S L A V O M I R S T A N K O V

I N T E L I G E N T N I T U T O R S K I S U S T A V I

T E O R I J A I P R I M J E N A

( V E R Z I J A 2 . 0 – L I S T O P A D , 2 0 1 0 . )

S P L I T , 2 0 1 0

Predgovor autora radne verzije teksta

Inteligentni tutorski sustavi – teorija i primjena je knjiga nastala kao rezultat dugogodišnjeg

istraživačkog i nastavnog rada autora u području primjene računala u nastavi i procesu

učenja i poučavanja. Razdoblje je to u kojem je na načelima sustavnog gledanja,

programskog inženjerstva, kibernetičkog modela didaktike te umjetne inteligencije

zamišljen, implementiran i primijenjen novi model nastave s računalnim učiteljem nazvan

Tutor – Expert System. Tutor – Expert System je nastao u neposrednoj suradnji i zajedničkim

radom s brojnim generacijama studenata studijskih grupa matematika i informatika na

matičnom fakultetu, studenata učiteljskog studija – sada u okviru Filozofskog fakulteta u

Splitu (razdoblje od 1993. do današnjih dana), kao i s vedinom kolega sa odjela za

Informatiku matičnog fakulteta. Učili smo i radili zajedno u ozračju izvrsne suradnje i

međusobnog poštivanja. Stvorili smo zajedno jednu poticajnu platformu za istraživanja u

vremenu koje je pred nama.

Knjiga je prvenstveno namijenjena studentima diplomskih i doktorskih studija na onim

fakultetima i visokim učilištima na kojima nastavni plan i program obuhvada interdiciplinarni

studij primjene e-učenja i sustava e-učenja. Posebno de poslužiti kao dobra vodilja onima koji

se zanimaju i studiraju primjenu umjetne inteligencije u oblikovanju nastavnih sadržaja i

analizi postignuda učenika pri učenju i poučavanju koje je isporučeno uz primjenu računala.

Područje inteligentnih tutorskih sustava i njihove primjene staro je onoliko koliko je stara

primjena računala u nastavi, te se s vedim ili manjim intenzitetom razvija od sedamdesetih

godina prošlog stoljeda. Područje je toliko intrigantno i za istraživanje zanimljivo koliko je

intrigantno i za istraživanje zanimljivo odvijanje nastavnog procesa, a posebno poučavanje

po modelu jedan-na-jedan. S tim u vezi, a uz primjenu tehnologijskih otkrida i posebice

računala područje je budilo i još uvijek budi i otvara nova polja istraživanja i primjene.

Knjiga je prikazana u cjelovitom pregledu naslova i podnaslova sadržaja u okviru osobne Web

stranice. Prikazana je radna verzija sadržaja koju je recenzirao prof dr. sc. Marko Rosid. Ovim

putem se toplo zahvaljujem na trudu i korisnim sugestijama i savjetima. Preostalo je još

konačno crtanje slika te u sadržajnom smislu provesti manje promjene. Knjiga se objavljuje u

radnoj Web verziji zbog potreba u realizaciji nastavnog plana i programa studija na

matičnom fakultetu kao i učiteljskog studija na Filozofskom fakultetu Sveučilišta u Splitu.

Sugestije studenata kao i svih drugih čitatelja su dobro došle i sa nestrpljenjem se očekuju.

Slavomir Stankov

U Splitu, listopad, 2010.

PRVI DIO

U V O D

Cilj ovog djela je prikazati povezanost e-učenja i inteligentnih tutorskih sustava. Obuhvaden

je niz klasifikacija područja što započinje s definiranjem informacijske i komunikacijske

tehnologije kao i nove paradigme učenja (e-učenje) i strukturno je zasnovan samo na jednom

poglavlju. Analizira se razvoj računalne tehnologije kao temeljne podrške za učenje i

poučavanje u suvremenim uvjetima življenja. Računalna tehnologija je zapravo dio opde

tehnologije koja je povijesno imala, a i danas ima značajno mjesto u razvoju društva u

cijelosti. Prikazan je razvoj resursa za učenje. Poglavlje po odjeljcima ponajprije prezentira

nastanak i razvoj nove paradigme učenja – e-učenje. Slijedi zatim definicija e-učenja i sustava

e-učenja, te opis konfiguracije sustava e-učenja i objekata e-učenja koji u suštini

predstavljaju građevnu strukturu nastavnih sadržaja koji se ponajprije oblikuju pa zatim

isporučuju u sustavima e-učenja. Posvetila se primjerena pozornost potrebama, nastanku i

razvoju normi za oblikovanje kako objekata učenja tako i te sustava za upravljanje objektima

e-učenja. Posljednji odjeljak je orijentiran na uvođenje i klasifikaciju inteligentnih tutorskih

sustava u obitelj sustava e-učenja.

KAZALO

Poglavlje 1

Inteligentni tutorski sustavi i e-učenje

E-učenje – nastanak i razvoj

Programiranje, vježbanje i ponavljanje

Učenje temeljeno na računalu s multimedijom

Učenje temeljeno na Internet-u

E-učenje

Društvena programska podrška i besplatan i otvoren sadržaj

Definicija e-učenja i sustavi e-učenja

Konfiguracije sustava e-učenja i objekti e-učenja

Nastanak i razvoj normi za e-učenje

Glavni sudionici u razvoju i oblikovanju normi za e-učenje

Postupak objavljivanja norme

Norme u e-učenju: sadašnjost i budućnost

Inteligentni tutorski sustavi – asinkroni sustavi e-učenja

Literatura

DRUGI DIO

O D S T R O J E V A Z A P O U Č A V A NJ E D O I N T E L I G E N T N I H S U S T A V A Z A

P O T P O R U N A S T A V E

Cilj ovog dijela je upoznati čitatelja s razvojem, obrazovne tehnologije i to od ranih strojeva

za poučavanje pa do inteligentnih računalnih sustava za potporu nastavnog procesa kao i

učenja i poučavanja. U suglasju s ovako postavljenim ciljem ovaj dio je strukturiran u četiri

poglavlja. Poglavlja imaju takav redoslijed i sadržaj da čitatelj prvo upoznaje načela za

izgradnju ranih strojeva za poučavanje te načela programirane nastave. Ovo je povezano s

aktualnom obrazovnom psihologijom i prevladavajudim biheviorističkim pristupom.

Programirana nastava nadalje predstavlja okosnicu ranih sustava za potporu nastave. S tim u

vezi se razmatra uloga računala u učenju i poučavanju i to posebno definicija i modeli

upotrebe računala u nastavi i učenju. Prezentirana je opde prihvadena raščlamba učenja o

računalu, učenja od računala, učenja s računalom i upravljanje učenja s računalom. Povijesni

razvoj primjene računala u nastavi obuhvada četiri ključna razdoblja od 60-tih godina prošlog

stoljeda pa do današnjih dana, vremena Interneta i usluga na Internetu. Konačno se razmatra

nastanak i razvoj inteligentnih sustava za potporu nastave.

KAZALO

Poglavlje 2.

Strojevi za poučavanje i programirana nastava

Rani strojevi za poučavanje

Programirana nastava

Poglavlje 3.

Računala u nastavi i učenju

Definicija nastave pomoću računala

Modeli upotrebe računala u nastavi i učenju

Učenje o računalu

Učenje od računala

Učenje s računalom

Upravljanje učenja s računalom

Poglavlje 4.

Povijesni pregled primjene računala u nastavi

Proroci i začetnici 1960. - tih

Minijaturizacija - 1970. - tih

Računalo postaje sastavni dio nastavnog procesa 1980. - tih

Računalo kao mentor 1990. - tih

Poglavlje 5.

Put razvoja inteligentnih sustava za potporu nastave

Ograničeni sustavi nastave pomoću računala

Generativni sustavi nastave pomoću računala

Inteligentni sustavi nastave pomoću računala

Literatura

TREĆI DIO

I N T E L I G E N T N I T U T O R S K I S U S T A V I

Cilj ovog dijela je upoznati čitatelja s pedagogijskim okvirom, građom i strukturnim

modulima inteligentnih tutorskih sustava. S tim u vezi su i šest poglavlja ovog tredeg dijela.

Temeljni su šesto i sedmo poglavlje, dok preostala četiri osmo, deveto, deseto i jedanaesto

poglavlje omogudavaju pogled na strukturu inteligentnih tutorskih sustava oslonjenu na

interdisciplinarne značajke znanja stručnjaka, učitelja, učenika kao i na njihovoj interakciji u

inteligentnim tutorskim sustavima. Brojne zadade u suglasju s ovim ciljem ostvaruju poglavlja

ovog dijela, pogledajmo najvažnije.

Pedagogijski okvir inteligentnih tutorskih sustava ovdje je oslonjen na poučavanje po modelu

jedan - na – jedan, koje je kad se odvija pod okriljem ljudskog tutora dokazano uspješno i

smatra se čak najučinkovitiji nastavni proces. Proširuju se ova temeljna načela tutorskog

poučavanja s analizom 2-sigma problema kao „vječnog“ nadahnuda za sve one koji

organiziraju i realiziraju ovakav vid nastave. Definicija inteligentnog tutorskog sustava (ITS)

promatra se sa stajališta vrednota i pragmatičnog tumačenja znakova I i T u akronimu ITS

kojeg je provelo dvadesetak „znalaca“ područja.

Građa inteligentnih tutorskih sustava je obuhvatila analizu komponenata u on-site okruženju

kao i razloge za postavljanje u Web okruženje. Analizirano je ukupno sedamnaest sustava

najčešde primjenjivanih kako on-site, tako i Web orijentiranih inteligentni tutorski sustavi.

Osim navedenog uvode se pa zatim i analiziraju autorska okruženja za oblikovanje i izvedbu

inteligentnih tutorskih sustava.

Izvršena je sinteza građe inteligentnog tutorskog sustava i utvrđena modularnost i na znanju

zasnovanost sadržana u modulu stručnjaka, modulu učitelja, modulu učenika i

komunikacijskom modulu.

KAZALO

Poglavlje 6.

Poučavanje po modelu jedan-na-jedan

Elementi poučavanja po modelu jedan-na-jedan

Tutoru orijentirana hipoteza

Učeniku orijentirana hipoteza

Interakciji orijentirana hipoteza

2-Sigma problem

Definicija inteligentnog tutorskog sustava

Poglavlje 7.

Građa inteligentnih tutorskih sustava

Komponente inteligentnih tutorskih sustava u on-site okruženja

Postavljanje inteligentnog tutorskog sustava u Web okruženje

Web orijentirani inteligentni tutorski sustavi

ELM-ART (Episodic Lerner Model - Adaptivr Remote Tutoring)

CALAT (Computer Aided Learning Authoring environment for Teleeducation)

MANIC (Multimedia Asynchronous Networked Individualized Courseware)

WILEDS (Web-based Intelligent Learning Environment for Digital Systems)

ADIS (Animated Data Structure Intelligent Tutoring System)

SQLT-Web (Web-enabled version of SQL-Tutor)

Autorske ljuske za oblikovanje inteligentnih tutorskih sustava

Autorsko okruženje REDEEM

Paket autorskih alata Eon

Autorski sustav RIDES

Autorski sustav SimQuest

Autorska ljuska AutoTutor

Poglavlje 8.

Znanje stručnjaka (Modul stručnjaka)

Prikaz znanja u inteligentnim tutorskim sustavima

Model crne kutije

Model prozirne kutije

Kognitivni modeli

Proceduralno znanje

Deklarativno znanje

Model kvalitativnih procesa

Poglavlje 9.

Modeliranje učenika - (Modul učenika)

Model učenika

Obuhvat ulaznih podataka

Vrste ciljanih znanja

Razlika između učenika i stručnjaka

Sažeti prikaz prostora modela učenika

Dijagnostika znanja učenika

Dijagnostika učenika temeljena na mentalnom stanju

Dijagnostika učenika temeljena na među stanjima

Dijagnostika učenika temeljena na konačnom stanju

Poglavlje 10.

Vođenje poučavanja (Modul učitelja)

Teorijski okvir poučavanja pomoću inteligentnih tutorskih sustava

Scenarij učenja

Načela za implementaciju tutorskih (pedagogijskih) znanja

Poglavlje 11.

Interakcija učenik - učitelj - znanje (Modul komunikacije)

Vođeni razgovor

Sučelje učenika i sustava

Generiranje zadataka

Literatura

Četvrti dio

T U T O R – E X P E R T S Y S T E M

A U T O R S K A L J U S K A Z A O B L I K O V A N J E I N T E L I G E N T N I H T U T O R S K I H S U S T A V A

Cilj ovog dijela je predstaviti čitatelju istraživanje, razvoj i primjenu modela autorske ljuske Tutor – Expert System (TEx-Sys) za oblikovanje inteligentnih tutorskih sustava. Istraživanje je temeljeno na kibernetičkom modelu sustava, paradigmi „poučavanje je upravljanje učenjem, načelima poučavanja „živog“ učitelja po modelu „jedan-na-jedan“ i tradicionalnoj građi inteligentnih tutorskih sustava. Razvijeni model je omogućio implementaciju i postavljanje tri inačice sustava od on-site Windows aplikacije do aplikacije temeljene na Web uslugama. Model TEx-Sys ima sljedeće sudionike: učenika radi stjecanja znanja i vještina, stručnjaka područnog znanja za oblikovanje baza znanja, učitelja koji koristi bazu znanja za didaktičko oblikovanje nastavnih sadržaja i administratora koji motri sustav (sudionike i način korištenja). Programski sustavi izvedeni na modelu TEx-Sys primijenjeni su u nastavnom procesu na nekoliko visokih učilišta i osnovnih škola. Zadaće ovog dijela su orijentirane na prikaz svih značajki modela TEx-Sys (poglavlje 12), te prikaz primjene i posebno vrednovanja učinkovitosti modela TEx-Sys (poglavlje 13). Posljednje poglavlje posebno u analizi primjene prikazuje metodologija osposobljavanja studenta za održavanje nastavnog procesa pomoću informacijske i komunikacijske tehnologije kroz tri faze: faze stjecanja teorijskog znanja, faze pripreme za realizaciju nastave sa učenicima i faze realizacije i analize nastave kao i prezentiranje rezultata na stručnom i znanstvenom skupu.

KAZALO

Poglavlje 12

Model Tutor – Expert System

Zamisao modela TEx-Sys

Sustavni pristup i načela vođenja u povratnoj vezi

Paradigma „poučavanje je upravljanje učenjem“

Načela poučavanja po modelu „jedan-na-jedan“

Načela oblikovanja nastavnih sadržaja i vrednovanje znanja učenika

Načela umjetne inteligencije s težištem na metode i tehnike za prikaz znanja

Tradicionalna građa inteligentnih tutorskih sustava

TEx-Sys - novi model nastave s računalnim učiteljem

Formalizam za prikaz znanja

Čvorovi i veze

Svojstva i okviri

Multimedija i hipertekst

Specifikacija sudionika i funkcionalnosti

Oblikovanje područnog znanja

xTEx-Sys okruženje za oblikovanje područnog znanja

Oblikovanje nastavnog sadržaja

Ontologije za oblikovanje nastavnog sadržaja

Predlošci za oblikovanje nastavnog sadržaja u sustavu xTEx-Sys

Pogled učitelja na kviz znanja

Pogled učitelja na zadatke objektivnog tipa

xTEx-Sys okruženje za oblikovanje nastavnog sadržaja

Učenje i poučavanje učenika

On-site TEx-Sys okruženje za učenje i poučavanje

DTEx-Sys okruženje za učenje i poučavanje

xTEx-Sys okruženje za učenje i poučavanje

Testiranje i vrednovanje znanja učenika

Prekrivanje znanja učenika sa znanjem stručnjaka

Kviz znanja

On-site TEx-Sys okruženje testiranja i vrednovanja znanja pomoću prekrivanja

xTEx-Sys okruženje testiranja i vrednovanje znanja pomoću kviza

Arhitektura sustava implementiranih po modelu TEx-Sys

Poglavlje 13

Primjena i vrednovanje učinkovitosti modela TEx-Sys

Metodologija vrednovanja

Uvodno razmatranje i analiza temeljnih pojmova

Izrada i provedba inicijalnog testa

Definiranje ekvivalentnih grupa

Izrada i provedba testova provjere i završnog testa

Definiranje nul-hipoteza

Izračun veličine učinka

Pregled provedenih testiranja modela TEx-Sys

Testiranje za učenike u osnovnoj školi

Testiranje za učenike u srednjoj školi

Testiranje za studente na fakultetu

Vrednovanje učinka modela TEx-Sys

Literatura

1

PRVI DIO

U V O D

Cilj ovog djela je prikazati povezanost e-učenja i inteligentnih tutorskih sustava. Obuhvaćen je niz klasifikacija područja što započinje s definiranjem informacijske i komunikacijske tehnologije kao i nove paradigme učenja (e-učenje) i strukturno je zasnovan samo na jednom poglavlju. Analizira se razvoj računalne tehnologije kao temeljne podrške za učenje i poučavanje u suvremenim uvjetima življenja. Računalna tehnologija je zapravo dio opće tehnologije koja je povijesno imala, a i danas ima značajno mjesto u razvoju društva u cijelosti. Prikazan je razvoj resursa za učenje. Poglavlje po odjeljcima ponajprije prezentira nastanak i razvoj nove paradigme učenja – e-učenje. Slijedi zatim definicija e-učenja i sustava e-učenja, te opis konfiguracije sustava e-učenja i objekata e-učenja koji u suštini predstavljaju građevnu strukturu nastavnih sadržaja koji se ponajprije oblikuju pa zatim isporučuju u sustavima e-učenja. Posvetila se primjerena pozornost potrebama, nastanku i razvoju normi za oblikovanje kako objekata učenja tako i sustava za upravljanje objektima e-učenja. Posljednji odjeljak je orijentiran na uvođenje i klasifikaciju inteligentnih tutorskih sustava u obitelj sustava e-učenja.

2

KAZALO

Poglavlje 1

Inteligentni tutorski sustavi i e-učenje ................................................................................................... 3

E-učenje – nastanak i razvoj ................................................................................................................... 5

Programiranje, vježbanje i ponavljanje .......................................................................................... 7

Učenje temeljeno na računalu s multimedijom ........................................................................... 7

Učenje temeljeno na Internet-u ......................................................................................................... 8

E-učenje ...................................................................................................................................................... 9

Društvena programska podrška i besplatan i otvoren sadržaj .......................................... 10

Definicija e-učenja i sustavi e-učenja................................................................................................ 13

Konfiguracije sustava e-učenja i objekti e-učenja ....................................................................... 18

Nastanak i razvoj normi za e-učenje ................................................................................................. 21

Glavni sudionici u razvoju i oblikovanju normi za e-učenje ............................................... 23

Postupak objavljivanja norme ........................................................................................................ 30

Norme u e-učenju: sadašnjost i budućnost ................................................................................ 34

Inteligentni tutorski sustavi – asinkroni sustavi e-učenja ....................................................... 40

Literatura ......................................................................................................................................................... 46

3

Poglavlje 1

INTELIGENTNI TUTORSKI SUSTAVI I E-UČENJE

Informacijska i komunikacijska tehnologija (ICT)1) je danas temeljna tehnologija svekolikih djelatnosti čovjeka kao i aktivnosti koje u njima obavlja. Utjecaj ICT-a je naročito izražen na proces stjecanja znanja, vještina i sposobnosti koje se provode u obrazovnom, a posebno u nastavnom procesu. Vrednote ICT-a su praktički nemjerljive i reklo bi se presudne za uspješno djelovanje čovjeka. S tim u vezi, svi koji se danas nalaze u procesu obrazovanja, pa i oni koji će u sustav redovitog školovanja tek ući, svoj će životni i radni vijek provesti u aktivnom kontaktu s informacijskom i komunikacijskom tehnologijom. Pri analizi djelovanja informacijske i komunikacijske tehnologije posve se jasno uočava da središnje mjesto i temeljne funkcionalnosti primjene pripadaju računalnom sustavu. Kada su funkcionalnosti primjene informacijske i komunikacijske tehnologije orijentirane na obrazovanje i posebice proces učenja i poučavanja tada zajedno tvore i posebnu obrazovnu paradigmu, a E-učenje (eng. E-learning, eLearning) je njezin naziv. Naglašavanje obrazovanja (kao viši pojam od učenja i poučavanja) povlači za sobom negdje udomaćeni naziv E-obrazovanje (eng. e-education). U oznaci paradigme „E“ je izvedenica riječi elektronika, a zbog izrazitog razvoja elektronike i elektroničkih uređaja tada i e-učenje ima dinamičan tijek istraživanja, razvoja i primjene. Uvodnim promišljanjima se povezuje informacijska i komunikacijska tehnologija i nova paradigma nazvana e-učenje. Termini su to koji iskazuju suvremeno gledanje i novu tehnologijsku osnovicu učenja. Međutim, naslov poglavlja najavljuje utvrđivanje odnosa inteligentnih tutorskih sustava i okruženja u svjetlu e-učenja. U vremenskom slijedu nastajanja ovih oblika računalne tehnologije inteligentni tutorski sustav je s duljom primjenom (termin je iskovan 1982. godine i o tome se više i detaljno raspravlja u trećem dijelu ove knjige). U tom razdoblju sam je termin nastao od jednog još starijeg s nazivom nastava pomoću računala (o tome se više i detaljno raspravlja u drugom dijelu ove knjige). Uzimajući ovo u obzir poglavlje traži poveznicu svega navedenog i još više primjene koja je time omogućena. Osim toga, u ovoj uvodnoj raspravi povezuje se razvoj tehnologije i elektroničke tehnologije s obrazovanjem i nastavom. Posebno se promatra daljinsko obrazovanje (eng. distance education) i realizacija nastave na daljinu od samih početaka pa do vremena inteligentnih Web tehnologija i njihove primjene u obrazovanju, učenju i poučavanju. Učenje i tehnologija imaju dugu i međusobno isprepletenu povijest. Kao što su Garrison i Anderson (Garrison and Anderson, 2003) primijetili primjena tehnologije u obrazovanju se proteže unatrag do vremena zapisivanja na glinenim pločicama, crtanju na škriljevcu, kao i zapisivanju na papiru u pred-Gutenburgh-ovom vremenu. Bilo je to vrijeme kad su se informacije u vezi s nastavom uglavnom prenosile usmenom predajom. Utjecaj

1) Mikroelektronika, računalna tehnologija i komunikacije se u zadnjih desetak godina zajednički označava s jednim od dva skupna naziva. Jedan od naziva je informacijska tehnologija, koja se obilježava kraticom IT – Information Technology i zastupljen je uglavnom u SAD-u. Drugi je u europskom okruženju i u nazivu se posebno ističe njezina komunikacijska komponenta, te se upotrebljava naziv informacijska i komunikacijska tehnologija, koja se obilježava kraticom ICT - Information and Communications Technology. Zbog svoje povezanosti s Europom u Hrvatskoj se priklonilo ovom drugom nazivu – ICT. (Budin i drugi, 2001)

4

Gutenburgh-ovog društva i prvenstveno tiskanog sadržaja iz petnaestog stoljeća djelovao je i na društvenu revoluciju, čije se posljedice i danas osjećaju. Razvoj daljinskog obrazovanja i daljinskog učenja i poučavanja je prošao put od daljinskog učenja (eng. distance learning) preko e-učenja do mobilnog učenja (eng. mobile learning) (http://learning.ericsson.net). Društvo u cjelini je prošlo pri tom razdoblja: ­ Industrijske revolucije (razvoj industrijske tehnologije, posebno poštanske

komunikacije i transporta) u osamnaestom i devetnaestom stoljeću. ­ Elektroničke revolucije (temeljenu na poluvodičima i posebno otkriću i primjeni

mikroprocesora) razdoblje od posljednjih trideset godina prošlog stoljeća. ­ Bežične revolucije (posljednjih dvadeset godina prošlog stoljeća) koja u prvom

desetljeću 21. stoljeća već doživljava primjenu sa različitim tehnologijama kao što su Bluetooth, General packet radio system (GPRS) and Wireless access protocol (WAP).

U sustavu obrazovanja nastavni ciljevi i zadaće nastavnih predmeta su uvijek bili i sada se postavljaju tako da se nastavni sadržaji učeniku prezentiraju na najbolji način bez obzira na ograničenja vremena i mjesta održavanja. Uvažavajući tehnologijski razvoj novinar New York Times-a Thomas Friedman (1999) na zanimljiv način povezuje i uspoređuje vrijeme industrijske, elektroničke i bežične revolucije. Friedman promatra početak i kraj tog razdoblja od oko 120 godina i uočava dosta sličnosti.

Vrijeme industrijske revolucije - predstavlja i početak daljinskog učenja za koje William Rainey Harper (jedan od začetnika daljinskog obrazovanja i predsjednik Sveučilišta Čikago u SAD 1885. godine) smatra da dolazi dan kad će količina informacija koja se razmjeni dopisivanjem biti veća od one u razredima u školama i koledžima.

Vrijeme elektroničke i bežične revolucije – je vrijeme za koje John Chambers (glavni izvršni direktor u korporaciji Cisco Systems) kaže da će obrazovanje biti sljedeća velika programska aplikacija koja će za Internet biti „ubojica“, pa će se uporaba e-mail-a činiti zanemarivo malena naspram obrazovanja putem Internet-a.

Redding (2001) smatra da je u proteklih stotinu godina tehnologija globalno unaprijedila: komunikacije, transport, zdravstvenu skrb i zabavu te da je sada konačno vrijeme da se unaprijedi i poboljša obrazovanje i obuka. S tim u vezi ističe kako u 2001. godini 77% tvrtki koristi vlastiti intranet za obuku svojih zaposlenika. Nadalje, predviđa da će se polovica od ove obuke obavljati u 2002. godini uz paradigmu e-učenja, te da će e-učenje u 2005. godini angažirati oko 50 milijardi dolara. Woodill (2007) kaže da san o transformaciji obrazovanja uz pomoć tehnologije ima dugu povijest. Inovacije poput filma, televizije, grafoskopa i dijaprojektora, strojeva za učenje i računala imaju zajednički put otvoriti pravce za poboljšanje obrazovanja, da bude efikasnije i učinkovitije. Međutim, kao što to najbolje dobri učitelji znaju, učenje je u velikoj mjeri osobni čin, koji od učitelja zahtjeva razumijevanje složenosti samog procesa, uvažavanje individualnih značajka učenika, te odabiranje najboljih načina poučavanja nastavnih sadržaja. Tehnologija ne može zamijeniti vrijednosti dobrog

5

učitelja. Ali tehnologija može dodati nove vrijednosti i proširiti učiteljeva umijeća za veći broj učenika i na većim udaljenostima, pa čak i sa boljim rezultatima. U ovom kontekstu, a promišljajući pri tom o resursima učenja i infrastrukturi za učenje Robson (2009) uočava tri razdoblja pri razvoju tehnologijske osnovice koja podržava učenje za vrijeme koje se promatra (Tablica 1.1.). Tablica 1.1. Razvoj tehnologijske osnovice(modificirano prema Robson, 2009)

Godina Resurs učenja Infrastruktura učenja 1870 Knjiga Knjižnica 1940 Učitelj Učionica 2010 Google Web

E-UČENJE – NASTANAK I RAZVOJ

Povijest e-učenja je kratka, ali vrlo aktivna i teče paralelno s razvojem tehnologije telekomunikacija, što je tehnologija koja se odnosi na komunikaciju i prijenos informacija na daljinu (Fournier, 2006). Osim toga, razvoj e-učenja je povezan s razvojem računala, računalnih mreže kao i relevantne programske podrške. Posebno valja istaknuti da je otkriće mikroprocesora s odgovarajućom programskom podrškom osigurala istraživanje i razvoj čije rezultate danas koristimo u brojnim primjenama, a ne samo u e-učenju. Ekstenzivan je to bio razvoj, premda u prošlosti nekad i nerealnih očekivanja, dok sadašnjost već nudi opipljive rezultate, a budućnost obećava nove. Dakle, povijest e-učenja odvija se usporedno s razvojem elektroničke opreme i korištenja informacijske i komunikacijske tehnologije. Premda je razdoblje ranog e-učenja povezano s komunikacijskom tehnologijom iz vremena sedamdesetih i osamdesetih godina prošlog stoljeća, ipak je tek primjenom osobnih računala iz devedesetih godina rezultirala povećanim interesom i entuzijazmom u ovom području. Slijedom ovakvog promišljanja u nastavku se provodi analiza u vezi s nastankom termina e-učenje. Naime, prisutne su kontraverze u vezi s vremenom nastajanja ovog termina, pa sljedeća rasprava ide u prilog njenog razjašnjenja. U listopadu 1999, tijekom seminara „CBT Systems“ u Los Angelesu, u profesionalnom okruženju je po prvi put spomenuta nova riječ „e-learning“ (http://www.leerbeleving.nl/wbts/1/history_of_elearning.html). Pridružujući takvom izrazu smisao „on line učenje“ ili „prividno učenje“. Ova riječ ukazuje na put učenja koje se oslanja na upotrebu novih tehnologija omogućavajući on-line učenje, interaktivno učenje, kao i individualizirano učenje. Nove tehnologije predstavljaju upotrebu Interneta ili ostalih elektroničkih medija poput interaktivne televizije, CD-ROM-a, DVD –a i slično. Naravno sve ovo omogućava razvoj kompetencija učenika u procesu učenja koje se odvija s bilo kojeg mjesta i u bilo koje vrijeme. Zaključuje se da sama riječ e-učenje nema dugu povijest, ali se isto tako postavlja pitanje što su elementi e-učenja. S tim u vezi jasno je i to da je razvoj e-učenja uključen u revoluciju zajedno s drugim „obrazovnim revolucijama“. Billings i Moursund (1988) s tim u vezi navode četiri obrazovne revolucije: (i) otkriće čitanja i pisanja, (ii) nastanak zanimanja učitelj/učenik, (iii) razvoj tehnologija za rotirajući tisak, (iv) razvoj elektroničke tehnologije.

6

Cross2) (2004) kao i Fournier (2006) kažu da je naziv e-učenje krajem 1997. godine „iskovao“ guru za učenje Elliott Masie3), a poistovjećuje ga s on-line učenjem, pa je e-učenje upotreba mrežne tehnologije za oblikovanje, isporuku, odabir, administriranje i proširenje učenja. Međutim, Cross u istom dijelu ističe i to da je u 1998. godini i sam kazao da je e-učenje, učenje u vremenu Interneta, približavanje učenja i računalnih mreža. Kasnije, Cross u raspravi s naslovom Origins of “eLearning” od 30. studenog 2008. godine (http://www.internettime.com/2008/11/) naglašava da je pronašao i novi dokument iz 1997. godine u kojem se spominje termin e-učenja. Naime, citira dokument u kojem Aldo Morri (Morri, 1997) uvodi termin e-učenje povezujući ga s daljinskim učenjem, a tržište za interaktivno učenje na daljinu „sada poznato kao e-učenje“ ima procvat zajedno s porastom značenja Internet-a i korporativnog intraneta. Osim navedenog, zanimljiv je komentar koje iznosi John Seely Brown, kad na blogu Internet Time Blog (internettime.pbworks.com/internet+time+group) zapisuje da će ključ za 21. stoljeće biti učenje o tome kako neformalno učenje ima djelovanje za sve nas. Nadalje, ističe da „nam Jay (Jay Cross opaska autora) pruža provokativan putokaz kako to možemo učiniti“. Brown je posebno zanimljiv za ovu raspravu jer je jedan od istraživača kojem se pripisuje zasluga i posebna uloga pri utvrđivanja naziva za inteligentne tutorske sustave (više o tome u poglavlju 5. – odjeljak Inteligentni sustavi nastave pomoću računala). Kratko opisna povijest razvoja tehnologije kao i e-učenja, te utvrđivanje korijena nastanka samog naziva e-učenja zasigurno nije povezana samo s razdobljem od proteklih deset godina. To je razdoblje koje se nastavilo na prethodno koje seže, za ovu noviju povijest, od najnovijih tehnologija i na njoj zasnovane računalne opreme od sedamdesetih godina prošlog stoljeća, pa sve do današnjih dana sveprisutnog računarstva s novim načelima programske podrške. Suvremeni pristup računalima se temelji na društvenoj programskoj podršci te otvorenim i besplatnim sadržajima koje sve korisnike računala ozbiljno „zapljuskuju“. Uvažavajući ovakav pristup tada se primjena računala u obrazovanju globalno može dijeliti na vrijeme prije nastanka e-učenja i vrijeme poslije nastanka e-učenja. To je snažan i dinamičan razvoj, a sama primjena koja je ovdje u fokusu – obrazovanje, nastava, učenja, poučavanje, a znači stjecanje novih znanja i vještina posebno je intrigantno za svako društvo. Nadalje, iz povijesti medija i tehnologije je poznato da nova forma nikad nije zamijenila staru. Primjerice, TV nije „ubio“ radio, isto kao što Internet nije „ubio“ TV. Nove forme medija i tehnologije upotpunjuju stare, ali stare ne ukidaju. Mediji i formati različitih uređaja se mogu međusobno miješati stvarajući pri tom nove forme koje sadrže značajke svake od onih koji se miješaju. Dobar primjer za ovo je najnovija izvedba iPod mobilnog uređaja, a

2) Jay Cross je pobornik neformalnog učenja, programskih alata web 2.0 i sustavnog promišljanja. Osporio je konvencionalnu mudrost o tome kako odrasli uče da oblikuju svoj prvi poslovni program, što je inače temeljno učio na Sveučilištu Phoenix u SAD prije tri desetljeća. Sada već jedanaest godina u Internet Time Group savjetuje i predlaže smjernice za razvoj tvrtki poput Cisco, IBM, Sun, Intel Corporation, HP, CIA, Svjetska banka, kao i brojnih drugih. Trenutno je okupiran podešavanjem neformalnog i Web 2.0 učenja, a sve radi poboljšanja učinkovitosti sustava za poslovanje učenjem. Autor je poznate knjige iz područja neformalnog učenja - Informal Learning: Rediscovering the Natural Pathways that Inspire Innovation and Performance kao i brojnih stručnih rasprava i više knjiga (internettime.pbworks.com/bio). 3) Elliott Masie je međunarodno priznat futurist, analitičar, istraživač i organizator tečajeva za stjecanje danas „kritičnih“ znanja u područjima poput poslovne suradnje i novih tehnologija. Bio je urednik Internet biltena Learning TRENDS by Elliott Masie, kojeg je redovito čitalo oko 50.000 poslovnih rukovodilaca diljem svijeta, redoviti je kolumnist u raznim stručnim publikacijama, autor je desetak knjiga. Čelnik je Elliott Masie Learning CONSORTIUM u kojem sudjeluju 252 tvrtke diljem svijeta, a od poznatih su: 3M, Adobe Systems, ADL CoLab, Aplle Computer, Bank of America, Ericsson, Google, Hewlett Packard, IBM Corporation, Intel Corporation, Microsoft, Texas Instruments, Xerox Corporation (masie.com/).

7

to je vrsta walkmen-a na Internet-u koji omogućava personalizaciju radio emisije (podcasting).

Uvažavajući ovakav pogled na razvoj primjene računala u učenju za vrijeme od sedamdesetih godina prošlog stoljeća do današnjih dana sagledavaju se pet vremenskih razdoblja (slika 1.1.). Osvrt na svako od ovih razdoblja će se komentirati u sljedećim odjeljcima.

Slika 1.1. Slijed razvoja e-učenja (modificirano prema Leinonen, 2005)

PROGRAMIRANJE, VJEŽBANJE I PONAVLJANJE

Programiranje kao i vježbanje i ponavljanje značajke su kasnih sedamdesetih i ranih osamdesetih godina prošlog stoljeća. Početak razdoblja je obilježen po masovnoj pojavi „kućnih računala“ (eng. home computers) koji sa sobom donose i različite inačice programskog jezika BASIC. Metode, tehnike i alati za oblikovanje programske podrške su relativno primitivne. Programsko inženjerstvo (eng. software engineering) kao računalna discipline za oblikovanje i implementiranje programske podrške kao industrijskog produkta je u početnim fazama razvoja. U pogledu pedagogijskog okvira to je vrijeme primjene biheviorističkog pristupa i pristupa vježbanje i ponavljanje (eng. drill and practice). Prostor rješavanja problema (eng. problem solving) otvorio je LOGO programski jezik i najavio konture primjene Piaget-ove konstruktivističke obrazovne paradigme.

UČENJE TEMELJENO NA RAČUNALU S MULTIMEDIJOM

Obrazovanje utemeljeno na računalu s multimedijom je povezano s razdobljem kasnih osamdesetih i ranih devedesetih godina prošlog stoljeća. U vremenu kad su multimedijska računala, uz naprednu grafiku i zvuk došla do masovnog tržišta postalo je jasno zašto „drill and practice“ paradigma uglavnom nije mnogo postizala, jer taj pristup nije uključivao multimediju. Učenici uz animaciju kao i video prikaze mnogu uspješnije obavljaju vježbe i postižu u načelu bolje rezultate. To je bila zlatna era računala koja su raspolagala sa CD-ROM uređajem i multimedijom. Danas se i može zaključiti da je ovakva konfiguracija računala ispunila postavljena očekivanja tog vremena. Multimedija otvara svijet kreativnosti, dozvoljavajući dodavanje video i zvučnog zapisa tekstualnim dokumentima pa je time posebno pogodan za primjenu u procesu učenja i poučavanja. Nadalje, multimedija ostvaruje i pretpostavke za oblikovanje sučelja učenika jer

8

omogućava iniciranje više osjetila, a na taj način doprinosi svekolikoj aktivnosti učenika tijekom učenja i poučavanja.

UČENJE TEMELJENO NA INTERNET-U

Obrazovanje temeljeno na Internet-u karakteristično je za rane devedesete godine prošlog stoljeća. Ovaj treći val primjene računala u obrazovanju došao je zajedno sa Internet-om i uslugom World Wide Web. Neuspjeh sa CD-ROM se prevodio u zahtjeva za novim izazovom tj. za ažuriranje sadržaja distribuiranih putem CD-ROM-a. Informacije u nastavnim sadržajima su se brzo mijenjale pa su promotori nove paradigme gotovo dnevne promjene. Naravno da je ovo povećavalo značajno troškove. Postaje jasno da će se isporuka nastavnih sadržaja na CD-ROM-u napustiti, a razvoj tehnologije omogućava novi način koji će biti obilježen isporukom putem Internet-a tj WWW usluge. Međutim, na samom početku se i tu postavljaju dvojbe i to upravo zbog brzine isporuke nastavnih sadržaja s multimedijom, koja je u tom početnom razdoblju bila nedovoljna. Tim Berners-Lee je 6. kolovoza 1991. predstavio javnosti sažetak svog projekta World Wide Web. Rađa se jedna mrežno orijentirana računalna usluga koja će značajno utjecati na primjene, a pogotovo na primjenu u obrazovanju. Berners-Lee je cijelu filozofiju Web-a na kraju sveo u jednu vrlo jednostavnu rečenicu u kojoj ističe da je cilj projekta World Wide Web stvoriti veze prema svim dostupnim informacijama. WWW je hipermedijski mrežni servis temeljen na hipertekstu koji radi na klijent – poslužitelj načelu, a omogućava objavljivanje, pregledavanje, dohvat i pretraživanje dokumenata koje mogu biti: tekst, slika, animacija, zvuk i video zapis.

Lake (1995) je Internet nazvao super-prometnicom ili računalnom mrežom svih računalnih mreža (eng. network of networks). U svom promišljanju ističe da je najučinkovitiji način razumijevanja funkcionalnosti Interneta sagledavanje njegove obrazovne vrijednosti iz perspektive učionice (sinonim obrazovanja). S tim u vezi smatra da je Internet:

­ mjesto za razgovor (eng. a place to talk) ­ mjesto za prikupljanje organiziranih informacija (eng. a place to get organized

information) ­ mjesto za organizaciju i pružanje informacija (eng. a place to organize and put

information)

Khan (2001) primjenjuju različite nazive za otvorene, fleksibilne kao i raspodijeljene aktivnosti u procesu učenja i poučavanja s podrškom Interneta, kao što su: Web utemeljeno učenje (eng. Web-Based Learning), Web utemeljena nastava (eng. Web-Based Instruction), Web utemeljeno vježbanje (eng. Web-Based Training), vježbanje utemeljeno na Internetu (eng. Internet-Based Training).

Hu i Lancaster (2006) ističu kako obrazovanje putem Internet-a ispunjava pet R – pravih uvjeta (R dolazi od engleske riječi right) što znači: prave vještine (eng. the right skills), za pravi posao (eng. for the right job), isporučen na pravo mjesto (eng. delivered int he right place), u pravo vrijeme (eng. at the right time) i na pravi način (eng. int he right way).

9

E-UČENJE

Razdoblje e-učenja je smješteno unutar kasnih devedesetih godina prošlog stoljeća i početka novog stoljeća. U ovom razdoblju Internet-based training 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 sada uglavnom 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. Tehnologije računalnih mreža, poput intraneta, Interneta kao i WWW, a posebno hipermedija zajedno su utjecali na osnivanje tzv. naprednih tehnologija učenja (eng. advanced learning technologies). Termin napredne tehnologije valja promatrati u kontekstu tehnologijskih različitosti i to od već usvojenih programskih sustava za prezentaciji nastavnih sadržaja putem računala pri predavanju učitelja ili pak knjiga i udžbenika koji podupiru tradicionalnu paradigmu. Nova nastavna paradigma je orijentirana prema učeniku (eng. learner - centered paradigm). 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, medij, organizacija…) (Stankov i drugi, 2004).

Poboljšanja u raspoloživosti pristupa i brzini pristupa Internetu kao i računalna moć platformi osobnih računala dramatično je povećala mogućnosti okruženja suradnog rada kao i ostalih tehnologija za raspodijeljeno učenje. Kao posljedica ovakvog stanja je razvoj širokog dijapazona različitih produkata kao nastajanja niza novih tvrtki i asocijacija koje intenzivno ulaze u prodajni prostor tehnologija za učenje. Novi produkti neprestano izlaze na tržište te u kombinaciji s postojećim ostvaruju nove funkcionalnosti. Sve to postaje novi izazov za stvaranje potpuno novog okruženja e-učenja. Pojava paradigme e-učenja ne znači da postojeću aplikacijsku programsku podršku kao i tradicionalne predavačke metode rada u obrazovanju valja staviti van upotrebe. Naprotiv, postojeće kao primjerice administriranje učenika, ljudski resursi kao i poslovanje knjižnicama predstavljaju kritične komponente okruženja e-učenja. Pravi je izazov sve to integrirati u sustav e-učenja kao njegove usluge.

Paradigma e-učenja je označila istinsku prekretnicu u primijeni ICT-a 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 koja ističe individualnost - onoliko koliko učeniku treba. Međutim, temeljni doprinos ovom području ističe dvije bitne odrednice (www.isodynamic.com/web/pdf/IsoDynamic_elearning_white_paper.pdf):

10

­ Razvoj i promocija norme4) (eng. standards) za djeljive objekte nastavnog sadržaja za e – učenje (eng. Sharable Learning Content Objects) ili objekte učenja (eng. Learning Objects)

­ Razvoj i objavljivanje integriranih sustava za upravljanje procesom učenja (eng. Learning Management Systems – LMS) kao najčešće korišten sustav e-učenja.

U interpretaciji ovog navoda valja jasno razdvojiti značaj s jedne strane objekata učenja, a s druge strane sustava za upravljanje učenjem. Objekti učenja „nose“ nastavni sadržaj koji se učeniku isporučuje uz pomoć sustava za upravljanje učenja u okruženju Interneta. U vezi s objektima učenja i njihovom isporukom u sustavima e-učenja posebno su značajne norme za njihovo oblikovanje. Rasprava o sustavima za upravljanje e-učenjem i normama u e-učenju izvršit će se u odjeljcima koji kasnije slijede u ovom poglavlju. Međutim, valja istaknuti da dok je razvoj normi za objekt učenja istinska novost povezana s vremenom koje se ovdje promatra, to se za sustave za upravljanje učenjem ne može reći. Podsjeća to prije na poznatu izreku „staro vino u novom pakovanju“. Uvodno se već raspravljalo o sustavu nastave pomoću računala u kontekstu smještanja e-učenja u okruženje inteligentnih tutorskih sustava. Sada se to ponovno naglašava, jer je primjerice sustav Plato (sa gotovo svim funkcionalnostima LMS-a) prvi pothvat raspodijeljenog sustava za podršku nastave i učenja, ali naravno nastao u vremenu druge računalne tehnologije. Zaključuje se da je LMS zapravo oslonjen na Internet i na sve ono što je pružaju Internet i Web usluge. Nadalje, ima autora (Watson i Watson, 2007) koji korijene LMS sustava vide u integriranom sustavu za učenje (eng. Integrated Learning System - ILS). Integrirani sustav za učenje prema ovim navodima nudi funkcionalnosti poput upravljanja i slijeđenja traga učenika pri učenju, individualizaciju nastave te povezivanje s okolinom.

DRUŠTVENA PROGRAMSKA PODRŠKA I BESPLATAN I OTVOREN SADRŽAJ

Početak novog stoljeća obilježava paradigma društvene programske podrške i besplatnog i otvorenog sadržaja (eng. social software + free and open content). Približavajući se prvoj dekadi novog milenija, priroda i usluge Interneta kao i način na koji ljudi upotrebljavaju Internet počeo se mijenjati. Promjene su u brojnim primjenama, a posebno u obrazovanju kao i procesu učenja i poučavanja. Javlja se potreba za što bržim stjecanjem znanja, pravovremenim obrazovanjem, koje će istovremeno biti otvoreno i široko dostupno.

Sudionici Interneta više nisu publika i pasivni primatelji informacija, već sudjeluju u njihovu stvaranju, dopunjavanju, modificiranju i prenošenju. Arhitektura Interneta predstavlja najpogodnije rješenje za one koji žele biti aktivni sudionici u stvaranju i objavljivanju sadržaja. Posebno se ovo očituje u pojavi skupine programskih alata - Web 2.0, koji gledano s društvenog aspekta, omogućuje sudionicima stvaranje, uređivanje i

4) Norma (eng. standard) je definirana kao “dokumentirani sporazumi koji sadrže tehničke specifikacije ili druge precizne kriterije koji će se dosljedno koristiti kao pravila, smjernice ili definicije svojstava, kako bi se osiguralo da sredstva, produkti, procesi i usluge budu primjerene za njihovu namjenu“ (Bryden, 2003).

11

objavljivanje vlastitog sadržaja, komunikaciju i socijalizaciju te međusobnu suradnju na zajedničkim projektima što je osobito korisna mogućnost u poslovnim i obrazovnim sredinama. Izraz Web 2.0 prvi put je upotrijebljen 2004. godine na konferenciji O'Reilly Media Web 2.0 (O'Reilly , 2005) nakon čega postaje često korištena fraza. Postoji mnogo različitih definicija termina Web 2.0 međutim njegov glavni smisao odnosi se na novu generaciju World Wide Web-a, ali ne s aspekta tehničkih specifikacija, već s aspekta korištenja Interneta i Web usluga. Web 2.0 nije tehnološka revolucija, nego društvena revolucija. ''Web 2.0 je stav, a ne tehnologija“. Oblikovane su i omogućene brojne nove otvorene primjene i usluge. Kad se kaže „otvorene“ misli se tehnički otvorene s odgovarajućim API (eng. Application Programming Interface) funkcionalnostima u kojima su ostvarena i nova sučelja za programiranje. Osim toga, nešto što je čak i više važno društveno otvorenim s pravima dodijeljenih za upotrebu sadržaja u novim i „uzbudljivim kontekstima.'' (Downes, 2005) Oblikovanje sadržaja od strane sudionika podrazumijeva i njegovo objavljivanje, pa je razvijen širok spektar mrežnih platformi za raspodjelu takvog sadržaja. Svaki oblik sadržaja je u pravilu vezan uz odgovarajuću platformu te se tako primjerice tekstualni sadržaji najčešće pojavljuju u okviru blog-a. Kratko će se opisati neki od danas najpopularnijih platformi (Forrester, 2008):

­ RSS (Really Simple Syndication) – omogućava da pomoću posebnih programa ili dodataka čitate naslove ili sažetke obavijesti, Internet stranica i slično. RSS podržava XML format za jednostavnu i brzu distribuciju Web sadržaja. Krajnjem korisniku je omogućeno lakše praćenje Web sadržaja iz više izvora štedeći pri tom i vrijeme i novac. Osim toga, na računalu korisnika mogu automatski pristizati sažeci svih vijesti i članaka odmah nakon njihove objave. Na taj način na jednom mjestu, u unificiranom sučelju, je moguće pregledavati naslove, a kada je neki naslov potrebno detaljnjije analizirati, tada se „klikom“ na njega otvara Web stranicu na kojoj je nalazi cijeli tekst vijesti, članka, ili tome slično. Na ovakav način jednostavnije je prećenje većeg broja Web izvora združujući pri tom popise linkova i pripadajućih im opisa koji pomažu u odluci treba li pročitati članak ili ne. Svi popisi sa Web stranica izgledaju uniformno, onako kako ih korisnik želi. Kod učenja, upotreba RSS-a je korisna jer se učenicima mogu dobivati obavijesti o bilo kakvim promjenama ili novostima u kolegiju i sadržajima koje uče.

­ Wiki je Web stranica koja se jednostavno i brzo modificira uz korištenje jednostavne sintakse. U svojoj najčišćoj inačici, Wiki je potpuno otvoren i svatko može uređivati, mijenjati ili brisati sadržaj bilo koje stranice. Wiki može biti organiziran oko jednostavnih tekstualnih razmišljanja pa do suradnih projekata. Mogu biti jednostavne platforme za planiranje neformalnog zajedničkog rada ili pokretačko načelo u pozadini globalnih projekata poput Wikipedije. S porastom popularnosti Wiki-ja u drugim online kulturama, koristi se čak i u poslovnom svijetu, npr kao rješenje za upravljanje znanjem, a sve se više koriste i u obrazovanju. Njihova jednostavnost i niski troškovi korištenja i održavanja idealni su za obrazovno okruženje koje se rijetko može podičiti velikim budžetom. Wiki nije Wikipedija, što se često misli, već je to zapravo globalna raspodijeljena enciklopedija. Zapravo je naziv Wikipedija složenica nastala od riječi wiki i enciklopedija, a zasnovana je na načelima otvorenosti, suradnje i jednostavnosti, što je temeljno svojstvo Wiki-ja. Na ovim je temeljima uz suradnju brojnih Web sudionika nastao resurs ovakvih

12

razmjera. Zbog svoje otvorenosti moguće je da svatko uređuje bilo koju stranicu, pa su s tim u vezi Wiki stranice na udaru destrukcije i unošenja neprimjerenih sadržaja. Međutim, zahvaljujući Wiki alatima ovome se može uspješno suprotstaviti restauracijom izvornih sadržaja koji su jednom na nekoj stranici oblikovani. Valja naglasiti da su online zajednice „prejake“ te su jače od onih koji pokušavaju destrukcijom uništiti kvalitetne sadržaje pogotovo sadržaje Wikipedije.

­ Društvene oznake (eng. Social Tagging) – Web stranice kao što je Flickr omogućuju

korisnicima dodavanje metapodataka koji objašnjavaju slike, a to olakšava pretraživanje i kategorizaciju slika algoritmima kao što su Google PageRank i AdWords. Kvaliteta kategorizacije se povećava kako sve više korisnika gledaju, komentiraju i dodaju oznake slikama. Na taj način, sam sustav postaje sve više učinkovit kako raste broj korisnika i njihove aktivnosti na odgovarajućim sadržajima.

­ Blog je kratica od WebLog što se smatrati osobnim online dnevnikom koji može uključiti tekst i razne multimedijske sadržaje (slike, video zapise, …). Blogovi su postali zanimljivi kao izvor alternativnih mišljenja i izvora informacija. Danas su blogovi prirodna evolucija osobnih Web stranica, te simboliziraju prijelaz iz pasivnosti korisnika u aktivno sudjelovanje u informacijama. Ako učenici pišu blog kao svoje razmišljanje o sadržajima učenja, ova aktivnost može pomoći i njima i ostalim učenicima koji također mogu ostaviti svoje komentare, te time poticati daljnje rasprave.

­ Društvene mreže (eng. Social Networking) – postoji veliki potencijal u društvenim mrežama kao što su Facebook, MySpace i LinkedIn. Svi omogućuju kreiranje grupa zasnovanih na interesima koji korisnike međusobno povezuju. Postoji veliki broj grupa korisnika koji međusobno raspravljaju ili jednostavno komuniciraju chatom s drugim korisnicima. Društvene mreže olakšavaju kontakt s geografski udaljenim prijateljima, poznanicima, kolegama, ….

--- o ---

Uvažavajući ovdje izložen razvoj zaključuje se da učenje s računalom nije učenje o programiranju ili „vježbanje i ponavljanje“ pomoću računala, niti je to učenje o brzom zastarijevanju (iskazano na slici 1.1.) ili povoljnoj cijeni to su sve one ideje i promišljanja koje ljudi mogu slobodno dijeliti i izmjenjivati u komunikaciji s različitim okruženjima i na različite načine (pojedinačno ili grupno). Prikazan je razvojni put e-učenja i s njima implicirani sustavi e-učenja. Radi daljnje sistematizacije e-učenja u odjeljcima koji slijede definira se e-učenje i sustavi e- učenja. Slijedi zatim opis konfiguracije sustava e-učenja i uvođenje objekata e-učenja kao građevnih komponenti nastavih sadržaja koji se isporučuju e-učenjem u sustavima e-učenja. Prikazat će se nastanak i razvoj normi za opis objekata učenja, kao i opis načina isporuke objekata učenja u sustavima e-učenja. Norme u e-učenju su još uvijek u intenzivnom razvojnom putu do uspostavljanja statusa de jure norme.

13

DEFINICIJA E-UČENJA I SUSTAVI E-UČENJA

E – učenje predstavlja presjek dvaju svjetova i to: svijeta informacijske i komunikacijske tehnologije i svijeta obrazovanja. Brojne su vrednote ovog „presjeka“ pogotovo onda kada se koristi kao dio dobro planiranog i organiziranog okruženja obrazovanja, međutim zasigurno e-učenje nije „magična kugla“ koja će zamijeniti i staviti van upotrebe postojeće pedagoške teorije, principe i norme. Temeljne vrijednosti e-učenja moguće je ustanoviti: (i) pomoću postignuća učenika u procesu učenja i poučavanja i (ii) vrednujući sustav e-učenja. E-učenje su definirali brojni autori na različite načine, pa radi sagledavanja različitosti kao i zajedničkih atributa definicija prikazuju se neke od najčešće korištenih. Definicija 1.

E-učenje pokriva veliki skup primjena i procesa kao što su: učenje temeljeno na Web-u, učenje temeljeno na računalu, prividne razrede i digitalno surađivanje. Ono uključuje isporuku sadržaja putem Internet-a, računalnih mreža (LAN i WAN), audio i video traka, satelitskog prijenosa, interaktivne TV i CD-ROM medija (ASTD5) – Rječnik kojeg uređuje E. Kaplan-Leiserson, www.learningcircuits.org./glossary.html, dostupno 17.11.2006.)

Definicija 2.

E-učenje se također naziva eučenje od engleskog termina elearning ili eUčenje od engleskog termina eLearning. Ono predstavlja isporuku učenja, obuke ili obrazovnog programa pomoću elektroničkih sredstava. E-učenje obuhvaća upotrebu računala ili elektroničkog uređaja (primjerice mobilnog telefona) radi ostvarivanja obuke, obrazovanja ili pristupa nastavnom sadržaju za učenje. E-učenje može uključiti brojne tehnike i opremu i obično podrazumijeva isporuku nastavih sadržaja online načinom u Internet ili intranet okruženju, kao i u offline okruženju pomoću CD-ROM ili DVD medija. E-učenje se može odvijati na zahtjev. E-učenje za čovjeka nadvladava vrijeme, mogućnost pristupa kao i poteškoće koje nose putovanja (http://derekstockley.com.au – dostupno 26.11.2006.).

Definicija 3.

E-učenje je prikupljanje i upotreba znanja raspodijeljeno i omogućeno prvenstveno putem elektroničkih sredstava. Ovaj način učenja sada ovisi o mrežama i računalima ali je u sustave uključen na različite načine (primjerice bežičnim prijenosom, satelitskim prijenosom) i različitim tehnologijama (primjerice prijenosni telefon, dlanovnik). E-učenje može biti organizirano u vidu tečajeva, modula učenja kao i objekata učenja. E-učenje uključuje sinkroni ili asinkroni pristup i može biti geografski raspodijeljeno po vremenu i granicama (Wentling i drugi, 2000).

Definicija 4.

Brandon Hall „… nastava koja je isporučena elektronički, u dijelovima ili potpuno putem Web preglednika, putem Interneta ili intraneta, ili putem multimedijskih platformi sa CD-ROM ili DVD medijem.“ Brandon Hall zagovara upotrebu tehnologija kao faktora poboljšanja e-učenja te pri tom prvenstveno identificira upotrebu Web-a ili intranet

5) ASTD - American Society for Trainers and Development - www.astd.org

14

Web-a, naglašavajući pri tom vizualno okruženje i interaktivnu prirodu takvog učenja (http://www.brandon-hall.com – dostupno 26.11.2006.).

Definicija 5.

E-učenje je široki koncept (više od on-line učenja) koji obuhvaća veliki skup primjena i procesa koji upotrebljava sve raspoložive elektroničke medije radi isporuke profesionalnog obrazovanja i obuke na mnogo fleksibilniji način nego tradicionalni sustavi učenja. Termin e-učenje se sada koristi kao okvir koji je generalno usredotočen da obuhvati podršku čitavog niza različitih elektroničkih medija (Internet, intranet, satelit, audio/video trake, Interaktivna TV i CD-ROM) da bi učenje za profesionalno zanimanje učinio za korisnika više fleksibilnim. (http://flexiblelearning.net.au/aboutus/keydocuments.ht -dostupno 26.11.2006.).

Definicija 6.

Rosenberg (2001) ograničava e-učenje na Internet: korištenje Internet tehnologije za isporuku širokog spektra rješenja koji unapređuju stjecanje znanja. E-učenje je temeljeno na tri osnovna kriterija: umrežavanje, isporuka nastavnih sadržaja putem računala uz pomoću standardne internet tehnologije, usredotočivanje na najšire poglede učenja. U formalnom smislu, temeljem iznesenih definicija, e-učenje uključuje brojne strategije učenja i poučavanja kao i elektronička sredstva i uređaje što podupiru ove aktivnosti i to CD-ROM medij, sustavi nastave temeljene na računalu, videokonferencijski sustavi, nastavni sadržaji za učenje isporučeni uz pomoć satelitske komunikacije i mreža prividnog obrazovanja. Drugim riječima, to nije samo Web utemeljena nastava ili pak daljinsko učenje, već naprotiv uključuje mnoge putove u kojima se može obavljati individualna izmjena informacija i stjecanje znanja onih koji sudjeluju u takvom procesu. U načelu to je učenje zasnovano na elektroničkoj tehnologiji, oblikovano tako da omogućava stjecanje znanja i vještina ne samo učeniku u formalnom procesu učenja i poučavanja već i u neformalnom učenju. Ovdje se pri tom misli na sudionike u procesu cjeloživotnog učenja što znači učenja uz rad, prekvalifikaciju za nova zanimanja, kao i metode i tehnike u proizvodnim tvrtkama, administraciji i tome slično. Promišljajući o e-učenju Khan uvodi okvir njegovog okruženja (eng. a framework for e-learning) te smatra da ono globalno mora odgovoriti na pitanje: «Što treba učiniti u cilju ostvarivanja uspješne aktivnosti e-učenja i to za različite kategorije učenika?» pa predlaže njegov prostor kojeg razapinju: pedagogija, tehnologija, korisničko sučelje, procjenjivanje, poslovanje, on-line podrška, etika i institucija (Slika 1.2., Khan, 2001). Svaka od navedenih dimenzija ovog prostora ima više atributa, a

Slika 1.2. Prostor e – učenja (Khan, 2001)

(Khan, 2002)

15

sve skupa formira okruženje e-učenja.

U pogledu tehnologije za isporuku nastavnih sadržaja e-učenje može biti ostvareno asinkronim ili sinkronim načinom (http://www.isodynamic.com/web/e_learn.htm).

Asinkrono je ono učenje kod kojeg se interakcija učitelja i učenika događa povremeno i pri tome njihove aktivnosti nisu po vremenu sinkronizirane. Dohvat i isporuka nastavnih sadržaja moguća je na bilo kojem mjestu, u bilo kojem vremenu i napredovanje s vlastitim tempom (eng. any place, any time, and self paced) (Rosić, 2000).

Sinkrono učenje podrazumijeva interakciju učitelja i učenika u načelu u realnom vremenu, aktivnosti su po vremenu sinkronizirane i odvijaju se po unaprijed dogovorenom scenariju na unaprijed dogovorenim mjestima. Često se kaže da se na ovaj način formiraju prividne učionice (eng. virtual classroom) u kojima učitelj upravlja svim aktivnostima u procesu poučavanja. Ovo je razlog što sinkroni sustavi zadržavaju gotovo sve atribute koji obilježavaju tradicionalni predavački model poučavanja, a to su: prikaz nastavnog sadržaja s jednog mjesta, mogućnost postavljanja pitanja učitelju, ograničene mogućnosti rasprave, nastava se odvija u definiranom terminu, nastava se odvija na definiranom mjestu (Rosić, 2000).

Isporuka nastavnih sadržaja u ovakvom okruženju obuhvaća načelno kako čovjeka (kome su namijenjeni nastavni sadržaji) tako i sustav (omogućava isporuku nastavnih sadržaja) temeljen na nekoj od tehnologija. Tehnologija uvećava i podržava komunikaciju i interakciju te proces učenja i poučavanja čini efikasnijim. Prezentacija nastavnih sadržaja koju podržava tehnologija povezuje učenika i učitelja te „ruši“ gotovo sve vremenske i prostorne barijere.

Slika 1.3. Tehnologije za isporuku nastavih sadržaja (http://www.cognitivedesignsolutions.com)

16

U skladu s asinkronim i sinkronim načinima isporuke nastavnih sadržaja moguće je i sagledati kako značajke tako i pripadne vrste sustava za isporuku nastavnih sadržaja posredstvom široke palete tehnologija u raspon od „žive“ nastave do nastave „na zahtjev“ (slika 1.3.).

Slijedom ovog promišljanja zaključuje se da različite isporuke nastavih sadržaja omogućavaju oblikovanje različitih sustava e-učenja. S tim u vezi kao i navedenim specifičnostima asinkronih i sinkronih tehnologija uvodi se klasifikacija za sustave e-učenja na asinkrone i sinkrone sustave. Svaki sustav e-učenja u načelu mora uključiti ove funkcionalnosti, što se inače temelji na tradicionalnim načelima učenja:

­ oblikovanje, pospremanje i isporuku nastavnih sadržaja ­ testiranje i vrednovanje znanja učenika ­ upravljanje ili na višoj razini vođenje procesa učenja i poučavanja ­ administriranje sudionika (učenika, učitelja, stručnjaka područnog znanja).

Navedene funkcionalnosti impliciraju i temeljne sudionike sustava e-učenja: učenik, učitelj, stručnjak područnog znanja i administrator sustava. Sustav e-učenja u kojem bi bile realizirane sve navedene funkcionalnosti (što nije nužno i nije uvijek slučaj) mora imati sljedeće komponente:

a. Autorski alat (eng. authoring tool) predstavlja okruženje koje omogućuje oblikovanje nastavnih sadržaja, oblikovanje i uređivanje on-line kvizova, oblikovanje lista za vođenje diskusija i rasprava učesnika sustava za e-učenje i tome slično. Međutim nemaju svi sustavi e-učenja autorski alat, pa je to i jedna od kategorija po kojoj se međusobno i razlikuju, a što je detaljno objašnjeno u sljedećem odjeljku.

b. Komponentu za ostvarivanje komunikacija posredstvom računala (eng. computer mediated communication). Globalno se komunikacija putem računala može obavljati u okviru: diskusijskih foruma (eng. discussion forums), sustava za razmjenu elektroničke pošte (eng. E-mail messaging systems) i razgovorne sobe (eng. chat rooms). Ovaj način računalnog posredovanja dopušta učeniku i učitelju međusobnu komunikaciju i to privatnu i javnu kao i komunikaciju u prethodno definiranim grupama.

c. Navigacijski alat (eng. navigational tools) – Alat za kretanje unutar definiranog nastavnog sadržaja. Uz pomoć ovih programskih alata omogućena je organizacija nastavnih sadržaja na WWW prostoru u vidu sadržajnih modula i lekcija. Nastavni sadržaji zajedno sa programskim alatom omogućavaju učenicima sagledavanje potpune strukture i svih pojedinosti koje je učitelj oblikovao i namijenio učeniku za učenje i poučavanje.

d. Komponentu za upravljanje tečajem (eng. course management). U tradicionalnom učenju u razredu ovo znači nadzor učenika i njegovo postignuće tj. učinak što je dakako zadaća učitelja. Međutim, u elektroničkom okruženju učenja i poučavanja potrebno je ostvariti podršku kao i osobnost pristupa različitim vrstama sudionika ovog procesa prvenstveno učenicima i učiteljima ali i ostalim iz obrazovnog sustava ili obrazovne institucije.

e. Komponentu za mjerenje postignuća (eng. assessment) učenika je najčešće on-line kviz s mogućnostima dobivanja ocjene odmah po njegovom završetku. Ocjena obično uključuje broj osvojenih bodova kao i pisani komentar ili poruku o daljnjim

17

koracima. Pitanja u kvizu se postavljaju temeljem slučajnog izbora i u načelu su sastavljena po predlošcima: odgovor s da ili ne; odgovor s višestrukim izborom, davanje odgovora s popunjavanjem jedne ili više nedostajućih riječi u zadanom tekstu i tome slično.

Naravno, da ovih pet komponenata formira strukturu tzv. potpunog sustava e-učenja koji će ispuniti sve temeljne funkcionalnosti nastavnog procesa, što znači učenje, poučavanje, testiranje, vrednovanje znanja i administriranje sudionika. Nije nužno da svi sustavi e-učenja koji se uvode u nastavni proces imaju sve ove temeljne funkcionalnosti, pa se često za ispunjavanje svih funkcionalnosti koriste više različitih sustava. Osim toga, mogući su i različiti scenariji nastavnog procesa u kojem se kombinira tradicionalna nastava i nastava u okruženju sustava e-učenja (eng. blended learning). U nastavku se opisuju aktualne klase konfiguracija sustava za e-učenje koji ispunjavaju navedene funkcionalnosti.

18

Slika 1.4. Sustav za upravljanje učenjem (Nichani, 2001)

KONFIGURACIJE SUSTAVA E-UČENJA I OBJEKTI E-UČENJA

Slijedom brojnih izvora literature koji promatraju aktualna stanja konfiguracija sustava za e-učenje, u fokusu analize su sustavi za upravljanje učenjem i sustavi za upravljanje sadržajem učenja. Zajedničko za navedene sustave jest da su to Web orijentirani sustavi za potporu procesa učenja i poučavanja tijekom stjecanje znanja i vještina učenika.

Sustav za upravljanje učenjem predstavlja programsku podršku koja globalno omogućava potpuno administriranje procesa učenja i poučavanja. LMS obavlja registraciju učenika, omogućava slijed tečajeva u katalogu tečajeva, opis podataka o učeniku, te omogućava izvještavanje o obavljenom.

Osim toga, LMS je obično oblikovan tako da može rukovati tečajevima koje su isporučili različiti izdavači i institucije koje omogućavaju usluge (eng. providers). Obično LMS ne uključuje u svojoj konfiguraciji autorske alate za stvaranje nastavnog sadržaja. Prodavači LMS sustava obično nude i dodatne alate za stvaranje nastavnog sadržaja. Ponovna upotrebljivost je na razini cijelog tečaja (jedan tečaj može se isporučiti većem broju učenika, omogućeno je praćenje postignuća).

Sustav za upravljanje sadržajem učenja (eng. Learnig Content Management Systems, LCMS) omogućava upravljanje oblikovanjem, pospremanjem, upotrebom i ponovnom upotrebom sadržaja za učenje. Sadržaj za učenje je strukturiran u formi granula znanja koje se nazivaju objekti učenja (eng. learning objects). Struktura LCMS sustava se može

promatrati i kao nadgradnja strukture LMS sustava kojem se dodaje sustav za upravljanje sadržajem (eng. content management system, CMS) ili ponovno upotrebljive objekte učenja (eng. reusable learning objects, RLO) (Nichani, 2001). Termin CMS je potekao iz on-line izdavačke industrije gdje omogućavaju oblikovanje i administriranje različitih sadržaja (članaka, reportaža, slika, transparenata i tome slično). U CMS sustavu članak je u cijelosti sastavljen od većeg broja granula koje se nazivaju komponente sadržaja (eng. content components), na čijoj je razini zagarantirana i ponovna upotrebljivost. Jedna te ista komponenta može biti uključena u brojne članke i njega mogu čitati brojni čitatelji

Slika 1.5. Sustav za upravljanje sadržajem učenja (Nichani, 2001)

19

Ako se komponente sadržaja dovedu u vezu s učenjem tada se govori o ponovno upotrebljivim objektima učenja koji sadržajno mogu figurirati u različitim područnim znanjima i mogu biti isporučeni različitim učenicima. Upravo se ovo svojstvo strukturiranja i koristi kod LCMS sustava. Sadržajna komponenta u domeni učenja naziva se ponovno upotrebljivi objekt učenja.

Unatoč brojnim definicijama za ponovno upotrebljive objekte učenja, suština je u primjeni modela objektno orijentiranog promišljanja u „svijetu” učenja. Uspješna metafora su i LEGO blokovi jer su kao i objekti učenja ponovno upotrebljive komponente (Slika 1.6.) kao što su: tekstovi, prezentacije, animacije, slike, HTML dokumenti, ali koje se ne koriste za gradnju dvoraca iz mašte djeteta nego za građenje i stjecanje znanja. Hodings6) (2000) ističe da je njegovo „putovanje u svijet objekata učenja“ započelo prije mnogo godina kad je promatrao igru svoje djece sa LEGO kockama. Primijetio je da djeca imaju različite poglede i interese u igri s LEGO kockama. Međutim, iskazuju svoju posebnost i kreativnost, koja je djeci svojstvena, kako u oblikovanju „povijesnih dvoraca“ tako i u oblikovanju „čovjekolikog robota“. Wiley (2000) smatra da je IEEE LTSC7) (itsc.ieee.org) odabrao termin “objekt učenja” upravo prema Hodings-u koji ga je 1994. godine koristio u naslovu CedMA radne grupe „Learning Architecture, API's and Learning Object“ da bi opisao tu sadržajno malu nastavnu komponentu, uspostavio radnu grupu i omogućio radnu definiciju: Objekt

učenja je digitalni ili nedigitalni entitet, koji se može upotrijebiti, ponovno upotrijebiti ili referencirati za vrijeme učenja koje se obavlja uz potporu tehnologije. Primjeri učenja koje se odvija uz potporu tehnologije uključuju sustave obuke temeljene na računalu, interaktivne okoline učenja, sustavi inteligentne nastave pomoću računala, sustavi daljinskog učenja i suradne

okoline za učenje. Primjeri objekta učenja su: multimedijski sadržaji, nastavni sadržaji, ciljevi učenja, nastavna programska podrška i programski alati, osobe, organizacije ili događaji u vezi za vrijeme učenja koje se obavlja uz potporu tehnologije (Learning Object

Metadata, 2002). Struktura i složena priroda objekta učenja je odista otvorena za interpretaciju (Balatsoukas i drugi, 2008). Većina definicija je oblikovana oko općih načela koji naglašavaju atribute objekta učenja kao što su: ­ pristupačnost (eng. accessibility) što znači da objekt učenja mora biti obilježen

metapodacima radi pospremanja i pristupa u relevantnoj bazi podataka; 6) Wayne Hodgins (http://waynehodgins.typepad.com/about.html) više od 35 godina ima zapaženu ulogu u obrazovanju, učenju i obuci obavljajući pri tom niz tečajeva i javnih predavanja širom svijeta. Posebno je zapažena njegova aktivnost u promoviranju novih modela učenja, oblikovanju sustava za upravljanje učenjem i novoj ulozi tehnologije u učenju. Pripisuju mu se i zasluge za oblikovanje koncepta objekta učenja. 7) IEEE LTSC - Institute of Electrical and Electronics Engineers Learning Technology Standards Committee (više o ulozi IEEE LTSC pri definiranju objekta učenja u odjeljku koje slijedi)

Slika a. Slika b.

Slika 1.6. Ponovno upotrebljivi objekti učenja

20

­ ponovnu upotrebljivost (eng. reusability) što znači da jednom oblikovan objekt učenja može funkcionirati – biti upotrjebljen u različitim nastavnim kontekstima

­ interoperabilnost (eng. interoperability) što znači da objekt učenja mora biti nezavisan o mediju za isporuku nastavnog sadržaja i sustava za upravljanje učenjem.

E-učenje je danas značajan i razvijen model interaktivnog učenja i raspodjele znanja, a više od šezdeset komercijalnih ili besplatnih LMS sustava je proizvedeno i nalazi se u primjeni diljem Svijeta, to je čak prevladavajuća konfiguracija sustava e-učenja. Jedan od temeljnih izazova za sve koji se bave sustavima e-učenja je kako LMS sustave povezati i tako integrirati da predstavljaju otvoren i interoperabilan portal e-učenja koji će (Hsu i Yang, 2008): ­ podržati interoperabilnost radi postignuća zadaća učenja s više postavljenih ciljeva, ­ podržati formalne metode za sastavljanje takvih tečajeva za učenje koje će imati

značajke prilagođavanja aktualnoj razini znanja učenika, ­ omogućiti učeniku orijentiran otvoren portal koji je toliko moćan da uključuje

sadržaje za učenje sa različitih LMS sustava, ­ omogućiti takvo cjeloživotno učenje u kojem će učenici moći pristupiti mnogim LMS

sustavima za vrijeme svoje radne karijere, isto tako omogućiti opcije transparentnog ocjenjivanja, slijeđenja postignuća, i/ili metodologiju za potporu učenja.

Sve navedeno moguće je ostvariti uz razvoj i primjenu normi za oblikovanje nastavnih sadržaja uz pomoć objekata učenja, kao i oblikovanje takvih sustava za upravljanje učenjem unutar koji će se učeniku isporučiti takvi sadržaji. Razvoj tehničkih standarda u obrazovnoj programskoj podršci može se shvatiti kao dio sazrijevanja polja, sektora ili industrije e-učenja. Pojava Interneta i njegove usluge World Wide Web, označila je početak masovne primjene digitalnih tehnologija u obrazovanju. Međutim, ove su tehnologije često korištene u različitim ad-hoc oblicima primjerice: razvijeni su brojni tečajevi, komponente tečajeva i sustava za upravljanje i isporuku tih tečajeva. Razvijalo se to slijedom nezavisnih inicijativa brojnih asocijacija često bez suradnog rada što je popraćeno velikim troškovima. Osim toga, ovaj nastavni sadržaj i takvi sustavi za upravljanje nastavnih sadržaja su oblikovani i implementirani na način koji ga čini vrlo teškim pa čak nemogućim za razmjenu ili za njihovu uspješnu interoperabilnost (Friesen, 2004). Hodings (2000) ističe kako je povijest jasno pokazala da se revolucionarne promjene ne mogu uspostaviti bez rasprostranjenog usvajanja zajedničkih normi. Primjerice u slučaju električne energije to je norma električnog napona kao i priključnica za potrošače, za željezničku prugu to je širina kolosijeka, za Internet je to norma TCP/IP protokola, kao i HTTP norma i HTML norma. U sljedećem odjeljku će se u vezi sa svim iznesenim u ovom prikazati put nastanka i razvoja normi za objekte učenja i njihovu isporuku putem sustava e-učenja.

21

NASTANAK I RAZVOJ NORMI ZA E-UČENJE

Norme u e-učenju traže putove za interoperabilnost, prenosivost i ponovnu upotrebljivost nastavnog sadržaja oblikovanog uz pomoć objekata učenja, a isporučenog u sustavima za upravljanje učenjem. Temeljni cilj normi u e-učenju je omogućiti strukture podataka i komunikacijske protokole za objekte e-učenja. Interoperabilnost treba ostvariti između različitih aplikacija pružajući pri tom jedinstvene upute koje se koriste pri oblikovanju, razvoju i isporuci objekata učenja. Sretne su okolnosti da se za primjenu informacijske i komunikacijske tehnologije u procesu učenja i poučavanja ulažu znatni napori radi oblikovanja normi kako za objekte učenja tako i za relevantna srodna područja. Tipična argumentacija za oblikovanje normi u e-učenju sadržana je u nastojanju za poboljšanje procesa učenja, obrazovanja i osposobljavanja što će pozitivno utjecati i na razvoj društva u cijelosti.

E-učenje, kao i gotovo svaka druga tehnologija ima brojne relevantne norme koje su omogućile rani početak razvoja ovog područja. Primjerice, tvrtka Dublin Core8) je započela 1994. godine razvoj okvira meta-podataka za Web okruženje, s temeljnim ciljem da se olakša pretraživanje referenci zapisanih u digitalnom obliku. Izvorno je zamišljen za autorsko generiranje opisa Web resursa, ali projekt privlači pozornost zajednice za opis resursa u muzejima, knjižnicama, vladinim agencijama i komercijalnim organizacijama. Danas Dublin Core djeluje kroz Dublin Core Metadata Initiative (DCMI – http://dublincore.org) što je organizacija koja omogućava otvoreni forum za razvoj interoperabilne on-line norme metapodataka za podršku širokog spektar namjena i poslovnih modela. DCMI aktivnosti uključuju konsenzusom-organizirane radne skupine, svjetske konferencije i radionice, povezivanje normi, kao i obrazovne napore za promicanje rasprostranjenog prihvaćanja normi metapodataka kao i primjera dobre prakse. U 1997. godini EDCOM konzorcij (sada EDUCASE) visokoškolskih institucija i njihovih partnera započinje sa zajedničkim radom na razvoju otvorenih, tržišno utemeljenih, normi za online učenje, uključujući specifikacije meta podataka za opisivanje sadržaja učenja. Zajednička inicijativa se nazvala Projekt IMS (Instructional Management System) što je zapravo rezultat rada na specifikaciji meta podataka u području učenja (Babu, 2004). U isto to vrijeme, 1997. godine, Nacionalni institut za norme i tehnologiju (National Institute for Standards and Technology) i studijska grupa IEEE P.1484 (sada IEEE LTSC) također započinju s istraživanjem i razvojem meta podataka za opisivanje nastavnih sadržaja. Ujedinjenjem ovih dvaju inicijativa kao i povezivanjem IMS projekta sa ARIADNE9) projektom (u 1998. godini) započinje zajednički rad na stvaranju temeljnog

8) „Dublin“ je naziv koji se odnosi na mjesto Dublin, države Ohio u SAD-u. U gradu Dublin je 1995. godine održana radionica s naslovom OCLC/NCSA Metadata Workshop (OCLC – Online Computer Library Center; NCSA – National Center for Supercomputing Applications). „Core“ se odnosi na temeljni skup elemenata meta-podataka, ali je to također i lista koja se može proširivati (http://en.wikipedia.org/wiki/Dublin_Core). 9) ARIADNE (Alliance of Remote Instructional Authoring & Distribution Networks for Europe) ovaj je savez formiran radi razvoja programskih alata i metodologija u e-učenju (http://www.ariadne-eu.org).

22

dokumenta IEEE Learning Object Meta-data (LOM) za oblikovanje objekta učenja. LOM se definira kao skup elementa koji se koriste za opisivanje resursa učenja. Međutim, vremenski znatno ranije međunarodna asocijacija AICC (Aviation Industry Computer Based Training Committee - http://www.aicc.org) orijentirana na obuku profesionalnog kadra potrebnog zrakoplovnoj industriji i zrakoplovstvu 1988. godine započinje sa razvojem interoperabilnih specifikacija za oblikovanje nastavnih sadržaja. U to vrijeme su proizvođači zrakoplova Boeing, Airbus i McDonnell-Douglas osnovali ovu asocijaciju radi potrebe za oblikovanjem novih multimedijski orijentiranih sadržaja za obuku. Već u 1989. godini AICC je publicirao preporuke za obuku na računalu utemeljenu i to na platformi osobnog računala. 1992. godine AICC proizvodi interoperabilnu specifikaciju za digitalni audio za MS-DOS platformu. 1993. godine AICC proizvodi prvu interoperabilnu specifikaciju za klasu CMI (eng. computer managed instruction) računalnih sustava s oznakom CMI001 – AICC/CMI Guidelines for Interoperability, koja je oblikovana za CD ROM okruženje. U 1998. godini je poboljšana za rad u Web okruženju s nazivom HACP (HTTP-based AICC/CMI Protocol), te je u 1999. godini dograđena sa JavaScript API (Application Programming Interface) sučeljem za rad u realnom vremenu. AICC HACP norma se koristi danas u brojnim sustavima za upravljanje učenjem, a koriste je i ostale organizacije koje sudjeluju u oblikovanju normi za podršku učenja u okruženju informacijske i komunikacijske tehnologije. Prikazan je inicijalni put nastanka i razvoja normi za e-učenje i sustave e-učenja. Cilj normi je da omoguće čvrste strukture podataka i komunikacijske protokole za objekte e-učenja i radne tijekove u različitim sustavima. Na takav će se način omogućiti interoperabilnost različitih aplikacijskih okruženja, kao što su sustavi za upravljanje učenjem za nastavne sadržaje razvijene u „kući“ ili od strane trećih proizvođača. Sve to treba biti zasnovano na jedinstvenim uputama koje će se koristiti za vrijeme oblikovanja, razvoja i isporuke objekata učenja. To je dinamično područje koje se intenzivno razvijalo u proteklih deset godina čime su i stvorene pretpostavke za daljnji razvoj i primjenu. Svi oni koji prate ovo područje zaključuju da je ono doista dinamično i izloženo stalnim razvojem tehnologije i novim inicijativama. Područje su možda na najbolji način opisali znalci područja Fallon i Brown kad čitaocima svoje knjige doslovno poručuju „Ako imate problema sa e-učenjem i normama u e-učenju znajte da u tome niste sami“ (Fallon i Brown, 2003, str. 3). U osvrtu na postojeće stanje u razvoju normi u e-učenju nedvojbeno se zaključuje da su organizirane oko sljedećih glavnih kategorija: ­ Metapodataka – Većina onih koji neposredno sudjeluju u oblikovanju normi ističu da

su metapodaci središnji dio e-učenja. Sadržaji za učenje i katalozi sa ponudom nastavnih sadržaja moraju biti označeni na konzistentan način podržavajući pri tom indeksiranje, pospremanje, otkrivanje (pretraživanje) i pregledavanje objekata učenja različitim programskim alatima kroz različite repozitorije sadržaja.

­ Pakiranja sadržaja – Cilj specifikacija i normi za pakiranje sadržaja je da omogući organizaciju za prijenos tečajeva i sadržaja sa jednog sustava za učenje na drugi. To je neobično važno iz tog razloga što potencijalno sadržaji mogu biti oblikovani uz pomoć jednog alata, modificirani s drugim alatom, pospremljeni u repozitoriju koji je održavan od jednog isporučitelja, a korišten u okruženju koje je proizvedeno od nekog drugog isporučitelja. Pakiranje sadržaja uključuje i objekte učenja i

23

informacije o tome kako će isti zajedno djelovati s hijerarhijski većom jedinicom učenja. Pored svega, ono uključuje i pravila za isporuku sadržaja učeniku.

­ Profila učenika – Ove norme dopuštaju izmjenu informacija o učenicima. Informacije o profilu učenika uključuju osobne podatke, planove učenja, povijest učenja, certifikate i postignuća u znanju.

U sljedećem odjeljku će se prikazati glavni sudionici i proces nastanka kao i formalni put objavljivanja norme. Ukratko, norma se inicira istraživačkim i razvojnim radom temeljem kojih se prvo predlažu pa zatim usvajaju specifikaciju za promatrano područje. Slijedi zatim uspostavljanje norme i njeno prihvaćanje od strane međunarodne organizacije za norme - International Organization for Standardization (www.iso.org).

GLAVNI SUDIONICI U RAZVOJU I OBLIKOVANJU NORMI ZA E-UČENJE

Brojne su asocijacije i tvrtke danas u Svijetu uključene u razvoj, primjenu i testiranje kao i nadzor oblikovanja specifikacija i normi za tehnologije u kontekstu e-učenja. Donosi se ovdje tek sažeti prikaz područja, koje danas ima značajno mjesto u primjeni ICT-a u obrazovanju kao i u procesu učenja i poučavanja. Sasvim sigurno to zahtjeva puno više mjesta za analizu i prikaz detaljnijih pojedinosti. Međutim, ovdje su u fokusu analize inteligentni tutorski sustavi koji su unutar klasifikacije sustava e-učenja njihova asinkrona inačica. S tog stajališta je i dimenzioniran sadržaj ovog dijela koji radi potpunosti informiranja o području zahtjeva ovakvu raspravu. Glavni sudionici u razvoju i oblikovanju normi e-učenje nalaze se u Americi i Europi. U ovom odjeljku se prvo opisuje uloga organizacija regulatornih sudionika – institucija područja, a zatim prikazuju oni sudionici koji su u proteklom desetljeću imali najveći doprinos, a danas snažnu inicijativu za budući razvoj normi u e-učenju i sustavima e-učenja.

ISO/IEC JTC1 SC 36

Međunarodna organizacija za normizaciju (eng. International Organization for Standardization – ISO) (www.iso.org) u suradnji sa međunarodnom komisijom za elektrotehniku odgovornim za normizaciju elektrotehničke opreme (eng. International Electrotechnical Commission – IEC - www.iec.ch) 1999. godine formira zajednički tehnički komitet s oznakom ISO/IEC JTC1 (eng. Joint Technical Committiee 1 for information technology) za sva područja informacijske tehnologije (www.iso.org/iso/standards_development/technical_committees). Članstvo u ovom komitetu je otvoreno za sva nacionalna tijela, na isti način kao i članstvo u bilo kojem od dva roditelja ove združene organizacije. Član može biti bilo da sudjeluje (eng. Participant - P) ili da promatra (eng. Observing – O) aktivnosti u ovom području. Razlika se njihova očituje uglavnom u mogućnosti glasovanja o predloženim normama ili drugim proizvodima. Ostale organizacije sudjeluju kao članice za vezu (eng. liaison members) i to neke su unutarnje, a neke vanjske članice ISO/IEC. Iz jedne zemlje članice može biti više organizacija za vezu.

Službeni mandat komiteta ISO/IEC JTC1 je razvijati, održavati, poticati i olakšavati norme u području informacijske i komunikacijske tehnologije koja zahtijeva globalno poslovno tržište i korisnike što je u vezi sa: (i) oblikovanjem i razvojem sustava i alata

24

informacijske i komunikacijske tehnologije, (ii) izvedbom i kvalitetom uređaja i sustava informacijske i komunikacijske tehnologije, (iii) zaštitom informacija i sustava, (iv) prenosivosti aplikacijske programske podrške, (v) interoperabilnosti uređaja i sustava informacijske i komunikacijske tehnologije, (vi) jedinstvenih programskih alata i okruženja, (vii) harmonizacijom rječnika informacijske i komunikacijske tehnologije, (viii) oblikovanjem prijateljskog i ergonomskog korisničkog sučelja.

U vezi s tim aktivno je osamnaest podkomiteta od kojih je za ovu raspravu posebno značajan podkomitet za primjenu informacijske tehnologije u učenju, obrazovanju i obuci s oznakom JTC 1/SC 36 (Subcommittiees for Information technology for learning, education and training). Rad ovog podkomiteta orijentiran je na interoperabilnost, ne samo na tehničkoj razini već uzimajući u obzir i socijalne i kulturalne aspekte.

SC 36 je tijesno povezan i sa radom ostalih podkomiteta: SC 35 koji se bavi korisničkim sučeljima, SC 32 koji se bavi upravljanjem i razmjenom podataka, SC 22 čiji su zadatak programski jezici i SC 2 kodiranje znakova. Radne grupe ISO/IEC JTC1 SC36 predvode neke od danas najrazvijenijih zemalja kao što su Njemačka, Velika Britanija, Japan i SAD. Podkomitet SC 36 je organiziran u sedam radnih grupa čije su oznake i nazivi prikazani u Tablici 1.2.

Tablica 1.2. Radne grupe podkomiteta SC 36 (http://www.iso.org/iso/standards_development/technical_committees/list_of_iso_technical_comittees)

Radne grupe Naziv

WG 1 Rječnik (eng. vocabulary)

WG 2 Suradnička tehnologija (eng. collaborative technology)

WG 3 Informacije o onome koji uči (eng. learner information)

WG 4 Upravljanje i isporuka sadržaja za učenje, obrazovanje i obuku (eng. management and delivery of learning, education and training)

WG 5 Jamstvo kvalitete i opisno okruženje (eng. quality assurance and descriptive frameworks)

WG 6 Normirani međunarodni profil (eng. international standardized profiles)

WG 7 Kultura, jezik i individualne potrebe (eng. culture, language and individual needs)

Treba naglasiti da je izvorno ISO/IEC JTC1 deklariran za informacijsku tehnologiju, a podkomitet SC 36 za primjenu informacijske tehnologije za učenje, obrazovanje i obuku. Međutim, za termin informacijska tehnologija u Republici Hrvatskoj je usvojen naziv informacijska i komunikacijska tehnologija, pa će slijedom toga i u ovom tekstu isti biti korišten.

25

IEEE - THE LEARNING TECHNOLOGIES STANDARDIZATION COMMITTEE

Institute of Electrical and Electronics Engineers (IEEE – www.ieee.org) je međunarodna organizacija koja razvija tehničke norme i preporuke za električne, elektroničke, računalne i komunikacijske sustave. Unutar IEEE je komitet The Learning Technologies Standardization Committee (LTSC – www.ieeeltsc.org) koji pokriva sve aspekte relevantne za obrazovanje oslonjeno na računalu. Kodna oznaka ovog komiteta je P1484. Temeljne aktivnosti su orijentirane na razvoj tehničkih normi, preporuka najboljih rješenja i smjernica za programske komponente, alate, tehnologije i metode oblikovanja tijekom razvoja, implementaciju, održavanja kao i interpretacije obrazovnih sustava. Navest će se popis kako radnih tako i studijskih grupa s ciljem upoznavanja čitatelja sa pregledom područja unutar obrazovnih tehnologija koje LTSC organizirano svodi u norme: ­ Radna grupa za normiranje općih aktivnosti (eng. general activities) se sastoji od:

­ Studijske grupe s oznakom 1484.1 za arhitekturu i referentni model (eng. architecture and reference model) sustava za učenje, poučavanje i obuku.

­ Studijske grupe s oznakom 1484.3 za rječnik pojmova (eng. glossary). ­ Radna grupa za normiranje aktivnosti učenika (eng. learner-related activities) se

sastoji od: ­ Studijske grupe s oznakom 1484.2 za model učenika (eng. learner model). ­ Studijske grupe s oznakom 1484.4 za model zadatka (eng. task model) ­ Studijske grupe s oznakom 1484.13 za identifikaciju učenika (eng. student indentifiers). ­ Studijske grupe s oznakom 1484.5 za korisničko sučelje (eng. user interfaces) ­ Studijske grupe s oznakom 1484.19 za sustav kvalitete cjeloživotnog učenja (eng.

quality system for Life-Long learning). ­ Studijske grupe s oznakom 1484.20 za definiciju kompetencija (eng. compentency

definition)

­ Radna grupa za normiranje aktivnosti povezane sa nastavnim sadržajem (eng. content-related activities) se sastoji od: ­ Studijske grupe s oznakom 1484.10 za izmjenu podataka u računalnim sustavima za

podršku učenja, poučavanja i obuke (eng. CBT data interchange). ­ Studijske grupe s oznakom 1484.6 za sekvenciranje tečaja (eng. course sequencing) ­ Studijske grupe s oznakom 1484.17 za pakiranje nastavnih sadržaja (eng. content

packaging). ­ Radna grupa za normiranje podataka i metapodataka (eng. data and metada) se

sastoji od: ­ Studijske grupe s oznakom 1484.12 za metapodatke objekata učenja (eng. learning

objects metadata). ­ Studijske grupe s oznakom 1484.9 za lokalizaciju (eng. localization) ­ Studijske grupe s oznakom 1484.14 Semantics and exchange bindings. ­ Studijske grupe s oznakom 1484.15 za protokol za izmjenu podataka (eng. data

interchange protocols) ­ Studijske grupe s oznakom 1484.16 HTTP Bindings.

­ Radna grupa za normiranje upravljanja sustavima i primjenama (eng. Mgmt. Systems&applications) se sastoji od: ­ Studijske grupe s oznakom 1484.11 za nastavu računalom upravljanu (eng. computer

managed instruction). ­ Studijske grupe s oznakom 1484.18 za platformu i profile media (eng. platform and

media profiles) ­ Studijske grupe s oznakom 1484.7 za komunikaciju alat/agent (eng. tool/agent

communication). ­ Studijske grupe s oznakom 1484.8 enterprise interfaces.

26

ADVANCED DISTRIBUTED LEARNING – ADL

Ministarstvo obrane SAD-a i Ured za znanost i tehnologiju Bijele kuće SAD-a koncem 1997.

godine pokreću inicijativu nazvanu Advanced Distributed Learning Initiative (www.adlnet.org)

koja se obično referencira kao ADL inicijativa. Primarna misija ADL inicijative je

moderniziranje načina isporuke nastavnih sadržaja za obuku američke vojske. Semantika

samog akronima je znakovita i redom po strukturi znakova engleskog jezika znači sljedeće:

­ A – napredno što se odnosi na prilagodljivo učenje (eng. - adaptive learning), inteligentni tutoring (eng. intelligent tutoring), simulaciju (eng. simulation) i najsuvremeniju tehnologiju (eng. state-of-the-art technology)

­ D – raspodijeljeno što se odnosi na učenje u uredu, kući, razredu ili terenu. ­ L – učenje koje može biti u okviru formalnog obrazovanja, obuke i u okviru radnog

mjesta. ADL vizija je označila pristup obrazovanju organiziranom na najvišoj pedagoškoj razini

vođen: individualnim potrebama učenika, povoljnom cijenom isporuke, isporukom bilo gdje i

isporukom u bilo koje vrijeme.

ADL je u vezi s tim 1999. objavio prvu verziju specifikacije za e-učenje s nazivom Shareable

Content Object Reference Model (SCORM). SCORM je kolekcija normi i specifikacija za e-

učenje oslonjeno na Web. Sam akronim SCORM - Shareable Content Object Reference

Model na hrvatskom se jeziku tumači kao referentni model za objekt djeljivog nastavnog

sadržaja. Ovaj naziv je naslijedio nešto ranije postavljen naziv Shareable Courseware10)

Object Reference Model (www.clintonlibrary.gov) u kojem je vrijedno primijetiti pojam

courseware.

Moglo bi se zaključiti (opaska autora) da se nakon prvotno ambiciozno postavljenog cilja

oblikovanja referentnog modela za coursewaere-a prišlo skromnijoj varijanti koja ukazuje tek

samo na nastavni sadržaj. U takvom referentnom modelu centralno mjesto pripada objektu

učenja (Sharable Content Object – SCO - objekt djeljivog nastavnog sadržaja). Naravno, ovo

je manje strogo i lakše za realizaciju, premda i to nije elementarno jednostavno na što ukazuju

proteklo desetljeće nastajanja normi u e-učenju i sustavima e-učenja. Definirani atributi SCO-

a su ponovna upotrebljivost (engl. reusability), trajnost (engl. durability), dostupnost (engl.

accessibility), interoperabilnost (engl. interoperability), mogućnost održavanja (eng.

maintability), prilagodljivost (eng. adaptability).

Zasnivanju SCORM referentnog modela ADL je pristupio poprilično racionalno ujedinjujući

pri tom asocijacije koje su već imali razvijene specifikacije, a to su: AICC, IMS Project, IEEE

LTSC i ARIADNE. Testna verzija SCORM-a 1.0 je realizirana radi testiranja i daljnjeg

razvoja u siječnju 2000. godine. Slijedile su verzije 1.1. i 1.2. u 2001. godini. SCORM 1.

edicija je objavljena u siječnju 2004. godine, dalje su slijedile još tri edicije tijekom 2006. i

2009. godine. Aktualna je SCORM 2004. (četvrta edicija) iz ožujka 2009

(en.wikipedija.org/wiki/Sharable_Content_Object_Reference_Model). Prema dostupnim podacima

Ministarstvo obrane SAD - a je u 2008. godini raspolagalo sa oko 100.000 objekata učenja tj.

SCO-a (Gonzales-Barbone, Anido-Rifon, 2010). Strukturne promjene su se desile na prijelazu

verzije SCORM 1.2. na SCORM 2004 u kojima je ova potonja dobila još jedan modul za

nizanje nastavnih sadržaja - Sequencing and Navigation. Na slici 1.7. je struktura posljednje

(aktualne) verzije SCORM referentnog modela.

10) Courseware - didaktički oblikovan nastavni sadržaj nekog područnog znanja za izvođenje na računalu (detaljno analiziran u Poglavlju 12)

27

SCORM se u pogledu dokumentacije predstavlja kao skup knjiga koje sadrže opise struktura i specifikacija: ­ SCORM Overview je pregled koncepta kao i prikaz povijesnog razvoja, opis trenutnog

statusa i prikaz daljnjeg razvoja. ­ SCORM Content Aggregation Model (CAM), je specifikacija za identificiranje, traženje, i

prenošenje sadržaja e-učenja. Opisuju se objekti učenja koji se koriste u oblikovanju sadržaja učenja odnosno agregacije koje čine tako oblikovane sadržaje. Specifikacija se temelji na sljedećem: - IEEE-LTSC Learning Object Metadata - IMS XML obvezujuća specifikacija metapodataka (izvedena iz IMS Learning

Resource Meta-data Specification, version 1.2) - IMS specifikacija za pakiranje sadržaja

- SCORM Sequencing and Navigation (S&N) je specifikacija za nizanje i upravljanje objektima nastavnog sadržaja. S&N je izveden iz IMS Simple Sequencing (IMS SS) specifikacije.

­ Run-Time Environment (RTE) uključuje specifikacije koje definiraju kako LMS mora pokrenuti nastavne sadržaje, pratiti napredovanje učenika u okruženju utemeljenom na Web-u. U suštini ovim je obuhvaćena komunikacija SCO-a i LMS-a. Ova specifikacija je izvedena iz AICC CMI specifikacije koja je proširena zajedničkim radom ADL i AICC radi oblikovanju sučelja (API normi) za nastavne sadržaje i LMS.

SCORM verzije su usklađene prema posebnim testovima – SCORM Conformance Test Suite koji sadrži programsku podršku i dokumentaciju za testiranje sustava za upravljanje učenjem, SCO-a i paketa nastavnih sadržaja. Svi oni SCO-ovi i sustavi za upravljanje učenjem koji prođu ovaj test smatraju se usklađeni sa SCORM referentnim modelom.

Slika 1.7. SCORM 2004 verzija

28

Čitatelji će primijetiti da je ADL inicijativa i opis SCORM referentnog modela dobio nešto veći prostor za što postoji temeljni razlog isticanja poveznice sa inteligentnim tutorskim sustavima i to kako u samom začetku objavljivanjem ADL vizije kao i kasnije tijekom objavljivanja razvojnih inačica.

AVIATION INDUSTRY COMPUTER BASED TRAINING COMMITTEE – AICC

AICC (www.aicc.org) je jedan od najvećih korisnika obrazovnih programa uz podršku računalnog okruženja. AICC je objavila niz smjernica i tehničkih preporuka (AICC Guidelines & Recommendations - AGR) koje su redom označene s AGR-002 do AGR-012. AGR-001 je dokument sa zbirnim prikazom svih AICC AGR aktualnih uputa i preporuka (www.aicc.org/pages/aicc3.htm). Svi ovi dokumenti su razvijeni s jedinstvenim ciljem promoviranja interoperabilnosti nastave koja je računalom podržana unutar industrije zrakoplovstva. Navest će se samo neke od ovih preporuka:

­ AGR-002 je niz preporuka koje su naslovljene na zahtjeve u pogledu tehničke podrške radne stanice na kojoj će biti isporučen courseware s nastavnim sadržajima.

­ AGR-005 je niz preporuka koje promiču interoperabilnost sljedećih ulazno izlaznih uređaja: video kartica, video disk i XY ulazne uređaje kao što su ekran osjetljiv na dodir, miš i kotrljajuća kuglica.

­ AGR-006 su preporuke za promicanje interoperabilnosti za sustave za upravljanje nastavom.

­ AGR-010 su preporuke za sustave za upravljanje nastavom koja je podržana Web-om.

Detaljna dokumentacija u vezi sa svim ostalim preporukama koje su razvijene od strane AICC su dostupne na Web stranicama ove asocijacije.

IMS GLOBAL CONSORTIUM – IMS GLC

Projekt Instructional Management Systems je ostvario značajne rezultate u samom početku razvoja specifikacija za e-učenje i sustave e-učenje, a danas je to IMS Global Learning Consortium (www.imsglobal.org) s 140 organizacija koje dolaze iz svih sektora globalne zajednice udružene s jedinstvenim ciljem poboljšanja uvjeta učenja. IMS proizvodi otvorene specifikacije za lociranje i upotrebu nastavnih sadržaja u okviru e-učenja, praćenja učenika, izvještavanje o postignućima učenika, te razmjene učenikovog zapisa između različitih sustava za upravljanje učenjem. Dvije od ovih specifikacija su uključene i prilagođene za upotrebu unutar SCORM referentnog modela u Verziji 1.2.: ­ IMS Learning Resources Meta-Data Specification koja definira metode za opis resursa

učenja. ­ IMS Content & Packaging Specification koja definira način za oblikovanje ponovno

upotrebljivog objekta učenja u različitim sustavima za upravljan je učenjem. Ostale IMS specifikacije su:

29

­ IMS Question & Test Interoperability Specification koja koja je orijentirana na primjenu testiranja znanja učenika i dijeljenja resursa povezanih sa opisom testova i opisom postignuća učenika na različitim sustavim za upravljanje učenjem.

­ IMS Learner Profiles Specification koja definira putove za organizaciju informacija o učeniku u različitim sustavima za upravljanje učenjem.

­ IMS Simple Sequencing Specification koja definira metode za specificiranje prilagodljivih pravila za sekvenciranje ponovno upotrebljivih objekata učenju koja se učeniku prezentiraju.

Sva potrebna detaljna dokumentacija je dostupna na Web stranicama IMS GLC, pa se u vezi s tim upućuju čitaoci radi daljnjih informacija u vezi s spomenutim specifikacijama.

SUDIONICI UNUTAR EUROPSKE UNIJE

Unutar Europske unije identificirana su četiri glavna sudionika koji svoju aktivnost povezuju za e-učenjem i sustavima e-učenja. ­ The Alliance of Remote Instructional Authoring and Distribution Networks for

Europe (ARIADNE) Glavna područja rada ARIADNE (http://ariadne.unil.ch) su: računalne mreže za obrazovanje i učenje, metodologije razvoja, upravljanja i ponovne upotrebe obrazovnih sadržaja, pregled definicija vezanih za obuku uz pomoć računala i obrazovni metapodaci. Jedan od najvažnijih doprinosa ove inicijative je prijedlog o obrazovnim metapodacima koji je nastao u suradnji sa IMS-om. ­ PROmoting Multimedia access to Education and Training in EUropean Society

(PROMETEUS) PROMETEUS (http://prometeus.org) je Europska inicijativa koju čini više od 400 institucija uključenih u obrazovanje uz pomoć računala. Do danas nisu napravljeni neki značajniji rezultati. ­ The European Committee for Standardization - The Information Society

Standardization System (CEN/ISSS) Djelatnost CEN/ISSS (http://www.cenorm.be/isss/Workshop/lt/) je orijentirana na ponovnu upotrebljivost i interoperabilnost za obrazovne resurse, obrazovnu suradnju, metapodatke za obrazovne sadržaje i kvalitetu procesa učenja. ­ Getting Educational Systems Talking Across Leading edge Technologies (GESTALT) GESTALT je Europska inicijativa koja izgrađuje referentni okvir za razvoj distribuiranih, heterogenih, skalabilnih i kompatibilnih obrazovnih sustava. Opći cilj predložene platforme je omogućiti korisnicima pronalaženje obrazovnih resursa i pristup pronađenim resursima putem mrežne infrastrukture prikladne za upravljanje. Doprinos GESTALT-a ogleda se i u definiciji modela podataka za umrežene obrazovne sustave, posebno u definiciji obrazovnih metapodataka te profila i sklonosti učenika.

30

Na kraju ovog odjeljka treba naglasiti i to da je Vlada Republike Hrvatske 2004. godine donijela Uredbu o osnivanju Hrvatskog zavoda za norme kao javne ustanove za ostvarivanje ciljeva normizacije i obavljanje poslova i zadataka nacionalne normizacije pod nazivom Hrvatski zavod za norme (www.hzn.hr). U sadržajnom kontekstu područja primjene informacijske i komunikacijske tehnologije u obrazovanju odrednice Hrvatskog zavoda za norme su uglavnom povezane sa ISO/IEC JTC1.

POSTUPAK OBJAVLJIVANJA NORME

Norme svoj razvojni put počinju sa uspostavljanjem specifikacije koja detaljno propisuje funkcionalnost u nekom aplikacijskom okruženju. Specifikacija predstavlja prvi korak i odražava opće funkcionalnosti za nešto što će biti oblikovano, implementirano ili proizvedeno. Brojne organizacije su danas uključene u razvoj, primjenu, testiranje i nadziranje specifikacija i normi. Specifikacije su manje vrednovane od normi te se s njima uspostavlja konsenzus onih koji ih predlažu i onih koji trebaju obaviti njihovu evaluaciju. Ponekad prođe dosta vremena prije nego li specifikacija postane norma. Norme su definicije ili formati koje moraju biti prepoznate od strane organizacija zaduženih za uspostavljanje normi ili njih industrijska proizvodnja prihvaća kao stvarne norme (eng. de facto standards). Norme imaju regulatornu funkciju i obično se prihvaćaju za programske jezike, operacijske sustave, formate podataka, protokole za komunikaciju i sučelja. Naravno, u fokusu ove analize su norme u e-učenju. U ovom procesu obično sudjeluje više nezavisnih institucija sa deklariranim i usvojenim statusom za obavljanje određene vrste djelatnosti.

Slika 1.8. Proces nastajanja norme e-učenja U prvom koraku konzorcij institucija (primjerice AICC, ARIADNE, Dublin Core, IMS, ALIC) (slika 1.8.) zajedničkim radom razvija inicijalnu specifikaciju čije se funkcionalnosti prikupljaju iz okruženja u kojem sudjeluju različiti korisnici, a koncepti su proizišli iz istraživanja i razvoja kao i uz utjecaj različitih tehničkih trendova. Rezultat zajedničkog rada ovog konzorcija je nacrt (eng. draf) tehničke specifikacije. U sljedećem koraku je razvoj novih produkata koji uključuju specifikacije. To su zapravo pilot

31

programi kao i referentni modeli s kojima se moraju provesti testiranja te ustanoviti upotrebljivost i efikasnost novih produkata. Ova se faza često naziva i legaliziranje (eng. validation) specifikacija. U ovom prikazu za to je deklarirana ADL asocijacija sa SCORM referentnim modelom. Rezultat rada je referentni model – prototip referentnog modela. U završnoj fazi kad su rezultati testiranja potvrdili efikasnost i upotrebljivost novog produkta dogovorom akreditiranih institucija (u ovom su slučaju to IEEE i W3C11)) se donosi i akreditira formalna norma za određeno područje. Drugi prikaz na slici 1.9. pruža pogled na veze među glavnim sudionicima u kojem važnu ulogu imaju upravo regulatorne institucije IEEE LTSC i ISO/IEC JTC1/SC 36. Prikazan je postojeći kao i budući način povezivanja koji ukazuje na to da će u budućnosti odlučujuću ulogu imati podkomitet SC36. S tim u vezi u daljnjoj raspravi će se i prikazati okruženje oblikovanja kao i značajni atributi normi koje SC 36 propisuje u području primjene ICT u učenju, obrazovanju i obuci.

Broj objavljenih ISO normi pod direktnom odgovornošću podkomiteta JTSC 1/SC 36 je 17, a u njemu učestvuju kao sudionici 23 zemlje članice i u statusu promatrača 17 zemalja članica. U okviru podkomiteta SC 36 je više organizacija sa statusom organizacije u vezi kao što su primjerice već opisane ADL, AICC, IMS, IEEE LTSC. Organizacije u vezi mogu imati različite statuse: ­ Liaison A: Organizacije koje čine učinkovit doprinos u radu tehničkih odbora ili

pododbora za pitanja normi koja rješava taj tehnički odbor ili pododbor ­ Liaison B: Organizacije koje čine učinkovit doprinos u radu tehničkih odbora ili

pododbora za pitanja koja rješava taj tehnički odbor ili pododbor

11) W3C - World Wide Web Consortium (www.w3.org) ne razvija specifikacije za neposrednu upotrebu u e-učenju i sustavima e-učenja, međutim razvija specifikacije, smjernice, programsku podršku i alate u vezi s uspostavljanjem interoperabilnosti Web okruženja.

