştirir. ILMDA’nın makine öğrenimi yetenekleri, vaka tabanlı akıl yürütme (CBR) tarafından desteklenmektedir. Bireysel vakalara gömülü pedagojik stratejileri ve benzerlik elde etme ve uyarlama buluşsal yöntemlerini depolamak için bir vaka tabanı kullanıyoruz.

Aşağıda, ilk olarak akıllı öğretim sistemleri alanındaki bazı ilgili çalışmaları tartışacağız. Ardından ILMDA projemizi, amaçlarını ve çerçevesini sunuyoruz. Ardından, CBR metodolojisini kullanımımızı özetleyeceğiz. Daha sonra ILMDA’nın uygulamasını kısaca açıklıyoruz.

Etkileşimli bir GUI ön ucu, CBR tarafından desteklenen ve öğrenme yeteneğine sahip bir aracı ve bir mySQL çoklu veritabanı arka ucu ile uçtan uca bir ILMDA altyapısı oluşturduk. ILMDA’yı 2004 yılının Güz döneminde bir CS1 kursuna yerleştirdik. Ön hazırlık olmasına rağmen, sonuçlar cesaret vericidir ve ILMDA’nın öğrenci davranışına dayalı olarak daha uygun örnekler ve problemler sunmayı öğrenebildiğini gösterir.

İlgili İş

PACT, ANDES, AutoTutor ve SAM gibi başarılı ITS’ler olmuştur. ITS’ler öğrenciler üzerinde test edilmiş ve öğrenmeyi kolaylaştırdığı kanıtlanmış olmasına rağmen, Graesser ve ark. ders verme sistemlerinin mevcut durumunun zayıf yönlerine dikkat çekti: Birincisi, öğrencilerin tahmin etmesi ve bir cevap bulması mümkündür ve bu tür sığ öğrenme sistem tarafından algılanmayacaktır.

İkincisi, ITS’ler öğrencileri konuşmalara dahil etmez, bu nedenle öğrenciler alanın dilini öğrenmeyebilir. Üçüncüsü, öğrencilerin düşüncelerini anlamak için ITS’lerin GUI’si, öğrencileri bir çözümün genel resmi yerine ayrıntılara odaklanmaya teşvik eder.

Ayrıca, bu sistemler genellikle yeni duruma uyum sağlamaz, kendi stratejilerini kendi kendine değerlendirmez ve yapılandırmaz ve öğrencilere iletilen veya sunulan öğretim içeriğinin kullanım geçmişini izlemez.

ILMDA ile yakından ilişkili bir çalışma AnimalWatch’tır. AnimalWatch, kız ilkokul öğrencileri için tasarlanmış bir aritmetik öğretmenidir. “İki aşamalı” bir öğrenme algoritması kullanarak yapılan hataların miktarını veya her bir problem için harcanan zamanı azaltmak gibi optimal bir öğretim politikasını otomatik olarak hesaplayan bir pekiştirmeli öğrenme bileşenine sahiptir: (1) bir öğrencinin öğretmenle nasıl etkileşime girdiğini modelleyin ve (2) bir ders verme politikası oluşturmaktır.

Takviyeli öğrenme mekanizması, mevcut ders verme durumunu tanımlayan ve önerilen bir eylemin çıktısını (örneğin, hangi problemlerin oluşturulacağı ve ne tür ipuçlarının gösterileceği) bir dizi yetenek olarak girdi olarak alır. Öğretmen daha sonra öğrencinin yanıtının doğru olup olmadığını ve öğrencinin bu yanıtı oluşturmasının ne kadar sürdüğünü gözlemler.

AnimalWatch, bu gözlemleri zaman içinde saklayarak, “sorun üzerinde şimdiye kadar y hata yapan, x yeterliliğine sahip ortalama bir öğrenci” hakkında tahminlerde bulunabilir. Yazarlar, makine öğrenimi sürümünü kullanan öğrencilerin bir problemi çözmek için ortalama 27,7 saniye, klasik sürümü kullanan öğrencilerin ise ortalama 39,7 saniye olduğunu bildirmektedir.

ILMDA tasarımımız, öğrencilerin sistemle etkileşimini gözlemleyen ve gözlemlenen sonuçlara dayalı kararları pekiştiren temel konsept açısından AnimalWatch’a benzer. Ancak, makine öğrenimi bileşenimiz kapsamlıdır: deposunda bulunan mevcut pedagojik stratejileri geliştirir, yeni pedagojik stratejiler öğrenir, bunları nasıl uygulayacağını öğrenir, ne zaman kullanacağını öğrenir; ayrıca sistemin eğitim içeriğini kaliteli etiketlemeyi de öğrenir.