"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/
"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/
Рассматриваются виды облачных вычислений, которые обычно выделяют, и базовые подходы одному из высших учебных заведений к перемещению в «облако» системы управления обучением (LMS, Learning Management Systems) MOODLE для поддержки как электронного, так и смешанного обучения.
Methodological approaches to acquisition of knowledge and practical skills of users of the system monitoring quality of life in regions of Ukraine are considered. There is unreadiness remote users to effectively use the tools of the system. Under such conditions are likely to policy implementation system for monitoring quality of life in the regions may not give the desired effect. To support the implementation of the monitoring system is proposed to use the massive open online courses that will enable users to acquire knowledge and skills on the use of monitoring tools based on the concept of lifelong learning.
This document discusses using agent-based modeling and neural networks for web analytics in e-learning. It proposes a hybrid agent-based model with embedded artificial neural networks to simulate the production and dissemination of knowledge among three agent types (authors, tutors, and students) in online courses. The model aims to assess knowledge trends and is implemented using the AnyLogic software package for a case study at a Ukrainian higher education institution. Agent-based modeling and neural networks are described as effective tools for developing learning analytics to understand knowledge flow between e-learning participants.
1. Гібридна агент-орієнтована
модель оцінювання знань
учасників e-Learning
Артеменко В.Б.
Львівська комерційна академія,
E-mail: artem@lac.lviv.ua
2. Мета доповіді:
ü Розглянути напрями побудови гібридної
агент-орієнтованої моделі (АОМ) оцінки
знань у сфері ДН на базі використання
нейронних мереж – одного з напрямів
штучного інтелекту.
ü Висвітлити результати дослідження щодо
використання програмного забезпечення
для реалізації гібриду АОМ: SWARM і Any-
Logic, два найбільш популярних пакети для
агент-орієнтованого моделювання, та пакет
STATISTICA Neural Networks.
3. Агент-орієнтовані моделі (АОМ) є
новим засобом для придбання знань.
Кінцева мета АОМ – відстеження впливу
флуктуацій агентів на основі обчислення
рівноваги або псевдорівноваги досліджу-
ваної системи, яка складається з безлічі
конкретних агентів.
Інтернет-журнали:
Journal of Artificial Societies and Social Simulation –
http://jasss.soc.surrey.ac.uk/
Искусственные общества – http://www.artsoc.ru/
Для побудови АОМ можна використовувати
різноманітні прикладні пакети.
4. Специфікація задачі розробки
гібриду АОМ передбачає по-
будову штучного суспільства,
в якому взаємодіють такі три
групи агентів:
v А1 – автори ДК,
v А2 – тьютори, що супроводжують навчальний
процес у віртуальному середовищі ВНЗ,
v А3 – студенти, учасники ДК.
Оцінювання знань агентами ДН відбувається
за результатами (кількість агентів, що спожи-
ли знання) кількості кліків учасників ДК.
5. Основні припущення моделі:
ž з точки зору прийняття рішень, агенти
рухаються у двовимірному просторі,
мають кінцевий горизонт бачення;
ž будь-які агенти з’являються у віртуально-
му середовищі випадковим чином, з різними
ймовірностями, мають кінцевий термін життя;
ž 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.
6.
7.
8. Діаграма сукупного досвіду для груп агентів
Умовні позначення: – шкала представлення студентів;
– шкала представлення авторів ДК; Вісь X – час перебування у Веб-центрі ЛКА;
– шкала представлення тьюторів; Вісь Y – величина сумарного досвіду.
9. Діаграма продукування знань агентами 1-ої групи
Умовні позначення: Вісь X – час перебування у Веб-центрі ЛКА;
– шкала представлення авторів ДК; Вісь Y – кількість продукованих знань.
10. Розглянемо:
q методологічні підходи до побудови
гібридної АОМ оцінки знань у сфері
дистанційного навчання з використанням
нейронних мереж, одного з напрямів
штучного інтелекту;
q результати досліджень програмного
забезпечення для реалізації гібридної
АОМ: AnyLogic та STATISTICA Neural
Networks.
11. А1 -
А2 - А3 -
Нейронні мережі
…
.
.
.
…
Загальна схема гібриду моделі
12. 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 4-
місячні дані, що характеризують 117 000 дій
понад 500 агентів, серед яких близько 10%
становлять автори ДК, приблизно 20% –
тьютори, решта – студенти.
13. Етапи побудови та застосування
нейронних мереж
Вибір типу мережі Навчання мережі Застосування
Відповідь
Налашту-
вання ваг
мережі
Навчена мережа
База
даних Дані
14. Архітектури мереж, які запропоновані
Майстром рішень STATISTICA Neural Networks:
багатошарові персептрони
Profile : MLP s6 1:6-2-1:1 , Index = 14 Profile : MLP s6 1:6-3-1:1 , Index = 15
T rain Perf. = 0,615074 , Select Perf. = 0,671297 , T est Perf. = 0,594293 T rain Perf. = 0,851079 , Select Perf. = 0,738380 , T est Perf. = 0,842528
15. Перелічимо призначення нейронних мереж
для створюваного гібриду АОМ:
vНейронна мережа №1 – визначає рівень
активності кожного з учасників е-навчання
першої групи, оцінюючи корисність знання,
що виробляється і поширюється.
vНейронна мережа №2 – визначає рівень
активності кожного з учасників е-навчання
другої групи, оцінюючи корисність знання,
що виробляється і поширюється.
vНейронна мережа №3 – визначає рівень
активності кожного з учасників е-навчання
третьої групи, оцінюючи корисність знання,
що виробляється і поширюється.
17. 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 відбу-
вається приріст показника, який характе-
ризує передачу знань. У тьютора відбува-
ється 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.
21. Висновки (1):
Агент-орієнтоване моделювання та штучні
нейронні мережі можна розглядати як ефек-
тивні засоби для проведення досліджень у
сфері виробництва і розповсюдження знань
учасниками дистанційного (електронного)
навчання.
22. Висновки (2):
Експерименти з прототипом гібридної АОМ
вказують на можливі напрями її практичного
застосування щодо визначення:
ü часових параметрів під Open Source-проект
«Електронний деканат» (розробка модуля типу
«блок» у системі Moodle), зокрема для об’єкту
«Розклад занять», на підставі таких характери-
стик аналізованих агентів, як кінцевий термін
їхнього життя;
23. Висновки (2):
ü такої раціональної структури груп учасників
е-навчання, при якій кількість виробленого і
розповсюдженого знання прагне до
максимального значення;
ü потреб щодо перепроектування дистанційних
курсів і поліпшення їх якості на засадах
адаптивних механізмів взаємодії ключових
агентів е-навчання, серед яких важливу роль
відіграють чати, вебінари, тематичні дискусії
тощо.
24. Висновки (3):
Надалі ми маємо намір продовжити дослід-
ження шляхів ефективного використання
пакетів AnyLogic та STATISTICA Neural
Networks для розроблення та практичного
застосування аналізованого гібриду АОМ
оцінювання знань учасниками дистанційного
навчання.