Slika 1.9. Veze među glavnim sudionicima

32

­ Liaison C: Rezervirano za ISO/IEC JTC1. ISO katalog uključuje više od 18.000 publiciranih međunarodnih normi koje su klasificirane prema međunarodnoj klasifikaciji za norme (eng. International Classification for Standards – ICS) i prema tehničkom komitetu (eng. Technical Committee - TC). Glavna zadaća tehničkog komiteta je pripremanje međunarodnih normi, ali u iznimnim okolnostima priprema i tehničke izvještaje (eng. technical reports – TR) koji mogu ali ne moraju postati norme, pri čemu se razlikuju tri tipa takvih izvještaja:

­ tip 1 – kada zahtjev za normu ne može dobiti potrebnu podršku unatoč stalnim nastojanjima,

­ tip 2 – kada je područje još uvijek tehnički u razvoju ili zbog bilo kojeg drugog razloga koji neće u budućnosti imati neposrednu mogućnost sporazuma o dobivanju međunarodne norme,

­ tip 3 – kada je tehnički komitet već prikupio podatke različite vrste od kojih je već objavljena međunarodna norma.

U Tablici 1.3. je prikazan popis svih normi koje su objavljene unutar tehničkog komiteta JTC 1/SC 36 i odnose se na primjenu informacijske i komunikacijske tehnologije u učenju, obrazovanju i obuci. U nazivu norme primjerice ISO/IEC 2382-36:2008 kao što se vidi su tri dijela: ­ oznaka da je to ISO/IEC norma nastala unutar komiteta JTC1 ­ numerička oznaka norme (2382-36) i ­ godina kad je norma objavljena (2008). Važno je primijetiti i to da primjerice za SCORM referentni model sa strane ISO/IEC to još nije norma nego tehnički izvještaj, što je u nazivu i istaknuto oznakom TR – ISO/IEC TR 29163-1:2009. Kolona faza ima za oznaku dvije grupe cijelobrojnika koje označavaju: ­ fazu stanja razvoja norme od preliminarne faze (oznaka 00), faze publikacije (60),

faze revizije (90) do faze odustajanja (95) ­ podfazu stanja razvoja od podfaze registracije (00), kompletiranja glavne akcije (60)

do podfaze obnavljanja (99). Faze i podfaze normi i tehničkih izvještaja za područje primjene ICT (kako se to sa Tablice 1.3. vidi) nalaze se sve osim jedne u stanju 60.60 što znači da predstavljaju publiciranu međunarodnu normu. Iznimka je jedino norma za identifikaciju učesnika jer ima oznaku 90.60 što znači da je norma u stanju zatvorenog pregledavanja. Više o fazama i podfazama stanja razvoja ISO/IEC normi može se naći na Web stranici: http://www.iso.org/iso/standards_development/processes_and_procedures/stages_description/stages_table.htm.

33

Tablica 1.3.Norme pod izravnom odgovornošću JTC 1/SC 36 (http://www.iso.org/iso/iso_catalogue/catalogue_tc/)

Norma Faza ICS ISO/IEC 2382-36:2008 Information technology -- Vocabulary -- Part 36: Learning, education and training

60.60 01.040.35

35.020

ISO/IEC 12785-1:2009 Information technology -- Learning, education, and training -- Content packaging -- Part 1: Information model

60.60 35.240.99

CISO/IEC 19778-1:2008 Information technology -- Learning, education and training -- Collaborative technology -- Collaborative workplace -- Part 1: Collaborative workplace data model

60.60 35.240.99 03.100.30

ISO/IEC 19778-2:2008 Information technology -- Learning, education and training -- Collaborative technology -- Collaborative workplace -- Part 2: Collaborative environment data model

60.60 35.240.99 03.100.30

ISO/IEC 19778-3:2008 Information technology -- Learning, education and training -- Collaborative technology -- Collaborative workplace -- Part 3: Collaborative group data model

60.60 35.240.99 03.100.30

ISO/IEC 19780-1:2008 Information technology -- Learning, education and training -- Collaborative technology -- Collaborative learning communication -- Part 1: Text-based communication

60.60 35.240.99 03.100.30

ISO/IEC 19796-1:2005 Information technology -- Learning, education and training -- Quality management, assurance and metrics -- Part 1: General approach

60.60 35.240.99 03.100.30

ISO/IEC 19796-3:2009 Information technology -- Learning, education and training -- Quality management, assurance and metrics -- Part 3: Reference methods and metrics

60.60 35.240.99 03.100.30

ISO/IEC 23988:2007 Information technology -- A code of practice for the use of information technology (IT) in the delivery of assessments

60.60 35.240.99

ISO/IEC 24703:2004 Information technology -- Participant Identifiers

90.60 35.240.99

ISO/IEC 24751-1:2008 Information technology -- Individualized adaptability and accessibility in e-learning, education and training -- Part 1: Framework and reference model

60.60 03.100.30 35.240.99

ISO/IEC 24751-2:2008 Information technology -- Individualized adaptability and accessibility in e-learning, education and training -- Part 2: "Access for all" personal needs and preferences for digital delivery

60.60 03.100.30 35.240.99

ISO/IEC 24751-3:2008 Information technology -- Individualized adaptability and accessibility in e-learning, education and training -- Part 3: "Access for all" digital resource description

60.60 03.100.30 35.240.99

ISO/IEC TR 29163-1:2009 Information technology -- Sharable Content Object Reference Model (SCORM®) 2004 3rd Edition -- Part 1: Overview Version 1.1

60.60 35.240.99 03.100.30

ISO/IEC TR 29163-2:2009 Information technology -- Sharable Content Object Reference Model (SCORM®) 2004 3rd Edition -- Part 2: Content Aggregation Model Version 1.1

60.60 35.240.99 03.100.30

ISO/IEC TR 29163-3:2009 Information technology -- Sharable Content Object Reference Model (SCORM®) 2004 3rd Edition -- Part 3: Run-Time Environment Version 1.1

60.60 03.100.30 35.240.99

ISO/IEC TR 29163-4:2009 Information technology -- Sharable Content Object Reference Model (SCORM®) 2004 3rd Edition -- Part 4: Sequencing and Navigation Version 1.1

60.60 03.100.30 35.240.99

ICS je međunarodni klasifikacijski sustav za tehničke norme. Oblikovan je tako da pokrije sva područja i gotovo svaku aktivnost čovjeka u kojima se tehničke norme mogu koristiti, a sastoji od hijerarhijski organiziranog niza cjelobrojnika koji iskazuju naziv polja (razina 1), naziv skupine (razina 2) i naziv podgrupe (razina 3). Potpuni pregled ICS klasifikacije je na Web stranici: http://www.iso.org/iso/iso_catalogue/catalogue_ics.htm.

34

Pregled ICS oznaka za norme koje su nadležnosti ISO/IEC JTC1 SC 36 se nalazi u Tablici 1.4. Tablica 1.4. Pregled međunarodne klasifikacije za norme ISO/IEC JTC1 SC 36

Oznaka ICS Značenje ICS

35.020 Information technology (IT) in general Including general aspects of IT equipment

35.240 Applications of information technology

35.240.99 IT applications in other fields Including e-learning

01.040.35 Information technology. Office machines (Vocabularies)

03.100.30

Management of human resources Including staff training, staff responsibilities, staff qualifications and certification Welders' qualifications, see 25.160.01

NORME U E-UČENJU: SADAŠNJOST I BUDUĆNOST

Proteklo desetgodišnje razdoblje obilježeno je definiranjem, promocijom i uvođenjem e-učenja, te provedbom inicijative uvođenja normi u e-učenje. To je po prvi put u povijesti primjene računala (danas se to kaže primjene ICT) u obrazovanju da je više institucija prihvatilo ADL inicijativu i iskazalo zajedničku želju da konačno i u ovom području norme nađe svoju mjesto i ulogu. Naime, jasno je da su računala duboko promijenila način na koji obavljamo kupovinu, ili način na kojim međusobno komuniciramo, ali još uvijek nisu toliko promijenila način na koji se uči i na koji se obrazuje. Upravo ovo proteklo razdoblje je i u ovom području obilježeno po brojnim pomacima. Smatra se da je SCORM referentni model za ovo najbolji primjer. Prema podacima sa službene Web stranice ADL-a do 15. ožujka 2009. godine je izdano certifikate za ukupno 268 proizvoda, a od toga 154 su sustavi za upravljanje učenjem. Postoji također 295 proizvoda koji su usklađeni sa SCORM-om referentnim modelom, a od toga je 159 sustava za upravljanje učenjem. U lipnju 2006, Ministarstvo obrane SAD-a je izdalo nalog Department of Defense Instruction - 1322.26 s kojim se obavezuje uporaba SCORM referentnog modela u svim okruženjima e-učenja za potrebe američke vojske, te je time deklariran kao de jure norma. Osim toga, u industrijskim i obrazovnim sustavima diljem Svijeta SCORM referentni model predstavlja de facto normu (www.scorm.com/scorm-

explained/scorm-resources/glossary/). U prosincu 2009. godine (kao što se to vidi u prethodnom odjeljku) SCORM referentni model (SCORM 2004 3rd Edition) je klasificiran unutar Međunarodne organizacije za norme te je razvrstan kao tehnički izvještaj tipa 3 podkomiteta ISO/IEC JTC1 SC 36 (www.iso.org). Unatoč brojnim uspjesima i dobrim rezultatima u ovom razvojnom razdoblju su učinjene pogreške koje sprječavaju dugoročno i stabilno rješavanje problema normi, i nadasve problema intreroperabilnosti u oblikovanju nastavnih sadržaja za e-učenje i sustave e-učenja. Nedostatak jasnoće o intelektualnom vlasništvu između glavnih sudionika u oblikovanju SCORM referentnog modela, ADL-a i IMS GLC-a je utjecao na njegovu dugoročnu održivost. Ono što je počelo kao suradnja između organizacija sada je pretvoreno u jednu pravnu situaciju u kojoj jedna organizacija prijeti tužiti ADL inicijativu u vezi zajedničkog rada prije desetak godina. Ovakvo stanje je prepoznato i

35

bilo je prisutno i u drugim područjima, a takva zakonska bitka nad intelektualnim vlasništvu se obično događa kada je mnogo novca u pitanju. U pokušaju da utvrdi postojeću kvalitetu normi u e-učenju, te da procjeni njihovu ulogu u nastupajućem razdoblju od oko dvadeset godina, Silvers (2009) ističe kako ovo područje može biti konfuzno, zastrašujuće, a ponekad i kontraverzno. Posebno je zanimljivo njegovo promišljanje jer je u razdoblju intenzivnog SCORM razvoja od 2003. do 2006. godine radio u tehničkom timu za SCORM 2004 kao „content developer“ (radio je na razvoju i oblikovanju nastavnih sadržaja) od strane ADL. S tim u vezi se i navodi njegov pogled na odnose ADL i IMS. Naime, ADL je imao dogovorene sporazume s AICC i IMS GLC o korištenju njihovih specifikacija u oblikovanju SCORM referentnog modela. SCORM okvir izvorno nastaje kao kombinacija: AICC CMI modela podataka i API-a sa IMS metapodacima i Content Packaging specifikacijom. Od svojih početaka 2001. godine SCORM je imao nekoliko glavnih revizija. U četvrtoj (tekućoj) ediciji verzije SCORM 2004 u okviru modula Sequencing and Navigation uključena je IMS Simple Sequencing specifikacija. Međutim, tijekom godina podjela intelektualnog vlasništva u vezi sa IMS specifikacijom u SCORM referentnom modelu nije nikad bio do kraja usklađena. Takvo stanje je nužno otvorilo podjele i utjecalo na nova promišljanja i takve odnose koji su konačno djelovali na prekid zajedničkog rada ADL-a i IMS-a. Da li je to temeljni razlog ili je trebalo u SCORM projekt i ADL inicijativu unijeti „nove krvi“ i „svježih ideja“ teško je točno zaključiti. Međutim, istina je da je u lipnju 2007. godine započela razvojni put jedna nova ADL inicijativa za razvoj interoperabilnosti sustava za učenje, obrazovanje i obuku (Robson, 2008). Namjera ADL-a u to vrijeme je bila da izvrši prijenos vođenja SCORM projekta na novi istraživački projekt s ciljem da to postane de facto svjetska norma. Inicijativa je povezana sa interoperabilnosti sustava za učenje, obrazovanje i obuku i dobila je skraćeni naziv LETSI što znači Learning, Education, Training System Interoperability. Temeljni cilj je dalje voditi razvoj SCORM referentnog modela kao: međunarodnog projekta, nevladinog projekta, projekta otvorenog za sve zainteresirane strane i projekta odana normama otvorene programske podrške. LETSI inicijativi su se pored već ovdje poznatih ADL, AICC i IEEE LTSC pridružile brojne poznate organizacije čija je aktivnost orijentirana na komercijalnu isporuku usluga e-učenja, kao i onih koje su u oblikovanju i primjeni ICT postigli svjetski zapažene rezultate (LETSI Assumptions Document, 2009). Vodeću ulogu u ovom projektu obavlja poznati stručnjak i autor brojnih projekata iz područja računarstva Avron Barr12). Organizacija LETSI se prihvatila rada na novoj verziji SCORM-a i tu novu je verziju nazvala SCORM 2.0. Naravno da je to integracija SCORM referentnog modela i tehnologije Web 2.0. Temeljna značajka je stvoriti norme za koje bi različiti autori i različite grupe i udruge mogli koristiti rezultate zajedničkog rada, ali također i omogućiti dodavanje novih modula u svrhu proširenja SCORM 2.0. Upravo se "otvorenost" smatra ključnom za uspjeh LETSI inicijative i verzije SCORM 2.0 (Barr, 2009).

12) Avron Barr je nezavisni poslovni konsultant i 1980. osnivač tvrtke Aldo Ventures u Silicion Valley, SAD. Poznat je njegov doprinos u sudjelovanju i oblikovanju udžbenika o umjetnoj inteligenciji (izvedena u četiri toma) sa brojnim stručnjacima i istraživača temeljnih i primjenskih područja – The Handbook of Artificial Intelligence, Addison Wesley Publishing Company, 1981. 2006. godine ADL ga angažira za rad na novoj verziji SCORM referentnog modela i normi u e-učenju.

36

Pored LETSI inicijative i IMS konzorcij (www.imsglobal.org) započinje sa novim projektom na oblikovanju norme Common Cartridge (CC). CC je deklarirana kao skup otvorenih normi koje će biti javno dostupne, a razvija ga konzorcij od oko 80 industrijskih tvrtki (članova) s pravom glasa. Namjera ovog konzorcija je oblikovati takve norme koje će omogućiti interoperabilnost nastavnih sadržaja i sustava za upravljanje učenjem. Postavlja se na ovom mjestu pitanje čemu to zapravo vodi i da li će se ovakvim pristupom krajnjim korisnicima (bez obzira iz koje sredine dolazili) olakšati ili pak komplicirati okolnosti za isporuku nastavnih sadržaja putem e-učenja i sustava e-učenja. Odgovor je na prvi pogled jednostavan: Uvjeti rada i primjene će se komplicirati i otežati. Međutim, s druge pak strane stjecanje znanja putem e-učenja i sustava e-učenja je danas postao prilično velik poslovni sustav s brojnim sudionicima i brojnim zahtjevima. Jednostavno rečeno, „vrti“ se veliki novac. U takvim okolnostima donose se rješenja koja nemaju utemeljene logički jasne prosudbe. Ostaje za kraj ovog dijela zaključiti da će vrijeme pokazati da li su ovo pravi putovi i gdje su (ako jesu) učinjene pogreške. U pogledu ispunjavanja cilja ovog odjeljka prikazat će se što je danas u svijetu e-učenja i sustava e-učenja aktualno i kako je to što je aktualno strukturirano. S tim u vezi u nastavku ove rasprave sa više pojedinosti će se opisati LETSI inicijativa iskazana sa novim referentnim modelom SCORM 2.0 i inicijativa IMS GLC konzorcija s Common Cartridge modelom.

LETSI INICIJATIVA I SCORM 2.0

LETSI inicijativa pruža novi uvid na jedan od osnovnih uzroka visokih troškova projekata, loših inovacija i neuspjeh dobrih ideja i projekata koji bi bili održivi na tržištu. U vezi s tim LETSI se fokusira na norme za interoperabilnost sustava. U svijetu programske podrške, norme omogućuju višestruku komunikaciju sustavima te mogućnost integracije kako za organizacije tako i za ljude u njima. Bez normi za interoperabilnost, organizacije imaju mnogo veće troškove ako svoje sustave žele s vremenom promijeniti ili koristiti produkte od više dobavljača. Može se samo zamisliti što bi se danas u Web okruženju dogodilo kada bi svaka web stranica, umjesto korištenja HTML norme, posebno specificirala web preglednik potreban za pregled stranice. Međutim, to je danas realnost e-učenja i sustava e-učenja koji zajedno ne djeluju dobro. Rezultat takvog stanja je veći rizik, sporiji rast i prepreke za inovacije.

LETSI je koalicija dobavljača e-učenja, udruga i zakonodavaca koji vjeruju da su otvorene norme i zajednica za otvorene programske podrške ključ za ostvarivanje tehnoloških obećanja u obrazovanju i osposobljavanju za posao. Danas postoje neostvareni potencijali tehnologija za učenje pa se vjeruje da je moderno društvo otvornih normi način da se probiju barijere.

Promišljajući o tome što SCORM 2.0 treba biti i što LETSI treba učiniti da zaista ostvari norme koje će funkcionirati Barr (Barr, 2009) navodi sljedeće bitne odrednice:

– LETSI će izbjegavati korištenje vlasničkih specifikacija, tako da se svi proizvodi rada

LETSI-a mogu koristiti i slobodno izmjenjivati među različitim zajednicama.

– Arhitektura SCORM-a 2.0 izgradit će se oko apstraktne jezgre, omogućavajući

zajednicama da je prošire i prilagode module.

37

– Nove vrste sustava učenja se pojavljuju, i sve one moraju biti integrirane sa drugim

sustavima na Web-u. Sljedeći SCORM mora uzeti širi pogled na problem

interoperabilnosti.

– LETSI inicijativa , poput ADL-a, neće sama razviti norme, ali umjesto toga će raditi s

mnogim postojećim normama i organizacijama za razvoj specifikacija. Ovakav

pristup omogućava mnogo širi spektar istraživačke i razvojne djelatnosti. Uloga

LETSI-a će biti da upravlja različitim aktivnostima i da onda promiče ta rješenja, u

skladu sa zahtjevima tržišta.

– Tradicionalni proces za razvoj i prilagodbu normi je spor da bi pomogao u

današnjem ubrzanom razvoju tržišta tehnologije učenja. LETSI uzima više moderan

pristup norme interoperabilnosti programske podrške. Kao dio rada s novim

normama, podržavat će se zajednica razvoja besplatnih modula koji implementiraju

specifikacije. Ovakav pristup ima neke ključne prednosti:

– iteracijsko testiranje i dorada pomaže da se ranije otkriju pogreške i nejasnoće;

– troškovi razvoja ove "platforme" su podijeljeni između svih onih koji razvijaju

programsku podršku i integriraju sustav, što je povoljnije nego da svako

implementira nezavisnu normu;

– dijeljene komponente i alati promoviraju se ranije i konzistentno se usvajaju od

strane razvojnih programera i onih koji integriraju sustave;

U lipnju 2008, LETSI inicijativa započinje proces prikupljanja zahtjeva za nasljednikom SCORM referentnog modela. Ovaj proces je od početka oslonjen na Web 2.0 tehnologije i bio je iznenađujuće uspješan. Stotine ljudi su bili uključeni, počevši s otvorenim upitima u srpnju za radove uz preko stotinu podnesaka. Svaki rad je postavljen na wiki LETSI, www.letsi.org/display/nextscorm/, a nastavilo se i s online diskusijom. Konačno je programski odbor od 15. do 17. listopada organizirao SCORM 2,0 radionicu u Pensacola, Florida. Domaćin skupa je bio Institute for Human and Machine Cognition.

Radovi pripremljeni za ovu radionicu kao i rasprave koje su vodile do radionice su precizirali da SCORM treba glavno ažuriranje kako bi se prihvatile sadašnja praksa i buduće mogućnosti tehnologijom podržanog učenja. Vizija SCORM 2.0 u odnosu na SCORM 2004 orijentirana je na poboljšanje pristupa interoperabilnosti. Oko dvije stotine i pedeset stručnjaka i znanstvenika koji su sudjelovali u ovom procesu ostvarili su čvrsti konsenzus u sljedećem: (i) SCORM mora biti zasnovan na arhitekturi programske podrške orijentirane na modele Web poslovnih usluga; (ii) obuhvaćanje više modaliteta učenja; (iii) biti razvijen u otvorenom postupku, te (iv) biti izmjenljiv bez dozvole kako bi se zadovoljile potrebe različitih zajednica.

Sudionici radionice priredili su ukupno 98 radova koje je Frank Polester razvrstao u dvanaest kategorija. (Polester, 2008). Valja primijetiti da su se u većem broju radova analizirane i povezivane determinirane kategorije, a prikaz kategorija i broja radova (Tablica 1.5.) sortiran od većeg ka manjem broju pojavljivanja:

38

Tablica 1.5. Kategorija radova i broja radova SCORM 2,0 radionice u Pensacola, Florida Redni broj

Kategorija rada Broj

radova 1 Sučelja Web usluga (eng. Web Service Interfaces) 20

2 Poboljšanje SCORM 2004 referentnog modela (eng. Evolutionary Fixes to SCORM 2004)

17

3 Sekvenciranje nastavnih sadržaja (eng. Sequencing) 14

4 Podrška za sustav oblikovanja nastavnih sadržaja i podrška za instruktore nastave (eng. Supporting ISD's and Instructors)

14

5 Agregacija i format nastavnih sadržaja (eng. Content Aggregation and Content Formats)

13

6 Procjena znanja i vještina (eng. Assessment and Competencies) 13

7 Integracija sa ostalim sustavima za učenje, obrazovanje i obuke te modaliteti: simulacije, timske obuke i djeljenje podatka (eng. Integration with Other LET systems and Modalities (simulations, team training and sheared data))

12

8 Zahtjevi i slučajevi korištenja za LET 2.0 (eng. LET 2.0 Use Case & Requirements) 10 9 Pogled na realnost LETSI tržišta (eng. Market Realities Facing LETSI) 8

10 Pristupačnost i upotrebljivost (eng. Accessibility and Usability) 6 11 Inteligentni sustavi (eng. Intelligent Systems) 2

12 Upravljanje životnim ciklusom nastavnih sadržaja (eng. Content Lifecycle Management)

2

Iz prikaza Tablice 1.5. se da sagledati da je najveći broj radova orijentiran na Web usluge kao i prijedloge za poboljšanje SCORM 2004 referentnog modela. Nedostaci uočeni tijekom primjene SCORM 2004 referentnog modela u ovim radovima autori iznose na različiti način, a pri tom prevladava nepostojanje odgovarajuće podrške za Web usluge. Osim toga Web usluge su za istraživanje i nove primjene aktualno područje koje je i ovdje našlo svoje mjesto. Sekvenciranje nastavnih sadržaja je također aktualno te je zato i ovim radovima kao što se vidi nalazi na visoko treće mjesto. Ostala su područja poprilično izbalansirana što se vidi i u ovom pregledu. Područje in teligentnih sustava, posebice inteligentnih tutorskih sustava je zastupljeno sa svega dva rada. Čini se kao da to za ovu radionicu nije posebno aktualno. Međutim, tomu nije tako jer se kategorije kao primjerice sekvenciranje nastavnih sadržaja, te procjena znanja i vještina upravo temeljne značajke inteligentnih tutorskih sustava. Povezanosti inteligentnih tutorskih sustava i e-učenja i sustava e-učenja se posebno razmatra u sljedećem odjeljku. Međutim, valja istaknuti da su tijekom razvoja SCORM referentnog modela u brojnim raspravama povezivana ova dva područja i obično se u njihovom zaključku isticalo da je to područje koje će u budućnosti ponuditi više rezultata istraživanja i primjene. S tim u vezi Barr razmatra SCORM danas i sutra (Barr, 2008) te ističe da je: ­ SCORM danas stabilna SCORM 2004 platforma koju održava i podržava ADL, te

olakšava implementaciju, olakšava provedbu i sluša korisnike. ­ SCORM sutra se temelji na novim tehnologijama učenja (simulacija, računalne igre,

prividna stvarnost, mobilni sustavi, inteligentni i tutorski sustavi, timska obuka, suradno učenje) i inicijativama za nove arhitekture (upravljanje znanja u post Google vremenu, arhitekture temeljene na uslugama, upravljanje sadržajem i repozitorij znanja, buduće LMS arhitekture).

39

IMS GLC INICIJATIVA I COMMON CARTRIDGE

IMS GLC inicijativa se očituje u oblikovanju norme koja bi trebala ostvariti onu razinu interoperabilnosti koja nije uspjela u SCORM referentnom modelu. Naziv norme je Common Cartridge (CC). CC predstavlja skup otvorenih normi koje su javno dostupne, a razvija ih industrijski konzorcij s oko 80 članova s pravom glasa. Temeljni cilj je omogućiti interoperabilnost nastavnih sadržaja i sustava za upravljanje učenjem, te podržati fleksibilnost u vezi tipa sadržaja kojeg podržavaju i lokacije gdje se nalaze. IMS GLC surađuje s velikim proizvođačima tehnologije kao što je primjerice Microsoft. Osim toga, IMS GLC je motiviran i potrebama učitelja kojima unaprijed pripremljeni nastavni sadržaji nisu uvijek optimalni jer su potrebne dodatne pedagoške i didaktičke vještine učitelja kako bi se oni iskoristili na najbolji način (Dahn, 2009).

Common Cartridge ostvaruje podršku za probleme koji još nisu riješeni u SCORM-u, a to se između ostalog odnosi na kolaboraciju, Web 2.0 i ocjenjivanje (Gonzalez-Barbone & Anido-Rifon, 2009).

CC čini jednu od tri norme:

­ Common Cartridge

­ Interoperabilnost alata za učenje (eng. Learning Tools Interoperability, LTI)

­ Informacijske usluge za učenje (eng. Learning Information Services, LIS)

LTI se odnosi na interoperabilnost aplikacija i sustava koji koriste podatke i funkcionalnosti iz različitih izvora. Ova se norma može usporediti s RTE SCORM knjigom jer opisuje usluge koje omogućuju razmjenu podataka sa sustavom za upravljanje učenjem za vrijeme izvršavanja. Dodatno se omogućuje upotreba alata iz jednog LMS-a u drugom LMS-u tj. prijenos funkcionalnosti (Severance, 2009).

LIS služi za razmjenu podataka između sustava za e-učenje i administratorskih sustava koji sadrže podatke o učenicima u svrhu analize tih podataka. CC globalno ima istu namjenu kao i SCORM, organizaciju i raspodjelu nastavnih sadržaja učenja u obliku objekata učenja. Ekvivalent paketu nastavnih sadržaja iz SCORM referentnog modela je spremnik (eng. cartridge). Spremnik se definira kao skup dodatnih nastavnih sadržaja u obliku komprimiranih datoteka koji se mogu koristiti uz udžbenik. CC paketi se proširuju i podržavaju formati audio i video zapise. Dodatno, CC proširuje objekte učenja na testove (eliminira se ovisnost testova o sustavu e-učenja), raspodjelu nastavnih sadržaja (paket nastavnih sadržaja može sadržavati reference na izvore dostupne na Web-u), interakcije s raznim programskim alatima, aplikacijama i uslugama, te dodjelu autorskih prava i forume za suradnju sudionika. Prednosti CC su: ­ Veći izbor nastavnih sadržaja jer se omogućuju kolekcije resursa različitih tipova i

izvora. ­ Smanjivanje ovisnost o platformi tj. sustavu e-učenja. ­ Više mogućnosti za testiranje podržavajući često korištene norme za razmjenu

elemenata za testiranje.

40

­ Povećana fleksibilnost, zajedničko korištenje i ponovna upotrebljivost, jer se upotrebom URL adresa smanjuje veličina paketa, te nije potrebno obnavljanje samog paketa jer bi URL adrese trebale pokazivati na najnovije nastavne sadržaje.

­ Autorizacijom nastavnih sadržaja se omogućuje pristup samo sudionicima koji pripadaju nastavnom kolegiju, te se olakšava eventualno naplaćivanje nastavnih sadržaja.

Zasnivanje CC-a ima uporište u primjenama u industriji, dio vizije je i naplaćivanje nastavnih sadržaja tj. komercijalizacija, iako je sam CC besplatan, što znači da svatko može dobiti specifikacije i izraditi nastavne sadržaje u skladu s tim, čime se olakšava prodaja takvih nastavnih sadržaja. Prema (Gonzalez-Barbone & Anido-Rifon, 2009) IMS GLC tvrdi se da je CC poboljšanje u odnosu na SCORM zbog podrške za kolaboraciju, interaktivne nastavne sadržaje, procjenu i drugo. Upotreba CC normi bi trebala pojednostaviti cijeli proces primjene normi na nastavne sadržaje i sustave e-učenja. Međutim, putovi IMS GLC inicijate i ADL-a su se također razišli jer CC podržava industriju, a SCORM Ministarstvo obrane SAD-a. Podrška za testove koju nudi CC se odnosi na IMS Specifikaciju interoperabilnosti pitanja i testova (eng. IMS Question and Test Interoperability specification, QTI) kojim se definira format za prikaz nastavnih sadržaja testova i rezultata. Ovim se podržava razmjena testova među sustavima za upravljanje učenjem, sustavima za izradu nastavnih sadržaja i spremištima (eng. repositories). Specifikacija sadrži model podataka koji definira strukturu pitanja i odgovora opisanih XML formalizmom.

INTELIGENTNI TUTORSKI SUSTAVI – ASINKRONI SUSTAVI E-UČENJA

Posebna klasa asinkronih sustava e-učenja su inteligentni tutorski sustavi (ITS) koji predstavljaju napredno okruženje učenja i poučavanja prilagođeno aktualnoj razini znanja učenika. Inteligentni tutorski sustavi (ITS) (detaljna rasprava se vodi u okviru trećeg dijela ove knjige) su generacija računalnih sustava namijenjeni potpori i poboljšanju procesa učenja i poučavanja u odabranom područnom znanju, uvažavajući pri tom individualnost onoga tko uči i tko se poučava. Uvažavanje individualnosti onoga tko se poučava je zapravo poučavanje po modelu jedan - na –jedan (eng. one-to-one tutoring) koje kad se odvija pod okriljem ljudskog tutora je dokazano uspješno i smatra se najučinkovitijim načinom odvijanja nastavnog procesa. Ovakav model poučavanja svoj razvojni put zasniva na vrednotama „živog-ljudskog“ učitelja – tutora (eng. human tutors). Međutim, taj razvojni put je povezan s nizom ponajviše implementacijskih poteškoća uvjetovanih interdisciplinarnim značajkama područja. Kvalitetu „ljudskog“ učitelja moguće je dostići uz uvažavanje niza načela poput, obrazovanja, psihologije obrazovanja, umjetne inteligencije, računarstva i didaktike te metoda učenja i poučavanja. Radom s inteligentnim tutorskim sustavom učenik stječe osobnog “računalnog učitelja”. Računalni je učitelj s jedne strane uvijek raspoložen, nema emocija, dok učenik s druge strane pred njim nema potrebe kriti svoje neznanje što u značajnoj mjeri olakšava komunikaciju, koja inače može biti ozbiljan problem onda kad je u komunikacijskom kanalu „živi“ učitelj.

41

Projektiranje i implementacija inteligentnih tutorskih sustava sustavno je pridonosila i pridonosi razvoju metoda i tehnika umjetne inteligencije. Mada je ideja o "inteligentnim strojevima" stara više od sto godina, istraživanja na području umjetne inteligencije započinju pedesetih godina prošlog stoljeća (Turingov test) s izrazito zahtjevnim ciljevima. Međutim, početkom sedamdesetih godina utvrđeno je da se postavljeni ciljevi nisu u potpunosti ostvarili, pa se nastavlja s istraživanjima ali s realnije postavljenim odrednicama za istraživanje i implementaciju novih programskih metoda i alata. Pored navedenog, početkom osamdesetih dolazi do značajne promjene odnosa razvijenih industrijskih i poslovnih institucija prema istraživanjima u umjetnoj inteligenciji što je rezultiralo projektom Pete generacije sustava računala i primjenom ekspertnih sustava u različitim djelatnostima. U ovakvom okruženju su tutorski sustavi doživljavali promjene i transformacije te se razvijali i implementirali sukladno razvoju metoda i tehnika umjetne inteligencije i ekspertnih sustava. U tom su smislu ITS sustavi bili i sada su dobar "test kušnje" (eng. testbed) za razvoj i implementaciju projekata umjetne inteligencije. Takvi sustavi mogu sadržaj i način izlaganja nastavnih tema prilagoditi individualnim sposobnostima učenika. Znanje je ključ inteligentnog ponašanja, pa se i kaže da su inteligentni tutorski sustavi na znanju utemeljeni jer raspolažu sa: ­ znanjem koje imaju o područnom znanju; ­ znanjem o principima pomoću kojih se poučava i metodama pomoću kojih

primjenjuje te principe i ­ znanjem o metodama i tehnikama za modeliranje učenika tijekom učenja i

poučavanja. U odnosu na sustav e-učenja inteligentni tutorski sustav svrstavamo u asinkroni sustav e-učenja, to je zapravo primjerak asinkronog sustava e-učenja. Zašto asinkroni? Odgovor je povezan s mogućnostima učenika da učenje, poučavanje, testiranje znanja obavlja u vremenu koje nije usklađeno s vremenom učitelja, nadalje na bilo kojem mjestu što raspolaže s potrebnom računalnom opremom, te konačno po količini onoliko koliko mu je potrebno. Ovakvom klasifikacijom u pogledu terminološke određenosti u vezu se dovode inteligentni tutorski sustavi i suvremeni pristup učenju i poučavanju podržan informacijskom i komunikacijskom tehnologijom. Brojne su rasprave izvedene na temu uspoređivanja i dovođenja u strukturnu povezanost inteligentnih tutorskih sustava i sustava e-učenja općenito, a pogotovo razlike u odnosu na sustave za upravljanje učenjem. Globalno sve one ističu temeljnu razliku koja je zasnovana na odnosu prema učeniku. S tim u vezi, inteligentni tutorski sustavi izrastaju na zasadama umjetne inteligencije, kognitivne psihologije, te obrazovanja i obično su orijentirani na stvaranje specijaliziranih sustava s ciljanim područnim znanjima i time povezanim obrazovanjem ciljane skupine. Osim toga, u procesu učenja učenik je vođen u suglasju s referentnom veličinom koja je upravo zasnovana na ciljanom područnom znanju. Međutim, rezultat ovakve istraživačke djelatnosti obično vodi implementaciji s temeljnim problemom nedostatkom ponovne upotrebljivosti i interoperabilnosti objekata učenja. Sustavi za upravljanje učenjem s druge strane su poduhvat institucija koje na taj način žele unaprijediti kako obrazovanje u školama tako i obuku djelatnika (u različitim djelatnostima) neposredno na radnom mjestu. Osim toga temeljni cilj svih koji su u produkciji sustava za upravljanje učenjem je ponovna upotrebljivost i interoperabilnost nastavnih sadržaja zasnovanih na specifikacijama i normama te implementacija i postavljanje (eng. deployment) širokih

42

dosega. U procesu učenja se iskazuje i temeljna razlika u odnosu na inteligentne tutorske sustave, a to je upravljanje učenjem koje se u načelu ne prilagođava aktualnom znanju učenika. To je i temeljni nedostatak sustava za upravljanje učenjem. Prilagođavanje je moguće izvesti tek uz pomoć „živog“ učitelja koji scenarijem učenja i strukturom nastavnih sadržaja mogu ostvariti i vođenje.

U zaključku ovog odjeljka navode se i promišljanja nekih aktualnih istraživača na ovom

području o međusobnoj povezanosti i razlikama inteligentnih tutorskih sustava i sustava za

upravljanje učenjem za razdoblje od kasnih devedesetih godina prošlog stoljeća do današnjih

dana. Prva dva su prikazana na skupu „Towards Intelligent Management Learning Systems”

održan u okviru konferencije primjena umjetne inteligencije u obrazovanju (Artificial

Intelligence in Education - AIED) 2003. godine u Sydney, Australia. U to vrijeme to je bila

jedina takva konferencija gdje su prikazani rezultati rada istraživača koji su tada već

tradicionalnim sustavima za upravljanje učenjem željeli dodati komponentu “inteligencije”

radi općeg cilja poboljšanja funkcionalnosti takvih sustava u učenju, poučavanju i testiranju

znanja učenika.

Prilagodljivi Web orijentirani obrazovni sustavi (eng. Adaptive Web-based Educatinal systems - AWBES) su promovirali nove Web tehnologije izvorno razvijene u području inteligentnih tutorskih sustava i prilagodljive hipermedije. Brojni istraživači u ovim područjima su se nadali da će Web pomoći da se napokon ove tehnologije presele iz istraživačkih laboratorija u realne učionice. Međutim, Brusilovsky (2003) (veliki autoritet u ovom području – opaska autora) analizirajući razdoblje od pojave prvih AWBES sustava (1995) ističe da se tek nekoliko njih primjenjuje u realizaciji nastavnog procesa. Nadalje, koriste se u onim nastavnim okruženjima u kojima djeluju upravo oni koje su iste sustave istraživali, oblikovali i razvili. Umjesto toga većina nastavnih predmeta koji se realiziraju primjenom Web tehnologije su orijentirani na sustave za upravljanje učenjem poput (u to vrijeme popularnih – opaska autora) sustava Blackbord (www.blackboard.com) ili sustava WebCT (www.webct.com). Naravno, Brusilovsky se pita zašto je tome tako. Naglašava pri tom da sustavi za upravljanje učenjem podržavaju brojne funkcionalnosti u realizaciji nastavi potrebne kako učitelju tako i učeniku (isporuka nastavih sadržaja, organizacija testova, komunikacija učenika i učitelja, praćenje učenika i administriranje nastavnog procesa). Ipak, potpuna dominacija sustava za upravljanje učenjem nad sustavima s prilagodljivom hipermedijom je iznenađujuća. U svom promišljanju zaključuje i to da svaka funkcionalnost koja se realizira u tipičnom sustavu za upravljanje učenjem kod AWBES sustava može biti izvršena na bolji način. Argumentira ovakvo promišljanje s nizom sustava koji su primijenjeni u učenju i poučavanju:

– InterBook (Brusilovsky, Eklund, Schwarz, 1998) i NetCoach (Weber, Kuhl,

Weibelzahl, 2001) sustavi predstavljaju prilagodljive elektronske udžbenike koji

pomažu učenicima da uče brže i bolje,

– SIETTE (Rios i drugi, 1999) sustav raspolaže s algoritmom prilagodljivog testiranja

koji pomaže pri ocjenjivanju znanja učenika s većom točnošću i manje postavljenih

pitanja.

– Prilagodljivi sustavi za promatranje razreda, daje učiteljima bolje šanse da otkriju

koji učenici zaostaju (Oda, Satoh, Watanabe, 1998).

43

– Prilagodljivi suradni sustavi (rad u grupi) mogu pomoći pri zajedničkom učenju

(Constantino Gonzalez, Suthers, Escamilla De Los Santos, 2002).

Mnogo se raspravljalo o tome kako je nastavni sadržaj za učenje u prilagodljivim sustavima previše složen za prosječnog učitelja. Međutim, spomenuti AWBES sustavi s prilagodljivom hipermedijom predstavljaju podršku učitelju poput podrške koje imaju pri upotrebi sustava za upravljanje učenjem.

Brusilovsky (2003) pravi problem aktualne generacije AWBES sustava vidi u nepostojanju funkcionalnosti koje bi zadovoljile skupne potrebe učitelja i administratora. S tim u vezi globalno navodi dva nedostatka.

Prvi je nedostatak integracije funkcionalnosti. AWBES sustavi mogu pružiti pomoć, bolje od sustava za upravljanje učenjem u svakom pogledu Web orijentiranom poučavanja, ali svaki pojedinačni sustav može raditi samo na jednoj funkcionalnosti. Primjerice već spomenuti sustav SIETTE pruža izvrstan način za organizaciju i provođenje testiranja znanja učenika, ali ostale funkcionalnosti nisu realizirane. S tim u vezi učitelj bi trebao koristiti nekoliko različitih AWBES sustava u zajedničkom radu. Ovo očigledno ne odgovara administraciji koja treba instalirati i održavati te sustave, učitelju koji treba naučiti raditi s njima, i učeniku koji treba znati koristiti nekoliko sustava zajedno. Obrazovne institucije imaju potrebu za jednim integriranim sustavom koji može podržati sve kritične funkcije u jednom paketu. Autori sustava za upravljanje učenjem su prepoznali ovu potrebu i u relativno kratkom vremenu su izrasli iz sustava sa samo nekoliko funkcija u sustave koje pokrivaju gotovo sve potrebe Web orijentiranog obrazovanja.

Drugi je u nepostojanju komponentne arhitekture AWBES sustava. Učitelj koji je zainteresiran za ponovnom upotrebljivosti dijela nastavnog sadržaja iz već postojećih prilagodljivih sustava ima samo jednu mogućnost, da prihvati cijeli sustav sa svojim specifičnim načinom poučavanja i da žrtvuje svoj način poučavanja. Prirodno je, da osim neposrednih autora ovih sustava koji su izveli radi podrške njihove nastave, rijetki učitelji bi to prihvatili. U suprotnom, sustavi za upravljanje učenja su upravo orijentirani na ponovno upotrebljive objekte učenja, što u značajnoj mjeri smanjuje broj utrošenih sati za jedan sat nastave podržane ovim sustavima.

Jasno je da autori inteligentnih tutorskih sustava i sustava prilagodljive hipermedije moraju tek potvrditi uspjeh sustava za upravljanje učenja u pokušaju da dođu do učionice. Ali kako to ostvariti? Da li bi trebalo kopirati sustave za upravljanje učenjem stvarajući njihovu inteligentnu inačicu? Brusilovsky smatra da se umjesto razvijanja nove generacije sustava, treba fokusirati na razvijanja raspodijeljene komponentno orijentirane arhitekture za stvaranje prilagodljivih sustava.

Yacef (2003) naglašava da je World Wide Web svojom pojavom i primjenom iskazao značajan utjecaj na obrazovanje i posebice na proces učenja i poučavanja. Nastali su brojni modeli i načini primjene u kojima se ipak mogu utvrditi dva glavna i s najvećim doprinosom: (i) novonastali sustavi za upravljanje učenjem koji su promovirani pojavom paradigme e-učenja i (ii) inteligentni tutorski sustavi koji ističu individualizirano učenje tj. učenje po modelu jedan na jedan. U ovom odjeljku se upravo utvrđuje odnos e-učenja i sustava e-učenja te inteligentnih tutorskih sustava.

44

Sustavi za upravljanje učenjem podržavaju učenje i poučavanje i koriste se kao pomoć u cjeloživotnom učenju i podršci tradicionalnog učenja u razredu. Pružaju mogućnost raspodjele nastavnih sadržaja, praćenja učenika, testiranja znanja, upravljanja učenja prema utvrđenim ciljevima i zadaćama te suradnju učenika i učitelja i učenika sa svojim vršnjacima.

Tehnologija inteligentnih tutorskih sustava pruža fokusiranu i individualiziranu okolinu za učenje sa puno većim pogledom na učenikov stil učenja, poteškoćama i napretkom koji omogućava sustavu da analizira i otklanja pogreške. Primjerice, inteligentni tutorski sustav može prepoznati pogrešne odgovore, kao i točne, korake unutar prostora rješavanja problema, kao i krajnje odgovore. Inteligentni tutorski sustavi koristi tehnike i načela umjetne inteligencije u podršci individualnog učenja.

Kao i sa svim sustavima koje koriste umjetnu inteligenciju, riječ „inteligentan“ znači da oblikovanje ovih principa pruža mogućnost modeliranja i reprezentacije relevantnih aspekata znanja. U inteligentnim tutorskim sustavima to je znanje koje sustav ima o učeniku, o područnom znanju, o strategiji učitelja pri poučavanju, kao i znanje o komunikaciji. Kako fokus na „inteligentan“ varira u ITS-u, zajednički fokus svih ITS-ova je osobnost, ili prilagodba učeniku. To znači da sustav pomaže, ažurira, i sprema informacije o učeniku kako bi se prilagodio format, nastavni sadržaj, ciljevi poučavanja i povratno djelovanje prema individualnim značajkama učenika. Inteligentni tutorski sustavi spremaju podatke o znanju svakog učenika i o njihovom pogrešnom poimanju, odgovore i pogreške i oblikuju time model učenika. Na taj način se inteligentni tutorski sustav fokusira na učenikove potrebe i pruža mogućnost vrednovanja učenja temeljeno na osobnom modelu učenja. U suprotnosti s navedenim, sustav za upravljanje učenjem se fokusira na nastavne sadržaje namijenjene učenju kao i administriranje koje je sastavni dio usluge u ovakvim sustavima. Razina prilagodbe nije zasnovana na analizi znanja učenika, već se oslanja tek na strukturi nastavih sadržaja koje učenik u okviru nastavnog kolegija mora odraditi.

Temeljna razlika između inteligentnih tutorskih sustava i sustava za upravljanje učenjem se ogleda u načelu poučavanja učenika u inteligentnim tutorskim sustavima tj. načelu poučavanja po modelu jedan-na-jedan. Učenici mogu vježbati na svoj način, ali su u većini slučajeva izolirani od ostalih dok sustav ne ocijeni da se provede komunikacija između učenika, kao što je sustav za inteligentno zajedničko učenje. Ovi sustavi istražuju paradigmu zajedničkog učenja, gdje kolaboracija živog učenika može biti ili sa „umjetnim suučenikom“ ili sa drugim „živim“ učenicima vršnjacima.

Slika 1.10. Sinergija inteligentnih tutorskih sustava i sustava za upravljanje učenjem

45

Međutim udružene funkcionalnosti inteligentnih tutorskih sustava i sustava za upravljanje učenjem Yacefov (2003) sagledava kao novu kvalitetu i kao mogućnost za nastanak tzv. inteligentnih sustava za upravljanje učenjem (eng. intelligent learning management systems) što je prikazano na slici 1.10. Iz ITS-a uzima modeliranje i reprezentaciju važnih aspekata znanja, kao što je znanje učenika, znanje o nastavnoj strategiji učitelja i znanje o komunikaciji. Ako se uzme u obzir prilagodljivost koja je dominantan čimbenik inteligentnih tutorskih sustava to može kad se doda sustavu za upravljanje učenje predstavljati sposobnost njegove inteligencije i omogućiti prilagođavanje učenikovom aktualnom stanju učenja. Ovo znači da inteligentni sustav za upravljanje učenjem mora imati znanje o učenikovom znanju kao i znanje o poteškoćama koje postoje u njegovom učenju.

Šimić i drugi (2005) u analizi inteligentnog poučavanja smatraju da su kod postojećih obrazovnih sustava dvije glavne grupe sa svojstvima prilagodljivosti i to: sustavi prilagodljive hipermedije i inteligentni tutorski sustavi. Dakle, ovi autori u temeljnom pristupu inteligentnim sustavima e-učenja niti ne navode inteligentne sustave za upravljanje učenjem. Nadalje, navode i to da su sustavi za upravljanje učenjem ispunjavaju različite administrativne zadaće u upravljanju znanjem iz okvira nastavnih sadržaja tečaja koji je namijenjen grupi učenika. Za razliku od inteligentnih tutorskih sustava koji raspolažu s različitim pedagogijskim strategijama kao i tehnikama za modeliranje učenika. Zanimljivo u njihovom stajalištu je i promišljanje interoperabilnosti između inteligentnih tutorskih sustava i sustava za upravljanje učenjem, gdje je važno normiranje prikaza podataka kao i različitih tehnologija koje podupiru iste norme. Nadalje ističu da se semantički Web doima kao povoljna prilika tj mogući put za rješavanje problema inteoperabilnosti. Promišljajući o sustavima e-učenja koji isporuku nastavnih sadržaja temelje na Web okruženju Simich (Simich, 2008) ističe da su u današnje vrijeme obično zastupljene dvije kategorije sa stajališta prilagođavanja nastavnih sadržaja razini znanja učenika: ­ Prilagodljivi sustavi:

­ Sustavi zasnovani na prilagodljivoj hipermediji (eng. adaptive hypermedia systems – AHS).

­ Web orijentirani inteligentni tutorski sustavi (eng. Web orijented intelligent tutoring systems).

­ Neprilagodljivi sustavi: ­ Učeniku ne prilagodljivi sustavi e-učenja kao što su primjerice sustavi za

upravljanje učenjem (LMS). Razina prilagođavanja nastavnih sadržaja učeniku iskazuje i razinu „inteligencije“ sustava e-učenja. Ovim promišljanjem obuhvaćen je i pogled istog autora (Shimic, 2008) na funkcionalnosti inteligentnog sustava za upravljanje učenjem pri čemu treba udružiti dobre osobine koje su u primjenama pokazali kako neprilagodljivi tako i prilagodljivi sustavi e-učenja. Pri ovome mora se voditi računa da sustavi za upravljanje učenja (kao ne prilagodljivi) pružaju pogled na rezultate učenja učenika, aktivnosti koje je učenik obavljao i to kako samostalno tako i u grupnom radu. S druge strane, inteligentni tutorski sustavi ili sustavi s prilagodljivom hipermedijom raspolažu sa tehnikama i strategijama koje zaključuju o znanju učenika i upućuju te djeluju na tijek odvijanja učenja. Ovo je tek jedan razlikovni pogled i naravno da zahtjeva daljnja istraživanja i argumentaciju pri utvrđivanju različitosti ovih sustava.

46

LITERATURA

1. Babu, S. C.: e-Learning Standards, program coordinator C-DAC Hyderabad, 2004, http://www.cdac.in – Center for development of advanced computing.

2. Balatsoukas, P., Morris, A., & O’Brien, A. (2008). Learning Objects Update: Review and

Critical Approach to Content Aggregation. Educational Technology & Society, 11 (2), pp

119-130. 3. Barr, A.: LETSI: Beyond SCORM, ADL Newsletter for Educators and Educational

Researchers, February 2009. 4. Barr, A.: The Role of Standard in Learning Technology: SCORM i Common Cartridge,

ID + SCORM, Provo, USA, February, 21, 2008. 5. Billings, K. & Moursund, D. (1988) Computers in Education: An Historical

Perspective. SIGCUE Outlook, 20:1, 13-24. 6. Brusilovsky, P., Eklund, J., and Schwarz, E.: Web-based education for all: A tool for

developing adaptive courseware. Computer Networks and ISDN Systems. 30, 1-7 (1998) 291-300

7. Brusilovsky, P.: A Distributed Architecture for Adaptive and Intelligent Learning Management Systems, iLMS Workshop Proceedings, Conference ‘Artificial Intelligence in Education’, AIED 2003, Sunday 20th July 2003. http://www.cs.usyd.edu.au/~aied/Supp_procs.html#vol4

8. Budin L. i grupa autora: Strategija razvitka Republike Hrvatske, Projektni zadatak: Informacijska i komunikacijska tehnologija, 2001.

9. Constantino Gonzalez, M. A., Suthers, D., and Escamilla De Los Santos, J. G.: Coaching web-based collaborative learning based on problem solution differences and participation. International Journal of Artificial Intelligence in Education 13, 1 (2002) To appear.

10. Cross, J.: An informal History of eLearning, On the Horizon, Volume 12, No 3, 2004, pp 103-110.

11. Dahn, I. (2009). Common Cartridge is not SCORM. http://www.aspect-project.org/sites/default/files/Common%20Cartridge%20is%20not%20SCORM.pdf, Retrieved 21.12.2009.

12. Downes S., 2005.; ''E-learning 2.0'', eLearn Magazine, (16.10.2005.); http://www.elearnmag.org/subpage.cfm?section=articles&article=29-1 (stranica dostupna 25. 07. 2009.)

13. Ericson – From e-learning to m-learning, august 2002. http://learning.ericsson.net 14. Forrester, B. (2008). Web 2.0 and ADL. ADL Newsletter for Educators and

Educational Researchers Retrieved 07.12.,2009, http://adlcommunity.net/mod/resource/view.php?inpopup=true&id=669

15. Fournier, H. State of the field report E-Learning, National Research Council Canada, Institute for Information Technology, May 2006

16. Friesen, N.: Learning Objects and Standards: Pedagogical Neutrality and Engagement, May 6, 2004.

17. Friedman, T.: Next, it's E-ducation. New York Times, A29, November 17. 1999 18. Garrison, D. R., & Anderson, T. (2003). E-learning in the 21st century: a framework

for research and practice. Routledge, London. (Garrison and Anderson, 2003). 19. Gonzales-Barbone, V., Anido-Rifon, L.: From SCORM to Common Cartridge: A step

forward, Computers & Education 54 (2010), pp 88-102.

47

20. Fallon, C.; Brown, S.: E-Learning Standards: A Guide to Purchasing, Developing, and Deploying Standards – Conformant e- Learning, St. Lucie Press, A CRC Press Company, 2003.

21. Hodgins, H. W.: The Instructional Use of Learning Objects – On Line Version, (http://reusability.org/read/): The Future of Learning Objects, 2000.

22. Hsu, K. C., & Yang, F. C. O. (2008). Toward an Open and Interoperable e-Learning Portal: OEPortal. Educational Technology &Society, 11 (2), 131-148.

23. Hu X., Lancaster W. (2006): Trends and Future Directions of e-Learning, Workforce ADL Co-Lab

24. Khan, B. H. (2001). A framework for Web-based learning. In B. H. Khan (Ed.), Web-based training. Englewood Cliffs, NJ: Educational Technology Publications.

25. Lake, D.L.: What Is the Internet? - Answering the Teacher’s Question, ISTE (International Society for Technology in Education), 1995.

26. Learning Object Metadata (2002): Draft Standard for Learning Object Metadata, IEEE

1484.12.1-2002, Sponsored by the Learning Technology Standards Committee of the

IEEE, Copyright © 2002 by the Institute of Electrical and Electronics Engineers, Inc., 15

July 2002 27. Leinonen, T., (Critical) history of ICT in education - and where we are heading?,

FLOSSE Posse, June 24, 2005. http://flosse.blogging.fi/2005/06/23/critical-history-of-ict-in-education-and-where-we-are-heading/

28. LETSI Assumptions Document: SCORM 2.0 Project Report, LETSI Technical Roadmap Committee, February 2009

29. Morri, A.: A bright future for distance learning: One Touch/Hughes alliance promotes interactive 'e-learning' service, Telephony OnLine, November 17, 1997.

30. Nichani, M.: LCMS = LMS + CMS (RLOs), Elearningpost 2001 http://www.elearningpost.com/features/archives/ - stranica aktivna 20.01.2004.

31. Oda, T., Satoh, H., and Watanabe, S.: Searching deadlocked Web learners by measuring similarity of learning activities. In: Proc. of Workshop "WWW-Based Tutoring" at 4th International Conference on Intelligent Tutoring Systems (ITS'98), San Antonio, TX (1998), http://www.sw.cas.uec.ac.jp/~watanabe/conference/its98workshop1.ps.

32. Polester, F.: Topic Descriptions. Paper presented at the SCORM 2.0 White Papers, October SCORM 2.0 Workshop, Penascola, Florida, 16-17 Listopad. 2008. www.letsi.org/letsi/display/nextscorm/SCORM+2.0+White+Papers

33. O'Reilly T.: What is Web 2.0, Design Patterns abnd Busines Models for the Next Generation of Software, 30.09.2005. http://oreilly.com/lpt/a/6228

34. Redding, G. A. From DL POTS to DL PANS, ED-Media 2001, June 28, 2001, Tampere, Finland, Institute for Defense Analyses, USA Army.

35. Rios, A., Millán, E., Trella, M., Pérez, J. L., and Cone,,jo, R.: Internet based evaluation system. In: Lajoie, S. P. and Vivet, M. (eds.) Artificial Intelligence in Education: Open Learning Environments. IOS Press, Amsterdam (1999) 387-394.

36. Robson, R. (2009): The Future of Learning Technology, SCORM, LETSI, & What Eduworks is doing, Eduworks, AICC Meeting, 24 February, 2009

37. Robson, R. 2008 . Report to the IEEE CSS Activity Bord, may 13-14, 2008 38. Rosenberg, M. (2001). e-Learning: Strategies for Delivering Knowledge in the Digital

Age. New York: McGraw-Hill, p28. 39. Rosić, M.: Zasnivanje sustava obrazovanja na daljinu unutar informacijske infrastrukture

(magistarski rad), FER, Zagreb, 2000.

48

40. Silvers, A.: LETSI and the Past and Future of Interoperability Standards, Learning Solutions Magazine, 13.07.2009. http://www.learningsolutionsmag.com/articles/24/letsi-and-the-past-and-future-of-interoperability-standards

41. Stankov, S., Rosić, M., Granić, A., Maleš, L., Grubišić A., Žitko, B. "Paradigma e-učenja

& Inteligentni tutorski sustavi", MIPRO-2004, Računala u obrazovanju, Opatija, 24-

28.05.2004., str. 193-198. 42. Šimić, G., Gašević, D.; Jeremić, Z.; Devedžic, V.: Intelligent Virtual Teaching, in

Knowledge-Based Virtual Education, Springer, Volume 178/2005, 2005, pp 171-202 43. Shimic, G.: Technology Enhanced Learning Tools, Chapter I in ed. M. D. Lytras, M. D.;

Gašević D.; Huang W.: Technology Enhanced Learning: Best Practices, IGI Global, 2008. pp 1- 28.

44. Watson W. R. i Watson S. L.: An Argument for Clarity: What are Learning Management

Systems, What are They Not, and What Should They Become?, TechTrends, March/April

2007, Volume 51, Number 2, pp 28-34. 45. Weber, G., Kuhl, H.-C., and Weibelzahl, S.: Developing adaptive internet based courses

with the authoring system NetCoach. In: Bra, P. D., Brusilovsky, P. and Kobsa, A. (eds.)

Proc. of Third workshop on Adaptive Hypertext and Hypermedia, Sonthofen, Germany,

Technical University Eindhoven (2001) 35-48, http://wwwis.win.tue.nl/ah2001/papers/GWeber-

UM01.pdf. 46. Wentling, T. L.; Waight, C.; Gallaher, J.: La Fleur, J.; Wang, C.; Kanfer, A.: A Review of

Literature, Knowledge and Learning Systems Group, University of Illinois at Urbana,

September 2000

47. Wiley, D. A.: The Instructional Use of Learning Objects – On Line Version:

(http://reusability.org/read/) Connecting learning objects to instructional design theory: A

definition, a metaphor, and taxonomy, 2000.

48. Woodill, G.: The evolution of learning management systems, Do systems have a future in Canadian organization?, Canadian HR Reporter, April 23, 2007. (www.hrreporter.com)

49. Yacef, K. Some thoughts about the synergetic effects of integrating ITS and LMS Technologies Together to the Service of Education, iLMS Workshop Proceedings, Conference ‘Artificial Intelligence in Education’, AIED 2003, Sunday 20th July 2003. http://www.cs.usyd.edu.au/~aied/Supp_procs.html#vol4, ožujak 06

DRUGI DIO

O D S T R O J E V A Z A P O U Č A V A NJ E D O I N T E L I G E N T N I H S U S T A V A Z A

P O T P O R U N A S T A V E

Cilj ovog dijela je upoznati čitatelja s razvojem obrazovne tehnologije i to od ranih strojeva za poučavanje pa do inteligentnih računalnih sustava za potporu nastavnog procesa kao i učenja i poučavanja. U suglasju s ovako postavljenim ciljem ovaj dio je strukturiran u četiri poglavlja. Poglavlja imaju takav redoslijed i sadržaj da čitatelj prvo upoznaje načela za izgradnju ranih strojeva za poučavanje te načela programirane nastave. Ovo je povezano s aktualnom obrazovnom psihologijom i prevladavajućim biheviorističkim pristupom. Programirana nastava nadalje predstavlja okosnicu ranih sustava za potporu nastave. S tim u vezi se razmatra uloga računala u učenju i poučavanju i to posebno definicija i modeli upotrebe računala u nastavi i učenju. Prezentirana je opće prihvaćena raščlana učenja o računalu, učenja od računala, učenja s računalom i upravljanje učenja s računalom. Povijesni razvoj primjene računala u nastavi obuhvaća četiri ključna razdoblja od šezdesetih godina prošlog stoljeća pa do današnjih dana, vremena Interneta i usluga na Internetu. Konačno se razmatra nastanak i razvoj inteligentnih sustava za potporu nastave.

2

KAZALO

Poglavlje 2.

Strojevi za poučavanje i programirana nastava .................................................................................. 3

Rani strojevi za poučavanje .................................................................................................................... 4

Programirana nastava ............................................................................................................................... 6

Poglavlje 3.

Računala u nastavi i učenju ...................................................................................................................... 10

Definicija nastave pomoću računala ................................................................................................. 10

Modeli upotrebe računala u nastavi i učenju ................................................................................ 13

Učenje o računalu ................................................................................................................................ 16

Učenje od računala ............................................................................................................................. 18

Učenje s računalom ............................................................................................................................ 21

Upravljanje učenja s računalom .................................................................................................... 25

Poglavlje 4.

Povijesni pregled primjene računala u nastavi ................................................................................. 27

Proroci i začetnici ..................................................................................................................................... 27

Minijaturizacija ......................................................................................................................................... 29

Računalo postaje sastavni dio nastavnog procesa ...................................................................... 33

Računalo kao mentor .............................................................................................................................. 36

Poglavlje 5.

Put razvoja inteligentnih sustava za potporu nastave ................................................................... 40

Ograničeni sustavi nastave pomoću računala ............................................................................... 41

Generativni sustavi nastave pomoću računala ............................................................................. 43

Inteligentni sustavi nastave pomoću računala ............................................................................. 45

Literatura ......................................................................................................................................................... 50

Poglavlje 2.

STROJEVI ZA POUČAVANJE I PROGRAMIRANA NASTAVA

Povijesno gledano vjerojatno nijedan pokret u svijetu obrazovanja nije utjecao na oblikovanje nastavnog procesa i tehnologije nastave više od strojeva za poučavanje (eng. teaching machine) i programirane nastave (eng. programmed instruction). Pobudili su veliki interes istraživača kao i praktičara, te predstavljali „vruću“ temu za objavljivanje stručnih i znanstvenih radova. Može se utvrditi da afirmativni argumenti kao i posebno zablude „zlatnog doba“ programirane nastave u konačnici imaju pozitivan učinak na istraživanje i primjenu ovog područja kako prošlog tako i sadašnjeg i budućeg. Razvijeni su brojni tipovi strojeva za poučavanje radi pomoći učeniku pri poučavanju, tako da se učeniku postavlja pitanje, omogućava unos odgovora i priopćava njegova točnost. Neki strojevi su bili krajnje jednostavni, kao primjerice list papira ili pak knjiga tako programirani da su pružali mogućnost unosa odgovora na postavljena pitanja (obično je za to ostavljen prazan prostor), dok su se odgovori nalazili na drugim stranicama. Nešto složeniji su bili takvi strojevi koji su raspolagali s pitanjima višestrukog izbora s različitim tehnikama za indiciranje točnog odgovora. Sljedeće pitanje je omogućeno nakon pružanja točnog odgovora. Područje je uznapredovalo početkom šezdesetih godina prošlog stoljeća nakon uvođenja računala u programiranu nastavu. Zajedničko svojstvo svih vrsta strojeva za poučavanje je da su ovisili i ovise o postavljenom programu (bez obzira na tehnologiju izvedbe, tradicionalnu ili na računalu zasnovano), koji omogućava postavljanje niza pitanja učeniku, a ona predstavljaju izazov za stjecanje novih znanja. Utvrđene su brojne prednosti strojeva za učenje, pogotovo za stjecanje znanja i vještina koja su se morale uvježbavati kao što su aritmetika i strani jezik. Učenik ima mogućnost napredovanja vlastitim tempom, te može pogledati rezultate svojeg rada. Mnoga istraživanja o programiranoj nastavi su se temeljila na upotrebi strojeva za poučavanje pri implementaciji nastavne aktivnosti. Prema Benjaminu (1988): ­ H. Chard je 1809. godine realizirao prvi patent za uređaj koji poučava čitanje. ­ Psiholog Herbert Akens je 1911. patentirao uređaj koji prezentira nastavni sadržaj,

zahtjeva odgovor i pokazuje da li je odgovor točan ili netočan. Uređaj je predstavljao pomoć pri učenju prije nego automat ili uređaj za samostalno kontroliranje, a rezultat rada je psihologijskog istraživanja.

­ 1914. godine Maria Montessori je patentirala uređaj koji trenira osjet dodira. Skinner (1958) kao i drugi utjecajni istraživači tog vremena smatraju da je za ovo područje najzaslužniji Sidney Pressey1) koji je početkom 1920-ih oblikovao strojeve za administriranje testova. Pressey-evi su uređaji korišteni nakon nastave, ali za Skinner-a je bilo važnije to što je Pressey shvaćao da su takvi strojevi mogli, ne samo testirati i bodovati – oni su mogli i poučavati. Štoviše, Pressey je shvaćao da takvi strojevi mogu pomoći učiteljima koji znaju da za neke učenike odvijanje nastavnog procesa ide prebrzo, a za druge presporo.

1)

http://www.coe.uh.edu/courses/cuin6373/idhistory/pressey.html

Strojevi za poučavanje i programirana nastava

4

RANI STROJEVI ZA POUČAVANJE

Pressey 2) je 1926. godine objavio rezultate svojih istraživanja na izgradnji stroja za poučavanje snabdjevenog s pitanjima višestrukog izbora i odgovorima koje je postavio

učitelj (Pressey, 1926). Stroj je učeniku postavljao pitanje i zatim ga obavještavao o točnosti njegovih odgovora, omogućavao je strategiju vježbanja i ponavljanja (eng. drill and practice) nastavnih sadržaja iz uvodnih tečajeva obrazovne psihologije. Stroj za poučavanje nalikovao je prijenosnom pisaćem stroju na kojem se prikazivalo pitanje s četiri moguća odgovora. Odgovaralo se uz aktiviranje tipki na desnoj strani stroja (slika 2.1. Pohjonen, 1999). Kad bi učenik aktivirao tipku s točnim odgovorom stroj je odgovor zapisivao, ocijenio te omogućio prikazivanje sljedećeg pitanja. Ako je aktivirana tipka s netočnim odgovorom, učenik je nastavio s pogađanjem sve dok ne pritisne tipku s točnim odgovorom. Ovo je bila i najveća zamjerka Pressey-evom stroju. Pressey-ev rad je u to vrijeme bio pod značajnim utjecajem Thordnike3)-a koji je postavio načelo učinka u obrazovnoj psihologiji, prema kojem takve reakcije koje su najtješnje vezane za zadovoljavajuće rezultate postaju modeli za reakciju na isti poticaj. Ovakvo promišljanje predstavljalo je zapravo otkriće procesa učenja putem pokušaja i pogrešaka. Unatoč povoljnim rezultatima provedenih eksperimenata ovakva inicijativa nije imala većeg odjeka u SAD-u. Dva su razloga za ovo:

prvi je u vezi s nedovoljno sustavnim pristupom izgradnji nastavnih sadržaja koji bi se primjenjivali na ovakvim strojevima, te drugi povezan s ekonomskom krizom koja je tih godina zahvatila SAD.

Okolnosti su se bitno izmijenile 50 – tih godina prošlog stoljeća, te su uvjetovale novi pristup stjecanju znanja i omogućile psiholozima s Harvard-skog sveučilišta (Skinner i Holland4 )) u SAD-u razvoj metode samo poučavanja što je služilo kao osnova

2 ) S. L. Pressey (1888-1979), američki psiholog sa Sveučilišta Ohio. Otac stroja za poučavanje i autor prve

knjige s normiranim testiranjem (http://encyclopedias.families.com). 3)

E. Thordnike (1874-1949), američki psiholog u području obrazovanja sa Sveučilišta Columbia. Započeo je s

istraţivanjem ponašanja ţivotinja prije nego se orijentirao na obrazovnu psihologiju

(http://www.coe.uh.edu/courses/cuin6373/idhistory/pressey.html). 4)

B. F. Skinner (1904-1990), američki psiholog začetnik neobiheviorizma. U temeljima pristupa programiranog

učenja i poučavanja Skinner nalazi potkrjepu. Uvijek mora postojati priznanje ili nagrada da bi onaj tko se

poučava bio obaviješten o ishodu provjere znanja.

Slika 2.1. Pressy i Pressey-ev stroj za poučavanje

Strojevi za poučavanje i programirana nastava

5

programirane nastave (eng. programmed instruction) i programiranog učenja (eng. programmed learning) (Lysaught i Williamsa, 1963). U to vrijeme Skinner upućuje oštre zamjerke Pressey-evom stroju za poučavanje, a najviše je to bilo orijentirano na pitanja s višestrukim izborom odgovora, gdje je učenik metodom pokušaja i pogreške dolazio do točnog odgovora, a da pri tom ne razumije dobro nastavne sadržaje za koje testira svoje znanje. Unaprijed definirani odgovori u značajnoj mjeri umanjuju proces stjecanja novih znanja i vještina kod učenika (Šoljan, 1972). Skinner izrađuje novi tip stroja za učenje sa sljedećim svojstvima: (i) nudio je male relativno lake za učenje korake u učenju novog nastavnog sadržaja, (ii) učenik je imao aktivnu ulogu u nastavnom procesu i (iii) pozitivno poticanje kao odziv na svaki točan odgovor učenika. U suštini Skinner uvodi metodu linearnog programiranja s isticanjem strogo individualnog pristupa u ovakvoj programiranoj vrsti procesa učenja i poučavanja tj stjecanja znanja i vještina. Kasnije je Crowerd5) ostvario uređaj s razgranatim programom koji se potpuno temeljio na učenikovim odgovorima. Međutim, zbog poteškoća koje nastaju pri pregledavanju svih varijanti učenikovog odgovora ovaj stroj ipak nije naišao na širu primjenu (Park i Lee, 2004). Korijeni su to područja koje u suvremenim uvjetima nazivamo obrazovna tehnologija, a u to vrijeme oslanjala se na bihevioristički pristup učenju i poučavanju. Biheviorizam je psihologijska škola (osnivač J. B. Watson6)) koja težište svojeg djelovanja stavlja na promatranje vanjskog ponašanja te zanemaruje metode samopromatranja ili introspekcije. Nadalje, ne priznaje kognitivno kao predmet znanstvenog istraživanja te naglašava teoriju prema kojoj se čovjek i životinja ponašaju poput stroja, što znači da bez poticaja nema reakcije – odgovora (Enciklopedijski rječnik pedagogije, 1963). U tom smislu unutarnja stanja nemaju značenja, a razvoj čovjeka je posljedica učenja uvjetovanjem. Ponavljajući ciklus poticaj – odgovor (eng. stimulus - reaction) organizam će biti u stanju odgovoriti uvijek kada je poticaj prisutan. Ponašanje se može mijenjati, a učenje mjeriti promatranjem promjena u ponašanju. Skinner je mijenjao okolinu s ciljem da na željeni način mijenja ponašanje. Istraživao je kako posljedice ponašanja, potkrjepljenje (eng. reinforcement) i kazne, djeluju na ponašanje u budućnosti. Potkrjepljenjem je nazvao posljedicu koja povećava vjerojatnost ponavljanja nekog ponašanja pri čemu razlikuje dvije vrste potkrjepljenja: pozitivno i negativno. Pozitivno potkrjepljenje dovodi do učestalosti ponašanja budući vodi do željenih i ugodnih posljedica. Negativno potkrjepljenje dovodi do učestalosti ponašanja radi uklanjanja i smanjenja neugodnog podražaja. Ne treba brkati pojmove negativnog potkrjepljenja i kazne budući da kazna smanjuje vjerojatnost ponavljanja ponašanja. Djelovanjem na poticaj moguće je upravljati odgovorom. Svodeći ovo načelo na područje učenja Skinner je vjerovao da pažljivo oblikovan nastavni sadržaj uz postojanje povratne informacije (eng. feedback) koja slijedi učenikov odgovor (reakciju) može unaprijediti učenje i stjecanje znanja. Skinner se kasnije okreće računalima umjesto strojevima za poučavanje iz razloga što je smatrao da ona mogu pružiti više kontrole, fleksibilnosti i povratnih J. G. Holland, američki psiholog i umirovljeni sveučilišni profesor na Zavodu za psihologiju Sveučilišta u

Pittsburgh-u. (www.psychology.ppt.edu/people/faculty/holland.php - 27.02.2007.) 5)

N. A. Crowerd( 1921-1998), znanstvenik, pronalazač i učitelj, uveo je model razgranate programirane nastave

i to ponajprije u ratno zrakoplovstvo SAD-a za potrebe obuke u otklanjanju pogrešaka na različitim uređajima

(http://argyll.epsb.ca/mkarstad/timeline/information.htm). 6)

J. B. Watson (1878-1958) američki psiholog koji je dobar dio svoje nastavničke karijere proveo na sveučilištu

John Hopkins, osnivač je i glavni zagovornik biheviorizma.

Strojevi za poučavanje i programirana nastava

6

informacija u poučavanju. Ovome su prethodili različiti oblici programirane nastave, u formi knjiga i drugih pisanih materijala, tzv. programiranih udžbenika. Učenik pri poučavanju nastavnog sadržaja u okruženju programirane nastave ima sljedeće značajke: (i) jasno iskazan cilj učenja, (ii) u učenju napreduje malim koracima i vlastitim tempom, (iii) na postavljeno pitanje odmah daje odgovor i odmah dobiva povratnu informaciju te je (iv) nastavni sadržaj oblikovan na način da se u toku rada smanjuje broj pogrešaka i povećava vjerojatnost točnog odgovora, tj. pozitivnog potkrjepljenja. Razvoj i primjena programirane nastave imala je svojeg utjecaja na današnje računalne sustave za potporu nastave kao i učenja i poučavanja te se zato u sljedećem odjeljku analiziraju načela programirane nastave.

PROGRAMIRANA NASTAVA

Polazeći od nepobitne činjenice da su suvremena nastava kao i metode učenja i poučavanja produkt višestoljetnog razvoja i transformacija tada su razumljivi navodi Lysaught i Williamsa (1963, str. 2): "Jedan od prvih autora programiranog obrazovnog sadržaja bio je Socrat. Njegov program iz geometrije zabilježio je Platon u dijalogu Menon. Socrat je običavao svoje sljedbenike dovoditi do spoznaja prelazeći s njima u razgovoru od činjenice do činjenice, od objašnjenja do objašnjenja. Nije teško ustanoviti sličnost između njegove metode i suvremene upotrebe programiranog učenja". Programirana nastava je metoda prezentiranja nove teme učenicima u poredanom slijedu kontroliranih koraka. Učenici sami prolaze kroz programirani nastavni sadržaj brzinom koja im odgovara, i nakon svakog koraka testiraju svoje znanje odgovaranjem na postavljena pitanja. Slijedi po potrebi prikaz točnog odgovora ili pružanje dodatnih informacija. Neki programi imaju linearan koncept, dopuštajući prolaz na novo pitanje samo ako je pružen točan odgovor. Drugi imaju mjesta grananja na kojima se učeniku pruža dodatna informacija na prikladnoj razini ovisno o tome da li je pružen točan ili netočan odgovor. Iako je bilo mnogo kontroverzi koje se tiču kvaliteta programirane nastave kao samostalne metode poučavanja, mnogi se slažu da ona može pridonijeti učinkovitijim procedurama u razredu i oplemeniti tradicionalne metode poučavanja. Romizowski (1986) navodi da iako programirana nastava možda nije ispunila svoje rano obećanje, „utjecaj pokreta programirane nastave je otišao mnogo dalje i dublje nego što mnogi u obrazovanju žele priznati“. Konačno, programirana nastava je bila prvi empirijski određen oblik nastave i odigrala je istaknutu ulogu u približavanju znanosti i obrazovanja. Jednako važan je i njen utjecaj na evoluciju procesa oblikovanja i razvoja nastave. Programirana nastava je poznata kao najviše istraživan oblik nastave, ostavljajući iza sebe desetljeća studija koje proučavaju njenu učinkovitost. Izraz programirana nastava potječe iz rada Skinnera iz 1954. godine s naslovom „The Science of Learning and the Art of Teaching“, kojeg je predstavio na Sveučilištu u Pittsburgh-u u SAD-u na konferenciji Current Trends in Psychology and the Behavioral Sciences. U tom predstavljanju, Skinner daje osvrt na posjet iz 1953. godine četvrtom razredu svoje kćeri i njihovom nastavnom satu iz aritmetike. Zanimljivost je da je ovaj

Strojevi za poučavanje i programirana nastava

7

rad napisan iz perspektive „ljutitog roditelja“, a postao je temelj za Skinner-ov novi rad iz 1958 godine s naslovom „Teaching Machines“ kao i kasnije rad s naslovom „The Technology of Teaching“ iz 1968. godine. Skinner smatra da škole nisu mogle postići kvalitetno poučavanje, i to posebice iz aritmetike što argumentira na sljedeći način (Lockee i drugi 2004): ­ Škole su se oslanjale na averzivno upravljanje (eng. aversive control) što u načelu

predstavlja izbjegavanje tegobne ili štetne stimulacije. A što to zapravo znači? Svatko tko posjeti niže razrede prosječne škole, primjećuje da se učenik ponaša prvenstveno da izbjegne prijetnju, učiteljevo negodovanje, kritiku ili ismijavanje od drugih učenika u razredu, sramoćenje u natjecanju, loše ocjene, razgovor s ravnateljem.

­ Škola nije pridavala važnost možebitnom potkrijepljenu (eng reinforcement), naprotiv za one učenike koji su točno odgovorili prošlo bi nekoliko minuta pa čak i nekoliko dana dok bi im se radovi ispravili. Skinner je ovo vidio kao problem, naročito za djecu u ranim fazama učenja koja su ovisila o učitelju koji je ispravljao njihov rad, dok su stariji učenici mogli sami ispraviti svoj rad. Upotrebom paradigme poticaj – odgovor – potkrjepljenje kao model procesa učenja nastoji se naglasiti važnost izravnog potkrjepljenja kao i izbjegavanje pogrešaka.

­ Skinner je primijetio 'manjak programa za vježbanje vještina koji učeniku omogućavaju progresivno napredovanje do krajnjeg željenog ponašanja'. Takav program bi trebao osigurati niz serija mogućih situacija da bi učenik uspješno usvojio željeno ponašanje. Kako učitelj nema dovoljno vremena da obradi svaki odgovor, učenik se mora osloniti na stupnjevane blokove ponašanja i na radne bilježnice. Skinner je smatrao da odgovori unutar takvog bloka ne bi smjeli biti povezani tako da jedan odgovor ovisi o drugom. Ovo je zadatak programiranog učenja učinilo još težim.

­ Skinner-ova najčešća kritika nastave u razredu je rijetko pružanje učeniku potkrjepljenja za pružene točne odgovore. Ovo je bilo prisutno u sustavu jer učenik ovisio o učitelju koji ga ispravlja, a bilo je i mnogo učenika na jednog učitelja. Jedan učitelj je u mogućnosti pružiti samo nekoliko tisuća mogućih situacija u prve četiri godine školovanja. Skinner je procijenio da 'uspješno matematičko ponašanje na toj razini zahtijeva oko 25.000 mogućih situacija'.

Programirana se nastava ubrzo počela širiti i izvan SAD-a pa je imala kako znanstvena istraživanja tako i neposrednu primjenu u školi i na našim prostorima (Mužić, 1974). Osnovne vrste programirane nastave su bile već spomenute: (i) linearna programirana nastava (eng linear programed instruction) i (ii) razgranata ili unutarnja programirana nastava (eng. branching or intrinsic programmed instruction) (vidi sliku 2.2.). Linearna programirana nastava omogućava učenicima slijed učenja uz pomoć tzv okvira (eng. frame) učenja (na slici 2.2. označeni s 1, 2, 3, …). Učeniku se daje tekst na čitanje, odnosno pitanje koje traži od učenika jasan odgovor. Točan odgovor se odmah potkrepljuje i učenik dobiva sljedeći okvir. Znanje i vještine što se uče rastavljaju se na svoje temeljne komponente za lakše stvaranje veza poticaj - odgovor. Ocjenjivanje se izvodi nakon svakog okvira i odlučuje se o prosljeđivanju učenika sljedećem okviru. Ovaj način se često u sustavima nastave pomoću računala naziva ponavljanje i vježbanje. Razgranata programirana nastava pruža učeniku informaciju, odnosno situaciju u kojoj bira jedan od ponuđenih odgovora na svako postavljeno pitanje, na osnovu kojeg se prosljeđuje sljedećem okviru. Učenik se davanjem netočnog odgovora upućuje na

Strojevi za poučavanje i programirana nastava

8

prethodni okvir ili se usmjerava na različite dijelove programa oblikovanih radi ispravka nedostataka uzrokovanih davanjem netočnog odgovora (na slici 2.2. u dijelu razgranati program označeno s 4a i 4b).

Točan odgovor omogućava učeniku dobivanja sljedećeg okvira u programu (označeno s 5) ili povratak na početak (označeno s 1). Ovakva su grananja zapravo predstavljala prve korake u individualiziranom načinu učenja i poučavanja, iako se temelje na tzv. konzerviranom (eng. caned) načinu predstavljanja informacija učenicima, konzerviranih problema za procjenjivanje znanja učenika, kao i njihovih istih takvih odgovora. Razgranata programirana nastava našla je kasnije značajnu primjenu u sustavima nastave pomoću računala. Pri oblikovanju programirane nastave iskustvo je pokazalo da je najbolje prvo izraditi linearni program, u koji se kasnije ugrađuju grane na osnovi pojavljivanja najčešćih pogrešaka učenika. Na ovaj način dolazi do razgranavanja na onim mjestima u strukturi nastavnog sadržaja gdje je primjena pokazala postojanje poteškoća u njihovom savladavanju. Zaključuje se da je razgranata programirana nastava posljedica učenikovih pogrešaka unutar samog programa, pa se zato razgranata nastava izvorno prema Crowder-u i nazvala još intrinzična (Mužić, 1974). Razvojni trend u obrazovnoj filozofiji i teoriji učenja prošao je put od biheviorističkog do kognitivističkog i konstruktivističkog pristupa, ali i dalje neki autori tvrde da programirana nastava nikad zapravo nije prestajala postojati (Lockee i drugi 2004). Njen utjecaj je prisutan u procesu oblikovanja nastavnih sadržaja koji je nastavio služiti kao norma za ovo područje. Novija literatura o sadašnjim trendovima u oblikovanju i tehnologiji nastave ukazuje na to da dok je sustavni proces oblikovanja nastave bio vrlo dobro prihvaćen na različitim razinama različitih situacija, njegovi bihevioristički korijeni su još vidljivi i ideje programirane nastave možemo pronaći u sadašnjoj praksi.

Slika 2.2. Linearni i razgranati program Prema: www.nwlink.com/~donclark/hrd/media.html

Strojevi za poučavanje i programirana nastava

9

Od procjene potreba, do utvrđivanja jasno definiranih i mjerljivih ciljeva, do procesa analize zadataka, do procjene instrumenata i pristupa koji će dati specifične ciljeve, pružanja prilika za vježbu i povratnu informaciju, do procjenjivanja programa ili produkta nastave – svi ovi aspekti oblikovanja nastavnih sadržaja su bili razvijeni unutar stvaranja čvrstog procesa kao funkcije pokreta programirane nastave. O spoju računala i programirane nastave pri kraju svoje istraživačke djelatnosti Skinner u dijelu iz 1986. godine s naslovom 'Programmed Instruction Revisited' ističe da je malo računalo 'idealan hardware za programiranu nastavu'. Proširivanje ideje o individualnim atributima programirane nastave je dolazak mrežnog računalnog okruženja za učenje, koje obrazovanje čini dostupnim bilo kada i bilo gdje. Revolucija prijenosnih računala, zajedno sa širenjem Internet-a na globalnoj razini, je omogućila pristup neograničenim izvorima i programima za učenje kroz obrazovanje na daljinu. Zapravo, možda najproduktivniji i najdugovječniji primjer programirane nastave na računalu sustav PLATO (Programed Logic for Automatic Teaching Operation) je evoluirao u Web okruženje za učenje koje nudi različite programe za učenje učenicima svih dobi i svih zanimanja (više o sustavu PLATO u Poglavlju 4.). Kreiran kao projekt programirane nastave na University of Illinois početkom šezdesetih godina prošlog stoljeća u SAD-u PLATO je razvijan s manjim i većim usponima i padovima nudeći didaktički oblikovane nastavne sadržaje za izvođenje na računalu, odnosno courseware. Dok se primarno oblikovanje zamisli PLATO sustava temelji na konstruktivističkom idealu, on i dalje zadržava neke od svojih temelja programirane nastave. Na primjer, prije procjenjuje učenike da odredi na kojem mjestu bi se trebali uključiti u program i da li je potrebna neka intervencija. Također, se prati napredak učenika, pruža trenutna povratna informaciju i usmjerava učenika prema točnim odgovorima. Ove značajke su njegove vrednote, i aspekti programa koji su omogućili trajanje kroz prije spomenute promjene dajući zasluge utjecaju programirane nastave. Zaključuje se ovaj odjeljak promišljanjem da se programirana nastava razvijala s različitim intenzitetom i devijacijama koje su između ostalog uglavnom zavisile od tehnologije na kojoj su zasnovani sustavi i uređaji primijenjeni u nastavnom procesu i procesu učenja i poučavanja. Računalo kao sofisticirani elektronički sustav se ubraja u najvišu kategoriju nastavnih pomagala. Maddison (1982) ističe da je možda najznačajnije nastavno pomagalo poslije tiskane knjige računalo te da će ono ne samo promijeniti nastavu postojećih predmeta već i otvoriti nove predmete. Suvremena načela oblikovanja nastavnog procesa na najbolji način potvrđuju Maddison-ova predviđanja. Osim toga, s danas aktualnim znanjima o ovom području može se zaključiti da će u daljem tehnologijskom razvoju i primjeni u učenju, poučavanju i nastavi računala zadržati svoju visoku razinu značajnosti.

Poglavlje 3.

RAČUNALA U NASTAVI I UČENJU

Sintezom klasične programirane nastave, osloncem na tradicionalnu nastavu (jedan učenik - jedan učitelj) te primjenom tehničke i programske podrške računalnih sustava koncem pedesetih godina prošlog stoljeća se formirao novi oblik nastave najčešće nazvan nastava pomoću računala (NPR) – eng. Computer Assisted/Aided Instruction (CAI). Međutim, od vremena kada je na Sveučilištu Illinois-Urbana u SAD-u započela primjena prvog višekorisničkog računalnog sustava PLATO, 1959. godina, pa do današnjih dana ne prestaje oštro sučeljavanje mišljenja o prednostima, slabostima, dometima i granicama primjene računala u nastavi. U navedenom razdoblju računalni sustavi su prošli tehnologijsku transformaciju od terminalske potpore i višekorisničkih operacijskih sustava do suvremenih izvedbi osobnih računala s CD-ROM i DVD uređajima, opcijama multimedije i vezom prema različitim uslugama u okviru računalnih mreža i raspodijeljenih računalnih sustava. Tehnologijsku transformaciju prati i stalno promišljanje da će primjenom računala učitelji biti djelomično ili čak potpuno oslobođeni rutinskih poslova u školi i nastavi, ali je ono obično završavalo zaključkom da taj potencijal tek treba realizirati (Reinhardt, 1995).

DEFINICIJA NASTAVE POMOĆU RAČUNALA

Nastavu pomoću računala se definira kao metodu učenja i poučavanja uz dijalog računala i učenika. Učenik je sinonim za one koji uče i poučavaju se i ne ovisi o kronološkoj dobi. Krajnji cilj ovakve nastave je u zamijeni tradicionalnog dijaloga učenik - učitelj s dijalogom učenik - računalo. Učenjem pomoću računala ispunjavaju se didaktički i psihološki zahtjevi kao što su potpuna individualizacija nastave, stvaralački odnos učenika prema učenju i osposobljavanje ličnosti za samoučenje i samoodgoj. Papert (1982) u raspravi Maindstorms-u ustvrđuje da računalo po prvi put otvara mogućnost za učenje 'prave matematike i prirodnih znanosti', a pri učenju društvenih znanosti kao recimo povijesti, učenik može biti povjesničar, a ne samo kroničar. Upoznavanje s računalom se orijentira prema nižim obrazovnim razinama. Učenje o računalu i poučavanje pomoću računala postaje jedan od temeljnih nastavnih sadržaja u osnovnim i srednjim školama. Shute i Psotka (Shute i Psotka 2001) ističu da nastava pomoću računala ima sličnosti s programiranom nastavom, ali zajedničko za oba pristupa jest da moraju na početku imati dobro definiran plan i program nastavnog predmeta, dobro definirane i u njemu razrađene postupke grananja. U vezi s tim kod programirane nastave ova mjesta su nazvali unutarnja - intrinsic grananja, a kod nastave pomoću računala su to uvjetna grananja. Glavna se razlika sastoji u tome što se nastava pomoću računala upravlja računalom.

Računala u nastavi i učenju

11

Pristup nastave pomoću računala je pod snažnim utjecajem Skinner-ove psihologije poticaj - odgovor - potkrjepljenje: učenikov odgovor prvenstveno služi kao sredstvo određivanja učinkovitosti komunikacijskog procesa, a u isto vrijeme dopušta poduzimanje prikladne popravne akcije (Crowder, 1959 prema Shute i Psotka 2001). Drugim riječima, u svakoj točki nastavnog plana i programa, računalni program ocjenjuje je li učenikov odgovor pogrešan ili točan pa time zadržava učenika na pravom putu. Ugrađene su pomoćne grane (alternativni pravac) koji tutorski vode učenika kad je netočno odgovorio na pitanje. Ako učenik odgovori točno, ostvaruje se korak naprijed u nastavnom planu i programu. Slika 3.1. prikazuje tipični tijek aktivnosti u CAI sustavu, gdje su s pravokutnikom označene programske aktivnosti sustava, a s elipsom „konzervirano“ znanje koje sustav pruža. Učitelj unaprijed konstruira sva grananja u programu. Normalna CAI procedura prikaže nastavni sadržaj koji treba naučiti i iza kojeg slijedi problem kojeg treba riješiti, a predstavlja podskup nastavnog plana i programa. Rješenje problema testira učeničko usvajanje znanja ili vještina kojima ga se poučavalo u tom vremenu. Učenikov odgovor se uspoređuje s točnim odgovorom, a zatim računalo daje prikladnu povratnu informaciju. Ako je odgovor točan, izabire se i prikazuje novi problem. Ako učenik odgovori netočno, poziva se pomoćna grana programa koja pregledava raniji nastavni sadržaj te prikaže jednostavniji problem kojeg učenik mora riješiti.

Prikaži problem

Nastavni plan i

program

Usporedi

rješenja

Odgovor učenikaOdgovor računala

Prikaži povratnu

informaciju

Odgovor nije

točanOdgovor je točan

Pomoć

Slika 3.1. Tijek aktivnosti u sustavu nastave pomoću računala (Shute i Psotka, 2001)

Postupak se nastavlja sve dok učenik točno ne odgovori na postavljeno pitanje. Pomoćna grana obično zahtijeva pokušaj nalaženje izvora pogreške i posebnog postupanja s pogreškom. Postoji više mjesta u strukturi sustava nastave pomoću računala na kojima se ovaj model može proširiti tako da kreira veću fleksibilnost i tako se prilagođava

Računala u nastavi i učenju

12

svakom učeniku posebno. Na primjer, mogu se uvesti različiti kriteriji temeljem kojih učenici moraju točno odgovoriti na postavljena pitanja povezana s određenim pojmovima nastavnog sadržaja prije nego idu dalje. Neuspjeh u postizanju uvjeta će prisiliti učenika da se vrati natrag u pomoćnu granu (grana “ako odgovor nije točan”) gdje se radije prikazuje drugačiji problem nego problem koji je uzrokovao pogrešku. U znanstvenim raspravama kao i primjenama se koriste različiti akronimi za nastavu pomoću računala, a izvršena je i raščlana sustava nastave pomoću računala, ali je to u našoj literaturi često nedovoljno objašnjavaju, pa se tome i posvećuje potrebna pažnja. O'Shea (1982), govoreći o primjeni računala u obrazovanju prezentira akronime: CAI, CAL, CBL, CBE i CMI.7)

Autori PLATO sustava koriste termin obrazovanja s osloncem na računalo, CBE (eng. Computer Based Education), te ga dekomponiraju na nastavu pomoću računala (eng. Computer Aided Instruction – CAI) i upravljanje nastave računalom (eng. Computer Management Instruction – CMI). U V. Britaniji glavna dioba je između CAI u kojem računalo vodi učenika i drugih ponekad zvanih CAL sustava. CAL je sintagma za svekoliku upotrebu računala u učenju i poučavanju, a CAI je smatran njegovim sastavnim dijelom (Maddison, 1982). U našoj pedagogijskoj literaturi (Mužić i Rodek, 1987; Rodek, 1986, T. Maruna-Carev 1989, Šoljan 1976, Pedagoška Enciklopedija, 1989) prihvaćeni su akronimi CAL, CMI i CAT (eng. Computer Assist Teaching - poučavanje uz pomoć računala). U velikom broju slučajeva, sustavi nastave pomoću računala pokazuju rezultate koji su usporedivi sa znanjem iskusnog "živog" učitelja, a pogotovo onda kad raspolaže s vrhunskim programiranim materijalom. Međutim, ovakvi sustavi imaju i svoje nedostatke pa su se tijekom vremena razvijali pristupi i to od prilaza "mrkva na štapu" (eng. carrot-and-stick) povezanog sa Skinner - ovom teorijom potkrjepljenja pa do "vođene slobodne igre" (eng. guided free play) koju je zagovarao Piaget (Sugarman, 1978a). Nedostatke CAI sustava promatra se u svijetlu razloga takvom stanju (Nwana 1990): ­ CAI sustavima se pokušavalo proizvesti cjelovite tečajeve u odnosu na one koji bi

ograničeni na pojedinačne dijelove nastavnih predmeta. ­ Imali su strogu prepreku u komunikaciji prirodnim jezikom što je utjecalo i na

restrikcije u interakciji s učenikom. ­ Nisu raspolagali sa znanjem ili razumijevanjem nastavnih sadržaja koji su bili

učeniku namijenjeni za učenje. U skladu s takvim stanjem raspolagali su s premalo znanja učenika što je naravno imalo za posljedicu nemogućnost dijagnostike – procjenjivanja učenikovih pogrešnih poimanja.

­ CAI sustavi su bili „ekstremno“ zasnovani na ad-hoc načelu. Oblikovanje tutorskih sustava tada nije bilo prepoznato kao ne trivijalan tj. složen zadatak. Takav zadatak je između ostalog zahtijevao i detaljnu psihologijsku teoriju učenja i pogrešnog

7)

A – aided / assisted, B – based, C – computer, E - education, I – instruction, L- learning, M - managed

Računala u nastavi i učenju

13

učenja. Svatko onaj koji je imao znanja o računalima pokušavao je oblikovati tutore – tutorske sustave na računalu zasnovane. Naravno u skladu s tim malo je ili gotovo ništa nije učinjeno na planu kooperacije između pedagoga, psihologa i računaraca u razvojnoj fazi ovih sustava.

­ CAI sustavi su težili raspolaganju sa statičkim radije nego s dinamičkim nastavnim sadržajima. Malo je napravljeno eksperimenata i pokušaja sa sustavima koji bi ovo stanje popravili. Živi učitelj uči o svojim učenicima te isto tako uči svaki dan o nastavnim sadržajima, a u suštini radi ono što bi morao raditi strojni učitelj.

Konačno se može zaključiti da nastava pomoću računala iskazuje raznolikosti i bogatstvo scenarija primjene što globalno obuhvaća: vježbanje i ponavljanje (eng. drill-and-practice), računalni program organiziran kao vodič poučavanja (eng. tutorial program), ispitivanje (eng. inquiry), simulaciju (eng. simulation), igre (eng. games), dijalog (eng. dialog), te rješavanje problema (eng. problem-solving) (White i Hubbard, 1988; Sherwood, 1986; Control Data PLATO - System overview, 1972). Sljedeći odjeljak je posvećen opisu navedenih primjena kroz modele upotrebe računala u nastavi i učenju.

MODELI UPOTREBE RAČUNALA U NASTAVI I UČENJU

Učenik u komunikaciji s računalom može: stjecati nova znanja i vještine o računalu te stjecati nova znanja i vještine iz po volji odabranog područnog znanja učenjem s

računalom i poučavanjem od računala (slika 3.2.). Temeljem navedenog utvrđuje se da je kvalitativna primjena računala u nastavi i učenju determinirana sadržajem komunikacije učenika i računala, pa to globalno može biti: učenje o računalu, učenje s računalom i učenje od računala.

Taylor (Taylor, 1980) definira upotrebu računala pridružujući mu pri tom tri uloge koje u suštinu omogućavaju oblikovanje tri globalna modela upotrebe:

­ računalo kao tutor - poučavatelj (eng. tutor) ostvaruje učeniku potporu za vrijeme nastave u kojoj ga računalo poučava,

­ računalo kao alat (eng. tool) s kojim se pojačavaju intelektualne mogućnosti učenika pri rješavanju različitih zadataka, te

­ računalo kao netko koga se može poučavati (eng. tutee) što učenik obavlja učeći o programiranju računala.

Funkciju računala kao tutora učenika u nekom područnom znanju ispunjavaju stručnjaci u području računarstva (oblikovanje programske podrške) kao i stručnjaci za područno znanje. Stručnjak za oblikovanje programske podrške ima zadatak implementacije programske podrške računala, dok stručnjak za područno znanje oblikuje područno

Slika 3.2. Komunikacija učenika i računala

Računala u nastavi i učenju

14

znanje za učenje i poučavanje. Učenik je u ovakvom na računalu temeljenom tutorskom sustavu poučavan izvršavajući određeni program/programe. Računalo prikazuje područno znanje, učenik odgovara, računalo ocjenjuje odgovor učenika te slijedom ocjene računalo određuje što će se događati u nastavku. Ono što je najbolje u ovakvom slijedu, a što obavlja računalni tutor, je potpuni zapis svih učenikovih aktivnosti. S prikladnom i dobro oblikovanom programskom podrškom računalni tutor može lako i brzo načiniti prikaz nastavnih sadržaja prilagođavajući se širokom spektru učenikovih specifičnosti. Međutim, Taylor smatra da tutorski način zahtijeva mnogo sati rada stručnjaka pri proizvodnji jednog sata dobrog poučavanja. To je znakovita poteškoća i tijekom čitavog razvoja tutorskih sustava ovaj su nedostatak uvijek isticali brojni autori, zadržao se čak do današnjih, suvremenih, hipermedijskih autorskih sustava. Računalo kao alat podrazumijeva programske alate koji u razrednoj ili individualnoj nastavi omogućavaju učeniku rješavanje brojnih zadataka koji prije svega imaju veze s obradom teksta (alati za obradu teksta), računanjem (tablične kalkulacije), analizom podataka (statistički alati) i tome slično. Upotreba računala kao tutora ili alata poboljšava i obogaćuje učenje u razredu pa u vezi s tim zahtijeva i od učenika i od učitelja učenje o računalu da bi navedene funkcionalnosti bile ispunjene. Upotreba računala kao nečega što se može poučavati podrazumijeva zapravo poučavanje računala, a što kako za učenika tako i za učitelja znači da moraju učiti izgraditi program uz pomoć kojeg će računalu na njegovom jeziku kazati nešto što ono razumije. Brojne su pogodnosti ovog modela, pogledajmo samo neke. Prvo ne može se poučavati nešto što se ne razumije, pa u vezi s tim „živi“ učitelj može vidjeti što učenik zapravo pokušava poučiti računalo. Drugo pokušavajući realizirati brojne ciljeve poučavanja pri oblikovanju programske podrške «živi» učitelj će naučiti kako računalo radi te isto tako kako funkcionira učenikovo vlastito razmišljanje. Računalo je «zahvalan učenik» pri poučavanju zato jer je beskrajno strpljivo, zato jer je nijemo, zato jer je kruto i konačno zato što ima sposobnost da ga se pokrene iz ničega. Učenik ga uči kako da bude tutor i kako da bude alat. Taylor-ovo djelo – The Computer in School: Tutor, Tool Tutee – (Taylor, 1980) je tijekom vremena snažno djelovalo na brojne generacije stručnjaka ovog područja. U vezi s tim valja istaknuti da je časopis Contemporary Issues in Technology and Teacher Education Journal (www.citejournal.org) u broju 2. iz 2003. godine ponovno upozorio na njegovu važnost i značaj. S povijesnim otklonom od oko dvadeset i pet godina je posve jasno zašto je to djelo toliko značajno i za učitelje i za učenike. Naime, djelo je skup od dvadeset rasprava kako uglednih znanstvenika tako i nastavnih praktičara ovog područja koji se i ovdje navode abecednim redom: Alfred Bork, Thomas Dwyer, Arthur Luehrmann, Seymour Papert i Patric Suppes (u četvrtom poglavlju posebno se analizira doprinos svakog od njih). Teško je dati prioritet jednom, ali sasvim sigurno je da su svi zajedno i to svaki na svoj način utemeljili područje koje nazivamo primjena računala u nastavi, učenju i poučavanju.

Taylor dvadeset i tri godine nakon objavljivanja ove knjige na zanimljiv način komentira proteklo razdoblje (http://www.citejournal.org/vol2/iss4/seminal/article1.cfm). Osamdesetih godina prošlog stoljeća započinje se s primjenom osobnih računala u školi i obrazovanju, a obrazovna programska podrška još nije bila upotrebljiva. Pogled u prošlost može biti

Računala u nastavi i učenju

15

od pomoći da se poboljšaju neke stvari koje su bile uspješne, čineći ih još učinkovitijim, a osim toga pogled u prošlost pomaže da otkrijemo pogreške i propuste te donesemo preporuke kako da ih prebrodimo i izbjegnemo slične pogreške u budućnosti. Suvremena informacijska i komunikacijska tehnologija ili kako je Taylor naziva „digitalna tehnologija“ je unaprijedila i komunikaciju tako da učenici i učitelji mogu komunicirati sa stručnjacima svih vrsta, svugdje u svijetu gdje su takvi stručnjaci povezani na mrežu koristeći obično engleski jezik kao globalni jezik današnjice. Osim toga, danas putem usluga Internet-a učenici i učitelji imaju pristup direktno na široko polje informacija iz cijelog svijeta, daleko iza granica njihovih knjiga i knjižnica. Taylor pokušava globalno prikazati učinke digitalne tehnologije te ističe kako pozitivne tako i negativne posljedice. Tri su učinka s pozitivnim posljedicama: (i) uloga učitelja je bitno reducirana, jer učenik uz pomoć tehnologije ima bogatiji izvor informacija; (ii) uz sliku učenik dobiva i audio i tekstualnu prezentaciju informacije; (iii) digitalnoj informaciji se može neposredno pristupiti. Negativnim posljedicama pridružujemo: (i) napor praćenja tehnologije, jer svakim danom dolazi se do novih saznanja i do novog razvoja tehnologije: (ii) osjećaj neznanja s obzirom na veliki broj informacija i podataka koji su dostupni; (iii) razlika između globalne i lokalne orijentacije je nešto s čim će se digitalni svijet u učionici morati suočiti. U vezi sa svim navodi i proturječnosti globalizacije, pa upravo razlike u kulturama uzrokuju velike probleme ljudskog neslaganja, dugogodišnje ratove te razaranje. Moraju se iznaći novi pristup realnosti da bi smanjili razlike između važnosti pojedinih kultura i povećali međusobno razumijevanje. Da bi se takve stvari promijenile potrebno je povećanjem razine obrazovanja pomoći ljudima da uspostave ravnopravne odnose. Povećanje primjene digitalne tehnologije širom svijeta zahtjeva sustavno ulaganja u poučavanje učitelja kako bi oni bili u mogućnosti dalje koristiti tehnologiju i poučavati učenike. Taylor govori kako je od 1980. godine naučio i shvatio da škola i obrazovne ustanove nerado ulažu u takve stvari jer smatraju da je toliki novac isplativije uložiti u fizičke objekte koji se lako mogu vidjeti. Tri uloge računala u procesu obrazovanja koje je Taylor predstavio u svojoj knjizi pomogle su u razumijevanju procesa primjene računala u procesu obrazovanja. Prva uloga računala dala je kvalitetan uvid o tome kako računalo može biti dobar tutor. Druga uloga računala dala je cijeli novi skup primjena, prvo kao pomagalo (alat) u učenju, a potom u drugoj ulozi i širokoj primjeni kao pomagalo u obradi podataka i tome slično. Treća uloga računala u obrazovanju predstavljena je kao jednostavna ideja, jedan nauči bolje što drugi mora predavati. Da bi netko napravio da računalo bude tutor računalo prije toga treba biti učenik.

Osim Taylor-ove raščlane vrijedno je spomenuti i još neke često korištene i citirane, kao što su:

Računala u nastavi i učenju

16

­ Pristup Luehrmann-a (prema Sherwood, 1986) koji predlaže tri modela: učenje o računalu (eng. learning about computer), učenje s računalom (eng. learning with computer) i učenje od računala (eng. learning from computer).

­ Pristup Sherwood-a (Sherwood, 1986) u raspravi Models of Computer Use in School Setting, govori o primjeni računala radi poboljšanja procesa učenja. Svoju "sliku" i poimanje primjene prošireno promatra u odnosu na temeljnu Luehrmann-ovu raščlambu: (i) učenje o računalu (ii) učenje od računala, (iii) učenje s računalom, (iv) razvijanje mišljenja uz pomoć računala (eng. learning about thinking with computer) i (v) upravljanje učenja s računalom (eng. managing learning with computer).

­ Pristup Fleischmann-a (Fleischmann, 2000) koji ističe: (i) računala kao subjekt poučavanja, (ii) računala kao alat za potporu i konačno (iii) računala kao sami učitelji

U ovoj raspravi detaljno je opisana upotreba računala u učenju i poučavanju kao i sustavi na njima zasnovani primjenjujući: (i) učenje o računalu, (ii) učenje od računala, (iii) učenje s računalom i (iv) upravljanje učenja s računalom.

UČENJE O RAČUNALU

„Računalna pismenost“ (eng. computer literacy) je ključni slogan koji je u prošlosti uvjetovao brojne rasprave i suprotne stavove pri učenju o računalu. Što je zapravo „računalna pismenost“? Da li je to učenje o računalu ili je to učenje o tome kako se upotrebljava računalo. Računalna pismenost predstavlja zapravo znanje i sposobnosti osobe da efikasno koristi računala i tehnologiju koja je u vezi s računalima. Računalna pismenost se također odnosi na razinu udobnosti koju netko može imati pri korištenju različitih računalnih programa. Sljedeća vrijedna komponenta računalne pismenosti je znanje o tome kako računala rade i djeluju. Posjedovanje temeljnih računalnih vještina predstavlja bitnu svojinu čovjeka za život u suvremenom društvu. Naravno, potrebna razina računalne pismenosti nije u svim društvima jednaka. Različite zemlje imaju različite potrebe za računalnom pismenošću što je povezano s razinom razvijenosti društva i općenito razinom razvijenosti informacijske i komunikacijske tehnologije. Suvremene norme računalne pismenosti svakako uključuju sposobnost komuniciranja uz pomoć elektroničke pošte ili pak ostalih neposrednih usluga koje pružaju računalne mreže (elektroničke konferencije, forumi, video konferencije, chat…). Oblikovanje i uređivanje dokumenata je također neophodna vještina u radu s računalom. Računalna pismenost je važna koliko je važna sposobnost čitanja i pisanja. Prema nekima računalna pismenost je nepotpuna bez poznavanja vještine i sposobnosti programiranja računala (www.libertybasic.com).

