Model oblikovanja i isporuke znanja u inteligentnom ...tvolaric.com/radovi/...i_isporuke_znanja_u...upravljanje_ucenjem_print.pdf · Rad br. 132 PODACI ZA BIBLIOGRAFSKU KARTICU Ključne

S V E U Č I L I Š T E U S P L I T U FAKULTET ELEKTROTEHNIKE, STROJARSTVA I BRODOGRADNJE

Tomislav Volarić

Model oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem

DOKTORSKA DISERTACIJA

Split, 2017.

Doktorska disertacija je izrađena na Fakultetu elektrotehnike, strojarstva i brodogradnje.

Dio istraživanja je obavljen na Prirodoslovno‐matematičkom fakultetu, Sveučilište u

Splitu, te na Fakultetu prirodoslovno‐matematičkih i odgojnih znanosti, Sveučilište u

Mostaru.

Mentor: Prof. dr. sc. Slavomir Stankov , red. prof.

Rad br. 132

PODACI ZA BIBLIOGRAFSKU KARTICU

Ključne riječi: oblikovanje nastavnih sadržaja, isporuka nastavnih sadržaja, vrednovanje

znanja učenika, inteligentni sustav za upravljanje učenjem, modeliranje učenika,

prilagodljivo stjecanje znanja učenika, višekriterijske metode odlučivanja, analitika učenja

Znanstveno područje: Tehničke znanosti

Znanstveno polje: Računarstvo

Znanstvena grana: Umjetna inteligencija

Institucija na kojoj je rad izrađen: Sveučilište u Splitu, Fakultet elektrotehnike,

strojarstva i brodogradnje, Fakultet prirodoslovno‐matematičkih i odgojnih znanosti,

Sveučilište u Mostaru

Mentor rada: Prof. dr. sc. Slavomir Stankov, red. prof.

Broj stranica: 233

Broj slika: 79

Broj tablica: 38

Broj korištenih bibliografskih jedinica: 138

iii

Povjerenstvo za ocjenu doktorske disertacije:

1. Prof. dr.sc. Darko Stipaničev, red. prof., Fakultet elektrotehnike, strojarstva i

brodogradnje, Sveučilište u Splitu

2. Prof. dr.sc. Slavomir Stankov, red. prof, umirovljenik, Split

3. Prof.dr.sc. Drago Žagar, red.prof, Fakultet elektrotehnike, računarstva i informacijskih

tehnologija, Sveučilišta Josipa Jurja Strossmayera u Osijeku

4. Prof.dr.sc. Maja Štula, red.prof., Fakultet elektrotehnike, strojarstva i brodogradnje,

Sveučilište u Splitu

5. Doc. dr. sc. Krunoslav Žubrinić, Odjel za elektrotehniku i računarstvo, Sveučilište u

Dubrovniku

Povjerenstvo za obranu doktorske disertacije:

1. Prof. dr.sc. Darko Stipaničev, red. prof., Fakultet elektrotehnike, strojarstva i

brodogradnje, Sveučilište u Splitu

2. Prof. dr.sc. Slavomir Stankov, red. prof, umirovljenik, Split

3. Prof.dr.sc. Drago Žagar, red.prof, Fakultet elektrotehnike, računarstva i informacijskih

tehnologija, Sveučilišta Josipa Jurja Strossmayera u Osijeku

4. Prof.dr.sc. Maja Štula, red.prof., Fakultet elektrotehnike, strojarstva i brodogradnje,

Sveučilište u Splitu

5. Doc. dr. sc. Krunoslav Žubrinić., Odjel za elektrotehniku i računarstvo, Sveučilište u

Dubrovniku

Disertacija obranjena dana: 05. travnja 2017.

iv

Model oblikovanja i isporuke znanja u inteligentnom sustavu za

upravljanje učenjem

Sažetak

Prikazani su rezultati istraživanja provedeni u procesu razvoja, implementacije i primjene

novog izvornog modela za oblikovanje i isporuku znanja u inteligentnom sustavu za

upravljanje učenjem - Knowledge Design and Delivery model. Istraživanje, razvoj i

primjena KD&D modela se fokusira na modeliranje učenika radi utvrđivanja znanja

učenika i prilagođavanja aktualnoj razini znanja učenika. Prilagođavanje se ostvaruje u

okruženju kibernetičkog modela sustava. Sjedinili smo promišljanje učenja, poučavanja i

testiranja znanja u inteligentnom sustavu za upravljanje učenjem s kibernetičkim modelom

sustava. U vezi s tim su za inteligentne sustave za upravljanje učenjem istaknute i dvije

bitne odrednice inteligencije povezane sa: dijagnostikom znanja učenika i pružanjem

pravodobne pomoći u otklanjanju pogrešnih poimanja i nepoznavanju koncepata

područnog znanja. Stvorili smo novu platformu sustava za inteligentno upravljanje

znanjem.

Prototip programske podrške CM Tutor je pokazao prilagodljivo stjecanje znanja učenika

temeljeno na postupku modeliranja učenika u okruženju višekriterijskih matematičkih

metoda i stereotipa znanja učenika. Prototip programske podrške CM Tutor je postavljen u

eksperimentalno okruženje s ciljem utvrđivanja učinka i kvalitete dostignutog stupnja

razvijenosti kao i osjećaja zadovoljstva sudionika tijekom učenja, poučavanja i testiranja

znanja.

Ključne riječi:

oblikovanje nastavnih sadržaja, isporuka nastavnih sadržaja, vrednovanje znanja učenika,

inteligentni sustav za upravljanje učenjem, modeliranje učenika, prilagodljivo stjecanje

znanja učenika, višekriterijske metode odlučivanja, analitika učenja

v

Knowledge design and delivery model for intelligent learning

management systems

Abstract:

This work shows the results of the research made in the process of development,

implementation and the use of a new model - Knowledge Design and Delivery model.

Research, development and the use of KD&D model is focused on student modelling for

determining students` knowledge and adapting to actual level of students` knowledge. The

adaptive is achieved in the environment of cybernetic model system. We have joined

deliberation of learning, teaching and testing of knowledge in intelligent learning

management systems with cybernetic model system. Related to that there are two

important facts of intelligence connected with diagnosis of student`s knowledge and giving

the correct help in misconception and missing conception of certain area. We have created

a new platform for intelligent learning management systems.

The prototype program CM Tutor has shown adaptive acquisition of students knowledge

on the principle of students modelling in the environment of multicriterion decision

mathematical methods and stereotype of students` knowledge. CM Tutor has been set into

experimental area with the goal of confirming the effect size and the quality of reached

level of development as well as the feeling of satisfaction of the participant during the

process of learning, teaching and testing of knowledge.

Keywords:

Instructional Design, Content delivery, Evaluation of students' knowledge, Intelligent

learning management systems, Student modelling, Adaptive e-learning system, Multiple

criteria decision making, Learning analytics

7

Zahvala

Na prvome mjestu, zahvalnost za izradu ove disertacije dugujem svom mentoru, prof.dr.sc.

Slavomiru Stankovu. Hvala Vam profesore što ste mi pomogli u teškim trenutcima i što ste

prihvatili biti moj mentor. Mentor ste kakav bi svaki doktorand mogao poželjeti. Bez

suradnje na ovom radu ne bih shvatio kako je od samog odredišta puno važnije putovanje.

Naše putovanje sigurno neće stati i nadam se da ću Vam se jednom moći odužiti.

Profesore, velika hvala na svemu!

Moram se zahvaliti kolegama Emilu Brajkoviću i Danielu Vasiću koji su mi bili potpora i

neumorna podrška od prvog dana upisa na poslijediplomski doktorski studij kao i stručnoj

pomoći prilikom izrade disertacije. Kolege od srca hvala, odužiti ću vam se.

Hvala mojim roditeljima i bratu koji su mi bila podrška od prvoškolske klupe do

doktorskog rada. Ovim putem im se srdačno zahvaljujem.

I na kraju posebna zahvala ide mojoj Maji i našoj Luciji na moralnoj podršci i

razumijevanju. Hvala na strpljivom podnošenju zanemarivanja i ohrabrenju.

Hvala dragom Bogu i Gospi.

Sadržaj

Sažetak .................................................................................................................................. iv

Popis tablica ......................................................................................................................... 10

Popis ilustracija ................................................................................................................... 11

1. Uvodni dio ................................................................................................................... 13

2. Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje

učenjem ................................................................................................................................ 16

2.1. Promišljanje o oblikovanju i isporuci znanja u inteligentnom sustavu za

upravljanje učenjem ......................................................................................................... 17

2.2. Elementi strukture KD&D modela ...................................................................... 19

2.2.1. Proces KD&D modela ................................................................................. 21

2.2.2. Referentna veličina KD&D modela ............................................................ 24

2.2.3. Vođenje u KD&D modelu ........................................................................... 26

3. Teorijski okvir KD&D modela i stanje istraženosti područja ..................................... 36

3.1. Teorijski okvir KD&D modela ............................................................................ 36

3.1.1. Oblikovanje nastavnih sadržaja ................................................................... 36

3.1.2. Modeliranje učenika .................................................................................... 53

3.1.3. Prilagodljivo stjecanje znanja ...................................................................... 65

3.2. Stanje istraženosti područja ................................................................................. 73

4. Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje

učenjem ................................................................................................................................ 80

4.1. Oblikovanje nastave nad ontologijom područnog znanja ................................... 83

4.1.1. Analiza ......................................................................................................... 83

4.1.2. Oblikovanje ................................................................................................. 86

4.1.3. Razvoj .......................................................................................................... 89

4.2. Isporuka nastavnih sadržaja ................................................................................. 93

4.3. Modeliranje učenika - oblikovanje modela i dijagnostika znanja ..................... 102

9

4.3.1. Model znanja učenika ................................................................................ 102

4.3.2. Dijagnostika znanja učenika ...................................................................... 129

4.3.3. Mjerenje i izračun višekriterijskog matematičkog modela ........................ 133

4.4. Prilagodljivo stjecanje znanja ............................................................................ 139

5. Arhitektura prototipa programskog rješenja KD&D modela .................................... 157

5.1. Arhitektura Moodle sustava............................................................................... 159

5.1.1. Struktura baze podataka............................................................................. 159

5.1.2. Struktura dodatka ....................................................................................... 160

5.2. Arhitektura prototipa programske podrške CM Tutor ....................................... 163

5.2.1. Dijagram slučaja korištenja ....................................................................... 163

5.2.2. Dijagram aktivnosti ................................................................................... 164

5.2.3. Dijagram komponenti ................................................................................ 166

5.2.4. Dijagram klasa ........................................................................................... 171

5.2.5. Struktura baze podataka............................................................................. 173

6. Primjena KD&D modela (prototipno eksperimentalno istraživanje) ........................ 176

6.1. Prvo primjensko razdoblje ................................................................................. 176

6.2. Drugo primjensko razdoblje .............................................................................. 181

7. Zaključak ................................................................................................................... 189

7.1. Izvorni znanstveni doprinosi ............................................................................. 197

8. Literatura ................................................................................................................... 199

9. Prilozi ........................................................................................................................ 208

9.1. Prilog 1. - Anketni upitnik korišten u okviru prototipnog testiranja sustava CM

Tutor 208

9.2. Prilog 2. - XML zapis ontologije “Sustavi e-učenja” ........................................ 211

9.3. Prilog 3. - XML zapis strukture baze podataka CM Tutor sustava ................... 224

9.4. Prilog 4. - Opis sustava iz prostora istraženosti ................................................ 227

10. Životopis ................................................................................................................ 232

10

Popis tablica

TABLICA 2.1 FORMALIZAM PREDLOŽAKA PITANJA CM TUTOR-A .................................................................................... 23 TABLICA 2.2 POVEZNICA PREDLOŽAKA PITANJA, ISHODA UČENJA PITANJA I STEREOTIPA UČENIKA .......................................... 26 TABLICA 3.1 REVIDIRANA BLOOMOVA TAKSONOMIJA MODIFICIRANO PREMA[59]............................................................. 52 TABLICA 3.2 LINGVISTIČKA SKALA PROCJENE PREMA [65] ............................................................................................. 58 TABLICA 3.3 USPOREĐIVANJE LMS SUSTAVA ............................................................................................................. 59 TABLICA 3.4 OMJERI DOBIVENI USPOREĐIVANJEM ELEMENATA U PAROVIMA .................................................................... 59 TABLICA 3.5 NORMALIZIRANA MATRICA I PRIORITETI IZBORA ......................................................................................... 60 TABLICA 3.6 NAZIV ČASOPISA, GODINE ISTRAŽIVANJA, UKUPAN BROJ ISTRAŽENIH ČLANAKA, UKLJUČENI ČLANCI U PODRUČJE

ISTRAŽENOSTI ............................................................................................................................................. 74 TABLICA 3.7 RADOVI UKLJUČENI U UŽE PODRUČJE ISTRAŽIVANJA .................................................................................... 76 TABLICA 3.8 PREGLED USPOREDIVIH SUSTAVA/PRISTUPA MODELIRANJA UČENIKA I PRILAGODLJIVOG STJECANJA ZNANJA S CM

TUTOROM ................................................................................................................................................. 77 TABLICA 4.1 PODRUČNO ZNANJE „ZNANJE O UČENJU I SUSTAVIMA E-UČENJA“ OPISANO TEKSTOM NA PRIRODNOM JEZIKU ........ 84 TABLICA 4.2 POPIS KONCEPATA UNUTAR PODRUČNOG ZNANJA „ZNANJE O UČENJU I SUSTAVIMA E-UČENJA“ .......................... 87 TABLICA 4.3 POPIS RELACIJA UNUTAR PODRUČNOG ZNANJA „ZNANJE O UČENJU I SUSTAVIMA E-UČENJA“ .............................. 87 TABLICA 4.4 POPIS PROPOZICIJA UNUTAR PODRUČNOG ZNANJA „ZNANJE O UČENJU I SUSTAVIMA E-UČENJA“ ......................... 88 TABLICA 4.5 PRIMJER PITANJA I POVRATNE INFORMACIJE ZA TOČAN, NETOČAN I TOČAN UZ POMOĆ ODGOVOR U OKRUŽENJU CM

TUTORA .................................................................................................................................................. 105 TABLICA 4.6 FORMALIZAM PREDLOŽAKA PITANJA CM TUTOR-A .................................................................................. 112 TABLICA 4.7 SUGLASNOST KONTROLNIH S GLAVNIM PROCJENJIVAČEM U KODIRANJU PITANJA PREMA BLOOMOVOJ TAKSONOMIJI

ZNANJA ................................................................................................................................................... 119 TABLICA 4.8 SUGLASNOST KONTROLNIH OCJENJIVAČA S GLAVNIM OCJENJIVAČEM ........................................................... 120 TABLICA 4.9 ATRIBUTI TRAGA ONLINE UČENJA I TESTIRANJA UNUTAR CM TUTORA .......................................................... 124 TABLICA 4.10 KONVERZIJE LINGVISTIČKIH IZRAZA U TROKUTNE NEIZRAZITE BROJEVE [121] ............................................... 126 TABLICA 4.11 ODNOSI ATRIBUTA ISKAZANI TROKUTNIM NEIZRAZITIM BROJEVIMA ........................................................... 133 TABLICA 4.12 SUMA ODNOSA ATRIBUTA U HORIZONTALNOM I VERTIKALNOM PRAVCU ..................................................... 134 TABLICA 4.13 NEIZRAZITI SINTETIČKI OPSEG SVAKOG ATRIBUTA ................................................................................... 134 TABLICA 4.14 USPOREDBA SINTETIČKIH VRIJEDNOSTI SI ............................................................................................. 135 TABLICA 4.15 NORMALIZIRANA MATRICA AKTUALNIH VRIJEDNOSTI ATRIBUTA TRAGA ....................................................... 136 TABLICA 4.16 TEŽINSKA NORMALIZACIJA MATRICA ATRIBUTA TRAGA ............................................................................ 137 TABLICA 4.17 VEKTOR STEREOTIPA UČENIKA ........................................................................................................... 137 TABLICA 4.18 PITANJA I UČENIKOVI ODGOVORI ZA PODRUČNO ZNANJA SA SLIKE 4.33 ...................................................... 143 TABLICA 4.19 IZVJEŠTAJ UNUTAR CM TUTOR .......................................................................................................... 145 TABLICA 4.20 PRIKAZ ZAPISA TRAGA UČENIKA I KLASIFIKACIJA STEREOTIPA UNUTAR SVIH PROLAZA "TEST" UČENIKA .............. 148 TABLICA 5.1 POPIS TABLICA UNUTAR CM TUTOR BAZE PODATAKA ............................................................................... 174 TABLICA 6.1 PROTOKOL EKSPERIMENTA .................................................................................................................. 177 TABLICA 6.2 PRIKAZ REZULTATA ZAVRŠNOG TESTA - 50 NAJBOLJIH ............................................................................... 178 TABLICA 6.3 PRIKAZ REZULTATA ZAVRŠNOG TESTA - 50 NAJLOŠIJIH .............................................................................. 178 TABLICA 6.4 PRIKAZ REZULTATA PO CIKLUSIMA I KATEGORIJA BODOVA ZAVRŠNOG TESTA .................................................. 179 TABLICA 6.5 PRIKAZ OCJENA SUSTAVA E-UČENJA IZ ANKETE ZADOVOLJSTVA ................................................................... 180 TABLICA 6.6 TABLICA AKTIVNOSTI STUDENATA NA CM TUTORU .................................................................................. 183 TABLICA 6.7 BODOVI STUDENATA NA INICIJALNOM I ZAVRŠNOM TESTU ......................................................................... 184

11

Popis ilustracija

SLIKA 2.1 ZAMISAO INTELIGENTNOG SUSTAVA ZA UPRAVLJANJE UČENJEM........................................................................ 18 SLIKA 2.2 STRUKTURNI PRIKAZ ZAMISLI KD&D MODELA .............................................................................................. 20 SLIKA 2.3 STRUKTURNE KOMPONENTE CM TUTOR-A .................................................................................................. 22 SLIKA 2.4 FRAGMENT PODRUČNOG ZNANJA ............................................................................................................... 24 SLIKA 2.5 STANJE UČENIKA PRI PREKRIVANJU SA ZNANJEM UČITELJA ............................................................................... 27 SLIKA 2.6 GRAFIČKA INTERPRETACIJA VIŠEKRITERIJSKOG MATEMATIČKOG MODELA ............................................................ 30 SLIKA 3.1 PROCES OBLIKOVANJE MAPE KONCEPATA IZ DOKUMENTA NAPISANOG PRIRODNIM JEZIKOM ................................... 42 SLIKA 3.2 MAPA KONCEPATA O MAPI KONCEPATA (MODIFICIRANO PREMA: [52]) ............................................................. 43 SLIKA 3.3 PROPOZICIJE ZA MAPU KONCEPATA O MAPI KONCEPATA ................................................................................. 44 SLIKA 3.4 PREGLED MAPE KONCEPATA O MAPI KONCEPATA .......................................................................................... 45 SLIKA 3.5 ADDIE KAO VODOPADNI MODEL MODIFICIRANO PREMA [57] ......................................................................... 47 SLIKA 3.6 FAZE ADDIE MODELA MODIFICIRANO PREMA [58] ....................................................................................... 47 SLIKA 3.7 TROKUTNI NEIZRAZITI BROJ [67] ................................................................................................................ 62 SLIKA 3.8 PROCES ANALITIKE UČENJA [85] PREMA [81] ............................................................................................... 68 SLIKA 3.9 REFERENTNI MODEL ANALITIKE UČENJA [85] MODIFICIRANO PREMA [81] .......................................................... 69 SLIKA 4.1 DIJAGRAM SLUČAJEVA KORIŠTENJA UNUTAR KD&D MODELA .......................................................................... 81 SLIKA 4.2 DINAMIKA PROCESA UČENJA I POUČAVANJA UNUTAR KD&D MODELA............................................................... 82 SLIKA 4.3 OKVIR ZA IZRADU MAPE KONCEPATA (LIJEVO), KONCEPT(DESNO) ..................................................................... 89 SLIKA 4.4 PRIMJER NADKONCEPTA (OBRAZOVANJE) I PODKONCEPTA (UČENJE I NASTAVA) .................................................. 89 SLIKA 4.5 OPIS KONCEPTA "OBRAZOVANJE" U OKRUŽENJU CMAPTOOLS ......................................................................... 90 SLIKA 4.6 PRIMJER OPISA KONCEPTA SLIKOM UZ POMOĆ HTML ATRIBUTA ...................................................................... 90 SLIKA 4.7 MAPA KONCEPATA I RELACIJA UNUTAR CMAPTOOLS OKRUŽENJA ..................................................................... 91 SLIKA 4.8 JEDNOSTAVNI PRIMJER CXL DATOTEKE „ZNANJE O UČENJU I SUSTAVIMA E-UČENJA“ ............................................ 94 SLIKA 4.9 DIJAGRAM TOKA PRETVARANJA CXL DATOTEKE U RELACIJSKI MODEL BAZE PODATAKA (ALGORITAM 11) .................. 97 SLIKA 4.10 PRIMJER KONCEPATA, RELACIJA I PROPOZICIJA ZAPISANIH U BAZU PODATAKA SUSTAVA MOODLE IZ CXL DATOTEKE . 98 SLIKA 4.11 HIPERMEDIJSKI ZAPISI KOJI SE VEŽU ZA SVAKI KONCEPT UNUTAR CXL DATOTEKE ................................................ 99 SLIKA 4.12 POSTUPAK ZAPISA OPISA KONCEPATA U RELACIJSKI MODEL BAZE PODATAKA (ALGORITAM 12) ........................... 100 SLIKA 4.13 PRIKAZ AKTIVNOSTI "CM TUTOR" U OKRUŽENJU SUSTAVA MOODLE ............................................................. 100 SLIKA 4.14 PROCES IZGRADNJE PODRUČNOG ZNANJA ZA POJEDINU CM TUTOR AKTIVNOST .............................................. 101 SLIKA 4.15 MAPE KONCEPATA ZA UČENJE UNUTAR CM TUTOR OKRUŽENJA ................................................................... 103 SLIKA 4.16 PAN/ZOOM NAVIGACIJA ...................................................................................................................... 104 SLIKA 4.17 PRIKAZ MOODLE OKRUŽENJA UČENJA U OKVIRU AKTIVNOSTI CM TUTOR ....................................................... 104 SLIKA 4.18 PRIMJER OPISA KONCEPTA (SUSTAVI E-UČENJA - VIDEO, DALJINSKO UČENJE - SLIKA, UČENJE - TEKST S POVEZNICOM) S

HIPERMEDIJSKIM ATRIBUTIMA ...................................................................................................................... 105 SLIKA 4.19 ISPORUKA HIPERMEDIJSKOG ATRIBUTA ZA KONCEPT "TRADICIONALNO UČENJE" .............................................. 109 SLIKA 4.20 PRIKAZ PITANJA I POMOĆI U CM TUTORU ............................................................................................... 110 SLIKA 4.21 PITANJE GENERIRANO IZ PREDLOŠKA 1 ZA PODRUČNO ZNANJE " ZNANJE O UČENJU I SUSTAVIMA E-UČENJA .......... 113 SLIKA 4.22 PRIMJER PITANJA GENERIRANOG IZ PREDLOŠKA 2 ZA PODRUČNO ZNANJE " ZNANJE O UČENJU I SUSTAVIMA E-UČENJA "

............................................................................................................................................................. 114 SLIKA 4.23 PRIMJER PITANJA GENERIRANOG IZ PREDLOŠKA 3 ZA PODRUČNO ZNANJE " ZNANJE O UČENJU I SUSTAVIMA E-UČENJA "



............................................................................................................................................................. 115 SLIKA 4.26 PRIMJER PITANJA GENERIRANOG IZ PREDLOŠKA 6 ZA PODRUČNO ZNANJE "ZNANJE O UČENJU I SUSTAVIMA E-UČENJA"

............................................................................................................................................................. 116 SLIKA 4.27 PRIMJER PITANJA GENERIRANOG IZ PREDLOŠKA 7 ZA PODRUČNO ZNANJE "ZNANJE O UČENJU I SUSTAVIMA E-UČENJA"


............................................................................................................................................................. 117 SLIKA 4.29 PRIMJER "DUBINE" PODSKUPA PODRUČNOG ZNANJA ZA KORIJENSKI KONCEPT "TEHNOLOGIJA " ......................... 123 SLIKA 4.30 METODA KONSENZUSA NAD RELATIVNIM VAŽNOSTIMA ATRIBUTA ................................................................ 125 SLIKA 4.31 MATRICA AKTUALNE VRIJEDNOSTI ATRIBUTA TRAGA UNUTAR CM TUTOR OKRUŽENJA ...................................... 136 SLIKA 4.32 KLASIFIKACIJA STEREOTIPA „TEST UČENIKA“ UNUTAR CM TUTOR OKRUŽENJA ............................................... 138

12

SLIKA 4.33 VOĐENJE UČENIKA PREMA KD&D MODELU ............................................................................................. 139 SLIKA 4.34 FRAGMENT GENERIRANOG PODRUČNOG ZNANJA ZA KORIJENSKI KONCEPT "HIBRIDNO UČENJE" .......................... 142 SLIKA 4.35 ZAPIS AKTUALNIH VRIJEDNOSTI ATRIBUTA TRAGA I REZULTAT IZRAČUNA TOPSIS METODE ZA PROLAZ 1 ............... 146 SLIKA 4.36 PRIKAZ SVIH PROLAZA TESTIRANJA ZA TEST UČENIKA U OKRUŽENJU CM TUTORA ............................................. 147 SLIKA 4.37 PRIKAZ SVIH AKTIVNOSTI NAPRAVLJENIH UZ POMOĆ CM TUTOR-A NA MOODLE KOLEGIJU ................................ 151 SLIKA 4.38 ANALITIKA UČENJA NA ZAHTJEV UČITELJA ZA SVAKOG UČENIKA ..................................................................... 152 SLIKA 4.39 CSV DATOTEKA S ZAPISOM TRAGA UČENIKA ............................................................................................. 153 SLIKA 4.40 MODELIRANJE UČENIKA I PRILAGODLJIVO STJECANJE ZNANJA UNUTAR KD&D MODELA ..................................... 155 SLIKA 5.1 ARHITEKTURA CM TUTOR SUSTAVA ......................................................................................................... 158 SLIKA 5.2 PRIKAZ XML DATOTEKE ZA STVARANJE RELACIJSKOG MODELA DODATKA .......................................................... 160 SLIKA 5.3 PRIKAZ STRUKTURE MODULA POD NAZIVOM „WIDGET“ UNUTAR MOODLE SUSTAVA .......................................... 161 SLIKA 5.4 DIJAGRAM SLUČAJA KORIŠTENJA CM TUTOR SUSTAVA ................................................................................. 164 SLIKA 5.5 DIJAGRAM AKTIVNOSTI CM TUTOR-A ....................................................................................................... 165 SLIKA 5.6 PRIMJER ODABIRA CXL DATOTEKE UNUTAR MOODLE OKRUŽENJA .................................................................. 165 SLIKA 5.7 KOMPONENTNI DIJAGRAM CM TUTOR SUSTAVA ......................................................................................... 167 SLIKA 5.8 PRIKAZ PODRUČNOG ZNANJA UZ POMOĆ PROGRAMSKOG DODATKA GO.JS ...................................................... 168 SLIKA 5.9 GOJS GENERIRA PRIKAZ PODRUČNOG ZNANJA ZA ZADANO PITANJE KAO POMOĆ (ENG. HINT) ............................... 168 SLIKA 5.10 METODA KOMPONENTE GOJS (MAKEGRAPH) ZA ZADANO PODRUČNO ZNANJE ............................................... 169 SLIKA 5.11 DIJAGRAM KLASA PAKETA „UČENIK“ I „UČITELJ“ PODSUSTAVA ZA GRAFIČKI PRIKAZ PODRUČNOG U CM TUTOR-U . 169 SLIKA 5.12 PRIKAZ INTERAKCIJE MODULA CM TUTOR ............................................................................................... 170 SLIKA 5.13 DIJAGRAM KLASA PAKETA „UČENIK“ ....................................................................................................... 171 SLIKA 5.14 DIJAGRAM KLASA PAKETA „UČITELJ“ PODSUSTAVA ZA ISPORUKU NASTAVNOG SADRŽAJA .................................. 172 SLIKA 5.15 DIJAGRAM KLASA PAKETA „UČITELJ“ PODSUSTAVA ZA PRIKAZ AKTIVNOSTI NA CM TUTOR MODULU .................... 172 SLIKA 5.16 MODEL IMPLEMENTIRANE BAZE PODATKA PROTOTIPA PROGRAMSKE PODRŠKE CM TUTOR ............................... 173 SLIKA 6.1 ODNOS INICIJALNOG I ZAVRŠNOG TESTA ........................................................................................ 185 SLIKA 6.2 ODNOS ARITMETIČKIH SREDINA ..................................................................................................... 185 SLIKA 6.3 GRAFIČKA INTERPRETACIJA IZRAČUNA PO COHEN-U POMOĆU [135] ............................................................... 186 SLIKA 6.4 ANKETA ZADOVOLJSTVA - PITANJE BR. 3 .................................................................................................... 187 SLIKA 6.5 ANKETA ZADOVOLJSTVA - PITANJE BR. 5 .................................................................................................... 187 SLIKA 6.6 ANKETA ZADOVOLJSTVA - PITANJE BR. 8 .................................................................................................... 187

Uvodni dio

13

1. Uvodni dio

Paradigma e-učenja je označila istinsku prekretnicu u primijeni informacijske i

komunikacijske tehnologije (ICT) u učenju i poučavanju. Brojni su pozitivni atributi na strani

e-učenja od onoga da omogućava učenje na svakom mjestu, u svako vrijeme do scenarija

učenja koji ističe individualnost - onoliko koliko učeniku treba. U oznaci paradigme „E“ znači

elektronika, a zbog izrazitog razvoja elektronike i elektroničkih uređaja tada i e-učenje ima

dinamičan tijek istraživanja, razvoja i primjene.

Razdoblje nastajanja e-učenja je smješteno unutar kasnih devedesetih godina prošlog stoljeća

i početka stoljeća. U ovom razdoblju stjecanje znanja oslonjeno na Internet doživljava svoju

zrelost, a ova se očituje u paradigmi obrazovanja koja je tada i dobila naziv e-učenje. To je

vrijeme u kojem brojni menadžeri za informacijsku i komunikacijsku tehnologiju u

obrazovnim institucijama i organizacijama dobivaju zahtjeve od stručnjaka u obrazovanju za

oblikovanje obrazovnih sadržaja koji će se realizirati pomoću računala. Stvara se jedna nova

inicijativa, jedan novi val primjene računala u obrazovanju, napose u procesu učenja i

poučavanja koja se treba odvijati pod okriljem usluga koje pruža Internet i napredne Web

tehnologije. Utisak je da je to još jedno značajno ulaganje u novo istraživanje i nove primjene

računala u obrazovanju.

Što je zapravo e-učenje?

E-učenje je učenje koje se odvija uz pomoć elektroničkih tehnologija koje omogućavaju

pristup nastavnim sadržajima izvan tradicionalne učionice. U većini slučajeva, to se odnosi na

tečaj, program ili obrazovnu razinu koji su u potpunosti online dostavljeni.

Postoje mnogi termini upotrijebljeni za opisivanje učenja koja se isporučuje online, preko

Interneta, daljinskog obrazovanja, učenja zasnovanog na računalu, online učenje, učenje

pomoću Interneta i mnogi drugi.

E-učenje po našem gledanju predstavlja isporuku nastavnih sadržaja putem Interneta u odnosu

na one koje u učionici učitelj isporučuje u tradicionalnoj nastavi. To nije tečaj isporučen

putem DVD-a ili CD-ROM-a, video kasete ili preko televizijskog kanala. To je interaktivna

nastava, takva da učenik može komunicirati sa svojim učiteljima, kao i ostalim učenicima u

razredu. Učenik može "elektronski" podići ruku i komunicirati u stvarnom vremenu, a

ponekad je to snimljeno predavanje isporučeno putem video zapisa. Tu je uvijek učitelj u

interakciji sa učenikom te ocjenjuje sudjelovanje, zadatke i testove. E-učenje je dokazano

uspješna metoda obuke i obrazovanja i u njima procesa učenja, poučavanja i testiranja znanja.

Uvodni dio

14

Učenik je “smješten” u centar dok su u okruženju resursi za učenje i to kako u pogledu

vremena tako i mjesta i načina učenja. Osim toga, prema učeniku je sve orijentirano i

obuhvaćeno jednim izrazom - resursi za učenje (ljudi, znanje, tehnologija, mediji,

organizacija…). Resursi za učenje su zapravo i utjecali na zasnivanje naprednih tehnologija

učenja u što uključujemo tehnologije računalnih mreža, poput intraneta, Interneta kao i World

Wide Web. Termin napredne tehnologije valja promatrati u kontekstu tehnologijskih

različitosti i to od već usvojenih programskih sustava za prezentaciju nastavnih sadržaja

putem računala pri predavanju učitelja ili pak knjiga i udžbenika koji podupiru tradicionalnu

paradigmu.

E-učenje kao i okruženje e-učenja sa stajališta oblikovanja i isporuke znanja u inteligentnom

sustavu e-učenja je prostor istraživanja kako u teorijskom tako i primjenskom dijelu

disertacije. U vezi s tim su definirani i ciljevi i zadaće te sukladno tome primijenjena

odgovarajuća metodologija istraživanja.

Cilj istraživanja u okviru disertacije je razvoj, implementacija i postavljanje modela za

oblikovanje i isporuku znanja u inteligentnom sustavu za upravljanje učenjem. Ispunjavanje

postavljenog cilja će omogućiti poboljšanje procesa učenja, poučavanja i testiranja znanja

učenika u odabranom područnom znanju.

U vezi s postavljenim ciljem istraživanja i prikazom njegovog ostvarenja su i strukturirani

sadržaji disertacije koji pored ovog uvodnog poglavlja ima još osam poglavlja.

Drugo je poglavlje naslovljeno sa Zamisao modela oblikovanja i isporuke znanja u

inteligentnom sustavu za upravljanje učenjem. Naravno, da je time opisana zamisao novog

modela pa zato donosi promišljanje o oblikovanju i isporuci znanja u inteligentnom sustavu za

upravljanje učenjem i prikaz elemenata strukture kibernetičkog modela za oblikovanje i

isporuku znanja koji sjedinjava proces, referentnu veličinu i vođenje.

Teorijski okvir modela za oblikovanje i isporuku znanja i stanje istraženosti područja je

opisan unutar trećeg poglavlja disertacije. Sadržajno ovo poglavlje u prvom dijelu prikazuje

teorijski okvir po strukturnim dijelovima novog modela povezanim sa: oblikovanjem

nastavnih sadržaja, modeliranjem učenika i prilagodljivom stjecanju znanja. Drugi dio

Uvodni dio

15

poglavlja je povezan sa opisom i referenciranjem stanja istraženosti područja i relevantnim

poveznicama sa istraživanjem koje je provedeno u disertaciji.

Četvrto poglavlje je povezano sa funkcionalnostima i izvedenim stanjem prototipa

programske podrške koja je razvijena u okviru disertacije i povezana je sa opisom modela

oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem. Ovo poglavlje

je zapravo „vođeno“ funkcionalnostima modela pa u vezi s tim su i četiri potpoglavlja: (i)

oblikovanje nastave nad ontologijom područnog znanja (sa opisom analize, oblikovanja i

razvoja); (ii) isporuka nastavnih sadržaja; (iii) modeliranje učenika sa prikazom modela

znanja učenika, dijagnostike znanja učenika i mjerenjem i izračunom novog višekriterijskog

matematičkog modela; (iv) prilagodljivo stjecanje znanja.

Arhitektura prototipa programskog rješenja modela za oblikovanje i isporuku znanja je

sadržajno smještena u peto poglavlje disertacije. U prvom dijelu je sažeti opis arhitekture

sustava Moodle uz opis strukture baze podataka i opis dodatka s kojima ovaj sustav raspolaže.

U drugom dijelu ovog poglavlja je opisana arhitektura prototipa programske podrške

razvijene u okviru disertacije sa prikazom: dijagrama slučaja korištenja, dijagrama aktivnosti,

dijagrama komponenti, dijagrama klasa i strukture baze podataka.

Model za oblikovanje i isporuku znanja u inteligentnom sustavu e-učenja je prototipno

testiran kroz dva primjenska razdoblja. Rezultati dobiveni ovim eksperimentalnim

istraživanjem su prikazani u šestom poglavlju disertacije.

Konačno su u ovom redoslijedu u disertaciji napisani Zaključak, naveden popis Literature i

prikaz Priloga.

Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem

16

2. Zamisao modela oblikovanja i isporuke znanja u inteligentnom

sustavu za upravljanje učenjem

Sustavi e-učenja danas imaju utvrđene konfiguracije ostvarene u dvije verzije kao sustavi za

upravljanje učenjem (eng. Learning Management System) [1] i sustavi za upravljanje

sadržajem učenja (eng. Learning Content Management Systems - LCMS) [2].

Sustav za upravljanje učenjem je Web aplikacija koja se koristi za planiranje, isporuku,

implementaciju i vrednovanje online procesa učenja i poučavanja te pristupa svim

pokazateljima ishoda učenja koje učenik ostvari. Tipično, sustav za upravljanje učenjem pruža

učitelju način za stvaranje i isporuku nastavnih sadržaja, praćenje učešća učenika, te

vrednovanje znanja učenika. Osim toga, pruža učeniku mogućnosti interakcije i sudjelovanje

u raspravama, video konferencijama i diskusijskim forumima. Sadržaj za učenje u sustavu za

upravljanje učenjem je strukturiran u formi granula znanja koje se nazivaju objekti učenja.

Objekt učenja je ponovno upotrebljiv, medijski nezavisna kolekcija informacija korištena kao

modularni građevni blok sadržaja e-učenja. Posebne norme i specifikacije omogućavaju opis

objekata učenja kao i njihovu upotrebljivost u sustavima e-učenja. Struktura LCMS sustava

može se promatrati i kao nadgradnja strukture LMS sustava kojem se dodaje CMS (eng.

Content Management System) ili ponovno upotrebljive objekte učenja (eng. Reusable

Learning Objects, RLO) ([3] prema [2]).

U odnosu na LMS i LCMS sustave posebno smo u istraživanjima usmjerili pozornost na

inačicu inteligentnih sustava e-učenja. Inteligentni sustavi e-učenja imaju sposobnost

prikladnog ponašanja u neizvjesnim situacijama koje se javljaju u procesu učenja i

poučavanja. Osim toga, inteligentni sustavi e-učenja poboljšavaju proces stjecanja znanja,

vještina i sposobnosti u interakciji s nastavnim sadržajima koji su organizirani uz pomoć

ponovno upotrebljivih objekata učenja.

Pretraživanje Web prostora s ključnom riječi „inteligentni sustavi e-učenja“ ili „inteligentni

sustavi za upravljanje učenjem“ ne daje relevantne rezultate koji bi ispunili našu istraživačku

želju da utvrdimo u kojoj su mjeri ovi sustavi danas zastupljeni u istraživanjima i praktičnim

primjenama. Ovo je između ostalih čimbenika bio jedan od stožernih koji je utjecao na

motivaciju i smjer istraživanja ove disertacije.


17

Poglavlje zamisao modela za oblikovanje i isporuku znanja u inteligentnom sustavu za

upravljanje učenjem podijelili smo u dva potpoglavlja od kojih je prvo obuhvatilo

promišljanje o oblikovanju i isporuci znanja u inteligentnom sustavu za upravljanje učenjem,

dok je drugo obuhvatilo opis elemenata strukture KD&D modela.

2.1. Promišljanje o oblikovanju i isporuci znanja u inteligentnom


U ovom dijelu navodimo samo promišljanje koje će nam omogućiti cjelovit opis i prikaz

zamisli istraživanja oblikovanja i isporuke nastavnih sadržaja u inteligentnom sustavu za

upravljanje učenjem. Slijedom toga inteligentni sustavi e-učenja, a posebno inteligentni

sustavi za upravljanje učenjem su u prvoj dekadi ovog stoljeća bili u fokusu istraživača [4].

Rezultati istraživanja ističu da dodatak „inteligentno“ na LMS sustave treba ispuniti

poboljšanje funkcionalnosti u učenju, poučavanju i testiranju znanja učenika radi uvažavanja

individualnih značajki učenika. U istraživačkom pogledu to i nije bila posebna novost, jer u to

vrijeme stabilnu arhitekturu u domeni uvažavanja individualnih značajki učenika kao i

tutorskih načela poučavanja imaju inteligentni tutorski sustavi (eng. Intelligent Tutoring

Systems – ITS) [5]. Nadalje, tada su u primjeni i njihove inačice prilagodljivi Web orijentirani

obrazovni sustavi (eng. Adaptive Web-based Educatinal systems - AWBES) [6]. Temeljni

nedostatak ovih kategorija sustava e-učenja je relativno mala zastupljenost u primjeni, što se

ne može kazati za LMS sustave. Sustavi za upravljanje učenjem imaju platforme koje su u

primjeni kako u formalnom tako i neformalnom obrazovanju Blackboard LMS [7], Absorb

LMS [8] Edmodo LMS [9] Schoology LMS [10]. U spomenutoj raspravi iz 2003. godine

Brusilovsky pokušava objasniti takvo stanje sa stajališta funkcionalnosti LMS, ITS i AWBES

sustava, te zaključuje da se treba fokusirati na razvijanje raspodijeljene komponentno

orijentirane arhitekture za stvaranje prilagodljivih sustava [6]. Ovaj stav nije usamljen pa

Yacef [11] apstrahira ovaj zaključak i ističe da se sinergijom Web orijentiranih inteligentnih

tutorskih sustava i sustava za upravljanje učenjem dobiva platforma inteligentnog sustava za

upravljanje učenjem (slika 2.1).


18

Slika 2.1 Zamisao inteligentnog sustava za upravljanje učenjem

Na tragu ovog promišljanja ističemo da su brojne rasprave pokrenute na temu: Kako se

računalni sustav može programirati da radi inteligentno? Najpotpunija je ona koju su

pokrenuli i obradili Shute i Psotka [12]. Da bi utvrdili smisao znaka I u sloganu inteligentni

tutorski sustavi prvi autor je putem elektroničke pošte zatražio mišljenje o tome od većeg

broja (oko dvadeset) „poznavalaca“1) područja (u razdoblju listopad-prosinac, 1993.). Slijedila

je analiza odgovora te donošenje zaključka. Napomenimo da se rasprava provodila tijekom

ranog stadija razvoja e-učenja kao paradigme. Zaključak rasprave ističe dvije odrednice

inteligencije: dijagnostika znanja učenika i pravodobna pomoć u otklanjanju pogrešnih

poimanja i nepoznavanju koncepata područnog znanja. U odgovoru na ovakvo stanje učeniku

se nudi novi ciklus učenja uz nastavni sadržaj prilagođen iskazanoj razini znanja. Povezali

smo ovo istraživanje sa istraživanjem u okviru disertacije jer i danas predstavljaju aktualne

determinante koje slijedimo i implementiramo u našem pristupu. U vezi s tim dijagnosticirati

znanje učenika te prilagoditi se aktualnoj razini znanja je temelj inteligentnog djelovanja.

Prilagodba se naravno odnosi na isporuku nastavnih sadržaja i testova provjere znanja u

suglasju s iskazanom razinom znanja.

U okviru spomenutih polazišta stvorene su pretpostavke i prostor promišljanja istraživanja

modela oblikovanja i isporuke nastavnih sadržaja područnog znanja u inteligentnom sustavu

za upravljanje učenjem. Zamislili smo, implementirali i postavili model oblikovanja i isporuke

znanja što u prijevodu na engleskom jeziku znači Knowledge Design and Delivery model

(kratica KD&D model).

1) Derek Sleeman (računarstvo), Bewerly Woolf (fizika, računarstvo, obrazovanje), Susanne Lajoie (psihologija),

Eliot Soloway (računarstvo), Kurt VanLehn (matematika, računarstvo), Derek Sleeman (računarstvo), Alan

Lesgold (psihologija), Sig Tobias (psihologija).


19

Temeljne funkcionalnosti KD&D modela su oblikovanje nastave, isporuka nastave,

modeliranje učenika i prilagodljivo stjecanje znanja učenika. Sudionici ovog modela su

učenik (svi koji se uče i poučavaju bez obzira na obrazovnu razinu) i učitelj (ujedno i

oblikovatelj nastave i u njoj definiranih nastavnih sadržaja oslonjenih na područno znanje).

Pored „živih“ sudionika KD&D model podržava osmišljene, oblikovane i implementirane

funkcionalnosti „računalnog“ učitelja koje se odvijaju u suglasju sa algoritmom modeliranja

učenika i prilagođavanja znanja učenika aktualnoj razini znanja.

Oblikovanje i isporuka nastave stvara pretpostavke za stjecanje znanja učenika te testiranje

znanja učenika. Vrednovanje znanja učenika je temelj za ostvarivanje zamisli modeliranja

učenika i prilagođavanja isporuke nastave u suglasju s aktualnom razinom znanja učenika.

Time se ostvaruje osnovna pretpostavka inteligentnog ponašanja predloženog sustava.

KD&D se fokusira na modeliranje učenika radi utvrđivanja znanja učenika i prilagođavanja

aktualnoj razini znanja učenika. Prilagođavanje se ostvaruje u okruženju kibernetičkog

modela sustava [13] [14] u kojem se prema definiranom referentnom modelu učenika vodi

kroz proces učenja, poučavanja i testiranja znanja. Sjedinili smo promišljanje učenja,

poučavanja i testiranja znanja u inteligentnom sustavu za upravljanje učenjem s kibernetičkim

modelom sustava. Istraživanje je povezano i s povećanim interesom za podatke u obrazovanju

i analitiku učenja (eng. Educational Data Mining – EDM; Learning Analytics - LA) [15] [16].

Metode i tehnike navedenih podatkovnih okruženja postale su sastavni dio učenja, poučavanja

i testiranja znanja pa u vezi s tim i imaju primjerenu zastupljenost u istraživanjima koje smo

proveli u ovoj disertaciji.

2.2. Elementi strukture KD&D modela

Model prototipa programske podrške KD&D modela promatrajući ga na najvišoj razini

razvijamo temeljem zamisli (slika 2.2) prilagodljivog načina poučavanja učenika u

područnom znanju razvijenom nad ontologijom koncepata i relacija u hipermedijskom

okruženju.

Zamisao modela KD&D je u pogledu implementacije i postavljanja zasnovana na

programskim sustavima CmapTools [17] i Moodle [18]. Izabrane su programske platforme u


20

suglasju sa zamisli oblikovanja i isporuke nastavnih sadržaja u inteligentnom sustavu za

upravljanje učenjem.

Stajalište tehničkog pristupa naglašava programski alat CmapTools kao okruženje za

oblikovanje nastavnih sadržaja područnog znanja definiranog nad ontologijom. Posebno

ontološki prikaz područnog znanja u ovom sustavu omogućava uvođenje i hipermedijskih

strukturnih atributa za opis koncepata i relacija područnog znanja. Na koncu ovog slijeda

promišljanja zaključujemo da je ovo okruženje kvalitetna osnova za oblikovanje i isporuku

nastavih sadržaja.

Slika 2.2 Strukturni prikaz zamisli KD&D modela

Platforma programskog sustava Moodle omogućava ispunjavanje dvaju temeljnih odrednica

zamisli KD&D modela. Jedna je povezana s okruženjem sustava za upravljanje učenjem koji

je u pogledu organizacije podataka i procesa zasnovan na otvorenom kodu i omogućava

postavljanje novih funkcionalnosti koje su povezane s naslovljenim istraživanjem. Druga je

povezana s funkcionalnostima administriranja sudionika koje su izravno omogućile

dokazivanje postavljenih hipoteza istraživanja u pogledu praćenja aktivnosti učenika tijekom

procesa učenja, poučavanja i testiranja područnog znanja.


21

Elementi strukture KD&D modela pored navedenih programskih sustava obuhvatili su

temeljne kategorije kibernetičkog modela proces, referentnu veličinu i vođenje. Proces

obuhvaća učenje, poučavanje i testiranje znanja učenika, referentna veličina predstavlja

područno znanje kao i obilježja znanja učenika dok se vođenje ostvaruje modeliranjem znanja

učenika i prilagođavanjem aktualnoj razini znanja učenika. Aktualnu razinu znanja učenika

prezentira upravljiva ulazna veličina i motriva izlazna veličina procesa učenja, poučavanja i

testiranja znanja učenika [19]. Kategorije kibernetičkog modela se opisuju u nastavku

rasprave.

KD&D model uz uvažavanje kibernetičkog pristupa povezan s funkcionalnostima i

sudionicima u deskriptivnom smislu i sa stajališta matematičkog formaliziranja pomoću

sedamnaest definicija prikazujemo slijedom po elementima strukture: (i) proces KD&D

modela; (ii) referentna veličina KD&D modela; i (iii) vođenje u KD&D modelu.

2.2.1. Proces KD&D modela

Proces je povezan sa učenjem, poučavanjem i testiranjem znanja učenika što se provodi u

okruženju programskog sustava za upravljanje učenjem temeljem oblikovanih i isporučenih

nastavnih sadržaja područnog znanja definiranog nad ontologijom. U vezi s ovim područno

znanje s hipermedijskim strukturnim atributima (slika, video, animacija, hipertekst – tekst s

poveznicom) u matematičkom pogledu definiramo na sljedeći način:

Definicija 1.

Neka je 𝐾 = {𝑘1, 𝑘2, 𝑘3, … , 𝑘𝑛} skup svih koncepata i neka je 𝑅 = {𝑟1, 𝑟2, 𝑟3, … , 𝑟𝑚} skup

svih relacija. Tada se svaka uređena trojka 𝑃𝑙 = (𝑘𝑖 , 𝑘𝑘 , 𝑟𝑗)|𝑘𝑖 ∈ 𝐾, 𝑘𝑘 ∈ 𝐾, 𝑟𝑗 ∈ 𝑅, 1 ≤

𝑖 ≤ 𝑛 , 1 ≤ 𝑘 ≤ 𝑛, 1 ≤ 𝑗 ≤ 𝑚, 𝑖 ≠ 𝑘 naziva propozicija, a skup svih propozicija 𝐷𝑘 =

{𝑃1, 𝑃2, 𝑃3, … , 𝑃𝑙}, se naziva područno znanje.

Neka je 𝐻 = {ℎ1, ℎ2, … , ℎ𝑜} skup svih hipermedijskih atributa. Tada se skup svih

uređenih parova

𝑁 = {(𝑘𝑖 , ℎ𝑗)|𝑘𝑖 ∈ 𝐾, ℎ𝑗 ∈ 𝐻, 1 ≤ 𝑖 ≤ 𝑛 , 1 ≤ 𝑗 ≤ 𝑜} ⊂ 𝐾 × 𝐻 naziva strukturni atribut danog

koncepta.

Sustav za upravljanje učenjem u okviru kojeg se odvija proces učenja, poučavanja i testiranja

znanja je programski sustav Moodle. Međutim, programski sustav Moodle ne može u izvornoj

distribuciji osigurati ontološki prikaz područnog znanja i proces učenja, poučavanja i

testiranja znanja oslonjene na koncepte i relacije. U vezi s tim je razvijen, implementiran i

postavljen prototip programske podrške CM Tutor (eng. Content Modelling Tutor) [20] kao

sastavni dio arhitekture KD&D modela (slika 2.2.). CM Tutor je u sustavu Moodle postavljen

kao aktivnost, te se može koristiti ravnopravno sa svim aktivnostima koje Moodle ima u


22

svojoj izvornoj distribuciji (primjerice: lekcija, zadaća, kviz znanja, forum, chat). CM Tutor

ima sljedeće funkcionalnosti (slika 2.3):

- isporuka nastavnih sadržaja učeniku za područno znanje definirano nad ontologijom u

hipermedijskom okruženju s korisničkim sučeljem tekstualnog i grafičkog formalizma

(modul interakcije)

- testiranje znanja koji generira niz pitanja područnog znanja (po modelu zadataka

objektivnog tipa) radi utvrđivanja aktualne razine znanja učenika (modul testiranja)

(Tablica 2.1)

- učenje i poučavanje pomoću modula za interakciju prema konceptima koje učenik u fazi

testiranja nije naučio (modul poučavanja)

- određivanje stereotipa učenika u suglasju s aktualnom razinom znanja učenika i

referentnim modelom područnog znanja učenika (modul stereotipa).

Slika 2.3 Strukturne komponente CM Tutor-a

Utvrđivanje razine poznavanja koncepata područnog znanja izvodi se pomoću zadataka

objektivnog tipa [21] i [22]. Zadaci objektivnog tipa su nebaždareni testovi znanja i

predstavljaju instrument sa kojima se utvrđuje znanje učenika. Različiti tipovi zadataka

objektivnog tipa omogućavaju mjerenje znanja na svim razinama Bloomove taksonomije za

kognitivno područje [23] [24]. U našem istraživanju opredijelili smo se za revidiranu

Bloomovu taksonomiju znanja za kognitivno područje.


23

Tablica 2.1 Formalizam predložaka pitanja CM Tutor-a

Predložak Formalizam pitanja Odgovor Bodovi

Ishod

predloška

pitanja

t1 Je li istinita tvrdnja da #pk #r #nk ? #Da/Ne 1 znanje

t2 Što je relacijom #r povezano sa #pk ? #nk 2 razumijevanje

t3 Sa čime je #nk povezan relacijom #r ? #pk 2 razumijevanje

t4 #pk je povezan sa #nk po tome što? #r 2 razumijevanje

t5 Što sve #nk #r ? #pki 4 analiza

t6 Poredajte koncepte od najviše do najniže

razine. #koncepti#r 6 vrednovanje

t7 Stvorite mapu koncepata uzimajući kao

odrednice koncept (#k1) i koncept (#k2). #koncepti#r 7 stvaranje

Oznake korištene u Tablici 2.1 su:

- #nk – nadkoncept; #pk – podkoncept; #r – relacija; #pki – višestruki podkoncept

- #koncepti – nadkoncpti i podkoncepti; #k1, #k2 – koncepti

U matematičkom pogledu potrebno je povezati predloške pitanja po modelu zadataka

objektivnog tipa s očekivanim ishodima koje pitanja moraju postići. U vezi s tim je i sljedeća

definicija:

Definicija 2.

Neka je T = {t1, t2, t3, t4, t5, t6, t7} skup svih predložaka pitanja, a 𝐼𝑃𝑃 = {i1, i2, i3, i4,i5,}

skup svih ishoda učenja modificirane Bloomove taksonomije tako da je i1 =

{t1}, i2 = {t2, t3, t4 }, i3 = {t5}, i4 = {t6}, i5 = {t7}

CM Tutor je integriran i u podatkovno okruženje sustava Moodle čime je ostvaren preduvjet

zapisa traga i nadziranja učenika u tijeku učenja, poučavanja i testiranja znanja. Atributi traga

su povezani sa konceptima područnog znanja, vremenom provedenim u učenju, testiranju i

vrednovanju područnog znanja za svaki element strukture nastavnog sadržaja. U pogledu

isporuke nastavnih sadržaja, koje je oblikovao učitelj u okruženju sustava CmapTools, prema

CM Tutor-u u suglasju s podatkovnom osnovom slijedi matematički model prema

definicijama 3. i 4.:

Definicija 3.

Neka je: 𝑃𝑐𝑥𝑙 je skup svih propozicija zapisanih u cxl datoteci sustava

CmapTools; a 𝑃𝑠𝑞𝑙 skup svih propozicija u bazi podataka sustava Moodle tada

definiramo funkciju isporuke:

𝑖𝑠𝑝𝑜𝑟𝑢𝑘𝑎: 𝑃𝑐𝑥𝑙 → 𝑃𝑠𝑞𝑙 , 𝑃𝑐𝑥𝑙 ⊆ 𝑃, 𝑃𝑠𝑞𝑙 ⊆ 𝑃

Definicija 4.

Neka je: 𝐻𝑐𝑥𝑙 je skup svih hipermedijskih atributa zapisanih u cxl datoteci

sustava CmapTtools; a 𝐻𝑠𝑞𝑙 skup svih hipermedijskih atributa u bazi podataka

sustava Moodle tada definiramo funkciju isporuke:

𝑖𝑠𝑝𝑜𝑟𝑢𝑘𝑎: 𝐻𝑐𝑥𝑙 → 𝐻𝑠𝑞𝑙 , 𝐻𝑐𝑥𝑙 ⊆ 𝐻,𝐻𝑠𝑞𝑙 ⊆ 𝐻


24

Područno je znanje prema postavljenim definicijama sjedinjenje propozicija koncepata znanja

(Definicija 3.) i strukturnih hipermedijskih atributa (Definicija 4.).

2.2.2. Referentna veličina KD&D modela

Referentna veličina KD&D modela ima dvije strukturne odrednice: (i) prva je povezana sa

sintaktičkom i semantičkom strukturom koncepata i relacija područnog znanja zadanog nad

ontologijom; (ii) druga je povezana sa atributima za opis stereotipa učenika.

Područno znanje je opisano s konceptima i relacijama koji slijede mrežnu i hijerarhijsku

strukturu (slika 2.4). U semantičkom smislu kako tekstualnom tako i grafičkom znanje

podupiru hipermedijski strukturni atributi. Uključeni hipermedijski strukturni atributi

koncepata i relacija su tekst, slika, audio i video zapis

Slika 2.4 Fragment područnog znanja

Zamisao KD&D modela u osnovi je orijentirana na ispunjavanje temeljnog cilja obrazovnog

procesa – utvrditi aktualnu razinu znanja uz definiran referentni model područnog znanja.

Želimo razlučiti koje koncepte područnog znanja je učenik naučio (zna propozicije), a koje

koncepte učenik nije naučio (ne zna propozicije). Međutim, mjera naučenog područnog

znanja ne slijedi prostu 1/0 logiku, što je i opravdalo uvođenje neizrazite logike [25] koju smo

povezali sa metrikom revidirane Bloomove taksonomije te u matematičkom pogledu iskazali s

Definicija 5. i Definicija 6.

Definicija 5. je povezana sa propozicijom/propozicijama područnog znanja koje učeniku nisu

još isporučene ili one za koje se utvrdilo da učenik ne poznaje (propozicije koje učenik nije

usvojio).


25

Definicija 5.

Neka je Zrazina0 ⊂ 𝐾 skup koncepata područnog znanja koje učenik nije usvojio.

Osim navedenog nužno je definirati i matematički formalizam za područno znanje tj.

koncepte po razinama revidirane Bloomove taksonomije znanja za kognitivno područje, što

ispunjava Definicija 6. Primijetimo da u Definicija 6. nedostaje razina primjene pa se zato ovo

i naziva modifikacija revidirane Bloomove taksonomije.

Definicija 6.

Skup Zrazina1 ⊂ 𝐾 je skup koncepata područnog znanja koje učenik dosjeća -

znanje na razini znanja.

Skup Zrazina2 ⊂ 𝐾 je skup koncepata područnog znanja koje učenik shvaća -

znanje na razini razumijevanja

Skup Zrazina3 ⊂ 𝐾 je skup koncepata područnog znanja koje učenik može

analizirati - znanje na razini analize

Skup Zrazina4 ⊂ 𝐾 je skup koncepata područnog znanja koje učenik može

rangirati - znanje na razini vrednovanja

Skup Zrazina5 ⊂ 𝐾 je skup koncepata područnog znanja koje učenik može stvoriti

- znanje na razini stvaranja

Stereotip učenika2 je sastavni dio referentne veličini KD&D modela te obuhvaća pet razina

koje smo definirali u deskriptivnom i matematičkom pogledu pomoću Definicije 7.

Definicija 7.

element s1 – Stereotip_Z

element s2 – Stereotip_R

element s3 – Stereotip_A

element s4 – Stereotip_V

element s5 – Stereotip_S

Definicija 8.

𝑆 = (𝑠1, 𝑠2, 𝑠3, 𝑠4, 𝑠5) ⊆ ℝ5 vektor stereotipa

U tablici 2.2 možemo pogledati poveznicu predložaka pitanja (T) s ishodima učenja pitanja

(IPP) i stereotipa učenika (S).

2 Riječ stereotip (grč. στερεότυπος) se sastoji od dva pojma: stereo (grč. στερεός (stereos)) što znači čvrst i tip

(grč. τύπος (typos)) što znači uvjerenje. Dakle, stereotip je čvrsto uvjerenje [136].


26

Tablica 2.2 Poveznica predložaka pitanja, ishoda učenja pitanja i stereotipa učenika

Predložak pitanja (T) Ishod predloška pitanja (IPP) Stereotip učenika (S)

Predložak 1 (t1) Znanje (i1) Stereotip_Z (s1)

Predložak 2 (t2) Razumijevanje (i2) Stereotip_R (s2)



Predložak 5 (t5) Analiza (i3) Stereotip_A (s3)

Predložak 6 (t6) Vrednovanje (i4) Stereotip_V (s4)

Predložak 7 (t7) Stvaranje (i5) Stereotip_S (s5)

Napominjemo da se na ovakav način uvodi ljestvica znanja učenika koju smo pored

navedenog povezali i s načelima neizrazite logike. Smatramo da smo na taj način poboljšali

postupak utvrđivanja aktualne razine znanja učenika u okruženju prototipa programske

podrške sustava za upravljanje e-učenja implementiranog nad KD&D modelom.

2.2.3. Vođenje u KD&D modelu

Vođenje u izvornom kibernetičkom modelu obuhvaća mjerenje, upravljanje i djelovanje

izvršne sprave [19]. Mjerenje se u KD&D modelu pretvara u modeliranje učenika, dok

upravljanje predstavlja prilagođavanje aktualnoj razini znanja učenika uz pomoć generatora

pitanja za promatrano područno znanje. Izvršna sprava svoje djelovanje iskazuje preko

zadatka objektivnog tipa koje „isporuči“ generator pitanja u skladu s modificiranom

Bloomovom taksonomijom znanja.

Modeliranje učenika (eng. student modeling) [26] unutar kojeg je posebno razvijena

procedura za oblikovanje modela znanja učenika (eng. student knowledge model), a posebno

procedura za dijagnostiku znanja učenika (eng. student knowledge diagnosis). Mjerenje

znanja je zasnovano na modeliranju učenika i u njemu razvijenim pristupima za oblikovanje

modela i dijagnostiku znanja učenika. Model učenika je definiran kao podatkovna struktura, a

dijagnostika kao proces koji upravlja tom strukturom. Sukladno tome, budući da su model

učenika i dijagnostički modul usko povezani, zajedno se oblikuju za vrijeme procesa

modeliranja učenika.


27

Model učenika

Temeljem aktivnosti koje učenik ostvaruje u okruženju učenja, poučavanja i testiranja znanja

oblikuje se model učenika. CM Tutor ostvaruje oblikovanje modela učenika uz uvažavanje:

(i) obuhvata traga učenja i testiranja znanja (skup podataka o tijeku učenja i testiranja)

(ii) stanja učenika pri prekrivanju sa znanjem učitelja (eng. overlay student models)[27] u

pogledu otklanjanja stanja pogrešnih poimanja (eng. misconception) i stanje neznanja

(eng. missing conception – razlika u konceptima) koje se javlja učeniku pri učenju i

poučavanju (slika 2.5) [28] modificirano [29]

(iii) deklarativnog prikaza područnog znanja

Znanje stručnjaka

Znanje učenika prije učenja

Znanje učenika poslije učenja

Znanje stručnjaka

Znanje učenika

Znanje kojem je učenika bio

izložen

Znanje stručnjakaPogrešno poimanje

učenikaZnanje učenika

Slika 2.5 Stanje učenika pri prekrivanju sa znanjem učitelja

Grafičku interpretaciju modela prekrivanja koristimo radi dopunskog objašnjavanja modela

prekrivanja. Koncept koji nedostaje je objekt znanja kojeg učitelj ima, a učenik još nema.

Krivo shvaćeni koncept je objekt znanja kojeg učenik ima, a učitelj nema. Navedeno

interpretira utvrđivanje razlika između učenika i učitelja pri gradnji modela učenika.

