Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
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 "
............................................................................................................................................................. 114 SLIKA 4.24 PRIMJER PITANJA GENERIRANOG IZ PREDLOŠKA 4 ZA PODRUČNO ZNANJE " ZNANJE O UČENJU I SUSTAVIMA E-UČENJA "
............................................................................................................................................................. 115 SLIKA 4.25 PRIMJER PITANJA GENERIRANOG IZ PREDLOŠKA 5 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 4.28 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.
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
sustavu za upravljanje učenjem
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).
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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).
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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).
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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].
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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 3 (t3) Razumijevanje (i2) Stereotip_R (s2)
Predložak 4 (t4) 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.
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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:
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
30
Slika 2.6 Grafička interpretacija višekriterijskog matematičkog modela
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Zamisao modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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].
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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].
Teorijski okvir KD&D modela i stanje istraženosti područja
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
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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
Teorijski okvir KD&D modela i stanje istraženosti područja
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]
Teorijski okvir KD&D modela i stanje istraženosti područja
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).
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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)
Teorijski okvir KD&D modela i stanje istraženosti područja
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
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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 )
Teorijski okvir KD&D modela i stanje istraženosti područja
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
Teorijski okvir KD&D modela i stanje istraženosti područja
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).
Teorijski okvir KD&D modela i stanje istraženosti područja
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).
Teorijski okvir KD&D modela i stanje istraženosti područja
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]
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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].
Teorijski okvir KD&D modela i stanje istraženosti područja
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]
Teorijski okvir KD&D modela i stanje istraženosti područja
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
Teorijski okvir KD&D modela i stanje istraženosti područja
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
Teorijski okvir KD&D modela i stanje istraženosti područja
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
Teorijski okvir KD&D modela i stanje istraženosti područja
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,
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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
Teorijski okvir KD&D modela i stanje istraženosti područja
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.
Teorijski okvir KD&D modela i stanje istraženosti područja
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
Teorijski okvir KD&D modela i stanje istraženosti područja
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
sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
82
Slika 4.2 Dinamika procesa učenja i poučavanja unutar KD&D modela
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
91
Slika 4.7 Mapa koncepata i relacija unutar CmapTools okruženja
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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"?> <!-- (i)definira vrstu XML
dokumenta -->
<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> <!-- (ii)sadrži informacije o mapi kao što su
naslov, opis i autor -->
<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"> <!-- (iii) rezerviran za popis
koncepata i veza između njih -->
<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> <!-- (iv)brine se za izgled mape
-->
<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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
97
Slika 4.9 Dijagram toka pretvaranja CXL datoteke u relacijski model baze podataka (Algoritam 11)
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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/"
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#">
<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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.).
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
103
Slika 4.15 Mape koncepata za učenje unutar CM Tutor okruženja
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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:
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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":
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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":
Slika 4.23 Primjer pitanja generiranog iz predloška 3 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.
Formalizam predloška:
#pk je povezan sa #nk po tome što?
#pk – podkoncept; #nk – nadkoncept
Primjer pitanja za područno znanje "Znanje o učenju i sustavima e-učenja"
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
115
Slika 4.24 Primjer pitanja generiranog iz predloška 4 za područno znanje " Znanje o učenju i sustavima e-učenja "
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.
Formalizam predloška:
Što sve #nk #r ?
#nk – nadkoncept; #r – relacija
Primjer pitanja za područno znanje "Znanje o učenju i sustavima e-učenja":
Slika 4.25 Primjer pitanja generiranog iz predloška 5 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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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:
Slika 4.28 Primjer pitanja generiranog iz predloška 7 za područno znanje " Znanje o učenju i sustavima e-učenja "
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.).