Suvremeni uvjeti življenja u 21. stoljeću potreba za računalnom pismenošću postaje imperativ, možda i zato što se utjecaj informacijske i komunikacijske tehnologije na društvo drastično povećava. ICT podupire različite modele učenja pomoću računala, omogućava učenje bilo kada, na bilo kojem mjestu i onoliko koliko je to učeniku potrebno. Učitelji kao i svi koji su odgovorni za obrazovanje zalažu se za smisleno učenje o računalu. Rastuće je prihvaćanje da konačni rezultat računalne pismenosti nije samo poznavanje rukovanja računalima, nego i korištenje računalne tehnologije u organiziranju, komunikaciji, istraživanju i rješavanju problema. Iako je neophodno

Računala u nastavi i učenju

17

poznavanje određenih računalnih znanja i vještina, poput poznavanja osnovnih dijelova računala, obrade teksta na računalu ili poznavanja načina pretraživanja informacija korištenjem Interneta, potrebno je učenicima pružiti mogućnost upotrebe istih od situacije do situacije. Računalna pismenost (Eisenberg i Johnson, 2003) bi uključivala: (i) poznavanje osnovnih operacija i terminologije, te osnovnih pravila održavanja računalne opreme, (ii) poznavanje načina korištenja računalom podržane nastave, (iii) posjedovanje znanja o utjecaju tehnologije na karijere, društvo i kulturu, i (iv) računalno programiranje. Definiranje računalnih znanja i vještina samo je jedan dio u osiguravanju učenika da postanu snažnije računalno pismeni. Uloga učitelja, nadogradnja vještina i kvalitetno oblikovani projekti su također važni da bi učenici ovladali znanjem i vještinama potrebnima za napredovanje u informacijski bogatoj budućnosti. U Republici Hrvatskoj je na tragu unapređivanja obrazovanja posebice za učenike u osnovnoj školi ponajprije razvijen katalog znanja, vještina i sposobnosti pa zatim i Hrvatski nacionalni obrazovni standard (HNOS) za znanje i nastavne sadržaje koje učenik mora naučiti i usvojiti tijekom obrazovanja u osnovnoj školi. Napose nas ovdje interesira onaj dio koji se odnosio na informacijsku i komunikacijsku tehnologiju. S tim u vezi povjerenstvo odgovorno za izradu HNOS-a za informatiku za osnovnu školu (Budin i drugi, 2005.) smatraju potrebnim u ovom području učenicima omogućiti: (i) stjecanje vještina upotrebe današnjih računala i primjenskih programa (vještine), (ii) upoznavanje s osnovnim načelima i idejama na kojima su izgrađena računala (temeljna znanja) i (iii) razvijanje sposobnosti za primjenu ICT u različitim primjenskim područjima (rješavanje problema). U vezi s navedenim nastavni plan i program informatike za osnovnu školu mora osposobiti učenika za: (i) rješavanje problema, (ii) komuniciranje posredstvom različitih tehnologija i medija, (iii) prikupljanje, organiziranje i analizu podataka kao i za njihovu sintezu u informacije, (iv) razumijevanje i kritičku ocjenu prikupljenih informacija, (v) donošenje odluka na temelju prikupljenih informacija te (vi) timski rad pri rješavanju problema. Da bi se postigla kompetencija učenika pri svim ovako strukturiranim aktivnostima nastavni sadržaji informatike organizirati su tako da obuhvaćaju sljedeće programske cjeline: (i) osnove informacijske i komunikacijske tehnologije, (ii) strojnu i programsku opremu računala, (iii) multimedije, (iv) obradu teksta, (v) proračunske tablice i baze podataka, (vi) izradu prezentacija, (vii) izradu Web stranica, (viii) rješavanje problema i programiranje, (ix) Internet.

Navedene programske cjeline su razrađene i prvi puta tako provedene u okviru Eksperimentalne nastave za osnovnu školu tijekom školske 2005/2006. godine (MZOS, 2005). Nadalje, nakon jedne godine eksperimentalne nastave konačno je oblikovan Nastavni plan i program za osnovnu školu (MZOS, 2006) u okviru kojeg su sadržaji informatike uvedeni u nastavni predmet Tehnička kultura za učenike od petog do osmog razreda. Osim toga, cjeloviti nastavni sadržaji za područje informacijske i komunikacijske tehnologije su organizirani u izbornom nastavnom predmetu Informatika za učenike od petog do osmog razreda kao i predmet Informatika za učenike od prvog do osmog razreda osnovne škole u okviru izvannastavnih aktivnosti.

Računala u nastavi i učenju

18

Na kraju ovog odjeljka još jednom se analizira termin računalna pismenost te ističu pri tom dvije bitne postavke. Prva se odnosi na spoznaju o tome da je računalna pismenost predmet stalnih promjena, postaje sve zahtjevnija i od pojedinca traži sve više znanja i vještina i to u suglasju s razvojem i napredovanjem informacijske i komunikacijske tehnologije. Druga je povezana s autorom samog naziva računalna pismenost. Različiti autori to interpretiraju na različite načine. Slijedom toga Glen Bull u uvodniku časopisa Contemporary Issues in Technology and Teacher Educatuion Journal (Volume 3, Issue 2, 2003) ističe kako je Arthur Luehrmann iskovao termin „računalna pismenost“. Međutim, dva respektabilna izvora za pojam „computer literacy“: ­ PC Nagazine Encyclopedia (www.pcmag.com/encyclopedia_term/) te ­ On line Dictionary (onlinedictionary.datasegment.com/word/) tvrde da je tvorac naziva Andrew Molnar koji je to predložio 1972. godine dok je obavljao dužnost direktora Office of Computing Activities at the National Science Foundation u Sjedinjenim Američkim Državama. Zaključimo, da je ovo zanimljivo i nadasve dinamično područje te da na njegovom sređivanju dakako valja još raditi.

UČENJE OD RAČUNALA

Učenje od računala je najpoznatija metoda i obuhvaća: vježbanje i ponavljanje (eng. drill and practice) i programe za poučavanje – tutorski programi. Vježbanje i ponavljanje te tutorski programi su nastali u ranim fazama učenja od računala i bili su pod izravnim utjecajem Skinner-ovog bihevioralnog pristupa u učenju i poučavanju (Reeves, 1998). Implementirana programska podrška predstavljala je automatiziranu inačicu programirane nastave. Učeniku se znanje prezentiralo u organiziranim fragmentima često nazvani okviri. Kod ispitivanja od učenika se zahtijevao odgovor (tražena reakcija) na postavljeno pitanje (poticaj). Točan odgovor je uvjetovao prijelaz na novi okvir i dobivanje novog pitanja. Pogrešan je odgovor generirao grananje tj povrat na staro pitanje ili prijelaz na tzv pomoćne okvire za ovaj nastavni sadržaj, a sve s ciljem otklanjanja pogrešnih poimanja i pripreme za ponovno testiranje istog fragmenta znanja. U ovakvom pristupu tutorski programi su bili naprednija forma stjecanja znanja i imali su izvjesne odlike individualizirane nastave. Međutim, vježbanje i ponavljanje je svim učenicima generiralo istu seriju pitanja i nije imalo gotovo nikakvu prilagodbu individualnim osobinama učenika. Ovaj početno dominantni utjecaj bihevioralnog pristupa ipak vremenom slabi i preuzima ga sve više utjecaj kognitivne psihologije i time izazvano konstruktivističko okruženje učenja i poučavanja. Vježbanje i ponavljanje pomaže učeniku da pamti činjenice, uči pojmove, ili savladava umijeća kao recimo ona u matematici. Ponavljanje teče sve dotle dok učenik ne usvoji zadane nastavne sadržaje. Ovakva programska podrška je bila dominantna u ranim primjenama učenja od računala, ali se i danas nudi u različitim oblicima. Promotrimo jedan tipičan primjer vježbanja i ponavljanja (slika 3.3.). Učenici imaju mogućnost izbora aritmetičke operacije, težine zadataka kao i izbor broja zadataka i načina rješavanja postavljenih zadataka.

Računala u nastavi i učenju

19

Učenik je odabrao operaciju odbijanja, težinu 3 i način rješavanja B. Za točan odgovor učenik dobiva poticajni „dobro“, u protivnom je poruka „pogrešno“. Nema mogućnosti popravke te se na kraju dobiva ukupan broj točnih i pogrešno riješenih zadataka kao i vrijeme rješavanja svih zadataka.

Program kao vodič poučavanja je sličan programima za vježbanje i ponavljanje, ali s tom razlikom da se kod ovih potonjih uvježbava neko ranije naučeno znanje, dok se kod programa za poučavanje stječu i nova znanja. U vezi s tim učenik u slijedu aktivnosti prvo stječe nova znanja (modalitet učenja i poučavanja), a zatim pristupa testiranju tako stečenog znanja. Učenik čita tekst zadatka kojeg mora riješiti te daje odgovor, a proces se dalje odvija u zavisnosti od kvaliteta njegovih odgovora (slika 3.4.). Bolji učenici mogu i preskočiti neke od zadataka i tako ubrzati tijek učenja. Za razliku od ovoga slabiji učenici mogu proučavati više dijelova i "polaganijim" tempom.

Programi za poučavanje svoje porijeklo ima u tradicionalnoj nastavi (predočene slikom 3.5.), koja bez sofisticiranih nastavnih pomagala, obuhvaća tri komponente - tri informacijske strukture: (i) nastavni sadržaj za područno znanje; (ii) učenika te (iii) učitelja. Ovakva nastava se naziva tutorska nastava i obično je bila omogućena malom broja učenika poput Filipovog sina Aleksandara Makedonskog koji je uživao svoju

Učenje

novog

nastavnog

sadržaja

Postavljanje

pitanja

Odgovor

učenika

Ocjenjivanje

odgovora

učenika

Uputa ili

pomoć

Točan

odgovor

Sljedeća

sekvenca

nastavnog

sadržaja

Sekvenca

nastavnog

sadržaja

Netočan

odgovor

Slika 3.4. Model programa kao vodič poučavanja

Odbijanje - Težina zadatka 3

Zadaci za

rješavanje

Zadatak

broj: 5

12

- 5

Slika 3.3. Zadatak u programu za vježbanje i ponavljanje

Računala u nastavi i učenju

20

kraljevsku privilegiju: usluge osobnog učitelja (tutora) toliko učenog i umješnog koliko je i sam Aristotel bio (Suppes, 1966). Međutim, vremenom i uz razvoj ICT-a te njegovoj primjeni u obrazovanju okolnosti rada uz pomoć ovih programa se bitno mijenjaju pa se može utvrditi da danas milijuni učenika već mogu stjecati znanja poput Aleksandra Makedonskog. Za razliku od razredne nastave gdje učitelju obično nedostaje permanentna povratna informacija o tome slijedi li ga učenik. Učitelj često ne može dovoljno točno ocijeniti, razumije li ga učenik. Obično su pitanja koja se postave učenicima "slučajni uzorak" često uvjetovana stjecajem "slučajnih okolnosti". Točna prosudba zahtijeva detaljnije ispitivanje i ocjenjivanje što je veoma često i vremenski neizvedivo.

U nastavi uz pomoć tutorskih programa, učenik neprestano dobiva potvrdu rezultata svojih misaonih postupaka, prosudbi i zaključaka, a učitelj toliko važnu i značajnu povratnu informaciju. Tutorski programi mogu u mnogim prilikama biti efikasniji nego "živi" učitelj te ispuniti ciljeve i zadatke kvalitetne nastave. Osim toga, izloženi su neprestanom usavršavanju, pa su danas prerasli u inteligentne računalne sustave koji omogućavaju učenje i poučavanje, a time i stjecanje znanja, vještina i sposobnosti. U ovom odjeljku, a u vezi s tutorskim programima obavit će se samo sažeta rasprava o integriranim sustavima za učenje (eng. integrated learning systems - ILS), dok će opis inteligentnih tutorskih sustava te analiza njihovih sudionika i funkcionalnosti biti predmet rasprave trećeg dijela ove knjige. Integrirani sustavi za učenje za okosnicu svojeg rada koriste courseware organiziran u hipermedijskom okruženju s osloncem na računalnu mrežu. Dodajmo tome i to da takav sustav raspolaže sa mogućnostima organizacije i prikaza nastavnog plana i njemu pripadnih cjelina izabranog područnog znanja.

Slika 3.6. Integrirani sustav učenja(Baker, 1997)

Integrirani sustav za

učenje

CAI moduli

(sadržaj courseare-a)

Sustav za nadzor i

zapis učinka učenika

Slika 3.5. Tradicionalni način poučavanja (Self, 1974)

Računala u nastavi i učenju

21

Osim toga, sustav obično uključuje i alate za procjenjivanje znanja učenika, pospremanje zapisa o učinku učenika te nadzora postignuća s ciljem pomoći pri utvrđivanju potreba učenja, ispis različitih izvještaja i konačno održavanje zapisa učenika (www.learningcircuits.org/ASTD/). U devedesetim godina prošlog stoljeća u razvoju i uspješnoj prodaji integriranih sustava učenja dominiraju tvrtke Computer Curriculum Corporation (CCC) (www.cccnet.com) i Jostens Learning Corporation (www.jlc.com). Programske sustave tvrtke CCC (SuccessMarker i Waterford Early Readingf Program, prema Nort Central Regional Educational Laboratory – www.ncrel.org) koriste milijuni učenika u oko 16.000 učionica u SAD-u, Kanadi, Japanu, Australiji i Novom Zelandu, dok programe tvrtke Jostens koriste oko devet milijuna učenika u oko 13.000 učionica diljem svijeta (Reeves, 1998). Prednosti integriranih sustava učenja sagledavaju se kroz: - Mogućnosti centraliziranog vođenja i administriranja učenika tijekom učenja i

poučavanja što je značajka programskih sustava koji se temelje na računalnim mrežama.

- Tehnike za dijagnostiku i analizu su ugrađeni u ILS sustave što u konačnosti poboljšava individualizirani pristup učeniku pri odabiru nastavnih sadržaja.

- Poteškoće u logističkoj potpori i održavanju raspodijeljenih sustava su eliminirane zbog primjene centralnog računalnog poslužitelja.

- Usuglašenost nastavnih sadržaja u ILS sustavima i normiranim postupcima u ocjenjivanju postignuća u većini škola.

- Učenici i učitelji imaju mogućnost rada u istom korisničkom sučelju pri učenju i poučavanju tj izgradnji nastavnih sadržaja.

UČENJE S RAČUNALOM

Učenje s računalom predstavlja način stjecanja znanja i vještina koji se odvija u izravnoj komunikaciji s računalom. Dok, učenje od računala ima jedan smjer komunikacije orijentiran od računala prema učeniku, ovdje u učenju s računalom ostvarena je dvosmjerna komunikacija. Računalo na taj način omogućava učeniku interakciju uz pomoć različitih programskih alata koje potiču spoznajni proces i još više omogućavaju učeniku slobodno i nenametljivo formiranje načina stjecanja znanja i vještina, a sve to omogućava formiranje partnerskog odnosa učenika i računala. U ovom načinu učenja najviše su zastupljeni: simulacije (eng simulation), kognitivni alati utemeljeni na računalu (eng. computer-based cognitive tools), interaktivne okoline učenja (eng. interactive learning environment - ILE), računalne igre (eng. computer game), rješavanje problema (eng. problem solving). Simulacija je oblik učenja s računalom u okviru kojeg se može proučavati različiti fizikalni procesi, laboratorijski proces, rad s nekim tehničkim uređajem ili sustavom i tome slično. Simulacija je u načelu model ili prikaz realnog – životnog procesa, situacije ili događaja koji se često ili čak proizvoljan broj puta (ciklusa ponavljanja) može izvršiti

Računala u nastavi i učenju

22

na računalu. Promatrani - simulirani proces se na računalu može ubrzati ili pak usporiti, a sve u vezi s ciljem i zadaćom nastavnog sadržaja u cijelosti ili jednog njegovog elementa. Simulacija daje učenicima priliku da promatraju situaciju koju inače u tradicionalnoj nastavi nemaju prilike. Učeniku je u ovom načinu rada omogućeno da napravi pogrešku, a da pri tom nema posljedica, te da ima i kontrolu nad vlastitim procesom stjecanja znanja i vještina. Osim toga važna svojstva simulacija su: (i) odvijanje procesa može biti ponovljeno više puta, (ii) odvijanje procesa može se prekinuti onda kad to učenik želi, (iii) mogu se slobodno birati različiti parametri koji bitno utječu na odvijanje procesa te se time stječe osjećaj o realnom stanju procesa. Moguće je u kratkom vremenu promatrati odvijanje procesa koji inače u fizikalnom svijetu traje znatno duže, ili pak obrnuto duže promatranje procesa koji se u realnom svijetu odvijaju u vrlo kratkom vremenu reda mili sekunde ili kraće. Sve su to modaliteti koji omogućavaju stjecanje znanja o procesu i upravljanje ili čak vođenje procesa

Kognitivni alati utemeljeni na računalu. U najširem smislu kognitivni alati upućuju na tehnologiju, materijalno ili nematerijalno, koji naglašavaju spoznajnu snagu čovjeka za vrijeme dok razmišlja, rješava problem ili pak uči. Programska podrška računala je primjer brojnih kognitivnih alata (Jonassen, 1996). Također, se za isto koriste termini poput kognitivne tehnologije (eng. cognitive technologies) (Pea, 1985), tehnologije mišljenja (eng. technologies of the mind) (Salamon, Perkins & Globerson, 1991), kao i alati mišljenja (eng. mindtools) (Jonassen, 1996). U ovoj raspravi koristi se naziv kognitivni alati. Računalo u tom pogledu doista predstavlja bitno različit pristup od ostalih medija i tehnologija. S tim u vezi na računalu utemeljeni kognitivni alati se ponašaju kao intelektualni partneri čovjeku kojem omogućavaju unapređivanje njegovog kritičnog mišljenja i visokovrijednog učenja. Primjeri na računalu utemeljenih kognitivnih alata su: baze podataka, tablični kalkulatori, semantičke mreže, ekspertni sustavi, komunikacijska programska podrška kao što su primjerice programi za telekonferencije, okruženje on-line suradne konstrukcije znanja, multimedija i hipermedija, te konačno programski jezici. (Reeves, 1998). Može se ustvrditi da na računalima utemeljeni kognitivni alati imaju ove značajke: ­ Omogućavaju učeniku konstruiranje znanja, a ne njegovu reprodukciju, što je u skladu

s modelom tutee kojeg zagovara Taylor (Taylor, 1980). Kognitivni alati predstavljaju konstruktivistički način korištenje računala. Konstruktivizam je zaokupljen načinom konstruiranja znanja. Način konstruiranja znanja ovisi o onome što već znamo, što pak ovisi o proživljenim iskustvima, načinu organiziranja tih iskustava u strukture znanja te o mišljenjima o onome što znamo. To ne znači da smo u mogućnosti razumjeti jedino vlastito poimanje stvarnosti; u mogućnosti smo razumjeti različite interpretacije znanja i iskoristiti ih u kreiranju vlastitog znanja. Konstruktivisti nastoje kreirati takva okruženja u kojima će učenici aktivno konstruirati svoja vlastita znanja; ne aktivno u smislu da učenici aktivno slijede jedan pogled na svijet, već kritički djelujući u danom okruženju kako bi kreirali svoja vlastita znanja.

­ Omogućavaju učeniku razvoj kritičkog mišljenja. Spoznajni alati nisu nužno namijenjeni za olakšavanje procesa učenja, čak često zahtijevaju od učenika kvalitetnije učenje, dok stvaraju takva mišljenja što bi bila teško ostvariva bez korištenja takvih alata. Dok kvalitetnije uče, učenici također razvijaju kritičko mišljenje, budući da stvaraju svoje vlastite stvarnosti kreiranjem svojih vlastitih

Računala u nastavi i učenju

23

sustava znanja. Učenici kvalitetno uče i pamte uglavnom iz razloga kritičkog načina mišljenja. Spoznajni alati zahtijevaju od učenika kvalitetno mišljenje o načinu kako iskoristiti njihove mogućnosti i svojstva za kreiranje i prikaz onog što znaju. Kroz dublje i kvalitetnije učenje sa spoznajnim alatima, povećavaju se prilike učenicima za kritičko razmišljanje. Dosta je dokaza da je kritičko mišljenje obezvrijeđeno u obrazovanju i od strane učitelja i od strane učenika, što je stanje koje spoznajni alati mogu poboljšati.

­ Omogućavaju učenicima intelektualno partnerstvo. Računalni alati, za razliku od većine alata, mogu služiti kao intelektualni partneri koji dijele breme izvršavanja naših misaonih zadaća (Salamon, Perkins & Globerson, 1991). Korištenjem računala kao partnera, učenici se rasterećuju određenih misaonih poslova, dopuštajući sebi mnogo produktivnije mišljenje. Učenicima se dodjeljuju odgovornosti (misaone) za izvršavanje onih misaonih zadaća što ih najbolje mogu obaviti, kao i računalima za onaj dio sustava učenja što ga ona mogu produktivno obaviti. Učenici su odgovorni za prepoznavanje i vrednovanje informacija, kao i za njihovo organiziranje u strukture znanja, dok su računalni sustavi pogodni za izračunavanja, pospremanje i dobavljanje podataka. Korištenjem kognitivnih alata, učenici se zaokupljaju onom vrstom misaonih zadataka kojom najbolje ovladavaju.

Interaktivne okoline učenja (McArthur, Lewis i Bishay, 1993) omogućavaju učeniku da sam otkriva nova znanja umjesto da mu ih “nameće” učitelj, te su slijedom ovakve zamisli razvijeni raznovrsni sustavi koje zajedničkim imenom nazivamo interaktivne okoline za učenje. Iako se interaktivne okoline za učenje međusobno razlikuju po načinu izrade, ciljanom znanju i vještinama, kao i načinu rukovanja, ipak sve imaju neke zajedničke karakteristike koje se ogledaju u sljedećem: ­ konstruiranje znanja - smatra se da učenici postižu bolje rezultate ako sami

konstruiraju svoje znanje nego ako im ga učitelj pruža kroz organizirana predavanja i mehaničko vježbanje

­ kontrola učenika - učenici imaju značajnu, pa čak i isključivu kontrolu nad procesom učenja, dok se tutor smatra u najboljem slučaju vodičem

­ individualizirano učenje - individualizacija učenja i povratnih informacija bitno utječe na rezultat učenja i poučavanja što predstavlja rezultat interakcije učenika i samog sustava, ako ne potpuno onda bar djelomično

­ povratna informacija potaknuta učenikovom akcijom - precizna i detaljna povratna informacija predstavlja ključ učenja, ali ona treba proizići iz učenikovih izbora i akcija u okolini za učenje, a ne iz odluke tutora

­ struktura interaktivne okoline za učenje je relativno jednostavna i svodi se na: (i) različite alate koji služe za “otkrivanje” znanja i općenito rada na sustavu te na (ii) objekte koji zajedno sa svojim svojstvima predstavljaju cilj istraživanja

Razvijane su različite vrste interaktivnih okolina za učenja, a jedna od najrazvijenijih vrsta su svakako mikrosvjetovi kao konstruktivističko okruženje učenja (Reeves, 1998), pogotovo matematički mikrosvjetovi. Ova vrsta interaktivnih okolina za učenje nije isključivo eksperimentalna ili vezana za određena znanstvena istraživanja, a posebno je pogodna za rad u razredu i to s učenicima u osnovnoj i srednjoj školi.

Računala u nastavi i učenju

24

Mikrosvijet predstavlja poseban oblik scenarija učenja temeljen na učenju pomoću istraživanja. U mikrosvijetu učeniku su dostupna znanja iz jednog odabranog znanstvenog područja, a sam učenik je postavljen u okolinu za učenje u kojoj može potpuno samostalno istraživati, otkrivati opća pravila i pojmove. Učenik ima potpunu kontrolu (uz eventualnu pomoć učitelja) nad dostupnim alatima. Stečeno znanje ovisi isključivo o njegovoj znatiželji, interesima i sposobnostima. Ova vrsta učenja priprema učenika za buduća znanstvena istraživanja i probleme stvarnog života budući da ga prisiljava da razvije svoja osobna umijeća u rješavanju problema, da razvije određene vještine neophodne za znanstveno istraživanje i da nauči kako se kreativno misli. Dakle, u mikrosvijetu otkrivanje znanja se promatra i kao metoda učenja i kao objekt učenja.

Računalne igre se razlikuju od simulacije po tome što igra nema nužno model stvarne simulacije. Za vrijeme igre učenik stvara obično vlastito okruženje slijedeći jednu od strategija koja će mu pomoći da u igri „pobjedi protivnika“. Često igre raspolažu s "bogato sofisticiranim" scenarijem odvijanja te od učenika zahtijevaju dosta promišljanja do donošenja odluke tijekom "igranja". Računalna igra je svaka igra pri kojoj se nužno koristi računalo. Igrač ostvaruje komunikaciju s računalom uz pomoć različitih ulaznih uređaja. Računalne igre razlikujemo po žanrovima koji u njima prevladavaju, evo nekih:

­ Akcijske igre i igre za uvježbavanje vještina koje se obično odvijaju u realnom vremenu, s podrškom grafičkih prikaza, zvuka i teksta. Mogu se klasificirati na: igre kojima se obavlja simulacija sukoba, igre u labirintu, različite sportske igre, igre u kojima se oponašaju vozila raznih kategorija.

­ Strategijske igre koje mogu biti: obrazovne igre s vježbanjem najčešće osnovnih aritmetičkih operatora, avanturističke igre, igre rizika.

Rješavanje problema. Pojam problem širokog je značenja i najčešće se razmatra u egzistencijalnom i formalnom planu. Problem je "subjektivni doživljaj neke suprotnosti (proturječnosti, konflikta, kontroverzije i sl.).., a ta suprotnost iskazuje se kao dijalektička bipolarnost između poznatoga i nepoznatoga, danoga i zadanoga, otkrivenoga i neotkrivenoga, postignutoga i nepostignutoga…" (Pedagoška enciklopedija, 1989, str. 255,). Postojanje pitanja zahtjeva odgovor, odnosno problem zahtjeva njegovo rješenje. U tom smislu u bilo kojem području čovjekovih aktivnosti traži se rješavanje problema koje se zadržava do najstarije dobi, a započinje rano u djetinjstvu. Rješavanje problema je proces koji uključuje reagiranje na neku nedovoljno poznatu ili potpuno nepoznatu situaciju, a može se riješiti ukoliko su ispunjeni neki uvjeti. Stoga ni osoba koja rješava neki problem ukoliko ne posjeduje izvjesne pretpostavke, ili takve pretpostavke objektivno ne postoje, ne može problem riješiti. U procesnom putu pronalaženja rješenja prolazi se kroz izvjestan broj koraka koji su međusobno uvjetovani. Međutim, svaka osoba koja kreće ka putu rješavanja problema najprije obrazuje opći koncept, zamisao kako će ga riješiti, a nakon toga precizira korake. Kad se razmatra rješavanje problema u formalnom planu, onda se ono bez sumnje dovodi u vezu sa kognitivnim razvojem ličnosti koji se prema teoriji Piaget-a postiže pojavom formalnih operacija (oko jedanaeste, dvanaeste godine), a kronološki je to u dobi adolescencije. Piaget ističe da se korijeni logičkih i matematičkih struktura

Računala u nastavi i učenju

25

pronalaze u koordinaciji aktivnosti čak i prije pojave jezika (Piaget, 1971). U tom vremenu oni imaju "logiku akcije" odnosno "logiku sheme" (Isto). Iako svoja znanstvena otkrića temelji na biologijskim postavkama, što su mu mnogi smatrali manjkavim, u sferi proučavanja procesa rješavanja problema kod djece Piaget govori o slobodnoj vođenoj igri. Proces vođenja neke aktivnosti ka rješavanju problema pod izvjesnom kontrolom "nekoga drugoga", ali u tom procesu dominantno je otkrivanje. Učenje kao čin otkrivanja je bolje nego učenje o tome što se otkriva. U tom smislu i Bruner (1973, str. 237) predlaže "da se prijeđe s psihologije učenja na psihologiju rješavanja problema". Polazeći od Bruner-ove hipoteze da se djecu može poučavati svemu ali na njima odgovarajući način u sredinama s razvijenom informacijskom i komunikacijskom tehnologijom primjenjuju se računala u poučavanju učenika samostalnom učenju. Iako se strategija poučavanja rješavanja problema odnosi na primjenu računala u problemima s pretežito kvantitativnim značenjem, njene su mogućnosti nesagledive i predmet su još uvijek brojnih istraživanja.

UPRAVLJANJE UČENJA S RAČUNALOM

Upravljanje učenja s računalom obuhvaća vođenje evidencija i različitih administracijskih poslova od individualne razine, preko nastavne grupe pa sve do razine obrazovne institucije, primjena računala u pripremi i izradi ispitnih instrumenata i pismenih zadaća, podrška u komunikaciji na razini jedne obrazovne institucije pa i šire. Računalo se koristi za pomoć učiteljima i instruktorima praktične nastave u obavljanju administrativnih ili organizacijskih poslova. To je takva skupina poslova i zadaća koji nisu direktno vezane za učenje i poučavanje u školi, ali svakako na indirektan način djeluju na ove procese. Obrada i pospremanje ocjena za iskazivanje uspjeha učenika. U vezi s tim postoje različiti programi koji se mogu nabaviti na tržištu, ali je bolje ako su lokalno napravljeni. Često neke škole koriste učenike na nastavi informatike da naprave jednostavne programe u tu svrhu. Škola dobije odgovarajući program, a učenici rade i rješavaju problem iz stvarnog života. Generiranje test pitanja. Pitanja mogu biti općenita ili prilagođena individualnim potrebama učenika. Proces unošenja pitanja je prilično zahtijevan kad se to radi prvi put, ali se u ponovljenim situacijama pitanja mogu kombinirati s novim te time olakšavati ukupan rad učitelja. Osim toga, pitanja se mogu grupirati prema ciljevima učenja, te ih učitelji na taj način mogu jednostavnije odabrati. Administriranje podataka o učeniku. Računalo se može koristiti za evidenciju pohađanja nastave, podataka o uspjehu na testovima kao i postignuću učenika. Ti se podaci kasnije mogu koristiti u raznim izvještajima na razini grupe učenika ili škole. Organizacija načina komunikacije računala u školi i s računalima na drugim lokacijama. Računala mogu biti umrežena u jednoj učionici tako da zajednički dijele resurse jednog ili više štampača, ili pak jednog ili više diskova ili ostalih medija masovne memorije.

Računala u nastavi i učenju

26

Komunikacija s računalima van škole ima prednosti. Učitelji mogu npr. komunicirati s drugim profesionalcima koji koriste tehnologiju u školskim uvjetima. Poslovi u upravljanju i vođenju škole. Administratori obrazovne institucije mogu koristiti računala za: oblikovanje i vođenje rasporeda sati nastavnog procesa, organizacije portala obrazovne institucije za potrebe rada u lokalu kao obavijesne ploče ili organizacijom na Web-u, dostupnost nastavnika i njihovih zamjena, popis inventara i sl. U suvremenim uvjetima obično za ovu klasu problema postoje specijalizirana i namjenska računala za ovakve funkcionalnosti. Često se s tim u vezi organiziraju posebne lokalne mreže na razini obrazovne institucije ili grupe institucija koje imaju srodne i međusobno povezane obrazovne ciljeve i zadaće.

Poglavlje 4.

POVIJESNI PREGLED PRIMJENE RAČUNALA U NASTAVI

Povijesni pregled primjene računala u nastavi promatra se u svjetlu tehnologijske transformacije računalnih sustava koji se odvijao u razdoblju od oko posljednjih šezdeset godina. Usporedo s novim tehnologijskim generacijama sustava računala su nastajale i nove generacije primjene računala u nastavi, učenju i poučavanju. Naravno, da je primjena računala u nastavi, učenju i poučavanju ovisila o tehnologijskim generacijama računalnih sustava i općenito razvoju informacijske i komunikacijske tehnologije. U računarstvu su utvrđene četiri tehnološke generacije računalnih sustava: ­ prva generacija - Elektronska cijev (1951. - 1959.), ­ druga generacija - Tranzistor (1959. - 1965.), ­ treća generacija - Integrirani krug niske gustoće (1965. - 1971.), ­ četvrta generacija - Mikroprocesor (1971. - …). Usporedno s razvojem računala razvijani su i sustavi za potporu nastave kao i procesa učenja i poučavanja. U tom smislu u posljednjih trideset godina prošlog stoljeća se definiraju i četiri generacije sustava nastave pomoću računala: ­ Proroci i začetnici – šezdesete godine prošlog stoljeća (White and Hubbard, 1988) ­ Minijaturizacija – sedamdesete godine prošlog stoljeća (White and Hubbard, 1988) ­ Računala su postala sastavni dio nastavnog procesa – osamdesete godine prošlog

stoljeća (Rogers, 1984) ­ Računalo je postalo elektronički mentor – devedesete godine prošlog stoljeća

(Reinhardt, 1995) Primjena računala u nastavi je kao što se vidi podijeljena u četiri razdoblja, a u sljedećim odjeljcima će se svako obraditi uz pomoć brojnih pojedinosti i zanimljivosti vrijednih za povijesni pregled razvoja.

PROROCI I ZAČETNICI

Proces uvođenja računala u nastavu u svojem začetku se odvijao u tri pravca: ­ računalna pismenost (računalo kao pomagalo u svekolikom radu čovjeka), ­ računalo kao tehničko sredstvo obrazovne tehnologije (računalo kao sredstvo za

potporu nastave), ­ industrijalizacija i komercijalizacija sustava poučavanja uz pomoć računala

(računalna industrija). Znakovite rezultate u ovom razdoblju postižu John Kemeny, Patrick Suppes i grupa za razvoj sustava PLATO.

Povijesni pregled primjene računala u nastavi

28

John Kemeny i Thomas Kurtz razvijaju programski jezik računalne pismenosti BASIC (Beginner All purpose Simbolic Instruction Code) 1964. godine na Dartmouth Sveučilištu u SAD-u. Unatoč početnoj namjeri da BASIC bude pripremni jezik za postignuće računalne pismenosti, proteklo je razdoblje pokazalo sasvim drugačiji razvoj događanja, a BASIC je postao najčešće korištenim jezikom "računalnih laika", dijelom ROM-a većine kućnih računala i jezikom kojim su napisani mnogi obrazovni programi. Zanimljivo je stajalište Luerhmann-a koji smatra da osnovni nedostatak BASIC-a ne leži u slabosti strukture jezika već u niskoj kvaliteti njime napisanih programa (White i Hubbard, 1988). Patrick Suppes, profesor filozofije i direktor Instituta za matematička istraživanja i društvene znanosti Stanford-skog sveučilišta, je šezdesetih godina svoj rad postavio u drugačijoj perspektivi. Njegovi su napori bili usmjereni ka primjeni računala kao nastavnog pomagala pomoću kojeg se može poučavati. Njegov cilj upotrebe računala radi individualizacije nastave po mjeri svakog učenika, ipak, se nije potpuno ostvario. Međutim, Suppes-ova vizija valjana je i danas jednako kao i prije više od trideset godina. Njen utjecaj traje i potiče mnoge obrazovne djelatnike u suvremenoj generaciji na daljnja istraživanja. 1967 godine Suppes je osnovao Computer Curriculum Corporation čiji rad i vezu s korisnicima je podržavao sustav telefonskih veza u mreži lokalnih terminala. Programi su bili pripremljeni i napisani po specifičnim potrebama i to kako manje sposobnih i hendikepiranih učenike, s jedne, tako i nadarenih učenike, s druge strane. Svi programi bili su izrađeni na temelju iscrpne analize nastavnih sadržaja i podjednako temeljitog odabira nastavnih metoda. Učenici prije prijelaza na sljedeći korak u nastavnoj sekvenci odmah dobivaju povratnu informaciju o njihovom odgovoru. Programi također vode zapis o učenikovom napredovanju tijekom poučavanja (eng. student record - učinak učenika). Sustav PLATO je konkurentski projekt, grupi sa Stanford-skog sveučilišta razvijan na Sveučilištu Illinois. Poučavanje vodi "veliko" računalo smješteno u sveučilišnom naselju s osloncem na "time sharing" operacijski sustav i mrežom terminala čiji rad podržava i komunikacija telefonom. U razdoblju od 25 godina u sustavu PLATO, kasnije uključenom u proizvodni program američke korporacije Control Data Corporation, pripremljeno je više od šesnaest tisuća sati nastave za 150 predmetnih područja i organizirana državna mreža za škole i sveučilišta, sa oko 1100 terminala na 185 lokacija (Sugarman, 1978a). PLATO prema korisniku raspolaže s: mrežno orijentiranim i interaktivno organiziranim nastavnim software-om kao i programskim jezikom TUTOR za njegovo pisanje. Tvorac PLATO sustava profesor Bitzer i sam osjeća poteškoće u generiranju i korištenju nastavnog software-a. Naime, od oko 16.000 sati napisanog software-a u upotrebi je oko 4.000 sati. Međutim, ovih 16.000 sati nastalo nakon 500.000 do 800.000 sati rada. Dalje, postavljalo se pitanje gdje se tih "dobrih" 4.000 sati realizira? Oni se prvenstveno odvijaju na "izvornoj" PLATO lokaciji na Sveučilištu Illinois. U to vrijeme još je samo jedan aktivan PLATO sustav na sveučilištu Delaware. Unatoč poteškoća profesor Bitzer je tada nastojao ostvariti nacionalnu mrežu sa oko milijun CAI terminala. Cijenio je da će tako doći do porasta broja nastavnih programa kao i do novog kvaliteta. Osim navedenog u ovom razdoblju dolazi do institucijskog utemeljenja dvaju nacionalnih komiteta za računalne programe i to: Cosine, Committee on Computer Sciences in Electrical Engineering koji je, u rujnu 1967., publicirao preporuku za curriculum

Povijesni pregled primjene računala u nastavi

29

inženjerskih zanimanja, te ACM (Association for Computing Machinery) čije je povjerenstvo za računalne znanosti u obrazovanju u ožujku 1968 formirao curriculm za slobodne profesije i znanost (Booth, 1984), Kako je sve ovo bilo prihvaćeno u obrazovnim institucijama? Svaka novost, pa i ova računalna ima proces uvođenja i razdoblje "početne odbojnosti". Privlačnost CAI-a osjetili su oni koji su pokazivali interes za "skrivene probleme" u području primjene obrazovnih sredstava i pomagala i vjerovali da će im tehnološki napredak pružiti drugu "šansu" (Sugerman, 1978b). Naime, krajem '60 - tih godina se očekivalo da će doći do obrata u procesu učenja; najbolji nastavnici bi stvarali "nastavni software" koji bi trebao biti raspoređivan po čitavoj zemlji. Učenici bi učili brže i efikasnije. Međutim, pokazalo se da je stvarnost drukčija od sna. Tome ima više razloga:

­ Malo je ljudi odvojilo vremena da proučava mogućnosti novih medija te u tom smislu i producira "nastavni software".

­ Razvoj CAI-a ostao je u rukama malog broja eksperata, tek je trebao generirati učinkovite tutorske programe.

­ Dosta nepovoljan odnos uloženog broja sati u pripremnom periodu tijekom pisanja samih lekcija, prema neposredno realiziranim satima nastave.

­ Osobni osjećaj učitelja da će biti ugroženi tehnologijom.

MINIJATURIZACIJA

Dekada sedamdesetih godina prošlog stoljeća važna je po pojavi i komercijalnoj produkciji mikroprocesora i njihovoj primjeni u mikroračunalnim sustavima. Pojavom mikroračunala "računalna snaga" kao i svijest o njenoj primjeni postaje sasvim dohvatljiva i bliska čovjeku. Različite grupe znanstvenika ostvarile su u ovom razdoblju značajan napredak u području primjene računala u učenju i poučavanju. Promatra ju se neki od njih (prema White i Hubbard, 1988): SOLO projekt na sveučilištu u Pittsburgh-u pod vodstvom Thomas Dwyer-a namijenjen je učenicima srednjih škola. Za Dwyer-a je poznato da je obavljao dužnost direktora na brojnim projektima za uklapanje računarstava u visokoškolske curriculu-e uz financiranje Nacionalne zaklade za znanost. Centralno uporište je bilo u matematici. Svoj pristup opisuje riječima "sole mode" - individualni način, zato jer je cilj našao u oslobađanju učenika od tradicionalnog učenja tako da im je dao sredstva pomoću kojih donose odluke i rješavaju probleme na osobni način. Jedan od pristupa koji se koristi podsjeća na strukturu mnogih računalnih programa građenih po načelu "odozgo-prema-dolje". Problemi su razdijeljeni u svoje sastavne dijelove zajedno s početnim dijelom koji pruža usmjeravajući pregled cijelog zadatka. Računalni razvojni projekt iz područja fizike na sveučilištu Irvine u Kaliforniji, vodio je Alfred Bork, a zbiva se zajedno s pojavom mikroračunala. Projektom su utemeljena mjerila za primjenu izdvojenih računala na svim obrazovnim razinama. Unatoč tome što

Povijesni pregled primjene računala u nastavi

30

programi pružaju poučavanje iz prirodnih znanosti ipak zamisli koje učenicima stoje na raspolaganju u temelju mogu biti primijenjene i na drugim akademskim područjima. Naglasak je na dijalogu između učenika i računala koji zamjenjuje učitelja, a komunikacija je podržana grafičkom okolinom. Bork smatra da će grafika igrati sve veću ulogu u "kompjutoriziranoj nastavi". Pokušavajući biti u koraku sa Suppes-om, Bork vjeruje da će cjelokupno obrazovanje uključivati važne računalne dijelove koji su interaktivno individualizirani, naime učenici će biti pojedinačno uključeni u dijalogu s računalom u barem nekom dijelu njihovog obrazovanja. Posebnu pažnju Bork je poklanjao učenju uz pomoć računalne simulacije, pa ističe da je za uspješno korištenje računala u razrednoj nastavi, simulacija mora biti integrirana s ostalim obrazovnim sadržajima (Bork, 1979). Ovu raspravu Bork završava prognozom za nastupajući period od 25 godina za koji predviđa dominantnu ulogu računala u mnogim područjima primjene, "it shuld be an exciting time". Ovakvom je stajalištu danas suvišan svaki komentar. Arthur Luehrmann je osoba za kojeg White i Hubbard (1988) kažu da ga je bolje opisati kao pojedinca s misijom nego kao začetnika nekog određenog projekta. Luehrmann računalom podupire učenje fizike iako njegov osnovni interes leži na poučavanju iz programiranja. On vjeruje da je programiranje za "kompjutorsko društvo" jednako važna i temeljna vještina kao što su 3R (Reading, wRiting, aRithmetic) bila za "Gutenbergovo" društvo. Luehrmann razlikuje učenje programiranja od primjene računala kao sredstva za poučavanje iz različitih predmeta. Luehrmann je inače obavljao dužnost pomoćnika direktora The Lawrence Hall of Science na Sveučilištu Berkeley u Kaliforniji. Osim toga posebno je važno njegovo zalaganje za uvođenje računala u primarno i sekundarno i obrazovanje kao i obrazovanje na akademskoj razini dok je radio na Sveučilištu Dartmouth. Seymour Papert i suradnici u odjelu za umjetnu inteligenciju na MIT-u kreirali su koncem '50 - tih godina programski jezik LOGO. Svoj koncept temelje na radovima Piaget-a8) i Montessori9) s kojima je Papert surađivao na Ženevskom sveučilištu. Začetnik ovog pristupa je američki filozof i matematičar C. Pierce (1839-1914) koji je vjerovao da je igra najbolji način poučavanja djece. Osim toga, Papert nalazi izvor svojih ideja kod John Dewey10) i smatra da su računala tehnologijsko sredstvo koji će Dewey-ev romantizam učiniti stvarnošću.

8)

Jean Piaget (1896-1980): švicarski psiholog, filozof i pedagog, osnivač Ţenevske škole psihologije. Jedan je

od najpoznatijih svjetskih psihologa, profesor na Sveučilištima u Ţenevi i Lozani te dugogodišnji direktor

Instituta pedagogijskih znanosti Jean Jacques Rousseau. 1955 godine u Ţenevi formira Međunarodni centar

genetičke psihologije u cilju razvoja ideje genetičke epistemologije primijenjene na aktualnu praksu psihologije,

logike, kibernetike i lingvistike. 9)

Marie Montessori (1870-1952): talijanska liječnica i pedagog, poznata po svojim odgojnim metodama u radu

s djecom s poteškoćama u razvoju, s predškolskom djecom i školskom djecom rane kronološke dobi. 10)

John Dewey (1859-1952): vodeći američki pedagog u vremenu procvata gospodarstva i demokracije. U

filozofijskom pristupu zagovornik je pragmatizma, koji u socijalno-pedagogijskoj praksi ima zadatak da

pridonese odgoju čovjeka i izgradnji boljeg društvenog poredka.

Povijesni pregled primjene računala u nastavi

31

Implementacija je izvršena na računalnim sustavima PDP-11/0311) povezanih s dva monitora. Na jednom je grafička prezentacija dječjih zamisli programa, a na drugom je program napisan u LOGO jeziku. Walter Feurzeig i Daniel Bobrow iz kompanije Bolt Beranek i Newman (BBN) zajedno s Papertom podupiru razvoj LOGO jezika i tvrde da je to "pravi" programski jezik za djecu i što više smatraju ga pogodnijim nego je BASIC. Papert za razliku od Luehrmann-a smatra da je osnovna vrijednost učenja pomoću računala u poticanju intelektualnog razvoja učenika. Njegov je cilj da učenici bolje razumiju svoj proces mišljenja, a primjerima iz nastavne prakse s programskim jezikom LOGO iskazuje kako je na granicu učenja kod slobodnog izražaja učenikovih zamisli nemoguće utjecati. Slobodni izražaj učenikovih zamisli Piaget (Yazdani, 1987) opisuje tvrdeći kako djeca uče "praveći kolače od blata", ali to nije smiješno doista mnogo naučimo tim načinom. Primjerice konzistentnost materije, neočekivanu pojavu plastičnosti blata koja nastaje miješanjem nježnog praha i vode. Ovaj mikrosvijet zemljanog praha i vode, blata i dvoraca na plaži predstavlja moćnu okolinu učenja. U cjelini svjetovi koji su postojali morali su biti dobar materijal za učenje jer inače ne bismo bili ono što jesmo. Međutim, istina je i to da za većinu djece danas okolina učenja, koja je značajna za život u suvremenom svijetu, ne postoji. Papert u raspravi Mindstorms dokazuje kako pravilnosti u razvoju intelektualne strukture koje je opazio Piaget manje odražavaju svoja unutarnja svojstva, a više svoju ukorijenjenost u okruženju igre. Formalna razina koja se javlja u kasnom razvoju ispunjena je sadržajima od kojih djeca ne mogu praviti "kolače od blata". Baš na tome mjestu računalo potiče: mladi programer u prikazu puta svemirskih brodova može se sasvim konkretno igrati s logikom, zakonima gibanja i ostalim što se prethodno moglo ovladati samo pomoću apstraktnih formalnih zapisa i pojmova.

U vezi s iznesenim interesantno je iskustvo koje navodi Papert u radu s osnovcima i

primjenom LOGO-a, a objašnjavajući pri tom Piaget-ovu filozofiju odgoja.

Papert (prema Yazdani, 1987) prezentira primjer iz Lamplajte School u Dallasu gdje je

učenicima zadatak kreirati geometrijske likove i tijela i prikazati gibanje tijela. Po odluci

učitelja, učenici su u prvom razredu trebali kreirati samo statičke objekte, a učenici iz trećeg

razreda pokretne objekte. Ali neovisno o uputama učitelja neki učenici prvog razreda doznali

su kako se mogu likovi "pokrenuti" iako pojam geometrijskog stanja za njih nije imao

značenje, ali im je poslužio kao sredstvo za ostvarenje željenog cilja - pokretni objekt. Ovaj

primjer nam pokazuje da mi učimo onoliko i ono što nam treba "da stvar krene, da se učini

nešto“. Papert u interpretaciji eksperimenta ističe da kad se neko znanje, primjerice ovdje

pojmovi stupnja, smjera i orijentacijskih točaka usvoje na ovaj osobni način onda znanje

zauvijek zadrži tu posebnu osobnu moć, tu posebnu ukorijenjenost u doživljaju samog sebe. U

tom slučaju "naučeno" smo mi sami. Kakva suprotnost s teškoćama koje susrećemo kada

poučavamo djecu starije dobi o stupnjevima u kutu, koji kontrast s otuđenim oblikom učenja

(prema isto). Osim toga, znakovito je mišljenje koje iznose za LOGO White i Hubbard (1988,

str. 148) "Izveden iz jezika umjetne inteligencije LISP, LOGO je efikasniji od BASIC-a

11)

PDP11 – porodica miniračunala korporacije Digital Equipment Corporation (DEC - Digital).

Povijesni pregled primjene računala u nastavi

32

pogotovo u dijelu unapređivanja strukture programiranja. LOGO program se gradi iz

procedura (LOGO je 'proceduralni' jezik), podržava koncept modularnog oblikovanja, naime,

gradnja složenih programa omogućena je povezivanjem većeg broja manjih programskih

modula".

Crtanje slika u LOGO programskom jeziku omogućen je upotrebom instrukcija koje se

skupno nazivaju geometrija kornjače. Izraz "kornjača" nalik je robotu "kornjača" kojeg koristi

Papert da bi aktivirao instrukcije uz pomoć kojih crta zakrivljene i ravne linije na radnoj

površini zaslona računala. Nadalje, kornjača se može pomjerati unaprijed ili unazad na

određenu udaljenost ili rotirati za proizvoljnu broj stupnjeva. Da bi se nacrtao istostranični

trokut stranice od 100 jedinica mjere (slika 4.1.), program za pomak kornjače ima sljedeće

faze:

Kada je radio s grupom šestogodišnjaka u Brooklin školi, Daniel Watt (koji je dobio da vodi

jednogodišnji studij LOGO jezika) nije tako jednostavno uvodio djecu u znanje o računalima

u njihovom odjeljenju. Nakon što im je sugerirao projekt, on je pružio mladim programerima

neophodna umijeća za implementaciju projekta pomoću LOGO jezika. Od osam učenika u

Watt-ovoj grupi, Donald je najbolje realizirao projekt. On je želio da crtež glave muškarca

uključujući i šešir i brkove i bradu prenese upotrebom LOGO jezika na ekran računala. (slika

4.2.)

Poslije 12 sati rada s LOGO jezikom, naravno uz odgovarajuću pomoć, on je to uspio. Watt je

prvo uveo Donalda u planiranje po principu odozgo-na dolje prikazujući mu pri tom kako se

vrši dekompozicija glave na oči, nos i usta, te kako se koristi mreža koordinatnog sustava za

lociranje navedenih organa na glavi čovjeka. Da bi nacrtao usta morao je naučiti rotirati

kornjaču i izvoditi kružne lukove. Za crtanje dlaka brade morao je savladati crtanje paralelnih

linija. Za crtanje šešira morao je savladati tzv box rutine. Međutim, korištenje ove rutine je

Slika 4.1. Crtanje trokuta u LOGO jeziku

FORWARD 100 RIGHT 120 FORWARD 100

RIGHT 120 FORWARD 100

Slika 4.2. Crtanje objekata u LOGO jeziku

Povijesni pregled primjene računala u nastavi

33

upravo i generiralo određene poteškoće koje su se odnosile na "centriranje" šešira na glavi.

Dok je Donald crtao opisani crtež koristeći LOGO program, Watt se uvjerio u to da su njegovi

učenici naučili neke od elemenata geometrije, programiranje na računalima te općeniti

postupak projektiranja.

Što je donijelo razdoblje minijaturizacije? Fasang i Rine (1980) ističu da će sedamdesete godine će biti zapamćene kao dekada hardware-skog trijumfa i kao razdoblje fantastičnih očekivanja. Mi nemamo razloga sumnjati da će sustavi u osamdesetim godinama ispuniti ta očekivanja, no ako se to ne dogodi krivica neće biti u nedostacima hardware-a već u manjkavom znanju onih koji ga koriste. Kada je magazin Time proglasio osobno računalo „Čovjek godine“ u 1983. potpuni upliv "kompjuterizacije" na život u SAD-u izgledao je nekako autentičnije. Za manje od deset godina računalna moć, nekoć ekskluzivnih "mainframe" računala, postala je raspoloživa prosječnim korisnicima. Ustvari, samo za vrijeme 1982. godine broj vlasnika osobnih računala povećao se za 50%. Osobna računala - 'the micros' - pronašli su svoje mjesto u obiteljskim domovima za vođenje budžeta, u malim poslovnim sustavima, u školama za svaku primjenu i to od simulacije procesa u nuklearnim reaktorima pa do računalnih igara (Pine, 1983).

RAČUNALO POSTAJE SASTAVNI DIO NASTAVNOG PROCESA

Osamdesetih godina prošlog stoljeća dolazi do masovnijeg korištenja računala na svim razinama obrazovanja. Prikazat ćemo neke značajnije projekte i njihove rezultate koji su se u to vrijeme pa sve do današnjih dana vodili i vode u SAD i Zapadnoj Europi. Rogers (1984) donosi podatke koji se odnose na osnovnu i srednjoškolsku obrazovnu razinu te ističe da se znatno više nego ranije počinje sa korištenjem računala. Naime, postotak srednjih škola koje su raspolagale sa dva do četiri mikroračunala u razdoblju lipanj, 1980. godine - siječanj, 1983. godine sa 10 % je narastao na više od 70 %. U osnovnim školama ista struktura računala je također povećana ali manje i to od 5% do 40%. Rezultati istraživanja, što ih je provela jedna ekspertna grupa12), o stavovima učitelja o upotrebi računala u nastavi prikazana je u tablicama 4.1. i 4.2. Prema obrađenim podacima između ostalog je vidljivo da se upoznavanje s računalom provodi u 64 % osnovnih škola i oko 85 % srednjih škola. Pored toga, programiranje je predmet izučavanja u 47 % osnovnih škola i 76 % srednjih škola. Vježbanje i ponavljanje uz pomoć računala se više provodi u osnovnim školama i to 59%, a u srednjim školama 31%.

12)

School Uses of Microcomputers: Reports from Nat'l survey, Issue 1, 1983, str. 7 prema Rogers, 1984.

Povijesni pregled primjene računala u nastavi

34

Tablica 4.1. Postotak učitelja koji se služe računalom

R. br. Svrha – cilj Osnovna škola Srednja škola

1. Upoznavanje s računalom 64 % 85 %

2. Programiranje 47% 76%

3. Rješavanje problema 27% 29%

4. Profesionalna orijentacija i gospodarstveno obrazovanje

59% 31%

5. Vježbe i ponavljanje 59% 31%

6. Specijalna nastava 41% 20%

7. Laboratorij, simulacija 20% 22%

8. Igre – zabava 24% 19%

9. Administracija 10% 14%

10. Učenički imenik 7% 15%

11. Testovi, radni listići 5% 10%

12. Seminarski radovi 3% 7%

Tablica 4.2. Kako učitelji procjenjuju utjecaj računala?

R. br. Opažena korist Postotak onih koji se služe

1. Učenici koji koriste računalo pokazuju mnogo više entuzijazma za školu

30%

2. Uspješnost "natprosječnih učenika se značajno povećala" 24%

3. Mnogo više učenika radi samostalno 18%

4. Mnogo više učenika pomaže drugima 15%

5. Mnogo više učenika radi na razini koja odgovara njihovim sposobnostima

12%

6. Uspješnost "ispodprosječnih" učenika se značajno povećala 7%

7. Uspješnost prosječnih učenika se značajno povećala 6%

8. Bolja povratna informacija učenicima 5%

9. Uključivanje roditelja u rad škole se povećalo 1%

Bray (1984) iznosi iskustva sa Clarkson sveučilišta u SAD i ističe da je za manje od godinu dana broj mikroračunala na Clarkson sveučilištu povećao se sa manje od 50 na preko 1700. Do 1986. godine svaki student bi trebao imati na upotrebi računalo. Osim toga, ova će računala biti uključena u računalnu mrežu sveučilišnog naselja i povezana na 'centralno - mainframe' računalo. Istraživanja mogućnosti upotrebe novih računalnih tehnologija u obrazovanju na sveučilišnoj razini u okviru MIT-a se odvija kroz projekt Athena13), koji u nizu mogućih načina primjene računala u obrazovanju ističe da je najkontraverznija primjena računala ona u kojoj je računalo integracijski dio nastavnog procesa. (Balkovich i dr. 1985). Globalno cilj projekta Athena je poboljšanje sustava obrazovanja na MIT-u i to organizacijom i instalacijom "moćne" mreže radnih stanica s nizom software - skih servisa za komunikaciju, pristup bazama podataka i alatima za razvoj aplikacija. "Athena projekt je dostigao postavljene ciljeve i u punoj je primjeni. Sustav računalne mreže se sastoji od 1.000 radnih stanica, u 40 klastera svaki sa po 10 do 120 radnih stanica, i

13)

Projekt Athena: Realiziraju od svibnja 1983. godine Massachusetts Institute of Tecnology (MIT), Digital

Equipement Corporation (Digital) i International Business Machine Corporation (IBM).

Povijesni pregled primjene računala u nastavi

35

studenti ga mogu koristiti svih 24 sata tijekom dana" (Champine i dr., 1990, str. 40) Projektom Athena obuhvaćena je primjena računala u sljedećim područjima: ­ Računalo kao simulator složenih sustava koji se nalaze u prirodi, društvu i tehnici. ­ Računalo kao laboratorijski instrument ima niz prednosti u laboratorijskim

istraživanjima, koja se prvenstveno ogledaju u: smanjivanju dugotrajnih i ponekad za učenika "dosadnih" priprema, neograničena mogućnost ponavljanja eksperimenta, greške učinjene tijekom "eksperimenta" nisu neispravljive, mogućnostima uspoređivanja rezultata s drugim učenicima, mogućnostima statističke obrade rezultata mjerenja.

­ Računalo kao "virtualni - prividni" laboratorij je u suštini simulator simulatora (svojevrsna priprema za rad na simulatoru u kojem učenik upoznaje osnovne parametre procesa tj realnog svijeta koji se izučava). U aktualnom laboratoriju provodeći različita laboratorijska mjerenja i eksperimente česte su pojave oštećenja mjerne opreme ili mogućnosti opasnosti po život učenika (strujni udar, kiselina, zapaljivi materijali i sl). Virtualni laboratorij u tom smislu osigurava prostor za uvježbavanje i stjecanje osjećanja mjernih veličina i potrebnih vještina za uspješan rad kako u laboratorijskim uvjetima tako kasnije i na realnom, stvarnom procesu. Međutim, potencijalna je opasnost da se na ovakav način zamjeni konkretni eksperimentalni rad što, naravno, nije poželjno.

­ Računalo kao učitelj - tutor. Većina ranih primjena računala temeljila se na modelu "računalo kao tutor". Programima su prezentirani nastavni sadržaja, postavljani upiti i upravljali tijekom nastave. Međutim, pojavom tehnika umjetne inteligencije i ekspertnih sustava otvaraju se mogućnosti za upotrebu računala kao "tutora eksperta". Ovdje se učeniku prepušta inicijativa u učenju i poučavanju prvenstveno temeljena na dijalogu podijeljene inicijative.

­ Računalo kao knjiga - udžbenik. U stručnim i znanstvenim pristupima često se uspostavlja konvencija za grafičku interpretaciju podataka i informacija. Primjerice, u kemijskoj industriji razvijen je sustav za prikaz strukture i geometrije molekula. Knjiga je sredstvo koje omogućava prikaz u dvije ili tri dimenzije. Međutim, često treba omogućiti prikaz ovih geometrijskih likova i tijela u dinamici i time pojasniti mentalne modele koje učenik stvara i sebi predočava. Takvim zahtjevima knjiga ne može udovoljiti, ali "računalo kao knjiga" tu pruža izvanredne mogućnosti i to prvenstveno koristeći alate i sredstva za CAD (Computer Aided Design).

­ Računalo kao "školska ploča" . Mnoga ograničenja koje knjiga postavlja tijekom učenja, pa i računalo kada se koristi u frontalnoj nastavi moguće je izbjeći koristeći tzv "large-screen" (veliki ekran) visoke rezolucije čime je omogućen prikaz slike sa monitora računala tj. njeno "ponavljanje" za veći auditorij učenika.

­ Računalo kao pomagalo sa "posebnim značajkama" u okruženju učenja. Računalo s odgovarajućom tehničkom i programskom podrškom omogućava, recimo primjenu u poučavanju iz područja glazbene kulture. Ovo je veoma moćno okruženje, često s mogućnostima znatno većim od onih konvencionalnih.

­ Računalo kao medij u sustavu komunikacija. Dovoljno je samo navesti činjenicu da je čitav svijet prekriven s vezama koje omogućavaju komunikaciju korisnicima računalne opreme od one na razini osobnih računala pa do razine velikih računalnih sustava s mogućnostima : komunikacije tekstom (E-mail) i slikom, pretraživanja baza podataka i pretraživanja bibliografskih jedinica u knjižnicama, traženja različitih servisnih informacija i slično. Projektom Athena omogućena je ovakva komunikacija kako u sveučilišnom naselju tako i šire.

Povijesni pregled primjene računala u nastavi

36

­ Računalo kao posrednik. Računala povezana u mrežne sustave nude znatno šire mogućnosti učešća većeg broja kompetentnih “eksperata” u analizi i rješavanju interdisciplinarnih problema (primjerice: ekonomija, logistika, management). Računalo je tada posrednik koji objedinjava znanja i iskustva, većeg broja eksperata, organizirano u jedinstvenu bazu znanja. Takvim pristupom je moguće donositi kvalitetne odluke i predviđati razvoj u tom području.

­ Računalo kao pomagalo u rekreaciji. Bilo bi nepotpuno smatrati da se računalo koristi samo u konvencionalnoj nastavi. Naprotiv, računalo omogućava bogat izbor zabavnih i izvan nastavnih aktivnosti. Primjerice u klubu studenata MIT-a računalo podržava simulacijsku misiju "space shuttle".

U zemljama Zapadne Europe u to vrijeme je niz značajnih projekata, navodim samo neke od tih projekata. Prema "Digital in Education and Science" (1989) najvažniji projekt u Europi u to vrijeme bio je je NESTOR, koji se primjenom programskog sustava DECathena realizira na Sveučilištu u Karlsruhe u Njemačkoj, što osigurava rad mreže sa oko 800 mikro i mini računala s osloncem na Ethernet i optički sustav komunikacija. NESTOR u suštini osigurava potpuno otvoreno autorsko okruženje za izradu nastavnih lekcija s mogućnostima multimedijskog pristupa i umrežavanja. "Sestrinska" sveučilišta u Freiburgu i Frankfurtu također slijede razvoj ostvaren projektom NESTOR. U Nizozemskoj je za upotrebu suvremene informacijske tehnologije u obrazovanju na sveučilišnoj razini uspostavljen projekt SURFnet. SURFnet se pojavljuje kao integracijski činilac različitih sveučilišta i znanstveno istraživačkih centara specijaliziranih za računala i komunikacije u jedinstveno infrastrukturno okruženje. U Švicarskoj u Lausanne International Institute for Management Developement (IMD) u svojem obrazovnom programu namijenjenom prvenstveno menadžmentu razvija mrežu od oko 150 radnih stanica, računalnih terminala, osobnih računala i Macintosh računala. Ovakav mrežni sustav je namijenjen za podršku poslovanja administracije, pristupu relacijskim bazama podataka s podacima iz područja markentinga i software-skim alatima za razvoj aplikacija. Politehnika iz Torina, kao jedno od najstarijih Italijanskih tehničkih učilišta s oko 12.000 studenata u suradnji s DIGITAL-om primjenjuje software na području CIM, simulacijskih tehnologija i CASE alata. Tehnička podrška se oslanja na VAXcluster sustavima i oko 120 Digital radnih stanica. Primijenjeni operacijski sustavi su MS-DOS, VMS i UNIX.

RAČUNALO KAO MENTOR

U obrazovnom procesu učenici "jedre" na valovima Interneta, razmjenjuju elektroničku poštu, pretražuju multimedijske CD-ROM - ove i uče primjenom simulacije. Centralizirano osposobljavanje uzmiče pred učenjem na daljinu i učenjem u pravom trenutku.

Povijesni pregled primjene računala u nastavi

37

Elementi informacijske i komunikacijske tehnologije koji u ovom vremenu daju najveći doprinos obrazovanju mogu se svrstati u tri kategorije (Reinhardt, 1995): (i) računalne mreže, (ii) multimedija i (iii) mobilnost. Kada se govori o mediju kao nosiocu informacije na međunarodnoj konferenciji o istraživanjima, razvoju i primjeni multimedije i hipermedije na svim razinama obrazovanja ED-MEDIA 9514) istaknuta je dilema: CD-ROM jest prijelazna faza jer je Internet budućnost, ali samo ako mu se poveća opseg propusnosti, što će naravno zavisiti i o daljnjoj komercijalnoj upotrebi računalnih mreža, jer doba besplatnog Interneta je ipak sve više iza nas. Danas sa više od jednog desetljeća vremenskog otklona možemo kazati da je propusni opseg komunikacija na Internet-u povećan te da su pri tom osmišljeni brojni komercijalni načini naplata usluga kao i novi tehnički i programski načini komunikacija. Međutim, treba istaknuti i to da je razvoj i dalje intenzivan te da i u budućnosti možemo očekivati nove metode, tehnike i programske alate koji će unaprijediti rad u ovom prostoru i poboljšati usluge i načine komuniciranja sudionika. U nastavku ćemo ukratko analizirati svaku od navedenih kategorija ICT-a. Povezivanje u računalne mreže uključuje intranet i Internet s primjenom na: audio i video konferencije, elektroničku poštu, izradu suradničkog software-a te implementaciju programskih sustava za vođenje nastave. Telekomunikacije najdugoročnije utječu kako na korisnike usluga tako i na davaoce usluga, te im omogućavaju "kopanje" po različitim izvorima informacija. Na raspolaganju su informacijske usluge temeljene na Internet-u poput: elektroničke pošte (E-Mail), transfera datoteka (FTP), hipermedijske usluge WWW, povezivanje na udaljena računala (Telnet) te novinske grupe (eng. newsgroup). Posebno je zanimljiv World Wide Web jer njegov razvoj ide prema objedinjavanju svih Internet usluga pod jedinstveno sučelje. Normiranje usluga pod ingerencijom je neprofitne W3C (World Wide Web Consortium) grupacije. Usluga je zasnovana na klijent-poslužitelj paradigmi gdje je klijent neovisan o računalnoj platformi dok se na strani poslužitelja najčešće koriste Unix i Microsoft NT operacijski sustavi. Na najvišoj razini, komunikacija Web klijenta i poslužitelja vrši se najčešće HTML (HyperText Markup Language) jezikom koji opisuje izgled dokumenta kojeg poslužitelj distribuira klijentu. Web klijent zahtijeva distribuciju dokumenta navođenjem lokacije dokumenta (ime poslužitelja i mjesto dokumenta unutar poslužiteljeve organizacije datoteka) i samog imena dokumenta. Dokumenti koji se distribuiraju klijentu mogu biti statički ili dinamički. Statički dokumenti su pohranjeni na poslužiteljevim jedinicama vanjske memorije i poslužitelj ih po primitku ispravnog zahtjeva distribuira klijentu. Dinamički dokumenti se ne nalaze pohranjeni na platformi poslužitelja već poslužitelj generira njihov sadržaj pri primitku zahtjeva. Dinamičkim generiranjem sadržaja Web dokumenta postiže se mogućnost izrade tzv. Web aplikacija tj. aplikacija koje se izvršavaju unutar Web okruženja. Statički dokumenti koriste se pri ostvarivanju funkcija koje se ne trebaju prilagoditi individualnim potrebama korisnika. Dinamički generirani dokumenti kombiniraju se sa statičkim pri realizaciji Web informacijskih usluga.

14)

ED-MEDIA 95 - Šesti skup "World Conference on Educational Multimedia and Hypermedia (Graz, june 17-

21,1995)" koji je u organizaciji AACE (Association for the Advancement of Computing in Education) u 1995.

godini po prvi put odrţana u Europi.

Povijesni pregled primjene računala u nastavi

38

Multimedija obuhvaća čitavo bogatstvo podataka uključivo analogni i digitalni video, dvodimenzionalnu i trodimenzionalnu animaciju, te audio komponentu. Također uključuje medije za isporuku kao što su CD-ROM i DVD, hardware za grafičko sučelje, te zvukovne kartice. Osobna računala opremljena s CD-ROM i DVD uređajem i multimedijom su postali temeljna korisnička platforma za pristupanje informacijskim servisima. Mobilnost je u stanovitom smislu samo drugi način povezivanja u mrežu, ali također i rezultat minijaturizacije. Škole u SAD-u eksperimentiraju s davanjem prijenosnog računala učenicima da ih nose sa sobom kući, kako bi uspostavljali bežične lokalne mreže za trenutna stvaranja radnih grupa. Računalne mreže i mobilni pristup eliminiraju ovisnost o vremenu i prostoru. Učenje na daljinu, godinama smatramo za vrhunski primjer potencijala obrazovne tehnologije, ima ogromne koristi od kombinacije povezivanja na mrežu i mobilnog pristupa.

Informacijska i komunikacijska tehnologija omogućila je i izgradnju novih obrazovnih paradigmi (Tablicu 4.3.), primjerice: daljinsko učenje i poučavanje (slika 4.3.), timsko - suradno učenje te stjecanje znanja i vještina individualnim istraživanjem. Tablica 4.3. prikazuje razliku između starog i novog modela učenja i poučavanja, koja je uvjetovana tehnološkim napretkom i uvođenjem informacijske i komunikacijske tehnologije u nastavu, učenje i poučavanje.

Slika 4.3. Daljinsko učenje potporom Internet-a

Povijesni pregled primjene računala u nastavi

39

Tablica 4.3. Promjena obrazovne paradigme (Reinhardt, 1995, str. 52)

Stari model Novi model Tehnološke implikacije

Nastava u učionici

Individualno istraživanje Osobna računala povezana u računalnu mrežu

Pasivno upijanje Naukovanje Zahtjeva razvitak vještina i simulacije

Pojedinačni rad Timsko učenje Kolaborativni programski alati i elektronička pošta

Sveznajući nastavnik

Nastavnik kao vodič Pristup ekspertima preko računalne mreže

Stabilan sadržaj Sadržaj koji se brzo

mijenja Zahtijeva računalne mreže i programske alate za uredsko poslovanje

Homogenost Raznolikost Zahtijeva pristup različitim programskim alatima i metodama

Prikazani su modeli kvalitativne primjene računala u nastavi, učenju i poučavanju. Primijetimo da je obuhvaćeno bogatstvo primjena oslonjena na učenje o računalu, učenje od računala, učenje s računalom kao i upravljanje učenja s računalom, te da je istom ukazano i na razvoj primijene kroz razdoblje od više od trideset godina. Sve to skupa je jednim dijelom prethodilo, a jednim dijelom se odvijalo s pojavom i razvojem inteligentnih sustava za potporu nastave koji su predmet analize sljedećeg odjeljka.

Poglavlje 5.

PUT RAZVOJA INTELIGENTNIH SUSTAVA ZA POTPORU NASTAVE

Nastava pomoću računala započinje s linearnim programima po načelima programirane nastave oblikovane kasnih pedesetih godina prošlog stoljeća u skladu s bihevioralnom tradicijom. Temeljni joj je nedostatak vrlo mala mogućnost individualizacije. Globalno proces je napredovao prema cilju u koracima u kojima se prihvaćao samo točan odgovor dok je pogrešni odgovor uvjetovao napuštanje procesa. Razgranati programi su bili prirodni nasljednici linearnih programa u šezdesetim godinama. Upotrebljavali su pri tom tehniku sparivanja uzoraka (eng. pattern matching) za odvajanje točnog od netočnog odgovora. Ovi programi su imali mogućnost komentirati odgovore učenika te koristiti odgovore za izbor sljedećeg koraka. Utjecaj ovih prvih pokušaja u primjeni imao je i nekih zajedničkih odrednica u organizaciji nastavnih sadržaja koji su u to vrijeme nuđeni u formi programiranih udžbenika tj. udžbenika izvedenih tako da omogućavaju programirano učenje. Osim toga, tehnologija pitanja s višestrukim izborom odgovora se pokazala također jednostavna za upotrebu. Kasnih šezdesetih godina su implementirani i generativni programi koji su pružali nešto što nije bilo moguće izvesti u udžbenicima tj. bili su u stanju generirati nastavne sadržaje. Brojni sustavi s mogućnosti prilagođavanja učeniku su bili izvedeni, a omogućavali su vježbanje i ponavljanje u području aritmetike, kao i mogućnost odabira razine težine u skladu s ukupnim sposobnostima učenika. Temeljni tipovi CAI programa, linearni, granajući i generativni su dakle razvijani više od dvadeset godina. Ovi programi su bili ponovno razmatrani početkom osamdesetih godina prošlog stoljeća i to onda kad su se mikroračunala započela primjenjivati u školi. U to vrijeme škole nisu posebno ni zahtijevale računala te su prije svega bile u čudu što s njima raditi. CAI programi u didaktičkom smislu ostaju na vrlo niskoj razini i može im se tek pripisati da ostaju na računalu zasnovani udžbenici i radne bilježnice. Školska praksa u to vrijeme – osamdesete godine prošlog stoljeća – treba nešto što CAI sustavi nisu mogli ponuditi. Nwana (Nwana, 1990) naglašava da CAI sustavi ne raspolažu sa znanjima o tome što se poučava, tko se poučava i kako se poučavanje provodi. Tako stajalište zastupaju i Clancy i Soloway (Clancy i Soloway, 1989) naglašavajući da je arhitektura CAI sustava manjkava čak što više nedorasla da osigura bogato i robusno okruženje učenja. Što je zapaženo i u ranim sedamdesetim godinama prošlog stoljeća kad istraživači ovog područja započinju s primjenom umjetne inteligencije u oblikovanju CAI sustava. Zapravo započinje se s oblikovanjem i implementacijom ICAI sustava (eng. Intelligent Computer Aided Instruction – ICAI) – inteligentnih sustava za nastavu pomoću računala. Međutim, prijelaz sa CAI na ICAI sustave prate dvije kategorije računalnih sustava za nastavu pomoću računala: (i) ograničeni sustavi nastave pomoću računala (Carbonel, 1970) i (ii) generativni sustavi nastave pomoću računala (Koffman, 1973; Koffman i Perry, 1976), analiza kojih se provodi u sljedeća dva odjeljka, dok će se u trećem odjeljku analizirati inteligentni sustavi nastave pomoću računala.

Put razvoja inteligentnih sustava za potporu nastave

41

OGRANIČENI SUSTAVI NASTAVE POMOĆU RAČUNALA

U ovakvim sustavima učenik obično dobiva tekst na čitanje (nekad u jednoj liniji, ponekad u više) i postavlja mu se pitanje koje traži kratak odgovor. Nakon toga slijedi priopćenje "računala" učeniku da li je odgovor ispravan ili je pogrešan. Ponekad ti odgovori uvjetuju pokretanje pojedinih dijelova curriculum-a što ih učenik mora ponovno učiti, a nekad se dobiva i pomoćni tekst s dodatnim informacijama radi nadopune znanja. Autori programske podrške za primjenu u nastavni pokušavaju predvidjeti svaki netočan odgovor učenika, te u tom smislu specificirati i prilagoditi dodatna objašnjenja i pomoć. Grananje na ovakvoj osnovi je u suštini prvi korak individualizacije nastave. Ovaj stil CAI sustava Carbonell (1970) naziva "ad-hoc frame oriented" - AFO CAI, ističući pri tome ovisnost o modulima informacija koje je autor pripremio. Slika 5.1. (modificirana prema Koffman, 1973) prikazuje načela rada okvirno orijentiranog CAI sustava. Učeniku se prvo prezentira informacijski okvir 1 u vezi s nastavnim sadržajem kojeg je odabrao za učenje, a zatim mu se postavlja pitanje Q1. Ako je odgovor A11, kreće se dalje s pitanjem Q2. Ako je odgovor A12 učeniku se postavlja pomoćno pitanje Q3. U ovom pitanju odgovor A31 vodi učenika na pitanje Q2, dok odgovor A32 vodi na informacijski okvir 3, a zatim ponovo na pitanje Q3. Odgovor A13 na pitanje Q1 omogućava učeniku dobivanje dodatne informacije (informacijski okvir 2), a zatim se ponovno poziva pitanje Q1. Ako odgovor ne spada ni u jednu od gornjih kategorija, ponovno se poziva pitanje Q1. Primijetimo i to da se ista logika rada ovakvog sustava nastavlja dalje sa okvirom vezanim s pitanjem Q2 te na predviđene odgovor A21, A22 i A23. Struktura nastavnog sadržaja u ovakvom sustavu raspolaže s unaprijed predviđenim grananjem i pitanjima za učenika. To je i temeljna kritika na rad okvirno

orijentiranog CAI sustava jer je jasno da se ovako definirana pitanja i odgovori ne mogu ponovno upotrijebiti, sustav je zatvoren te je jedino moguće na njega djelovati promjenom pitanja kao i promjenom unaprijed predviđenih odgovora. Dizajn "ad-hoc frame" se oslanja na Skinner-ove principe poticaj – odgovor - potkrjepljenje. Strategije

Pitanje Q1

Odgovor A11

Odgovor A12

Odgovor A13

?

Pitanje Q2

Odgovor A21

Odgovor A22

Odgovor A23

?

Pitanje Q3

Odgovor A31

Odgovor A32

?

Informacijski

okvir 1.

Informacijski

okvir 2.

Informacijski

okvir 3.

Slika 5.1. Okvirno orijentirana struktura CAI sustava

Put razvoja inteligentnih sustava za potporu nastave

42

grananja u nekim AFO programima su bile prilično komplicirane, u sebi su uključile najbolje teorije učenja koje je psihologija mogla producirati. PLATO sustav (prema Control Data PLATO - System overview str. 5-11) razlikuje dvije vrste grananja. (Slike 5.2. i 5.3.).

Slika 5.2. Grananje uvjetuje scenarij poučavanja

Slika 5.3. Grananje inicirano tijekom poučavanja

U grananju inicirano od strane autora, autor lekcije uspostavlja kriterije pogrešaka, dok učenik tijekom učenja uvijek ima na raspolaganju mogućnost povratka na prethodnu lekciju ili pak traženja pomoći - dodatnog objašnjenja. U pogledu nedostataka i kritike ograničenih CAI sustava Rickel (1989) i Carbonell (1970) globalno se slažu da su najveće poteškoće u primjeni ovih sustava dolazile u prikazu područnog znanja i praćenju učenika tijekom poučavanja. Znanje CAI sustava je sačinjeno od jednog "konzerviranog" načina predstavljanja informacija učeniku, "konzerviranih" problema pomoću kojih se testira njegovo znanje, "konzerviranih" odgovora i unaprijed specificiranih ogranaka u predstavljanju znanja na temelju unaprijed pobrojanog skupa mogućih odgovora. Razumljivo je s toga da se ovi sustavi kritiziraju zbog nemogućnosti prilagodbe učeniku. Usprkos veoma rasprostranjenoj upotrebi AFO CAI sustava u različitim obrazovnim primjenama, mnogi istraživači tvrde da se u AFO tečajevima resursi računalne tehnologije ne iskorištavaju na najbolji način. Primjerice, Carbonell (1970) tvrdi da većina CAI sustava AFO tipa, računalo koriste nedostatno i ono se u suštini može usporediti s programiranim udžbenikom, pa je na jedan način i čudno zašto se i upotrebljavaju strojevi.

A B C D E F G

Više od 10 pogrešaka Manje od 10 pogrešaka

3 - 10

pogrešaka

A B C D E

A A

Pomoć

Ponavljaj Ponavljaj

Put razvoja inteligentnih sustava za potporu nastave

43

GENERATIVNI SUSTAVI NASTAVE POMOĆU RAČUNALA

Generativni CAI sustav je baziran na algoritmima za rješavanje zadatka kojeg sustav generira. Naravno, tijek odvijanja nastavnog sadržaja i rješavanja postavljenih zadataka zahtjeva od učenika da primjenjuju prije stečena znanja. Novi nastavni sadržaji ne zahtjeva reprogramiranje sustava, već se «osvježavanje» postiže pozivanjem različitih potprograma. Drugim riječima, algoritam za učenje se ne izbacuje nakon što je njegova početna funkcija u poučavanju ispunjena, već se čuva i koristi kasnije u nekom drugom segmentu učenja. Potprogrami se koriste za generiranje zadataka koji se mogu upotrijebiti u različitim područjima.

Prikazat će se struktura i organizacija generativnog CAI sustava oblikovanog početkom sedamdesetih godina prošlog stoljeća na Sveučilištu Connecticut (Koffman, 1973, Koffman i Pery, 1976) (slika 5.4.). Primijenjen je u uvodnom tečaju računarstva koji obrađuje logičke operacije (i/ ili), te programiranje u strojnim jezicima. Temeljni cilj sustava je da omogući rješavanje zadataka nakon stjecanja teorijskog okvira znanja. Sustav se prilagođavao svakom studentu ovisno o njegovo razini znanja. Sustav je upravljao napredovanjem tijekom odvijanja nastave i to tako da generira zadatke i izabire koncepte za učenje koji najbolje odgovaraju znanju svakog pojedinog studenta. Postojala je i druga mogućnost, da student poduzme prvi korak i da sam odabere područje učenja i nadopunjava probleme. Sustav je implementiran na IBM 360/65 računalima, programiran je u Conversational Programing System (CPS) programskom jeziku. Radi individualiziranog pristupa nastavi sustav raspolaže sa modelom tečaja

(načinom realizacije nastavih sadržaja) iskazan sa koncepcijskim stablom tečaja koje je hijerarhijski organizirano po elementima nastavnog sadržaja i modelom učenika iskazan sa zapisom učinka učenika. U hijerarhijski organiziranoj strukturi svaki čvor predstavlja koncept s odgovarajućim informacijama kako slijedi:

Koncepcijsko

stabloIzbor koncepta

Generator

problemaRazina koncepta

Rješavanje

zadatka

NadzorZapis učenika Zanavljanje podataka

Učenik

Problem

Odgovor

Pitanje/Pomoć

Slika 5.4. Generativni CAI sustav

Put razvoja inteligentnih sustava za potporu nastave

44

1. Oznaka koncepta 2. Naziv koncepta 3. Lista dvojki (parova) u kojoj prvi element u svakom paru predstavlja koncept

preduvjet dok je drugi element „flag“ – indikator koji ukazuje na to dali je koncept preduvjet pozivan ili to nije kao podprogram.

4. Razina koncepta koja implicira njegovu složenost. 5. Naziv problema koji se generira u konceptu. 6. Naziv programa koji rješava problem. 7. Lista parametara koje generator problema upućuje programu za rješavanje

problema. Promotrimo skriptu koja sadržajno odgovara jednom konceptu kojeg student može izabrati tijekom rada na sustavu. Primjer:

C7, Binary Multiplication, ((C4 0), (C5 1)), 2, Probi, BinMul, (LevC7, levC5, multiplicand, multiplier). U suglasju s gornjim oznakama i tumačimo ovaj primjer: 1. C7 – je oznaka koncepta 2. Binary Multiplication – Binarno množenje 3. (C4 0), (C5 1) – Koncept C4 nije preduvjet za C7 dok je C5 koncept (binarno

zbrajanje) preduvjet za C7. 4. 2 – razina složenosti koncepta C7 je 2 5. Probi – naziv problema kojeg koncept generira 6. BinMul – naziv programa koji rješava problem 7. LevC7, levC5, multiplicand, multiplier – Lista parametara koje problem generator

upućuje programu za rješavanje problema. Ovdje treba primijetiti da su pored množenika i množitelja i parametri LevC7 i LevC5 (koji predstavljaju razinu znanja učenika) u konceptima C7 i C5.

Na osnovi ovako definirane strukture organiziran je nastavni sadržaj za oblikovanje digitalnih sustava koji se sastojao od 21 koncepata, a obuhvaćao je: osnovne logičke operacije, brojevne sustave i pretvorbe među njima, vremenske dijagrame, tehnike minimiziranja, sekvencijsko oblikovanje i operacije s registrima.

Za implementaciju generativnog CAI sustava potrebno je uložiti mnogo više napora nego za okvirno orijentirani CAI sustav, ali u svakom slučaju rezultat koji se dobije je veoma djelotvoran i raznovrstan alat za učenje. Novi koncepti za učenje se mogu lako dodati. Algoritmi se mogu upotrebljavati i za rješavanje dijelova mnogo složenijih zadataka, a izabrani koncept, težina zadatka, kvaliteta i količina pomoći su prilagođeni za svakog studenta ponaosob. Ovdje predstavljene tehnike, mogu biti uspješno primijenjene i za učenje u drugim tečajevima različite prirode.

Put razvoja inteligentnih sustava za potporu nastave

45

INTELIGENTNI SUSTAVI NASTAVE POMOĆU RAČUNALA

U oblikovanju i implementaciji sustava Scholar, Carbonell (1970) definira informacijski - orijentiranu - strukturu baze podataka u obliku mreže činjenica, pojmova i procedura. Elementi ove mreže su jedinice koje definiraju riječi i događaje u formi višerazinskog hijerarhijskog stabla informacija. Sustav Scholar je namijenjen za poučavanje u područnom znanju zemljopisnih karakteristika Južne Amerike. U prikazu znanja kao i u dijalogu podijeljene inicijative u Scholar-u se ostvaruje značajan napredak u oblikovanju tradicionalnih CAI sustava. Dijalog podijeljene inicijative vodi k jednom senzibilnijem i efikasnijem sustavu i pruža više uvjeta za individualizirano poučavanje. Barr i Feigenbaum (1986) ovaj Carbonell-ov rad nazivaju "pionirskim" i smatraju da se s njim definira druga vrsta CAI sustava - inteligentni CAI ili na znanju zasnovani. Struktura inteligentnog sustava nastave pomoću računala u načelu ima sljedeće komponente (Clancey i Soloway, 1990):

­ Model područnog znanja i ekspertni program koji je u stanju riješiti problem zadan u

odnosnom područnom znanju. Komponenta koja pruža odgovor na pitanje Što se poučava (eng. What to teach).

­ Model učenika koji identificira aktualno stanje znanja učenika. Komponenta koja pruža odgovor na pitanje Tko se poučava (eng. Who to teach).

­ Model učitelja – model poučavanja koji omogućava takav nastavni proces da otkloni pogrešna poimanja učenika i/ili prezentira nove nastavne sadržaje. Komponenta koja pruža odgovor na pitanje Kako se poučava (eng. How to teach).

Wenger (Wenger, 1987) sugerira i četvrtu komponentu: model korisničkog sučelja koja pruža odgovor na pitanje Kako se odvija interakcija (eng. How to interact). Ovo je komponenta čija značajnost raste upravo onako kako narastaju mogućnosti nove tehnologije – nove informacijske i komunikacijske tehnologije. 1982. godine Sleeman i Brown (Sleeman i Brown, 1982) „isporučuju“ novi akronim i to ITS kao zamjenu za ICAI, gdje se ITS odnosi na termin inteligentni tutorski sustavi (eng. Intelligent Tutoring Systems - ITS). Istraživači koji ne žele koristiti termin „inteligentan“ koriste u to vrijeme različite slogane i na njime izvedene akronime kao što su tutorski sustavi zasnovani na znanju (eng. Knowledge Based Tutoring Systems – KBST), prilagodljivi tutorski sustavi (eng. Adaptive Tutoring Systems – ATS), sustavi za komunikaciju znanja (eng. Knowledge Communication Systems KCS) (Nwana, 1990). Terminologija još nije utemeljena, primjerice „okruženje učenja“ (eng. learning environment) je ponajprije korištena u sustavima koji podržavaju učenje s pomoću otkrivanja poput onoga koje pruža LOGO jezik (Papert, 1982). Često se ovaj termin koristi za naglašavanje složenosti programa ili se pak nekad termin „okruženje učenja“ koristi i kao sinonim za ICAI sustave (Clancy i Soloway, 1990).

Okruženje učenja se doživljava kao jedno od najznačajnijih tema istraživanja u području pedagogije. Inteligentni tutorski sustavi tada još nisu dostignuli onu razinu sofisticiranosti koja je bila potrebna za ispunjavanje zahtjeva potrebnih modernom obrazovanju. Međutim, oblikovanje i izgradnja inteligentnih tutorskih sustava je

Put razvoja inteligentnih sustava za potporu nastave

46

prepoznata kao ne-trivijalan zadatak. Osim toga, postalo je jasno da u tome moraju biti provedene ekspertize različitih znanstvenih područja kao što su: umjetna inteligencija, pedagogija, kao i psihologijski modeli učenika i stručnjaka. Intenzitet istraživanja inteligentnih tutorskih sustava slijedom ovog dobiva na važnosti jer je utvrđeno da to područje predstavlja izvrstan test kušnje teorija za istraživače umjetne inteligencije, pedagogije i spoznajne psihologije. Jedna praktična potreba za ovakvim radom i istraživačkim aktivnostima vođena je i zahtjevima za smanjivanjem visoke cijene rada „živih“ učitelja te pokušajima za razvoj tehničkih sustava koji će pružiti podršku obrazovanju ili čak više razvoj sustava koji će omogućiti tzv. „automatsko obrazovanje“ (Andersson i drugi, 1990). Razvoj sustava za automatsko učenje je zahtjevan cilj, pa je u tom smislu teško očekivati da se računala mogu uspješno natjecati sa „živim“ učiteljem. Poučavanje je jednostavno rečeno socijalni čin u kojem su uključene brojne aktivnosti u kojima jedino obrada podataka predstavlja onu u kojoj je računalo nadmoćno (Wenger, 1987). Sleeman i Brown premda uvode termin inteligentni tutorski sustav i sami ističu da je termin inteligentni tutorski sustavi često poistovjećen s terminom ICAI. Rasprava o inteligentnim tutorskim sustavima vodi se u trećem dijelu ove knjige, a u nastavku ovog odjeljka prikazuje se struktura ICAI sustava (prema često citiranim referencama). Barr i Feigenbaum (1986) predlažu komponente - module inteligentnog CAI sustava: (i) Modul stručnjaka koji sadržajno raspolaže sa znanjem koje sustav prenosi na učenika (ono mora postati dio učenikovog znanja). Temeljna zadaća modula stručnjaka je generiranje problema i procjenjivanje točnosti učenikovih odgovora. (ii) Model učenika; pokazuje što učenik zna i što mu još nedostaje. Ovaj modul predstavlja razumijevanje područnog znanja iz kojeg se obavlja učenje i poučavanje. (iii) Modul komunikacije koji iskazuje strategiju učenja i poučavanja kao i način predstavlja nastavnih sadržaja učeniku. Ovo je modul koji komunicira s učenikom prirodnim jezikom, odabire probleme koje učenik mora riješiti, nadzire i kritički promatra njegovo izvođenje, osigurava pomoć pri pružanju njegovih odgovora, te konačno odabire nastavne sadržaje za otklanjanje pogrešnih poimanja. Rolston (1989) smatra da u inteligentnom CAI (ICAI) sustavu učenik mora imati aktivnu ulogu (ne smije ga se prepustiti pasivnom praćenju nastavnih sadržaja), pa sustav oponaša "živog" učitelja. Tečajevi u poučavanja uređuju se tako da kao relevantne parametre tretiraju interes, sposobnosti i pogreške učenika. Struktura inteligentnog sustava po Rolston-u je prikazana na slici 5.5.

Dobar nastavnik mora u osnovi imati dvostruku ulogu u kontekstu raspoloživog znanja i to: znanje o područnom znanju te pedagogijska znanja. Kod ICAI sustava ova dva oblika stručnosti su odvojeno predstavljena. Područna stručnost (područno znanje) je u modulu koji se u tradicionalnih ekspertnih sustava naziva baza znanja. Baza znanja u ovom slučaju predstavlja znanje iz područja koje je učeniku namijenjeno za učenje i poučavanje.

Put razvoja inteligentnih sustava za potporu nastave

47

Slika 5.5. Struktura inteligentnog CAI sustava (Rolston, 1988, str. 133)

Modul vođenja učenja i poučavanja obuhvaća: (i) pedagoško znanje, (ii) sučelje učenika, (iii) vođenje procesa učenja i poučavanja. Model učenika iskazuje razumijevanje područnog znanja u svakom trenutku za vrijeme učenja i poučavanja. Rickel (1989) prezentira izvrstan pregled istraživanja u području inteligentnih CAI sustava, a sustav zasniva na: scenariju učenja i poučavanja te prikazu područnog znanja, znanju učenika, znanju učitelja kao i sučelju učenika i sustava. Sve započinje s izborom dobrog scenarija učenja koji je prikladan područnom znanju. Ovaj scenarij učenja zajedno s prirodom područnog znanja i vrstama pogrešnih poimanja koje moramo kod učenika otkriti određuje nužnu funkcionalnost i na taj način strukturu prikaza znanja. Prikaz znanja ima duboki utjecaj na sposobnosti tutora u objašnjavanju jednako kao i na njegovu kompetenciju za dijagnozu znanja učenika. Kako bi se proces učenja i poučavanja prilagodio učenikovim sposobnostima i kako bi se odredio uzrok njegovih pogrešaka mi moramo postaviti model učenika. Konačno i pedagoško znanje i znanje o vođenju razgovora s učenikom nam je potrebno i moramo ga "umotati" u jedno stimulativno sučelje da bismo postigli efikasnost procesa učenja i poučavanja.

Važnu raspravu u vezi s primjenom umjetne inteligencije u obrazovanju kao i u programskim sustavima koji podržavaju nastavi proces provela je B. P. Woolf (1992) u dijelu enciklopedije o umjetnoj inteligenciji. U odjeljku koje je naslovila umjetna inteligencija u obrazovanju Woolf analizira teorijske osnove područja koje naziva inteligentni nastavni sustavi (eng. intelligent instructional systems) sa stajališta različitih tehnologija umjetne inteligencije što uključuje: prikaz znanja, prikupljanje znanja i upravljanje znanjem. U raspravi naglašava da polje primjene umjetne inteligencije u obrazovanju započinje s Carbonell-ovim programskim sustavom Scholar (Carbonell, 1970). S tim u vezi, istraživači su u ovom području analizirali uvjete koje moraju ispuniti računalni sustavi da bi u poučavanju bili efikasni i obavljali to onako kako to rade talentirani učitelji. Definicija poučavanja je obično utemeljena na računalnim modelima „živih“ učesnika uključujući stručnjaka područnog znanja, učitelja i učenika. Na ovo se obično dodaje i model efikasne komunikacije. Svi ovi modeli tek zajedničkim radom generiraju inteligenciju sustava. Model stručnjaka koji obično predstavlja teme, koncepte, definicije i procese unutar područnog znanja. Model učitelja što uključuje metode koje osiguravaju pomoć u otklanjanju pogrešnih poimanja,

Područno

znanjeModel učenika

Modul vođenja poučavanja

Pedagoška

znanja

Sučelje

učenika

Vođenje

poučavanja

Put razvoja inteligentnih sustava za potporu nastave

48

selekciju primjera, analogije i strategije za odgovor na učenikov način mišljenja te konačno znanje o tome kada i kako prekinuti s poučavanjem. Model učenika mora prikazati opće faktore nužne za učenika kao npr. razmatranje motivacije za područno znanje. Učenikov model se mora dinamički obnavljati, a to uključuje i specifične atribute kao što su da li učenik treba više poziva ili savjeta za pomoć. Komunikacijski model mora uključiti dijalog i principe poučavanja u područnom znanju s principima dobro dizajniranog sučelja s učenikom. Razvoj područja umjetne inteligencije u obrazovanju Woolf (Woolf, 1992) promatra kroz tri razdoblja: ­ Rani radovi (1970. - 1980.) u kojem su istraživači uglavnom orijentirani na izgradnju

sustava u području računalnih igara. Pored toga, rana istraživanja na prikazu znanja su prvenstveno fokusirana na tehnike semantičkih mreža i sustavima sa produkcijskim pravilima.

­ Proširenje interesa (1982. - 1985.) se odnosi na isticanje ciljeva za izgradnju baze znanja kao i sustava koji se mogu primijeniti na realne probleme. Istraživači počinju s gradnjom sustava s kojim djelomično eksperimentiraju u davanju odgovora na istinski teške probleme o pitanjima spoznajnih procesa i učenja. Ciklus hipoteza - test - evaluacija omogućio je istraživačima da pokažu dostignuti napredak kako spoznajnih teorija tako i procesa izgradnje inteligentnih tutorskih sustava. Pored navedenog neki tutorski sustavi su također ilustrirali važnost modula za komunikaciju.

­ Raznolikost područja primjene (1985. - 1991.) je faza razvoja sustava poučavanja koja je pokazala nove arhitekture i značajne rezultate primjene. Zanimanje je u tom vremenu usmjereno na komunikaciju, različite tehnike prikaza znanja i na znanje učenika. Sustavi su tada već primjenjivani na svim obrazovnim razinama od primarnog obrazovanja do akademskog obrazovanja, kao i u različitim sustavima obuke u vojsci i industriji.

Razmišljanja i analiza ovog odjeljka naslovljen kao razvojni put inteligentnih sustava za potporu nastave završava se s osvrtom Wenger-a (Wenger, 1987) koji ističe da zapravo i nema jasne granice između jednostavne verzije prilagodljivijeg CAI-a i ICAI sustava. Umjesto toga, postoji kontinuitet od linearnog CAI-a preko CAI-a sa složenijim grananjem do osnovnog ICAI-a pa sve do nezavisnog ICAI-a. Ovaj kontinuitet se često pogrešno tumači kao predstavnik napretka od lošijeg prema boljem. Ipak, za neke situacije u učenju i neke nastavne planove i programe korištenje maštovitih tehnika programiranja može biti poput korištenja sačmarice za ubijanje muhe. Ako je okruženje vježbanja i ponavljanja (engl. drill-and-practice) sve što je potrebno za postizanje određenog nastavnog cilja, onda ga treba koristiti. Analizira se slučaj u kojem tri učenika drugog razreda imaju svaki po dva zbrajanja dvoznamenkastih brojeva (slika 5.6.).

Učenik A rješava postavljene zadatke tako da griješi u prijenosu na veće decimalno mjesto (s jedinica na desetice). Učenik B pak griješi tako da prenosi jedinicu umjesto na mjestu desetica na mjesto stotica. Učenik C griješi pri zbrajanju znamenki s težinom jedinica.

Put razvoja inteligentnih sustava za potporu nastave

49

Učenik Učenik A. Učenik B. Učenik C.

Zadatak 1.

32 32 32

+ 49 + 49 + 49

Rješenje 71 181 82

Zadatak 2.

36 36 36

+ 27 + 27 + 27

Rješenje 53 163 64

Slika 5.6. Dijagnostika pogrešaka učenika pri operaciji zbrajanja

Jednostavni CAI sustavi ne mogu razlikovati ova netočna rješenja pa će pomoćna petlja od ova tri učenika tražiti ponovne odgovore na drugim primjerima. Problem ovog pristupa je taj što obično postoji mala razlika između dopunske i izvorne nastave. To znači da učenik koji prvi put nije točno odgovorio na postavljena pitanja možda ni sljedeći put neće točno odgovoriti ako se koriste slični problemi. Osjetljivija (ili inteligentna) reakcija je da sustav dijagnosticira i svrsta odgovor učenika A u neznanje o prenošenju ostatka 1 u stupac desetica, odgovor učenika B svrsta u netočno pribrajanje rezultata u stupcu jedinica (11 i 13) deseticama, učenika C pogrešno zbraja u situacijama kad zbroj brojeva prelazi deset. Inteligentni sustav treba posredovati tako što će posebno uputiti na svaku od kvalitativno različitih pogreška.

Literatura

LITERATURA

1. Andersson J. R., Boyle C. F., Corbett A. T. and Lewis M. W., Cognitive Modelling and Intelligent Tutoring, Artificial Intelligence, vol. 42, No 1, February, 1990, pp 7-49.

2. Baker M. Integrated Learning Systems – An Introduction, http://atschool.eduweb.co.uk/mbaker, 1997.

3. Balkovich E., Lerman S., Parmelee R.P.: Computinng in Higher Education: The Athena Experience. IEEE Computer, 18(11), 1985, pp 112-125.

4. Barr A., Feigenbaum E. A.: The handbook of artificial intelligence - volume II. Chapter IX Application – oriented AI Research: Education, Addison-Wesley Publishing Company, Inc. 1986.

5. Benjamin L.: A history of teaching machines. American Psychologist, 43(9), 1988, pp 703–712.

6. Booth T.L.: Computer Education, IEEE Computer, 17(10), 1984, pp 57-68. 7. Bork A.: Learning with computer simulations. IEEE Computer, 12(10), 1979, pp 75-

84. 8. Bray D. W.: Using personal computers at the college level. IEEE Computer, 17(4),

1984, pp 36-46. 9. Bruner J. S.: Beyond the Information Given, Studies in the Psychology of Knowing, W.

W. Norton and Company, Inc. New York, 1973. 10. Budin L., Glavan F., Klaić M., Grabovac s. B., Vukasović D., Nimac E., Stanec Z., M.Babić,

Kniewald I., Stankov S.: Povjerenstvo za Obrazovanje iz područja informacijske i komunikacijske tehnologije u osnovnoj školi, MZOŠ, Zagreb 01.08.2005. (www.mzos.hr)

11. Carbonell J. R.: AI in CAI: An Artificial-Intelligence Approach to Computer-Assisted Instruction. IEEE Transaction On Man-Machine Systems, MMS-11(4), 1970, pp 190-202.

12. Champine G. A., Geer D. E., Ruh Jr, W. N.: Project ATHENA as a Distribuited Computer System; IEEE Computer, 23(9), 1990, pp 40-51.

13. Clancey W.J., Soloway E., Artificial Intelligence and Learning Environments: Preface, Artificial intelligence, vol. 42, No 1, February, 1990, pp 1-6.

14. Eisenberg M. B., Johnson D., Learning and Teaching Information Technology Computer Skills in Context, http://www.libraryinstruction.com, 2003

15. Fasang P. P., Rine D. C.: Computer science and engineering curricula : The bridge from theory to applications. IEEE Computer, 13(6), 1980, pp 37-42.

16. Fleischmann A. J., The Electronic Teacher: The Social Impact of Intelligent Tutoring Systems in Education, The University of British Columbia, Vancouver, http://www4.in.tum.de/~fleischa/papers/its.html, 2000.

17. Jonassen D. H., Computer in the classroom: Mindtools for critical thinking, Englewood Cliffs, NJ. Prentice-Hall, 1996.

18. Koffman E. B.: Design Techniques for Generative Computer – Assisted Instructional Systems, IEEE Transaction on education, Vol. E-165, No 4, 1973, pp182-189.

19. Koffman E. B., Perry J. M.: A Model for Generative CAI and Concept Selection. Intrnational Journal on Man-Machine Studies, 1976(8), pp 397-410.

20. Lockee B., Moore D., Burton J., Foundations of programming instruction In D. Johassen (Ed.), Handbook of Research for Educational Communication and Technology (2. ed.), Mahwah, NJ: Lawrence Erlbaum Associates, 2004.

51

21. Lysaught J. P., Williams C. M.: A guide to programmed instruction, College of Education, University of Rochester. John Wiley and Sons. Inc. New York, London, 1963. (Prijevod na hrvatski jezik - I. Furlan: Uvod u programiranu nastavu, Školska knjiga Zagreb, 1966.)

22. Maddison A.: Microcomputr in the classroom, Hodder and Stoughton, London, 1982. 23. Maruna - Carev T.: Kompjuter u nastavi jezika. Školske novine Zagreb, 1989. 24. McArthur D., Lewis M. i Bishay M., The Roles of Artificial Intelligence in Education:

Current Progres san Future Prospects, http://www.rand.org, 1993. 25. Mužić V.: Programirana nastava, Školska knjiga, Zagreb, 1974. 26. Mužić V., Rodek S.: Kompjutor u preobražaju škole. Školska knjiga Zagreb, 1987. 27. MZOS - Ministarstvo znanosti, obrazovanja i športa: Eksperimentalni nastavni plan i

program za osnovnu školu 2005./2006., Ministarstvo znanosti, obrazovanja i športa, Zagreb, 2005.

28. MZOS – Ministarstvo znanosti, obrazovanja i športa: Nastavni plan i program za osnovnu školu, Ministarstvo znanosti, obrazovanja i športa, Zagreb, 2006.

29. Nwana H.S., Intelligent Tutoring Systems: an Overview. Artificial Intelligence Review, No 4, 1990, pp 251-277.

30. O'Shea T.: Intelligent systems in education in D. Michie: Introductory readings in Expert Systems Gordon and Breach science Publishers, 1982.

31. Park O., Lee J.; Adaptive instructional systems, in D. Johassen (Ed.) Handbook of Research for Educational Communication and Technology (2. ed.), Mahwah, NJ: Lawrence Erlbaum Associates, 2004

32. Papert S.: Mindstorms (Children, Computers and Powerful Ideas), The Harvester Press Limited, 1982.

33. Pea R. D.: Beyond amplification: Using computers to regonize mental functioning, Educational psychologist, 20 (4), 1985, pp 167-182.

34. Piaget J.: Genetic Epistemology, The Norton Library, 1971. 35. Pine C.: Computer literacy: The New Wave in College Curricula. PLATO Password

Education Marketing Communications Department for PLATO user Control Data Corporation, Spring/Summer 1983.

36. Pohjonen J.: New learning environments a challenge to the management, International Schools Association 48th Annual Conference in Oulu, Finland July 8-10, 1999

37. Pressey S. L., A simple apparatus which gives tests and scores - and teaches. School and Society, 23 (586), 1926., pp 373-376.

38. Reeves T. C., The Impact of media and Technology in Schools, The University of Georgia, http://athensacademy.org/instruct/media_tech/reeves0.html, 1998.

39. Reinhardt A.: New Ways to Learn, Byte, march 1995, pp 50-72. 40. Rickel J. W.: Intelligent Computer-Aided Instruction : a survey organized around

system components. IEEE Transaction on System, Man, and Cybernetics 19(1), 1989, pp 40-57.

41. Rolston D. W.: Principles of artificial intelligence and expert systems development. McGraw-Hill Book Company, 1988.

42. Rodek S.: Kompjuter i suvremena nastavna tehnologija. Školske novine, Zagreb, 1986.

43. Rogers J. B.: Computer use in precollege education. IEEE Computer, 17(4), 1984, pp 46-52.

52

44. Romizowski A. J., Developing auto-instructional materials: From programmed texts to CAL and interactive video. Instructional Development 2. London, Kogan Page, 1986.

45. Salamon G., Perkins D. N., Globerson T., Partner in cognition: Extended Human intelligence with intelligent technologies, Educational Researcher, 20(3), 1991., pp 2-9

46. Self J. A.: Student Models in Computer Aided Instruction Int. J. Man-Machine Studies, 1974(6), pp 261-276.

47. Sherwood R. D., Model of Computer Use in School Settings, in C. K. Kinzer, R. D. Sherwood, J. D. Bransford (Ed) Computer Strategies for Education (Foundations and Content-Area Applications), Merrill Publishing Company, 1986.

48. Shute V. J., Psotka J.: Intelligent Tutoring Systems: Past, Present and Future in D. Johassen (Ed.) Handbook of Research for Educational Communications and Technology. A Project of the Association for Educational Communications and Technology, Updated September 21, 2001

49. Sleeman D., Brown J. S.: Introduction - Intelligent Systems u D. Sleeman, J. S. Brown (eds.): Intelligent Tutoring Systems, Academic Press, Inc, London (Ltd), 1982, pp 1-10.

50. Skinner B. F.: The Science of Learning and the Art of Teaching, Harvard Educational Review, 24, 1954., pp 86-97.

51. Skinner B. F.: Teaching machine, Science, 128, 1958,, pp 969-977. 52. Skinner B. F.: The technology of teaching, New York: Appleton-Century-Crofts

Educational Division, Meredith Corporation, 1968. 53. Skinner B. F.: Programmed Instruction Revisited, The Phi Delta Kappan, Vol. 68, No. 2

(Oct. 1986), pp. 103-110. 54. Sugarman R.: "What's new, teacher?" Ask the computer, IEEE Spectrum, 15(9),

1978a, pp 44-49. 55. Sugarman R.: A second chance for computer-aide instruction, IEEE Spectrum, 15(8),

1978b, pp 29-37. 56. Suppes P.: The Uses of Computers in Education, Sci. Am., 215,2, 1966, pp 206-220. 57. Šoljan N. N.: Nastava i učenje uz pomoć kompjutera, Pedagoško – književni zbor,

Zagreb, 1972 58. Šoljan N. N.: Obrazovna tehnologija, Školska knjiga Zagreb, 1976. 59. Taylor R. P.: The computer in school: Tutor, tool, tutee. New York, Teachers College

Press, 1980 60. Wenger E., Artificial Intelligence and Tutoring Systems: Computational and Cognitive

approaches to the Communication of Knowledge. Los Altos, California: Morgan Kaufmann, 1987.

61. White C. S., Hubbard G.: Computers and Education, Macmillan Publishing Company, NewYork, 1988.

62. Woolf B. P. : AI in Education in I. Shapiro, C. Stuart (eds) Artificial Intelligence - Encyclopedias, John Willy & Sons, Inc, 1992, pp 434-444.

63. Yazdani M.: New horizons in education computing Lecturer in Computer Science University of Exter, Exter UK Ellias Horwood Limited c, 1987.

64. xxxx: Control Data PLATO - System overview, 1972. 65. xxxx: "Digital in Education and Science", 1989 66. xxxx: Enciklopedijski rječnik pedagogije, Matica Hrvatske, Zagreb, 1963. 67. xxxx: Pedagoška enciklopedija, Školska knjiga, Zagreb, 1989.

1

TREĆI DIO

I N T E L I G E N T N I T U T O R S K I S U S T A V I

Cilj ovog dijela je upoznati čitatelja s pedagogijskim okvirom, građom i strukturnim modulima inteligentnih tutorskih sustava. S tim u vezi su i šest poglavlja ovog trećeg dijela. Temeljni su šesto i sedmo poglavlje, dok preostala četiri osmo, deveto, deseto i jedanaesto poglavlje omogućavaju pogled na strukturu inteligentnih tutorskih sustava oslonjenu na interdisciplinarne značajke znanja stručnjaka, učitelja, učenika kao i na njihovoj interakciji u inteligentnim tutorskim sustavima. Brojne zadaće u suglasju s ovim ciljem ostvaruju poglavlja ovog dijela, pogledajmo najvažnije.