Model učenika se i gradi s namjerom da omogući zapis nedostatka znanja i pogrešnog

poimanja ili kombinacije ove dvije kategorije. Obuhvat traga učenja i testiranja znanja je

zasnovan na skupu atributa o tijeku testiranja i učenja područnog znanja koje redom

navodimo:

(i) vrijeme provedeno na testiranju

(ii) popis propozicija područnog znanja koje je učenik naučio (zna propozicije iz mape

koncepata područnog znanja)

(iii) popis propozicija područnog znanja koje učenik nije naučio (ne zna propozicije iz mape

koncepata područnog znanja)

(iv) zahtjevi učenika za pomoć tijekom testiranja područnog znanja

(v) ostvareni broj bodova tijekom testiranja

Matematički formalizam atributa traga o tijeku testiranja i učenja područnog znanja definiran

je na sljedeći način:


28

Definicija 9.

Skup atributa 𝐴 = {𝑎1, 𝑎2, 𝑎3, 𝑎4, 𝑎5} gdje su

𝑎1 𝑎𝑡𝑟𝑖𝑏𝑢𝑡 𝑣𝑟𝑖𝑗𝑒𝑚𝑒, 𝑎2 𝑎𝑡𝑟𝑖𝑏𝑢𝑡 𝑏𝑜𝑑𝑜𝑣𝑖, 𝑎3𝑎𝑡𝑟𝑖𝑏𝑢𝑡 ℎ𝑖𝑛𝑡𝑜𝑣𝑖, 𝑎4 𝑎𝑡𝑟𝑖𝑏𝑢𝑡 𝑧𝑛𝑎, 𝑎5 𝑎𝑡𝑟𝑖𝑏𝑢𝑡 𝑛𝑒 𝑧𝑛𝑎

Utvrđeni atributi traga se dalje vrednuju s ciljem izračunavanja njihovih težinskih vrijednosti.

Valja primijetiti da učenik nakon završenog procesa testiranja dobiva prikaz rezultata na

odgovorena pitanja testa sa naznakom koncepata i relacija u kojima je pokazao znanje kao i

koncepata i relacija u kojima je prikazao neznanje. Na netočne odgovore sustav prikazuje

točan odgovor pa to objašnjavamo kao proces učenja iniciran netočnim odgovorom.

Vrednovanje se provodi prema usvojenom protokolu sa matematičkim modelom temeljenom

na načelima višekriterijskog pristupa AHP (eng. Analytic Hierarchy Process, [30] kao i

njegove neizrazite inačice FuzzyAHP (eng. Fuzzy Analytical Hierarchy Process - FAHP [31]

(opisan u teorijskom okviru KD&D modela – treće poglavlje disertacije). Implementacija i

postavljanje modela učenika obuhvaća:

(i) prikupljanje i uređivanje podataka iz zapisa traga učenja i testiranja učenika

(ii) vrednovanje atributa (ne manje od tri učitelja - oblikovatelji nastavnog sadržaja) sa

stajališta njihovog relativnog odnosa, što je zapisano u matrici fazi trokutnih brojeva

(iii) primjenu FAHP metode za određivanje težinske vrijednosti atributa.

(iv) rezultat izračuna FAHP metode što je jedno stupčasta matrica težinskih vrijednosti

atributa (čiji je zbroj jednak jedinici)

Napomena: stavke (ii), (iii) i (iv) se provode jednom tijekom implementacije i postavljanje modela učenika.

Promjene su uvjetovane novim vrednovanjem atributa za slučaj novih vrednovatelja.

U pogledu deskripcije primjene FAHP metode utvrđujemo i matematičku definiciju

preslikavanja kao i dobiveni vektor težinskih vrijednosti atributa traga:

Definicija 10.

FAHP: 𝐴 → [0,1] ⊂ ℝ

Definicija 11.

𝑊 = (𝑤1, 𝑤2, 𝑤3, 𝑤4, 𝑤5) gdje je 𝑤𝑖 = 𝐹𝐴𝐻𝑃 (𝑎𝑖), 1 ≤ 𝑖 ≤ 5


29

Dijagnostika znanja

Model učenika ima zadaću da pronađe značenje pogrešaka koje učenik ima tijekom stjecanja

znanja. Procjenjivanje učenika slično je drugim dijagnostičkim zadacima kao što je

postavljanje dijagnoze bolesti ili pogreške u opremi. Računalo mora napraviti kapital od svake

pogreške učenika pretvorivši je u mogućnost za ispravljanje. Ukoliko on jednostavno kaže

učeniku da je pogriješio on ga nije poučio nego je gurnuo problem k učeniku koji mora sam

odrediti razlog pogreške. U postupku dijagnostike znanja učenika težimo ne izgubiti se te ne

dozvoliti da to postane sredstvo, a ne cilj. Generiramo takvo okruženje učenja i testiranja u

kojem učenik treba prevladati pogrešna poimanja koja učitelj ne „uklanja magičnim“

postupcima. U vezi s tim CM Tutor u svakom netočnom odgovoru učeniku pruža pored teksta

s naznakom točnosti i grafički zapis segmenta znanja kao i pogled na strukturne atribute koji

pripadaju konceptima znanja.

Dijagnostika znanja učenika ostvarena je uz pomoć višekriterijske metode TOPSIS (eng.

Technique for order preference by similarity to ideal solution) [32] kao i modificirane

Bloomove taksonomije znanja za kognitivno područje. U matematičkom pogledu primjenom

TOPSIS metode ostvaruje se preslikavanje aktualnih vrijednosti atributa traga u relevantni

stereotip znanja učenika. Element S vektora s maksimalnom vrijednosti iskazuje dostignutu

razinu znanja učenika. Slijedom navedenog definira se TOPSIS preslikavanje kako slijedi:

Definicija 12.

TOPSIS: M → 𝑆 gdje je 𝑀 ⊆ 𝐸, 𝐸 ≔ (𝑒𝑖,𝑗)𝑚×𝑛, 𝑒𝑖,𝑗 ∈ ℝ, 1 ≤ 𝑖 ≤ 𝑚, 1 ≤ 𝑗 ≤ 𝑛 u kojoj su

sadržane aktualne vrijednosti atributa traga pomnožene s vektorom W

(Definicija 11) 𝑆 ⊂ ℝ5 vektor stereotipa, pri čemu je 𝐦𝐚𝐱(𝒔𝒊) gdje je 1 ≤ 𝑖 ≤

5 aktualni stereotip učenika.

Ovim smo pokazali slijed dijagnostike znanja učenika tj. utvrdili stereotip učenika što vrijedi

kako u inicijalnom testiranju znanja tako i tijekom svih ciklusa u procesu učenja, poučavanja i

testiranja znanja.

Oblikovanje modela učenika i dijagnostiku znanja smo proveli uz izvorni pristup kojeg smo

nazvali višekriterijski matematički model (VKM model) s grafičkom interpretacijom na slici

2.6.


30

Slika 2.6 Grafička interpretacija višekriterijskog matematičkog modela


31

Sve ostvareno te kvantitativno i kvalitativno prikazano predstavlja ulaz u fazu prilagođavanja

kao tipičan iskaz vođenja u povratnoj vezi.

Funkcionalnost modeliranja učenika u KD&D modelu nazivamo hibridno modeliranje

učenika (formalizirano definicijama: Definicija 10., Definicija 11. i Definicija 12.) jer

objedinjujemo tradicionalni model prekrivanja sa načelima neizrazite logike (FAHP) kao i

načelom višekriterijske metode odlučivanja (TOPSIS). Rezultat modeliranja je stereotip

učenika (aktualna razina znanja učenika) iskazan sa strukturnom razinom modificirane

Bloomove taksonomije znanja za kognitivno područje. Utvrđeni stereotip učenika je osnova

za sljedeći korak učenja i testiranja znanja omogućen algoritmom za generiranje pitanja

implementiran u funkcionalnosti prilagođavanje aktualnoj razini znanja.

Prilagođavanje aktualnoj razini znanja učenika

Faza prilagođavanja obuhvaća aktivnosti za minimiziranje razlike u znanju učenika i

područnog znanja. Odstupanje aktualne razine znanja učenika i referentne vrijednosti opisane

sa stereotipom učenika inicira vođenje u CM Tutoru. Vođenje je povezano sa isporukom

novog ciklusa koncepata i relacija područnog znanja koje ostvaruje algoritam za generiranje

pitanja (AGP). Oblikovana pitanja (jedno ili više) u kibernetičkom pogledu predstavljaju

izvršnu spravu. Svojim djelovanjem „izvršna sprava“, skup pitanja po modelu zadataka

objektivnog tipa, potencijalno omogućava poboljšanje strukture područnog znanja učenika što

će se utvrditi u novom ciklusu mjerenja (modeliranje učenika).

Da bi se napravila prilagodba prema učenikovom znanju potrebno je generirati podskup

područnoga znanja koji se dobiva koncentričnim širenjem mreže koncepata udaljenih od

korijenskog čvora za određenu dubinu prema Definiciji 13. Na osnovu podskupa područnog

znanja generiraju se pitanja koja su usuglašena s ishodima učenja modificirane Bloomove

taksonomije. Broj generiranih pitanja ovisi od veličine podskupa područnog znanja. Veličina

podskupa područnog znanja ovisi o broju podkoncepata unutar određene dubine.

Defincija 13

Dubina 0 obuhvaća samo korijenski koncept

Dubina 1 obuhvaća sve podkoncepte korijenskog koncepta i korijenski koncept

…

Dubina n obuhvaća sve koncepte dubine n-1 i njihove podkoncepte


32

Pri odvijanju inicijalnog testa obuhvaćeni su svi koncepti dubine koja se razlikuje od ostalih

ciklusa testiranja. Matematički model faze prilagođavanja zasnovan je na definicijama:

Definicija 14. i Definicija 15. Definicija 14. omogućava funkciju preslikavanja koju smo

nazvali generiranje nad ukupnim područnim znanjem. Nad takvim područnim znanjem vrši se

generiranje pitanja koja su usuglašena sa modificiranom Bloomovom taksonomijom znanja za

sljedeći ciklus aktivnosti učenika. Ulaz u funkciju za generiranje područnog znanja je cijelo

područno znanje. Prema inicijalnom odabiru početnog čvora koji se nasumično uzima iz

skupa svih čvorova bez roditelja. Funkcija ne uključuje sve propozicije već samo one koje su

ne ispitane ili ih u prethodnim ciklusima učenik nije poznavao. Na osnovu generiranog

područnog znanja prema stereotipu se generiraju pitanja usklađena prema modificiranoj

Bloomovoj taksonomiji uz pomoć funkcije AGP koja vrši preslikavanje područnog znanja

(𝑃𝐷𝑖) u skup svih ishoda učenja modificirane Bloomove taksonomije (IPP) (Definicija 15.).

Definicija 14

Ako je podskup područnog znanja:

𝑃𝐷𝑖 = {𝑃1, 𝑃2, 𝑃3, … , 𝑃𝑘}, 1 ≤ 𝑖 ≤ 𝑐, 𝑃𝑗 ⊂ 𝑃, 1 ≤ 𝑗 ≤ 𝑘 pri čemu je c broj ciklusa koji

ovisi o veličini mape koja se ispituje, a 𝑘 broj propozicija uključenih u

pojedini ciklus, koji ovisi o dubini generiranog podskupa područnog znanja

d.

Tada definiramo funkciju preslikavanja GPZ (generiranje područnog znanja):

𝐺𝑃𝑍 ∶ 𝐷𝑘 → 𝑃𝐷𝑖 tako da slučajnim odabirom uzimamo koncept 𝑘𝑏𝑒𝑧𝑟𝑜𝑑𝑖𝑡𝑒𝑙𝑗𝑎 ∈ 𝐾 koji

nema svoga nadkoncepta. Definiramo podskup 𝑃𝐷𝑧𝑛𝑎 ⊆ 𝐷𝑘 svih koncepata koje

učenik poznaje, komplementarno definiramo 𝑃𝐷𝑛𝑒𝑧𝑛𝑎 ⊆ 𝐷𝑘 , 𝑃𝐷𝑛𝑒𝑧𝑛𝑎 ≡ 𝐷𝑘/𝑃𝐷𝑧𝑛𝑎. Pri

tom postoji 𝑟 ∈ 𝑅 𝑖 𝑘 ∈ 𝐾 tako da je (𝑘𝑏𝑒𝑧𝑟𝑜𝑑𝑖𝑡𝑒𝑙𝑗𝑎 , 𝑟, 𝑘) ∈ 𝐷𝑛𝑒𝑧𝑛𝑎 propozicija koju

učenik ne poznaje te dobivamo podskup područnog znanja 𝑃𝐷𝑖 = {𝑃𝑗 , … , 𝑃𝑗+𝑑} 𝑧𝑎 𝑖 =

1, 𝑑 = 4; 𝑧𝑎 𝑖 > 1, 𝑑 = 2, 1 < 𝑗 ≤ 𝑛 , gdje je n ukupan broj koncepata unutar područnog

znanja.

Definicija 15

Neka je:

𝐷𝑘𝐼𝑃𝑃𝑔 = 𝐼𝑃𝑃𝑖 × 𝑃𝐷𝑖 skup svih ishoda učenja modificirane Bloomove taksonomije.

Za svaki stereotip definira se skup pitanja prema: 𝑠1 = 𝐼𝑃𝑃, 𝑠2 = {𝑖2, 𝑖3, 𝑖4, 𝑖5}, 𝑠3 =

{𝑖3, 𝑖4, 𝑖5}, 𝑠4 = {𝑖4, 𝑖5}, 𝑠5 = { 𝑖5}

Tada definiramo funkciju preslikavanja AGP (algoritam za generiranje

pitanja)

𝐴𝐺𝑃: 𝑃𝐷𝑖 → 𝐼𝑃𝑃 tako da vrijedi 𝑖1 = 𝑠1 × 𝑃𝐷𝑖 , 𝑖2 = 𝑠2 × 𝑃𝐷𝑖 , 𝑖3 = 𝑠3 × 𝑃𝐷𝑖 , 𝑖4 = 𝑠4 × 𝑃𝐷𝑖 , 𝑖5 =

𝑠5 × 𝑃𝐷𝑖.


33

Nastavak faze prilagođavanja nalagao je definiranje dvaju novih funkcija radi provjere

ispravnosti odgovora učenika i generiranja novog ciklusa pitanja. Prva od definicija

(Definicija 16.) – funkcija preslikavanja PROVJERA utvrđuje točnost učenikovih odgovora na

postavljena pitanja u tekućem ciklusu.

Druga definicija (Definicija 17.) – funkcija preslikavanja PRILAGODBA uvažava tekući

stereotip učenika kao i točnost na pružene odgovore te neposredno omogućava isporuku

novog ciklusa pitanja prilagođena aktualnom stereotipu učenika usuglašena s ishodima učenja

modificirane Bloomove taksonomije.

U zaključku opisa zamisli KD&D modela ističemo da je isti na znanju zasnovan jer integrira:

(i) područno znanje sa pripadnim hipermedijskim atributima; (ii) znanje učitelja sa scenarijem

poučavanja; (iii) znanje učenika koje se razvija na prekrivanju sa znanjem učitelja, uključujući

nedostajuća i pogrešna poimanja. Pored toga, KD&D model pokazuje inteligentno ponašanje

zbog toga što raspolaže sa ovim značajkama: (i) zaključuje ili rješava problem u odabranom

područnom znanju; (ii) zaključuje o znanju učenika; (iii) raspolaže sa strategijama koje

omogućavaju smanjenje razlike u znanju između učenika i učitelja.

U pogledu funkcionalnosti potrebno je sagledati njihovu strukturu u okviru sveobuhvatnog

pogleda na KD&D model. Funkcionalnost oblikovanja područnog znanja odvija se u

okruženju programske podrške CmapTools, stoga u zamisli nismo naveli algoritme koji su

potrebni za opis ove funkcionalnosti. Ostale tri funkcionalnosti KD&D modela: isporuka

Definicija 16

Definiramo funkciju preslikavanja 𝑷𝑹𝑶𝑽𝑱𝑬𝑹𝑨 ∶ 𝐼𝑃𝑃𝑖 → 𝑀, 1 < 𝑖 ≤ 𝑐 kao funkciju

koja pretvara skup generiranih pitanja za svaki ciklus u skup aktualnih

vrijednosti atributa traga.

Definicija 17

Definiramo funkciju preslikavanja 𝑷𝑹𝑰𝑳𝑨𝑮𝑶𝑫𝑩𝑨 ∶ 𝑆 → 𝐼𝑃𝑃𝑖 , 1 < 𝑖 ≤ 𝑐 kao funkciju

koja pretvara dobiveni vektor stereotipa 𝑆 u pitanja koja su usuglašena s

ishodima učenja modificirane Bloomove taksonomije u idućem ciklusu

testiranja.


34

nastavnog sadržaja, modeliranje učenika i prilagodljivo stjecanje znanja izvršava globalni

algoritam - Algoritam 1.

KD&D model sastoji se od 12 algoritama koje ćemo kroz matematički formalizam,

pseudokod kao i ogledni primjer detaljno opisati u četvrtom poglavlju disertacije.

Funkcionalnost isporuke nastavnih sadržaja omogućavaju nam Algoritam 11. i Algoritam 12.

koji područno znanje (koncepti, relacije i hipermedijski atributi) generirano unutar

CmapTools okruženja pretvaramo u područno znanje zapisano u bazi podataka CM Tutor

okruženja.

Funkcionalnost modeliranja učenika se sastoji od algoritama koji nam omogućava učenje

područnog znanja unutar kojeg učenik prolazi kroz koncepte opisane hipermedijskim

atributima. Nakon učenja generira se inicijalni test na osnovu podskupa područnog znanja

generiranog uz pomoć Algoritma 2. i Algoritma 3. na osnovu kojeg se generiraju pitanja

(Algoritam 4. i Algoritam 7.) koja su usuglašena s ishodima učenja modificirane Bloomove

taksonomije. Na osnovu učenikovih odgovora na testu provjeravaju se ishodi atributa traga o

tijeku testiranja (Algoritam 5. i Algoritam 10.).

Globalni algoritam KD&D modela (Algoritam 1)

Početak

FUNKCIONALNOST – isporuka nastavnih sadržaja

Ekstrakcija koncepata i relacija 𝑖𝑠𝑝𝑜𝑟𝑢𝑘𝑎: 𝑃𝑐𝑥𝑙 → 𝑃𝑠𝑞𝑙 , (Algoritam 11)

Ekstrakcija hipermedijskih atributa 𝑖𝑠𝑝𝑜𝑟𝑢𝑘𝑎: 𝐻𝑐𝑥𝑙 → 𝐻𝑠𝑞𝑙 , (Algoritam 12)

Funkcionalnost – modeliranje učenika

Učenje područnog znanja (Algoritam 6)

dubina = 2

Ako je započeo onda

dubina = 4

𝑃𝐷𝑧𝑛𝑎 =⊘

Dok 𝑃𝐷𝑧𝑛𝑎 ≠ 𝐷𝑘 Činiti

Generiraj podskup područnog znanja 𝐺𝑃𝑍 ∶ 𝐷𝑘 → 𝑃𝐷𝑖

za 𝑃𝐷𝑖 (Algoritam 2, Algoritam 3) pripremi i generiraj

pitanja 𝐴𝐺𝑃: 𝑃𝐷𝑖 → 𝐼𝑃𝑃𝑖(Algoritam 4, Algoritam 7)

Provjeri ishode atributa 𝐼𝑃𝑃𝑖,𝑝𝑟𝑜𝑣𝑗𝑒𝑟𝑎 ∶ 𝐼𝑃𝑃𝑖 → 𝑀 (Algoritam 5,

Algoritam 10)

Odredi relativnu težinu atributa traga i stupanj

vjerojatnosti atributa FAHP: 𝐴 → 𝑊 (Algoritam 9)

Određivanje stereotipa učenika TOPSIS: W ∙ M → 𝑆(Algoritam 8)

Funkcionalnost - prilagođavanje

Generiraj novi ciklus pitanja uz uvažavanje aktualne razine

znanja učenika(Algoritam 4, Algoritam 7)

Kraj


35

Atribute traga zapisujemo u matricu koji se vrednuju s ciljem izračunavanja njihovih težinskih

vrijednosti (Algoritam 9.). Nakon toga radimo dijagnostiku znanja učenika uz pomoć

višekriterijske metode TOPSIS (Algoritam 8.). Konačno, funkcionalnost prilagođavanja

omogućava generiranje novog ciklusa pitanja uvažavajući aktualnu razinu znanja učenika

(Algoritam 4. i Algoritam 7.).

Rasprava o zamisli modela oblikovanja i isporuke znanja u inteligentnom sustavu za

upravljanje učenjem obuhvaća i teorijski okvir svakog elementa strukture KD&D modela.

Analiza teorijskog okvira omogućava uvid u relevantne znanstvene reference i istraživačke

skupine koje egzistiraju u ovom području. Ističemo da se radi o interdisciplinarnom području

koje je nastalo kao presjek i sinergija više znanstvenih disciplina gdje dominiraju računarstvo,

programsko inženjerstvo, tehnike umjetne inteligencije za prikaz znanja, modeli didaktike kao

znanosti u učenju i poučavanju te psihologija obrazovanja. U primjenskom dijelu teorijski

okvir se postavlja uz pomoć programskog inženjerstva, načela tehnologija za rad u Web

okruženju, modela oblikovanja i isporuke nastavnih sadržaja područnog znanja. Navedena

znanstvena područja kao i pripadne grane su temeljni oslonac pri razvoju, implementaciji i

postavljanju prototipa programske podrške KD&D modela. Slijedom ovakvih odrednica u

sljedećem poglavlju se navodi teoretska podloga za implementaciju i postavljanje strukturnih

elementa modela KD&D kao i stanje istraženosti područja.

Teorijski okvir KD&D modela i stanje istraženosti područja

36

3. Teorijski okvir KD&D modela i stanje istraženosti područja

U ovom poglavlju disertacije objedinjavamo teorijski okvir za zasnivanje KD&D modela kao

i analizu i obradu istraženosti područja. Teorijski okvir smo odredili temeljem funkcionalnosti

KD&D modela zasnovane na oblikovanju i isporuci nastavnih sadržaja, modeliranju učenika i

prilagodljivom stjecanju znanja učenika. Naravno, da smo i stanje istraženosti proveli uz

pomoć analize i obrade niza sustava e-učenja koji uvažavajući spomenute funkcionalnosti

imaju dodirne točke i poveznice s istraživanjem, razvojem i postavljanjem KD&D modela.

3.1. Teorijski okvir KD&D modela

Teorijski okvir je u deskriptivnom određenju obuhvatio osnovne opise i tumačenja strukturnih

elemenata KD&D modela prema načelima za:

- oblikovanje nastavnih sadržaja nad ontologijom područnog znanja izveden pomoću: mape

koncepata, faza ADDIE modela, ishoda učenja i Bloomove taksonomije znanja za

kognitivno područje;

- modeliranje učenika uz pomoć oblikovanja modela učenika i dijagnostike znanja učenika

sve ostvareno pomoću načela neizrazitog FAHP pristupa i višekriterijske TOPSIS metode;

- prilagodljivo stjecanje znanja u sustavu za upravljanje učenjem oslonjeno na analitiku

učenja.

3.1.1. Oblikovanje nastavnih sadržaja

Pojam oblikovanje nastavnih sadržaja jedan je od mogućih termina za engleski naziv

Instructional Design. Ovaj pojam pristaje i uz druge prijevode poput: oblikovanje nastave ili

načela za oblikovanje nastave. U ovoj disertaciji odabran je termin oblikovanje nastavnih

sadržaja jer smatramo da na najbolji način izražava ono što odabrani termin u procesnom

pogledu izražava. To je skup metoda, tehnika i alata za oblikovanje jednog sata nastave i to

kako one tradicionalne tako i one koja se odvija u okruženju informacijske i komunikacijske

tehnologije. Upravo ova potonja iskazuje nastavni proces – nastavu u sustavu e-učenja. Već je

u ovoj disertaciji rečeno da e-učenje predstavlja presjek dvaju svjetova - svijeta obrazovanja i

svijeta informacijske i komunikacijske tehnologije. Istraživanje u okviru ove disertacije


37

naglašava tehnički aspekt nastavnog procesa, pa s tim u vezi se priklanjamo onim autorima

koji uspoređuju postupak oblikovanja nastavnih sadržaja sa programskim inženjerstvom [33].

Naime, znano je da programsko inženjerstvo po definiciji [34] predstavlja skup metoda,

tehnika i programskih alata za oblikovanje izvršnog koda – programa za neko sistemsko ili

primjensko okruženje. Na tom smo tragu pri oblikovanje nastavnih sadržaja u ovoj disertaciji,

namijenjeno prvenstveno okruženju i prostoru e-učenja.

Nakon oblikovanja nastavnih sadržaja u sustavu e-učenja slijedi pospremanje koje se obavlja

uz pomoć autorskih alata ili tradicionalnih datotečnih zapisa na memorijskom prostoru

računala uz relevantnu programsku podršku. Slijedi i isporuka nastavnih sadržaja uz pristupe

koji su pokriveni konceptima: asinkrono učenje i sinkrono učenje [28].

Više je definicija za oblikovanje nastavnih sadržaja. Smatramo da je na najbolji način iskazuje

Sare McNeil koja kaže da je: Instructional Design is a systematic process using to design

instruction [35]

U širem kontekstu Sara McNeil oblikovanje nastavnih sadržaja promatra sa četiri stajališta:

1. Procesa (eng. Instructional Design as a Process) koji predstavlja sustavni razvoj nastavnih

specifikacija pomoću teorije učenja i teorije nastave kako bi se osigurala kvaliteta nastave.

To je cijeli proces analize obrazovnih potreba i ciljeva te razvoj sustava za isporuku u

susret tim potrebama.

2. Disciplina (eng. Instructional Design as a Discipline) koja je na znanju utemeljena i

uključena je kako u istraživanje i teoriju o nastavnim strategijama tako i u proces za razvoj

i provedbu tih strategija.

3. Znanost (eng. Instructional Design as a Science) radi stvaranja detaljne specifikacije za

razvoj, implementaciju, vrednovanje i održavanje situacija koje olakšavaju učenje na svim

razinama složenosti.

4. Stvarnost (eng. Instructional Design as Reality) jer može započeti u bilo kojoj točki

procesa oblikovanja. Često samo tračak ideje može pružiti srž nastave situacije. Uzimajući

u obzir vrijeme cijeli proces je izveo onaj koji oblikuje nastavu gledajući unatrag i

provjeravajući pri tom da li su svi dijelovi uzeti u obzir. S tim u vezi cijeli proces je

izveden kako da se dogodi na sustavni način.


38

Stajalište oblikovanja nastavnih sadržaja za e-učenja George Siemens3 predstavlja kao

ujedinjenje tehnologije i obrazovanja, a najčešće, oni koji oblikuju nastavne sadržaje (eng.

instructional designer) imaju važnu ulogu u ovoj zadaći koja se očituje u "premošćivanju"

koncepata između ova dva svijeta [36]. Ova važna ulogu osigurava da zamisli i koncepti

stručnjaka područnog znanja (eng. subject matter expert) budu ispravno razvijeni od strane

onih koji grafički oblikuju okruženje učenja kao i programera profesionalaca. Nažalost, uloga

oblikovanja nastavnih sadržaja u e-učenju je često pogrešno shvaćena - zbog uočene

složenosti procesa i slabog poznavanje pedagogijskih zahtjeva e-učenja. U velikoj mjeri,

oblikovanje nastavnih sadržaja je proces u kojem se učenje, a ne tehnologija, drži u fokusu

razvoja e-učenja. Potreba za sustavni pristup oblikovanja nastavnih sadržaja je percipirana u

e-učenju - kako za obuku u korporativnim odjelima tako i u obrazovnim ustanovama. To je

jedno od najbrže rastućih područja. Oblikovanje nastavnih sadržaja je jedna od najviše

zastupljenih kategorija u e-učenju, te tražilice za ovom specifičnom ključnom riječi pružaju

bolje rezultate nego opći pojam e-učenje. Rast i uspjeh e-učenja usko je povezan s

oblikovanjem kvalitetnog učenja, omogućeno kroz korištenje tehnologije. Oni koji oblikuju

nastavni sadržaj igraju ključnu ulogu pri povezivanju ovih nespojivih polja - za dobrobit

učenika, učitelja i organizacije. Mnoge od briga online učenja kao primjerice cijena ili otpor

kojeg eventualno učenik može pružati mogu se rješavati kroz strukturirani proces

projektiranja. Prednosti koje pruža dosljedna primjena oblikovanja nastavnih sadržaja su:

smanjeni troškovi oblikovanja, dosljedan izgled i dojam, transparentnost, kontrola kvalitete,

uvođenje normi, što sve utječe na pravilno donošenje odluka u organizaciji i isporuci nastave

putem sustava e-učenja.

U pogledu teorijskog i primjenskog određenja oblikovanja nastavnih sadržaja u e-učenju te

odnosa prema relevantnim disciplinama oslonac je na [37]: (i) teorijama učenja; (ii)

programskom inženjerstvu; i (iii) obrazovnoj tehnologiji (eng. Educational Technology).

U ovoj disertaciji je fokus na e-učenju pa u namjeri da opravdamo sinergiju informacijske i

komunikacije ICT i učenja sažeto opisujemo poveznice prema ovim disciplinama.

3 George Siemens je teoretičar i istraživač koji se bavi temama učenja, računalnih mreža, tehnologije,

vizualizacije i organizacijske učinkovitosti u digitalnom okruženju. Organizirao je prve otvorene konektivističke

tečajeve na kojima su sudjelovale tisuće sudionika [137].


39

Teorija učenja predstavlja konceptualni okvir koji opisuje kako se informacija prikuplja,

obrađuje i zadržava tijekom učenja. Kognitivni, emocionalni i utjecaji okruženja, kao i

prethodna iskustva, svi igraju ulogu u tome kako razumijevamo i stvaramo pogled na svijet

stječemo i zadržavamo znanja i vještine. Uvažavajući navode literature ovog područja u

Hrvatskoj obično su obuhvaćena tri pristupa teoriji učenja sa stajališta psihologije

obrazovanja [38],[39]:

- bihevioristički pristup usmjeren na istraživanje i objašnjavanje vanjskih promjena u

ponašanju, slijedi načela biheviorističke teorije učenja;

- kognitivistički pristup usmjeren na unutarnje promjene u znanju, psihomotornim

vještinama, mišljenju, vrijednostima i stavovima, slijedi načela kognitivističke teorije

učenja;

- socijalni pristup učenja povezuje elemente biheviorističkog i kognitivističkog pristupa te

istražuje proces učenja i njegove ishode u socijalnom okruženju koje zastupa socijalna

teorija učenja

Osim navedenih pristupa konstruktivizam [40] naglašava učenje kao aktivan proces temeljen

na iskustvenim normama uz primjerene praktične forme rada u prostoru rješavanja

postavljenih problema.

Biheviorizam, kognitivizam i konstruktivizam su tri temeljne teorije učenja najčešće korištene

u stvaranju nastavnih okruženja. Međutim, ovi teorijski pristupi su nastajali i razvijali se u

bitno različitim uvjetima s obzirom na tehnologijsku osnovicu današnjice. Suvremene

obrazovne okoline i prostori su pod snažnim utjecajem tehnologije posebno informacijske i

komunikacijske tehnologije zasnovane na digitalnom načinu promišljanja. U takvom

okruženju nastaje i novi digitalni pristup - konektivizam [41], [42]. Konektivizam naglašava

potrebu za povezivanje informacija i društvene veze koje omogućuju učenicima da prošire

doseg svojih znanja uz nove programske alate i metode učenja [43].

Poveznica prema programskom inženjerstvu (eng. Software Engineering) ukazuje na

„zanatski“ aspekt odnosno aspekt inženjerske discipline čije metode dominiraju u oblikovanju

obrazovne programske podrške.


40

Obrazovna tehnologija predstavlja okruženje za oblikovanje nastave u suvremenim –

„sofisticiranim“ okolnostima. Smatra se da se oblikovanje nastavnih sadržaja ne može ni

zamisliti bez tehnologije – naročito elektronske tehnologije. S tim u vezi primjerice obrazovna

multimedija uključena u sustave e-učenja zahtjeva metode oblikovanja koje uključuju zvuk,

animaciju, grafiku i tekst. Vrlo je važna prikladna primjena obrazovne tehnologije pri čemu

već postojeće implementacije e-učenja dokazuju da nisu uvijek učinkovitije od tradicionalnih

metoda u učionici. Tehnologija, bez obzira koliko napredovala, ne može se uvijek prikladno

primijeniti, pa su zato modeli oblikovanja nastavnih sadržaja sada, a i ranije uvijek ključ za

otključavanje pravih potencijala raspoloživih okruženja za učenje.

Oblikovanje nastavnih sadržaja obiluje različitim pristupima koji se obično naslovljavaju kao

modeli za oblikovanje nastavnih sadržaja (eng. Instructional design models) [44]. Modeli

oblikovanja nastavnih sadržaja obično reguliraju odgovarajuće pedagoške scenarije tako da bi

se postigli postavljeni nastavni ciljevi. Od više modela u istraživanju ove disertacije je

odabran ADDIE model najviše zbog svoje sličnosti sa relevantnim vodopadnim modelom u

okviru programskog inženjerstva. Osim toga, ovim se na najbolji način ističe i sinergija

informacijske i komunikacijske tehnologije i obrazovanja, a sve s namjerom kvalitetnog

oblikovanja nastavnih sadržaja u inteligentnom sustavu za upravljanje učenjem.

U zaključku ove uvodne rasprave o teorijskom okviru oblikovanja nastavnih sadržaja ističemo

da je njegov cilj bilo to u tradicionalnoj ili online nastavi premostiti razliku aktualne razine

znanja učenika prema onoj koju učenik mora dostignuti. U postizanju ovog cilja moramo biti

opsjednuti sa premošćivanjem razlike tako da smetnje ne zamagljuju viziju nastavnog

procesa. U vezi s tim u nastavku rasprave po odjeljcima opisujemo teorijski okvir za mape

koncepata, ADDIE modela, ishode učenja povezane s Bloomovom taksonomijom znanja za

kognitivno područje jer se u takvom okruženju oblikuju, a zatim implementiraju i postavljaju

nastavni sadržaji u prototipu programske podrške CM-Tutor-a u okviru KD&D modela.


41

3.1.1.1. Mape koncepata

Mape koncepata uvodimo u teorijski okvir sa stajališta paradigme e-učenja i implementacije u

okruženju i prostoru sustava e-učenja. Kad na mape koncepata gledamo sa aspekta

informacijske i komunikacijske tehnologije tada ističemo da je to jedna od tehnika za prikaz

znanja nad ontologijom u inteligentnim sustavima e-učenja. Sa stajališta obrazovanja mape

koncepata je osmislio i uveo u primjenu Joseph Novak4 pred više od 40 godina tijekom

istraživanja provedenog na Cornell Sveučilištu u SAD. Svoje uporište nalazi u

konstruktivističkom pristupu psihologije obrazovanja i teoriji asimilacije u prostoru učenja

(novih sadržaja kao nadogradnje na već postojeće znanje) što zagovara u svojem istraživanju

David Ausubel [45].

U svojoj knjizi - Learning How to Learn Novak i suradnici [46], navode da "u sadržajnom

smislu učenje uključuje asimilaciju novih koncepata i propozicija u postojeće kognitivne

strukture". U svom istraživačkom pristupu poučavaju šestogodišnjake korištenju mape

koncepata radi dobivanja odgovora na pitanja kao što su primjerice "Što je voda?" i "Što

uzrokuje godišnja doba?"

Mapa koncepata predstavlja grafički prikaz odnosa između koncepata. U semantičkom

pogledu koncepti mogu biti ideje, informacije, fizički ili apstraktni objekti, dok u

gramatičkom pogledu su najčešće imenice ili pridjevi. Koncept je u grafičkom pogledu obično

predstavljen pravokutnikom (u vrhovima zaobljeni pravokutnik) ili kružnicom povezanom s

usmjerenom dužinom (poveznica - relacija prema nekom drugom konceptu). U frazi za

povezivanje su uobičajeno glagol ili fraze prijedloga koji povezuju koncepte, tako da oni

obično imaju glagole i priloge.

Koncepti područnog znanja su obično hijerarhijski organizirani u slijedu od općenitog do

posebnog. Konceptualne mape se oblikuju na način da moraju odgovoriti na određeno pitanje

na koje tražimo odgovor. Pitanje se naziva fokus pitanje i predstavljeno je korijenskim

konceptom. Struktura mape koncepata je zapravo odgovor na fokus pitanje i obično je

predstavljena hijerarhijskim poretkom koncepata i relacija među njima.

Matematička interpretacija dva koncepta i relacije slijede zakonitosti teorije grafova, pa se

često i kaže da je mapa koncepata predstavljena usmjerenim grafom. U takvoj strukturi

4 Joseph Novak i njegov tim na Sveučilištu Cornell 70-ih godina prošlog stoljeća razvijaju tehniku

konceptualnog mapiranja. Novakov rad se bazirao na kognitivnim teorijama Davida Ausubela (teorija

asimilacije), koji je naglašavao važnost predznanja kao mogućnost da se uče novi pojmovi [138].


42

proističe i osnovni element znanja – propozicija (jednostavna proširena rečenica gramatički

iskazana sa subjekt – objekt – predikat), koja se sastoji od dva ili više povezanih koncepata.

Relacija - poveznica ima i svoj naziv. Propozicija nije nužno puni izraz. To pokazuje da se

visoka preciznost može zahtijevati kada se parsira - raščlanjuje tekst. U mapi koncepata,

propozicije međusobno tvore hijerarhijsku strukturu koja predstavlja organizaciju znanja za

dugoročno pamćenje. Propozicije su prostor za koje učenici kroz testove znanja moraju

potvrditi da su usvojili, što tada znači da su usvojili i elemente područnog znanja koje je

predmet tj. nastavni sadržaj iskazan mapom koncepata. Osnovna postavka mape koncepata

jest "međusobna povezanost" kao bitno svojstvo znanja. Osim toga, vrijedi da se

"razumijevanje" može predstaviti kroz bogat skup odnosa između važnih koncepta

promatranog područnog znanja.

Više od dvije stotine studija u istraživanjima povezanim s obrazovanjem su koristile mape

koncepata ili mapiranje koncepata u jednoj od formi mrežnog predstavljanja znanja [47] , [48]

[49], [50], [47]. Općenito govoreći stručnjaci područnog znanja ističu važnost ovakvog

pristupa i vide ih kao korisnu podršku u prostoru istraživanja.

Proces oblikovanja mape koncepata ima dvije temeljne odrednice (slika 3.1) i to je jedna

povezana sa dokumentom (D) koji je napisan prirodnim jezikom, a druga je mapa koncepata

(CM) koji sadržajno iskazuje ovaj dokument [51].

Slika 3.1 Proces oblikovanje mape koncepata iz dokumenta napisanog prirodnim jezikom

U slučaju kada oboje i koncept i riječ poveznica dolaze iz istog dokumenta (D) tada su tu sve

potencijalne riječi ili fraze koje postaju sastavni dio mape koncepata. Prevođenje dokumenta u

mapu koncepata odvija se u tri koraka. U prvom je identifikacija koncepata iz dokumenta (D).

U drugom je rješenje identifikacije iskazano sa imenima koncepte (Cd – definicija koncepata)

i imenima relacija (Rd – definicija relacija). Konačno je u trećem koraku zbirna analiza koja

smanji broj koncepata na samo one koji su relevantni za područno znanje. Konačni rezultat


43

ovakvog postupka provedenog u opisana tri koraka su skup koncepta {C}, relacija (R) i

topologije {T} mape koncepata. U vezi s tim je postavljen matematički formalizam mape

koncepata prikazan kao trojka CM = {C, R, T}, gdje je C skup koncepata, R skup relacija

između koncepata, a T je topologija mape ili prostorna raspodjela koncepata.

Slijedom ovakvog formalizma, a promišljajući o mapi koncepata provodimo analizu sadržaja

mape koncepata o mapi koncepata (slika 3.2). Osim temeljnog prikaza mape koncepata opisat

će se i popis propozicija ove mape (slika 3.3) kao i strukturni prikaz propozicija (slika 3.4) što

slijedi iz mape koncepata.

Slika 3.2 Mapa koncepata o mapi koncepata (modificirano prema: [52])

Opis provodimo uz pomoć najznačajnijih svojstava mape koncepata kao što su: (i) struktura

propozicije; (ii) hijerarhijska struktura mape koncepata; (iii) fokus pitanje i (iv) poprečne

veze.

Mape koncepata eksplicitno izražavaju najvažnije odnose između niza koncepata. Ovaj odnos

je prikazan pomoću povezivanja izraza koji čine propozicije. Primjerice na slici 3.2 odnos

između koncepata „Mapa koncepata“ i „Ocjenjivanje u učionici“ je izražena poveznicom

„Može se koristiti za“, te na taj način formira propoziciju „Mapa koncepata Može se koristiti

za Ocjenjivanje u učionici“. Kod oblikovanja mape koncepata moramo biti obazrivi tako da

dva koncepta i relacija kao cjelina iskazuju suvislu rečenicu. Naravno, da u ovom pristupu

„zanemarujemo“ što „rečenice“ (ustvari propozicije) nisu iskazane na prirodnom jeziku jer to

nije obuhvaćeno istraživanjem u ovoj disertaciji.


44

Mapa koncepata Istražuje Mentalna struktura za dugoročno pamćenje

Mentalna struktura za dugoročno pamćenje Implicira Povezana struktura

Povezana struktura Predstavljena pomoću Hijerarhije u slijedu

koncepata

Mapa koncepata Jest Dvodimenzionalni dijagram

Dvodimenzionalni dijagram Sadrži Koncepte (čvorove)

Koncepte (čvorove) Sačinjava Propozicija

Dvodimenzionalni dijagram Sadrži Usmjereni i imenovan link (vezu

prema drugom konceptu)

Usmjereni i imenovan link (vezu prema drugom konceptu) Sačinjava

Propozicija

Mapa koncepata Može se koristiti za Ocjenjivanje u učionici

Ocjenjivanje u učionici Otkrivajući pri tom Strukturu znanja učenika

Strukturu znanja učenika Obuhvaća i Promjene tijekom učenja

Promjene tijekom učenja Pomoću Propozicija

Propozicija Povezani u Hijerarhije u slijedu koncepata

Slika 3.3 Propozicije za mapu koncepata o mapi koncepata

U bilo kojem područnom znanju, postoji hijerarhija pojmova, gdje su najopćenitiji pojmovi na

"vrhu" hijerarhije (korijenski pojmovi), a konkretni manje opći pojmovi su poredani u

hijerarhijskom slijedu. U vezi s tim mapa koncepata se i „čita“ u takvom slijedu od

korijenskog koncepta do onih koji su posljednji u nizu. Osim toga, primjer kojeg analiziramo

(što je inače svojstvo mape koncepata) ima i više pravaca grananja u hijerarhiji. To je vidljivo

na ovom primjeru sa konceptima „Mentalna struktura za dugoročno pamćenje“,

„Dvodimenzionalni dijagram“ i „Struktura znanja učenika“. Primijetimo i to da mapa

koncepata ne mora svaki put biti hijerarhijske strukture te je isto u funkciji područnog znanja

kojeg predstavljamo mapom koncepata.

Dobar način da se opisuje kontekst mape koncepata je u definiranju fokus pitanja. Fokus

pitanje je pitanje koje jasno specificira problem kojeg će svojom strukturom dobro ocrtati

mapa koncepata i pomoći u njegovom rješavanju. U ovom slučaju fokus pitanje je u

rješavanju problema učenja i usvajanju strukture znanja iskazanog mapom koncepata.

Primijetimo i to da je u nekom scenariju učenik u poziciji da usvaja područno znanje koje je

oblikovao učitelj. Međutim, mape koncepata su i prostor za rješavanje problema kojeg učitelj

postavi učeniku. U ovom slučaju učenik svojom mapom iskazuje aktualnu razinu znanja o

području koje je u strukturi nastavnih sadržaja.


45

Slika 3.4 Pregled mape koncepata o mapi koncepata

Sljedeća značajna karakteristika mape koncepata je uključenost poprečnih veza (eng. cross

link). Poprečne veze povezuju koncepte koji se nalaze u različitim segmentima mape

koncepata. U našem primjeru to je relacija „Pomoću“ koja povezuje koncept „Promjene

tijekom učenja“ sa konceptom „Propozicija“. Nadalje, to je i relacija „Povezani u“ koja iz

prethodne propozicije povezuje upravo koncept „Propozicija“ sa konceptom „Hijerarhija u

slijedu koncepata“. Jasno je da se na ovaj način povezuju tri pravca grananja u našem

primjeru koji je zasnovan na fokus pitanju i korijenskom konceptu „Mapa koncepata“.

Mape koncepata se izvorno implementiraju i postavljaju uz pomoć programskog alata

CmapTools koji je u ovoj disertaciji primijenjen u dijelu oblikovanja nastavnih sadržaja

područnog znanja.


46

3.1.1.2. Oblikovanje nastavnih sadržaja prema ADDIE modelu

ADDIE je generički proces u kojem tradicionalno sudjeluju učitelj ili oblikovatelji nastavnih

sadržaja bilo da se radi o tradicionalnoj ili nastavi u sustavu e-učenja što je u fokusu ovog

istraživanja. Postoji više od 100 različitih modela za oblikovanje nastavih sadržaja, ali gotovo

svi se temelje na konceptu ADDIE modela, koji je generički, sustavni pristup za oblikovanje

nastavnih sadržaja. ADDIE model omogućava učitelju takvo okruženje za rad pri čemu su

ostvarene pretpostavke stvaralačkog rada i gotovo zagarantirani učinkoviti rezultati. Model je

primjenjiv kako u tradicionalnoj nastavi tako i u nastavnom procesu koji se odvija uz pomoć

sustava e-učenja bilo da se radi o online nastavi ili pak hibridnom učenju [53].

ADDIE model je razvijen u Centru za obrazovnu tehnologiju na Florida State University u

SAD-u sedamdesetih godina prošlog stoljeća za potrebe i primjenu u obrazovanju oružanih

snaga [54].

Unatoč činjenici da je model u uporabi više od 40 godina do danas nije izgubio svoju

aktualnost i primjenjiv je u pristupu oblikovanja nastavnih sadržaja u računalno podržanim

okruženjima tj. sustavima e-učenja. Prema nekima to je još uvijek vodeća metodologija u

ovom području prema Treser-u [55].

Svoju popularnost duguje činjenici da je ADDIE model jednostavan za korištenje, fleksibilan

i svestran. Jednostavan je i za naučiti bez obzira na to da li ste početnik u oblikovanju

nastavnih sadržaja ili ste profesionalac u ovom poslu. ADDIE model je po svojoj procesnoj

produkciji ciklička struktura; što omogućava ispravke pogrešaka koje su učinjene u

prethodnim ciklusima rada ili fazama modela. Naravno, ovim dobiva na poboljšanju kvalitete

krajnjeg rezultata. Model nije bez nedostataka. Linearnost procesa oblikovanja nastavnih

sadržaja smatra se njegov glavni nedostatak, jer to može negativno utjecati i na cijenu izrade

kao i na vrijeme potrebno za izradu. To je dovelo do razvoja novih pristupa s tzv. agilnim

razvojem (https://en.wikipedia.org/wiki/Agile_software_development). Međutim, ovi novi pristupi nisu

u dovoljnoj mjeri sustavni i nemaju takvu razinu primijene kakvu ima ADDIE model.

Područje je u razvoju kako u metodološkom tako i u tehnologijskom pogledu pri čemu

ADDIE model još uvijek privlači pozornost kako istraživača tako i praktičara u oblikovanju

nastavnih sadržaja. ADDIE je jedan od modela za oblikovanje nastavnih sadržaja koji je

izdržao test vremena i upotrebe [56]. Jednostavno rečeno ADDIE nam pomaže u razvoju

konceptualnog modela oblikovanja nastavnih sadržaja.

ADDIE model podržava pristup oblikovanju nastave s naglaskom na definiranje znanja i

vještina uz primjenu sustavne metode kojom se upravlja učenikovim procesom stjecanja


47

znanja. Model je potpora učiteljima da promišljaju i razmisle o koracima pri oblikovanju

nastave. Služi kao alat za izradu vlastitog plana oblikovanja nastavnih sadržaja.

Akronim ADDIE (već je iskazano u raspravama ove disertacije) se sastoji od pet koncepata

čime zapravo iskazuje pet faza modela: analiza (eng. Analysis), oblikovanje (eng Design),

razvoj (eng. Development), implementacija (eng. Implementation) i vrednovanje (eng.

Evaluation) (slika 3.5 i slika 3.6.). Sažeto ćemo opisati sadržaj svake od faza pri oblikovanju

nastavnih sadržaja.

Slika 3.5 ADDIE kao vodopadni model modificirano prema [57]

Slika 3.6 Faze ADDIE modela modificirano prema [58]


48

Faza analize ADDIE modela

Analiza predstavlja "veliku sliku“ čitavog procesa oblikovanja nastavnih sadržaja. U ovoj se

fazi moraju dobiti odgovori na pitanja poput: Tko uči?, Što se uči?, Koliko imamo vremena za

oblikovanje nastavnog sadržaja?, te Kako ćemo se organizirati da taj rok i ostvarimo?

Posebno se analiziraju učenici po broju, kvaliteti predznanja te ishodima učenja najčešće u

suglasju sa Bloomovom taksonomijom znanja. Detaljno se analizira nastavni predmet za

kojeg oblikujemo nastavu sa stajališta ciljeva i zadataka nastave. Određuju se nastavni

sadržaji te s tim u vezi vrši se izbor udžbenika, definira nastavni sadržaja kojeg treba izgraditi

(tekst, slike, audio, video ili CD/DVD). Analizira se i utvrđuje okruženje za isporuku

nastavnog sadržaja, primjerice: face–to–face, online nastava, hibridna nastava (koliko online,

koliko face–to–face), CD/DVD, sustav za upravljanje učenjem. Iskazuju se nastavne strategije

kojim se određuje pristup kojeg će učitelj odabrati radi postizanja cilja učenja: (i) strukturirati

događanja u učenju; (ii) način obavljanja interakcije (rasprave u učionici, studijske grupe,

vrednovanje koje provode vršnjaci, upotreba foruma ili primjerice chat); (iii) sadržaj

predavanja (usmeno izlaganje, usmeno izlaganje popraćeno ppt prezentacijom, audio, video);

(iv) sadržaj vježbi (online kviz, kratka izlaganja, vrednovanje od strane vršnjaka, grupni

projekti). Strategije za ocjenu znanja učenika se temelje na nastavnim strategijama i provode

u obliku testa, ispita ili kviza.

Promišlja se o izboru zadataka objektivnog tipa kao elementa strukture za ocjenu znanja.

Određuje se redoslijed formativnog vrednovanja kao što je primjerice: povratna informacija sa

strane učenika, anketa očekivanja (na početku), anketa zadovoljstva (na kraju). Utvrđuju se i

ograničenja na općoj razini u odnosu na: isporuku nastavnih sadržaja, učenika, učitelja i

okruženja.

Faza oblikovanja ADDIE modela

Oblikovanje na najvišoj razini promatranja treba razviti nacrt nastavnog predmeta „na

papiru“. Započinje se sa razvojem strukture nastavnog predmeta te u skladu s tim razvijamo

nastavne sadržaje. Potrebno je u ovoj fazi utvrditi: vrijeme izrade nastavnih sadržaja,

imenovati elemente strukture nastavnog sadržaja (cjeline, teme, jedinice, pojmove), oblikovati

elemente nastavnog sadržaja, izvršiti tekstualnu i grafičku pripremu nastavnih sadržaja (vrste

dokumenta: slike, prezentacije, pdf dokumente i sl), utvrditi način testiranja i ocjenjivanja

znanja učenika, identificirati okruženje za realizaciju nastave, oblikovanje zaslona u svakom

elementu strukture nastavnog sadržaja (količina teksta, broj slika, navigacija).


49

Faza razvoja ADDIE modela

Razvoj podrazumijeva prijenos elemenata strukture nastavnog sadržaja na sustav za

upravljanje učenjem. U ovoj se fazi primjerice: izgrađuju elementi strukture nastavih sadržaja

(lekcije, zadaće, ... ), izgrađuju instrumenti za mjerenje postignuća i ishoda učenja učenika,

postavljaju se dokumenti podrške elementa strukture nastavnih sadržaja.

Faza implementacije ADDIE modela

Faza implementacije obuhvaća poučavanje pri čemu se posebno pažnja poklanja provjeri

usklađenosti svih aktivnosti učenika koje će se obaviti na sustavu za upravljanje učenjem.

Organizira se postupak prikupljanja povratnih informacija u kojima učenici iskazuju mišljenje

o realizaciji nastave.

Faza vrednovanja ADDIE modela

Vrednovanje je faza koja podrazumijeva kritički pogled na krajnji ishod nastave, odnosno na

rezultate nastave. Odgovaramo na pitanja postižu li učenici očekivane rezultate, što su

oblikovatelji nastave naučili, te kako se može poboljšati nastava. U vrednovanju razlikujemo

dvije faze: formativno vrednovanje i sumativno vrednovanje. Formativno se provodi tijekom

svake faze ADDIE modela i uvjetuje prijelaz na sljedeću fazu. Sumativno vrednovanje se

provodi na kraju primjene modela. Bazira se na konačnom rezultatu cijelog procesa.


50

3.1.1.3. Ishodi učenja i Bloomova taksonomija znanja

Učenje je složen proces u kojem učenik stječe znanje za motrenje i razumijevanje svojeg

okruženja. U vezi s tim ono obuhvaća niz aktivnosti poput čitanja, gledanja, slušanja,

aktivnog rada i razumijevanje svega navedenog. Sadržajno učenje može biti iz fizikalnih i

matematičkih načela domena ili pak apstraktnih načela. Često se u obrazovnoj praksi kaže da

to spada u proces stjecanja znanja i vještina za neko područje. Uvažavajući suvremenu

obrazovnu praksu i učešće e-učenja i sustava e-učenja, načela koje smo spomenuli su jednako

važna kako u tradicionalnom učenju i poučavanju tako i e-učenju. Promišljajući dalje o

navedenom fenomenu učenja ne možemo marginalizirati područje vrednovanja i ocjenjivanja

stečenog znanja i vještina. Takva promišljanja su zapravo povezana sa ishodima učenja (eng.

learning outcomes) [59] [60]. Ishodi učenja su izrazi – tvrdnje koje u vezi s područnim

znanjem opisuju što učenik mora znati, razumjeti, primijeniti i napraviti nakon završenog

procesa učenja i poučavanja. Posebno su važni instrumenti za mjerenje postignuća učenika

kao iskazi uz pomoć kojih formuliramo ishode učenja.

Formuliranje ishoda učenja nalaže potrebu za izborom prikladne taksonomije koncepata koji

ističu višerazinsku hijerarhijsku strukturu znanja. Naravno, pri tom promišljamo da su

razumijevanje, analiza ili primjena područnog znanja potpuno različite kategorije u procesu

stjecanja znanja i vještina. Taksonomija obrazovnih ciljeva je okvir za razvrstavanje iskaza o

tome što očekujemo od učenika da nauče kao rezultat nastave. U obrazovnom svijetu najčešće

korištena taksonomija je izvorna Bloomova taksonomija koju je predložio Benjamin Bloom

[23] i revidirana Bloomova taksonomija koju su predložili Anderson i Krathwohl [61].

U istraživanju kojeg smo proveli u ovoj disertaciji u oblikovanju, implementaciji i

postavljanju prototipa programske podrške CM Tutor primijenili smo ishode učenja povezane

s revidiranom Bloomovom taksonomijom za kognitivno područje.

Ishodi učenja

Ishodima učenja utvrđujemo odgovor na tri ključna pitanja koja se postavljaju u obrazovanju,

a navodimo ih slijedom: (i) Zašto se uči?; (ii) Što se uči? i (iii) Kako se uči? Odgovor na

pitanje zašto se uči predstavlja ishode učenja studijskog programa (grupe predmeta, predmeti,

grupe nastavnih sati ili jednog nastavnog sata). Odgovor na pitanje što se uči prikazuje sadržaj

studijskog programa ili nastavnog predmeta. Odgovor na pitanje kako se uči prezentira opis

procesa stjecanje potrebnih kompetencija u obrazovanju.


51

Ishodi učenja su važni kako za učitelja i učenika tako i za roditelje. Sažeto navodimo

prednosti u primjeni ishoda učenja u obrazovnom okruženju.

Učiteljima pružaju jasnu i preciznu platformu za određivanje:

- nastavnih sadržaja koje će poučavati, nastavnih strategija i metoda koje će primjenjivati,

- aktivnosti koje učenici trebaju izvesti,

- ispitnih zadataka za vrednovanje učeničkog uspjeha i napredovanja,

- realiziranosti nastavnog plana i programa koji primjenjuju.

Učenicima pružaju:

- jasnu sliku o tome što će morati znati i umjeti na kraju pojedine teme, cjeline, razreda,

odgojno-obrazovnog ciklusa, odnosno školovanja,

- jasan okvir koji usmjerava njihovo učenje,

- osnovu za pripremanje za ispite, odnosno provjere njihovih postignuća.

Roditeljima omogućuju:

- stjecanje jasne slike o tome koju vrstu i dubinu znanja, vještina i vrijednosti će učenici

moći steći u školi,

- uspješno pomaganje i praćenje napredovanja njihovog djeteta i dr.

Revidirana Bloomova taksonomija za kognitivno područje

Sažeto opisujemo razine Bloomove taksonomije znanja za kognitivno područje te

prikazujemo tablicu (Tablica 3.1) sa opisom razina znanja i poželjnim glagolima za opis

ishoda učenja svake razine.

Znanje na razini reprodukcije (eng. remember)

Znanje na razini reprodukcije predstavlja mogućnost dosjećanja i definiranja pojmova u

naučenoj formi. Učenici nakon procesa učenja moraju moći nabrojiti, opisati, prepoznati i

odrediti važne pojmove koji se u nastavnim sadržajima nastavnog predmeta spominju.

Znanje na razini razumijevanja (eng. understand)

Znanje na razini razumijevanja integrira informacije koje se mogu promijeniti iz jednog

oblika u drugi. Učenici moraju pokazati uočavanja i povezivanja glavnih ideja, prepričavanja i

objašnjavanja pojmova svojim riječima te sažetog prikazivanja događaja, davanja primjera za

određene pojmove, te izvođenja logičkih zaključaka na temelju informacija.


52

Znanje na razini primjene (eng. apply)

Znanje na razini primjene uključuje poopćavanje kao i korištenje apstrakcije. Učenici imaju

mogućnost samostalnog primjenjivanja informacija, naučene informacije koristiti unutar ili

van konteksta u kojem su one stečene ili na sasvim nov način koji nije uvježban.

Znanje na razini analize (eng. analyse)

Znanje na razini analize podrazumijeva mogućnost rastavljanja informacija na dijelove kako

bi se utvrdili i razumjeli odnosi među njima. Učenici imaju mogućnost otkrivanja

organizacijskih principa, uzroka i posljedica, mogu izvoditi dokaze i zaključke, prepoznavanja

skrivenih značenja, te razlikovanja činjenica i zaključaka.

Tablica 3.1 Revidirana Bloomova taksonomija modificirano prema[59]

Razina znanja Očekivani ishodi

ČINJENIČNO ZNANJE – dosjetiti se

(sposobnost prizivanja činjenica,

klasifikacija, definicija, teorija)

definirati, pronaći, označiti, usporediti, citirati, podsjetiti, ponoviti

RAZUMIJEVANJE – shvatiti

(sposobnost transfera podataka iz jednog

oblika u drugi; interpretacija važnosti

podatka, interpretacija podataka

vlastitim riječima)

razvrstati, shvatiti, raspraviti, objasniti, prepoznati, usporediti,

izraziti, izdvojiti, izvijestiti, opisati, pretvoriti, prevesti

PRIMJENA – primijeniti (sposobnost

primjene znanja, iskustva i vještine u

novoj situaciji)

izračunati, sastaviti, pokazati, promijeniti, izvršiti, dokazati,

prilagoditi, riješiti problem, napraviti

ANALIZA – analizirati (sposobnost

razdvajanja informacija na različite

dijelove i ukazivanje na njihov

međusobni odnos)

raspravljati (o), razlikovati, rastaviti, raščlaniti, izdvojiti, dovesti u

vezu, usporediti, grupirati, poredati

VREDNOVANJE – prosuđivati

(sposobnost davanja procjena,

argumenata, kritika)

procijeniti, zaključiti, odlučiti, suditi, opravdati, poredati s

obzirom na važnost, usporediti

STVARATI – sinteza (sposobnost

stvaranja novih informacija na osnovi

prikupljenih)

stvoriti, izmisliti, poboljšati, programirati, predložiti, proizvesti,

formulirati (hipotezu), prognozirati, propisati, spojiti

Znanje na razini vrednovanja (eng. evaluate)

Znanje na razini vrednovanja podrazumijeva procjenjivanje valjanosti ideja i kvalitete na

temelju poznatih kriterija. Učenici imaju mogućnost usporedbe i pronalaska sličnosti i razlika

među idejama, otkrivanje nedosljednosti u napisanom nastavnom sadržaju, te odabrati neke i

argumentirano ih obrazložiti.


53

Znanje na razini stvaranja (eng. create)

Znanje na razini stvaranja podrazumijeva kreativno korištenje postojećeg znanja za stvaranje

nove cjeline, te kombiniranje poznatih dijelova za stvaranje nove cjeline. Učenici imaju

mogućnost stvaranja novih ideja i rješenja, te povezivanja znanja iz različitih područja.

3.1.2. Modeliranje učenika

Temeljni dio sustava e-učenja je onaj koji u okruženju isporučenog nastavnog sadržaja

vrednuje postignuće učenika i utvrđuje njegovu aktualnu razinu znanja. Proces u kojem se

utvrđuje aktualna razina znanja učenika naziva se modeliranje učenika i prisutan je kako u

tradicionalnoj tako i u nastavi pomoću računala. U tradicionalnoj nastavi učitelj čini izuzetan

napor da ocijeni učenikove odgovore. Pri tome je ometajući faktor i subjektivna ocjena i

osobni stav učitelja, pa u tom smislu valjana, realna i pouzdana ocjena je dobro poznati

problem svima koji sudjeluju u nastavnom procesu. U fokusu istraživanja ove disertacije je

jedno od područja upravo i modeliranje učenika, pa mu se u pogledu teorijskog okvira

posvećuje rasprava koja će pokazati i najvažnije pristupe u njegovom provođenju.

U sustavima e-učenja istraživanja modeliranja učenika imaju tradiciju dugu onoliko koliko

postoji primjena računala u nastavi (šezdesete godine prošlog stoljeća). Rani sustavi primjene

računala u nastavi (eng. computer aided instruction - CAI) malo su postigli na ovom području.

Modeliranje učenika u CAI sustavima bilo je evidentiranje učenikovih točnih i netočnih

odgovora. Prilagodba učeniku bila je ograničena jer su ovi programi mogli slijediti učenikovo

tekuće znanje na jednostavnoj razini. Ipak, učenikovi odgovori su klasificirani za vrijeme

poučavanja prema sljedećem: učenikovo predznanje (aktualna razina znanja), koja je razina

učenikovih sposobnosti, ponašanje u učenju (brzo uči, sporo uči) te koje su metode prikaza

znanja na koje učenik najbolje odgovara.

Sustavi za upravljanje učenjem korišteni danas u oblikovanju i isporuci nastavnih sadržaja su

orijentirani na bilježenje svih aktivnosti učenika tijekom učenja i poučavanja. Za razliku od

tradicionalnog učenja u učionici u ovim se sustavima tijekom učenja, poučavanja i testiranja

znanja mogu zapisati i zapisuju se ove aktivnosti u dijelu baze podataka te omogućuju

naknadnu analizu i obradu. Analiza i obrada globalno ima za cilj utvrditi aktualnu razinu

znanja te stjecanje preporuka za poboljšanje procesa učenja i poučavanja. U vezi s tim

modeliranje učenika se provodi u dvije faze: faza oblikovanja modela učenika i faza

dijagnostike znanja.


54

Model učenika i dijagnostika znanja učenika su međusobno povezani. Model učenika je

opisan nizom podataka – nazivamo ih atributima traga učenja, dok je dijagnostika proces

vođen atributima traga učenja. Postupak njihovog oblikovanja zove se modeliranje učenika.