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
128
∑ ∑ 𝑀𝑔𝑖𝑗𝑚
𝑗=1𝑛𝑖=1 =
[ 𝑚𝑔𝑗
1
𝑚𝑔𝑗2
𝑚𝑔𝑗3
𝑚𝑔𝑗4
𝑚𝑔𝑗5]
=
[ ∑ 𝐴1𝑗𝑛𝑗=1
∑ 𝐴2𝑗𝑛𝑗=1
∑ 𝐴3𝑗𝑛𝑗=1
∑ 𝐴4𝑗𝑛𝑗=1
∑ 𝐴5𝑗𝑛𝑗=1 ]
=
[ ∑ 𝑙1𝑗 ,𝑛𝑗=1 ∑ 𝑚1𝑗 ,
𝑛𝑗=1 ∑ 𝑢1𝑗
𝑛𝑗=1
∑ 𝑙2𝑗,𝑛𝑗=1 ∑ 𝑚2𝑗 ,
𝑛𝑗=1 ∑ 𝑢2𝑗
𝑛𝑗=1
∑ 𝑙3𝑗,𝑛𝑗=1 ∑ 𝑚3𝑗 ,
𝑛𝑗=1 ∑ 𝑢3𝑗
𝑛𝑗=1
∑ 𝑙4𝑗,𝑛𝑗=1 ∑ 𝑚4𝑗 ,
𝑛𝑗=1 ∑ 𝑢4𝑗
𝑛𝑗=1
∑ 𝑙5𝑗,𝑛𝑗=1 ∑ 𝑚5𝑗 ,
𝑛𝑗=1 ∑ 𝑢5𝑗
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 ∑ 𝑢1𝑗
𝑛𝑗=1
∑ 𝑙2𝑗 ,𝑛𝑗=1 ∑ 𝑚2𝑗,
𝑛𝑗=1 ∑ 𝑢2𝑗
𝑛𝑗=1
∑ 𝑙3𝑗 ,𝑛𝑗=1 ∑ 𝑚3𝑗,
𝑛𝑗=1 ∑ 𝑢3𝑗
𝑛𝑗=1
∑ 𝑙4𝑗 ,𝑛𝑗=1 ∑ 𝑚4𝑗,
𝑛𝑗=1 ∑ 𝑢4𝑗
𝑛𝑗=1
∑ 𝑙5𝑗 ,𝑛𝑗=1 ∑ 𝑚5𝑗,
𝑛𝑗=1 ∑ 𝑢5𝑗
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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)
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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)
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke 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.).
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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"
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
147
Slika 4.36 Prikaz svih prolaza testiranja za Test učenika u okruženju CM Tutora
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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“.
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
151
Slika 4.37 Prikaz svih aktivnosti napravljenih uz pomoć CM Tutor-a na Moodle kolegiju
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
152
Slika 4.38 Analitika učenja na zahtjev učitelja za svakog učenika
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
153
Slika 4.39 CSV datoteka s zapisom traga učenika
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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.)
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
Opis modela oblikovanja i isporuke znanja u inteligentnom sustavu za upravljanje učenjem
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
upravljanje učenjem.
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.
Arhitektura prototipa programskog rješenja KD&D modela
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.
Arhitektura prototipa programskog rješenja KD&D modela
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>
Arhitektura prototipa programskog rješenja KD&D modela
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.
Arhitektura prototipa programskog rješenja KD&D modela
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.
Arhitektura prototipa programskog rješenja KD&D modela
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
Arhitektura prototipa programskog rješenja KD&D modela
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).
Arhitektura prototipa programskog rješenja KD&D modela
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.
Arhitektura prototipa programskog rješenja KD&D modela
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
Arhitektura prototipa programskog rješenja KD&D modela
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.:
Arhitektura prototipa programskog rješenja KD&D modela
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“.
Arhitektura prototipa programskog rješenja KD&D modela
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).
Arhitektura prototipa programskog rješenja KD&D modela
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.
Arhitektura prototipa programskog rješenja KD&D modela
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).
Arhitektura prototipa programskog rješenja KD&D modela
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.
Arhitektura prototipa programskog rješenja KD&D modela
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
Arhitektura prototipa programskog rješenja KD&D modela
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.