Pedagogijski okvir inteligentnih tutorskih sustava ovdje je oslonjen na poučavanje po modelu jedan - na – jedan, koje je kad se odvija pod okriljem ljudskog tutora dokazano uspješno i smatra se čak najučinkovitijim nastavnim procesom. Proširuju se ova temeljna načela tutorskog poučavanja s analizom 2-sigma problema kao „vječnog“ nadahnuća za sve one koji organiziraju i realiziraju ovakav vid nastave. Definicija inteligentnog tutorskog sustava (ITS) promatra se sa stajališta vrednota i pragmatičnog tumačenja znakova I i T u akronimu ITS kojeg je provelo dvadesetak „znalaca“ područja.

Građa inteligentnih tutorskih sustava je obuhvatila analizu komponenata u on-site okruženju kao i razloge za postavljanje u Web okruženje. Analizirano je ukupno sedamnaest sustava najčešće primjenjivanih kako on-site, tako i Web orijentiranih inteligentnih tutorskih sustava. Osim navedenog uvode se pa zatim i analiziraju autorska okruženja za oblikovanje i izvedbu inteligentnih tutorskih sustava.

Izvršena je sinteza građe inteligentnog tutorskog sustava i utvrđena modularnost i na znanju zasnovanost sadržana u modulu stručnjaka, modulu učitelja, modulu učenika i komunikacijskom modulu.

2

KAZALO

Poglavlje 6.

Poučavanje po modelu jedan-na-jedan ................................................................................................... 4

Elementi poučavanja po modelu jedan-na-jedan ........................................................................... 5

Tutoru orijentirana hipoteza ............................................................................................................. 6

Učeniku orijentirana hipoteza .......................................................................................................... 8

Interakciji orijentirana hipoteza ...................................................................................................... 9

2-Sigma problem ...................................................................................................................................... 10

Definicija inteligentnog tutorskog sustava .................................................................................... 14

Poglavlje 7.

Građa inteligentnih tutorskih sustava .................................................................................................. 18

Komponente inteligentnih tutorskih sustava u on-site okruženja ....................................... 18

Postavljanje inteligentnog tutorskog sustava u Web okruženje ........................................... 35

Web orijentirani inteligentni tutorski sustavi .............................................................................. 41

ELM-ART (Episodic Lerner Model - Adaptivr Remote Tutoring)..................................... 44

CALAT (Computer Aided Learning Authoring environment for Teleeducation) ....... 45

MANIC (Multimedia Asynchronous Networked Individualized Courseware) ............ 46

WILEDS (Web-based Intelligent Learning Environment for Digital Systems) ........... 48

ADIS (Animated Data Structure Intelligent Tutoring System) .......................................... 49

SQLT-Web (Web-enabled version of SQL-Tutor) ................................................................... 50

Autorske ljuske za oblikovanje inteligentnih tutorskih sustava ........................................... 52

Autorsko okruženje REDEEM ........................................................................................................ 61

Paket autorskih alata Eon ................................................................................................................ 63

Autorski sustav RIDES ...................................................................................................................... 66

Autorski sustav SimQuest ................................................................................................................ 68

Autorska ljuska AutoTutor .............................................................................................................. 72

Poglavlje 8.

Znanje stručnjaka (Modul stručnjaka) ................................................................................................. 79

Prikaz znanja u inteligentnim tutorskim sustavima .................................................................. 79

Model crne kutije ..................................................................................................................................... 81

Model prozirne kutije ............................................................................................................................. 83

Kognitivni modeli .................................................................................................................................... 84

Proceduralno znanje .......................................................................................................................... 85

Deklarativno znanje ........................................................................................................................... 87

Model kvalitativnih procesa ........................................................................................................... 90

3

Poglavlje 9.

Modeliranje učenika - (Modul učenika) ............................................................................................... 94

Model učenika ........................................................................................................................................... 95

Obuhvat ulaznih podataka ............................................................................................................... 95

Vrste ciljanih znanja ........................................................................................................................... 97

Razlika između učenika i stručnjaka ........................................................................................... 98

Sažeti prikaz prostora modela učenika ....................................................................................103

Dijagnostika znanja učenika ..............................................................................................................104

Dijagnostika učenika temeljena na mentalnom stanju ......................................................107

Dijagnostika učenika temeljena na među stanjima .............................................................108

Dijagnostika učenika temeljena na konačnom stanju .........................................................111

Poglavlje 10.

Vođenje poučavanja (Modul učitelja) .................................................................................................116

Teorijski okvir poučavanja pomoću inteligentnih tutorskih sustava ................................116

Scenarij učenja ........................................................................................................................................122

Načela za implementaciju tutorskih (pedagogijskih) znanja ...............................................125

Poglavlje 11.

Interakcija učenik - učitelj - znanje (Modul komunikacije) .......................................................129

Vođeni razgovor .....................................................................................................................................129

Sučelje učenika i sustava .....................................................................................................................131

Generiranje zadataka ...........................................................................................................................134

Literatura .......................................................................................................................................................135

4

Poglavlje 6.

POUČAVANJE PO MODELU JEDAN-NA-JEDAN

Poučavanje u užem smislu predstavlja sustav pedagogijskih postupaka koje učitelj primjenjuje kao namjernu pomoć u procesu učenja učenika. Poučavanje učitelja te učenje učenika su strukturne komponente jedinstvenog nastavnog procesa, u kojem su obojica aktivni. Poučavanje po modelu jedan-na-jedan (eng. one-to-one tutoring) koje se odvija pod okriljem ljudskog tutora je dokazano uspješno i smatra se da je to najučinkovitiji način odvijanja nastavnog procesa (Cohen i drugi, 1982; Bloom, 1984). U ovakvom načinu poučavanja, oba sudionika učenik (onaj koga se poučava) i tutor (onaj tko poučava) stječu novu kvalitetu znanja i vještina. Osim toga, tutor ne mora nužno uvijek imati stručnost u pedagogijskim umijećima ovakvog poučavanja, premda ima stručnost u područnom znanju. U ovoj raspravi koristit će se sintagma poučavanje po modelu jedan-na-jedan i termin tutoring zamjenski.

Rasprava o razlikama između poučavanja i poučavanja po modelu jedan-na-jedan je još uvijek aktualna i otvorena. Kad se rasprava odnosi na “živog” učitelja, mi često koristimo termin tutor koji podrazumijeva da s radi o nekome koji ima manje formalne obuke u pedagogiji nego što to ima učitelj. Literatura koja se bavi područjem primjene umjetne inteligencije u obrazovanju termine „tutor“ i „učitelj“ često zamjenski koristi ne obazirući se pri tom na strukturu oblikovanog obrazovnog sustava (Graesser i drugi, 2000).

Što je to zapravo tutor? Tutor je osoba koja u pogledu strukturiranja i nadziranja obrazovnih sadržaja ulazi u ravnopravne odnose s jednim ili više učenika (od tri do pet) u procesu učenja i poučavanja. Takvi odnosi znače da tutor i učenik razvijaju način komunikacije i način rada s ciljem stjecanja novih znanja, vještina i sposobnosti. S tim u vezi, poučavanje po modelu jedan-na-jedan je specijalizirana vrsta nastave koja je značajno različita od tradicionalnog poučavanja u razredu.

Komparativne studije o postignućima u učenju su već pokazale da je načelo poučavanja po modelu jedan-na-jedan, koje se odvija sa „živim“ učiteljem, pružilo efikasniji nastavni proces u odnosu na ostale modele nastavnog procesa. Istaknuta komponenta poučavanja sa „živim“ učiteljem je suradnički dijalog između tutora i učenika. Ovakav način poučavanja potiče znanje i postignuća kod učenika, što je mjereno s postignućima u inicijalnom i završnom testiranju znanja i to u rasponu od 0,29 sigma sa tutorom vršnjakom – ravnopravni tutor (eng. peer tutor) (Cohen i drugi, 1982) pa sve do 2.0 sigma sa iskusnim tutorom (Bloom, 1984). Posebno su zanimljivi rezultati meta analiza koje su proveli Cohen i drugi u kojima je obuhvaćeno 65 studija nezavisnih vrednovanja tutorskih programa. Ulogu tutora u radu sa učenicima, za jedan dio ovih studija, obavljali su njihovi vršnjaci, a jedan dio stariji učenici. Ističu se prednosti koje vode tutori vršnjaci ili paraprofesionalni tutori (eng. paraprofessional tutors) i rezultati koji čak premašuju one ostvarene sa regularnim školskim učiteljima ili profesionalnim i stručnim tutorima. Rasprava o Bloom-ovom istraživanju koje je u literaturi poznato kao 2 sigma problem kao i uvjeti pod kojim je ovaj problem detektiran provodi se u odjeljku naslovljenom s „2 sigma problem“ ovog poglavlja.

Poučavanje po modelu jedan-na-jedan

5

ELEMENTI POUČAVANJA PO MODELU JEDAN-NA-JEDAN

Smatra se da su ljudski tutori učinkoviti jer oni održavaju ravnotežu, dozvoljavajući učeniku da radi koliko je moguće i da ima osjećaj kontrole dok mu pri tome nude dovoljno pomoći kako ne bi postao frustriran ili zbunjen. Ostavljajući učenicima da rade većinu posla pri rješavanju problema, tutori im na taj način omogućuju da uče kroz rad (eng. learn by doing). Nedostatak se javlja kada učenici traženjem rješenja troše mnogo vremena zbog loših strategija ili pogrešaka. Ponekad se iz tog traženja može nešto i naučiti, ali je moguće i da netočno odrede izvor pogreške pa tako stječu pogrešno znanje. Pomoć tutora omogućuje vođeno učenje kroz rad (eng. guided learning by doing) (Merrill i drugi, 1995) gdje tutor pomaže i ne dozvoljava kretanje pogrešnim smjerom.

Pogreške imaju važnu ulogu za intervencije tutora. Tutori pokušavaju odrediti koja pogrešna shvaćanja (eng. misconceptions) se kriju iza tih pogrešaka, koliko je svaka od njih važna, te pomoću tih informacija mogu pristupi izgradnji plana poučavanja. Prema tim planovima najprije će se ispraviti najvažnije pogreške, a kasnije i ostale. Tutori određuju važnost pogrešaka prema svom poznavanju kategorija pogrešaka i njihovih mogućih uzroka. Ako bi pogreška pokazala da učenik ne razumije prethodni nastavni sadržaj, tada tutor smatra da je to najvažnije. Tutori, također, predlažu rješavanje pogreške koja bi u sebi krila neke druge pogreške tijekom izvođenja programa. Tako tutori mijenjaju svoje odgovore ovisno o tome koliko su kritične pogreške učenika.

Merrill i drugi, 1992. su također otkrili da odluke tutora o intervenciji ovise o kontekstu pogreške. Kod nekih pogrešaka npr. pogreške sintakse u poučavanu programiranja, tutor bi odmah rekao učeniku što treba popraviti. Međutim, kada bi pogreška uključivala nerazumijevanje ponašanja nekih objekata, tada bi tutor usmjerio učenika na dijelove rješenja koja nisu bila točna. Ponekad bi tutor neke pogreške ignorirao i vraćao se na njih kada je to bilo najkorisnije. Tutori bi brzo ispravljali pogreške koje vode na krivi put, a također su se suzdržavali od komentara kod pogrešaka koje bi kasnije dovele do važnih spoznaja.

Poučavanje po modelu jedan-na-jedan je po mnogo čemu slično nastavi u razredu, primjerice: postavljaju se pitanja, rješavaju se problemi, odvijaju se predavanja, itd. Međutim, ipak je nekoliko značajnih razlika. Ovakvo poučavanje je intenzivno interaktivno – učenik je prisiljen učestvovati u nastavnom procesu. Imajući u takvim uvjetima rada promatranje samo jednog učenika, učitelj (sada je to tutor) je orijentiran na njegove individualne reakcije, kako poteškoće tako i uspješne korake. Umjesto da tutor odmah reagira s odgovorom kad učenik ne pruža odgovor na postavljeno pitanje, poduzima akciju kako bi pomogao učeniku da ostvari napredak (Merrill i drugi, 1995). Kod rješavanja problema, tutor je u stanju pomoći učeniku da nadvlada „slijepu ulicu“ i osigura ciljanu povratnu informaciju (VanLehn i drugi, 2003). Povratna informacija može biti neposredna – smjesta – odmah (eng. immediate feedback) u uvjetima kada učenik počini pogrešku ili može biti po zahtjevu (eng demand feedback) kada učenik sam traži pomoć (Merrill i drugi 1992). Međutim, precizno utvrditi zašto je ovaj model poučavanja toliko efikasan još uvijek ostaje otvoreno pitanje. Učinkovitost poučavanja po modelu jedan-na-jedan očituje se u sljedećem (Chi i drugi, 2001):

Poučavanje po modelu jedan-na-jedan

6

­ Učenici bolje razumiju, više su motivirani, te rade brže. Prosječno su učenici u takvom načinu poučavanja postizali učinak od oko 0.4 do 2.0 standardne devijacije (učinak od 2 sigma) veći od tradicionalnog načina poučavanja (Cohen i drugi 1982, Bloom, 1984)

­ Važan je i učinak koji tutor ostvaruje, često zanemariv, da su tutori također učili područno znanje koje su poučavali. Cohen-ova meta-analiza pokazuje da su se tutori poboljšali u 33 od 38 pregledanih istraživanja (Cohen i drugi 1982).

­ Tutori često nemaju formalno obrazovanje o vještinama poučavanja, mada posjeduju stručnost za dano područno znanje. U načelu tutorsko umijeće je povezano s pedagogijskim vještinama (kada dati povratnu informaciju, kada pružiti objašnjenje, kada uskratiti objašnjenje za pogreške te pustiti da učenici sami otkriju, itd.)

Chi i drugi (2001) smatraju da se načelo poučavanja po modelu jedan-na-jedan temelji na tri suprotstavljene hipoteze:

­ Tutoru orijentirana hipoteza – T-hipoteza (eng. tutor- centred hypothesis – T-hypothesis) u kojoj tutor dominira, kontrolira i oblikuje tutorsku sesiju. Potezi tutora su odgovorno za učenje, što i kako govore te kada to govore.

­ Učeniku orijentirana hipoteza – S-hipoteza (eng. student-centred hypothesis – S-hypothesis) u kojoj postoje dva posebna zahtjeva: (i) učenici imaju mogućnosti konstruktivističkog učenja u individualnom poučavanju za razliku od tradicionalnog poučavanja u učionici i (ii) konstruktivne reakcije učenika bi trebale biti u korelaciji s učenjem.

­ Interakciji orijentirana hipoteza – I-hipoteza (eng. interactive hypothesis – I - hypothesis) obuhvaća dva zahtjeva koja su zanimljiva za testiranje i od kojih prvi naglašava ponašanje, a drugi naglašava učenje. Prvi je se odnosi na što veću interaktivnost učenika i tutora. To znači da komentari koje daje tutor izvlače odgovore učenika, a komunikacija učenika je odgovor na to izvlačenje. Drugi je učenikova interaktivna konstrukcija (tj. izvedeni odgovori) što promiču učenje više nego ne-interaktivna konstrukcija. Prema tome, bitna prednost individualnog poučavanja je iznad konstruktivnosti (kao što je npr. učenje pomoću samo-objašnjavanja).

U nastavku se razmatraju načela poučavanja po modelu jedan-na-jedan za svaku od navedenih hipoteza.

TUTORU ORIJENTIRANA HIPOTEZA

Tutoru orijentirana hipoteza se temelji na dijalogu učenika i tutora. Dijalog se sastoji od više koraka, a svi zajedno predstavljaju tzv „tutorski okvir“ (Graesser, Person i Magliano, 1995):

1. Tutor postavlja početno pitanje. 2. Učenik daje prvi odgovor.

Poučavanje po modelu jedan-na-jedan

7

3. Tutor daje (pozitivnu ili negativnu) povratnu informaciju, ovisno o tome je li odgovor točan ili ne.

4. Tutor izgrađuje podršku do poboljšanja učenikovog rješenja kroz niz razmjena pitanja i odgovora (5-10 ciklusa)

5. Tutor procjenjuje učenikovo razumijevanje rješenja.

Primijetimo da u četvrtom koraku tutor provodi poučavanje dijalogom uz potrebnu podršku i pomoć učeniku. Značajna je to epizoda i predmet je istraživanja koja se mogu grupirati u: (i) istraživanje o ljudskim tutorima, (ii) istraživanje o inteligentnim tutorskim sustavima, te (iii) razvojna istraživanja. U razvojnom kontekstu Vygotski-og (Vygotsky, 1978) podrška zauzima centralno mjesto u razmjeni mišljenja odrasla osoba - dijete u kojoj odrasla osoba vodi dijete kako bi dijete razvilo svoj puni potencijal. Budući da je tutoring sličan razmjeni mišljenja odrasle osobe i djeteta, tada podrška može biti važna faza tutorskog dijaloga. U smislu vođenja tutoringa prilikom strukturiranja zadataka tutor može rastaviti složeni zadatak na jednostavnije, riješiti dio zadatka, pokrenuti zadatak te pustiti učenika da uradi ostalo i podsjetiti ga na određeni aspekt rješenja zadatka. Na taj način se smatra da je podrška bilo koja vrsta vođenja koja je više od potvrdne ili negativne povratne informacije. Sama povratna informacija može voditi učenike u smislu ohrabrivanja da ostanu na istom putu prilikom razmišljanja ili rješavanja problema (u kontekstu potvrdne povratne informacije tutora) ili da promijene smjer (u kontekstu negativne povratne informacije tutora).

Nakon faze podrške u petom koraku okvira tutor procjenjuje učenikovo razumijevanje postavljanjem primjerice pitanja, "Razumiješ li to sada?". Ovakvim pitanjem se ne obavlja vrednovanje znanja učenika, što je inače zadaća tutora, već tutor samo ishodi eventualno potvrdni odgovor učenika o razumijevanju nastavnih sadržaja.

Tutorski okvir sugerira bazično dominaciju tutora u dijalogu, određuje program rada, utječe na postavljanje sljedećeg pitanja, odabir sljedećeg primjera i problema koji se mora riješiti, postavljanje analogija i protu primjera, pružanje povratne informacije i tako redom. Često se pri procjeni efikasnosti tutora postavlja pitanje „Što to tutori rade da je tako učinkovito?“ (Merrill i drugi, 1992). Istraživanja koja proučavaju ljudske tutore koriste pristup koji je orijentiran na učitelja podrazumijevajući da učinkovitost poučavanja proizlazi iz vještine tutora. Smatra se da je ono što tutori kažu i kada to kažu to što čini takvo poučavanje učinkovitijim od klasičnog poučavanja u učionici. Tutori prilagođavaju svoje poučavanje prema razumijevanju koje učenici pokazuju. Prema takvom pristupu istraživanja nastoji se odrediti skup taktika koje tutori imaju na raspolaganju kao što su davanje objašnjenja, povratnih informacija i podrške. Ta istraživanja nastoje otkriti kako tutori odlučuju i biraju između različitih taktika, kako i da li mijenjaju taktike, kako generiraju objašnjenja i povratne informacije, kako prate razumijevanje učenika, kako motiviraju učenike i kakve sugestije (eng. hints) im nude. Pristup na tutora orijentiran se razvijao još više zbog potrebe razvoja i implementacije inteligentnih tutorskih sustava jer je bilo potrebno odrediti kakva taktika se može na njih primijeniti. Glavni cilj takvog pristupa je razumijevanje koje pedagogijske taktike ljudski tutori koriste u posebnim okolnostima, a ponekad se previdi potreba povezivanja

Poučavanje po modelu jedan-na-jedan

8

taktike s rezultatima učenja. Takav pristup donekle uzima u obzir i poteze učenika. Najčešće se ispituje situacija kada učenik napravi pogrešku. Merrill i drugi (1995) su proučavali razumijevanje poteza tutora kao posljedice točnih ili netočnih akcija tijekom rješavanja problema u programskom jeziku Lisp. Otkrili su da je 66% točnih akcija praćeno s potvrdnom povratnom informacijom tutora. Zbog toga su zaključili da je pozitivna povratna informacija korisna taktika jer vodi učenike da nastave s ispravnim zaključivanjem. Anderson i drugi (1995) su na rezultatima završnog testa uočili da učenici koji su dobivali povratne informacije o pogreškama imaju bolje rezultate od učenika koji nisu dobivali povratne informacije. Također, kada su učenici dobivali povratne informacije odmah nakon učinjene pogreške, dvostruko su smanjivali vrijeme postizanja rezultata, ali to nije nužno poboljšalo njihove rezultate na završnom testu. Tutori, kao što je ranije objašnjeno, vode učenike kroz rješavanje problema upotrebom različitih taktika. U drugom zahtjevu T-hipoteze, podrazumijeva se da postoji sistematičnost i racionalnost u načinu na koji tutori odabiru određenu taktiku u određenoj situaciji. To bi značilo da bi trebali biti sposobni odrediti kod kojeg uvjeta (kada) se koristi određena taktika ili potez, da li je moguće odrediti optimalan potez (što) za određenu situaciju, te da li to rezultira učenjem. Detaljne analize nisu uspjele otkriti sistematičnost bilo kakve vrste. VanLehn i drugi (2003) proučavaju dva "stručna" tutora fizike (pod pojmom "stručna" se misli da se oni smatraju profesionalnim tutorima) da bi vidjeli kako ispravljaju pogreške učenika. Prvo, nije bilo nikakve sistematičnosti tutora. Tutori su čak koristili osam varijanti taktika. Drugo, odgovori tutora nisu bili konzistentni s obzirom na iste akcije učenika. Treće, nije bilo nikakve veze između upotrebe određene taktike i učenja. Objašnjenja tutora nisu bila u vezi s uspjehom učenika. Činilo se da učenici nisu učili na temelju sistematične primjene poteza tutora. Umjesto toga učenici bi naučili neko pravilo ako bi napravili pogrešku i prepoznali da su je napravili.

UČENIKU ORIJENTIRANA HIPOTEZA

U tradicionalnoj nastavi u učionici poučavanje se sastoji od prijenosa znanja gdje je učenik često samo pasivni primatelj znanja. Interaktivna priroda poučavanja po modelu jedan-na-jedan omogućuje učeniku uključivanje u konstruktivnije aktivnosti, za razliku od rada u učionici. Učenje u konstruktivističkom okruženju uvjetuje aktivno sudjelovanje učenika, učenik interpretira nove nastavne sadržaje (koje tek treba naučiti) u kontekstu prethodnog znanja. To se postiže zaključivanjem, objašnjavanjem nastavnog sadržaja dodavanjem detalja, te integriranjem nastavnih sadržaja. Dublji i složeniji oblici konstruktivističkog pristupa su formiranje hipoteza, formiranje analogija, rezimiranje i predviđanje, opravdavanje, kritiziranje i istraživanje ili revidiranje postojećeg znanja.

Učenik koji preferira ovaj način učenja često sam sebi objašnjava (eng. self-explaining), postavlja pitanja, crta, radi bilješke, rezimira, pojašnjava tutoru, odgovara na njegova pitanja itd. Učenik koji nije sklon ovakvom učenju pasivno asimilira informacije te ne daje opširne i duboke odgovore. Međutim treba i to naglasiti da „ekstremno konstruktivan“ učenik sam po sebi nije jamstvo učenja, mada postoji korelacija između učestalosti vanjskih konstruktivističkih aktivnosti i učenja.

Poučavanje po modelu jedan-na-jedan

9

Hipoteza orijentirana na učenika je različita od hipoteze orijentirane na tutora koja tvrdi da je individualno poučavanje učinkovito zbog akcija tutora. U takvim uvjetima se smatra da potezi tutora mogu biti učinkoviti jer dovode učenika u konstruktivističko okruženje učenja pri pružanju odgovora. Ona je konzistentna s detaljnom analizom koja nije našla sistematičnu vezu između poteza tutora i učenja. Iznimka je povratna informacija koja ima veze s rješavanjem problema. Međutim, povratna informacija u kontekstu inteligentnih tutorskih sustava koji se bave rješavanjem problema može biti korisna jer prisiljava učenika na konstruktivan odgovor. Ono što je najvažnije, hipoteza orijentirana na učenika je konzistentna s drugim i trećim zaključkom o individualnom poučavanju koji ističu da: sami tutori uče dok poučavaju te da je individualno poučavanje učinkovitije čak i kada tutori nemaju posebne tutorske vještine.

McArthur i drugi (1990) su proučavali poučavanje po modelu jedan-na-jedan radi utvrđivanja taktike tutora stručnjaka pri poučavanju studenta na akademskoj razini obrazovanja iz područja algebre. Identificirali su 44 različite taktike koje su tutori koristili. Taktike su rasporedili u 3 široke kategorije: poticanje neovisno o sadržaju (24%) (eng. content-free prompting), pružanje povratne informacije (47%) i neka vrsta podrške s poticanjem (29%). Dakle, ukupno 53% taktika tutora bez odlaganja uvodi učenika u konstruktivističko okruženje učenja.

Hipoteza orijentirana na učenika je konzistentna s drugim dokazima koji karakteriziraju tutore kao opuštenije tj. da nisu prisiljeni paziti da učenik ostane na pravom putu. Tutori prate učenike na više "open-ended" način i ne nužno s izravnom korektivnom povratnom informacijom. Stručni tutori zapravo nikad ne daju odgovor na probleme, ali potiču učenike da generiraju svoje ispravke. Potezi tutora potiču učenike da reagiraju na način koji može uzrokovati učenje. Nema izravnog dokaza koji podržava hipotezu orijentiranu na učenika u cijelosti, posebno u kontekstu individualnog poučavanja. Međutim, postoji izravan dokaz da se znatno povećava učestalost postavljanja pitanja u individualiziranom poučavanju, npr. 8 pitanja po satu, dok je to u tradicionalnoj nastavi u razredu samo 0.11 pitanja po satu. (Graesser and Person, 1994). Osim toga, postoji dokaz da učenici koji aktivno konstruiraju znanje uče više od učenika koji to ne rade (Chi i drugi, 1989).

INTERAKCIJI ORIJENTIRANA HIPOTEZA

Prethodno analizirane T-hipoteza i S-hipoteza ukazali su na efikasnost tutoringa sa stajališta tutora i stajališta učenika, premda svako stajalište međusobno priznaju važnost druge hipoteze. U vezi s tim, T-hipoteza istražuje poteze koje tutor izvršava kao odgovor na specifične poteze (što su pogreške) učenika, dok S-hipoteza razmatra učinke učenikovih konstruktivnih odgovora pri učenju nastavnih sadržaja.

U poučavanju po modelu jedan-na-jedan dijalog tutora i učenika nije simetričan, pa je tako manje vjerojatno da ta interakcija može biti dio zajedničke konstrukcije razumijevanja. To je situacija u kojoj tutor pokušava prenijeti informacije o X-u na način na koji ga učenik može razumjeti, a učenik pokazuje ili signalizira razumije li ili ne X.

Poučavanje po modelu jedan-na-jedan

10

Nadalje tutor može procijeniti da li učenik razumije X i ono što je tutor rekao. Gotovo da nema istraživanja koja ispituju koliko ima interakcije u ovakvom modelu poučavanja, te koje su implikacije za učenje. Dva skupa empirijskih istraživanja su demonstrirala da interakcija podupire učenje.

Jedan smjer istraživanja je suradničko učenje i zajedničko rješavanje problema (eng. collaborative learning and peer problem solving) (Brown i Palinscar, 1989; Collins i drugi, 1989). Ovaj smjer otkriva dvije pojave: prvo, rješavanje problema u parovima je produktivnije od zasebnog rada (Azmitia, Perlmutter, 1989; Skon, Johnson i Johnson, 1981; Tudge i Rogoff, 1989); drugo, uspješnije "dvojke" karakterizira i više komunikacije među partnerima (Cooper, Ayers-Lopez i Marquis, 1982; Foreman i Cazden, 1985). Zaključuje se da interakcija pridonosi učenju. Coleman-ovo istraživanje (Coleman, 1998) pokazuje da mogućnost i konstruktivnosti i interakcije može pridonijeti učenju.

Drugi smjer istraživanja koja ukazuje na važnost interakcije dolazi iz proučavanja dijaloga (McKendree, Stenning, Mayers, Lee & Cox, 1998). I-hipoteza tvrdi da učinkovitost poučavanja po modelu jedan-na-jedan leži u prednostima interakcije. Interaktivni su oni komentari koji izvlače odgovor od učenika. Ne-interaktivni komentari su oni kada tutori daju opširna objašnjavanja bez pružanja mogućnosti učeniku da odgovori ili kada iza njihove povratne informacije odmah slijedi objašnjenje bez postavljanja pitanja o razumijevanju. Potrebno je također razlikovati interaktivne odgovore učenika od konstruktivnih te odgovore koji pridonose u vezi sa sadržajem, a koji ne.

2-SIGMA PROBLEM

U raspravi „The 2 Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring“ Bloom (Bloom, 1984) prikazuje rad na rješavanju 2-sigma problema povezan s usporedbom kvalitete tradicionalnog nastavnog procesa i tutorskog nastavnog procesa. Rezultati su to zajedničkog istraživanja provedenih na Sveučilištu Chicago u okviru doktorskih studija sa suradnicima Anania i Burke (Anania, 1982, Anania 1983 i Burke, 1984). Provedena je usporedba postignuća u učenju i poučavanju studenata za:

Tradicionalno učenje (eng. Conventional Learning) gdje su se nastavni sadržaji za zadano područno znanje savladavali u grupi od 30 studenata pod vodstvom jednog nastavnika. Testovi za provjeru znanja obavljali su se periodički radi ocjenjivanja postignuća studenata.

Učenje s provjeravanjem (eng. Mastery Learning) gdje su se nastavni sadržaji za zadano područno znanje savladavali u grupi od 30 studenata pod vodstvom jednog nastavnika obično istim onim kao i kod tradicionalnog učenja. Međutim, bitna se razlika očituje u tome da su se testovi koristili radi stjecanja povratne informacije za nastavnika radi popravljanja tijeka izlaganja nastavnih sadržaja, a osim toga isti testovi su služili za ocjenjivanje postignuća kod studenata.

Poučavanje po modelu jedan-na-jedan

11

Tutorsko učenje (eng. Tutoring Learning) gdje studenti savladavaju nove nastavne sadržaje uz pomoć osobnog nastavnika (tutora) i to na način da na svakog studenta ide jedan tutor (ili jedan tutor ide na dva ili tri studenta). Ova vrsta nastave popraćena je povremenim testovima, povratno-korektivnim procedurama i paralelnim testovima kao kod „mastery learninga“. Važno je istaknuti da se pokazalo kako je potreba za korektivnim procedurama u tutorskom sustavu veoma mala.

Studenti su bili po slučajnom uzorku raspoređeni u neku od ove tri grupe, ali su imali slična prethodna postignuća i sličnu razinu znanja koja je vezana za određeni nastavni sadržaj. Vrijeme koje je utrošeno za nastavu jednako je u svim trima grupama, osim za korektivni postupak u grupi učenja s provjeravanjem i grupi s tutorskim učenjem. Burke i Anania proveli su proučavanje sa četiri različita uzorka studenata i sa dva različita predmeta (Vjerojatnost i Kartografija). U svakom eksperimentu nastava je bila ograničena na jedanaest razdoblja raspoređena u vremenu od tri tjedna. Najveću pažnju su privukle razlike u postignućima studenata. Koristeći standardnu devijaciju (sigma), ustanovljeno je da je prosječan student u tutorskoj grupi za oko dvije standardne devijacije bolji od prosječnog studenta u kontrolnoj grupi (tradicionalno učenje). Prosječni student u tutorskoj grupi je bolji od 98% studenata iz kontrolne grupe (slika 6.1.). Nadalje, prosječan student u grupi učenja s provjeravanjem je za oko jednu standardnu devijaciju bolji od prosječnog studenta u kontrolnoj grupi, dakle prosječni student grupe s provjeravanjem je bolji od 84% studenata iz kontrolne grupe.

Slika 6.1. Distribucija postignuća učenika (Bloom, 1984.)

Varijacije u postignućima studenata pod ovim trima uvjetima su se također mijenjale tako da je oko 90% studenata u tutorskom sustavu i 70% studenata u grupi s provjeravanjem zadržala razinu konačnog postignuća koju su postigli samo 20% najboljih studenata u kontrolnoj grupi. Ipak, najzanimljivije otkriće jest da pod najboljim uvjetima za učenje (tutorsko učenje) prosječan student je 2 sigma iznad prosječnog studenta koji je poučavan tradicionalnim metodama tj. u razredu. Tutorski način pokazuje da većina studenata ima potencijal za dostizanje ove visoke razine učenja. Važna zadaća istraživanja jest pronalaženje načina za ostvarivanje te visoke razine učenja, pod praktičnim i realnijim uvjetima nego što je jedan-na-jedan učenje, koje je

Bro

j u

če

nik

a

Tutorsko učenje

1 – 1 *

Učenje s provjeravanjem,

1 – 30 *

Tradicionalno učenje

1 – 30 *

Postignuća učenika

Poučavanje po modelu jedan-na-jedan

12

preskupo za većinu društava da bi se primijenilo na veći broj studenata. Ovo je 2 sigma problem.

Nastava vođena po modelu poučavanja jedan-na-jedan često nudi idealne učinke i rezultat učenja. Međutim primijeniti ovakvu nastavu, uz sve njene vrijednosti, je obično vrlo skupo i u logističkom smislu s brojnim prigovorima. Temeljni problem je osigurati kako dovoljan broj učitelja tako i posebno kvalitetne učitelje za ovakav vid održavanja nastavnog procesa. Upotreba informacijske i komunikacijske tehnologije u obrazovanju i nastavi sugerira potencijal i predstavlja ključ za rješavanje ovog problema. Zašto je tome tako? Informacijska i komunikacijska tehnologija danas ima mogućnost da u realnom vremenu, a na zahtjev učenika omogući ovakvu nastavu prihvatljive cijene uz konzistentan nastavni sadržaj prilagodljiv potrebama učenika i vođen u suglasju s objektivno mjerenim postignućima i ciljevima učenja i poučavanja. U skladu s tim i empirijske studije vođene u razvijenim zemljama su povećale nacionalni interes za primjenu informacijske i komunikacijske tehnologije u obrazovanju i vježbanju jer se temelji na povećanju moći, raspoloživosti i pristupačnosti nastavnim sadržajima, tj znanju. Studijama je utvrđeno da za razliku od učenja u učionici informacijska i komunikacijska tehnologija može prilagoditi tempo, slijed, sadržaj kao i metodu nastavnog procesa u cilju boljeg uklapanja u učenikov stil i način učenja, interese i ciljeve.

Informacijska i komunikacijska tehnologija s najvećom razvojnom perspektivom se zasniva na: nastavi temeljenoj na Web-u, nastavi zasnovanoj na interaktivnoj multimediji i inteligentnim tutorskim sustavima. Međutim, od svih navedenih pristupa se traži da nastavu u kvalitativnom smislu vode i prilagode je individualnim potrebama učenika. Prilagođavanje individualnim potrebama je najprimjerenije kod inteligentnih tutorskih sustava. Potvrđuju to i rezultati istraživanja (Fletcher, 2003) orijentiranih na prikupljanje i sistematiziranje većeg broja studija koje se bave postignućima učenika u učenju i poučavanju uz pomoć informacijske i komunikacijske tehnologije.

Utvrđeno je sljedeće (vidi slika 6.2.):

­ postignuća prosječnog učenika u tradicionalnoj nastavi (tzv. 50 - postotni učenik) odgovaraju postignućima koja su ostvarila 64% posto učenika (64 - postotni učenik) koji su koristili nastavu pomoću računala (prvi stupac na slici 6.2.), a poboljšanje iskazano sa standardnom devijacijom je oko 0.39 sigma,

Slika 6.2. Računalne tehnologije u učenju i poučavanju

Poučavanje po modelu jedan-na-jedan

13

­ u primjeni računala s interaktivnom multimedijom (uključena slika, zvuk, animacija) utvrđen je efekt postignuća od 60%, a poboljšanje iskazano sa standardnom devijacijom je oko 0.50 sigma,

­ s primjenom inteligentnih tutorskih sustava utvrđen je efekt postignuća od 80%, a poboljšanje iskazano sa standardnom devijacijom je oko 0.84 sigma,

­ s primjenom suvremenih inteligentnih tutorskih sustava utvrđen je efekt postignuća od 85%, a poboljšanje iskazano sa standardnom devijacijom je oko 1.05 sigma.

Fletcher zaključuje da nisu još postignuti efekti kao u tradicionalnoj tutorskoj nastavi sa „živim“ učiteljem po modelu „jedan-na-jedan“ ali su rezultati obećavajući. Načela poučavanja po modelu jedan-na-jedan koja su ovdje analizirana kako sa stajališta tutora tako i sa stajališta učenika predstavljaju temelje za oblikovanje inteligentnih tutorskih sustava. U vezi s tim u sljedećim odjeljcima se nakon definiranja inteligentnih tutorskih sustava vodi detaljna rasprava o njihovoj građi i strukturi komponenata.

Poučavanje po modelu jedan-na-jedan

14

DEFINICIJA INTELIGENTNOG TUTORSKOG SUSTAVA

Uvažavajući definiciju prirodne (čovjeku svojstvene) inteligencije tada se na računalu utemeljen tutor mora samo „ponašati inteligentno“, a ne biti inteligentan poput čovjeka. Kako se računalni sustav može programirati da radi inteligentno? Ovo pitanje pokreće brojna kako teorijska tako i empirijska istraživanja u području umjetne inteligencije. Jedan od glavnih ciljeva umjetne inteligencije je oblikovanje i razvoj računalnih sustava koji mogu izvoditi neke aktivnosti koje smatramo inteligentnima (npr. rješavanje matematičkog problema, razumijevanje prirodnog jezika, programiranje računala za izvođenje određenih funkcija, upravljanje avionom kroz prepreke, i tako dalje). Inteligentan sustav mora raspolagati sa znanjem te biti sposoban precizno dijagnosticirati znanje učenika, vještine kao i preferirane stilove korištenja, što je bolje nego da preprogramira učenikove odgovore radi odlučivanja što mora u slijedu uraditi. U skladu s takvim „sposobnostima“, inteligentni tutorski sustav se mora moći prilagoditi izlaganju nastavih sadržaja. Tehnike umjetne inteligencije važne za inteligentne tutorske sustave uključuju bavljenje prikazom, spremanjem i pronalaženjem znanja, kao i učinkovit prijenos informacija u vezi sa znanjem. U dodatku, tehnike umjetne inteligencije mogu uključivati induktivne i deduktivne procese koji sustavu dopuštaju pristup svojoj vlastitoj bazi znanja zbog izvođenja novih (tj. onih koji nisu programirani) odgovora na učenikove upite.

Kognitivna psihologija ispitivanjem prikaza i organizacije tipova znanja u ljudskoj memoriji također pruža dio odgovora na pitanje kako navesti računalo na inteligentno ponašanje. Istraživanja u ovom području osiguravaju strukturne pojedinosti za implementaciju u inteligentne računalne programe. Kognitivna psihologija također upućuje na prirodu pogrešaka, ključnu značajku u oblikovanju inteligentnih sustava koji će pomagati učenicima tijekom procesa učenja i poučavanja.

Shute i Psotka (Shute i Psotka, 1995., str. 576 i 577) utvrđuju smisao znaka I u sloganu inteligentni tutorski sustavi. S tim u vezi je prvi autor putem elektroničke pošte zatražio mišljenje o tome od većeg broja (oko dvadeset) „znalaca“ područja (u razdoblju listopad-prosinac, 1993.) da bi zatim izvršili analizu odgovora te donijeli svoje komentare. Promotrit ćemo ove navode da bi na taj način utvrdili i različite aspekte definicije inteligentnog tutorskog sustava.

Ton de Jong (http://users.edte.utwente.nl/jong/publ.htm): ''I'' u ITS-u predstavlja sposobnost korištenja različitih nivoa apstrakcije pri predstavljanju učenika, područnog znanja te izlaganja nastavnih sadržaja. U vezi s tim i ističe da veći stupanj apstrakcije znači i veću razinu inteligencije.

Sharon Derry (http://www.education.wisc.edu/edpsych/facstaff/derry.htm): Inteligentan nastavni sustav može pratiti što učenik radi tijekom rješavanja problema i/ili na kraju serije zadataka te na temelju tih informacija donositi zaključke o učenikovu znanju. Sustav može biti inteligentan bez obzira na to da li zaključuje o učenikovom znanju ili ne. Međutim, ako ne koristi tu informaciju za donošenje odluka temeljem kojih će generirati određene promjene, tada se smatra da to nije tutorski sustav nego alat s određenim mogućnostima dijagnosticiranja.

Poučavanje po modelu jedan-na-jedan

15

Wayne Gray (http://www.rpi.edu/~grayw): dopušta popriličnu širinu primjene termina inteligentni tutorski sustavi s obzirom na nastavne sustave. Međutim, to ipak mora biti sustav koji raspolaže s nekom vrstom spoznajnog modeliranjem. U vezi s tim modeliranje mora obuhvatiti idealnog učenika, instruktora ili nekog tko ocjenjuje, ili pak manje zahtjevnog rješavača problema. Da bi bio inteligentan sustav mora uključiti upotrebu modela kojim je moguće donositi odluke o tome što učenik radi u bilo kojoj fazi procesa učenja.

Lee Gugerty (http://business.clemson.edu/Psych/gugerty/index.html): Inteligentni tutorski sustav sadržava: (i) eksplicitno modeliranje prikaza znanja stručnjaka i spoznajnih procesa, (ii) otkrivanje pogrešaka učenika, (iii) dijagnostiku stanja znanja učenika (točno, pogrešno, nedostajuće), (iv) prilagođavanje nastavnog procesa stanju znanja učenika (putem selekcije problema, ispravaka, odziva kao i eksplicitnih didaktičkih uputa), te konačno (v) sve gore navedeno obaviti u vremenu dok učenik rješava problem.

Pat Kyllonen, Armstrong Laboratory, USA (https://www.spider.hpc.navy.mil/html-docs/its-

ida/armstrong.htm): Inteligentan tutorski sustav je onaj koji koristi metode i tehnike umjetne inteligencije. Dvije osobine odvajaju ITS od tradicionalnog CAI sustava. Prvo je postojanje modela učenika. Nije nužno da direktno bude zapisano ono što učenik zna, ali sustav mora raspolagati s algoritmom koji zaključuje o stanju znanja učenika koji je temeljen na predlošcima uspješnog ili pak neuspješnog rješavanja zadataka. Drugo je raspolaganje s osobinama poučavanja, aktiviranja pomoći bez eksplicitnog zahtjeva učenika ili pak raspolaganja s knjižnicama pogrešaka. Navedene osobine omogućavaju inteligentnim tutorskim sustavima praćenje i prilagođavanje aktualnom znanju učenika.

Susanne Lajoie (http://www.education.mcgill.ca/profs/lajoie/index.html): ''I'' u ITS-u znači da računalo može osigurati učeniku prilagodljivu povratnu informaciju temeljenu na dinamičkom modelu stanja znanja učenika, pa to nije dakle konzervirani i unaprijed pripremljeni skup odgovora.

Alan Lesgold (http://www.education.pitt.edu/people/AlanLesgold): Inteligentno znači da sustav raspolaže sa strojem za zaključivanje koji omogućava poučavanje, objašnjenja ili ostale informacije koje prate izvršavanje zadatka koji je postavljen učeniku. Osim toga, to podrazumijeva da su informacije usklađene prema kontekstu učenikovih postupaka i/ili s modelom ostvarenog modela učenika.

Matt Lewis (http://www.prgs.edu/faculty/index_bios.html#j): Inteligentni tutorski sustav minimalno sadrži mogućnost simulacije čovjekovog načina rješavanja problema u danom područnom znanju te poput „živog“ tutora ima sposobnost odvajanja područnog znanje od pedagogijskog.

Wes Regian, Armstrong Laboratory, USA (http://www.spider.hpc.navy.mil/html-docs/its-

ida/armstrong.htm): Inteligentni tutorski sustavi se razlikuju od tradicionalnih CAI sustava u sljedećem: (i) interakcija za vrijeme odvijanja nastavnog procesa se podešava individualnim sposobnostima učenika, (ii) nastavni se proces ravna prema spoznajnim načelima, (iii) sustav generira povratnu informaciju za učenika u realnom vremenu – vremenu odvijanja nastavnog procesa, radije nego da ima unaprijed spremljene „konzervirane“ odgovore.

Poučavanje po modelu jedan-na-jedan

16

Frank Ritter (www.frankritter.com): „I“ slogan u inteligentnom tutorskom sustavu podrazumijeva postojanje komponente temeljene na znanju, koja je namijenjena boljem izvršavanju jednog dijela njegovih zadaća. Primjerice ova komponenta osigurava raspodjelu nastavnih sadržaja, osigurava primjere područnog znanja ili osigurava područno znanje koje se uspoređuje sa znanjem učenika.

Derek Sleeman (http://www.csd.abdn.ac.uk/~sleeman): Inteligentni tutorski sustavi moraju: (i) raspolagati s okruženjem koje motivira na učenje, (ii) djelotvorno komunicirati s učenikom te (iii) uzvratiti donošenjem dinamičkih odluka u vezi s primijenjenim upravljačkim strategijama. Svaki od navedenih značajki sustava na svoj način djeluju na kvalitetu inteligentnog tutorskog sustava.

Eliot Soloway (www.si.umich.edu/people): ''I'' u sloganu inteligentni tutorski sustav znači da računalo eksplicite raspolaže s mogućnostima prilagođavanja učeniku temeljem njegovog odziva tj. reakcija na postavljene zadatke. Sustav mora biti krajnje fleksibilan pri odgovaranju na učenikove reakcije. CAI sustavi kao prethodnici ITS sustava nisu u odnosu na učenika raspolagali s odgovarajućom kvalitetom interaktivnosti. U suštini pomak od ICAI prema ITS sustavima predstavljao je novu kvalitetu okruženja učenja u odnosu na rigidnost CAI sustava.

Sig Tobias (Division of Psychological and Educational Services Graduate School of Education, Fordham

University- Lincoln Center, New York): naglašava kako „inteligentan“ u kontekstu inteligentni tutorski sustav moramo promatrati sa stajališta fleksibilnosti metode i sekvence s kojima se nastavni sadržaj prezentira učeniku. U tom smislu, sustav mora raspolagati s mogućnostima prilagođavanja nastavnih parametara prema učenikovim značajkama. Učenikove značajke su opisane atributima i iskazane podacima prikupljenim u ranijim sesijama ili pak za vrijeme tekuće nastave. U konačnici ovakav nastavni sustav mora moći pružiti učeniku savjet na najpovoljniji način.

Kurt VanLehn (http://www.pitt.edu/~vanlehn): „Inteligentan“ znači da je barem jedan od tri tradicionalna modula uključen u inteligentni tutorski sustav. Naime, to je stroj koji raspolaže sa znanjem stručnjaka u danom područnom znanju, s mogućnosti dijagnostike znanja učenika ili sa stručnjakom za pedagogijsko znanje – sposobnim učiteljem. U svakom ekspertnom sustavu temeljenom na produkcijskim pravilima sposobnost inteligencije ovisi o broju pravila, pa tako sustav sa 10 pravila ima razinu inteligencije jedino ako ima mogućnost proširenja, sa 100 pravila već govorimo o srednje inteligentnom sustavu, dok sa 1000 i više pravila govorimo o stvarno inteligentnom sustavu.

Bewerly Woolf (http://ccbit.cs.umass.edu/people/bev/): Računalni tutor ima inteligenciju ako uključuje sljedeće elemente: (i) mehanizme koji modeliraju procese mišljenja stručnjaka područnog znanja, učitelja i učenika, (ii) okruženje učenika u kojem je moguće graditi vlastito znanje te isto testirati, (iii) računalnog partnera sa „aha“ iskustvom koji prepoznaje namjere učenika, pruža objašnjenja i pomoć.

Imajući u vidu sve izloženo u pogledu raspolaganja s inteligencijom u inteligentnom tutorskom sustavu tada nedvojbeno zaključujemo da je najkritičniji element sustava dijagnosticiranje znanja učenika sa stajališta kognitivnog uz zahtjev da se ono provodi u realnom vremenu (onda kada se odvija učenje i poučavanje). Ovaj se proces još naziva

Poučavanje po modelu jedan-na-jedan

17

modeliranje učenika. Sljedeća često citirana osobina je prilagođavanje učenikovom aktualnom znanja te u skladu s tim i pružanje pomoći učeniku. Ova osobina reprezentira znak „T“ u inteligentnom tutorskom sustavu. Dijagnosticiranje znanja učenika kao i pomoć u otklanjanju pogrešaka djeluju zajedno upotpunjujući na taj način inteligenciju u inteligentnom tutorskom sustavu. Kao primjer promotrimo stanje gdje sustav dijagnosticira učenikove vještine ali bez napora da popravi loše ponašanje (uputi na pogreške i otkloni pogrešna poimanja). Takav sustav teoretski može ali praktično ne može biti klasificiran kao inteligentan. Primjeri ostalih osobina inteligencije koje su se manje pojavljivale u gornjim raspravama su: generirani prema konzerviranim problemima i stjecanje uvida u odziv učenika, razina učenikovog utjecaja na okruženje kao i prisutnost svijesti o znanju.

Stupanj slaganja (mada ne uvijek) među istraživačima zapravo iznenađuje s obzirom na različite interese i područja istraživanja pojedinih istraživača (računarstvo, psihologija, obrazovanje). Sve do nedavno, područje nije bilo samo teško razumljivo nego i prilično rastavljeno na dijelove pa je to i uzrok različitih stavova u pogledu definicije “inteligencije” unutar računala tutora.

Stajališta istraživača su neujednačena osim navedenog i u pogledu arhitekture inteligentnih tutorskih sustava. U sljedećem odjeljku se analizira arhitektura inteligentnih tutorskih sustava ponajviše citiranih u ovom području. Analiza će omogućiti uvid u elemente arhitekture inteligentnih tutorskih sustava koji su bili i sada su u fokusu znanstvenih istraživanja i primjena.

18

Poglavlje 7.

GRAĐA INTELIGENTNIH TUTORSKIH SUSTAVA

Prikazat će se građa i komponente (moduli) inteligentnih tutorskih sustava i to kako u on-site (lokalno ili stand-alone – samostojno) izvedbi tako i u raspodjeljenom tj. Web okruženju. Predstavljen je način prijelaza sa on-site na Web izvedbu, te provedena analiza i načela građe Web orijentiranih inteligentnih tutorskih sustava. Konačno u posljednjem odjeljku su razlozi nastanka kao i izvedbe autorskih ljuski za oblikovanje inteligentnih tutorskih sustava. Analize i rasprave su temeljene na referentnim radovima istraživača i implementatora područja u razdoblju od početka sedamdesetih godina prošlog stoljeća do danas.

KOMPONENTE INTELIGENTNIH TUTORSKIH SUSTAVA U ON-SITE OKRUŽENJA

Početkom sedamdesetih godina prošlog stoljeća Hartley i Sleeman (1973) utvrđuju povećan interes za „mehanizaciju“ procesa poučavanja. Svoje stajalište argumentiraju s dostignutom razinom razvoja elektroničkog računanja koje omogućava da računala raspolažu s mogućnostima brzog računanja i pospremanja podataka što je preduvjet za razvoj kako višekorisničkih sustava tako i individualiziranih sustava za primjenu u nastavi. Takvo je poučavanje povezano sa upravljanjem učenja, mogućnostima za pospremanje odgovora učenika, organizaciju informacija o profilu učenika što je sve zajedno temelj za odlučivanja u nastavi. Slijedom takvog promišljanja u citiranom radu definiraju i razvijaju pojam „inteligencije poučavanja“ (eng. „teaching intelligence“). Nadalje, svoj rad naslovljavaju sa „Towards More Intelligent Teaching Systems“, što znači da je njihova analiza orijentirana na sustave za inteligentno poučavanje. Sastavni dio sustava za inteligentno poučavanje je algoritam za donošenje odluke temeljen na specifičnim informacijama o domeni i ciljevima poučavanja (područnom znanju). Sljedeći bitan dio ovakvih sustava je i inteligentni dijalog.

Kada implementiramo „inteligentni“ sustav odlučivanja za primjenu u poučavanju temeljen na računalu tada u obrazovnom pogledu mora raspolagati sa četiri komponente. Prva komponenta mora predstavljati zadatak poučavanja. To ne uključuje samo specifične ciljeve poučavanja, nego i analizu zadatka s kojom se indicira struktura i komponente nastavnog sadržaja. U idealnom slučaju to mora biti specificirano s takvom preciznošću da računalni program može generirati kako zadatke tako i stanja rješenja u okviru nastavnih sadržaja. Druga komponenta predstavlja učenika opisanog s nizom kako osobnih podataka tako i podataka o postignućima u učenju, što se postiže neposrednim mjerenjem. Treća komponenta je skup aktivnosti poučavanja što se odvijaju tijekom nastave. Upravljanje aktivnostima poučavanja koje vode efikasnom nastavnom procesu zahtjeva i četvrtu komponentu. Ova komponenta predstavlja skup pravila za vođenje, a izgrađena je po načelu „upotrebi sredstvo da bi dostigao cilj“ (eng. a set mean-ends guidance rules). Ova pravila su orijentirana na individualno poučavanje

Građa inteligentnih tutorskih sustava

19

učenika, a njihov razvoj zahtjeva „brižljivo“ planiranje eksperimenta radi procjene stanja u kojima može biti onaj tko se poučava.

Na Carnegie-Mellon Sveučilištu u SAD-u je početkom osamdesetih godina organizirana istraživačka grupa za rad na projektu naprednog računalnog poučavanja – ACT projekt (The Advanced Computer Tutoring Project) s ciljem razvoja na računalu utemeljene nastavne tehnologije koja je nazvana spoznajni tutor (eng. cognitive tutor). S tim u vezi razvili su model produkcijskog sustava za rješavanje problema i stjecanje vještina (eng. skill acquisition) pri poučavanju programskog jezika LISP, te geometrije i algebre, čime su dali i značajan teorijski doprinos u analizi spoznajnih procesa kod čovjeka (Anderson i drugi 1995). Ovi su sustavi nazvani sustavi tutori jer je rad ACT grupe u tom vremenu bio inspiriran početnim istraživanjima iz područja inteligentnog tutoringa u kasnim sedamdesetim i ranim osamdesetim godinama (primjerice Carbonell, 1970; Sleeman i Brown, 1982). Važno je naglasiti i to da je inicijalna teorija stjecanja vještina imala naziv ACT* teorija, a kasnije je naziv modificiran u ACT-R teoriju. ACT* teorija predstavlja jedan od najranijih pokušaja uspostavljanja potpune teorije spoznaje kod čovjeka. Uporište svoje teorije nalaze u kombiniranju prikaza deklarativnog znanja (semantičke mreže) sa prikazom proceduralnog znanja (produkcijska pravila). U ovoj raspravi analiziramo LISP tutor (Anderson i Reiser, 1985; Anderson i drugi, 1985). Naime, u to vrijeme na Carnegie-Mellon Sveučilištu LISP je bio prvi programski jezik studentima na studiju računarstva i psihologije. LISP je težak za učenje kao prvi programski jezik, što je posljedica njegove simboličke prirode, upotrebom rekurzije, a napose zato što je predstavljao osnovu za učenje apstraktne tehnike programiranja za primjenu u umjetnoj inteligenciji. Imajući sve ovo u vidu LISP tutor ima za cilj pružiti pomoć studentima u poučavanju programskog jezika LISP i to toliko efikasno koliko i sami živi tutor. U prikazu znanja u LISP tutoru Anderson i njegov tim koriste tzv. GRAPES (Goal Restricted Production System Architecture) arhitekturu sa oko 325 produkcijskih pravila. Osim toga, sustav raspolaže i sa 425 produkcijskih pravila koja su povezana sa pogreškama učenika (eng. buggy production rules) i u suštini se odnose na pogrešna poimanja koja se obično pojavljuju kod programera početnika. LISP tutor primjenjuje model slijeđenja (eng. model tracing) čime skrbi učenika sa svim detaljima koji iskazuju stanje njegova znanja. U ovom sustavu učenik dobiva problem za rješavanje, a tutor nadzire svaki njegov ulazni znak u procesu rješavanja zadatka. Osim toga, sustav sam generira sve vjerojatne sljedeće znakove upotrebom kako ispravnih produkcijskih pravila tako i onih koja odražavaju pogreške učenika, te pritom slijedi algoritam:

­ Ako je ulazni znak pretpostavljen kao ispravan, tada produkcijsko pravilo učeniku dopušten nastavak rada.

­ Ako je ulazni znak pretpostavljen kao pogrešan, tada produkcijsko pravilo učeniku inicira pomoć.

­ Ako ulazni znak nije pretpostavljen, tada sustav zahtjeva od učenika da ponovi ulaz. Poslije nekoliko ponovljenih ovakvih pokušaja sustav objašnjava sljedeći korak.

Građa inteligentnih tutorskih sustava

20

Ovakva metoda ima niz prednosti i pogodna je u ranim fazama dijagnosticiranja pogrešaka kod učenika te pružanja učeniku brzih povratnih informacija o stanju njegovog znanja.

Struktura LISP tutora (Anderson i Reiser, 1985) je izvedena sa:

­ komponentom područnog znanja koja raspolaže sa znanjem kojeg bi trebao imati „idealni“ student pri rješavanju problema u programskom jeziku LISP;

­ komponentom kataloga pogrešaka (eng. bugs catalog) koja sadrži moguće devijacije što učenik može počiniti u odnosu na stručnjaka pri rješavanju zadanog problema;

­ tutorskom komponentom koju konstituira „ekspertni sustav“ za izvođenje nastave, a zasnovana je na tri načela: (i) jedno iz učenikovog ponašanja utvrđuje što učenik zna i u čemu učenik griješi, (ii) drugo za odlučivanje kad učenika treba prekinuti u procesu rješavanja problema, (iii) treće za pronalaženje problema koje učenik mora uraditi i kada će to proširiti upotrebom novih sadržaja;

­ komponentom „prijateljski“ organiziranog sučelja radi komunikacije sa učenikom (prikaza problema učeniku, omogućavanja odgovora učenika i pružanja svih potrebnih informacija u procesu učenja).

U rujnu 1986. godine Clancey za Zavoda za računarstvo na Sveučilištu Stanford (Clancey, 1986) objavljuje referentan rad područja s prvim uvodnim dijelom gdje prikazuje komponente inteligentnog tutorskog sustava, scenarij poučavanja te njihov odnos prema teorijskim načelima nastavnog procesa. U drugom dijelu rada je sa dosta zanimljivih detalja donesen pregled tada aktualnih inteligentnih tutorskih sustava. Analiziran je pregled ranih inteligentnih tutorskih sustava što je uspoređeno sa sličnim pregledom kojeg su objavili Barr i Feigenbaum (1986), a ovdje je to objedinjeno prikazano u Tablici 7.1.

Rasprava će se orijentirat na interpretaciju funkcionalnosti komponenata inteligentnog tutorskog sustava, a Clancey ističe da su preuzete iz rada Developing a Computational Representation for Problem Solving Skills koju je proveo Ira Goldstein (Goldstein, 1978), jer smatra da su zastupljene kod većine inteligentnih tutorskih sustava. U navedenoj raspravi inteligentni tutorski sustav obuhvaća sljedeće komponente: bazu znanja (eng. knowledge base), tutora (eng. tutor), programa za simulaciju rješavanja problema, tj. simulatora stručnjaka (eng. expert simulator), program za modeliranje učenika (eng. modeler) i model učenika (eng. student model) (slika 7.1.). Jezgra sustava je baza znanja u kojoj se nalazi znanje o načinima rješavanja problema. Dok učenik rješava problem može dobivati potrebne informacije i pomoću njih donositi određene zaključke koji predstavljaju korake prema rješenju problema. Te zaključke Clancey naziva potezima. Dakle, dok rješava određeni problem učenik može zatražiti podatke koji mu u određenom trenutku trebaju. Tutor nadgleda rješavanje problema i zahtjev prosljeđuje programu za simulaciju rješavanja problema koji se još naziva i simulator stručnjaka. Simulator stručnjaka pregledava svoju bazu znanja u potrazi za procedurama, pravilima i činjenicama vezanim uz problem koji učenik rješava. Simulator stručnjaka zatim generira poželjno ponašanje, tj. generira poželjan sljedeći korak. Ove informacije se predaju programu za modeliranje koji ih kombinira s dodatnim informacijama iz baze znanja poput različitih tipova učenika. Također, uz obrasce različitih tipova učenika i

Građa inteligentnih tutorskih sustava

21

njihovog ponašanja u bazi znanja mogu postojati opisi tipičnih pogrešnih shvaćanja ili pogrešnih znanja. Program za modeliranje kombinira ove obrasce s posljednjim potezima učenika i stručnjaka i obnavlja model učenika. Tablica 7.1. Prikaz ranih inteligentnih tutorskih sustava

Naziv sustava

Područno znanje Izvor

SCHOLAR Poznavanje zemljopisnih značajki Južne Amerike. Carbonell (1970)

WHY Poučavanje o razlozima za padaline u atmosferi. Collins, Stevens (1980)

WEST Računalna igra nazivom „How the West Was Won“

korištena za poučavanje poznavanja osnovnih aritmetičkih operacija.

Burton, Brown (1978)

WUMPUS

Računalna igra u kojem se igrač kreće kroz prostor da bi slijedio i uhvatio opako špiljsko čudovište

Wumpus-a. Okruženju igre nalaže korištenje logičkih operacija, elementa vjerojatnosti i geometrije te elemente teorije odlučivanja.

Goldstein (1982)

SOPHIE Okruženje učenja koje omogućava otklanjanje

pogrešaka u elektroničkim sklopovima. Burton, Brown, de Kleer (1982)

GUIDON Poučavanje dijagnostike infektivnih oboljenja.

Razvijen za potrebe ekspertnog sustava MYCIN. Clancey (1987)

STEAMER Poučavanje o radu plinskog postrojenja na brodu. Hollan, Hutchins, Weitzman (1984)

BUGGY Poučavanje osnovnih aritmetičkih operacija. Brown, Burton (1978)

EXCHECK Sveučilišni tečaj iz logike, teorije skupova i teorije

dokaza. Suppes (1981)

TURTLE Poučavanje programiranja programskog jezika

LOGO Papert (1980)

BIP Poučavanjeprogramiranja programskog jezika

BASIC Barr, Beard, Atkinson (1976)

Slika 7.1. Komponente inteligentnog tutorskog sustava (Clancey, 1986)

Građa inteligentnih tutorskih sustava

22

U modelu učenika nalaze se podaci o aktualnom znanju učenika o određenom područnom znanju i općenito o aktualnoj razini znanja učenika. Informacije u modelu učenika su zapravo rezultat povezivanja ponašanja učenika s ponašanjem stručnjaka, tj. znanje učenika je izraženo kao podskup baze znanja stručnjaka, pa se ovaj model učenika zove još i diferencijski model ili model prekrivanja (eng. overlay). Nakon obnavljanja modela učenika, model šalje tutoru informaciju o učenikovom aktualnom stanju znanja. Tutor dobiva i informacije iz baze znanja koje je učenik zahtijevao na početku i na temelju tih informacija i aktualnog znanja učenika odlučuje hoće li se umiješati i dati neki savjet ili pustiti učenika da sam nastavi rješavati problem.

Clancey definira dva scenarija poučavanja koji se razlikuju po stupnju kontrole učenja. U prvom scenariju program stalno odlučuje što dalje treba napraviti, međutim sustavi u kojima je implementiran ovakav scenarij poučavanja nisu inteligentni. Inteligencija kod inteligentnog tutorskog sustava se definira kao sposobnost rješavanja problema koji se prezentiraju učeniku, sposobnost modeliranja učenika i sposobnost generiranja objašnjenja svih detalja vezanih uz problem koji učenik rješava.

Drugi scenarij omogućuje učeniku dobro istraživačko okruženje u kojem on može koristiti vlastitu znatiželju bez nekog posebnog nadzora. Prema Clancey-u dobar ITS mora posjedovati kombinaciju ova dva scenarija učenja. Dakle, učeniku se mora pružiti mogućnost istraživanja, ali i neka vrsta aktivnog agenta, koji nadgleda i prati učenika te ga usmjerava u određenim trenucima.

Ovakav koncept sustava zahtjeva i visoku razinu pedagogijskog znanja. Naime, tutor posjeduje strategije za stručno rješavanje problema, ali treba znanje o objašnjavanju, znanje kako modelirati učenika, znanje o tutorskim strategijama. Na temelju svih ovih znanja gradi se model učenika, tj. diferencijski model u kojem je razlika u ponašanju objašnjena u terminima razlike u znanju između stručnjaka i učenika. Da bi ITS bio dobar mora posjedovati i različita metakognitivna znanja – znanje o mišljenju, pamćenju i učenju. Dakle, da bi se oblikovao idealan ITS (ako je to uopće i moguće) potrebno je u sustav implementirati teoriju o tome kako ljudi uče.

Važna tema u pozadini istraživanja o inteligentnim tutorskim sustavima je pokušaj stvaranja manifesta trajnog znanja. Što je to trajno znanje i kako se do njega dolazi nikada nije jasno izrečeno ili potpuno utvrđeno, ali se implicitno pokazuje kroz ponašanje osobe koja uči. Pod manifestom se podrazumijeva artikuliranje trajnog znanja riječima ili vizualizacija slikama. Prvi način stjecanja trajnog znanja je simulacija. Na primjer, simulacijom kako neki uređaj radi korištenjem grafike i pokazivanjem kako uređaj radi korak po korak pojednostavljeno se uči i stječe trajno znanje. Drugi način je modeliranje znanja stručnjaka. Dakle, traženjem obrasca u načinu rješavanja problema od strane stručnjaka učenik uči rješavati probleme, što rezultira trajnim znanjem. Treći način se odnosi na prostor rješavanja problema. Uspoređivanjem različitih načina rješavanja problema dolazi se do spoznaja o najlakšim putovima rješavanja, te se dolazi do općih zaključaka i metoda rješavanja problema, dakle, do trajnog znanja. Četvrti način je ideja o planu u pozadini procedure. Dakle promatrajući stručnjaka dok rješava problem promatramo njegovo ponašanje iza kojeg stoji plan koji način je dobar i najprimjereniji za rješavanje određenog problema. Promatrajući ponašanje stručnjaka dolazi se do spoznaje plana rješavanja problema, što vodi ka trajnom znanju. Peti način

Građa inteligentnih tutorskih sustava

23

je sokratovska metoda. Dakle, postavljajući pitanja učeniku shvaća kontradiktornosti ili nepotpunosti u njegovom znanju, što vodi ka stjecanju trajnog znanja.

Wenger (Wenger, 1987) je napravio svojevrstan pregled područja inteligentnih tutorskih sustava i pokazao koliko je ono napredovalo od 1982. godine, od vremena kad se prvi put upotrijebio ovaj slogan. Inteligentni tutorski sustav promatra kao sustav za komunikaciju znanjem fokusiran na situacije nastave u koje pri tom uvodi tutorski sustav ili „živog“ učitelja i učenika, a objekt komunikacije je znanje ili stručna ekspertiza u nekom području. Svoje stajalište oslanja na interdisciplinarnu teoriju koja pored umjetne inteligencije i obrazovanja uključuje i znanstvene probleme iz područja lingvistike, psihologije i filozofije. Wenger predlaže strukturu inteligentnih tutorskih sustava u kojoj su četiri komponente koje međusobno komuniciraju. Komponente je nazvao ekspertiza domene (eng. domain experise), model učenika (eng. student model), strategija komuniciranja ili pedagogijska ekspertiza (eng. communication strategies or pedagogical expertise), i sučelje učenika (eng. interface with the student) kao što prikazuje slika 7.2. Svaku od komponenata se dalje promatra sa stajališta njihovih funkcionalnosti i svojstava što će se ovdje posebno analizirati.

Područno znanje ovdje predstavlja objekt komunikacije, gdje se pri tom strogo razlikuje prikaz znanja u tradicionalnom CAI sustavu i prikaz znanja u inteligentnom tutorskom sustavu. U tradicionalnih CAI sustava stručna ekspertiza je pri određenim uvjetima učeniku isporučena u vidu ranije pripremljenih i pospremljenih blokova znanja, negdje nazvanih okvirima. Međutim, u sustavu temeljenom na komunikaciji znanjem to je poseban modul, često nazvan modul stručnjaka čiji je sadržaj znanje kao objekt komunikacije.

PODRUČNO ZNANJE

MODEL UČENIKA

▲

◄ ►

▼

PEDAGOŠKA EKSPERTIZA

SUČELJE

ODLUKE prema ZNANJU

Slika 7.2. Model inteligentnog tutorskog sustava (modificirano prema Wenger, 1987)

U većini slučajeva prikaz područnog znanja nije tek jednostavni opis koncepata i vještina koje učenik mora usvojiti u planiranom curriculum-u nego je to dinamički zasnovan koncept područne ekspertize povezan s aktualnom razinom znanja učenika. Modul eksperta izvršava dvije funkcije: jedna je povezana s izvorom znanja što uključuje generiranje objašnjenja i odgovora učeniku kao i zadataka i pitanja; druga se odnosi na procjenjivanje učenikovih dostignuća te u suštini predstavlja normu za procjenjivanje. Posljednja funkcionalnost znači da modul stručnjaka mora moći generirati rješenje za postavljeni problem u istom kontekstu kao i učenik. Osim toga, ako sustav vodi učenika tijekom rješavanja problema modul stručnjaka mora generirati senzibilni put rješenja vodeći pri tom računa o međustanjima – međurješenjima. Senzibilnost se još više naglašava onda kad sustav raspolaže sa mogućnostima koje pružaju različite putove rješenja problema.

Građa inteligentnih tutorskih sustava

24

Puka stručna ekspertiza nije obično dovoljna da podrži pedagogijske odluke. S tim u vezi aspekt komunikacije u modulu stručnjaka je čvrsto povezan sa procesom učenja u kojem se učeniku mora osigurati učenje i razumijevanje novih koncepata i njihovo uspješno uključivanje i povezivanje s postojećom razinom znanja. Uvažavajući važnost učenja interno ustrojstvo modula stručnjaka može biti klasificirano u širokom spektru od ograničenog pristupa tj. pristupa „crne kutije“ pa do potpuno transparentnog pristupa „prozirne kutije“. U prvom pristupu raspoloživi su samo konačni rezultati pri rješavanju problema, dok su u drugom dakako raspoloživi i među rezultati. U ovom dijelu se posebno naglašava raspolaganje s mogućnostima prilagođavanja sustava aktualnoj razini znanja učenika, pa se tim više ističe da je to centralni problem za prikaz znanja u sustavima građenim po načelima umjetne inteligencije.

Nikakva inteligentna komunikacija se ne može obaviti bez postojanja određenog razumijevanja od strane primaoca. Prema tome, uz ideju o eksplicitnom prikazu znanja koje se treba prenijeti, došlo se i do ideje da se ista stvar pokuša s učenikom napraviti u obliku modela učenika. U idealnom slučaju model učenika mora uključiti sve aspekte kako ponašanja tako i znanja, koji imaju odjeka u njegovom dostignuću i učenju. Međutim, zadaću konstrukcije takvog modela učenika očigledno nije jednostavno na računalu zasnovati. U suštini čovjeku je prirodnija komunikacija s nekom osobom nego komunikacija sa „silicijskim“ strojem. Dodatni hendikep računala, u odnosu na čovjeka, je njegov vrlo restriktivan komunikacijski kanal obično oblikovan pomoću tipkovnice i zaslona monitora. Naravno, čovjek raspolaže s bogatijim kanalom u kojem postoje različiti izvori poput efekta govora ili izraza lica. Pecizno izveden model učenika sa svim potrebnim dimenzijama nije nužan uvjet za donošenje pedagogijskih odluka. Međutim, i parcijalno oblikovanje modela učenika je zahtjevna zadaća. S tim u vezi Wenger posebno promatra oblikovanje modela učenika: (i) sa stajališta potrebnih informacija koje će biti podrška za donošenje pedagogijskih odluka u vođenju učenika pri rješavanju problema kao i u organizaciji njegovog učenja; (ii) sa stajališta raznolikosti prikaza učenika jer se model može jako razlikovati s obzirom na jezik kojim se učenik opisuje, što primjerice može biti kod oblikovanja modela učenika uz pomoć primitiva koji mogu obuhvatiti točna i pogrešna znanja ili rješenje koje koristi pogreške i pogrešna poimanja u znanju; te (iii) sa stajališta obrade podataka i procesa dijagnoze znanja učenika.

Pedagogijska ekspertiza ili pedagogijsko znanje po Wenger-u je implementirano u pedagogijskom ili didaktičkom modulu. Riječ didaktika se koristi kao suprotnost za pedagogijsku intervenciju sa dijagnostičkim procesom što također predstavlja tip pedagogijske aktivnosti. Osim toga za Wenger-a termin didaktika ovdje nema neku pedantnu ili moralnu konotaciju niti se ona udružuje sa tradicionalnim predavanjem u razredu. U idealno transparentnim sustavima pedagogijska ekspertiza je u obliku eksplicite iskazanih općih principa i interpretirana u aktualnim odlukama u pogledu znanja učenika. Eksplicitna prezentacija pedagogijskih znanja stvara pretpostavke sustavu za prilagodbu i poboljšavanje njegovih strategija tijekom vremena kao i za komponente koje se mogu ponovno koristiti u drugim područjima.

Didaktičke odluke se odnose na model učenika i na model područnog znanja. Na globalnoj razini ove odluke se odnose na sekvence ili dijelove nastavnih sadržaja, pa se s tim u vezi prezentacija pojedinih dijelova nastavnih sadržaja može prilagoditi individualnim potrebama učenika. Nadalje, na lokalnoj razini didaktičke odluke se

Građa inteligentnih tutorskih sustava

25

odnose na intervencije prema učeniku u vezi s neposrednim djelovanjem na prekid njegovih aktivnosti te na odluku što i kako prikazati u određenom vremenu. Ovo zapravo uključuje vođenje pri izvršavanju aktivnosti učenja, objašnjavanja različitih pojmova te pružanje pomoći. Sve ove odluke pružaju jedan istančan i rafinirani tijek procesa učenja i poučavanja. S druge pak strane učenik za isto to vrijeme može biti potpuno koncentriran na učenje ili pak potpuno izgubljen i ne koncentriran. Uspješno učenje ovisi o brojnim faktorima, pa i kad tutorski sustav sadrži sve potrebne informacije neće ispuniti ciljeve učenja i „loš“ je ukoliko razara učenikovu osobnu motivaciju ili osjećaj za otkrivanjem novoga. Uistinu je pedagogija umijeće koje zahtjeva veliku svestranost, ona je sama za sebe više složena i više teška nego većina područnih znanja na koje se primjenjuje poučavanje.

Pedagogijske odluke u nastavnom okruženju determiniraju stupanj kontrole nad interakcijom tutorskog sustava i učenika. U vezi s tim su scenariji ili strategije učenja i poučavanja. Pa s tim u vezi, neki sustavi vrlo pomno nadziru učenikove aktivnosti, prilagođavajući se učenikovim odgovorima, ali nikad ne odustaju od upravljanja. U dijalogu podijeljene inicijative, upravljanje se dijeli na učenika i na sustav pri čemu se razmjenjuju pitanja i odgovori. Sustav mora biti u stanju odgovoriti učeniku, ali isto tako može postaviti pitanje čiji odgovor će mu pomoći da razumije što učenik radi ili što učenik zna. U učenju s otkrivanjem ili u aktivnostima obuke učenikove su aktivnosti potpuno pod kontrolom pa jedini put kojim sustav može upravljati tijekom aktivnosti u učenju je orijentiran na promjenu okruženja. Ovakav pristup otežava proces dijagnostike, ali postojanje nezavisne aktivnosti dozvoljava učitelju da ostane „tih“ u slučaju postojanja nedoumice.

Budući da pedagogijski modul odlučuje o vremenu i sadržaju didaktičkih akcija, modul sučelja vodi brigu o konačnoj formi, tj. o tome kako će to biti učeniku prezentirano. Općenito govoreći ovaj modul provodi obradu komunikacijskog tijeka i to kako sa strane ulaza (ulazne aktivnosti) tako i sa strane izlaza (izlazne aktivnosti), te pri tom usuglašava internu prezentaciju sustava i jezik sučelja učeniku razumljiv. Premda operacije sučelja na izvjestan način kooperiraju odluke dijagnostičkog i modula didaktike, njegove su odluke različitog značenja i zahtijevaju različite tipove znanja. S tim u vezi se obično sučelje identificira kao posebna komponenta, poseban modul sustava. Možda se doima da je sučelje podređena komponenta, ali se ne smije promatrati kao komponenta nastavnog sadržaja. U suštini njegova je važnost u uspješnoj komunikaciji koja se može promatrati u dvije razine. Prva je razina u načinu i formama prezentacije sadržaja (znanja, nastave) gdje sučelje može doprinijeti boljem ili lošijem razumijevanju. Atraktivnost prikaza direktno utječe na bolje prihvaćanje sustava od strane učenika. Druga je razina povezana sa razvojem tehnologije što direktno utječe na poboljšanu sofisticiranost programskih alata čija komunikacijska snaga dalje djeluje na oblikovanje čitavog sustava. Uza sve ovo poseban aspekt u oblikovanju i kvaliteti korisničkog sučelja, a to znači i na modul sučelja, povezan je sa istraživanjem i dostignućima u području obrade i generiranja prirodnog jezika.

Građa inteligentnih tutorskih sustava

26

Burns i Capps (1988) predlažu građu inteligentnog tutorskog sustava (slika 7.3.) koja omogućava upotrebljivu klasifikaciju istraživačkih i razvojnih dimenzija, a njezine su komponente:

­ Modul stručnjaka (područno znanje) kao nosilac područnog znanja s kojim će tijekom učenja i poučavanja učenik komunicirati. Modul stručnjaka je "...kralježnica svakog inteligentnog tutorskog sustava" (Anderson, 1988, str. 21).

­ Modul učenika (znanje učenika - dinamički model stjecanja znanja i vještina učenika) obuhvaća sve aspekte stjecanja učenikova znanja i vještina u danom područnom znanju. Modul učenika je nositelj

procedure modeliranja učenika, koja obuhvaća model učenika i dijagnostiku stanja znanja učenika. Model učenika je skup podataka koji prikazuje aktualnu razinu znanja i vještina, dok je dijagnostika proces upravljan tim podacima te s njima djeluje na vrednovanje znanja učenika.

­ Modul učitelja (tutorsko znanje) jedinica je za vođenja procesa stjecanja znanja i vještina učenika. U tom je smislu modul učitelja nositelj scenarija poučavanja i pedagogijskih znanja s kojim raspolaže "živi" učitelj.

­ Okruženje nastavnog procesa i sučelja učenika. Okruženje nastavnog procesa sadrži elemente inteligentnog tutorskog sustava koji podržavaju ono što učenik radi u raznim situacijama, aktivnostima kao i različite programske alate koji olakšavaju proces učenja i poučavanja.

Tijekom učenja i poučavanja učenik se susreće sa dva problema i to: (i) uči nešto što još u dovoljnoj mjeri ne razumije; (ii) koristi tehnologiju da bi nešto naučio, a vrlo je vjerojatno da on nije stručnjak. Navedene probleme moraju uvažavati svi koji razvijaju korisničko sučelje te sukladno tome koristeći suvremenu informacijsku i komunikacijsku tehnologiju (video, CD ROM, DVD, komunikaciju prirodnim jezikom) pristupiti njihovom rješavanju.

Self (1990) u svojoj raspravi s naslovom „Teorijske osnove inteligentnih tutorskih sustava“ promatra inteligentne tutorske sustav prema načelima za razvoj neformalnih i formalnih teorija. Povijesno gledajući istraživači inteligentnih tutorskih sustava započinju svoju aktivnost unutar umjetne inteligencije, dok su istraživači umjetne inteligencije odstupili sa ITS arena jer su utvrdili da je ovdje potreban fundamentalan rad na mentalnim modelima, razumijevanju jezika, prikazu znanja i tome slično, te time dopuštaju drugima ulaz u ovo istinski multidisciplinarno područje. Za razumijevanje koncepta inteligentnih tutorskih sustava često se pribjegava i analogijama. Neposredna analogija je najčešće povezana sa živim tutorom. Moglo bi se kazati da takve analogije u

Slika 7.3. Građa inteligentnog tutorskog sustava

(Burns i Capps, 1988, str. 3)

Građa inteligentnih tutorskih sustava

27

ITS literaturi i prevladavaju. Međutim, poput ostalih analogija i s ovom se može pretjerati pa Self i navodi rezultate nekih studija (Lepper i Chabay, 1988) koje pokazuju da samo 35% tutora komentiraju izlaganje nastavnih sadržaja tako da motiviraju učenika. Nadalje Self smatra da je oblikovanje inteligentnih tutorskih sustava poduhvat u domeni inženjeringa u kojem su ciljevi izraditi učinkovit tehnologijski sustav. Kad raspravlja o principima inteligentnih tutorskih sustava tada navodi poznate reference (primjerice Burton i Brown, 1982) za koje ističe da njihovi autori sugeriraju neformalne principe što je dobra osnova za izgradnju teorijskih osnova. U pogledu arhitekture postoji značajan konsenzus po kojem se inteligentni tutorski sustav sastoji od komponenata koje imaju znanje o područnom znanju, kao i znanje o učeniku i znanje o tutoru. Dapače, smatra da je ovo organizacijski okvir prisutan u svim tekstovima tog vremena – ranih devedesetih godina prošlog stoljeća.

Struktura inteligentnog tutorskog sustava koju predlažu Shute i Psotka (Shute i Psotka, 1995) sačinjena je od sljedećih modula (slika 7.4.): (i) modul učenika (raspolaže s aktualnim znanjem učenika), (ii) modul tutora (raspolaže sa strategijama poučavanja) i (iii) modul područnog znanja (raspolaže sa područnim znanjem). Koncept podrazumijeva poučavanje učenika u okruženju rješavanja problema (onih koji su prikladno izabrani ili su učeniku prilagođeni) za koje se smatra da će doprinijeti uspješnom stjecanju novih znanja i vještina u izabranom područnom znanju. Proces učenja i poučavanja započinje procjenom aktualnog učenikovog znanja, što je zapisano u modelu učenika.

Sustav istovremeno mora uzeti u obzir i nastavni sadržaj područnog znanja koji učenik treba naučiti, a to znači osigurati nizanje nastavnih tema u suglasju s nastavnim planom i programom za nastavni kolegij. S tim u vezi sustav mora odlučiti koji element nastavnog plana i programa slijedi učeniku kao i na koji će način isti biti prikazan učeniku. Kad se sve ovo uzme u obzir, sustav izabire odnosno generira problem, a zatim ili riješi problem (putem raspoloživog područnog znanja) ili pronađe pripremljeno rješenje. Slijedi proces uspoređivanja rješenja računala s rješenjem učenika (što se provodi u realnom vremenu), te se provodi dijagnoza temeljena na razlikama ovih dvaju rješenja. Inteligentni tutorski sustav nudi povratnu informaciju temeljenu na interakciji učenik - savjetnik.

Osim toga, uzima se u obzir i vrijeme koje je prošlo od posljednje povratne informacije, je li učenik primio neki određeni savjet, itd. Nakon petlje povratne informacije, program ažurira model učenikovih znanja i vještina (zapis o onome što učenik zna ili ne zna) i povećava indikatore napretka učenika u učenju. Ažuriranje podataka u suštini predstavlja promjene modela učenika i njegovo usuglašavanje s aktualnim znanjem učenika. Proces se ponavlja i ponovo započinje izborom ili generiranjem novog problema. Ne uključuju svi inteligentni tutorski sustavi navedene elemente i proces problem – test - povratna informacija ne određuje sve sustave.

Građa inteligentnih tutorskih sustava

28

Početak

Generiranje

problema

Prikaži

problem

Uporedba

rješenja

Rješenje

računala

Rješenje

učenika

Prikaži

povratnu

informaciju

Model

učenika

Tutor

Područno

znanje

Savjetnik

učenika

Knjižnica

pogrešaka

Ažuriranje modela

učenikovih znanja

i vještina

Ažuriranje

indikatora učenja

Nastavni plan

i program

Slika 7.4. Struktura inteligentnog tutorskog sustava (prema Shute i Psotka, 1995)

Međutim, ovaj opći prikaz opisuje okvir u kojem su razvijeni brojni inteligentni tutorski sustavi. Postoje i druge implementacije koje u oblikovanju predstavljaju kako pojmovne tako i praktične razlike. Na primjer, uobičajeni pristup izgradnji modela učenika uključuje prikaz razvoja znanja i vještina učenika. Računalo na nove primjedbe odgovara promijenjenim nastavnim planom i programom koji se prilagođava učenikovom aktualnom stanju znanja. Zbog toga proces učenja i poučavanja ovisi o povijesti individualnih odgovora. Drugi pristup radije umjesto procjene ulaznog – aktualnog znanja i vještina uključuje razvoj znanja i vještina.

Corbett i drugi (1997) donose skup metoda za oblikovanje i razvoj inteligentnih tutorskih sustava pružajući time preporuke za nastavak istraživanja ovog područja. Osvrt je donesen temeljem istraživanja, razvoja i uspješne primjene vlastitog PUMP (Pittsburgh Urban Math Project) Algebra Tutor projekta – PAT projekt i SHERLOCK projekta (Lesgold i drugi, 1992).

PAT projekt predstavlja okruženje za rješavanje algebarskih problema. Svaki je zadatak učeniku predstavljen opisom problema temeljenog na odnosu dvije ili tri veličine, u formi tri do šest specifičnih pitanja i odgovora. Student će pružiti odgovor upisujući potrebne veličine u kolone tabličnog preglednika, odgovoriti na pitanja u redovima tabličnog preglednika, te navesti algebarske opise odnosa postavljenih veličina. PAT projekt se koristi u više od stotinu učionica srednjih škola, kao i u učionicama visokih

Građa inteligentnih tutorskih sustava

29

učilišta. Više od 40 škola s ovog popisa se nalazi u urbanim sredinama i velikim, gradovima, a obuhvaćaju prosječne učitelje i uključuju veliki broj manjinskih grupa učenika kao i učenika s poteškoćama u učenju. 1998 godine je formirana i posebna tvrtka (eng. spin-off company) Carnegie Learning Incorporation zadužena za diseminaciju te istraživanje i razvoj PAT projekta. Ovo je rezultiralo i značajnom povećanju broja škola koje koriaste ovaj sustav. Taj broj je 2004. godine bio veći od 1700 škola.

SHERLCOK projekt započinje 1990. godine i u američkoj vojsci je namijenjen za podršku zrakoplovnim snagama u postupcima otklanjanja pogrešaka u elektroničkim sklopovima i uređajima. Sudionici u osposobljavanju na ovom sustavu su u odnosu na kontrolnu skupinu postizali izvrsne rezultate i to već nakon dvadeset sati poučavanja i obuke. Ovim se sustavom na najbolji način na računalima promovirala, a isto tako potvrdila paradigma „učenje uz rad“. Nakon završenog eksperimenta u američkoj vojsci razvoj i primjena je nastavljena u američkoj korporaciji Intel i koristila se za obuku tehničkog osoblja koje je održavalo sklopove i uređaje za proizvodnju integriranih sklopova u računalima.

Komponente arhitekture inteligentnog tutora po ovim autorima (prikazane na slici 7.5.) su: (i) okruženje zadatka; (ii) modul područnog znanja; (iii) model učenika i (iv) pedagogijski modul. Učenik je uključen u okruženje za rješavanje problema u modulu koji je naznačen kao okruženje zadatka. Aktivnosti učenika se vrednuju uz uvažavanje znanja predstavljenog u modulu područnog znanja što u načelu predstavlja znanje koje koristi stručnjak za rješavanje danog problema. Temeljem ovakvog vrednovanja provodi se i proces individualiziranog održavanja modela učenika. Konačno, pedagogijski modul isporučuje nastavu čiji se sadržaj temelji na aktualnoj razini znanja učenika.

Komponenta okruženja rješavanja problema određuje aktivnosti u koje će učenik biti uključen za vrijeme rješavanja problema. Minimalno sadrži uređivač koji prihvaća i predstavlja akcije učenika. Primjerice, u slučaju tutora koji poučava programiranje sučelje je organizirano kao uređivač teksta.

Modul područnog znanja kao što samo ime sugerira predstavlja znanja kojeg stječe učenik. Ovaj modul predstavlja „srce“ inteligentnog tutorskog sustava i predstavlja temelj za interpretaciju znanja učenika. To je u načelu modul koji se doima poput stručnog sustava koji može generirati ono rješenje što ga učenik mora postići u okruženju rješavanja problema.

Okruženje

rješavanja problema

Područno znanje Model učenika

Pedagogijski modul

Slika 7.5. Komponente arhitekture inteligentnog tutora Corbett i drugi (1997)

Građa inteligentnih tutorskih sustava

30

Model učenika je prikazan zapisom aktualnog znanja učenika i obično se sastoji od dvije komponente: (i) znanja koje je rezultat prekrivanja znanja učenika i znanja stručnjaka područnog znanja i (ii) kataloga pogrešaka.

Pedagogijski modul je odgovoran za strukturu nastavnog sadržaja. Ovaj modul može djelovati na dvije razine: na razini curriculum-a prilagođava nastavne sadržaje aktualnoj razini znanja učenika, dok na razini rješavanja problema intervenira tijekom aktivnosti učenika u postupku rješavanja.

Inteligentni tutorski sustavi, (prema Beck i drugi, 1998), se doimaju kao monolitni, ali radi konceptualizacije i oblikovanja, prikladnije ih je promatrati kao sustave sastavljene od nekoliko zavisnih komponenata. Ovo je istraživanje provedeno s osloncem na stajalište koje je utvrdila Wollf (Woolf, 1992) i o čemu je rasprava vođena u poglavlju 5. Zanimljivo je da ovi autori izrekom ističu da je istraživanje provodeno u području inteligentnih tutorskih sustava. U vezi s tim naglašavaju da je njihov koncept, u odnosu na spomenuti, proširen uvođenjem modela stručnjaka. Model je sličan modulu područnog znanja i njegova uloga je da oponaša ulogu stručnjaka. Temeljem ovakvog promišljanja i predlažu arhitekturu inteligentnog tutorskog sustava (Slika 7.6.).

Model učenika sa podacima za svakog učenika. Na najnižem stupnju, takav model prati napredovanje učenika prilikom usvajanja nastavnih sadržaja. U dodatku ovakav model može uključivati učenikova pogrešna poimanja onoga što uči. Pošto je uloga modela učenika pružanje podataka pedagogijskom modulu sustava, onda se sve sakupljene informacije trebaju moći iskoristiti od strane tutora.

Pedagogijski modul ili modul učitelja sadržava model procesa učenja. Na primjer, informacije o tome kada napraviti test znanja, kada prikazati novi element nastavnog sadržaja i koje elemente uopće prikazati su upravljane pedagogijskim modulom. Kao što je ranije navedeno, model učenika je ulazna veličina ovoj komponenti, stoga se pedagogijske odluke donose ovisno o individualnim potrebama pojedinog učenika.

Slika 7.6. Interakcija komponenata inteligentnog tutorskog sustava (prema Beck i drugi, 1998)

Modul područnog znanja je komponenta sustava koja sadrži znanje koje pedagogijski modul organizira u obliku nastavnog sadržaja. Ovaj modul zahtijeva da se područno znanje prikaže nekom od formalnih tehnika kako bi mu ostali moduli mogli pristupiti. Poseban je problem kako prikazati znanje kako bi se moglo povećati u određenom

Model učenikaPedagoški

modul

Model

područnog

znanja

Model

stručnjaka

Komunikacijski

modul

Građa inteligentnih tutorskih sustava

31

razmjeru prema drugim područnim znanjima. Prilikom implementacije modula područnog znanja važna je tehnologija prikaza, koja osim što prikazuje činjenice i procedure, mora sadržavati veze među konceptima i spoznajne modele. Modul stručnjaka osim što sadržava i prikazuje područno znanje, također predstavlja model prikazivanja znanja stručnjaka u određenom području. Najčešće je ovaj model izvršan, to jest sposoban je rješavati područne probleme. Korištenjem ovog modela tutor može usporediti učenikovo rješenje s rješenjem stručnjaka, ističući mjesta na kojima učenik ima teškoća prilikom rješavanja.

Modul komunikacije upravlja interakcijom sustava s učenikom koja se ostvaruje dijalogom i putem grafičkog korisničkog sučelja. Temeljno je pitanje kako i na koji način prezentirati učeniku nastavne sadržaje na najefikasniji način. U svojem pristupu posebno naglašavaju da ova komponenta nije do sada istražena koliko i ostale, ali ipak postoje značajni pomaci na ovom području što je uvjetovano razvojem područja interakcije čovjeka i računala (eng. Human Computer Interaction).

Inteligentni tutorski sustav Andes (http://www.andestutor.org) je razvijen na Sveučilištu u Pittsburghu i na Mornaričkoj akademiji (United States Naval Academy) u SAD-u. Namijenjen je za potporu uvodnih tečajeva fizike na sveučilišnoj razini, za srednjoškolsku fiziku i za učenje na daljinu, a uključuje oko petsto zadataka i postupaka za njihovo rješavanje.

Andes pokazuje kako se učenje može značajno unaprijediti povećanjem podrške pri rješavanju problema zadanih za domaći uradak. Andes zapravo zamjenjuje olovku i papir za rješavanje problema iz fizike. Učenici rješavaju identične probleme kao i ranije, uče iz istih udžbenika i pohađaju ista predavanja i laboratorijske vježbe. Pet godina eksperimentiranja na United States Naval Academy pokazuje da Andes značajno unaprjeđuje učenje, a ključni faktor je interakcija. Dok većina inteligentnih tutorskih sustava traži od učenika samo odgovor na pitanje, Andes zahtjeva cijeli izvod koji se može sastojati od više koraka kao što su crtanje vektora, koordinatnog sustava, definiranje varijabli i pisanje jednadžbi. Andes pruža povratnu informaciju nakon svakog koraka, što je u potpunosti suglasno s biheviorističkim pristupom učenju. Kada učenik zatraži pomoć usred rješavanja problema sustav mu daje sugestije o tome što je pogrešno ili ga na vodi na sljedeći korak.

Učenik čita zadatak (slika 7.7., u vrhu gornjeg lijevog prozora), crta vektor i koordinatne osi (na dnu gornjeg lijevog prozora), definira varijable (gornji desni prozor) i upisuje jednadžbe (donji desni prozor). To su koraci koje učenik radi kada rješava problem iz fizike na papiru. Nakon svakog koraka Andes daje povratnu informaciju. Povratna informacija je komentar o točnosti učenikovog postupaka, a sugestije komentari o tome kako da postupci budu točni. Podaci su obojeni zelenom bojom ukoliko su točni, a crvenom ukoliko nisu. Definicija se smatra ispravnom ako se vrijednost promatrane varijable pojavljuje u rješenju, a iskaz se smatra točnim ako vrijedi. Primjene su pokazale da povratna informacija u obliku zastavice može značajno unaprijediti učenje. Ipak, ukoliko sustav pruža mogućnost povratne informacije zastavicom učenici neće iskusiti potragu za rješenjem, odnosno neće otići krivim putem, detektirati da su pogriješili i ispraviti pogrešku, što je u kontradikciji s konstruktivističkim načelima.

Građa inteligentnih tutorskih sustava

32

Slika 7.7. Sučelje sustava Andes (VanLehn i drugi, 2005)

Nakon što učenik riješi problem Andes izračunava i prikazuje rezultat. Rezultat se ne izračunava na temelju točnih odgovora, nego na temelju točnih unosa (zelena boja). Ako bi se računale sugestije, učenika bi to obeshrabrilo, pa sustav samo oduzima bodove na direktne sugestije. Andes potiče dobro rješavanje problema nagrađujući bodovima eksplicitno unesene informacije. Na primjer, učenik dobiva bodove unoseći opće jednadžbe fundamentalnih načela bez konkretnih vrijednosti. Također, sustav izračunava ukupan rezultat kao zbroj međurezultata koji ovise samo o učenikovom ponašanju vezanom uz tekući problem. Neki učenici su izuzetno motivirani rezultatom iako znaju da o tome ne ovisi njihova ocjena iz kolegija. Ukupan broj bodova je konstantno prikazan u donjem desnom kutu.

Poput većine sustava Andes posjeduje mehanizam pomoći koji nije osjetljiv na rješavanje tekućeg problema. Takva „neinteligentna“ pomoć sastoji se od teksta i drugog pasivnog nastavnog sadržaja koje učenik pretražuje kada mu treba pomoć pri rješavanju zadatka. U sustavu Andes to je tzv. Andes Cheat Sheet prikazan na slici 7.8.

Građa inteligentnih tutorskih sustava

33

Slika 7.8. Andes Cheat Sheet (VanLehn i drugi, 2005.)

Andes Cheat Sheet je hijerarhijski izbornik svih pojmova vezanih uz generiranje jednadžbi koje Andes poznaje. Odabirom jednadžbi i klikom na gumb “More help on selection” pojavljuje se kratak hipertekst kao što pokazuje slika 7.9.

Slika 7.9. Pomoć pokrenuta preko Andes Cheat Sheet (VanLehn i drugi, 2005.)

Premda učenici obično imaju slične “šalabahtere” na papiru, autori su željeli pratiti njihovo korištenje pa su ih načinili on-line dostupnima.

Zanimljivo je analizirati uvođenje inteligentnog tutorskog sustava u okruženje realnog vremena. S tim u vezi Loftin i Savely (1991) su projektirali i izgradili inteligentni računalni sustav namijenjen za uvježbavanje (eng. Intelligent Computer-Aided Training - ICAT) astronauta, kontrolora leta i osoblja zemaljske logistike u NASA Johnoson centru SAD-a. Zahtjevi za izgradnjom ovakvog sustava nastali su kao posljedica realizacije složenih misija Space Shuttle u istraživanju svemirskog prostranstva. Temeljna paradigma izgrađenog sustava je u tome da ista građa (slika 7.10.) osigurava uvježbavanje kako astronauta za Spacelab misije tako i inženjera koji obavljaju testiranje glavnih propulzijskih sustava Space Shuttle - a.

Građa inteligentnih tutorskih sustava

34

Razvijeni i implementirani sustavi po pojedinim segmentima i djelatnostima ovog složenog projekta su:

Slika 7.10. Građa inteligentnog tutorskog sustava za uvježbavanje (Loftin i Savely, 1991) ­ PD/ICAT (Payload-assist module Deploys) sustav namijenjen za uvježbavanje osoba

za vođenje navigacije PAM (Payload-Assist Module) satelita Space Shuttle -a . ­ VVL/ICAT (Vacuum Vent Line) baziran na osobnom računalu i namijenjen za

uvježbavanje specijalista za bavljenje korisnim teretom i to pri detekciji kvarova, odvajanja i rekonfiguraciji zahtjeva.

­ MPP/ICAT (Main Propulsion Pneumatics) za poučavanje, uvježbavanje i testiranje inženjera u NASA/Kennedy Space Center - u za rad na pneumatskim propulzijskim sustavima Space Shutlle –a.

­ IPS/ICAT (Instrument Pointing System) namijenjen za poučavanje specijalista za koristan teret u NASA/Johnson Space Center i Marshall Space Flight Center pri korištenju IPS u Spacelab misijama.

­ CISCO/ICAT (Center Information System Computer Operations) za osposobljavanje operatora na mainframe računalu za podršku informacijskog sustava Johnson Space Center -a.

­ ATCS/ICAT (Active Thermal Control System) za uvježbavanje kako posada letjelica tako i posada zemaljskih postaja za kontrolu leta.

­ SHIFT (SpaceHab Intelligent Familiarization Trainer) za astronaute i kontrolore leta.

**********

Provedena analiza je ukazala na različitosti građe i složenost realizacije inteligentnih tutorskih sustava što je uvjetovano kako stajalištima istraživača iz područja obrazovanja

Sudionik

Sučelje sudionika

Stručnjak područnog znanja

Voditelj sustava za uvježbavanje

Detekcija pogrešaka Rukovanje s pogreškama

Uređaj za povezivanje

Generator scenarija uvježbavanja

Model osobe koja se uvježbava

Građa inteligentnih tutorskih sustava

35

i psihologije, razvojnih inženjera i implementatora iz područja računarstva, ali isto tako i različitim primjenama. Sistematizirali smo strukturu i građu inteligentnih tutorskih sustava istraživača autoriteta ovog područja poput J. Anderson, H. L, Burn, C. G. Capps, W. J. Clancey, I. Goldstein, J. Hartley, J. Self, V. J. Shute, D. Sleeman, J. Psotka, E. Wenger. Rezultati istraživanja ovih autora su ostvarili najveći utjecaj na područje i doprinijeli postojećoj razini primjene.

Temeljem svega izrečenog u ovom odjeljku može se sintetizirati građa inteligentnog tutorskog sustava i utvrditi da je to sustav zasnovan na znanju i da je modularne izvedbe:

a. znanje stručnjaka radi oblikovanja područnog znanja koje je sadržano u modulu stručnjaka;

b. znanje učitelja radi didaktičkog oblikovanja nastavnih sadržaja čiji je nosilac modul učitelja;

c. znanje učenika stečeno tijekom procesa učenja i poučavanja što je sadržano u modulu učenika i

d. interakcija učenika – učitelja i znanja sadržana u komunikacijskom modulu sustava

Pojedinosti o strukturi modula inteligentnog tutorskog sustava kao i izvedbe pojedinih modula u primijenjenim sustavima su u poglavljima 8., 9. 10. i 11. No prije ove analize provedena je analiza postavljanja inteligentnog tutorskog sustava u Web okruženje, analiza Web orijentiranih inteligentnih tutorskih sustava te autorskih ljuski za oblikovanje inteligentnih tutorskih sustava. Ovakav je redoslijed izveden zato jer isti strukturni moduli realiziraju funkcionalnosti inteligentnog tutorskog sustava u on-site i raspodijeljenoj tj. Web izvedbi.

POSTAVLJANJE INTELIGENTNOG TUTORSKOG SUSTAVA U WEB OKRUŽENJE

Internet je danas postao sastavni dio obrazovanja i obuke. Globalno zajednica onih koje uče (eng. learner community) uključuje sudionike svih starosnih dobi kao i različitog porijekla sa različitim interesima i motivacijom za upotrebom računalnih mreža. Internet kao mrežni računalni sustav se pokazuje uspješnim u ispunjavanju ovih interesa i motivacije te time definitivno pruža novi način spoznaje. U postojećem obrazovnom okruženju s povećanim zahtjevima za stjecanje kompetencija učenika u područnom znanju, a imajući u vidu ograničenja tradicionalnog načina obrazovanja, alternativan pristup kao što je primjerice daljinsko obrazovanje postaje veoma atraktivno za sve obrazovne razine od primarnog do akademskog obrazovanja. Osim toga, razvoj društva u cijelosti posebno promovira i cjeloživotno učenje koje povezuje i uzajamno obogaćuje kako kulturu obrazovanja tako i kulturu rada. Novi okvir obrazovanja uključuje povezivanje rada i učenja, učenja po zahtjevu, sebi orijentirano učenje (eng. self-directed learning) kao i suradno učenje (eng. colaborative learning).

Građa inteligentnih tutorskih sustava

36

Internet osigurava neposrednu raspodjelu informacija širem auditoriju te obrazovanje na udaljenost što može udovoljiti i financijskim potrebama kako institucije tako i pojedinca često pokazujući vrlo efikasnu alternativu za tradicionalni nastavni proces. U tom povezivanju Internet može pokazati više pogodnosti u odnosu na tradicionalne metode daljinskog učenja ako ima potencijale za prilagođavanje nudeći pri tom informacije u tekstualnom, grafičkom, audio i video formi i to po povoljnoj cijeni. S tim u vezi Internet posjeduje mehanizme za asinkronu interakciju kroz diskusijske forume, novinske grupe i elektronsku poštu. Osim toga, sinkrona se interakcija ostvaruje pomoću brojnih programskih alata poput Electronic White Boards, Web Phone i Web Meeting. Na ovakav način nastavni medij čak nadilazi okvire tradicionalnog razreda i omogućava komunikaciju akademskih zajednica smještenih na različitim dijelovima svijeta. Mnogi od ovih programskih alata koriste klijent/poslužitelj računalnu arhitekturu smještajući pri tom djeljive resurse i funkcionalnosti na poslužitelju, a koriste Internet radi isporuke sučelja učeniku sa različitih klijentskih platformi sa bilo koje lokacije na kojoj postoji pristup Internet-u. Ovakva arhitektura poboljšava mogućnost postavljanja i introperabilnosti baza znanja obrazovne programske podrške, bez da se pri tom napuštaju dodatne funkcionalnosti. U takvoj mrežnoj računalnoj izvedbi i načinu obrade u ovoj nas raspravi posebno zanima Web izvedba inteligentnih tutorskih sustava utemeljena na konceptu klijent – poslužitelj. Umrežena računala obično dijele neke zajedničke funkcionalnosti radi raspodjele i obrade podataka. Prikladno je da se zajednički resursi za realizaciju takvih funkcionalnosti smjeste na pojedinačna računala koja se tada nazivaju računalima poslužiteljima. Korisnici ovih resursa su računala raspodijeljena u različitim zemljopisnim dosezima i nazivaju se računalima klijentima (Budin, 1998). Komunikacija između poslužitelja i klijenta iskazuje način djelovanja i realizaciju funkcionalnosti primjenskog računalnog sustava. Termin klijent/poslužitelj je prvi put korišten osamdesetih godina prošlog stoljeća u pogledu na povezivanje osobnih računala u mrežu. Klijent/poslužitelj programska podrška u usporedbi sa centraliziranim i vremenski raspoređenim obradama koje su se obavljale na velikim računalima pokazuje značajne prednosti koje se prvenstveno ogledaju u upotrebljivosti, fleksibilnosti, interoperabilnosti i skalabilnosti. Temeljne značajke klijent/poslužitelj aplikacije sastoji se u tome da dio aplikacije (klijent) zahtijeva izvršavanje neke zadaće, dok drugi dio aplikacije (poslužitelj) izvršava ovu zadaću. Sve funkcionalnosti aplikacije se dakle dijele na dva programa: program klijenta koji se izvršava na računalu korisnika i program poslužitelja koji se izvršava na glavnom računalu. Program klijenta omogućava interakciju s korisnikom, što znači prihvat ulaznih podataka te prezentaciju rezultata obrade. Dakle, ovaj program šalje zahtjeve i prima rezultate. Osim toga, u stanju je komunicirati s programom na poslužitelju. S druge strane program poslužitelja, koji predstavlja „centralni“ dio klijent/poslužitelj aplikacije, prima zahtjeve klijenta, izvršavaju ih te rezultate šalju klijentu. Zaključimo i to da su svi glavni i računalni troškovi računalne obrade implementirani u programu poslužitelja. Tijek podataka u računalnom sustavu s klijent/poslužitelj arhitekturom prikazan je na slici 7.11. (modificirano prema Schank, 1994). Program klijenta omogućava interakciju s korisnikom, što slijedom znači prihvat ulaznih podataka, slanje zahtjeva poslužitelju (oznaka SR – eng. Sending Requests), prijem odgovora od strane poslužitelja (oznaka RA – eng. Receiving Answers) te prikaz rezultata obrade. Program poslužitelja, „centralni“ dio klijent/poslužitelj aplikacije, prima zahtjeve klijenta (oznaka

Građa inteligentnih tutorskih sustava

37

RR – eng. Receiving Requests), izvršava obradu podataka te šalje odgovor klijentu (oznaka SA – eng. Sending Answers ).

