Modules and approaches in e learning adaptive hypermedia
This presentation is the property of its rightful owner.
Sponsored Links
1 / 16

Modules and approaches in e-learning adaptive hypermedia PowerPoint PPT Presentation


  • 55 Views
  • Uploaded on
  • Presentation posted in: General

Modules and approaches in e-learning adaptive hypermedia. Projekt: DP1 Vedúci: Anton Andrejko Michal Šimún. PeWe Group @ FIIT STU BA. Dekompozícia AH. Komponent modelovania doménovej oblasti – sémantika domény Komponent modelovania študenta – charakteristiky študenta

Download Presentation

Modules and approaches in e-learning adaptive hypermedia

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Modules and approaches in e learning adaptive hypermedia

Modules and approaches in e-learning adaptive hypermedia

Projekt: DP1

Vedúci: Anton Andrejko

Michal Šimún

PeWe Group @ FIIT STU BA


Dekompoz cia ah

Dekompozícia AH

  • Komponent modelovania doménovej oblasti – sémantika domény

  • Komponent modelovania študenta – charakteristiky študenta

  • Riadiaci komponent – zabezpečenie procesov:

    • Modelovanie študenta

    • Personalizácie

  • Princíp architektúry M-V-C


Asti dom nov ho modelu

Časti doménového modelu

  • Báza znalostí = graf knowledge domain elements

  • Informačný priestor= graf hypermadia documents

  • Štruktúra bázy znalostí:

    • knowledge domain elements(KDE) = množina atribútov,

    • relácií


Rel cie medzi kde e learning

Relácie medzi KDE (e-learning)

  • Prerequisite –

  • Outcome –

  • Tests –

  • Part_of –

  • Is_a -

  • Example –


Model tudenta

Model študenta

  • Vedomosť používateľa:

    • Prekryvný model (takmer všetky AH),

      • NetCoach – vrstvový prekryvný model

    • Stereotypný (riešenie cold-start problem)

  • Reprezentácia vedomosti

  • Ostatné charakteristiky:

    • Cieľ výučby (goal-driven learning),

    • Stratégia výučby


Controller 1 zodpovednos

Controller – 1.zodpovednosť

  • Inicializácia modelu používateľa:

    • Problém: nedostatku znalostí o študentovi

    • Väčšinou „nič nevieme“

    • Riešenie: zdroj dát (test) -> analýza (návrh kritérií) -> stereotyp (návrh typov a vlastností stereotypov) -> prekryvný model (preddefinované typy)

  • Zmena modelu používateľa:

    • Problém: vhodné dáta, problém individuálneho učenia, reflexia nových znalostí (čo – attributes, kde – concepts, ako – difference)


Zmena um probl m d t

Zmena UM – problém dát

  • Iba navštívené koncepty (čas má význam iba prahu, inač vo výučbe nikde)

  • Jediné riešenie: collaborative user modelling

    • Problém miery zapojenia používateľa

    • Spätná väzba: testy, označenie konceptov

    • Nápoveda používateľa: nepriame zapojenie – výber cvičenia, projektov

    • Priama zmena (adaptabilita)


Zmena um probl m reflexie

Zmena UM – problém reflexie

  • Čo – vedomosť

  • Problém ako:

    • Najčastejší prístup testov: diskrétne úrovne

    • Pre spojité a pravdepodobnostné treba definovať prírastky – na základe výsledku

    • Ak neabsolvoval test podľa návštevy:


Zmena um reflexia kde

Zmena UM – reflexia Kde?

  • Problém:

  • Využitie relácie outcome

  • Pravidlový systém (AHA!) – definovanie dôsledkov zmeny každého atribútu (propagation)

  • Bayesova sieť (KBS) – Vrcholy tvoria koncepty a definovaný pravdepodobnostný model prechodov

    • F((koncept1,konwledge1),(koncept2, knowledge2))


Controller 2 zodpovednos

Controller – 2. zodpovednosť

  • Personalizácia systému

  • Viacero známych a používaných techník:

    • Prispôsobenie prezentácie (obsahu a formy)

    • Prispôsobenie navigácie

  • Väčšina iba navigáciu – využitie relácie preq

    • Anotácia odkazov

    • Priame vedenie (goal-driven)

    • KBS – Vedenie pomocou projektov (project-driven)

    • Generovanie odkazov

    • Interbook – mapa odkazov (Glosár, Concept panel)


Hrub n vrh n ho syst mu

Hrubý návrh nášho systému

  • Zadanie: Vytvorenie AH s cieľom odporúčania príkladov individuálnym prístupom

  • Dodržanie opísanej architektúry (MVC)

  • Doménový model – príklady programovania, treba zvoliť doménu príkladov,

    • vychádza z existujúceho doménového modelu príkladov

      • Existujúce relácie: part_of (hasCourseModule), exercise (hasExercise), hasSourceCode, hasGoal

      • Potrebné rozšírenie relácií: tests, preq (možné ďalšie roly alebo váhy), outcome (takisto možná podpora váh)


Hrub n vrh n ho syst mu1

Hrubý návrh nášho systému

  • Model používateľa:

    • Návrh vrstvového prekryvného modelu používateľa:

      • Navštívené koncepty – spolu s počtom návštev

      • Označené koncepty – explicitná spätná väzba

      • Odvodené koncepty – podpora propagation

      • Testované koncepty – spolu s výsledkom testu

      • Odhadovaná vedomosť – kombinácia nižších vrstiev, logiku zapúzdruje Controller

      • Súčasný model podporuje modelovanie záujmu (analýza jeho potreby a spôsobu odhadu?)

    • Otázka reprezentacie vedomosti – možnosť pravdepodobnostnéhomodelu úrovní znalostí


Hrub n vrh n ho syst mu2

Hrubý návrh nášho systému

  • Controller – údržba UM

    • Inicializácia: pomocou stereotypov-

      • Všeobecné – expert, intermediate, beginer

      • Špecializované – podľa domény príkladov (napr. podľa paradigmy)

      • Výber na základe vstupného formulára (typ formulára??)

      • Priradenie prekryvného modelu každému stereotypnému

    • Zmena UM: zmena charakteristík aktuálneho konceptu:

      • Spodné vrstvy (okrem odvodenia, záujmu a vedomosti) priamočiaro


Hrub n vrh n ho syst mu3

Hrubý návrh nášho systému

  • ?Vrstva záujem – zdroj: odkazy na doplňujúce (zložitejšie príklady), počet príkladov rovnakej problematiky

  • Vrstva odvodenia – pravidlový systém aplikovanie relácií outcome (výhoda váh a roly)

  • Vrstva vedomosti – stratégia zhora nadol:

    • Príklady pravidiel


Hrub n vrh n ho syst mu4

Hrubý návrh nášho systému

  • Controller – tvorba modelu View

    • Základ Goal-driven choose:

      • Výber najvhodnejšieho príkladu na základe: vedomosti konceptov (zahrnutých v user goal a v nezahrnutých v goal, aby sa nemusel veľa učiť čo nechce) a goal (user goal a exercise goal)

      • Predpoklad – 2 možnosti

    • Podpora navigácie

      • Anotácia

      • Link generation, hiding

    • Prispôsobenie prezentácie

      • Stretchtext (hint) – môžeme použiť ako ďalší zdroj


Akujem za pozornos

Ďakujem za pozornosť


  • Login