Arhitektura prototipa programskog rješenja KD&D modela
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.
Arhitektura prototipa programskog rješenja KD&D modela
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
Primjena KD&D modela (prototipno eksperimentalno istraživanje)
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.
Primjena KD&D modela (prototipno eksperimentalno istraživanje)
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.
Primjena KD&D modela (prototipno eksperimentalno istraživanje)
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
Primjena KD&D modela (prototipno eksperimentalno istraživanje)
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.
Primjena KD&D modela (prototipno eksperimentalno istraživanje)
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.
Primjena KD&D modela (prototipno eksperimentalno istraživanje)
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.
Primjena KD&D modela (prototipno eksperimentalno istraživanje)
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 2 Stereotip_S 0 41 0 272 00:50:24 100.00%
Student 3 Stereotip_S 0 41 17 272 01:09:48 100.00%
Student 4 Stereotip_S 0 41 2 273 00:57:20 100.00%
Student 5 Stereotip_V 0 41 35 261 00:58:00 100.00%
Student 6 Stereotip_S 0 41 0 272 00:52:56 100.00%
Student 7 Stereotip_S 0 41 0 272 01:29:34 100.00%
Student 8 Stereotip_S 0 41 44 211 00:48:15 100.00%
Student 9 Stereotip_V 1 41 3 255 01:27:40 100.00%
Student 10 Stereotip_S 2 41 11 277 00:57:08 100.00%
Student 11 Stereotip_S 3 41 4 271 00:36:32 100.00%
Student 12 Stereotip_S 0 40 20 259 00:59:09 98.53%
Student 13 Stereotip_S 0 40 21 266 01:12:54 98.53%
Student 14 Stereotip_S 0 40 1 265 00:52:08 98.53%
Student 15 Stereotip_V 0 40 12 254 00:52:08 97.06%
Student 16 Stereotip_S 0 40 2 265 00:57:11 98.53%
Student 17 Stereotip_V 0 40 15 250 01:19:49 98.53%
Student 18 Stereotip_S 0 40 1 265 00:27:12 100.00%
Student 19 Stereotip_S 1 40 6 231 01:11:23 97.06%
Student 20 Stereotip_S 2 40 3 265 01:19:53 97.06%
Student 21 Stereotip_S 5 40 7 257 00:55:05 98.53%
Student 22 Stereotip_S 5 40 7 267 01:02:32 97.06%
Student 23 Stereotip_V 0 39 56 243 00:34:12 98.53%
Student 24 Stereotip_S 0 39 7 243 00:54:14 95.59%
Student 25 Stereotip_S 0 39 14 225 00:45:06 98.53%
Student 26 Stereotip_V 0 39 53 258 00:56:33 95.59%
Student 27 Stereotip_S 0 39 19 264 01:30:56 97.06%
Student 28 Stereotip_A 3 39 55 205 00:52:25 97.06%
Student 29 Stereotip_V 2 38 22 231 00:57:03 94.12%
Student 30 Stereotip_Z 8 38 56 159 00:27:48 95.59%
Student 31 Stereotip_S 0 37 7 244 01:55:13 92.65%
Student 32 Stereotip_V 5 37 20 208 00:38:38 95.59%
Student 33 Stereotip_Z 18 37 200 175 00:59:17 92.65%
Student 34 Stereotip_V 1 36 27 228 02:05:49 91.18%
Student 35 Stereotip_S 3 36 10 237 01:01:33 92.65%
Student 36 Stereotip_V 16 36 43 208 02:10:44 92.65%
Student 37 Stereotip_V 6 30 49 175 05:06:09 82.35%
Student 38 Stereotip_V 27 26 38 160 01:04:52 75.00%
Student 39 Stereotip_Z 34 21 65 109 01:20:14 64.71%
Student 40 Stereotip_Z 11 4 50 19 00:31:19 14.71%
Primjena KD&D modela (prototipno eksperimentalno istraživanje)
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.
