modules and approaches in e learning adaptive hypermedia n.
Download
Skip this Video
Download Presentation
Modules and approaches in e-learning adaptive hypermedia

Loading in 2 Seconds...

play fullscreen
1 / 16

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


  • 89 Views
  • Uploaded on

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

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Modules and approaches in e-learning adaptive hypermedia' - malo


Download Now 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
ad