U vezi s iznesenim ovaj dio teorijskog okvira u načelu zasnivamo na dva pristupa modeliranju

učenika od kojih je jedan povezan sa VanLehn klasifikacijom [26], a drugi sa pregledom

literature i klasifikacijom Chrysafiadi i Virvou [62]. Prvi je pristup tradicionalno prihvaćen u

referentnoj literaturi područja modeliranja učenika, dok je drugi pored ovih obuhvatio između

ostalih metoda modeliranja zasnovanih na stereotipu učenika, neizrazito modeliranje učenika

kao i ontološki model temeljen na konceptima i relacijama područnog znanja. Oba navedena

pristupa prožimaju istraživanje koje je provedeno u pogledu modeliranja učenika u

inteligentnom sustavu za upravljanje učenjem i oblikovanju prototipa programske podrške

CM-Tutora pa se zato ovdje o njima i vodi rasprava.

Pored navedenog za razvoj i implementaciju prototipa programske podrške CM-Tutor u

elementima modeliranja učenika (oblikovanju modela i dijagnostici znanja) koristili smo i

pristupe višekriterijskog odlučivanja.

Modeliranje učenika zahtjeva uvažavanje različitih atributa poput: vrijeme koje je učenik

proveo na testiranju, broj bodova koje je postigao na testiranju, koliko puta je učenik koristio

pomoć prilikom odgovora na pitanje, broj svih koncepata koje učenik zna, broj svih koncepata

koje učenik ne zna. U vezi s tim smatramo da se uz primjenu višekriterijskih metoda postiže

efikasnije vrednovanje praćenja učenja i testiranja znanja učenika. Atributi koje smatramo

relevantnim u situaciji izbora i na osnovi kojih vršimo njihovu usporedbu i vrednovanje su

osnova za definiranje ciljeva koje želimo postići. Naš cilj je vrednovati učenikovo znanje i na

osnovu njega odrediti kojem stereotipu učenik pripada.

Primijetili smo u literaturi brojne pristupe modeliranja učenika, razlog zbog kojeg smo se

odlučili za kombinaciju FAHP i TOPSIS metode je što znanje učenika ne možemo izraziti

tradicionalnom logikom već nam je potrebna neizrazita logika. Mislimo da je kombinacija

FAHP i TOPSIS metode najbolji izbor za modeliranje učenika jer smo u sam proces

vrednovanja atributa uključili više stručnjaka područnog znanja (u našem slučaju tri) i na

osnovu matematičkog izračuna FAHP metodom odredili „težinu“ svakog atributa. Bitno je

naglasiti da su stručnjaci također izabrali koji će atributi biti uključeni u proces vrednovanja.

TOPSIS metoda nam pomaže da na osnovu težinskih vrijednosti atributa traga učeniku

odredimo kojem stereotipu pripada.

U području višekriterijskog odlučivanja (eng. Multi-criteria decision making - MCDM)

postoje dvije vrste problema s aspekta njihova opisivanja matematičkim modelom: (i) više


55

ciljno odlučivanje - VCO (eng. Multiple Objective Decision Making - MODM) i (ii) više

atributivno odlučivanje - VAO (eng. Multi-Attribute Decision Making - MADM). MADM

kao skupinu višekriterijskih metoda analiziraju Hwang and Yoon [32] te pri tom ističu AHP i

TOPSIS metode.

Primijenili smo upravo ove dvije metode u procesu modeliranja učenika pa zato u teorijskom

okviru sažeto opisujemo pojmove iz područja višekriterijskog odlučivanja koji se odnose na

AHP odnosno FAHP metodu i TOPSIS metodu.

Naglašavamo u ovom uvodnom dijelu prikaza modeliranja učenika u deskriptivni opis

oblikovanja modela učenika i dijagnostike znanja učenika uključujemo i temeljne teorijske

okvire i formalizme višekriterijskih metoda odlučivanja. Višekriterijske metode u dijelu

modela učenika baziraju se na AHP i FAHP pristupu, dok se u dijagnostici znanja baziraju na

TOPSIS metodi.

3.1.2.1. Oblikovanje modela učenika

Klasifikacija prema VanLehn-u za oblikovanje modela učenika ima tri dimenzije: (i) obuhvat

ulaznih podataka o učeniku tijekom učenja, poučavanja i testiranja znanja (eng. bandwidth);

(ii) ciljani tipovi znanja (eng. target knowledge type) i (iii) razlika između učenika i učitelja

(ili stručnjaka) područnog znanja (eng. differences between student and teacher - expert).

Obuhvat ulaznih podataka

Tumačenje ove dimenzije provodimo na tradicionalnom pristupu rješavanja problema i to

onog kojeg je sam učenik odabrao ili onog kojeg je sustav generirao. Ako rješavanje problema

traje duže od nekoliko milisekundi, onda možemo pretpostaviti da učenici prolaze kroz slijed

mentalnih stanja. Najviši obuhvat kojeg sustav može postići bila bi lista mentalnih stanja kroz

koje prođu učenici dok rješavaju probleme. Ljudska mentalna stanja nisu izravno dostupna

računalu. Međutim, postavljanjem dovoljno pitanja ili izazivanjem verbalnih protokola, sustav

može dobiti neizravne informacije koje približno opisuju mentalna stanja učenika. U vezi s

tim je najviša kategorija obuhvata ulaznih podataka - približna mentalna stanja.

U složenijim formama rješavanja problema, poput rješavanja algebarskih jednadžbi ili igranja

šaha, učenici prave promjene koje vode problem od početnog neriješenog stanja do završnog

riješenog stanja. Ovo rezultira u slijedu međustanja, poput pozicija figura u šahu u sredini igre

ili jednadžbi napisanih prije zadnje jednadžbe tijekom rješavanja algebarske jednadžbe.


56

Ponekad je dostupan pristup ovim međustanjima, a ponekad se može vidjeti samo završno

stanje –odgovor. Sažeto, tri kategorije, od najviše do najniže u obuhvatu ulaznih podataka su

približna mentalna stanja, međustanja i završna stanja. Mentalna stanja uključuju međustanja i

završna stanja dok međustanja uključuju završna stanja.

Ciljani tipovi znanja

Rješavanje problema zahtjeva neku vrstu interpretacijskog procesa koji znanje u učenikovom

modelu primjenjuje na problem. Postoje dvije vrste interpretacije, jedna je povezana sa

proceduralnim znanjem, a druga sa deklarativnim znanjem . Interpretator za proceduralno

znanje je jednostavan jer ne pretražuje nego donosi odluke na osnovu lokalnog znanja. Kao

mali čovjek sa baterijom koji može vidjeti samo malu udaljenost od dijela znanja na kojemu

stoji; na osnovu njegova pogleda na lokalno znanje i trenutno stanje problema, on odlučuje

kojem dijelu znanja da se okrene i slijedi. Deklarativni interpretator stalno pretražuje cijelu

svoju bazu znanja. Kao knjižničar koji traži odgovor na upit klijenta što traži knjige referenci,

slaže činjenice, i iz njih donosi zaključak o odgovoru. Prikaz proceduralnog znanja se koristi

za rješavanje algebarskih jednadžbi, računalne igre, aritmetičkih operacija i tome slično.

Prikazi deklarativnog znanja su se koristili za geografiju i meteorologiju.

Razlika između proceduralnog i deklarativnog znanja je poznata u umjetnoj inteligenciji kao

mutna, rijetko korisna razlika. Pošto je bazirano na tome koliko interpretator radi i pošto je

rad u biti kontinuirana značajka, granica među njima nije oštra i jasna. Ipak, razlika između

proceduralnog i deklarativnog znanja je ovdje važna jer je upravo složenost dijagnostike

direktno proporcionalna složenosti interpretacije. Ustvari, dijagnostika je obrnuto od

interpretacije. Interpretacija uzima bazu znanja i problem te nađe rješenje. Dijagnostika uzima

problem i rješenje te stvara bazu znanja. Kada je deklarativno znanje interpretirano, može se

pristupiti mnogim stavkama da bi došli do rješenja. Kada je deklarativno znanje

dijagnosticirano, odgovornost za pogrešan odgovor može biti u bilo kojoj od mnogih stavki

koje su se mogle koristiti u nalaženju odgovora. Općenito, što je kompliciranija interpretacija,

to je kompliciranija dijagnostika.

Razlika između učenika i učitelja

Model znanja učenika je obično predstavljen kao model stručnjaka plus skupina razlika.

Postoje dvije vrste razlika: pogrešno poimanja i stanje neznanja. Pogrešno poimanje je dio

znanja kojega učenik ima, a ekspert nema. Pojam koji nedostaje je dio znanja kojega stručnjak

ima, a učenik nema.


57

Neki sustavi modeliranja učenika mogu predstavljati samo pojmove koji nedostaju.

Konceptualno, model učenika je pravi podskup modela eksperta. Takvi modeli učenika se

zovu model s prekrivanjem jer možemo zamisliti model učenika kao komad papira sa

rupicama koji je stavljen preko modela stručnjaka, tako da su dostupni samo neki dijelovi

znanja. Model učenika, dakle, se sastoji od modela stručnjaka i popisa onoga što nedostaje.

Jedna vrsta modela prekrivanja daje težinu svakom elementu u bazi znanja stručnjaka, na

primjer, 1.0 znači majstorstvo, -1.0 je neznanje, te 0.5 znači polovično majstorstvo. Model

prekrivanja je najčešća vrsta oblikovanja modela učenika.

U drugom pristupu predstavljaju se pogrešna poimanja i stanje neznanja. Najčešća vrsta

modela učenika u ovoj klasi koristi knjižnicu predefiniranih pogrešaka i pojmova koji

nedostaju. Pripadnici ove knjižnice se zovu pogreške (eng. bug). Model učenika se sastoji od

modela stručnjaka plus popisa pogrešaka. Tehnika knjižnice pogrešaka je druga najčešća vrsta

sustava modeliranja učenika. Ovaj sustav dijagnosticira učenika tako što traži pogreške iz

knjižnice koji, kada se dodaju modelu stručnjaka, daju model učenika koji odgovara znanju

učenika.

Oblikovanje knjižnice pogrešaka je najveća prepreka u ovom pristupu. Knjižnica bi trebala

biti gotovo potpuna, ali ako učenik ima pogrešku koja nije u knjižnici, onda će model učenika

pokušati podesiti ponašanje sa nekom kombinacijom drugih pogrešaka. Naravno, da se

ponekad može potpuno pogrešno dijagnosticirati znanje učenika ovim pristupom.

Analitički Hijerarhijski Proces - AHP

AHP (Analytic Hierarchy Process ili Analytical Hierarchy Process) metodu je razvio Thomas

Saaty, početkom sedamdesetih godina dvadesetog stoljeća, a ona predstavlja važnu metodu za

odlučivanje koja ima svoju primjenu u rješavanju složenih problema čije elemente čine

ciljevi, atributi i najbolji izbor. Proces odlučivanja je kreativan proces koji je znanstveno

zasnovan na tri glavna koncepta koji su redom: analitika, hijerarhija i proces, zbog toga je i

dobila ime AHP metoda.

AHP metoda je značajan čimbenik u strukturiranju problema i procesu donošenja odluke.

Primjenom AHP metode omogućava se interaktivno oblikovanje hijerarhije problema koja

služi kao priprema scenarija odlučivanja, zatim se vrši uspoređivanje u parovima elemenata

hijerarhije (ciljevi, atributi i izbor), te se na kraju vrši sinteza svih uspoređivanja i određuju se

težinski koeficijenti svih elemenata hijerarhije (normiranje). Zbroj težinskih koeficijenata

elemenata na svakoj razini hijerarhije jednak je 1 i omogućava donositelju odluke da rangira

sve elemente hijerarhije po važnosti.


58

U usporedbi s drugim metodama, AHP metoda je često pokazivala bolje uporabne

karakteristike, što je važno, ukoliko se ima u vidu još uvijek prisutna nesklonost donositelja

odluka prema sofisticiranim metodama odlučivanja. Glavne prednosti AHP metode su [63]:

- Redundantnost uspoređivanja u parovima dovodi do toga da je AHP metoda manje

osjetljiva na pogreške u procjenjivanju.

- Rezultat odlučivanja AHP metodom ne sadrži izbor već i informacije o težinskim

koeficijentima kriterija u odnosu na cilj i podkriterija u odnosu na kriterije.

AHP metoda je zasnovana na usporedbi parova izbora, gdje stručnjak izražava težinu jednog

izbora u odnosu na drugi, unutar bitnih atributa. Na isti način i atribute uspoređuje prema

vlastitim preferencijama i njihovom intenzitetu.

Donošenje odluka je proces vrednovanja izbora koje zadovoljavaju određeni skup

postavljenih ciljeva, odnosno atributa. Problem je odabrati izbor koji najbolje udovoljava

postavljenom cilju. Proces donošenja odluka se sastoji u određivanju numeričkih iskazanih

težinskih vrijednosti izbora u odnosu na cilj.

Cilj se nalazi na vrhu hijerarhije, dok su atributi i izbori na nižim razinama. Složenost

problema raste sa brojem atributa i brojem izbora.

Primjena AHP metode može se objasniti u četiri osnovna koraka [63] prema [64]:

Prvi korak: Razvije se hijerarhijski model problema odlučivanja s ciljem na vrhu, atributima

na nižim razinama, te izborima na dnu modela.

Drugi korak: Na svakoj razini hijerarhijske strukture u parovima se međusobno uspoređuju

elementi te strukture, pri čemu se preferencije donositelja odluke izražavaju uz pomoć skale

relativne važnosti prema [65] koja ima 9 stupnjeva verbalno opisanih intenziteta i

odgovarajuće numeričke vrijednosti u rasponu od 1-9 prikazane u 3.2 tablici.

Tablica 3.2 Lingvistička skala procjene prema [65]

Vrijednost skale Lingvistička skala

1 Jednako važno

2 Slaba dominacija

3 Umjerena dominacija

4 Srednja dominacija

5 Jaka dominacija

6 Stroga dominacija

7 Vrlo stroga, dokazana dominacija

8 Vrlo, vrlo stroga dominacija

9 Ekstremna dominacija (apsolutna dominacija)


59

Treći korak: Iz procjena relativnih važnosti elemenata odgovarajuće razine hijerarhijske

strukture problema pomoću matematičkog modela izračunavaju se lokalni prioriteti atributa i

izbora, koji se zatim sintetiziraju u ukupne prioritete izbora. Ukupni prioritet pojedinog izbora

izračunava se tako da se zbroje njezini lokalni prioriteti ponderirani s težinama elemenata više

razine.

Četvrti korak je ukupna relativna ocjena svih atributa dobivena pomoću vrijednosti iz drugog i

trećeg koraka.

Postupak za računanje težina atributa i prioriteta izbora iz usporedbi elemenata u parovima

sadrži tri osnovna koraka: (1) formiranje matrice omjera prioriteta (težina), (2) formiranje

normalizirane matrice i (3) izračunavanje težina atributa i prioriteta izbora.

Prvi korak je formiranje matrice omjera prioriteta (težina). U i-tom redu i j-tom stupcu te

matrice nalazi se vrijednost procijenjenog omjera prioriteta izbora (Si/Sj). Ukoliko se daju

procjene relativnih važnosti atributa, onda je to vrijednost omjera njihovih težina. Navodimo

primjer uspoređivanja triju sustava za upravljanje učenjem koje smo označili sa LMS 1, LMS

2 i LMS 3 (Tablica 3.3.). Njihova relativna veličina se procjenjuje formiranjem omjera na

temelju uspoređivanja u parovima.

Tablica 3.3 Uspoređivanje LMS sustava

Usporedba

veličine LMS 1 LMS 2 LMS 3

LMS 1 S1/S1 S1/S2 S1/S3

LMS 2 S2/S1 S2/S2 S2/S3

LMS 3 S3/S1 S3/S2 S3/S3

Tablica 3.3. iskazuje međusobni odnos LMS sustava iskazan brojevima koji označavaju

intenzitet dominacije jednog LMS sustava u odnosu na drugi. Intenzitet dominacije iskazan je

uz pomoć Tablice 3.2 (Lingvistička skala procjene):

Tablica 3.4 Omjeri dobiveni uspoređivanjem elemenata u parovima

Usporedba veličine LMS 1 LMS 2 LMS 3

LMS 1 1 2 6

LMS 2 2 1 3

LMS 3 1 2 1

∑ 4 5 10


60

Iz tablice 3.4. vidimo da je odnos između LMS 1 i LMS 2 (S1/S2) iskazan brojem 2. Pogledom

na lingvističku skalu procjene (Tablica 3.2.) vidimo da LMS 1 ima "slabu dominaciju" u

odnosu na LMS 2.

Drugi korak za računanje težina atributa i prioriteta izbora iz usporedbi elemenata u parovima

je formiranje normalizirane matrice na način da svaki element matrice podijelimo sa sumom

elemenata tog stupca (Tablica 3.5):

Tablica 3.5 Normalizirana matrica i prioriteti izbora

Usporedba

veličine LMS 1 LMS 2 LMS 3

Prioritet

izbora

Relativna

težina

LMS 1 1/4 = 0,25 2/5 = 0,4 6/10 = 0,6 0,41 1

LMS 2 2/4 = 0,5 1/5 = 0,2 3/10 = 0,3 0,33 2

LMS 3 1/4 = 0,25 2/5 = 0,4 1/10 = 0,1 0,25 3

Treći korak je izračunavanje prioriteta izbora. Težine (prioriteti) se računaju kao prosječne

vrijednosti elemenata pojedinih redova:

w1= (1/4+2/5+6/10)/3 = 0,41

w2= (2/4+1/5+3/10)/3 = 0,33

w3= (1/4+2/5+1/10)/3 = 0,25

Iz rezultata vidimo da LMS 1 ima najveću „težinu“ tj. najveći prioritet izbora. Vidi se da zbroj

ovih težina iznosi 1.

Neizrazita AHP metoda - FAHP

Neizrazita AHP metoda (FAHP) omogućava procjenu vrijednosti koja ne koristi cijele brojeve

nego koristi neizrazite brojeve. Naš cilj je kako smo do sada i opisali je modelirati učenika.

Modeliranje učenika zahtjeva uvažavanje različitih atributa (kriterija kojima se mjeri

postizanje cilja). Atributi opisuju izbore i njihova svrha je da direktno ili indirektno daju

informacije o tome u kojoj mjeri se pojedinim izborom ostvaruje željeni cilj. Pri odlučivanju

svi atributi obično nisu jednako važni, a relativna važnost atributa proizlazi iz preferencija

stručnjaka što je povezana s njegovim vrijednosnim sustavom i ostalim psihološkim

karakteristikama. Svaki atribut nije jednake važnosti, a utječe na proces učenja i testiranja

znanja učenika. Zbog toga nam je bilo važno odrediti „težinu“ tih atributa. Ne može biti

jednako važno koliko je učenik proveo vremena na testiranju i broj bodova na testu. Moramo

na neki način utvrditi odnos „snaga“ između atributa.


61

FAHP metoda koristi neizrazite brojeve prilikom određivanja „težine“ atributa. Krajnji

rezultat metode je da bodovi ostvareni na testu imaju najveću „težinu“, odmah ispod je broj

koncepata koje učenik zna i nakon toga dolaze ostali atributi.

Prilikom procesa odlučivanja za ljude je lakše dati procjenu izraženu neizrazitim brojem nego

točno određeni cijeli broj. FAHP metoda ima sličnu hijerarhiju ciljeva i atributa kao i AHP

metoda, ali budući da radi sa neizrazitim brojevima njezin matematički model izračuna je

različit.

Tradicionalna Bool-ova logika podržava samo dvije vrijednosti: istina - 1 i laž - 0. Koncept

djelomične istine koristi se u neizrazitoj logici, koja je jedno proširenje standardne Bool-ove

logike. Neizrazita logika pokriva raspon vrijednosti od 0 do 1, od potpune neistine do potpune

istine. U tradicionalnoj teoriji skupova za svaki element je striktno određeno da li pripada ili

ne pripada određenom skupu. Neizraziti skup je jedno proširenje tradicionalnih skupova. U

neizrazitom skupu jedan element može biti djelomično sadržan u nekom skupu. Neizraziti

broj je poopćenje realnih brojeva i on je određen sa intervalom realnih brojeva od 0 do 1.

Postoji više različitih vrsta neizrazitih brojeva, ali uobičajeno se koriste trokutni i trapezni

neizraziti brojevi.

Trokutni neizraziti brojevi

Trokutni neizraziti broj (eng. Triangular Fuzzy Numbers - TFN) [66] se prikazuje kao

uređena trojka uml ,, (slika 3.7). TFN je definiran sa tri realna broja. Parametri l, m, u

respektivno prikazuju najmanju vrijednost, najviše očekivanu vrijednost i maksimalnu

vrijednost koja opisuje neizraziti broj.

Za lx ili za ux funkcija pripadanja )/( Mx jednaka je 0. Za mxl funkcija pripadanja

jednaka je lm

lx

, dok za uxm funkcija pripadanja jednaka

mu

xu

.

Ako definiramo dva neizrazita broja kao 111 ,, uml i 222 ,, uml onda se na sljedeći način

definiraju pravila operacija između neizrazitih brojeva:

Zbrajanje: 212121222111 ,,,,,, uummllumluml ( 3.1 )

Odbijanje: 212121222111 ,,,,,, uummllumluml

( 3.2 )

Množenje: 212121222111 ,,,,,, uummllumluml ( 3.3 )

Dijeljenje: 212121222111 /,/,/,,/,, uummllumluml ( 3.4 )


62

Recipročna vrijednost: 111

1

111 /1,/1,/1,, lmuuml

( 3.5 )

l m u

0.0

1.0

M

Slika 3.7 Trokutni neizraziti broj [67]

Neizrazita AHP metoda je proširenje AHP metode koja za međusobne usporedbe kriterija kao

i za ostale procjene koristi neizrazite brojeve. Kod ove metode za razliku od AHP metode nije

potrebno izračunavati koeficijent konzistentnosti.

U četvrtom poglavlju disertacije unutar Opisa KD&D modela (4.1. Modeliranje učenika -

oblikovanje modela i dijagnostika znanja učenika) prikazan je matematički formalizam FAHP

metode kao i primjer mjerenja i izračuna višekriterijskog matematičkog modela.

3.1.2.2. Dijagnostika znanja učenika

Zadaća modela učenika je „zapisati“ aktualnu razinu znanja učenika, dok se dijagnostika

znanja provodi nad zapisanim stanjem, da bi se nakon analize i obrade ostvarile pretpostavke

inteligentnog ponašanja tj. isporuke učeniku onih koncepata koje nije naučio. Ukratko

povezali smo model učenika, dijagnostiku znanja učenika i element prilagođavanja kao

potpuni proces. Učenikov model vodi se radi toga da se pronađe smisao pogrešaka koje

učenik ima tijekom postizanja znanja. Vrednovanje znanja je slično je drugim dijagnostičkim

zadacima kao što je postavljanje dijagnoze bolesti ili pogreške u opremi. Računalo pruža

mogućnost da pogreške učenika pretvori u način za popravke, pri tom je važno i odrediti

korijen pogreške.

Dijagnostika znanja učenika je u suglasju sa dimenzijama modela učenika, ali na način da

unutar svake od navedenih dimenzija postoje po VanLehn klasifikaciji odgovarajuće

dijagnostičke tehnike.

Dijagnostika znanja temeljena na mentalnom stanju obuhvaća jednu od najčešće korištenih

tehnika nazvana model slijeđenja (eng. tracing model). Budući da istraživanje u ovoj


63

disertaciji koristi ovaj pristup pri obuhvatu, analizi i obradi atributa traga znanja učenika onda

će ovoj tehnici biti posvećen relevantan teorijski opis. Model slijeđenja pretpostavlja da je

cjelokupno učenikovo znanje raspoloživo dijagnostičkom programu. Osnovna ideja je

korištenje tumača rješavanje problema modeliranja. Na svakom koraku rješavanja problema,

tumač može predložiti cijeli skup pravila koji će se sljedeći koristiti. Dijagnostički algoritam

najprije koristi sva predložena pravila, te dobiva skup mogućih sljedećih stanja. Jedno od ovih

stanja bi trebalo odgovarati stanju koje generira učenik. Ako je tako, onda je prilično sigurno

da je učenik koristio odgovarajuće pravilo za generiranje sljedećeg mentalnog stanja tako da

mora znati to pravilo. Model učenika se prema tome i ažurira.

Dijagnostika učenika temeljena na među stanjima obuhvaća tri dijagnostičke tehnike: (i)

parcijalno slijeđenje (eng. issue tracing) (ii) raspoznavanje plana (eng. plan recognition); i (iii)

tehnika stručnih sustava (eng. techniques of expert systems ).

Parcijalno slijeđenje predstavlja varijantu traga slijeđenja i obično se koristi za rješavanje

kraćih epizoda u prostoru rješavanja problema. Obrada takvih postupaka ne objašnjava kako

je postignuto parcijalno slijeđenje ili kakvu su ulogu igrala u rješavanju problema, ali „zna“

da su postupci korišteni. Valja biti na oprezu jer nekada ovakav trag može utjecati na

oblikovanje pogrešnog zaključka.

Raspoznavanja plana je dijagnostička tehnika koja je slična nalaženju puta u tome što se

koristi prije modela slijeđenja. Međutim, za posebne slučajeve u kojima se koristi je efektnija

od nalaženja puta. Prepoznavanje plana zahtjeva da sve znanje u modelu učenika bude

proceduralno i da gotovo sva fizička, primjetna stanja u učenikovu rješavanju problema budu

dostupna dijagnostičkom programu. Kad se ostvare ovi uvjeti, rješavanje problema može se

analizirati u strukturi stabla. Listovi stabla predstavljaju primitivne radnje, primjerice poput

pomaka šahovske figure ili raspisivanja jednadžbe.

Tehnika stručnog sustava dijagnostiku obavlja uz pomoć tzv. dijagnostičkih pravila za sve

situacije do kojih dođe. Potencijalni problemi ove tehnike su: Ako dva dijagnostička pravila

odgovaraju trenutnoj situaciji, kako se zaključci kombiniraju? Što ako nijedno dijagnostičko

pravilo nije odgovarajuće? Koliko će se dijagnostička pravila morati promijeniti ako se

pravila u bazi znanja za predmet promjene?

Dijagnostika učenika temeljena na konačnom stanju obuhvaća ove dijagnostičke tehnike: (i)

traženja puta (eng. path finding); (ii) uvjet uvođenja (eng. condition induction); (iii) stablo

odluke (eng. decision tree), (iv) napravi i testiraj (eng. generate and test) i (v) interaktivna

dijagnoza (eng. interactive diagnostic).


64

Traženja puta u uvjetima da obuhvat ulaznih stanja nije dostatan da garantira da će učenik

pravilno primijeniti mentalno pravilo, tada je model slijeđenja neprimjenjiv i preporuča se

algoritam traženja puta. Ovaj se algoritam koristi za traženje puta s jednog na sljedeće stanje,

koji je zapravo veza pravila koja se primjenjuju. To je način za prikazivanje pojedinih stadija

mentalnog stanja učenika.

Uvjet uvođenja kao dijagnostička tehnika zahtjeva dvije knjižnice. Jedna je knjižnica

operatora koji prebacuju jedno stanje u drugo. Druga je knjižnica predikata. Ova tehnika

pretpostavlja da je knjižnica operatora dovoljno bogata da bilo koja dva uzastopna stanja

mogu biti složena korištenjem nekog operatora. Taj operator postaje akcijski dio

produkcijskog pravila koje će biti generirano.

Tehnike za dijagnostiku znanja učenika: stablo odluke, napravi i testiraj te interaktivna

dijagnoza žele postići vrlo preciznu dijagnozu i uz manji obuhvat ulaznih podataka. One rade

s konačnim stanjem obuhvata ulaznih podataka, koji zahtjeva najmanji obuhvat ulaznih

podataka kod modeliranja učenika. Učenikovi modeli se zasnivaju na knjižnicama pogrešaka.

Te su pogreške vrlo precizne i predviđaju niz međustanja ili čak niz mentalnih stanja učenika.

TOPSIS metoda

TOPSIS [65] je višekriterijska metoda odlučivanja, koju koristimo u spoju sa neizrazitom

AHP metodom, za završni izračun tj. određivanje stereotipa učenika. Nakon što smo pomoću

neizrazite AHP metode odredili relativnu važnost atributa nastavak modeliranja učenika je

određivanje stereotipa učenika (izbor) koje se odvija uz pomoć TOPSIS metode. Vrijednosti

atributa traga se odgovarajućim postupcima TOPSIS metode sažimaju u po jedan broj za

svaki stereotip učenika, te se na temelju tih vrijednosti određuje aktualni stereotip učenika.

TOPSIS metoda ima za osnovu ideju da je najbolji izbor onaj koji je najbliži pozitivnom

idealnom rješenju (eng. Positive Ideal Solution - PIS) i istovremeno najdalji od negativnog

idealnog rješenja (eng. Negative Ideal Solution - NIS). PIS je rješenje koje maksimizira

atribute koje ocjenjujemo pozitivno (većim pozitivnim brojem) i istovremeno minimizira

atribute koje ocjenjujemo negativno (sa manjim pozitivnim brojem). Sa druge strane NIS je

rješenje koje minimizira atribute koje ocjenjujemo pozitivno (većim pozitivnim brojem) i

istovremeno maksimizira atribute koje ocjenjujemo negativno (sa manjim pozitivnim brojem).


65

Primjena TOPSIS metode može se objasniti u pet osnovnih koraka [65]:

- Prvi korak je izračun normalizirane matrice aktualnih vrijednosti atributa

- Drugi korak je izračun težinske normalizirane vrijednosti za svaki atribut

- Treći korak je izračun pozitivnih (PIS) i negativnih (NIS) idealnih rješenja

- Četvrti korak je izračun udaljenosti izbora od PIS-a i NIS-a uvažavajući svaki atribut

- Peti korak je izračun relativne blizine idealnom rješenju i vektora izbora

Matematički formalizam TOPSIS metode opisan je u četvrtom poglavlju disertacije (4.1.

Modeliranje učenika - oblikovanje modela i dijagnostika znanja učenika) kao i primjer

mjerenja i izračuna višekriterijskog matematičkog modela.

3.1.3. Prilagodljivo stjecanje znanja

Oblikovanje i isporuka nastavnih sadržaja uvijek se izvršava s temeljnim ciljem da bude

orijentirana na učenika, da ispuni njegova očekivanja te da se prilagodi njegovoj aktualnoj

razini znanja. Prilagoditi se aktualnoj razini znanja učenika je jedna od najzahtjevnijih

paradigmi u obrazovnom procesu. Premda je povijesno gledano ovaj zahtjev star upravo

toliko koliko i sama ideja obrazovanja i obrazovnog sustava. Naravno, obrazovanje se kroz

povijest mijenjalo i obično je pored znanja koje smo morali prenijeti na učenika značajna

komponenta bila ona koja je povezana sa tehnologijom. Govorimo zapravo o obrazovnoj

tehnologiji koja je pak povijesno gledano imala svoj razvoj i transformaciju strukturnih

komponenata. Danas živimo u vremenu intenzivne primjene informacijske i komunikacijske

tehnologije pa su u suglasju s tim i naša promišljanja. S tim u vezi u svijetu e-učenja kao

posebna klasa sustava e-učenja su inteligentni tutorski sustavi [68], [69], [70] po svojoj

definiciji orijentirani na poučavanje po modelu jedan-na-jedan s temeljnim ciljem prilagoditi

se aktualnoj razini znanja učenika. Istraživači su u primjenskim okolnostima potvrdili

uporabne vrijednosti prilagodljivih sustava (ovdje se navode neki):

- AC-Ware Tutor za automatsko generiranje računalno oblikovanih nastavnih sadržaja

(najsloženija kategorija) [71]

- CoLaB Tutor zasnovan na obradi kontroliranog jezika nad ontologijom [72]

- INSPIRE sustav temeljen na prilagodljivoj hipermediji [73]

- ADOPTA je okruženje za generiranje prilagodljivog računalom oblikovanog nastavnog

sadržaja [74]


66

Istraživanja koja su provedena u ovoj disertaciji obuhvatili su platformu sustava za

upravljanje učenjem i izvorno razvijen i postavljen prototip programske podrške CM Tutor.

Upravo na prototipu programske podrške CM Tutor ostvarujemo prilagodljivo stjecanje

znanja učenika. Prilagodljivo stjecanje znanja temeljeno na postupku modeliranja učenika u

okruženju višekriterijskih matematičkih metoda i stereotipa znanja učenika uz uvažavanje

modificirane Bloomove taksonomije znanja za kognitivno područje. Svi izračuni unutar našeg

izvornog pristupa su nastali na načelima analitike učenja. U vezi s takvim stajalištem ovaj

teorijski dio prilagodljivog stjecanja znanja u deskriptivnom pogledu prikazujemo kroz dva

odjeljka. Prvi odjeljak je povezan sa osnovnim i sažetim opisom analitike učenja i njenih

poveznica sa primjenom rudarenja podataka u obrazovanju. Drugi odjeljak navodi okruženje i

odrednice prilagodljivog stjecanja znanja i analitike učenja.

3.1.3.1. Analitika učenja

Analitika je pojam koji se koristi u poslovanju i istraživačkom radu, a označava računalnu

podršku za prikupljanje digitalnih podataka koji podupiru donošenje odluke u okruženju

rješavanja zadanog problema. Porast skupova podataka kao i primjene računalne tehnologije

obuhvaća projektiranje infrastrukture temeljene na povratnim informacijama, radi

pravovremenih intervencija, čiji se utjecaj s druge strane može pratiti. S tim u vezi

organizacije imaju sve više osjetljive „digitalne nervne sustave“ koji pružaju pravovremene

povratne informacije o vanjskom okruženju i učincima djelovanja. Analitika učenja sadržajno

preuzima ovakav koncept analitike i primjenjuje ga u obrazovanju. Slijedom ovog možemo

kazati da analitika učenja uključuje skup metoda koje omogućuju učiteljima i učenicima da

razumiju „što se događa“, odnosno uključuje prikupljanje podataka, transformaciju, analizu i

vizualizacijske alate radi stjecanja uvida u ponašanje sudionika u procesu učenja.

Promišljanje o okruženju analitike učenja

Zajednica za analitiku učenja je na prvoj Međunarodnoj konferenciji o analitici učenja (LAK

2011) istakla da je analitika učenja mjerenje, prikupljanje, analiza i izvještavanje podataka o

učenicima i njihovim interakcijama, u svrhu razumijevanja učenja i okruženja u kojem se

učenje odvija [75].

Elias [16] opisuje analitiku učenja kao područje u nastajanju u kojem se sofisticirani analitički

alati koriste za poboljšanje učenja i obrazovanja.


67

Siemens [76] definira analitiku učenja kao korištenje inteligentnih podataka, podataka

proizvedenih od strane učenika i modela analize kako bi se otkrile informacije i socijalne veze

i kako bi se predvidjelo i savjetovalo učenje.

Primjena analitike u obrazovanju je znatno porasla u posljednje vrijeme, a četiri glavna

razloga za to su: znatno povećanje količine podataka, poboljšanje formata podataka, napredak

u računalnoj znanosti, te povećana sofisticiranost analitičkih alata [43] prema [77].

Jedan od faktora koji je utjecao na pojavu i porast analitike učenja je količina obrazovnih

podataka koju je moguće analizirati. Mobilne, digitalne i web tehnologije su danas široko

rasprostranjene u obrazovanju. Kada su učenici u interakciji s digitalnim uređajima, podaci o

tim interakcijama bivaju zabilježeni i mogu se naknadno analizirati i obraditi. S porastom

online učenja i korištenja novih tehnologija za „snimanje“ podataka, u budućnosti se očekuje

još veći opseg prikupljanja podataka prilikom učenja.

Šezdesetih godina prošlog stoljeća metode za ekstrakciju korisnih informacija iz velikih

skupova podataka, nazvane analitika ili rudarenje podataka, su odigrale ključnu ulogu u

područjima kao što fizika i biologija. U posljednjih nekoliko godina, isti trend se pojavio u

znanstvenim istraživanjima kao i praktičnim djelovanjem u području obrazovanja što je

nazvano analitika učenja ili rudarenje podataka u obrazovanju. Ukratko, ova dva područja

istraživanja zalažu se za blagotvorno korištenje sve većeg broja podataka dostupnih o

učenicima u cilju boljeg razumijevanja procesa učenja te društvene i motivacijske faktore u

okruženju učenja. Područja imaju značajno preklapanje ali sa zajedničkim ciljem pomoć

učenicima te napredak područja znanosti o učenju [78].

Analitika učenja je usko povezana s područjem rudarenja podataka u obrazovanju ali s

naglaskom na sustavne cjeline. Rudarenje podataka u obrazovanju se fokusira na korištenje

uzoraka podataka kako za identifikaciju razine tako i za promjenu razine u strukturi nastavnih

sadržaja tijekom online učenja. Analitika učenja se više bavi sredstvima za potporu

individualnog iskustva učenička i to što je moguće u širem kontekstu nastavnih sadržaja. Oba

pristupa sa svojim različitim specifičnostima su orijentirani na analizu podataka radi pomoći u

odlučivanju na sustavnoj i individualnoj razini obrazovnog procesa [79].

Sažeto, valjanost modela učenika i učenje ima najvažnije značenje za rudarenje podataka u

obrazovanju, dok je uporaba rezultata analize radi promjena u obrazovnoj praksi učitelja

fokus analitike učenja [80].


68

Procesno okruženje analitike učenja

Proces analitike učenja (slika 3.8.) se provodi u tri koraka: (i) prikupljanje podataka i

pretprocesiranje (eng. data collection and pre-processing); (ii) analitika i djelovanje (eng.

analytics and action) i (iii) postprocesiranje (post-processing) [81]:

Prikupljanje podataka i pretprocesiranje su temelj procesa analitike učenja. Prvi korak je

upravo prikupljanje podataka iz različitih obrazovnih okruženja i sustava. Ovaj korak je

ključan kako bi se otkrili korisni uzorci u podacima. Prikupljanje podataka i pretprocesiranje

uključuju čišćenje podataka, integraciju podataka, pretvorbu podataka, redukciju podataka,

modeliranje podataka, identifikaciju sudionika i sesija. [81] prema [82],[83], [84].

Slika 3.8 Proces analitike učenja [85] prema [81]

Analitika i djelovanje su bazirani na pretprocesiranim podacima. Različite tehnike analitike

učenja mogu se primijeniti na podatke s ciljem otkrivanja skrivenih uzoraka koji mogu

pomoći da se osigura učinkovitije iskustvo učenja. Te aktivnosti uključuju praćenje, analizu,

predikciju, intervenciju, procjenu, prilagodbu, personalizaciju, preporuku i refleksiju (odraz).

Postprocesiranje uključuje sastavljanje novih podataka iz dodatnih izvora podataka,

poboljšanje skupa podataka, određivanje novih atributa potrebnih za novu iteraciju,

identificiranje novih pokazatelja i nove metrike, mijenjanja varijabli analize ili odabirom nove

metode za analizu. [81]


69

Referentni model za analitiku učenja

Referentni model za proces analitike učenja (slika 3.9.) temelji se na četiri dimenzije i mora

odgovoriti na sljedeća pitanja: (i) Što je predmet obrade? (Koju vrstu podataka sustav

prikuplja, upravlja i koristi za analizu?); (ii) Tko? (Tko je ciljan analizom?); (iii) Kako? (Kako

sustav izvodi analizu prikupljenih podataka?); (iv) Zašto? (Zašto sustav analizira prikupljene

podatke?) [81].

Slika 3.9 Referentni model analitike učenja [85] modificirano prema [81]

Sažeto se opisuje svaka od istaknutih dimenzija referentnog modela analitike učenja.

Podaci i okruženje

Pristupi analitici učenja koriste podatke iz više izvora i to: centralizirane obrazovne sustave i

raspodijeljena okruženja za učenje. Centralizirane obrazovne sustave dobro predstavljaju

sustavi za upravljanje učenjem jer omogućavaju prikupljanje podataka o aktivnostima učenika

povezanih sa čitanjem, pristupom i učitavanjem obrazovnih sadržaja. Osim centraliziranih


70

okruženja sve su više u uporabi resursi za učenje u raspodijeljenim i mobilnim okruženjima

gdje je pravi izazov integrirati „sirove“ podatke da bi se stvorio koristan skup obrazovnih

podataka koji odražava distribuirane aktivnosti učenika, što vodi do preciznih i čvrstih

rezultata analitike učenja.

Sudionici

Primjena analitike učenja može biti orijentirana na različite sudionike, uključujući učenike,

učitelje, oblikovatelje nastavnih sadržaja, istraživače kao i znanstvenike. Učenici će

primjerice biti zainteresirani za to kako im analitika može pomoći da poboljšaju ocjene ili

kako im analitika može pomoći da izgrade osobno okruženje za učenje. Učitelji su

zainteresirani da analitiku koriste radi povećanja učinkovitost nastavnog iskustva. Obrazovne

ustanove mogu koristiti analitičke alate kao podršku pri donošenju odluka, kako bi

identificirali potencijalno „rizične“ učenike i kako bi poboljšali uspjeh učenika. Istraživači

radi analize, obrade i dijeljenje iskustva o učincima integracije analitike učenja sa dnevnom

praksom. Osim toga, programski alati za analitiku učenja bi trebali omogućiti ciljano

orijentiranu povratnu informaciju različitim sudionicima.

Integracija analitike učenja u svakodnevnu praksu različitih sudionika je izazov i treba ga

podržati prikladnim didaktičkim i organizacijskim okvirima. Niz je pitanja u vezi s etikom,

privatnošću podataka, nadzorom, sprječavanjem zlouporabe podataka i zaštite identiteta

sudionika.

Metode

Analitika učenja primjenjuje različite tehnike kako bi otkrila zanimljive uzorke skrivene u

obrazovnim skupovima podataka. Četiri su tehnike značajne u referentnoj literaturi analitike

učenja: (i) statistika; (ii) informacijska vizualizacija; (iii) rudarenje podataka; (iv) analiza

društvenih mreža

Statistika koja prati sustave za upravljanje učenjem je povezana s načelima deskriptivne

statistike kao i sa mogućnostima analize traga online učenja. Primjeri upotrebe uključuju

vrijeme provedeno na sustavu, ukupan broj posjeta, broj posjeta po stranici, distribuciju

posjeta po vremenu, učestalost učenikovih objava/odgovora, postotak pročitanog nastavnog

sadržaja.

Informacijska vizualizacija je obično učinkovitija od tekstualnog prikaza ili tabličnog prikaza

podataka. Različite tehnike vizualizacije podataka (ljestvice, 3D prikazi, mape) se koriste

kako bi se informacije prikazale na jasan i razumljiv način. Prepoznajući moć vizualnih


71

prikaza, tradicionalna izvješća koja su temeljena na podatkovnim tablicama sve se više

zamjenjuju s nadzornim pločama koje grafički prikazuju pokazatelje uspješnosti.

Rudarenje podataka se odnosi na otkrivanje znanja u bazama podataka i definira se kao proces

otkrivanja korisnih uzoraka ili znanja iz izvora podataka. U širem smislu, metode rudarenja

podataka su općenito podijeljene u kategorije kako slijedi: nadgledano učenje (klasifikacija i

predikcija), nenadgledano učenje (klasteriranje) i asocijativna pravila za otkrivanje asocijacija

i korelacija unutar podataka.

Analiza društvenih mreža se provodi uz pomoć programskih alata za vizualizaciju i analizu

rada sudionika. Analiza društvenih mreža je kvantitativno istraživanje odnosa između

pojedinaca ili organizacija koja se provodi uz pomoć usmjerenog grafa sa čvorovima –

sudionicima i bridovima grafa sa smislom tipa povezanosti. Kvantificiranjem društvenih

struktura, možemo odrediti najvažnije čvorove u mreži, položaj čvora u mreži i narav

njegovog odnosa prema ostatku mreže.

Ciljevi

Brojni su ciljevi analitike učenja koji su u skladu s posebnim motrištima različitih sudionika, a

uključuju: nadzor, praćenje, analizu, predikciju, intervenciju, tutorstvo, vrednovanje, povratne

informacije, prilagodljivost, personalizaciju, preporuke i refleksiju. Nadzor omogućava

praćenje aktivnosti učenika i generiranje izvješća s ciljem podrške u donošenju odluka učitelja

ili obrazovne ustanove. Praćenje je povezano s oblikovanjem nastave i odnosi se na

vrednovanje procesa učenja od strane učitelja sa svrhom kontinuiranog poboljšanja okruženja

za učenje. Predikcijom želimo predvidjeti učeničko znanje i buduće uspjehe, na temelju

aktualnih aktivnosti i postignuća. Tutorstvo se uglavnom bavi pomaganjem učenicima s

njihovim učenjem, često vrlo specifičnih za određeno područje i ograničeno na kontekst

kolegija. Tutor podržava učenike u uvodu u nove module za učenje i daje im upute za

pojedina područja učenja. Inteligentna povratna informacija pruža zanimljive informacije

generirane na temelju podataka o korisnikovim interesima i kontekstu učenja. Analitika

učenja u prilagodljivosti „kaže“ učenicima što treba sljedeće učiniti, organizirajući resurse

učenja i nastavne aktivnosti u skladu s aktualnom razinom znanja učenika. Personalizacija

postavlja učenika u centar zbivanja s naglaskom na tome kako mu pomoći u odlučivanju i

stalnom oblikovanju svog okruženja za učenje.

Navedeni ciljevi analitike učenja su ponekad teško mjerljivi i potreban je posebno skrojen

skup pokazatelja uspješnosti i metričke vrijednosti. Osim toga, potrebno je definirati nove

mjerne podatke, osim ocjena, u cilju podrške različitim vrstama učenja uključujući samostalno


72

učenje, mrežno učenje, neformalno učenje, stručno obrazovanje i cjeloživotno učenje. Izazov

je dakle definirati prave ciljeve/pokazatelje/metričku vrijednost (engl. OIM - Objectives,

Indicators, Metrics) prije same primjene analitike učenja.

Prilagodljivo stjecanje znanja podržano analitikom učenja

Postoje mnoge definicije prilagodbe u obrazovnim sustavima [86]. Dva glavna izraza koja se

obično koriste su prilagodljivost i mogućnost prilagodbe. Prilagodljivost je sposobnost

modifikacije nastavnih sadržaja e-učenja pomoću različitih parametara i prema skupu

unaprijed definiranih pravila. Nasuprot tome je mogućnost prilagodbe, a predstavlja

individualizaciju nastavnih sadržaja u odnosu na samog učenika (u odnosu na aktualnu razinu

znanja učenika). Ovi termini odražavaju niz mogućnosti, od onih koje su fokusirane na stroj

(prilagodljivost) do onih koje su orijentirane na sudionika (mogućnost prilagodbe). Međutim,

prilagodljivost i mogućnost prilagodbe su usko povezani [87] i često se oba termina koriste za

individualizirano učenje.

Analitika učenja predstavlja primjenu web analitike u obrazovanju, te je fokusirana na

profiliranje učenika kao i na proces prikupljanja i analiziranja podataka koji nastaju u

interakciji učenika s nastavnim sadržajima tijekom online nastave. Cilj je izgraditi bolji

pedagogijski okvir učenja, osnažiti aktivno učenje, usmjeriti se na rizičnu populaciju učenika,

te procijeniti čimbenike koji utječu na dovršenje zadaća i uspjeh učenika.

Prilagodljive tehnologije učenja primjenjuju analitiku učenja putem programske podrške

online platformi prilagođavajući se pri tom individualnim potrebama učenika. Prilagodljivo

učenje je "sofisticirano“, na temelju podataka, te u nekim slučajevima, nelinearni pristup u

nastavi i otklanjanju pogrešnih poimanja, prilagođavajući se interakciji učenika i pokazujući

pri tom razinu sposobnosti – znanja, a potom i predviđanja nastavnih sadržaja prema

resursima učenika u određenom trenutku i vremenu kako bi se ostvario napredak [88].

Prilagodljivost je vrlo složen proces, uzimajući pri tom u obzir sudionike i ulazne zahtjeve

koje u načelu dolaze sa strane: učenika, učitelja i skupa pravila. Prilagodljivost zapravo

predstavlja pravu ravnotežu između kognitivne sposobnosti učenika i učitelja kao i djelovanja

koja će proizvesti skup pravila s ciljem ostvarivanja jedinstvene obrazovne cjeline. Osim toga,

kad se izdignemo na veću razinu, primjerice na razinu obrazovne institucije ili korporacije

tada postoji nekoliko specifičnih pitanja za rješavanje koja su povezana sa: radnim zadacima,


73

ljudima, sadržajem, procesima i ciljevima. Sve ove značajke se pokušavaju držati u

uravnoteženom stanju, sa podijeljenim odgovornostima među sudionicima (poslodavci,

zaposlenici i klijenti) radi cjelokupne provedbe strategije učenja koje nudi obrazovna

institucija ili zahtjeva korporacija. Prilagodljivo učenje koje će rezultirati u prilagodljivo

stjecanje znanja i uključivanje zamisli o prikazu znanja nad ontologijom čini se razumnim za

ispunjavanje cilja postavljenih zadaća.

Tijekom posljednje četiri godine prilagodljivo učenje je prešlo od jednog loše definiranog

koncepta za primjenu u visokom obrazovanju do značajne kategorije učenja i poučavanja u

okruženju računalne tehnologije. Definicije prilagodljivog učenja su bile predložene i

odbačene, a termin se često odbacivao jer je imao "marketinški izričaj" među sumnjičavima.

Unatoč zbrci koja okružuje ovu tehnologiju, obećavajuće smjernice su pred nama i potrebno

je da i obrazovne institucije i razvojni inženjeri nauče prilagoditi svoje pristupe da bi u

konačnici najbolje služili za dobre ishode učenja.

3.2. Stanje istraženosti područja

Unutar ovoga potpoglavlja prikazali smo stanje istraženosti za područje disertacije. Naveli

smo 13 sustava koji imaju dodirne točke s pristupima koje koristi CM Tutor. Stanje

istraženosti smo u deskriptivnom pogledu temeljili na strukturnim atributima KD&D modela

prema sljedećem: (i) područno znanje sustava, (ii) modeliranje učenika u sustavu, (iii)

prilagodljivo stjecanje znanja.

Proveli smo sustavan pregled literature temeljem preporuka prikladnih za istraživanja unutar

programskog inženjerstva. [89] Sustavni pregled literature je sredstvo za procjenu i tumačenje

za određeno istraživačko pitanje, tematsko područje ili fenomen. Postoje mnogi razlozi za

sustavnim pregledom literature, navode se neki:

- sažeti prikaz postojećih dokaza koji se odnose na postupak ili tehnologiju, npr. sažeti

empirijske dokaze o prednostima i ograničenjima specifične metode;

- identificirati sve praznine u najnovijim istraživanjima da bi se mogla predložiti područja

za daljnja istraživanja;

- osigurati temelj /pozadinu, kako bi se na odgovarajući način smjestile nove istraživačke

aktivnosti.


74

Kao temelj istraživanja koristili smo znanstvene baze5 za pronalaženje relevantnih radova kao

i niz ključnih riječi te postavili pri tom istraživačka pitanja kako slijedi:

- Ključne riječi:

- Inteligentni sustavi za upravljanje učenjem (eng. Intelligent Learning Management

System)

o Modeliranje učenika (eng. student modeling)

o Prilagodljivo učenje (eng. adaptive learning)

o Prilagodljivo učenje uz pomoć analitike učenja (eng. adaptive learning with

learning analytics)

- Istraživačka pitanja:

o Na koji način modeliramo učenika (eng. How we modeling students)

o Na osnovu čega se sustav prilagođava (eng. On what basis the system adapts)

Tablica 3.6 Naziv časopisa, godine istraživanja, ukupan broj istraženih članaka, uključeni članci u područje istraženosti

Izvor Razdoblje

istraživanja

Broj istraženih

članaka

Članci uključeni u

„istraženost“

Expert Systems with Applications - Journal -

Elsevier 1990-2016 32 3

Neural Networks - Journal - Elsevier 1988 - 2016 7 0

Knowledge Management & E-Learning: An

International Journal (KM&EL) 2003 - 2016 13 1

Scientific Research and Essays - Academic Journals 2002-2016 15 0

Intelligent Tutoring Systems (International

Conference) 1992-2016 14 1

International Journal of Computer Applications -

IJCA 2009-2016 5 1

Intelligent Semantic Web-Services and Applications

(International Conference) 2010-2016 8 1

International Conference on Computational Science

CompSysTech '09 2005-2016 6 1

Lecture Notes in Computer Science - (LNCS) 1973-2016 8 1

International Journal of Hybrid Intelligent Systems

(IJHIS) 2005-2016 10 0

Journal of Educational Psychology 1999-2016 5 0

11th International Conference on Artificial

Intelligence in Education, Australia 2003-2016 3 1

Proceedings of the 35th Annual Hawaii International

Conference on System Sciences 2002 - 2016 3 1

International Journal of Computer & Applications 2000 - 2016 3 1

Proceedings of the First international conference on

Technologies for E-Learning and Digital

Entertainment

2006 2 1

Ukupno 134 13

Unutar Tablice 3.6. možemo vidjeti u kojim časopisima smo pretraživali radove te da smo

analizirali i obradili ukupno 134 znanstvena rada te pronašli ukupno 13 radova kao izravne

5 Digitalne knjižnice ACM i IEEE, Scopus, SpringerLink, Elsevier i Google Scholar.


75

poveznice s našim istraživanjem. Postavili smo razdoblje za časopise u kojem smo analizirali

znanstvene radove. Zadnji stupac unutar tablice označava broj obrađenih znanstvenih radova.

Pored analize i obrade područja istraživanja neposredno dovodimo u vezu s istraživanjem

provedenim u okviru ove disertacije znanstvene radove u kojima je fokus orijentiran na uža

područja i to prvenstveno povezana sa modeliranjem učenika i prilagodljivim stjecanjem

znanja učenika. Spomenuta fokus pitanja u suštini ističu i centralni dio znanstvenog doprinosa

koji smo ostvarili ovom disertacijom. U vezi s tim kao rezultat analize i obrade izvedena su

dva prikaza.

Prvi je prikaz u Tablici 3.7., a predstavlja popis radova razvrstanih upravo po nazivima

navedenih užih područja istraživanja. Radove smo posložili po godinama objavljivanja, naveli

autore i naziv znanstvenog rada i naznačili uže područje istraživanja (modeliranje učenika,

prilagodljivo stjecanja znanja). Osim toga, za svaki rad naveli smo i učestalost citiranosti

(ScienceDirect ili Google Scholar) da bi apostrofirali značajnost i odjek analiziranih i

obrađenih radova. U posljednjih desetak godina mnogi istraživači su kombinirali različite

metode modeliranja učenika i načine prilagodljivog stjecanja znanja kako bi izraditi hibridne

modele učenika koji predstavljaju značajke – atribute učenika. Na taj način model učenika

može pokazivati različite individualne osobine i preferencije svakog učenika [62].

Drugi je prikaz u Tablici 3.8. i predstavlja popis programskih sustava koje smo usporedili sa

KD&D modelom i prototipom programske podrške CM Tutor. Ovim smo prikazom

obuhvatili fokus koncepte kao podlogu za uspoređivanje unutar navedenih užih područja

analize i obrade. Navodimo redom ove fokus koncepte za uže područje modeliranje učenika:

prekrivanje (eng. overlay), stereotip, model zbrke (eng. perturbation), neizrazita logika.

Usporedbu smo stvorili uz navode naziva sustava/pristupa, reference, godine objavljivanja,

način modeliranja učenika i prilagodljivo stjecanje znanja. Utvrđujemo da svi sustavi imaju

svoj naziv osim pristupa pod rednim brojevima 2, 8 i 9 za koje smo naveli autore sustava.


76

Tablica 3.7 Radovi uključeni u uže područje istraživanja

Authori Godina Naziv znanstvenog rada Područje

istraživanja Citirani

Stathacopoulou,

Magoulas, and

Grigoriadou

1999 Neural Network-based Fuzzy Modeling of

the Student in Intelligent Tutoring Systems

Prilagodljivo

stjecanja znanja 77

Grigoriadou, Maria,

Papanikolaou,

Kyparisia,

Kornilakis, Harry

Magoulas, George

2001

INSPIRE: An INtelligent System for

Personalized Instruction in a Remote

Environment

Modeliranje

učenika 123

Xu, Dongming

Wang, Huaiqing

Su, Kaile

2002 Intelligent Student Profiling with Fuzzy

Models

Prilagodljivo

stjecanja znanja 66

VanLehn, Kurt

Jordan, Pamela W.

Rosé, Carolyn P.

Bhembe, Dumisizwe

Böttner, Michael

Gaydos, Andy

Makatchev, Maxim

Pappuswamy, Umarani

Ringenberg, Michael

Roque, Antonio

Siler, Stephanie

Srivastava, Ramesh

2002 The Architecture of Why2-Atlas: A Coach

for Qualitative Physics Essay Writing

Modeliranje

učenika 224

Tsaganou, Grammatiki

Grigoriadou, Maria

Cavoura, Theodora

Koutra, Dimitra

2003 Evaluating an Intelligent Diagnosis System of

Historical Text Comprehension

Modeliranje

učenika 22

Šimić, Goran

Devedžić, Vladan 2006

Building an intelligent system using modern

Internet technologies

Prilagodljivo

stjecanja znanja 47

Salim, Naomie

Haron, Norreen 2006

The Construction of Fuzzy Set and Fuzzy

Rule for Mixed Approach in Adaptive

Hypermedia Learning System

Prilagodljivo

stjecanja znanja 6

Boticario, Jesús G

Castillo Vidal, Luis

Fabregat Gesa, Ramón

Ortega, Manuel

Borrajo, Daniel

Onaindia de la

Rivaherrera, Eva

2007

Adaptation based on machine learning, user

modelling and planning for complex user-

oriented tasks: ADAPTAPlan

Modeliranje

učenika 59

Bontchev, Boyan

Vassileva, Dessislava

Chavkova, Boryana

Mitev, Vladimir

2009

Architectural design of a software engine for

adaptation control in the ADOPTA e-learning

platform

Modeliranje

učenika 10

Žitko, Branko 2010

Model inteligentnog tutorskog sustava

zasnovan na obradi kontroliranog jezika nad

ontologijom

Modeliranje

učenika 2

Grubišić, Ani 2012 Model prilagodljivoga stjecanja znanja

učenika u sustavima e-učenja

Prilagodljivo

stjecanje znanja 5

Grubisic, Ani;

Stankov, Slavomir;

Peraic, Ivan

2013 Ontology based approach to Bayesian student

model design

Modeliranje

učenika 8


77

Tablica 3.8 Pregled usporedivih sustava/pristupa modeliranja učenika i prilagodljivog stjecanja znanja s CM Tutorom

R.br. Naziv sustava/pristupa Godina

Modeliranje učenika Prilagodljivo

stjecanje znanja prekrivanje stereotip Model

zbrke

Neizrazita

logika

1. INSPIRE [73] 2001 X X

2. D. Xu, H. Wang, i K. Su

[90] 2002 X

3. Why2-Atlas [91] 2002 X X

4. F-CBR-DHTC [92] 2003 X X

5. TADV [93] 2003 X X

6. Multitutor [94] 2003

7. InterMediActor [95] 2004 X X

8.

R. Stathacopoulou, G.

Magoulas, M.

Grigoriadou, i M.

Samarakou [96]

2005 X

9. N. Salim i N. Haron [97] 2006 X

10. ADAPTAPlan [98] 2007 X

11. ADOPTA [74] 2009 X

12. CoLaB Tutor [72] 2010 X X

13. AcWare Tutor [71] 2012 X X

Detaljni prikaz analiziranih programskih sustava platformi e-učenja se nalazi u Prilogu 9.4.

Analizu i obradu referentnih istraživanja i programskih sustava proširili smo i na područje

komercijalnih verzija sustava u području prilagodljivog stjecanja znanja. S tim u vezi utvrdili

smo prikaze s komercijalnim značajkama u kojima se pored programskih sustava navode

tvrtke koje se deklariraju kao nakladnici nastavnih sadržaja za platforme e-učenja. Ocijenili

smo da je u ovom području vodeća - strateška tvrtka Tyton Partners [99] sa važnom ulogom u

savjetovanju organizacija i investitora oko ulaska u sektor znanja. Većinu novca ulažu u

istraživanje prilagodljivog stjecanja znanja. Posebno je važan za ovakvu ocjenu bio rad

Prilagodljivo učenje 2.0 (eng. Learning to Adapt 2.0) [100] u kojem se prikazuju najnoviji

rezultati istraživanja „tržišta“ prilagodljivog stjecanja znanja u razdoblju od prikaza objavljen

2012. godine. Prilagodljivo učenje 2.0 prezentira rezultate koji su postignuti u razgovorima sa

institucijama (preko 20) i dobavljačima (32 dobavljača) na ovom području, a ono je podržano

od strane fondacije Bill and Melinda Gates Foundation [101]. Osim toga, ovo izvješće također

će pomoći institucijama visokog obrazovanja u potrazi za početnim pilot procesima

prilagodljivog učenja, ali i onima ili koji su već poduzeli početne korake te traže načine kako

poboljšati njihovu provedbu [102].

U vezi sa navodima i prikazom novog razdoblja istraživanja dodatno smo pored već

navedenih proširili referentnu listu programskih platformi sa četiri sustava. Važno je

primijetiti da su to sustavi povezani s prilagodljivim stjecanjem znanja učenika.


78

Aleks, 2008

Aleks (University of California) [103] je internet orijentiran sustav za online učenje koji

koristi tehnike rudarenja podataka za precizno određivanje modela učenika. Sustav zaključuje

koje lekcije će isporučiti na osnovu učenikova znanja. Lekcije unutar sustava su unaprijed

definirane od strane nastavnika i nastavnik ih može modificirati. Unutar sustava komunikaciju

mogu ostvariti studenti s svojim kolegama kao i nastavnici s studentima. Aleks također

omogućava i raspravu preko foruma. Tvrtka McGraw-Hill [104] ima autorska prava na ovaj

sustav.

Knewton, 2008

Knewton [105] ili Knewton tehnologija kako ga autori nazivaju je sustav dizajniran za

poboljšanje ishoda učenja koji osigurava da svaki student zadovolji ishode učenja koje je

definirao nastavnik. Sustav Knewton nudi preporuku sadržaja za učenje studentima na osnovu

njihovoga znanja. Sustav također nudi analitiku učenja kao pomoć nastavniku prilikom

zaključivanja završne ocjene za studenta. Sustav ima mogućnost prilagodbe prema stilu

učenja. Knewton prati vrijeme koliko je student proveo na lekciji, nudi mogućnost nastavniku

da svakom studentu dodjeli individualni zadatak.

Knewton ima implementiranu funkcionalnost upravljanja učionicama i bibliotekom fakulteta.

Sustav se nudi kao komercijalna verzija za sve obrazovne institucije i tvrtke koje žele ulagati

u obrazovanje. Popis tvrtki koje imaju dionice unutar Knewton sustava mogu se pronaći na

[106].

Adapt Courseware, 2010

Adapt Courseware [107] je izašao je u javnost 2010. godine i njegova platforma temelji se na

skupu spoznaja utemeljenih na iskustvu (preko činjenica) do kojih se došlo eksperimentom

preko oblikovanja nastave od strane stručnjaka. Sustav ima nekoliko stupnjeva težine koji su

usuglašeni s ishodima učenja. Sustav koristi niz algoritama koji koriste analitiku učenja koja

pomaže u prilagodljivom stjecanju znanja oslonjen na stilove učenja. Nastavnik ima

mogućnost unutar sustava dodavati sadržaje za online učenje. Sustav također nudi mogućnost

komunikacije između nastavnika i studenta. Fulcrum Labs [107] ima autorska prava nad ovim

sustavom.

Smart Sparrow 2010

Komercijalna verzija Smart Sparrow sustava [108] pokrenuta je krajem 2010. godine, na

temelju višegodišnjeg istraživanja i razvoja u „Adaptive eLearning Research Group“ na

Sveučilištu u New South Walesu (UNSW). Osnivač tvrtke je Dror Ben-Naim ujedno je i na


79

čelu društva "Adaptive eLearning platforme" (AeLP) koji omogućuje institucijama i

individualnom nastavniku mogućnosti implementacije prilagodljivih lekcija i simulacija

postojećih kolegija na sustavima e učenja. Smart Sparrow ostvaruje prihod kroz naknade za

korištenje svojih AeLP rješenja i vlastite profesionalne usluge koje obično naplaćuju kroz

akademsku licencu na osnovu broja studenata. Akademski odjeli također mogu kupiti licencu

samo za svoje studijske grupe. Sustav daje poseban naglasak na interaktivnim iskustvima

učenja i isporučuje prilagodljivi nastavni sadržaj kojeg autori nazivaju „udžbenik jedan na

prema jedan“. Sustav zapisuje trag učenika i na taj način profesor ima uvid u sve aktivnosti.