Primjena KD&D modela (prototipno eksperimentalno istraživanje)
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
Primjena KD&D modela (prototipno eksperimentalno istraživanje)
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.).
Primjena KD&D modela (prototipno eksperimentalno istraživanje)
187
Slika 6.4 Anketa zadovoljstva - pitanje br. 3
Slika 6.5 Anketa zadovoljstva - pitanje br. 5
Slika 6.6 Anketa zadovoljstva - pitanje br. 8
Primjena KD&D modela (prototipno eksperimentalno istraživanje)
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
upravljanje učenjem.
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/"
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_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-
comment="" long-comment=""/>
<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-
comment="" long-comment=""/>
<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-
comment="" long-comment=""/>
<concept id="1PDF73JT1-1TWSZH-HB" label="Tradicionalno učenje u
učionici"/>
<concept id="1PD47HY8D-1THM68Y-R9" label="Formalno učenje"
short-comment="" long-comment=""/>
<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"
short-comment="" long-comment=""/>
<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"
short-comment="" long-comment=""/>
<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-
type="text-and-image">
<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-
type="text-and-image">
<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-
url" resource-server-id="1PHRZMMFJ-4GZS9F-1" resource-folder-id="1PHRZMVBD-
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-
type="text-and-image">
<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-
type="text-and-image">
<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-
type="text-and-image">
<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-
type="text-and-image">
<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-
mimetype="text/x-url" resource-server-id="1PHRZMMFJ-4GZS9F-1" 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-
type="text-and-image">
<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"
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 parent-id="1PD473CJH-2BS89KZ-JY" group-
type="text-and-image">
<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"
resource-server-id="1PHRZMMFJ-4GZS9F-1" resource-folder-id="1PHRZMVBD-
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-
type="text-and-image">
<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"
resource-mimetype="text/x-url" resource-server-
id="1PHRZMMFJ-4GZS9F-1" resource-folder-id="1PHRZMVBD-1X7XCQ0-Z" resource-
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-
type="text-and-image">
<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-
url" resource-server-id="1PHRZMMFJ-4GZS9F-1" resource-folder-id="1PHRZMVBD-
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-
type="text-and-image">
<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"
resource-mimetype="text/x-url" resource-server-
id="1PHRZMMFJ-4GZS9F-1" resource-folder-id="1PHRZMVBD-1X7XCQ0-Z" resource-
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-
type="text-and-image">
<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-
mimetype="text/x-url"
resource-server-id="1PHRZMMFJ-4GZS9F-1" 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-
type="text-and-image">
<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
mimetype="text/x-url" resource-server-id="1PHRZMMFJ-4GZS9F-1" resource-