Računalo klijenta Računalo poslužitelj

SR RR

RA SA

ulaz

izlazobrada

Slika 7.11. Tijek podataka u klijent/poslužitelj aplikaciji

Uvažavajući modularnu strukturu on-site izvedbe inteligentnog tutorskog sustava koju smo razmatrali u prethodnom odjeljku, tada opći model klijent/poslužitelj računalnog sustava omogućava njegovo postavljanje u Web okruženje. Primijetimo da su temeljne funkcionalnosti inteligentnog tutorskog sustava na strani računala poslužitelja dok su funkcionalnosti modula komunikacije jednim dijelom na strani računala klijenta, a dijelom na strani računala poslužitelja. Međutim, postavljanje inteligentnog tutorskog sustava on-site izvedbe u Web okruženje nije trivijalan i neposredan proces povezivanja dvaju računalnih sustava. Sa stajališta funkcionalnosti WWW predstavlja besprimjernu mogućnost za postavljanje inteligentnih tutorskih sustava u blizinu učenika, što zapravo znači demokratizaciju osobnog tutora-učitelja ili trenera. Web otvara nove mogućnosti kako asinkrone komunikacije (što je temeljna funkcionalnost inteligentnog tutorskog sustava), kao i sinkrone suradnje između učenika i učitelja koji se nalaze na različitim lokacijama. Na taj način učenici mogu zajedno raditi na različitim problemima ili pak rješavati probleme uz konsultacije s učiteljem i stručnjacima područnog znanja. Dakle, Web je platforma budućnosti za računalno poučavanje. Međutim, uz ove blagodati ima i čitav niz poteškoća. Prije svega, već smo i utvrdili da je oblikovanje inteligentnih tutorskih sustava u on-site povezano sa različitim znanjima iz područja spoznajnih znanosti, programiranja, programskog inženjerstva, oblikovanja korisničkog sučelja, kao i općih znanja o računalima. Uz sve ovo za oblikovanje inteligentnih tutorskih sustava u Web okruženju treba dodati i znanja o raspodijeljenim programskim sustavima, što naravno dodatno opterećuje proces razvoja i implementacije ovih sustava. Alpert i drugi (1999) predlažu tri pristupa za postavljanje Web orijentiranog inteligentnog tutorskog sustava u okruženje klijent/poslužitelj arhitekture: ­ Java rješenje - cijeli tutorski sustav koji je u interakciji sa učenikom zasniva se na

Java apletu, učitan s određene URL adrese, koji se izvršava na računalu učenika. Sve funkcionalnosti poučavanja u tutorskom okruženju odvijaju se u potpunosti na strani klijenta. Primjer inteligentnog tutorskog sustava s ovom arhitekturom je sustav ADIS (Warendfor i Tan, 1997).

­ HTML-CGI arhitektura – interakcija učenika sa sustavom se odvija putem HTML dokumenata, a preko Web preglednika. Informacija koju unosi učenik šalje se Web poslužitelju, koji je prosljeđuje CGI (Common Gateway Interface) programu, koji zatim odgovara novim HTML stanicama. Sve funkcionalnosti poučavanja u

Građa inteligentnih tutorskih sustava

38

tutorskom okruženju odvijaju se u potpunosti na strani poslužitelja, a učenik je i interakciji sa sustavom putem standardnog Web preglednika. Ovaj model ima nekoliko ograničenja, a ozbiljniji je nedostatak neposredne interaktivnosti za određene aktivnosti učenika. Nedostatak ovog pristupa je opterećenje sustava zbog toga što strana poslužitelja izvršava CGI. Primjer inteligentnog tutorskogh sustava s ovom arhitekturom je sustav CALAT (Nakabayashi i drugi, 1995).

­ Raspodijeljena klijent-poslužitelj arhitektura – jedan dio omogućava interakciju učenika uz pomoć Java apleta (koji se mora učitati s određene URL adrese) radi izravne komunikacije sa poslužiteljem aplikacije koji se odvija upotrebom nekog među aplikacijskog komunikacijskog mehanizma. Dio funkcionalnosti poučavanja u tutorskom okruženju odvijaju se na strani poslužitelja, a dio se nalazi na strani klijenta. Primjer inteligentnog tutorskog sustava s ovom arhitekturom je sustav AlgeBrain (Alpert i drugi, 1999).

Nadalje, isti autori (Alpert i drugi, 1999) su prikazali način prijelaza on-site izvedbe sustava AlgeBrain u Web okruženje, što će se ovdje i prikazati. AlgeBrain je inteligentni tutorski sustav za rješavanje algebarskih jednadžbi s jednom nepoznanicom u okruženju koje omogućava stjecanje praktičnih znanja. Namjera tutora nije zamjena stvarnog učitelja, već je tutor pedagogijski partner stvarnom učitelju. AlgeBrain ne provjerava samo je li rezultat točan ili netočan, već nadgleda cijeli proces rješavanja jednadžbe i nakon svakog koraka daje savjet koji učenika vodi konačnom rješenju. Početno je razvijen i implementiran on-site sustav. Arhitektura sustava je izvedena u tradicionalnom okruženju (slika 7.12.) s modulom stručnjaka (eng. expert solver) kao simulacija spoznajnog procesa za rješavanje jednadžbi, modulom učenika (student model) radi praćenja uspjeha u radu, modulom učitelja (eng. tutorial module) te korisničkim sučeljem (eng. user interface - UI). Kako bi sustav učinili dostupnim većem broju učenika, autori su odlučili projektirati novu

verziju sustava koja će biti Web orijentirana, a to znači dostupna pomoću standardnog Web

preglednika. Web prilagodba je uključila sljedeće korake:

- uklanjanje komponente korisničkog sučelja iz on-site izvedbe,

- dodavanje on-site izvedbi sposobnost poslužitelja da s komunikacijskim mehanizmom

ostvari vezu s namjenskim programom na drugom računalu,

- ponovno oblikovanje i ponovna implementacija korisničkog sučelja u Java aplet, koji se

izvršava u standardnom Web pregledniku te osim toga ugraĎivanje komunikacijskog

mehanizma za ostvarivanje veze s programom na drugom računalu,

- oblikovanje jezika za komunikaciju izmeĎu poslužitelja i klijenta, što će omogućiti

postavljanje zahtjeva sa strane klijenta i odgovore sa strane poslužitelja,

- implementaciju komunikacijskog mehanizma za ostvarivanje veze s programima na

raspodijeljenim komponentama, kao i

- spajanje koda i HTML stanica u Java klijent aplet, kojeg učenik može pokrenuti koristeći

preglednik bilo gdje u World Wide Web okruženju.

Građa inteligentnih tutorskih sustava

39

Slika 7.12. Arhitektura on-site izvedbe sustava AlgeBrain

Rezultat prilagodbi je nova Web orijentirana klijent-poslužitelj arhitektura inteligentnog

tutorskog sustava (slika 7.13.) postavljena u Internet okruženje, koja je proširena i prilagoĎena

arhitektura on-site sustava. Zapravo, kod novog modela komponente tradicionalne arhitekture

inteligentnog tutorskog sustava su podijeljene izmeĎu poslužitelja i klijenta, koji su povezani

komunikacijskim kanalom. Aplikaciji na strani klijenta dodan je novi modul koji zamjenjuje

korisničko sučelje, a ostale komponente tutora su ili minimalno promijenjene ili su ostale iste.

Modul tutora komunicira s objektom korisničko sučelje kao i u on-site arhitekturi, ali je sada

taj objekt surogat za pravo korisničko sučelje s kojim je učenik u interakciji, a nalazi se u

aplikaciji klijenta.

Slika 7.13. Web-orijentirana klijent-poslužitelj arhitektura inteligentnog tutorskog sustava

Osim Web orijentirane klijent-poslužitelj arhitekture koja je prikazana slikom 7.13. razvijena je još jedna verzija Web-orijentiranog inteligentnog tutorskog sustava AlgeBrain s klijent-poslužitelj arhitekturom kod koje je HTTP komponenta ugrađena na strani poslužitelja (slika 7.14.).

Građa inteligentnih tutorskih sustava

40

Slika 7.14. Alternativni pogled Web orijentirane arhitekture tutorskog sustava

Poslužitelj ima dvije uloge: (i) generički HTTP poslužitelj i (ii) poslužitelj tutor s mehanizmom za komunikaciju, stručnjaka za rješavanje problema, model učenika i komponente tutora.

HTTP poslužitelj isporučuje učeniku HTML dokument uz pomoć Web preglednika, ukoliko učenik upiše odgovarajuću Web adresu - http://www.alpert.watson.ibm.com/algebra.html. HTML kod sadrži instrukcije Java apleta koji djeluje na strani klijenta kao dio AlgeBrain sustava. Kad Web preglednik učita i izvrši aplet, uspostavi se veza uz pomoć mehanizma za komunikaciju sa poslužiteljem aplikacije AlgeBrain čime se omogući njeno odvijanje u okruženju klijenta. Temeljna kvaliteta Web zasnovanih inteligentnih tutorskih sustava jest sposobnost dosezanja do većeg broja učenika. Ako učenik može putem standardnog Web preglednika pristupiti centralnom poslužitelju sa tutorskim funkcionalnostima tada su problemi raspodjele obrazovne programske podrške isključeni. U vezi s tim, učenik može uspostaviti kontakt s tutorom sa svih onih lokacija koje imaju pristup Internetu (od kuće, iz škole i tome slično). Sljedeća značajna kvaliteta Web zasnovanog tutora je postojanje modela učenika koji se nalazi na računalu poslužitelju. Posljedica ovog je da svaki učenik može pristupati onom dijelu tj. elementu nastavnog sadržaja kojem je pristupio u prethodnom prijavljivanju. Osim toga, učitelju je omogućeno da odabere problem za tekući element nastavnog sadržaja ili učeniku po potrebi pruži pomoć.

Na kraju ovog dijela analize postavljanja inteligentnog tutorskog sustava u Web okruženje pogledat će se još i usporedna tablica s atributima on-site i Web zasnovanog inteligentnog tutorskog sustava (Tablica 7.2.).

Građa inteligentnih tutorskih sustava

41

Tablica 7.2.: Usporedba on-site i Web zasnovanog inteligentnog tutorskog sustava (prema Zakaria i Siraj, 2000)

Inteligentni tutorski sustav u on-site izvedba Inteligentni tutorski sustav u Web izvedbi Pristup nastavnim sadržajima

Off-line On-line Nema ograničenja u pogledu propusnog opsega pri prijenosu znanja.

Moguća su ograničenja u pogledu propusnog opsega pri prijenosu znanja.

Interakcija se odvija po modelu jedan-na-jedan.

Interakcija se odvija po modelu više-na-više.

Ograničen pristup. Nema ograničenja u pristupu. Samostalno učenje. Učenje uz dopuštenu suradnju.

Način isporuke nastavnih sadržaja Uz pomoć prikladne programske podrške Pomoću Web preglednika Uz pomoć posebne programske platforme, a ponekad i uz posebnu naknadu

Uz pomoć različitih besplatnih platformi

Razvojni alati Uz pomoć standardnih programskih jezika visoke razine ili uz pomoć specijaliziranih autorskih alata.

Uz pomoć generičkih razvojnih alata u Web okruženju.

WEB ORIJENTIRANI INTELIGENTNI TUTORSKI SUSTAVI

Druga polovina devedesetih godina prošlog stoljeća je obilježena s pokušajima većeg broja istraživača da on-site izvedbe inteligentnih tutorskih sustava iskoriste radi prijelaza na Web okruženje. Rezultati istraživanja iz tog vremena su poticali i danas potiču razvoj i implementaciju Web orijentiranih inteligentnih tutorskih sustava. Analizirajući postavljanje inteligentnih tutorskih sustava u WWW okruženje Peter Brusilovsky (www2.sis.pitt.edu/~peterb/) navodi brojne razloge i koristi, a zbirno ih prikazuje ovim redoslijedom: ­ Jednom kad je ITS implementiran u WWW okruženje dostupan je za isporuku

nastavnih sadržaja širom Svijeta, a time i otvara putove u primjeni za učenje na daljinu.

­ Inteligentni tutorski sustav u WWW okruženju zahtijevaju skromnu računalnu opremu.

­ Inteligentni tutorski sustav u WWW okruženju postaje neovisan o računalnoj platformi (Unix, MacOS, MS Windows itd.)

­ Inteligentnim tutorskim sustavima WWW otvara put za upotrebu golemih količina postojećih nastavnih sadržaja

­ WWW može pomoći i pomaže inteligentnim tutorskim sustavima da „izađu“ iz razvojnih laboratorija u „uđu“ u okruženje učionice.

­ WWW omogućavaju javnost ITS projekata te omogućava promidžbu ITS ideja.

Značajan poticaj istraživanju i primjeni inteligentnih tutorskih sustava u WWW okruženju davale su i brojne znanstvene konferencije kao mjesta razmjene ideja i prezentacije postignutih rezultata. Konferencije su organizirale i podržavale sljedeće znanstvene i strukovne udruge:

Građa inteligentnih tutorskih sustava

42

­ IEEE Computer Society (www.computer.org), ­ IEEE Learning Technology Task Force (lttf.ieee.org), ­ Association for Computing Machinery (ACM) (www.acm.org) sa svojim posebnim

grupacijama SIGART i SIGCUE, ­ American Association in Artificial Intelligence (AAAI) (www.aaai.org), ­ International Artificial Intelligence in Education Society (International AIED Society)

(http://aied.inf.ed.uc/aiedsoc.html).

Od svih konferencija u posljednjoj dekadi prošlog stoljeća su posebno važne tri koje u nastavku i analiziramo. Treća međunarodna konferencija o inteligentnim tutorskim sustavima održana je u lipnju 1996. godine na Sveučilištu u Montrealu, Canada (ITS'96), a predstavljala je prekretnicu u istraživanju i razvoju inteligentnih tutorskih sustava i njihovoj primjeni u obrazovanju i industriji. Radionica je naslovila i više radnih grupa od kojih smo ovdje izdvojili izlaganja u okviru radne grupe: World Wide Web u podršci inteligentnih tutorskih sustava (eng. Using the World Wide Web to Support ITS) s temeljnim zadaćama: ­ Identificirati prednosti i nedostatke WWW-a kao tehnologije za oblikovanje sustava

za obrazovanje i obuku. ­ Identificirati probleme i odgovoriti na otvorena pitanja u vezi sa upotrebom WWW-a

u podršci inteligentnih tutorskih sustava.

Osma svjetska konferencija o primjeni umjetne inteligencije u obrazovanju (Artificial Intelligence in Education – AI-ED 97) je jedna u nizu međunarodnih skupova organizirana radi izvještavanja o najboljim istraživačkim poduhvatima u ovom interdisciplinarnom području. Teme konferencija su globalno naslovljavala područja znanja i medija u sustavima učenja. Konferencija je obuhvatila rasprave u više radionica, a za nas je posebno značajna radionica „Inteligentni obrazovni sustavi na WWW“ (eng. Intelligent Educational Systems on World Wide Web). Okruženje WWW je već posve prihvaćeno kao nova obrazovna paradigma koja je otvorila nove putove u učenju i poučavanju. Međutim, postojeće primjene Web-a u obrazovanju koriste jednostavnija i čak slabija rješenja u odnosu na postojeće obrazovne sustave i alate u on-site izvedbi. U suštini, većina WWW obrazovnih sustava ne koriste snažne tehnologije inteligentnih tutorskih sustava. Obećavajući pravci istraživanja na Web-u su oni koji udružuju inteligenciju ITS sa utvrđenim World Wide Web vrednotama. To je temeljna odrednica radionice. Osim toga organizatori su naveli kako ova radionica nastavlja slijed i proširuje ciljeve postignute na prethodnim radionicama i to pogotovo gore spomenute radionice u okviru konferencije ITS'96. S tim u vezi su i naslovljene teme za raspravu:

­ Inteligentni tutorski sustavi na WWW ­ Primjena prilagodljive hipermedije na WWW ­ Modeliranje učenika ostvariti uz pomoć ponovno upotrebljivih i prilagodljivih

komponenata ­ Postavljanje postojećih ITS i ILE (Interacitve Learning Environment) sustava na

WWW ­ Komunikacija između različitih prilagodljivih sustava na WWW ­ Vođenje učenja uz pomoć otkrivanja u okruženju WWW

Građa inteligentnih tutorskih sustava

43

­ Autorski alati za WWW utemeljene obrazovne primjene ­ Implementacije WWW utemeljenih obrazovnih alata u učenju kod kuće i u razredu.

Međunarodna konferencija „Inteligentni tutorski sustavi 1998“ se orijentirala na široki spektar istraživanja primjene umjetne inteligencije i ostalih naprednih tehnologija na obrazovanje i obuku. Konferencija je analizirala postojeće stanje u području i poslužila kao osnova za daljnja istraživanja. U okviru ove konferencije za nas su posebno važne rasprave vođene u okviru radne grupe: Inteligentni tutorski sustavi na Web-u (eng. Intelligent Tutoring Systems on the Web). Nedvojbeno se zaključuje da se nastavni sadržaji na Web-u brzo i obilato generiraju. Međutim, osnovni nedostaci se odnose na malu razinu interaktivnosti i prilagođavanja učeniku. S tim u vezi smatra se da je obećavajući pristup Web-u onaj koji će omogućiti oblikovanje inteligentnih sustava. Naravno da su s ovim generalnim pristupom povezane i teme za raspravu:

­ Kako povećati interaktivnost na Web-u? ­ Kako nadvladati kašnjenja kod učitavanja datoteka s nastavnim sadržajima? ­ Gdje locirati inteligenciju, na klijentu, na poslužitelju ili kombinirano? ­ Koji tip povezivanja i komunikacije je moguć između inteligentnih sustava? ­ Kako Web može pomoći u suradnom učenju? ­ Što se dobiva, a što se gubi uporabom Web-a?

Zanimljiv je ovo skup pitanja od kojih su mnoga i danas aktualna, te su još uvijek predmet brojnih istraživanja i razvoja. Navedene znanstvene konferencije su inicirale brojna istraživanja i razvoj inteligentnih tutorskih sustava pokrivajući pri tom interdisciplinarnost u području računalnih znanosti primijenjenih u obrazovanju, spoznajnih znanosti, kao i ljudskog procesa učenja i poučavanja (eng. human learning and teaching). Rezultati tih istraživanja su i niz oblikovanih i implementiranih Web orijentiranih inteligentnih tutorskih sustava od kojih u nastavku analiziraju oni koji su primjenama polučili najbolje rezultate.

Građa inteligentnih tutorskih sustava

44

ELM-ART (EPISODIC LERNER MODEL - ADAPTIVR REMOTE TUTORING)

ELM-ART (Brusilovsky i drugi, 1996) je inteligentni tutorski sustav zasnovan na WWW-u i namijenjen za pomoć u učenju programskog jezika Lisp. Razvijen je iz ELP-PE (Programming Environment) inteligentnog obrazovnog okruženja koje podržava programiranje putem primjera, inteligentnu analizu rješenja problema te napredna testiranja i mogućnosti otkrivanja pogrešaka. ELM-PE se u to vrijeme koristio u uvodnim tečajevima Lisp-a na Sveučilištu u Trieru.

ELM-ART, koji se koristi u učenju na daljinu, može se shvatiti kao inteligentni “on-line” priručnik s ugrađenim okruženjem za pomoć u rješavanju problema. Kurs je dostupan na WWW u obliku hiperteksta. Sastoji se od dvije glavne komponente: udžbenika i priručnika s uputama. Udžbenik je hijerarhijski strukturiran u poglavlja, sekcije i pod sekcije. Svaka od ovih cjelina može se prikazati učeniku kao WWW stranica sa tekstom, slikom i brojnim vezama prema srodnim elementima kursa. Primjeri i zadaci su prikazani kao zasebne interaktivne stranice. Priručnik s uputama pruža referentne opise nastavnih sadržaja i posjeduje rječnik i indeks pojmova poput tradicionalnih udžbenika.

U kursu se koriste dvije vrste veza: hijerarhijske i veze zasnovane na sadržaju. Hijerarhijske veze povezuju cjeline s njihovim pod cjelinama i obrnuto. Veze zasnovane na sadržaju povezuju cjeline sličnog sadržaja. To je moguće, jer ELM-ART „zna“ što je na svakoj pojedinoj stranici. On također poznaje i pedagogijsku strukturu domene Lisp-a te strukturu postavljenih problema, pa omogućava veze sa povezanim cjelinama i problemima.

ELM-ART daje mnogo veće mogućnosti za pretraživanje nastavnih materijala od tradicionalnih “on-line“ udžbenika. Na taj način je povećan rizik da se učenik izgubi u složenim hiperprostoru. Da bi se to izbjeglo sustav koristi dvije tehnike prilagodljive hipermedije - smjernice i sortiranje veza. Smjernice su vizualni znakovi (ikone, fontovi, boje) koje upozoravaju na obrazovni status svake veze. Koristeći model učenika ELM-ART može odrediti status svake stranice materijala, kao i problema, tj. odrediti da li je učenik spreman za pojedinu obrazovnu razinu ili nije. Ako učenik pristupi stranici za čiju obrazovnu razinu još nije spreman sustav će ga na to upozoriti. U slučaju da učenik zatraži pomoć sustav to i omogućava. ELM-ART također može odrediti i razinu povezanosti pojedinih materijala kursa pa sukladno tome i sortirati veze. ELM-ART može predvidjeti i način na koji će učenik rješavati problem te mu može naći najbolji primjer iz njegovog prijašnjeg učenja. Ako učenik ne zna riješiti problem ili ne može naći pogrešku otkrivenu pri testiranju programa, može pitati sustav da pregleda postojeći kod. Kao odgovor sustav daje niz natuknica s detaljnim opisom pogreške. Taj niz počinje s neodređenom uputom o pogrešci, a završava s prijedlogom koda koji će ispraviti pogrešku. Ovaj niz uputa omogućava svakom učeniku da riješi problem bez pomoći "živog" učitelja.

Građa inteligentnih tutorskih sustava

45

CALAT (COMPUTER AIDED LEARNING AUTHORING ENVIRONMENT FOR TELEEDUCATION)

Sustav CALAT (Nakabayashi i drugi, 1995) je implementiran kao Web orijentiran inteligentni tutorski sustav sa osnovnim komponentama na strani poslužitelja dok je klijentu (učenik) pristup omogućen pomoću WWW preglednika. Oslonac za rad je predstavljao proširenje konvencionalnog inteligentnog CAI sustava CAIRNEY (CAI Expert System for New Technology). CAIRNEY je bio razvijen kao on-site sustav, a raspolagao je i sa autorskim sustavom za oblikovanje courseware-a. Identifikacijski mehanizam sustava CALAT omogućavao je prilagođavanje znanju učenika uz pomoć standardnog WWW preglednika i HTTP protokola. Obje verzije je razvila japanska tvrtka Nippon Telegraph and Telephone (NTT) Information and Communication System Laboratories. NTT je japanska nacionalna tvrtka za pružanje telekomunikacijskih usluga, a sustav je razvijala radi osposobljavanja vlastitih kadrova u razvoju, implementaciji i održavanja telekomunikacijskih sustava. Danas CALAT sustav na Web-u nije dostupan.

Jezgra inteligentnog tutorskog sustava na CALAT poslužitelju prikazuje courseware nastavnih sadržaja tako da učenik može sačuvati određene naslove koji inače imaju niz hijerarhijski organiziranih podnaslova. Courseware CALAT sustava raspolaže s: objašnjenjima, vježbama i simulacijskim prikazima.

Objašnjenja su organizirana pomoću HTML stranica, a njihov sadržaj čine nastavni sadržaj kojeg učenik mora svladati. Iz prirode HTML dokumenta je jasno da su ova objašnjenja popraćena tekstom, slikom, audio zapisom i animacijom. Osim toga, moguće je pristupiti i HTML stranicama na nekom drugom WWW poslužitelju radi dobivanja dodatnih objašnjenja i detaljnijeg učenja.

Stranice koje sadrže vježbe su dinamički generirani HTML obrasci koji sadrže upute u obliku zvučnih poruka. Moguća su pitanja: (i) tipa da/ne; (ii) tipa selekcije; (iii) tipa opisa. Svako je pitanje povezano s nastavnom jedinicom, a odgovore analizira poseban programski modul i time omogućava gradnju modela učenika. Stranice s interaktivnom simulacijom omogućavaju stjecanje proceduralnih znanja tijekom učenja i poučavanja.

Simulacija je ostvarena kombinacijom posebnih animacijskih programa na strani klijenta i upravljačkih dijelova na poslužitelju. Upravljački dijelovi kontroliraju izvršenje simulacije i motre aktivnosti učenika. CALAT server sadrži WWW demon (demon – program ili dio programa koji čeka ispunjenje zadanih uvjeta, a zatim se automatski pokreće) i pozadinski ITS proces. Jedan ITS proces je zadužen za jednog učenika. Identifikacijski mehanizam je zadužen za održavanje veze između odgovarajućeg ITS procesa i učenika preko HTTP protokola. Kada učenik odabere jednu od URL veza, mehanizam prosljeđuje odgovarajuću instrukciju ITS procesu zadužen za učenika ispitujući ime (lozinku) sadržanu u URL-u.

CALAT ITS proces uključuje pedagogijsku logiku, koja pri prilagođavanju pojedincu može odrediti koje sadržaje courseware-a prenijeti učeniku, a sve u skladu s njegovim mogućnostima i brzinom razumijevanja. Za arhiviranje ovih mogućnosti učenika, ITS proces sadrži model učenika i tutorski ekspertni sustav.

Građa inteligentnih tutorskih sustava

46

Slika 7.15. Ahitektura CALAT sustava (Nakabayashi i drugi, 1995, str. 491)

U skladu sa stupnjem razumijevanja učenika i ostvarenih obrazovnih ciljeva, koji se provjeravaju vježbama i simulacijama, ITS proces, određuje sljedeći niz stranica s objašnjenjima. Na primjer, ako su rezultati vježbanja tako dobri da je proces prosudio da je razina razumijevanja učenika vrlo visoka, ponudit će učeniku stranice sa kraćim i manje detaljnim objašnjenjima pri učenju sljedeće teme. U drugom primjeru, ako proces utvrdi da odgovarajuće znanje nije stečeno, ide u fazu ponavljanja, sa detaljnijim objašnjenjima. CALAT courseware-i se stvaraju pomoću autorskog podsustava. Courseware se oblikuje jednostavnim definiranjem odnosa između obrazovnih tema i povezivanjem tema sa odgovarajućim stranicama s objašnjenjima, vježbama i simulacijama.

MANIC (MULTIMEDIA ASYNCHRONOUS NETWORKED INDIVIDUALIZED COURSEWARE)

Sustav MANIC (Stern, 1997) je razvijen (u okviru doktorske disertacije M. Stern) na odjelu računarstva Sveučilišta Massachusetts u SAD s namjerom da podrži multimedijsko asinkrono okruženje poučavanja na daljinu. Nastavni sadržaji za područno znanje su oblikovani pomoću sinkroniziranih multimedijskih zapisa i HTML

Građa inteligentnih tutorskih sustava

47

stranica, te interaktivnih kvizova za vrednovanje znanja učenika. Isporuku nastavih sadržaja podržavaju i specijalizirana računala poslužitelji koji omogućavaju individualizirano učenje i poučavanje i modeliranje učenika.

Sustav MANIC je zasnovan na klijent/poslužitelj arhitekturi i izveden sa pet komponenta (prikazan na slici 7.16.):

­ Računalo klijenta sa Web preglednikom i multimedijskim dodatkom za reprodukciju zapisa zvuka i video zapisa.

­ Proxy – računala poslužitelja na strani klijenta. ­ WWW poslužitelj kao temeljna komponenta sustava komunicira s ostalim

poslužiteljima uz pomoć CGI programa. CGI programi se pokreću kao odgovor na zahtjeve klijenta i izvršavaju unutar Web poslužitelja. Njihova uloga je koordinacija akcija individualnih komponenti, kako bi se proizveo smisleni odgovor. Ovisno o vrsti zahtjeva klijenta, CGI programi se povezuju s bazom podataka, radi pospremanja podatka ili traženja elementa nastavnog sadržaja te pružanja odgovora klijentu.

­ Port poslužitelj zajedno sa poslužiteljem za modeliranje učenika nalaze se na istom računalu (poslužitelju) i odgovoran je za održavanje zapisa učenika i podataka u vezi s aktualnom razinom znanja učenika.

­ Poslužitelj za modeliranje učenika prati učenika i oblikuje model njegovog ponašanja što omogućava prilagođavanje aktualnoj razini znanja i individualizirani način savladavanja nastavnih sadržaja za određeno područno znanje.

Slika 7.16. Arhitektura sustava MANIC (Stern, 1997)

Sustav MANIC je u eksperimentalnu fazu ušao 1996. godine, kada je bio ponuĎen tečaj za

poučavanje operacijskog sustava UNIX, a omogućio je pristup nastavnim sadržajima koje su

sačinjavali tekstualni, slikovni i audio dokumenti. Oblikovana su dva modela za pristupanje

područnim znanjima. Prvi model vodi učenike po unaprijed definiranom redoslijedom, dok je

drugi model omogućio slobodno biranje redoslijeda nastavnih sadržaja. Danas je sustav

MANIC implementiran u okviru projekta RIPLES (Research in Presentation Production for Learning Electronically) na odjelu računarstva Sveučilišta Massachusetts u SAD i

Građa inteligentnih tutorskih sustava

48

dostupan je na Web stranici - http://manic.cs.umass.edu/. RIPPLES projekt je razvijen i

postavljen s namjerom da se procjeni i utvrdi utjecaj multimedijskih tehnologija u podršci učenja i poučavanja unutar i izvan učionice. Osim toga, RIPPLES projekt treba vrednovati primjenu multimedijskih tehnologija u suradnom radu, koji obuhvaća različite dislocirane zajednice.

WILEDS (WEB-BASED INTELLIGENT LEARNING ENVIRONMENT FOR DIGITAL SYSTEMS)

Sustav WILEDS (Kassim i drugi, 2001) je inteligentni tutorski sustav namijenjen poučavanju elemenata matematičke logike, brojevnih sustava, sekvencijalne logike, programibilne logičke uređaje sve uključeno u tečaj oblikovanja digitalnih sustava. Pristup sustavu WILEDS obavlja se putem Web preglednika, a omogućuje učenicima učenje izvođenja operacija nad logičkim izrazima. Sustav se prilagođava aktualnoj razini znanja učenika temeljem čega donosi preporuke za daljnji rad. Struktura sustava WILEDS izvedena je sa sljedećim komponentama:

Komunikacijski modul sadrži korisničko sučelje unutar kojeg učenik pristupa nastavnom sadržaju i rješava ponuđene mu probleme. Ovaj modul posjeduje mehanizme provjere sintakse logičkih izraza koje učenik unosi, kao i mogućnost nuđenja ispravno formiranih izraza i ukazivanja na učenikove pogreške kod formiranja logičkih izraza.

Modul područnog znanja koji se nalazi u bazi znanja s referentnim tekstovima iz područja matematičke logike, a prezentiraju se učeniku putem komunikacijskog modula.

Modul učenika sadrži podatke o učenikovom napredovanju, kao i podatke o načinu korištenja sustava. Sustav podržava različite stilove poučavanja, tako da se podaci modula učenika koriste pri određivanju stila poučavanja koji najviše odgovara pojedinom učeniku. Modeliranje učenika temelji se na tehnici prekrivanja, pri čemu se znanje učenika promatra kao podskup znanja stručnjaka.

Pedagogijski modul generira zadatke koje učenik treba riješiti. Težina zadataka se prilagođava aktualnoj razini znanja učenika što se ogleda u težinskoj razini postavljenih zadataka.

Modul eksperta rješava generirane probleme i uspoređuje ih s učenikovim rješenjima. Ako se utvrdi nepodudaranje u znanju učenika i znanju stručnjaka ovaj modul nastoji utvrditi elemente u kojima učenik griješi.

Sustav WILEDS je izveden uz pomoć raspodijeljene klijent/poslužitelj arhitekture prikazane

na slici 7.17.

Građa inteligentnih tutorskih sustava

49

Slika 7.17. Arhitektura WILEDS sustava

Učenik na računalu klijenta koristi Web preglednik i pokreće Java aplet koji implementira

komunikacijski modul, pedagogijski modul i modul stručnjaka sustava WILEDS. Na strani

računala poslužitelja se nalazi WWW poslužitelj, model učenika i područno znanje. Strana

klijenta komunicira s modelom učenika putem Java servlet-a.

ADIS (ANIMATED DATA STRUCTURE INTELLIGENT TUTORING SYSTEM)

ADIS (Warendfor i Tan, 1997) je namijenjen podršci tečaja Strukture podataka radi

poboljšanja poučavanja vezanih lista, stogova, redova, grafova i stabla. Nadalje, sustav

omogućuje poučavanje osnovnih algoritama sortiranja. Omogućeno je dinamičko generiranje

problema, a ostvarene su dvije temeljne značajke sustava: (i) animacija izvoĎenja operacija i

(ii) inteligentno voĎenje poučavanja. Animacija je značajno svojstvo za koje se pokazalo da

podiže kvalitetu učenja i poučavanja struktura podataka i algoritama. Učenik u svakom

trenutku može pogledati sve svoje prethodne operacije koje je izvršio nad nekom strukturom

podataka, a osim toga može analizirati rješenje stručnjaka uz obrazlaganje postupka rješenja.

ADIS je u potpunosti implementiran u Javi te dopušta neovisno platformi on – site korištenje

ili isporuku nastavnih sadržaja putem Internet-a, a struktura sustava je na slici 6.19. i izvedena

sa sljedećim komponentama:

Model učenika je personaliziran te omogućava nadzor svakog učenika koji je prijavljen na

sustav.

Građa inteligentnih tutorskih sustava

50

Model stručnjaka raspolaže s instrukcijama za sve vježbe u okviru područnog znanja iz baze

znanja. Model takoĎer sadrži i predloške za rješavanje problema s kojim se usporeĎuju sve

akcije učenika.

Slika 7.18. Struktura sustava AIDS

Stručnjak – učitelj modul izveden je tako da opslužuje model učenika i model stručnjaka.

Odgovoran je za svaku akciju koju učenik izvede za vrijeme vježbanja.

Ljuska grafičkog korisničkog sučelja služi kao most ili pak HCI (Human Computer Interface)

interpretator izmeĎu učenika i inteligentnog tutorskog sustava.

Primijetimo konačno da svaki učenik koji se prijavi na sustav dobiva svoju kopiju modela stručnjaka i osobni model učenika, što je bilo inicijalno stanje sustava.

SQLT-WEB (WEB-ENABLED VERSION OF SQL-TUTOR)

Sustav SQLT-Web (Mitrović, 2003) je namijenjen za podršku u poučavanju SQL (Structured Query Language) specijaliziranog programskog jezika za rad s bazama podataka. Razvijen je na temeljima sustava SQL-Tutor koji je uz iste funkcionalnosti ranije implementiran u on-site verziji. U razdoblju od 1999. do 2001. godine on-site verziju je koristilo više od 1.000 studenata širom Svijeta na MS Windows i Solaris platformi. To je bio i temeljni motiv za dogradnju sustava u WWW okruženju. Osim toga, definirane su i odrednice za oblikovanje Web sustava: (i) ponovna upotrebljivost što većeg broja komponenta on-site sustava; (ii) uspostavljanje i održavanje centralnog repozitorija modela učenika na računalu poslužitelju; (iii) pristup sustavu po načelima daljinskog učenja (u bilo koje vrijeme i s bilo kojeg mjesta).

Građa inteligentnih tutorskih sustava

51

Slika 7.19. Arhitektura SQLT-Web

Sučelje sustava je oblikovano tako da bude robusno, fleksibilno i lagano za upotrebu i razumijevanje i ostvareno je putem Web preglednika. Pedagogijski modul određuje vrijeme i sadržaj pedagogijskih akcija tijekom učenja i poučavanja. Modelar učenika (eng. student modelar) analizira odgovor učenika. Sustav ne sadrži modul područnog znanja. S tim u vezi raspolaže s nekoliko definicija najčešće korištenih baza znanja upravljanih pomoću DBMS sustava kao i skup njihovih problema kao i njihovih rješenja (databeses, problems, solutions). Odgovor učenika uspoređuje se s odgovorom učitelja uz pomoć načela modeliranja zasnovanog na ograničenjima (eng. Constraint-based modeling - CBM). CBM je pristup modeliranju učenika kojeg je predložio Ohlsson (Ohlsson, 1994), koji smatra da se proces učenja iz pogrešaka sastoji od dvije faze: (i) prepoznaj pogrešku; i (ii) popravi pogrešku i primjenjiv je kako za proceduralni tako i deklarativni formalizam za prikaz znanja.

SQLT-Web sadrži više od 600 ograničenja, a taj broj raste sukladno s novim problemima i pridružuju se sustavu. Osim toga, sva su ograničenja nezavisna o problemima; opisuju osnovna načela područnog znanja i direktno ne uključuju elemente problema. Na početku procesa učenja sustav odabira problem i postavlja ga učeniku. Kada učenik unese rješenje, pedagogijski modul ga šalje modelaru učenika, koji analizira rješenje, identificira pogreške, te obnavlja zapis učenika. Osim toga pedagogijski modul generira i odgovarajuću potporu. Kada je tekući problem riješen ili pak ako učenik zahtjeva novi problem pedagogijski modul odabire odgovarajući problem koji je u suglasju s aktualnom razinom znanja učenika.

Građa inteligentnih tutorskih sustava

52

AUTORSKE LJUSKE ZA OBLIKOVANJE INTELIGENTNIH TUTORSKIH SUSTAVA

Inteligentni tutorski sustavi tijekom dosadašnje primjene pomogli su poboljšanju nastavnog procesa prilagođenog individualnim potrebama učenika te dokazali upotrebljivost u obrazovanju. Postignuti su brojni uspjesi posebno u otkrivanju netradicionalnih pedagogijskih strategija kao što su primjerice partnerstvo, mentorstvo, suradno učenje te posebice učenje uz rad (eng. learning by doing). Implementirani "računalni" učitelji omogućavaju: (i) učenicima da bolje svladaju zadaće koje se javljaju tijekom stjecanja znanja i vještina kao i u otkrivanju novih načina učenja i poučavanja i (ii) učiteljima da jednom organiziranim nastavnim sadržajima iz svojeg područja i njihovom implementacijom u inteligentnim tutorskim sustavima kvalitetno sistematiziraju područje te odvoje više vremena za osobni istraživački rad i unapređivanje metoda i tehnika poučavanja. Međutim, i pored mjerljivih vrijednosti autori inteligentnih tutorskih sustava su se tokom vremena stalno borili s problemima u pogledu modularne građe sustava kao i ostvarivanjem koncepta s ponovno upotrebljivim komponentama. Naročito intenzivan razvoj u ovom segmentu ostvaren je u posljednjoj dekadi prošlog stoljeća, pa su s tim u vezi i brojne međunarodne udruge (već spomenute u Poglavlju 6.) organizirale konferencije (najvažnije u ovom razdoblju su u Tablici 7.3.) na kojima se raspravljalo o uočenim nedostacima i pravcima njihovog rješavanja.

U okviru treće međunarodne konferencije o inteligentnim tutorskim sustavima - ITS'96 i radionice „Građa i metode za izgradnju isplativih i ponovno upotrebljivih inteligentnih tutorskih sustava“ provedena je rasprava u vezi s poteškoćama u oblikovanju inteligentnih tutorskih sustava sa stajališta: cijene razvoja, nedostatka interoperabilnosti, zahtjeva za ograničenim platformama, poteškoća u raspodjeli materijala i uspoređivanja rezultata kao i visoke cijene održavanja.

­ Visoka cijena razvoja. Istraživači inteligentnih tutorskih sustava su prisiljeni na vlastitu građu sustava, izgradnju svih komponenti sustava, razvoj strategija za prikaz znanja i mehanizama zaključivanja kao i prikupljanje i kodiranje relevantnog područnog znanja i znanja za realizaciju ovakve nastave. Dok je jedna ili više od navedenih zadaća u žarištu interesa istraživača, dotle su ostale tek potrebne da bi se oblikovala potrebna infrastruktura za njihovu realizaciju.

­ Nedostatak interoperabilnosti. Razvijeni su brojni komercijalni programski alati opće namjene (alati za obradu teksta, tabličnu kalkulaciju, izgradnju i obradu slike), provedena su brojna laboratorijska istraživanja (sustavi za planiranje, generatori teksta) ali s temeljnim nedostatkom teškog uključivanja u strukturu inteligentnog tutorskog sustava. U vezi s tim, težnje tržišta su usmjerene prema izgradnji modularnih i interoperabilnih programskih sustava.

­ Zahtjevi za ograničenim platformama. Inteligentni tutorski sustavi su obično složeni programski sustavi razvijeni za rad na snažnim računalnim platformama. Oni mogu zahtijevati namjenski, za tu svrhu razvijeni, programski sustav ponekad takav da mu je ograničen pristup pojedinim računalnim platformama. U tome je i jedan od nedostataka jer svi oni koji razvijaju programsku podršku inteligentnih tutorskih sustava moraju omogućiti njihovo korištenje na različitim platformama i programskim alatima.

Građa inteligentnih tutorskih sustava

53

­ Poteškoće u raspodjeli nastavnih sadržaja i uspoređivanju rezultata. Najčešće postojeći inteligentni tutorski sustavi koriste specifične formalizme za prikaz znanja, namjenske medije, specifično građene algoritme za tijek i upravljanje podacima. U ovakvom stanju teško je odrediti nedostatke i prednosti pojedinog ITS - a, identificirati ponovno upotrebljive module sustava, te dijeliti resurse s ostalim nastavnim sredstvima i tutorskim strategijama.

­ Visoka cijena održavanja. Postojeći inteligentni tutorski sustavi, posebice laboratorijski prototipovi, su izgrađeni kao složene i integrirane strukture koristeći pri tom različite metode i tehnike umjetne inteligencije. U njima je malo ili gotovo ništa pažnje posvećeno daljnjem razvoju pa i održavanju. Uzrok je to za brojne probleme, posebno visoku cijenu održavanja, što je u ovom poslu nepovoljno.

U vezi s navedenim problemima u oblikovanju inteligentnih tutorskih sustava izgradilo se zajedničko stajalište da se njihovom rješavanju pristupi razvojem ponovo upotrebljivih programskih modula, zatim djeljivih i interoperabilnih programskih modula. Smatralo se da će se takvim pristupom omogućiti daljnji i to ekonomski opravdan razvoj inteligentnih tutorskih sustava. Istaknuta su sljedeća polja za istraživanje i razvoj u području inteligentnih tutorskih sustava:

­ Ponovno upotrebljive komponente. To su komponente inteligentnog tutorskog sustava (primjerice: alati za modeliranje učenika, sustavi za prikaz znanja) koje je autor spreman ponuditi na korištenje "zajednici" - svim koji su zainteresirani za primjenu i daljnji razvoj tog sustava.

­ Težnja normiranju uključuje i iskustva u radu s postojećim programskim sustavima inteligentnih tutorskih sustava te procjenu njihovih mogućnosti za ispunjavanje uvjeta normiranja i interoperabilnosti.

­ Djeljivi rječnici. Istraživanje usmjeriti na razvoj djeljivih rječnika u vezi s parametrima što opisuju učenika kao i one koji se odnose na vođenje učenika (odabir problema, objašnjenja koja prate generiranje problema).

­ Ljuske inteligentnih tutorskih sustava. Posebice je važno modularno organizirati ljuske inteligentnih tutorskih sustava s dobro definiranim scenarijem učenja i poučavanja kao i svim već navedenim atributima.

­ Ontologije1). Potrebno je težiti strukturiranim ontologijama ili „višim modelima“. U takvim je uvjetima tada moguće definirati i organizirati pedagogijski relevantne atribute područnog znanja i to po klasama područja, omogućavajući pisanje i dijeljenje nastavnih strategija u okvirima istaknutih atributa.

­ Raspodijeljene i agent utemeljene građe ITS-a. Pozornost se mora usmjeriti na istraživanje i razvoj struktura i protokola koji obuhvaćaju suradničke procese ili djeljive baze znanja modularne i ponovno upotrebljive. Ovim su ispunjeni uvjeti za primjenu autonomnih agent i klijent/poslužitelj metodologija, Web utemeljenih arhitektura, kao i zajednički rad komercijalnih programskih sustava i inteligentnih tutorskih sustava.

1)

Ontologija: dolazi od dvije grčke riječi: ontos koja znači biti, te logos koja znači riječ. Ontologija je pojam

posuĎen iz filozofije, a označava disciplinu koja proučava objekte i njihovo okruženje, tj proučava entitete i vrste

entiteta koji se pojavljuju u svijetu oko nas. Najpoznatiju definiciju ontologije preneseno u svijet umjetne

inteligencije i računarstava je ona koju je postavio T. Gruber, „an ontology is a specification of a

conceptualization“ (Gruber, 1993) što u prijevodu znači „ontologija je specifikacija konceptualizacije“.

Građa inteligentnih tutorskih sustava

54

U ovom popisu u fokusu su ljuske inteligentnih tutorskih sustava, kojima se pridružuje atribut autorstva pa ih se naziva autorske ljuske (eng. authoring shell) za oblikovanje inteligentnih tutorskih sustava. Autorska ljuska predstavlja specijalizirano okruženje prilagođeno potrebama: stručnjaka za razvoj baza područnog znanja, učiteljima za oblikovanje nastavih sadržaja i učenicima za učenje, poučavanje i testiranje znanja. Ovo je u suglasju s funkcionalnostima i modulima inteligentnog tutorskog sustava. To može biti i jedinstveni sustav, kojeg se tada naziva autorski sustav (eng. authoring system). Autorski sustav je integriran i raspolaže s autorskim ljuskama i pripadnim autorskim alatima (eng. authoring tools) u kojima učenik, stručnjak područnog znanja i učitelj izvršavaju svoje aktivnosti u vezi s procesom učenja i poučavanja uz pomoć informacijske i komunikacijske tehnologije. Osim toga, to mogu biti i nezavisni sustavi koje onda nazivamo autorske ljuske. Zagovara se naziv autorska ljuska sa specijaliziranim okruženjima za stručnjaka, učitelja i učenika (slika 7.20.), pa se u tom smislu i definira:

­ Autorsko okruženje stručnjaka područnog znanja namijenjeno oblikovanju baza područnog znanja. Stručnjak aktivnosti na oblikovanju baze znanja realizira primjenom specijaliziranih autorskih alata i uz pomoć posebno definirane ontologije za prikaz i strukturiranje znanja. Ontologija za prikaz i strukturiranje znanja ovisi o načinu raščlambe područnog znanja i metodi te tehnici odabranoj za prikaz znanja. Zaključimo da autorsko okruženje stručnjaka omogućava oblikovanje baze područnog znanja.

Stručnjak Učitelj Učenik

Autorsko okruženje

stručnjakaBaza znanja

Autorsko okruženje

učitelja

Nastavni

sadržaji

predmeta

Inteligentni tutorski

sustav

Slika 7.20. Struktura autorske ljuske (Stankov, 2005)

­ Autorsko okruženje učitelja namjenjeno oblikovanju nastavnih sadržaja. Učitelj svoje aktivnosti obavlja primjenom specijaliziranih autorskih alata i uz pomoć posebno definirane didaktičke ontologije i to sve primijenjeno na već oblikovanu bazu područnog znanja. Didaktička ontologija omogućava oblikovanje courseware-a (didaktički oblikovan nastavni sadržaj priređen za izvođenje na računalu). Courseware je nastavni sadržaj višerazinski organiziran na: nastavne cjeline, nastavne teme, nastavne jedinice i nastavne pojmove. Na taj način područno znanje i njime definirani nastavni sadržaji su „granulirani“ u formi nastavnih objekata koji se međusobno razlikuju po broju pojmova koje obuhvaćaju. U vezi s tim na dnu hijerarhije je nedjeljivi nastavni pojam dok su na višim razinama nastavna jedinica koja sadrži više nastavnih pojmova, nastavna tema koja sadrži više nastavnih jedinica te nastavna cjelina koja sadrži više nastavnih tema. Temeljna zadaća učitelja je raščlamba nastavnih sadržaja prema ovoj strukturi te posebno priprema uvjeta za generiranje testova i ispita za provjeru znanja učenika.

­ Okruženje učenika namjnejneo učenju, poučavanju i testiranju znanja. Ova ljuska nema autorske značajke, ali omogućava izbor područnog znanja kao i „navigaciju“ kroz odabrano područno znanje putem didaktički oblikovanih nastavnih sadržaja koje je

Građa inteligentnih tutorskih sustava

55

izvršio učitelj. Posebno je za učenika važna mogućnost testiranja dostignute razine znanja, upućivanje na pogreške i način „navigacije“ kroz nastavni sadržaj u zavisnosti od postignuća pri testiranju.

Ovim se iskazuje vlastiti stav prema autorskim okruženjima za stručnjaka, učitelja i učenika u odnosu na funkcionalnosti i module inteligentnih tutorskih sustava. Primijenio se ovaj koncept u razvoju, implementaciji, postavljanju i primjeni modela hipermedijske autorske ljuske Tutor – Expert System (TEx-Sys) (Poglavlje 12) (Stankov, 1997). Rasprava se ovim ne zaključuje jer ima i drugih stavova i mišljenja o autorskim ljuskama alternativno o autorskim alatima i autorskim sustavima. S tim u vezi u nastavku se prikazuju ta druga gledanja na autorska okruženja za oblikovanje inteligentnih tutorskih sustava objavljena na relevantnim konferencijama (Tablica 7.3.) i referentnim časopisima područja, uvažavajući posebno autoritete područja. U posljednjem dijelu odjeljka prikazati će se i implementirani sustavi koji su sa dosta uspjeha bili i sada su u primjeni.

Radionica Ontologije za inteligentne obrazovne sustave na devetoj svjetskoj konferenciji o primjeni umjetne inteligencije u obrazovanju AI-ED-99 održana je s ciljem da potakne istraživanje ontologije od koje se očekuje da omogući tehnologiju radi ostvarivanja ponovno upotrebljivih komponenta i nastavnih sadržaja za specifikaciju sustava umjetne inteligencije u obrazovanju te za premošćenje razlika između teorije i praktične primjene. Nisu tada postojali formalizmi za opisivanje inteligentnih obrazovnih sustava sa stajališta ponovno upotrebljivih komponenta.

Simpozij o autorskim alatima za inteligentne tutorske sustave (eng. Intelligent Tutoring System Authoring Tools) - AAAI-Fall-97 donosi zajednički stav onih koji se bave istraživanjem kao i onih koji razvijaju autorske alate za inteligentne tutorske sustave, uspoređujući pri tom već razvijene sustave sa stajališta prikaza znanja, modeliranja učenika i nastavnih strategija.

Radionica Prikaz postignuća efikasnih i ponovno upotrebljivih inteligentnih okruženja učenja (eng. Issues in Achieving Cost-Effective and Reusable Intelligent Learning Environment) na osmoj svjetskoj konferenciji o primjeni umjetne inteligencije u obrazovanju AI-ED-97 je bila usmjerena na prikaz dostignuća u ponovnoj upotrebljivosti, raspodjeli, interoperabilnosti i prijenosu inteligentnih okruženja učenja i znanja. Posebno je naglašeno da se ovom radionicom nastavlja već započeto na radionicama konferencija ITS-96 i AI-ED 95.

Građa inteligentnih tutorskih sustava

56

Tablica 7.3. Znanstvene konferencije naslovljene na autorske ljuske i alate

Referenca Glavni doprinos

AI-ED-99 Ontologies for Intelligent Educational Systems

Prva radionica koja je obuhvatila ontologiju u zajednici inteligentnih tutorskih sustava i primjenu umjetne inteligencije u obrazovanju.

AAAI Fall-97 Intelligent Tutoring System Authoring Tools

Usporedbu postojećih autorskih alata u pristupu njihovog razvoja za inteligentne tutorske sustave.

AI-ED-97 - Issues in Achieving Cost-Effective and Reusable Intelligent

Learning Environments

Ponovna upotrebljivosti, interoperabilnosti i prijenos znanja i komponenata u sustavima inteligentnog okruženja učenja.

ITS-96 - Architectures and Methods for Designing Cost-Effective and Reusable

ITSs

Ponovna upotrebljivost, raspodjelu i interoperabilnost komponenata inteligentnih tutorskih sustava.

AI-ED-95 - Authoring Shells for Intelligent Tutoring Systems

Istraživanje i primjenu autorskih alata za izgradnju inteligentnih tutorskih sustava kao i učešće istraživačkih grupa u oblikovanju sofisticiranih računalnih sustava.

Radionica Autorske ljuske za inteligentne tutorske sustave (eng. Authoring Shells for Intelligent Tutoring Systems) na sedmoj svjetskoj konferenciji o primjeni umjetne inteligencije u obrazovanju AI-ED-95 koja je bila orijentirana na: analizu upotrebljivosti autorskih ljuski za oblikovanje inteligentnih tutorskih sustava, na integraciju nastavnih strategija i na analizu putova za vrednovanje autorskih ljuski. Primijetimo da je u nazivu radionice uključen termin autorske ljuske što se slaže sa stajalištem kojeg zastupamo u ovom području.

T. Murray (1999) provodi dubinsku analizu o istraživanju i razvoju okruženja za oblikovanje inteligentnih tutorskih sustava koje naziva autorski sustav. Rad je za ovo područje referentan i citiran od brojnih autora koji se bave ovim područjem stoga se i ovdje njegov sadržaj analizira. Zbirno je prikazano dvadeset i pet sustava podijeljenih u sedam različitih kategorija grupiranih prema inteligentnim tutorskim sustavima koje mogu proizvesti (oblikovati). Neke od ovih sustava se detaljnije analizira kasnije u ovom odjeljku. Prije pogleda na navedene kategorije Murray vodi raspravu o odnosu ljuski i alata, dakako misli se na autorske ljuske i alate, prema čemu je ITS ljuska opći okvir za izgradnju inteligentnih tutorskih sustava, dok je autorski sustav (ili autorski alat) ITS ljuska zajedno s pripadajućim korisničkim sučeljem koja neprogramerima dopušta formaliziranje i vizualizaciju znanja. Potaknuti ciljevima za „elegantnom“, štedljivom i/ili po cijeni efikasnom programskom podrškom implementatorima se čini posve prirodno pisati takav programski kod koji će biti općenit i ponovno upotrebljiv. Mnogo je znanstvenih radova napisano na temu ITS ljuski koje su po programskoj građi, kodu ili konceptualnom okviru takve da za programere omogućavaju efikasnu izvedbu inteligentnih tutorskih sustava. Međutim, Murray ističe da je u razdoblju od dva desetljeća malo radova napisano na temu uspoređivanja autorskih alata i autorskih ljuski, a u ovoj analizi se isključivo orijentira na autorske alate koje poistovjećuje sa autorskim sustavom. Autorske alate Murray grupira u sedam kategorija podijeljene u

Građa inteligentnih tutorskih sustava

57

dvije grupe od kojih je jedna temeljena na pedagogijskoj paradigmi (kategorije 1, 2, 5 i 7), a druga na paradigmi djelovanja (kategorije 3, 4 i 6). Osim toga za svaku se kategoriju navode razvijeni i primijenjeni inteligentni i tutorski sustavi (Tablica 7.4.).

Pedagogijska paradigma je orijentirana na nizanje nastavnih sadržaja obično ranije pripremljenih pa se doimaju kao „konzervirani“, dok paradigma djelovanja omogućava bogato okruženje učenja u kojem učenici mogu učiti uvježbavanjem i pri tom imati i povratne informacije o postignuću. Komentirat će se struktura navedenih kategorija autorskih alata:

1. Sustavi s nizanjem i planiranjem nastavnog sadržaja (eng. Curriculum Sequencing and Planning) organiziraju elemente nastavnog sadržaja kao hijerarhiju kursova, modula, lekcija, te prezentacija međusobno povezanih vezama preduvjeta i posjedovanja. Elementi nastavnog sadržaja tipično imaju ciljeve. Neki sustavi sadržavaju elemente nastavnog sadržaja kojima se adresiraju pogrešna poimanja. Nastavni sadržaj se posprema kao zatvoren i ograničen tekst s elementima grafičkih prikaza. Inteligentno nizanje predstavlja jezgru ovakvih sustava. Gledano sa strane učenika, tutorski sustavi sagrađeni na ovaj način podsjećaju na tradicionalne sustave za učenje uz pomoć računala. Razlika je što se nizanje sadržaja određuje u odnosu na učinak učenika. Pošto se područno znanje ne prikazuje detaljno onda se u njima može učiti i poučavati o bilo kojem području, ali dubina dijagnoze i povratni rezultati su zbog toga ograničeni ovakvim prikazom. Nadalje, pogodni su za izgradnju tutorskih sustava u kojima se uči i poučava o konceptualnom i deklarativnom tipu znanja. Pedagogijska paradigma ovih sustava ne omogućava vođenje procesa učenja i poučavanja proceduralnog znanja ili vještina rješavanja problema.

2. Sustavi s tutorskom strategijom (eng. Tutoring Strategies) se ističu svojom sposobnošću izvođenja različitih strategija poučavanja. Što se tiče načina spremanja i prezentacije nastavnog sadržaja, slični su sustavima s nizanjem i planiranjem nastavnog sadržaja. Međutim, ovi sustavi podržavaju načela koja koriste učitelji. Osim što nižu elemente nastavnog sadržaja, također daju objašnjenja, sažetke i primjere učeniku, ovi sustavi imaju sposobnost izvođenja različitih strategija učenja gdje se u danoj situaciji izabire najprikladnija.

3. Uređaji za simuliranje i uvježbavanje (eng. Device Simulation and Equipment Training) predočavaju učeniku dio opreme i traže da identificira njegove komponente, izvrši operativne korake, izvede korake održavanja ili da ustanovi nepravilno ponašanje, te popravi ili zamijeni određene dijelove. Znanje stručnjaka o smještaju komponenata i operativnim skriptama je doslovno preneseno na model baš kao i nadziranje izvršavanja operacija. Za razliku od prethodne dvije kategorije sustava gdje se „uči pomoću razmišljanja“, učenici koji uče na ovakvim sustavima se uče djelovanjem. Ovakvi tutorski sustavi su zapravo okruženja učenja kod kojih se uvježbava vještina učenika.

4. Područni ekspertni sustavi (eng. Domain Expert System) čine važnu kategoriju inteligentnih tutorskih sustava koji uključuju spoznajne modele procjene područnog znanja. Ovakvi tutorski sustavi prate ponašanje učenika i grade spoznajni model znanja učenika koji se može usporediti s modelom stručnjaka. Učenici koji koriste ove sustave obično rješavaju probleme unutar ciljanog prostora i dobivaju povratne informacije u slučaju kada se njihovo znanje razlikuje od znanja stručnjaka. Za razliku od svih prethodno navedenih kategorija tutorskih sustava, ovakvi sustavi

Građa inteligentnih tutorskih sustava

58

imaju profinjene modele procjene i u slučaju da učenik „zapne“, on može pitati sustava da izvrši sljedeći korak ili da kompletira rješenje cijelog problema.

Tablica 7.4. Kategorije ITS autorskih alata (prema T. Murray, S. Blessing & S. Ainsworth, 2003)

KATEGORIJA PRIMJER SUSTAVA

Nizanje i planiranje nastavnog sadržaja (eng. Curriculum Sequencing and Planning)

DOCENT (Winne &Kramer, 1988) IDE (Russell, 1988) ISD Expert (Merrill, 2001)

Strategije poučavanja (eng. Tutoring Strategies)

Eon (Murray, 1998) GTE (Van Marco, 1998) REDEEM (Ainsworth i drugi, 2003)

Simulacije i uvježbavanje rada na uređajima (eng. Device Simulation and Equipment Training)

RIDES (Munro i drugi, 1997) SIMQUEST (Van Joolingen i drugi, 1996) XAIDA (Redfield, 1996)

Sustavi područnog znanja (eng. Domain Expert System)

Demonstr8 (Blessing, 1997) D3 Trainer (Schewe i drugi, 1999) Training Express [CLAN1988]

Višestruki tipovi znanja (eng. Multiple Knowledge Types)

CREAM-Tools (Nkambou i drugi, 1996) DNA (Shute i drugi, 2000) IRIS (Arruarte i drugi, 1997)

Specijalna namjena (eng. Special Purpose)

IDLE-Tool/IMap (Qiu i drugi, 2003) LAT (Sparks i drugi, 1999)

Inteligentna / prilagodljiva hipermedija (eng. Intelligent/adaptive Hypermedia)

CALAT (Kiyama i drugi, 1997) GETMAS (Wong & Chan, 1997) InterBook (Brusilovsky i drugi, 1996)

5. Sustavi s višestrukim tipovima znanja (eng Multiple Knowledge Types) klasificiraju

znanje i zadatke kao odvojene kategorije, te propisuju metode učenja i poučavanja za svaku od njih. Oni se ograničavaju na tipove znanja koji se mogu jednostavno definirati, kao što su činjenice, koncepti i procedure. Variranjem tipova znanja variraju i metode poučavanja koje se u slučaju nizanja nastavnog sadržaja i vježbi definiraju odvojeno za svaki tip znanja.

6. Sustavi specijalne namjene (eng. Special Purpose) su specijalizirani za određene zadatke. Sustavi za simuliranje uređaja i sustavi s višestrukim tipovima znanja su također namijenjeni određenim tipovima zadataka, ali sustavi specijalne namjene su fokusirani na određene i manje općenite zadatke. Autorizacija ovakvih sustava je u potpunosti zasnovana na predlošcima.

7. Sustavi s inteligentnom i prilagodljivom hipermedijom (eng. Intelligent/adaptive Hypermedia) se pojavljuju u isto vrijeme kad i sustavi s prilagodljivom hipermedijom i tutorskim sustavima zasnovani na Web-u. Pošto ovakvi sustavi dominiraju, a ne razlikuju se od ostalih kategorija tutorskih sustava, ipak spadaju u posebnu kategoriju. Kao i kod većine sustava zasnovanih na Web-u, nivo interakcije sustava i učenika je vrlo nizak. Za razliku od sustava iz drugih kategorija, ovi sustavi moraju koristiti hiperveze za navigaciju kroz nastavni sadržaj. Veze vidljive učeniku se mogu filtrirati i sortirati ovisno o modelu učenika.

Pretpostavlja da su ovaj rad Murray-a kao i rad Authoring Knowledge Based Tutors: Tools for Content, Instructional Strategy, Student Model, and Interface Design (Murray,

Građa inteligentnih tutorskih sustava

59

1998) poslužili kao okosnica monografije Authoring Tools for Advanced Technology Learning Environments (T. Murray, S. Blessing & S. Ainsworth, 2003). Obuhvatila je iscrpan pregled i prikaz stanja autorskih sustava i autorskih alata u naprednim obrazovnim i nastavnim tehnologijama. Monografijom je u sedamnaest poglavlja opisano petnaest sustava i istraživačkih projekata u području napredne, prilagodljive i inteligentne programske podrške kao tehnologijskog okruženja obrazovanja.

Odjeljak o autorskim ljuskama za oblikovanje inteligentnih tutorskih sustava zaključuje se s opisom najčešće primjenjivanih autorskih okruženja, autorskih alata i autorskih sustava. Zajednička značajka svih sustava je da raspolažu s različitim i laganim za upotrebu autorskim sučeljima i uređivačima. Nadalje, omogućavaju kvalitetne opise objekata, izgradnju cjelovite lekcije, oblikovanje tečajeva obuke i poučavanja, pružanje objašnjenja pri otklanjanju pogreške u sustavima koji se temelje na simulacijama. Razvojni napori ovdje su slični onima koji se ulažu u različitim komercijalnim programskim sustavima kao što su uređivači teksta, tablični kalkulatori, programski sustavi za prezentaciju i sve to povezano u jedinstveni programski paket ili programski sustav.

Murray u ovom radu otvara dilemu kad izjednačava pojmove autorski sustav i autorski alat. Da bi se ova terminološka nesuglasica dodatno pojasnila promotrit će se još neki utjecajni referentni navodi ovog područja.

U vezi s iznesenim navode se definicije pojmova autorstvo (eng. authoring), autorski jezik (eng. authoring language) i autorski sustav (eng. authoring system) prema rječniku pojmova asocijacije AICC (www.aicc.org)2) (AICC, 2003). Osim navedenih priloženo je i tumačenje autorske programske podrške (eng. authoring software) prema rječniku pojmova iz priručnika Ministarstva Obrane SAD-a (Glossary for Training, 2001). Radi preglednosti u uspoređivanju korištena je Tablica 7.5.

2 ) AICC – The Aviation Industry CBT (Computer Based Training) Committee je meĎunarodna asocijacija za

obuku oslonjenu na tehnologiji.

Građa inteligentnih tutorskih sustava

60

Tablica 7.5. Pregled pojmova povezanih s autorstvom pri razvoju courseware-a

Pojam AICC Ministarstvo obrane SAD

Autorstvo

Proces implementacije lekcija za izvedbu u CBT sustavima. Često se pojmovi autorski jezik ili autorski sustav koriste da bi označili programski podršku koja autorima bez formalnog poznavanja računalnog programiranja omogudava pripremu nastavnih lekcija.

Strukturirani pristup za razvoj svih elemenata potrebnih nastavnoj jedinici.

Autorski jezik Programski jezik visoke razine oblikovan sa svrhom da omogudi izgradnju courseware-a.

Skup pravila, procedura, riječi, zabilješki, sintakse i semantike koju koristi autor da bi specificirao logiku i sadržaj nastave koja de biti isporučena putem računala.

Autorski sustav

Programska podrška lagana za korištenje, a namijenjena za oblikovanje courseware-a. Često je autorski sustav temeljen na programskoj podršci s izbornicima tako da omogudavaju rad bez formalnog poznavanja programiranja.

A prepacked, prompted authoring aid, predložak courseware-a, ili uređivač temeljen na izbornicima oblikovani tako da pomognu autorima (bez formalnog programerskog znanja) pri oblikovanju interaktivne multimedijske nastave bez poznavanje programiranja. To se često referira i kao autorski paket.

Autorska programska podrška

Nema definicije.

Računalni program izveden radi pomodi autorima pri oblikovanju interaktivne multimedijske nastave (eng. Interactive Multimedia Instruction – IMI) bez poznavanja programiranja. Tri su vrste IMI autotorks programske podrške: autorski jezik, autorski sustav i pomodna programska podrška.

Globalno se može kazati da su termini raznoliki i da nisu u korištenju u potpunosti ujednačeni, ali zajednička značajka svih autorskih okruženja je pomoć autorima pri razvoju lekcija za isporuku nastavnih sadržaja putem računala. Navedeno ide uz napomenu da se pri tom od autora ne zahtjeva formalno poznavanje programiranja.

Građa inteligentnih tutorskih sustava

61

AUTORSKO OKRUŽENJE REDEEM

REDEEM (Reusable Educational Design Environment and Engineering Methodology) (Ainsworth i drugi, 2003) omogućava oblikovanje inteligentnih tutorskih sustava, s ciljem da se izgradi takav sustav koji dopušta postojanje ponovno upotrebljivih nastavnih sadržaja, primjenu različitih strategija poučavanja i karakteristika učenika. Osim toga, REDEEM kao laboratorijski sustav za istraživanje prirode učenja i poučavanja omogućava istraživanje prirode nastavničke ekspertize kao i uloge u podržavanju profesionalnog razvoja. Skup programa autorskog okruženja REDEEM razvijen je uz pomoć sustava Click2Learn na programskoj platformi Windows 95. Tri su osnovne komponente sustava REDEEM (slika 7.21.): katalozi courseware-a, REDEEM autorski alati, te REEDEM autorska ljuska.

Katalog courseware-a je nosilac nastavnih sadržaja (određenog područnog znanja) koji su oblikovani ili uz pomoć po volji izabranih autorskih sustava ili posebice oblikovani uz pomoć autorskog alata Click2Learn ili su učitani sa neke od URL adresa širom Internet prostora. U suglasju s navedenim doima se da ovo rezultira u izvjesna ograničenja prema izvedenim inteligentnim tutorskim sustavima. Međutim, ipak je poštovano načelo ponovne upotrebljivosti i u značajnoj mjeri smanjena cijena u odnosu na onu koja se postiže pri oblikovanju nastavnih sadržaja od početka (eng. from the scratch). Nastavni sadržaj je u svojoj strukturi oblikovan u hipermedijskoj formi, omogućava uključivanje objekata sa elementima simulacije, animacije kao i pitanja i vježbe za učenika u suglasju s konstruktivističkim načelima učenja.

REDEEM autorski alati dekomponiraju proces poučavanja u nekoliko odvojenih komponenata (slika 7.22.). U načelu od autora se traži da opiše ŠTO će poučavati, KOGA će poučavati i KAKO će poučavati. Ovo će sve skupa poslužiti da bi se odgovarajuća strategija poučavanja primijenila za izabrane nastavne sadržaje ciljanoj grupi učenika. Posebna vrijednost pri oblikovanju nastavnih sadržaja je mogućnost prilagođavanja aktualnoj razini znanja učenika.

Slika 7.21. Komponente sustava REDEEM (Ainsworth i drugi, 2003)

Građa inteligentnih tutorskih sustava

62

Slika 7.22. REDEEM autorski proces

REEDEM autorska ljuska omogućava isporuku nastavnih sadržaja u suglasju sa postavkama koje je primijenio učitelj pri njihovom oblikovanju uz pomoć autorskih alata. Akcije poučavanja raspoložive unutar ljuske su: poučavanje novih nastavnih sadržaja, postavljanje pitanja (uz mogućnost pomoći ukoliko se ista zatraži), sugestija učeniku što mora pribilježiti, ponuda neračunalnih zadataka, provjera izvršavanja zadataka pod zaporkom i izvještavanje o napretku učenika. Najvažnije uloge ljuske su: odabir prikladnog dijela tečaja kojeg će prezentirati učeniku, modeliranje znanja učenika (koriti se načelo prekrivanja – „overlay“ model), nuđenje pitanja i motrenje učenika, pružanje pomoći, podržavanje različitih strategija poučavanja i pružanje povratne informacije nastavniku o tome kako učenik napreduje. Da bi ljuska mogla vršiti svoje zadatke potreban je model učenika koji služi i kao osnovni izvještaj učiteljima. Opis učenika određuje pripadnost kategoriji koju je definirao učitelj. Broj kategorija je proizvoljan, od jedne do ukupnog broja učenika. Učitelji obično odlučuju o pripadnosti kategoriji ovisno o postignutim rezultatima učenika ili težini zadataka ili kombiniraju ova dva kriterija.

Programsko okruženje REDEEM je primijenjeno na različitim obrazovnim razinama kao i u obrazovanju u Engleskoj mornarici, a pri tom je provedeno vrednovanje i uspoređivanje s tradicionalnim sustavima poučavanja temeljenim na računalu. Posebno je izvedeno pet ciljanih testiranja u kojima je utvrđena izvjesna prednost sustava REDEEM. Postignuća u odnosu na pre-testiranja su pokazala poboljšanje kod upotrebe REDDEM za 29,4%, dok je kod CBT sustava poboljšanje iznosilo 20.4%. Pri ovome se ne specificira sustav CBT koji je poslužio kao kontrolni sustav.

Građa inteligentnih tutorskih sustava

63

Informacije o autorskom okruženju REDEEM su dostupne na Web stranici: http://www.psychology.nottingham.ac.uk/research/credit/projects/redeem.

PAKET AUTORSKIH ALATA EON

Eon (Murray, 1998) (http://home.comcast.net/~perspegrity5/eon_www/eon.html) je naziv paketa autorskih alata (eng. suite of authoring tools) za izgradnju inteligentnih tutorskih sustava, uključujući pri tom sve njegove aspekte: područno znanje, okruženje učenja, strategije poučavanja i model učenika. Ustanovljavanje i razvoj projekta Eon je završena 1997 godine, a razvijen je na Sveučilištu Massachusetts (SAD) na odjelu za računarstvo. Razvij i implementacija programskog paketa Eon uključuje profiliranje i obuku učenika, modeliranje učenika, prilagodljive strategije poučavanja, cijenom isplativ multimedijski programski paket pogodan za primjenu na različitim platformama, što sve zapravo predstavlja okvir naprednih tehnologija učenja.

Slika 7.23. Sučelje autorskog alata Eon (prema Murray, 1998)

Sažeto opisujemo autorske alate (slika 7.23.) programskog paketa Eon radi upoznavanja njegove strukture i funkcionalnosti, što će omogućiti stjecanje uvida u autorski proces za oblikovanje nastavnih sadržaja koji bez sumnje mora realizirati cijeli tim.

­ Preglednik dokumenta (eng. Document Browser) omogućava pristup svim objektima nastavnih sadržaja koji su priređeni za učenje i poučavanje.

­ Uređivač teme – mreže pojmova u temi (eng. Topic Network Editor) definira nastavne teme kao i potrebne pedagogijske uvjete za njihovu realizaciju.

­ Uređivač tutorske strategije (eng. Tutoring Strategy Editor) specificira primjerice kad će se učeniku ponuditi pomoć ili primjeri te kako se prolazi kroz mrežu nastavnih tema.

­ Uređivač interakcije (eng. Interaction Editor) prikazuje zaslone, dostupne učeniku, na kojima se prezentiraju nastavni sadržaji oblikovani temeljem predložaka ili generirani tijekom izvođenja.

Građa inteligentnih tutorskih sustava

64

­ Preglednik sadržaja teme (eng. Topic Contents Browser) prikazuje veze među nastavnim temama.

­ Preglednik nastavnih sadržaja (eng. Presentation Contents Browser) uređuje nastavne sadržaje temeljem predložaka interakcije.

­ Uređivač modela učenika (eng. Student Model Editor) povezuje ponašanje učenika s uspješno izvedenim nastavnim temama.

­ Uređivač meta strategije (eng. Meta Strategy Editor) utvrđuje uvjete za promjenu strategije poučavanja.

Prikazat će se struktura i djelovanje programskog paketa Eon sa stajališta temeljnog pogleda na inteligentni tutorski sustav kojeg Murray ovdje zastupa.

Model područnog znanja kod Eon-a je zasnovan na semantičkim mrežama, gdje su čvorovima pridružene „jedinice“ – granule znanja (eng. the units of knowledge) nazvane elementi (eng. topics) nastavnih sadržaja koje je učitelj oblikovao radi poučavanja učenika. Osim toga semantička mreža svojim vezama (kao što su part_of - dio_od i prerequisite – preduvjet) iskazuju ekspertizu područnog znanja koja osigurava nizanje (eng. sequencing) nastavnog sadržaja.

Sučelje učenika Eon autoru pruža potpunu slobodu u njegovom oblikovanju ostvarujući pri tom interaktivno okruženje učenja. U tom smislu Eon-ov alat uređivač interakcije sadrži hijerarhijsku paletu komponenata korisničkog sučelja nazvane grafički element (eng. widget). Jednostavni su to grafički elementi poput: dugme, tekst, slika ili složeniji poput višestrukih dijaloških izbornika, tablica ili grafičkih prikaza. Ukupno je tu 26 grafičkih elemenata organiziranih u šest kategorija.

Temeljni pogled na inteligentni tutorski sustav uključuje znanje o području i znanje o tome kako poučavati, koje je u načelu modularno organizirano tako da se njihovi sadržaji mogu kombinirati, vizualizirati i uređivati onako kako to autor osmisli. S tim u vezi je i strategija poučavanja u Eon-u oslonjena na višeslojnu arhitekturu nastavnih sadržaja (slika 7.24.) uz ontologijsko okruženje u kojem su definirani koncepti: lekcije (eng. lessons), nastavni elementi (eng. topics), razina nastavnog elementa (eng. topic level), prezentacija sadržaja (eng. presentation contents), događaji (eng. events).

Događaji predstavljaju nisku razinu interakcije učenika i tutora kao što su primjerice: aktiviranje nekog dugmeta ili pak pomoć tutora.

Prikaz sadržaja predstavlja razinu na kojoj učenik mora nešto odraditi kao što je uređivanje teksta ili slike ili pak popuniti predložak ili parametre algoritama.

Razina nastavnog elementa. U Eon sustavu razine nastavnih elemenata unutar nastavnih elementa dopuštaju prikaz višerazinskog izvršavanja kao što je primjerice memoriranje prema znanju, provjeravanje (od početnika do stručnjaka) i pedagogijski sadržaj (sažetak, motivacija, primjer, vrednovanje i td.) za svaki nastavni element.

Nastavni element. Inteligentni tutor mora donijeti zaključak o tome koje znanje ili vještinu ima učenik. Posve različito od tradicionalnih CAI sustava, ovdje je znanje iskazano uz pomoć apstraktnih entiteta koji egzistiraju u mislima učenika, a što u suštini predstavlja konkretni sadržaj koji mu se predstavlja. Spomenuti entiteti se ovdje

Građa inteligentnih tutorskih sustava

65

nazivaju nastavnim elementima, dok u drugim sustavima postoje nazivi nastavne jedinice ili elementi područnog znanja ili jedinice znanja ili spoznajno pravilo. Nastavni sadržaj, pohranjen kao tekst ili medij je prikazan učeniku, a ono što sustav pruža na postavljena pitanja ili testove, je odgovor tipa „ispravno“, „odgovoreno“, „prošao“ i tome slično. U vezi s iznesenim u tutorskim sustavima na znanju utemeljenim nastavna jedinica na bilo kojoj razini je predstavljena kao element. Dakle, element je objekt koji se može upotrijebiti za predstavljanje različitih tipova jedinica (kao što su koncepti i činjenice) te se mogu upotrijebiti za predstavljanje različitih hijerarhijskih razina koje zovemo poglavlja, sekcije ili pod-elementi (eng. sub-topics).

Slika 7.24. Okruženje strategije poučavanja Eon-a (prema Murray, 2003)

Lekcija predstavlja objekt upotrijebljen za specifikaciju nastavnih ciljeva kao i stilova učenja/poučavanja različitih grupa studenata ili razdoblja učenja.

Generalno okruženje strategije poučavanja Eon-a (prema slici 7.24.) raspolaže sa strukturom u kojoj se aktiviranjem lekcije pokreće određeni broj nastavnih elemenata, u kojima se aktiviraju određene razine poučavanja od kojih svaka ima svoj nastavni sadržaj kojeg treba prezentirati, a u njima se konačno aktiviraju i određeni događaji.

Model učenika je komponenta sustava Eon koji sadržava trag ponašanja učenika i donosi zaključak o tekućoj razini znanja učenika i to na svim nastavnim elementima izabrane lekcije. Murray (2003) ističe da Eon koristi jednu varijantu modeliranja učenika metodom prekrivanja u kojoj je svaki nastavni element područnog znanja vrednovan s određenom ocjenom. Osim toga Eon za modeliranje učenika koristi „knjižnicu“ pogrešaka što je u suglasju pogrešnim poimanjima i neznanjem.

Eon sustav je korišten pri izgradnji ovih tutorskih sustava: Keigo Tutor za poučavanje dijela japanskog jezika „honorific“; Bridging Analogies Tutor uključuje Sokratovsku strategiju poučavanja općih znanstvenih načela; Chemistry Workbench za poučavanje

Građa inteligentnih tutorskih sustava

66

kemijskih procesa i kemijskih reakcija; Statics Tutor poučava uvodne koncepte statike. Informacije o paketu autorskih alata Eon su dostupne na Web stranici: http://www.tommurray.us/index.asp.

AUTORSKI SUSTAV RIDES

Autorski sustav RIDES (Rapid Intelligent Tutoring System Development Shell) (http://www.spider.hpc.navy.mil) (Munro, Pizzini, 1996) je sljedbenik skupa programskih alata IMTS - Intelligent Maintenance Training System (Towne i Munro, 1988) namijenjen oblikovanju i prikazu interaktivnih grafičkih simulacija za primjenu na računalu utemeljene obuke u tehničkim disciplinama. S tim u vezi IMTS sustav podržava obuku operatera i ostalog osoblja za rad i održavanje složenih uređaja i sustava. Simulacije autoriziraju stručnjaci područja koji koriste IMTS alate za oblikovanje komponenata uređaja s ciljem opisivanja njihovog ponašanja i simuliranja rada industrijskih komponenata. Primjerice je IMTS primijenjen za potrebe Ratne mornarice SAD-a pri oblikovanju tutorskog sustava za dijagnostiku problema na helikopterima, nadalje za oblikovanje tutorskih sustava za složene električne i hidrauličke sustave. Sustav IMTS je na Sveučilištu Južna Kalifornija u SAD (Behavioral Technology Laboratory) korišten kao osnova za nastavak istraživanja i poboljšanja rada grafičkih uređivača što je rezultiralo primjenom za podršku tutorskih sustava u vojnom zrakoplovstvu SAD čime je evoluirao u autorski sustav RIDES.

RIDES predstavlja integrirano programsko okruženje za razvoj i isporuku nastavnih sadržaja po modelu tutorskog poučavanja i poučavanja vještina utemeljeno na prikazima s grafičkom simulacijom. Upotrebom sustava RIDES autori imaju mogućnost oblikovanja interaktivnih grafičkih modela uređaja ili složenijih sustava, te pri tom brzog oblikovanja interaktivnih nastavnih sadržaja u kontekstu ovih grafičkih modela. Učenici koriste sustav RIDES u interakciji s autorskim sadržajima. Osim toga, učeniku se može dozvoliti slobodno istraživanje unutar grafičkih simulacijskih prikaza. RIDES naslovljava dva temeljna istraživanja unutar interakcije čovjeka i računala. Prvo se odnosi na utvrđivanje značajki ponašanja interaktivnih grafičkih simulacija. Drugo istraživanje utvrđuje značajke koje na najbolji način podupiru autora pri razvoju ovakvih tutorskih sustava. RIDES sustav je izveden na X-Windows platformi unutar operacijskog sustava Unix, a model razvoja nastavnih sadržaja na ovom sustavu je prikazan na slici 7.25. Autor mora specificirati ciljeve poučavanja, mora povezati ciljeve poučavanja s elementima nastavnog sadržaja, i mora razviti model područnog znanja takav da ga autor može povezati sa ciljevima poučavanja.

Nakon što je interaktivni grafički model razvijen potrebno je izgraditi nastavne sadržaje te to sve skupa povezati sa ciljevima poučavanja.

VIVIDS (Munro, 2003) predstavlja proširenu verziju sustava RIDES koja radi sa 3D i 2D grafičkim prikazima. 3D pogledi su predstavljeni uz pomoć suradnih programskih sustava kao što je primjerice Vista Viewer (koja omogućava oblikovanje okruženja prividne stvarnosti, Stiles i drugi, 1996). VIVIDS uključuje autonomnog agenta koji motri i kritizira akcije učenika i time ostvaruje važnu zadaću u timu za obuku. Slika 7.25.

Građa inteligentnih tutorskih sustava

67

prikazuje tipično okruženje sa VIVIDS simulacijom iskazano uz pomoć 3D Vista preglednika u koje su uključena i dva autonomna agenta. Autonomni agent Steve (Soar Training Expert for Virtual Environment) (Johnson i ostali, 1998) radi pod okriljem sustava VIVIDS i predstavlja „umjetnog“ učesnika u simulaciji, motri učenika i pruža pomoć u otklanjanju pogrešnih poimanja. VIVDS na taj način omogućava oblikovanje providnog okruženja za obuku (eng. virtual environment for training).

Slika 7.25. Model razvoja nastavnih sadržaja unutar sustava RIDES

Utvrđivanje ciljeva učenja

Utvrđivanje potrebnih nastavnih sadržaja

Razvoj interaktivnog grafičkog modela

Izradi scene

(prizore)

Unesi objekte

Izradi objekte

Poveži

ponašanje

objekata

Oblikuj novo

ponašanje

Test grafičkog

modela

Razvoj lekcija unutar konteksta simulacije

Rasprave autora Vježbe

oblikovane od

strane autora

Lekcije

oblikovane od

strane autora

Test lekcije

Poveži lekcije sa ciljevima

Građa inteligentnih tutorskih sustava

68

Slika 7.26. Okruženje simulacije uz učešće autonomnih agenata (Munro, 2003)

RAPIDS – Rapid Prototype ITS Development System (Towne & Munro, 1991) je dodatni skup programskih alata izgrađenih na temeljima sustava IMTS s namjerom da omoguće autorski rad u spektru različitih tečajeva obuke oslonjene na simulaciju. RAPIDS je čak što više sveobuhvatan autorski sustav koji omogućava direktno rukovanje autorskim tehnikama za oblikovanje nastavnih sadržaja. Posebno je značajnu primjenu ostvario u vojsci.

AUTORSKI SUSTAV SIMQUEST

SIMQUEST (van Joolingen i de Jong, 2003) je autorski sustav izveden s temeljnim ciljem da osigura:

­ učenicima okruženje za učenje otkrivanjem temeljeno na simulaciji, ­ učiteljima - autorima prilagodljive alate za izradu tih okruženja, koji autorskom

procesu pružaju tehničku i pojmovnu potporu. SIMQUEST je nasljednik sustava SMISLE (System for Multimedia Simulation Learning Environment), ali uz potporu autoru u izgradnji interaktivnih okruženja za učenje. Autorima je na raspolaganju znanje prikazano u eksplicitnom (alati kao što su savjeti i sustav pomoći) i implicitnom obliku (knjižnica sa gotovim predlošcima), dok je učenicima potpora dostupna u procesu učenja putem nastavnih mjera (eng. instructional measures) koje uključuju objašnjenja (eng. explanations), zadatake (eng. assignments), te alate za praćenje napretka (eng. monitoring tools).

Građa inteligentnih tutorskih sustava

69

Izrada simulacije u sustavu SIMQUEST je objektno-orijentirana: autor iz priložene knjižnice izabire gotove predloške objekata (modele simulacije, elemente sučelja, nastavne mjere i elemente testova), izrađuje dijelove okruženja za učenje, te ih prilagođava svojim potrebama, dok sustav koordinira osnovnu interakciju između pojedinih dijelova. Nadalje, svi elementi knjižnice ponašaju se prema određenim protokolima koji im omogućuju prilagođavanje posebnim potrebama autora, kopiranje ili povezivanje elemenata. To knjižnici omogućuje jednostavno proširenje, a sustavu SIMQUEST otvorenost i prilagodljivost, što su dvije bitne značajke ovog sustava, koje omogućuju autorima da izrade okruženja za učenje na vlastiti način, te da se gotove simulacije mogu lako preraditi i prilagoditi novim zahtjevima. Prilagodljivost sustava SIMQUEST vidljiva je i u tome da ne postoji jedinstveni redoslijed izrade simulacije, već autor proizvoljno izabire poredak koraka koje će izvesti. Ovo omogućuje jednostavnu podjelu izrade simulacije u više dijelova, te time i suradnju više autora (stručnjaka za određena područja) na izradi iste simulacije. Osim toga, SIMQUEST nudi mogućnost interakcije sa drugim simulacijama, bile one izrađene u sustavu SIMQUEST ili ne.

Autore aplikacija izrađenih u sustavu SIMQUEST moguće je podijeliti u tri kategorije: profesionalce koji razvijaju nastavnu programsku podršku, učitelje i učenike koji izrađuju nastavne sadržaje za potrebe njihovog procesa učenja. Pritom osnovnu grupu korisnika čine učitelji, koji u pravilu nisu programeri, te nemaju mnogo iskustva u radu sa simulacijama. Iz ovoga se može zaključiti da izrada aplikacije pomoću sustava SIMQUEST ne zahtijeva pisanje programskog koda, te da sustav nudi kvalitetnu potporu kako sa tehničkim pitanjima i oblikovanjem aplikacija, tako i sa korištenjem okruženja za učenje. Ovo je postignuto tako što je oblikovanje sustava SIMQUEST vođeno sljedećim principima:

­ SIMQUEST za izradu okruženja za učenje koristi objektno-orijentiranu metodu: izrada

aplikacija koja se sastoji od izbora, mijenjanja i povezivanja postojećih elemenata za

gradnju;

­ SIMQUEST sadrži knjižnicu elemenata za izradu simulacija, njihovih sučelja i nekoliko

vrsta nastavnih mjera, pri čemu se autorima nudi mogućnost dodavanja njihovih vlastitih

(specijaliziranih) elemenata, koje zatim mogu koristiti u izradi drugih SIMQUEST

aplikacija

­ SIMQUEST nudi namjenske savjete o načinima oblikovanja osjetljive okoline za

otkrivanje temeljeno na simulaciji;

­ SIMQUEST osigurava pomoć osjetljivu na kontekst za tehnička pitanja vezana uz izradu

okruženja za učenje;

­ SIMQUEST sadrži inteligentnog čarobnjaka koji početnika vodi kroz sve faze izrade

aplikacije.

Građa inteligentnih tutorskih sustava

70

Slika 7.27. Pogled učitelja na okruženje sustava SIMQUEST

Navedena pravila omogućuju da proces izrade aplikacije u sustavu SIMQUEST bude jednostavan za autora, ali i dovoljno snažan za izradu okruženja za učenje koje će učenicima predstavljati izazov, a učiteljima kvalitetno nastavno pomagalo.

Izrada aplikacija u ovakvom okruženju sustava SIMQUEST započinje s odabirom elementa iz knjižnice (1), zatim povlačenjem elementa u aplikaciju (2), te konačno s detaljnijim uređivanjem svojstva izabranog elemenata (3).

Područje za koje se neko okruženje za učenje uz pomoć sustava SIMQUEST izrađuje značajno utječe na izgled tog okruženja, no sva okruženja za učenje zapravo imaju sličnu strukturu, baš kao što su i aktivnosti koje učenik može izvesti u svakom od okruženja iste. Okruženje za učenje sastoji se od jednog ili više prozora za promatranje i kontrolu simulacije, prozora koji prikazuju nastavne mjere, te pogleda učenika (eng. learner view) koji omogućuje kontrolu nad okruženjem za učenje.

Učenik u svakom trenutku vidi sučelje simulacije, popis nastavnih mjera koje su u danom treunutku dostupne, te prozore koji prikazuju aktivne nastavne mjere. To znači da učenik treba podijeliti svoju pažnju između simulacije i nastavnih mjera. Učenik pritom može biti uključen u neku od aktivnosti kao što su slobodna interakcija sa simulacijom, interakcija sa nastavnim mjerama, interakcija sa simulacijom u granicama koje zadaje neka nastavna mjera ili planiranje i odabir interakcije sa simulacijom ili nastavne mjere koja će se sljedeća izvršiti.

Njoo i Jong (1993; prema van Joolingen, de Jong, 2003) prve tri aktivnosti povezuju uz temeljne procese otkrivanja ili procese učenja koji preoblikuju znanje, dok planiranje i odabir interakcije sa simulacijom povezuju s planiranjem i praćenjem procesa učenja.

1

2

3

Građa inteligentnih tutorskih sustava

71

Slika 7.28. Pogled učenika na SIMQUEST okruženje

Arhitektura sustava SIMQUEST omogućuje da sustav samostalno generira sve veze između elemenata izgradnje. Za ispravan rad sustava SIMQUEST neophodna su dva aspekta arhitekture:

­ Strogo odvajanje elemenata u izvršnom vremenu (eng. Run-time elements) od elemenata za vrijeme izrade aplikacije (eng. Author-time elements)

­ Strogo odvajanje modela simulacije od nastavnih elemenata

Centralni element protokola za interakciju simulacije sa nastavnim mjerama je sklop simulacije (eng. Simulation context), koji sadrži informacije o svim aktivnostima koje se mogu izvršiti nad simulacijom, kao i o svim varijablama prisutnim u modelu simulacije. Svakom modelu simulacije i svakoj razini aktualnog znanja pridružen je točno jedan sklop simulacije koji ima nekoliko zadataka: ­ sadrži podatke o aktivnostima koje se mogu izvršiti nad simulacijom, te o varijablama

prisutnim u modelu simulacije

­ služi kao osnova za komunikaciju različitih vrsta elemenata okruženja za učenje

­ služi kao osnova komunikacije izmeĎu različitih autora koji suraĎuju

­ osigurava da će proces izrade aplikacije biti fleksibilan

­ omogućuje autoru da osigura smislena imena varijabli

­ upravlja interakcijom izmeĎu modela, sučelja simulacije i nastavnih mjera za vrijeme

izvoĎenja aplikacije

Građa inteligentnih tutorskih sustava

72

Pozitivna su nastojanja sustava SIMQUEST da postigne pet općih ciljeva autorskih alata koje je postavio Murray (Murray, 2003): ­ SIMQUEST smanjuje vrijeme i cijenu izrade inteligentnog tutora omogućujući

modulima automatsku integraciju u sustav, te ponudom standardnih predložaka, čime se uklanja potreba za programiranjem

­ SIMQUEST potpuno skriva razinu programiranja od autora, tako da i oni autori koji nemaju mnogo iskustva sa računalnim alatima u mogućnosti izraditi SIMQUEST aplikaciju. Kao posebna pomoć prisutni su savjeti i čarobnjak.

­ Modul savjeta uključen u sustav SIMQUEST autorima nudi potporu pri izboru nastavnih strategija i njima pridruženih nastavnih mjera

­ SIMQUEST omogućuje brzu izradu prototipa svakog elementa okruženja za učenje, pri čemu se sučelje simulacije i nastavne mjere mogu pokrenuti direktno iz autorskog okruženja, te prikazati u obliku koji će imati u završenoj aplikaciji.

Kao nedostajući faktor sustava SIMQUEST de Jong i van Joolingen (2003) navode da sustav ne podupire eksplicitno određene strategije poučavanja: autor može pomoću modula savjeta učiti o oblikovanju nastavnog procesa, ali ne postoji mogućnost odabira strategije poučavanja u obliku predloška za čitavo okruženje za učenje; na razini nastavnih mjera ponuđeni su predlošci, ali ne i njihov redoslijed; autor sam treba osmisliti pedagogijsku strategiju.

De Jong i van Joolingen najavili su daljnji razvoj sustava SIMQUEST u Web orijentirani sustav za učenje otkrivanjem koji omogućuje suradnju učenika. Prve mrežne verzije ovog sustava predstavljene su 2002. i 2003. godine. Početkom 2009. godine objavljena je verzija 6.2 sustava SIMQUEST.

AUTORSKA LJUSKA AUTOTUTOR

AutoTutor (www.autotutor.org) je Web-orijentirana autorska ljuska za izgradnju inteligentnih tutorskih sustava razvijena inerdisciplinarnim radom istraživačkog tima pod nazivom The Tutoring Research Group na Sveučilištu u Memphis u SAD-u. Istraživački tim sačinjava oko 35 istraživača iz područja: psihologije, računarstva, lingvistike, fizike, tehničkih znanosti i obrazovanja, a podržava ga ured za istraživanja u Ratnoj mornarici (Office of Naval Research ) i nacionalna zaklada za znanosti (National Science Foundation) SAD-a. U pripremnom razdoblju za implementaciju AutoTutor-a izvedene su brojne analize: realnog poučavanja po modelu jedan na jedan, pedagogijskih strategija i vođenja razgovora. Ovo istraživanje pružilo je teorijsku i empirijsku podlogu za razvoj inteligentnih tutorskih sustava koji pomažu u učenju pomoću dijaloga na prirodnom jeziku.

Pedagogijski okvir Auto Tutor-a je inspiriran konstruktivističkom teorijom učenja temeljenoj na objašnjavanju i empirijskom istraživanju koje dokumentira suradničke aktivnosti što se odvijaju za vrijeme tutorskog učenja u realnom svijetu. Prema

Građa inteligentnih tutorskih sustava

73

konstruktivističkom pristupu baziranom na objašnjavanju, učenje je učinkovitije i dublje kada učenik mora aktivno generirati objašnjenja, opravdanja i funkcionalne procedure. Prema empirijskom istraživanju tutorskog dijaloga u AutoTutor je uveden obrazac dijaloga. Poznata je činjenica da učenici rijetko postižu duboko razumijevanje nastavnih sadržaja kojeg trebaju naučiti neposredno na nastavi. Učenici su obično zadovoljni površnim znanjem kao što je: popis pojmova, nešto činjenica o tim pojmovima, jednostavne definicije i ključni izrazi. Nedostaju im duboka koherentna objašnjenja koja organiziraju površno znanje i potkrepljuju izvođenje zaključaka, rješavanje problema i primjenu znanja na situacije u praksi. Postizanje površnog znanja nažalost je potkrepljivano uobičajnim aktivnostima u učionici i formatima ispita. Predavanja unutar učionice su obično sustavi za dostavljanje informacija za površno znanje. Pitanja nastavnika najčešće zahtjevaju kratak odgovor. Većina ispita se sastoje od pitanja višestrukog izbora, pitanja s odgovorom točno – netočno, popunjavanje praznina i slično. Zbog toga mnogi istraživači i nastavnici proučavaju okruženja za učenje i pedagogijske strategije koje promiču duboko razumijevanje.

Konstruktivisički pristup je najpopularniji pristup za uklanjanje barijere površnog znanja. Prema konstruktivizmu učenik mora aktivno konstruirati znanje interakcijom. Okruženje u kojem se odvija učenje treba stimulirati aktivno konstruiranje znanja i omogućavati povratne informacije o tim konstrukcijama. Konstruktivistički pristup je u potpunosti oblikovao standarde za oblikovanje nastavnih sadržaja i nastave u SAD-u. Najvažniji izazovi konstruktivistima su identificiranje strategija, procesa, vježbi i okruženja koja odgovaraju ciljevima učenja. Učinkovite pedagogijske aktivnosti ne moraju biti jedanake za različita područna znanja i različite skupine učenika.

AutoTutor sada omogućava poučavanje iz područja računarstva: tehnička podrška, operacijski sustavi i Internet, kao i iz područja Newton-ovske fizike. AutoTutor se može adaptirati i na druga područna znanja. Umjesto da bude sustav za dostavljanje informacija, AutoTutor služi kao sudionik u razgovoru ili suradnička potpora koja pomaže učeniku pri konstruiranju znanja. Sustav funkcionira tako da vodi razgovor s učenikom, a pojavljuje se u obliku animiranog agenta koji ima ulogu partnera u dijalogu. Animirani agent djeluje sintetiziranim govorom, intonacijom, izrazima lica i gestama rukom. AutoTutor prezentira niz pitanja poput “zašto”, “kako”, “što ako”, koja zahtjevaju približno jednak skup informacija za idealan odgovor.

Građa inteligentnih tutorskih sustava

74

Slika 7.29. Sučelje AutoTutor-a – verzija o računalnoj pismenosti

Sustav pokušava izvući od učenika što više znanja pomoću sugestija ili poticaja, pomaže popuniti informacije koje nedostaju, ispravlja pogrešna poimanja i odgovara na pitanja učenika. Dijalog između AutoTutora i učenika za odgovor na jedno pitanje traje oko sto dijaloških razmjena, što otprilike odgovara duljini razgovora između živog tutora i učenika. Za neke nastavne sadržaje postoje grafički prikazi i animacije. Sučelje AutoTutor-a prikazano je na slici 7.29. Lijevi prozor ima „glavu koja govori“ i za učenika predstavlja sugovornika u dijalogu. Dijaloški potezi praćeni su sintetiziranim govorom, intonacijom, izrazima lica, klimanjem glave i gestama i ne pojavljuju se u formi teksta na ekranu. Glavno pitanje (ili problem) na kojem učenik radi u isto je vrijeme ispisano u vrhu radnog okruženja i izgovoreno od strane AutoTutora. Učenik tipka odgovor, kao što

se vidi u donjem dijelu radnog okruženja. Za neke elemente nastavnog sadržaja (kao što se

vidi u desnom dijelu na slici 7.30.), postoje grafički prikazi i animacije, s komponentama na

koje AutoTutor upućuje. AutoTutor je dizajniran da bi bio dobar sugovornik koji usklaĎeno

razumije, govori i pokazuje emocije.

Primjer 1. (slika 7.30.) prikazuje razgovor izmeĎu učenika i AutoTutora (Graesser i drugi

2001). Prije ovog pitanja, od učenika se prethodno tražilo da pokuša odgovoriti na 6 pitanja o

Internet-u. Internet je bio glavni element nastavnog sadržaja (eng. macrotopic) i učenike se

poučavalo pomoću odgovaranja na nekoliko pitanja o Internetu koja zahtijevaju duboko

razmišljanje. Treba naglasiti da ovo nije umjetni razgovor, nego stvarni - bona fide dijalog od

približno 200 AutoTutor – učenik razmjena upita i odgovora u tečaju računalne pismenosti.

AutoTutor počinje razgovor postavljajući pitanje koji u svom prvom dijaloškom ciklusu

(Tutor – 1) postavlja pitanje: Koji je hardwar-e potreban za fotografiranje i slanje slika putem

Interneta? MeĎutim, AutoTutor ne postavlja pitanja nasumično i bez razloga. Prvo najavi

oznaku u razgovoru (eng. discourse marker – discourse je razgovor specifičan po tome što se

bavi sa onim što će biti sljedeće pitano) koja u načelu označava promjenu u elementu

nastavnog sadržaja (U redu, nastavimo), zatim predstavlja kontekst čime zaokružuje pitanje

(Želite fotografirati i slati fotografije putem Interneta), te onda predstavlja oznaku razgovora

koji signalizira pitanje (Razmotrite ovaj problem).

Građa inteligentnih tutorskih sustava

75

Tutor -1 U redu, nastavimo. Želiš napraviti fotografiju i poslati je Internetom. Razmotri ovaj problem. Koji element tehničke podrške računala je potreban da učiniš fotografiju i pošalješ je putem Internet-a.

Učenik – 1 Prvo i prije svega moram imati pristup Internet-u.

Tutor – 2 Što još?

Učenik – 2 Fotoaparat.

Tutor -3 Da. No, za koju vrstu povezivanja na Internet trebaš mrežnu karticu?

Učenik – 3 Mrežna kartica

Tutor -4 Dobro, ako imaš pristup Internet-u pomoću mrežne kartice, radi se o vezi ...

Učenik – 4 Ne znam

Tutor -5 Direktna. Ok. Treba mrežna kartica ako imaš direktnu vezu s Internet-om. Ok. Kako se korisnik spaja na Internet?

Učenik – 5 Pomoću utikača.

Tutor -6 Još jednom, mrežna kartica je potrebna ako imaš direktnu vezu s Internet-om. Ok, što radi modem.

Učenik – 6 Povezuje mrežnu karticu i Internet.

Tutor -7 Dobro, probaj ovako. Modem je potreban kad postoji ..

Učenik – 7 Veza

Tutor – 8 Dial-up veza

... ...

Tutor – 30

Ponovimo. Za slanje slika preko Interneta, treba vam digitalni ili obični fotoaparat kako biste fotografirali. Ako upotrijebite obični, trebate skener kako biste skenirali slike na disk kompjutera. Ako imate direktnu internetsku vezu, treba vam mrežna kartica. Modem vam je potreban ako imate dial-up vezu.

Slika 7.30. Primjer tutorskog dijaloga između AutoTutor-a i učenika

Dakle, AutoTutor nadgleda različite razine strukture razgovora i funkcije pokreta tijekom

dijaloga, unosi prikladne oznake razgovora koji učeniku pojašnjavaju razine i funkcije.

Bez oznake razgovora, učenici su zbunjeni oko toga što AutoTutor radi i što bi trebali dalje napraviti. Oblikovana je i posebna mreža za usklađivanje dijaloga (eng. Dialogue Advancer Network - DAN). To je konačni automat koji može upravljati različitim vrstama informacija koje učenici utipkaju. Proširena je produkcijskim pravilima koji su osjetljivi na učenikove sposobnosti učenja, kao i nekim parametrima dijaloške povijesti.

Ovaj primjer ilustrira razgovor uz pomoć dijaloga podjeljene inicijative. AutoTutor se pokušava virtualno prilagoditi svakom učenikovom pitanju ili komentaru. Svaki potez AutoTutor-a zahtjeva generiranje jednog ili više dijaloških poteza koji prikladno

Građa inteligentnih tutorskih sustava

76

odgovara na ono što je učenik napisao i unaprijeđuje razgovor na konstruktivan način. Dijaloški potezi tutora unutar jedne dijaloške razmjene su povezani oznakama razgovora kao što je pokazano u navedenom primjeru. Neki dijaloški potezi odgovaraju na prethodnu učenikovu razmjenu poput kratke povratne informacije koja može biti pozitivna, neutralna ili negativna, ili poput odgovora na njegovo pitanje ili kao ispravak pogrešnih poimanja. Ostali dijaloški potezi nastavljaju dijalog. Arhitektura AutoTutor-a je podržana sa šest modula (Jackson i drugi, 2004): (i) modulom animiranog agenta koji predstavlja “glavu koja govori” (eng. talking head), (2) modulom sa scenarijem currculum-a (eng. curriculum script), (3) modulom latentne semantičke analize (eng. latent semantic analysis), (4) modulom za analizu jezika (eng. language analysis), (5) modulom mreže za usklađivanje dijaloga (eng. dialogue advancer network), (vi) modulom generatora dijaloških poteza (eng. dialog move generator). Većinu dijaloških poteza tutora prenosi animirani pedagogijski agent - glava koja govori te sinkronizira sintetizirani govor, izraze lica i geste pri čemu se koristi Microsoft Agent. Izrazi lica i intonacija u kratkoj povratnoj informaciji osjetljivi su na kvalitetu tvrdnji u zadnjoj učenikovoj izmjeni. Neizrazita produkcijska pravila generiraju parametre izraza lica i intonacije. Intonacija i izrazi lica ograničeni su ljubaznošću i odgovarajućim poticanjima. Na primjer, ako je učenikova tvrdnja pogrešna, nepristojno je reći «ne, u krivu si», jer je to agresivan nastup koji može umanjiti učenikov pomak u učenju. Bolje je reći «OK», ali napraviti pauzu ili intonirati tako da se izrazi skepticizam. Verbalni kod pruža ljubaznost dok intonacija osigurava poticajnu stranu. AutoTutor ima repozitorij nacrta curriculum-a, a svaki nacrt sadrži nastavne sadržaje sa pridruženim pitanjima ili problemima organiziranim u datotekama. Sa svakim elementom nastavnog sadržaja je povezan skup očekivanja, skup natuknica i upita za svako očekivanje, te skup predviđenih pogrešnih poimanja i njihovih ispravaka, kao i (neobavezno) slike ili animacije koji zahtijevaju odgovarajuće medije. Dakle, svaka datoteka je organizirana prema nastavnom sadržaju povezanim sa određenim pitanjem ili problemom. Za svaki postoji (1) idealni odgovor, (2) skup očekivanja, (3) skup potencijalnih natuknica, natuknice ispravljanja, poticaji, poticaji na ispravljanje i tvrdnje povezane sa svakim očekivanjem, (4) skup pogrešnih poimanja i ispravaka pogrešnih poimanja, (5) skup ključnih riječi i funkcionalnih sinonima, (6) sažetak; i (7) jezik za prikazivanje dokumenata za generator govora i generator gesti za komponente u (1) kroz (6) koje zahtijevaju djelovanje animiranog agenta. Stručnjaci u nekom području lako mogu stvoriti sadržaj curriculum-a s alatom za stvaranje multimedijskog sadržaja koji se zove ASAT - AutoTutor Script Authoring Tool. Curriculum za računalnu pismenost sadrži tri makro elemenata nastavnog sadržaja: hardware, operacijski sustav i Internet. Unutar svakog makro elemenata je dvanaest elemenata sa tri razine zahtjevanosti (laka, srednja i teška). Srednje teška pitanja traže uzročne mreže, planske procedure i logičko usklađivanje (npr., zašto ili kako se javlja x?, što ako se dogodi x?, koje su posljedice x-a?), dok laka pitanja traže popis sastavnica i njihove karakteristike (npr. koje su sastavnice ili karakteristike x-a?). Teška su pitanja zahtijevala usporedbu, sintezu, ili integraciju odvojenih ideja ili pak primjene znanja na problem iz stvarnog svijeta. Latentna semantička analiza (eng. Latent Semantic Analysis - LSA) je statistička metoda za prikazivanje značenja riječi i dijelova teksta. Prije svega je LSA oblikovana kao alat za

Građa inteligentnih tutorskih sustava

77

pretraživanje teksta (Deerwester i drugi, 1990), ali je zbog svojih dobrih osobina njena primjena proširena na filtriranje informacija, pretraživanje informacija na više jezika, ocjenjivanje znanja, strojno učenje kao i modeliranje učenja kod čovjeka. Sustav AutoTutor koristi LSA za „razumijevanje“ učenikovih odgovora tokom obavljanja dijaloga. LSA evaluira učenikove odgovore uspoređujući ih sa skupom očekivanih odgovora, za koje je poznato da li su točni ili pogrešni, pa s tim u vezi LSA izračunava sličnosti između dvije sentence (ili teksta u proizvoljnoj veličini) koje se odnose na područno znanje koje učenik stječe u procesu poučavanja.

Modul za analizu jezika analizira riječi u porukama koje učenik unese tipkovnicom tijekom određene konverzacijske izmjene. Postoji leksikon s oko 10000 riječi, a svaki leksički unos raspolaže sa alternativnim sintaktičkim klasama i frekvencijama uporabe u engleskom jeziku. Na primjer, «program», je imenica, glagol ili pridjev (program, programirati, programski). Svaka riječ koju učenik unese uspoređuje se s odgovarajućom natuknicom u leksikonu kako bi se dobile alternativne sintaktičke klase kao i vrijednost frekvencije riječi. Postoji i LSA vektor za svaku riječ. AutoTutor može razdvojiti unos u niz riječi i znakova interpunkcije s 99% točnošću, pripisati riječima alternativne sintaktičke klase s 97% točnošću i pripisati riječi točnu sintaktičku klasu (temeljeno na kontekstu) s 93% točnošću. Neuronska mreža pridružuje točnu sintaktičku klasu riječi W, uzimajući u obzir sintaktičku klasu prethodne riječi (W-1) i sljedeće riječi (W+1).

Modul mreže za usklađivanje dijaloga predstavljena je mehanizmom koji je oblikovan radi graduiranja i jasnoće konverzacije koja je implementirana uz pomoć oznaka u razgovoru. Ova dijaloška mreža zajedno sa procjenom koju obavlja LSA pomaže pri određivanju sljedećeg poteza u dijalogu AutoTutora kao što su: glavno pitanje, kratka povratna informacija, dodatne informacije, poticanje, natuknice, tvrdnja, ispravak ili sažetak.