Kao i do sada navedi sustav Smart Sparrow nudi međusobnu komunikaciju između studenata i

nastavnika. Glavni ulagači u ovaj sustav su tvrtke: Yellow Brick Capital Advisers [109],

OneVentures [110] i Uniseed [111].

U sljedećem poglavlju prikazati ćemo opis modela oblikovanja i isporuke znanja u

inteligentnom sustavu za upravljanje učenjem.

Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem

80

4. Opis modela oblikovanja i isporuke znanja u inteligentnom


Model oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem

(KD&D model), čija je zamisao opisana u drugom poglavlju, ovdje je detaljno

prikazan. KD&D model ima definirane funkcionalnosti:

- oblikovanje nastave nad ontologijom područnog znanja

- isporuka nastavnih sadržaja u sustavu za upravljanje nastavom

- modeliranje učenika što obuhvaća posebno oblikovanje modela učenika kao i

dijagnostiku znanja učenika

- prilagodljivo stjecanje znanja u sustavu za upravljanje učenjem.

Opis KD&D modela obuhvatio je četiri potpoglavlja. Prvo potpoglavlje odnosi se na

oblikovanje nastave nad ontologijom područnog znanja s osloncem na mape

koncepata i ADDIE model. Drugo potpoglavlje orijentirano je na isporuku nastave

prema učeniku koje se odvija u okruženju razvijenog prototipa programske podrške

modula CM Tutor-a. Isporuku nastavnih sadržaja omogućuju nam dva algoritma

(Algoritam 11 i Algoritam 12) koja su opisana o ovome poglavlju. Treće potpoglavlje

odnosi se na modeliranje učenika u kojem je posebno razvijen model znanja učenika,

a posebno dijagnostika znanja učenika.

Unutar modela znanja učenika opisujemo učenje i testiranje. Testiranje znanja

učenika ostvareno je uz pomoć zadataka objektivnog tipa sa skupinom formaliziranih

predložaka pitanja. Predlošci pitanja uvažavaju modificiranu Bloomovu taksonomiju

znanja. Dijagnostika znanja učenika zasnovana je na nizu matematičkih metoda

orijentiranih na višekriterijsko odlučivanje. Izrekom radi se o AHP, FuzzyAHP i

TOPSIS metodama. Ovdje smo izvornim pristupom objedinili navedene metode te

tome pridružili kriterije Bloomove taksonomije znanja i time ostvarili višekriterijsku

matematičku metodu. VKM metoda je na taj način omogućila dijagnostiku znanja

učenika unutar područnog znanja.

Četvrto potpoglavlje opisuje funkcionalnost prilagođavanja čime je ostvarena

isporuka nastavnih sadržaja u suglasju s aktualnom razinom znanja učenika.

U namjeri da iskažemo povezanost i čak što više međuzavisnost modeliranja učenika i

prilagodljivost koristimo tehniku slučajeva korištenja (slika 4.1) kao i tehniku

dijagrama toka (slika 4.2) radi prikaza svih strukturnih komponenata. Strukturne


81

komponente su u suštini VKM model i algoritam za generiranje pitanja. VKM model

i algoritam za generiranje pitanja omogućuju inteligentno ponašanje KD&D modela tj

iskazuju djelovanje CM Tutora – računalnog tutora u Moodle okruženju.

Slika 4.1 Dijagram slučajeva korištenja unutar KD&D modela


82

Slika 4.2 Dinamika procesa učenja i poučavanja unutar KD&D modela


83

4.1. Oblikovanje nastave nad ontologijom područnog znanja

Oblikovanje nastave za KD&D model provedeno je uz uporabu ADDIE modela kao i

načela za postavljanje mape koncepata nad ontologijom područnog znanja. U tom

smislu je proveden opis uz odabrani primjer područnog znanja naslovljen "Znanje o

učenju i sustavima e-učenja".

Učenje, poučavanje i testiranje znanja učenika u okruženju i prostoru informacijske i

komunikacijske tehnologije se nalaze u fokusu promišljanja o suvremenim uvjetima

življenja i obrazovanja. Dva su koncepta pri takvom promišljanju od naročitog

značenja: (i) učenje te (ii) informacijska i komunikacijska tehnologija. Sinergijom ova

dva koncepta oblikovana je nova paradigma koja je nazvana e-učenje. Također smo

prilikom raščlane ova dva koncepta oblikovali koncept hibridno učenje (eng. blended

learning[112], [113]). Pojam hibridno učenje označava okruženje za učenje u kojima

se elektroničko učenje koristi zajedno sa tradicionalnim učenjem – ili učenjem licem

u lice (eng face to face learning – f2f), gdje je komunikacija licem u lice sa učenicima

kombinirana sa učenjem posredstvom računala i računalne tehnologije.

Ontološki pogled na tri navedena koncepta razapinje prostor područnog znanja kojeg

se oblikuje radi učenja, poučavanja i testiranja učenika u okruženju prototipa

programske podrške izvedene po načelima KD&D modela.

U okviru postupka oblikovanja nastave se provodi oblikovanje nastavih sadržaja koje

obavlja učitelj u okruženju CmapTools programskog sustava prema fazama analize,

oblikovanja i razvoja ADDIE modela. Primijetimo da u ovom postupku koristimo

samo tri faze ADDIE modela jer s njima postižemo potrebne uvjete za ispunjavanje

funkcionalnosti oblikovanja nastavnih sadržaja nad ontologijom područnog znanja.

4.1.1. Analiza

S namjerom da pokažemo obuhvat faze analize posebno promatramo izbor nastavnih

sadržaja, sudionike nastavnog procesa, kao i opis nastavnih sadržaja.

Nastavom će biti obuhvaćeni polaznici prve godine diplomskog studija koji u

strukturi kolegija Sustavi e-učenja imaju cilj steći znanje o e-učenju i sustavima e-

učenja te njihovoj primjeni u obrazovanju, nastavi, učenju i poučavanju. Znanje o

učenju i sustavima e-učenja je sadržajno prva u nizu nastavnih cjelina i ovdje će


84

poslužiti kao studija slučaja u okviru oblikovanja nastavnih sadržaja nad ontologijom

područnog znanja. U odnosu na fazu analize ADDIE modela obavezni smo provesti i

analizu predznanja sudionika. Kvalitetu predznanja sudionika ispitali smo inicijalnim

testom čija su pitanja u suglasju sa modificiranom Bloomovom taksonomijom znanja.

U Tablici 4.1. prikazan je opis izabranog područnog znanja nastavne cjeline Znanje o

učenju i sustavima e-učenja uvažavajući pri tom korpus hrvatskog prirodnog

književnog jezika. Ovaj fragment područnog znanja obuhvaća one koncepte i relacije

koje postavljamo pred sudionike kao područno znanje za učenje, poučavanje i

testiranje.

Tablica 4.1 Područno znanje „Znanje o učenju i sustavima e-učenja“ opisano tekstom na prirodnom jeziku

Obrazovanje obuhvaća učenje u funkciji stjecanja raznovrsnih znanja i

vještina. U vezi s tim obrazovanje je povezano s učenjem.

Učenje je složeni psihički proces koji obuhvaća usvajanje navika,

informacija, znanja, vještina i sposobnosti koje se obično odvija

pomoću organizirane nastave.

Nastava se implementira pomoću nastavnih sadržaja, pa se kaže da se

nastava sastoji od nastavnih sadržaja. Nadalje nastavni su sadržaji

organizirani uz pomoć objekata učenja.

Učenje ima okruženje učenja, prostor učenja i oblike učenja.

Uobičajeni oblici učenja su iskazani pomoću njihovih oblika: formalno

učenje, neformalno učenje i informalno učenje. Osim toga, ima i svoje

podvrste: daljinsko učenje, tradicionalno učenje u učionici i e-

učenje.

Daljinsko učenje kao podvrstu ima online učenje.

Tehnologija je skup tehnika, metoda ili procesa koji se koriste u

proizvodnji dobara ili usluga ili u ostvarivanju ciljeva, primjerice

znanstvenog istraživanja. Tehnologija ima svoju raščlambu na podvrste

kao što su: informacijska i komunikacijska tehnologija i obrazovna

tehnologija.

Posebno nas zanima informacijska i komunikacijska tehnologija jer

podržava e-učenje, što je sinergija učenja i izrečene informacijske i

komunikacijske tehnologije.

E-učenje može biti isporučeno kao asinkrono učenje i kao sinkrono

učenje. Važno je primijetiti da online učenje kao podvrstu ima upravo

izrečene koncepte asinkrono i sinkrono učenje.

E- učenje se odvija u sustavima e-učenja koji se imaju strukturu

povezanu sa: isporukom, funkcionalnostima, sudionicima, podvrstama,

važnim konceptima i konfiguracijama.


85

U vezi sa strukturom sustava e-učenja definirani su brojni koncepti.

Ovdje se navode samo neki. Sustav e-učenja isporučuje nastavne

sadržaje. Funkcionalnosti sustava e-učenja su: administriranje

sudionika, oblikovanje, pospremanje i isporuka nastavnih sadržaja,

testiranje i vrednovanje znanja i upravljanje ili na višoj razini

vođenje procesa učenja.

Sudionici sustava e-učenja su: administrator sustava, učenik i

učitelj. Sustav e-učenja ime sljedeće važne koncepte radi poimanja

njegovog okruženja: autorska programska podrška, autorski jezik,

autorski sustav, autorstvo i courseware.

Podvrsta sustava e-učenja je inteligentni sustav e-učenja.

Konfiguracije sustave-učenja su: sustav za upravljanje učenjem i

sustav za upravljanje sadržajem učenja.

Kao posljedica strukturiranja koncepata u vezi sa sustavom e-učenja u

ovoj je mapi istaknuto još i hibridno učenje. Hibridno učenje u

svojoj strukturi uključuje: online učenje i tradicionalno učenje.

Osim toga hibridno je učenje bogato po svojoj implementaciji pa se

zato govori da ono ima i svoje modele.


86

4.1.2. Oblikovanje

Postupak oblikovanja područnog znanja nastavne cjeline Znanje o učenju i sustavima

e-učenja započinje s definiranjem korijenskih koncepata područnog znanja (i)

obrazovanje i (ii) tehnologija. Slijedi njihova raščlamba zapravo oblikovanje

ontologije za čije postavljanje je odabran formalizam mape koncepata i relacije među

konceptima.

Učenje se promatra u okviru šireg koncepta obrazovanja, a informacijska i

komunikacijska tehnologija s osloncem na računalnu tehnologiju i njen razvoj.

Posebno se definira koncept obrazovna tehnologija (eng. Educational technology) koji

označava upotrebu svih alata radi poboljšanja procesa učenja. Hibridno učenje

gledamo kao koncept koji ima modele hibridnog učenja, tradicionalno učenje u

učionici i online učenje. U vezi s tim u tablici 4.2. strukturiran je popis temeljnih

koncepata: tehnologija (24 koncepata), obrazovanje (13 koncepata) i hibridno učenje

(2 koncepata).

Pri izradi mape koncepata, važno je početi s znanjem za koje pretpostavljamo da je

blisko učeniku koji uči uz pomoć mape. Također je važno odrediti područje znanja

koje se formalizira, a to se najbolje postiže pripremanjem odgovarajućeg fokusnog

pitanja [114], ili pitanja na koje će znanje ucrtano u mapu ponuditi odgovor. Glavno

fokusno pitanje za našu mapu je "Znanje o učenju i sustavima e-učenja".

U već prikazanoj tablici 4.1. je područno znanje za sustave e-učenja koje je opisano

tekstom na prirodnom jeziku (gdje su mogući koncepti u tekstu naglašeni) dok u

tablici 4.2. možemo vidjeti popis koncepata abecednim redoslijedom, a u tablici 4.3.

popis relacija čime je omogućena formalizacija područnog znanja.


87

Tablica 4.2 Popis koncepata unutar područnog znanja „Znanje o učenju i sustavima e-učenja“

1. Administrator sustava

2. Administriranje sudionika

3. Asinkrono učenje

4. Autorska programska podrška

5. Autorski jezik

6. Autorski sustav

7. Autorstvo

8. Courseware

9. Daljinsko učenje

10. E-učenje (Sinergija učenja

i ICT)

11. Formalno učenje

12. Hibridno učenje

13. Informacijska i

komunikacijska tehnologija

(ICT)

14. Informalno učenje

15. Inteligentni sustav e-

učenja

16. Modeli hibridnog učenja

17. Nastava

18. Nastavni sadržaj

19. Neformalno učenje

20. Objekt učenja

21. Oblik učenja

22. Oblikovanje, pospremanje i

isporuka nastavnih sadržaja

23. Obrazovanje

24. Obrazovna tehnologija

25. Okruženje učenja

26. Online učenje

27. Prostor učenja

28. Sinkrono učenje

29. Sustav e-učenja

30. Sustav za upravljanje

sadržajem učenja

31. Sustav za upravljanje

učenja

32. Tehnologija

33. Teorija učenja

34. Testiranje i vrednovanje

znanja

35. Tradicionalno učenje u

učionici - Face to Face -

f2f

36. Upravljanje ili na višoj

razini vođenje procesa

učenja

37. Učenik

38. Učenje

39. Učitelj

Tablica 4.3 Popis relacija unutar područnog znanja „Znanje o učenju i sustavima e-učenja“

1. Je povezano sa

2. Se odvija pomoću

3. Ima

4. Se oslanja na

5. Ima podvrstu

6. Može biti

7. Podupire

8. Se sastoji od

9. Isporučuje

10. Može biti isporučen kao

11. Ima važan koncept

12. Ima funkcionalnost

13. Ima sudionike

14. Ima konfiguraciju

Konačno slijedom sadržaja tablice 4.2. i tablice 4.3. oblikujemo sadržaj tablice 4.4.

koja nosi propozicije područnog znanja.


88

Tablica 4.4 Popis propozicija unutar područnog znanja „Znanje o učenju i sustavima e-učenja“

1. Daljinsko učenje Ima podvrstu Online učenje

2. E-učenje Sinergija učenja i ICT Može biti isporučeno kao

Sinkrono učenje

3. E-učenje Sinergija učenja i ICT Može biti isporučeno kao

Asinkrono učenje

4. Hibridno učenje Ima Online učenje

5. Hibridno učenje Ima Modeli hibridnog učenja

6. Hibridno učenje Ima Tradicionalno učenje u učionici

7. Informacijska i komunikacijska tehnologija ICT Podupire E-

učenje Sinergija učenja i ICT

8. Nastava Se sastoji od Nastavni sadržaj

9. Nastavni sadržaj Se sastoji od Objekt učenja

10. Oblik učenja Može biti Informalno učenje

11. Oblik učenja Može biti Formalno učenje

12. Oblik učenja Može biti Neformalno učenje

13. Obrazovanje Se odvija pomoću Nastava

14. Obrazovanje Je povezano sa Učenje

15. Online učenje Ima podvrstu Asinkrono učenje

16. Online učenje Ima podvrstu Sinkrono učenje

17. Sustav e-učenja Isporučuje Nastavni sadržaj

18. Sustav e-učenja Ima funkcionalnost Administriranje

sudionika

19. Sustav e-učenja Ima važan koncept Autorstvo

20. Sustav e-učenja Ima važan koncept Autorski jezik

21. Sustav e-učenja Ima važan koncept Autorski sustav

22. Sustav e-učenja Ima funkcionalnost Testiranje i

vrednovanje znanja

23. Sustav e-učenja Ima sudionike Administrator sustava

24. Sustav e-učenja Ima funkcionalnost Oblikovanje

pospremanje i isporuka nastavnih sadržaja

25. Sustav e-učenja Ima važan koncept Courseware

26. Sustav e-učenja Ima sudionike Učenik

27. Sustav e-učenja Ima važan koncept Autorska programska podrška

28. Sustav e-učenja Ima funkcionalnost Upravljanje ili na

višoj razini vođenje procesa učenja

29. Sustav e-učenja Može biti Inteligentni sustav e-učenja

30. Sustav e-učenja Ima konfiguraciju Sustav za upravljanje

učenja

31. Sustav e-učenja Ima sudionike Učitelj

32. Sustav e-učenja Ima konfiguraciju Sustav za upravljanje

sadržajem učenja

33. Tehnologija Ima podvrstu Obrazovna tehnologija

34. Tehnologija Ima podvrstu Informacijska i komunikacijska

tehnologija ICT

35. Učenje Se oslanja na Teorija učenja

36. Učenje Ima Prostor učenja

37. Učenje Ima Okruženje učenja

38. Učenje Ima podvrstu E-učenje Sinergija učenja i ICT

39. Učenje Ima Oblik učenja

40. Učenje Ima podvrstu Daljinsko učenje 41. Učenje Ima podvrstu Tradicionalno učenje u učionici


89

Svaki sljedeći korak ADDIE modela je temelj prethodnog koraka tako da je s

popisom propozicija područnog znanja završen prijelaz s oblikovanja na razvoj koji je

opisan u sljedećem odjeljku.

4.1.3. Razvoj

CmapTools je okruženje za razvoj područnog znanja koje će učenik koristiti prilikom

učenja, testiranja i poučavanja. Područno znanje se sastoji od koncepata koji su

međusobno povezani relacijama koje prikazuju smjer povezanosti koncepata.

Koncepti unutar područnog znanja su različite dubine, pa zbog toga koristimo

pojmove nadkoncept i podkoncept koji ujedno označavaju i smjer povezanosti

koncepata (slika 4.3. i 4.4.).

Slika 4.3 Okvir za izradu mape koncepata (lijevo), koncept(desno)

Slika 4.4 Primjer nadkoncepta (obrazovanje) i podkoncepta (Učenje i Nastava)

Učitelj može konceptu pridružiti hipermedijske atribute koji se koriste prilikom

procesa poučavanja. Hipermedijski atributi predstavljaju detaljan opis koncepta, te

mogu uključivati sve vrste hipermedijskog sadržaja (multimedija i hipertekst). Sadržaj


90

atributa je HTML (eng. HyperText Markup Language) dokument koji se učeniku

prikazuje u pregledniku. Prilikom opisa koncepta unutar CmapTools okruženja mogu

se koristiti HTML oznake kao što su paragrafi, slike, ugrađeni sadržaj sa vanjskih

usluga (YouTube usluga), audio zapis i drugi sadržaji podržani od strane HTML5

normi [115] (slike 4.5. i 4.6.).

Slika 4.5 Opis koncepta "Obrazovanje" u okruženju CmapTools

Slika 4.6 Primjer opisa koncepta slikom uz pomoć HTML atributa

Slijedom opisanog postupka dobivena je mapa koncepata i relacija za područno

znanje "Znanje o učenju i sustavima e-učenja" (slika 4.7) gdje možemo vidjeti 39

koncepata i 14 relacija unutar CmapTools okruženja sa istaknuta tri korijenska

koncepta: obrazovanje, tehnologija i hibridno učenje. Relacije u suštini povezuju

odnošene koncepte i formiraju semantičku strukturu koju nazivamo propozicija (na

našem slučaju to je 41 propozicija). Važno je naglasiti da upravo propozicije

zasnivaju ontološki opis znanja, tj. granule područnog znanja koje učenik mora

naučiti i nad kojim se provodi proces testiranja.


91

Slika 4.7 Mapa koncepata i relacija unutar CmapTools okruženja


92

Poslije provedenih faza ADDIE modela analize, oblikovanja i razvoja mape

koncepata unutar CmapTools okruženja i pridruživanja hipermedijskih atributa za

koncepte područnog znanja potrebno je istu isporučiti okruženju prototipa programske

podrške modula CM Tutor-a.

Isporuka nastavnih sadržaja (eng. Content delivery) je druga funkcionalnost KD&D

modela i opisana je u sljedećem poglavlju.


93

4.2. Isporuka nastavnih sadržaja

Isporuka nastave orijentirana je prema učeniku, a odvija se u okruženju razvijenog

prototipa programske podrške modula CM Tutor-a. Ova funkcionalnost ima nekoliko

faza koje su iskazane sa sljedećim opisom:

- Prevođenje mape koncepata u CXL (eng. Concept mapping eXtensible Language)

datoteku čiji je sadržaj zapis propozicija područnog znanja. Propozicije su tvrdnje

koje iskazuju odnose koncepata i njihovu povezanost s relacijom.

- Postavljanje CXL datoteke u okruženje sustava Moodle da bi se ostvarile

aktivnosti CM Tutor-a radi testiranja, učenja i poučavanje nad ontologijom

područnog znanja.

Oblikovanu mapu koncepata u CmapTools-u potrebno je spremiti u CXL datoteku.

CXL je javno dostupan XML-temeljen jezik (eXtensible Markup Language) [115] za

opisivanje sadržaja napravljenog u CmapsTools-u. CXL je zamišljen kao

međunarodna norma za spremanje mapa koncepata kao i mehanizam za razmjenu

mapa koncepata između različitih programa [116]. Znanstvenici snažno potiču

razvijanje CXL formata na način da predlažu rješenja za njegovo poboljšanje.

Korisnici također razmjenjuju vlastita iskustva primjene CXL jezika. Naš pristup

primjene je jedinstven jer na jednostavan način pretvaramo CXL datoteku u relacijski

model baze podataka unutar Moodle okruženja uz pomoć aktivnosti CM Tutor.

CXL jezik je napisan kao ASCII tekst zbog toga da korisnici s niskom razinom

tehničkog znanja mogu bez poteškoća pročitati sadržaj datoteke u bilo kojem

tekstualnom alatu. Slika 4.8. prikazuje jedan dio sadržaja CXL datoteke u kojoj se

nalaze informacije o mapi koncepata "Znanje o učenju i sustavima e-učenja". Postoje

četiri osnova dijela CXL datoteke:

1. dio definira vrstu XML dokumenta

2. dio koji je naveden kao 'res-meta' element, sadrži razine informacije o mapi kao

što su naslov, opis i autor

3. dio (Cmap Data section) je rezerviran za popis koncepata i veza između njih. U

ovom dijelu se nalazi concept-list tag koji objedinjuje sve koncepte u jednu listu,

concept tag koji predstavlja pojedini koncept, linking-phrase-list tag koji

objedinjuje niz relacija, linking-phrase tag koji predstavlja relaciju, connection-

list tag koji predstavlja niz uređenih trojki nadkoncept - relacija - podkoncept


94

4. dio CXL datoteke koji brine se za izgled mape te sadrži informacije kao što su:

lokacija, veličina, boja, font za koncepte i relacije definirane u trećem dijelu CXL

datoteke.

<?xml version="1.0" encoding="UTF-8"?> 

<cmap xmlns:dcterms="http://purl.org/dc/terms/"

xmlns="http://cmap.ihmc.us/xml/cmap/"

xmlns:dc="http://purl.org/dc/elements/1.1/"

xmlns:vcard="http://www.w3.org/2001/vcard-rdf/3.0#">

<res-meta> 

<dc:title>Sustavi e - učenja </dc:title>

<dc:description>znanje o e-učenju i sustavima e-učenja te

njihovoj primjeni u obrazovanju, nastavi i učenju i

poučavanju.</dc:description>

<dc:creator>

<vcard:FN>Tomislav Volaric</vcard:FN>

</dc:creator>

</res-meta>

<map width="1441" height="878"> 

<concept-list>

<concept id="1PFRGPCZL-TZ236T-Z1" label="Objekt

učenja"/>

<concept id="1PDMDPQKF-14Y43C9-S2" label="Hibridno

učenje"/>

</concept-list>

<linking-phrase-list>

<linking-phrase id="1PDTF68GW-1ZZX9XT-15P" label="Ima

funkcionalnost"/>

<linking-phrase id="1PDMDRFXW-1JD7NRK-SX" label="Ima"/>

</linking-phrase-list>

<connection-list>

<connection id="1Q5KQ1RQL-BY3NW8-TL" from-

id="1Q5KQ1RPM-QPMP9Q-TB" to-id="1PD473CJH-2BS89KZ-JY"/>

<connection id="1PDMDVKRF-1S1ZYP4-VY" from-

id="1PDMDVKR3-22Z5P51-VP" to-id="1PDF8T6QM-159G5HX-VD"/>

</connection-list>

<concept-appearance-list> 

<concept-appearance id="1PFRGPCZL-TZ236T-Z1" x="850"

y="328" width="100" height="28" font-style="plain" border-

color="0,0,255,255"/>

</connection-appearance-list>

</map>

</cmap>

Slika 4.8 Jednostavni primjer CXL datoteke „Znanje o učenju i sustavima e-učenja“

U pogledu isporuke nastavnih sadržaja u suglasju s podatkovnom osnovom i uz

pomoć definicija opisane u drugom poglavlju (Definicije 3. i 4.) stvorena su 2


95

algoritma (Algoritam 11 i Algoritam 12) pomoću kojih implementiramo izdvajanje

koncepata, relacija i hipermedijskih atributa iz CXL datoteke u relacijsku bazu

podataka. Algoritam 11 i Algoritam 12 ćemo sažeto opisati i prikazati njihov

pseudokod i matematički formalizam.

Algoritam 11. Pseudokod algoritma za izdvajanje koncepata i relacija

iz CXL datoteke CmapTools programskog alata

Definicija simbola:

𝑝𝑖𝑐𝑥𝑙 ∈ 𝑃𝑐𝑥𝑙 elementi linking-phrase iz linking-phrase-list XML

atributa CXL datoteke

𝑟𝑖𝑚𝑦𝑠𝑞𝑙 ∈ 𝑝𝑖𝑚𝑦𝑠𝑞𝑙 , 𝑝𝑖𝑚𝑦𝑠𝑞𝑙 ∈ 𝑃𝑚𝑦𝑠𝑞𝑙 predstavlja skup svih relacija u MySQL

bazi podataka

𝑓: 𝑟𝑖𝑐𝑥𝑙 ∈ 𝑝𝑖𝑟𝑐𝑥𝑙 → 𝑟𝑖𝑚𝑦𝑠𝑞𝑙 ∈ 𝑝𝑖𝑚𝑦𝑠𝑞𝑙 funkcija preslikavanja CXL relacije u

relaciju baze podataka

𝑔: 𝑘𝑖𝑐𝑥𝑙 ∈ 𝑝𝑖𝑐𝑥𝑙 → 𝑘𝑖𝑚𝑦𝑠𝑞𝑙 ∈ 𝑝𝑖𝑚𝑦𝑠𝑞𝑙 funkcija preslikavanja CXL koncepta u

koncept baze podataka

Ulaz: 𝑃𝑐𝑥𝑙 skup svih propozicija u područnom znanju zapisane u CXL

datoteci

Izlaz: 𝑃𝑚𝑦𝑠𝑞𝑙 skup svih propozicija u područnom znanju zapisane u

Moodle bazi podataka

1. za svaki 𝑝𝑖𝑐𝑥𝑙 ∈ 𝑃𝑐𝑥𝑙 radi

a. napravi novi Moodle objekt 𝑓: 𝑟𝑖𝑐𝑥𝑙 ∈ 𝑝𝑖𝑟𝑐𝑥𝑙 → 𝑟𝑖𝑚𝑦𝑠𝑞𝑙 ∈ 𝑝𝑖𝑚𝑦𝑠𝑞𝑙

i. Postavi vrijednost šifra objekta 𝑟𝑖𝑚𝑦𝑠𝑞𝑙

ii. Postavi vrijednost naziv objekta 𝑟𝑖𝑚𝑦𝑠𝑞𝑙

b. Spasi objekt 𝑟𝑖𝑚𝑦𝑠𝑞𝑙 u bazu podataka

c. Napravi novi Moodle objekt 𝑔: 𝑘𝑖𝑐𝑥𝑙 ∈ 𝑝𝑖𝑟𝑐𝑥𝑙 → 𝑘𝑖𝑚𝑦𝑠𝑞𝑙 ∈ 𝑝𝑖𝑚𝑦𝑠𝑞𝑙

i. Postavi vrijednost šifra objekta 𝑘𝑖𝑚𝑦𝑠𝑞𝑙

ii. Postavi vrijednost naziv objekta 𝑘𝑖𝑚𝑦𝑠𝑞𝑙

d. Spasi objekt 𝑘𝑖𝑚𝑦𝑠𝑞𝑙 u bazu podataka

2. Za svaki 𝑟𝑖𝑐𝑥𝑙 ∈ 𝑝𝑖𝑐𝑥𝑙, 𝑝𝑖𝑐𝑥𝑙 ∈ 𝑃𝑐𝑥𝑙 radi

a. Za svaki 𝑘𝑖𝑐𝑥𝑙 ∈ 𝑝𝑖𝑐𝑥𝑙 , 𝑝𝑖𝑐𝑥𝑙 ∈ 𝑃𝑐𝑥𝑙 radi

i. 𝑘𝑖𝑝𝑜𝑑 ∈ 𝑝𝑖𝑐𝑥𝑙 , 𝑝𝑖𝑐𝑥𝑙 ∈ 𝑃𝑐𝑥𝑙 , 𝑘𝑖𝑝𝑜𝑑 = 𝑘𝑖𝑐𝑥𝑙 ukoliko je sifra

𝑘𝑖𝑝𝑜𝑑 jednaka sifri 𝑘𝑖𝑐𝑥𝑙 atributa to-id

ii. Postavi 𝑘𝑖𝑛𝑎𝑑 ∈ 𝑝𝑖𝑐𝑥𝑙 , 𝑝𝑖𝑐𝑥𝑙 ∈ 𝑃𝑐𝑥𝑙 , 𝑘𝑖𝑛𝑎𝑑 = 𝑘𝑖𝑐𝑥𝑙

b. Za svaku 𝑟𝑖𝑚𝑦𝑠𝑞𝑙 ∈ 𝑝𝑖𝑚𝑦𝑠𝑞𝑙 radi

i. Postavi 𝑟𝑡𝑟𝑒𝑛𝑚𝑦𝑠𝑞𝑙 = 𝑟𝑖𝑚𝑦𝑠𝑞𝑙 ∈ 𝑝𝑖𝑚𝑦𝑠𝑞𝑙

ii. 𝑟𝑖𝑡𝑟𝑒𝑛 ∈ 𝑝𝑖𝑐𝑥𝑙 , 𝑝𝑖𝑐𝑥𝑙 ∈ 𝑃𝑐𝑥𝑙 , 𝑟𝑖𝑡𝑟𝑒𝑛 = 𝑟𝑖𝑐𝑥𝑙 ukoliko je sifra

𝑟𝑖𝑡𝑟𝑒𝑛 jednaka sifri 𝑟𝑖𝑡𝑟𝑒𝑛 atributa to-id

iii. Za svaki 𝑟𝑖𝑐𝑥𝑙 ∈ 𝑝𝑖𝑐𝑥𝑙, 𝑝𝑖𝑐𝑥𝑙 ∈ 𝑃𝑐𝑥𝑙 radi

c. Za svaki 𝑘𝑖𝑚𝑦𝑠𝑞𝑙 ∈ 𝑝𝑖𝑚𝑦𝑠𝑞𝑙 radi

i. 𝑃𝑚𝑦𝑠𝑞𝑙 ⋃ 𝑝𝑖𝑚𝑦𝑠𝑞𝑙 , 𝑘𝑖𝑚𝑦𝑠𝑞𝑙 ∈ 𝑝𝑖𝑚𝑦𝑠𝑞𝑙 , 𝑟𝑖𝑚𝑦𝑠𝑞𝑙 ∈ 𝑝𝑖𝑚𝑦𝑠𝑞𝑙

3. Vrati 𝑃𝑚𝑦𝑠𝑞𝑙


96

Algoritam 11 služi za izdvajanje koncepata i relacija iz CXL datoteke u bazu podatka

Moodle sustava. Ulaz u algoritam je skup svih propozicija unutar područnog znanja

zapisane u CXL formatu (𝑃𝑐𝑥𝑙) a izlaz skup istih propozicija koje su zapisane u

relacijsku bazu podatka Moodle sustava (𝑃𝑚𝑦𝑠𝑞𝑙).

Pored sažetog tekstualnog opisa, matematičkog formalizma na slici 4.9. prikazan je

dijagram toka Algoritma 11.


97

Slika 4.9 Dijagram toka pretvaranja CXL datoteke u relacijski model baze podataka (Algoritam 11)


98

Algoritam 11 pretvara CXL datoteku u zapise baze podataka sadržajno povezane sa

konceptima, relacijama i propozicijama (slika 4.10).

Slika 4.10 Primjer koncepata, relacija i propozicija zapisanih u bazu podataka sustava Moodle iz CXL datoteke

Istim slijedom ćemo pridružiti njihove hipermedijske strukturne atribute za opis koncepata i

relacija područnog znanja (ako postoje) uz pomoć Algoritma 12.

Ulaz u Algoritam 12 je skup svih hipermedijskih atributa zapisanih u CXL datoteci (𝐻𝑐𝑥𝑙) a

izlaz je skup svih hipermedijskih atributa u bazi podataka sustava Moodle (𝐻𝑚𝑦𝑠𝑞𝑙). Bitno je

naglasiti da ovaj algoritam zapisuje sve opise koncepata u bazu kako bismo ih u kasnijim

fazama mogli koristiti u procesu učenja i poučavanja.

Algoritam 12. Pseudokod algoritma za izdvajanje atributa iz CXL datoteke

CmapTools programskog alata

Definicija simbola:

ℎ𝑖𝑐𝑥𝑙 ∈ 𝐻𝑐𝑥𝑙 elementi linking-phrase iz linking-phrase-list XML hipermedijski atributi CXL datoteke

𝐻𝑐𝑥𝑙 je skup svih hipermedijskih atributa zapisanih u CXL datoteci sustava CmapTools

𝐻𝑚𝑦𝑠𝑞𝑙 skup svih hipermedijskih atributa u bazi podataka sustava Moodle

𝑓: 𝐻𝑐𝑥𝑙 → 𝐻𝑠𝑞𝑙 , 𝐻𝑐𝑥𝑙 ⊆ 𝐻,𝐻𝑠𝑞𝑙 ⊆ 𝐻 funkcija preslikavanja CXL hipermedijskih atributa

Ulaz: 𝐻𝑐𝑥𝑙 je skup svih hipermedijskih atributa zapisanih u CXL datoteci sustava CmapTools

Izlaz: 𝐻𝑚𝑦𝑠𝑞𝑙 skup svih hipermedijskih atributa u bazi podataka sustava Moodle

1. Za svaki ℎ𝑖𝑐𝑥𝑙 ∈ 𝐻𝑐𝑥𝑙 , 𝐻𝑐𝑥𝑙 = {(𝑘𝑖 , ℎ𝑗)|𝑘𝑖 ∈ 𝐾, ℎ𝑗 ∈ 𝐻, 1 ≤ 𝑖 ≤ 𝑛 , 1 ≤ 𝑗 ≤ 𝑜} ⊂ 𝐾 × 𝐻 radi

2. 𝑔: ℎ ∈ 𝐻𝑐𝑥𝑙 → ℎ𝑖𝑚𝑦𝑠𝑞𝑙 ∈ 𝐻𝑚𝑦𝑠𝑞𝑙 , 𝐻𝑚𝑦𝑠𝑞𝑙 ⊆ 𝐻𝑐𝑥𝑙 funkcija preslikavanja CXL resursa u

hipermedijski opis baze podataka

3. Provjeri je li postoji 𝑘𝑖𝑚𝑦𝑠𝑞𝑙 ∈ 𝑝𝑖𝑚𝑦𝑠𝑞𝑙 , 𝑝𝑖𝑚𝑦𝑠𝑞𝑙 ∈ 𝑃𝑐𝑥𝑙 s id-om ℎ𝑖𝑐𝑥𝑙 ∈ 𝐻𝑐𝑥𝑙 resource-

group

Dohvati povezani koncept 𝑘𝑖𝑐𝑥𝑙

4. Provjeri je li postoji 𝑟𝑖𝑚𝑦𝑠𝑞𝑙 ∈ 𝑝𝑖𝑚𝑦𝑠𝑞𝑙 , 𝑝𝑖𝑚𝑦𝑠𝑞𝑙 ∈ 𝑃𝑚𝑦𝑠𝑞𝑙 s id-om ℎ𝑖𝑐𝑥𝑙 ∈ 𝐻𝑐𝑥𝑙

resource-group

Dohvati povezanu relaciju 𝑟𝑖𝑚𝑦𝑠𝑞𝑙

5. Postavi ℎ𝑖𝑚𝑦𝑠𝑞𝑙 ∪ 𝐻𝑚𝑦𝑠𝑞𝑙 , za svaki 𝑘𝑖𝑐𝑥𝑙 ∈ 𝑝𝑖𝑐𝑥𝑙 ∨ 𝑟𝑖𝑐𝑥𝑙 ∈ 𝑝𝑖𝑐𝑥𝑙

6. Vrati 𝐻𝑚𝑦𝑠𝑞𝑙


99

Dio CXL datoteke u kojoj su zapisani hipermedijski atributi sastoji se od:

1 resource-group-list – dio koji objedinjuje sve grupe resursa u jednu listu

2 resource-group – dio koji predstavlja pojedinu listu resursa

3 resource – koji predstavlja određeni resurs

Na slici 4.11. možemo vidjeti primjer hipermedijskih zapisa koji se vežu za svaki koncept

unutar CXL datoteke.

<?xml version="1.0" encoding="UTF-8"?>

<cmap>

xmlns:dcterms="http://purl.org/dc/terms/"




<map width="1441" height="878">

<resource-group-list>

<resource-group parent-id="1PDMDPQKF-14Y43C9-S2" group-type="text-and-

image">

<resource id="1Q5LJ9J58-NF5BH0-3H5" label="Hibridno učenje"

description="<img

src=http://images.hibridnoucenje.com/images/hibridno.jpg>"

resource-name="Hibridno učenje"

resource-mimetype="text/x-url" resource-server-

id="1PHRZMMFJ-4GZS9F-1"

resource-folder-id="1PHRZMVBD-1X7XCQ0-Z"

resource-id="1Q4X6HYNB-1KC4P2D-HK"

resource-url="file:///C:/Users/Tomislav/Documents/My

Cmaps/Hibridno ucenje.url"/>

</resource-group> ....

</resource-group-list>

</map>

</cmap>

Slika 4.11 Hipermedijski zapisi koji se vežu za svaki koncept unutar CXL datoteke

Algoritam 12 pored tekstualnog i matematičkog opisa prikazan je i dijagramom toka na slici

4.12.


100

Slika 4.12 Postupak zapisa opisa koncepata u relacijski model baze podataka (Algoritam 12)

Primijetimo da smo uz pomoć Algoritma 11 i Algoritma 12 zapravo preveli mapu koncepata u

podatkovnu strukturu sustava Moodle. Na slici 4.13. možemo vidjeti da CM Tutor predstavlja

aktivnost sustava Moodle uz pomoć kojeg učitelj isporučuje područno znanje zapisano u CXL

formatu.

Slika 4.13 Prikaz aktivnosti "CM Tutor" u okruženju sustava Moodle

Aktivnost CM Tutor


101

Zaključno, područno znanje oblikovano u CmapTools okruženju i zapisano u CXL formatu

isporučujemo sustavu Moodle tj. njegovoj aktivnosti CM Tutor pomoću dva opisana

algoritma (Algoritam 11 i Algoritam 12). Radi potpunijeg objašnjenja ovih procesa smatrali

smo važnim uvesti i formalizam dijagramu toka s opisom dinamike procesa oblikovanja i

isporuke nastavnih sadržaja (Slika 4.14.).

Slika 4.14 Proces izgradnje područnog znanja za pojedinu CM Tutor aktivnost

CM Tutor kao aktivnost unutar sustava Moodle može se dodati neograničen broj puta. Na

isporučenom područnom znanju CM Tutor omogućava učenje, testiranje i poučavanje.

Pomoću zapisa traga aktivnosti učenika u procesu učenja, poučavanja i testiranja znanja

zasnivamo postupak modeliranja tj. oblikovanja modela učenika kao i dijagnostiku znanja

učenika što je predmet rasprave sljedećeg poglavlja.


102

4.3. Modeliranje učenika - oblikovanje modela i dijagnostika znanja

Modeliranje učenika je temeljni dio opisa KD&D modela jer obuhvaća najvažnije procese

iskazane sa učenjem, poučavanjem, testiranjem i vrednovanjem znanja učenika. U takvom

složenom okruženju smo i sadržajno strukturirali ovo potpoglavlje disertacije. S tim u vezi,

potpoglavlje modeliranje učenika razdvojili smo na tri odjeljka: (i) oblikovanje modela

učenika; (ii) dijagnostika znanja učenika i (iii) prikaz mjerenja i izračuna kvantitativnih i

kvalitativnih pokazatelja modeliranja učenika iskazani višekriterijskim matematičkim

modelom.

Modeliranje učenika je po svojoj prirodi proces sa dvije faze (dva koraka) oblikovanje modela

učenika i dijagnostika znanja učenika. U zamisli disertacije smo naglasili da zapravo

provodimo hibridno modeliranje zbog nadogradnje tradicionalnog modela prekrivanja s

matematičkim formalizmima FAHP i TOPSIS metode višekriterijskog odlučivanja. Slijedom

iznesenog uvodimo u opisu modeliranja učenika i treći odjeljak s prikazom izračuna VKM

modela koji objedinjuje faze oblikovanja modela učenika (oslonjenu na FAHP metodu) i fazu

dijagnostike znanja učenika (oslonjenu na TOPSIS metodu).

4.3.1. Model znanja učenika

Model učenika je definiran kao podatkovna struktura koji se oblikuje temeljem aktivnosti koje

učenik ostvaruje prilikom učenja, poučavanja i testiranja znanja. CM Tutor omogućava

oblikovanje modela učenika uz uvažavanje dvije značajke: (i) obuhvata skupa podataka o

tijeku učenja i testiranja (trag), (ii) stanja znanja učenika pri prekrivanju sa znanjem učitelja.

Model učenika nam omogućava zapis nedostatka znanja i pogrešnog poimanja učenika u

odnosu na učitelja ili kombinacije ove dvije kategorije.

4.3.1.1. Učenje

Scenarij učenja za CM Tutor organiziran je globalno u dvije faze: (i) faza prvog pokretanja

nastavnih sadržaja i (ii) faza nakon provedenog testiranja područnog znanja, a inicirana

pogrešnim odgovorima učenika.

Prva faza je učenje u okruženju izvorne mape koncepata i relacija područnog znanja što je

omogućeno prilikom prvog pokretanja aktivnosti CM Tutora (slika 4.14.).


103

Slika 4.15 Mape koncepata za učenje unutar CM Tutor okruženja


104

Učenik uz pomoć Pan/Zoom opcije CM Tutor sustava može „šetati“ po mapi koncepata što je

naročito važno kod područnog znanja s većim brojem koncepata. Na slici 4.15. vidimo

Pan/Zoom navigaciju i pregled mape koncepata.

Slika 4.16 Pan/Zoom navigacija

Ako je učitelj pri oblikovanju područnog znanja dodao hipermedijski zapis pojedinom

konceptu učenik može taj isti opis pročitati klikom desne tipke miša na izabrani koncept (slika

4.16).

Slika 4.17 Prikaz Moodle okruženja učenja u okviru aktivnosti CM Tutor

Na slici 4.17. možemo vidjeti opis koncepta s video zapisom, slikom ili s tekstom koji ima

poveznicu.


105

Slika 4.18 Primjer opisa koncepta (Sustavi e-učenja - video, Daljinsko učenje - slika, Učenje - tekst s poveznicom) s hipermedijskim atributima

Nakon što učenik završi s učenjem koncepata kreće na testiranje izborom tipke Započni

testiranje (slika 4.14).

Druga faza je učenje inicirano odgovorima učenika koje je pružio za vrijeme postupka

testiranja znanja. U načelu, učenik može odgovoriti točno, netočno i u odgovoru koristiti

pomoć CM Tutor-a (Tablica 4.5). Navedenu strukturu kao posljedicu inicijative učenika u

programskom smislu omogućavaju algoritmi: Algoritam 5, Algoritam 6 i Algoritam 10. Ovi

algoritmi su po svojem djelovanju u interakciji i nadopunjavaju se među sobom i

implementacijom su omogućili funkcionalnost Učenja.

Tablica 4.5 Primjer pitanja i povratne informacije za točan, netočan i točan uz pomoć odgovor u okruženju CM Tutora

Pitanje CM Tutor – a Odgovor učenika

Točan odgovor umanjen

za 50 % bodova


106

Algoritam 5 globalno provjerava da li je učenik odgovorio na pitanje točno, točno uz pomoć

ili netočno, te u vezi s tim dodjeljuje bodove učeniku. Svaki odgovor kao ishod pitanja, uz

uvažavanje Bloomove taksonomije, donosi različiti broj bodova za točan odgovor. U tom

smislu bodovna bilanca se ravna prema sljedećem: (i) Znanje – predložak 1 ima jedan bod;

(ii) Razumijevanje – predlošci 2, 3 i 4 se boduju s dva boda; (iii) Analiza - predložak 5 ima

četiri boda; (iv) Vrednovanje – predložak 6 ima šest bodova; (v) Stvaranje - predložak 7 ima

najveći broj bodova, a to je sedam (Tablica 4.8). Osim navedenog, učenik može u odgovoru

koristiti pomoć za svako pitanje (prikazano na slici 4.23), što naravno smanjuje bodovni iznos

za 50%.

Algoritam 5 za ulaz ima skup svih odgovora na pitanje koje je dao učenik prilikom testiranja.

Obrada algoritma obuhvaća dohvaćanje svih točnih odgovora iz baze, provjeru da li je učenik

koristio pomoć pri odgovoru na pitanja i na osnovu toga dodjelu bodova. Kao izlaz Algoritam

5 vraća informaciju kako je učenik odgovorio na pitanje. U nastavku faze učenja inicirano

pogrešnim odgovorom je prikazan pseudokod Algoritma 5:


107

Algoritam 5. Algoritam za provjeru točnosti odgovora i bodovanje istih

Definicija simbola:

𝒔𝒑𝒋 ∈ 𝑺𝑷 skup svih generiranih pitanja

𝒕𝒐 ∈ 𝑻𝑶𝒋, 𝑻𝑶𝒋 ∈ 𝑺𝑷 skup svih točnih odgovora na pitanje

𝒖𝒐𝒋 ∈ 𝑼𝑶 skup svih odgovora na pitanje koje je dao učenik prilikom testiranja

𝒉𝒊𝒏𝒕 atribut koji prikazuje je li korisnik prilikom odgovora na pitanje koristio pomoć

𝒃𝒐𝒅𝒐𝒗𝒊 atribut u koji se kumulativno skupljaju bodovi

𝐋𝐞𝐯𝐞𝐧𝐬𝐡𝐭𝐞𝐢𝐧: (𝒖𝒐𝒋 ∈ 𝑼𝑶, 𝒕𝒐 ∈ 𝑻𝑶𝒋) → ℝ funkcija koja na osnovu učenikova odgovora i točnog odgovora vraća broj koji predstavlja sličnost dvaju

elemenata

𝑫𝒖𝒍𝒋𝒊𝒏𝒂: 𝒖𝒐𝒋 ∈ 𝑼𝑶 → ℝ funkcija koja na osnovu korisnikovog unosa vraća njegovu duljinu

𝒌 indeks predloška trenutnog pitanja

Ulaz: 𝑺𝑷 skup generiranih pitanja, 𝑻𝑶𝒋 ∈ 𝑺𝑷, 𝒖𝒐𝒋 ∈ 𝑼𝑶, 𝒉𝒊𝒏𝒕, 𝒃𝒐𝒅𝒐𝒗𝒊

Izlaz: Element [𝑻𝒓𝒖𝒆, 𝑭𝒂𝒍𝒔𝒆] skupa koji vraća informaciju je li učenik točno odgovorio na pitanje

Koraci:

1. za 𝒔𝒑𝒋 ∈ 𝑺𝑷 činiti

- Dohvati 𝒕𝒐 ∈ 𝑻𝑶𝒋 iz baze podataka na osnovu pitanja 𝒔𝒑𝒋

- ako je 𝒉𝒊𝒏𝒕 = 𝟎 tada:

i. 𝒃𝒐𝒅𝒐𝒗𝒊 =𝒃𝒓𝒐𝒋𝒃𝒐𝒅𝒐𝒗𝒂

𝟐, 𝒃𝒓𝒐𝒋𝒃𝒐𝒅𝒐𝒗𝒂 ∈ 𝒔𝒑𝒋

- ako je 𝒌 = 𝟏 tada

i. ako je 𝐋𝐞𝐯𝐞𝐧𝐬𝐡𝐭𝐞𝐢𝐧: (𝒖𝒐𝒋 ∈ 𝑼𝑶, 𝒕𝒐 ∈ 𝑻𝑶𝒋) → ℝ / 𝑫𝒖𝒍𝒋𝒊𝒏𝒂: 𝒖𝒐𝒋 ∈ 𝑼𝑶 → ℝ ≤

𝟎. 𝟎𝟓 ∧ 𝒉𝒊𝒏𝒕 = 𝟎 tada:

1. 𝒃𝒐𝒅𝒐𝒗𝒊 = 𝒃𝒐𝒅𝒐𝒗𝒊 + 𝟏 2. Vrati 𝑻𝒓𝒖𝒆

- ako je 𝑘 = 𝟐 ∨ 𝑘 = 𝟑 ∨ 𝑘 = 𝟒 tada

i. ako je 𝐋𝐞𝐯𝐞𝐧𝐬𝐡𝐭𝐞𝐢𝐧: (𝒖𝒐𝒋 ∈ 𝑼𝑶, 𝒕𝒐 ∈ 𝑻𝑶𝒋) → ℝ / 𝑫𝒖𝒍𝒋𝒊𝒏𝒂: 𝒖𝒐𝒋 ∈ 𝑼𝑶 → ℝ ≤

𝟎. 𝟎𝟓 ∧ 𝒉𝒊𝒏𝒕 = 𝟎 tada:

1. 𝒃𝒐𝒅𝒐𝒗𝒊 = 𝒃𝒐𝒅𝒐𝒗𝒊 + 𝟐 2. Vrati 𝑻𝒓𝒖𝒆

- ako je 𝒌 = 𝟓 tada i. dohvati koncepte vezane za pitanja

ii. ako je 𝐋𝐞𝐯𝐞𝐧𝐬𝐡𝐭𝐞𝐢𝐧: (𝒖𝒐𝒋 ∈ 𝑼𝑶, 𝒕𝒐 ∈ 𝑻𝑶𝒋) → ℝ / 𝑫𝒖𝒍𝒋𝒊𝒏𝒂: 𝒖𝒐𝒋 ∈ 𝑼𝑶 → ℝ ≤

𝟎. 𝟎𝟓 ∧ 𝒉𝒊𝒏𝒕 = 𝟎 tada:

1. 𝒃𝒐𝒅𝒐𝒗𝒊 = 𝒃𝒐𝒅𝒐𝒗𝒊 + 𝟒 2. Vrati 𝑻𝒓𝒖𝒆

- ako je 𝒌 = 𝟔 tada: i. dohvati koncepte hijerarhijski vezane za pitanja

ii. ako je 𝐋𝐞𝐯𝐞𝐧𝐬𝐡𝐭𝐞𝐢𝐧: (𝒖𝒐𝒋 ∈ 𝑼𝑶, 𝒕𝒐 ∈ 𝑻𝑶𝒋) → ℝ / 𝑫𝒖𝒍𝒋𝒊𝒏𝒂: 𝒖𝒐𝒋 ∈ 𝑼𝑶 → ℝ ≤

𝟎. 𝟎𝟓 ∧ 𝒉𝒊𝒏𝒕 = 𝟎 tada:

1. 𝒃𝒐𝒅𝒐𝒗𝒊 = 𝒃𝒐𝒅𝒐𝒗𝒊 + 𝟔 2. Vrati 𝑻𝒓𝒖𝒆

- ako je 𝒌 = 𝟕 tada: i. dohvati hijerarhijski koncepte vezane za pitanja

ii. pretvori dohvaćenu listu i listu odgovora u niz

iii. ako je 𝐋𝐞𝐯𝐞𝐧𝐬𝐡𝐭𝐞𝐢𝐧: (𝒖𝒐𝒋 ∈ 𝑼𝑶, 𝒕𝒐 ∈ 𝑻𝑶𝒋) → ℝ / 𝑫𝒖𝒍𝒋𝒊𝒏𝒂: 𝒖𝒐𝒋 ∈ 𝑼𝑶 → ℝ ≤

𝟎. 𝟎𝟓 ∧ 𝒉𝒊𝒏𝒕 = 𝟎 tada:

1. 𝒃𝒐𝒅𝒐𝒗𝒊 = 𝒃𝒐𝒅𝒐𝒗𝒊 + 𝟕 2. Vrati 𝑻𝒓𝒖𝒆

2. Vrati 𝑭𝒂𝒍𝒔𝒆


108

U uvjetima učenja koje je inicirano pogrešnim odgovorom učenika (to vrijedi i u postupku

testiranja znanja) očekivan je i zahtjev za upisom naziva koncepta ili naziva relacije. Ovakav

zahtjev u svojem rješavanju učeniku potencijalno omogućava i leksičku pogrešku (pogreška

sintakse u opisu koncepta i/ili relacije). U vezi s tim, a u namjeri da se izbjegne ova vrsta

pogreške implementirali smo Algoritam 10. Algoritam 10 je uključen u Algoritam 5 i

provjerava u kojoj mjeri je učenik pogriješio prilikom pisanja naziva koncepta ili relacije

(jedan ili više znakova). Ukoliko je učenik odgovorio u granicama zadane tolerancije (ispod

0,05) odgovor mu se priznajte kao točan. Granica tolerancije dobiva se dijeljenjem

Levensthein-ove udaljenosti [117] s ukupnim brojem znakova u nazivu koncepta ili relacije.

Algoritam 10. Pseudokod algoritma za određivanje minimalne udaljenosti

dvaju nizova

𝒅𝒊,𝒋 matrica svih elemenata udaljenosti između dvaju nizova

𝒂𝒊 ∈ {𝒂𝟏, 𝒂𝟐, … , 𝒂𝒏} ∈ 𝑨 prvi element znakovnog niza kojeg uspoređujemo

𝒃𝒋 ∈ {𝒃𝟏, 𝒃𝟐, … , 𝒃𝒎} ∈ 𝑩 drugi element znakovnog niza kojeg uspoređujemo

Ulaz: 𝒂𝒊 ∈ {𝒂𝟏, 𝒂𝟐, … , 𝒂𝒏} ∈ 𝑨 , 𝒃𝒋 ∈ {𝒃𝟏, 𝒃𝟐, … , 𝒃𝒎} ∈ 𝑩

Izlaz: 𝒅𝒎,𝒏 ∈ ℝ realna vrijednost koja predstavlja udaljenost dvaju nizova Koraci:

1. Generiraj matricu 𝒅𝒊,𝒋 ∈ 𝑫,𝑫 ⊆ 𝑬, 𝑬 ≔ (𝒆𝒊,𝒋)𝒎×𝒏, 𝒆𝒊,𝒋 ∈ ℝ, 𝟏 ≤ 𝒊 ≤ 𝒎, 𝟏 ≤ 𝒋 ≤ 𝒏, 𝒅𝒊,𝒋 = 𝟎

2. za svaki 𝒂𝒊 ∈ {𝒂𝟏, 𝒂𝟐, … , 𝒂𝒏} ∈ 𝑨 činiti za svaki 𝒃𝒋 ∈ {𝒃𝟏, 𝒃𝟐, … , 𝒃𝒎} ∈ 𝑩 činiti

𝒅𝒊,𝒋 ce biti minimalna vrijednost od

𝒅𝒊−𝟏,𝒋 + 𝟏,

𝒅𝒊,𝒋−𝟏 + 𝟏 ,

ako je 𝒂𝒊 ≠ 𝒃𝒋 tada 𝒅𝒊−𝟏,𝒋−𝟏 + 𝟏

ako je 𝒂𝒊 = 𝒃𝒋 tada 𝒅𝒊−𝟏,𝒋−𝟏 + 𝟎

3. Vrati 𝒅𝒎,𝒏

Algoritam 6 prikazuje učeniku povratnu informaciju o kvaliteti njegova odgovora s

odgovarajućim hipermedijskim atributom (Slika 4.19.). Također, sustav na pitanjima gdje je

učenik tražio pomoć (Slika 4.20.) prikazuje nastavni sadržaj jer smatramo da taj koncept

učenik nije u potpunosti usvojio.


109

Slika 4.19 Isporuka hipermedijskog atributa za koncept "Tradicionalno učenje"

Algoritam 6 za ulaz ima skup svih generiranih pitanja, skup svih propozicija koje je učenik

poznavao prilikom testiranja i skup svih odgovora na pitanje koje je dao učenik prilikom

testiranja. Obrada algoritma obuhvaća dohvaćanje nadkoncepta (i njegovih hipermedijskih

atributa) koji su povezani s pitanjem na koje je učenik odgovorio kao netočno. Kao izlaz

algoritam je isporučuje nastavni sadržaj za učenje.

Algoritam 6. Algoritam pokretanje aktivnosti prikaza sadržaja za učenje

Definicija simbola:

𝑠𝑝𝑗 ∈ 𝑆𝑃 skup svih generiranih pitanja

𝑘𝑛𝑎𝑑 bilo koji nadkoncept iz područnog znanja

𝑃𝐷𝑧𝑛𝑎 skup svih propozicija koje je učenik poznavao prilikom testiranja

𝑢𝑜𝑗 ∈ 𝑈𝑂 skup svih odgovora na pitanje koje je dao učenik prilikom testiranja

Ulaz: 𝑠𝑝𝑗 ∈ 𝑆𝑃, 𝑃𝐷𝑧𝑛𝑎, 𝑢𝑜𝑗 ∈ 𝑈𝑂 Izlaz: Sadržaj za učenje

Koraci:

1. ako je 𝑢𝑜𝑗 ∈ 𝑈𝑂 tada

Dohvati nadkoncept 𝑘𝑛𝑎𝑑 ∈ 𝑃𝐷𝑛𝑒𝑧𝑛𝑎 povezan s pitanjem 𝑠𝑝𝑗 ∈ 𝑆𝑃 koje je učenik netočno odgovorio

Dohvati sve ℎ𝑗 ∈ 𝑁 = {(𝑘𝑛𝑎𝑑 , ℎ𝑗)|𝑘𝑛𝑎𝑑 ∈ 𝐾, ℎ𝑗 ∈ 𝐻, 1 ≤ 𝑗 ≤ 𝑜} ⊂ 𝐾 × 𝐻 hipermedijske atribute povezane s tim konceptom

2. Prikaži učeniku skup hipermedijskih atributa ℎ𝑗 ∈ 𝑁


110

Slika 4.20 Prikaz pitanja i pomoći u CM Tutoru

Nakon faze učenja inicirano pogrešnim odgovorom učenika ponovno se pristupa ciklusu

testiranje. U sljedećem odjeljku je opis funkcionalnosti testiranja znanja učenika u CM

Tutoru. Opisat ćemo algoritme pomoću kojih smo povezali predloške pitanja s ishodom

učenja i stereotipom učenika, a sve povezano s modificiranom Bloomovom taksonomijom za

kognitivno područje.


111

4.3.1.2. Testiranje znanja učenika

Testiranje znanja učenika u okruženju prototipa programskog rješenja CM Tutor je aktivnost

učenika strukturno organizirana u dvije faze: (i) faza statičkih uvjeta i (ii) faza dinamičkih

uvjeta. Posebno ćemo opisati i analizirati ove faze.

Opis statičkih uvjeta testiranja znanja učenika

Statički uvjeti testiranja opisani su u četiri odjeljka. U prvom odjeljku opisujemo zadatke

objektivnog tipa korištene u CM Tutor-u. Drugi odjeljak opisuje formalizam predloška

zadataka objektivnog tipa uz pomoć: (i) opisa predloška pitanja; (ii) formalizma opisa

predloška pitanja; (iii) primjer predloška pitanja za zadano područno znanje; i (iv) opis

odgovora na primjeru predloška pitanja za zadano područno znanje. Treći odjeljak prikazuje

proces utvrđivanja stereotipa učenika što je u suglasju s razinom poznavanja zadanog

područnog znanja. Četvrti odjeljak smo sadržajno organizirali radi prikaza postupka

oblikovanja metrijskih karakteristika pouzdanosti i objektivnosti kodiranja zadataka

objektivnog tipa.

Zadaci Objektivnog Tipa

CM Tutor nizom zadataka objektivnog tipa prema zadanom područnom znanju testira učenika

i bilježi učenikovu razinu znanja. Aktivnost CM Tutor proširuje mogućnosti standardnog

LMS sustava s funkcionalnostima inteligentnog sustava za upravljanjem učenjem što je jedan

od doprinosa ove disertacije. Većina učitelja se susrela s pitanjima učenika poput: "Pratim što

radite na satu, ali kada to pokušam primijeniti, ne ide mi". Učenikovo praćenje učitelja spada

pod Bloomovu kategoriju razumijevanja, ali primjena istog je Bloomova kategorija sinteze.

Učenici napreduju različitim brzinama kroz različita područna znanja zbog motivacije ili

sposobnosti. Zato bi učitelj, kada poučava, trebao početi s kategorijama nižih razina, te

postupno prelaziti na više kategorije. Ako postavimo pitanja koja pripadaju svim kategorijama

znanja, možemo realnije izmjeriti učenikovo znanje.

Testiranje unutar CM Tutora upravo radi na ovakav način, učenika ispituje znanje kroz sve

kategorije. Također je bitno naglasiti ako sustav zaključi da učenik zna odgovore na pitanja na

nižoj razini npr. na razini razumijevanja onda će se učenika ispitivati samo ostale kategorije

koje nije usvojio. Ovisno o rezultatima testiranja učenik se također može vratiti iz više

kategorije u nižu.


112

Uz pomoć predložaka pitanja prikazi u tablici 4.5. CM Tutor generira vrste zadataka

objektivnog tipa:

- Zadaci jednostrukog izbora - najčešće je zadana tvrdnja, a učenik treba prepoznati da li je

točna ili netočna. Ovakvim zadacima možemo provjeriti razinu dosjećanja

- Zadaci višestrukog izbora - sadrže tvrdnju ili pitanje te četiri do pet predloženih odgovora

među kojima učenik treba izabrati jedno točno. Ovakvim zadacima moguće je ispitivati

poznavanje činjenica, razumijevanje principa pa čak i primjenu znanja.

- Zadaci sređivanja - učenici trebaju po nekom načelu srediti podatke koji se navode u

zadatku (vrednovanje), jedan zadatak sadrži niz podataka, a od učenika se traži da ih

razvrsta prema određenom kriteriju izbora

- Zadaci kreacije - zadatak sadrži niz podataka, a od učenika se traži vlastitom kreacijom

ponudi rješenje

Formalizam predložaka pitanja u zadacima objektivnog tipa

Unutar CM Tutora implementirani su različiti predlošci pitanja za svaku Bloomovu kategoriju

koju ćemo opisati pomoću primjera generiranih pitanja iz područnog znanja "Znanje o učenju

i sustavima e-učenja". Tablica 4.5. sadržajno opisuje formalizam predloška pitanja koje

generira CM Tutor. Važno je odrediti koja vrsta pitanja ispituje pojedinu kategoriju znanja

prema modificiranoj Bloomovoj taksonomi znanja za kognitivno područje.

Tablica 4.6 Formalizam predložaka pitanja CM Tutor-a

Predložak Formalizam pitanja Odgovor

t1 Je li istinita tvrdnja da #pk #r #nk ? #Da/Ne

t2 Što je relacijom #r povezano sa #pk ? #nk

t3 Sa čime je #nk povezan relacijom #r ? #pk

t4 #pk je povezan sa #nk po tome što? #r

t5 Što sve #nk #r ? #pki

t6 Poredajte koncepte od najviše do najniže razine. #koncepti#r

t7 Stvorite mapu koncepata uzimajući kao odrednice koncept (#k1) i koncept (#k2). #koncepti#r

Oznake korištene u Tablici 4.5. su:

#nk – nadkoncept; #pk – podkoncept; #r – relacija; #pki – višestruki podkoncept

#koncepti – nadkoncpti i podkoncepti; #k1, #k2 – koncepti


113

Predložak pitanja 1 - DOSJEĆANJE (razina znanje)

Opis predloška:

Pitanje postavljeno ovim predloškom spada u grupu jednostrukog izbora u skupini zadataka

objektivnog tipa. Sadržajno to je pitanje na koje je potrebno odgovoriti biranjem jedne od

dvije ponuđene opcije označene sa DA ili NE. Odgovorom se utvrđuje povezanost dvaju

zadanih koncepata pomoću zadane relacije.