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-
type="text-and-image">
<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-
mimetype="text/x-url"
resource-server-id="1PHRZMMFJ-4GZS9F-1" 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-
type="text-and-image">
<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"
resource-server-id="1PHRZMMFJ-4GZS9F-1" resource-folder-id="1PHRZMVBD-
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"
width="87" height="39" font-style="plain" border-color="0,0,255,255"/>
<concept-appearance id="1PD47JSC0-QF2VZS-SP" x="251" y="539"
width="130" height="42"/>
<concept-appearance id="1PD4RXW0N-1FM191R-38S" x="707" y="34"
width="86" height="42" font-style="plain" border-color="0,0,255,255"/>
<concept-appearance id="1PDF8T6QM-159G5HX-VD" x="704" y="760"
width="114" height="28"/>
<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"
width="114" height="42" font-style="plain" border-color="0,0,255,255"/>
<concept-appearance id="1PD4PZG06-1521WX9-2WJ" x="445" y="338"
width="102" height="28"/>
<concept-appearance id="1PDB8GNM8-51F7K9-SD" x="304" y="369"
width="103" height="42"/>
<concept-appearance id="1PFRGGQ0X-PBX8B0-RM" x="526" y="206"
width="65" height="25" font-style="plain" border-color="0,0,255,255"/>
<concept-appearance id="1PDF8TL06-2C5PX9Y-W1" x="809" y="865"
width="120" height="28"/>
<concept-appearance id="1PDTF2GSC-1Z1G0FJ-11F" x="1292" y="582"
width="335" height="28"/>
<concept-appearance id="1PD4BD6M5-3T9ZJC-ZS" x="159" y="337"
width="91" height="28"/>
<concept-appearance id="1PDTF4DSV-22LKN6T-149" x="1248" y="641"
width="169" height="28"/>
<concept-appearance id="1PDTF0H4R-23XTDSQ-Y9" x="1283" y="494"
width="351" height="28"/>
Prilozi
219
<concept-appearance id="1PGGYZP5Q-2LMB56-PL" x="1077" y="338"
width="98" height="28" font-style="plain" border-color="0,0,255,255"/>
<concept-appearance id="1PDTG2698-1SGVKTJ-1QJ" x="1310" y="774"
width="149" height="25"/>
<concept-appearance id="1PD47DJ4K-1H8TYK1-PQ" x="891" y="150"
width="152" height="42"/>
<concept-appearance id="1PGGZ00SM-26P36BX-Q6" x="1109" y="379"
width="109" height="25" font-style="plain" border-color="0,0,255,255"/>
<concept-appearance id="1PGGYZBDY-1FX0S90-P4" x="969" y="364"
width="74" height="25" font-style="plain" border-color="0,0,255,255"/>
<concept-appearance id="1PDTF1RW4-27KYSP0-107" x="1234" y="536"
width="207" height="28"/>
<concept-appearance id="1PDNMS3K9-24M2GQG-FR" x="968" y="835"
width="191" height="28"/>
<concept-appearance id="1PDB8G8TK-1BG6RP8-RM" x="257" y="439"
width="122" height="28"/>
<concept-appearance id="1PDMDPQKF-14Y43C9-S2" x="563" y="692"
width="111" height="42" font-style="plain" border-color="0,0,255,255"/>
<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"
width="258" height="28"/>
<concept-appearance id="1PDMCZ0VZ-N4RCG1-G7" x="333" y="665"
width="98" height="28"/>
<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"
width="201" height="42"/>
<concept-appearance id="1PD47HY8D-1THM68Y-R9" x="79" y="446"
width="116" height="42"/>
<concept-appearance id="1PDTG0TBR-1XVSPX4-1N1" x="1255" y="736"
width="56" height="26"/>
<concept-appearance id="1PDTG0FF8-MH6M7J-1MF" x="1234" y="697"
width="54" height="28"/>
<concept-appearance id="1PGGZ083C-418XX-QV" x="1185" y="419"
width="198" height="28" font-style="plain" border-color="0,0,255,255"/>
<concept-appearance id="1PD47J7V4-GPPGM5-RZ" x="147" y="499"
width="126" height="42"/>
<concept-appearance id="1PDF7472Z-23VMQKX-JY" x="380" y="506"
width="115" height="42"/>