Modul za generiranje dijaloških poteza. Nakon što učenik utipka svoj sadržaj unutar dijaloga tada AutoTutor mora generirati svoj dijaloški potez. Ponekad AutoTutor odgovara na učenikova pitanja. Međutim, pitanja učenika nisu baš česti govorni iskaz, AutoTutor češće odgovara na učeničke tvrdnje i dograđuje ih dok dvije strane surađujući odgovaraju na pitanja ili rješavaju probleme. Tako AutoTutor služi kao svojevrsna proteza u razgovoru, izvlačeći iz učenika ono što isti zna i podižući njegovo znanje na višu razinu. AutoTutor obično odmah pruža povratnu informaciju o kvaliteti tvrdnji učenika u prethodnoj izmjeni (tj. pozitivna, negativna, neutralna povratna informacija) nakon čega slijedi duži neovisni unos koji potiče učenika na više, koji dodaje podatke ili ispravlja pogrešku učenika. Duži unosi uključuju poticaje, upute, natuknice, objašnjenja, povezivanje informacija, potpitanja i sažetke. AutoTutor obično ostvari dva dijaloška poteza unutar jedne izmjene, npr. neutralnu povratnu informaciju nakon koje slijedi natuknica. Kategorije dijaloških poteza za vrijeme izmjena AutoTutora određuje skup neizrazitih produkcijskih pravila. Pravila su podešena prema (a) kvaliteti tvrdnji učenika, (b) sposobnosti učenika, (c) stupnju pokrivenosti elementa nastavnog sadržaja i (d) rječitosti učenika. Prva tri parametra se računaju pomoću LSA, dok je četvrti mjera koliko (a ne kako dobro) učenik doprinosi elementu nastavnog sadržaja.

Građa inteligentnih tutorskih sustava

78

Rezultati evaluacija otkrivaju da Auto Tutor unaprijeđuje učenje. Posljednjim eksperimentima uspoređivale su se dvije verzija AutoTutor-a, sa i bez 3D simulacija. Razlika je bila jedva zamjetljiva i neznačajna (0.20 sigma) u korist simulacija. Učenici iz grupe koja je radila sa simulacijama su pokazali pozitivnu korelaciju između rezultata učenja i dvije važne varijable simulacija: broja i relevantnosti simulacije s problemom.

Računalni tutori su implementirali neke pedagogijske strategije i obrasce razgovora živih tutora ili idealnih teorija učenja. Prednost računalnih tutora je mogućnost manipuliranja određenom pedagogijskom strategijom. Na taj način je lakše odrediti ima li određena strategija utjecaja na učenje. U Auto Tutor su implementirane pedagogijske strategije i obrasci razgovora živog tutora i učenje je poboljšano za 0.5 do 0.6 standardnih devijacija (sigma).

Analize su pokazale da su najvjerojatnije dva mehanizma odgovorna za učinkovitost tutorskog učenja. To su sofisticirane tutorske strategije te obrazac razgovora i prirodan jezik koji pomaže tutoru poticati učenika na nove razine savladavanja gradiva. Idealan inteligentni tutorski sustav bi morao sadržavati oba mehanizma.

**********

Na kraju poglavlja o građi inteligentnih tutorskih sustava treba istaknuti da je argumentirana migracija on-site inteligentnih tutorskih sustava u Web okruženje te s tim u vezi prikazani sustavi koji su polučili u primjenama dobre rezultate. Osim toga, opisane su poteškoće u oblikovanju i razvoju inteligentnih tutorskih sustava te prezentirana potreba autorskog rada stručnjaka različitih profila iz područnog znanja kao i učitelja – tutora radi oblikovanja i implementacije autorskih ljuski (autorskih alata i autorskih sustava) čija okruženja omogućavaju izgradnju inteligentih tutorskih sustava. Prikazan je i pregled razvijenih inteligentnih tutorskih sustava u okruženju Internet-a i WWW usluga. U sljedećim poglavljima ovog dijela posebno će se analizirati moduli inteligentnog tutorskog sustava: modul stručnjaka, modul učitelja, modul učenika i komunikacijski modul.

79

Poglavlje 8.

ZNANJE STRUČNJAKA (MODUL STRUČNJAKA)

Izazov pred svakim novim inteligentnim tutorskim sustavom jest u tome da pruži predstavljanje područnog znanja u toliko širokom opsegu da podrži zahtijevanu razinu razumijevanja i s toga omogući fleksibilnost u učenju i poučavanju. Inteligentno ponašanje zahtijeva znanje koje je strukturirano na takav način da omogućava željene vrste razmišljanja i kognitivne sposobnosti. Znanje je, prije nego li općeniti mehanizam mišljenja, ključ za inteligentno ponašanje. Razvoj i izgradnja inteligentnih tutorskih sustava zahtijeva određivanje tipova potrebnog područnog znanja, stjecanje znanja i prikladno predstavljanje područnog znanja.

PRIKAZ ZNANJA U INTELIGENTNIM TUTORSKIM SUSTAVIMA

Stjecanje znanja je prikupljanje informacija, donošenje odluka i uspostavljanje odnosa među raspoloživim resursima. To što se prikupi bit će korišteno za oblikovanje i implementaciju modela područnog znanja na računalu. Proces stjecanja znanja ovisi o prirodi problema, raspoloživih informacija i naravno o inventivnosti onoga tko obavlja ovaj posao. Carrico i drugi (1989) ovaj postupak vide kao iteracijski proces kako je to i prikazano na slici 8.1.

Inicijalizacija

Prikupiti početne podatke

Legaliziranje

Usporediti očekivane rezultate sa

stvarnim performansama

Bistrenje

Pročistiti postojeće znanje

Ponavljanje postupka

Slika 8.1. Stjecanje znanja (Carrico i drugi, 1989, str. 42)

Važno je naglasiti da s prikazom znanja ne treba započinjati odmah u inicijalnoj fazi prikupljanja znanja. Naime, neophodno je naučiti "nešto" o područnom znanju prije nego li se pristupi formalizaciji - izgradnji modela područnog znanja. Za vrijeme trajanja inicijalne faze prikupljanja podataka i informacija prisiljeni smo na prikupljanje svega što je za dano područje raspoloživo. Sretat ćemo se sa različitim izvorima znanja.

Znanje stručnjaka (modul stručnjaka)

80

Ostavlja se za kasnije svaki pokušaj za početak prikaza područnog znanja sve dotle dok se dobro ne familijariziramo s prirodom problema, rječnikom eksperata i njihovim područnim znanjem, procesima koji se zbivaju u tom područnom znanju, kao i osobnog uključivanja u projekt koji je u radu.

Informacija o područnom znanju dijeli elemente područnog znanja ili objekte koji su u suštini logičke grupe podataka. Npr. ako se raspravlja o vozilu tada je neophodno razmišljati o objektu koji se naziva pogonski motor kao o pojedinačnom objektu. Atributi i funkcije pogonskog motora moraju se tretirati kao logički entiteti. Pogonski motor je također dio drugog objekta nazvanog vozilo koji je različit od prvobitnog. Kada se pažnja prenosi s pogonskog motora na pokretni klip ili pak pumpu za ulje, prekida se razmišljati o pogonskom motoru kao objektu, to prestaje biti predmet daljeg razmatranja, a učenik usmjerava razmišljanje na novi objekt.

Dekompozicija problema područnog znanja u element područnog znanja - diskretne objekte pomoći će i onome koji formalizira znanje kao i stručnjaku područnog znanja u koncentriranju na pojedinačne dijelove područja te će omogućiti oblikovanje elemenata područnog znanja koji će se koristiti u fazi prikaza znanja.

Područno znanje je obično spremljeno u modulu stručnjaka (modulu područnog znanja) koji se u klasičnih ekspertnih sustava naziva baza znanja. Područno znanje je znanje o području koje je učeniku namijenjeno za učenje i poučavanje. Bilo koji oblik predstavljanja znanja može se uporabiti ako zadovoljava ove bitne uvjete:

­ Moraju se izravno modelirati tehnike koje bi stručnjak primijenio u rješavanju problema s tog područja. To je nužno - čak i pod uvjetom siromašnije baze znanja - jer ono što se poučava samo je čovjekov način i tehnika rješavanja problema.

­ Moraju se eksplicitno predstaviti strategije i tehnike rješavanja problema. Sustav mora predstaviti sve vjerojatne strategije - čak i one koje su pogrešne - tako da tutor može prepoznati što učenik pokušava učiniti.

Najveće poteškoće u korištenju tradicionalnih CAI sustava proizlazile su iz siromašnog i "konzerviranog" načina prikaza znanja s nekog područja. "Živi" učitelj s istom razinom znanja s tog područja bio je mnogo uspješniji. U tom smislu inteligentni tutorski sustavi moraju uključiti znanje u poučavanje vođeno računalom, ponajviše zbog otklanjanja nedostatka koje su imali tradicionalni CAI sustavi. Međutim, znanje koje je potrebno da bi se ispravili svi navedeni nedostaci je široko i nijedan tutorski sustav do danas nije obuhvatio sve potrebno znanje čak i za najograničenije područje. Modul stručnjaka za koji Anderson (1988, str. 21) kaže da je "... kralježnica svakog inteligentnog tutorskog sustava", raspolaže s bazom znanja, ipak je još uvijek nekompletan i treba se nadopuniti s "živim" učiteljem. S tim u vezi globalno se može i ustvrditi da su inteligentni tutorski sustavi samo nadopuna i sredstvo poboljšanja nastavnog procesa.

Znanje stručnjaka (modul stručnjaka)

81

Hayes je (prema Anderson, 1988) provodio niz istraživanja u različitim znanstvenim područjima i to od matematike pa do glazbene kulture. Zaključak po ovom istraživanju nedvojbeno je ukazao da nema značajnih dostignuća u ovom radu sa manje od deset godina iskustva onih koji definiraju kriterije i sadržaj područnog znanja. Vjerojatno da je ovo deset godišnje iskustvo tek dostatno za akumuliranje i strukturiranje znanja s izuzetnim značajkama. Kada ste ustanovili da vam je neophodno da formalizirate područno znanje morate se suočiti s problemom kako to izvršiti. U suštini tri su pristupa za strukturiranje znanja u modulu stručnjaka inteligentnog tutorskog sustava (Anderson, 1988): (i) procedura koja generira korektno ponašanje unutar zadataka u područnom znanju, ali je njen mehanizam nepristupačan. Ovaj se model često naziva model "crne kutije"; (ii) model koji sadrži čovjeku - stručnjaku sličan način prikaza znanja. Ovaj tip prikaza znanja mnogo je pristupačniji za poučavanje od stručnjaka "crne kutije" jer je u stanju objasniti način svojeg zaključivanja. Ovo je model stručnjaka "prozirne kutije"; (iii) pristup koji ide jedan korak naprijed i čini da modul stručnjaka oponaša istu onu razinu apstrakcije koju inače čini čovjekov način uporabe znanja. Model je poznat po nazivu kognitivni - spoznajni model. U sljedećim odjeljcima detaljnije će se prikazati svaki od navedenih pristupa i to popratiti s opisom razvijenih inteligentnih tutorskih sustava.

MODEL CRNE KUTIJE

Stručnjak crne kutije generira korektno ulazno - izlazno ponašanje preko čitavog prostora rješavanja zadatka u područnom znanju i tako omogućava besprijekornu prosudbu. Međutim, unutarnji procesi računanja koji osiguravaju takvo ponašanje nisu dohvatljivi.

- SOPHIE (Sophisticated Instructional Environment) (Brown, Burton i deKleer, 1982) Tri su SOPHIE sustava sukcesivno razvijana u razdoblju od 1975. do 1982. godine, a namijenjeni su za poučavanje u otklanjanju pogrešaka u elektroničkim sklopovima. U klasu stručnjaka crne kutije spada sustav SOPHIE I. koji koristi elektronički simulacijski sustav SPICE II. (Simulation Program with Integrated Circuit Emphasis). Učitelj koristi ovaj simulator za određivanje ispravnog ponašanja učenika prilikom različitih mjerenja koje provodi dok traži pogrešku u elektroničkom sklopu. Međutim, kako SPICE simulator rješava sustav jednadžbi, koji predstavlja matematički model elektroničkog sklopa, umjesto stručnjaka pa sustav SOPHIE I. ne može detaljno objasniti postupak rješavanja. U tom smislu je SOPHIE I. i nazvan stručnjak crne kutije. Kasnije verzije ovog sustava, SOPHIE II. i SOPHIE III., su razvijane u smjeru rješavanja ovog nedostatka.3) ­ WEST računalna igra "How the West Was Won" (Burton i Brown, 1982)

3)

Opširnije u odjeljku Model kvalitativnih procesa

Znanje stručnjaka (modul stručnjaka)

82

WEST je računalna igra razvijena još u okviru PLATO sustava, a namijenjena prvenstveno za vježbanje i ponavljanje iz područja aritmetike. Kako je na slici 8.2. prikazano prostor za je sastavljen od 70 polja. Cilj igre je dostignuti polje s oznakom 70 i time "osvojiti" ukupno sedam gradova na Zapadu. Pored navedenog, u igri postoje i neki posebni potezi. Između deset poteza je grad ; postoje i prečice; ako je odredište već zauzeo suparnik u igri (u ovom slučaju je to stručnjak crne kutije) on je prisiljen da se vrati za dva grada unazad. Kako se igra odvija ?

Slika 8.2. Prikaz igre WEST (O'Shea i Self, 1983, str. 106)

Računalo zadaje igraču tri broja, te zauzima jedno od polja između dva grada. Ponuđene brojeve igrač je dužan povezati sa po jednim aritmetičkim operatorom (zbrajanje, odbijanje, množenje i dijeljenje), te zagradama. Istražujući rezultat igrač pokušava zauzeti poziciju suparnika, doći do prečice ili pak dostignuti cilj. Pri tome postoji i ograničenje da je dozvoljena samo jednokratna uporaba jednog operatora ili broja. U situaciji prikazanoj na slici 8.2. učenik je na poziciji 6, a zadana su mu tri broja (3,2,2). Protivnik je na polju 13. Što će učiniti učenik? Ako se odluči zauzeti polje protivnika formirat će izraz 3 + 2 + 2 = 7. Za dostignuće prvog grada 3 x 2 - 2 = 4.

Reakcija protivnika (računala - stručnjaka crne kutije) je iskazana strategijom stalnog izbora takvog položaja kojim učenika ometa da dostigne cilj. Pedagogijska paradigma WEST igre je sadržana u metodi vježbanja i ponavljanja osnovnih aritmetičkih operacija u funkciji dostizanja definiranih ciljeva.

Znanje stručnjaka (modul stručnjaka)

83

MODEL PROZIRNE KUTIJE

Ovaj pristup razvoja modula stručnjaka slijedi poznata prototipna načela inženjerstva znanja pri izgradnji ekspertnih sustava. Temeljna metodologija u izgradnji modula stručnjaka zahtijeva inženjera znanja i stručnjaka područnog znanja koji je u stanju identificirati problemsko područje i njegove ciljeve, specificirati i formalizirati ključne koncepte u području, formulirati sustav za implementaciju znanja, te konačno iterativno testirati i unaprijediti sustav. Ove sustave karakterizira obimnost i posebno izražena priroda znanja poput ljudskog razmišljanja.

Proces prikupljanja znanja se ovdje tretira kao komponenta u izgradnji ekspertnog sustava koja je vremenski izrazito zahtjevna. Ekspertni sustav tada nastaje primjenom mnogo pristupačnijeg i prirodnijeg postupka nego onaj kod modela "crne" kutije. U suštini glavna komponenta ovog sustava je artikulirano (tipično za "živog" stručnjaka) područno znanje.

Metodologija ekspertnih sustava u svojim varijacijama vrlo je uspješno korištena da osvoji široko područje intelektualnog ponašanja. Postoje raznovrsni ekspertni sustavi za: interpretaciju, predikciju, dijagnozu, projektiranje, planiranje, monitoring (nadzor), održavanje i upravljanje itd. Strukturiranost i unutarnja povezanost znanja potrebnog za poučavanje mnogo je veća nego ona kod tipičnih ekspertnih sustava za rješavanje različitih problema. Ovu važnu lekciju jasno ističu istraživači Stanford sveučilišta na kojem je ekspertni sustav MYCIN4) korišten kao konsultant za studente medicine pri učenju infektivnih oboljenja.

- GUIDON (Clancey, 1987; Barr i Feigenbaum, 1986) GUIDON je programski sustav za poučavanje iz dijagnostike infektivnih oboljenja, kojeg je na Stanfordu razvio W. J. Clancy. Uporabom pravila MYCIN ekspertnog sustava, GUIDON uključuje studente u dijalog o pretpostavljenim infekcijama kod pacijenta. Na ovaj način, GUIDON omogućava poučavanje studenta o uporabi relevantnih kliničkih i laboratorijskih podataka pri uspostavljanju dijagnoze kod pacijenta. U komunikaciji sa studentom GUIDON koristi dijalog podijeljene inicijative bitno različit od tada poznatih dijaloga kod sustava WEST, WUMPUS, a slično onima koji su razvijeni kod sustava SCHOLAR i WHY5).

Woolf i McDonald (1984, str. 63) sažimaju "Guidon nam je pomogao da demonstriramo potrebu za spoznajnom bazom u modulu stručnjaka i definiramo važnost smještanja u bazu područnog znanja logičkih i relacijskih apstrakcija koje su važne u učenju i podučavanju. ….. Dana je sugestija da izvorna pravila MYCIN sustava predstavljaju jedno

4)

MYCIN - Baza znanja MYCIN-a sadrži oko 450 pravila i preko 1000 činjenica (Mišljenčević, Maršić, 1991). 5)

WUMPUS, SCHOLAR, WHY su inteligentni tutorski sustavi što će biki prikazani u kasnijim raspravama.

Znanje stručnjaka (modul stručnjaka)

84

sabrano znanje oslobođeno detalja na nižoj razini i relacija koje su nužne za učenje i poučavanje".

Clancey, prvi arhitekt sustava GUIDON-a, je primjetio da "poučavanje i objašnjavanje, prisiljeni smo danas to prihvatiti, postavljaju bitno različite zahtjeve pred stručnjaka od onih koji predstavlja puko - jednostavno rješavanje problema. Nastavnik može pružiti analogije, različita gledišta i različite razine objašnjenja koja su nepoznata MYCIN-u. Gradeći MYCIN nismo sasvim jasno otkrili kako jedan stručnjak organizira svoje znanje, kako ga on pamti, i koje strategije on koristi u prilazu problemima. Mi moramo biti sposobni izraziti kako su pravila međusobno povezana i kako su ona konstruirana" (W.J. Clancey prema Rolston, 1989, str 43.).

KOGNITIVNI MODELI

U odnosu na već opisane pristupe u izgradnji modula stručnjaka, kognitivni model je djelotvorniji u simulaciji čovjekovog načina rješavanja problema u području u kojem je znanje dekomponirano na suvisle, slično ljudskom razmišljanju, komponente i analizirane na način kako bi to čovjek učinio.

Vrijednost ovog pristupa se ogleda u mnogo prihvatljivijem načinu komuniciranja učenika i modula stručnjaka. Međutim, ovakav pristup ima i svoju cijenu koja se izražava s nekoliko pokazatelja. Prvo: razvoj kognitivnog modela je mnogo ograničenija i vremenski zahtjevnija zadaća nego li jednostavan razvoj ekspertnog sustava. Anderson (1988) ipak smatra da su srećom značajno poboljšane sposobnosti kognitivnog pristupa psihologiji obrazovanja za razvoj ovakvih modela. Druga poteškoća se ogleda u tome da pokretanje računanja kognitivnih modela može biti izrazito računalno skupo. Međutim, na sreću povećanjem računalne snage je umanjena ova poteškoća. Treća poteškoća spori se s pitanjem količine detalja koje je potrebno unijeti u kohgnitivni model. Mnogi od činilaca su inkorporirani u odgovarajuće psihologijske simulacijske procese, kao što su točni mehanizmi kratkoročnog memorijskog pretraživanja, koji su irelevantni za poučavanje. Istinski modeliranje ovakvih procesa u modulu stručnjaka dodaje nekoristan računalni teret. Postavlja se pitanje koja psihologijska komponenta je esencijalno potrebna poduci, a koja to nije?

Preuzimanje kognitivnog za tutorske sustave ovisi o algoritamskoj, a ne o implementacijskoj razini. Algoritamski pristup upućuje na visoko razinsku specifikaciju mentalnih proračuna, a zapostavlja pitanje neuralne implementacije. Najbolji primjerak sustava algoritamske razine su modeli rješavanje problema (Anderson,1988).

U raspravama o primjeni kognitivnih sustava u izgradnji modula stručnjaka (Burton, 1982; Slemman, 1982; Goldstain, 1982, Angelides i Tong, 1994; Angelides i Garcia, 1993;) obično se razlikuju tri tipa znanja neophodna za tutorsko poučavanje.

Postoje područja poput problema rješavanja izračunavanja gdje je glavno znanje za komunikaciju proceduralno tj. znanje o tome kako izvršiti postavljeni zadatak. Slično

Znanje stručnjaka (modul stručnjaka)

85

postoje područja poput onih iz zemljopisa gdje je cilj učenja prenijeti deklarativna znanja u formi niza činjenica adekvatno organiziranih na način da se s njima može zaključivati. Deklarativno znanje suprotno od proceduralnog - postupkovnog je mnogo općenitije i nije specijalizirano za određeno područje. Treće, je kauzalno znanje, u formi kvalitativnih modela, primjerice sofisticiranog uređaja koji dopušta čovjeku da rasuđuje i predviđa njegovo ponašanje. Razlika između deklarativnog i proceduralnog prikaza znanja imala je značajnu ulugu tijekom razvoja metoda i tehnika umjetne inteligencije. Prikaz deklarativnog znanja naglašava statički aspekt znanja - činjenice o objektima, događajima i njihovim relacijama. Predstavnici proceduralnog prikaza znanja ističu da sustavi umjetne inteligencije moraju znati kako koristiti svoje znanje, kako pronaći relevantne činjenice, zaključivati itd., te smatraju da se ovaj aspekt "znalačkog" ponašanja najbolje pribavlja u procedurama. Ovakav pristup koristi Raphael (1968) u SIR (Semantic Information Retrieval) sustavu. SIR pruža odgovor na pitanja o jednostavnim logičkim relacijama, kao što je "Da li je prst dio osobe". Njegovo znanje je pohranjeno u dvije forme. Činjenice o stanju stvari su predstavljene svojstvima objekata i njihovim vezama, dok su mehanizmi zaključivanja predstavljeni specijaliziranim procedurama. U tom smislu, odgovor na pitanje postavljeno u vezi s prstom, SIR može pružiti uporabom jedne procedure i dvaju pohranjenih činjenica i to: "prst dio ruke" i "ruka dio osobe". Procedura je specijalizirana i determinirana vezom Dio_Od između čvorova (PRST - RUKA i RUKA - OSOBA). Procedure za zaključivanje su specijalizirane, korisnički su orijentirane i grade se posebno za svaki novi tip zaključivanja kao i veze u bazi podataka.

PROCEDURALNO ZNANJE

Pravila koja modeliraju ponašanje na sljedeći način "prepoznaj uvjet, započni akciju" dugo su se smatrala jedinim mogućim modelom ljudske inteligencije i na taj način služili kao tehnika za prikaz znanja u mnogim ekspertnim sustavima pa kasnije i u inteligentnim tutorskim sustavima. U tom smislu može se kazati da je formalizam prikaza proceduralnog znanja temeljen na pravilima zasnovanom sustavu kako je to inače primijenjeno i u ekspertnim sustavima. Dominantni tip na pravilima zasnovanog sustava su produkcijski sustavi koji su zacijelo dobar model čovjekovog načina rješavanja problema. Usprkos spoznaji da postoje mnogobrojne varijante modela produkcijskog sustava sve one obuhvaćaju skup Ako-Tada pravila koja se podudaraju s činjenicama pohranjenim u memoriji. Radna memorija obuhvaća neka osnovna kratkotrajna ograničenja za čovjeka.

Produkcijska pravila sa svojim ciklusom na principu prepoznaj-učini dohvaćaju način ljudskog razmišljanja koji je podacima stimuliran. Jedna od novijih prednosti u modelima produkcijskih sustava bio je niz ideja za modeliranje ljudskog učenja u okviru ovih modela. Izgradnja modula stručnjaka temeljena na tehnikama za prikaz proceduralnog tj. postupkovnog znanja je primijenjena u tutorskim sustavima različite namjene. Ovdje će se prikazati njihov način implementacije u nekoliko inteligentnih tutorskih sustava.

Znanje stručnjaka (modul stručnjaka)

86

- BUGGY (Burton, 1982; Barr i Feigenbaum, 1986) BUGGY je tutorski sustav koji može točno odrediti učenikove pogreške (bugs) u zadacima s osnovnim aritmetičkim operacijama. Sustav su razvili J.S. Brown, R. Burton i K.M. Larkin iz korporacije Bolt, Beranek i Newman. BUGGY raspolaže s mehanizmom za objašnjavanje razloga učenikovih pogrešaka iz aritmetike, a ne samo uočavanjem pogreške. Raspolažući s detaljnim modelom učenikovog znanja ovaj sustav tada indicira pogreške u poimanju što je temeljna značajka uspješnog vođenja poučavanja. Iskustvo s BUGGY-jem pokazuje da formiranje modela o tome što je loše u učenikovom načinu izvršavanju zadatka je često teže nego samo izvršavanje zadatka. Pomoću BUGGY - a učitelji povećavaju iskustvo u formiranju hipoteza o odnosima između simptoma pogrešaka koje pokazuje učenik i u tome ističu pogrešno poimanje. Promotrimo sljedeće zadatke zbrajanja i njihova pogrešna rješenja. Učenik je griješio u proceduri zbrajanja kod zadataka 2, 3 i 4.

zadatak 1 zadatak 2 zadatak 3 zadatak 4 zadatak 5

41 328 989 66 216

+ 9 + 917 + 52 + 887 + 13

50 1345 1141 1053 229

točno nije točno nije točno nije točno točno

Jednom kada ste otkrili pogrešku, pokušajte testirati vašu hipotezu simuliranja učenika s pogreškom - predvidite njegove pogrešne rezultate na sljedeća dva zadatka:

zadatak 1 zadatak 2

446 201

+ 815 + 399

1361 700

točno nije točno

Pogreška je jednostavna. U proceduralnom smislu, poslije određivanja prijenosa na veću razinu, učenik je zaboravio "resetirati registar prijenosa" na nulu. To je vidljivo na drugom učenikovom primjeru (328 + 917 = 1345). Procedura zbrajanja teče kako slijedi : 8 + 7 = 15, znači pišem 5 "pamtim" 1; 2 + 1 = 3 te dodajući na to ono "pamećeno" 1 dobiva se 4; konačno 3 + 9 = 12, ali ona pamćena 1 iz zbrajanja po prvoj koloni je ostala pogreškom "zapamćena" i to daje konačno 13, što je naravno pogrešno. Ako je naša hipoteza ispravna, tada su rezultati posljednja dva primjera sukcesivno 1361 i 700. Ova pogreška doista nije neuobičajena pojava, naime učenik često koristi svoj prst da bi pamtio prijenos na više. Međutim, često mu se desi i to da ga kasnije zaboravi "savinuti" ("resetirati registar prijenosa").

Model građen pomoću BUGGY sustava inkorporira i ispravne i neispravne podprocedure s kojim se simulira učenikovo ponašanje u pojedinim zadacima, a time i poimanje o tome koji dio učenikovog umijeća je ispravan a koji to nije. BUGGY prezentira umijeća, primjerice zbrajanje, kao skup podumijeća, recimo jedno od njih može biti i prijenos na sljedeću kolonu. Podprocedure u BUGGY sustavu tada odgovaraju učenikovom pod umijeću i povezuju se u proceduralnu mrežu, s kojom BUGGY potpuno prikazuje učenikovo umijeće. Nadalje, ako su sve podprocedure u BUGGY proceduralnoj mreži zbrajanja rade korektno, to znači da je BUGGY u stanju problem zbrajanja korektno

Znanje stručnjaka (modul stručnjaka)

87

izvršavati. S druge pak strane, zamjenjujući ispravne podprocedure s onim pogrešnim će rezultirati u vrste sustavskih pogrešaka gore prikazanih.

Brown i Burton ovakvu proceduralnu mrežu s jednom ili više pod procedura koje iskazuju pogreške nazivaju modul za dijagnostiku, zato što je to put prikaza sustavskih pogrešaka. Model se dalje može koristiti na dva načina. Prvo, s njim je moguće dijagnosticirati učenikove pogreške i precizirati pogreške u učenikovom znanju i umijeću. Drugo, model može pomoći učitelju u dijagnosticiranju učenikovih pogrešaka radeći na jednom ili više pogrešnih poimanja učenika.

WUMPUS (Goldstein, 1982; Barr i Feigenbaum, 1986) Igru "Hunt the Wumpus" (uhititi Wumpusa) razvili su Ira Goldstein i Brian Carr na MIT- u 1977 godine. Cilj igre je naći i ubiti smrtonosnog Wumpusa u tamnoj pećini punoj brojnih opasnosti. Kretanja u pećini podliježu "Ako - Tada" pravilima, a temelje se na poznavanju i korištenju matematičih i logičkih operatora, zakona geometrije, teorije vjerojatnosti i elemenata teorije odlučivanja. Kada učenik poduzima loše korake pretpostavlja se da ne pridržava odgovarajućeg pravila. U vezi sa sustavom WUMPUS su i tri generacije sustava koji su raspolagali sa scenarijem poučavanja tipa - trener (eng. coach) WUSOR-I, II i III (Goldstein, 1976; Carr i Goldstein, 1977).

Goldstein (1982) opisuje genetički graf kao okolinu za prikaz proceduralnog znanja s evolucijskog stajališta i pri tome u inteligentnim tutorskim sustavima uvodi paradigmu koja fokus znanja prenosi sa stručnjaka na učenika. Ovdje su moguće i određene nesuglasice u vezi s terminom genetički. Naime, termin genetički je obično u uskoj vezi ili se čak izjednačava s nasljeđivanjem. Međutim, u Goldstein-ovom pristupu pozornost je na genetičkoj metodi koja se bavi podrijetlom i razvojem znanja. Genetičkim grafom Goldstein smatra da je moguće poboljšati razinu poučavanja u inteligentnim tutorskim sustavima te unaprijediti sustav za gradnju modela učenika. U strukturi grafa čvorovi predstavljaju pravila, a veze različite razvojne odnose kao što su poopćavanje ispravke pogrešaka i "bistrenje" određenih pojmova. Pored navedenog, Goldstein sugerira preformulaciju Piaget-ovih načela akomodacije, asimilacije i ekvilibrija u njegovom gledanju na epistemologiju.

DEKLARATIVNO ZNANJE

Slabosti i prednosti prikaza postupkovnog znanja se izvode iz činjenice da im je uporaba usko specifična. U nekim slučajevima mnogo je prihvatljivije i poželjnije općenitije deklarativno znanje. U takvim slučajevima od učenika najčešće zahtijevamo ovladavanje i razumijevanje osnovnih principa i činjenica o izabranom područnom znanju i stjecanje uvida u način njegovih prosudbi, a ne zanima nas kako učenik upotrebljava znanje u pojedinim primjenama. U ovakvim slučajevima pozivamo "u pomoć" metode i tehnike za prikaz deklarativnog znanja. Konačno i nema tako definiranih ciljeva u proceduralnoj poduci i deklarativnoj poduci koji su međusobno inkompatibilni. Mi bismo željeli da

Znanje stručnjaka (modul stručnjaka)

88

učenik bude sučeljen sa pravilima u područnoj domeni i ujedno sudjeluje u prosuđivanju o pravilima. - SCHOLAR (Carbonell, 1970) SCHOLAR sustav su izgradili Jaime Carbonell, Allan Collins, i njihova grupa u korporaciji Bolt, Beranek i Newman, s osnovnom zadaćom da poučava učenike o zemljopisnim značajkama Južne Amerike. SCHOLAR je prvi pokušaj razvoja inteligentnog načina poučavanja s osloncem na računalne sustave, i s takvom značajkom je zapisan u brojnim raspravama o inteligentnim tutorskim sustavima. U SCHOLAR-u Carbonell slijedi tutorsku strategiju dijaloga podijeljene inicijative. Područno znanje u SCHOLAR-u je pohranjeno u semantičkoj mreži, koja je u biti "mreža čvorova i veza" koji predstavljaju objekte i njihova svojstva i međusobne odnose. SCHOLAR-ov doprinos je bio u tome što je iz semantičke mreže sa područnim znanjem iz zemljopisa stvarao, a ne pohranjivao neke posebne odjeljke teksta, pitanja, predviđenih odgovora, pogrešaka ili ogranka informacija. Svaka jedinica semantičke mreže organizirana je kao objekt sa pripadajućim svojstvima. Svako se svojstvo sastoji od imena svojstva (atributa) i vrijednosti svojstva. Vrijednosti atributa mogu biti ili svojstva ili pokazivači na druge jedinice. Organizirajući informaciju na takav isprepleteni način SCHOLAR izbjegava redundanciju u bazi podataka, i osigurava indeksiranje informacija na različite načine, podržavajući time traženje i zaključivanje. Učenik se poučava kroz dijalog podijeljene inicijative poput Socrat-ovog načina poučavanja. Tutor prvo postavlja pitanje da bi ustvrdio učenikove pogreške, a zatim predstavlja nastavni materijal na takav način da sam učenik otkriva svoje pogreške. Socrat je i vjerovao da se obrazovanje ne može postići pasivnim vježbanjem poput čitanja ili slušanja već da ono naprotiv proizlazi iz konkretnog rješavanja problema. Pored navedenog, i u ovom primjeru se ispoljila jedna od temeljnih vrijednosti semantičkih mreža u prikazu znanja, tj uvjeti komunikacije (učenik-tutor) prirodnim jezikom s različitim modalitetatima, otvorenost za rješavanje problema i učenja. U strukturi i organizaciji semantičkih mreža ispoljava se, za razliku od proceduralnog prikaza znanja, odvojenost baze znanja od procedura i mehanizama zaključivanja. Ova čista dinstikcija ponekad je pokvarena uporabom proceduralnih dodataka, u kojima različiti slotovi u shemi za prikaz znanja imaju pridodane procedure s kojima iskazuju način "punjenja" slotova. Ova podvojenost ne postoji u proceduralnim sustavima. - WHY (Stevens, Collins i Goldin, 1982; Barr i Feigenbaum, 1986) Ovo je drugi inteligentni tutorski sustav s deklarativnim načinom prikaza znanja. WHY razvijaju Collins Allan i Stevans Albert i njihova istraživačka grupa iz korporacije Bolt Beranek i Newman. Ovim radom u načelu nastavljaju istraživački proces započet sa SCHOLAR-om. WHY je Socratov-ski sustav koji poučava o uzročnim odnosima i faktorima koji utječu na padaline. Za prikaz znanja u WHY-u su primijenjene skripte. Odabran način prikaza u obliku skripte ima čvorove koji predstavljaju procese i događaje, a veze između tih čvorova izražavaju takve odnose kao što su "X omogućava Y" ili "X uzrokuje Y" u kojim izrazima X i Y predstavljaju procese ili događaje kao što su ishlapljivanje ili kondezacija. Na taj način svaka skripta ocrtava djelomično uređen niz

Znanje stručnjaka (modul stručnjaka)

89

procesa i događaja povezanih vremenskim ili uzročnim vezama. Štoviše, svaki čvor može imati hijerarhijski umetnutu podskriptu koja opisuje uzročne odnose o kojima je riječ. Konačno, ove skripte imaju uloge (primjerice zračna masa, vodena masa) koje će biti povezane uz određeni zemljopisni ili meterološki entitet kada se skripta primijeni na poseban slučaj. Skripte stoga obuhvaćaju uzročnosti uključene u padalinama. U istraživanju tutorskog dijaloga autori WHY-a usredotočuju pozornost : - Kako se dobra učiteljeva pitanja, tvrdnje i primjeri mogu okarakterizirati ? Što je cilj

strukture Socrat - ovog učitelja ? - Vrsta lošeg poimanja kod učenika. Kako učitelji dijagnosticiraju ta loša poimanja kroz

pogreške koje je učenik napravio ? - Koji su to izvadci i viđenja koja učitelji koriste da bi objasnili fizikalne procese ?

Svojim pristupom Collins i Stevens utemeljuju teoriju vođenja poučavanja u dijalogu učenika i tutora, a time ujedno otvaraju prostor za daljnja istraživanja. U vrijeme svojeg nastajanja (1977) to je bio prvi sustav ove vrste. U naporima da u svojem modelu eksplicite iskažu prirodu Socratovog dijaloga autori WHY-a su definirali 24 heuristike pomoću kojih su upravljali dijalogom učenika i tutora. Vrste znanja predstavljene u WHY-u zajedno s rečenicama i izrazima koji ilustriraju svaku vrstu pokazuje sljedeći primjeri:

­ Skup entiteta, svaki sa svojom ulogom u procesu: "Ocean često predstavlja značajan izvor vlage".

­ Čimbenici koji djeluju u procesu: "Temperatura vlažnosti je čimbenik evaporizacije". ­ Rezultati procesa: "Kondezacija je proces u kojemu vlaga u zraku postaje iznova

tekuća voda". ­ Funkcijski odnosi između čimbenika i rezultata : "U evaporizaciji temperatura raste s

porastom vlažnosti zračne mase".

Namjeravana uporaba ovog znanja jest provjeravanje učenikova razumijevanja glavnih uzročnih čimbenika koji utječu na padaline. Kad se ustvrdi da učenik pogrešno zamišlja određeni uzročni čimbenik, tijek poučavanja se prebacuje na jednu razinu niže kako bi se razmotrili uzročni odnosi o kojima je riječ. Njihovo predstavljanje ne samo da izražava uzročnosti padalina nego, također, pruža nužnu organizaciju koja podržava željenu strategiju poučavanja. Promašeni ili pogrešni koraci uzrokuju da se tutor spušta na odgovarajući podskript kako bi odredio zbog čega učenik ne razumije proces kojega ta odgovarajuća podskripta opisuje. Ukoliko učenik savladava korake na jednoj razini skripte, tutor tada ima izbor kretanja na niže tj. na razinu podskripte radi detaljnijeg provjeravanja ili radi predlaganja posebnog - specifičnog slučaja kao što je posebna zemljopisna lokacija, i traženja da učenik primijeni svoje opće znanje na poseban slučaj. WHY pruža savršeni primjer kako područno znanje i strategija poučavanja upravljaju izborom predstavljanja znanja.

Znanje stručnjaka (modul stručnjaka)

90

MODEL KVALITATIVNIH PROCESA

Treća kategorija modula stručnjaka je usredotočena na postupke simulacije mentalnog stanja i rasuđivanja o dinamičkim procesima. Modeli kvalitativnog rasuđivanja su u relativno nedovršenom stadiju u odnosu na formalizme temeljene na pravilima. S tim u vezi Anderson (1988, str. 45) ističe da se "... mnogi napori ulažu u istraživanje i razvoj ovakvih modela, ali ovdje je veoma teško uspostaviti stabilnu i univerzalnu metodologiju". U ovom dijelu će se opisati nekoliko inteligentnih tutorskih sustava za različita područna znanja temeljena na simulaciji, jer to najbolje odražava fizikalnu prirodu kvalitativnih procesa.

Poučavanje temeljeno na simulaciji podliježe skupu zahtjeva koji se umnogome razlikuju od već prikazanih. Simulacija i simulatori igraju značajnu ulogu u procesu obrazovanja učenika iz područja tehničkih znanosti, jer omogućavaju učenicima jednostavan način prikaza fizikalnih pojava i njihovih teorijskih osnovica. - SOPHIE I., II. i III. (Brown, Burton i de Kleer, 1982 ; Barr i Feigenbaum, 1986) Brown i drugi (1982) izvještavaju da simulator korišten u SOPHIE II. zahtjeva pažljivu uporabu, budući da povrijeđivanje pretpostavki na kojima on počiva može imati za posljedicu neočekivane i netočne rezultate. Da bi se razriješio ovaj problem SOPHIE II. koristi jedan kod nazvan proceduralnim ekspertom koji zna kako da pokrene simulator, kako da iskoristi rezultate i poznaje granice.

Koristeći generator slučajnih brojeva SOPHIE II. generira pogrešku u djelovanju elektroničkog sklopa, postavlja takav problem u model ili simulator elektroničkog sklopa, te se obraća učeniku sa zahtjevom da problem riješi. Učeniku se zadaje i shema sklopa, a dijalogom ga se upućuje u vrijednosti komponenata. Učenik počinje s procesom ispravljanja pogrešaka obavljajući pri tom mjerenja na sklopu. SOPHIE III., nasljednik SOPHIE II. uzima sasvim drugačiji prilaz simulaciji od svojeg predhodnika. Dok je SOPHIE II. koristio simulacijski krug crne kutije s proceduralnim stručnjakom kao vezivo između simulatora i tutorskih sustava, SOPHIE III. uključuje posebno dizajnirane tehnike simulacijskih krugova koje su eksplicitne. Temeljeći se na umnožavanju ograničenja, njihova komponenta zaključivanja u krugu ne samo da može predvidjeti ponašanje tog kruga već ona može i objasniti zašto je predvidjela takvo ponašanje. Veze između spojeva kruga (npr. između tranzistora, otpornika, ili fizičkih veza) modelirani su kao ograničenja koja se stavljaju tim vezama.

Umnožavajući vrijednosti od poznatih jedinica mjera (npr. struje i napona) kroz mnoštvo ograničenja u krugu SOPHIE III. može predvidjeti rezultate mjerenja u drugim točkama. Što više ovi zaključci mogu biti zabilježeni u trenutku kad se događaju tako da SOPHIE III. može opravdati svoja predviđanja učeniku. Takva eksplicitna simulacija ima pedagogijskih prednosti koji umnogome nadmašuju jednostavni simulator u obliku crne kutije.

Znanje stručnjaka (modul stručnjaka)

91

Slika 8.3. SOPHIE I. i SOPHIE II. (Barr i Feigenbaum, 1986. str. 248)

- Inteligentni tutorski sustav za poučavanje u digitalnoj elektronici (Brian i drugi, 1992)

Brian i drugi (1992) su razvili inteligentni tutorski sustav za poučavanje učenika u različitim simulacijskim procesima digitalne elektronike. Svoj rad temelje na sustavima za simulaciju u području elektronike: LASAR kao simulator digitalnih sklopova i SPICE kao simulator integriranih sklopova.

LASAR (Logic Automated Stimulus And Response) se koristi u području digitalne elektronike za dizajniranje, verifikaciju i testiranje različitih sklopova. Sastavni dijelovi su mu kompilatori, simulatori, uređaji i modeli programskih biblioteka. SPICE je simulator za integrirane elektroničke analogne sklopove koji može simulirati sklopove s otporima, kondenzatorima i tranzistorima. SPICE omogućava različite analize kao što su : analize istosmjernih uvjeta, izmjeničnih i prijelaznih stanja.

Specifičnosti simulacija i ciklus testiranja modela pomoću sustava LASAR uključuju ove faze:

­ Razvoj simulacijskog modela digitalnog sklopa.

Znanje stručnjaka (modul stručnjaka)

92

­ Definiranje skupa test vektora ili ulaznih veličina. ­ Model okoline u kojem će se ciljni sklop koristiti. ­ Pokretanje aktualne simulacije, koristeći dostignuća prethodnih faza. ­ Ako model pokazuje pogrešku uporabi proces za simulaciju pogrešaka. ­ Pokupi pogrešne dijagnostičke podatke, ako koristiš hardware "tester". ­ Konvertiraj podatke pogrešaka u testu koji su generirani u prethodnom koraku

pomoću specifičnog "testera".

Simulacija u SPICE simulatoru slijedi ove faze :

­ Opisati krug koji se simulira. ­ Kreirati novi, ili upotrijebiti postojeći model. ­ Specificirati zahtijevane tipove analiza. ­ Specificirati ulazne signale. ­ Indicirati izlazne signale koji će se generirati simulacijom. ­ Pokreni simulacijski proces. ­ Analiza rezultata. Zajednička simulacija potporom obaju sustava prolazi kroz sljedeće etape : ­ Izvrši opis fizikalnog modela u takvoj formi koja se može interpretirati pomoću

simulatora. Ovu fazu obuhvaća pisanje mrežne liste i opis elektroničkog sklopa u SPICE sustavu.

­ Definirati okolinu simulacije. Obično, simulatori dopuštaju namještanje parametara okoline, kao parazitne kapacitivnosti i radne temperaturne efekte.

­ Definirati skup ulaza koji su neophodni za pokretanje simulacije. Npr. definirati skup test vektora za sustav LASAR, te definirati ulazne signale za sustav SPICE.

­ Specificiraj prirodu izlaza; koji su signali neophodni za prikaz na pisalu i/ili postprocesiranje izlaza.

­ Procjeni dodatne značajke; obično simulatori imaju dodatnih značajki koje se koriste u složenijim primjenama.

Arhitektura opisanog inteligentnog tutorskih sustava je realizirana s objektno orijentiranim programskim alatom SmallTalk-80 i prilagođena radnoj stanici Sun ili Hewlett-Packard i osobnim računalima s osloncem na Apple - Mac ili PC kompatibilnim računalima.

­ STEAMER (Holan i drugi, 1984) STEAMER je intearktivni i na simulaciji baziran sustav poučavanja povezan s detaljnim matematičkim opisom procesa propulzije pare. Grafički editor STEAMER-a dopušta da se vizualni objekti povežu sa simulacijom. Oni dopuštaju da oznake odraze vrijednosti ili stanje različitih varijabli simulacije, i također omogućavaju korisniku da promijeni varijable uključujući se na te oznake. Hollan i drugi (1984) razmatraju teške probleme ovog tzv. otvaranja. U naporu da postigne pojmovnu vjerodostojnost, STEAMER također predstavlja operacijske procedure u obliku koji omogućava objašnjenje na različitim hijerarhijskim razinama i povezuje operacijske procedure sa inženjerskim načelima.

Znanje stručnjaka (modul stručnjaka)

93

Pored navedenog, za prikaz znanja je primjenjena tehnika okvira koja podržava višestruke perspektive i omogućava integraciju velike količine strukturnih, funkcijskih, topoloških i grafičkih informacija koje su sadržane u STEAMER-u.

********** U ovom poglavlju je naglašena važnost područnog znanja i njegovog prikaza u inteligentnim tutorskim sustavima. Prikaz znanja je uvjetovan područnim znanjem kojeg treba formalizirati. Međutim, fleksibilnost u načinu prikaza znanja je značajna i zato jer je to preduvijet uspješne izgradnje modela učenika i procjene učenika, što je predmet rasprave sljedećeg poglavlja.

94

Poglavlje 9.

MODELIRANJE UČENIKA - (MODUL UČENIKA)

"Živi nastavnik" čini izuzetan napor da procijeni učenikove odgovore u kontekstu pretpostavljene razine njegovog razumijevanja i već naučenog, te tako nastoji prilagoditi svoje poučavanje učenikovim sposobnostima, znanju i vještinama. Tradicionalni CAI sustavi učinili su malo na ovom području koje je, mora se priznati, izuzetno zahtjevno. Najčešća tehnika pri modeliranju učenika u CAI sustavima bilo je bilježenje učenikovih točnih i netočnih odgovora. Prilagodba učeniku bila je ograničena jer su ovi programi mogli slijediti učenikovo tekuće znanje na jednoj elementarnoj razini. Ono malo što su ustanovili o učeniku bilo je nedovoljno za bilo što osim stupnjevanja učenikovih odgovora za vrijeme poučavanja. U idealnom slučaju tutor bi morao o učeniku znati sljedeće: što učenik zna, koja je razina učenikovih sposobnosti, učenikovo predznanje, ponašanje u učenju (brzo uči, sporo uči), koje su metode prikaza znanja na koje učenik najbolje odgovara, koja su područja za koja je učenik stručan i za koja ima interesa iznad tekućeg predmeta učenja.

U ovom poglavlju pozornost je orijentirana na komponentu inteligentnog tutorskog sustava koja je odgovorna za praćenje aktualnog znanja učenika. Većina inteligentnih tutorskih sustava zaključuju o tome kako učenik razumije predstavljene nastavnog sadržaja u okviru područnog znanja i to s posebnim ciljem da se prilagode njegovim individualnim potrebama. Ovakvo zaključivanje još se zove i postavljanje dijagnoze jer nalikuje medicinskom postupku zaključivanja o skrivenom psihološkom stanju pacijenta (bolesti) na temelju vidljivih znakova (simptoma). Dijagnostički proces inteligentnog tutorskog sustava nam otkriva skriveno stanje znanja učenika (učenikovo znanje o nastavnom sadržaju) na temelju vidljivog ponašanja. Komponenta inteligentnog tutorskog sustava koja predstavlja aktualno stanje učenikova znanja zove se model učenika (eng. student model). Model učenika i dijagnoza stanja znanja učenika (eng. student diagnosis) su čvrsto isprepleteni. Model učenika je struktura podataka, dok je dijagnoza proces vođen tim podacima. Zato se ove dvije komponente inteligentnog tutorskog sustava moraju oblikovati zajedno. Problem njihovog oblikovanja zove se problem modeliranja učenika (eng. student modeling). Prikazat ćemo do sada pronađena rješenja ovog problema kao i tehnike koje su korištene u tu svrhu.

U ranim inteligentnim CAI sustavima sedamdesetih godina Carbonell (1970) i Wexler (1970) učenikov model grade za vrijeme poučavanja pomoću tehnike semantičkih mreža. Carbonell (1970) navodi da je izgradnja modela učenika na temelju slučajnih odgovora previše nepouzdana i da sustav radije treba započeti s onim što on misli da možda zna jedan "idealni učenik". I tada mora po potrebi mijenjati ovaj model. Ovakav pristup se koristi u SCHOLAR-u koji za razliku od Wexler-ovog pristupa, u informacijskoj mreži, započinje s bazom znanja kao učenikovim modelom i unosi odstupanja koja se zatim otkrivaju.

Modeliranje učenika (modul učenika)

95

O'Shea (1982) učenikov model promatra kao komponentu tutorskog sustava koja se koristi za predikciju tekućeg stanja znanja učenika. Učenikov model je u pravilu predstavljen algoritmom za upravljanje bazom podataka koja u sebi uključuje zapise o učenikovim odgovorima.

Wolf i McDonald (1984), ističu da je učenikov model dio inteligentnog tutorskog sustava u kojem se nalaze informacije o svakom učeniku posebno. Ovi se podaci koriste za određivanje učenikove razine razumijevanja ili pak za prepoznavanje njegovih stilova učenja. Pored toga zaključuju da dva učenika na postavljeno pitanje ne odgovaraju na isti način, pa zbog toga računalni tutor mora prilagoditi odgovore svakom posebno.

Najpotpuniji i integrirani prikaz modeliranja učenika izvršio je VanLehn (VanLehn, 1988) i argumentirao s brojnim pojedinostima kao što su: prostor za rješavanje postavljenog problema, prikaz ciljanog znanja pomoću tehnika koje su inače korištene u izgradnji modula stručnjaka, kao i prikaz pogrešnih poimanja ili pak neznanja učenika u savladavanju područnog znanja. Poglavlje modeliranje učenika je kako sadržajno tako i terminološki uglavnom oslonjeno na ovu VanLehn-ovu raspravu, s naglaskom da se ista koristi i u brojnim referencama ovog područja.

MODEL UČENIKA

Model učenika je potencijalno veoma otvoren i njegovo oblikovanje je upravljano kako tehnikom za prikaz područnog znanja, tako i potrebama modula za dijagnostiku znanja učenika. Nacrt učenikovog modela vođen je ponajviše s razinom apstrakcije koja je potrebna da se nađe smisao njegovih pogrešaka. Do sada su izgrađeni mnogi sustavi modeliranja učenika koji se međusobno uvelike razlikuju. Ovdje predstavljena klasifikacija (VanLehn, 1988) model učenika sagledava u trodimenzionalnom prostoru obuhvata ulaznih podataka o stanju znanja učenika (eng. bandwith), ciljanim tipovima znanja (eng. target knowledge type) te razlikama u znanja učenika i znanja stručnjaka (eng. differences between student and expert).

OBUHVAT ULAZNIH PODATAKA

Ulaz u dijagnostički modul se sastoji od različitih vrsta informacija o tome što učenik radi ili kazuje za vrijeme poučavanja. Dakle, dijagnostički modul mora zaključiti što je učenik mislio i čime se bavio tijekom poučavanja. Naravno, manje informacija povlači i teže rješavanje ove zadaće. U vezi s navedenim se i zaključuje da je dimenzija obuhvata ulaznih podataka gruba kategorizacija količine i kvalitete ulaznih informacija. Pretpostavit ćemo da učenik rješava ili problem koji je sam postavio ili problem koji mu je postavio inteligentni tutorski sustav (primjerice izvršiti operaciju oduzimanja 157 – 129). Ako rješavanje problema traje duže od nekoliko milisekunda, onda sa sigurnošću

Modeliranje učenika (modul učenika)

96

možemo pretpostaviti da učenik prolazi kroz seriju mentalnih stanja tj. prolazi različite razine razmišljanja. Najviša razina obuhvata ulaznih podataka koji sustav može postići bio bi lista mentalnih stanja kroz koje učenik prolazi dok rješava probleme. Ljudske razine razmišljanja nisu direktno dostupne računalu, ali postavljajući dovoljno pitanja sustav može približno zaključiti i obuhvatiti mentalno stanje učenika. Dakle, najviša razina obuhvata ulaznih podataka je razina približnih mentalnih stanja (eng. approximate mental states) učenika. Kod kompliciranijih oblika rješavanja problema, kao što su rješavanje algebarskih jednadžbi ili igranje šaha, problem se rješava kroz niz postupaka učenika. Dakle, imamo niz međustanja, kao što su različiti rasporedi figura na šahovskoj ploči ili različitih oblika jednadžbe do kojih se dođe u procesu rješavanja nekog problema. Ponekad sustav ima pristup ovim međustanjima, a nekad vidi samo konačno stanje (tj. konačno rješenje problema). Dakle, druge dvije kategorije obuhvata podataka su međustanja (eng. intermediate states) i konačna stanja (eng. final states). U vezi s navedenim obuhvat ulaznih podataka ima i svoju strukturu: (i) mentalno stanje, (ii) prikaz međurezultata i (iii) prikaz konačnog rezultata što učenik iskazuje tijekom rješavanja postavljenog zadatka. Dekompozicija ima hijerarhijsku strukturu, pa mentalno stanje uključuje međustanja i konačno stanje, dok međustanje uključuje konačno stanje.

Ukupno uzevši model učenika po navedenim kategorijama može biti građen tako da "dohvati" svako međustanje ili pak da "dohvati" samo konačno stanje. Na taj način su i utemeljene preostale dvije kategorije obuhvata ulaznih podataka učenika, a to su raspolaganje s međustanjima i raspolaganje samo s konačnim stanjem u prostoru rješavanja problema. Teži se takvim algoritmima koji omogućavaju raspolaganje s međustanjima, jer je time i slika o učeniku potpunija, znamo svaki njegov korak tijekom rješavanja problema.

Razvoj programske podrške je dobar primjer područnog znanja za prikaz svih kategorija - svih dimenzija obuhvata ulaznih podataka. Slijedom iznesenog se i analiziraju tutorski sustavi s područnim znanjem o programiranju na računalima.

Andersonov LISP Tutor (Anderson i Reiser, 1985) gradi model učenika s detaljnim modelom kognitivnog procesa. LISP Tutor to ostvaruje upotrebom sučelja zasnovanog na izbornicima gdje se učeniku nude definirane opcije. Učenik bira ciljeve, strategije, dijelove koda, itd. Namjera takvog modela je ponuditi dovoljno opcija tako da je dostupan svaki put kojim učenik želi riješiti problem. Pretpostavlja se da izbornici ne ometaju niz mentalnih stanja kroz koja učenik prolazi, nego da samo omogućuju sustavu praćenje učenikovog kognitivnog napretka. Prema tome, može se i zaključiti kako LISP Tutor na dobar način interpretira razinu mentalnih stanja u obuhvatu stanja znanja učenika.

Kao ilustracija za drugu razinu obuhvata ulaznih podataka kao primjer može poslužiti sustav Spade (Miller, 1982). Spade radi kao trener (eng. coach) koji prati učenika dok programira, te može vidjeti međustanja, ali ne može pratiti učenikove odluke o ciljevima i strategijama.

Konačno, za treću kategoriju u obuhvatu ulaznih podataka koja se odnosi na konačna stanja, primjer je PROUST sustav (Johnoson i Soloway, 1984) koji ima uvid samo u konačno rješenje tj. završeni program napisan u Pascal-u.

Modeliranje učenika (modul učenika)

97

Obuhvat ulaznih podataka je najvažnija kategorija u postupku izgradnje modela učenika i predstavlja temelj algoritama za dijagnostiku stanja znanja što je predmet kasnije rasprave u ovom poglavlju. S tim u vezi devet je temeljnih algoritama i to pet algoritama je povezano s obuhvatom konačnog stanja, tri se odnose na obuhvat međustanja, dok je jedan za obuhvat mentalnih stanja.

VRSTE CILJANIH ZNANJA

Model učenika može riješiti iste probleme kao i učenik, pa se može koristiti za predviđanje učenikovih odgovora. To je posebna značajka učenikovih modela korištenih u inteligentnim tutorskim sustavima. Učenikovi modeli korišteni u starijim na računalu utemeljenim sustavima ne mogu generirati rješenje problema, iako neki mogu izračunati vjerojatnost točnog rješenja. Za rješavanje problema potrebna je neka vrsta procesa prevođenja. U tom procesu na problem se primjenjuju znanja iz učenikova modela. Dva su uobičajena tipa prevođenja: jedan za postupkovno, a drugi za deklarativno znanje.

Prevoditelj za postupkovno znanje je jednostavniji. On ne pretražuje, već donosi odluke na temelju lokalnog znanja. On je poput čovječuljka s baterijom, koji može vidjeti samo ono znanje koje osvijetli snopom svjetla iz svoje baterije. Ovisno o njegovu pogledu na znanje kao i o trenutačnom stanju problema, on odlučuje na koju stranu da uperi svoju bateriju, te se poslije kreće u tom smjeru. Prevoditelj za deklarativno znanje neprestano pretražuje čitavu bazu znanja. On je poput knjižničara koji odgovor na zahtjev korisnika usluga traži tako da pregleda popis knjiga, sakupi važne činjenice i iz toga izvede odgovor.

Deklarativni pristup je primjerice korišten za prikaz znanja iz zemljopisa u sustavu SCHOLAR (Carbonell, 1970), ili za prikaz znanja o padalinama i ishlapljivanju u WHY sustavu (Stevans, Collins i Goldin, 1982), pa je zato i interpretacija rješavanja problema u tim sustavima deklarativna.

Postupkovni pristup je korišten za prikaz znanja i vještina u rješavanju algebarskih jednadžbi u sustavu WUMPUS (Goldstein, 1982), zatim za višekolonsko odbijanje u sustavima DEBUGGY i IDEBUGGY (Burton 1982) te sustavu za rješavanje integrala (Kimball, 1982). Postupkovni interpreter ne pretražuje već donosi odluke s osloncem na lokalno znanje.

Razlika između postupkovnog i deklarativnog prikaza znanja u sustavima umjetne inteligencije je opće poznat problem i obično je neizrazita i malo kada smo je sposobni jasno diferencirati. Usprkos svega, razlika između postupkovnog i deklarativnog prikaza znanja je važna jer je složenost dijagnostičkih algoritama direktno proporcionalna složenosti interpretacije. Dijagnostika je obrnuti proces od interpretacije. Interpretacija uzima bazu znanja i problem i proizvodi rješenje. Dijagnostika uzima problem i rješenje i proizvodi bazu znanja. Zaključimo, kompliciranija interpretacija povlači za sobom kompliciraniju dijagnostiku.

Modeliranje učenika (modul učenika)

98

Razmatrajući sljedeću dimenziju u prostoru modeliranja učenika tada se osim temeljne razlike postupkovnog i deklarativnog znanja promatra i daljnja dekompozicija postupkovnog znanja. U vezi s tim uvažavajući prirodu obuhvata podataka postupkovno znanje se dekomponira u dvije podkategorije i to: ravninska (eng. flat) i hijerarhijska (eng. hierarchical). Hijerarhijski prikaz nosi podciljeve u prostoru stanja rješavanja postavljenog problema, dok nasuprot tome ravninski prikaz raspolaže samo s konačnim stanjem - rješenjem. Primjerice, sustav za dijagnostiku pogrešaka u sustavu ACM (Langley, Ohlsson, 1984) koristi ravninsku reprezentaciju za postupak oduzimanja. U sustavu za dijagnostiku BUGGY (Burton, 1982) procedure oduzimanja predstavljene su kao hijerarhije ciljeva, sa ciljevima kao “posudi” ili “posudi preko nule”. Operacije se biraju ovisno o stanju problema i trenutnim podciljevima. Razlike između ravnih i hijerarhijskih reprezentacija utječu na dijagnostiku. Kod ravninskih reprezentacija, sustav za dijagnostiku treba zaključiti o tome koje stanje problema utječe na pojedini operator. To je lako jer sustav može vidjeti i stanje problema i operatorske aplikacije. Dijagnostički sustav kod hijerarhijskih reprezentacija treba zaključiti o uvjetima stanja problema podciljeva, a to je težak zadatak, jer ne može vidjeti trenutno aktivne podciljeve.

Nakon provedene rasprave o vrstama ciljanog znanja može se zaključiti da su pri gradnji modela učenika u primjeni: (i) ravninsko postupkovno znanje s kojim se učenikovo znanje modelira na najlakši način; (ii) hijerarhijski postupkovno koje otežava proces rješavanja problema modeliranja učenika i (iii) deklarativno koje čini proces izgradnje modela učenika najtežim.

RAZLIKA IZMEĐU UČENIKA I STRUČNJAKA

Inteligentni tutorski sustav sadrži model stručnjaka sa modelom znanja stručnjaka, kao i model učenika sa modelom znanja učenika. Primijetimo da se ovdje pod stručnjak misli na stručnjaka u područnom znanju kojim se inteligentni tutorski sustav bavi. Učenici postepeno napreduju od početne prema visokoj razini znanja, pa učenikov model mora prolaziti postepenu promjenu od novaka prema stručnjaku. U vezi s tim većina inteligentnih tutorskih sustava za prikaz znanja kako u modulu stručnjaka tako i u modulu učenika koriste isti formalizam. U svom konceptu, inteligentni tutorski sustav ima jednu bazu znanja za reprezentaciju znanja stručnjaka, a drugu za reprezentaciju znanja učenika.

Model učenika se predstavlja kao model stručnjaka kojem se dodaje zbirka razlika. U osnovi postoje dvije vrste razlika: pojmovi ili koncepti koji nedostaju – nedostatak znanja (eng. missing conception) i krivo shvaćeni pojmovi ili koncepti – pogrešno poimanje (eng. misconceptions). Pojam ili koncept koji nedostaje je objekt znanja kojeg stručnjak ima, a učenik još nema. Krivo shvaćeni pojam ili koncept je objekt znanja kojeg učenik ima, a stručnjak nema. Ove dvije vrste razlika su ujedno dvije koncepcijske osnovice za utvrđivanje razlika između učenika i stručnjaka pri gradnji modela učenika.

Modeliranje učenika (modul učenika)

99

Model učenika se i gradi s namjerom da omogući zapis nedostatka znanja i pogrešnog poimanja ili kombinacije ove dvije kategorije.

Često u nastavnoj praksi učitelj pri ispitivanju učenika utvrđuje koncepte koji tvore kod učenika suvislo znanje, a drugo je pitanje ocjena u postupku vrednovanja. Osim toga, učenik iskazuje i pogreške kao što se to i prikazuje primjerom zbrajanja kod učenika drugog razreda u poglavlju 5. (odjeljak Inteligentni sustavi nastave pomoću računala). U ovom primjeru učenik zaista ima pogreške koji su u kategoriji pogrešnog poimanja.

Modeliranje učenika u nekim sustavima ima samo reprezentaciju pojmova koji nedostaju. Koncepcijski je model učenika pravi podskup modela stručnjaka. Takv model učenika se zove model s prekrivanjem (eng. overlay models) (Carr, Goldstein, 1977).

Pored modela s prekrivanjem razvijeni su i inteligentni tutorski sustavi koji model učenika oblikuju s osloncem kako na nedostajućim konceptima tako i na pogrešno usvojenim konceptima. Obično se tada unaprijed definira biblioteka pogrešaka (eng. bugs libraries) koja je tipična za određena područna znanja kao i za kronološku dob učenika. Kao alternativa, može se definirati i biblioteka dijelova pogrešaka (eng. bug parts libraries). Slijedom iznesenog uočavaju se tri glavne metode za prikaz razlika između učenika i stručnjaka: model prekrivanja, model biblioteke pogrešaka i model biblioteke dijelova pogrešaka. Svaka od ovih metoda kao i relevantni sustavi iz primjene će se u nastavku detaljnije analizirati.

Oblikovanje modela učenika prekrivanjem

Oblikovanje modela učenika prekrivanjem uvodi Goldstein u tutorskom sustavu WUMPUS. Znanje učenika se promatra u odnosu na znanje tutora, tako da je učenikov model položen unutar znanja tutora. Ovo omogućava jednu laku usporedbu između onoga što učenik zna i onoga što bi on trebao znati.

Znanje stručnjaka

Znanje učenika prije učenja

Znanje učenika poslije učenja

Slika 9.1. Model prekrivanja znanja učenika i znanja stručnjaka

Model s prekrivanjem se može u prenesenom smislu objasniti na komadu papira s otvorima, koji se položi preko modela stručnjaka i tako omogućava pristup samo nekim dijelovima znanja. Zato se u ovom slučaju, model učenika treba sastojati od modela stručnjaka i dodatka pojmova koji nedostaju. Neke varijante modela prekrivanja pridružuju brojeve elementima baze znanja stručnjaka. Inačica modela s prekrivanjem

Modeliranje učenika (modul učenika)

100

postavlja težinu na svakom elementu u bazi znanja stručnjaka. Na taj način 1 indicira da je nešto savladano, -1 indicira nepoznavanje, a -.5 indicira parcijalno savladavanje. Modeli prekrivanja su najčešće u upotrebi pri modeliranju učenika u inteligentnim tutorskim sustavima.

Primjeri sustava koji koriste opći model prekrivanja (Kosba, 2004): Scolar, BIP, GUIDON i WUMPUS.

Glavni problem ovog modela je u činjenici da znanje učenika ne mora biti pravi podskup znanja eksperta. Iako se možemo nadati da će učenici učiti i stjecati znanje s namjerom da postanu što bliže stručnjaku, moguće je da imaju i određeno znanje koje stručnjak nema. Novaci prilikom učenja ne mogu pristupiti rješavanju problema na isti način kao i stručnjak. Npr. novaci će tražiti neke površne analogije, dok stručnjak traži dublje funkcionalne analogije. Slabosti modela učenika s prekrivanjem su dovele do njegova proširenja na tzv. diferencijski model učenika (eng. differential student model) (slika 9.2.). U ovakvom pristupu znanje kojem je učenik bio izložen tijekom učenja (ono znanje koje učenik mora naučiti) je odvojeno od znanja koje učenik još nema. Diferencijski model se može zamišljati kao model prekrivanja na očekivanom znanju koje je podskup znanja stručnjaka.

Znanje stručnjaka

Znanje učenika

Znanje kojem je učenika bio

izložen

Slika 9.2. Diferencijski model učenika

Burton i Brown u WEST sustavu (Burton i Brown, 1982) realiziraju model učenika prema učenikovom umijeću u korištenju aritmetičkih operatora. To je jedan model prekrivanja u kojem je znanje stručnjaka predstavljeno modelom "crne kutije", a učenik je modeliran pomoću jednog skupa vještina s kojima je on ovladao i koje uspješno koristi. Burton i Brown također ovdje uvode i zamisao diferencijalnog modeliranja koja je slična Carbonell-ovoj metodi koja eksplicite modelira razlike između znanja stručnjaka i znanja učenika. Primjeri sustava koji koriste diferencijski model su: WEST i GUIDON.

Diferencijski model nasljeđuje nedostatke modela prekrivanja, zbog pretpostavke da je znanje učenika pravi podskup znanja stručnjaka jer se ne bavi s pogrešnim znanjem učenika.

Modeliranje učenika (modul učenika)

101

Slijedom grafičke interpretacije prikazanih modela prekrivanja i diferencijskog modela, razvijen je model zbrke (eng. perturbation model) )(slika 9.3.) koji kombinira model prekrivanja s prikazom pogrešnog znanja (Serengul, 1998). U ovom se pristupu smatra da učenik ima i znanje koje se razlikuje i količinom i kvalitetom od znanja stručnjaka. Uobičajena tehnika implementacije ovog modela je prikaz znanja stručnjaka koje se uvećava eksplicitnim informacijama o vjerojatnim pogrešnim znanjima.

Znanje stručnjakaPogrešno poimanje

učenikaZnanje učenika

Slika 9.3. Model zbrke

Model učenika je zatim prekrivanje uvećanog općenitog modela. Uključivanje pogrešaka u model zbrke omogućuje bolje razumijevanje učenika koje se ne može postići običnim modelom prekrivanja. Primjeri inteligentnih tutorskih sustava koji koriste model zbrke su (Abdullah, 2003): sustavi DEBUGGY i Geometry Tutor (Anderson, Boyle, Yost, 1985).

Pored navedenih pristupa za oblikovanje modela učenika postoje i inteligentni tutorski sustavi koji obuhvaćaju kako nedostatak znanja tako i pogrešna poimanja znanja.

Oblikovanje modela učenika pomoću biblioteke pogrešaka

Najčešće korišteni model učenika u toj klasi modela upotrebljava predefiniranu knjižnicu s kategorijama znanje/neznanje. Pripadnici – članovi ove knjižnice su zapravo pogreške (eng. bugs). Model učenika sadrži model stručnjaka i listu pogrešaka. Ovaj je pristup drugi najčešće korišten u izgradnji modela učenika. Sustav procjenjuje učenika traženjem pogrešaka u knjižnici. Zatim pronađene pogreške dodaje modelu stručnjaka i tako dopušta modelu učenika da se prilagodi učenikovim postignućima. Najveća zapreka ovom pristupu je upravo stvaranje knjižnice, koja mora biti podrobno kompletirana. Ako učenik ima pogrešku koja nije u knjižnici, onda model učenika pokušava učenikovo ponašanje usporediti s kombinacijom drugih pogrešaka, što može dovesti do potpuno pogrešne procjene pogrešno shvaćenih koncepata učenika.

Postoji nekoliko tehnika za stvaranje knjižnice pogrešaka:

Pogreške se mogu sakupiti iz literature, posebno iz starijih radova sa područja obrazovanja.

Pogreške se mogu naći pažljivom ručnom analizom učenikova ponašanja. Ručna analiza nekoliko tisuća testova oduzimanja ukazala je na 104 pogreške koje su

Modeliranje učenika (modul učenika)

102

Burton i Brown iskoristili u svom DEBUGGY programu (Burton; 1982; VanLehn, 1982);

Za neka područja postoje teorije učenja koje mogu pomoći u otkrivanju mogućih pogrešaka. Primjerice “Teorija popravka” (VanLehn, 1995) predviđa pogreške kod oduzimanja. Pogreške iz te teorije su se dodali knjižnici DEBUGGY programa, pa su se u toj knjižnici, nakon ponovne analize učenikovih odgovora, mogle pronaći pogreške koje puno bolje odgovaraju ponašanju učenika.

Oblikovanje modela učenika pomoću biblioteke dijelova pogrešaka

Alternativa pristupu knjižnice pogrešaka je konstrukcija pogrešaka iz djelomične knjižnice pogrešaka. Pogreške se konstruiraju za vrijeme dijagnoze, radije nego da se prije definiraju. Primjerice, svaka pogreška konstruirana u ACM sustavu (Langley & Ohlsson, 1984) je produkcijsko pravilo sastavljeno od uvjeta koji su spojevi tvrdnji i jednog postupka. Tvrdnje i postupci se traže u ranije definiranim knjižnicama. Ako knjižnica tvrdnji ima T tvrdnji, a knjižnica postupaka ima P postupaka, onda ACM može predstaviti približno P*2T različitih pogrešaka. Upotrebom dviju razmjerno malih djelomičnih knjižnica pogrešaka, ACM može kvalitetno predstaviti razlike između učenika i stručnjaka. Problemi punjenja ovih knjižnica su analogni problemima punjenja knjižnice pogrešaka. Ipak, u ovom se slučaju ti problemi lakše rješavaju, jer su djelomične knjižnice pogrešaka manje. Ovaj pristup predstavljanju razlika između učenika i stručnjaka je najnoviji i najmanje korišten, zbog toga njegova svojstva još nisu dobro istražena.

Istraživanja koja je proveo Burton (1982) jasno ukazuju na čudnovatu prirodu dječjih pogrešaka pri izvođenju aritmetičkih operacija što nas navodi na pomisao da nijedan podskup znanja stručnjaka ne može objasniti netočne procedure koje koriste učenici.6) Zato Burton predlaže "Buggy model" koji upotrebljava i točna i "pogrešna" pravila koja učenik može slijediti. U ovom modelu učenikove pogreške se sagledavaju kao simptomi smetnji tj. poteškoća, zasebna modifikacija pravilnih vještina s čime se efikasno duplicira ponašanje učenika. Razumijevanje učenikove pogreške s toga postaje zadaća pronalaženja prikladne kombinacije točnih i pogrešnih pravila koji će zajedno dovesti do istog netočnog odgovora kojeg je dao učenik. Ovaj pristup se razlikuje od Goldstein-ovog rada na genetičkim grafovima po tome što pogrešna pravila ne moraju biti na neki posebni način povezana s točnim pravilima već mogu biti iskustvom određene tipične pogreške.

Promotrimo primjer knjižnice pogrešaka za operaciju oduzimanja u Byggy modelu učenika (Burton, 1982 str. 162):

6)

Testiranje provedeno s kontrolnom skupinom (N = 1325 djece starosne dobi od 4 do 6 godina) za aritmetičku

operaciju oduzimanja. Ustanovljeno 330 mogućih pogrešaka.

Modeliranje učenika (modul učenika)

103

45 40 139 500 312 - 23 - 30 - 43 - 65 - 243

Rezultati ovih operacija su:

22 10 96 435 69 Učenikovi odgovori su:

+ + + 565 149 Predikcija po pravilu 0 – n = n je:

* * * *** *** Predikcija po pravilu "Manje od većeg" je

* * 116 *** 131

Legenda :

*** Buggy sustav je pretkazao učenikov pogrešan odgovor.

* Buggy sustav je pretkazao učenikov točan odgovor.

+ Učenikov odgovor je točan.

Prikazane su tipične pogreške učenika u odbijanju po pravilu 0 – n = n i po pravilu odbijanja "manje od većeg".

SAŽETI PRIKAZ PROSTORA MODELA UČENIKA

Definirali smo tri dimenzije učenikova modela od kojih svaka ima tri svoje dimenzije. Sve je sažeto prikazano u tablici 9.1. Pod svakom dimenzijom, redoslijed poddimenzija odgovara težini problema dijagnoze (prva je najlakša). Moguće je stvoriti 33 različitih modela učenika. Modeli uučenika koji najviše olakšavaju proces stvaranja dijagnoze su modeli prekrivanja sa ravninskom postupkovnom reprezentacijom znanja, dok model sa djelomičnom knjižnicom pogrešaka i deklarativnom reprezentacijom znanja najviše otežavaju taj proces.

Tablica 9.1. Tri dimenzije učenikova modela. (VanLehn, 1988, str. 65)

1. Obuhvat ulaznih podataka-koliki dio učenikove aktivnosti je dostupan programu za dijagnozu? - Približna mentalna stanja-dostupne su sve aktivnosti (i fizičke i mentalne) - Međustanja-dostupna je sva vidljiva aktivnost (fizička) - Konačna stanja-dostupno je samo konačno stanje (odgovor)

2. Tip znanja-kojeg je prikaz znanja korišten u nastavnim sadržajima? - Ravninsko postupkovno - postupkovno znanje bez podciljeva - Hijerarhijsko postupkovno - postupkovno znanje sa podciljevima - Deklarativno

3. Razlike između učenika i stručnjaka - kako se učenikov model razlikuje od modela stručnjaka? - Prekrivanje-neki pojmovi iz ekspertovog modela nedostaju u modelu učenika - Knjižnica pogrešaka uz pojmove koji nedostaju, učenikovi modeli mogu imati i netočno

(pogrešno) znanje. Pogreške dolaze iz ranije definirane knjižnice - Djelomične knjižnice pogrešaka - pogreške se sakupljaju dinamički tijekom rada učenika,

tako da što bolje odgovaraju ponašanju učenika.

Svih 27 mogućih tipova modela učenika još nisu isprobani. Tablica 9.2. prikazuje neke od postojećih sustava za modeliranje učenika i njihov smještaj u prostoru učenikovih modela. Dimenzija obuhvata ulaznih podataka je u prvom stupcu tablice, a dimenzija

Modeliranje učenika (modul učenika)

104

tipa znanja u prvom redku tablice. Razlika učenika i eksperta označene su zvjezdicama sa značenjem kako slijedi: (i) * označava prekrivanje; (ii) ** označava knjižnicu pogrešaka; (iii) *** označava djelomičnu knjižnicu pogrešaka. U tablici se referciraju samo oni inteligentni tutorski sustavi koji to do sada nisu bili.

Tablica 9.2. Prostor učenikovih modela (VanLehn, 1988, str. 65)

DIJAGNOSTIKA ZNANJA UČENIKA

Učenikov model vodi se radi toga da se pronađe smisao 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 naprosto kaže učeniku da je pogriješio on ga nije poučio nego je gurnuo problem k učeniku koji mora nekako sam odrediti razlog pogreške.

Brown i Moskowitz (prema Rickel, 1989, str. 48) su primijetili da "... dobri učitelji ne bilježe samo rezultate već oni pokušavaju odrediti učenikova pogrešna razumijevanja kao najbolju osnovu za ispravljanje tog nerazumijevanja".

Carbonell (1970) gleda na pogreške učenika kao simptome bolesti pogrešnih zamisli i opaža da dijagnostičko prosuđivanje treba djelovati pomoću otvorenog skupa varijanti rješenja. Inteligentni tutorski sustav treba postavljati i provjeravati hipoteze koje se odnose na podrijetlo učenikovih pogrešaka s obzirom na njegove ranije probleme. Mi zapravo imamo jednu široku osnovu na temelju koje možemo postavljati takve hipoteze uključujući i model učenika, tipične pogreške na području u kojem poučavamo, kao i ograničenja u tekućem problemu.

Iskustvo Stevensa i drugih sa sustavom WHY omogućilo im je da postave jednu od najznačajnijih premisa u procesu procjenjivanju učenika: "Vrste pogrešaka u učenikovom znanju koje sustav može procijeniti u velikoj mjeri ovise o znanju predstavljenom u sustavu". (Stevens i drugi, 1982, str. 15). Primjerice, učenikovi neuspjesi u situacijama učenja putem otkrivanja mogu se ustanoviti putem usporedbe sa

Tip znanja Obuhvat

Ravninsko Postupkovno

Hijerarhijsko postupkovno

Deklarativno

Mentalno stanje

***Kimball-ov tutor za integralni račun

***Anderson-ov LISP tutor

***Anderson-ov tutor za geometriju

* Guidon

Prikaz međurezultata

* WEST * WUSOR

*** MACSYMA *** Spade *** Image

** Scholar ** Why

* Guidon

Prikaz konačnog rezultata

*** LMS *** Pixie *** ACM

** BUGGY ** DEBUGY ** IDEBUG

** Meno ** Proust

Modeliranje učenika (modul učenika)

105

područnim znanjem koje je formalizirano u sustavu, jer nam je potreban neki način određivanja kada je neko određeno znanje primjenjivo.

Burton i Brown (Burton i Brown, 1982) u WEST tutoru, koriste "prepoznavatelja pitanja" kako bi otkrili učenikove neuspjehe kao i "procjenitelja pitanja" koji koristi model učenika da bi odlučio da li učeniku doista nedostaje određeno umijeće ili on pak koristi jednu podjednako valjanu strategiju. Ovo je utemeljeno na diferencijalnom modelu učenikovog ponašanja u usporedbi s ponašanjem stručnjaka. Takav diferencijalni model, smatra Carbonell (1970), efikasan je samo onda kada postoji relativno jedinstven i dobro određen zatvoreni skup točnih odgovora.

Alternativa diferencijalnom modeliranju je izravna interpretacija učenikovih odgovora u izrazima semantičke memorije, s obzirom na usklađenost i značaj odgovora u odnosu na pitanje (Carbonel 1970). Wexler-ov sustav (Wexler, 1970), koji pohranjuje svoje područno znanje u semantičku mrežu određuje vrijednost učenikovog odgovora pretražujući mrežu, tražeći čvorove koji zadovoljavaju uvjete pitanja. Ukoliko nijedan takav čvor ne odgovara učenikovom odgovoru, onda on pokušava umetnuti odgovor u strukturu pitanja sukcesivno prebacujući ograničenja na odgovor. Primjerice na pitanje "Koji je glavni grad Texas-a?" i učenikovog odgovora "Madison", Wexler-ov sustav odgovara "Madison je glavni grad Wisconsin-a". Tema o kojoj je ovdje riječ je davanje dodatnih informacija o učenikovim netočnim odgovorima i garancija da je ova informacija značajna.

Procjenjivanje učenika nije tako jednostavno kao što bi to prijašnji primjer mogao sugerirati. Ponekad učenik daje točan odgovor, ali ga izražava na drugi način (Wolf i McDonald, 1984). Slično u situacijama igre učenik može odavati dojam da mu nedostaje određena vještina, a on zapravo koristi potpuno drugačiju strategiju od eksperta. Konačno, Stevens i drugi (1982) opažaju da ponekad pogreške utječu jedna na drugu tako da uvijek moramo razmotriti mogućnost da je pogreška rezultirala iz kombinacije učenikovih pogrešnih shvaćanja.

Jedna među rijetkim tehnikama koje se bave višestrukim pogreškama je Burton-ov "Buggy model" (Burton, 1982). U ovom modelu sustav posjeduje pravila koja odgovaraju s jedne strane ispravnim umijećima za to područje i s druge strane tipičnim pogrešnim tehnikama. Primjenjujući ovaj model na oduzimanje, Burton je izgradio proceduralne mreže točnih i netočnih tehnika koje su potrebne da bi se izvelo oduzimanje. Ove proceduralne mreže su djelomično uređeni koraci aritmetičkih operacija koje bilježe ne samo kada je određena vještina poput prenošenja potrebna, već također kada je vjerojatno da će se upotrijebiti određene pogrešne tehnike kao što je npr. pogrešni oblici prenošenja znamenki tijekom obavljanja aritmetičkih operacija odbijanja ili zbrajanja. Učenikov odgovor zatim se procjenjuje traženjem puta u toj mreži vještina koja postiže učenikov odgovor. Ukoliko taj put sadrži samo ispravne vještine, mi onda znamo koje je vještine učenik uspješno iskoristio. Međutim, ako taj put sadrži pogrešne vještine, mi odmah znamo koja su pogrešna shvaćanja učenika. Problem ovim prilazom jest u tome da broj mogućih putova kroz mrežu raste eksponencijalno s brojem točnih i pogrešnih tehnika, tako da se i za jednu vrlo jednostavnu domenu, kao što je oduzimanje, moramo koristiti heurističkim slijeđenjem. Također, ova metoda zahtijeva eksplicitno nabrajanje mogućih grešaka što je sasvim sigurno protivno Carbonell-ovim nazorima.

Modeliranje učenika (modul učenika)

106

U duhu Buggy modela je i Genesereth-ov model koji sugerira procjenjivanje učenikovih postupaka putem "prepoznavanja plana" (Rickel, 1989). Prepoznavanje plana je inverzno planiranju. U planiranju tražimo slijed koraka pomoću kojih ćemo postići cilj. Nasuprot tome u prepoznavanju plana slijedimo ciljeve koji se mogu nalaziti ispod plana koji odgovara učenikovim postupcima.

Genesereth-ov sustav koristi kombinaciju raščlane od vrha prema dolje i obrnuto i razmatra kako točne tako i netočne odgovore. Razlika između prepoznavanja plana i Buggy modela je u tome što ovaj prvi uzima u obzir više razina apstrakcije.

Premda se svi ne odlučuju za Buggy metodu većina uviđa potrebu za nekom vrstom taksonomije pogrešaka. Stevens i drugi (1982) ističu da dobar učitelj mora imati znanje o vrstama pogrešaka koje se obično javljaju u području koje se poučava. U WHY tutoru ustanovili su 16 općih pogrešaka koje objašnjavaju 58% pogrešaka koje učenici čine na području izučavanja padalina (72 % su pogreške zbog neznanja). Oni razmatraju apstraktnije vrste pogrešaka koje leže iza ovih 16 pogrešaka uključujući primjenu netočne metafore i nedostatak generalizacije.

Ljudske pogreške su neovisne o području ali učitelji moraju također prepoznati slučajeve ovih apstraktnih pogrešaka koje se javljaju na područjima na kojima se vrši poučavanje. Ideja jedne taksonomije stoga je korisna na određenoj razini apstrakcije. Postoje različiti prilazi taksonomiji pogreške od kojih je svaki na neki način povezan za određeni oblik znanja. Mnogi ljudi prave razliku između problema koji su lokalni na tom neposrednom području, zatim probleme koji uključuju odnose između različitih odnosa ili dijelova znanja i problema koji ukazuju na potpunu zbrku na strani učenika.

Carbonell (1970) sugerira taksonomiju pogrešaka koja bi omogućila tutoru da odredi značaj različitih pogrešaka, da odabere odgovarajuće strategije ispravljanja i da uoči oblike povezanih grešaka u učenikovim odgovorima odnosno postupcima. Pogrešna shvaćanja koja se mogu javiti u određenim područjima moraju biti prikazana, a njihove uobičajenosti moraju biti apstrahirane u općenitija pogrešna shvaćanja koja se pružaju u rasponu od temeljnih pogrešaka koje ljudi doživljavaju kao što je pogrešaka u upotrebi metafore pa sve do načina na koji se ove pogrešne koncepcije manifestiraju u određenim pojmovima s tog područja.

Promotrimo generičke tipove pogrešaka koje Carbonell ističe u SCHOLAR-u (Carbonell, 1970) :

­ Nedostatak informacije. Učeniku nije poznato da je Buenos Aires glavni grad Argentine ili ne pozna broj pučanstva u Argentini.

­ Pogrešno razvrstana činjenica. Učenik iskazuje da se Buenos Aires nalazi u Brazilu. ­ Pogrešan ulaz. Učenik kaže da pučanstvo Buenos Aires-a broji 500.000. ­ Nedostatak pojma. Npr . što je longituda u zemljopisnoj mreži. ­ Pogrešan superordinirani pojam. Npr. učenik kaže da je Nicaragua dio Južne Amerike

(pogrešan "superpart") ili da je Aconcagua grad (pogrešan "superconcept"). ­ Pretjerano uopćavanje. Učenik je uvjeren da su poglavarstva u svim državama Južne

Amerike militantna.

Modeliranje učenika (modul učenika)

107

­ Pogreška da se izvede jedan superordinirani - nadređeni zaključak. Npr. da jezik u zemlji obično implicira i jezik u gradovima.

­ Pogreška u izvođenju nekog negativnog zaključka. Npr. da jedan dio informacije proturječi ostatku.

Konačno, u procesu dijagnostike znanja učenika je bitno ne izgubiti se u procjenjivanju te ne dozvoliti da procjenjivanje učenika postane sredstvo a ne cilj, te da uvijek težimo da učenik prevlada svoja pogrešna shvaćanja, a ne da mu na jedan magični način učitelj to izvede umjesto njega.

Ukoliko možemo suziti skup mogućih pogrešnih poimanja tada je relativno jednostavno kroz daljnju interakciju odrediti gdje učenik griješi. Često možemo upotrijebiti Sokratovsku metodu postavljanja brižljivo odabranih problema pred učenika kako bi mu omogućili da uoči svoje pogreške (poimanja). Konačno, ponešto značajnih povratnih informacija u Wexler-ovom (1970) stilu koja je prije razmotrena može ići jednim drugim putem pomažući učeniku da pronađe vlastitu pogrešku.

VanLehn (1988) tehnike za dijagnostiku učenika dovodi u vezu s modelom učenika kao i metodama i tehnikama za prikaz znanja u inteligentnim tutorskim sustavima. Dijagnostičke tehnike definira kao procese u inteligentnim tutorskim sustavima u kojima se donose procjene i upravlja podacima iz učenikovog modela. Imajući u vidu obuhvat ulaznih podataka u izgradnji modela učenika VanLehn predlaže ukupno devet algoritama dijagnostike, pet ih se odnosi na model učenika s konačnim stanjima, tri za model s međustanjima i jedan za model mentalnog stanja učenika. Tablica 9.3. sažeto prikazuje sve do sada razvijene dijagnostičke tehnike u inteligentnim tutorskim sustavima koje su se pojavile u relevantnoj literaturi.

Tablica 9.3. Tehnike za dijagnosticiranje znanja učenika (Prema VanLehn, 1988, str. 66)

Obuhvat ulaznih podataka

Prikaz znanja

Ravninsko postupkovno

Hijerarhijsko postupkovno

Deklarativno

Mentalno stanje Model slijeđenja

(traganja)

Prikaz međurezultata

Parcijalno traganje Plan raspoznavanja Ekspertni sustav

Prikaz konačnog rezultata

Put otkrivanja Uvjet uvođenja

Stablo odluke Napravi i testiraj

Interaktivna dijagnostika

Napravi testiraj

DIJAGNOSTIKA UČENIKA TEMELJENA NA MENTALNOM STANJU

Jedna od vjerojatno najjednostavnijih tehnika za dijagnostiku učenika, u pogledu implementacije je model slijeđenja – traganja (eng. model tracing) koji pretpostavlja da je cjelokupno relevantno učenikovo mentalno stanje raspoloživo dijagnostičkom programu. Temeljna ideja je u primjeni nedovoljno determiniranog interpretatora za modeliranje procesa rješavanja problema. U svakom koraku u procesu rješavanja

Modeliranje učenika (modul učenika)

108

problema, ovakav interpretator može sugerirati skup pravila koja se mogu primijeniti, dok naprotiv deterministički interpretator može sugerirati samo jedno pravilo. Algoritam za dijagnostiku aktivira sva predlagana pravila, da bi se postigao skup mogućih sljedećih stanja. Jedno od ovih stanja mora odgovarati stanju koje je učenik generirao. Ako je tome tako, onda je razborito pretpostaviti da je i učenik koristio takvo pravilo kojim je generirao sljedeće mentalno stanje i stoga pretpostaviti da on to pravilo zna. Učenikov model se obnavlja u skladu s ovim. Ime model slijeđenja proizlazi iz činjenice da dijagnostički program naprosto prati (nedovoljno određeno) izvršavanje u modelu i uspoređuje to sa aktivnostima učenika. Očito je da model rješavanja problema mora biti psihologijski prihvatljiv u visokoj mjeri da bi ta tehnika bila primjenjiva. U slučaju kad je model raspoloživ, praktična primjena obično ima zamršen slijed. Tri su razloga za ovakvo mišljenje:

Što bi sustav trebao učiniti ako učenik ne slijedi ni jedno od pravila u modelu? Pretpostavimo da učenik generira sljedeća stanja pogađanjem ili greškama ; sustav

će netočno podrazumijevati kako učenik poznaje odgovarajuće pravilo. Kada sustav mora mijenjati svoje mišljenje o učenikovom modelu? Kad moramo

odustati od modela ?

DIJAGNOSTIKA UČENIKA TEMELJENA NA MEĐU STANJIMA

Tehnika modela slijeđenja podrazumijeva da pravila u učenikovom modelu potpuno ocrtavaju psihologijski model dijelova znanja koje je učenik primijenio. U nekim slučajevima takav detaljizirani model učenikovih spoznaja je neizvediv ili nepotreban. Napose uzevši detaljiziran učenikov model vjerojatno zahtijeva više rada nego što je on stvarno valjan ako se vođenje poučavanja ne može prilagoditi kompliciranim pojedinačnim učenikovim pogrešnim poimanjima. Primjerice, potpuno izgrađen učenikov model pogrešaka pri operaciji oduzimanja nije neophodan ako je potpora tutora prisutna pri ponovnom poučavanju. Općenito uzevši, dijagnostika i vođenje poučavanja moraju biti na istoj razini detaljnosti.

Ako se zahtjeva manje precizan model učenika, tada je prikladna varijanta modela slijeđenja i naziva se parcijalno slijeđenje (eng. issue tracing). Ovaj se model temelji na kratkim epizodama u procesu rješavanja problema u skupu "mikrovještina" ili dijelova koji se upotrebljavaju za vrijeme epizode.

Analiza ne pokazuje kako su ovi parcijalni rezultati međusobno utjecali jedan na drugoga ili kakvu su ulogu odigrali u procesu rješavanja problema. Ona pokazuje samo da su parcijalni koraci korišteni.

WEST (Burton i Brown, 1982) sustav je koristio ovu dijagnostičku tehniku u procjeni učenika. Učenikov aktualni način rješavanja problema po svoj prilici obuhvaća ispitivanje rezultata radi bržeg napredovanja ka cilju. Tehnika modela slijeđenja trebala bi modelirati ovo mukotrpno detaljizirano traženje putem pokušaja i pogrešaka.

Modeliranje učenika (modul učenika)

109

Međutim, tehnika parcijalnih koraka ne uzima u obzir detalje. Njena analiza ističe da učenik jasno razumije ova dva koraka, jer su oni uključeni u učenikovim pomacima - potezima.

Prvi korak u parcijalnom slijeđenju jeste analizirati učenikov potez i potez stručnjaka unutar koraka. Svaki korak ima dva brojača, brojač korištenja i brojač pogrešaka. Brojač korištenja se inkrementira svaki put kad učenik obavi potez. Brojač pogrešaka se inkremetira za sve korake u kojima ekspert obavlja potez, a koji nisu u učenikovim potezima. Ako je pokazivač brojača korištenja veći od brojača pogrešaka, tada se zaključuje da učenik vjerojatno razumije dano stanje. Vrijedi i obrnuto, ako je brojač pogrešaka veći od brojača korištenja tada je moguće da učenik ne razumije dani korak. Konačno, ako su oba brojača na nuli tada to znači da korak još nije postignut.

Ova jednostavna dijagnostička procedura ima i skriveni problem. Naime, nepoznavanje bilo kojeg koraka koji je uključen i potez eksperta već je dovoljan da uvjetuje da učenik previdi taj potez. Parcijalno slijeđenje podjednako vrednuje svaki pogrešno izveden učenikov potez. Ovo unosi neke netočnosti u model učenika.

Plan raspoznavanja (eng. plan recognation) je dijagnostička tehnika slična putu otkrivanja po tome što se nalazi na početku modela slijeđenja, ali je efikasnija od tehnike puta otkrivanja. U principu, put otkrivanja i model traganja, sa ili bez pravila uvođenja, mogu uspostaviti sve dijagnoze. Ipak, kada putovi između očitih stanja postanu dugi, dijagnoza može postati nepouzdana. Za dijagnostičku tehniku plan raspoznavanja, znanje u modelu učenika mora biti formalizirano postupkovno i i u njemu imati još opciju hijerarhijsko pa to znači da gotovo sva fizička stanja kod učenikovog rješavanja problema trebaju biti dostupna dijagnostičkom programu. Kad se ostvare ovi uvjeti, rješavanje problema može se analizirati u stablastoj strukturi. Listovi stabla predstavljaju primitivne radnje poput pomaka šahovske figure ili raspisivanja jednadžbe. Srednji čvorovi u stablu predstavljaju podciljeve kao što su pokušaj uzimanja protivnikove kraljice ili faktoriziranje jednadžbe x2+3x-1=0. Korijen predstavlja pravi cilj: pobijediti protivnika u partiji šaha ili riješiti jednadžbu x (x+4)-x=1. Veze između čvorova u stablu predstavljaju odnos između ciljeva i podciljeva. Takvo stablo se često zove plan, a to pogrešno ime je steklo u svom ranijem razvoju, na području robotike. Primjer izgradnje stabla plana prikazan je na slici 9.4. Plan raspoznavanja je proces stvaranja stabla plana kada su nam poznati samo njegovi listovi. Kada se ova tehnika koristi u procesu dijagnoze, onda nam služi kao početak modela traganja. Pod pretpostavkom da plan raspoznavanja može naći jedinstveno stablo plana koje predstavlja tijek učenikovih radnji, onda se pretpostavlja da je približna mentalna putanja učenika putanja transverzala stabla koja počinje od čvora i ide prema listovima, pri tom se krećući s lijeva na desno. Ova putanja može biti ulazni podatak za algoritam modela traganja, koji će prema tome obnoviti model učenika.

Modeliranje učenika (modul učenika)

110

KORIJEN - glavni cilj (primjerice, pobjedau šahu)

SREDNJI ČVOROVI - podciljevi

(primjerice, uzimanje protivnikovekraljice)

LISTOVI - primitivne radnje (primjerice,

pomicanje šahovske figure).Dijagnostičkom modulu su dostupneupravo ove primitivne radnje (listovi).

Slika 9.4. Primjer izgradnje stabla plana

Treba se suočiti sa dva tehnička pitanja:

- Što ako se pronađe nekoliko stabala koja odgovaraju radnjama učenika? - Što ako se ne pronađe niti jedno stablo?

Za izbjegavanje druge situacije, sustavi za plan raspoznavanja koriste modele djelomičnih knjižnica pogrešaka radije nego modele prekrivanja. Programi za dijagnostiku koji su koristili tehniku plana raspoznavanja više su se bavili prvim problemom tj. kako odrediti koje stablo najuvjerljivije predstavlja učenikov mentalni plan.

Sljedeća tehnika za dijagnostiku znanja učenika nazvana je tehnika ekspertnih sustava, s temeljnom idejom da proces dijagnoze opskrbi sa dijagnostičkim pravilima za sve slučajeve koji se mogu dogoditi. Promotrit ćemo neke inteligentne tutorske sustave koji koriste ovu tehniku.

Poput WEST-a i WUSOR-a i Clancey-ev GUIDON sustav koristi manje detaljan model učenika. Umjesto objekata, GUIDON koristi pravila zaključivanja. To su pravila za uspostavljanje medicinske dijagnoze i sadrže povelike dijelove znanja koji u sebi sadržavaju niz spoznajnih operacija. Tipično pravilo je:

Pravilo 545:

Ako: - je pacijent dobio infekciju za vrijeme boravka u bolnici - je broj bijelih krvnih zrnaca manji od 2.5 tisuće Tada: - postoji slutnja da je organizam Klebesiella pneumonia, i - postoji strogi dokaz da je taj organizam E. coli, i - postoji slutnja da je organizam Pseudomonas. Ova su pravila kompliciranija od objekata, pa je problem dijagnostike teži. Primjerice, ako je učeniku dan slučaj kojem odgovara pravilo 545, a učenik dođe do samo jednog od zaključaka (primjerice do zaključka da je organizam E. coli), a ne i do preostala dva, onda nije jasno da li je učenik koristio pravilo ili ne. Moguće je da je učenik došao do zaključka da je organizam E. coli pomoću nekog drugog pravila.

Modeliranje učenika (modul učenika)

111

Postoje mnogi načini interakcije pravila. Da bi mogao upravljati mnoštvom kombinacija, GUIDON koristi pristup ekspertnog sustava. GUIDON ima desetke dijagnostičkih pravila poput ovoga:

Ako: - učenikove pretpostavke uključuju one do kojih se može doći pomoću ovog pravila, i - učenikove pretpostavke ne uključuju sve zaključke ovog pravila Tada: - smanji stupanj vjerovanja da učenik razumije pravilo za 70% Ovo dijagnostičko pravilo se primjenjuje u prije opisanoj situaciji. Neka tehnička pitanja u vezi s ovom dijagnostičkom tehnikom su:

- Ako dva dijagnostička pravila odgovaraju trenutačnoj situaciji, kako kombinirati njihove zaključke?

- Što ako niti jedno dijagnostičko pravilo ne odgovara trenutnoj situaciji? - Koliko treba promijeniti dijagnostička pravila u slučaju nekih izmjena u bazi znanja

danog područja?

DIJAGNOSTIKA UČENIKA TEMELJENA NA KONAČNOM STANJU

Pod pretpostavkom da obuhvat ulaznih stanja nije dostatan da garantira da će učenik primijeniti pravilno mentalno pravilo, tada je model slijeđenja neprimjenjiv. Tada se model slijeđenja koristi u kombinaciji s algoritmom traženja puta (eng. path finding). Traženje puta je algoritam korišten 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.

U spomenutoj situaciji algoritam traženja puta se postavlja ispred algoritma modela slijeđenja. Ova dva konsekutivna stanja, pronalaze put ili vezu mogućeg primjenljivog pravila prelazeći iz jednog stanja u drugo. Put je zatim predan algoritmu modela slijeđenja, koji ga tretira kao potpuno prikazivanje učenikovog mentalnog stanja. Temeljni tehnički problem s traženjem puta je u tome što ima mnogo putova između dva stanja. Ovdje se otvaraju sljedeća pitanja: Treba li onaj koji pronalazi put odaslati sve putove modelu slijeđenja i pustiti da se pozabavi i dvosmislenostima? Treba li upotrijebiti heuristiku da bi odbacili nepoželjne putove? Treba li pitati učenike što su oni učinili? Ovi koraci zahtijevaju daljnje istraživanje.

Model slijeđenja podrazumijeva da bilo koja dva uzastopna stanja u učenikovom procesu rješavanja problema mogu biti povezana pomoću pravila u njegovom modelu. Ovo postavlja snažan zahtjev pred potpunost modela. Model prekrivanja često ovo ne može raditi. Model knjižnice pogrešaka mora sadržavati veliki broj pogrešaka. Djelomična knjižnica pogrešaka se radi toga koristi kao temelj učenikovog modeliranja.

Uzmimo dva uzastopna stanja, sustav konstruira - izvodi pravilo koje pretvara jedno stanje u drugo. Iako su potencijalno mogući mnogi putovi za ovakav konstrukt "buggy" pravila, jedina tehnika koja se dosad pokazala pouzdana je uvjet uvođenja (eng. condition induction). Ova tehnika zahtjeva dvije zbirke. Jedna je zbirka operatora koja

Modeliranje učenika (modul učenika)

112

pretvara jedno stanje u drugo. Druga je zbirka predikata. Ova tehnika pretpostavlja da je operatorska zbirka dovoljno bogata da bilo koja dva uzastopna mentalna stanja mogu biti uspoređena primjenom istog operatora. Na taj način operator postaje akcijska strana produkcijskog pravila koje će se generirati. Teži dio zadatka je odrediti koja logička kombinacija predikata mora konstituirati uvjetnu stranu pravila. Uvjet u kojem je bilo istinito stanje primijenjeno pravilo je s druge strane neistinit. Sustav općenito ima jedno stanje koje je istinito; to je prvo stanje u pravilu dok će više stanja biti uzeto u kasnijem rješavanju problema. Čini se da ova tehnika zahtijeva više podataka u procesu rješavanja zadatka nego dijagnostička tehnika modela prekrivanja ili modela zbirke pogrešaka.

Sve dijagnostičke tehnike u suštini se moraju baviti s neobičnostima prisutnim u znanju učenika. Neke od tehnika ranije opisanih - od kojih su najznačajnije model slijeđenja i traženje puta, podrazumijevaju da se najviše jedno pravilo aktivira između dva uzastopna stanja učenikovog mentalnog stanja, tako da se svaki deficit pokazuje kao izdvojena pogreška u primjeni pravila. Upravo zbog toga što se pogreška pojavljuje izdvojena može se provesti dijagnostika čak i onda kada ih ima više. Sustavi poput WEST-a i GUIDON-a, koji imaju slabiji obuhvat ulaznih podataka, koriste manje točan opis manjka znanja (npr. slabosti u rezultatima), što im dozvoljava da jednostavno oblikuju kombinaciju manjka znanja.

Sljedeće tri tehnike (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.

Dijagnostika višestrukih pogrešaka bi bilo jednostavna kada bi sustavi mogli generirati simptome pogrešaka koje se istodobno događaju, tako da uzmu uniju simptoma pojedinačnih pogrešaka. Ovo nije uvijek moguće. Slika 9.5. nam pokazuje dvije pogreške kod oduzimanja kada se javljaju istovremeno i kada se javljaju izolirano. Kod prve pogreške, 0-N=N, učenik kao rezultat oduzimanja neke znamenke od nule dobiva nulu. Kod druge pogreške, N-M = abs (N-M), učenik kao rezultat oduzimanja veće znamenke od manje, dobiva rezultat oduzimanja manje znamenke od veće. Odgovor kod istovremenih pogrešaka na prvi problem, 50-38, jednak je odgovoru na taj problem kod izoliranog javljanja prve pogreške. Odgovor kod istovremenih pogrešaka na drugi problem, 712-56, jednak je odgovoru na taj problem kod izoliranog javljanja druge pogreške, iako i kod izoliranog javljanja prve pogreške dobivamo pogrešan odgovor na taj problem. Kada se prva pogreška javlja izolirano, prijenos iz kolone jedinica mijenja kolonu desetica u 0-5, što “pali” prvu pogrešku. Kod istovremenog javljanja obje pogreške, taj je prijenos potisnut zbog druge pogreške, pa se prva pogreška uopće ne “pali”. U ovom jednostavnom slučaju postoji uzročna interakcija između dvije pogreške, zbog koje se one različito manifestiraju. Općenito, postoje mnogo kompleksniji načini interakcija pogrešaka.

Modeliranje učenika (modul učenika)

113

Zadaci/odgovori

Vrste odgovora 50 712

- 28 - 56

Točan odgovor 22 656

Odgovor s pogreškom O – N = N 30 606

Odgovor s pogreškom N – M = abs (N – M) 38 744

Pogreške se događaju istovremeno 30 744

Slika 9.5. Dvije pogreške, kada se javljaju izolirano i kada se javljaju istovremeno (Prema VanLehn, 1988, str 72)

Tehnika stabla odluke (eng. decision trees) predstavlja prilično brutalan pristup kombiniranju pogrešaka. Korištena je u dijagnostičkom sustavu BUGGY. BUGGY je povećao knjižnicu pogrešaka formiranjem svih mogućih parova pogrešaka. Pošto je postojalo 55 pogrešaka, ovo proširivanje je stvorilo 552 (3025) parova pogrešaka. Da bi mogao efikasno vršiti dijagnostiku, BUGGY je proanalizirao testove oduzimanja koji su bili dani učenicima i formirao stablo odluke koje je označilo pogreške uzimajući u obzir učeničke odgovore na probleme. Korijen stabla odgovara prvom problemu. Sakupljaju se odgovori na taj problem dobiveni pomoću prikupljenih dijagnoza (dijagnoza je pogreška ili par pogrešaka). Većina odgovora će biti generirano pomoću nekoliko dijagnoza. Za svaki odgovor, korijenu se daje dijete čvor označen tim odgovorom. Sa svakim čvorom su povezane dijagnoze koje su dale taj odgovor. Operacija gradnje stabla se ponavlja po jednom za svaki novi čvor, korištenjem drugog problema iz testa. Ovaj proces je prikazan na slici 9.6. Po završetku ovog procesa, sagrađeno je ogromno stablo. Svaka dijagnoza odgovara nekom putu od korijena do nekog lista. Ako su objekti u testu dobro odabrani, svaka ta putanja je jedinstvena, odnosno svaki list odgovara točno jednoj dijagnozi. Općenito, vrlo je teško pronaći kratki test koji će imati visoke dijagnostičke mogućnosti.

Proces izgradnje stabla se događa prije kontakta sa učenicima i najskuplji je dio proračuna. Dijagnoza odgovora učenika je jednostavna, barem u principu. Ako učenikove pogreške nisu uzrokovane nepažnjom, onda se učenikov odgovor koristi da se BUGGY stavi na putanju od korijena do odgovarajuće dijagnoze. Naravno, većina učenika pravi nenamjerne pogreške (koje se zovu omaške). Primjer omaške je 3 kao rezultat oduzimanja 9-5. U slučaju omaške, jednostavna šetnja stablom neće uvijek voditi do lista, pa BUGGY izvodi pretraživanje stabla da bi našao dijagnozu, dok dopušta minimalni broj omaški.

DIJAGNOZA 1 DIJAGNOZA 2 DIJAGNOZA 3

ODGOVOR1

ODGOVOR2

ODGOVOR3

KORIJEN – prvi problem

DJECA ČVOROVI – daju sekorijenu za svaki odgovor na tajproblem. Do svakog odgovoradovodi neka dijagnoza(dijagnoza je pogreška ili parpogrešaka)

Ova se operacija ponavlja zasvaki novi čvor, korištenjemslijedećeg problema izizabranog testa.