U pogledu ishoda učenja od učenika se traži da se dosjeti tj prepozna koncepte i relaciju koja

ih povezuje.

Formalizam predloška:

Je li istinita tvrdnja da #pk #r #nk ? #nk – nadkoncept; #pk – podkoncept; #r – relacija

Primjer pitanja za područno znanje "Znanje o učenju i sustavima e-učenja":

Slika 4.21 Pitanje generirano iz predloška 1 za područno znanje " Znanje o učenju i sustavima e-učenja

Točan odgovor je: DA

Predložak pitanja 2, 3 – SHVAĆANJE (razina razumijevanje)

Opis predloška:

Pitanje postavljeno pomoću ovih predložaka spada u grupu višestrukog izbora u skupini

zadataka objektivnog tipa. Sadržajno to je pitanje na koje se odgovara biranjem jednog ili više

ponuđenih odgovora po sljedećem formalizmu:

- u predlošku 2. zadana je relacija i podkoncept u odgovoru se traži nadkoncept;

- u predlošku 3. zadana je relacija i nadkoncept u odgovoru se traži podkoncept.

U pogledu ishoda učenja od učenika se traži da identificira, prepozna, razumije i poveže

koncept područnog znanja sa zadanom relacijom i zadanim konceptom područnog znanja.

Formalizam predloška (pitanje 2):

Što je relacijom #r povezano sa #pk?

#pk – podkoncept; #r – relacija

Primjer pitanja (predložak 2 - traži se nadkoncept) za područno znanje "Znanje o učenju i

sustavima e-učenja":


114

Slika 4.22 Primjer pitanja generiranog iz predloška 2 za područno znanje " Znanje o učenju i sustavima e-učenja "

Točan odgovor je: OBRAZOVANJE

Formalizam predloška (pitanje 3):

Sa čime je #nk povezan relacijom #r ?

#nk – nadkoncept; #r – relacija

Primjer pitanja (predložak 3 - traži se podkoncept) za područno znanje "Znanje o učenju i

sustavima e-učenja":


Točan odgovor je: TEORIJA UČENJA

Predložak pitanja 4 – SHVAĆANJE (razina razumijevanje)

Opis predloška:

Pitanje postavljeno ovim predloškom spada u grupu povezivanja u skupini zadataka

objektivnog tipa. Sadržajno to je pitanje na koje je potrebno odgovoriti izborom jednog od

ponuđenih odgovora za relaciju koja povezuje dva zadana koncepta samo u neposrednoj vezi.

U pogledu ishoda učenja od učenika se traži da razluči i dovede u vezu koncepte područnog

znanja sa jednom od zadanih relacija područnog znanja. Prema tome, ovo pitanje pruža

informaciju o tome je li učenik prepoznaje i razumije poredak - hijerarhiju koncepata.


#pk je povezan sa #nk po tome što?

#pk – podkoncept; #nk – nadkoncept

Primjer pitanja za područno znanje "Znanje o učenju i sustavima e-učenja"


115


Točan odgovor je: IMA PODVRSTU

Predložak pitanja 5. – ANALIZIRANJE (razina analiza)

Opis predloška:

Pitanje postavljeno ovim predloškom spada u grupu povezivanja u skupini zadataka

objektivnog tipa. Sadržajno to je pitanje proširenje predloška 4. zato jer za zadani nadkoncept

i relaciju ističe dva ili više podkocepata. U hijerarhiji znanja postoje slučajevi kad je jedan

nadkoncept povezan sa više podkoncepata sa semantički istom relacijom. Ovaj slučaj je

implementiran predloškom 5.

U pogledu ishoda učenja od učenika se traži da razluči i dovede u vezu zadani koncept

područnog znanja i zadanu relaciju sa dva ili više koncepata područnog znanja. Prema tome

ovo pitanje pruža informaciju o tome je li učenik prepoznaje i razumije poredak - hijerarhiju

koncepata.


Što sve #nk #r ?

#nk – nadkoncept; #r – relacija

Primjer pitanja za područno znanje "Znanje o učenju i sustavima e-učenja":


Točan odgovor je (više je točnih odgovora): Online učenje, tradicionalno učenje u učionici

(Face to Face – f2f), modeli hibridnog učenja.


116

Predložak pitanja 6. – PROSUĐIVANJE (razina vrednovanja)

Opis pitanja:

Pitanje postavljeno ovim predloškom spada u grupu sređivanja u skupini zadataka

objektivnog tipa, gdje sređivanje može biti sa tri do pet koncepata

Traži od učenika da poreda koncepte od vrha do dna, od više do niže razine. Učenik mora

znati provjeriti, procijeniti, izmjeriti, odrediti vrijednost, utvrditi, odmjeriti, vrednovati,

usporediti, razlikovati, odlučiti, odabrati, poredati koncepte (s obzirom na važnost), rangirati

koncepte, staviti u odnos jedan koncept s drugim konceptima.

Primjer pitanja za područno znanje "Znanje o učenju i sustavima e-učenja" (zadana tri

koncepta i dvije relacije)

Slika 4.26 Primjer pitanja generiranog iz predloška 6 za područno znanje "Znanje o učenju i sustavima e-učenja"

Točan odgovor je:

Sustav e-učenja – Isporučuje – Nastavni sadržaj – Se sastoji od – Objekt učenja

Primjer pitanja za područno znanje "Znanje o učenju i sustavima e-učenja" (zadano pet

koncepta i četiri relacije)

Predložak pitanja 7. STVORITI/KREIRATI (razina kreacije).

Opis pitanja:

Učenik mora složiti konceptualnu mapu iz ponuđenih koncepata (učenik kao zadatak ima

početni koncept i konačni koncept u niz). Ovim zadatkom učenik rekonstruira jedan segment

tj. dio mape koncepata područnog znanja. Predložak je svrstan u najvišu kategoriju –

kategorija stvoriti/kreirati u revidiranoj Bloomovoj taksonomiji.


117

Primjer pitanja:

Slika 4.27 Primjer pitanja generiranog iz predloška 7 za područno znanje "Znanje o učenju i sustavima e-učenja"

Kompleksnost pitanja se vidi prema odgovoru, učenik mora znati prepoznati, urediti,

povezati, integrirati koncepte u funkcionalnu cjelinu ili strukturu segmenta tj dijela mape

koncepata područnog znanja.

Točan odgovor je:



118

Stereotip učenika

Pristup koji koristimo za razvoj i postavljanje procesa praćenja stereotipa učenika ne temelji

se na očekivanjima da se svi članovi određene skupine učenika ponašaju na isti način. Ovim

putem ne zanemarujemo individualne razlike učenika. Unutar našeg pristupa dva učenika s

istim stereotipom mogu imati različite putove tijekom učenja, poučavanja i testiranja znanja.

Stereotip učenika smo definirali u deskriptivnom i matematičkom pogledu uz pomoć

Definicija 7. i 8. kao i Tablice 2.2 koje su opisane u zamisli disertacije (poglavlje 2).

Postavljanje i praćenje stereotipa učenika je opisano u poglavlju dijagnostika znanja učenika

(poglavlje 4.3.2.). U ovom odjeljku radi slijeda opisa funkcionalnosti testiranje znanja učenika

u modelu KD&D prikazujemo poveznice predložaka pitanja zadataka objektivnog tipa sa

stereotipom učenika razvrstanim u pet kategorija. Sve radimo da bi prikazali integralnu sliku

primjene modificirane Bloomove taksonomije znanja učenika za kognitivno područje u

modelu KD&D. Taksonomija je izvedena prema sljedećim kategorijama znanja učenika:

- Kategorija 1 - Stereotip_Z - učenik koji poznaje koncepte na razini znanja – predložak t1

- Kategorija 2 - Stereotip_R - učenik koji poznaje koncepte na razini razumijevanja –

predložak t2 , t3 i t4.

- Kategorija 3 - Stereotip_A - učenik koji poznaje koncepte na razini analize - predložak t5

- Kategorija 4 - Stereotip_V - učenik koji poznaje koncepte na razini vrednovanja -

predložak t6

- Kategorija 5 - Stereotip_S - učenik koji poznaje koncepte na razini stvaranja - predložak t7

Pouzdanost i objektivnosti kodiranja zadataka objektivnog tipa

Posebno smo promatrali pouzdanost i objektivnost predložaka pitanja u zadacima objektivnog

tipa. Važno je odrediti koja vrsta pitanja ispituje pojedinu kategoriju znanja. Za potrebe

istraživanja u okviru disertacije pored autora, radi kontrole pouzdanosti i objektivnosti

kodiranja zadataka angažirana su dva kontrolna procjenjivača. Kontrolni procjenjivači su

diplomirani psiholog i docent psiholog na Sveučilištu u Mostaru. Procjenjivači su detaljno

upoznati s elementima procjene ispitnih zadataka, procjene znanja i obrazovanih ishoda.

Slaganje među procjenjivačima ispitano je uz pomoć Fleiss Kappa koeficijentima. Vrijednosti

Kappa koeficijenta mogu se kretati od 0 do 1. Rezultati od 1.00 do 0.81 označavaju izvrsno

slaganje procjena, od 0.61 do 0.80 značajno slaganje [118], od 0.60 do 0.41 umjereno

slaganje, od 0.40 do 0.21 slabo slaganje, a od 0.20 do 0 gotovo nikakvo ili nikakvo slaganje

analiziranih procjena. Dobiveni rezultati prikazani su u tablici 3.6.


119

Pregledom dobivenih vrijednosti korelacija, kao pokazatelja pouzdanosti, može se ustanoviti

da su te vrijednosti zadovoljavajuće kad se promatraju između glavnog procjenjivača i

kontrolnog procjenjivača 1, kao i kontrolnog procjenjivača 1 te kontrolnog procjenjivača 2.

Ponešto niže pouzdanosti dobivene su u kategorizaciji znanja između glavnog procjenjivača i

kontrolnog procjenjivača 2, što se može povezati sa slabostima u definiranju obrazovnih

ishoda i s činjenicom da su ishodi često složeni (sadrže više ishoda u jednome) i ponekad

nedovoljno precizno određeni.

Tablica 4.7 Suglasnost kontrolnih s glavnim procjenjivačem u kodiranju pitanja prema Bloomovoj taksonomiji znanja

Protokol rješavača Glavni procjenjivač Kontrolni procjenjivač 1 Kontrolni procjenjivač 2

Glavni ocjenjivač - 0,641 0,317

Kontrolni ocjenjivač 1 0,641 - 0,655

Kontrolni ocjenjivač 2 0,317 0,655 -

Nakon provedenih početnih analiza procjena pouzdanosti između ocjenjivača održane su

grupne konzultacije. Članovi su raspravili međusobne razlike u procjenama zadataka te

postigli konsenzus oko pojedinih procjena u kojima nije postignuto početno slaganje. U tablici

4.7. možemo vidjeti kojoj kategoriji su procjenjivači pridružili svako pitanje. Vrijednosti

zadnjeg stupaca (konsenzus) su implementirane unutar CM Tutor sustava.


120

Tablica 4.8 Suglasnost kontrolnih ocjenjivača s glavnim ocjenjivačem

r.br Primjer pitanja Glavni

procjenjivač

Kontrolni

procjenjivač

1

Kontrolni

procjenjivač

2

Konsenzus

Predložak

pitanja 1

1 1 1 1

Predložak

pitanja 2

2 2 1 2

Predložak

pitanja 3

2 2 2 2

Predložak

pitanja 4

3 2 2 2

Predložak

pitanja 5

4 4 3 4

Predložak

pitanja 6

6 4 6 6

Predložak

pitanja 7

7 7 5 7


121

Provedeni opis strukturnih komponenata (odjeljci sa sadržajem) zahtjeva i formalizirani iskaz

izveden pomoću algoritama za prototip programske podrške CM Tutor-a i to Algoritam 2 i

Algoritam 3. U tom smislu mi naglašavamo da je dinamika procesa testiranja područnog

znanja učenika u CM Tutor-u omogućena upravo s algoritmima Algoritam 2 i Algoritam 3.

Opis dinamičkih uvjeta testiranja znanja učenika

Dinamički uvjeti testiranja znanja učenika opisani su u tri odjeljka. U prvom je odjeljku

postupak prolaza učenika tijekom testiranja po sadržaju mape koncepata – šetanja po mapi

koncepata s težištem na korijenskim konceptima i koncentričnom širenju fokusa koncepata na

podkoncepte i nadkoncepte. Drugi odjeljak je povezan sa uvođenjem i formalnim opisom

atributa traga kao skupa varijabli s kojima opisujemo model učenika. Na koncu, u trećem

odjeljku prikazujemo postupak vrednovanja atributa traga uz pomoć odabranog skupa

stručnjaka područnog znanja radi izračunavanja njihove relativne važnosti uz pomoć jedne od

metoda neizrazitog FAHP modela.

Šetnja po mapi koncepata

Testiranje znanja učenika se svodi na utvrđivanje razine poznavanja koncepata i relacija te

propozicija nad njima u okviru područnog znanja. CM Tutor generira pitanja nad podskupom

područnog znanja koje je učenik odabrao za učenje, poučavanje i testiranje znanja. Postupak

dohvaćanja koncepta oko kojeg će se testirati područno znanje omogućava Algoritmom 2.

Algoritam 2 za ulaz ima skup svih propozicija koje učenik zna dok je izlaz algoritma koncept

oko kojega će se generirati podskup područnog znanja. CM Tutor radi na način da prvo

provjerava da li učenik poznaje korijenske koncepte - koncept koji nema nadkoncept (Slika

4.7 "Mapa koncepata i relacija unutar CmapTools okruženja" u odjeljku 4.1. - Oblikovanje

nastave nad ontologijom područnog znanja). Napominjemo da ogledna mapa koncepata u

svojoj strukturi raspolaže sa tri korijenska koncepta: Obrazovanje, Tehnologija i Hibridno

učenje za područno znanje - Znanje o učenju i sustavima e-učenja.


122

Obrada unutar Algoritma 2 započinje s odabirom korijenskog koncepta kojeg učenik nije

usvojio. Generirani podskup područnog znanja koncentrično će se širiti oko korijenskog

koncepta. Ako učenik poznaje korijenske koncepte generirani podskup područnog znanja širiti

će se oko koncepta kojeg učenik ne poznajte ili mu još nije isporučen u prethodnim ciklusima.

Proces koncentričnog širenja oko koncepta omogućava Algoritam 3 pomoću kojeg se odvija

„šetnja“ po područnom znanju. Šetnja predstavlja usmjereni put od početnog do završnog

koncepta. Podskup područnoga znanja dobiva se širenjem mreže koncepata udaljenih od

korijenskog koncepta za dubinu koju smo definirali u zamisli (Definicija 13.).

Dubina se odnosi na obuhvat područnog znanja. Treba naglasiti da inicijalni test obuhvaća

koncepte dubine (dubina = 4) koja se razlikuje od ostalih ciklusa testiranja (svi sa dubina = 3).

Razlog tome je što na inicijalnom testu ispitujemo znanje iz svih kategorija i potreban je veći

raspon pitanja. Na slici 4.29 je primjer dubine podskupa područnog znanja za korijenski

koncept "Tehnologija ". Koncept "Tehnologija" je korijenski koncept i samim time njegova

dubina je 1, ako se spuštamo kroz područno znanje vidimo koncepte "Informacijska i

komunikacijska tehnologija ICT" i "Obrazovna tehnologija" koji pripadaju dubini 2. Dubini 3

pripada koncept "E-učenje, Sinergija učenja i ICT", dok unutar dubine 4 imamo koncepte

"Sinkrono učenje" i Asinkrono učenje".

Algoritam 2. Algoritam za izdvajanje svih nadkoncepata koje učeniku nisu

isporučeni ili ih nije znao

Definicija simbola:

𝑘𝑏𝑒𝑧𝑟𝑜𝑑𝑖𝑡𝑒𝑙𝑗𝑎 ∈ 𝐾 definirani nadkoncept koji u područnom znanju nema nadkoncept

𝑘𝑛𝑎𝑑 bilo koji koncept iz područnog znanja koji nije ispitan

𝑃𝐷𝑧𝑛𝑎 skup svih propozicija koje je učenik poznavao prilikom testiranja

𝐷𝑘 područno znanje

Ulaz: 𝑃𝐷𝑧𝑛𝑎 skup propozicija koje učenik zna

Izlaz: 𝑘 - koncept iz kojeg će se koncentrično širiti obuhvaćeni podskup područnog znanja

Koraci

1. Dohvati čvor 𝑘𝑏𝑒𝑧𝑟𝑜𝑑𝑖𝑡𝑒𝑙𝑗𝑎 ∈ 𝐾

2. Dohvati čvorove koji su ispitani 𝑃𝐷𝑧𝑛𝑎

3. ako nije 𝑘𝑏𝑒𝑧𝑟𝑜𝑑𝑖𝑡𝑒𝑙𝑗𝑎 ∈ (𝑘𝑏𝑒𝑧𝑟𝑜𝑑𝑖𝑡𝑒𝑙𝑗𝑎 , 𝑟, 𝑘) ∈ 𝑃𝐷𝑛𝑒𝑧𝑛𝑎 onda

- Vrati 𝑘𝑏𝑒𝑧𝑟𝑜𝑑𝑖𝑡𝑒𝑙𝑗𝑎 kao rezultat izvođenja

4. inače

- Vrati 𝑘𝑛𝑎𝑑 ∈ (𝑘𝑛𝑎𝑑 , 𝑟, 𝑘𝑝𝑜𝑑) 𝑃𝐷𝑛𝑒𝑧𝑛𝑎 ⊆ 𝐷𝑘 kao rezultat izvođenja


123

Slika 4.29 Primjer "dubine" podskupa područnog znanja za korijenski koncept "Tehnologija "

Šetnja po područnom znanju implementirana je rekurzivnim algoritmom - Algoritam 3. Ulaz u

Algoritam 3 je dubina do koje će se generirati područno znanje i koncept koji će predstavljati

središte koncentričnog širenja. Izlaz iz Algoritma 3 je generirani podskup područnog znanja

nad kojim će se učenik testirati. Algoritam 3 je opisan pseudokodom kako je to prikazano u

nastavku ovog izlaganja.

Algoritam 3. Algoritam za generiranje podskupa područnog znanja za

testiranje - prikaz rekurzivnog algoritma šetnje po područnom znanju

Definicija simbola:

𝑑𝑢𝑏𝑖𝑛𝑎 ∈ ℕ dubina prema kojoj se generira podskup područnog znanja

𝑃𝐷𝑖 podskup generiranog područnog znanja

𝑃𝑔𝑒𝑛𝑒𝑟𝑖𝑟𝑎𝑛𝑜 generirana propozicija na osnovu dohvaćenog podkoncepta 𝑘𝑝𝑜𝑑

𝑘𝑖 koncept koji će predstavljati središte koncentričnog širenja

Ulaz: 𝑑𝑢𝑏𝑖𝑛𝑎, 𝑘𝑖

Izlaz: 𝑃𝐷𝑖 podskup područnog znanja Koraci:

1. ako je 𝑑𝑢𝑏𝑖𝑛𝑎 > 0 onda

- dohvati sve neposredno povezane

- za koncept:=koncepti činiti

2. ako je 𝑘𝑖 ∈ (𝑘𝑖 , 𝑟, 𝑘𝑝𝑜𝑑) 𝑃𝐷𝑛𝑒𝑧𝑛𝑎 onda:

- dohvati neposredno povezan koncept 𝑘𝑝𝑜𝑑 ∈ (𝑘𝑖 , 𝑟, 𝑘𝑝𝑜𝑑) 𝑃𝐷𝑛𝑒𝑧𝑛𝑎 ⊆ 𝐷𝑘

- 𝑃𝐷𝑖 ∪ {𝑃𝑔𝑒𝑛𝑒𝑟𝑖𝑟𝑎𝑛𝑜}, 𝑃𝑔𝑒𝑛𝑒𝑟𝑖𝑟𝑎𝑛𝑜 ≡ (𝑘𝑖 , 𝑟, 𝑘𝑝𝑜𝑑) u podskup područnog znanja se

dodaje generirana propozicija

- na osnovu 𝑘𝑝𝑜𝑑 pozovi metodu, pri čemu je 𝑑𝑢𝑏𝑖𝑛𝑎 = 𝑑𝑢𝑏𝑖𝑛𝑎 − 1

3. Vrati 𝑃𝐷𝑖

Dubina 1

Dubina 2

Dubina 3

Dubina 4


124

Nakon što učenik prođe po sadržaju mape koncepata (šetanja po mapi koncepata) ostavlja

trag. U nastavku ćemo opisati atribute traga kao skupa varijabli s kojima opisujemo model

učenika.

Atributi traga tijeka testiranja

Tijeku testiranja put šetnje po mapi koncepata se mora zapisati radi kasnije analize i obrade

pri vrednovanju znanja učenika. Ovim se u kognitivnom pogledu proces stjecanja znanja

učenika mjeri uz pomoć atributa traga koje smo sadržajno formalizirali prema zamisli

disertacije (Definicija 9. drugo poglavlje) i Tablici 4.9.

Tablica 4.9 Atributi traga online učenja i testiranja unutar CM Tutora

Simbol Naziv Opis

A1 vrijeme

Vrijeme koje je učenik proveo na testiranju, vrijeme se računa na način da se uzme ukupno

vrijeme i podjeli s broj pitanja za svaku kategoriju. Izraženo je u minutama bez decimala

koje se kumulativno dodaje za svaki ciklus testiranja.

A2 bodovi Svako pitanje je zasnovano na predlošcima, a svaki predložak ima definirani broj bodova.

A3 pomoć Koliko puta je učenik koristio pomoć prilikom odgovora na pitanje, ako je učenik koristio

pomoć prizna mu se samo 50% bodova od toga pitanja

A4 zna Broj svih propozicija koje učenik znao prilikom višestrukog testiranja

A5 ne zna Broj svih propozicija koje učenik nije znao prilikom višestrukog testiranja

U fokusu analize je pet atributa traga znanja za koje je najvažnije odrediti težinske vrijednosti

tj. poredak važnosti pojedinog atributa pri određivanju kvantitivnog i kvalitativnog

pokazatelja modela učenika (prema Definiciji 10. unutar drugog poglavlja). Izračun težinskih

vrijednosti atributa traga provodimo uz pomoć neizrazitog FAHP modela što je prikazano u

nastavku.

Primjena neizrazitog FAHP modela u izračunu težinskih vrijednosti atributa traga

Postoje četiri načina izračuna težinske vrijednosti atributa [65] prema sljedećem:

- izračun relativne važnosti atributa pomoću geometrijske sredine nad usporedbama

atributa,

- izračun relativne važnosti atributa uz pomoć aritmetičke sredine nad relativnim

važnostima atributa,

- izračun relativne važnosti atributa napravljen konsenzusom izglasan nad atributima i

- izračun relativne važnosti atributa konsenzusom izglasan nad relativnim važnostima

atributa.

U CM Tutoru za način izračuna težinske vrijednosti atributa traga izabrana je posljednja

metoda – metoda konsenzusa nad relativnim važnostima atributa (slika 4.30.).


125

Slika 4.30 Metoda konsenzusa nad relativnim važnostima atributa

Metoda konsenzusa nad relativnim važnostima atributa u svojem postupku ima dva koraka: (i)

popunjavanje elementa matrice atributa traga A u suglasju s mišljenjem stručnjaka područnog

znanja; (ii) određivanje težinskih vrijednosti atributa traga. Navedeni koraci u suštini su

sastavni dio višekriterijske neizrazite FAHP metode za izračun težinskih vrijednosti atributa

traga.

Prvi korak

U prvom koraku potrebno je da se konsenzusom od ne manje od tri stručnjaka za područno

znanje usporedbom svih atributa traga utvrdi međusobni odnos njihovih važnosti na osnovu

procjene provedene pomoću lingvističke skale sa šest stupnjeva koja koristi neizrazite

trokutne brojeve (Tablica 4.10).

Naime, dva ili više stručnjaka područnog znanja pristupe formiranju kvadratne matrice (A)

(relacija 4.1.) s neizrazitim trokutnim brojevima, koja iskazuje konsenzus u mišljenju o

međusobnim odnosima atributa traga (uvodimo oznaku matrica A – matrica odnosa atributa

traga)

𝐀 →

[ (𝟏, 𝟏, 𝟏) 𝐚𝟏𝟐 𝐚𝟏𝟑 𝐚𝟏𝟒 𝐚𝟏𝟓𝐚𝟐𝟏 (𝟏, 𝟏, 𝟏) 𝐚𝟐𝟑 𝐚𝟐𝟒 𝐚𝟐𝟓𝐚𝟑𝟏 𝐚𝟑𝟐 (𝟏, 𝟏, 𝟏) 𝐚𝟑𝟒 𝐚𝟑𝟓𝐚𝟒𝟏 𝐚𝟒𝟐 𝐚𝟒𝟑 (𝟏, 𝟏, 𝟏) 𝐚𝟒𝟓𝐚𝟓𝟏 𝐚𝟓𝟐 𝐚𝟓𝟑 𝐚𝟓𝟒 (𝟏, 𝟏, 𝟏)]

( 4.1 )

gdje aij označava usporedbu atributa Ai sa atributom Aj i pritom vrijedi Aij = Aji−1


126

Dijagonali članovi matrice A imaju vrijednosti (1,1,1) dok su ispod dijagonale usuglašene

neizrazite vrijednosti međusobnog odnosa atributa traga, a iznad njihove recipročne

vrijednosti.

Lingvistička skala, koju ovdje uvodimo radi prikupljanja mišljenja i konsenzusa stručnjaka, se

oslanja na rezultate radova [119] (Thurstone, L. (1927) i [120] po kojima osobe mogu donijeti

dobru odluku u višekriterijskom izboru pri čemu je broj stupnjeva na ljestvici od pet do deset

(primijetimo da u našem istraživanju atribute traga procjenjujemo sa šest stupnjeva).

Tablica 4.10 Konverzije lingvističkih izraza u trokutne neizrazite brojeve [121]

Lingvistička

skala Objašnjenje

Trokutna

neizrazita skala

Recipročna

vrijednost

trokutne neizrazite

skale

U potpunosti

jednako Dvije osobine imaju jednak doprinos (1,1,1) (1,1,1)

Jednako važno Jedna osobina je važnija od druge (0.5,1,1.66) (0.66, 1, 2)

Umjereno

važnije Jedna osobina je umjereno važnija od druge (1,1.5,2) (0.5, 0.66, 1)

Dosta važnije Jedna osobina je značajno važnija od druge (1.5,2,2.5) (0.4, 0.5, 0.66)

Jako važnije Jedna osobina je dominantna u odnosu na drugu (2,2.5,3) (0.33, 0.4,0.5)

Izrazito važnije Jedna osobina po važnosti u potpunosti nadmašuje

drugu, koja se može zanemariti. (2.5,3,3.5) (0.28, 0.33, 0.4)

Posve je jasno da smo se odlučili za neizrazite stupnjeve lingvističke skale jer bi za ovu

primjenu tradicionalna logika bila neupotrebljiva. U vezi s tim, koristimo trokutne neizrazite

brojeve zapisane u trećem stupcu tablice 4.10. Relacije uz pomoć kojih smo došli do izračuna

ovih neizrazitih brojeva opisane su u drugom poglavlju disertacije (odjeljak - Trokutni

neizraziti brojevi). U ovom koraku će se u vezi lingvističke skale i trokutnih brojeva

komentirati postupak određivanje međusobnog odnosa atributa traga za atribut A4 (broj

koncepata koje učenik zna) i atribut A1 (vrijeme provedeno na testiranju). Odnos ovih atributa

je zapravo element A41 matrice A. Stručnjaci za ovaj odnos postigli konsenzus da je atribut

A4 značajno važniji od atributa A1, pri čemu su ovom elementu pridružili neizraziti trokutni

broj (1.5,2,2.5).

U postupku razvoja i postavljanja programske podrške za model učenika CM Tutor-a pri

formiranju vrijednosti trokutnih brojeva su sudjelovala tri stručnjaka područnog znanja sa

odjela Informatike FPMOZ Mostar. Stavovi stručnjaka područnog znanja su iskazani skupom

vrijednosti realnih brojeva kako je to opisano u odjeljku Mjerenje i izračun višekriterijskog

matematičkog modela.


127

Drugi korak je nastavak aktivnosti u procesu određivanja težinskih vrijednosti atributa traga

koji je implementiran pomoću Algoritama 9. Algoritam 9 za ulaz ima matricu odnosa atributa

traga 𝑨., a izlaz relativne težinske vrijednosti atributa traga zapisane u vektoru W.

Obrada u ovom algoritmu provodi se s ciljem određivanja normalizirane težinske vrijednosti

atributa traga [67] pri čemu neizraziti trokutni brojevi poprimaju realne vrijednosti, a odvija

se u četiri faze.

Prva faza obuhvaća definiranje neizrazite vrijednosti elementa vektora Si 1 ≤ 𝑖 ≤ 5 na način da

za ulaznu matricu trokutnih neizraziti brojeva matrice 𝐀 računamo elemente vektora 𝑀𝑔𝑖𝑗

. 𝑀𝑔𝑖𝑗

je novi vektor dobiven zbrojem elementa redaka ai,j matrice A za svaki atribut opisan

odgovarajućim neizrazitim brojem (li, mi, ui). Ponavljajući postupak za sve (li, mi, ui)

dobijemo neizraziti broj koji prezentira j – ti element 𝑀𝑔𝑖𝑗= (𝑙𝑖

𝑗, 𝑚𝑖

𝑗, 𝑢𝑖

𝑗). U konačnici ova

faza je opisana izrazom 4.2., a kraće zapisana uz pomoć izraza 4.3.

Algoritam 9. Pseudokod za određivanje težinske vrijednosti atributa FAHP

metodom

Definicija simbola:

𝐀 ≔ (ai,j)5×5 matrica A - matrica odnosa atributa traga

𝐌𝐠𝐢𝐣 trokutni neizraziti brojevi

𝑺𝒊 neizrazita vrijednost

𝐕 usporedba neizrazitih vrijednosti

𝐖′vektor težinskih vrijednosti atributa traga

𝐖 normalizirani vektor težinskih vrijednosti atributa traga

Ulaz: 𝐀

Izlaz: 𝐖

Koraci:

1. Definiranje neizrazite vrijednosti atributa Si

Izračunati trokutni neizraziti broj 𝑀𝑔𝑖𝑗 za matricu A

Zbrojiti elemente ai,j za svaki redak Matrice A -> izlaz (li, mi, ui)

Zbrojiti sve (li, mi, ui) -> izlaz 𝑀𝑔𝑖𝑗

Izračunati umnožak (li, mi, ui) s inverznim 𝑀𝑔𝑖𝑗 -> izlaz 𝑆𝑖

2. Napraviti usporedbu svih 𝑆𝑖 3. Izračunati težinske vrijednosti atributa traga W′

4. Normalizirati vektora W′ -> izlaz 𝑊

5. Vrati W


128

∑ ∑ 𝑀𝑔𝑖𝑗𝑚

𝑗=1𝑛𝑖=1 =

[ 𝑚𝑔𝑗

1

𝑚𝑔𝑗2

𝑚𝑔𝑗3

𝑚𝑔𝑗4

𝑚𝑔𝑗5]

=

[ ∑ 𝐴1𝑗𝑛𝑗=1

∑ 𝐴2𝑗𝑛𝑗=1



∑ 𝐴5𝑗𝑛𝑗=1 ]

=

[ ∑ 𝑙1𝑗 ,𝑛𝑗=1 ∑ 𝑚1𝑗 ,

𝑛𝑗=1 ∑ 𝑢1𝑗

𝑛𝑗=1

∑ 𝑙2𝑗,𝑛𝑗=1 ∑ 𝑚2𝑗 ,


𝑛𝑗=1

∑ 𝑙3𝑗,𝑛𝑗=1 ∑ 𝑚3𝑗 ,


𝑛𝑗=1

∑ 𝑙4𝑗,𝑛𝑗=1 ∑ 𝑚4𝑗 ,


𝑛𝑗=1

∑ 𝑙5𝑗,𝑛𝑗=1 ∑ 𝑚5𝑗 ,


𝑛𝑗=1 ]

, n = 5 (4.2)

∑ ∑ 𝑀𝑔𝑖𝑗𝑚

𝑗=1𝑛𝑖=1 = (∑ 𝑙𝑗

𝑛𝑖=1 , ∑ 𝑚𝑗 , ∑ 𝑢𝑗

𝑛𝑖=1

𝑛𝑖=1 ) (4.3)

Nastavak prve faze je izračun umnoška vrijednosti (li, mi, ui) s inverznim elementima 𝑀𝑔𝑖𝑗 što

se ravna po relaciji(4.4).

[∑ ∑ 𝑀𝑔𝑖𝑗𝑚

𝑗=1𝑛𝑖=1 ]

−1= (

1

∑ 𝑢𝑗𝑚𝑗=1

,1

∑ 𝑚𝑗𝑚𝑗=1

,1

∑ 𝑙𝑗𝑚𝑗=1

) (4.4)

Normalizacijom po svakom redu neizrazitog vektora 𝑀𝑔𝑖𝑗

dobiva se tzv. sintetička neizrazita

vrijednost atributa Si po relaciji 4.5.

𝑆 =

[ 𝑠1𝑠2𝑠3𝑠4𝑠5]

=

[ ∑ 𝑙1𝑗 ,𝑛𝑗=1 ∑ 𝑚1𝑗,


𝑛𝑗=1

∑ 𝑙2𝑗 ,𝑛𝑗=1 ∑ 𝑚2𝑗,


𝑛𝑗=1

∑ 𝑙3𝑗 ,𝑛𝑗=1 ∑ 𝑚3𝑗,


𝑛𝑗=1

∑ 𝑙4𝑗 ,𝑛𝑗=1 ∑ 𝑚4𝑗,


𝑛𝑗=1

∑ 𝑙5𝑗 ,𝑛𝑗=1 ∑ 𝑚5𝑗,


𝑛𝑗=1 ]

× (1

∑ 𝑢𝑗𝑚𝑗=1

,1

∑ 𝑚𝑗𝑚𝑗=1

,1

∑ 𝑙𝑗𝑚𝑗=1

) = 1 ≤ 𝑖 ≤ 5, 1 ≤ 𝑗 ≤ 5, 𝑛 = 5.(4.5)

Slijedno ovome prvu fazu izračuna možemo napisati uz pomoć relacije 4.6:

𝑆𝑖 = ∑ 𝑀𝑔𝑖𝑗× [∑ ∑ 𝑀𝑔𝑖

𝑗𝑚𝑗=1

𝑛𝑖=1 ]

−1, 𝑚 = 𝑛 = 5, 1 ≤ 𝑖 ≤ 5𝑚

𝑗=1 (4.6 )

Druga faza je usporedba sintetičkih neizrazitih vrijednosti 𝑆𝑖 uz pomoć relacije 4.7.

V(Sj ≥ Si) =

{

1,ako je m2≥m10,ako je l1≥u2

l1−u2(m2−u2)−(m1≥l1)

, inače (4.7 )

Treća faza je izračun težinske vrijednosti atributa traga prema (4.8), koju na kraju i

normaliziramo u četvrtoj fazi ovog postupka.

𝑊´ = ((𝑑´(𝑎1), 𝑑´(𝑎2), … 𝑑´(𝑎𝑛))𝑇 (4.8 )

gdje je 𝑑´(𝑎1) = min 𝑉(𝑆𝑖 ≥ 𝑆𝑘), 𝑘 = 1,2, … , 𝑛, 𝑘 ≠ 𝑖.

Ovom se fazom konačno dobivaju težinske vrijednosti atributa traga iskazane u vektoru W

prema izrazu 4.9.

𝑊 = (𝑑(𝑎1), 𝑑(𝑎2), … 𝑑(𝑎𝑛))𝑇 (4.9 )

gdje elementi vektora W više nisu neizraziti broj i predstavljaju relativnu važnost atributa

traga. Naglasimo, na kraju provedenog postupka oblikovanja modela učenika, da vrijednosti

relativne važnosti atributa traga ostaju nepromijenjene prilikom cijelog ciklusa testiranja


129

znanja učenika. Osim toga, ove vrijednosti predstavljaju skupinu ulaznih podataka potrebnih

za provođenje dijagnostike znanja učenika koja je opisana u sljedećem odjeljku.

4.3.2. Dijagnostika znanja učenika

U matematičkom pogledu dijagnostiku znanja učenika omogućava TOPSIS metoda temeljem:

(i) izračuna težinskih vrijednosti atributa traga (vektor W) izvedenim u prethodnom odjeljku i

(ii) zapis aktualnih vrijednosti atributa traga ostvareni tekućem ciklusu testiranja (matrica M).

Primijetimo da su zapravo vrijednosti elementa vektora W i elemenata matrice M ulazne

veličine za algoritam TOPSIS metode (Algoritam 8) implementiran u CM Tutor-u. Primjenom

TOPSIS metode određuje se klasifikacija stereotipa učenika iskazana s modificiranom Bloom

taksonomijom znanja za kognitivno područje. Napominje se i to da se ovaj izračun provodi i

tijekom svih ciklusa testiranja.

Algoritam prvo normalizira matricu aktualnih vrijednosti atributa traga da bi izračunali

težinske normalizirane vrijednosti za svaki atribut množenjem s njihovim težinama (wi).

Nakon težinske normalizacije određuju se maksimalne i minimalne vrijednosti za svaki

atribut. Izlaz iz Algoritma 8 je vektor stereotipa učenika.


130

Algoritam 8. Određivanje stereotipa učenika TOPSIS metodom

Definicija simbola:

𝑴 ⊆ 𝑬 ≔ (𝒆𝒊,𝒋)𝟓×𝟓, 𝒆𝒊,𝒋 ∈ ℝ, 𝟏 ≤ 𝒊 ≤ 𝟓, 𝟏 ≤ 𝒋 ≤ 𝟓 matrica aktualnih vrijednosti

atributa traga

𝒘𝒊 = 𝒅(𝒂𝒊) - element vektora W

𝒓𝒊𝒋 normalizirana težinska matrica vrijednosti atributa traga

𝒗𝒊𝒋 normalizirana težinska vrijednost

𝑨+ vektor pozitivnih idealnih rješenja (PIS)

𝑨− vektor negativnih idealnih rješenja (NIS)

𝒅𝒊+ vektor udaljenosti od PIS

𝒅𝒊− vektor udaljenosti od NIS

𝑺 vektor stereotipa

Ulaz: 𝑴, 𝑾 = {𝒘𝟏, 𝒘𝟐, … ,𝒘𝒏} vektor težinskih vrijednosti kriterija dobivenih FAHP metodom

Izlaz: 𝒔𝒊 ∈ 𝑺 Koraci:

1.Za matricu 𝑴 potrebno je izračunati normaliziranu matricu aktualnih

vrijednosti atributa traga -> izlaz 𝒓𝒊𝒋 2.Izračunava se težinska normalizirana vrijednost aktualnih vrijednosti

atributa traga -> izlaz 𝒗𝒊𝒋

3.Za svaki 𝒗𝒊𝒋 činiti

- ako je 𝒊 = 𝟏 ⋁ 𝒊 = 𝟑 ⋁ 𝒊 = 𝟓 tada

i. pozitivno se vrednuje maksimalna vrijednost 𝒗𝒊𝒋 normalizirane

matrice težinskih vrijednosti . -> izlaz 𝑨+

ii. negativno se vrednuje minimalna vrijednost 𝒗𝒊𝒋 normalizirane

matrice težinskih vrijednosti. -> izlaz 𝑨−.

- inače

i. negativno se vrednuje minimalna vrijednost 𝒗𝒊𝒋 normalizirane

matrice težinskih vrijednosti -> izlaz 𝑨+

ii. pozitivno se vrednuje maksimalna vrijednost 𝒗𝒊𝒋normalizirane

težinske matrice -> izlaz 𝑨−. 4. Računa se za svaki podatak relativna udaljenost od PIS („idealnog

rješenja“) i od NIS („najgoreg mogućeg rješenja“) -> izlaz 𝒅+, 𝒅−

5. Računa se vektor stereotipa 𝑆 =𝒅𝒊−

𝒅𝒊−+𝒅𝒊

+ , 𝒊 = 𝟏, 𝟐, … , 𝒏

6. -> izlaz 𝑺

Obrada u ovom algoritmu provodi se s ciljem određivanja stereotipa učenika i odvija se po

Ishizaka -u i Nemery -u [65] u nekoliko faza:

Prva faza

Za matricu 𝑴 potrebno je izračunati normaliziranu matricu aktualnih vrijednosti atributa traga

uz pomoć relacije 4.10

𝒓𝒊𝒋 =𝒆𝒊,𝒋

√∑ 𝒆𝒊,𝒂𝟐𝟓

𝒂=𝟏

(4.10)


131

Druga faza

Druga faza predstavlja izračun težinske normalizirane vrijednosti za svaki atribut koja nastaje

množenjem svakog atributa s njihovim težinama (w) po relaciji 4.11 .

𝒗𝒊𝒋 = 𝒘𝒊 ∗ 𝒓𝒊,𝒋 (4.11)

Treća faza

Nakon težinske normalizacije uz pomoć pozitivnih (PIS) i negativnih (NIS) idealnih rješenja

određuju se vektori maksimalne A+ i minimalne A- vrijednosti za svaki atribut koristeći

relaciju (4.12) i (4.13):

A+ = {v1+, v2

+, … , vn+}, vi

+ ≔ argmax (vi,j), 0 ≤ i ≤ n, 0 ≤ j ≤ m (4.12)

A− = {v1−, v2

−, … , vn−}, vi

− ≔ argmin (vi,j), 0 ≤ i ≤ n, 0 ≤ j ≤ m (4.13)

Sukladno TOPSIS metodi najbolji izbor je onaj najbliži idealnom pozitivnom rješenju (PIS) i

najdalji od idealnog negativnog rješenja (NIS). Pozitivno idealno rješenje maksimizira

korisnosti atributa, a minimizira negativne atribute, dok za negativno idealno rješenje vrijedi

obrnuto. Bitno je naglasiti da atributi određuju što ćemo minimizirati a što maksimizirati, npr.

u našem slučaju atribute vrijeme (A1), pomoć (A3) i ne zna (A5) cilj je minimizirati a atribute

bodove (A2) i zna (A4) cilj je maksimizirati.

Četvrta faza

je izračun udaljenosti stereotipa od PIS-a i NIS-a uvažavajući svaki atribut uz pomoć relacija

(4.14) i (4.15).

Jjvvdn

j

jiji ,...,2,1,1

2**

(4.14)

Jjvvdn

j

jiji ,...,2,1,1

2

(4.15)

pri čemu j=1,2,…J (j označava stereotip učenika J=5)

Peta faza

Konačno u petoj fazi računamo relativnu blizinu idealnom rješenju i klasificiramo stereotipe

uz pomoć relacije (4.16).

*, 1,2,...,i

i i

dS i J

d d

(4.16)


132

Algoritam 8 i Algoritam 9 služe nam za implementaciju višekriterijskog matematičkog

modela koji je kako se vidi obuhvatio i model učenika i dijagnostiku znanja učenika. Izračun

sa testnim vrijednostima za atribute traga "Test" učenika proveden je i prikazan u sljedećem

odjeljku.


133

4.3.3. Mjerenje i izračun višekriterijskog matematičkog modela

Izračun višekriterijskog matematičkog modela prikazan je kroz dva koraka koji slijede

dinamiku modela učenika (Prvi korak predstavlja faze u vezi s FAHP metodom) i

dijagnostiku znanja učenika (Drugi korak predstavlja faze u vezi s TOPSIS metodom). Istim

tim redoslijedom će se prikazati i izračun svih potrebnih vrijednosti varijabli koje prate

metriku modeliranja učenika uz višekriterijski matematički model – VKM model.

Prvi korak

U prvoj fazi FAHP metode atributi traga učenika vrednovani od strane tri stručnjaka sa

stajališta njihovog relativnog odnosa, zapisani su u matrici fazi trokutnih brojeva. Način

izračuna relativne važnosti atributa opisan je u prethodnom poglavlju i ovdje se neće

ponavljati. U vezi s tim ističemo da je po navedenom načelu popunjena tablica odnosa što

smo i prikazali u Tablici 4.11. Naglasimo još jednom da su odnosi atributi traga ustvari

elementi matrice A i da su zapisani pomoću neizrazitih trokutnih brojeva.

Tablica 4.11 Odnosi atributa iskazani trokutnim neizrazitim brojevima

A1 A2 A3 A4 A5

A1 (1,1,1) (0.4,0.5,0.66) (0.5,0.66,1) (0.4,0.5,0.66) (0.4,0.5,0.66)

A2 (1.5,2,2.5) (1,1,1) (1.5,2,2.5) (0.5,0.66,1) (1,2,2.5)

A3 (1,1.5,2) (0.4,0.5,0.66) (1,1,1) (0.4,0.5,0.66) (0.5,0.66,1)

A4 (1.5,2,2.5) (1,1.5,2) (1.5,2,2.5) (1,1,1) (0.5,1,1.5)

A5 (1.5,2,2.5) (0.4,0.5,0.66) (1,1.5,2) (0.66,1,2) (1,1,1)

Matrica se sastoji od trokutnih neizrazitih brojeva (eng. Triangular Fuzzy Number - TFN).

Međusobni odnosi atributa iskazani neizrazitim brojevima objašnjeni su u prethodnom

poglavlju .

U drugoj fazi FAHP metode slijedi određivanje normalizirane težinske vrijednosti atributa

traga pri čemu neizraziti trokutni brojevi poprimaju realne vrijednosti. Druga faza se odvija u

četiri dijela.

Prvi dio u drugoj fazi je definiranje neizrazite vrijednosti atributa Si.


134

U tablici 4.12 prikazani su rezultati koji su dobiveni izračunom suma odnosa atributa u

horizontalnom i vertikalnom pravcu.

Tablica 4.12 Suma odnosa atributa u horizontalnom i vertikalnom pravcu

Atributi Suma po stupcima Suma po redcima

A1 (6.5, 8.5, 10.5) (2.7, 3,16, 3.98)

A2 (3.2, 4, 4.98) (5.5, 7.66, 9.5)

A3 (5.5, 7.16, 9) (3.3, 4.16, 5.32)

A4 (2.96, 3.66, 5.32) (5.5, 7,5, 9.5)

A5 (3.4, 5.16, 6.66) (4.56, 6, 8.16)

Suma redaka ili suma stupaca (21.56, 28.48, 36.46)

Sumiranjem po svakom redu ili stupcu matrice usporedbe atributa (4.11.) dobivamo neizraziti

vektor Mg. U skladu s relacijom (4.3) dobiven je izračun:

𝑀𝑔11 = (21.56, 28.48, 36.46)

Na osnovu relacije 4.6. dobivamo neizrazite vrijednosti 𝑆𝑖:

𝑆1 = (2.7, 3.16, 3.98) × (21.56, 28.48, 36.46)−1 = (0.074, 0.110, 0.184)

𝑆2 = (3.3, 4.16, 5.32) × (21.56, 28.48, 36.46)−1 = (0.090, 0.146, 0.246)

𝑆3 = (3.3, 4.16, 5.32) × (21.56, 28.48, 36.46)−1 = (0.090, 0.146, 0.246)

𝑆4 = (5.5, 7.5, 9.5) × (21.56, 28.48, 36.46)−1 = (0.150, 0.263, 0.440)

𝑆5 = (4.56, 6, 8.16) × (21.56, 28.48, 36.46)−1 = (0.125, 0.210, 0.378)

Rezultati izračuna za atribute traga prikazani su u tablici 4.13.

Tablica 4.13 Neizraziti sintetički opseg svakog atributa

Atributi Si

l m u

A1 0.0741 0.1109 0.1846

A2 0.1509 0,2689 0.4406

A3 0.0906 0.1460 0.2467

A4 0.1509 0.2633 0.4406

A5 0.1251 0.2106 0.3784


135

Drugi dio je usporedba sintetičkih neizrazitih vrijednosti 𝑆𝑖 uz pomoć relacije 4.7.

Tablica 4.14 Usporedba sintetičkih vrijednosti Si

V(S1>S2) = 0,176

V(S1>S3) = 0,728

V(S1>S4) = 0,181

V(S1>S5) = 0,373

V(S2>S1) =1

V(S2>S3) =1

V(S2>S4) = 1

V(S2>S5); 1

V(S3>S1) =1

V(S3>S2) = 0,438

V(S3>S4) = 0,449

V(S3>S5) = 0,653

V(S4>S1) = 1

V(S4>S2) = 0,980

V(S4>S3) = 1

V(S4>S5) = 1

V(S5>S1) = 1

V(S5>S2) = 0,796

V(S5>S3) = 1

V(S5>S4) = 0,812

Treći dio je izračun težinske vrijednosti atributa traga prema (4.8)

d (a1) = min (0.176, 0.728, 0.181, 0.373) = 0.176

d (a2) = min (1,1,1,1) = 1

d (a3) = min (1, 0.438, 0.449, 0.65) = 0.438

d (a4) = min (1, 0.980, 1, 1) = 0.980

d (a5) = min (1, 0.796, 1, 0.812) = 0.796

Iz ovoga slijedi da vektor težinske vrijednosti atributa ima sljedeće vrijednosti:

W` = (0.176, 1, 0.438, 0.980, 0.796)

Nakon izračuna slijedni normalizacija vrijednosti u četvrtom dijelu uz pomoć jednadžbe (4.9).

W= (0.051, 0.294, 0.129, 0.289, 0.234)

Bitno je naglasiti da ovdje W nije neizraziti broj te da u fizikalnom smislu označava "težinu"

atributa traga pri interpretaciji metrike modela učenika. Vidimo da za naš model najveću

težinu ima atribut A2 (bodovi ostvareni na testiranju) s vrijednošću težine atributa 0,294 dok

neposredno iza s vrijednošću težine atributa 0,289 atribut A4 (broj koncepata zna) s

vrijednošću 0,289. Zbroj vrijednosti svih težina atributa traga uvijek je jednak broju jedan.

Drugi korak

Drugi korak unutar mjerenja i izračuna višekriterijskog matematičkog modela predstavlja

preslikavanje aktualnih vrijednosti atributa traga u relevantni stereotip znanja učenika uz

pomoć TOPSIS metode po sljedećim fazama koje prate opis metode iz odjeljka (4.1.1.

Dijagnostika znanja učenika).

Za testne podatke uzeli smo „Test učenika“ koji se testirao unutar CM Tutora na područnom

znanju "Znanje o učenju i sustavima e-učenja". Odgovarao je na pitanja iz svih kategorija. Na

slici je 4.31. prikazan je aktualni zapis traga učenika prilikom testiranja unutar CM Tutora-a u

trećem ciklusu testiranja.


136

Slika 4.31 Matrica aktualne vrijednosti atributa traga unutar CM Tutor okruženja

Redci u tablici označavaju vrijednosti atributa, a stupci označavaju stereotipe.

Interpretacija atributa traga ostvarenih na Stereotip_A razini:

Ne zna = 1 označava da je učenik nije znao jedno pitanje iz predloška koji pripada

Stereotipu_A, Hintovi = 0 označava da učenik nije koristio pomoć za pitanja koja pripadaju

Stereotipu_A, Vrijeme = 16 definira vrijeme koje je učenik proveo na testiranju. Vrijeme se

računa na način da se uzme ukupno vrijeme i podjeli s brojem pitanja za svaki stereotip.

Vrijeme je izraženo je u minutama bez decimala koje se kumulativno dodaje za svaki ciklus

testiranja. Atribut Zna=4 označava nam da je učenik znao 4 pitanja koja pripadaju

predlošcima pitanja za razinu Stereotip_A dok atribut Bodovi=8 pokazuje broj bodova koje je

učenik ostvario za Stereotip_A. Bitno je naglasiti da se matrica aktualne vrijednosti atributa

traga kumulativno "puni" za svaki ciklus testiranja.

Prva faza izračuna TOPSIS metode je izračun normalizirane matrice aktualnih vrijednosti

atributa traga uz pomoć relacije 4.10 prikazan u tablici 4.15

Tablica 4.15 Normalizirana matrica aktualnih vrijednosti atributa traga

Stereotip A1 A2 A3 A4 A5

Stereotip_Z 1,589 0,894 0 0,852 0

Stereotip_R 1,695 0,894 0 0,852 0,5

Stereotip_A 1,695 1,341 0 0,852 0,5

Stereotip_V 2,225 2,236 0 1,066 0,5

Stereotip_S 2,225 3,577 0 1,066 0,5

Druga faza je izračun težinske normalizirane vrijednosti koju dobivamo množenjem svakog

atributa s njegovim težinama (w) relacijom 4.11. Vrijednosti su prikazane u tablici 4.16.


137

Tablica 4.16 Težinska normalizacija matrica atributa traga

Stereotip A1 A2 A3 A4 A5

Stereotip_Z 0,0825 0,263 0 0,246 0

Stereotip_R 0,0880 0,263 0 0,246 0,117

Stereotip_A 0,0880 0,395 0 0,246 0,117

Stereotip_V 0,115 0,659 0 0,308 0,117

Stereotip_S 0,115 1,054 0 0,308 0,117

Treća faza

Nakon težinske normalizacije uz PIS-a i NIS-a određuju se vektori maksimalne A+ i

minimalne A- vrijednosti za svaki atribut koristeći relaciju (4.12) i (4.13):

A+ = (0.082, 1.054, 0, 0.308, 0)

A- = (0.115, 0.263, 0, 0.246, 0.117)

Četvrta faza je izračun udaljenosti stereotipa od PIS-a i NIS-a uz pomoć relacija (4.14) i

(4.15) dok je Peta faza izračun relativne blizine idealnom rješenju uz pomoć relacije (4.16).

Rezultat za „Test Učenika“ za obje faze prikazan je u tablici 4.17.

Tablica 4.17 Vektor stereotipa učenika

Stereotip *

id

id iS Rang

Stereotip_Z 0,7935893 0,121927212 0,1332 4

Stereotip_R 0,802241252 0,027505794 0,0331 5

Stereotip_A 0,672546701 0,134703114 0,1669 3

Stereotip_V 0,413958315 0,400372644 0,4917 2

Stereotip_S 0,121927212 0,7935893 0,8668 1

S obzirom na tablicu 4.17 možemo zaključiti da se učenik nalazi u kategoriji Stereotip_S jer

najveća vrijednost unutar vektora Si (0,8668) pripada kategoriji Stereotip_S.

Izračun unutar tablice 4.17. možemo vidjeti i u okruženju CM Tutora na slici 4.32. koji učenik

može vidjeti nakon svakog ciklusa testiranja.


138

Slika 4.32 Klasifikacija Stereotipa „TEST učenika“ unutar CM Tutor okruženja

Tekući stereotip znanja učenika predstavlja ulaznu kvalitetu za zaključivanje procesa vođenja

učenika u KD&D modelu, zato što omogućava provođenje faze prilagođavanja tj

funkcionalnosti prilagođavanja aktualnoj razini znanja učenika. U vezi s tim nakon izračuna

kojeg ostvaruje VKM modela slijedi potpoglavlje s opisom funkcionalnosti KD&D modela -

Prilagodljivo stjecanje znanja u inteligentnom sustavu za upravljanje učenjem.


139

4.4. Prilagodljivo stjecanje znanja

Funkcionalnost prilagođavanja u KD&D modelu omogućena je temeljem metrike i

formalizama implementiranih i postavljenih pri modeliranju znanja učenika. U vezi s tim

izlazno stanje modeliranja znanja učenika je aktualna razina znanja tj. stereotip učenika u

pogledu na izabrano područno znanje. Funkcionalnost prilagođavanja je iskazana pomoću

algoritma za generiranje pitanja (AGP) koji u novom ciklusu testiranja znanja učenika

isporuči nastavni sadržaj usuglašen upravo s njegovom aktualnom razinom znanja.

Osnova prilagodljivog stjecanja znanja oslonjenog na modeliranje učenika u KD&D modelu

prikazana je na slici 4.33. Matematički model faze prilagođavanja zasnovan je na

definicijama: Definicija 14, Definicija 15, Definicija 16 i Definicija 17 sadržajno

formalizirane u poglavlju o zamisli KD&D modela (drugo poglavlje disertacije). Prilagodljivo

stjecanje znanja u KD&D modelu odvija se u dva koraka: (i) generiranje podskupa područnog

znanja; (ii) generiranje pitanja prilagođenih aktualnom stereotipu učenika.

Slika 4.33 Vođenje učenika prema KD&D modelu

Prvi korak faze prilagođavanja je generiranje podskupa područnog znanja dobiven

koncentričnim širenjem mreže koncepata za dubinu prema Definicija 13. Postupak generiranja

područnog znanja prema Definicija 14. obuhvaća dohvaćanje koncepta oko kojeg će se

testirati područno znanje (Algoritmom 2.) i šetnja po područnom znanju implementirano

rekurzivnim algoritmom (Algoritam 3.).


140

Drugi korak je generiranje pitanja prilagođenih aktualnom stereotipu učenika usuglašenih s

ishodima učenja modificirane Bloomove taksonomije. Definicija 15. implementira ovaj korak

uz pomoć algoritma Algoritam 4. (algoritam za generiranje pitanja na osnovu podskupa

područnog znanja).

Unutar algoritma Algoritam 4. definirani su predlošci pitanja za testiranje znanja. Ukupno

imamo sedam vrsta predložaka predstavljenih indeksom t koji pripadaju odgovarajućem

ishodu učenja. Ukoliko je prvi predložak koji generira pitanje tipa Da/Ne, (indeks t = 1),

dodan je korak koji nasumično određuje hoće li isporučiti točnu propoziciju ili pogrešnu

propoziciju, te sukladno tome točan odgovor zapisati u bazu. Svako pitanje se u procesu

izgradnje oslanja na činjenicu da se u propoziciji ili nizu propozicija izbaci ili relacija ili

podkoncept koje učenik mora nadomjestiti kako bi pokazao poznavanje propozicije (t = 2, t =

3 i t = 4). Kod pitanja višestrukog odabira (t = 5) isporučuju se i odgovori koji nisu povezani

sa konceptom koji se ispituje. Pitanje uparivanja (t = 6) se oslanja na isporuku svih

propozicija, a učenik treba odrediti kako su povezane. Konačno je oblikovano i pitanje s

vizualnom podrškom (t = 7) pri čemu se od učenika traži oblikovanje mape koncepata na

osnovu zadanog korijenskog koncepta i završnog koncepta.

Algoritam 4 ima ugniježđen algoritam ishoda predložaka pitanja (Algoritam 7.) kao poveznice

sa stereotipom učenika i ishodima predložaka pitanja. U vezi s tim Algoritam 7 predstavlja

funkciju za generiranje pitanja novog ciklusa testiranja. Generirana pitanja prolaze kroz

nadzorni mehanizam provjere aktualnih vrijednosti atributa da bi točni odgovori na generirana

pitanja bili zapisani u bazi podataka. Definicija 16. uspostavlja ovaj mehanizam. Osim

navedenog Algoritam 7. ima poveznicu i sa konačnom isporukom nastavnih sadržaja novog

ciklusa (prilagođen sa aktualnom razinom znanja) koja je uspostavljena Definicija 17.

Algoritam 4 i Algoritam 7 prikazani su u nastavku.


141

Algoritam 4. Algoritam za generiranje pitanja na osnovu generiranog

podskupa područnog znanja

Definicija simbola:

𝑺𝑷 skup svih generiranih pitanja

𝑷𝒋 ∈ 𝑷𝑫𝒊 propozicije podskupa područnog zanja

𝐢𝐣 ∈ 𝑰𝑷𝑷 ishod učenja usklađen s Bloomovom taksonomijom

𝒔𝒊 ∈ 𝑺 definira aktualni stereotip prema kojem se vrši prilagodba

𝒕𝒊 ∈ 𝐢𝐣 predložak koji pripada određenom ishodu učenja

𝑵𝑶𝒋 ∈ 𝑺𝑷 skup propozicija koje će biti uključene u proces ispitivanja

𝑻𝑶𝒋 ∈ 𝑺𝑷 skup točnih odgovora na osnovu kojih se ispitiva znanje

Ulaz: 𝒔𝒊 ∈ 𝑺 stereotip učenika, 𝑷𝑫𝒊 generirano područno znanje, d dubina

Izlaz: 𝑺𝑷 generirani skup pitanja

1. Definiraj prazan skup 𝑺𝑷 =⊘ koji sadržava sva generirana pitanja

2. za 𝑷𝒋 ∈ 𝑷𝑫𝒊, 𝟎 < 𝒋 < 𝒅𝒖𝒃𝒊𝒏𝒂 činiti

a. 𝐢𝐣 ∈ 𝑰𝑷𝑷 dohvati jedan od ishoda učenja modificirane Bloomove

taksonomije pitanja na osnovu kategorije 𝒔 ∈ 𝑺 (Algoritam 7)

b. za propoziciju 𝑷𝒋 dohvati neposredno povezane koncepte iznad 𝑷𝒋+𝟏 i

ispod 𝑷𝒋−𝟏

c. nasumično odaberi pitanje iz odabranog skupa 𝐢𝐣 ∈ 𝑰𝑷𝑷, 𝒕𝒌 ∈ 𝐢𝐣, 𝟎 < 𝒌 < |𝑻|

d. ako je 𝒕 = 𝟏 tada

i. na osnovu predloška 𝑡 = 1 generiraj pitanje ii. nasumično odaberi hoće li pitanje biti točno ili netočno

iii. ako je netočno tada

• zamjeni podkoncept i nadkoncept (𝒌𝒏𝒂𝒅, 𝒓, 𝒌𝒑𝒐𝒅) ∈ 𝑷𝒋

iv. zapiši točan odgovor 𝒕𝒐 ∈ 𝑻𝑶𝒋 u bazu

e. ako je 𝒕 = 𝟐 ∨ 𝒕 = 𝟑 ∨ 𝒕 = 𝟒 tada

i. generiraj skup 𝑵𝑶𝒋 = 𝑷𝒛 ⋃𝑷𝒊 , 𝒓𝟏 ∈ 𝑷𝒛, 𝒓𝟐 ∈ 𝑷𝒊, 𝒓𝟏 ≠ 𝒓𝟐, 𝒌𝒑𝒐𝒅𝒛∈ 𝑷𝒛, 𝒌𝒑𝒐𝒅𝒊

∈

𝑷𝒊, 𝒌𝒑𝒐𝒅𝒊= 𝒌𝒑𝒐𝒅𝒛

, 𝟎 < 𝒛 < 𝒍 koji sadrži elemente jednog podkoncepta

i liste koncepata koji nisu istom relacijom povezani s

konceptom

ii. na osnovu predloška 𝒕𝒊 = 𝟐 ∨ 𝒕𝒊 = 𝟑 ∨ 𝒕𝒊 = 𝟒 generiraj pitanje

iii. zapiši točan odgovor 𝒕𝒐 ∈ 𝑻𝑶𝒋 u bazu

f. ako je 𝒕 = 𝟓 tada

i. generiraj skup generiraj skup 𝑵𝑶𝒋 = 𝑷𝒌 ⋃𝑷𝒊 , 𝒓𝟏 ∈ 𝑷𝒌, 𝒓𝟐 ∈ 𝑷𝒊, 𝒓𝟏 =

𝒓𝟐, 𝒌𝒑𝒐𝒅𝒌∈ 𝑷𝒌, 𝒌𝒑𝒐𝒅𝒊

∈ 𝑷𝒊, 𝒌𝒑𝒐𝒅𝒊= 𝒌𝒑𝒐𝒅𝒌

, 𝟎 < 𝒌 < 𝒎 koja će sadržavati

koncepte koji su neposredno povezane uz određeni podkoncept

𝒌𝒑𝒐𝒅𝒊∈ 𝑷𝒊

ii. zapiši točan odgovor u bazu

g. ako je 𝒕 = 𝟔 tada

i. izmiješaj redoslijed 𝒊𝒛𝒎𝒋𝒆𝒔𝒂𝒋: (𝒌𝒏𝒂𝒅, 𝒓, 𝒌𝒑𝒐𝒅) ∈ 𝑷𝒋 → (𝒌𝒑𝒐𝒅, 𝒓, 𝒌𝒏𝒂𝒅) ∈

𝑷𝒋, 𝑵𝑶 ∪ 𝑷𝒋 𝒛𝒂 𝒔𝒗𝒂𝒌𝒊 𝟎 < 𝒋 < 𝒅𝒖𝒃𝒊𝒏𝒂

ii. generiran je skup za odabir 𝑵𝑶𝒋 iii. zapiši točan odgovor u bazu

h. ako je 𝒕 = 𝟕 tada

i. za generirani podskup područnog znanja 𝑵𝑶𝒋 = 𝑷𝑫𝒊, definira se

skup 𝑵𝑶𝒋 ii. generiraj elemente za vizualni prikaz i izgradnju

konceptualne mape na osnovu skupa 𝑵𝑶𝒋

iii. zapiši točan odgovor 𝒕𝒐 ∈ 𝑻𝑶𝒋 u bazu

i. 𝑺𝑷 ∪ 𝑫𝒌𝑰𝑷𝑷𝒈 nadodaj generirano pitanje u skup pitanja

3. Vrati 𝑺𝑷


142

Algoritam 7. Algoritma ishoda predložaka pitanja

Definicija simbola:

𝑺 = (𝒔𝟏, 𝒔𝟐, 𝒔𝟑, 𝒔𝟒, 𝒔𝟓) ⊆ ℝ𝟓 skup svih stereotipa učenika

𝑰𝑷𝑷 skup svih ishoda učenja povezanih prema Bloomovoj taksonomiji

Ulaz: Stereotip učenika 𝒔𝒖 ∈ 𝑺

Izlaz: 𝑰𝑷𝑷 skup svih ishoda predložaka pitanja usuglašeni s Bloomovom taksonomijom

1. za 𝑺 = (𝒔𝟏, 𝒔𝟐, 𝒔𝟑, 𝒔𝟒, 𝒔𝟓) ⊆ ℝ𝟓 definiraj listu predložaka

2. ako je dohvaćena 𝒓𝒂𝒛𝒊𝒏𝒂 = 𝒔𝟏, 𝒓𝒂𝒛𝒊𝒏𝒂 ∈ 𝑺 tada

a. Vrati 𝑰𝑷𝑷 = {𝒊𝟏, 𝒊𝟐, 𝒊𝟑, 𝒊𝟒, 𝒊𝟓}

3. inače ako je 𝒓𝒂𝒛𝒊𝒏𝒂 = 𝒔𝟐, 𝒓𝒂𝒛𝒊𝒏𝒂 ∈ 𝑺 tada

a. Vrati 𝑰𝑷𝑷 = {𝒊𝟐, 𝒊𝟑, 𝒊𝟒, 𝒊𝟓}

4. inače ako je 𝒓𝒂𝒛𝒊𝒏𝒂 = 𝒔𝟑, 𝒓𝒂𝒛𝒊𝒏𝒂 ∈ 𝑺 tada

a. Vrati 𝑰𝑷𝑷 = {𝒊𝟑, 𝒊𝟒, 𝒊𝟓}

5. inače ako je 𝒓𝒂𝒛𝒊𝒏𝒂 = 𝒔𝟒, 𝒓𝒂𝒛𝒊𝒏𝒂 ∈ 𝑺 tada

a. Vrati 𝑰𝑷𝑷 = {𝒊𝟒, 𝒊𝟓}

6. inače ako je 𝒓𝒂𝒛𝒊𝒏𝒂 = 𝒔𝟓, 𝒓𝒂𝒛𝒊𝒏𝒂 ∈ 𝑺 tada

a. Vrati 𝑰𝑷𝑷 = {𝒊𝟓}

Prikazat ćemo jedan ciklus testiranja znanja učenika kroz forme prototipa programske podrške

CM-Tutor za "Test" učenika. Test je implementiran na korijenskom konceptu Hibridno

učenje sa pripadnim dijelom područnog znanja prikazan na slici 4.34. te sa odgovorima

učenika prikazano u tablici 4.18.