<concept-appearance id="1PF0HZ0CN-RN4G7T-HR" x="666" y="627"
width="160" height="28" font-style="plain" border-color="0,0,255,255"/>
<concept-appearance id="1PFRGL7K6-YSX7R7-WZ" x="872" y="425"
width="116" height="28" font-style="plain" border-color="0,0,255,255"/>
<concept-appearance id="1PD4R8DWN-26LFJMC-336" x="756" y="494"
width="203" height="42" font-style="plain" border-color="0,0,255,255"/>
</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-
pos="center" to-pos="bottom" arrowhead="yes"/>
<connection-appearance id="1PDMDVKRF-25QRXXK-VS" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1Q5KQ1RQL-226KCSC-TF" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PD4Q02PZ-P0TG0D-2XC" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PFRGR9GX-2YSR85-105" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PD4R65HQ-S1RG4J-31Y" from-
pos="bottom" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PFRGWFJ4-1LN7WMN-13H" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDBBMFZG-1K4MCR5-18S" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDMDRFXW-DRF52C-T0" from-pos="left"
to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDMDW38L-1T779M6-WQ" from-
pos="bottom" to-pos="center" arrowhead="yes"/>
<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-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDB92J7N-11976WK-107" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDBBMFZG-13L1KLR-18Y" from-
pos="center" to-pos="top" arrowhead="yes"/>
<connection-appearance id="1PDB92J7N-1HJFM7F-10D" from-
pos="bottom" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDMDVKRF-1S1ZYP4-VY" from-
pos="center" to-pos="left" arrowhead="yes"/>
<connection-appearance id="1PD4PF905-11DMH2Y-2TR" from-
pos="bottom" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PD4P6KRM-TC6WC2-2QR" from-
pos="bottom" to-pos="top" arrowhead="yes"/>
<connection-appearance id="1PGGZ54T1-1Q0G8XF-VQ" from-
pos="center" to-pos="left" arrowhead="yes"/>
<connection-appearance id="1PGGZ41SD-TRMNV2-T7" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PGGZ5DFR-J7C107-W3" from-
pos="center" to-pos="left" arrowhead="yes"/>
<connection-appearance id="1PD4P61L6-RYTL2S-2PV" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDMF14QX-WWS5LX-Y5" from-
pos="center" to-pos="top-right" arrowhead="yes"/>
<connection-appearance id="1PD4P6KRM-1V6YNLX-2QL" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDTF8FWF-20GC5J9-17Z" from-
pos="center" to-pos="left" arrowhead="yes"/>
<connection-appearance id="1PDNMWQL9-RF98T6-JK" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDF8JYSG-7CPNQ6-PB" from-
pos="bottom" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDTG5YQ1-2CBBDLB-1WD" from-
pos="center" to-pos="left" arrowhead="yes"/>
<connection-appearance id="1Q5KQ857F-26T5YBM-1GR" from-
pos="center" to-pos="top" arrowhead="yes"/>
<connection-appearance id="1PD4PG51G-25BKNCW-2VG" from-
pos="bottom" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PD4R65HQ-14DF9CP-31S" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDTF68H6-N7W2QB-15Y" from-
pos="center" to-pos="left" arrowhead="yes"/>
<connection-appearance id="1PF7DQJMC-1F8X1QZ-1KC" from-
pos="center" to-pos="left" arrowhead="yes"/>
<connection-appearance id="1PGGZ7577-8RGSH-XS" from-
pos="center" to-pos="left" arrowhead="yes"/>
<connection-appearance id="1PFRGNF0M-1TCY1JT-Y4" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PD4P61L6-1YFWJZL-2Q1" from-
