Презентація на тему:
Адаптивна система дистанційного навчання та контролю знань “EduPRO”

Адаптивна система дистанційного навчання та контролю знань “EduPRO” Федорук Павло Іванович доктор технічних наук Директор Центру інформаційних технологій Завідувач кафедри інформаційних технологій Прикарпатського національного університету імені Василя Стефаника

1. Необхідність підвищення якості навчання, інтенсифікації навчального процесу й переходу на нові технології. 2. Потреба упровадження в процес навчання різного роду автоматизованих навчальних систем. 3. Розширення й доповнення можливостей людини-педагога за рахунок використання дистанційних технологій навчання. 4. Відсутність у напрямку дистанційного навчання якісно нового навчально-методичного забезпечення і його програмної підтримки. 5. Необхідність використання розвинутих інформаційних ресурсів, що забезпечуються сучасними інформаційними технологіями для адаптації дистанційного навчання до студента та створення адаптивного навчання. Технології дистанційного навчання 1

Функціональні можливості сучасних СДН 2 Функціональні можливості Angel Learning Space Ilias e-Learning Moodle BlackBoard WebCT Адаптивне планування - - - - - - - Адаптивна навігація - - - - - - - Підтримка розв’язку завдань - - - - - - - Адаптивне представлення - - - - - - - Адаптивне тестування - - - - - - - Адаптивна інформаційна фільтрація - - - - - - - Прив’язка тестових завданьдонавчальногоматеріалу - - - - - - - Конструктор електроннихкурсівтатестовихзавданьдля індивідуалізованого навчання - - - - - - - Контрольні завдання, заняття, семінари + + + + + + - Журнал, глосарій, бібліотека, форум, опитування + + - + + + +

Реалізація процесу індивідуалізованого дистанційного навчання 3 Впровадження та дослідження ефективності функціонування Інтелектуальні Інтернет-технології Адаптивне представлення Адаптивне планування Адаптивна навігація Підтримка розв’язку завдань Адаптивна інформаційна фільтрація Проектування, розробка та побудова системи Комплекс моделей та методів

Схема автоматизованого встановлення послідовності курсу в адаптивній навчальній системі 4

Інформаційно-структурна модель студента 5

Ступінь сприйняття f - кількість можливих спроб i - номер спроби Швидкість проходження t - затрачений час у вдалій спробі T - максимально дозволений час i - номер спроби Параметри студентської моделі (приклад) 6

Приклади квантів знань у адаптивній навчальній системі 7

Графоавтоматна модель процесу керування потоком квантів знань QSM – Quantum Stream Management Nodes – множина вершин графа Edges – множина ребер графа IO – множина портів зовнішнього обміну даними із зовнішнім середовищем – множина орієнтованих управляючих ребер ; – множина орієнтованих ребер даних , 1, 2 – функції визначення вихідних сигналів; Х1, Х2 – вхідні дані; Y1 , Y2 – вихідні сигнали Q - проміжний стан; - момент дискретного часу Схема елемента 8

Урок Блок Сортувальник Операція Квант Оператор Вчитель Реалізація процесу керування потоком квантів знань на основі графоавтоматної моделі (фрагмент) 9 Початок Кінець

Адаптивний контроль знань Методологія латентно-структурного аналізу (LSA) . Item Response Theory (IRT) – математична теорія параметричної оцінки тестових завдань і тих, хто проходить тестування.   i – значення латентного параметра, що встановлює рівень знань n учасників тестування, – значення латентного параметра, що відповідають рівням складності m завдань тесту, Умовна імовірність правильного виконання j-го завдання з рівнем складності δj різними студентами   – однопараметрична модель Дж. Раша     – двопараметрична модель А. Бірнбаума     – трипараметрична модель А. Бірнбаума   – параметр, що відповідно характеризують диференційовну здатність завдання при зміні різних значень θ і δ, – ймовірність вгадування правильної відповіді на j-те завдання. 10