Slika 4.34 Fragment generiranog područnog znanja za korijenski koncept "Hibridno učenje"


143

Tablica 4.18 Pitanja i učenikovi odgovori za područno znanja sa slike 4.33

r.br. Primjer generiranog pitanja i odgovor učenika

Pitanje 1

Pitanje 1

Odgovor učenika

Pitanje 2

Pitanje 2

Odgovor učenika

Pitanje 3


144

Pitanje 3

Odgovor učenika

Pitanje 4

Pitanje 4

Odgovor učenika

Pitanje 5

Pitanje 5

Odgovor učenika

Iz tablice 4.18. vidimo da je sustav generirao pet pitanja za dio područnog znanja kojemu je

korijenski koncept Hibridno učenje. Svako pitanje provjerava znanje u suglasju s

modificiranom Bloomovom taksonomijom znanja za kognitivno područje.

Prvo pitanje provjerava razinu kreacije gdje učenik mora oblikovati konceptualnu mapu iz

ponuđenih koncepata (Hibridno učenje do Tradicionalnog učenja). Drugo pitanje traži od

učenika da poreda koncepte po izvornom redoslijedu iz mape što je kategorija ishoda učenja

vrednovanje. Treće pitanje pripada razini analize jer traži od učenika da dovede u vezu zadani

koncept i relaciju sa dva ili više koncepata područnog znanja. Četvrto pitanje provjerava je li

učenik raspoznaje i razumije odnos među konceptima (vrstu relacije) i pripada razini

razumijevanja. Peto pitanje traži od učenika da prepozna koncepte i relaciju koja ih povezuje

i pripada razini znanja. U tablici 4.19 vidimo izvještaj za svako pitanje unutar CM Tutor

okruženja.


145

Tablica 4.19 Izvještaj unutar CM Tutor

r.br.

pitanja Izvještaj unutar CM Tutor okruženja za prvi ciklus testiranja"Test" učenika

Pitanje 1.

Pitanje 2.

Pitanje 3.

Pitanje 4.


146

Pitanje 5.

Primijetimo da je učenik od postavljenih pet pitanja koji su za ovaj testni primjer obuhvatili

ishode: kreacije, vrednovanja, analize i razumijevanja točno odgovorio na četiri pitanja i na

jedno pitanje netočno (ishod znanje). Zapis aktualnih vrijednosti atributa traga ostvareni ovim

ciklusom testa i rezultat izračuna TOPSIS metode unutar okruženja CM Tutora možemo

vidjeti na slici 4.35.

Slika 4.35 Zapis aktualnih vrijednosti atributa traga i rezultat izračuna TOPSIS metode za prolaz 1

Na kraju smo prikazali sve prolaze za "Test" učenika prilikom testiranja znanja na kojima

možemo vidjeti zapise traga svih ciklusa testiranja znanja učenika (Tablica 4.20) i "šetnju" po

područnom znanju koja je prikazana kao slika 4.36 na kojoj se vide fragmenti područnog

znanja nad kojim je "Test" učenik provodio proces testiranja.


147

Slika 4.36 Prikaz svih prolaza testiranja za Test učenika u okruženju CM Tutora


148

Iz slike 4.36 možemo vidjeti Prvi korak faze prilagođavanja i primijetiti da je učenik imao 10

prolaza kroz područno znanje. Svaki prolaz generirao je različit podskup područnog znanja

dobiven koncentričnim širenjem mreže koncepata koji smo označili različitom bojama (prolaz

1 do prolaz 10).

U tablici 4.20 vidimo prikaz traga učenika i klasifikaciju stereotipa učenika za sve prolaze

kroz područno znanje što je u CM Tutoru postigao Test učenika. Svaki prolaz ima zapisanu

aktualnu vrijednost atributa traga učenika unutar CM Tutor okruženja kao i preslikavanje

aktualnih vrijednosti atributa traga u relevantni Stereotip učenika.

Tablica 4.20 Prikaz zapisa traga učenika i klasifikacija Stereotipa unutar svih prolaza "Test" Učenika


149

Na primjeru "TEST učenika" kojeg smo vodili kroz cijeli opis KD&D modela vidimo da je

učenik točno odgovorio na 36 propozicija, 17 propozicija je odgovorio pogrešno, nije koristio

pomoć i zadržao se na testiranju 56 minuta. Također iz zadnjeg prolaza učenika možemo

primijetiti da je ostvario 189 bodova i to po 2 boda za pitanja na razini Znanja (St._Z) i

Razumijevanja (ST._R), 3 boda za pitanja na razini Analize (St._A). Učenik je najviše prolaza

imao kao Stereotip_V i Stereotip_S pa je imao 48 bodova za pitanja na razini Vrednovanje

dok je najviše bodova (134) ostvario na pitanjima koji ispituju razinu Stvaranja.

Tablica 4.19 donosi „sliku“ prilagođavanja Test učenika u CM Tutor-u. Primijetimo da je

učenik prilikom prvog ciklusa testiranja postao "Stereotip_S" koji je zadržao sve do sedmog

ciklusa testiranja (Prolaz 7) gdje je pokazao manju razinu znanja i samim time postao

"Stereotip_A". U sljedećem ciklusu (Prolaz 8) postaje "Stereotip_V" na kojem se ostaje do

kraja testiranja.


150

Prototip programske podrške CM Tutor je aktivnost unutar Moodle okruženja pa smo to i

prikazali na slici 4.37.

Sadržaj ove slike su zapravo sve aktualne aktivnosti CM Tutora na promatranom kolegiju

unutar sustava Moodle.

Učitelj izborom aktivnosti E_učenje_17052016 dobiva popis svih učenika koji su proveli

postupak učenja, poučavanja i testiranja znanja (slika 4.38.).

Na slici 4.39 možemo vidjeti primjer zapisa učenika koji su se testirali na područnom znanju

„Znanje o e-učenju i sustavima e-učenja“.


151

Slika 4.37 Prikaz svih aktivnosti napravljenih uz pomoć CM Tutor-a na Moodle kolegiju


152

Slika 4.38 Analitika učenja na zahtjev učitelja za svakog učenika


153

Slika 4.39 CSV datoteka s zapisom traga učenika


154

Dok je u tablici 4.20 prikazan zapis traga učenika pet atributa i klasifikacija Stereotipa unutar

svih prolaza "Test" učenika na slici 4.39 prikazan je zapis traga "Test" učenika u .CSV

datoteci s svim atributima koje CM Tutor zapisuje u bazu podataka. Za svaku lekciju unutar

CM Tutora možemo napraviti „izvoz“ svih aktivnost učenika u .CSV obliku. Pod aktivnosti

uključujemo: (i) Propoziciju koja se ispituje (nadkoncept, relacija, podkoncept) , (ii) Odgovor

i točan odgovor učenika, (iii) Bloom kategoriju isporučenog pitanja, (iv) Aktualni stereotip

učenika, (v) Korištenje pomoći (0/1), (vi) Poznavanje propozicije (0/1), (vii) Vrijeme koje je

učenik proveo na učenju i testiranju, (viii) predložak pitanja.

Primijetimo da je jedan dio ovih aktivnosti praćen i analiziran tijekom cijelog opisa KD&D

modela naslovljeni kao atributi traga zapisa učenika: (v) Korištenje pomoći (0 ako učenik nije

koristio pomoć, 1 ako je učenik koristio pomoć), (vi) Poznavanje propozicije (0 ako učenik ne

poznaje propoziciju/1 ako učenik poznaje propoziciju), (vii) Vrijeme koje je učenik proveo na

testiranju.

Bitno je naglasiti da unutar .CSV datoteke možemo uključiti sve atribute koje sustav Moodle

zapisuje o učeniku. Na našem primjeru možemo vidjeti da smo ime i prezime učenika

„posudili“ iz Moodle tablice. Na ovaj način pokazali smo da je CM Tutor integriran i

ravnopravno se ponaša kao sve aktivnosti unutar sustava Moodle.

Zaključno, prilagodljivo stjecanje znanja unutar KD&D modela omogućeno nam je pomoću

dva opisana algoritma (Algoritam 4 i Algoritam 7). Radi podrobnijeg objašnjenja ovih

procesa smatrali smo važnim uvesti i formalizam dijagrama toka s opisom modeliranja

učenika i prilagodljivog stjecanja znanja (Slika 4.40.)


155

Slika 4.40 Modeliranje učenika i prilagodljivo stjecanje znanja unutar KD&D modela

Modeliranje učenika i prilagodljivo stjecanje znanja omogućavaju nam statičke i dinamičke

komponente KD&D modela. Unutar dijela statike FAHP metoda određuje normalizirane

težinske vrijednosti atributa traga (vektor W) gdje neizraziti trokutni brojevi poprimaju realne


156

vrijednosti. Osim toga ovaj dio sačinjavaju i predlošci zadataka objektivnog tipa (ZOT) kao i

ishodi predložaka pitanja (IPP). Komponenta dinamike sastoji se od procesa učenja,

poučavanja i testiranja znanja učenika te dijagnostike znanja učenika. Aktualna vrijednost

atributa traga ostvarenih u tekućem ciklusu testiranja predstavlja sadržaj matrice M. Sadržaj

matrice M zajedno s sadržajem vektora W su ulazne veličine dijagnostike znanja učenika.

Dijagnostiku znanja učenika podupire TOPSIS metoda koja kao svoje rješenje „puni“ vektor

S – aktualni stereotip učenika. Aktualni stereotip učenika prije prelaska na novi ciklus

zahtjeva njegovu provjeru tj. odluku s kojom se utvrđuje poznavanje svih propozicija ili

uvjeta kada sustav ne može generirati novi ciklus testa. Kada je ovaj uvjet ispunjen proces se

završava u protivnom inicira se novi ciklus testiranja uz pomoć algoritma za generiranje

pitanja (AGP).

Prilagodljivo stjecanje znanja je posljednja funkcionalnost unutar opisa modela oblikovanja i

isporuke znanja u inteligentnom sustavu za upravljanje učenjem. Implementacijski dio i

postavljanje KD&D modela je detaljno opisan kroz Arhitekturu prototipa programskog

rješenja KD&D modela u sljedećem poglavlju.

Arhitektura prototipa programskog rješenja KD&D modela

157

5. Arhitektura prototipa programskog rješenja KD&D modela

Zamisao i model CM Tutor-a obuhvaća implementaciju prototipa programske podrške.

Ovakav složen sustav potrebno je opisati dijagramima koji se koriste za opis prema

standardnom jeziku za modeliranje - Unified Modelling Language - UML [122]. Uz dijagrame

slučajeva korištenja (eng. use case diagram) prikazane su sve funkcionalnosti sustava kao i

njegovi sudionici, a izvođenje tih funkcionalnosti opisane su uz pomoć dijagrama aktivnosti

(eng. activity diagram). Također je prikazana arhitektura predloška koji je iskorišten kako bi

se implementirala aktivnost CM Tutor unutar sustava Moodle.

CM Tutor svojim funkcionalnostima obuhvaća niz komponenti programiranih u programskom

jeziku Hypertext Preprocessor (PHP), a za pohranu podataka koji su uključeni u proces

modeliranja učenika korištena je relacijska baza podataka MySQL. Pojedini moduli

programske podrške implementirani su pomoću programskog jezika Python. Modul za

prilagodbu napravljen je kao Python dodatak koji se koristi kao aktivnost, dok su ostale

funkcionalnosti isporuke nastavnog sadržaja napravljeni kao dodatak Moodle sustavu za


Moodle, kao programska podrška otvorenog koda dozvoljava dodavanje vlastitih programskih

modula zvanih dodatci (eng. plugin) koji nadograđuju postojeću infrastrukturu ovog LMS

sustava. Infrastruktura Moodle sustava omogućava pozivanje pojedinih klasa i objekata koji

su potrebni kako bi se koristili potrebni resursi kao što su baza podataka, podsustav za

praćenje aktivnosti učenika, podsustav za dodavanje novih aktivnosti te brojne druge.

Budući da je CM Tutor aktivnost Moodle sustava samim time uključuje sve funkcionalnosti

koje nudi Moodle sustav. Globalni prikaz arhitekture CM Tutor sustava prikazan je na slici

5.1.


158

Slika 5.1 Arhitektura CM Tutor sustava

Poglavlje je podijeljeno u dva dijela: (i) Arhitektura Moodle sustava gdje ćemo navesti nužne

sažete opise povezane s arhitekturom Moodle sustava (ii) Arhitektura prototipa programske

podrške CM Tutor gdje smo detaljno opisali arhitekturu prototipa programske podrške CM

Tutor.


159

5.1. Arhitektura Moodle sustava

CM Tutor implementiran je kao aktivnost unutar sustava Moodle i zbog toga ćemo opisati

strukturu baze podataka kao i strukturu dodataka sustava Moodle. Moodle možemo promatrati

u dva sloja koja služe kako bismo odvojili aplikacijsku logiku od prezentacijske. Vanjski sloj

je tema (eng. theme) koja se bazira na sučelje samog sustava, a iza su klase koje se koriste pri

generiranju HTML-a iz podataka dobivenih obradom. Samim time Moodle sustav ima vlastite

funkcionalnosti kako za pristup bazi tako i za ispis pojedinih elemenata sučelja kao što su

tablice, paragrafi, naslovi određenog reda itd.

5.1.1. Struktura baze podataka

Moodle baza podataka sadrži preko 250 tablica. Cijela Moodle baza podataka spoj je glavnih i

sporednih tablica koje pripadaju pojedinim dodacima. Baza je definirana unutar install.xml

datoteke koja se nalazi u DB direktoriju pojedinog dodatka. Tablice baze podataka Moodle

dodatka moguće je napraviti direktno u bazi, ali ju je potrebno deklarirati unutar install.xml

datoteke koja se nalazi unutar db direktorija modula.

<?xml version="1.0" encoding="UTF-8" ?>

<XMLDB PATH="mod/CM Tutor/db" VERSION="20160523" COMMENT="XMLDB file for

Moodle mod/CM Tutor"

xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"

xsi:noNamespaceSchemaLocation="../../../lib/xmldb/xmldb.xsd">

<TABLES>

<TABLE NAME="CM Tutor" COMMENT="Default comment for CM Tutor, please

edit me">

<FIELDS>

<FIELD NAME="id" TYPE="int" LENGTH="10" NOTNULL="true"

SEQUENCE="true"/>

<FIELD NAME="course" TYPE="int" LENGTH="10" NOTNULL="true"

SEQUENCE="false" COMMENT="Course CM Tutor activity belongs to"/>

<FIELD NAME="name" TYPE="char" LENGTH="255" NOTNULL="true"

SEQUENCE="false" COMMENT="name field for Moodle instances"/>

<FIELD NAME="intro" TYPE="text" NOTNULL="false" SEQUENCE="false"

COMMENT="General introduction of the CM Tutor activity"/>

<FIELD NAME="introformat" TYPE="int" LENGTH="4" NOTNULL="true"

DEFAULT="0" SEQUENCE="false" COMMENT="Format of the intro field (Moodle,

HTML, MARKDOWN...)"/>

<FIELD NAME="timecreated" TYPE="int" LENGTH="10" NOTNULL="true"

SEQUENCE="false"/>

<FIELD NAME="timemodified" TYPE="int" LENGTH="10" NOTNULL="true"

DEFAULT="0" SEQUENCE="false"/>

</FIELDS>

<KEYS>

<KEY NAME="primary" TYPE="primary" FIELDS="id"/>

</KEYS>

<INDEXES>

<INDEX NAME="course" UNIQUE="false" FIELDS="course"/>

</INDEXES>

</TABLE>


160

Slika 5.2 Prikaz XML datoteke za stvaranje relacijskog modela dodatka

Na slici 5.2 možemo vidjeti prikaz XML datoteke za stvaranje relacijskog modela dodatka.

Install.xml datoteku čini nekoliko oznaka i atributa. Ključne oznake za implementaciju tablica

Cm Tutor-a u Moodle bazu podataka su:

- TABLES – je oznaka koja predstavlja listu tablica koje Moodle sintaksno obrađuje i

stvara kao tablice dodatka

- TABLE – je oznaka koja predstavlja tablicu koje Moodle sintaksno obrađuje i stvara kao

tablicu dodatka

- FIELDS – je oznaka koja predstavlja listu atributa koje Moodle sintaksno obrađuje i

stvara kao atribute dodatka

- FIELD – je oznaka koja predstavlja atribute tablice koje Moodle sintaksno obrađuje i

stvara kao atribute dodatka

- KEYS – je oznaka koja definira listu ključeva

- KEY – je oznaka koja definira vrijednost ključa/eva unutar tablice

- INDEXES – je oznaka koja definira listu indeksa tablice

- INDEX – je oznaka koja definira indeks atribut

Implementacija baze podataka CM Tutora svodi se na izgradnju XML datoteke koju sustav

Moodle automatski detektira učitavanjem modula. Svaki od ovih oznaka ima atribut NAME

koji ovisno o atributu definira vrijednost naziva tablice, atributa tablice, ključa ili indeksa.

5.1.2. Struktura dodatka

U sklopu razvoja Moodle dodatka, razvojni programeri preporučuju korištenje gotovih

predložaka za razvoj programskih dodatka. Novi dodatak ili modul na Moodle sustav se

instalira dodavanjem predloška koji se može preuzeti s službene stranice Moodle-a

(docs.Moodle.org, 2016) u mod direktorij sustava. Dodatak se sastoji od datoteka prikazanih

na slici 5.3.


161

Slika 5.3 Prikaz strukture modula pod nazivom „widget“ unutar Moodle sustava

Osnovne datoteke koje je potrebno modificirati prije instalacije (postavljanja u direktorij mod

na web poslužitelju) su:

- db/install.xml

- db/upgrade.php

- icon.gif

- index.php

- lang/en_utf8/help/newmodule/index.html

- lang/en_utf8/help/newmodule/mods.html

- lang/en_utf8/newmodule.php

- lib.php

- mod_form.php

- README.txt

- version.php

- view.php

Struktura modula unutar Moodle sustava sadrži datoteke:

- lib.php – sastoji se od osnovnih procedura potrebnih za rad svakog modula, ali također i

svaka nova funkcija od kojih će se novi modul sastojati

- mod_form.php – sastoji se od forme koja će se koristiti kako bi se dodala nova aktivnost, u

ovom slučaju aktivnost CM Tutora. Budući da se CM Tutor sastoji od forme za učitavanje

CXL datoteke, ova forma mora sadržavati polje za unos naziva modula, polje za opis

modula te polje za učitavanje CXL datoteke.


162

- version.php – je vrlo jednostavna datoteka, ali i jako bitna. Ona svaku promjenu na

strukturnim komponentama (kao što je baza podataka) ne ažurira odmah već pri promjeni

verzije modula,

- view.php – se sastoji od programskog koda koji će se izvršiti prilikom pokretanja modula


163

5.2. Arhitektura prototipa programske podrške CM Tutor

Arhitekturu prototipa programske podrške prikazujemo redom pomoću: (i) Dijagram slučaja

korištenja (eng. use-case diagram), (ii) Dijagram aktivnosti (eng. activity diagram), (iii)

Dijagram komponenti (eng. component diagram) i (iv) Dijagram klasa (eng. class diagram).

Na kraju pod poglavlja pokazali smo strukturu baze podataka sustava Moodle. (UML Applied

[124])

5.2.1. Dijagram slučaja korištenja

CM Tutor je u sustavu Moodle postavljen kao aktivnost i ravnopravan je sa svim aktivnostima

unutar Moodle sustava. Ima sljedeće funkcionalnosti opisane u zamisli disertacije (drugo

poglavlje - slika 2.3).

- isporuka nastavnih sadržaja učeniku (modul interakcije)

- testiranje znanja koji generira niz pitanja područnog znanja (modul testiranja)

- učenje i poučavanje (modul poučavanja)

- određivanje stereotipa učenika (modul stereotipa).

CM Tutor uključuje dva sudionika, a to su učitelj i učenik (slika 5.4). Učitelj ima mogućnosti

oblikovanja i isporuke novog nastavnog sadržaja te pregled aktivnosti na CM Tutor-u, dok

učenik ima mogućnosti prikaza nastavnog sadržaja (poučavanja na CM Tutor sustavu) i

pokretanja aktivnosti testiranja na CM Tutor sustavu (testiranje znanja).


164

Slika 5.4 Dijagram slučaja korištenja CM Tutor sustava

5.2.2. Dijagram aktivnosti

Prototip programske podrške CM Tutor izveden je prema objektno orijentiranoj metodologiji i

omogućava uvoženje CXL datoteke koja se sintaksnom analizom pretvara u objekte: (i)

koncept; (ii) relaciju; (iii) strukturne atribute.

CM Tutor se u dinamici prilagođava aktualnoj razini znanja učenika (slika 5.5.) na način da

generira niz pitanja (uz pomoć AGP-a). CM Tutor iterativno prelazi na sljedeću razinu sve

dok učenik ne pokaže poznavanje područnog znanja.


165

Slika 5.5 Dijagram aktivnosti CM Tutor-a

Prototip programske podrške CM Tutor-a integriran je u sustav Moodle kao aktivnost te kao

takva dostupna svim nastavnim kolegijima.

Na slici 5.6. možemo vidjeti način postavljanja CXL datoteke, oblikovane u programskom

alatu CmapTools, u aktivnost CM Tutor kao okruženje sustava Moodle.

Slika 5.6 Primjer odabira CXL datoteke unutar Moodle okruženja


166

Razlaganje CM Tutor sustava na osnovne komponente i definiranje njihova međudjelovanja

prikazani su u sljedećim odjeljcima.

Sustav Moodle je raspodijeljeni web orijentiran sustav baziran na klijent - poslužitelj (eng.

client - server) arhitekturi. Komunikacija između računala zasniva se na osnovu HTTP

zahtjeva. Računalo klijenta uz pomoć web preglednika šalje zahtjeve poslužitelju koji te

zahtjeve obrađuje i vraća korisniku odgovor. Na klijentsku stranu prebačen je proces

generiranja grafičkog prikaza područnog znanja uz pomoć programskog dodatka JavaScript

biblioteke - Go.JS [125].

5.2.3. Dijagram komponenti

Za implementaciju CM Tutor-a unutar sustava Moodle potrebno je koristiti predložak

aktivnosti za sustav Moodle. U predlošku je postavljen niz vrijednosti koje je potrebno

modificirati kako bi sustav ispravno prepoznao novi modul s nazivom CM Tutor. Za početak

potrebno je sve datoteke unutar predloška koje sadrže riječ „newmodule“ zamijeniti s riječju

„CM Tutor“. Datoteke unutar kojih treba izvršiti ovu izmjenu su:

- view.php – ova datoteka je zadužena za prikaz (u našem slučaju) procesa učenja i

poučavanja. Ovdje se nalazi glavni dio našeg prototipa programske podrške

- mod_form.php – ova datoteka je zadužena za mijenjanje izgleda forme koja se prikazuje

kada administrator (u CM Tutoru Učitelj/Stručnjak) želi dodati novi modul unutar kolegija

- lib.php – sadrži sve potrebne procedure potrebne za rad sustava. U našem slučaju tu se

nalazi procedura za sintaksnu analizu cxl datoteke i učitavanje podataka u bazu podataka

- grade.php – datoteka koja provodi proceduru testiranja i vrednovanja znanja učenika

- algoritmi.class.php – datoteka koja sadrži sve algoritme opisane u prethodnom poglavlju

(četvrto poglavlje - Opis KD&D Modela) za provođenje učenje, poučavanje i testiranje

znanja učenika

- parse.php - sadrži algoritme za sintaksnu obradu i pretvorbu CXL datoteke u model

podataka relacijske baze

- get_resources.php –modul za dohvaćanje hipermedijskih atributa povezanih s

konceptima.

Na ovaj način implementiran je prototip programske podrške CM Tutor unutar Moodle

sustava što možemo prikazati komponentnim dijagramom na slici 5.7.:


167

Slika 5.7 Komponentni dijagram CM Tutor sustava

GoJS (“GoJS Diagrams for JavaScript and HTML, by Northwoods Software”) je JavaScript

biblioteka za vizualizaciju koja se koristi u CM Tutor sustavu za područno znanje pomoću

mape koncepata. Ovaj dodatak je baziran na JavaScript programskom jeziku. Za ulazni niz

objekata generira graf (bilo koje vrste i oblika). Razlog zbog kojeg smo se odlučili na ovaj

dodatak je mogućnost uređivanja mape koncepata za svakog učenika. Pored uređivanja

dodatak nam pruža i podršku za pan/zoom funkcionalnost koje se koriste kada je mapa

područnog znanja velika. Na slici 5.8. prikazano je područno znanje za mapu koncepata

„Znanje o učenju i sustavima e-učenja“.


168

Slika 5.8 Prikaz područnog znanja uz pomoć programskog dodatka Go.JS

Prilikom procesa testiranja znanja učenika GoJS komponenta generira prikaz područnog

znanja za zadano pitanje kao pomoć (eng. hint) (slika 5.9).

Slika 5.9 GoJS generira prikaz područnog znanja za zadano pitanje kao pomoć (eng. hint)

Glavna metoda komponente GoJS je makeGraph koja za proslijeđeno područno znanje u

JSON (eng. JavaScript Object Notation) formatu generira graf makeGraphOverview koji se

može uređivati. Ova metoda se koristi prilikom odgovora na pitanje generiranog uz pomoć

predloška 7 u kojim se od učenika traži da napravi mapu koncepata (slika 5.10).


169

Slika 5.10 Metoda komponente GoJS (makeGraph) za zadano područno znanje

Dijagram klasa paketa „Učenik“ i „Učitelj“ komponenti koje se koriste za vizualizaciju

možemo vidjeti na slici 5.11:

Slika 5.11 Dijagram klasa paketa „Učenik“ i „Učitelj“ podsustava za grafički prikaz područnog u CM Tutor-u

CM Tutor se zasniva na dinamičkom generiranju sadržaja. HTTP (engl. HyperText Transfer

Protocol) je glavna metoda prijenosa informacija između poslužitelja i klijenta. Ovu

funkcionalnost omogućavaju nam dva modula. To su modul View i modul Grade koji se

izmjenjuju do kraja izvršavanja procesa (dok područno znanje ne bude ispitano). View modul

je implementiran prema Transaction script stilu [126] koji Moodle sustav propisuje. U View

modul se prosljeđuju parametri trenutnog zapisa traga testiranja znanja učenika. Odgovori na

pitanja prosljeđuju se na Grade modul putem HTTP POST zahtjeva te se uz odgovore šalju i

ID pitanja koji su zapisani u bazi podataka. Također je implementirano brojanje korištenja

pomoći koje je učenik koristio prilikom testiranja znanja.


170

Grade modul poziva Python TOPSIS modul putem EXEC funkcije koja poziva proces

klasifikacije TOPSIS metodom (vraća vektor stereotipa učenika). Grade vraća rezultat View

modulu kao klasu kojoj učenik pripada.

Bitno je naglasiti da PHP i Python komuniciraju isključivo putem argumenata (slika 5.12.). i

koriste ODBC konekciju na MySQL serveru. Za konekciju na MySQL server koristi se

Python modul python-MySQL (verzija 1.2.5). koji je dostupan za instalaciju preko PIP [127].

Slika 5.12 Prikaz interakcije modula CM Tutor

Uz poslužiteljske programske jezike na strani klijenta korišten je JavaScript za generiranje

grafičkog korisničkog sučelja uz pomoć Bootstrap CSS programskog okvira [128], a za

skriptiranje na strani klijenta JQuery [129].

Bootstrap je slobodan web okvir za izradu web stranica i aplikacija. Sadrži HTML i CSS

predloške oblikovanih tipografija, formi, navigacija i drugih komponenti sučelja, kao i

dodatnih JavaScript proširenja. Za razliku od mnogih web okvira, Bootstrap se odnosi samo

za razvoj korisničkog sučelja. Kako bi se poboljšao programski doživljaj na strani klijenta

korišten je JQuery programski okvir. jQuery je JavaScript biblioteka osmišljena kako bi se

pojednostavio razvoj skripti na strani klijenta. jQuery je najpopularnija JavaScript biblioteka u

upotrebi danas (zauzima 65% od 10 milijuna najposjećenijih web stranica).


171

Zadnji odjeljak unutar Arhitekture prototipa programskog rješenja KD&D modela je model

podataka CM tutor sustava gdje smo prikazali tablice baze podataka koje smo koristili unutar

CM Tutor sustava.

5.2.4. Dijagram klasa

Modeli skupova podataka implementirani su i organizirani po paketima. Svaki paket sadrži

klase za određeni skup aktivnosti. Na slici 5.13. vidimo dijagram klasa paketa „Učenik“.

Slika 5.13 Dijagram klasa paketa „Učenik“

Dijagram klasa paketa „Učenik“ CM Tutor sustava predstavlja niz klasa koji se koriste za

proces vrednovanja učenikovog znanja. Klasa algoritmi.class je „glavna“ klasa u ovom

paketu koja je zadužena za generiranje pitanja iz podskupa područnog znanja za aktualni

stereotip učenika. Ostale klase se koriste kako bi se proveo proces učenja i poučavanja.

Na slici 5.14. vidimo dijagram klasa paketa „Učitelj“ koji opisuje klase uključene u proces

učitavanja nastavnog sadržaja. Unutar lib klase nalazi se metoda CM Tutor_add_instance koja

dodaje novi primjer i popunjava postojeće Moodle tablice unutar baze podataka. Moodle API

[126] pomaže prilikom dodavanja novih instanci u bazu podataka i također nam pruža

infrastrukturu za svaki modul.


172

Slika 5.14 Dijagram klasa paketa „Učitelj“ podsustava za isporuku nastavnog sadržaja

Na slici 5.15. vidimo dijagram klasa koji opisuje klase za prikaz aktivnosti učenika na sustavu

CM Tutor. Aktivnosti na CM Tutoru koriste postojeću infrastrukturu Moodle sustava iz koje

vidimo da je CM Tutor aktivnost u potpunosti integrirana u Moodle okruženje. Ovu

funkcionalnost integrirali smo uz pomoć Logging API-ja [130].

Slika 5.15 Dijagram klasa paketa „Učitelj“ podsustava za prikaz aktivnosti na CM Tutor modulu


173

5.2.5. Struktura baze podataka

Model implementirane baze podatka CM Tutor sustava prikazan je na slici 5.16. Sama baza

podataka upisana je u bazu sustava Moodle i samim time aktivnost CM Tutor može koristiti

cijelu bazu sustava Moodle.

Slika 5.16 Model implementirane baze podatka prototipa programske podrške CM Tutor

CM Tutor ima posebno razvijen modul baze podataka sa nizom potrebnih tablica što

omogućava izvedbu njegovih funkcionalnosti u statičkom i dinamičkom pogledu. Tablica 5.1.

prikazuje popis naziva tablica aktivnosti CM Tutora, popis atributa kao i njihove pripadne

opise. Sve se navodi radi poimanja modela podataka koji je implementiran.


174

Tablica 5.1 Popis tablica unutar CM Tutor baze podataka

Redni

broj Tablica Atributi Opis

1. Propozicija

ID (Primarni

ključ) Tablica služi za spremanje uređenih trojki (Nadkkoncept-

Relacija-Podkoncept). Podatci unutar ove tablice se

dobivaju sintaksnom analizom CXL datoteke.

Relacija_id

Nadkoncept_id

Podkoncept_id

2. Koncept

ID (Primarni

ključ) Tablica služi za spremanje koncepata područnog znanja.

Sifra

Naziv

3. Grupa_resursa

ID (Primarni

ključ) Tablica služi za grupiranje resursa povezanih uz određene

koncepte (budući da jedan koncept može imati više resursa).

Pod pojmom resurs se podrazumijeva hipermedijska

datoteka. Relacija i koncept mogu biti povezani sa

određenim resursom, tj. kada je relacija povezana sa

resursom tada koncept nije i zbog toga strani ključevi mogu

biti NULL

Tip

Koncept_id

(NULL)

Relacija_id

(NULL)

4. Pitanja_tpl

ID (Primarni

ključ)

Tablica sadrži uzorak pitanja koji se sintaksnom analizom

pretvaraju u pitanja te se isporučuju korisniku. Prema

posebnim znakovima označava se podkoncept, relacija i

nadkoncept. Koji se nakon obrade pitanja postavljaju na

mjesto gdje su označeni u uzorku. Pitanja su označena na

kojoj razini ispituju znanje (klasifikacija prema Bloomu) i

samo na toj razini na kojoj se korisnik trenutno nalazi se

isporučuju.

Uzorak_pitanja

Uzorak_odgovora

Bodovi_pitanja

Bloom_razina

5. Korisnik Tablica koja se nalazila u samostalnoj verziji CM Tutora, a

u Moodle verziji sustava zamijenjena sa tablicom mdl_user

6. Resurs

ID (Primarni

ključ)

Tablica služi sa pohranu resursa, tj hipermedijskih datoteka

ili putanja do datoteka koje se isporučuju kao materijal za

učenje.

Naslov

Opis

URL

Grupa_id

Sifra

Naziv

7. Relacija

ID U tablici se pohranjuju sve pojedinačne relacije područnog

znanja. Sifra

Naziv

8. Generirana_pitanja

ID

U ovu tablicu se spremaju sva pitanja koja su se generirala

prema korisniku bilježeći pri tom sve propozicije koje su

ispitane, te zastavica da li je ispitani koncept učenik doista

znao, zastavica se postavlja na istinu (eng. true) kada učenik

točno odgovori na postavljeno pitanje.

Zna

Točan_odgovor

Relacija_id

Podkoncept_id

Nadkoncept_id

Predlozak_id

Korisnik_id

Temeljem svih navedenih akcija u povezivanju baze podataka sustava Moodle i skupa

podatkovnih tablica oblikovanih za potrebe dodatka CM Tutora moguće je izvršiti

implementaciju i postavljanje.


175

Arhitekturu potvrđujemo odgovarajućim eksperimentom čije smo rezultate prikazali u

sljedećem poglavlju kao prototipno eksperimentalno istraživanje.

Primjena KD&D modela (prototipno eksperimentalno istraživanje)

176

6. Primjena KD&D modela (prototipno eksperimentalno istraživanje)

Eksperiment s pedagogijskog stajališta je plansko ispitivanje učinka procesa učenja i

poučavanja. U metodološkom pogledu to je pristup istraživanju pedagoške pojave kojim se

nastoje uočiti uzročno-posljedične veze među pojavama, služeći se pri tom raznim

postupcima prikupljanja podataka, kao što je promatranje, testiranje, razgovor i sl. [131].

Prototip programske podrške CM Tutor je postavljen u eksperimentalno okruženje s

temeljnim ciljem utvrđivanja učinka i kvalitete dostignutog stupnja razvijenosti kao i osjećaja

zadovoljstva sudionika tijekom učenja, poučavanja i testiranja znanja. Postupak je proveden u

dva vremenska razdoblja od kojih je jedno u zimskom semestru akademske 2015/2016

godine, a drugo u zimskom semestru akademske 2016/2017 godine. Metodologija istraživanja

provedena u oba navedena razdoblja je prikazana u sljedećim potpoglavljima.

6.1. Prvo primjensko razdoblje

Prvo primjensko razdoblje je pored prototipa programske podrške CM Tutor obuhvatilo i

platforme online učenja CoLaB Tutor [132] , AC ware Tutor [71] i Moodle [18]. Zajedničko

za sve primijenjene platforme je područno znanje definirano nad ontologijom koncepta i

relacija. Nadalje pored CM Tutor platforme, preostale tri platforme su nam bile raspoložive i

dobro poznate u primjerima dobre prakse u ranije provedenim istraživanjima u ovom

području. Temeljni cilj ovog razdoblja je da se u usporednoj analizi i obradi podataka sa

testiranja i online učenja svih primijenjenih platformi e-učenja dobiju kvalitativni pokazatelji

prototipa programske podrške CM Tutor.

Prvo primjensko razdoblje opisujemo sa stajališta metodološkog pristupa eksperimentu te

ankete zadovoljstva sudionika.

Metodologija istraživanja

Eksperiment smo proveli sa studentima iz redovitog nastavnog procesa što je izvedeno u tri

vremenska razdoblja u trajanju od po dva tjedna (ukupno šest tjedana za online učenje). U

svakom razdoblju studenti su u prostoru učenja i poučavanja koristili po jedan sustav e-učenja

i po jedno područno znanje dok je u preostalih 9 tjedana provedena tradicionalna nastava u


177

učionici. Generalno na razini čitavog obrazovnog razdoblja nastavni proces smo organizirali i

proveli prema podmodelu zrcaljena učionica rotacijskog modela hibridnog učenja.

Uzorak:

Uzorak u istraživanju su studenti sa Sveučilišta u Mostaru i Splitu

- Sveučilište u Splitu: Prirodoslovno matematički fakultet (PMFST) (preddiplomski studij

jedan nastavni kolegij; diplomski studij jedan nastavni kolegij) i Filozofski fakultet

(FFST) (integrirani učiteljski studij četvrta i peta godina po jedan nastavni kolegij).

- Sveučilište u Mostaru: Fakultet prirodoslovno matematičkih i odgojnih znanosti (FPMOZ)

Mostar (preddiplomski studij jedan nastavni kolegij; diplomski studij jedan nastavni

kolegij) i dislocirani studij FPMOZ Orašje (preddiplomski studij jedan nastavni kolegij).

Područno znanje:

- Računalo kao sustav (područno znanje 1) sa pet objekata znanja (logički sklopovi; model

računalnog sustava; programski jezik; računalni sustav), 87 propozicija znanja i 71

koncept.

- Okruženje i prostor e-učenja i sustava e-učenja (područno znanje 2) sa tri objekta znanja

(obrazovanje, tehnologija, hibridno učenje), 42 propozicije znanja i 39 koncepata.

- Uvodno poučavanje programiranja (područno znanje 3) sa četiri objekta znanja (program,

operator, programiranje, programski jezik), 125 propozicija i 111 koncepata.

Vrijeme

Zimski semestar akademske godine 2015/2016.. Istraživanje se provodi kroz tri vremenska

razdoblja i ciklusa učenja i testiranja znanja kako je prikazano u Tablici 6.1.

Tablica 6.1 Protokol eksperimenta

Ciklus 1.

Područno znanje 1.

Broj studenata

Ciklus 2.

Područno znanje 2.

Broj studenata

Ciklus 3.

Područno znanje 3.

Broj studenata

Ukupno

CoLab Tutor 39 29 25 93

AC-ware Tutor 27 24 25 76

CM Tutor 40 31 26 97

Moodle 33 32 39 104

Ukupno 139 116 115 370

Razdoblje

inicijalnog testa 9.11. - 13.11.2015. 23.11. - 27.11.2015. 7.12. - 11.12.2015.

Razdoblje učenja 16.11. - 27.11.2015. 30.11. - 11.12.2015. 11.1. - 22.1.2016.

Razdoblje

završnog testa 30.11. - 4.12.2015. 14.12. - 18.12.2015. 25.1. - 29.1.2016.


178

Prikaz rezultata i rasprava

Rezultate eksperimenta provedenog u prvom primjenskom razdoblju promatramo kroz prikaz:

(i) pedeset najbolje ocjenjenih i pedeset najlošije ocijenjenih studenata na završnom testu; (ii)

pet kategorija u intervalu od 0 do 100 postignutih bodova na završnom testu i (iii) anketu

zadovoljstava u radu sa platformama e-učenja.

Pregled pedeset najbolje ocjenjenih i pedeset najlošije ocijenjenih studenata na završnom testu

je u Tablici 6.2. i Tablici 6.3. Završni test na najbolji način iskazuje efekt online učenja

studenata u provedenim ciklusima testiranja sa izabranim područnim znanjima. Primjetno je

da platforma CM Tutor u oba slučaja iskazuje najbolji rezultat. U prikazu 50 najboljih

studenata najviše je studenata sa platforme CM Tutor – 22 studenta. Prikaz 50 najlošijih

ponovno iskazuje najbolji rezultat za platformu CM Tutor sa 10 studenata.

Tablica 6.2 Prikaz rezultata završnog testa - 50 najboljih

CoLaB Tutor AC ware Tutor CM Tutor Moodle Ukupno

Ciklus 1 1 1 22 0 24

Ciklus 2 0 10 0 0 10

Ciklus 3 0 0 0 16 16

Ukupno 1 11 22 16 50

Tablica 6.3 Prikaz rezultata završnog testa - 50 najlošijih

CoLaB Tutor AC ware Tutor CM Tutor Moodle Ukupno

Ciklus 1 0 1 4 7 12

Ciklus 2 4 0 3 3 10

Ciklus 3 10 12 3 3 28

Ukupno 14 13 10 13 50

Sljedeći pregled rezultata temelji se na Tablici 6.4. i Tablici 6.5. povezani s pet kategorija

postignutih bodova na završnom testu kako slijedi:

- Kategorija 1. [0,49] bodova

- Kategorija 2. <50, 62] bodova

- Kategorija 3. <63,75] bodova

- Kategorija 4. <76,88] bodova

- Kategorija 5. <89, 100] bodova.


179

Analizom broja bodova u Kategoriji 5. utvrđujemo da od ukupno 53 studenta, u ciklusu 1. 22

studenta i najbolji uspjeh je postignut na platformi CM Tutor. U Kategoriji 4. od 36 studenata

najbolji uspjeh za po deset studenata dijele platforme AC ware Tutor (ciklus 2) i CM Tutor

(ciklus 1). Bodovi studenata prikupljeni po Kategoriji 3. za platformu CM Tutor na trećem

mjestu ima 7 studenata (ciklus 1 i ciklus 3), a u Kategoriji 2. 10 studenata (ciklus 1, ciklus 2 i

ciklus 3). Konačno u Kategoriji 1. povezana sa brojem studenata ispod praga prolaznosti

platforma CM Tutor je na drugom mjestu sa 48 studenata (ciklus 1, ciklus 2 i ciklus 3).

Tablica 6.4 Prikaz rezultata po ciklusima i kategorija bodova završnog testa

[0, 49]

bodova

<50, 62]

bodova

<63, 75]

bodova

<76, 88]

bodova

<89, 100]

bodova Ukupno

CoLaB Tutor

Ciklus 1 5 10 15 8 1 39

Ciklus 2 24 3 1 1 0 29

Ciklus 3 25 0 0 0 0 25

Ukupno 54 13 16 9 1 93

ACware Tutor

Ciklus 1 14 5 7 0 1 27

Ciklus 2 0 0 3 10 11 24

Ciklus 3 25 0 0 0 0 25

Ukupno 39 5 10 10 12 76

CM Tutor

Ciklus 1 5 1 2 10 22 40

Ciklus 2 30 1 0 0 0 31

Ciklus 3 13 8 5 0 0 26

Ukupno 48 10 7 10 22 97

Moodle

Ciklus 1 31 2 0 0 0 33

Ciklus 2 26 6 0 0 0 32

Ciklus 3 5 5 4 7 18 39

Ukupno 62 13 4 7 18 104

Ukupno

Ciklus 1 55 18 24 18 24 139

Ciklus 2 80 10 4 11 11 116

Ciklus 3 68 13 9 7 18 115

Ukupno 203 41 37 36 53 370

U vezi s bodovnim saldom studenata po Kategoriji 1. vrijedi primijetiti da je ovdje najmanji

broj studenata na platformi CM Tutor.

Uvažavajući ovakav analitički osvrt na kategorije ocjene u vezi s bodovima ostvarenim na

završnom testu valja zaključiti da je najpovoljniji rezultat postignut upravo na CM Tutor

platformi.

Anketa zadovoljstva u radu sa platformama e-učenja je provedena sa jednom grupom

studenata sa FPMOZ Sveučilišta u Mostaru koja je u opisanom eksperimentu provela online

učenja na svim platformama e-učenja. U tom smislu smo nakon završenog postupka sa

studentima proveli anketu zadovoljstva (Prilog 2) sa jedanaest pitanja. Pitanja su svojom

strukturom klasificirana u nekoliko grupa s kojim se tražilo mišljenje studenata o oblikovanim


180

nastavnim sadržajima, pogodnostima korištenja, kvalitetom interakcije te ukupnom ocjenom

za platformu e-učenja. Odgovor na postavljena pitanja je trebalo donijeti u vidu cijelobrojnika

na Likertovoj skali od 1 do 5. Jedno pitanje je bilo otvorenog tipa i studentima je omogućilo

da u kraćem esejskom opisu iskažu svoj stav.

Rezultati obrade ankete su iskazani ocjenama u Tablici 6.5. i grafičkim prikazom na slici 6.1.

Znakovito je pitanje broj 6. „Sustav e-učenja potiče moje razmišljanje na ljestvici od ne potiče

(1) do potiče (5)“ gdje studenti za CM Tutor ocjenjuju s najvećom ocjenom, što u svakom

slučaju potiče na daljnji razvoj i primjenu. U ostalim pitanjima ocjena platforme CM Tutor je

osam puta na drugom mjestu i jednom na trećem mjestu.

Tablica 6.5 Prikaz ocjena sustava e-učenja iz ankete zadovoljstva

Sustav pitanje

1

pitanje

2

pitanje

3

pitanje

4

pitanje

5

pitanje

6

pitanje

7

pitanje

8

pitanje

9

pitanje

10

CoLab 3,739 3,609 3,435 3,652 4,087 3,652 3,478 3,609 3,783 3,478

Acware 3,435 3,261 3,000 3,261 3,609 3,696 3,609 3,261 3,522 3,391

CM

Tutor

3,826 3,957 3,739 3,609 4,174 3,913 4,000 3,957 3,913 3,870

Moodle 4,348 4,304 4,304 4,174 4,304 3,826 4,217 4,565 4,348 4,391

Sustav Moodle je u ovoj anketi najbolje ocijenjen što je i razumljivo s obzirom na

zastupljenost ovog sustava u obrazovnom procesu studenata – uzorka provedenog

istraživanja.

Pitanje jedanaest u anketi zadovoljstva je bilo otvorenog tipa, gdje je od ukupnog broja

studenata (24) više od polovine – četrnaest studenata opisalo platformu CM Tutor kao

najuspješniju. U svojim opisima posebno naglašavaju vizualnu komponentu u prikazu

koncepata i relacija kao važnu značajku koja olakšava proces učenja. Neke od mišljenja

studenata se navode.

Student 1 - CM Tutor mi se čini kao najbolji, najviše zbog načina prikaza same mape

koncepata što je uvelike olakšalo učenje.

Student 2 - Od sva četiri tutora meni se najviše dopao CM Tutor, zbog načina prikazivanja

odgovora mi je bio jako zanimljiv.

Student 3 - CM Tutor mi je totalnom zanimljiv. Mapa mi je na početku bila toliko zbunjujuća

da bih najradije odustala od nje, ali meni se kasnije pokazalo sasvim uredu.


181

6.2. Drugo primjensko razdoblje

Cilj drugog primjenskog razdoblja je bio utvrditi učinak učenja, poučavanja i testiranja znanja

na prototipu programske podrške CM Tutor uz pomoć inicijalnog i završnog testa. Inicijalni

test smo koristili zbog toga što u eksperimentu sudjeluju studenti s različitim vještinama i

predznanjima. Moramo utvrditi početno stanje njihovog poznavanja i razumijevanja

područnog znanja da bi mogli kvantificirati veličinu njegove promjene. Koristili smo raspon

bodova na ljestvici 0 - 100 bodova radi lakše usporedbe s ostalim testovima i kasnije

statističke analize.

Metodologija istraživanja

Eksperiment smo proveli s jednom skupinom studenata u vremenskom razdoblju od dva

tjedna. Instrumenti za provedbu istraživanja su zadaci objektivnog tipa (zadaci dosjećanja,

zadaci dopunjavanja, alternativni zadaci, zadaci višestrukog izbora, zadaci ispravljanja, zadaci

sređivanja, zadaci povezivanja i zadaci esejskog tipa). Upoznali smo studente sa sadržajem

nastavne cjeline "Okruženje i prostor e-učenja i sustava e-učenja ". Na početku smo zadacima

objektivnog tipa (ZOT1) ispitali inicijalno stanje znanja učenika Nastava je realizirana

pomoću sustava "CM Tutor". Na kraju smo ispitali završno stanje zadacima objektivnog tipa

(ZOT2). Zadaci objektivnog tipa 1 (ZOT1) i zadaci objektivnog tipa 2 (ZOT2) su imali ista

pitanja samo postavljena drugačijim redoslijedom.

Uzorak

Istraživanje je provedeno na uzorku od 38 studenata od kojih je 28 studenata pristupilo i

inicijalnom i završnom testu. Bodovi na inicijalnom i završnom testu su prikazani u Tablici

6.6.

Područno znanje:

Okruženje i prostor e-učenja i sustava e-učenja sa 41 propozicijom znanja i 39 koncepata.

Vrijeme

Eksperimentalno istraživanje je provedeno na Fakultetu prirodoslovno matematičkih i

odgojnih znanosti Sveučilišta u Mostaru na nastavi unutar kolegija Sustavi e-učenja na

diplomskom studiju Informatike i Informatike s kombinacijama (Matematika, Geografija,

Kemija) uz pomoć sustava „CM Tutor“ od 22.11. do 06.12.2016. godine.


182

Prikaz i analiza rezultata

Prikaz i analiza rezultata provodi se kroz dva odvojena izvještaja. U prvom izvještaju pratimo

postignuća studenata (Tablica 6.6.) temeljem traga znanja iskazanog s vrijednostima:

postignuti stereotip, broj hintova (pomoć u odgovoru), broju propozicija zna, broju

propozicija ne zna, broju bodova i vremenu provedenom u učenju i testiranju. Drugi izvještaj

je povezan sa prikazom veličine učinka.

Prvi izvještaj

Primijetimo da u ovoj tablici pored već utvrđenih atributa traga pratimo i stereotip studenta s

kojim je završio testiranje te postotak prijeđenih koncepata tijekom učenja i testiranja znanja.

Analizom rezultata iz Tablice 6.6. provodimo interpretaciju prema sljedećem:

- Prikaz podataka u tablici je napravljen sortiranjem uz uvažavanje atributa Broj propozicija

zna (maksimalni broj propozicija područnog znanja je 41)

- Osam studenata završava proces sa 0 hintova – zahtjeva za pomoć i pri tom prolaze sve

koncepte s tim da samo tri studenta pokazuju potpuno poznavanje (Broj propozicija ne

zna = 3). Ova trojica imaju po 272 boda. Primijetimo da jedan student ima 273 boda koja

je postigao zbog ponavljanja propozicija. Interval nepoznavanja propozicija je od 2 do 44

propozicije. Od ovih studenata sedam je dostiglo stereotip – Stereotip_S. U ovom pogledu

je najbolje vrijeme postigao Student_1.

- Tri studenta sa 100%-tnim postignućem imaju redom 1, 2 ili 3 zahtjeva za pomoć. U

ovom pogledu je najbolje vrijeme postigao Student_9, međutim nije pri tom postigao i

najveću kategoriju postignuća – ostao je na Stereotip_V.

- Trinaest studenata (od Student_12 do Student_40) imaju 0 zahtjeva za pomoć, ali nisu

prošli sve propozicije znanja tj. postotak postignuća je manji od 100%. Razlog tome može

biti i nedostatak prototipa programske podrške CM Tutor jer pri koncu procesa testiranja

dođe u situaciju da ne može generirati novi ciklus – ostali su individualni koncepti među

kojima nije moguće ostvariti propozicije.


183

Tablica 6.6 Tablica aktivnosti studenata na CM Tutoru

Ime i prezime

Postignuta kategorija

Broj hintova

Broj propozicija zna

Broj propozicija ne zna

Bodovi Ukupno vrijeme

Ukupno pređeno

Student 1 Stereotip_S 0 41 3 262 00:47:36 100.00%




Student 5 Stereotip_V 0 41 35 261 00:58:00 100.00%























Student 28 Stereotip_A 3 39 55 205 00:52:25 97.06%


Student 30 Stereotip_Z 8 38 56 159 00:27:48 95.59%












184

Drugi izvještaj

Veličina učinka pokazuje nam postoji li razlika između inicijalnog i završnog stanja znanja

učenika. U vezi s tim usporedili smo zadatke objektivnog tipa ZOT1 i ZOT2. Na taj način

vrednovali smo koliko oblikovani nastavni sadržaji u CM Tutor sustavu može poboljšati

proces učenja i poučavanja kod studenata. Rezultati zadataka objektivnog tipa i tablični

prikazi rezultata obrađeni su u Microsoft Office Excel 2007 programu. U tablici 6.7. možemo

vidjeti bodove studenata na inicijalnom i završnom testu kao i razliku između testova (gain).

Tablica 6.7 Bodovi studenata na inicijalnom i završnom testu

Ime Prezime Ukupno

inicijalni

Ukupno

završni Gain

Ime 1 Prezime 1 10,7 75,3 64,6

Ime 2 Prezime 2 16,7 80,9 64,2

Ime 3 Prezime 3 11 66,9 55,9

Ime 4 Prezime 4 12,3 65,7 53,4

Ime 5 Prezime 5 25,5 75,7 50,2

Ime 6 Prezime 6 38 76,6 38,6

Ime 7 Prezime 7 6,3 43,3 37

Ime 8 Prezime 8 26,9 62,7 35,8

Ime 9 Prezime 9 18,5 48,5 30

Ime 10 Prezime 10 14,3 41,7 27,4

Ime 11 Prezime 11 11,3 38,1 26,8

Ime 12 Prezime 12 5,2 28,7 23,5

Ime 13 Prezime 13 18,9 40,9 22

Ime 14 Prezime 14 17,7 38,9 21,2

Ime 15 Prezime 15 26,6 47,3 20,7

Ime 16 Prezime 16 27 47,1 20,1

Ime 17 Prezime 17 23,7 43,1 19,4

Ime 18 Prezime 18 7,3 25,7 18,4

Ime 19 Prezime 19 20,2 35,3 15,1

Ime 20 Prezime 20 11 24,9 13,9

Ime 21 Prezime 21 8,2 21,3 13,1

Ime 22 Prezime 22 10,3 23 12,7

Ime 23 Prezime 23 13,3 20,5 7,2

Ime 24 Prezime 24 23,3 28,3 5

Ime 25 Prezime 25 14,7 18,3 3,6

Ime 26 Prezime 26 21,7 22,9 1,2

Ime 27 Prezime 27 19,3 18,5 -0,8

Ime 28 Prezime 28 18 17,1 -0,9

Aritmetička sredina 17,07 42,04 24,98

Na slikama 6.1. i 6.2. možemo vidjeti odnos inicijalnog i završnog testa kao i njihovih

aritmetičkih sredina.


185

Slika 6.1 Odnos inicijalnog i završnog testa

Slika 6.2 Odnos aritmetičkih sredina

Standardna devijacija (SD) za inicijalni test iznosi 7,68 dok za završni iznosi 20,192. Prosjek

standardnih devijacija je 13,93.

Cohenov d, gdje je Ai aritmetička sredina inicijalnog testa dok je Az aritmetička sredina

završnog testa, računamo po relaciji 6.1.

𝑑 =(𝐴𝑧− 𝐴𝑖)

𝑝𝑟𝑜𝑠𝑗𝑒𝑘 𝑆𝐷= 1.791 6.1

U eksperimentima s jednom skupinom za veličinu učinka promatra se rezultat posebno za

svaki eksperimentalni faktor. Cohen [133] iznosi niz kriterija za mjerenje malih, srednjih i

velikih veličina učinka u različitim razmjerima metrike, kako slijedi:

- d učinci: mala ≥ 0,20, srednje ≥ 0,50, velike ≥ 0,80

0

20

40

60

80

100

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

Odnos inicijalnog i završnog testa

Ukupnoinicijani

Ukupnozavršni


186

Prema istom autoru veličina učinka d = 0,25 može se kvalificirati kao mala veličina, zbog

toga što je veća od minimalnog praga od 0,20, ali je manja od 0,50 koja je potrebna za srednje

veličine učinka. Cohen [134] predlaže i „pravila palca“ za tumačenje učinak veličine: "mala"

veličina učinka je 0,20, "srednja" veličina učinka je 0,50, a "velika" veličina učinka je 0,80. S

tim u vezi Cohen upozorava da ta „pravila palca“ mogu biti različita za različita istraživanja.

Nadalje, prikazujemo i napravili smo i grafičku interpretaciju izračuna po Cohen-u [135]

(slika 6.3). Prva skupina bili su studenti s rezultatima inicijalnog testa (tamna boja), dok su

druga skupina bili isti studenti s rezultatima završnog testa (svjetla boja).

Slika 6.3 Grafička interpretacija izračuna po Cohen-u pomoću [135]

Temeljem svega iznesenog postaje jasno da uvažavajući relaciju 6.1. pri izračunu veličine

učinka pokazuje nam da je veličina učinka u našem eksperimentu s jednom skupinom za

drugo primjensko razdoblje d=1.791 što možemo interpretirati kao „veliku“ veličinu učinka.

Nakon završnog testa napravili smo anketu zadovoljstva. Na slikama 6.4, 6.5, 6.6 je u

grafičkoj formi prikaz odgovora na pitanja razumljivosti nastavnog sadržaja, lakoće učenja i

vremena kao faktora kontinuiteta učenja (cjelovit sadržaj ankete je u Prilogu 9.1.).


187

Slika 6.4 Anketa zadovoljstva - pitanje br. 3




188

Pitanje jedanaest u anketi zadovoljstva je bilo otvorenog tipa te navodimo neka promišljanja

studenata:

Student 1: Sviđa mi se ovaj sustav jer volim neke promjene u nastavi, pogotovo ako učimo na

računalu jer je puno zanimljivije.

Student 2: CM Tutor smatram zanimljivim načinom donošenja novog gradiva učenicima i

omogućuje slikovito pamćenje novih podataka. Ovaj način učenja je karakterističan po tome

što nas potiče na drugi, kreativniji, način razmišljanja.

Student 3: Drugačije je od običnog načina učenja, ali je neke stvari lakše razumjeti. Ispočetka

nisam bio zainteresiran ,ali sam kasnije shvatio koliko je bilo jednostavnije naučiti neke

stvari. Trebali bi imati vise ovakvih sustava.

Student 4: Sustav CM Tutor olakšava učenje, nastavni sadržaj može biti jednostavan ovisno o

čemu se uči, a sam CM Tutor također na jednostavan način procjenjuje, analizira i vrednuje

stečeno znanje.

U konačnici možemo zaključiti da ankete zadovoljstva provedene nakon svakog primjenskog

razdoblja iskazuju opravdanost uvođenja prototipa programske podrške CM Tutor u proces

učenja, poučavanja i testiranja znanja učenika. Slijedno ovakvom stavu su i rezultati iskazani

bodovnim „saldom“ u testovima znanja postignuti U prvom primjenskom razdoblju vidimo da

je sustav CM Tutor pokazao bolje rezultate u odnosu na ostale inteligentne sustave dok je u

drugom primjenskom razdoblju velika razlika znanja učenika u odnosu inicijalnog i završnog

testa.

Zaključak

189

7. Zaključak

Prikazani su rezultati istraživanja provedeni u procesu razvoja, implementacije i primjene

novog izvornog modela za oblikovanje i isporuke znanja u inteligentnom sustavu za

upravljanje učenjem - Knowledge Design and Delivery model. Temeljne funkcionalnosti ovog

modela su oblikovanje nastave, isporuka nastave, modeliranje učenika i prilagodljivo

stjecanje znanja učenika. Sudionici ovog modela su učenik (svi koji se uče i poučavaju bez

obzira na obrazovnu razinu) i učitelj (ujedno i oblikovatelj nastave i u njemu definiranih

nastavnih sadržaje oslonjenih na područno znanje).

Promišljanje o oblikovanju i isporuci znanja u inteligentnom sustavu za upravljanje učenjem

posebno naglašava okruženje istraživanja inteligentnih sustava za upravljanje učenjem. U vezi

s tim su za inteligentne sustave za upravljanje učenjem istaknute i dvije bitne odrednice

inteligencije povezane sa: dijagnostikom znanja učenika i pružanjem pravodobne pomoći u

otklanjanju pogrešnih poimanja i nepoznavanju koncepata područnog znanja. Naravno, ove

dvije odrednice temeljno djeluju na zamisao pa kasnije i na implementaciju i postavljanje

KD&D modela. Stvorili smo novu platformu sustava za inteligentno upravljanje znanjem.

Istraživanje, razvoj i primjena KD&D modela se fokusira na modeliranje učenika radi

utvrđivanja znanja učenika i prilagođavanja aktualnoj razini znanja učenika. Prilagođavanje se

ostvaruje u okruženju kibernetičkog modela sustava. Sjedinili smo promišljanje učenja,

poučavanja i testiranja znanja u inteligentnom sustavu za upravljanje učenjem s kibernetičkim

modelom sustava. Osim toga, uvažavajući povećani interes za podatke koji nastaju u

obrazovnom sustavu tijekom učenja, poučavanja i testiranja znanja vrednovanje zasnivamo na

zasadama analitike učenja.