pos="bottom" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDMF14QX-CYGT2F-XZ" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDF8GXNS-2986SRH-MH" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDMDTN9N-P0J75R-V9" from-pos="top"
to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDTG5V9D-C96Q4Q-1W0" from-
pos="center" to-pos="left" arrowhead="yes"/>
Prilozi
222
<connection-appearance id="1PDTG5CT9-1G9001T-1V5" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PFRGR9GX-16Q5RW1-10C" from-
pos="center" to-pos="bottom" arrowhead="yes"/>
<connection-appearance id="1PDMF22HB-2DBJPH0-Z1" from-
pos="center" to-pos="top" arrowhead="yes"/>
<connection-appearance id="1PGGZ5MCZ-QMB8KC-WJ" from-
pos="center" to-pos="left" arrowhead="yes"/>
<connection-appearance id="1PDMCZRJ8-192BZHL-JH" from-
pos="bottom" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PFRGHBFP-243DDH4-W3" from-
pos="bottom-right" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDMCZRJ8-CR1H5C-J9" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDTF8TXT-1NXTWY7-18F" from-
pos="center" to-pos="left" arrowhead="yes"/>
<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-
pos="bottom" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDNMWQLM-2DXB02X-JR" from-
pos="center" to-pos="bottom" arrowhead="yes"/>
<connection-appearance id="1PF0J4PP7-G7NLGF-VK" from-
pos="center" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1Q5KQ1RQL-BY3NW8-TL" from-
pos="center" to-pos="top" arrowhead="yes"/>
<connection-appearance id="1PDTG5CT9-YDHJYB-1VB" from-
pos="center" to-pos="left" arrowhead="yes"/>
<connection-appearance id="1PD4Q02Q9-QNJ7NC-2XK" from-
pos="bottom" to-pos="center" arrowhead="yes"/>
<connection-appearance id="1PDNMXX5X-CVF0KJ-KL" from-
pos="center" to-pos="center" arrowhead="yes"/>
</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">
<property key="_urlString"
value="file:///C:/Users/Tomislav/Documents/My Cmaps/Tradicionalno
ucenje.url"/>
</properties-list>
<properties-list id="1Q5LJ9J58-NF5BH0-3H5">
<property key="_urlString"
value="file:///C:/Users/Tomislav/Documents/My Cmaps/Hibridno ucenje.url"/>
</properties-list>
<properties-list id="1Q5LG8BH8-245NV64-30C">
<property key="_urlString"
value="file:///C:/Users/Tomislav/Documents/My Cmaps/Formalno učenje.url"/>
</properties-list>
<properties-list id="1Q5LCL832-3TMHGK-2DY">
<property key="_urlString"
value="file:///C:/Users/Tomislav/Documents/My Cmaps/Obrazovanje.url"/>
</properties-list>
<properties-list id="1Q5L6MF9B-YB3SVN-1H6">
<property key="_urlString"
value="file:///C:/Users/Tomislav/Documents/My Cmaps/Tehnologija.url"/>
</properties-list>
<properties-list id="1Q5LJP8VY-RSSLHC-3KV">
<property key="_urlString"
value="file:///C:/Users/Tomislav/Documents/My Cmaps/Courseware.url"/>
</properties-list>
<properties-list id="1Q5LC60LP-2B4Y61V-2D8">
<property key="_urlString"
value="file:///C:/Users/Tomislav/Documents/My Cmaps/Sustavi e ucenja.url"/>
</properties-list>
<properties-list id="1Q5LHNQ0M-1YJG0H5-3BZ">
<property key="_urlString"
value="file:///C:/Users/Tomislav/Documents/My Cmaps/Inteligentni sustavu e
ucenja.url"/>
</properties-list>
<properties-list id="1Q5LG97F5-122B5CR-32D">
<property key="_urlString"
value="file:///C:/Users/Tomislav/Documents/My Cmaps/ICT.url"/>
</properties-list>
<properties-list id="1Q5LG74GR-2ZX8NL-2YW">
<property key="_urlString"
value="file:///C:/Users/Tomislav/Documents/My Cmaps/Neformalno
ucenje.url"/>
</properties-list>
<properties-list id="1Q5L76Z2T-1YZ13W8-1PK">
<property key="_urlString"
value="file:///C:/Users/Tomislav/Documents/My Cmaps/Prostor ucenja.url"/>
</properties-list>