Slika 9.6. Primjer izgradnje stabla odluke

Modeliranje učenika (modul učenika)

114

Prednost ovog pristupa je to što je pretraživanje stabla dovoljno jednostavno za implementaciju na računalu. Veće računalo se može koristiti za, u računalnom smislu, intenzivniji proces izgradnje stabla. Nedostatak ove tehnike je to što se ne može nositi sa istodobnim događanjem više pogrešaka. Umjesto toga, ova tehnika unaprijed izračunava sve moguće kombinacije pogrešaka (parove, u BUGGY-jevom slučaju) i njih tretira isto kao i primitivne pogreške. Ovaj je proces obično preskup u slučajevima kada se istodobno mogu desiti više od dvije pogreške. Burtonova ručna analiza podataka otkrila je istodobno javljanje čak četiri pogreške kod nekih učenika. Za dijagnostiku ovih učenika, BUGGY-ju bi trebalo 554 (9 milijuna) parova pogrešaka, pa bi tada dijagnostičko stablo imalo trilijune čvorova.

DEBUGGY je napravljen da dijagnosticira čak do četiri ili pet istovremenih pogrešaka. Za razliku od BUGGY-ja, DEBUGGY ne izračunava unaprijed odgovore istovremenih pogrešaka, već dinamički stvara kombinacije pogrešaka. Počinje nalaženjem malog skupa pogrešaka koje pristaju barem dijelu učenikovih odgovora. U ovom skupu može biti 10 pogrešaka. Zatim ove pogreške formira u parove (oko 100 pogrešaka). Također formira parove korištenjem pohranjene liste pogrešaka za koje se zna da su teško uočljive jer budu prikrivene nekom drugom pogreškom. Iz ovog skupa od otprilike 200 pogrešaka, DEBUGGY bira one koje najbolje odgovaraju učenikovim odgovorima. Korištenjem ovih, izabranih, pogrešaka ponavlja proces sastavljanja pogrešaka. Novo sastavljene pogreške bolje odgovaraju učenikovim odgovorima, pa se ovaj postupak ponavlja sve dok ima napretka u tom pogledu. Krajnji skup sastavljenih pogrešaka predstavlja DEBUGGY-jevu dijagnozu učenika.

DEBUGGY-jev algoritam je vrsta tehnike za dijagnostiku koja se zove napravi i testiraj (eng. generate and test). Algoritam za dijagnostiku stvara skup dijagnoza i nalazi odgovore koji su predviđeni tim dijagnozama. Zatim te odgovore uspoređuje sa učenikovim odgovorima i sačuva one koji se najbolje slažu sa učenikovim odgovorima. Općenito, ova je tehnika dosta neefikasna.

Sustavi DEBUGGY i BUGGY rade sa testom oduzimanja i učenikovim odgovorima na taj test. Oni se mogu koristiti za van-linijske dijagnostičke sustave: učitelj testira učenike, odgovore pošalje DEBUGGY-ju, nekoliko dana kasnije dobiva dijagnozu i primjenjuje odgovarajući postupak za ispravak pogrešnog znanja.

Unutar tutorskog sustava ne postoji potreba za fiksnom listom objekata za testiranje. Sustav može izabrati problem, čiji će odgovor najviše pomoći procesu dijagnoze. IDEBUGGY (Burton, 1982; prema: Kurt VanLehn, 1995) je takav sustav. Na osnovu skupa dijagnoza koje se slažu sa dosadašnjim učenikovim odgovorima IDEBUGGY pokušava konstruirati problem sa oduzimanjem koji će svaku dijagnozu navesti da stvori drugačiji odgovor. Možemo reći da bi taj problem trebao razdvojiti prostor pretpostavki. Nije uvijek moguće naći ovakav problem, pa IDEBUGGY ovakvoj strategiji posvećuje samo određenu količinu napora. Zatim učeniku predstavi najbolji problem koji je uspio pronaći. Ipak, učenik ponekad predugo čeka da mu IDEBUGGY predstavi sljedeći problem. Proces interaktivne dijagnoze (eng. interactive diagnosis) stvara visoke zahtjeve na brzinu algoritma za dijagnostiku. Ovaj proces može postaviti vrlo točnu dijagnozu i za to mu treba manje objekata za testiranje nego što je potrebno testu sa

Modeliranje učenika (modul učenika)

115

prije određenim objektima testiranja. Smanjenje trajanja procesa dijagnoze može smanjiti učenikov umor i povećati njegovu volju za suradnjom.

************

Poglavlje je obuhvatilo proces modeliranja učenika. Modeliranje učenika je temeljna paradigma u oblikovanju i implementaciji inteligentnih tutorskih sustava. Proces raspolaže bogatim prostorom za daljnja istraživanja i to prije svega zato što su raniji računalni sustavi za poučavanje skromno ili gotovo nikako pratili učenika tijekom učenja pa time i pokušavali utvrditi učenikov proces stjecanja znanja.

116

Poglavlje 10.

VOĐENJE POUČAVANJA (MODUL UČITELJA)

Vođenje poučavanja u inteligentnom tutorskom sustavu jamči osposobljavanje učenika za rješavanje problema u danom područnom znanju. Poučavanje učenika u vještinama prikupljanja znanja težak je zadatak zato što se računalni "tutor" mora prilagoditi individualnim zahtjevima učenika. Naime, algoritam vođenja poučavanja obuhvaća znanje koje bi učenik trebao naučiti, mogućnosti savjetovanja učeniku za vrijeme poučavanja, mogućnosti predstavljanja ili ukazivanja na nove aktivnosti na temelju zaključaka tijekom poučavanja i uspješnu povratnu informaciju onda kada učenik pogriješi. Ovo ukazuje na važnost komunikacije između tutora i učenika. Pristup poučavanju u ITS može biti ovisan o vještinama koje se poučavaju kao i o obrazovnim ciljevima. Tradicionalno, u inteligentnim tutorskim sustavima, koriste se tutorski dijalog, a sa stajališta vođenja takvog poučavanja u ovoj raspravi obuhvaćeni su: teorijski okvir poučavanja pomoću inteligentnih tutorskih sustava, scenarij učenja i načela za implementaciju tutorskih znanja.

TEORIJSKI OKVIR POUČAVANJA POMOĆU INTELIGENTNIH TUTORSKIH SUSTAVA

Teorijski pristup učenja i poučavanja pomoću inteligentnih tutorskih sustava predstavlja široki spektar načela s kojima raspolažu teorije odgoja i obrazovanja, a primjenjivi u ovoj posebnoj klasi sustava e-učenja. Učenje je proces stalne promjene onoga tko uči pomoću vlastite kognitivne, psihomotorne ili čuvstvene aktivnost. Mijatović i drugi (1999) smatraju da ono može biti spontano, namjerno (organizirano) i nenamjerno (prirodno), a najviše se vezuje uz školu. Učenje ne završava s krajem formalnog obrazovanja čovjeka, jer zahtjevi za stalnim usavršavanjem i cjeloživotnim učenjem su imperativ radnih aktivnosti i okruženja radnog mjesta. U našoj literaturi ovog područja obično su obuhvaćena tri pristupa teoriji učenja sa stajališta psihologije obrazovanja (Vizek Vidović i drugi, 2003.; Zarevski, 2007):

­ 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

Navedenom dodajmo i načela pedagogije u svjetlu didaktičkih modela tj. neposredne realizacije procesa učenja i poučavanja. Već je naglašeno kako su inteligentni tutorski sustavi produkt multidisciplinarnog istraživanja pedagoga, psihologa i računaraca, a što

Vođenje poučavanja (modul učitelja)

117

se u ovom odjeljku posebno analizira. Analiziraju se navedeni pristupi učenju i sagledava teorijski okvir inteligentnih tutorskih sustava implementiranih u on-site i WWW okruženju. Važno je kazati i to da su suvremeni didaktički modeli oslonjeni na radove švicarskog psihologa J. Piaget-a7, američkog matematičara sa MIT-a S. Papert-a te ruskog psihologa L. S. Vygotskog8 koji sukcesivno ističu individualizirano učenje, učenje realizirano s rukama na računalu (eng. hands-on learning) i učenje uz timski rad (eng. colaboration). Sve navedeno omogućava i upravljano otkrivanje znanja (Reinhardt, 1995). Spomenuta načela ne samo da su dobro prilagođena računalima (sada uglavnom u formi osobnog računala) već ih je uz ekonomska načela nastavnog procesa gotovo nemoguće upotrebljavati bez njihove podrške.

Sažeto će se promotriti bihevioristički, kognitivistički i socijalni pristup učenju jer determiniraju načine učenja i poučavanja pomoću inteligentnih tutorskih sustava te time omeđuju i njihov teorijski okvir. Teorijski okvir podrazumijeva implementaciju teorija učenja u inteligentne tutorske sustave i to kombiniranjem više pristupa učenju, budući da se oni međusobno nadopunjuju, te na taj način omogućavaju djelotvornu realizaciju njihovih funkcionalnosti. ­ Bihevioristički pristup i inteligentni tutorski sustavi

Bihevioristički pristup se temelji na tvrdnji da je ponašanje zanimljivo i vrijedno znanstvenog istraživanja. To je oblik materijalizma usmjeren na ponašanje i ima cilj otkrivanje zakonitosti ponašanja ljudi u određenim situacijama. Bihevioristički pristup pretpostavlja da se znanstvene metode mogu primjenjivati samo na ona ponašanja koja se mogu opažati i mjeriti. U okviru tog pristupa psiholozi analiziraju kako ljudi uče neka ponašanja i kako se to ponašanje može mijenjati. Tako usmjereni psiholozi ne zanimaju se toliko za kognitivne procese (npr. mišljenje, pamćenje, emocije), već u prvom redu pokušavaju povezati podražaje iz okoline ili iskustvo ljudi s njihovim ponašanjem. Jedna od pretpostavki biheviorističkog mišljenja je da je slobodna volja iluzorna, te da je cijelo ponašanje determinirano, tj. određeno okolinom ili kroz uparivanje ili kroz potkrjepljenje.

7 J. Piaget (1896-1960) je poseban doprinos ostvario oblikovanjem teorije razvoja djeteta poznata kao genetička

epistemologija. Premda je glavne aspekte svoje teorije oblikovao u dvadesetim godinama prošlog stoljeća njegov

utjecaj se u SAD-u nije osjeća sve do šezdesetih godina kada je američka psihologija bila zrela za promjene.

Piaget-ova teorija mentalnog razvoja razlikuje četiri razdoblja u životu djeteta: (i) senzomotoričko razdoblje (od

roĎenja do 2 godine), u kojem je kod djeteta naglašena motorička kontrola koja omogućava razlikovanje

objekata i pripadnost objekata klasama; (ii) predoperacijsko razdoblje (od 2 do 7 godine), u kojem dijete

intuitivno rezonira te može imenovati objekte ali klase ne; (iii) razdoblje konkretnih operacija (od 7 to 11

godine), u kojem dijete može logički izražavati prema objektima, klasama i relacijama ali ne prema verbalnim

propozicijama te ne može formulirati koncepte formalno; (iv) razdoblje formalnih operacija (11 do 15 godine), u

kojem dijete može definirati koncepte i može logično, sustavno i simbolički rezonirati. 8 L. S. Vygotsky (1896-1934) ruski psiholog. Diplomirao je na Moskovskom državnom sveučilištu, a razdoblje

od 1924. do 1934. godine je radio na Institutu za psihologiju u Moskvi. Za vrijeme života na Zapadu nije bio

poznat. Vzgotsky je u izrazito kratkoj istraživačkoj aktivnosti ostvario značajne radove u području psihologije i

poučavanja jezika s kojima ima dosta dodirnih točaka s teorijom Piaget-a. Ostvario je značajan doprinos u

razvojnoj psihologiji, stavovima prema razvoju djeteta i obrazovanju općenito.

Vođenje poučavanja (modul učitelja)

118

Bihevioristički pristup učenju je imao veliki utjecaj na školu kao i na razvoj tehnologije koja je podržavala obrazovanje. Najbolji primjer takvog utjecaja je iskazan u ranim strojevima za učenje i kroz programiranu nastava, što se smatra (Shute i Psotka, 1995) pretečama inteligentnih tutorskih sustava. Stajalište predstavnika biheviorističke teorije prikazano je i analizirano u poglavlju 4. Veza inteligentnih tutorskih sustava i biheviorističkog pristup može se sagledati u postupku nizanja nastavnih sadržaja raščlanjenih na njegove elemente (primjerice nastavne cjeline ili nastavne teme ili nastavne jedinice), dok se vrednovanje znanja provodi na kraju svakog elementa nastavnog sadržaja. Učenici odgovaraju na postavljena pitanja i ukoliko uspješno odgovore dobivaju pozitivnu povratnu informaciju, u slučaju pogrešnog odgovora upućuje se na mjesta na kojima mogu pronaći točan odgovor kao i pomoć u otklanjanju pogrešnih poimanja. Ovako organizirani nastavni sadržaji uključuju: prikaz ciljeva učenja, plasiranje informacija u manjim količinama, napredovanje malim koracima, ponavljanje nastavnih sadržaja, trenutnu povratnu informaciju učeniku, principe kazne i nagrade, sustav bodovanja te mogućnost određivanja i bilježenja stupnja napredovanja učenika. Sve je ovo karakteristično za bihevioristički pristup. Međutim, temeljni nedostatak biheviorističkog pristupa je nemogućnost prilagođavanja aktualnoj razini znanja učenika, što je i danas ozbiljno ograničenje u implementiranim inteligentnim tutorskim sustavima gdje ovo načelo nije uvaženo. Nadalje, istina je i to da je bihevioristički pristup i danas prisutan u brojnim sustavima e-učenja, što se u svakom slučaju može tumačiti kao nedostatak, a nikako ne kao prednost i kvaliteta takvih sustava. Inteligentni tutorski sustavi najvećim dijelom ostvaruju uspjehe zahvaljujući utjecaju socijalnog pristupa i kognitivističkog pristupa i u njemu posebno konstruktivističkih načela stjecanja znanja u procesu učenja i poučavanja. Ovi teorijski pristupi bit će predmet razmatranja i analize u sljedećim odjeljcima.

­ Kognitivistički pristup i inteligentni tutorski sustavi Svakodnevno iskustvo i znanstvena istraživanja upućuju na činjenicu da se učenje ne može objasniti bez uzimanja u obzir kognitivnog. Riječ kognitivno vuče podrijetlo od engleske riječi cognition što predstavlja spoznaju tj. mentalni proces koji iskazuje ponašanje. Proces stjecanja znanja, u svojoj cjelovitosti uključuje postupke opažanja i rasuđivanja. Može se reći da kognitivno uključuje sve svjesne procese od kojih se znanje gradi, od opažanja i prepoznavanja do razumijevanja. Osnovno je svojstvo kognitivnog rasuđivanje, u kojem se određeni objekt izdvaja od drugih objekata, s obzirom na svoje više ili manje uopćene osobine. Dok je bihevioristički pristup nastojao stvoriti jednostavan model po načelu podražaj-reakcija, kao način razumijevanja ljudskog ponašanja, kognitivna teorija učenja tvrdi da takav model nije u mogućnosti vjerodostojno opisati ljudsko ponašanje zato što je ono suviše složeno. Kognitivni pristup učenju bavi se misaonim aktivnostima kojima se obrađuju informacije, a to su: učenje, pamćenje, mišljenje, zaključivanje i rješavanje problema. Učenje se promatra kao proces organiziranja, pohranjivanja i traženja veza među informacijama. Kognitivna teorija nastoji proniknuti u mentalne procese što se javljaju pod utjecajem podražaja, i kako ti mentalni procesi oblikuju danu reakciju. Bihevioristički pristup takve procese nije u mogućnosti proučavati jer se ne daju izravno promatrati i mjeriti. U proučavanju mentalnih procesa, kognitivistički pristup se koristi promatranim ponašanjem kako bi

Vođenje poučavanja (modul učitelja)

119

posredno stvorio zaključke i pretpostavke o mentalnim procesima što utječu na takvo ponašanje.

Prema kognitivnom pristupu učenja ljudi stalno uče i nastoje organizirati i pospremiti što više informacija. Najvažnija značajka kognitivnog učenja je da ono rezultira općim znanjem, a suština učenja je u razvijanju kognitivnih shema ili mapa koje predstavljaju određene vanjske pojave ili procese. Kognitivna shema je organizirana struktura koja reflektira znanje pojedinca, njegovo iskustvo i očekivanje o nečemu. Kognitivni pristup učenju bavi se problemima učenja govora, stjecanja pojmova, učenja složenih vještina, kognitivnim mapama i procesima učenja pri rješavanju problema. U okviru kognitivističkog pristupa učenju Piaget i Vygotsky ostvaruju temelj za razvoj konstruktivizma koji se počeo razvijati u vrijeme kada je psihologijom dominirao biheviorizam. Konstruktivizam kao teorijski pristup označava izgradnju znanja na temelju vlastitog iskustva. Učenje je, aktivan proces, jedinstven za svakog pojedinca, a sastoji se od izgradnje pojmovnih veza i značenja iz znanja koje učenik već posjeduje i iz njegovog iskustva. Jedna od osnovnih pretpostavki konstruktivizma je da se znanje gradi, a ne prenosi. Osim toga, važna komponenta učenja je i motivacija budući da uzrokuje aktivaciju osjetilnog. Postoje razni oblici motivacije, kao na primjer: relevantnost, znatiželja, zabava, ispunjenje, postignuće, vanjska nagrada i slično. Glavni predstavnik konstruktivizma je američki psiholog Bruner9) kojeg se naziva ocem konstruktivističke teorije. Njegov teoretski okvir temelji se na tezi da učenici stvaraju nove ideje ili pojmove bazirane na već postojećem znanju. Učenje kao aktivan proces uključuje odabir i transformaciju informacije, donošenje odluka, generiranje hipoteza i stvaranje značenja iz informacija i iskustva. Bruner (http://www.lifecircles-

inc.com/constructivism.htm) razlikuje šest načela konstruktivističke nastave: ­ Učenici dolaze u učionicu s vlastitim pogledima na svijet. ­ Njihov pogled na svijet ponaša se kao filtar za sve nadolazeće doživljaje. ­ Mijenjanje pogleda na svijet zahtjeva rad. ­ Učenici uče od drugih učenika i od učitelja. ­ Učenici uče radom (eng. learn by doing). ­ Kada svi učenici imaju pravo glasa potiče se razvoj novih ideja. U ovom promišljanju posebno sa stajališta informacijske i komunikacijske tehnologije i inteligentnih tutorskih sustava su značajna posljednja tri načela.

Promjena pristupa pri promatranju učenja sa biheviorističkog na kognitivistički nije bio tako dramatičan kao pomak na konstruktivizam, s obzirom da su bihevioristički i kognitivistički pristup objektivni u prirodi. Nadalje, ova dva pristupa podržavaju praksu analiziranja zadaća i razčlanu zadaća na dijelove prikladne za upravljanje, utvrđivanje objekata i mjerenja izvedbe koja se temelji na tim objektima. Konstruktivizam, s druge strane, promovira više „open-ended“ iskustva učenja gdje metode i rezultati učenja nisu lako mjereni i ne moraju biti isti za svakog učenika. 9)

J. Bruner (1915- ) američki psiholog, profesor psihologije Harward-u (SAD) i Oxfordu (Velika Britanija).

Njegov se doprinos ogleda u kognitivnoj psihologiji i kognitivnoj teoriji učenja u obrazovnoj psihologiji.

Posebno se cijeni doprinos u razumijevanju procesa obrazovanja i u njemu razvoja teorije curriculum-a. Osim

toga, vrijedno je njegovo poimanje, danas vrlo značajnog, cjeloživotnog učenja.

Vođenje poučavanja (modul učitelja)

120

Konstruktivizam je zaokupljen kako procesom kojim učenici kreiraju mišljenje i znanje, tako i rezultatom samog procesa. Način konstruiranja učenikovog znanja ovisi o onom što već znaju, njihovim prethodnim iskustvima, njihovom načinu organiziranja tih iskustava u strukture znanja (sheme, modele mišljenja) i vjerovanjima što ih koriste u interpretaciji onog što susreću. Konstruktivisti smatraju da učenici grade svoju vlastitu stvarnost ili je barem interpretiraju bazirajući je na njihovim percepcijama iskustava. Tako je pojedinačno znanje funkcija ranijih iskustava, mentalnih struktura i vjerovanja kojima se uobičajeno interpretiraju objekti i događaji. Ono što netko zna je zasnovano na percepciji fizičkih i socijalnih iskustava što je obuhvaćeno mišljenjem. (Jonasson,1991) Kontrola učenja od strane učenika se smatra važnom komponentom konstruktivizma, a temelji se na dvjema pretpostavkama:

­ učenici znaju što je za njih najbolje i ­ učenici su u mogućnosti ponašati se prikladno za ostvarivanje njihovih vlastitih

ciljeva.

Učenje se ostvaruje u kontekstu interaktivnog multimedijskog ili hipermedijskog okruženja, gdje se od učenika ne traži slijepo prihvaćanje gledišta učitelja, odnosno stručnjaka, nego gdje se učenje ostvaruje uz komunikaciju znanja između učitelja i učenika. U takvoj sredini učitelj postaje poticatelj, vodič i mentor.

Pozitivni aspekti konstruktivizma su evidentni, učenici koriste aktivne mentalne procese pri razvoju mišljenja i izgradnji znanja te razvijaju vještine za rješavanje problema koje mogu biti primijenjene na druge situacije. Učenik je intrinzično motiviran za rješavanje problema otkrivanjem ili pomoću iskustva, a intrinzična motivacija vodi razvijanju dugotrajnog pamćenja. Učenjem se razvijaju socijalne i komunikacijske vještine te više razine kao što su analiza i sinteza. Ipak, postoje i brojne kritike konstruktivizma. Naime, da bi učenici mogli preuzeti odgovornost za vlastito učenje moraju biti dovoljno zreli. Ukoliko nemaju odgovarajuću razinu zrelosti ili imaju slabe sposobnosti, ovakvo učenje zakazuje. Dosta je teško organizirati nastavu po konstruktivističkim načelima jer iziskuje velik utrošak vremena i zahtijeva dobru infrastrukturu s mnogo izvora informacija, što može biti skupo. Također, nastavnici često nailaze na poteškoće pri razvijanju problema koji će motivirati učenike za sudjelovanje u procesu učenja.

U inteligentnim tutorskim sustavima poštuju se individualne značajke učenika jer je omogućeno biranje nastavnih sadržaja, određivanje vremena i mjesta učenja, te posebno raspravljanje na forumu ili chat-u gdje je moguće izraziti osobno mišljenje i stav. Nastavni sadržaj je izveden u hipermedijskom okruženju prema kognitivnim strategijama koje se „brinu“ za dobro oblikovanje znanja koje uključuju objekte znanja i njihovu povezanost. Hipermedijsko okruženje omogućava aktiviranje više osjetila te pojačava i obogaćuje mentalne procese pri poučavanju. Učenici komuniciraju sa svojim vršnjacima ili komuniciraju sa učiteljima ili stručnjacima područnog znanja čime stječu navike suradničkog rada. Načini individualnog učenja koje je moguće primijeniti u obrazovanju inteligentnim tutorskim sustavima su: promatranje prezentacija, simulacija, eksperiment, oblikovanje virtualnih laboratorija, analiza slučaja, kritička analiza, rješavanje problema i zadataka.

Smjernice za razvoj inteligentnih tutorskih sustava orijentirane su prema jednostavnim procedurama učenja, intuitivno oblikovana sučelja, detaljne i razumljive upute za rad, te

Vođenje poučavanja (modul učitelja)

121

povremene povratne informacije o ispravnosti metode rada koju je primijenio učenik. Posebno je potrebno osigurati pomoć učenicima koji nisu dobro shvatili uputu ili ne mogu samostalno svladati postavljene zadatke. ­ Socijalni pristup i inteligentni tutorski sustavi Socijalni pristup učenju polazi od pretpostavke da je ljudsko ponašanje većinom stečeno te da se događa u socijalnom kontekstu interakcijom pojedinca i socijalne okoline. Pristup je još poznat po nazivu učenje po modelu. Model je osoba od koje se uči, odnosno osoba koju se imititira ili modelira, a učenik je osoba koju se uči. Više je pristupa za učenje po modelu, ali četiri načina su dominantna: modeliranje, imitacija, učenje promatranjem i simboličko učenje (Zarevski, 2007). Kod učenja modeliranjem promatra se živi model koji nastoji utjecati na učenika, tj. modelirati njegovo ponašanje. Na primjer, kada nastavnik tjelesnog odgoja želi naučiti učenike određenu vježbu on je izvodi i verbalno opisuje vježbe, a učenici zatim pokušavaju ponoviti ono što su vidjeli i čuli. Ukoliko učenik u potpunosti oponaša model, ali ne razumije čemu služi takvo ponašanje, govorimo o imitaciji. Primjer ovakvog učenja je kada se djevojčica šminka i češlja kao njena mama.

Učenje promatranjem odnosi se na situacije kad učenik vidi i uzima u obzir i posljedice ponašanja modela. Pri učenju promatranjem model najčešće ne zna da je promatran, odnosno model nema namjeru mijenjati nečije ponašanje i to je osnovna razlika između učenja promatranjem i modeliranja. Ova vrsta socijalnog učenja najviše se vezuje uz američkog psihologa Banduru10). Uočio je da se nove reakcije mogu učiti promatranjem drugih ljudi, te naglašavao da osoba koja nešto uči ne mora biti sama pokrepljena, već može opažati potkrjepljenje modela. Ukoliko neko ponašanje dovodi modela do pozitivnog potkrjepljenja, vjerojatno će se učenik i sam početi ponašati na takav način.

Simboličko učenje je vrsta socijalnog učenja kod kojeg model samo opisuje ponašanje učeniku, primjerice učitelj opisuje učeniku kako spojiti dijelove računala ali mu pri tome ne prikazuje stvarne postupake pri rješavanju ove zadaće. Teorija socijalnog učenja smatra se mostom između biheviorističkih i kognitivnih teorija učenja. Socijalni pristup objašnjava ponašanje ljudi u terminima stalne recipročne interakcije između kognitivističkih i biheviorističkih okolišnih čimbenika. Budući da kognitivno igra veliku ulogu u učenju, u zadnjih tridesetak godina socijalni pristup postaje sve više kognitivan u interpretaciji učenja.

10)

A. Bandura (1925- ) roĎen je u Kanadi, a karijeru sveučilišnog profesora ostvario je na Sveučilištu Stanford u

SAD. Postavio je teoriju socijalnog učenja, gdje prihvaća većinu pogleda na bihevioristički pristup učenju ali uz

uvažavanje kognitivističkog pristupa učenju. Inicijalno je istraživao ulogu socijalnog modeliranja u motivaciji i

poučavanja čovjeka. Kasnije u svojem istraživačkom pristupu i interpretaciji rezultata sve više naglašava

kognitivno. 1986. godine objavio je poznato djelo Social Fundation of Thought and Action: A Sociale Cognitive

Theory s kojom je ponudio socijalno-kognitivističku teoriju učenja.

Vođenje poučavanja (modul učitelja)

122

SCENARIJ UČENJA

Scenarij učenja je situacija u kojoj se odvija učenje. Najvažniji kriterij kojim trebamo procjenjivati scenarij učenja jest ravnoteža vođenja dijaloga između učenika i učitelja. U ovoj dimenziji scenarij učenja je poredan u niz koji počinje s jednostavnom paradigmom "pravilo - primjer - praksa" korišten u tradicionalnim CAI sustavima pa sve do vođenih simulacija, dijaloga s podijeljenom inicijativom i učenja kroz otkrivanje. Ova struktura tvori jedan kontinuirani spektar od ograničenog CAI sustava (u kojem učenik ne može istraživati ono što ga zanima) pa do otvorenog područja istraživanja primjenom npr. programskog jezika LOGO, u kojem se učenik "istražujući" može ali i ne mora izgubiti. Znanje koje se traži od strane tutorskog sustava minimalno je na krajevima, ali raste prema sredini.

Istraživači različitih područnih znanja smatraju da pravo razumijevanje znanja stečenog formalnom obukom nastupa onda kada učenik kasnije povezuje to znanje s konkretnim iskustvom i primjenom. Doista, kritike na tradicionalne CAI sustave odnosile su se na pasivnu ulogu učenika pa su projektanti sustava za poučavanje tražili efikasniju primjenu računala u nastavi. Ovo objašnjava zahtjevnije računalne scenarije učenja koje ćemo opisati u ovom odjeljku.

Temeljna slabost klasičnih CAI sustava odnosila se na njegovu jednostranu prirodu, učenik malo ili gotovo nije utjecao na tijek poučavanja. Međutim, inteligentni tutorski sustavi su orijentirani na učenika i svojom strukturom i organizacijom omogućavaju inicijativu učenika tijekom učenja i poučavanja. Posebno popularni oblik poučavanja je "računalo trener". Brown i Moskowitz izražavaju suštinu ovog scenarija riječima: "Na vaš zahtjev 'inteligentni trener' gleda preko vašeg ramena dok vi pokušavate riješiti zadatak nudeći vam povremene, ali nenametljive savjete" (Brown i Moskowitz, prema Rickel, 1989, str 41). Jedna od prednosti ovakvih sustava je u tome što obuka postaje ekonomičnija i efikasnija. Ovo vrijedi jer je učitelj na raspolaganju onda kad je to učeniku istinski potrebno pa je time smanjena potreba učenja na drugom mjestu. Učitelj je dostupan ne samo za formalnu obuku već također pomaže za vrijeme uobičajenih radnih aktivnosti štedeći pri tome vrijeme učenika koje bi u suprotnom slučaju moglo biti utrošeno na traženje po literaturi ili na čekanje pomoći od njegovog kolege. Učenje kroz igru može kombinirati oba svojstva i treniranja i učenja putem otkrića (Burton i Brown, 1982). U takvom scenariju igra je projektirana s ciljem da pouči učenika općim umijećima. Učenik ovladava umijećima primjenjujući ih kroz igru, a može ih i otkriti putem njihovog pozitivnog utjecaja na uspješnost u igri. Ovaj scenarij su Burton i Brown primjenjivali u WEST sustavu. Da bi igra bila uspješna podjednako su važna matematička znanja i umijeće u rješavanju zadatka. Osnovni zadatak vježbanja u WEST - u jest odrediti da li učenik koristi prava umijeća i kad mu treba pomoć. 1970. godine Carbonell sa SCHOLAR-om (Carbonel, 1970) započinje s primjenom tehnika umjetne inteligencije i izgradnjom scenarija poučavanja dijaloga s podijeljenom inicijativom. U SCHOLAR-u se učenik poučava iz područja zemljopisa vodeći pri tome razgovor prirodnim jezikom u kojem učenik može odgovarati na pitanja koja postavlja

Vođenje poučavanja (modul učitelja)

123

računalo ili zadati niz pitanja na koja SCHOLAR mora odgovarati. Carbonell naglašava korisnost tutorskog razgovora na osnovi podijeljene inicijative ističući da on vodi k jednom senzibilnijem sustavu poučavanja i da otvaranje prostora inicijativi učenika predstavlja ključ uspješnosti poučavanja. Sokratovski sustav je usko povezan s dijalogom podijeljene inicijative. Sokrat je vjerovao da se obrazovanje ne može postići pasivnim vježbanjem poput čitanja ili slušanja već da ono naprotiv proizlazi iz konkretnog rješavanja problema. Njegova tehnika je uključivala postavljanje problema učeniku, od kojih je svaki bio pažljivo oblikovan i zahtijevao da učenik upotrijebi novo znanje, isticao nedostatke u učenikovom znanju, te konačno "dovodio" učenika u situacije otkrivanja njegovih osobnih pogrešnih zamisli. Stevens i Collins su istražili upotrebu Sokrat-ove metode u WHY sustavu (Stevans i drugi, 1982). Učenje kroz igru i scenarij dijaloga podijeljene inicijative razlikuju se po zahtjevima koje stavljaju pred sustave poučavanja. U sustavu dijaloga podijeljene inicijative tutor mora izraziti svoje znanje odgovarajući na pitanja, dok tutor temeljen na igri treba voditi učenika i prepoznati da li je učenikov odgovor ili postupak optimalan. S druge strane računalo - tutor mora zaključiti koji su učenikovi nedostaci iz samog konteksta igre. Sljedeća poznata paradigma poučavanja je ona koja izražava znanje razgovijetnog eksperta (artikulirani ekspert) i iskazana je sustavom SOPHIE (Brown, Burton i deKleer, 1982). SOPHIE je projektiran tako da pouči učenika u pronalaženju pogrešaka u elektroničkim krugovima omogućujući im da promatraju kako tutor rješava probleme prije nego li sami dobiju zadatak. Učeniku je dopušteno da uvede pogrešku u elektronički uređaj i SOPHIE zatim traži pogrešku, postupno objašnjavajući ne samo opravdanost svojih odluka, mjerenja i zaključivanja već i svoj način traženja pogreške. Učenik, nakon što je promatrao nekoliko ekspertnih primjera dobiva zadatak za rješavanje dok SOPHIE promatra i povremeno pruža pomoć i savjet. Mnogi istraživači ističu važnost racionalizacije svakog postupka u proceduralnim umijećima poučavanja. Učenik bi trebao znati kada i zašto su postupci prikladni. Tutorski sustav mora stoga prikazati proceduralna umijeća na različitim razinama apstrakcije i objasniti postupke u izrazima njihovog uzročnog djelovanja u tom području. U tom smislu još jedan način koji omogućava učeniku uočavanje uzročnih odnosa u nekom područnom znanju je simulacija procesa koji se zbivaju u tom područnom znanju.

Simulacija i simulatori igraju značajnu ulogu u poučavanju u tehničkim znanostima omogućavajući učenicima jednostavan i učinkovit prikaz fizikalnih zakonitosti u teorijskim razmatranjima. Poučavanje u upotrebi simulatora predstavlja esencijalnu komponentu curriculum-a u području tehničkih znanosti (Brian i drugi, 1992). Simulatori su najčešće realizirani s podrškom računala na kojima se po specifičnim zahtjevima korisnika modeliraju različiti sustavi. U tom pogledu računalno podržana simulacija može pospješiti proces poučavanja i omogućiti individualizaciju nastave.

Vođenje poučavanja (modul učitelja)

124

STEAMER (Hollan i drugi, 1984; Woolf, 1992) je prototipski primjer interaktivnog i nadzirivog simulatora. Premda STEAMER (slika 10.1.) postaje više generički alat, njegova temeljna namjena je osigurati poučavanje zasnovano na simulaciji za sustave na parni pogon. Njegova se interaktivnost očituje u tome što učenici mogu voditi upravljačke uređaje i promatrati učinak istog. Sustav posjeduje ekstenzivno grafičko sučelje koje omogućava učeniku da promatra djelovanje sustava u jednom animiranom obliku koji bi inače u drugim slučajevima bio nemoguć.

Slika 10.1. Simboli u STEAMER - u (Woolf, 1992, str. 440)

Autori STEAMER-a koriste izraz dinamička grafička objašnjenja kako bi opisali njegov stil poučavanja, napominjući da se odnosi koje je teško opisati nedvosmisleno pomoću riječi često mogu jednostavno grafički ocrtati. U STEAMER-u je jasno iskazano da u poučavanju koje se temelji na simulaciji nije dovoljno samo predstaviti simulaciju kao crnu kutiju s kojom se učenik može igrati, već sredstvo poučavanja mora imati konceptualnu vrijednost. Naime, informacija mora biti predstavljena učeniku tako da mu omogući izgradnju pravilnog spoznajnog konstrukta. Ovi spoznajni konstrukti moraju odražavati način na koji stručnjaci razmišljaju o njemu, tako npr. ako eksperti iz područja elektronike misle o elektricitetu kao diskretnim elektronima koji teku kroz električni krug, onda učeniku treba pružiti ovaj grafički model prije nego li točniji kvantni mehanički model ili samo gledanje naponskih vrijednosti u različitim točkama. U načelu učeniku treba pružiti vrijedan mentalni model iz tog područja koji je na odgovarajućoj razini apstrakcije. Sljedeći sustav temeljen na simulaciji koji je sada u uporabi u više od stotinu industrijskih centara širom Sjedinjenih Američkih Država je Recovery Boiler Tutor (RBT) izgrađen za određeni tip parnog kotla koji se susreće u tvornicama papira (Woolf, 1992). RBT omogućava višestruka objašnjavanja i poučavanje u postupcima stavljanja uređaja u pogon i to za individualne korisnike u operatorskoj i upravljačkoj prostoriji. Sustav je utemeljen na matematičkom modelu parnog kotla i osigurava interaktivni simulacijski pristup s potrebnim objašnjenjima, naputcima i pomoći u poučavanju. Korisniku stoji na raspolaganju mogućnost inicijalizacije jedne od dvadeset vježbi ili kritičnih situacija, ili postavljanja pitanja u takvim kritičnim ili nedjelotvornim situacijama. Čim je situacija inicirana operater je u stanju savjetovati i namjestiti potrebne parametre (na raspolaganju je 40 akcija) da bi se u simuliranim uvjetima

Vođenje poučavanja (modul učitelja)

125

riješio problem i otklonila prisutna opasnost. Sustav je u mogućnosti identificirati optimalne, suboptimalne i pogrešne akcije u rješavanju problema.

Poučavanje temeljeno na simulaciji zahtijeva veliki utrošak vremena. Sa stajališta pedagogijske paradigme uočava se da je u takvom poučavanju teže odrediti učenikove pogrešne zamisli nego li primjerice u dijalogu s podijeljenom inicijativom. Učenje pomoću otkrivanja je na suprotnoj strani spektra u odnosu na ograničeni CAI sustav. Ovaj scenarij učenja može uzeti mnoge oblike ali osnovna filozofija jest pružiti učeniku neku vrstu mikrosvijeta u kojem on može istraživati i otkrivati opća pravila i pojmove. Učenik ima potpunu kontrolu i može dopustiti svojoj vlastitoj znatiželji i interesima vođenje sesije, a tako će vjerojatno usvojiti principe koje je samostalno otkrio. Očito je da ova vrsta učenja također priprema učenika za buduće znanstveno istraživanje i probleme stvarnoga života budući da ga ona prisiljava da razvije svoja osobna umijeća u rješavanju problema i da nauči kako se kreativno misli.

NAČELA ZA IMPLEMENTACIJU TUTORSKIH (PEDAGOGIJSKIH) ZNANJA

Strategije poučavanja bave se odabirom efikasnih metoda prikaza znanja, određivanjem ravnoteže kontrole između tutora i učenika, vođenjem količine i vremenskog rasporeda povratne veze i odabirom kriterija procjenjivanja s kojima se prosuđuje učenikova sposobnost. S pedagogijskog stajališta važno je znati što kazati i kada prekinuti (Burton i Brown, 1982). Postoji razlika između određivanja onoga što reći i aktualnog izbora riječi te ulazno/izlaznog ponašanja računala. Opseg tutorskog znanja završava s odabirom sadržaja baš kao što on završava s izborom metode predstavljanja ili strategijom vrednovanja (Wolf i McDonald, 1984). Na taj način pedagogijsko znanje vodi ukupne ciljeve i strategije tutora, a drugi moduli ovo realiziraju.

Pedagogijsko znanje je opterećeno mnoštvom odgovornosti, ali najznačajnije je određivanje strategije razrješavanja učenikovih pogrešaka koje učitelj ne može u svakom momentu popravljati. Stoga Woolf i McDonald (1984) sugeriraju da pedagogijsku komponentu treba primijeniti nakon što su ekspertni i učenikovi moduli izgrađeni i kada je već izvršena određena prosudba razine učenikovog znanja. Tutor mora odabrati da li će zanemarivati pogrešku, istaknuti pogrešku, ispraviti pogreške ili na neki način voditi učenika prema prepoznavanju i ispravljanju grešaka vlastitim snagama. Očito ovaj izbor se mora izvršit na temelju heurističkog načina poučavanja.

Većina inteligentnih tutorskih sustava predstavile su pedagoško znanje u obliku pravila izvođenja koja obuhvaćaju: učenikove pogreške, prepoznate situacije u procesu poučavanja, učenikove postupke, znanje koje se poučava i usporedbu između znanja učenika i tutora. Vjerojatno ne postoje dva sustava koja su primijenila isti pristup poučavanju i isti skup pravila, što nam ukazuje na sljedeću već prepoznatu prednost upotrebe pravila izvođenja za pedagogijsko znanje. Pravila možemo dodavati, odbacivati ili modificirati neovisno jedno od drugoga. U idealnom slučaju na ovaj način se omogućava eksperimentiranje s različitim strategijama.

Vođenje poučavanja (modul učitelja)

126

Burton i Brown (1982) navode dvanaest općih smjernica koje trebaju slijediti inteligentni tutorski sustavi. Izdvojit ćemo nekoliko :

Načelo 1. Prije savjetovanja budi siguran da je dio koji pružaš učeniku jednom korišten, a kojeg učenik ne poznaje. Načelo 4. Prekini učenika i pouči samo u onim koracima koji će mu omogućiti da se ne izgubi. Načelo 6. Ne koristi tutora prije nego li učenik ima priliku da sam otkrije igru. Načelo 8. Nakon upućivanja učenika ponudi mu da on nastavi, ali ga ne prisiljavaj. Načelo 11. Ako učenik konzistentno gubi, prilagodi razinu igre. Mnogi istraživači istraživali su prednosti neposrednog ispravljanja učenika, u odnosu na situaciju u kojoj mu je omogućeno da griješi i uočava posljedice. Burton i Brown (1982) smatraju da svaki put kada trener nešto kaže učeniku on mu zapravo oduzima priliku da to otkrije sam. Ističe se zapravo značenje da učenik promatra rezultate netočnih odluka. Uloga trenera po njihovom mišljenju jest u tome da intervenira onda kada se pretpostavlja da će učenik prijeći preko svoje pogreške ili pogrešnog shvaćanja. Međutim, mogući su i prigovori ovom stajalištu i to samo onda ako su pogreške dvosmislene. Dakle, iako neposredni povratni utjecaj nije uvijek poželjan može ga se odabrati ovisno o prirodi područja ili nekog tehničkog zahtjeva.

Pedagogijska pravila osim što moraju iskazati kada prekinuti moraju ukazati i na to što kazati. Odgovori tutora u RBT-u spadaju u jednu od tri kategorije (Woolf, 1992) i to: preusmjeriti učenika, sintetizirati podatke, istaknuti odnose i potvrditi ispravne postupke. U RBT-u pravila poučavanja su utemeljena na specifičnim i iznenadnim pojavama u učenikovim odgovorima i organizirana su tako da omoguće verifikaciju pitanja učenika i točnosti odgovora. Pedagogijska pravila u WHY-u naglašavaju vrstu znanja koju se poučava i vrstu pogrešnih poimanja koje učenik ima i sugeriraju strategije izlaganja tih pogrešnih poimanja učeniku (Stevens, Collins i Goldin, 1982). Pravila u Meno-tutoru (Woolf, 1984) odvode tutora s jednog nepotpunog puta dijaloga i sugeriraju različitu strategiju ili taktiku poučavanja. Time se posebno ističe pokušaj stvaranja skupa pedagogijskih pravila koji su neovisni o području i koji trebaju voditi tutorski razgovor.

Pored navedenog autor mora specificirati strategije za dovođenje nastavnih tema i jedinica u odgovarajući red izlaganja. Npr. učitelj mora reći kako da se poučava o pojedinim nastavnim temama, njihovim jedinicama, onda o vrstama i konačno o karakteristikama svake jedinice (Wexler. 1970). Učitelji mogu preferirati i druge pristupe i stoga inteligentni tutorski sustav mora dati svakom od njih jedan pristup.

Vođenje poučavanja (modul učitelja)

127

Pedagogijski ciljevi za poučavanje u upotrebi simulatora su posebno razmatrani u sustavima LASAR i SPICE, a orijentirani su tako da učeniku omogućavaju razvoj i potpunu procjenu alata za njihovu upotrebu, a sve zbog poboljšanja temeljnog razumijevanja koncepta u izabranom područnom znanju. Temeljitije razumijevanje omogućava učeniku upotrebu alata na jedan kreativniji i efikasniji način što konačno može voditi i vodi dizajniranju novih elektroničkih sklopova i sustava.

Metodologija vježbanja izabrana za poučavanje u simulacijskim uvjetima temelji se na dekompoziciji procesa i pokretanju simulacije u seriji podprocesa. Svaka od faza u generičkom simulacijskom modelu je neki podproces. Ova dekompozicija dopušta simulacijsku metodologiju poučavanja koja je segmentirana prema smjernicama ocrtanim u prethodnom segmentu. Učeniku je omogućeno poučavanje u svakom od individualnih podprocesa, a mora pokazati dostatna umijeća prilikom provjeravanja znanja u svakom segmentu. Tako npr., u sustavu LASAR prva faza u simulacijskom procesu je kreiranje opisa ili generiranje modela za simulaciju (kreira se lista elemenata logičke mreže čiji se rad želi simulirati). Ova faza je apsolvirana kad model sa izabranim elementima prođe postupak kompiliranja bez pogrešaka sintakse. Za SPICE simulator ova faza dopušta poučavanje učenika u kreiranju sintaktički korektnog modela SPICE sklopa. Slijedeća faza u simulacijskom procesu je specifikacija korektnog skupa ulaza ili test vektora s kojim će se pokrenuti simulacija na prethodno kompilirani model.

Tablica 10.1. (Brian i drugi, 1992) prikazuje različite faze poučavanja u uporabi simulatora zajedno s pedagogijskim ciljevima koji odgovaraju svakoj fazi. Ovi ciljevi povezuju razumijevanje djelovanja elektroničkog sklopa zajedno sa svakom fazom u simulaciji. Za svaku fazu su istaknuta dva cilja:

­ Opći cilj koji se odnosi na uporabu simulatora; i ­ Razvijanje specifičnih simulacijskih modela ili stvarnih primjera elektroničkih

sklopova.

Vođenje poučavanja (modul učitelja)

128

Tablica 10.1. Faze poučavanja i pedagogijski ciljevi u poučavanju uz pomoć simulacije

Faze simulacije Pedagogijski ciljevi

Uvod – priprema

1. Opći pregled i djelovanje simulatora.

2. Teorija područnog znanja; Digitalna logika,

elektronički sklopovi.

Kreiranje simulacijskog modela

1. Razumijevanje sintakse simulatora

2. Analiza i razumijevanje modela koji će se

simulirati.

3. Razumijevanje semantike simulatora.

Značajke okoline

1. Analiza okruženja i općih efekata simulacijskog

modela.

2. Analiza postupka za ekstrahiranje i interpretaciju

podataka iz simulatora.

Specifikacija ulaza i izlaza

1. Kako ekstrahirati informacije iz specifičnog

modela.

2. Upotreba različitih primjera koji će ilustrirati šire

mogućnosti

3. Rad s naprednim funkcijama simulatora.

Dodatne informacije 1. Upotreba složenih primjera za prikaz ovih funkcija

************

Izvršena je rasprava o vođenju poučavanja u inteligentnim tutorskim sustavima. Prijenos znanja na učenika nije poput protokola prijenosa informacija koji se odvija između dva računala, već je vođen strategijama i tehnikama koje su odabrane i kombinirane dinamički u odnosu na reakciju učenika. Stoga se vođenje učenja i poučavanja smatra vještinom utemeljenom na znanju učitelja koje u inteligentnim tutorskim sustavima moramo računalom modelirati.

129

Poglavlje 11.

INTERAKCIJA UČENIK - UČITELJ - ZNANJE (MODUL KOMUNIKACIJE)

Povijesno gledano komunikacijski modul je bio zadnji na kojeg su istraživači u ovom području obraćali pozornost kao na izdvojeni modul inteligentnog tutorskog sustava. Međutim, danas je jasno da inteligentni tutorski sustav zahtijeva izgradnju takvog komunikacijskog modula koji će u nekoj mjeri omogućiti komunikaciju prirodnim jezikom.

Proučavanje interakcije čovjek-računalo je posebno značajno za istraživanja koja se provode u području inteligentnih tutorskih sustava. Međusobno djelovanje između učenika i ITS-a je po svojem svojstvu kompleksno jer korisnici ovakvih sustava rade s njima, a da ponekad dobro ne razumiju područno znanje. Ako je sučelje prema ovim sustavima zamršeno ili loše oblikovano, efikasnost obrazovnih sesija bit će ugrožena i trpjeti će. Nasuprot ovome, dobro smišljena interakcija kao i dobro oblikovano sučelje učenika poboljšava sposobnosti inteligentnih tutorskih sustava.

Interakcija učenik - učitelj se ovdje promatra kroz sustav vođenja razgovora, sučelje učenika prema inteligentnom tutorskom sustavu i generiranje zadataka koji se učeniku postavljaju tijekom poučavanja.

VOĐENI RAZGOVOR

Carbonell (1970) ističući važnost vođenja razgovora učenika i tutora između ostalog smatra da je interakcija čovjek - računalo u svojem temelju komunikacija između dvije informacijske strukture koja uključuje njihove računalne mogućnosti. Bez formalnog protokola ova komunikacija mora biti vođena ciljevima i potrebama i jedne i druge strane. Svaka strana mora reaktivno strukturirati svoj dijalog tako da udovolji potrebama i ciljevima druge strane. Uspješna komunikacija ne počiva na riječima već prije u određivanju onoga što je tutoru i učeniku potrebno da bi komunicirali.

Učitelj ne slijedi unaprijed utvrđeni proces izlaganja, već umjesto toga dopušta da učenikovi odgovori pa i njegova pogrešna poimanja vode dijalog. Isto tako i inteligentni tutorski sustav bi se trebao "ponekad oportunistički" prilagoditi potrebama dijaloga (Feigenbaum i Barr, 1986). Tradicionalni napori na području CAI sustava čvrsto su utvrđivali program dopuštajući unaprijed određene ogranke na temelju predviđenih učenikovih odgovora. Ovaj problem vođenja razgovora i izbora nastavnih tema istraživali su većina autora inteligentnih tutorskih sustava. Fleksibilnost u vođenju tutorskog razgovora je točka prepoznavanja izgrađenosti inteligentnog tutorskog sustava.

Interakcija učenik-učitelj – znanje (modul komunikacije)

130

Carbonell (1970) razmatra problem kontekstualnog kontinuiteta i pokrivanje tema, zapažajući da su tradicionalni AFO sustavi imali veliki stupanj anticipacije, a SCHOLAR nema nikakav stupanj anticipacije jer je interaktivno orijentiran. SCHOLAR, koji koristi semantičku mrežu radi generiranja sadržaja poučavanja i pitanja, je gotovo neovisan o područnom znanju u semantičkoj mreži.

Napredak istraživanja u području inteligentnih tutorskih sustava između ostalog je uvjetovala pojava mnogo sofisticiranijih shema za vođenja razgovora.

Koffman i Blount (prema Rickel, 1989) ukratko opisuju shemu vođenja dijaloga koja je utemeljena na modelu učenika i na pojmovnom stablu pretpostavki. Sustav, određuje da li učenik preferira napredovati brzo prema novom gradivu ili izgraditi čvrst temelj na tekućim sadržajima. Sustav odlučuje na kojoj razini pojmovne dekompozicije učenik treba raditi. Pojmovi na ovoj razini se procjenjuju s obzirom na recentnost uporabe, napredkom učenika, njegovim trenutačnim znanjem, utjecajem tekućeg pojma na njegovo trenutačno znanje i njegovim znanjem u odnosu na druge pojmove. Pojam koji postiže najveću vrijednost po ovom mjerilu bira se, problem se generira na temelju njegove iskustvene razine i rješenje se procjenjuje.

Sličnu ideju razvijali su istraživači na Stanford sveučilištu. Naime, BIP sustav (Barr i drugi, 1976) koristi informacijsku mrežu curriculum - a gdje se umijeća koja se poučavaju dovode u odnos s zadacima u kojima se koriste ova umijeća. Mreža je organizarana kao široki skup problema vezanih za probleme u programiranju programskim jezikom BASIC. Problemi su indeksirani pomoću izraza generičkih umijeća koja se zahtijevaju. Na taj način mreža curriculum - a također služi kao model učenika; kada učenik uspješno rješava problem, sustavu je poznato koja je umijeća upotrijebio i može zato odabrati novi problem s odgovarajućim skupom potrebnih umijeća. Na ovaj način, iako su problemi konzervirani, oni su odabrani i reaktivno utemeljeni na učenikovim uspjesima i poteškoćama. U drugoj generaciji BIP sustava, poznat kao BIP-II, mreža curriculum - a je poopćena u semantičku mrežu umijeća od kojih je svaki čvor povezan s drugim umijećima pomoću veza koji denotiraju pretpostavke, relativne teškoće i analogije jednako kao i taksonomijske veze kao što su komponente i vrste. Pored navedenog, razvijena je i procedura biranja zadataka koja koristi različite veze kako bi vodila proces izbora problema za učenike.

Woolf-ova (Woolf i McDonald, 1984; Rickel, 1989) koristi mrežu za upravljanje razgovora (eng. Discourse Menangement Network - DMN). DMN omogućava vođenje poučavanja, planiranje pedagogijske strategije i taktike, kao i određivanje načina izražaja u prirodnom jeziku. Mreža za upravljanje razgovora ima tri sukcesivne razine: pedagogijsku, stategijsku i taktičku. One su organizirane u stanja proširene mreže prijelaza (eng. Augmented Transition Network - ATN), s dodatnim meta pravilima koja mogu utjecati na prijelaze.

ATN predstavlja konačno stanje u kojem čvorovi i veze mogu pohraniti informaciju u globalnim registrima za kasniju uporabu. Veze su dinamički aktivirane i deaktivirane na temelju ovih vrijednosti u registrima i drugih ulaza. ATN mreža je popularizirana istraživanjima u području razumijevanja prirodnog jezika i to u gramatičkoj raščlambi rečenice u prirodnom jeziku. Semantička informacija može se postepeno dodavati u registre za vrijeme razčlambe kako bi se dalje ograničili kasniji prijelazi. Proširena

Interakcija učenik-učitelj – znanje (modul komunikacije)

131

mreža prijelaza je hijerarhijski organizirana, a određeni čvor se može sastojati od drugih mreža prijelaza koji moraju biti prije prijelaza na mrežu na većoj razini. Pored raščlanjivanja prirodnog jezika, ATN se koriste u mnogim drugim kontekstima uključujući generiranje u prirodnom jeziku i prepoznavanje plana u programiranoj poduci.

Mreža za upravljanje razgovorom koju predlaže Woolf-a je izomorfna u odnosu na ATN, a koncepcijski omogućava "bistrenje" ciljeva poučavanja (po principu odozgo na dolje), strategija i taktika koje ih implementiraju. Na najvišoj razini stanja predstavlja se osnovni tutorski prilaz kao što je uvesti ili poučiti. Ova stanja dovode do "bistrijih" stanja koja specificiraju strategiju, kao što je istraži sposobnost ili popravi pogrešno poimanje. Stanja strategije dalje se pročišćavaju kroz taktička stanja kao što su pouči u određenom znanju, procijeni ulaz ili predloži novu temu. Tekući način poučavanja jest stanje u DMN-u i determinira sljedeću akciju tutora. Prijelazi kroz stanja slijede unaprijed utvrđeni put, ali pedagogijska pravila aktiviraju učenikov model, tekući mod, i učenikove odgovore kako bi podigli tutora s njegovog unaprijed postavljenog puta na neko drugo stanje u mreži, na taj način kreirajući prijelaz u razgovoru. Ovi prijelazi mogu biti između stanja na istoj razini, kao što su dva taktička stanja, ili oni mogu izdići tutora s tekuće na višu razinu, imajući za posljedicu jedan radikalniji pomak u tutorskim smjerovima. Woolf - ova ističe nedostatak bilo kakve potrebe za agendom ciljeva i sugerira da njen pristup vjernije oslikava ponašanje "živog" učitelja. Ona također tvrdi da je njen DMN relativno neovisan o području, premda prihvaća da on traži daljnje istraživanje i dogradnju.

Upravljanje razgovorom za vrijeme poučavanja imalo je svoj razvojni put. U kritici protiv determinističke strukture grananja ranih CAI sustava, Carbonell - ov SCHOLAR (1970) je uključivao veoma slobodnu organizaciju tutorskih ciljeva s temeljnom paradigmom interakcije s učenikom. BIP (Barr i drugi 1976) je pokazao korist od bogato strukturiranog znanja curriculum - a poučavanja koje može biti iskorišteno da se dinamički uređuju nastavne teme s određenog područja. Rad Woolf i McDonald (1984) upućuje na unaprijed specificiranu mrežu tutorskih stanja, ali je model mreže neovisan o područnom znanju. Ovaj trend ukazuje na kontinuirano prepoznavanje da je sve više i više znanja potrebno za poučavanje krećući se od pedagogijskih strategija učitelja preko njihovog bogatog znanja tema poučavanja, njihovih uzajamnih veza pa sve do običnog zdravo razumskog znanja o razgovoru.

SUČELJE UČENIKA I SUSTAVA

Tehnike čovjekovog sučelja s računalom čine dva aspekta u inteligentnim tutorskim sustavima. Prvi, određuje kakvo je međusobno djelovanje učenika i inteligentnog tutorskog sustava u cijelosti. Drugi, određuje kakvo je međusobno djelovanje učenika i područnog znanja.

Veći dio inteligentnog tutorskog sustava može se promatrati kao sučelje učenika, ipak korisno je razlikovati te aspekte koji se eksplicite bave komunikacijom s učenikom. Oni uključuju aktualno predstavljanje teksta i grafike jednako kao i prihvaćanje korisničkog ulaza.

Interakcija učenik-učitelj – znanje (modul komunikacije)

132

Mnogi inteligentni tutorski sustavi dopuštaju učeniku rad s područnim znanjem na jedan od dva načina i to: (1) korištenjem simulacijskih metoda i (2) neposrednim kontaktom s područnim znanjem. Lakše je govoriti o tome kako je sačinjeno dobro sučelje čovjek-računalo nego li izgraditi ga. Ključ je u tome što se misli pod pojmom međusobno djelovanje čovjek-računalo. U suštini, međusobno djelovanje je lošiji termin za uporabu u ovom procesu jer nas upućuje na mehaničku izmjenu u djelovanju. Komunikacija je bolji izraz jer ističe izmjenu koncepata. Termin komunikacija je tijesno povezan sa sadržajem procesa i postaje evidentno da sučelje mora isticati semantičku prirodu ove interakcije. Ovo navodi učenika da bude aktivni sudionik obrazovnog procesa, a ne samo pasivni promatrač.

Predstavljanje znanja mora aktivirati nekoliko učenikovih osjetila. U tom smislu jedno istraživanje je pokazalo da učenici zadržavaju (pamte - usvoje): 25 % onoga što čuju, 45 % onoga što vide i čuju, a 70 % onoga što vide, čuju i čine (Edwards prema Rickel, 1989). Ovo je snažna argumentacija u prilog sučelja učenika koji uključuju ne samo tekst već također i vizuelno atraktivnu grafiku i sposobnost da korisnik bude u interakciji s grafičkim okruženjem kao da je dio njega.

Autori STEAMER - a (Woolf, 1992) osjećaju da su grafičko ocrtavanje uzročnih odnosa i topologije veoma važni i da neki pojmovi mogu biti razjašnjeni pomoću grafičke animacije koja zamjenjuje tekstualno objašnjenje. Grafičko predstavljanje takođe pruža učeniku mogućnost da kontrolira postrojenje za propulziju pare dodirujući oznake na monitoru osjetljivom na dodir.

RBT tutor (Woolf, 1992) slično tome koristi grafičku animaciju svojih procesa uključujući zvučni alarm, tekstualnu pomoć i objašnjenje. Korisnik RBT odgovara na procesne alarme birajući akcije s izbornika i promatrajući na ekranu njihov učinak u realnom vremenu . Premda se simulacija procesa odvija u realnom vremenu učenicima je dozvoljeno da zaustave proces kako bi postavili pitanje, a to je značajka sustava o kojoj su se mnogi korisnici pohvalno izražavali. Što se učenik više osjeća povezan - uključen u okruženje u kojem uči to je bogatije njegovo iskustvo, a upravo interaktivna grafika potpomaže uspostavljanje ove veze. Budući je sporazumijevanje s učenikom primarno jezik, sustav mora imati mogućnost da razumije učenikove odgovore i da generira tekst sam za sebe.

Različiti prilazi bili su poduzeti u generiranju teksta u tutorskim sustavima od kojih većina izbjegava pravi mehanizam prirodnog jezika. U RBT tutoru (Woolf, 1992) izlaz je kreiran putem izlučivanja teksta za pojedine nepredviđenosti i pripremljene tekstove koji su isporučeni kada se ta nepredviđenost pojavi. U WEST-u (Burton i Brovn, 1982) su tekstualna objašnjenja povezana uz svaku točku - uz svako umijeće; svaka točka je odgovorna za predstavljanje nekoliko redova teksta koji objašnjavaju samog sebe. WEST stoga dijeli unaprijed pripremljen tekst na aktualne strukture znanja i kombinira

Interakcija učenik-učitelj – znanje (modul komunikacije)

133

dinamički tekst tako da bude prilagođen situaciji. U Meno-tutoru opis sadržaja tekstualnog izlaza konstruiran je i poslan na generator jezika (Woolf i McDonald, 1984). U sustavu SOPHIE svaki pojam ima sebi pridruženo gramatičko pravilo koje pruža različite putove izražavanja koncepta pojma pomoću drugih pojmova (Barr i Feigenbaum, 1986). Na taj način nijedan od tih sustava ne generira jezik iz dubljeg lingvističkog znanja.

Jedan od rijetkih tutorskih sustava koji je inkorporirao bogati prirodni jezik - bogati sustav za generiranje prirodnog jezika jest SCHOLAR. Carbonell (1970) je razdojio generiranje pitanja na dvije različite razine i to na semantičku i na sintaktičku. Semantička informacija dolazi iz semantičke mreže i određuje što je u pitanju. Za sintaksu je identificirao skupove pitanja kao što su : što, koji, gdje , tko i koliko pitanja. Pitanja koja se ubacuju, pitanja višestrukog izbora i istinita i neistinita pitanja. Svaki skup sadrži relevantnu sintaktičku informaciju. Za izraze Carbonell -ova strategija je bila u tome da iskoristi kratke rečenice s jednostavnom sintaksom i ograničeni repertoar glagola, koji su uglavnom varijantni oblici glagola BITI. Znanje u semantičkoj mreži sadržavalo je lingvističke bilješke kao jedan dio njegovog govora. Na taj način nijedan tekst nije bio konzerviran u SCHOLAR - u i sve su se rečenice i pitanja procesirali u potpunosti iz unutarnjeg semantičkog predstavljanja.

Gramatičko raščlanjivanje prirodnog jezika je sljedeće teško područje čak i pregled ovog područja iznad je dometa ovog razmatranja. Rijetki sustavi su omogućili ulaz prirodnim jezikom. SCHOLAR je uključivao bogata pomagala u prirodnom jeziku koja su omogućavala da razumije većinu učenikovih pitanja i odgovora. SOPHIE je koristila tehniku nazvanu semantička gramatika u kojoj je osnovna ideja da se potraže razumljivi fragmenti u ulazu prije nego se raščlani cijela rečenica (Brown, Burton i deKler, 1982). Većina drugih sustava premostili su problem prirodnog jezika putem korištenja i grafičkih i biranih temeljenih ulaza.

Primijetimo da su istraživači ovog područja označili prirodni jezik kao "Ahilovu petu" inteligentnih tutorskih sustava (Anderson, 1988 i Half, 1988), i naglasili da uporaba prirodnog jezika često konzumira sve zalihe projekta. Međutim, naravno da je teško pružiti odgovarajuće fleksibilne interakcije s učenikom bez neke razine prirodnog jezika. Dakle, kompromis je jedino rješenje i stvar je umješnosti i spretnosti onoga tko vodi projekt izgradnje inteligentnog tutorskog sustava.

Donja crta na korisničkom sučelju u inteligentnim tutorskim sustavima je ta da ulaz mora biti robustan dopuštajući fleksibilnost na učenikovoj strani, a izlaz mora biti bogat utječući na više učenikovih osjetila. Buduća sučelja vjerojatno će biti superiorna u odnosu na ova današnja zahvaljujući tehnološkom napredovanju. Korištenje različitih medija (miješanje govora, grafike, teksta, zvuka, video zapisa itd.) jednoga dana bit će pravilo.

Interakcija učenik-učitelj – znanje (modul komunikacije)

134

GENERIRANJE ZADATAKA

Napori na području CAI sustava su uključivali konzervirane probleme s konzerviranim odgovorima. Postoje neke poteškoće s ovim pristupom. Prvo: on stavlja veliki teret na autora tečaja poučavanja koji mora razviti široki skup problema koji tutorski sustav treba ocrtati. Drugo: veoma je teško prekriti konzervirane probleme s učenikovim potrebama i sposobnostima i nemoguće je uobličiti probleme tako da odgovaraju situaciji. Konačno, konzervirani odgovori ne dopuštaju jednu smislenu povratnu vezu na temelju učenikovih pogrešaka osim ukoliko se ta pogreška ne može predvidjeti, i opravdanja za odgovor i objašnjenja moraju također biti konzervirana. Na taj način konzervirani problemi i odgovori reduciraju fleksibilnost sustava na točno one interakcije koje su bile predviđene i ranije specificirane od strane učitelja.

Rani pokušaji u smjeru ispravljanja ovih problema bili su nazvani generativni CAI sustavi zbog sposobnosti programa da generira nove probleme (Koffman, 1973; Koffman i Perry, 1976). Iako su ideje koje su razvijene u ovom razdoblju bile i dalje korištene, tehnike su obično bile ograničene na jednostavno zadavanje i vježbanje u aritmetici i rječniku jezika i rijetko su se prilagođavale učenikovim potrebama učenja. Dok su rani pokušaji u generiranju problema substituirali vrijednosti za varijable u konzerviranim šablonama pitanja, kasniji napori generirali su probleme iz dubljih struktura, polučujući jednu bogatiju mješavinu problema koji su potencijalno bolje odgovarali učenikovim potrebama i zahtjevima.

Napredovanjem istraživanja u ovom području sve više su se primjenjivale tehnike umjetne inteligencije i koristile mogućnosti bogatog predstavljanja znanja kao jedne osnove iz koje se mogu i generirati i rješavati probleme.

Generiranje problema može se promatrati kao proces odlučivanja sa strukturom stabla, u kojem svaka razina predstavlja drugu odluku o tome što uključiti u problem, svaka grana predstavlja jednu alternativu, a grane mogu biti proširene s mogućnostima vjerojatnosti utemeljene na učenikovim sposobnostima i ranijem iskustvu.

Naravno, ukoliko se novi problemi mogu generirati oni mogu također biti riješeni, jer odgovori ne mogu biti konzervirani ukoliko problemi to nisu. I to je mjesto gdje područno znanje ulazi u igru i služi kao vrsta ekspertnog sustava koji operira na predstavljanju problema. U osnovnim crtama izvršni modul mora preuzeti strukturu podataka problema kao ulaz i rasuđivati s područnim znanjem kako da proizvede odgovarajući odgovor.

Generiranje problema, ekspertno rješavanje problema i dijagnosticiranje učenika mogu se promatrati kao skup ograničenja u odnosu na rješenje tih problema. Ukoliko je generirani problem u inteligentnim tutorskim sustavima izražen izravno pomoću tih ograničenja, mi možemo jednostavno procijeniti učenikove odgovore provjeravajući da li su sva ograničenja zadovoljena. Na ovaj način mi ne trebamo imati sposobnost da riješimo probleme sami jer mi ne samo što imamo jedan jednostavan način vrednovanja učenikovih odgovora, već mu mi također možemo dati smislenu povratnu vezu u odnosu na njegove pogrešne odgovore govoreći mu koja ograničenja on nije uspio zadovoljiti.

135

LITERATURA

1. Abdullah, S. C.: Student Modelling By Adaptive Testing, doktorat, University Of Kent At Canterbury, 2003.

2. AICC ( 2003): Glosasary of Terms Related to Computer-Based Training, documents no. crs002, AICC Courseware Technology Subcommittee.

3. Ainsworth, S.E., Williams, B.C & Wood, D.J. (2003) Comparing the learning effectiveness of REDEEM and CBT. 11th International Conference on Artificial Intelligence in Education. In U. Hoppe, F Verdejo. & J. Kay Proceedings of the 11th International Conference on Artificial Intelligence in Education. (pp 123-130) IOS Press: Amsterdam. ISBN 1586033565

4. Alpert, S.R., Singley, M.K., & Fairweather, P.G.: Deploying Intelligent Tutors on the Web: an Architecture and an Example. International Journal of Artificial Intelligence in Education, 10, 183-197

5. Anania J.: The effects of quality of instruction on the cognitive and affective learning of students (Doctoral dissertation, University of Chicago), 1982.

6. Anania J.: The influence of instructional conditions on students learning and achievement, Evaluation in Education, An International Review Series, 7,1, 1983, pp 1-92.

7. Anderson J. R., Reiser B. J.: The LISP tutor. Byte, 10, 1985, 159-175. 8. Anderson,J.R., Boyle,C.F., Yost,G. (1985). The Geometry Tutor. In: Morgan Kaufmann,

(Ed.), Los Angeles, pp. 1-7. 9. Anderson J. R., Boyle C.F. i Reiser B. J.: Intelligent tutoring systems. Science, 228,

1985, pp 456-462. 10. Anderson J. R.: The Expert Module in M. C. Polson, J.J.Richardson (eds) Foundations

of Intelligent Tutoring Systems. Lawrence Erlbaum Associates Publishers, 1988, pp 21-53.

11. Anderson J. R., Corbett A. T., Koedinger K. R., Pelletier R.: Cognitive tutors: lessons learned. The Journal of the Learning Sciences, 4(2), 1995, pp 167–207.

12. Angelides, M. C., Garcia I.: Towards an Intelligent Knowledge Based Tutoring System for Foreign Language Learning. Journal of Computing and Information Technology - CIT 1(1), 1993, pp 15-28.

13. Angelides, M. C., Tong K. Y.: Using Hypertext to Implement Multiple Tutoring Strategies in an Intelligent Tutoring System for Music Learning, Journal of CIT - 2(2), 1994, pp 123-138.

14. Arruarte, A., Fernandez-Castro, I., Ferrero, B. & Greer, J. (1997) The IRIS shell: How to build ITSs from pedagogical and design requisites. International J. of Artificial Intelligence in Education. Vol. 8 , No. 3-4, pp. 341-381.

15. Azmitia M., Perlmutter M.: Social influences on children’s cognition: state of the art and future directions. In H. W. Reese (Ed.), Advances in child development and behavior. New York: Academic Press, 1989.

16. Barr, A., Beard, M., Atkinson R. C.: The computer as a tutorial laboratory: The Stanford BIP project. International Journal Man-Machine Studies, 1976(8). pp 567-596.

17. Barr, A., & Feigenbaum, E. A. (1986). The handbook of artificial intelligence - volume I. Chapter III Knowledge Representation Addison-Wesley Publishing Company, Inc.

18. Beck, J., Stern, M,, Haugsjan, E.: Applications of AI in Education, www1.acm.org/crossroads, 1998

Interakcija učenik-učitelj – znanje (modul komunikacije)

136

19. Blessing, S.B. (1997) A programming by demonstration authoring tool for model tracing tutors. Int. J. of Artificial Intelligence in Education. Vol. 8 , No. 3-4, pp 233-261.

20. Bloom B.S. (1984): The Two-Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring. Educational Researcher. 13, pp 4-16.

21. Brian A. A., Brodersen A. J., Bourne J. R., Cantwell J. R.: Building Intelligent Tutorial Systems for Teaching Simulation in Engineering Education, IEEE Transaction on Education, 35(1), 1992, pp 50-56.

22. Brown, J. S.; Burton, R. B.: Diagnostic Models for Procedural Bugs in Basic Mathematical Skills, Cognitive Science, April-June 1978, 2(2), pp 155-192

23. Brown A. L., Palinscar A. S.: Guided, cooperative learning and individual knowledge acquisition. In L. Resnick (Ed.), Cognition and instruction: issues and agendas. Hillsdale, N. J.: Lawrence Erlbaum Associates, 1989.

24. Brusilovsky, P., Schwarz, E., & Weber, G. (1996). ELM-ART: An intelligent tutoring system on World Wide Web. In Frasson, C., Gauthier, G., & Lesgold, A. (Ed.), Intelligent Tutoring Systems (Lecture Notes in Computer Science, Vol. 1086). Berlin: Springer Verlag. 261-269.

25. Burns, H. L. & Capps, C. G. (1988). Foundations of intelligent tutoring systems: an introduction, M. C. Poison, J. J.Richardson (Ed.) Foundations of intelligent tutoring systems, Lawrence Eribaum, London, 1-19.

26. Burton R. R., Brown J. S., de Kleer J.: Pedagogical, natural language and knowledge engineering techniques in SOPHIE I, II and III u D. Sleeman, J. S. Brown (eds.): Intelligent Tutoring Systems, Academic Press, Inc, London (Ltd), 1982, pp 227-279.

27. Burton R. R.: Diagnosing bugs in a simple procedural skill u D. Sleeman, J. S. Brown (eds.) : Intelligent Tutoring Systems, Academic Press, Inc, London (Ltd), 1982, pp 157-182.

28. Burke J.: Students' potential for learning contrasted under tutorial and group approaches to instruction. (Doctoral dissertation, University of Chicago), 1984.

29. Budin L.: Operacijski sustavi, uredili V. Čerić, M. Varga, H. Birolla: Poslovno računarstvo, Znak, Zagreb 1998.

30. Carbonell, J. R. (1970). AI in CAI: An Artificial-Intelligence Approach to Computer-Assisted Instruction. IEEE Transaction On Man-Machine Systems, MMS-11(4), pp 190-202.

31. Carr, B., Goldstein, I. P. (1977). Overlays: A Theory of Modeling for Computer Aided Instruction. AI Memo 406, MIT, Cambridge, MA

32. Carrico, M. A., Girard, J. E., Jones J. P.: Building Knowledge Systems (Developing and Managing, Rule-Based Applications) McGeaw-Hill Book Company, 1989.

33. Chi M. T. H., Siler S., Jeong H., Yamauchi T. and Hausmann R. G.: Learning from human tutoring, Cognitive Science, 25, 2001, pp 471–533

34. Chi M. T. H., Bassok M., Lewis M. W., Reimann P., Glaser R.: Self-explanations: how students study and use examples in learning to solve problems. Cognitive Science, 15, 1989, pp 145–182.

35. Clancey,W.J. (1987). Knowledge-Based Tutoring: The GUIDON Program. MIT Press, Cambridge, MA.

36. Clancey, W. & Joerger, K. (1988) A Practical Authoring Shell for Apprenticeship Learning. Proceedings of ITS-88, 67-74. June 1988, Montreal.

37. Clancey J. W.: Intelligent Tutoring Systems: A Tutorial Survey, Department of Computer Science, Stanford University, Stanford, September 1986.

Interakcija učenik-učitelj – znanje (modul komunikacije)

137

38. Cohen, P. A., Kulik J. A., Kulik C. L. C. (1982): Educational outcomes of tutoring: A meta-analysis of findings, American Educational Research Journal 19 (2), pp 237-248.

39. Coleman E. B.: Using explanatory knowledge during collaborative problem solving in science. Journal of the Learning Sciences, 7(3 & 4), 1998, pp 387–427.

40. Collins A., Stevens, A. L. : Goals and Strategies of Interactive Teachers, BBN Technical Report 4345, Bolt, Boranek, and Newman, 1980.

41. Collins A., Brown J. S, Newman S. E.: Cognitive apprenticeship: Teaching the craft of reading, writing and mathematics. In L. B. Resnick (Ed.), Knowing, learning and instruction: essays in honor of Robert Glaser. Hillsdale, NJ: Lawrence Erlbaum Associates, 1989.

42. Cooper C. R., Ayers-Lopez S., Marquis A.: Children’s discourse during peer learning in experimental and naturalistic situations. Discourse Processes, 5, 982pp 177–191.

43. Corbett A. T., Koedinger K.R., Anderson J.R: Intelligent Tutoring Systems u M.Helander, T. K. Landauer, P. Prabhu Handbook of Human-Computer Interaction, Second, Completely Revised Edition in, Elsevier Science B. V., 1997. poglavlje 37, str. 849-870.

44. Deerwester S., Dumais S. T., Furnas F. W., Landauer T. K., Harshman R.: Indexing by latent semantic analysis, Journal of the American Society for Information Science, 41, 1990, pp 391-407.

45. Edwards, M.: The Mercedes Benz of Interactive Video, Hardcopy, Volume 14, No 5, May 1985, pp 74-80.

46. Fletcher J. D.: Evidence for Learning From Technology-Assisted Instruction in edition by H. F. O'Neil, Jr., R. S. Perez: Technology Applications in Education - A Learning View, Lawrence Erlbaum Ass. Publishers, Mahwab, New Jersey, 2003.

47. Forman E. A., Cazden C. B.: Exploring Vygotskian perspectives in education: the cognitive value of peer interaction. In J. V. Wertsch (Ed.), Culture, communication and cognition: Vygotskian perspectives. New York: Cambridge University Press, 1985.

48. Fox, B. (1991). Cognitive and interactional aspects of correction in tutoring. In P. Goodyear (Ed.), Teaching knowledge and intelligent tutoring. Norwood, NJ: Ablex Publishing Corp.

49. Goldstein, I.: The computer as coach: An Athletic Paradigm for Intelectual Education, AI Memo 389, MIT, Cambridge, MA, 1976.

50. Goldstein I.: Developing a Computational Representation for Problem Solving Skills, MIT AI Laboratory, AI ;Memo 495, October, 1978.

51. Goldstein I. P.: The genetic graph a representation for the evolution of procedural knowledge u D. Sleeman, J. S. Brown (eds.): Intelligent Tutoring Systems, Academic Press, Inc, London (Ltd), 1982, pp 51-79.

52. Grasser A. C., VanLehn K., Rose CJordan., P., Harter D. (2001), Intelligent Tutoring Systems with Converstional Dialogue, Al Magazine 22(4), 2001, p.39-52

53. Graesser A. C., Person N., Harter D. and the Tutoring Research Group, Teaching tactics in autotutor (2000). In Modelling Human Teaching Tactics and Strategies: Workshop W1 at ITS'2000, Montreal-

54. Graesser A C., Person N., Magliano J.: Collaborative dialog patterns in naturalistic one-on-one tutoring. Applied Cognitive Psychology, 9, 1995,.pp 359–387.

55. Graesser A. C., Person N. K.: Question asking during tutoring. American Educational Research Journal, 31, 1994, pp104–137.

56. Gruber , T. R.(1993). A translation approach to portable ontologies. Knowledge Acquisition, 5(2):199-220.

Interakcija učenik-učitelj – znanje (modul komunikacije)

138

57. Half H. M.: Curriculum and Instruction in Automated Tutors u M. C. Polson, J. J. Richardson (eds) Foundations of Intelligent Tutoring Systems. Lawrence Erlbaum Associates Publishers, 1988, pp 79-108.

58. Hartley J. R., Sleeman D. H.: Towards More Intelligent Teaching Systems, Int. J. Man-Machine Studies, 5, 1973, pp 215-236.

59. Hayes, J. R. (1985): Three problems in teaching general skills. In S. Chipman, J. Segal, R. Glaser (eds), Thinking and learning skills, Hillsdale, NJ: Lawrence Erlbau, Associates, pp 391-406.

60. Hollan, J. D., Hutchins, E. L., Weitzman, L.: STEAMER: An interactive inspectable simulation-based training system, The AI Magazine, 5(2), 1984, pp 15-27.

61. Jackson G. T., Person N. K., Graesser A.: Adaptive Tutorial Dialogue in AutoTutor, Workshop W8, Dialog-Based Intelligent Tutoring Systems, State of the Art and New Research Directions, Seventh International Conference on Intelligent Tutoring Systems, Maceio, Brasil, august 31, 2004, pp 9-13.

62. Johnson, W. L., Rickle, J., Stiles, R. and Munro, A. (1998). Integrating Pedagogical Agents into Virtual Environments. Presence: Teleoperators and Virtual Environments 7(6):523-546.

63. Johnson W. L, Soloway E. PROUST: Knowledge based program understanding. Proceedings of the 7th international Conference on Software Engineering; Orlando; 1984. p. 369-380.

64. Jonassen, D. H. (1991) Objectivism versus constructivism: do we need a new philosophical paradigm? Educational Technology Research and Development, 39 (3), 5-14.

65. Kassim A. A., Ahmed K. Z. , Ranganath, S.: A Web-based Intelligent Tutoring Aproach to Tutoring, International Conference on Engineering Education August 6 – 10, 2001 Oslo, Norway.

66. Kimball B.: A self-improving tutor for symbolic integration u D. Sleeman, J. S. Brown (eds.): Intelligent Tutoring Systems, Academic Press, Inc, London (Ltd), 1982, pp 283-305.

67. Kiyama, M., Ishiuchi, S., Ikeda, K., Tsujimoto, M. & Fukuhara, Y. (1997) Authoring Methods for the Web-Based Intelligent CAI System CALAT and its Application to Telecommunications Service. In the Proceedings of AAAI-97 , Providence, RI.

68. Koffman E. B.: Design Technoques for Generative Computer-Assisted Instructional Systems. IEEE Transaction on Education, 6(4), 1973, pp 182-189.

69. Koffman E. B., Perry J. M.: A model for generative CAI and concept selection. International Journal Man-Machine Studies, 1976(8), pp 397-410.

70. Koffman, E.,B., Blount, S.E.,: Artificial Intelligence and Automatic Programming in CAI, Artificial Intelligence, Volumen 6, 1975, pp 215-234.

71. Kosba, E. M. A. M.: Generating Computer-Based Advice In Web-Based Distance Education Environments, doktorat, University of Leeds School of Computing, 2004.

72. Langley, P., Ohlsson, S.: Automated cognitive modeling, Proceedings of Ameerican Association of Artificial Intelligence, Los Altos, CA: Morgan Kaufman, 1984, pp 193-197.

73. Lepper, M.R. and Chabay, R.W. (1988). Socializing the intelligent tutor: bringing empathy to computer tutors. In H. Mandl and A. Lesgold (eds.), Learning Issues for Intelligent Tutoring Systems. New York: Springer-Verlag.

74. Lesgold, A., Lajoie, S. Bunzo, M and Eggan, G. (1992). SHERLOCK: A coached practice environment for an electronics troubleshooting job. In J. H. Larkin and R. W. Chabay

Interakcija učenik-učitelj – znanje (modul komunikacije)

139

Computer – Assisted Instruction and Intelligent Tutoring Systems, Lawrence Erlbaum Associates, Publishers, 1992.

75. Loftin R. B., Savely, R. T.: Advanced Training Systems for the Next Decade and Beyond, American Institute of Aeronautics and Astronautics, Inc., 1991. (www.jsc.nasa.gov/cssb/icat/docs/NextDecade.html)

76. McArthur D., Stasz C., Zmuidzinas M.: Tutoring techniques in algebra. Cognition and Instruction, 7(3), 1990, pp 197–244.

77. Merrill D. C., Reiser B. J., Ranney M., Trafton J. G.: Effective tutoring techniques: a comparison of human tutors and intelligent tutoring systems. The Journal of the Learning Sciences, 2(3), 1992, pp 277–306.;

78. Merrill D. C., Reiser B. J., Merrill S. K., Landes S.: Tutoring: guided learning by doing. Cognition and Instruction, 13(3), 1995, pp 315–372.

79. Merrill, M. D. (2001) Components of instruction: toward a theoretical tool for instructional design. Instructional Science. 29(4/5), 291-310.

80. McKendree J., Stenning K., Mayers T., Lee J., Cox R.: Why observing a dialogue may benefit learning: the vicarious learner. Journal of Computer Assisted Learning, 14, 1998, pp 110–119.

81. Mijatović, A. (1999), Futurološka pedagogija. u: Mijatović, A. (ur), Osnove suvremene pedagogije, Zagreb, HPKZ, str.400- 460

82. Miller, M. L. (1982): A structured planning and debugging environment for elementary programming. u D. Sleeman, J. S. Brown (eds.): Intelligent Tutoring Systems, Academic Press, Inc, London (Ltd), 1982, pp 119-135.

83. Ministarstva Obrane SAD (2001): Glossary for Training, mil-hdbk-29612-4A. 84. Mišljenčević D., Maršić I.: Umjetna inteligencija, Školska knjiga Zagreb, 1991. 85. Mitrovic, A. (2003). An Intelligent SQL Tutor on the Web, International Journal of

Artificial Intelligence in Education, 13, 171-195. 86. Munro A. (2003): Authoring Simulation-Centered Learning Environments with

RIDES and VIVIDS, in Eds Murray T., Blessing S. & Ainsworth S.: Authoring Tools for Advanced Technology Learning Environments, Toward Cost-Effective Adaptive, Interactive and Intelligent Educational Software, Kluwer Academic Publishers, 2003, pp 61- 91.

87. Munro, A., Johnson, M.C., Pizzini, Q.A., Surmon, D.S., Towne, D.M, & Wogulis, J.L. (1997) Authoring simulation-centered tutors with RIDES. International J. of Artificial Intelligence in Education. Vol. 8 , No. 3-4, pp. 284-316.

88. Munro, A. and Pizzini, Q. A. (1996). RIDES Reference Manual, Los Angeles: Behavioral Technology Laboratories, University of Southern California.

89. Murray, T. (1998) Authoring knowledge-based tutors: Tools for content, instructional strategy, student model, and interface design. Journal of the Learning Sciences, Vol. 7. No. 1, pp. 5-64.

90. Murray T.: Authoring Intelligent Tutoring Systems: An analysis of the state of the art, International Journal of Artificial Intelligence in Education, 1999, Vol. 10, pp 98-129

91. Murray T., Blessing S. & Ainsworth S.: Authoring Tools for Advanced Technology Learning Environments, Toward Cost-Effective Adaptive, Interactive and Intelligent Educational Software, Kluwer Academic Publishers, 2003.

92. Murray, T.: Principles for pedagogy-oriented knowledge based tutor authoring systems: Lessons Learned and a Design Meta-Model, in Eds Murray T., Blessing S. & Ainsworth S.: Authoring Tools for Advanced Technology Learning Environments, Toward Cost-Effective Adaptive, Interactive and Intelligent Educational Software, Kluwer Academic Publishers, 2003, pp 439-466-

Interakcija učenik-učitelj – znanje (modul komunikacije)

140

93. Nkambou, R., Gauthier, R., & Frasson, M.C. (1996) CREAMTools: an authoring environment for curriculum and course building in an ITS. In Proceedings of the Third International Conference on Computer Aided Learning and Instructional Science and Engineering. New York: Springer-Verlag.

94. Njoo, M., & de Jong, T. (1993). Exploratory learning with a computer simulation for control theory: Learning processes and instructional support. Journal of Research in Science Teaching, 30, 821-844.

95. O'Shea T.: Intelligent systems in education u Michie D.: Introductory readings in Expert Systems Gordon and Breach science Publishers, 1982.

96. O'Shea T., Self J.: Learning and teaching with computers. - Artificial Intelligence in Education. The Harvester Press, Limited, 1983.

97. Nakabayashi, K., Maruyama, M., Kato, Y., Touhei, H., & Fukuhara, Y. (1997). Architecture of an Intelligent Tutoring System on the WWW, in: B.D. Boulay and R. Mizoguchi (Eds.), Proceedings of AI-ED'97, World Conference on Artificial Intelligence in Education, Kobe, Japan. IOS, Amsterdam, pp. 39–46.

98. Nakabayashi, K., Koike Y., Maruyama, M., Touhei, H., Ishiuchi, S., Fukuhara Y.: An Intelligent Tutoring System on World-Wide Web: Towards an Integrated Learning Environment on a Distributed Hypermedia u H. Maurer (ed.) Educational Multimedia and Hypermedia, 1995., Proceedings of ED-MEDIA 95, World Conference on Educational Multimedia and Hypermedia, Graz, Austria, June 17-21, 1995, pp 488-493.

99. Papert S.: Mindstorms: Children, Computers and Powerful Ideas, The Harvester Press Limited, 1980.

100. Pask, G. (1965). A Cybernetic Model of Concept Learning. Proceedings of 3rd, Congress International. Assoc. Cybernetics, Gauthier-Villars

101. Qiu, L., Riesbeck, C.K., and Parsek, M.R. (2003) The Design and Implementation of an Engine and Authoring Tool for Webbased Learn-by-doing Environments. Proc. of World Conf. on Educational Multimedia, Hypermedia & Telecommunications (ED-MEDIA 2003). June 23-28, 2003, Honolulu, HA. AACE.

102. Raphael B.: SIR: A Computer Program for Semantuc Information Retrieval u M. Minski (eds.) Semantic Information Processing, The MIT Press, 1968, pp 33-135.

103. Redfield, C.L., (1996) Demonstration of the experimental advanced instructional design advisor. In the Third International Conference on Intelligent Tutoring Systems, Montreal, Quebec, Canada, June 12-14, 1996

104. Reinhardt A.: New Ways to Learn, Byte, march 1995, pp 50-72. 105. Rickel, J. W. (1989). Intelligent Computer-Aided Instruction : a survey organized

around system components. IEEE Transaction on System, Man, and Cybernetics 19(1), pp 40-57.

106. Russell, D. (1988) IDE: The Interpreter. In Psotka, Massey, &Mutter (Eds.), Intelligent Tutoring Systems, Lessons Learned. Hillsdale, NJ:Lawrence Erlbaum.

107. Schewe, S., Reinhardt, B., Bestz, C. (1999) Experiences with a Knowledge Based Tutoring System for Student Education in Rheumatology. In XPS-99: Knowledge Based Systems: Survey and Future Direction, 5th Biannual German Conference on Knowledge Based Systems, Lecture Notes in Artificial Intelligence 1570, Springer.

108. Self, J.(1990). Theoretical Foundations for Intelligent Tutoring Systems, Journal of Artificial Intelligence in Education, 1(4), pp 3-14.

109. Serengul S.: Intelligent Tutoring Systems, Application of Machine Learning Algorithms, Adaptive Hypertext Systems, School of Computing Science Middlesex

Interakcija učenik-učitelj – znanje (modul komunikacije)

141

University, Revised: September 1998, http://www.cs.mdx.ac.uk/staffpages/serengul/Tutorial/table.of.contents.htm

110. Shute V. J., Psotka J.: Intelligent tutoring systems: past, present, and future, in edited D. H. Jonassen: Handbook of research on educational communications and technology, 1995, pp 570-600.

111. Shute, V. J. & Torreano, L., & Willis, R. (2000) DNA: Towards an automated knowledge elicitation and organization tool. In S. P. Lajoie (Ed.) Computers as Cognitive Tools, Volume 2. Hillsdale, NJ: Lawrence Erlbaum Associates, pp. 309-335.

112. Skon L., Johnson D., Johnson R.: Cooperative peer interaction effort versus individual effort: effect on the acquisition of cognitive reasoning strategies. Journal of Educational Psychology, 73, 1981, pp 83–92.

113. Sleeman D.H.: Assessing aspects of competence in basic algebra, Sleeman D., Brown, J. S. (eds.): Intelligent Tutoring Systems, Academic Press, Inc, London (Ltd), 1982, pp 185-197.

114. Sleeman D. H., Brown J. S.: Introduction - Intelligent Systems, Sleeman D., Brown, J. S. (eds.): Intelligent Tutoring Systems, Academic Press, Inc, London (Ltd), 1982, pp 1-10.

115. Sparks, R. Dooley, S., Meiskey, L. & Blumenthal, R. (1999) The LEAP authoring tool: supporting complex courseware authoring through reuse, rapid prototyping, and interactive visualizations. Int. J. of Artificial Intelligence in Education.

116. Stankov, S. (1997). Isomorphic Model of the System as the Basis of Teaching Control Principles in an Intelligent Tutoring System. Doctoral dissertation, Faculty of Electrical Engineering, Mechanical Engineering and Naval Architecture, University of Split, Split, Croatia

117. Stankov S. (glavni istraživač): Tehnologijski projekt MZT: Web orijentirana inteligentna hipermedijska autorska ljuska (TP-02/0177-01), za razdoblje 2003-2005.

118. Stevens A., Collins A., Goldin S.E.: Misconceptions in student's understading u D. Sleeman u J. S. Brown (eds): Intelligent Tutoring Systems, Academic Press, Inc, London (Ltd), 1982, pp 13-24.

119. Stiles, R., McCarthy, L., Munro, A., Pizzini, Q., Johnson, L., Rickel, J. (1996). Virtual Environments for Shipboard Training, Intelligent Ship Symposium, American Society of Naval Engineers, Pittsburgh PA .

120. Suppes, P., (ed.): University-level computer assisted instruction at Stanford: 1968-1980. Stanford, California, Institute for Mathematical Studies in the Social Sciences, 1981.

121. Stern, M. K.: Web-based Intelligent Tutors Derived from Lecture-based Courses, A Dissertation Proposal, December 5, 1997.

122. Towne, D. M. & Munro, A. (1991): Simulation-based instruction of technical skills, Human Factors, 33, pp 325.341.

123. Towne, D. M. & Munro, A. (1988). The intelligent maintenance training system. In J. Psotka, L. D. Massey, and S. A. Mutter (Eds.), Intelligent tutoring systems: Lessons learned (479-530). Hillsdale, NJ: Erlbaum.

124. Tudge J., Rogoff B.: Peer influences on cognitive development: Piagetian and Vygotskian perspectives. In M. Bornstein & J. Bruner (Eds.), Interaction in human development. Hillsdale, NJ: Lawrence Erlbaum Associates, 1989.

125. Van Joolingen, W.R. &, de Jong, T. (1996) Design and implementation of simulation-based discovery environments: The SMISLE solution. Int. J. of Artificial Intelligence in Education 7(3/4). pp. 253-276.

Interakcija učenik-učitelj – znanje (modul komunikacije)

142

126. Van Joolingen, W.R. &, de Jong, T. (2003): SIMQUEST, Authoring Educational Simulations, in Eds Murray T., Blessing S. & Ainsworth S.: Authoring Tools for Advanced Technology Learning Environments, Toward Cost-Effective Adaptive, Interactive and Intelligent Educational Software, Kluwer Academic Publishers, 2003, pp 1-31.

127. VanLehn,K. (1982). Bugs are not enough: Empirical Studies of Bugs, Impasses and Repairs in procedural Skills. Journal of Mathematical Behaviour 3, pp. 3-72.

128. VanLehn K.: Student Modeling u M. C. Polson, J. J. Richardson (eds) Foundations of Intelligent Tutoring Systems. Lawrence Erlbaum Associates Publishers, 1988, pp 55-79.

129. VanLehn K, Lynch C, Schulze K, Shapiro J, Shelby R, Taylor L, Treacy D, Weinstein A, i Wintersgill M: The Andes Physics Tutoring System: Lessons Learned International Journal of Artificial Intelligence in Education, 15(3), 2005.

130. VanLehn K., Siler S., Murray C., Takashi Y., Baggett., W. B.: Why Do Only Some Events Cause Learning During Human Tutoring?, Cognition and Instruction, 21(3), 2003, pp 209–249

131. Van Marcke, K. (1998) GTE: An epistemological approach to instructional modeling. Instructional Science, Vol. 26, pp 147-191.

132. Vizek Vidović, V, Vlahović-Štetić, V, Rijavec, M, Miljković, D: Psihologija obrazovanja, IEP, Zagreb, 2003.

133. Vygotsky L. S.:. Mind in society. Cambridge, MA, Harvard University Press, 1978. 134. E.Wenger, Artificial Intelligence and Tutoring Systems: Computational and

Cognitive approaches to the Communication of Knowledge. Los Altos, California: Morgan Kaufmann, 1987.

135. Warendorf, K., Tan, C.: ADIS - An Animated Data Structure Intelligent Tutoring System or Putting an Interactive Tutor on the WWW, Proceedings of the workshop "Intelligent Educational Systems on the World Wide Web", 8th World Conference of the AIED Society, Kobe, Japan, 18-22 August 1997

136. Wexler J. D.: Information Networks in Generative Computer-Assisted Instruction, IEEE Transaction on Man-Machine Systems, MMS-11(4), 1970, pp 181-190.

137. Winne, P. & Kramer, L. (1988) Representing and Inferencing with Knowledge about Teaching: DOCENT. Proceedings of ITS-88. June 1988,Montreal, Canada.

138. Woolf, B. P.: Context – dependent Planning in a Machine Tutor, Ph. D. dissertation, Department of Computer and Information Science, University of Massachusetts, Amherst, MA, 1984.

139. Woolf B. P., McDonald D.D.: Building a Computer Tutor: Design Issues. IEEE Computer, 17(9), 1984, pp 61-73.

140. Woolf, B. (1992). AI in Education. Encyclopedia of Artificial Intelligence, Shapiro, S., ed., John Wiley & Sons, Inc., New York, pp. 434-444.

141. Wong, W.K. & Chan, T.W. (1997) A Multimedia authoring system for crafting topic hierarchy, learning strategies, and intelligent models. International J. of Artificial Intelligence in Education, Vol. 8, No 1, pp. 71-96.

142. Zakaria A., Siraj F.: Intelligent Tutoring System for Web-based Education, 2000. 143. Zarevski P.: Psihologija pamćenja i učenja, Naklada Spla, Zagreb, 2007.

Četvrti dio

T U T O R – E X P E R T S Y S T E M

A U T O R S K A L J U S K A Z A O B L I K O V A N J E I N T E L I G E N T N I H T U T O R S K I H S U S T A V A

Cilj ovog dijela je predstaviti čitatelju istraživanje, razvoj i primjenu modela autorske ljuske Tutor – Expert System (TEx-Sys) za oblikovanje inteligentnih tutorskih sustava. Istraživanje je temeljeno na kibernetičkom modelu sustava, paradigmi „poučavanje je upravljanje učenjem, načelima poučavanja „živog“ učitelja po modelu „jedan-na-jedan“ i tradicionalnoj građi inteligentnih tutorskih sustava. Razvijeni model je omogućio implementaciju i postavljanje tri inačice sustava od on-site Windows aplikacije do aplikacije temeljene na Web uslugama. Model TEx-Sys ima sljedeće sudionike: učenika radi stjecanja znanja i vještina, stručnjaka područnog znanja za oblikovanje baza znanja, učitelja koji koristi bazu znanja za didaktičko oblikovanje nastavnih sadržaja i administratora koji motri sustav (sudionike i način korištenja). Programski sustavi izvedeni na modelu TEx-Sys primijenjeni su u nastavnom procesu na nekoliko visokih učilišta i osnovnih škola. Zadaće ovog dijela su orijentirane na prikaz svih značajki modela TEx-Sys (poglavlje 12), te prikaz primjene i posebno vrednovanja učinkovitosti modela TEx-Sys (poglavlje 13). Posljednje poglavlje posebno u analizi primjene prikazuje metodologiju osposobljavanja studenta za održavanje nastavnog procesa pomoću informacijske i komunikacijske tehnologije kroz tri faze: (i) faza stjecanja teorijskog znanja, (ii) faza priprema za realizaciju nastave sa učenicima i (iii) faza realizacije nastave, analize nastave i prezentiranje rezultata na stručnom i znanstvenom skupu, ili u jednom od radova suradnika i studenata (magistarski rad, diplomski rad, seminarski rad).

KAZALO

Poglavlje 12.

Model Tutor – Expert System ........................................................................................................................................ 4

Zamisao modela TEx-Sys ........................................................................................................................................... 4

Sustavni pristup i načela vođenja u povratnoj vezi .................................................................................... 4

Paradigma „poučavanje je upravljanje učenjem“ ........................................................................................ 7

Načela poučavanja po modelu „jedan-na-jedan“ ......................................................................................... 8

Načela oblikovanja nastavnih sadržaja i vrednovanje znanja učenika .............................................. 8

Načela umjetne inteligencije s težištem na metode i tehnike za prikaz znanja ........................... 13

Tradicionalna građa inteligentnih tutorskih sustava ............................................................................. 15

TEx-Sys - novi model nastave s računalnim učiteljem ................................................................................ 16

Formalizam za prikaz znanja................................................................................................................................. 19

Čvorovi i veze .......................................................................................................................................................... 19

Svojstva i okviri ...................................................................................................................................................... 20

Multimedija i hipertekst ..................................................................................................................................... 21

Specifikacija sudionika i funkcionalnosti ......................................................................................................... 21

Oblikovanje područnog znanja ............................................................................................................................. 24

xTEx-Sys okruženje za oblikovanje područnog znanja.......................................................................... 26

Oblikovanje nastavnog sadržaja .......................................................................................................................... 33

Ontologije za oblikovanje nastavnog sadržaja .......................................................................................... 34

Predlošci za oblikovanje nastavnog sadržaja u sustavu xTEx-Sys .................................................... 36

Pogled učitelja na kviz znanja .......................................................................................................................... 41

Pogled učitelja na zadatke objektivnog tipa ............................................................................................... 45

xTEx-Sys okruženje za oblikovanje nastavnog sadržaja ....................................................................... 48

Učenje i poučavanje učenika .................................................................................................................................. 55

On-site TEx-Sys okruženje za učenje i poučavanje .................................................................................. 57

DTEx-Sys okruženje za učenje i poučavanje .............................................................................................. 60

xTEx-Sys okruženje za učenje i poučavanje ............................................................................................... 63

Testiranje i vrednovanje znanja učenika .......................................................................................................... 68

Prekrivanje znanja učenika sa znanjem stručnjaka ................................................................................ 68

Kviz znanja ............................................................................................................................................................... 77

On-site TEx-Sys okruženje testiranja i vrednovanja znanja pomoću prekrivanja ..................... 80

xTEx-Sys okruženje testiranja i vrednovanje znanja pomoću kviza ................................................ 86

Arhitektura sustava implementiranih po modelu TEx-Sys ...................................................................... 91

Poglavlje 13.

Primjena i vrednovanje učinkovitosti modela TEx-Sys................................................................................... 98

Metodologija vrednovanja ................................................................................................................................... 100

Uvodno razmatranje i analiza temeljnih pojmova ................................................................................ 100

Izrada i provedba inicijalnog testa .............................................................................................................. 104

Definiranje ekvivalentnih grupa .................................................................................................................. 104

Izrada i provedba testova provjere i završnog testa ........................................................................... 106

Definiranje nul-hipoteza .................................................................................................................................. 106

Izračun veličine učinka .................................................................................................................................... 107

Pregled provedenih testiranja modela TEx-Sys ......................................................................................... 109

Testiranje za učenike u osnovnoj školi ...................................................................................................... 110

Testiranje za učenike u srednjoj školi ........................................................................................................ 114

Testiranje za studente na fakultetu ............................................................................................................ 115

Vrednovanje učinka modela TEx-Sys .............................................................................................................. 120

Literatura ......................................................................................................................................................................... 128

Poglavlje 12

MODEL TUTOR – EXPERT SYSTEM

Model TEx-Sys (Stankov, 1997) je rezultat dugogodišnjeg istraživanja, razvoja i primjene informacijske i komunikacijske tehnologije u obrazovanju, a napose primjene inteligentnih tutorskih sustava kao i autorskih ljuski za njihovu oblikovanje u procesu učenja, poučavanja testiranja i vrednovanja znanja učenika. Cjelovita analiza inteligentnih tutorskih sustava je obavljena u četvrtom dijelu ove knjige. U ovom dijelu se opravdava naslov knjige u dijelu primjene. S tim u vezi je model TEx-Sys analiziran od zamisli do funkcionalnosti za oblikovanje znanja, oblikovanja nastavnih sadržaja te procesa učenja, poučavanja i testiranja znanja učenika. Prikazane su arhitekture svih izvedenih inačica sustava kao i vrednovanje njihove učinkovitosti.

ZAMISAO MODELA TEX-SYS

Zamisao, istraživanje i razvoj modela TEx-Sys temeljen je na interdisciplinarnom pristupu u kojem je valjalo respektirati načela različitih znanstvenih područja i polja poput: teorije sustava, računarstva, umjetne inteligencije, pedagogije, psihologije obrazovanja i didaktike. Model TEx-Sys je oblikovan uvažavajući: ­ Sustavni pristup i načela vođenja u povratnoj vezi ­ Paradigmu „poučavanje je upravljanje učenjem“ ­ Načela poučavanja po modelu „jedan-na-jedan“ ­ Načela oblikovanja nastavnih sadržaja i vrednovanje znanja učenika ­ Načela umjetne inteligencije s težištem na metodama i tehnikama za prikaz znanja ­ Tradicionalnu građu inteligentnih tutorskih sustava Svaki od navedenih pristupa i načela će se u sljedećim odjeljcima analizirati uz napomenu da su načela poučavanja po modelu „jedan-na-jedan“ te tradicionalna građa inteligentnih tutorskih sustava detaljno analizirani u šestom i sedmom poglavlju. S tim u vezi se u ovom poglavlju prezentira interdisciplinarni repetitorij potrebnih znanja radi što potpunijeg objašnjavanja zamisli i pristupa modelu TEx-Sys. Posebno se razrađuju specifičnosti u oblikovanju područnog znanja, oblikovanju nastavnih sadržaja, kao i testiranju i vrednovanju znanja učenika.

SUSTAVNI PRISTUP I NAČELA VOĐENJA U POVRATNOJ VEZI

Temelje sustavnog pristupa i načela vođenja u povratnoj vezi postavio je Norbert Wiener objavljujući znanstvenu disciplinu kibernetiku - Kibernetika ili znanost o upravljanju i o vezi živoga i stroja (Wiener, 1948), čime je utvrdio da je za samostalno djelovanje neke tvorevine, bilo prirodne, tehničke ili društvene, potrebno svojstvo vođenja (Božičević, 1980). Wiener je znanstveno oblikovao originalnu spoznaju koja se može izreći na ovaj način: ako u prirodi opažamo svrhovito vladanje i ako možemo konstruirati strojeve što mogu imati isto takvo vladanje, načela vladanja su u oba slučaja podudarna. U suštini u osnovi svih djelovanja i pojava u prirodi jest prerada tvari,

pretvorba energije i prerada informacija. Bez tvari ništa ne postoji, bez energija ništa se ne zbiva, bez informacije ništa nema smisla (Božičević, 1992). Pasivnim motrenjem ovih pojava stječe se dojam kao da je svijet neprekinuti tijek kojem čovjek nije kadar utvrditi ni ishod niti kraj. Prouče li se pozornije, mogu se spoznati pojedine zakonitosti tih djelovanja i pojava, pa i shvatiti uzročno - posljedične zavisnosti i izvanredna ravnoteža i sklad što su se uspostavili u prirodi. Dio smo savršenog spleta djelovanja i međudjelovanja što obuhvaća sve: od atoma, molekule i žive stanice do mikrosvijeta što nas okružuje, Zemlje, Sunčevog sustava, svemira, a može se spoznati i protumačiti zahvaljujući sustavnom pristupu. Jer kad je jednom uočeno načelo vođenja kao temeljno za svrhovito vladanje u prirodi, tehnici ili društvu, zašto onda da se ne proučavaju sva svrhovita vladanja istoznačno bilo da su ona djelo žive prirode, tehničke tvorevine ili društvene tvorevine. Slijedom činjenice o jedinstvu načela vođenja u prirodi, tehnici i društvu, postavljen je model tvorevine koja unutrašnjom dinamičkom organizacijom svojih sastavnih jedinica i djelovanjem u okolini izomorfno prikazuje sve samostalne i svrhovite tvorevine u prirodi, tehnici i društvu. Svaka tvorevina koja se može predočiti takvim modelom zove se sustav ili sistem. Temeljna odlika sustava jest da u pretpostavljenoj okolini djeluje samostalno i svrhovito sve dok raspolaže potrebnom tvari, energijom i informacijom.

Slika 12.1. Zamisao odnosa sustava i okoline (modificirano prema Božičević, 1980, str. 18)

Veza okoline i sustava (slika 12.1.) iskazuje djelovanje okoline na sustav i predočena je ulaznim veličinama. Veza sustava i okoline iskazuje djelovanje sustava na okolinu i predočena je izlaznim veličinama. Na ovaj je način stvorena uzročno - posljedična predodžba procesa temeljena na kibernetičkom gledištu. Ulazne veličine mogu biti upravljive ili neupravljive. Na neupravljive ulazne veličine se ne može utjecati, dok se na upravljive ulazne veličine može utjecati. Sustav tvore dva dijela: proces i dio za vođenje. Djelovanje procesa usmjeruje se temeljem namještanja vrijednosti upravljivih ulaznih veličina. Dio za vođenje djeluje na osnovi motrenja izlaznih i ulaznih veličina i to istodobno ili zasebno. Postoje dva načela vođenja: (i) načelo povratne veze i (ii) načelo unapredne veze. Vođenje prema načelu povratne veze ostvaruje se pomoću povratnog toka informacija motrenjem izlazne veličine preko jedinice za vođenje, te njegovim djelovanjem na ulaznu veličinu. Dakle, ono je i uvedeno na osnovi informacija o stanju procesa. Vođenje prema načelu unapredne veze ostvareno je na osnovi motrenja ulazne veličine. Ovo se vođenje odvija na temelju informacija o djelovanju okoline na proces. S obzirom na svrhovitost

Okolina

Okolina

Izlazne

veliĉine

Ulazne

veliĉine S u s t a v

djelovanja dvije su temeljne skupine sustava i to: (i) sustavi kojima je svrhovito djelovanje nije uvjetovano s promjenom mjesta u prostoru (hladnjak, vodovodna mreža, ...) za koje kažemo da u njima vodimo proces (ii) sustavi kojima je svrhovito djelovanje određeno s mijenjanjem mjesta u prostoru (vozilo, zrakoplov, brod, raketa ,...) za koje kažemo da u njima vodimo objekt. Proces se vodi radi svrhovite prerade tvari, energije ili informacije. Naša je pozornost orijentirana na vođenje procesa i to procesa učenja i poučavanja. Kibernetički model sustava vođen prema načelu povratne veze je prikazan na slici 12.2. Vođenje je ostvareno motrenjem izlazne veličine i djelovanjem na ulaznu veličinu. Funkciju motrenja ispunjava mjerni pretvornik. Mjerni pretvornik pretvara procesnu veličinu - motrivu izlaznu veličinu u mjerni signal. Pretvornik fizički izvršava pretvorbu jednog oblika energije u drugi, a naziva se mjerni zato što je u funkciji mjerenja.

