"Навчальна аналітика взаємодії викладачів і студентів у LMS: інструментарій вироблення" Доповідь на семінарі MZDTS-2013, ІФНТУНГ, м. Івано-Франківськ, Україна http://itea-conf.org.ua/mitde-2013/

1. НАВЧАЛЬНА АНАЛІТИКА ВЗАЄМОДІЇ
ВИКЛАДАЧІВ І СТУДЕНТІВ У LMS:
ІНСТРУМЕНТАРІЙ ВИРОБЛЕННЯ
Доц. Артеменко В.Б.
Львівська комерційна академія
victor.artemenko@gmail.com

2. Актуальність:
 Товариство Дослідження Навчальної Аналітики
(SoLAR - Society for Learning Analytics Research)
проводить різні заходи з організації виробництва і
використання навчальної аналітики.
Ключовий висновок: політичні та стратегічні чинники перешкоджають прийняттю і впровадженню
навчальної аналітики (Learning Analytics – LA).
 MOOC: Policy and Strategy for Systemic
Deployment of Learning Analytics (політика і стратегія
для розгортання навчальної аналітики - Джордж Сіменс).

3. Мета доповіді:
 висвітлити інструментальні засоби для
вироблення навчальної аналітики у сфері
дистанційного навчання, що ґрунтуються
на засадах агент-орієнтованого та нейромережного підходів;
 проілюструвати результати імітаційного
моделювання взаємодії трьох типів агентів
дистанційних курсів (ДК): авторів, тьюторів
та студентів.

4. Агент-орієнтовані моделі (АОМ)
або Agent-Based Model (ABM) – нові
інструментальні засоби для добування
знань у різних сферах діяльності.
Для побудови АОМ можна використовувати
різні прикладні пакети.

5. Програмні продукти для агенторієнтованого моделювання

NetLogo
 Artisoc

StarLogo
 Swarm

SOARS
 AnyLogic

MASON

6. Специфікація задачі розробки
гібриду АОМ передбачає побудову штучного суспільства,
в якому взаємодіють такі три
групи агентів:
 А1 – автори ДК,
 А2 – тьютори, що супроводжують навчальний
процес у віртуальному середовищі ВНЗ,
 А3 – студенти, учасники ДК.
Оцінювання знань агентами ДН відбувається
за результатами (кількість агентів, що спожили знання) кількості кліків учасників ДК.

7. Основні припущення моделі:
з точки зору прийняття рішень, агенти
рухаються у двовимірному просторі,
мають кінцевий горизонт бачення;
 будь-які агенти з’являються у віртуальному
середовищі випадковим чином, з різними
ймовірностями, мають кінцевий термін життя;
 мета автора ДК – виробити якомога більше
знань і передати їх тьютору, метою тьютора є
поширити знання серед якомога більшого
числа студентів, а мета студентів – спожити
якомога більше знань.


8. Розглянемо:

підходи до побудови гібридної АОМ
оцінки знань у сфері дистанційного
навчання з використанням нейронних
мереж, одного з напрямів штучного
інтелекту;

результати досліджень програмного
забезпечення для реалізації гібридної
АОМ: AnyLogic та STATISTICA Neural
Networks.

9. А1 А3 -
А2 -
Нейронні мережі
…
.
.
.
…
Загальна схема гібриду моделі

10. Для побудови нейронних мереж були
використані дані, які характеризують
активність добування знань агентами.
Через кількість записів (кліків), опублікованих
у журналі подій системи Moodle, можна
прово-дити річний моніторинг (упродовж 12
останніх місяців), зокрема таких дій агентів
ДН:
перегляд, оновлення, додавання, видалення
ресурсів і завдань.
В нашому дослідженні використовуються 4місячні дані, що характеризують 117 000 дій
понад 500 агентів, серед яких близько 10%
становлять автори ДК, приблизно 20% –
тьютори, решта – студенти.

11. Етапи побудови та застосування
нейронних мереж
Вибір типу мережі
Навчання мережі
Застосування
Відповідь
Налаштування ваг
мережі
Навчена мережа
База
даних
Дані

12. Архітектури мереж, які запропоновані
Майстром рішень STATISTICA Neural Networks:
багатошарові персептрони
P ro fi le : M L P s6 1 :6 -2 -1 :1 , In d e x = 1 4
T ra i n P e rf. = 0 ,6 1 5 0 7 4 , S e l e c t P e rf. = 0 ,6 7 1 2 9 7 , T e st P e rf. = 0 ,5 9 4 2 9 3
P ro fi le : M L P s6 1 :6 -3 -1 :1 , In d e x = 1 5
T ra i n P e rf. = 0 ,8 5 1 0 7 9 , S e l e c t P e rf. = 0 ,7 3 8 3 8 0 , T e st P e rf. = 0 ,8 4 2 5 2 8

13. Перелічимо призначення нейронних мереж
для створюваного гібриду АОМ:
Нейронна мережа №1 – визначає рівень
активності кожного з учасників е-навчання
першої групи, оцінюючи корисність знання,
що виробляється і поширюється.
Нейронна мережа №2 – визначає рівень
активності кожного з учасників е-навчання
другої групи, оцінюючи корисність знання,
що виробляється і поширюється.
Нейронна мережа №3 – визначає рівень
активності кожного з учасників е-навчання
третьої групи, оцінюючи корисність знання,
що виробляється і поширюється.

14. Приклад специфікації об'єктів АОМ

15. Дія при виході передбачає три випадки:
1. Під час зустрічі двох авторів ДК в обох
відбувається приріст знань пропорційно
знанню співрозмовника.
2. При зустрічі з тьютором у автора курсу
приросту знань не відбувається, а відбувається приріст показника, який характеризує передачу знань. У тьютора відбувається приріст знань пропорційно кількості
знань автора ДК.
3. Під час зустрічі зі студентом у автора
відбувається приріст (істотно менше, ніж
при зустрічі з тьютором) переданих знань,
а у студента - приріст спожитих знань.

16. Блок-схема (діаграма) дій агента AvtorDK

17. Головне вікно комп’ютерних експериментів

18. Діаграми залишку знань і зустрічей агентів
на прикладі авторів ДК

19. Діаграми результатів взаємодії 4-ого
тьютора з агентами ДН

20. Висновки (1):
Агент-орієнтовані моделі й штучні нейронні
мережі – ефективні інструментальні засоби
для вироблення навчальної аналітики для
підтримки прийняття управлінських рішень
у сфері дистанційного навчання.

21. Висновки (2):
Експерименти з прототипом гібридної АОМ
вказують на можливі напрями її практичного
використання, зокрема для визначення:

такої раціональної структури груп учасників ДН,
при якій кількість знань, що виробляється та
розповсюджується, прямує до максимального
значення;

потреб у перепроектуванні ДК для покращення
їх якості на базі адаптивних механізмів взаємодії
агентів ДН, серед яких важливу роль відіграють
чати, вебінари, тематичні дискусії тощо.

22. Висновки (3):
Надалі ми маємо намір продовжити розробку
підходів до використання пакетів AnyLogic та
STATISTICA Neural Networks для вироблення
учбової аналітики в сфері ДН, у т. ч. такої, що
забезпечує аналіз взаємодії (поведінки) між
викладачами та студентами в LMS.