<properties-list id="1Q5LHCX8Y-77SMYJ-34M">
<property key="_urlString"
value="file:///C:/Users/Tomislav/Documents/My Cmaps/daljinsko ucenje.url"/>
</properties-list>
<properties-list id="1Q5LJ5KPN-L6V874-3F6">
<property key="_urlString"
Prilozi
224
value="file:///C:/Users/Tomislav/Documents/My Cmaps/ICT.url"/>
</properties-list>
<properties-list id="1Q5L6YMWC-1HY5Y16-1MD">
<property key="_urlString"
value="file:///C:/Users/Tomislav/Documents/My Cmaps/Ucenje.url"/>
</properties-list>
<properties-list id="1Q5LG48XT-64CSW5-2WV">
<property key="_urlString"
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>
<KEY NAME="primary" TYPE="primary" FIELDS="id"/>
</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="id" TYPE="int" LENGTH="10" NOTNULL="true" SEQUENCE="true"/>
<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>
<KEY NAME="primary" TYPE="primary" FIELDS="id"/>
</KEYS>
</TABLE>
<TABLE NAME="grupa_resursa" COMMENT="Default comment for the table, please
edit me">
<FIELDS>
<FIELD NAME="id" TYPE="int" LENGTH="10" NOTNULL="true" SEQUENCE="true"/>
<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>
<KEY NAME="primary" TYPE="primary" FIELDS="id"/>
</KEYS>
</TABLE>
<TABLE NAME="koncept" COMMENT="Default comment for the table, please edit
me">
<FIELDS>
<FIELD NAME="id" TYPE="int" LENGTH="10" NOTNULL="true" SEQUENCE="true"/>
<FIELD NAME="sifra" TYPE="char" LENGTH="250" NOTNULL="false"
SEQUENCE="false"/>
<FIELD NAME="naziv" TYPE="char" LENGTH="100" NOTNULL="false"
SEQUENCE="false"/>
</FIELDS>
<KEYS>
<KEY NAME="primary" TYPE="primary" FIELDS="id"/>
</KEYS>
</TABLE>
<TABLE NAME="pitanja_tpl" COMMENT="Default comment for the table, please
edit me">
<FIELDS>
<FIELD NAME="id" TYPE="int" LENGTH="10" NOTNULL="true" SEQUENCE="true"/>
<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>
<KEY NAME="primary" TYPE="primary" FIELDS="id"/>
</KEYS>
</TABLE>
<TABLE NAME="propozicija" COMMENT="Default comment for the table, please
edit me">
<FIELDS>
<FIELD NAME="id" TYPE="int" LENGTH="10" NOTNULL="true" SEQUENCE="true"/>
<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"/>
<FIELD NAME="cmid" TYPE="int" LENGTH="11" NOTNULL="false"
SEQUENCE="false"/>
</FIELDS>
<KEYS>
<KEY NAME="primary" TYPE="primary" FIELDS="id"/>
</KEYS>
</TABLE>
<TABLE NAME="relacija" COMMENT="Default comment for the table, please edit
me">
<FIELDS>
<FIELD NAME="id" TYPE="int" LENGTH="10" NOTNULL="true" SEQUENCE="true"/>
<FIELD NAME="sifra" TYPE="char" LENGTH="250" NOTNULL="false"
SEQUENCE="false"/>
<FIELD NAME="naziv" TYPE="char" LENGTH="100" NOTNULL="false"
SEQUENCE="false"/>
</FIELDS>
<KEYS>
<KEY NAME="primary" TYPE="primary" FIELDS="id"/>
</KEYS>
</TABLE>
<TABLE NAME="resurs" COMMENT="Default comment for the table, please edit
me">
<FIELDS>
<FIELD NAME="id" TYPE="int" LENGTH="10" NOTNULL="true" SEQUENCE="true"/>
<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>
<KEY NAME="primary" TYPE="primary" FIELDS="id"/>
</KEYS>
</TABLE>
<TABLE NAME="log_ucenje" COMMENT="Default comment for the table, please
edit me">
<FIELDS>
<FIELD NAME="id" TYPE="int" LENGTH="10" NOTNULL="true" SEQUENCE="true"/>
Prilozi
227
<FIELD NAME="userid" TYPE="int" LENGTH="10" NOTNULL="false"
SEQUENCE="false"/>
<FIELD NAME="resursid" TYPE="int" LENGTH="10" NOTNULL="false"
SEQUENCE="false"/>
<FIELD NAME="cmid" TYPE="int" LENGTH="10" NOTNULL="false"
SEQUENCE="false"/>
<FIELD NAME="timestamp" TYPE="text" NOTNULL="false" SEQUENCE="false"/>
</FIELDS>
<KEYS>
<KEY NAME="primary" TYPE="primary" FIELDS="id"/>
</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.