KD&D model u pogledu implementacije i postavljanja zasnivamo na programskim sustavima

CmapTools i Moodle, jer su to programske platforme koje su nam omogućile oblikovanje i

isporuku nastavnih sadržaja u inteligentnom sustavu za upravljanje učenjem. Slijedom

navedenog programski alat CmapTools je omogućio oblikovanje nastavnih sadržaja

područnog znanja definiranog nad ontologijom te uključivanje hipermedijskih strukturnih

atributa za opis koncepata i relacija područnog znanja. Platforma programskog sustava

Zaključak

190

Moodle omogućava upravljanje aktivnostima učenja kao i postavljanje novih funkcionalnosti

koje su povezane s naslovljenim istraživanjem.

Promišljajući o kibernetičkom modelu sustava KD&D model je obuhvatio temeljne

kategorije: (i) proces, (ii) referentnu veličinu i (iii) vođenje. Implementacija i postavljanje

ovih temeljnih kategorija provedena je uz pomoć prototipa programske podrške CM Tutor

kao aktivnosti unutar sustava Moodle. Pored deskriptivnog dijela uključili smo i matematički

formalizam za elemente strukture KD&D modela i prototipa programske podrške CM Tutor.

Proces obuhvaća učenje, poučavanje i testiranje znanja učenika, referentna veličina

predstavlja područno znanje kao i obilježja znanja učenika dok se vođenje ostvaruje

modeliranjem znanja učenika i prilagođavanjem aktualnoj razini znanja učenika. Aktualna

razina znanja učenika obuhvatila je odnos upravljive ulazne veličine i motrive izlazne veličine

procesa učenja, poučavanja i testiranja znanja učenika.

Posebno u ovom dijelu valja istaknuti da smo u KD&D modelu uveli hibridno modeliranje

učenika (formalizirano definicijama: Definicija 10., Definicija 11. i Definicija 12.) s kojim

smo objedinili tradicionalni model prekrivanja sa načelima neizrazite logike (FAHP) kao i

načelom višekriterijske metode odlučivanja (TOPSIS). Hibridno modeliranje je kao rezultat

donijelo stereotip učenika iskazan sa strukturnom razinom modificirane Bloomove

taksonomije znanja za kognitivno područje Utvrđeni stereotip učenika je osnova za novi

ciklus učenja i testiranja znanja omogućen algoritmom za generiranje pitanja implementiran u

funkcionalnosti prilagođavanja aktualnoj razini znanja.

U deskriptivnom pogledu objedinjavamo teorijski okvir za zasnivanje KD&D modela kao i

analizu i obradu istraženosti područja.

Analiza teorijskog okvira omogućava uvid u relevantne znanstvene reference i istraživačke

skupine koje postoje u ovom području. Područje ima odlike interdisciplinarnosti nastalo kao

presjek i sinergija više znanstvenih disciplina gdje dominiraju računarstvo, programsko

inženjerstvo, tehnike umjetne inteligencije za prikaz znanja, modeli didaktike kao znanosti u

učenju i poučavanju te psihologija obrazovanja. U primjenskom dijelu teorijski okvir se

postavlja uz pomoć programskog inženjerstva, načela tehnologija za rad u web okruženju,

modela oblikovanja i isporuke nastavnih sadržaja područnog znanja.

Zaključak

191

Teorijski okvir smo odredili temeljem funkcionalnosti KD&D modela zasnovane na

oblikovanju i isporuci nastavnih sadržaja, modeliranju učenika i prilagodljivom stjecanju

znanja učenika.

Oblikovanje nastavnih sadržaja nad ontologijom područnog znanja obuhvatilo je teorijske

osnove: mape koncepata, faze ADDIE modela, ishoda učenja i Bloomove taksonomije znanja

za kognitivno područje.

Oblikovanje nastavnih sadržaja kao termin na najbolji način izražava procesnu značajku ove

aktivnosti. Aktivnost obuhvaća skup metoda, tehnika i alata za oblikovanje jednog sata

nastave i to kako one tradicionalne tako i one koja se odvija u okruženju informacijske i

komunikacijske tehnologije. Provedeno istraživanje naglašava tehnički aspekt nastavnog

procesa, pa se zato u teorijskom smislu priklanjamo onim autorima koji uspoređuju postupak

oblikovanja nastavnih sadržaja sa programskim inženjerstvom. Međutim, uz dužno

uvažavanje programskog inženjerstva kao skupine alata i metoda za oblikovanje programske

podrške u obrazovnom pogledu smo slijedili poznatu definiciju Sare McNeil za oblikovanje

nastave kao sustavnog pristupa koji ističe procesno stajalište, stajalište discipline na znanju

utemeljene, stajališta znanosti te konačno stajalište realnog pristupa procesu oblikovanja

nastavnih sadržaja. Slijedom ovakvih odrednica utvrdili smo da su teorijske i primjenske

odrednice oblikovanja nastavnih sadržaja u e-učenju izravno povezane sa: (i) teorijama

učenja; (ii) programskim inženjerstvom; i (iii) obrazovnom tehnologijom.

Mape koncepata uvodimo u teorijski okvir sa stajališta paradigme e-učenja kao i tehnike za

prikaz znanja nad ontologijom u inteligentnim sustavima e-učenja.

Postoji više od stotinu različitih modela za oblikovanje nastavih sadržaja, ali gotovo svi se

temelje na konceptu ADDIE modela, koji je generički, sustavni pristup za oblikovanje

nastavnih sadržaja. Model je primjenjiv kako u tradicionalnoj nastavi tako i u nastavnom

procesu koji se odvija uz pomoć sustava e-učenja bilo da se radi o online nastavi ili pak

hibridnom učenju.

Ishodi učenja su izrazi – tvrdnje koje u vezi s područnim znanjem opisuju što učenik mora

znati, razumjeti, primijeniti i napraviti nakon završenog procesa učenja i poučavanja. S tim u

vezi od posebne su važnosti instrumenti za mjerenje postignuća učenika kao iskazi uz pomoć

kojih formuliramo ishode učenja. Ishodi učenja se oslanjaju na taksonomiju koncepata koji

Zaključak

192

ističu višerazinsku hijerarhijsku strukturu znanja. U obrazovnom svijetu najčešće korištena

taksonomija znanja je izvorna Bloomova taksonomija kao i revidirana Bloomova taksonomija

koju su predložili Anderson i Krathwohl. U istraživanju kojeg smo proveli u ovoj disertaciji

povezana je s revidiranom Bloomovom taksonomijom za kognitivno područje.

Modeliranje učenika je ostvareno uz pomoć oblikovanja modela učenika i dijagnostike znanja

učenika uz uvažavanje načela neizrazitog FAHP pristupa i višekriterijske TOPSIS metode.

Model učenika je opisan atributima traga učenja, dok je dijagnostika proces vođen atributima

traga učenja. Postupak njihovog oblikovanja zove se modeliranje učenika. U teorijskom

okviru kojeg iznosimo dva su pristupa, od kojih je jedan povezan sa VanLehn klasifikacijom

(tradicionalno prihvaćen u referentnoj literaturi područja modeliranja učenika), a drugi s

klasifikacijom Chrysafiadi i Virvou (obuhvatio modeliranje zasnovano na stereotipu učenika,

neizrazito modeliranje učenika kao i ontološki model temeljen na konceptima i relacijama

područnog znanja). Oba navedena pristupa su korištena pri oblikovanju prototipa programske

podrške CM Tutora, uz napomenu da je neizraziti pristup povezan i sa višekriterijskim

modelom odlučivanja. U vezi s iznesenim pri modeliranju učenika model učenika se temelji

na AHP i FAHP pristupu, dok se u dijagnostici znanja primjenjuje TOPSIS metoda.

Prilagodljivo stjecanje znanja u sustavu za upravljanje učenjem oslonjeno je na analitiku

učenja. Prilagoditi se aktualnoj razini znanja učenika je jedna od najzahtjevnijih paradigmi u

obrazovnom procesu, zahtjev star upravo toliko koliko i sama ideja obrazovanja i obrazovnog

sustava. Prototip programske podrške CM Tutor je pokazao prilagodljivo stjecanje znanja

učenika temeljeno na postupku modeliranja učenika u okruženju višekriterijskih matematičkih

metoda i stereotipa znanja učenika. Posljednja dva navedena formalizma uvažavaju

modificiranu Bloomovu taksonomiju znanja za kognitivno područje. Osim toga, izračuni

unutar našeg izvornog pristupa su nastali na načelima analitike učenja i njenih poveznica sa

primjenom rudarenja podataka u obrazovanju. Analitika učenja predstavlja „digitalni nervni

sustav“ prilagodljivosti jer pruža pravovremene povratne informacije o vanjskom okruženju i

učincima djelovanja. U vezi s tim analitika učenja uključuje skup metoda za prikupljanje

podataka, transformaciju, analizu i vizualizacijske alate radi stjecanja uvida u ponašanje

sudionika u procesu učenja.

Stanje istraženosti je oslonjeno na strukturne komponente KD&D modela prema sljedećem:

(i) područno znanje sustava, (ii) modeliranje učenika u sustavu, (iii) prilagodljivo stjecanje

znanja.

Zaključak

193

Kao temelj istraživanja koristili smo znanstvene baze sa relevantnim radovima te ključne

riječi (inteligentni sustavi za upravljanje učenjem, modeliranje učenika, prilagodljivo učenje,

prilagodljivo učenje uz pomoć analitike učenja) i istraživačka pitanja (na koji način

modeliramo učenika, na osnovu čega se sustav prilagođava). Pretraživali smo analizirali te

obradili ukupno 134 znanstvena rada i u njima pronašli 13 radova kao izravne poveznice s

našim istraživanjem. Primijetimo da smo u ovih 13 radova postavili fokus orijentiran na uža

područja povezana sa modeliranjem učenika i prilagodljivim stjecanjem znanja učenika. Na

koncu smo KD&D model usporedili sa 13 programskih platformi te isto proširili na još četiri

komercijalne platforme sustava e-učenja s prilagodljivim stjecanjem znanja učenika.

Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu e-učenja zasnovali smo

na: (i) oblikovanju nastave nad ontologijom područnog znanja; (ii) isporuci nastavnih sadržaja

u sustavu za upravljanje nastavom; (iii) modeliranju učenika (posebno oblikovanje modela

učenika i dijagnostika znanja učenika) i (iv) prilagodljivo stjecanje znanja u sustavu za


Oblikovanje nastave za KD&D model je ostvareno uz uporabu ADDIE modela kao i načela za

postavljanje mape koncepata nad ontologijom područnog znanja. Ono je provedeno uz

odabrani primjer područnog znanja naslovljen sa "Znanje o učenju i sustavima e-učenja". U

odabranom područnom znanju su važni koncepti učenje i informacijska i komunikacijska

tehnologija. Sinergijom ova dva koncepta oblikovana je nova paradigma koja je nazvana e-

učenje, a prilikom raščlane ova dva koncepta nastao je koncept hibridno učenje. Oblikovanje

nastavih sadržaja obavlja učitelj u okruženju CmapTools programskog sustava prema fazama

analize, oblikovanja i razvoja ADDIE modela. Faza analize obuhvatila je izbor i opis

nastavnih sadržaja te sudionike nastavnog procesa. U oblikovanju kao odgovor na glavno

fokusno pitanje "Znanje o učenju i sustavima e-učenja" pratimo semantički sadržaje tj

koncepte i relacije povezane na korijenske koncepte obrazovanje i tehnologija. Oblikovana je

mapa koncepata sa 39 koncepata i 14 relacija iz kojih je uslijedila 41 propozicija kao nosilac

znanja. Programski alat CmapTools je okruženje za razvoj područnog znanja koje će učenik

koristiti prilikom učenja, poučavanja i testiranja. Važno je naglasiti da upravo propozicije

zasnivaju ontološki opis znanja, tj. granule područnog znanja koje učenik mora naučiti i nad

kojim se provodi proces testiranja.

Zaključak

194

Isporuka nastavih sadržaja odvija se u okruženju razvijenog prototipa programske podrške

modula CM Tutor-a, a obuhvaća ove faze: (i) prevođenje mape koncepata u CXL datoteku sa

propozicijama kao sadržaj područnog znanja; (ii) postavljanje CXL datoteke u okruženje

sustava Moodle da uz pomoć aktivnosti CM Tutor-a omogući testiranje, učenje i poučavanje

nad ontologijom područnog znanja. U notaciji algoritama utvrđujemo da su Algoritam 11. i

Algoritam 12. implementirali izdvajanje koncepata, relacija i hipermedijskih atributa iz CXL

datoteke u relacijsku bazu podataka.

Modeliranje učenika je temeljni dio KD&D modela jer obuhvata najvažnije procese iskazane

sa učenjem, poučavanjem, testiranjem i vrednovanjem znanja učenika. U takvom slijedu je i

opisano: (i) oblikovanje modela učenika; (ii) dijagnostika znanja učenika i (iii) prikaz

mjerenja i izračuna kvantitativnih i kvalitativnih pokazatelja modeliranja učenika iskazani

višekriterijskim matematičkim modelom.

Model učenika je podatkovna struktura CM Tutora koja obuhvaća temeljne aktivnosti koje

učenik ostvaruje prilikom učenja, poučavanja i testiranja znanja: (i) obuhvat skupa podataka o

tijeku učenja i testiranja (trag) i (ii) stanje znanja učenika pri prekrivanju sa znanjem učitelja.

Neposredno, učenje se odvija uz moguća dva scenarija. Prvi scenarij je učenje u okruženju

izvorne mape koncepata i relacija što omogućava CM Tutor. Drugi scenarij je učenje

inicirano odgovorima učenika za vrijeme postupka testiranja znanja što se odvija pod

nadzorom algoritama: Algoritam 5, Algoritam 6 i Algoritam 10.

Testiranje znanja učenika u okruženju prototipa programskog rješenja CM Tutor obuhvaća

fazu statičkih uvjeta (definiranje zadataka objektivnog tipa, definiranje predloška pitanja,

formalizam predložaka pitanja, primjer predložaka pitanja za zadano područno znanje, opis

odgovora na primjeru predložaka pitanja za zadano područno znanje, stereotip učenika i

metrijske karakteristike pouzdanosti i objektivnosti kodiranja zadataka objektivnog tipa), i

fazu dinamičkih uvjeta (postupak prolaza učenika tijekom testiranja po sadržaju mape

koncepata – šetanja po mapi koncepata, opis atributa traga kao skupa varijabli za model

učenika, vrednovanja atributa traga uz pomoć odabranog skupa stručnjaka područnog i

neizrazitog FAHP modela). Model učenika u navedenoj strukturi omogućavaju algoritmi

Algoritam 2., Algoritam 3. i Algoritam 9.

Dijagnostiku znanja učenika omogućava TOPSIS metoda temeljena na izračunu težinskih

vrijednosti atributa traga (vektor W) zapisu aktualnih vrijednosti atributa traga u tekućem

ciklusu testiranja (matrica M). TOPSIS metoda određuje stereotip učenika iskazana s

Zaključak

195

modificiranom Bloom taksonomijom znanja za kognitivno područje uz pomoć Algoritma 9.

Napominje se i to da se ovaj izračun provodi i tijekom svih ciklusa testiranja.

Modeliranje učenika, kao što se vidi, izvršeno je osim načela prekrivanja uz uporabu FAHP

metode (model učenika) i TOPSIS metode (dijagnostika znanja učenika) koje udružene

oblikuju višekriterijski matematički model.

Posebno je za istaknuti da je nad definiranim višekriterijskim modelom proveden i izračun s

testnim vrijednostima. Stručnjaci područnog znanja konsenzusom usuglašavaju vrijednosti

odnosa atributa traga (broj propozicija koje zna, broj propozicija koje ne zna, broj korištenja

pomoći, ostvareni bodovi, vrijeme provedeno na testiranju) iskazane neizrazitim brojevima.

Slijedi transformacija neizrazitih vrijednosti atributa traga u skup realnih brojeva koji u

fizikalnom smislu označava "težinu" atributa traga pri interpretaciji metrike modela učenika.

U konačnici uz pomoć TOPSIS metode izvrši se preslikavanje aktualnih vrijednosti atributa

traga u relevantni stereotip učenika usuglašen s modificiranom Bloomovom taksonomijom

znanja za kognitivno područje.

Funkcionalnost prilagođavanja KD&D modela „oslanja“ se na postupak modeliranja učenika.

Prilagođavanje je iskazano pomoću algoritma za generiranje pitanja koji u novom ciklusu

testiranja znanja učenika isporuči nastavni sadržaj usuglašen upravo s njegovom aktualnom

razinom znanja. Matematički model faze prilagođavanja zasnovan je na definicijama:

Definicija 14, Definicija 15, Definicija 16 i Definicija 17. i u suštini omogućavaju

prilagodljivo stjecanje znanja oslonjeno na generiranje podskupa područnog znanja i

generiranje pitanja prilagođenih aktualnom stereotipu učenika. Generiranje pitanja

prilagođenih aktualnom stereotipu učenika omogućeno je unutar Algoritma 4. s ugniježdenim

nizom instrukcija Algoritma 7. (funkcija za generiranje pitanja novog ciklusa testiranja).

Prilagodljivo stjecanje znanja poduprto je i s relevantnim primjerom za Test učenika na

korijenskom konceptu Hibridno učenje. Primjer je obuhvatio više ciklusa - prolaza postupka

testiranja i učenja te u konačnici omogućio uvid u sve elemente zapisa učenika iz baze

podataka koja podržava CM Tutor.

Arhitektura prototipa programske podrške CM Tutor prikazana je pomoću: (i) dijagrama

slučaja korištenja, (ii) dijagrama aktivnosti, (iii) dijagrama komponenti i (iv) dijagrama klasa.

Iz Dijagrama slučaja korištenja vidimo da CM Tutor uključuje dva sudionika, a to su učitelj i

učenik. Učitelj ima mogućnosti oblikovanja i isporuke novog nastavnog sadržaja te pregled

aktivnosti na CM Tutor-u, dok učenik ima mogućnosti prikaza nastavnog sadržaja

Zaključak

196

(poučavanje na CM Tutor sustavu) i pokretanja aktivnosti testiranja na CM Tutor sustavu

(testiranje znanja). Dijagramom aktivnosti prikazan je prototip programske podrške CM Tutor

koji je izveden prema objektno orijentiranoj metodologiji i omogućava uvoženje CXL

datoteke koja se sintaksnom analizom pretvara u objekte (koncepte, relacije i strukturne

atribute). Implementacija prototipa programske podrške CM Tutor prikazana je

komponentnim dijagramom. Dijagramom klasa prikazani su modeli skupova podataka koji su

implementirani i organizirani po paketima „Učenik“ i „Učitelj“. Svaki paket sadrži klase za

određeni skup aktivnosti. CM Tutor se zasniva na dinamičkom generiranju sadržaja. HTTP je

glavna metoda prijenosa informacija između poslužitelja i klijenta. CM Tutor ima posebno

razvijen modul baze podataka sa nizom potrebnih tablica što omogućava izvedbu njegovih

funkcionalnosti u statičkom i dinamičkom pogledu. Temeljem svih navedenih akcija u

povezivanju baze podataka sustava Moodle i skupa podatkovnih tablica oblikovanih za

potrebe dodatka CM Tutora moguće je izvršiti implementaciju i postavljanje.

Prototip programske podrške CM Tutor je postavljen u eksperimentalno okruženje s ciljem

utvrđivanja učinka i kvalitete dostignutog stupnja razvijenosti kao i osjećaja zadovoljstva

sudionika tijekom učenja, poučavanja i testiranja znanja. Postupak je proveden kroz

vremenska razdoblja od kojih je jedno u zimskom semestru akademske 2015/2016 godine, a

drugo u zimskom semestru akademske 2016/2017 godine.

Prvo primjensko razdoblje je pored prototipa programske podrške CM Tutor obuhvatilo i

platforme online učenja CoLaB Tutor, AC ware Tutor i Moodle. Temeljno se htjelo u

usporednoj analizi i obradi podataka sa testiranja i online učenja dobiti kvalitativni pokazatelj

prototipa programske podrške CM Tutor.

U analizi i obradi rezultata testiranja pedeset najbolje ocjenjenih i pedeset najlošije

ocijenjenih studenata na završnom testu iskazuje efekt online učenja studenata u provedenim

ciklusima testiranja sa izabranim područnim znanjima. Platforma CM Tutor u oba slučaja

iskazuje najbolji rezultat. U prikazu 50 najboljih studenata najviše je studenata sa platforme

CM Tutor – 22 studenta. Prikaz 50 najlošijih ponovno iskazuje najbolji rezultat za platformu

CM Tutor sa 10 studenata. Sljedeća analiza je provedena unutar kategorizacije raspona

bodova na završnom testu u rasponu od 0 do 100 bodova. Rezultati ove analize također

pokazuju uspješnost sudionika testa koji su učili i poučavali se uz pomoć prototipa

programske podrške CM Tutor. Anketa zadovoljstva u radu sa testnim sustavima provedena

Zaključak

197

sa studentima pokazuju da je prototip programske podrške CM Tutor na „visokom“ drugom

mjestu.

Cilj drugog primjenskog razdoblja je bio utvrditi učinak učenja, poučavanja i testiranja znanja

na prototipu programske podrške CM Tutor uz pomoć inicijalnog i završnog testa u

eksperimentu s jednom skupinom. Prikaz i analiza rezultata provodi se kroz dva odvojena

izvještaja. U prvom izvještaju pratimo postignuća studenata temeljem traga znanja dok je

drugi izvještaj povezan sa prikazom veličine učinka. Primjetna je mogućnost zanimljive

analize povezane sa postignućima učenika i zadanim okruženjem postignute ocjene. Relacija

6.1. pokazuje nam da je veličina učinka u našem eksperimentu s jednom skupinom za drugo

primjensko razdoblje d = 1.791 što možemo prema Cohen-u interpretirati kao „velika“

veličina učinka.

7.1. Izvorni znanstveni doprinosi

Temeljem svega iznesenog smatramo da su istraživanjima u ovoj disertaciji postignuti sljedeći

izvorni znanstveni doprinosi:

- Implementiran je model za oblikovanje i isporuku znanja u inteligentnom sustavu za

upravljanje znanjem (KD&D model) te postavljen u eksperimentalno okruženje kroz dva

vremenska razdoblja s primjerenim uzorkom sudionika istraživanja.

KD&D model je zasnovan na znanju jer integrira: (i) područno znanje sa pripadnim

hipermedijskim atributima; (ii) znanje učitelja sa scenarijem poučavanja; (iii) znanje

učenika koje se razvija na prekrivanju sa znanjem učitelja, uključujući nedostajuća i

pogrešna poimanja. Pored toga, KD&D model pokazuje inteligentno ponašanje zbog toga

što raspolaže sa ovim značajkama: (i) zaključuje ili rješava problem u odabranom

područnom znanju; (ii) zaključuje o znanju učenika praćenjem njegovih aktivnosti u

online učenju temeljem kategorija stereotipa uz uvažavanje modificirane Bloomove

taksonomije za kognitivno područje (iii) raspolaže sa strategijama iskazanim u prostoru

mape koncepata područnog znanja koje omogućavaju smanjenje razlike u znanju između

učenika i učitelja.

- Oblikovan je, razvijen, implementiran i postavljen novi prototip programske podrške CM

Tutor za isporuku nastavnih sadržaja u inteligentnom sustavu e-učenja.

CM Tutor objedinjava funkcionalnosti za: (i) isporuku koncepata područnog znanja u

hipermedijskom okruženju; (ii) testiranje znanja uz pomoć algoritma za generiranje

pitanja područnog znanja uvažavajući pri tom aktualnu razinu znanja učenika; (iii)

određivanje stereotipa znanja učenika uvažavajući pri tom Bloomovu taksonomiju znanja

Zaključak

198

za kognitivno područje; (iv) poučavanje u interakciji prema konceptima koje učenik ne

poznaje uz isporuku niza hipermedijskih resursa radi poboljšanja procesa učenja

područnog znanja.

- Razvijen je, implementiran i postavljen novi višekriterijski matematički model za

modeliranje znanja učenika u hibridnom okruženju.

Izračun višekriterijskog matematičkog modela provodi se uz uvažavanje prekrivanja

znanja učenika i znanja učitelja, ali i uz primjenu neizrazite metode i višekriterijskog

odlučivanja. Model učenika zasniva se na neizrazitoj FAHP metodi za vrednovanje

atributa traga učenika u aktivnostima učenja (stjecanja znanja) i testiranja znanja učenika.

Dijagnostika znanja učenika je mjerenje i izračun višekriterijskog matematičkog modela

predstavljen preslikavanjem aktualnih vrijednosti atributa traga u relevantni stereotip

znanja učenika uz pomoć TOPSIS metode.

Literatura

199

8. Literatura

[1] L. Jain, C. Lim, i N. Nguyen, „Intelligent learning system for online learning“, Int. J.

Hybrid Intell. Syst., sv. 5, izd. 3, str. 129–141, 2008.

[2] M. Nichani, „LCMS = LMS + CMS [RLOs]“, 2001. [Na internetu]. Dostupno na:

http://www.elearningpost.com/articles/archives/lcms_lms_cms_rlos/.

[3] S. Stankov, Inteligentni tutorski sustavi – teorija i primjena, Radna verz. Split, 2010:

Dostupna prosinac 2013: http://www.pmfst.hr/~stankov/Dokumenti/Preface.pdf.

[4] AIED, „Conference on Artificial Intelligence in Education“, Sydney Australia, 2003.

[Na internetu]. Dostupno na: http://www.cs.usyd.edu.au/~aied/. [Pristupljeno: 05-svi-

2016].

[5] D. Burton i J. S. Brown, Intelligent Tutoring Systems. Academic Press Inc, 1982.

[6] P. Brusilovsky, „A Distributed Architecture for Adaptive and Intelligent Learning

Management Systems“, u Proceedings of the AIED 2003 Workshop Towards

Intelligent Learning Management Systems, 2003, str. 5–13.

[7] www.blackboard.com, „Blackboard Education Technology Services“, 1997. [Na

internetu]. Dostupno na: http://anz.blackboard.com/. [Pristupljeno: 09-ruj-2016].

[8] www.absorblms.com, „Learning Management System Software Absorb LMS“, 2003.

[Na internetu]. Dostupno na: https://www.absorblms.com/. [Pristupljeno: 04-tra-2016].

[9] www.edmodo.com, „Edmodo LMS“, 2008. [Na internetu]. Dostupno na:

https://www.edmodo.com/. [Pristupljeno: 09-lip-2016].

[10] www.schoology.com, „Schoology LMS“, 2010. [Na internetu]. Dostupno na:

https://www.schoology.com. [Pristupljeno: 05-ožu-2016].

[11] K. Yacef, „Some thoughts on the synergetic effects of combining ITS and LMS

technologies for the service of Education“, u Artificial Intelligence in Education, 2003.

[12] V. . Shute i P. Psotka, „Intelligent Tutoring Systems: Past, Present and Future“, u

Handbook of Research on Educational Communications and Technology, D. H.

Jonassen, Ur. New York, NY, 1995, str. 576–677.

[13] J. Božičević, „Od kibernetike do znanosti o sustavima“, Sustavsko mišljenje, Hrvat.

društvo za sustave, str. 9–14, 1992.

[14] S. Stankov, „Izomorfni model sustava kao osnova računalom poduprtog poučavanja

načela vođenja“, Sveučilište u Splitu, FESB, 1997.

[15] R. S. J. Baker i G. Simens, „Educational Data Mining and Learning Analytics Ryan“,

Literatura

200

Proc. 2nd Int. Conf. Learn. Anal. Knowl., str. 252–254, 2012.

[16] T. Elias, „Learning Analytics : Definitions , Processes and Potential“, Learning, str. 23,

2011.

[17] IHMC, „CmapTools - Documentation“, 2014. [Na internetu]. Dostupno na:

http://cmap.ihmc.us/Documentation/.

[18] www.moodle.org, „Moodle.org: open-source community-based tools for learning“,

2008. [Na internetu]. Dostupno na: https://moodle.org/.

[19] J. Bozicevic, „Sustavno gledište i automatika,automatsko reguliranje“, u Temelji

automatike, 1. izd., Zagreb: Školska knjiga, 1980.

[20] T. Volaric, „Oblikovanje modela nastavnih lekcija u inteligentnom sustavu e-učenja“,

Split, sij. 2014.

[21] V. Mužić, Testovi znanja. Zagreb: Školska knjiga, 1968.

[22] N. E. Gronlund i R. Linn, Measurement and Evaluation in Teaching. New York:

Macmillan Publishing Company, 1985.

[23] B. S. Bloom, Taxonomy of Educational Objectives, the classification of educational

goals. New York: McKay, 1956.

[24] Anderson i Krathwohl, Revised Bloom’s Taxonomy. 1990.

[25] L. A. Zadeh, „Fuzzy sets“, Inf. Control, sv. 8, izd. 3, str. 338–353, 1965.

[26] K. VanLehn, „Student Modelling“, u Foundations of Intelligent Tutoring Systems, M.

C. Polson i J. J. Richardson, Ur. Pittsburgh: Lawrence Erlbaum Associates, 1988, str.

55–79.

[27] B. Carr i I. Goldstein, „Overlays: A theory of modelling for computer aided

instruction“, 5th Int. Jt. Conf. Artif. Intell., str. 1–24, 1977.

[28] S. Stankov, „Okruženje e-učenja“, u E - UČENJE, 2. izd., Split: PMF, 2009.

[29] S. Serengul, „Tutorial on intelligent tutoring“, 1996. [Na internetu]. Dostupno na:

http://www.cs.mdx.ac.uk/staffpages/serengul/tutorial/table.of.contents.htm.

[Pristupljeno: 10-lis-1996].

[30] T. L. Saaty, Fundamentals of the Analytic Hierarchy Process. Pittsburgh, PA 15413:

RWS Publications, 2000.

[31] J. Figueira, S. Greco, i M. Ehrgott, Multiple Criteria Decision Analysis: State of the Art

Surveys. Springer, 2005.

[32] C. L. Hwang i K. Yoon, Multiple attributes decision making methods and applications.

Berlin: Springer, 1981.

[33] I. Sommerville, Software engineering, 10. izd. Scotland: Pearson, 2016.

Literatura

201

[34] IEEE, „IEEE Standard Glossary of Software Engineering Terminology“, New York,

1990.

[35] S. McNeil, „Sara McNeil“, 2010. [Na internetu]. Dostupno na:

http://faculty.coe.uh.edu/smcneil/teaching.html. [Pristupljeno: 04-lis-2016].

[36] G. Siemens, „Instructional Design in Elearning“, 2002. [Na internetu]. Dostupno na:

http://www.elearnspace.org/Articles/InstructionalDesign.htm. [Pristupljeno: 04-lis-

2016].

[37] Edutechwiki, „Instructional design“, 2012. [Na internetu]. Dostupno na:

http://edutechwiki.unige.ch/en/instructional_design. [Pristupljeno: 10-lis-2016].

[38] Vizek-Vidovic, Rijavec, Vlahovic-Stetic, i Miljkovic, Psihologija obrazovanja.

Zagreb: Udžbenici Sveučilišta u Zagrebu, 2003.

[39] Zarevski, Psihologija pamćenja i učenja, 5. izd. Zagreb: Udžbenici Sveučilišta u

Zagrebu, 2007.

[40] J. Piaget, „Intellectual Evolution from Adolescence to Adulthood“, Hum. Dev., sv. 15,

izd. 1, str. 1–12, 1972.

[41] G. Siemens, „Connectivism: Learning as network-creation“, ASTD Learn. News, sv.

10, izd. 1, 2005.

[42] S. Downes, „An Introduction to Connective Knowledge“, u Knowledge & Education -

Exploring new Spaces, Relations and Dynamics in Digital Media Ecologies, 2008.

[43] G. Siemens i R. S. J. d. Baker, „Learning analytics and educational data mining“, u

Proceedings of the 2nd International Conference on Learning Analytics and

Knowledge - LAK ’12, 2012, str. 252.

[44] „Instructional Design Models“, 2014. [Na internetu]. Dostupno na:

http://www.instructionaldesigncentral.com/instructionaldesignmodels. [Pristupljeno:

06-lis-2016].

[45] D. P. Ausubel, Educational Psychology: A Cognitive View. New York and Toronto:

Holt: Rinehart and Winston, 1968.

[46] J. D. Novak i D. B. Gowin, Learning how to learn. New York, NY: Cambridge

University Press, 1984.

[47] K. M. Markham, J. J. Mintzes, i M. G. Jones, „The concept map as a research and

evaluation tool: Further evidence of validity“, J. Res. Sci. Teach., sv. 31, izd. 1, str. 91–

101, sij. 1994.

[48] N. R. Pearsall, J. E. J. Skipper, i J. J. Mintzes, „Knowledge restructuring in the life

sciences: A longitudinal study of conceptual change in biology“, Sci. Educ., sv. 81, izd.

Literatura

202

2, str. 193–215, tra. 1997.

[49] M. A. Ruiz-Primo i R. J. Shavelson, „Problems and issues in the use of concept maps

in science assessment“, J. Res. Sci. Teach., sv. 33, izd. 6, str. 569–600, kol. 1996.

[50] Wandersee, Mintzes, i Novak, „Research on alternative conceptions in science“,

Handb. Res. Sci. Teach. Learn., sv. 177, str. 2010, 1994.

[51] J. Villalon i R. A. Calvo, „Concept Maps as Cognitive Visualizations of Writing

Assignments“, Educ. Technol. Soc., sv. 14, str. 16–27, 2011.

[52] M. Zeilik, „Classroom Assessment Techniques Concept Mapping“, 2012. [Na

internetu]. Dostupno na: http://www.flaguide.org/cat/conmap/conmap7.php.

[Pristupljeno: 05-sij-2016].

[53] „WHAT is ADDIE?“ [Na internetu]. Dostupno na:

http://ged578.pbworks.com/w/page/7309864/addie_s08. [Pristupljeno: 10-lis-2016].

[54] „History of the ADDIE Model“, 2004. [Na internetu]. Dostupno na:

http://www.nwlink.com/~donclark/history_isd/addie.html. [Pristupljeno: 05-lis-2016].

[55] M. Treser, „Getting To Know ADDIE“, 2015. [Na internetu]. Dostupno na:

https://elearningindustry.com/getting-know-addie-analysis. [Pristupljeno: 05-sij-2016].

[56] E. Forest, „The ADDIE Model: Instructional Design - Educational Technology“, 2014.

[Na internetu]. Dostupno na: http://educationaltechnology.net/the-addie-model-

instructional-design/. [Pristupljeno: 05-sij-2016].

[57] J. Tyson, „Is ADDIE Still A Relevant Model?“, 2014. [Na internetu]. Dostupno na:

https://www.linkedin.com/pulse/20140715002844-10520634-is-addie-still-a-relevant-

model. [Pristupljeno: 07-sij-2016].

[58] P. Ritchie, „Instructional Technology- Domain of Design“, 2010. [Na internetu].

Dostupno na: http://arcmit01.uncw.edu/ritchiep/dom_des.html. [Pristupljeno: 05-lis-

2016].

[59] E. Nimac, „Primjena Bloomove taksonomije znanja u nastavi“, 2014.

[60] S. Lončar-Vicković i Z. Dolaček-Alduk, „Ishodi učenja“, Osijek, 2009.

[61] L. W. Anderson i D. R. Krathwohl, A Taxonomy for Learning, Teaching, and

Assessing: A Revision of Bloom’s Taxonomy of Educational Objectives. Boston: MA

(Pearson Education Group), 2001.

[62] K. Chrysafiadi i M. Virvou, „Student modeling approaches: A literature review for the

last decade“, Expert Syst. Appl., sv. 40, izd. 11, str. 4715–4729, ruj. 2013.

[63] N. Begičević, „Višekriterijski modeli odlučivanja u strateškom planiranju uvođenja E-

učenja“, Fakultet organizacije i informatike Varaždin, 2008.

Literatura

203

[64] T. Saaty, The Analytic Hierarchy Process. New York, New York, USA: McGraw Hill.

International, 1980.

[65] A. Ishizaka i P. Nemery, Multi-criteria decision analysis : methods and software. 2013.

[66] B. Barnabas, Mathematics of Fuzzy Sets and Fuzzy Logic. Warsaw: Polish Academy of

Sciences, 2013.

[67] D.-Y. Chang, „Applications of the extent analysis method on fuzzy AHP“, Eur. J.

Oper. Res., sv. 95, izd. 3, str. 649–655, pros. 1996.

[68] J. Psotka, L. D. Massey, i S. Mutter, Intelligent Tutoring Systems: Lessons Learned.

Psychology Press, 1998.

[69] B. Woolf, „AI in Education“, u Artificial Intelligence – Encyclopedias, Willy i Sons,

Ur. 1992, str. 434–444.

[70] B. Woolf, Building Intelligent Interactive Tutors: Student-centered strategies for

revolutionizing e-learning. Elsevier, 2009.

[71] A. Grubišić, „Model prilagodljivoga stjecanja znanja učenika u sustavima e-učenja“,

Fakultet Elektrotehnike i Računarstva, 2012.

[72] B. Zitko, „Model inteligentnog tutorskog sustava zasnovan na obradi kontroliranog

jezika nad ontologijom“, Sveučilište u Zagrebu, 2010.

[73] M. Grigoriadou, K. Papanikolaou, H. Kornilakis, i G. Magoulas, „INSPIRE: An

INtelligent System for Personalized Instruction in a Remote Environment“, Proc. 3rd

Work. Adapt. Hypertext Hypermedia, str. 13–24, 2001.

[74] B. Bontchev, D. Vassileva, B. Chavkova, i V. Mitev, „Architectural design of a

software engine for adaptation control in the ADOPTA e-learning platform“, u

Proceedings of the International Conference on Computer Systems and Technologies

and Workshop for PhD Students in Computing - CompSysTech ’09, 2009, str. 1.

[75] P. Athabasca University. Technology Enhanced Knowledge Research Institute, G.

University of Queensland. Centre for Educational Innovation and Technology, G.

Association for Computing Machinery., i D. ACM Digital Library., LAK ’11 :

proceedings of the 1st International Conference on Learning Analytics and Knowledge,

February 27 - March 1, 2011, Banff, Alberta, Canada. ACM, 2011.

[76] G. Siemens, „What are learning analytics“, Retrieved March, sv. 10, str. 2011, 2010.

[77] G. Siemens, S. Dawson, i G. Lynch, „Improving the quality and productivity of the

higher education sector“, Policy Strateg. Syst. Deploy. Learn. Anal., 2013.

[78] Edutechwiki, „Educational data mining“, 2012. .

[79] S. P. Atkinson, „Adaptive Learning and Learning Analytics: a new learning design

Literatura

204

paradigm“, 2015.

[80] R. Baker, „Learning, Schooling, and Data Analytics“, Information Age Publishing,

Charlotte, 2013.

[81] M. A. Chatti, A. L. Dyckhoff, U. Schroeder, i H. Thüs, „A reference model for learning

analytics“, Int. J. Technol. Enhanc. Learn., sv. 4, izd. 5/6, str. 318, 2012.

[82] Han, Kamber, i Pei, Data Mining : Concepts and Techniques, 3. izd. University of

Illinois: Elsevier Inc., 2006.

[83] B. Liu, „Sentiment Analysis and Opinion Mining“, Sentim. Anal. Opin. Min., 2012.

[84] C. Romero, S. Ventura, i E. García, „Data mining in course management systems:

Moodle case study and tutorial“, Comput. Educ., sv. 51, izd. 1, str. 368–384, kol. 2008.

[85] M. Markic, „Analitika učenja: okruženje za unapređenje e-učenja“, Mostar, 2016.

[86] D. Burgos i ostali, „Integration of adaptive learning processes with IMS Learning

Design considering corporate requirements“, 2007.

[87] M. Klann, „The EUD-Net’s Roadmap to End-User Development“, u Proceedings of

Workshop on End User Development, 2003.

[88] NMC, „Horizon Report, Higher Education Edition“, 2016.

[89] B. Kitchenham i S. Charters, „Guidelines for performing Systematic Literature reviews

in Software Engineering“, 2007.

[90] D. Xu, H. Wang, i K. Su, „Intelligent Student Profiling with Fuzzy Models“, u Hawaii

International Conference on System Sciences, 2002.

[91] K. VanLehn i ostali, „The Architecture of Why2-Atlas: A Coach for Qualitative

Physics Essay Writing“, u Intelligent Tutoring Systems, Springer Berlin Heidelberg,

2002, str. 158–167.

[92] G. Tsaganou, M. Grigoriadou, T. Cavoura, i D. Koutra, „Evaluating an Intelligent

Diagnosis System of Historical Text Comprehension“, Expert Syst. Appl., sv. 25, izd. 4,

str. 493–502, 2003.

[93] E. Kosba, V. Dimitrova, i R. Boyle, „Fuzzy Student Modelling to Advise Teachers in

Web-Based Distance Courses“, 2003.

[94] G. Šimić i V. Devedžić, „Building an intelligent system using modern Internet

technologies“, Expert Syst. Appl., sv. 25, izd. 2, str. 231–246, 2006.

[95] A. Kavcic, R. Pedraza-Jimenez, H. Molina-Bulla, F. J. Valverde Albacete, J. Cid-

Sueiro, i A. Navia-Vazquez, „Fuzzy student model in InterMediActor platform“, Int.

Conf. Inf. Technol. interfaces, sv. 26, str. 297–302, 2004.

[96] R. Stathacopoulou, G. Magoulas, M. Grigoriadou, i M. Samarakou, „Neuro-fuzzy

Literatura

205

Knowledge Processing in Intelligent Learning Environments for Improved Student

Diagnosis“, Inf. Sci. (Ny)., sv. 170, str. 273–307, 2005.

[97] N. Salim i N. Haron, „The Construction of Fuzzy Set and Fuzzy Rule for Mixed

Approach in Adaptive Hypermedia Learning System“, u Proceedings of the First

international conference on Technologies for E-Learning and Digital Entertainment,

Springer-Verlag, 2006, str. 183–187.

[98] J. G. Boticario, L. Castillo Vidal, R. Fabregat Gesa, M. Ortega, D. Borrajo, i E.

Onaindia de la Rivaherrera, „Adaptation based on machine learning, user modelling

and planning for complex user-oriented tasks: ADAPTAPlan“, Int. J. Comput. Appl.,

sv. 5, str. 88–107, 2008.

[99] „Tyton Partners“, 2016. [Na internetu]. Dostupno na: http://tytonpartners.com/.

[Pristupljeno: 06-pros-2016].

[100] Tytonpartners, „LEARNING TO ADAPT: UNDERSTANDING THE ADAPTIVE

LEARNING SUPPLIER LANDSCAPE“, 2016.

[101] „Bill & Melinda Gates Foundation“. [Na internetu]. Dostupno na:

http://www.gatesfoundation.org/. [Pristupljeno: 06-pros-2016].

[102] B. GATES, „Learning to Adapt 2.0: The Evolution of Adaptive Learning in Higher

Education“, 2016.

[103] „ALEKS -- Assessment and Learning, K-12, Higher Education, Automated Tutor,

Math“, 2016. [Na internetu]. Dostupno na: https://www.aleks.com/. [Pristupljeno: 06-

sij-2017].

[104] McGraw-Hill, „McGraw-Hill Education“, 2016. [Na internetu]. Dostupno na:

http://www.mheducation.com/. [Pristupljeno: 12-pros-2016].

[105] „Knewton | The Best in Adaptive Learning Technology“, 2016. [Na internetu].

Dostupno na: https://www.knewton.com/. [Pristupljeno: 06-pros-2016].

[106] „Knewton’s Team of Investors | Knewton“, 2016. [Na internetu]. Dostupno na:

https://www.knewton.com/about/investors/. [Pristupljeno: 06-sij-2017].

[107] Adapt Courseware, „Fulcrum Labs - Adapt Courseware“, 2016. [Na internetu].

Dostupno na: http://www.the-fulcrum.com/. [Pristupljeno: 06-sij-2017].

[108] „Adaptive Learning Technology | Smart Sparrow“, 2016. [Na internetu]. Dostupno na:

https://www.smartsparrow.com/. [Pristupljeno: 06-sij-2017].

[109] „Yellow Brick Group“. [Na internetu]. Dostupno na: http://www.ybcap.com/.

[Pristupljeno: 06-sij-2017].

[110] „OneVentures - Investment and Venture Capital“. [Na internetu]. Dostupno na:

Literatura

206

http://www.one-ventures.com.au/. [Pristupljeno: 06-sij-2017].

[111] „Uniseed | Seeding university technology ventures“. [Na internetu]. Dostupno na:

http://uniseed.com/. [Pristupljeno: 06-sij-2017].

[112] H. Staker i M. B. Horn, „Classifying K–12 Blended learning“, 2012.

[113] N. Friesen, „Report: Defining Blended Learning“, 2012.

[114] J. D. Novak i A. J. Cañas, „Theoretical Origins of Concept Maps, How to Construct

Them, and Uses in Education“, Reflecting Educ., sv. 3, izd. 1, str. 29–42, 2007.

[115] World Wide Web Consortium, „W3C Recommendation“, 2014. [Na internetu].

Dostupno na: https://www.w3.org/TR/html5/. [Pristupljeno: 07-srp-2016].

[116] A. J. Cañas, G. Hill, L. Bunch, R. Carff, T. Eskridge, i C. Pérez, „KEA - Knowledge

Exchange Architecture“, USA, 2006.

[117] D. S. Hirschberg i D. S., „A linear space algorithm for computing maximal common

subsequences“, Commun. ACM, sv. 18, izd. 6, str. 341–343, lip. 1975.

[118] J. L. Fleiss, B. Levin, i M. C. Paik, Statistical Methods for Rates & Proportions, 3rd

izd. New York: Wiley & Sons, 2003.

[119] Thurstone, „A Law of Comparative Judgment“, Psychology Review, 1927. [Na

internetu]. Dostupno na:

https://brocku.ca/MeadProject/Thurstone/Thurstone_1927f.html.

[120] M. Yokoyama, „THE NATURE OF THE AFFECTIVE JUDGMENT IN THE

METHOD OF PAIRED COMPARISONS“, Am. J. Psychol., sv. 32, str. 357–369,

1921.

[121] C. Kahraman, Fuzzy multi-criteria decision making: theory and applications with

recent developments. Istanbul: Springer, 2008.

[122] www.omg.org, „UML“, 1997. [Na internetu]. Dostupno na: http://www.omg.org/.

[Pristupljeno: 10-lis-2016].

[123] docs.moodle.org, „Activity modules - MoodleDocs“, 2016. [Na internetu]. Dostupno

na: https://docs.moodle.org/dev/Activity_modules.

[124] M. Shoemaker, UML Applied: A .NET Perspective, 1. izd. Apress, 2004.

[125] S. Software Northwoods, „GoJS Diagrams for JavaScript and HTML“, 2015. [Na

internetu]. Dostupno na: http://gojs.net/latest/index.html. [Pristupljeno: 21-ruj-2015].

[126] Core APIs, „Core APIs - MoodleDocs“, 2016. [Na internetu]. Dostupno na:

https://docs.moodle.org/dev/Core_APIs. [Pristupljeno: 10-lis-2015].

[127] Python Package, „MySQL-python 1.2.5“, 2016. [Na internetu]. Dostupno na:

https://pypi.python.org/pypi/MySQL-python/1.2.5. [Pristupljeno: 09-ruj-2016].

Literatura

207

[128] Bootstrap, „Bootstrap - responsive front-end framework“, Code licensed MIT, 2016.

[Na internetu]. Dostupno na: http://getbootstrap.com/. [Pristupljeno: 10-lis-2016].

[129] jQuery, „jQuery - JavaScript library“, The jQuery Foundation, 2016. [Na internetu].

Dostupno na: https://jquery.com/. [Pristupljeno: 10-lis-2016].

[130] Logging API, „Logging API - MoodleDocs“, 2015. [Na internetu]. Dostupno na:

https://docs.moodle.org/dev/Logging_API. [Pristupljeno: 09-lis-2015].

[131] V. Mužić, Metodologija pedagoških istraživanja. Sarajevo: Svjetlost, 1977.

[132] B. Žitko, „Oblikovanje nastavnih sadržaja prema katalogu znanja iz informatike za

osnovne škole“, 2010.

[133] J. Cohen, Statistical power analysis for the behavioral sciences, 1. izd. Lawrence

Earlbaum Associates, 1977.

[134] J. Cohen, Statistical power analysis for the behavioural sciences, 2. izd. Lawrence

Earlbaum Associates, 1988.

[135] K. Magnusson, „Interpreting Cohen’s d effect size“, 2014. [Na internetu]. Dostupno na:

http://rpsychologist.com/d3/cohend/. [Pristupljeno: 03-sij-2017].

[136] „Stereotip - Wikipedija“, 2011. [Na internetu]. Dostupno na:

https://hr.wikipedia.org/wiki/Stereotip. [Pristupljeno: 06-stu-2016].

[137] www.elearnspace.org, „About George Siemens“, 2010. [Na internetu]. Dostupno na:

http://www.elearnspace.org/about.htm. [Pristupljeno: 04-sij-2017].

[138] www.ihmc.us, „Joseph D. Novak“, 2012. [Na internetu]. Dostupno na:

https://www.ihmc.us/groups/jnovak/. [Pristupljeno: 04-sij-2016].

Prilozi

208

9. Prilozi

S obzirom na kompleksnost područja doktorske disertacijom, dio detaljnih objašnjenja, opisa i

analiza se nalazi u prilozima. Prilozi ovoj doktorskoj disertaciji obuhvaćaju sljedeće:

- Prilog 1. - anketni upitnik korišten u okviru prototipnog testiranja sustava CM Tutor

- Prilog 2. - XML zapis ontologije „Sustavi e-učenja“

- Prilog 3. - XML zapis strukture baze podataka CM Tutor sustava

- Prilog 4. Opis sustava iz prostora istraženosti

9.1. Prilog 1. - Anketni upitnik korišten u okviru prototipnog testiranja

sustava CM Tutor

Pitanje 1. Ocijenite razumljivost nastavnog sadržaja u sustavu e-učenja na ljestvici od

nerazumljiv (1) do razumljiv (5)

Sustav 1 2 3 4 5

ColaB Tutor

ACware Tutor

CM Tutor

MOODLE

Pitanje 2. Ocijenite postupak izlaganje nastavnih sadržaja u sustavu e-učenja na ljestvici od

dosadan (1) do zanimljiv (5).

Sustav 1 2 3 4 5

ColaB Tutor

ACware Tutor

CM Tutor

MOODLE

Pitanje 3. Ocijenite razumljivost pitanja u sustavu e-učenja na ljestvici od nerazumljiv (1) do

razumljiv (5).

Sustav 1 2 3 4 5

ColaB Tutor

ACware Tutor

Prilozi

209

CM Tutor

MOODLE

Pitanje 4. Ocijenite u kojoj mjeri sustav e-učenja olakšava učenje na ljestvici ne olakšava (1)

do olakšava (5).

Sustav 1 2 3 4 5

ColaB Tutor

ACware Tutor

CM Tutor

MOODLE

Pitanje 5. Kako je vrijeme odmicalo, učenje u sustavu e-učenja je bilo:

Sustav Teže

(složenije) Jednako teško Jednako lako

Lakše

(jednostavnije)

ColaB Tutor

ACware Tutor

CM Tutor

MOODLE

Pitanje 6. Sustav e-učenja potiče moje razmišljanje na ljestvici od ne potiče (1) do potiče (5).

Sustav 1 2 3 4 5

ColaB Tutor

ACware Tutor

CM Tutor

MOODLE

Pitanje 7. Ocijenite poruke koje sustav e-učenja dostavlja na ljestvici od ne razumijem (1) do

razumijem (5).

Sustav 1 2 3 4 5

ColaB Tutor

ACware Tutor

CM Tutor

MOODLE

Prilozi

210

Pitanje 8. Koji sustav e-učenja bi preporučili svojim prijateljima i suradnicima.

Sustav Svakako ne Vjerojatno ne Ne znam Vjerojatno da Svakako da

ColaB Tutor

ACware Tutor

CM Tutor

MOODLE

Pitanje 9. Ocijenite jednostavnost korištenja sustava e-učenja na ljestvici nije jednostavan za

korištenje (1) do jednostavan za korištenje (5).

Sustav 1 2 3 4 5

ColaB Tutor

ACware Tutor

CM Tutor

MOODLE

Pitanje 10. Ocijenite sustave e-učenja jedinstvenom ocjenom.

Sustav 1 2 3 4 5

ColaB Tutor

ACware Tutor

CM Tutor

MOODLE

Prilozi

211

9.2. Prilog 2. - XML zapis ontologije “Sustavi e-učenja”

<?xml version="1.0" encoding="UTF-8"?>

<cmap xmlns:dcterms="http://purl.org/dc/terms/"




<res-meta>

<dc:title>Sustavi_E_Ucenja_CM_Tutor</dc:title>

<dc:creator>

<vcard:FN>Tomo</vcard:FN>

</dc:creator>

<dcterms:rightsHolder>

<vcard:FN>Tomo</vcard:FN>

</dcterms:rightsHolder>

<dcterms:created>2016-06-26T22:02:15+02:00</dcterms:created>

<dcterms:modified>2016-06-26T22:02:00+02:00</dcterms:modified>

<dc:language>en</dc:language>

<dc:format>x-cmap/x-storable</dc:format>

<dc:publisher>FIHMC CmapTools 5.05.01</dc:publisher>

<dc:extent>16164 bytes</dc:extent>

<dc:source>cmap:1M3XC90J4-47B0HD-1:1M3XC933R-5WZGBD-Y:1Q9XGRQX5-

26QWPB0-B2</dc:source>

</res-meta>

<map width="1441" height="878">

<concept-list>

<concept id="1PFRGPCZL-TZ236T-Z1" label="Objekt učenja"/>

<concept id="1PGGZ6MBZ-QSJXQW-X5" label="Courseware"/>

<concept id="1PD47JSC0-QF2VZS-SP" label="Neformalno učenje"

short-comment="" long-comment=""/>

<concept id="1PD4RXW0N-1FM191R-38S" label="Tehnologija" short-

comment="" long-comment=""/>

<concept id="1PDF8T6QM-159G5HX-VD" label="Sinkrono učenje"/>

<concept id="1PD4P4H9Y-1F9MVC0-2NG" label="Učenje" short-


<concept id="1PDNMRK8H-8S5R1L-DZ" label="Sustav e-učenja"/>

<concept id="1PD4PZG06-1521WX9-2WJ" label="Teorija učenja"

short-comment="Teorije učenja su konceptualni okviri koji

opisuju kako se informacija apsorbira, obrađuje i zadržava tijekom učenja.

Kognitivni, emocionalni i utjecaji okruženja, kao i prethodna iskustva, svi

igraju ulogu u tome kako razumijevamo i stvaramo pogled na svijet stječemo

i zadržavamo znanja i vještine." long-comment=""/>

<concept id="1PDB8GNM8-51F7K9-SD" label="Prostor učenja" short-


<concept id="1PFRGGQ0X-PBX8B0-RM" label="Nastava"/>

<concept id="1PDF8TL06-2C5PX9Y-W1" label="Asinkrono učenje"/>

<concept id="1PDTF2GSC-1Z1G0FJ-11F" label="Upravljanje ili na

višoj razini vođenje procesa učenja"/>

<concept id="1PD4BD6M5-3T9ZJC-ZS" label="Oblik učenja"/>

<concept id="1PDTF4DSV-22LKN6T-149" label="Administriranje

sudionika"/>

<concept id="1PDTF0H4R-23XTDSQ-Y9" label="Oblikovanje

pospremanje i isporuka nastavnih sadržaja"/>

<concept id="1PGGYZP5Q-2LMB56-PL" label="Autorski jezik"/>

<concept id="1PDTG2698-1SGVKTJ-1QJ" label="Administrator

sustava"/>

<concept id="1PD47DJ4K-1H8TYK1-PQ" label="Obrazovna

tehnologija" short-comment="" long-comment=""/>

<concept id="1PGGZ00SM-26P36BX-Q6" label="Autorski sustav"/>

<concept id="1PGGYZBDY-1FX0S90-P4" label="Autorstvo"/>

<concept id="1PDTF1RW4-27KYSP0-107" label="Testiranje i

Prilozi

212

vrednovanje znanja"/>

<concept id="1PDNMS3K9-24M2GQG-FR" label="Sustav za upravljanje

učenja"/>

<concept id="1PDB8G8TK-1BG6RP8-RM" label="Okruženje učenja"

short-comment="Okruženje za učenje se može razumjeti kao

potpuni fizički, socijalni i pedagogijski kontekst koji je namijenjen za

događanje učenja." long-comment=""/>

<concept id="1PDMDPQKF-14Y43C9-S2" label="Hibridno učenje"/>

<concept id="1PD473CJH-2BS89KZ-JY" label="Informacijska i

komunikacijska tehnologija ICT" short-comment="" long-comment=""/>

<concept id="1PDNMSHMP-108H6HM-GT" label="Sustav za upravljanje

sadržajem učenja"/>

<concept id="1PDMCZ0VZ-N4RCG1-G7" label="Online učenje"/>

<concept id="1PF0J2MD5-1DXVJJZ-RH" label="Inteligentni sustav

e-učenja"/>

<concept id="1PD47CP76-Z5D7G8-P4" label="Obrazovanje" short-


<concept id="1PDF73JT1-1TWSZH-HB" label="Tradicionalno učenje u

učionici"/>

<concept id="1PD47HY8D-1THM68Y-R9" label="Formalno učenje"


<concept id="1PDTG0TBR-1XVSPX4-1N1" label="Učenik"/>

<concept id="1PDTG0FF8-MH6M7J-1MF" label="Učitelj"/>

<concept id="1PGGZ083C-418XX-QV" label="Autorska programska

podrška"/>

<concept id="1PD47J7V4-GPPGM5-RZ" label="Informalno učenje"


<concept id="1PDF7472Z-23VMQKX-JY" label="Daljinsko učenje"/>

<concept id="1PF0HZ0CN-RN4G7T-HR" label="Modeli hibridnog

učenja"/>

<concept id="1PFRGL7K6-YSX7R7-WZ" label="Nastavni sadržaj"/>

<concept id="1PD4R8DWN-26LFJMC-336" label="E-učenje Sinergija

učenja i ICT" short-comment="" long-comment=""/>

</concept-list>

<linking-phrase-list>

<linking-phrase id="1PDB92J7N-1F167C4-104" label="Ima

podvrstu"/>

<linking-phrase id="1Q5KQ1RPM-QPMP9Q-TB" label="Ima podvrstu"/>

<linking-phrase id="1PDTG5CT7-FM4TDM-1V2" label="Ima

sudionike"/>

<linking-phrase id="1PFRGHBFP-28B71TD-VT" label="Se odvija

pomoć;u"/>

<linking-phrase id="1PFRGR9GL-1BCQN1F-102" label="Se sastoji

od"/>

<linking-phrase id="1PD4R65HQ-1BGSZMB-31P" label="Je povezano

sa" short-comment="Obrazovanje je povezano s procesom učenja (stjecanje

znanja) i primjenom znanja." long-comment=""/>

<linking-phrase id="1PFRGNF09-1WZGKP6-Y1" label="Isporučuje "/>

<linking-phrase id="1PDMDRFXW-1JD7NRK-SX" label="Ima"/>

<linking-phrase id="1PDNMWQL9-2C4T01-JG" label="Ima

konfiguraciju"/>

<linking-phrase id="1PDMDVKR3-22Z5P51-VP" label="Ima

podvrstu"/>

<linking-phrase id="1PF0J4PNX-1TF89T1-VG" label="Može biti"/>

<linking-phrase id="1PGGZ41SB-23R872F-T4" label="Ima važan

koncept"/>

<linking-phrase id="1PD4P6KRM-3RH06D-2QH" label="Ima"/>

<linking-phrase id="1PFRGWFJ4-66MLT3-13D" label="Se sastoji

od"/>

<linking-phrase id="1PDF8GXNS-4K4WXB-MD" label="Ima podvrstu"/>

<linking-phrase id="1PDMF14QX-11BC4KX-XW" label="Može biti

Prilozi

213

isporučeno kao"/>

<linking-phrase id="1PD4P61KW-CVGMNV-2PR" label="Može biti"