Реалізація адаптивного контролю знань. ЕТАП І 11 2 етап ТЕСТ Генеральна сукупність питань (кількість питань = N) Результати ВИКЛАДАЧ m1-кількість питань вибраних викладачем Модель Раша ШКАЛА ЛОГІТІВ Логіти рівнів складності РІВЕНЬ І РІВЕНЬ ІІ РІВЕНЬ ІІІ Вибірка m1 … … … … Процес визначення вузлових завдань Вузлові завдання

Реалізація адаптивного контролю знань. ЕТАП 2 11a m2-кількість питань, вибраних викладачем ТЕСТ Генеральна сукупність питань (кількість питань = N-m1) Результати ВИКЛАДАЧ Модель Раша ШКАЛА ЛОГІТІВ Логіти рівнів складності РІВЕНЬ І РІВЕНЬ ІІ РІВЕНЬ ІІІ Вибірка m2-3 … … … … Процес визначення вузлових завдань Вузлові завдання для наступного тестування Калібрування Нові логіти рівнів складності

Реалізація адаптивного контролю знань 11b Курс тест 1 тест 2 ... Категорія 1 Категорія 2 ... Категорія зважених питань Категорії питань тести Підсумковий тест ID ID ID Вузлові питання РЕЗУЛЬТАТИ

Структура адаптивної навчальної системи 12

Побудова адаптивної системи дистанційного навчання та контролю знань EduPro 13

Інтерфейс студента в системі EduPro Інтерфейс викладача 14

Порівняння функціональних можливостей сучасних СДН та системи EduPro 15 Функціональні можливості Angel Learning Space Ilias e-Learning Moodle BlackBoard WebCT EduPRO Адаптивне планування - - - - - - - + Адаптивна навігація - - - - - - - + Підтримка розв’язку завдань - - - - - - - + Адаптивне представлення - - - - - - - + Адаптивне тестування - - - - - - - + Адаптивна інформаційна фільтрація - - - - - - - + Прив’язка тестових завданьдонавчального матеріалу - - - - - - - + Конструктор електроннихкурсівтатестовихзавданьдля індивідуалізованого навчання - - - - - - - + Контрольні завдання, заняття, семінари + + + + + + - + Журнал, глосарій, бібліотека, форум, опитування + + - + + + + +

Дендрограма кластеризації студентів Графік середніх оцінок Дослідження ефективності роботи адаптивної системи дистанційного навчання та контролю знань EduPro 16

Порівняння результатів експерименту Оцінка математичного сподівання та довірчі інтервали експертної оцінки знань студентів із дисципліни “штучний інтелект” Медіани експертних оцінок для студентів, які навчалися за допомогою систем EduPro та Moodle 17 Групи Математичне сподівання Довірчий інтервал (р ≥0,95) Група EduPro 30,0 (26,6 - 33,5) Група Moodle 22,2 (21,3 - 23,0)

Використання при проведенні адаптивного контролю знань багатопараметричних моделей. Врахування в моделі студента психологічних та психоемоційних характеристик студентів. Моделювання процесу управління потоком квантів знань із врахуванням можливості одночасного виведення декількох готових до опрацювання квантів знань. Перспективи подальшого розвитку і вдосконалення 18

Створено комплекс моделей і методів, застосування яких дозволяє вирішити актуальну науково-прикладну проблему – розробки, створення й впровадження автоматизованих адаптивних навчальних систем для забезпечення індивідуалізованого навчання в умовах використання їх у дистанційній освіті. Розроблено технології, використання яких дає можливість організувати процес адаптивного навчання та контролю знань на базі інтелектуальних Інтернет-технологій із врахуванням індивідуальних особливостей тих, хто навчається. Висновки 19

Дякую за увагу! Контактна інформація: Прикарпатський національний університет ім. Василя Стефаника Івано-Франківськ, Україна, 76025 вул. Шевченка 57. Тел.: (380-342) 59-61-09 Факс: (380-3422) 3-15-74 E-mail: pavlo@pu.if.ua