<linking-phrase id="1PD4Q02PZ-1R3T4KH-2X8" label="Se oslanja

na"/>

<linking-phrase id="1PDTF68GW-1ZZX9XT-15P" label="Ima

funkcionalnost"/>

<linking-phrase id="1PDBBMFZG-2DYLCL1-18P" label="Podupire"/>

<linking-phrase id="1PDMCZRJ8-1N17ST6-J6" label="Ima

podvrstu"/>

</linking-phrase-list>

<connection-list>

<connection id="1PFRGNF0M-177YKCJ-Y9" from-id="1PFRGNF09-

1WZGKP6-Y1" to-id="1PFRGL7K6-YSX7R7-WZ"/>

<connection id="1PDTF92QT-12JW9L0-18Y" from-id="1PDTF68GW-

1ZZX9XT-15P" to-id="1PDTF4DSV-22LKN6T-149"/>

<connection id="1PDTF68H6-16G7C94-15S" from-id="1PDNMRK8H-

8S5R1L-DZ" to-id="1PDTF68GW-1ZZX9XT-15P"/>

<connection id="1PGGZ41SF-RLF4MP-TD" from-id="1PGGZ41SB-

23R872F-T4" to-id="1PGGYZBDY-1FX0S90-P4"/>

<connection id="1PDMDVKRF-25QRXXK-VS" from-id="1PDMCZ0VZ-

N4RCG1-G7" to-id="1PDMDVKR3-22Z5P51-VP"/>

<connection id="1Q5KQ1RQL-226KCSC-TF" from-id="1PD4RXW0N-

1FM191R-38S" to-id="1Q5KQ1RPM-QPMP9Q-TB"/>

<connection id="1PD4Q02PZ-P0TG0D-2XC" from-id="1PD4Q02PZ-

1R3T4KH-2X8" to-id="1PD4PZG06-1521WX9-2WJ"/>

<connection id="1PFRGR9GX-2YSR85-105" from-id="1PFRGL7K6-

YSX7R7-WZ" to-id="1PFRGR9GL-1BCQN1F-102"/>

<connection id="1PD4R65HQ-S1RG4J-31Y" from-id="1PD47CP76-

Z5D7G8-P4" to-id="1PD4R65HQ-1BGSZMB-31P"/>

<connection id="1PFRGWFJ4-1LN7WMN-13H" from-id="1PFRGGQ0X-

PBX8B0-RM" to-id="1PFRGWFJ4-66MLT3-13D"/>

<connection id="1PDBBMFZG-1K4MCR5-18S" from-id="1PD473CJH-

2BS89KZ-JY" to-id="1PDBBMFZG-2DYLCL1-18P"/>

<connection id="1PDMDRFXW-DRF52C-T0" from-id="1PDMDRFXW-

1JD7NRK-SX" to-id="1PDMCZ0VZ-N4RCG1-G7"/>

<connection id="1PDMDW38L-1T779M6-WQ" from-id="1PDMDVKR3-

22Z5P51-VP" to-id="1PDF8TL06-2C5PX9Y-W1"/>

<connection id="1PDB8L15R-1ZJHL0D-VB" from-id="1PD4P6KRM-

3RH06D-2QH" to-id="1PDB8GNM8-51F7K9-SD"/>

<connection id="1PDB8J6P3-1B4Q4C7-TF" from-id="1PD4P6KRM-

3RH06D-2QH" to-id="1PDB8G8TK-1BG6RP8-RM"/>

<connection id="1PFRGHBFP-FS17NC-VX" from-id="1PFRGHBFP-

28B71TD-VT" to-id="1PFRGGQ0X-PBX8B0-RM"/>

<connection id="1PDB92J7N-11976WK-107" from-id="1PDB92J7N-

1F167C4-104" to-id="1PD4R8DWN-26LFJMC-336"/>

<connection id="1PDBBMFZG-13L1KLR-18Y" from-id="1PDBBMFZG-

2DYLCL1-18P" to-id="1PD4R8DWN-26LFJMC-336"/>

<connection id="1PDB92J7N-1HJFM7F-10D" from-id="1PD4P4H9Y-

1F9MVC0-2NG" to-id="1PDB92J7N-1F167C4-104"/>

<connection id="1PDMDVKRF-1S1ZYP4-VY" from-id="1PDMDVKR3-

22Z5P51-VP" to-id="1PDF8T6QM-159G5HX-VD"/>

<connection id="1PD4PF905-11DMH2Y-2TR" from-id="1PD4P61KW-

CVGMNV-2PR" to-id="1PD47J7V4-GPPGM5-RZ"/>

<connection id="1PD4P6KRM-TC6WC2-2QR" from-id="1PD4P4H9Y-

1F9MVC0-2NG" to-id="1PD4P6KRM-3RH06D-2QH"/>

<connection id="1PGGZ54T1-1Q0G8XF-VQ" from-id="1PGGZ41SB-

23R872F-T4" to-id="1PGGYZP5Q-2LMB56-PL"/>

<connection id="1PGGZ41SD-TRMNV2-T7" from-id="1PDNMRK8H-8S5R1L-

DZ" to-id="1PGGZ41SB-23R872F-T4"/>

<connection id="1PGGZ5DFR-J7C107-W3" from-id="1PGGZ41SB-

Prilozi

214

23R872F-T4" to-id="1PGGZ00SM-26P36BX-Q6"/>

<connection id="1PD4P61L6-RYTL2S-2PV" from-id="1PD4P61KW-

CVGMNV-2PR" to-id="1PD47HY8D-1THM68Y-R9"/>

<connection id="1PDMF14QX-WWS5LX-Y5" from-id="1PDMF14QX-

11BC4KX-XW" to-id="1PDF8T6QM-159G5HX-VD"/>

<connection id="1PD4P6KRM-1V6YNLX-2QL" from-id="1PD4P6KRM-

3RH06D-2QH" to-id="1PD4BD6M5-3T9ZJC-ZS"/>

<connection id="1PDTF8FWF-20GC5J9-17Z" from-id="1PDTF68GW-

1ZZX9XT-15P" to-id="1PDTF1RW4-27KYSP0-107"/>

<connection id="1PDNMWQL9-RF98T6-JK" from-id="1PDNMRK8H-8S5R1L-

DZ" to-id="1PDNMWQL9-2C4T01-JG"/>

<connection id="1PDF8JYSG-7CPNQ6-PB" from-id="1PDF8GXNS-4K4WXB-

MD" to-id="1PDF7472Z-23VMQKX-JY"/>

<connection id="1PDTG5YQ1-2CBBDLB-1WD" from-id="1PDTG5CT7-

FM4TDM-1V2" to-id="1PDTG2698-1SGVKTJ-1QJ"/>

<connection id="1Q5KQ857F-26T5YBM-1GR" from-id="1Q5KQ1RPM-

QPMP9Q-TB" to-id="1PD47DJ4K-1H8TYK1-PQ"/>

<connection id="1PD4PG51G-25BKNCW-2VG" from-id="1PD4P61KW-

CVGMNV-2PR" to-id="1PD47JSC0-QF2VZS-SP"/>

<connection id="1PD4R65HQ-14DF9CP-31S" from-id="1PD4R65HQ-

1BGSZMB-31P" to-id="1PD4P4H9Y-1F9MVC0-2NG"/>

<connection id="1PDTF68H6-N7W2QB-15Y" from-id="1PDTF68GW-

1ZZX9XT-15P" to-id="1PDTF0H4R-23XTDSQ-Y9"/>

<connection id="1PF7DQJMC-1F8X1QZ-1KC" from-id="1PDMDRFXW-

1JD7NRK-SX" to-id="1PF0HZ0CN-RN4G7T-HR"/>

<connection id="1PGGZ7577-8RGSH-XS" from-id="1PGGZ41SB-23R872F-

T4" to-id="1PGGZ6MBZ-QSJXQW-X5"/>

<connection id="1PFRGNF0M-1TCY1JT-Y4" from-id="1PDNMRK8H-

8S5R1L-DZ" to-id="1PFRGNF09-1WZGKP6-Y1"/>

<connection id="1PD4P61L6-1YFWJZL-2Q1" from-id="1PD4BD6M5-

3T9ZJC-ZS" to-id="1PD4P61KW-CVGMNV-2PR"/>

<connection id="1PDMF14QX-CYGT2F-XZ" from-id="1PD4R8DWN-

26LFJMC-336" to-id="1PDMF14QX-11BC4KX-XW"/>

<connection id="1PDF8GXNS-2986SRH-MH" from-id="1PDF8GXNS-

4K4WXB-MD" to-id="1PDF73JT1-1TWSZH-HB"/>

<connection id="1PDMDTN9N-P0J75R-V9" from-id="1PDMDRFXW-

1JD7NRK-SX" to-id="1PDF73JT1-1TWSZH-HB"/>

<connection id="1PDTG5V9D-C96Q4Q-1W0" from-id="1PDTG5CT7-

FM4TDM-1V2" to-id="1PDTG0TBR-1XVSPX4-1N1"/>

<connection id="1PDTG5CT9-1G9001T-1V5" from-id="1PDNMRK8H-

8S5R1L-DZ" to-id="1PDTG5CT7-FM4TDM-1V2"/>

<connection id="1PFRGR9GX-16Q5RW1-10C" from-id="1PFRGR9GL-

1BCQN1F-102" to-id="1PFRGPCZL-TZ236T-Z1"/>

<connection id="1PDMF22HB-2DBJPH0-Z1" from-id="1PDMF14QX-

11BC4KX-XW" to-id="1PDF8TL06-2C5PX9Y-W1"/>

<connection id="1PGGZ5MCZ-QMB8KC-WJ" from-id="1PGGZ41SB-

23R872F-T4" to-id="1PGGZ083C-418XX-QV"/>

<connection id="1PDMCZRJ8-192BZHL-JH" from-id="1PDF7472Z-

23VMQKX-JY" to-id="1PDMCZRJ8-1N17ST6-J6"/>

<connection id="1PFRGHBFP-243DDH4-W3" from-id="1PD47CP76-

Z5D7G8-P4" to-id="1PFRGHBFP-28B71TD-VT"/>

<connection id="1PDMCZRJ8-CR1H5C-J9" from-id="1PDMCZRJ8-

1N17ST6-J6" to-id="1PDMCZ0VZ-N4RCG1-G7"/>

<connection id="1PDTF8TXT-1NXTWY7-18F" from-id="1PDTF68GW-

1ZZX9XT-15P" to-id="1PDTF2GSC-1Z1G0FJ-11F"/>

<connection id="1PFRGWFJG-D1X8D2-13N" from-id="1PFRGWFJ4-

66MLT3-13D" to-id="1PFRGL7K6-YSX7R7-WZ"/>

<connection id="1PF0J4PP7-GHGN0L-VQ" from-id="1PF0J4PNX-

1TF89T1-VG" to-id="1PF0J2MD5-1DXVJJZ-RH"/>

<connection id="1PDMDRFXW-1PL1X75-T5" from-id="1PDMDPQKF-

14Y43C9-S2" to-id="1PDMDRFXW-1JD7NRK-SX"/>

Prilozi

215

<connection id="1PDF8GXNS-17GPMQ7-MN" from-id="1PD4P4H9Y-

1F9MVC0-2NG" to-id="1PDF8GXNS-4K4WXB-MD"/>

<connection id="1PDNMWQLM-2DXB02X-JR" from-id="1PDNMWQL9-

2C4T01-JG" to-id="1PDNMS3K9-24M2GQG-FR"/>

<connection id="1PF0J4PP7-G7NLGF-VK" from-id="1PDNMRK8H-8S5R1L-

DZ" to-id="1PF0J4PNX-1TF89T1-VG"/>

<connection id="1Q5KQ1RQL-BY3NW8-TL" from-id="1Q5KQ1RPM-QPMP9Q-

TB" to-id="1PD473CJH-2BS89KZ-JY"/>

<connection id="1PDTG5CT9-YDHJYB-1VB" from-id="1PDTG5CT7-

FM4TDM-1V2" to-id="1PDTG0FF8-MH6M7J-1MF"/>

<connection id="1PD4Q02Q9-QNJ7NC-2XK" from-id="1PD4P4H9Y-

1F9MVC0-2NG" to-id="1PD4Q02PZ-1R3T4KH-2X8"/>

<connection id="1PDNMXX5X-CVF0KJ-KL" from-id="1PDNMWQL9-2C4T01-

JG" to-id="1PDNMSHMP-108H6HM-GT"/>

</connection-list>

<resource-group-list>

<resource-group parent-id="1PGGZ6MBZ-QSJXQW-X5" group-

type="text-and-image">

<resource id="1Q5LJP8VY-RSSLHC-3KV" label="Courseware"

description="Courseware nisu zamena za klasične knjige

i udžbenike, već; ih treba shvatiti kao novi način organizovanja nastave i

učenja, kvalitativnu dopunu (inovaciju) već; postojeć;im (tradicionalnim)

načinima"

resource-name="Courseware" resource-mimetype="text/x-

url" resource-server-id="1PHRZMMFJ-4GZS9F-1" resource-folder-id="1PHRZMVBD-

1X7XCQ0-Z" resource-id="1Q5LJP8S6-1N25JGW-3JM" resource-

url="file:///C:/Users/Tomislav/Documents/My Cmaps/Courseware.url"/>

</resource-group>

<resource-group parent-id="1PD47JSC0-QF2VZS-SP" group-


<resource id="1Q5LG74GR-2ZX8NL-2YW" label="Neformalno

ucenje" description="Neformalno učenje više organizirano i može imati

ciljeve učenja." resource-name="Neformalno ucenje" resource-

mimetype="text/x-url"

resource-server-id="1PHRZMMFJ-4GZS9F-1" resource-

folder-id="1PHRZMVBD-1X7XCQ0-Z" resource-id="1Q4X7GDGB-29R6WRR-1NL"

resource-url="file:///C:/Users/Tomislav/Documents/My Cmaps/Neformalno

ucenje.url"/>

</resource-group>

<resource-group parent-id="1PD4RXW0N-1FM191R-38S" group-


<resource id="1Q5L6MF9B-YB3SVN-1H6" label="Tehnologija"

description="Tehnologija je skup tehnika, metoda ili procesa koji se

koriste u proizvodnji dobara ili usluga ili u ostvarivanju ciljevi, poput

znanstvenog istraživanja."

resource-name="Tehnologija" resource-mimetype="text/x-


1X7XCQ0-Z" resource-id="1Q4X7V2GW-1RJCD69-1WK" resource-

url="file:///C:/Users/Tomislav/Documents/My Cmaps/Tehnologija.url"/>

</resource-group>

<resource-group parent-id="1PD4P4H9Y-1F9MVC0-2NG" group-


<resource id="1Q5L6YMWC-1HY5Y16-1MD" label="Ucenje"

description="Učenje je složeni psihički proces promjene

ponašanja na osnovi usvojenog znanja i iskustva. Obuhvać;a usvajanje

navika, informacija, znanja, vještina i sposobnosti. To je proces spremanja

podataka u skladištu pamć;enja. Učenje i pamć;enje su dva međusobno na

dopunjujuć;a aspekta procesa učenja.
Više na linku: <a

href="https://hr.wikipedia.org/wiki/U%C4%8Denje">W3Schools</a>

"

resource-name="Ucenje" resource-mimetype="text/x-url"

Prilozi

216

resource-server-id="1PHRZMMFJ-4GZS9F-1" resource-folder-id="1PHRZMVBD-

1X7XCQ0-Z" resource-id="1Q4X6TVSZ-168M79Q-N3" resource-

url="file:///C:/Users/Tomislav/Documents/My Cmaps/Ucenje.url"/>

</resource-group>

<resource-group parent-id="1PDNMRK8H-8S5R1L-DZ" group-


<resource id="1Q5LC60LP-2B4Y61V-2D8" label="Sustavi e

ucenja" description="https://www.youtube.com/watch?v=qraTzkg-uF0" resource-

name="Sustavi e ucenja" resource-mimetype="text/x-url" resource-server-

id="1PHRZMMFJ-4GZS9F-1"

resource-folder-id="1PHRZMVBD-1X7XCQ0-Z" resource-

id="1Q5LC60HP-1FJLFVZ-2C1" resource-

url="file:///C:/Users/Tomislav/Documents/My Cmaps/Sustavi e ucenja.url"/>

</resource-group>

<resource-group parent-id="1PDB8GNM8-51F7K9-SD" group-


<resource id="1Q5L76Z2T-1YZ13W8-1PK" label="Prostor ucenja"

description="Fizički prostor koji doprinosi inovativnom

okruženju učenja.
<img src="http://www.valentinkuleto.com/wp-

content/uploads/2015/01/VK-classroom-1.png"

alt="ucionica_buducnosti" width="500">"

resource-name="Prostor ucenja" resource-

mimetype="text/x-url" resource-server-id="1PHRZMMFJ-4GZS9F-1" resource-

folder-id="1PHRZMVBD-1X7XCQ0-Z" resource-id="1Q4X79MMG-MRZZ7V-156"

resource-url="file:///C:/Users/Tomislav/Documents/My Cmaps/Prostor

ucenja.url"/>

</resource-group>

<resource-group parent-id="1PD47DJ4K-1H8TYK1-PQ" group-


<resource id="1Q5L78Z77-49GCBG-1RQ" label="Obrazovna

tehnologija"

description="Obrazovna tehnologija je učinkovita

upotreba tehnoloških alata u učenju. Kao koncept, to je o niz alata, kao

što su mediji, računala i uređaji za umrežavanje, uzimajuć;i pri tom u

obzir i teorijska stajališta za njihovu djelotvornu primjenu."

resource-name="Obrazovna tehnologija" resource-


folder-id="1PHRZMVBD-1X7XCQ0-Z" resource-id="1Q4X842NF-1JWPRG6-1ZY"

resource-url="file:///C:/Users/Tomislav/Documents/My Cmaps/Obrazovna

tehnologija.url"/>

</resource-group>

<resource-group parent-id="1PDMDPQKF-14Y43C9-S2" group-


<resource id="1Q5LJ9J58-NF5BH0-3H5" label="Hibridno ucenje"

description="<img

src="http://images.globalenglish.com/files/images/2_awardWinning_Blend

edLearning_large6.png" width="500" >" resource-

name="Hibridno ucenje"


id="1PHRZMMFJ-4GZS9F-1" resource-folder-id="1PHRZMVBD-1X7XCQ0-Z" resource-

id="1Q4X6HYNB-1KC4P2D-HK" resource-

url="file:///C:/Users/Tomislav/Documents/My Cmaps/Hibridno ucenje.url"/>

</resource-group>

<resource-group parent-id="1PD473CJH-2BS89KZ-JY" group-


<resource id="1Q5LJ5KPN-L6V874-3F6" label="ICT"

description="Informacijska i komunikacijska tehnologija (ICT) obuhvać;a

računala, komunikacijsku opremu i s njima povezane usluge te se bavi

proučavanjem informacijskog doba"

resource-name="ICT" resource-mimetype="text/x-url"


Prilozi

217

1X7XCQ0-Z" resource-id="1Q4X8G89R-QBWZS2-21R" resource-

url="file:///C:/Users/Tomislav/Documents/My Cmaps/ICT.url"/>

</resource-group>

<resource-group parent-id="1PF0J2MD5-1DXVJJZ-RH" group-


<resource id="1Q5LHNQ0M-1YJG0H5-3BZ" label="Inteligentni

sustavu e ucenja"

description="Inteligentni tutorski sustavi

predstavljaju okruženje procesa učenja i poučavanja prilagođeno

individualnim značajkama učenika." resource-name="Inteligentni sustavu e

ucenja"



id="1Q5LHNPWD-1YV2T1F-39R" resource-

url="file:///C:/Users/Tomislav/Documents/My Cmaps/Inteligentni sustavu e

ucenja.url"/>

</resource-group>

<resource-group parent-id="1PD47CP76-Z5D7G8-P4" group-


<resource id="1Q5LCL832-3TMHGK-2DY" label="Obrazovanje"

description="Obrazovanje kao pojam ima višestruko

značenje. Pod obrazovanjem se podrazumijeva ustanova, proces, sadržaj i

rezultat organiziranog i/ili slučajnog učenja u funkciji razvoja različitih

kognitivnih sposobnosti, kao i stjecanja raznovrsnih znanja, vještina, i

navika kao primjerice čitanje, pisanje, računanje ili opć;e znanje o

fizičkom, društvenom i gospodarstvenom okruženju."

resource-name="Obrazovanje" resource-mimetype="text/x-


1X7XCQ0-Z" resource-id="1Q4X6DPSC-D76NJL-G4" resource-

url="file:///C:/Users/Tomislav/Documents/My Cmaps/Obrazovanje.url"/>

</resource-group>

<resource-group parent-id="1PDF73JT1-1TWSZH-HB" group-


<resource id="1Q5LHGT2W-1CQ7KSG-36N" label="Tradicionalno

ucenje" description="<img

src="https://pogledkrozprozor.files.wordpress.com/2012/04/slika-

11.jpg" width="500" >" resource-name="Tradicionalno ucenje"



id="1Q4X96NXT-CXBQY6-27Z" resource-

url="file:///C:/Users/Tomislav/Documents/My Cmaps/Tradicionalno

ucenje.url"/>

</resource-group>

<resource-group parent-id="1PD47HY8D-1THM68Y-R9" group-


<resource id="1Q5LG8BH8-245NV64-30C" label="Formalno

učenje" description="Formalno učenje je uvijek organizirano i strukturirano

i ima ciljeve učenja." resource-name="Formalno učenje" resource-



folder-id="1PHRZMVBD-1X7XCQ0-Z" resource-id="1Q5LG8BDM-10NS10F-2Z4"

resource-url="file:///C:/Users/Tomislav/Documents/My Cmaps/Formalno

učenje.url"/>

</resource-group>

<resource-group parent-id="1PD47J7V4-GPPGM5-RZ" group-


<resource id="1Q5LG48XT-64CSW5-2WV" label="Informalno

ucenje" description="Informalno učenje nikada nije organizirano, nema

postavljene ciljeve u pogledu ishoda učenja i nikad nije namjerno s

gledišta učenika."

resource-name="Informalno ucenje" resource-

Prilozi

218


folder-id="1PHRZMVBD-1X7XCQ0-Z" resource-id="1Q5LG48S0-H8M9MX-2VM"

resource-url="file:///C:/Users/Tomislav/Documents/My Cmaps/Informalno

ucenje.url"/>

</resource-group>

<resource-group parent-id="1PDF7472Z-23VMQKX-JY" group-


<resource id="1Q5LHCX8Y-77SMYJ-34M" label="daljinsko

ucenje" description="<img

src="http://pfk.edu.ba/v2/images/grafika/elearning.png"

width="500">" resource-name="daljinsko ucenje" resource-



folder-id="1PHRZMVBD-1X7XCQ0-Z" resource-id="1Q4X7PQTT-PM2NTG-1S3"

resource-url="file:///C:/Users/Tomislav/Documents/My Cmaps/daljinsko

ucenje.url"/>

</resource-group>

<resource-group parent-id="1PD4R8DWN-26LFJMC-336" group-


<resource id="1Q5LG97F5-122B5CR-32D" label="ICT"

description="Informacijska i komunikacijska tehnologija

(ICT) omoguć;ava prikupljanje, čuvanje, raspodjelu i uporabu svih vrsta

informacija i predstavlja najprodorniju generičku tehnologiju današnjice."

resource-name="ICT" resource-mimetype="text/x-url"


1X7XCQ0-Z" resource-id="1Q4X8G89R-QBWZS2-21R" resource-

url="file:///C:/Users/Tomislav/Documents/My Cmaps/ICT.url"/>

</resource-group>

</resource-group-list>

<concept-appearance-list>

<concept-appearance id="1PFRGPCZL-TZ236T-Z1" x="850" y="328"

width="100" height="28" font-style="plain" border-color="0,0,255,255"/>

<concept-appearance id="1PGGZ6MBZ-QSJXQW-X5" x="1196" y="454"


<concept-appearance id="1PD47JSC0-QF2VZS-SP" x="251" y="539"

width="130" height="42"/>

<concept-appearance id="1PD4RXW0N-1FM191R-38S" x="707" y="34"


<concept-appearance id="1PDF8T6QM-159G5HX-VD" x="704" y="760"


<concept-appearance id="1PD4P4H9Y-1F9MVC0-2NG" x="282" y="202"

width="119" min-width="111" height="66" min-height="44" font-style="plain"

border-color="0,0,255,255"/>

<concept-appearance id="1PDNMRK8H-8S5R1L-DZ" x="972" y="637"


<concept-appearance id="1PD4PZG06-1521WX9-2WJ" x="445" y="338"


<concept-appearance id="1PDB8GNM8-51F7K9-SD" x="304" y="369"


<concept-appearance id="1PFRGGQ0X-PBX8B0-RM" x="526" y="206"


<concept-appearance id="1PDF8TL06-2C5PX9Y-W1" x="809" y="865"


<concept-appearance id="1PDTF2GSC-1Z1G0FJ-11F" x="1292" y="582"


<concept-appearance id="1PD4BD6M5-3T9ZJC-ZS" x="159" y="337"


<concept-appearance id="1PDTF4DSV-22LKN6T-149" x="1248" y="641"


<concept-appearance id="1PDTF0H4R-23XTDSQ-Y9" x="1283" y="494"


Prilozi

219

<concept-appearance id="1PGGYZP5Q-2LMB56-PL" x="1077" y="338"


<concept-appearance id="1PDTG2698-1SGVKTJ-1QJ" x="1310" y="774"


<concept-appearance id="1PD47DJ4K-1H8TYK1-PQ" x="891" y="150"


<concept-appearance id="1PGGZ00SM-26P36BX-Q6" x="1109" y="379"


<concept-appearance id="1PGGYZBDY-1FX0S90-P4" x="969" y="364"


<concept-appearance id="1PDTF1RW4-27KYSP0-107" x="1234" y="536"


<concept-appearance id="1PDNMS3K9-24M2GQG-FR" x="968" y="835"


<concept-appearance id="1PDB8G8TK-1BG6RP8-RM" x="257" y="439"


<concept-appearance id="1PDMDPQKF-14Y43C9-S2" x="563" y="692"


<concept-appearance id="1PD473CJH-2BS89KZ-JY" x="759" y="207"

width="299" height="42" font-style="plain"/>

<concept-appearance id="1PDNMSHMP-108H6HM-GT" x="1140" y="882"


<concept-appearance id="1PDMCZ0VZ-N4RCG1-G7" x="333" y="665"


<concept-appearance id="1PF0J2MD5-1DXVJJZ-RH" x="1229" y="838"

width="185" height="42" border-color="0,0,255,255"/>

<concept-appearance id="1PD47CP76-Z5D7G8-P4" x="353" y="59"

width="107" min-width="99" height="44" min-height="22" font-style="plain"

border-color="0,0,255,255"/>

<concept-appearance id="1PDF73JT1-1TWSZH-HB" x="566" y="556"


<concept-appearance id="1PD47HY8D-1THM68Y-R9" x="79" y="446"


<concept-appearance id="1PDTG0TBR-1XVSPX4-1N1" x="1255" y="736"


<concept-appearance id="1PDTG0FF8-MH6M7J-1MF" x="1234" y="697"


<concept-appearance id="1PGGZ083C-418XX-QV" x="1185" y="419"


<concept-appearance id="1PD47J7V4-GPPGM5-RZ" x="147" y="499"


<concept-appearance id="1PDF7472Z-23VMQKX-JY" x="380" y="506"


<concept-appearance id="1PF0HZ0CN-RN4G7T-HR" x="666" y="627"


<concept-appearance id="1PFRGL7K6-YSX7R7-WZ" x="872" y="425"


<concept-appearance id="1PD4R8DWN-26LFJMC-336" x="756" y="494"


</concept-appearance-list>

<linking-phrase-appearance-list>

<linking-phrase-appearance id="1PDB92J7N-1F167C4-104" x="510"

y="271" width="83" height="14"/>

<linking-phrase-appearance id="1Q5KQ1RPM-QPMP9Q-TB" x="728"

y="102" width="83" height="14"/>

<linking-phrase-appearance id="1PDTG5CT7-FM4TDM-1V2" x="1091"

y="684" width="87" height="11"/>

<linking-phrase-appearance id="1PFRGHBFP-28B71TD-VT" x="469"

y="137" width="110" height="14"/>

<linking-phrase-appearance id="1PFRGR9GL-1BCQN1F-102" x="864"

y="382" width="80" height="14"/>

Prilozi

220

<linking-phrase-appearance id="1PD4R65HQ-1BGSZMB-31P" x="315"

y="127" width="94" height="13"/>

<linking-phrase-appearance id="1PFRGNF09-1WZGKP6-Y1" x="906"

y="533" width="70" height="14"/>

<linking-phrase-appearance id="1PDMDRFXW-1JD7NRK-SX" x="479"

y="622" width="26" height="11"/>

<linking-phrase-appearance id="1PDNMWQL9-2C4T01-JG" x="997"

y="754" width="108" height="14"/>

<linking-phrase-appearance id="1PDMDVKR3-22Z5P51-VP" x="566"

y="806" width="83" height="14"/>

<linking-phrase-appearance id="1PF0J4PNX-1TF89T1-VG" x="1051"

y="724" width="56" height="12"/>

<linking-phrase-appearance id="1PGGZ41SB-23R872F-T4" x="994"

y="495" width="117" height="14"/>

<linking-phrase-appearance id="1PD4P6KRM-3RH06D-2QH" x="214"

y="276" width="26" height="11"/>

<linking-phrase-appearance id="1PFRGWFJ4-66MLT3-13D" x="681"

y="305" width="80" height="14"/>

<linking-phrase-appearance id="1PDF8GXNS-4K4WXB-MD" x="434"

y="450" width="83" height="14"/>

<linking-phrase-appearance id="1PDMF14QX-11BC4KX-XW" x="809"

y="590" width="151" height="14"/>

<linking-phrase-appearance id="1PD4P61KW-CVGMNV-2PR" x="146"

y="385" width="56" height="12"/>

<linking-phrase-appearance id="1PD4Q02PZ-1R3T4KH-2X8" x="386"

y="287" width="84" height="14"/>

<linking-phrase-appearance id="1PDTF68GW-1ZZX9XT-15P" x="1065"

y="597" width="117" height="11"/>

<linking-phrase-appearance id="1PDBBMFZG-2DYLCL1-18P" x="750"

y="280" width="55" height="14"/>

<linking-phrase-appearance id="1PDMCZRJ8-1N17ST6-J6" x="353"

y="579" width="83" height="14"/>

</linking-phrase-appearance-list>

<connection-appearance-list>

<connection-appearance id="1PFRGNF0M-177YKCJ-Y9" from-

pos="center" to-pos="bottom" arrowhead="yes"/>

<connection-appearance id="1PDTF92QT-12JW9L0-18Y" from-

pos="center" to-pos="left" arrowhead="yes"/>

<connection-appearance id="1PDTF68H6-16G7C94-15S" from-

pos="center" to-pos="center" arrowhead="yes"/>

<connection-appearance id="1PGGZ41SF-RLF4MP-TD" from-


<connection-appearance id="1PDMDVKRF-25QRXXK-VS" from-


<connection-appearance id="1Q5KQ1RQL-226KCSC-TF" from-


<connection-appearance id="1PD4Q02PZ-P0TG0D-2XC" from-


<connection-appearance id="1PFRGR9GX-2YSR85-105" from-


<connection-appearance id="1PD4R65HQ-S1RG4J-31Y" from-

pos="bottom" to-pos="center" arrowhead="yes"/>

<connection-appearance id="1PFRGWFJ4-1LN7WMN-13H" from-


<connection-appearance id="1PDBBMFZG-1K4MCR5-18S" from-


<connection-appearance id="1PDMDRFXW-DRF52C-T0" from-pos="left"

to-pos="center" arrowhead="yes"/>

<connection-appearance id="1PDMDW38L-1T779M6-WQ" from-


<connection-appearance id="1PDB8L15R-1ZJHL0D-VB" from-

Prilozi

221

pos="right" to-pos="center" arrowhead="yes"/>

<connection-appearance id="1PDB8J6P3-1B4Q4C7-TF" from-

pos="bottom-right" to-pos="center" arrowhead="yes"/>

<connection-appearance id="1PFRGHBFP-FS17NC-VX" from-


<connection-appearance id="1PDB92J7N-11976WK-107" from-


<connection-appearance id="1PDBBMFZG-13L1KLR-18Y" from-

pos="center" to-pos="top" arrowhead="yes"/>

<connection-appearance id="1PDB92J7N-1HJFM7F-10D" from-


<connection-appearance id="1PDMDVKRF-1S1ZYP4-VY" from-


<connection-appearance id="1PD4PF905-11DMH2Y-2TR" from-


<connection-appearance id="1PD4P6KRM-TC6WC2-2QR" from-

pos="bottom" to-pos="top" arrowhead="yes"/>

<connection-appearance id="1PGGZ54T1-1Q0G8XF-VQ" from-


<connection-appearance id="1PGGZ41SD-TRMNV2-T7" from-


<connection-appearance id="1PGGZ5DFR-J7C107-W3" from-


<connection-appearance id="1PD4P61L6-RYTL2S-2PV" from-


<connection-appearance id="1PDMF14QX-WWS5LX-Y5" from-

pos="center" to-pos="top-right" arrowhead="yes"/>

<connection-appearance id="1PD4P6KRM-1V6YNLX-2QL" from-


<connection-appearance id="1PDTF8FWF-20GC5J9-17Z" from-


<connection-appearance id="1PDNMWQL9-RF98T6-JK" from-


<connection-appearance id="1PDF8JYSG-7CPNQ6-PB" from-


<connection-appearance id="1PDTG5YQ1-2CBBDLB-1WD" from-


<connection-appearance id="1Q5KQ857F-26T5YBM-1GR" from-


<connection-appearance id="1PD4PG51G-25BKNCW-2VG" from-


<connection-appearance id="1PD4R65HQ-14DF9CP-31S" from-


<connection-appearance id="1PDTF68H6-N7W2QB-15Y" from-


<connection-appearance id="1PF7DQJMC-1F8X1QZ-1KC" from-


<connection-appearance id="1PGGZ7577-8RGSH-XS" from-


<connection-appearance id="1PFRGNF0M-1TCY1JT-Y4" from-


<connection-appearance id="1PD4P61L6-1YFWJZL-2Q1" from-


<connection-appearance id="1PDMF14QX-CYGT2F-XZ" from-


<connection-appearance id="1PDF8GXNS-2986SRH-MH" from-


<connection-appearance id="1PDMDTN9N-P0J75R-V9" from-pos="top"

to-pos="center" arrowhead="yes"/>

<connection-appearance id="1PDTG5V9D-C96Q4Q-1W0" from-


Prilozi

222

<connection-appearance id="1PDTG5CT9-1G9001T-1V5" from-


<connection-appearance id="1PFRGR9GX-16Q5RW1-10C" from-


<connection-appearance id="1PDMF22HB-2DBJPH0-Z1" from-


<connection-appearance id="1PGGZ5MCZ-QMB8KC-WJ" from-


<connection-appearance id="1PDMCZRJ8-192BZHL-JH" from-


<connection-appearance id="1PFRGHBFP-243DDH4-W3" from-

pos="bottom-right" to-pos="center" arrowhead="yes"/>

<connection-appearance id="1PDMCZRJ8-CR1H5C-J9" from-


<connection-appearance id="1PDTF8TXT-1NXTWY7-18F" from-


<connection-appearance id="1PFRGWFJG-D1X8D2-13N" from-

pos="center" to-pos="top-left" arrowhead="yes"/>

<connection-appearance id="1PF0J4PP7-GHGN0L-VQ" from-

pos="center" to-pos="top-left" arrowhead="yes"/>

<connection-appearance id="1PDMDRFXW-1PL1X75-T5" from-

pos="left" to-pos="center" arrowhead="yes"/>

<connection-appearance id="1PDF8GXNS-17GPMQ7-MN" from-


<connection-appearance id="1PDNMWQLM-2DXB02X-JR" from-


<connection-appearance id="1PF0J4PP7-G7NLGF-VK" from-


<connection-appearance id="1Q5KQ1RQL-BY3NW8-TL" from-


<connection-appearance id="1PDTG5CT9-YDHJYB-1VB" from-


<connection-appearance id="1PD4Q02Q9-QNJ7NC-2XK" from-


<connection-appearance id="1PDNMXX5X-CVF0KJ-KL" from-


</connection-appearance-list>

<style-sheet-list>

<style-sheet id="_Default_">

<map-style background-color="255,255,255,0"/>

<concept-style font-name="Verdana" font-size="12" font-

style="plain" font-color="0,0,0,255" text-margin="4" background-

color="237,244,246,255" background-image-style="full" border-

color="0,0,0,255" border-style="solid" border-thickness="1"

border-shape="rounded-rectangle" text-

alignment="center" shadow-color="none"/>

<linking-phrase-style font-name="Verdana" font-size="12"

font-style="plain" font-color="0,0,0,255" text-margin="1" background-

color="0,0,255,0" background-image-style="full" border-color="0,0,0,0"

border-style="solid" border-thickness="1"

border-shape="rectangle" text-alignment="center"

shadow-color="none"/>

<connection-style color="0,0,0,255" style="solid"

thickness="1" type="straight" arrowhead="if-to-concept-and-slopes-up"/>

<resource-style font-name="SanSerif" font-size="12" font-

style="plain" font-color="0,0,0,255" background-color="192,192,192,255"/>

</style-sheet>

<style-sheet id="_LatestChanges_">

<concept-style font-style="plain" border-

color="0,0,255,255"/>

<connection-style arrowhead="yes"/>

Prilozi

223

</style-sheet>

</style-sheet-list>

<extra-properties-list>

<properties-list id="1Q5L78Z77-49GCBG-1RQ">

<property key="_urlString"

value="file:///C:/Users/Tomislav/Documents/My Cmaps/Obrazovna

tehnologija.url"/>

</properties-list>

<properties-list id="1Q5LHGT2W-1CQ7KSG-36N">


value="file:///C:/Users/Tomislav/Documents/My Cmaps/Tradicionalno

ucenje.url"/>

</properties-list>

<properties-list id="1Q5LJ9J58-NF5BH0-3H5">


value="file:///C:/Users/Tomislav/Documents/My Cmaps/Hibridno ucenje.url"/>

</properties-list>

<properties-list id="1Q5LG8BH8-245NV64-30C">


value="file:///C:/Users/Tomislav/Documents/My Cmaps/Formalno učenje.url"/>

</properties-list>

<properties-list id="1Q5LCL832-3TMHGK-2DY">


value="file:///C:/Users/Tomislav/Documents/My Cmaps/Obrazovanje.url"/>

</properties-list>

<properties-list id="1Q5L6MF9B-YB3SVN-1H6">


value="file:///C:/Users/Tomislav/Documents/My Cmaps/Tehnologija.url"/>

</properties-list>

<properties-list id="1Q5LJP8VY-RSSLHC-3KV">


value="file:///C:/Users/Tomislav/Documents/My Cmaps/Courseware.url"/>

</properties-list>

<properties-list id="1Q5LC60LP-2B4Y61V-2D8">


value="file:///C:/Users/Tomislav/Documents/My Cmaps/Sustavi e ucenja.url"/>

</properties-list>

<properties-list id="1Q5LHNQ0M-1YJG0H5-3BZ">


value="file:///C:/Users/Tomislav/Documents/My Cmaps/Inteligentni sustavu e

ucenja.url"/>

</properties-list>

<properties-list id="1Q5LG97F5-122B5CR-32D">


value="file:///C:/Users/Tomislav/Documents/My Cmaps/ICT.url"/>

</properties-list>

<properties-list id="1Q5LG74GR-2ZX8NL-2YW">


value="file:///C:/Users/Tomislav/Documents/My Cmaps/Neformalno

ucenje.url"/>

</properties-list>

<properties-list id="1Q5L76Z2T-1YZ13W8-1PK">


value="file:///C:/Users/Tomislav/Documents/My Cmaps/Prostor ucenja.url"/>

</properties-list>

<properties-list id="1Q5LHCX8Y-77SMYJ-34M">


value="file:///C:/Users/Tomislav/Documents/My Cmaps/daljinsko ucenje.url"/>

</properties-list>

<properties-list id="1Q5LJ5KPN-L6V874-3F6">


Prilozi

224

value="file:///C:/Users/Tomislav/Documents/My Cmaps/ICT.url"/>

</properties-list>

<properties-list id="1Q5L6YMWC-1HY5Y16-1MD">


value="file:///C:/Users/Tomislav/Documents/My Cmaps/Ucenje.url"/>

</properties-list>

<properties-list id="1Q5LG48XT-64CSW5-2WV">


value="file:///C:/Users/Tomislav/Documents/My Cmaps/Informalno

ucenje.url"/>

</properties-list>

</extra-properties-list>

<extra-graphical-properties-list>

<properties-list id="1Q9XGRQX5-26QWPB0-B2">

<property key="StyleSheetGroup_0"

value="//*@!#$%%^&*()() No Grouped StyleSheets @"/>

</properties-list>

</extra-graphical-properties-list>

</map>

</cmap>

9.3. Prilog 3. - XML zapis strukture baze podataka CM Tutor sustava

<XMLDB xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"

PATH="mod/cmtutor/db" VERSION="20160523" COMMENT="XMLDB file for Moodle

mod/cmtutor" xsi:noNamespaceSchemaLocation="../../../lib/xmldb/xmldb.xsd">

<TABLES>

<TABLE NAME="cmtutor" COMMENT="Default comment for cmtutor, please edit

me">

<FIELDS>

<FIELD NAME="id" TYPE="int" LENGTH="10" NOTNULL="true" SEQUENCE="true"/>

<FIELD NAME="course" TYPE="int" LENGTH="10" NOTNULL="true" SEQUENCE="false"

COMMENT="Course cmtutor activity belongs to"/>

<FIELD NAME="name" TYPE="char" LENGTH="255" NOTNULL="true" SEQUENCE="false"

COMMENT="name field for moodle instances"/>

<FIELD NAME="intro" TYPE="text" NOTNULL="false" SEQUENCE="false"

COMMENT="General introduction of the cmtutor activity"/>

<FIELD NAME="introformat" TYPE="int" LENGTH="4" NOTNULL="true" DEFAULT="0"

SEQUENCE="false" COMMENT="Format of the intro field (MOODLE, HTML,

MARKDOWN...)"/>

<FIELD NAME="timecreated" TYPE="int" LENGTH="10" NOTNULL="true"

SEQUENCE="false"/>

<FIELD NAME="timemodified" TYPE="int" LENGTH="10" NOTNULL="true"

DEFAULT="0" SEQUENCE="false"/>

</FIELDS>

<KEYS>


</KEYS>

<INDEXES>

<INDEX NAME="course" UNIQUE="false" FIELDS="course"/>

</INDEXES>

</TABLE>

<TABLE NAME="generirana_pitanja" COMMENT="List of generated questions for

user.">

<FIELDS>


<FIELD NAME="predlozak_id" TYPE="int" LENGTH="11" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="nadkoncept_id" TYPE="int" LENGTH="11" NOTNULL="false"

Prilozi

225

SEQUENCE="false"/>

<FIELD NAME="relacija_id" TYPE="int" LENGTH="11" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="podkoncept_id" TYPE="int" LENGTH="11" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="userid" TYPE="int" LENGTH="11" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="zna" TYPE="binary" NOTNULL="false" SEQUENCE="false"/>

<FIELD NAME="tocan_odgovor" TYPE="text" NOTNULL="false" SEQUENCE="false"/>

<FIELD NAME="hint" TYPE="int" LENGTH="1" NOTNULL="false" SEQUENCE="false"/>

<FIELD NAME="vrijeme" TYPE="datetime" LENGTH="1" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="cmid" TYPE="int" LENGTH="11" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="kategorija" TYPE="char" LENGTH="45" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="generirano_vrijeme" TYPE="text" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="ciklus" TYPE="int" LENGTH="10" NOTNULL="false" DEFAULT="0"

SEQUENCE="false"/>

</FIELDS>

<KEYS>


</KEYS>

</TABLE>

<TABLE NAME="grupa_resursa" COMMENT="Default comment for the table, please

edit me">

<FIELDS>


<FIELD NAME="tip" TYPE="char" LENGTH="50" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="id_relacije" TYPE="int" LENGTH="11" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="id_koncepta" TYPE="int" LENGTH="11" NOTNULL="false"

SEQUENCE="false"/>

</FIELDS>

<KEYS>


</KEYS>

</TABLE>

<TABLE NAME="koncept" COMMENT="Default comment for the table, please edit

me">

<FIELDS>


<FIELD NAME="sifra" TYPE="char" LENGTH="250" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="naziv" TYPE="char" LENGTH="100" NOTNULL="false"

SEQUENCE="false"/>

</FIELDS>

<KEYS>


</KEYS>

</TABLE>

<TABLE NAME="pitanja_tpl" COMMENT="Default comment for the table, please

edit me">

<FIELDS>


<FIELD NAME="uzorak_pitanja" TYPE="char" LENGTH="260" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="uzorak_odgovora" TYPE="char" LENGTH="260" NOTNULL="false"

SEQUENCE="false"/>

Prilozi

226

<FIELD NAME="bodovi_pitanja" TYPE="int" LENGTH="11" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="bloom_razina" TYPE="int" LENGTH="11" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="jezik" TYPE="char" LENGTH="24" NOTNULL="false"

SEQUENCE="false"/>

</FIELDS>

<KEYS>


</KEYS>

</TABLE>

<TABLE NAME="propozicija" COMMENT="Default comment for the table, please

edit me">

<FIELDS>


<FIELD NAME="nadkoncept_id" TYPE="int" LENGTH="11" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="relacija_id" TYPE="int" LENGTH="11" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="podkoncept_id" TYPE="int" LENGTH="11" NOTNULL="false"

SEQUENCE="false"/>


SEQUENCE="false"/>

</FIELDS>

<KEYS>


</KEYS>

</TABLE>

<TABLE NAME="relacija" COMMENT="Default comment for the table, please edit

me">

<FIELDS>


<FIELD NAME="sifra" TYPE="char" LENGTH="250" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="naziv" TYPE="char" LENGTH="100" NOTNULL="false"

SEQUENCE="false"/>

</FIELDS>

<KEYS>


</KEYS>

</TABLE>

<TABLE NAME="resurs" COMMENT="Default comment for the table, please edit

me">

<FIELDS>


<FIELD NAME="naslov" TYPE="char" LENGTH="45" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="opis" TYPE="text" NOTNULL="false" SEQUENCE="false"/>

<FIELD NAME="url" TYPE="char" LENGTH="150" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="grupa_id" TYPE="int" LENGTH="11" NOTNULL="false"

SEQUENCE="false"/>

</FIELDS>

<KEYS>


</KEYS>

</TABLE>

<TABLE NAME="log_ucenje" COMMENT="Default comment for the table, please

edit me">

<FIELDS>


Prilozi

227

<FIELD NAME="userid" TYPE="int" LENGTH="10" NOTNULL="false"

SEQUENCE="false"/>

<FIELD NAME="resursid" TYPE="int" LENGTH="10" NOTNULL="false"

SEQUENCE="false"/>


SEQUENCE="false"/>

<FIELD NAME="timestamp" TYPE="text" NOTNULL="false" SEQUENCE="false"/>

</FIELDS>

<KEYS>


</KEYS>

</TABLE>

</TABLES>

</XMLDB>

9.4. Prilog 4. - Opis sustava iz prostora istraženosti

Sustavi koje smo usporedili sa našim pristupom implementiranim sa KD&D modelom opisali

smo uz pomoć atributa: naziv, sažeti opis, područno znanje, model učenika, testiranje znanja i

prilagodljivo stjecanje znanja.

INSPIRE [73]

Opis

INSPIRE (INtelligent System for Personalized Instruction in a Remote Environment) je

sustav prilagodljive hipermedije. Cilj učenja odgovara skupu koncepata područnog znanja.

Da bi ostvario cilj, učenik mora učiti sve koncepte i pokazati njihovo poznavanje.

Pomože učenicima kod učenja „na daljinu“ tijekom studiranja konstruirajući i

predstavljajući lekcije koje odgovaraju specifičnim ciljevima učenja koji obuhvaćaju

učenikovu razinu znanja i stil učenja.

Područno znanje Područno znanje je prikazano mrežom koncepata.

Model učenika Koristi model prekrivanja. Model učenika je smješten u skladištu podataka, te predstavlja

strukturu podataka koja sadrži sve informacije koje je sustav prikupio o korisniku i prema

kojoj djeluje dijagnostički modul.

Testiranje znanja Pitanja koja su pridružena svakom konceptu.

Prilagodljivo

stjecanje znanja

Znanje i stil učenja. Prilagodljiva podrška navigaciji. Prilagodljiva prezentacija.

Xu, Wang, Su [90]

Opis

Skupina autora, Dongming Xu, Huaiqing Wang and Kaile Su, temelje svoje istraživanje na

dvije različite discipline, web-baziranim obrazovnim sustavima i modeliranju baziranom na

neizrazitoj logici. Kako bi odgovorili na zahtjeve web baziranih obrazovnih sustava, razvili

su neizrazitu spoznajnu logiku kako bi predstavili stanje učenikovog znanja, dok je nastavni

sadržaj modeliran po uzoru na okvir koncepta iz područja umjetne inteligencije.

Područno

znanje

Graf zavisnosti kojim se modelira područno znanje.

Model učenika Uz pomoć neizrazite logike prati se aktivnost učenika.

Testiranje

znanja

Uz pomoć kviza i inicijalnog testa.

Prilagodljivo

stjecanje znanja

Prilagodljivo sučelje. Sučelje sadrži materijale za učenje.

Prilozi

228

F-CBR-DHTC [92]

Opis

F-CBR-DHTC sustav je hibridni Fuzzy-DHTC sustav koji implementira dijagnostički modul

LMHTC. Obrađuje složenost dijagnoze učenikovog kognitivnog profila i opisivača profila.

Sustav potiče učenika da čita povijesni tekst i odgovara na pitanja odabirom nekog od

alternativnih odgovora. F-CBR-DHTC sustav rješava dijagnostički problem u dvije faze:

Neizrazita faza zaključivanja i Neizrazita-CBR faza zaključivanja.

Područno

znanje Reference na obrazovne resurse.

Model učenika Uz pomoć neizrazite logike.

Testiranje

znanja Uz pomoć kviza.

Prilagodljivo

stjecanje znanja Nije navedeno.

TADV [93]

Opis

TADV je računalno baziran okvir za davanje savjeta oblikovan za isporuku određene vrste

savjeta za voditelje u WBDE (engl. Web-Based Distance Education) okruženju koji je razvio

sustav za upravljanje tečajem (engl. WCMS-Web Course Management Systems). TADV

podrazumijeva tri razine savjeta koji odgovaraju : pojedinim učenicima, skupinama učenika i

cijelom razredu.

Područno

znanje

Jedinice organizirane u hijerarhijsku mrežu.

Model učenika

Uz pomoć analitike učenja (prati aktivnosti učenika), prati Profil učenika, Učenikovo

ponašanje, Učenikove preferencije i Učenikovo znanje. „Graditelj“ modela učenika (engl.

SMB – Student Model Builder) analizira informacije o učenicima i gradi individualne modele

učenika, grupne modele i modele razreda.

Testiranje

znanja

Uz pomoć kviza.

Prilagodljivo

stjecanje znanja

Generator savjeta (eng. AG - Advice Generator) koristi modele učenika, grupne modele i

modele razreda zajedno s relevantnim informacijama iz područnog ciljanog znanja, kako bi

proizveo prikladne savjete i napravio prilagodbu.

Why2-Atlas

Opis

Why2-Atlas koristi analizu sintakse i metode dokazivanja teorema kako bi preoblikovao

učenikov esej u dokaz. Dokazom se formalizira ono što je učenik rekao zajedno s

vjerovanjem što je želio reći. Učenikovo znanje se provjerava esejem. Ako sustav naiđe

nedostatke u eseju, onda se realizira dijalog kojime se nastoji otkloniti nedostajuća ili

pogrešna poimanja učenika.

Područno znanje Unaprijed pripremljeni dijalozi.

Model učenika Uz pomoć pogrešnog poimanja, kao i nedostajućih dijelova objašnjenja.

Testiranje

znanja

Esej.

Prilagodljivo

stjecanje znanja

Prilagođava se reaktivnim planiranjem na temelju eseja. Prilagođava se tijek dijaloga i

metoda poučavanja.

Prilozi

229

InterMediActor [95]

Opis

InterMediActor je sustav za oblikovanje nastave koji pruža okruženje za oblikovanje sadržaja

nastave, izradu i ponovno korištenje, kao i vrednovanje učenika. Oslanja se na koncept

kompetencija. Model korišten na platformi InterMediActor uključuje razgradnju nastavnih

ciljeva u hijerarhijsku strukturu odgovarajućih kompetencija.

Područno znanje Lekcije unaprijed određene na koje učitelj ne može djelovati.

Model učenika

Prilikom izrade navigacijskog grafa, koristi se model učenika kako bi se kategorije pridružile

kompetencijama. Proces donošenja zaključaka na temelju ocjena uključuje neke

nepreciznosti, prema tome koristi se skup neizrazitih tehnika, kao matematička teorija za

iskazivanje nepreciznosti.

Testiranje

znanja

Samo završni test.

Prilagodljivo

stjecanje znanja

Jedan od glavnih ciljeva je osigurati personaliziranu navigaciju kroz sadržaj tečaja.

Postavljena je pomoćna navigacija na platformi sustava, koja se oslanja na model

predviđanja koji prikuplja informacije iz prošlih interakcija učenika na sustavu. Navigacijski

graf, koji je izrađen za svakog pojedinog učenika se ažurira kako učenik napreduje na tečaju.

R. Stathacopoulou, G. Magoulas, M. Grigoriadou, i M. Samarakou [96]

Opis

Skupina autora predlaže implementaciju neuronske mreže za model dijagnostičkog procesa

baziranog na neizrazitoj logici, kao sredstva za postizanje precizne dijagnoze učenika i

nadogradnje modela učenika u inteligentnim okruženjima za učenje. Neuro-fuzzy sinergija

omogućuje dijagnostički model koji u određenoj mjeri imitira nastavnike u dijagnosticiranju

učenikovih osobina, te opskrbljuje inteligentno okruženje za učenje sa sposobnošću

zaključivanja i donošenja pedagoških odluka, ovisno o načinu učenja učenika. Glavna

prednost ovog pristupa je da model neizrazitim metodama dopušta stvaranje razumljivog

prikaza znanja.

Područno

znanje

Lekcija definirana unaprijed na koju učitelj ne može djelovati.

Model učenika

Koristi se neizrazite metode (neuro-fuzzy) kako bi se došlo do zaključaka o učenikovom

ponašanju u inteligentnom obrazovnom okruženju, te kako bi se stvorio i ažurirao model

uzimajući u obzir učiteljsko osobno mišljenje.

Testiranje

znanja

Ne.

Prilagodljivo

stjecanje znanja

Dijagnosticiranje ponašanja učenika na temelju učiteljeve stručnosti u svrhu prilagođavanja

pedagoških odluka svakom pojedinom učeniku.

Naomie Salim i Noreen Haron [97]

Opis

Naomie Salim i Noreen Haron (2006) su napravile okvir za individualiziranje strukture

materijala za učenje u prilagodljivim sustavima za učenje, nastojeći iskoristiti svojstva učenja

i pružiti personalizirano okruženje za učenje koje iskorištava pedagoške modele i tehnike

fuzzy logike. Materijal za učenje sadržava četiri strukture: teoriju, primjere, vježbe i

aktivnosti. Pedagoški model i svojstva učenja su bazirani na učenikovom faktoru osobnosti

(eng. Myers-Briggs Type Indicator ), dok se tehnike fuzzy modela koriste za klasificiranje

struktura materijala za učenje koji se temelje na učenikovom faktoru osobnosti.

Područno

znanje

Lekcija definirana unaprijed na koju učitelj ne može djelovati.

Model učenika Ne.

Testiranje

znanja

Da, upitnici prije tečaja.

Prilagodljivo

stjecanje znanja

Personalizacija upućuje na strukture materijala za učenje (teorija, primjeri, vježbe i

aktivnosti) koji odgovaraju učenikovoj osobnosti, uzimajući u obzir najviše preferirane

materijale za učenje i najmanje preferirane.

Prilozi

230

Multitutor [94]

Opis

Web tutor namijenjen za obavještavanje učenika u području radio-komunikacije. Prva verzija

tutora aktivno se koristi u nastavi od 2001 godine. Pozitivna iskustva učitelja i učenika s

prvom verzijom sustava motivirala su tvorca da izradi novu verziju, koja će omogućiti

učenicima komunikaciju sa sustavom putem standardnih web preglednika. Cijeli sustav je

implementiran u Javi. Kolegij je združena struktura koja sadrži materijale za učenje, popis

literature i sadržaj za procjenu.

Materijal za učenje je strukturiran po predmetima učenja,odnosno poglavljima i lekcijama.

Svaki kolegij je podijeljen na poglavlja. Svako poglavlje je podijeljeno na lekcije. Lekcija je

osnovna jedinica za učenje. Predmet učenja opisuje jedan koncept oblasti. Koncept se odnosi

na obrazloženje jednog ili više skupova ispita i sadržaja učenja.

Područno

znanje

Hipermedijski materijali za učenje, popis literature. Lekcija je osnovna jedinica za učenje.

Model učenika Ne.

Testiranje

znanja

Da, na kraju lekcije.

Prilagodljivo

stjecanje znanja

Da, prilagodljivost na osnovu znanja učenika.

ADAPTAPlan [98]

Opis

Projekt ADAPTAPlan pruža dinamičnu pomoć za smanjenje napora autora u razvoju

zadataka oblikovanja nastave, koji su uključeni u predloške oblikovanja nastave s obzirom na

korisničko modeliranje, planiranje i tehniku strojnog učenja. Cilj je smanjiti napor kod

oblikovanja. Trenutne obrazovne specifikacije pretpostavljaju idealan scenarij oblikovanja,

gdje se može upravljati svim elementima za vrijeme oblikovanja. Ipak, različiti problemi čine

nemogućim oblikovanje svih mogućih situacija: učenikova izvedba, sinkronizacija i vrijeme

problema, razvoj učenikovih potreba i sklonosti, pedagoški zahtjevi u vremenu izvođenja

prilagodbe i dinamičko modeliranje. Pristup ADAPTAPlan se oslanja na korištenje

obrazovnih specifikacija (IMS Family) i standarda (IEEE-LOM), uključujući korisničke

preferencije i probleme pristupa (Personal Needs and Preferences-ISO PnP), te digitalni opis

izvora (DRD). Područno

znanje

Lekcija unaprijed definirana.

Model učenika Ustrojstvo za planiranje (eng. Planning engine) kao ulaz uzima informacije dobivene od

autora i zatim se dinamički gradi model korisnika od učenikovih interakcija za generiranje

personalizirane jedinice za učenje (eng. UoL-Unit of Learnig).

Testiranje

znanja

Ne.

Prilagodljivo

stjecanje znanja

Tri korisničke karakteristike koje se razmatraju u projektu ADAPTAPlan za stvaranje

prilagodbe su Felderovi stilovi učenja, razina znanja temeljena na Bloomovoj taksonomiji i

razina suradničke kompetencije.

Prilozi

231

ADOPTA [74]

Opis

ADOPTA (ADaptive technOlogy‐enhanced Platform for eduTAinment) je okruženje za

generiranje prilagodljivog računalom oblikovanog nastavnog sadržaja. Autori su oblikovani

nastavni sadržaj nazivali priča (eng. storyboard). Učitelj smješta objekte učenja na stranice

priče. Prilikom isporuke računalom oblikovanog nastavnog sadržaja koristi se prilagodljiva

podrška navigaciji, stil učenja i znanje učenika.

Područno

znanje Sadržaj za učenje se granulira u objekte učenja koji mogu biti opisi ili pitanja.

Model učenika Model učenika sadrži ciljeve, stil učenja i učenikovo znanje.

Testiranje

znanja

Automatsko generiranje pitanja za koje učitelj postavljala postavlja granicu za uspješno

savladavanje sadržaja.

Prilagodljivo

stjecanje znanja Sustav se prilagođava znanju i stilu učenja. Element prilagođavanja je objekt učenja.

CoLaB Tutor [72]

Opis Zamisao CoLab Tutor-a se temelji na tradicionalnoj arhitekturi, ali s bitnim poboljšanjem

koje je povezano s generiranjem i prepoznavanjem kontroliranog jezika. S tim u vezi,

komunikacija znanjem s učenikom je ostvarena kontroliranim jezikom i vođena od strane

strojeva s konačnim brojem stanja. Temeljno znanje CoLaB Tutor-a (znanje stručnjaka) je

ontološki opisano i nad njim se zasnivaju znanja učitelja i znanje učenika.

Područno

znanje

Grupiranje koncepata područnog znanja u objekte nastavnog sadržaja.

Model učenika Metodom preklapanja temeljenoj na strukturi ontologije, odnosno učenik može pogrešno

poimati koncepte područnog znanja ili ih uopće ne poznavati.

Testiranje

znanja

Dijalogom jednostrane inicijative i ostvaruje se unutar tutorskog okvira.

Prilagodljivo

stjecanje znanja

Ne.

AcWare Tutor [71]

Opis

AC‐ware Tutor uvodi funkcionalnosti koje su povezane s prilagođavanjem procesa učenja,

poučavanja i testiranja aktualnoj razini znanja učenika. S tim u vezi, prilagođavanje znanju

učenika je ostvareno primjenom stereotipova, Bayesovih mreža predikcije znanja i

Bloomove taksonomije znanja.

Područno znanje Mapa koncepata.

Model učenika Primjenom stereotipova, Bayesovih mreža predikcije znanja i Bloomove taksonomije

znanja.

Testiranje znanja Definirane četiri težinske kategorije pitanja unutar kviza.

Prilagodljivo

stjecanje znanja

Prilagodljivi courseware. Prilagođavanje na osnovu aktualne razine znanju učenika.

Životopis

232

10. Životopis

Tomislav Volarić

Tomislav Volarić, rođen 16. listopada 1985. u Ljubljani. Nakon završene osnovne škole

pohađao je opću gimnazija „fra Slavka Barbarića“ u Čitluku. Godine 2004. završio je srednju

školu s izvrsnim uspjehom gdje je bio oslobođen polaganja mature. Iste godine upisuje studij

Računarstva na odjelu za elektrotehniku i računarstvo Sveučilišta u Dubrovniku. 2007. godine

postaje inženjer računarstva (univ. bacc. ing. comp.) da bi 2010. godine postao magistar

inženjer računarstva (mag. ing. comp.). Tijekom studija imao je stipendiju od Ministarstva

obrazovanja Republike Hrvatske. Magistrirao je odličnim uspjehom kod mentora prof.dr.sc.

Vlatka Lipovca.

Od 2008. do 2009. godine radi u tvrtki Libertina u Dubrovniku kao informatičar na

održavanju informacijskih sustava, obavlja dužnosti podrške za računalnu sklopovsku opremu

kao i web programiranje. 2008. godine završio je Cisco tečaj iz područja mreža (CCNA).

Nakon magistriranja, u listopadu 2010. godine se zaposlio na Fakultetu prirodoslovno-

matematičkih i odgojnih znanosti Sveučilišta u Mostaru kao vanjski suradnik i u isto vrijeme

postaje profesor informatike u srednjoj školi fra Slavka Barbarića u Čitluku do listopada

2012. godine.

2010. godine upisuje poslijediplomski doktorski studij Elektrotehnike i informacijske

tehnologije na fakultetu elektrotehnike, strojarstva i brodogradnje Sveučilišta u Splitu.

U srpnju 2011. godine izabran je u znanstveno zvanje asistent kao i viši asistent lipnju 2015.

godine. Angažiran je u nastavi kao asistent je na predmetima Računalne mreže, Uvod u

Računarstvo, Programsko inženjerstvo, Projektiranje sustava e-učenja, Sustavi e-učenja,

Metodika nastave informatike s praksom, Računalni praktikum 1 i Računalni praktikum 2 na

Fakultetu prirodoslovno-matematičkih i odgojnih znanosti Sveučilišta u Mostaru.

Od rujna 2013. imenovan je kao koordinator za upravljanje i unapređenje kvalitete Fakulteta

prirodoslovno-matematičkih i odgojnih znanosti Sveučilišta u Mostaru. Od listopada 2014.

godine obavlja funkciju tajnika odjela informatika i tehnika na istom fakultetu. U rujnu 2014.

godine postaje član odbora za upravljanje i unapređenje kvalitete na Sveučilištu u Mostaru.

Obavlja funkciju stručnog savjetnika od rujna 2014. u Hercegbosanskoj županij za predmet

Tehnička kultura. Od prosinca 2016. godine pomoćnik je dekana Fakulteta prirodoslovno-

matematičkih i odgojnih znanosti Sveučilišta u Mostaru.

Učestvovao je u sklopu Tempus projekta Quality in Research-517097 i odlazi na doktorsko

usavršavanje u Finsku na Sveučilište Vaasa od 12.05. - 26.05.2014. gdje predstavlja svoje

istraživanje na disertaciji.

Tomislav Volarić angažiran je i na međunarodnom projektu Adaptive Courseware based on

Natural Language Processing (AC & NL Tutor), financiran od ureda Američke mornarice

(Office of Naval Research) od 1. srpnja 2015. do 1. srpnja 2018.

Od 2012. godine član je udruge ACM i IEEE.

Od 2010. godine objavio je 10 znanstvenih radova s međunarodnom recenzijom od čega

jedno poglavlje knjige s međunarodnom recenzijom i 5 radova na međunarodnim

konferencijama. Sudjelovao je u organizacijskom odboru 2 međunarodne znanstvene

konferencije – PON (Pedagogija, obrazovanje i nastava, FPMOZ, Mostar) gdje je bio i

moderator.

Oženjen je i otac jedne djevojčice. Aktivno govori i piše engleski jezik.

Životopis

233

Curriculum Vitae

Tomislav Volarić

Tomislav Volaric, born on October 16th 1985. in Ljubljana. After finishing primary school he

attended High School Dr. Fr. Slavko Barbaric in Citluk. In 2004 he graduated high school

with an excellent accomplishment which made him to be freed from taking the final

highschool exam. In the same year he enrolled the college of computing on the department for

electrical engineering and computing at The University of Dubrovnik. In 2007 he became the

engineer of computing (univ. bacc. ing. comp.) and in 2010 he became the master engineer of

computing (mag. ing. comp.). During the time of studying he was receiving the scholarship

from Ministry of Education of Republic of Croatia. He achieved the master`s degree with an

excellent accomplishment under the mentoring of professor Vlatko Lipovac.

From 2008 to 2009 he works in a company Libertina in Dubrovnik as computer technician on

maintaining the informational system, carrying out hardware as well as web programming. In

2008 he finished Cisco course in area of net service (CCNA).

After achieving master`s degree, in October 2010 he became the external teaching assistant on

the Faculty of Science and Education at the University of Mostar. At the same time he became

the IT teacher in High School Dr. Fr Slavko Barbaric in Citluk carrying out that job till

October 2012.

In 2010 he enrolls postgraduate study programmes Electrical Engineering & Information

Technology at Faculty of Electrical Engineering, Mechanical Engineering and Naval

Architecture of University of Split.

2011 he was elected in scientific vocation teaching assistant, later higher teaching assistant in

2015. He was carrying out the work of teaching assistant on the subjects: Computer networks,

Introduction into computing, Programming, Design of e-learning system, Methods of IT

teaching with the practice work, Computing practicum 1, Computing practicum 2 at the

Faculty of Science and Education at the University of Mostar.

Since September 2013 he was named the coordinator for managing and improvement of

quality of Faculty of Science and Education at the University of Mostar.

In October 2014 he was carrying out the function of secretary of informatics and technology

department at the same Faculty. In September 2014 he became the member of council for

managing and improvement of quality of University of Mostar.

He has been carrying out the function of professional adviser for the subject Technical culture

in Herzeg -Bosnian County since November 2014. Since December 2016. he has been the

assistant of the Dean of Faculty of Science and Education at the University of Mostar

He participated in a set Tempus of the project Quality in Research-517097. He went on a

doctorate improvement in Finland at University of Vaasa at the period of 12 May to 26 May

2014. where he represented his research on a dissertation.

Tomislav Volaric is also engaged into international project Adaptive Course ware based on

Natural Language Processing (AC & NL Tutor), financed by the office for American

Navy (Office of Naval Research) since 1 July 2015 till 1 July 2018.

Since 2012 he is the member of respectable association ACM and IEEE.

Since 2010 he has published 10 scientific works with international recession: one chapter of a

book with international recession and expounded 5 works on international conferences. He

participated in organizational council of two international scientific conferences – PON

(Pedagogy, education and teaching, FPMOZ, Mostar) where he was also the moderator.

He is married, father of a little girl. He actively speaks and writes English language.