Slika 12.2. Kibernetički model sustava (modificirano prema Božičević, 1980, str. 25)

U osnovi mjerni je pretvornik vezna jedinica proizvodnog procesa i dijela za vođenje. Odstupanje u vrijednosti između motrive izlazne veličine i referentne vrijednosti se prenosi na jedinicu za vođenje i osnova je oblikovanja upravljačkih naloga izvršnoj spravi koja djeluje na upravljivu ulaznu veličinu. Izvršna sprava je veza jedinice za vođenje i procesa. Poremećaj je ne upravljiva ulazna veličina i uvjetovana je stanjem okoline ili unutrašnjim poretkom sustava. U strukturi sustava se promatra na dijelu procesa. Polazeći od ovih misli i načela postavljen je i cilj istraživanja i razvoja modela obrazovnog sustava koji je nazvan novi model nastave s računalnim učiteljem – model TEx-Sys.

VođenjeUpravljanje

Process

Izvršna

spravaMjerenje

Oblikovanje

upravljaĉkog

naloga

Referentna veličina

Upravljiva

ulazna

veliĉina

Motriva

izlazna

veliĉina

Poremećaj

Odstupanje

PARADIGMA „POUČAVANJE JE UPRAVLJANJE UČENJEM“

Paradigmu „poučavanje je upravljanje učenjem“ (eng. teaching is the control of learning) postavio je Gordon Pask 1 ), poznat kao jedan od utemeljitelja kibernetike, interdisciplinarnog i trandisciplinarnog intelektualnog pokreta naglo razvijenog nakon II. Svjetskog rata. 1961. godine je objavio knjigu An Approach to Cybernetics (London: Hutchinson), koja se smatra jedna od najpogodnijih za uvođenje u područje kibernetike. Pask-ov posebni doprinos se ogleda u razvoju teorije konverzacije (eng. conversation theory) i njene primjene u obrazovanju (www2.venus.co.uk/gordonpask/gpaskobit.htm). Primjenu teorije konverzacije na obrazovanje je na najbolji način prikazao u knjigama: (i) Conversation, Cognition and Learning, Amsterdam: Elsevier, 1975; (ii) Conversation Theory: Applications in Education and Epistemology, Amsterdam: Elsevier, 1976). Posebnu je pozornost u radu posvećivao strojevima za poučavanje (eng. teaching machines), gdje je osmislio interakciju čovjeka i stroja u formi konverzacije kao dinamički proces u kojem učesnici uče jedan od drugoga. U posljednje vrijeme posvetio se teoriji interakcije sudionika (eng. interaction of actors theory) čime pruža široki pogled na komunikaciju i dinamiku društvenih sustava. Pask kao „istinska kibernetička duša“ svojim radom pokušava izgraditi jedinstveni most između prirodnih znanosti, društvenih znanosti i humanističkih znanosti. Njegova je želja razviti društvenu kibernetiku koja će pomoći u borbi protiv terorizma i društvenih konflikata. Pask je poznat i kao inovator i tvorac više sustava orijentiranih na podršku poučavanja. Započeo je 1953. sa sustavom „Musicolour“ koji je upravljao intenzitetom svjetla da bi se prilagodio performansama muzičara. Slijedi zatim sustav SAKI (Self-Adaptive Keyboard Instructor) kao prvi na svijetu sustav za poučavanje koji se mogao prilagoditi učeniku, a imao je i komercijalnu proizvodnju. Pask-ovo kemijsko računalo iz 1958 godine je raspolagalo sa vlastitim senzorima s primitivnim očima i ušima. Kasnije, ili točnije 1972. objavljuje sustav CASTE (Course Assembly System and Tutorial Environment) za podršku poučavanja i obuke kompleksnijih područnih znanja. Sustav Thoughtsticker iz 1974. pomaže učeniku oblikovanje mentalnih mapa te sugerira nove kombinacije. Pri kraju svojeg inovativnog rada orijentirao se na izgradnju i primjenu robota. Posebno značajni su radovi u kojem povezuje kibernetička načela sa procesom učenja i poučavanja i na kojima i nastaje paradigma „poučavanje je upravljanje učenjem“ (Teaching Machines; The teaching machine as a control mechanism; A cybernetic model of concept learning). Na sljedećim Web stranicama je danas moguće vidjeti sadržaj bogatog istraživačkog i znanstvenog opusa Paska: ­ Web stranica panagro.com sadrži dobro organiziranu arhivu radova orijentiranih na

individualizaciju nastave. Stranicu održava u okviru svoje privatne tvrtke P. Panagro. Posebno je prikazan popis radova G. Paska u znak sjećanja na suradnju tijekom izrade njegove disertacije (www.pangaro.com/Pask-Archive/Pask-Archive-listing.html).

­ Web stranice Američkog društva za kibernetiku - www.gwu.edu/~asc/people/Pask/.

­ Web stranica s bogatim pregledom radova G. Paska naslovljen kao „neobični kibernetičar“ (www2.venus.co.uk/gordonpask/)

1) Andrew Gordon Speedie Pask (1928 – 1996), utemeljitelj interdisciplinarnih polja kibernetike i znanosti o sustavima. 1969. godine Pask postaje profesor na zavodu za kibernetiku Sveučilišta Brunel, Engleska, gdje ostaje do kraja svojeg života. Kao gostujući profesor učestvovao je u radu više sveučilišta i instituta u SAD, Kanadi i Europi. Njegov znanstveni interes je raspodijeljen na više područja kao što su psihologija, biologija, obrazovanje, matematika, logika, strojno učenje, lingvistika. Darovit je umjetnik, romanopisac i liričar.

NAČELA POUČAVANJA PO MODELU „JEDAN-NA-JEDAN“

Istraživanjem učinkovitosti tutorskog učenja tj. učenja po modelu jedan-na-jedan došlo se do tri važne spoznaje: (i) učenici bolje razumiju nastavne sadržaje, više su motivirani i rade brže; (ii) tutori također poboljšavaju područno znanje dok poučavaju i (iii) uspješni tutori nisu samo oni koji imaju formalno obrazovanje učitelja, to mogu biti i tz. „peer tutori“ – tutori partneri. Osim navedenog, istraživanja su pokazala da su tutori, između ostalog, uspješni jer dozvoljavaju učeniku da ima osjećaj kontrole nad učenjem i da radi onoliko koliko može te ukoliko se ukaže potreba nudi mu svoju pomoć. Ipak, tutor mora znati procijeniti kada pomoći učeniku i usmjeriti ga prema rješenju, budući da postoji opasnost trošenja dragocjenog vremena na traženje rješenja u krivom smjeru. Učinkovitost tutorskog učenja u načelu utvrđuju tri hipoteze: ­ T-hipoteza temeljena na tutoru, odnosno tvrdnji da je za efikasnost tutorskog učenja

zaslužan sam tutor. ­ S-hipoteza koja učinkovitosti tutorskog učenja promatra iz perspektive učenika, jer

omogućuje učeniku da bude produktivan, odnosno da se aktivnije uključi u konstruktivno učenje.

­ I-hipoteza koja naglašava interakciju učenika i učitelja. Prethodne dvije hipoteze promatrale su efikasnost tutorskog učenja ili iz perspektive tutora ili iz perspektive učenika, a obje su priznavale ulogu onog drugog, no potrebno je istražiti i važnost interakcije između ta dva sudionika učenja. Često se interakcija interpretira kao mogućnost zajedničkog sagledavanja puta za rješavanje problema koji je pred učenikom.

NAČELA OBLIKOVANJA NASTAVNIH SADRŽAJA I VREDNOVANJE ZNANJA UČENIKA

Oblikovanje nastavnih sadržaja kako u tradicionalnoj nastavi tako i u sustavima e-učenja obavlja učitelj - nastavnik u skladu s odredbama i razinom znanja promatranog obrazovnog procesa. Kako smo ovdje orijentirani na sustave e-učenja i posebno inteligentne tutorske sustave, strukturu nastavnog sadržaja kao i njegovo oblikovanje provodimo u okruženju courseware-a. Engleska riječ courseware je nastala kombinacijom riječi course (kurs, tečaj, kolegij) i riječi ware (sličnosti sa npr. eng. software, hardware) i strukturom upućuje na vezu s računalima. Courseware u načelu predstavlja didaktički oblikovan nastavni sadržaj nekog područnog znanja za izvođenje na računalu. Promatrajući s aspekta oblikovanja (eng. design), course je agregacija koja se sastoji od svih potrebnih značajki koje će učenje učiniti uspješnim. U našem pristupu courseware kolegija je višerazinski strukturiran na elemente nastavnog sadržaja: nastavne cjeline (NC), nastavne teme (NT), nastavne jedinice (NJ), nastavne pojmove (NP) kao i elemente za testiranje i ocjenjivanje znanja učenika. Nastavna cjelina u načelu uključuje više nastavnih tema, dok dalje nastavna tema uključuju više nastavnih jedinica i konačno nastavna jedinica uključuje više nastavnih pojmova. Elementi za testiranje i ocjenjivanje znanja učenika se pridružuju nastavnoj cjelini, nastavnoj temi ili nastavnoj jedinici kao i kolegiju u cjelini. U ovoj raščlani nastavnih sadržaja su se primijenili poznati termini pedagogijske prakse kao što su nastavna cjelina, nastavna tema i nastavna jedinica. Nastavni pojam je uveden kao sadržajno najmanji element strukture nastavnog sadržaja (dalje nedjeljiv) koji odgovara

čvoru znanja u bazi područnog znanja koja je oblikovana uz pomoć semantičkih mreža s okvirima. Osim toga oblikovanje nastavnog sadržaja provelo se po uzoru na SCORM referentni model. Poslije procesa učenja i poučavanja na izabranom područnom znanju tj. izabranom kolegiju učenik pristupa postupku utvrđivanja i provjeravanja kvalitete znanja. Ovaj se postupak naziva testiranje znanja, što je preduvjet za vrednovanje znanja. Testiranje je jedan od najboljih načina za utvrđivanje postignuća učenika, a također pomaže i samom učeniku jer mu osigurava saznanje o tome što je usvojio, a što nije. Razinu znanja utvrđuje računalni ili „živi“ učitelj, čime se dolazi do saznanja na kojim nastavnim sadržajima učenik treba dodatno raditi, te kada može nastaviti s učenjem i poučavanjem na novom elementu nastavnog sadržaja. Dakle, testiranje je aktivnost učenika koju je potrebno provesti zbog donošenja ocjene. Bujas (prema Mužić, 1968) ističe da je test standardizirani postupak, pomoću kojeg se izaziva neka određena aktivnost, a učinak te aktivnosti mjeri se i vrednuje tako da se individualni rezultat usporedi s rezultatima, koji su dobiveni kod drugih individua u jednakoj situaciji.

Testovi se dijele u tri osnovne vrste (Pedagoška enciklopedija tom. 2, str. 442): ­ Testovi znanja, kojima utvrđujemo razinu znanja i vještina učenika; ­ Testovi sposobnosti koji se dijele na psihomotorne testove, testove inteligencije,

testove posebnih intelektualnih funkcija i sl.; ­ Testovi osobnosti u užem smislu obuhvaćaju izvan intelektualne crte ličnosti, kao što

su karakter, temperament, interesi, stavovi, stupanj introvertiranosti, odnosno ekstrovertiranosti i slično. Kako je tim testovima teško naći precizan zajednički naziv, najčešće se i nazivaju testovi osobnosti u užem smislu (treba naglasiti da su, u širem smislu, i prve dvije vrste testovi osobnosti, jer se i znanje i sposobnosti ubrajaju u dimenzije osobnosti).

U ovoj raspravi u fokusu su testovi znanja pa se s tim u vezi isti promatraju sa aspekta upotrebe samog termina test znanja, zatim aspekta vrste i sa stajališta mjernih karakteristika.

U pogledu terminološke određenosti učitelji često termine test, ispit i kviz koriste naizmjenično (Gros, 1993), pa čak ponekad i kao sinonime. Razliku među ovim terminima su očite i oslanjaju se na količinu nastavnih sadržaja koja se ispituje i nad kojom se želi donijeti ocjena tj. vrednovati znanje učenika. Ispit je najiscrpnija forma testiranja, obično se obavlja na kraju izvedenih nastavnih sadržaja (kolegija, tečaja), ili ponekad i dva puta tijekom semestra (polugodišta). Test je više sadržajno limitiran, orijentiran je na neke aspekte nastavnih sadržaja. Tijekom odvijanja nastavnog procesa kolegija moguće je provesti više testova znanja (tri do četiri). Kviz je najviše limitiran u pogledu ispitivanih nastavnih sadržaja i obično je vremenski ograničen na petnaest ili manje minuta. U vezi s iznesenim se termini test i ispit koriste izmjenično najviše iz tog razloga što su načela za planiranje, oblikovanje i administriranje s njima veoma slični. U fokusu naše analize je ono što primjenjujemo kod modela TEx-Sys, gdje je za vrednovanje znanja učenika za dani nastavni sadržaj primijenjen kviz znanja i test znanja sa zadacima objektivnog tipa.

Kviz znanja predstavlja implementaciju testova u kojima se učeniku distribuira skup pitanja kojima su pridruženi ponuđeni odgovori. Odgovori mogu biti točni ili netočni. Test se rješava obilježavanjem odgovora za koje učenik smatra da su točni. Nakon rješavanja učenik se ocjenjuje i upućuje prema pojmovima područnog znanja za koje se utvrdilo da ih nije dovoljno dobro obradio. Kvizove možemo razvrstati prema više kriterija (Rosić, 2000) a ovdje se navode dva: ­ Podjela prema broju točnih odgovora među predloženim rješenjima. Najjednostavniji

su kvizovi kod kojih je za svako pitanje ponuđen jedan i samo jedan točan odgovor. To je jednostavan tip kviza ali mu je nedostatak velika mogućnost pogađanja točnog odgovora. Napredniji su kvizovi kod kojih nije definiran broj točnih odgovora unutar ponuđenih odgovora za svako pitanje. Kod takvih kvizova za svako pitanje mogu biti svi ponuđeni odgovori točni, može biti nekoliko točnih odgovora, može biti samo jedan točan odgovor ali mogu i svi ponuđeni odgovori biti netočni.

­ Podjela prema načinu postavljanja pitanja. Najjednostavniji kvizovi dopuštaju postavljanje pitanja isključivo tekstualnog sadržaja dok složeniji tipovi kvizova omogućuju da pitanje poprimi multimedijske karakteristike tj. da pitanje sadrži i elemente multimedije.

Testovi znanja u pogledu vrste mogu biti pravi – baždareni testovi znanja i nepravi – nebaždareni testovi znanja tj. niz zadataka objektivnog tipa (ZOT). Za zadatke objektivnog tipa vrijedi prema Grounlund-u (Grounlund, 1985) termin „task objective items“. Orijentacija je na zadatke objektivnog tipa jer se tim nebaždarenim testovima želi objektivno utvrditi razina znanja učenika. Zadaci objektivnog tipa globalno se mogu podijeliti u dvije skupine (Mužić, 1968): 1. Zadaci kod kojih učenik donošenjem odgovora reproducira usvojene nastavne

sadržaje (zadaci reprodukcije) što se najčešće obavlja dosjećanjem nastavnog sadržaja kojeg je već učio. U ovu skupinu se obično oblikuju: ­ Zadaci tipa dosjećanja kod kojeg se učeniku postavlja pitanje ili neka nedovršena

tvrdnja. Na pitanje učenik mora odgovoriti, a nedovršenu tvrdnju dovršiti jednom riječju ili kratkim iskazom. Kod ovakvih zadataka pogađanje točnog odgovora je gotovo eliminirano. Takvi zadaci su pogodni za provjeravanje deklarativnog znanja.

­ Zadaci tipa dopunjavanja u kojima je u tekstu zadatka izostavljena jedna ili više riječi koje učenik treba napisati. Može se kazati da je ovo varijanta zadatka tipa dosjećanja. Prednosti ovog tipa zadataka ogledaju se u tome što odgovori ne počivaju na prepoznavanju, već je za davanje pravilnih odgovora potrebno aktivno znanje učenika. Slučajno pogađanje točnog odgovora je gotovo isključeno. Međutim, kod ovog tipa zadataka se ne može dobro ispitivati razumijevanje i interpretacija problema, osim u slučajevima kad se od učenika zahtjeva dopunjavanje više od jedne ili dvije riječi.

2. Zadaci u kojima učenik odabire ispravan odgovor između ponuđenih odgovora radi prepoznavanja točnog odgovora (zadaci prepoznavanja). U ovoj skupini se oblikuju: ­ Zadaci tipa jednostrukog ili dvočlanog izbora (zadaci tipa da/ne) se sastoje od

pitanja na koja je potrebno odgovoriti biranjem jedne od dvije ponuđene opcije. Ovi testovi su prikladni u slučajevima testiranja velike količine znanja, jer se njima skraćuje vrijeme potrebno za testiranje, ali ne odražavaju u potpunosti znanje učenika jer je moguće pogađati točne odgovore. Za zadatke jednostrukog

izbora često se koristi i naziv zadaci alternativnog izbora (Vizek-Vidović i drugi, 2003).

­ Zadaci tipa višestrukog izbora sadrže pitanja s više predloženih odgovora na koja se odgovara biranjem jednog ili više ponuđenih odgovora. Učenik kod ovakvog pitanja ima zadaću da među predloženim odgovorima označi onaj ili one koji predstavljaju ispravan odgovor. Povećavanjem broja odgovora smanjuje se mogućnost pogađanja.

­ Zadaci tipa povezivanja i sređivanja. Zadaci tipa povezivanja se zasnivaju na utvrđivanju veze između objekata, pojmova ili tvrdnji u nekom područnom znanju. Zadatak povezivanja se obično sastoji od uvodnog dijela u kojem se ističe pitanje u vezi sa dva stupca objekata, pojmova ili tvrdnji koje je potrebno povezati. Ova vrsta zadatka objektivnog tipa se u načelu može izvesti sa dva stupca u kojima je jednaki broj objekata, pojmova i tvrdnji ili to mogu biti dva stupca za različitim brojem objekata, pojmova i tvrdnji. Izvedenica zadataka povezivanja su zadaci sređivanja. U rješavanju zadatka potrebno je posložiti pojmove u točnom redoslijedu. Posebno značenje zadaci tipa povezivanja i sređivanja imaju u područnim znanjima koja raspolažu s većim brojem objekata, pojmova i tvrdnji.

U pogledu mjernih karakteristika testovi znanja se strukturiraju prema sljedećim parametrima (Grgin, 1986): ­ Valjanost koja pokazuje u kojoj mjeri test zaista mjeri ono što se njime želi mjeriti; ­ Pouzdanost koja se očituje u tome što test kod ponovljene primjene daje iste

rezultate; ­ Objektivnost koja se očituje u tome da na rezultat mjerenja ne djeluju nikakvi

subjektivni faktori; ­ Osjetljivost, testom bi se trebale moći ispitati i manje razlike u veličini koja se mjeri; ­ Baždarenost, tj. postojanje jedne opće skale, koja daje uporišne točke kod međusobne

usporedbe rezultata mjerenja; ­ Diskriminativnosti pitanja u testu, koja zapravo ukazuje na mjeru u kojoj se

usmjerenost pojedinog pitanja slaže s usmjerenosti cijeloga testa. Prilikom sastavljanja testa treba voditi računa o namjeni testa. Namjena testa određuje tipove zadataka, bodovanje pitanja, grupiranje zadataka, trajanje ispita, način izbora zadataka te način pretvaranja ispitnih rezultata u ocjene. Svi ovi faktori utječu na dojam pravednosti. Ako se za svakog učenika postavljaju različita pitanja, može se stvoriti dojam da su jednom dani lakši, a drugom teži zadaci. Zato treba paziti u određivanju težine zadatka i načinu izbora zadataka. Zaključimo da su u testovima objektivnog tipa pitanja tako formulirana da njihovi odgovori budu odraz objektivnog znanja učenika, a najvažnija im je zadaća omogućiti ocjenjivanje učenika na jednoznačan i objektivan način (Mužić, 1968). Ocjenjivanje ponekad ograničavamo samo na postupak davanja ocjene. Međutim, u procesu odgoja i obrazovanja potrebno je utvrditi razinu znanja učenika kao i okolnosti u kojima je isto ostvareno te se ono naziva vrednovanje znanja (Enciklopedijski rječnik pedagogije, 1963, str. 1105). Evaluacija – vrednovanje je pojam koji povezuje provjeravanje i ocjenjivanje znanja u nastavi te sadrži postupke (Pedagoška

enciklopedija tom 1. – str. 192) evidentiranja (osigurava kontinuiran uvid u tijek nastavnog procesa), provjeravanja (otkriva pravo stanje i rezultate rada u nastavi), mjerenja (odnosi na postupak objektivnog sagledavanja postignuća učenika) i ocjenjivanja (pomoću određenih postupaka uspoređivanja i instrumenata mjerenja dolazi do vrijednosnih pokazatelja o ishodu nastavnog procesa). Provjeravanje čini temelj ocjenjivanja, a ocjenjivanje je epilog provjeravanja (Pedagoška enciklopedija tom 2. – str. 135). Manjkavosti u tradicionalnom školskom ispitivanju i ocjenjivanju pokušava svojim metodama riješiti i znanstvena disciplina dokimologija koja nastoji objektivno i pouzdano utvrditi ocjenu učenika i pri tom ili ukloniti ili ublažiti nepoželjne faktore što djeluju na školsko ocjenjivanje (Grgin, 1986). Provjeravanje znanja učenika može biti povezana s povratnom informacijom, selekcijom, motivacijom i vrednovanjem (Vizek-Vidović i drugi, str. 420). Podaci dobiveni provjeravanjem znanja mogu biti od koristi samim učenicima, učiteljima, roditeljima te konačno i onima koji u državi vode proces odgoja i obrazovanja. Provjeravanje znanja s obzirom na način prikupljanja informacija o postignuću učenika može biti formativno i sumativno. Formativna provjera služe učitelju za provjeru predznanja učenika ili znanja usvojenih tijekom djela poučavanja dok sumativna provjera govori o znanju učenika nakon provedenog procesa poučavanja. Postoje i stavovi koji u ovom području vide trojako procjenjivanje: dijagnostičko, formativno i sumativno procjenjivanje (Swearingen, 2005). Svrha dijagnostičkog procjenjivanja je prije poučavanja utvrditi razinu učenikovih sposobnosti, slabosti, znanja i vještina, što omogućuje uređivanje nastavnog sadržaja prema potrebama svakog učenika. Formativno se procjenjivanje prema Nacionalnom Centru za Fer i Otvoreno Testiranje (eng. National Center for Fair and Open Testing - NCFOT) „odvija kada učitelji učenicima daju povratnu informaciju na načine koji im omogućuju bolje učenje, ili kada učenici mogu sudjelovati u sličnom, procesu samo-razmišljanja“. U ovakvoj formi, formativni se testovi ne ocjenjuju i koriste se kao tekući dijagnostički alat; dakle, učitelj koristi rezultate formativnog procjenjivanja isključivo da bi modificirao i prilagodio poučavanje tako da odrazi potrebe, ali i napredovanje učenika. Sumativno se procjenjivanje u odnosu na formativno može opisati ovako: „Kada kuhar proba juhu, to je formativno procjenjivanje; kada klijent proba juhu, to je sumativno procjenjivanje“ (R. E. Stake – Center for Instructional Research and Curriculum Evaluation – College of Education, University of Illinois – www.ed.uiuc.edu/circe/Index.html). Prema tome, sumativno procjenjivanje podrazumijeva test koji se obično daje na kraju poglavlja, semestra, godine ili slično, čija je potreba konačnog vrednovanja znanja. Učitelj sastavlja pitanja prema odabranoj vrsti procjenjivanja, u ovom slučaju je to uglavnom sumativna, tj. prema namjeni testa što treba ispitivati. Pri vrednovanju znanja u centar pozornosti postavljamo razvoj učenikove osobnosti te nastojimo utvrditi aktualnu razinu njegovog znanja, te nadalje tome prilagoditi kako tijek izlaganja nastavnih sadržaja tako i tijek ispitivanja – testiranja znanja. Naravno, to nije moguće kvalitetno obaviti u tradicionalnoj nastavi koja se realizira u učionici. S tim u vezi je orijentacija na poučavanje po modelu jedan-na-model, te posebno primjenu računala i programske podrške inteligentnih tutorskih sustava.

NAČELA UMJETNE INTELIGENCIJE S TEŽIŠTEM NA METODE I TEHNIKE ZA PRIKAZ ZNANJA

Umjetna inteligencija za razliku od prirodne inteligencije je naziv koji se pridružuje svakom neživom sustavu koji se može snaći u novim situacijama. Fokus istraživanja umjetne inteligencije je orijentiran na sagledavanje mogućnosti računala da upravlja nenumeričkim simbolima te da zaključuje, utvrđuje nove činjenice na temelju već poznatih. Definicija umjetne inteligencije sa stajališta upotrebne vrijednosti kaže da je to studij ideja o tome kako osposobiti računala da budu inteligentna (Winston, 1984). Navode se neke od definicija pojma umjetne inteligencije koje su predložili istaknuti istraživači područja: - Umjetna inteligencija je znanost i inženjering za stvaranje inteligentnih strojeva,

naročito inteligentnih računalnih programa. To je u vezi sa sličnim zadatkom o upotrebi računala za razumjevanje inteligencije čovjeka, ali umjetna inteligencija nije samo ograničena na metode koje su motrive sa stajališta biologije. (J. McCarthy, 1956, revised November, 12, 2007, www-formal.stanford.edu/jmc/whatisai.html)

- Umjetna inteligencija je grana računarstva koja se bavi proučavanjem i oblikovanjem računalnih sustava koji pokazuju neki oblik inteligencije. Takvi sustavi mogu učiti i donositi zaključke o svojem okruženju, razumiju prirodni jezik te mogu spoznati i tumačiti složene vizualne scene te obavljati druge vještina za koje se zahtijeva čovjekov tip inteligencije. (Paterson, 1990)

- Umjetna inteligencija je znanost koja omogućuje strojevima činiti ono za što je potrebna inteligencija ako to radi ljudsko biće (Minsky, 1968).

- Umjetna inteligencija je dio računalnih znanosti orijentiran na oblikovanje inteligentnih računalnih sustava, primjerice sustavi koji imaju značajke koje se mogu povezati sa inteligencijom u ponašanju čovjeka, kao što je razumjevanje jezika, učenje, zaključivanje, rješavanje problema i tome slično (Feigenbaum, 1981).

- Umjetna inteligencija obuhvaća proučavanje mentalne moći čovjeka uz primjenu računalnih modela (Charniak i McDermott, 1985).

Slijedom ovog promišljanja, umjetnom inteligencijom se mogu smatrati metode, tehnike i alati za rješavanje problema na način koji je svojstven čovjeku pri rješavanju takvih problema. Na taj će način računala pomoći stjecanju novih znanja i vještina, pomoći efikasnijem rješavanju različitih zadaća, pomoći u donošenju odluka. Termin umjetna inteligencija prekriva više područja što prikazuje slika 12.3. Utvrđuje se da je temeljni nosilac umjetne inteligencije područje kognitivne znanosti (na slici predstavljeno držalom kišobrana). Nadalje, umjetna inteligencija je omogućena u prostoru kojeg tvore elementi psihomotornog i sustava gledanja, stručni sustavi, prirodni jezik tj. razumijevanja prirodnog jezika te prepoznavanja zvuka.

Slika 12.3: Područja koja određuju naziv umjetna inteligencija (prema Carrico i drugi, 1989)

Kognitivna znanost (eng. cognitive science – interdisciplinarno znanstveno istraživanje uma, B. Dalbelo-Bašić, 2009) je temeljna – nosi kišobran, a predstavlja skup znanstvenih istraživanja u kojima se teži razumijevanju čovjekovih mentalnih procesa. To je znanost koja napaja polja umjetne inteligencije (Weizenbaum, 1976.). Robotika (eng. robotics) je područje istraživanja djelovanja strojeva i uređaja čije se funkcionalnosti očituju u izvršavanju određenih mehaničkih manipulacija te o tome kako da se iste učine inteligentnim i autonomnim. Sustavi umjetnog gledanja (eng. vision systems) uspješno interpretiraju dvo ili trodiminzionalne slike prikupljene pomoću osjetila. Ovo uključuje obradu slike, klasificiranje scene i interpretacije scene. Razumijevanje prirodnog jezika (eng. natural languange understanding) je sposobnost da se s računalom komunicira prirodnim jezicima, primjerice: engleskim, ruskim ili slično umjesto da se to radi s visoko strukturiranim jezicima primjerice SQL-om. Sustav za razumijevanje prirodnog jezika omogućava nespecijalistima i laicima da upravljaju ili čak vode složene dinamičke sustave s osloncem na računalo, a da pri tome nisu obrazovani u području računalnih znanosti. Prepoznavanje zvuka (eng. sound recognation) znači obrade i zaključivanja koje obavljaju akustična osjetila temeljem dobivenih signala od različitih izvora: alarmi, izgovorene riječi, rad automobilskog motora i slično. U vezi s tim “čitljivi jezik” je izlazni signal sustava s prepoznavanjem zvuka. Stručni - ekspertni sustavi (eng. expert system) ili sustavi temeljeni na znanju imaju strukturirano područno znanje. Takvi sustavi imaju sposobnost rješavanja problema unutar područnog znanja s kojim sustav raspolaže, a koje znanje je preuzeto od “živog “ eksperta – stručnjaka. Prikaz znanja (eng. knowledge representation) je prevođenje ili kodiranje (eng. encode) znanja u format pogodan za rad računala (Chabris, 1987.). U istraživanju umjetne inteligencije središnji problem je upravo prikaz znanja. Susrećemo se s različitim vrstama znanja: znanjem o objektima, o njihovim međusobnim odnosima, o vremenskom razvoju događaja, o obavljanju radnji i o meta-znanju (znanju o znanju). Ne postoji tehnika prikaza koja bi podjednako dobro opisivala sve ove navedene vrste znanja. Zbog toga su osmišljene različite tehnike za prikaz znanja, a koja će se upotrijebiti za konkretno problemsko područje ovisi o vrsti znanja koje prevladava u tom problemskom području. Da bi se bolje opisao neki konkretan problem često se kombiniraju različite tehnike ili se izrađuje nova varijanta postojeće tehnike za prikaz znanja. Prikaz znanja uvijek mora ispuniti ove uvjete: (i) izravno modelirati tehnike koje bi stručnjak područnog znanja primijenio u rješavanju problema; (ii) eksplicitno predstavljanje strategija i tehnika rješavanja problema. Semantičke mreže dobro prikazuju deklarativno, tj. činjenično znanje, a teško proceduralno - postupkovno znanje. Kod pospremanje znanja postiže se velika ekonomičnost (jer je većina znanja pohranjena u implicitnom obliku), ali se gubi na brzini dobivanja tog znanja. Za dobivanje fragmenta eksplicitnog znanja, mora se pronaći odgovarajući čvor i pretražiti njegove veze. Ali, za dobivanje fragmenta implicitnog znanja mora se koristiti nasljeđivanje svojstava, dakle, više fragmenata eksplicitnog znanja, čime se gubi na brzini. Prednost semantičkih mreža ogleda se i u fleksibilnosti, odnosno, lakom dodavanju novih čvorova i veza u mrežu.

TRADICIONALNA GRAĐA INTELIGENTNIH TUTORSKIH SUSTAVA

Tradicionalna građa inteligentnih tutorskih sustava (detaljno prezentirano u dijelu C.) je značajno uporište u razvoju modela TEx-Sys. S tim u vezi obuhvaćeni su autoriteti područja čiji se radovi najčešće citiraju i navode pri opisu građe, strukture i primjene inteligentnih tutorskih sustava. Većina referentnih navoda iz poglavlja 7. u kojem je provedena analiza komponenata inteligentnih tutorskih sustava u on-site okruženju nalazi se na popisu najviše citiranih autora na pretraživačima poput Google Scholar, Google i slično, kao što su E. Wenger, D. Sleeman, J. Anderson, H. L, Burn, C. G. Capps, J. Self, V. J. Shute, J. Psotka.

TEX-SYS - NOVI MODEL NASTAVE S RAČUNALNIM UČITELJEM

Kibernetički model sustava je prihvaćen kao polazište oblikovanja i implementacije modela TEx-Sys, pa je s tim u vezi transformacijom procesa, reference i vođenja postavljena zamisao modela sustava (slika 12.4.) za stjecanja znanja i vještina učenika u nastavi koju na inteligentan način podupire računalo. Stjecanje znanja i vještina učenika jest vođeni proces. Stanje znanja učenika ili dostignuta razina područnog znanja je upravljiva ulazna veličina i izlazna veličina procesa za tekuću nastavnu jedinicu područnog znanja. Referenca je definirana nastavnim sadržajem područnog znanja, što ga valja savladati, i uz to modelom "dobrog" učenika utemeljenim pomoću kriterija vrednovanja koji utječu na spoznaju o potrebnoj razini znanja učenika.

Računalni učitelj

Proces

stjecanja

znanja i

vještina

Vrednovanje znanja

uĉenika

Modeliranje

uĉenika

Referenca:

Nastavni

sadržaj i model

dobrog uĉenika

Uĉenje i pouĉavanje

Testiranje

Stanje

znanja

uĉenika

Stanje

znanja

uĉenika

Slika 12.4. Model TEx-Sys (Stankov, 1997)

Računalni učitelj, kao zamjena za "živog" učitelja, djeluje u povratnoj vezi nastavnog sustava: (i) gradi model učenika i provodi dijagnostiku aktualne razine znanja učenika (modeliranje učenika, VanLehn, 1988), (ii) utvrđuje odstupanja učenikovog aktualnog znanja od referentnog modela te vrednuje znanje učenika (iii) omogućava prijelaz na novi element nastavnog sadržaja (učenje i poučavanje) ili pruža dopunu znanja (učenje) i pokreće testiranje znanja (testiranje). Učenik u interakciji s računalom gradi okruženje učenja i poučavanja u suglasju s Piaget-ovom paradigmom „vođene slobodne igre“ (eng. guided free play) (Sugerman, 1978) i paradigmom „vođenje učenja uz rad“ (eng. guided learning by doing) (Merill i drugi, 1995). Pretpostavljeno je da poremećaj djeluje samo neposredno na učenika. Nemotiviranost, slaba koncentracija tijekom poučavanja, niska razina prethodnih znanja, "mladenačko" nezadovoljstvo i tome slično izvori su potencijalnih poremećaja. Računalo djeluje bez emocija, "pruža znanje", ispravlja,

upućuje, dijagnosticira i ocjenjuje učinak učenika ostvaren tijekom učenja i poučavanja; nema negativnih utjecaja "nemotiviranog", "umornog", "nezadovoljnog" učitelja. Pedagogijski okvir nastavnog procesa u modelu TEx-Sys iskazan je funkcijskim djelovanjem u kontinuiranom četvero-faznom ciklusu (slika 12.5.) u kojem se izmjenjuju: didaktika, motrenje (mjerenje), dijagnostika i vrednovanje te pomoć i upućivanje na nove elemente nastavih sadržaja. Faza didaktike iskazuje nekoliko čimbenika: sadržaj učenja i poučavanja (Što se poučava?), objekt poučavanja (Tko se poučava?) te način i prilagodbu poučavanja individualnim potrebama učenika (Kako se poučava ?). Motrenje (mjerenje) se bavi aktualnom razinom znanja učenika (stanje znanja učenika). Faza dijagnostike i vrednovanja utvrđuje razinu i ocjenjuje znanje učenika. Pogrešna poimanja u znanju učenika pokreću mehanizme pomoći radi smanjenja razlika u znanju između učitelja i učenika. Pored toga, u suglasju s aktualnom razinom znanja učenika inicira se samopopravljanje i ugađanje potrebne razine izlaganja nastavnih sadržaja prema razini znanja i sposobnosti učenika. Ako je učenik iskazao poznavanje područnog znanja tada ga se upućuje na novu nastavnu jedinicu.

Slika 12.5. Pedagogijski okvir modela TEx-Sys

Predloženi novi model nastave s računalnim učiteljem povezuje: (i) područno znanje koje uključuje primjere i objašnjenja, (ii) znanje učitelja, (iii) znanje učenika koje se razvija kao rezultat prekrivanja sa znanjem učitelja, uključujući nedostajuća i pogrešna poimanja, i konačno, (iv) skup pravila za koje se može ustvrditi da otkrivaju zajednički pogled na pogrešna shvaćanja u područnom znanju. Model, osim navedenog, omogućava izgradnju inteligentnog sustava jer ispunjava ove bitne uvjete: (i) zaključuje ili rješava problem u aplikacijskoj sredini izabranog područnog znanja, (ii) zaključuje o znanju i vještinama učenika, te (iii) raspolaže sa strategijom koja omogućava smanjenje razlika u znanju između učenika i eksperta. Na osnovi izloženog može se zaključiti da je TEx-Sys model nastavnog sustava sa četiri vrste znanja: (i) područno znanje koje uključuje primjere i objašnjenja; (ii) znanje učitelja; (iii) znanje o učeniku - kao rezultat prekrivanja sa znanjem učitelja, uključujući nedostajuća i pogrešna poimanja, (iv) skup pravila za koje se može ustvrditi da otkrivaju zajednički pogled na pogrešna poimanja u područnom znanju. Vođeni proces stjecanja znanja i umijeća prema predloženom modelu se odvija u višedimenzijskom komunikacijskom sustavu učenika i učitelja - "računalnog tutora". Model autorske ljuske TEx-Sys za oblikovanje inteligentnih tutorskih sustava je u razdoblju 1992. do 2005. godine bio podloga za implementiranje tri inačice autorskih

ljuski od on-site Windows aplikacije do aplikacije temeljene na Web uslugama (slika 12.6).

Slika 12.6. Vremenski slijed nastanka implementiranih sustava po modelu TEx-Sys

Prva implementacija modela TEx-Sys izvedena je kao Windows on-site aplikacija, a njen je razvoj kao i prototipno testiranje provedeno u razdoblju od 1992. do 2001. godine. U on-site verziji TEx-Sys podržava proces učenja i poučavanja u po volji odabranom područnom znanju s okruženjem za učenika kao i razvojnim okruženjem za učitelja. Ova dva sudionika raspolagali su sa ovim funkcionalnostima: (i) oblikovanje nastavnih sadržaja za po volji odabrano područno znanje, (ii) učenje i poučavanje te (iii) testiranje i vrednovanje znanja ostvareno s metodom prekrivanja i metodom kviza. Druga faza je rezultirala u implementaciju sustava temeljenog na dinamičkim Web dokumentima, Distributed Tutor-Expert System (DTEx-Sys) (Rosić, 2000), čiji se razvoj kao i prototipna testiranja odvijala u razdoblju od 1999. do 2003. godine. Ovaj sustav ima značajke Web orijentiranog inteligentnog tutorskog sustava. Pored već navedenih sudionika on-site verzije (učenika i učitelja) zahtijevao je oblikovanje funkcionalnosti za administratora sustava kao i nove funkcionalnosti sustava da bi se ispunile zadaće učenja i poučavanje u Web okruženju. Primijetimo i to da sustav DTEx-Sys ne raspolaže s okruženjem za razvoj baza znanja nego ih preuzima iz on-site izvedbe sustava TEx-Sys. Funkcionalnosti administratora su: (i) registracija i legalizacija rada svih sudionika; (ii) prijenos baza znanja sa on-site izvedbe sustava TEx-Sys; (iii) motrenje rada sustava. Funkcionalnosti učitelja su: (i) organizacija grupe učenika; (ii) pridruživanje ili onemogućavanje pristupa bazama područnog znanja; (iii) analiza postignuća učenika ili grupe učenika; (iv) analiza vremenskih razdoblja u kojim je učenik ili grupa bila aktivna na sustavu. Funkcionalnosti učenika su: (i) učenje i poučavanje; (ii) testiranje i vrednovanje znanja pomoću kviza; (iii) pogled na rezultate koje je ostvario u procesu testiranja znanja. Posljednja - treća verzija je sustav, temeljen na Web uslugama, eXtended Tutor-Expert System (xTEx-Sys) razvijen u razdoblju od 2003. do 2005. godine (Stankov i drugi, 2005). U ovoj verziji su uvedene brojne nove funkcionalnosti kao i sudionik – stručnjak za oblikovanje područnog znanja. Ovo je aktualna verzija implementacije modela TEx-Sys, pa će se detaljno opisati u ovom poglavlju sa svim sudionicima i funkcionalnostima kao i sa naznakom razlika prema ranijim verzijama. U razdoblju od 2001. do 2007. godine 2240 učenika i studenta (na četiri visoka učilišta, dvije srednje škole i šest osnovnih škola) su na sustavima izvedenim po modelu TEx-Sys realizirali učenje, poučavanje i testiranje znanja. Većina učenika i studenata je iskazala interes i zadovoljstvo u radu koje smo ustanovili kako pojedinačnim razgovorima tako i provedenim anketama. Kvalitativna analiza odgovora u anketama nije mogla pružiti

potpuni uvid utjecaja modela TEx-Sys na stjecanje znanja i postignuća učenika i studenata. Razvijena je metodologija za vrednovanje učinka sustava e-učenja (detaljnije poglavlje 13.) i na njoj zasnovan i implementiran prototip programskog alata za obradu rezultata o postignućima u učenju i poučavanju iskazanih s veličinom učinka (Grubišić, 2007).

FORMALIZAM ZA PRIKAZ ZNANJA

Prikaz znanja u sustavima implementiranim na osnovi modela TEx-Sys je ostvaren primjenom semantičkih mreža s okvirima. Čvorovi (eng. nodes) i veze (eng. links) su temeljne komponente semantičke mreže. Čvorovi služe za prikazivanje objekata područnog znanja, a veze za prikazivanje odnosa između objekata. Veza je u načelu tvrdnja da je za stanoviti objekt nešto istina u odnosu na drugi objekt. Osim toga, znanje o objektima područnog znanja je obogaćeno i sa okvirima (atributi i vrijednosti atributa), mogućnostima nasljeđivanja svojstava s mehanizmom zaključivanja, te multimedijom i tekstualnim opisom objekata područnog znanja.

ČVOROVI I VEZE

Složenost prikaza znanja pomoću semantičkih mreža uvjetuje činjenica da njeni čvorovi mogu imati različiti smisao i značenje kao što su: shvaćanje entiteta, atribute entiteta, opis događaja i stanja entiteta. Nedostatak formalne semantike i standardne terminologije je možda i temeljni nedostatak semantičkih mreža. Međutim, temelj formalizacije znanja su čvorovi koji se nalaze na krajevima veze i utječu na razumijevanje uvođenja veze. U interpretaciji čvorova važno je istaknuti podjelu između generičkih i individualnih čvorova. Općenito se neki čvorovi uzimaju kao deskriptori primjenljivi na mnogo individualnih objekata ili opisa, dok drugi služe za prikazivanje tih individualnih objekata ili za opise primjenjive na individualne objekte ili opise. Jedan generički čvor može biti više ili manje specifičan od drugog generičkog čvora iskazujući time mrežnu strukturu semantičkih mreža. Individualni čvorovi teže istoj razini specifičnosti. Početno se stručnjaku za formalizaciju znanja nude relacije između generičkih čvorova sa semantičkim primitivima: je(st) (is_a), podklasa_od (<subc> - eng. subclass) i vrsta_od (<a_kind_of>), a za relaciju između generičkog i individualnog čvora semantički primitiv primjerak_od (<inst> - eng. instance). Relacija dio_od (<part_of>) iskazuje odnos pripadanja određenog objekta kao dijela nekog drugog objekta. U formalizaciji znanja i unošenju objekata semantičke mreže u bazu znanja dozvoljavaju se i sve ostale vrste veza koje stručnjak znanja može sam i po volji definirati. Pretpostavimo da želimo prikazati činjenicu Viktor je pingvin pomoću semantičke mreže. Uradit ćemo to kreiranjem dva čvora koje ćemo označiti sa VIKTOR i PINGVIN, i spojit ćemo ih vezom koju ćemo označiti s primjerak_od (vidi sliku 12.7.).

Viktor Pingvin

Primjerak od

Slika 12.7. Jednostavna semantička mreža sa dva čvora

Veza primjerak_od prikazuje činjenicu da je element problemskog područja iz čijeg čvora strelica izlazi, primjerak (eng. instance) elementa u čiji čvor strelica ulazi. Dakle primjerak_od prikazuje odnos pripadanja individue Viktora skupu svih individua (tj. klasi) koji se zovu pingvini. Na sljedećoj slici (slika 12.8.) prikazana su tri čvora znanja i dvije veze, to je dakle semantička mreža u kojoj možemo pogledati odnose čvora – Pingvin, i njegovih neposrednih čvorova koje nazivamo nadčvor – čvor roditelj – Ptica i podčvor – čvor dijete – Viktor.

Viktor Pingvin

Primjerak od

Ptica

Vrsta od

Slika 12.8. Semantička mreža sa tri čvora i dvije veze Temeljem odnosa iskazanih ovom semantičkom mrežom moguće je napisati sljedeće iskaze:

­ Pingvin je vrsta ptice. ­ Viktor je primjerak pingvina. ­ Viktor je vrsta ptice.

Posljednji iskaz se dobiva temeljem nasljeđivanja svojstava čvora Viktor od njegovog nadčvora Pingvin.

SVOJSTVA I OKVIRI

Relacije između nadčvora, čvora i podčvora izražava taksonomijsku klasifikaciju znanja. Međutim, ako uz to moramo iskazati i znanje o svojstvima objekata u danom područnom znanju tada se moraju dodavati novi čvorovi i njima pridruživati relacije sa značenjem svojstva. Primijenili smo zato shemu Minsky-og (Touretzky, 1992) u kojoj je znanje enkodirano u paketima, tzv. okvirima, koji su ukomponirani u mrežu s mogućnosti pretraživanja. Sve skupa se zato naziva sustav temeljen na okvirima. Okvir se obično pridružuje objektu, pa u semantičkoj mreži postoji naziv objekta. Objekt ima proizvoljni broj "otvora" (eng. slot), pomoću kojih mu se dojavljuju atributi <slot> i pripadne im vrijednosti <filler>. Uvodeći ovakvu strukturu u semantičku mrežu unaprijeđena je mogućnost prikaza znanja i iskazivanja eksplicitnih i implicitnih tvrdnji u kojima sudjeluju objekti znanja. Ovakve sustave s okvirima Cherniak i McDermot (1985) nazivaju "slot-and-filler", tj. atributno vrijednosni prikaz znanja. Za primjer sa slike 12.8. uvode se za objekte – čvorove Pingvin i Ptica atributi s njima pripadnim vrijednostima (što je prikazano na slici 12.9.): ­ Temeljna značajka (atribut) – Ne može letjeti (vrijednost atributa) za čvor Pingvin, i ­ Temeljna značajka (atribut) – Mogu letjeti (vrijednost atributa) za čvor Ptica.

Viktor

Primjerak od Vrsta od

Temeljna

znaĉajka

Pingvin

Slot

Ne može letjeti

Ptica

Slot

Mogu letjeti

Slika 12.9. Semantička mreža s okvirima

Ovo dalje omogućava da napišemo iskaze u prirodnom jeziku: ­ Temeljna značajka ptica je da mogu letjeti. ­ Temeljna značajka pingvina je da ne može letjeti. Uspostavljajući mehanizam zaključivanja koji slijedi iz nasljeđivanja svojstava za čvor Viktor koji je vrsta Pingvina, slijedi da Viktor ne leti.

MULTIMEDIJA I HIPERTEKST

Objekti u bazi znanja pored naziva i veza prema ostalim objektima mogu imati i jedan od strukturnih atributa i to: tekstualni opis, identifikacijski simbol (eng. icon), sliku i animaciju (pokretnu sliku i zvuk) kao i URL adresu.

Viktor

Primjerak od Vrsta od

Temeljna znaĉajka

Pingvin

Slot

Ne može letjeti

Ptica

Slot

Mogu letjeti

Slika.jpg

Slika 12.10. Semantička mreža s okvirima i strukturnim atributom tipa slika

SPECIFIKACIJA SUDIONIKA I FUNKCIONALNOSTI

Model TEx-Sys ima sljedeće sudionike: učenika radi stjecanja znanja i vještina u po volji odabranom područnom znanju, stručnjaka područnog znanja koji oblikuje bazu znanja,

učitelja koji koristi bazu znanja za didaktičko oblikovanje nastavnih sadržaja (courseware područnog znanja) i administratora koji motri sustav (sudionike i način korištenja). Sudionici sustava raspolažu s glavnim funkcionalnostima: oblikovanje baze znanja, oblikovanje nastavnih sadržaja, učenje, poučavanje i testiranje znanja te motrenje i nadzor. Taksativno će se navesti funkcionalnosti sustava koje stoje na raspolaganje sudionicima, a posebno je u tablici 12.1. usporedni pregled: sudionika sustava, funkcionalnosti sustava i nazivi programskih modula koji realiziraju funkcionalnosti u sustavima razvijenim po modelu TEx-Sys. Programski moduli će po ovim nazivima biti prikazani u odjeljku Arhitektura sustava implementiranih po modelu TEx-Sys. Pogledajmo sada pregled sudionika i njihovih funkcionalnosti. Učenik ­ Vrši prijavu na sustav, ­ Odabire područno znanje ­ Započinje ili nastavlja učenje i poučavanje ­ Obavlja uvid u učinak svojeg rada (pregled «zapisa učenika» - student record) ­ Obavlja testiranje znanja (prekrivanje, kviz, zadaci objektivnog tipa). ­ Aktivira proceduru ocjenjivanja ­ U sinkronom ili asinkronom modu komunicira s ostalim učenicima,

učiteljem/učiteljima ili stručnjakom/stručnjacima za područna znanja. Učitelj ­ Vrši prijavu na sustav ­ Pregledava liste učenika, ­ Organizira studijske grupe učenika ­ Organizira i didaktički oblikuju nastavne sadržaje po područnim znanjima, po

grupama učenika i u slučaju potrebe po učenicima pojedinačno. ­ Pregledava naslove nastavnih sadržaja koje je učenik koristio ­ Pregledava rezultate kao i ocjene koje je učenik postigao i to organizirane po

područnim znanjima i nastavnim grupama. ­ U sinkronom ili asinkronom modu komunicira s učenikom/učenicima, ostalim

učiteljima ili stručnjakom/stručnjacima za područna znanja. Stručnjak za područno znanje ­ Vrši prijavu na sustav ­ Pregledava listu razvijenih baza područnog znanja ­ Gradi bazu znanja iz svoje domene ­ Surađuje s učiteljima ­ Po potrebi surađuje s grupama učenika ili s pojedinim učenikom. ­ U sinkronom ili asinkronom modu komunicira s učenikom/učenicima,

učiteljem/učiteljima ili ostalim stručnjacima za područna znanja. Administrator sustava ­ Vrši prijavu na sustav ­ Pregledava liste učenika, učitelja i stručnjaka za područna znanja ­ Pregledava grupa učenika ­ Pregledava i uređenje grupe učitelja ­ Uređenje liste stručnjaka za područna znanja ­ Nadzor na sustavu u pogledu sistemske programske podrške i tehničke podrške. ­ U sinkronom ili asinkronom modu komuniciraju s učenikom/učenicima,

učiteljem/učiteljima ili stručnjakom/stručnjacima

Tablica

12.1. Razlikovna tablica sudionika i funkcionalnosti sustava temeljenih na modelu TEx-Sys

Funkcionalnosti On-site TEx-Sys DTEx-Sys xTEx-Sys

Oblikovanje područnog znanja

Da Modul razvoj baze Ne

Da Web usluge stručnjaka

Oblikovanje nastavnih sadržaja

Ne Ne Da

Web usluge učitelja

Učenje i poučavanje učenika

Da Modul učenje i

poučavanje

Da Modul učenje i poučavanje

Da Web usluge učenika

Testiranje i vrednovanje znanja

Da Modul testiranje i

vrednovanje Modul kviz

Da Modul kviz

Da Web usluge učenika

Motrenje i nadzor Ne Da Da

Web usluge administratora

Sudionici Učenik, učitelj Učenik, učitelj, administrator

Učenik, stručnjak, učitelj, administrator

Ovom tablicom prikazane su globalne funkcionalnosti u sustavima izvedenim po modelu TEx-Sys. Funkcionalnosti su najbrojnije u sustavu xTEx-Sys do kojih se došlo postupnim razvojem modela TEx-Sys. Postupni razvoj ostvaren je od implementacije on-site sustava TEx-Sys preko sustava DTEx-Sys do xTEx-Sys sustava. Prikaz svih funkcionalnosti implementiranih u sustavu xTEx-Sys je u Tablici 12.2.

Tablica 12.2. Sudionici i slučajevi korištenja u sustavu xTEx-Sys

Redni broj

Slučaj korištenja Učenik Učitelj Stručnjak za

područno znanje

Administrator sustava

1. Učenje i poučavanje nastavnog sadržaja

+

2. Testiranje znanja iz kolegija – Kviz

+

3. Testiranje znanja iz kolegija - Metoda prekrivanja

+

4. Oblikovanje znanja +

5. Oblikovanje nastavnog sadržaja

+

6. Prijava na sustav + + + +

7. Unos sudionika +

8. Prikaz sudionika + +

9. Promjena sudionika +

10. Unos grupe sudionika +

11. Prikaz grupe sudionika + +

12. Promjena grupe sudionika +

13. Pridruživanje sudionika grupi sudionika

+ +

14. Pridruživanje učitelja (grupa, pojedinac)

+

15. Pridruživanje kolegija (grupa, pojedinac)

+ +

16. Suradnja sudionika + + + +

17. Nadzor sustava +

OBLIKOVANJE PODRUČNOG ZNANJA

Okruženje za oblikovanje područnog znanja predstavlja ontologiju kao dogovorenu specifikaciju koncepata tj. formalizam za prikaz znanja pomoću semantičkih mreža s okvirima. Globalna razina znanja iskazana je s nazivom područja, svako područje ima podpodručja, a podpodručja su grupirana u elementarne objekte znanja zastupljene sa čvorovima znanja kao i pripadnim vezama u semantičkoj mreži, što je specificirano Ontologijom 12.1.

Ontologija 12.1: Oblikovanje područnog znanja ­ Područje znanja – prva razina znanja ­ Podpodručje znanja – druga razina znanja ­ Objekt – čvor znanja – treća razina znanja

Naziv čvora znanja ­ Čvor, Čvor1, Čvor2… Strukturni atribut čvora znanja ­ Vrsta 1 – tekstualni opis čvora znanja ­ Vrsta 2 – multimedijski opis čvora znanja (slika, prezentacija, animacija, zvuk) ­ Vrsta 3 – URL adresa VEZA MEĐU OBJEKTIMA - ČVOROVIMA ZNANJA Okvir čvora znanja ­ Atribut – Slot – čvor znanja ­ Vrijednost atributa – Filler – čvor znanja Naziv veze (inicijalni skup veza) ­ JE(ST) ­ KLASA_OD ­ VRSTA_OD ­ PRIMJERAK_OD ­ DIO_OD Sudionici veze: ­ Nadčvor iz skupa čvorova znanja ­ Podčvor iz skupa čvorova znanja Vrste veza: ­ Neposredna – izravna (čvor roditelj i čvor dijete su povezani neposredno – izravno) ­ Posredna – preko trećeg čvora znanja (čvor roditelj i čvor dijete su povezani posredno) Nasljeđivanje svojstava ­ Veza nasljeđuje svojstva ­ Veza ne nasljeđuje svojstva

Odabrano je znanje iz područja Računarstva te podpodručja Računalo kao sustav s pripadajućim čvorovima znanja i vezama među njima. Temeljem Ontologije 12.1. znanje je raščlanjeno, a fragment znanja je prikazan u Tablici 12.3. i pomoću formalizma semantičkih mreža na slici 12.11. Ovaj primjer će se voditi u odjeljcima ovog poglavlja tijekom opisa strukture i funkcionalnosti u implementiranim inačicama modela TEx-Sys. Tablica 12.3. Primjer raščlane znanje iz područja Računarstvo Razina znanja Element strukture znanja Primjer - Sadržaja elementa

Prva Područje Računarstvo

Druga Podpodručje Računalo kao sustav

Treća Objekt /objekti znanja

Sustav tehničke podrške (hardware) Ulazne jedinice Centralna jedinica Izlazne jedinice Sustav programske podrške (software) Centralna procesorska jedinica Memorija Radna memorija Ploter Monitor Štampač Računalni sustav Računalo

Sustav tehničke podrške

(hardware)

Izlazne jedinice

Temeljna funkcijaPriopćavanje i zapis

obrađenih podataka

Dio od

Centralna jedinica

Ulazne jedinice

Dio od

Dio od

Monitor

Ploter

Štampač

Vrsta od

Vrsta od

Vrsta odSlot

cjedinica.jpg

monitor.jpg

stampac.jpg

Slika 12.11. Semantička mreža za podpodručje Računalo kao sustav

Raščlana znanja sa Tablice 12.3. kao i semantička mreža za taj fragment znanja (slika 12.11.) omogućava da fragment znanja opišemo nizom iskaza zapisanih u prirodnom jeziku. Fragment znanja se odnosi na opis izlaznih jedinica kao dijela sustava tehničke podrške računala. Uključeni okvir prikazuje temeljnu funkciju izlaznih jedinica. Prikazane su i vrste izlaznih jedinica kao i odnos sustava tehničke podrške i centralne jedinice sustava računala. Opisi su prošireni i odgovarajućim slikovnim opisima. Promatrani fragment znanja moguće je sada opisati nizom iskaza zapisanih prirodnim jezikom: ­ Centralna jedinica je dio sustava tehničke podrške (hardware) ­ Ulazne jedinice su dio sustava tehničke podrške (hardware) ­ Izlazne jedinice su dio sustava tehničke podrške (hardware) ­ Monitor je vrsta izlazne jedinice. ­ Ploter je vrsta izlazne jedinice. ­ Štampač je vrsta izlazne jedinice. ­ Temeljna funkcija izlazne jedinice je priopćavanje i zapis obrađenih podataka. ­ Monitor je dio sustava tehničke podrške (hardware). ­ Ploter je dio sustava tehničke podrške (hardware). ­ Štampač je dio sustava tehničke podrške (hardware).

XTEX-SYS OKRUŽENJE ZA OBLIKOVANJE PODRUČNOG ZNANJA

Početna forma nakon prijave na sustav nudi sudioniku stručnjaku dvije opcije: suradnju sudionika i oblikovanje znanja. Suradnja sudionika omogućava komunikaciju sa svim sudionicima prijavljenim na sustav, dok je oblikovanje znanja opcija koja vodi u proces izgradnje ili promjene baze područnog znanja. Dodavanje novog područja ili podpodručja kao i izbor postojećeg područja ili podpodručja omogućena je uz pomoć forme na slici 12.12.

Slika 12.12. Forma s izbornikom za rad stručnjaka

Pri dodavanju novog područja ili podpodručja stručnjak koristi formu na slici 12.13. Obavezno polje je naziv područja/podpodručja, dok je poželjno područje/podpodručje tekstom ukratko i opisati.

Slika 12.13. Forma za dodavanje novog ili izbor postojećeg područja i podpodručja

Slika 12.14. Forma za dodavanje novog područja i podpodručja

Radi daljnje analize okruženja za rad stručnjaka odabrano je za prikaz oblikovanje znanja u području Računarstvo i podpodručju Računalo kao sustav, što je zapravo već spomenuti fragment znanja iz Tablice 12.3. Ako se aktivira opcija Oblikuj podpodručje ulazi se u proces oblikovanja baze područnog znanja koji započinje formom prikazanom na slici 12.15. Odabirom opcije Izvještaj dobiva se izvještaj na papiru sa prikazom strukture oblikovane baze područnog znanja (vidi Prilog 12.1.).

Slika 12.15. Forma za izbor postojećeg područja i podpodručja U formi na slici 12.16. fokus prikaza je orijentiran na čvor znanja Centralna jedinica. S tim u vezi će se pogledati njegovo strukturno okruženje, tj. sve ono što se odnosi na promatrani čvor pa zato opis i započinje s gornjim desnim dijelom forme gdje su redom opcije: Info, Okviri, Atributi i Povezanost. Očito da tekst koji se vidi u podformi jasno ukazuje na sadržaj opcije Info. Tu se stručnjaku omogućava opis objekta – čvora znanja tekstom koji nije formaliziran već je iskazan prirodnim jezikom.

Slika 12.16. Forma za prikaz čvora znanja Centralna jedinica Aktiviranjem opcije Okviri mijenja se desni dio forme i sada izgleda kao na slici 12.17., gdje se vide sadržaji za čvorove (slot – atribut, filler – vrijednost atributa) što formiraju okvir promatranog čvora znanja Centralna jedinica.

Slika 12.17. Okvir za čvor znanja Centralna jedinica Aktiviranjem opcije Atributi dobiva se forma kao na slici 12.18. Tri su strukturna atributa pridružena čvoru znanja Centralna jedinica. Svaki od strukturnih atributa nazivom upućuje na sadržaj, a ima i svoj opis kao i naznaku formata u kojem je zapisan.

Slika 12.18. Strukturni atributi za čvor znanja Centralna jedinica Aktiviranjem opcije Povezanost dobiva se prikaz kao na slici 12.19. Prikazani su čvorovi roditelji i čvorovi djeca za promatrani čvor znanja Centralna jedinica. Osim toga primijetimo i mogućnost za pogled na grafički prikaz povezanosti čvora znanja Algoritam sa njegovim čvorovima što je na slici 12.20., dobiva se aktiviranjem opcije Grafički prikaz. Grafički prikaz odnosa čvorova znanja doprinosi izražajnijem prikazu znanja te omogućava učitelju kvalitetnije oblikovanje nastavnih sadržaja, a učeniku zorni prikaz odnosa koncepata znanja i relacija među njima. Sada je za promatrani primjer jasno da Centralna jedinica ima svoj nadčvor tj. pojam ili koncept Sustav tehničke podrške (hardware), dok su njegovi podčvorovi Memorija i Računalo.

Slika 12.19. Povezanost čvora znanja sa čvorovima tipa roditelj i dijete

Slika 12.20. Grafički prikaz povezanosti čvora znanja sa čvorovima tipa roditelj i dijete U nastavku je opis orijentiran na lijevi dio forme za rad stručnjaka. Na slici 12.21., je forma za unos novog čvora znanja. Naziv čvora znanja je obavezno polje, dok je poželjno odmah po unosu čvora znanja unijeti i njegov tekstualni opis. Unos čvora se potvrđuje aktiviranjem opcije Prihvati.

Slika 12.21. Unos čvora znanja Unos Slota i Fillera kao čvorova semantičke mreže koji sudjeluju u izgradnji Okvira čvora znanja su prikazani na slikama 12.22. i 12.23.

Slika 12.22. Unos Slot-a

Slika 12.23. Unos Filler-a Slika 12.24. prikazuje formu koja omogućava unos naziva veze među čvorovima te unos svojstva nasljeđivanja veze.

Slika 12.24. Unos veze i svojstva nasljeđivanja veze Prikazane su forme za izgradnju baza znanja, kao i primjer iz područja računarstva što predstavlja okruženje za rad stručnjaka u sustavu xTEx-Sys. Osim toga, prikazan je i proces nastajanja baze znanja pomoću razvijenih formi sučelja stručnjaka u sustavu xTEx-Sys. Izgrađena baza područnog znanja je ulazna komponenta procesa oblikovanja nastavnog sadržaja što je predmet razmatranja u sljedećem odjeljku.

OBLIKOVANJE NASTAVNOG SADRŽAJA

Oblikovanje nastavnog sadržaja provodi učitelj u specijaliziranom okruženju uz primjenu posebno razvijene ontologije. Definirani su i predlošci za oblikovanje nastavnih sadržaja ontološki usuglašeni sa SCORM referentnim modelom. Osim toga, u postupku oblikovanja nastavnog sadržaja učitelj određuje mjesta na koja će ugnijezditi test znanja. To je slobodna volja učitelja, da odabere ili razinu ili skup elemenata nastavnog sadržaja kojima će pridružiti test znanja. U posebnom odjeljku se razmatra testiranje i vrednovanje znanja učenika, dok se ovdje analizira dio povezan za određivanjem mjesta na koja će se ugnijezditi test znanja što tada daje potpunu sliku na pristup oblikovanja nastavnih sadržaja. Navodimo temeljnu raščlanu testova znanja primijenjenu u modelu TEx-Sys: ­ Prekrivanje znanja učenika sa znanjem stručnjaka (eng. overlay model – Carr,

Goldstein, 1977) što je implementirano u on-site izvedbi sustava TEx-Sys (Stankov, 1997).

­ Kviz znanja u inačici xTEx-Sys omogućava učitelju da definira fragment znanja, tj. izabere elemente područnog znanja koji će mu biti pridruženi. Posebni algoritam utvrđuje izvedivost kviza znanja što predstavlja preporuku učitelju pri utvrđivanju mjesta i uvjeta za izvođenje kviza znanja.

­ Zadaci objektivnog tipa (ZOT) koji se tretiraju kao tradicionalni način testiranja i vrednovanja znanja. Testiranja i vrednovanja znanja pomoću ZOT-a omogućava oblikovanje pitanja otvorenog ili zatvorenog tipa koje oblikuje učitelj temeljem ponuđenih predložaka osloncem na izabrani skup elemenata područnog znanja. Elementi za testiranje i vrednovanje znanja učenika mogu se pridružiti svakom elementu nastavnog sadržaja osim nastavnom pojmu.

Kviz znanja i zadaci objektivnog tipa zbog svoje izravne povezanosti sa oblikovanjem nastavnog sadržaja će se jednim dijelom analizirati u ovom odjeljku, a detaljno u odjeljku Testiranje i vrednovanje znanja učenika. Naime, testiranje i vrednovanje znanja su funkcionalnosti modela TEx-Sys povezane sa dva sudionika - učitelj i učenik. S tim u vezi su i formirana dva pogleda za navedene funkcionalnosti: pogled učitelja i pogled učenika. Pogled učitelja. Učitelj nakon provedenog postupka oblikovanja nastavnog sadržaja u njegovoj strukturi određuje elemente kojima pridružuje kviz znanja ili zadatke objektivnog tipa kao seriju pitanja na koje će učenik odgovarati, a time ući i u proces vrednovanja znanja. Pogled učenika. Učenik nakon izbora područnog znanja pristupa procesu testiranja znanja, a naravno bira i način na koje će provesti ovo testiranje. U ovom odjeljku prezentiramo pogled učitelja na oba načina vrednovanja, jer je ono u domeni učitelja i odvija se u vremenu oblikovanja nastavnih sadržaja, dok će se u odjeljku Testiranje i vrednovanje znanja učenika analizirati pogled učenika na testiranje znanja učenika s navedenim načinima testiranja znanja. Nadalje, u ovom odjeljku se: definira ontologija za oblikovanje nastavnih sadržaja, prikazuju predlošci za oblikovanje nastavnih sadržaja u sustavu xTEx-Sys, analizira pogled učitelja na kviz znanja i zadatke objektivnog tipa, prikazuje ontologije za oblikovanje kviza znanja i ontologija za

oblikovanje zadataka objektivnog tipa, te prikazuju forme za oblikovanje nastavnih sadržaja. Oblikovanje nastavnog sadržaja na najvišoj razini provodi se za grupu učenika – nastavnu grupu, a grupa dalje sadrži kolegij ili niz kolegija, a kolegij je strukturiran u obliku courseware-a. Usuglašavajući pristup u modelu TEx-Sys te njegovoj inačici xTEx-Sys sa SCORM referentnim modelom ističemo da SCO (Shareable Content Object) kao temeljni te djeljivi objekt nastavnog sadržaja može biti svaki od elemenata nastavnog sadržaja, a to znači nastavna cjelina, nastavna tema, nastavna jedinica i nastavni pojam te konačno i element za ocjenjivanje znanja. Međutim, agregacija može biti nastavna cjelina, nastavna tema i nastavna jedinica. Spomenuta ekvivalencija je uočljiva u predlošcima stvorenim za ovo specifično okruženje.

Svaka agregacija ima samo naziv, a SCO osim svog naziva ima i dodatke (eng. asset) koji su u ovom slučaju čvorovi područnog znanja (vidi sliku 12.25.). Svaki element nastavnog sadržaja, osim nastavnog pojma, kao SCO može imati proizvoljan broj dodataka (čvorova područnog znanja), dok nastavni pojam kao SCO može imati samo jedan dodatak (čvor područnog znanja). Dodaci SCO-a (čvorovi područnog znanja) imaju i svoje dodatke koji su u stvari strukturni atributi određenih čvorova znanja: tekstualni opis, slikovni zapis (u raznim formatima), prezentacija, animirani zapis sa slikom i zvukom (u raznim formatima), zvukovni zapis, URL adresa.

ONTOLOGIJE ZA OBLIKOVANJE NASTAVNOG SADRŽAJA

Oblikovanje nastavnog sadržaja oslanja se na ontologiju za oblikovanje područnog znanja, a provodi se uz pomoć ontologije definirane sljedećim konceptima:

Slika 12.25. Odnos elemenata strukture područnog znanja i nastavnog sadržaja u sustavu xTEx-Sys

Ontologija 12.2: Oblikovanje nastavnog sadržaja ­ Ontologija 12.1. - Oblikovanje područnog znanja ­ Grupa/pojedinac – učenik pojedinac ili u grupi pristupa sustavu xTEx-Sys radi učenja, poučavanja i

testiranja područnog znanja. ­ Kolegij – (nastavni predmet) može biti dodijeljen grupi ili pojedincu. Kolegij je sadržajno strukturiran

uz pomoć: ­ Didaktička načela za organizaciju nastavnog sadržaja kolegija:

­ Nastavna cjelina – raščlamba na najvišoj razini (razina kolegija) ­ Nastavna tema – svaka nastavna cjelina ima više nastavnih tema ­ Nastavna jedinica – svaka nastavna tema ima više nastavnih jedinica ­ Nastavni pojam – svaka nastavna jedinica ima više nastavnih pojmova

­ SCORM referentni modela prilagođen za primjenu u sustavu xTEx-Sys, koji nastavni sadržaj organizira uz pomoć: ­ Korijenske agregacije – raščlana nastavnog sadržaja na najvišoj razini (razina kolegija) ­ Agregacije (raščlana nastavnog sadržaja kolegija na nižim razinama) ­ SCO-a kao djeljivog objekta nastavnog sadržaja (razina nastavnog sadržaja koji se dalje ne

može raščlaniti) organiziran pomoću čvorova znanja semantičke mreže i strukturnih atributa, što i predstavlja modifikaciju izvornog SCORM referentnog modela i prilagodbu na izvorni pristup u modelu TEx-Sys.

­ Dodatak ili svojina (eng. asset) čvora znanja. ­ Ugniježđeni testovi znanja u strukturi nastavnih sadržaja

­ Ontologija 12.4. kviz znanja (dinamički način testiranja) ­ Ontologija 12.6. zadaci objektivnog tipa (statički način testiranja)

Slika 12.26. prikazuje usporedbu elemenata strukture nastavnog sadržaja u sustavu xTEx-Sys i SCORM referentnom modelu. Oznake elemenata strukture u sustavu xTEx-Syx usuglašene su sa SCORM referentnim modelom kako je to prikazano u Tablici 12.4.

Tablica 12.4. Oznake elemenata strukture nastavnog sadržaja

Oznaka Značenje

Kolegij – korijenska agregacija

Agregacija – element nastavnog sadržaja

SCO

SCO kviz

Čvor znanja

Pitanje (element kviza)

Slika 12.26. Elementi strukture nastavnog sadržaja u sustavu xTEx-Sys i SCORM referentnom modelu

Struktura nastavnog sadržaja SCORM norma

Kolegij Root Aggregation

Nastavna cjelina Nastavna cjelina Aggregation SCO

Nastavna tema Nastavna tema Aggregation SCO

Nastavna jedinica Nastavna jedinica Aggregation SCO

Nastavni pojam SCO

Test SCO

Struktura znanja

Čvor znanja Asset

Strukturni atribut Asset

Pitanje Asset

Elementi pitanja Asset

Korijenska agregacija iz SCORM referentnog modela u sustavu xTEx-Sys odgovara kolegiju. Dok agregacija i SCO iz SCORM referentnog modela može biti pridružena svakom elementu strukture nastavnog sadržaja (slika 12.26.). Slika 12.27. prikazuje razliku u prikazu znanja između modela TEx-Sys i SCORM CAM (Content Agregation Model) (SCORM CAM, 2004) modela za prikaz znanja. Očito je da je znanje u modelu TEx-Sys utemeljeno na objektima znanja (čvorovi semantičke mreže) dok je kod SCORM-a znanje utemeljeno na dokumentima kao objektima znanja. Ovim pristupom učenik učenje, poučavanje kao i testiranja znanje doživljava na najnižoj razini, razini elemenata - granula znanja gdje je na najbolji način ostvarena pretpostavka učenja u konstruktivističkom okruženju.

Slika 12.27. Razlika između modela TEx-Sys i SCORM CAM (content aggregation model) Osim navedenog, ovim pristupom je učitelju osmišljena fleksibilna platforma za oblikovanje nastavnih sadržaja. Platforma u suštini predstavlja skup od četiri predloška za oblikovanje nastavnih sadržaja, o čemu se raspravlja u sljedećem odjeljku. U svim predlošcima (koji će se u nastavku analizirati) sudjeluje i SCO kao test znanja za odabrane elemente područnog znanja.

PREDLOŠCI ZA OBLIKOVANJE NASTAVNOG SADRŽAJA U SUSTAVU XTEX-SYS

Izvedene su četiri vrste predložaka za oblikovanje nastavnih sadržaja koji su označeni s predložak broj 1., broj 2., broj 3. i broj 4. Struktura nastavnog sadržaja izražena je sa nastavnim cjelinama, temama, jedinicama i pojmovima kao elementima strukture, a svaki može biti ili agregacija ili SCO. U ovome jedino nastavni pojam ne može biti agregacija, jer se time izražava najniža razina raščlane nastavnog sadržaja. U suštini nastavni pojam je dalje nedjeljiv te zato ima jedino smisao SCO-a. Nastavni pojam sadržajno odgovara čvoru znanja semantičke mreže. Nastavni pojam ima svoje dodatke (eng. assets) koji služe za opis strukture čvora znanja pa se zato nazivaju strukturni atributi (po volji odabrana multimedijska ili tekstualna datoteka). Slijede definicije i prikazi predložaka s navodima specifičnosti svakog od njih, a također je prikazana usporedna tablica strukture nastavnog sadržaja modela TEx-Sys (implementirano u inačici xTEx-Sys) i SCORM referentnog modela.

Predložak broj 1. Raščlanu nastavnog sadržaja moguće je obaviti do razine nastavnog pojma. SCO je na razini nastavnog pojma. Nastavni pojam odgovara čvoru znanja u bazi područnog znanja zajedno sa svim pridruženim strukturnim atributima.

Struktura nastavnog sadržaja SCORM norma

Kolegij Root Aggregation

Nastavna cjelina Aggregation

Nastavna tema Aggregation

Nastavna jedinica Aggregation

Nastavni pojam SCO

Test SCO

Struktura znanja Struktura znanja

Čvor znanja Asset

Strukturni atribut Asset

Pitanje Asset

Element pitanja Asset

Slika 12.28. Predložak broj 1. za oblikovanje nastavnog sadržaja

Kolegij

Nastavna

cjelina nTest n

Nastavna

cjelina 1

Nastavna

tema 2

Nastavna

tema n

Nastavna

tema 1Test 3

Test 2Nastavna

jedinica 2

Nastavna

jedinica n

Nastavna

jedinica 1

Nastavni

pojam nTest 1

Nastavni

pojam 1

Ĉvor znanja 1 Ĉvor znanja n

Strukturni

atribut 1

Strukturni

atribut 2

Strukturni

atribut 1

Strukturni

atribut 2

Strukturni

atribut n

Strukturni

atribut n

Pitanje 1

Pitanje 2

Element

pitanja 1

Element

pitanja 2

Element

pitanja 3

Pitanje n

Slika 12.29. Organizacija nastavnog sadržaja po predlošku broj 1.

Predložak broj 2.: SCO je na razini nastavne jedinice. Raščlana nastavnog sadržaja odvija se do razine nastavnih jedinica.

Struktura nastavnog sadržaja SCORM norma

Kolegij Root Aggregation

Nastavna cjelina Aggregation

Nastavna tema Aggregation

Nastavna jedinica SCO

Test SCO

Struktura znanja Struktura znanja

Čvor znanja Asset

Strukturni atribut Asset

Pitanje Asset

Elementi pitanja Asset

Kolegij

Nastavna

cjelina nTest n

Nastavna

cjelina 1

Nastavna

tema 2

Nastavna

tema 1

Test 2Nastavna

tema n

Nastavna

jedinica 2

Nastavna

jedinica 1Test 1

Ĉvor znanja 1 Ĉvor znanja 1

Strukturni

atribut 1

Strukturni

atribut 2

Strukturni

atribut 1

Strukturni

atribut 2

Strukturni

atribut n

Strukturni

atribut n

Pitanje 1

Pitanje 2

Element

pitanja 1

Element

pitanja 2

Element

pitanja 3

Pitanje n

Ĉvor znanja 2

Ĉvor znanja n

Ĉvor znanja 2

Ĉvor znanja n

Na najnižoj razini je nastavna jedinica kao kolekcija većeg broja nastavnih pojmova tj. čvorova znanja u bazi područnog znanja.

Slika 12.30. Predložak broj 2. za oblikovanje nastavnog sadržaja

Slika 12.31. Organizacija nastavnog sadržaja po predlošku broj 2.

Predložak broj 3.: SCO je na razini nastavne teme. Raščlana nastavnog sadržaja odvija se do razine nastavne teme.

Struktura nastavnog sadržaja SCORM norma

Kolegij Root Aggregation

Nastavna cjelina Aggregation

Nastavna tema SCO

Test SCO

Struktura znanja Struktura znanja

Čvor znanja Asset

Strukturni atribut Asset

Pitanje Asset

Elementi pitanja Asset

Kolegij

Nastavna

cjelina nTest n

Nastavna

cjelina 1

Nastavna

tema 2

Nastavna

tema 1Test 1

Ĉvor znanja 1 Ĉvor znanja 1

Strukturni

atribut 1

Strukturni

atribut 2

Strukturni

atribut 1

Strukturni

atribut 2

Strukturni

atribut n

Strukturni

atribut n

Pitanje 1

Pitanje 2

Element

pitanja 1

Element

pitanja 2

Element

pitanja 3

Pitanje n

Ĉvor znanja 2

Ĉvor znanja n

Ĉvor znanja 2

Ĉvor znanja n

Nastavna

cjelina 2

Na najnižoj razini je nastavna tema kao kolekcija većeg broja nastavnih jedinica tj. čvorova znanja u bazi područnog znanja.

Slika 12.32. Predložak broj 3. za oblikovanje nastavnog sadržaja

Slika 12.33. Organizacija nastavnog sadržaja po predlošku broj 3.

Predložak broj 4.: Predložak broj 4. je tzv. mješoviti predložak za oblikovanje nastavnog sadržaja, što znači da se svaka nastavna cjelina može slobodno oblikovati tj. provoditi njena raščlana na različitim razinama njegove strukture. S tim u vezi SCO može biti ili nastavni pojam ili nastavna jedinica ili nastavna tema ili nastavna cjelina

Struktura nastavnog sadržaja SCORM norma

Kolegij Root Aggregation

Nastavna cjelina Nastavna cjelina Aggregation SCO

Nastavna tema Nastavna tema Aggregation SCO

Nastavna jedinica Nastavna jedinica Aggregation SCO

Nastavni pojam SCO

Test SCO

Struktura znanja Struktura znanja

Čvor znanja Asset

Strukturni atribut Asset

Pitanje Asset

Elementi pitanja Asset

Slika 12.34. Predložak broj 4. za oblikovanje nastavnog sadržaja

Slika 12.35. Organizacija nastavnog sadržaja po predlošku broj 4.

Kolegij

Nastavna

cjelina nTest n

Nastavna

cjelina 1

Nastavna

tema 2

Nastavna

tema 1

Ĉvor znanja 1

Test 3

Nastavna

jedinica 2Test 2

Nastavna

jedinica 1

Test 1Nastavni

pojam 1

Ĉvor znanja 1

Strukturni

atribut 1

Strukturni

atribut 2

Strukturni

atribut n

Pitanje 1

Pitanje 2

Element

pitanja 1

Element

pitanja 2

Element

pitanja 3

Pitanje n

Ĉvor znanja n

Ĉvor znanja 1

Ĉvor znanja n

POGLED UČITELJA NA KVIZ ZNANJA

Učitelj nakon provedenog postupka oblikovanja nastavnog sadržaja u njegovoj strukturi određuje elemente nastavnog sadržaja kojima pridružuje test znanja pomoću kviza kao seriju pitanja na koje će učenik odgovarati, a time ujedno omogućuje proces testiranja i vrednovanja znanja učenika. Kviz je opisan Ontologijom 12.3., koja predstavlja specifikaciju koncepata za oblikovanje kviza znanja u sustavu xTEx-Sys.

Ontologija 12.3: Oblikovanje kviza znanja

­ Ontologija 12.1. - Oblikovanje područnog znanja ­ Sudionik - učitelj određuje elemente nastavnog sadržaja koje pridružuje kvizu znanja pomoću kviza ­ Kolegij – (nastavni predmet) može biti dodijeljen grupi ili pojedincu. Kolegij je sadržajno strukturiran

pomoću Ontologije 12.2. ­ Elementi nastavnog sadržaja koji se pridružuju kvizu kviza ­ Algoritam izvedivosti kviza znanja ­ Kviz znanja sa konceptima:

­ Težinske kategorije pitanja ­ Opis pitanja ­ Pitanje ­ Odgovor

Kviz je implementacija testa gdje se učeniku distribuira skup pitanja uz pridružene ponuđene odgovore koji u načelu mogu biti točni ili netočni. Test se rješava obilježavanjem odgovora za koje učenik smatra da su točni. Kod takvih kvizova za svako pitanje mogu biti svi ponuđeni odgovori točni, može biti nekoliko točnih odgovora, može biti samo jedan točan odgovor ali mogu i svi ponuđeni odgovori biti netočni. Hipermedijski pristup u izgradnji baze znanja daje nam mogućnost da pitanja u kvizu popratimo i određenim multimedijskim strukturnim atributima, da bi učeniku pomogli pri rješavanju problema. Nakon rješavanja kviza ocjenjuju se odgovori učenika i po potrebi upućuje prema pojmovima područnog znanja za koje se utvrdilo da nisu dobro obrađena. U sustavu xTEx-Sys je implementiran algoritam koji utvrđuje izvedivost kviza znanja (Žitko, 2005) uzimajući pri tom u obzir ukupan broj čvorova znanja pridružen odabranom elementu strukture nastavnog sadržaja (Slika 12.36.). O rezultatima se obavještava učitelj porukom kviz nije izvediv ili kviz je izvediv.

U slučaju da kviz nije izvediv učitelj mora odabranom elementu strukture nastavnog sadržaja povećati broj čvorova znanja, te zatim ponovno utvrditi izvedivost kviza. Ako je kviz izvediv isti algoritam u nastavku određuje broj serija od dva pitanja koja će učeniku pri testiranju biti postavljena. Algoritam izvedivosti započinje s izborom elementa

Minimalni uvjet za

generiranje pitanja

broj 1.

Minimalni uvjet za

generiranje pitanja

broj 4.

Minimalni uvjet za

generiranje pitanja

broj 5.

Minimalni uvjet za

generiranje pitanja

broj 8.

Minimalni uvjet za

generiranje pitanja

broj 9.

Minimalni uvjet za

generiranje pitanja

broj 12.

Minimalni uvjet za

PRVU težinsku

kategoriju

Minimalni uvjet za

DRUGU težinsku

kategoriju

Minimalni uvjet za

TREĆU težinsku

kategoriju

Minimalni uvjet za

izvoĊenje kviza

... ... ...

or or or or or or

andand and

Slika 12.36. Prikaz algoritma izvedivosti kviza

strukture nastavnog sadržaja kojem će kviz biti pridružen. To može biti kolegij u cijelosti ili nastavna cjelina ili nastavna tema ili nastavna jedinica. Za izabrani element strukture poznat je broj pridruženih čvorova znanja, slotova za promatrane čvorove znanja, strukturni atributi kao i povezanost promatranog čvora s njegovim čvorovima roditeljima i čvorovima djecom. Temeljem navedenog potrebno je da barem jedno pitanje iz svake težinske kategorije (kviz ima tri težinske kategorije i u svakoj četiri pitanja) bude izvedivo. Konačno kviz je izvediv ako je izvedivo po jedno pitanje u svakoj težinskoj kategoriji. Broj serija pitanja u kvizu bit će to veći broj čvorova znanja pridružen elementu strukture nastavnog sadržaja. Maksimalni broj serija je deset što znači dvadeset pitanja.

Algoritam 12.1. Utvrđivanje izvedivosti kviza

­ Izvršiti izbor elementa strukture nastavnog sadržaja (kolegij u cjelini, nastavne cjeline, teme, jedinice) ­ Prvi dio generiranja (određivanje izvedivosti kviza) :

ULAZ: skup čvorova i pripadnih veza u bazi znanja zajedno sa slot/filler čvorovima kao i strukturnim atributima.

OBRADA: odluka o izvedivosti kviza ispitivanjem minimalnih uvjeta odvijanja po tipovima pitanja unutar definiranih težinskih kategorija: Za svaki od 12 tipova pitanja (po četiri pitanja u svakoj težinskoj kategoriji) utvrđuje se

mogućnost generiranja. Kategorija je izvediva ako se barem jedno pitanje u njoj može generirati. Kviz je izvediv ako su sve težinske kategorije izvedive.

IZLAZ: kviz je izvediv DA – prelazi se na drugi dio generiranja kviza NE – prekida se proces generiranja kviza i učitelja izvještava da kviz za izabrani element

strukture nastavnog sadržaja nije izvediv. ­ Drugi dio generiranja (određivanje maksimalnog broja ciklusa pitanja u kvizu)

ULAZ: skup čvorova i pripadnih veza u bazi znanja zajedno sa slot/filler čvorovima kao i strukturnim atributima.

OBRADA: određivanje maksimalnog broja ciklusa pitanja: Za svaki tip pitanja, iz prvog dijela generiranja, se određuje maksimalni broj primjeraka

tog pitanja. Od svih maksimuma uzima se najmanji i njega proglašava ukupnim brojem pitanja koja

se u kvizu mogu postaviti za zadanu strukturu pojmova područnog znanja. IZLAZ: Broj ciklusa pitanja koji je jednak ukupnom broju pitanja podijeljenog s dva.

Ontologija kviza znanja je predstavljena opisom pitanja (objašnjenjem formaliziranog teksta pitanja), tekstom pitanja i predviđenim odgovorima. U svakoj težinskoj kategoriji postoje po četiri pitanja koja se učeniku postavljaju po izboru generatora slučajnih brojeva. Pitanja su orijentirana na ispitivanje: poznavanja čvorova baze znanja, povezanosti čvorova znanja kao i poznavanje vrsta veza, poznavanje strukturnih atributa čvorova znanja te poznavanje strukture okvira (atributa i njihovih vrijednosti) za čvorove znanja.

Ontologija 12.4: Kviz znanja ­ Prva težinska kategorija

­ Pitanje br. 1 ­ Tekst pitanja – Jesu li povezani <Čvor1> i <Čvor2> ­ Opis pitanja – Odabrati način povezanosti (posredni ili neposredni) za dva čvora znanja ­ Odgovor – DA (posredno); DA (neposredno); NE – nisu povezani.

­ Pitanje br. 2 ­ Tekst pitanja – Jesu li <Čvor1> i <Čvor2> povezani vezom <Link> ­ Opis pitanja – Potvrditi povezanost zadanog para čvorova znanja ­ Odgovor – DA; NE

­ Pitanje br. 3 ­ Tekst pitanja – Što je <Strukturni atribut>? ­ Opis pitanja – Odabrati čvor znanja kojemu pripada zadani strukturni atribut. ­ Odgovor – Bira se čvor znanja kojem je u bazi znanja pridružen strukturni atribut.

­ Pitanje br. 4 ­ Tekst pitanja – Da li <Slot> za <Čvor> ima <Filler>. ­ Opis pitanja – Odabrati čvor znanja koji pripada okviru znanja. ­ Odgovor – DA; NE

­ Druga težinska kategorija ­ Pitanje br. 1

­ Tekst pitanja – Čto je <Čvor>? ­ Opis pitanja – Odabrati povezanost čvora znanja s njegovim neposredno povezanim

nadčvorom ili podčvorom. ­ Odgovor – Bira jedan ili više ponuđenih čvorova znanja (jedan točan, tri netočna)

­ Pitanje br. 2 ­ Tekst pitanja – Koji nadčvor je povezan vezom <Link> s čvorom <Čvor>? ­ Opis pitanja – Odabrati povezanost dva čvora. ­ Odgovor - Bira jedan ili više ponuđenih čvorova znanja (jedan točan, tri netočna)

­ Pitanje br. 3 ­ Tekst pitanja – Koji podčvor je povezan vezom <Link> s čvorom <Čvor>? ­ Opis pitanja - Odabrati povezanost dva čvora. ­ Odgovor – Bira jedan ili više ponuđenih čvorova znanja (jedan točan, tri netočna)

­ Pitanje br. 4 ­ Tekst pitanja – Kojom su vezom povezani <Čvor1> i <Čvor2>? ­ Opis pitanja – Odabrati povezanost kao i način povezanosti zadanog para čvorova znanja. ­ Odgovor. – Veza; DA – posredno; DA – Neposredno; NE – nisu povezani.

­ Treća težinska kategorija ­ Pitanje br. 1

­ Tekst pitanja – Koja je <Slot> od <Čvor>? ­ Opis pitanja – – Odabrati čvor koji predstavlja vrijednost atributa što pripada okviru za

zadani čvor. ­ Odgovor - Bira jedan ili više ponuđenih čvorova znanja (jedan točan, tri netočna)

­ Pitanje br. 2 ­ Tekst pitanja – Čija je <Slot> od <Filler>? ­ Opis pitanja – Odabrati čvor znanja kojemu pripada zadani okvir. ­ Odgovor - Bira jedan ili više ponuđenih čvorova znanja (jedan točan, tri netočna)

­ Pitanje br. 3 ­ Tekst pitanja – Koji su nadčvorovi od <Čvor>? ­ Opis pitanja – Odabrati nadčvorove i njihove veze za zadani čvor. ­ Odgovor - Veza; DA – posredno; DA – Neposredno; NE – nisu povezani.

­ Pitanje br. 4 ­ Tekst pitanja – Koji su podčvorovi od <Čvor>? ­ Opis pitanja – Odabrati podčvorove i njihove veze za zadani čvor. ­ Odgovor - Veza; DA – posredno; DA – Neposredno; NE – nisu povezani.

Prikazana ontologija kviza znanja primijenit će se na promatrani fragment znanja iz područja Računarstva.

Primjer 12.1. Fragment znanja sa slike 12.3. u skladu s Ontologijom 12.4. ­ Prva težinska kategorija

­ Pitanje br. 1 ­ Tekst pitanja – Jesu li povezani <Centralna jedinica> i <Sustav tehničke podrške (hardware)> ­ Opis pitanja – Odabrati način povezanosti (posredni ili neposredni) za dva čvora znanja ­ Odgovor – DA (neposredno).

­ Pitanje br. 2 ­ Tekst pitanja – Jesu li <Centralna jedinica> i <Sustav tehničke podrške (hardware)> povezani

vezom <Dio_od>. ­ Opis pitanja – Potvrditi povezanost zadanog para čvorova znanja ­ Odgovor – DA;

­ Pitanje br. 3 ­ Tekst pitanja – Što je <cjedinica.jpg>? – (učeniku je prikazana slika centralna jedinica) ­ Opis pitanja – Prikazana je slika centralne jedinice. Odabere se čvor znanja kojemu pripada

zadani strukturni atribut. ­ Odgovor – Centralna jedinica.

­ Pitanje br. 4 ­ Tekst pitanja – Da li <Temeljna funkcija> za <Izlazne jedinice> ima <Priopćavanje i zapis

obrađenih podataka>. ­ Opis pitanja – Odabrati čvor znanja koji pripada okviru znanja. ­ Odgovor – DA;

­ Druga težinska kategorija ­ Pitanje br. 1

­ Tekst pitanja – Što je <Monitor>? ­ Opis pitanja – Odabrati povezanost čvora znanja s njegovim neposredno povezanim

nadčvorom ili podčvorom. ­ Odgovor – <Izlazne jedinice>

­ Pitanje br. 2 ­ Tekst pitanja – Koji nadčvor je povezan vezom <Vrsta od> s čvorom <Monitor>? ­ Opis pitanja – Odabrati povezanost dva čvora. ­ Odgovor - <Izlazne jedinice>

­ Pitanje br. 3 ­ Tekst pitanja – Koji podčvor je povezan vezom <Vrsta od> s čvorom <Izlazne jedinice>? ­ Opis pitanja - Odabrati povezanost dva čvora. ­ Odgovor – <Monitor>

­ Pitanje br. 4 ­ Tekst pitanja – Kojom su vezom povezani <Monitor> i <Izlazne jedinice>? ­ Opis pitanja – Odabrati povezanost kao i način povezanosti zadanog para čvorova znanja. ­ Odgovor. – <Vrsta od>; DA – Neposredno;

­ Treća težinska kategorija ­ Pitanje br. 1

­ Tekst pitanja – Koja je <Temeljna funkcija> od <Izlazne jedinice>? ­ Opis pitanja – Odabrati čvor koji predstavlja vrijednost atributa što pripada okviru za zadani

čvor. ­ Odgovor - <Priopćavanje i zapis obrađenih podataka>

­ Pitanje br. 2 ­ Tekst pitanja – Čija je <Temeljna funkcija> <Priopćavanje i zapis obrađenih podataka>? ­ Opis pitanja – Odabrati čvor znanja kojemu pripada zadani okvir. ­ Odgovor - <Izlazne jedinice>

­ Pitanje br. 3 ­ Tekst pitanja – Koji su nadčvorovi od <Štampač>? ­ Opis pitanja – Odabrati nadčvorove i njihove veze za zadani čvor. ­ Odgovor – Dio od ; DA – posredno; za čvor - <Sustav tehničke podrške – hardware>.

­ Pitanje br. 4 ­ Tekst pitanja – Koji su podčvorovi od <Sustav tehničke podrške - hardware>? ­ Opis pitanja – Odabrati podčvorove i njihove veze za zadani čvor. ­ Odgovor – Dio od; DA – Neposredno; za čvor <Izlazne jedinice>.

POGLED UČITELJA NA ZADATKE OBJEKTIVNOG TIPA

Temeljem opisanih vrsta i tipova testova te načina testiranja znanja definiran je i model testa za zadacima objektivnog tipa (ZOT) nazvan statički način testiranja znanja za model TEx-Sys. Za razliku od dinamičkog načina testiranja (kviz znanja) gdje sustav generira testove prema izabranim pojmovima područnog znanja formaliziranim u obliku semantičke mreže, ovdje se situacija uvelike mijenja, učitelj se stavlja u funkciju generatora pitanja. Reklo bi se da statički način testiranja sa stajališta učitelja dodatno otežava njegovu ulogu pri organizaciji testiranja. Međutim, s druge strane to su pitanja formalizirana prirodnim jezikom i u suglasju su s tradicionalnim postupcima za oblikovanje zadataka objektivnog tipa. Na taj način se ukazuje i na prednosti pri upotrebi ovakvog načina testiranja i vrednovanja znanja. Najpovoljnije je vjerojatno okruženje testiranja znanja koje kombinira ova dva pristupa, a što bi ujedno bio i širok spektar pitanja koji uključuje sve razine Bloom-ove taksonomije ciljeva obrazovanja (Bloom, 1956). Ovim učitelj dobiva kvalitetnu povratnu informaciju o znanjima i vještinama učenika. Okruženje statičkog modela testiranja znanja sa stajališta učitelja ima autorske značajke što znači da učitelj generira test zadacima objektivnog tipa prema nastavnom sadržaju kolegija, a u skladu sa predlošcima zadataka objektivnog tipa (ontologija zadataka objektivnog tipa).

Ontologija 12.5. Oblikovanje zadataka objektivnog tipa ­ Sudionik - učitelj određuje elemente nastavnog sadržaja koje pridružuje zadacima objektivnog tipa ­ Kolegij – (nastavni predmet) može biti dodijeljen grupi ili pojedincu. Kolegij je sadržajno strukturiran

pomoću Ontologije 12.2. ­ Elementi nastavnog sadržaja koji se pridružuju zadacima objektivnog tipa ­ Ontologija 12.6. – zadaci objektivnog tipa sa konceptima:

­ Predlošci pitanja od 1 do 6 ­ Opis pitanja ­ Pitanje ­ Odgovor

Pitanja se formiraju temeljem predložaka (Ontologija 12.6.), a učitelj sam određuje vrstu pitanja, kao i broj ciklusa pitanja (u svakom ciklusu su dva pitanja). Formiranje testa od učitelja zahtjeva sljedeće: izbor predloška za pitanje, unos tekst pitanja, unos teksta odgovora na pitanje, te izbor točnog(ih) odgovora. Postojanje predložaka omogućava brzo i jednostavno pisanje pitanja i odgovora za oblikovanje zadataka objektivnog tipa. Na taj se način štedi vrijeme izrade pitanja i doprinosi unificiranom izgledu testa. Predlošci učitelju znatno olakšavaju pisanje testova jer omogućuju način pisanja pitanja koji je u velikoj mjeri sličan pisanju pitanja na papiru, a oblikovani su tako da se pomoću njih lako mogu sastaviti pitanja za provjeravanje svih razina znanja. Problem je što predlošci oduzimaju stvaralačku slobodu te često ne odgovaraju svim zahtjevima učitelja. Zato je potrebno uključiti što više različitih predložaka koji će udovoljiti svim potrebama kako učitelja tako i učenika kojemu su pitanja u testu znanja i namijenjena.

Ontologija 12.6: Zadaci objektivnog tipa Predložak 1: Zadatak dosjećanja ­ Tekst zadatka – Tekst se sastoji od pitanja ili nedovršene tvrdnje koju treba dovršiti. ­ Odgovor – Odgovor na pitanje ili dovršavanje tvrdnje. Predložak 2: Zadatak dopunjavanja ­ Tekst zadatka – U tekstu je izostavljena jedna ili više riječi. ­ Odgovor – Tekst dopuniti s jednom ili više riječi. Predložak 3: Zadatak jednostrukog izbora ­ Tekst zadatka – Tvrdnja ili pitanje na koje se odgovara sa da/ne. ­ Odgovor – da/ne. Predložak 4: Zadatak višestrukog izbora ­ Tekst zadatka – Tekst zadatka je pitanje na koje su ponuđena jedan ili više točnih odgovora. ­ Odgovor – Označiti tekst s točnim odgovorom/odgovorima. Predložak 5: Zadatak povezivanja ­ Tekst zadatka – Tekst zadatka inicira promišljanje za povezivanje objekata, pojmova ili tvrdnji. ­ Odgovor – Povezani objekti, pojmovi i tvrdnje. Predložak 6: Zadatak sređivanja ­ Tekst zadatka – Tekst zadatka upućuje potrebu utvrđivanja redoslijeda objekata, pojmova ili tvrdnji. ­ Odgovor – Posloženi objekti, pojmovi i tvrdnje.

Prikazani predlošci predstavljaju pre-definirani model po kojem se oblikuju zadaci objektivnog tipa. Svaki predložak ima svoje specifičnosti po kojima se razlikuje od ostalih i prema kojima se sastavljaju pitanja različitih tipova. Osim toga neki su pogodniji za ispitivanje viših kognitivnih razina znanja učenika, a njihova kombinacija osigurava prolazak kroz sve «stepenice» Bloom-ove taksonomije. Prikazana specifikacija ontologije zadataka objektivnog tipa primijenit će se na fragment znanja iz područja Računarstvo, podpodručja Računalo kao sustav u suglasju sa potpunom raščlanom prikazanom u Prilogu 12.1.

************* Implementacija zadataka objektivnog tipa nije provedena u inačicama modela TEx-Sys. Algoritam zadataka objektivnog tipa implementiran je u programskom modulom statički način testiranja znanja u okviru realizacije diplomskog rada Marije Katić (Institucija 1.) (Katić, 2005).

Primjer 12.2. Zadaci objektivnog tipa u skladu sa Ontologijom 12.6.

Zadatak Primjer Odgovor - Rješenje

1. Zadatak dosjećanja 1. CPU je skraćeni naziv za? 1. Central Processing Unit

2. Zadatak dopunjavanja

2.1. Jedan byte ima ____ bit-ova. 2.2. Centralna procesorska jedinica se sastoji od aritmetičko - _________ jedinice i _________ jedinice.

2.1. 8 2.2. Logičke - Upravljačke

3. Zadatak jednostrukog izbora

3. Aritmetičko - logička jedinica namijenjena je za izvođenje aritmetičkih i logičkih operacija.

3. DA

4. Zadatak višestrukog izbora - Jedan točan odgovor

4. RAM je : a. Kratica od random access

memory (memorija sa slučajnim pristupom)

b. Radna memorija - može se samo pročitati

c. Masovna memorija d. Stalna memorija

4. a.

5. Zadatak višestrukog izbora - Više od jednog točnog

odgovora.

5.1. Kojim brojevnim sustavima može pripadati broj 765?

a. dekadskom b. oktalnom c. heksadekadskom d. binarnom

5.2. Kojim brojevnim sustavima može pripadati broj 1011?

a. heksadekadskom b. oktalnom c. dekadskom d. binarnom

5.1. a. b. c. 5.2. a. b. c. d.

6. Zadatak povezivanja

6. Povezati odgovarajuće parove objekata:

6. A – 2, 5, 8 B – 1, 6 C – 3,4,7,9

A. Ulazna jedinica 1. Napajanje 2. Tipkovnica B. Centralna 3. Štampač jedinica 4. Tvrdi disk 5. Mikrofon C. Izlazna jedinica 6. Monitor

7. Optički disk 8. Miš 9. Mikroprocesor

7. Zadatak sređivanja

7. Vremenskim slijedom posložite pojmove koji su povezani s generacijama računalnih sustava.

a. Integrirani krug niskog stupnja integracije

b. Elektronska cijev c. Integrirani krug visokog stupnja

integracije d. Tranzistori

7. b. d. a. c.

XTEX-SYS OKRUŽENJE ZA OBLIKOVANJE NASTAVNOG SADRŽAJA

Nakon prijave na sustav učitelju je na raspolaganju forma (slika 12.37.) s mogućnosti izbora jedne od četiri opcije: suradnja sudionika, oblikovanja nastavnih sadržaja, određivanje mjesta i vremena i rezultati učenja.

Slika 12.37. Početna forma sudionika učitelja Početak razmatranja okruženja za rad učitelja obuhvatio je opciju Oblikovanje nastavnog sadržaja što dalje ponudi formu kolegija (slika 12.38.). U ovoj formi učitelj može prijaviti novi kolegij, oblikovati novi kolegij (uz pomoć jednog od ranije navedenih predložaka), urediti postojeći kolegij ili tiskati izvještaj s oblikovanim kolegijem (prikaz ovog izvještaja za kolegij Uvod u računarstvo je u Prilogu 12.2.). Slijedi se opcija Uredi kolegij (kolegij je ranije oblikovan) radi prikaza strukture razvijenog nastavnog sadržaja za kolegij Uvod u računarstvo. Kolegij je namijenjen studijskoj grupi Matematika – Informatika.

Slika 12.38. Izbornik kolegija

Kolegij (korijenska agregacija) je oblikovan pomoću nastavnih cjelina (slika 12.39.): Računalo kao sustav (agregacija), Osnove operacijskih sustava (agregacija), Programski sustavi za uredsko poslovanje (agregacija), Osnove računalnih mrežnih sustava (agregacija).

Slika 12.39. Raščlana nastavnog sadržaja kolegija Uvod u računarstvo U ovoj nastavnoj cjelini dalje promatramo nastavnu temu Računalo kao sustav (slika 12.40.). Desni dio svih formi za prikaz nastavnih sadržaja ima opcije za dodavanje, promjenu ili brisanje agregacija kao elemenata strukture ili pridruživanje, izgradnju SCO-a kao sadržajnog ili testnog elementa strukture. Osim toga moguće je premještanje elementa nastavnog sadržaja unutar strukture.

Slika 12.40. Raščlana nastavne cjeline Računalo kao sustav

Ova je nastavna tema u strukturi nastavnog sadržaja preko niza nastavnih tema kao agregacija, od kojih za daljnju analizu promatramo nastavnu temu Sustav tehničke podrške – hardware (slika 12.41.).

Slika 12.41. Raščlana nastavne teme Sustav tehničke podrške - hardware

Dalje se prati dekompozicija nastavne teme na nastavne jedinice (agregacije): ulazne jedinice, centralna jedinica i izlazne jedinice, te se promatra nastavna jedinica izlazne jedinice (slika 12.42.).

Slika 12.42. Raščlana nastavne jedinice Izlazne jedinice

Nastavna jedinica Izlazne jedinice se dalje sadržajno dekomponira na tri nastavna pojma: monitor, štampač i ploter, što je najniža razina koja sadržajno odgovara čvoru znanja i SCO-u u pogledu nastavnog sadržaja. Promatra se SCO – štampač i njegova struktura koja je na slici 12.43.

Slika 12.43. Struktura nastavnog pojma – SCO štampač

Osim toga za promatrani čvor znanja vidimo i sljedeće: strukturne atribute (slike stampac_1, stampac_2 i stampac_3) od kojih je jedan i grafički prikazan, okvir (temeljna značajka – prikaz rezultata obrade, programa i dokumenata) te okruženje prema čvoru roditelju (nadređenom strukturnom pojmu).

************* U nastavku razmatranja pogledat će se slijed aktivnosti učitelja nakon izbora opcije Određivanje mjesta i vremena učenja, poučavanja i testiranja (na slici 12.37.). Učitelj ima i mogućnost određivanja vremena (mjesec i dan) za učenje i poučavanje učenika kao i vrijeme (mjesec i dan) za testiranje znanja učenika (slike 12.44. i 12.39) za odabrani kolegij. Brojni su scenariji učitelju na raspolaganju i povezani s metodički odrednicama za realizaciju nastavnog sadržaja promatranog kolegija. S tim u vezi može se realizirati

slijed učenja u vremenskom razdoblju pa zatim testiranje u određenom danu ili razdoblju.

Slika 12.44. Forma s informacijama o vremenu učenja i testiranja

Nadalje, može se organizirati izmjenično samo učenje ili pak samo testiranje znanja. Sve ovo je moguće provesti kako za grupu učenika tako i pojedinačno za učenika za odabrani kolegij.

Slika 12.45. Određivanje termina za kraj testiranja znanja

*************

Opcija Rezultati učenja – pregled rezultata učenja i poučavanja (slika 12.37.) je posljednja koju će se razmatrati u okruženju za rad učitelja. Aktivacijom ove opcije učitelj dobiva izvještaje o postignućima ili grupe učenika ili učenika pojedinačno. Ovdje je odabran i na slici 12.46. prikazan pogled na postignuće učenika koji pripada grupi matematika informatika za kolegij Uvod u računarstvo.

Slika 12.46. Izbor učenika

Odabrani učenik ima status „aktivan“ u pristupu kolegiju što ukazuje da je učenik imao pristup kolegiju te obavljao aktivnosti učenje i poučavanje kao i testiranje znanja. Nadalje, aktiviranjem „pogleda“ dobiva izvještaj o postignućima učenika tj. dobiva se pogled na zapis učenika (eng. student record) (slika 12.47.).

Slika 12.47. Pogled na zapis učenika

Zapis učenika obuhvata pogled na SCO – ove koje je učenik učio ili za koje se testirao. SCO-ovi testiranje imaju oznaku „? - upitnik“. Posebno se vodi status SCO-a kao „otvoren“s mogućnosti pogleda na tijek testiranja ili učenja ili „ne otvoren“ ako učenik SCO-u nije pristupao. Promotrit će se na slici 12.48. jedan dio analize koju učenik može izvršiti nakon testiranja, a zapravo predstavlja pogled tijeka testiranja za nastavnu cjelinu Računalo kao sustav.

Slika 12.48. Analiza tijeka testiranja

Na slici su vidljivi detalji u vezi s testiranjem pomoću kviza znanja kao što su: naziv elementa nastavnog sadržaja (u ovom slučaju nastavna cjelina), broj osvojenih bodova prema maksimalnom broju bodova, ocjena, te pogled na postavljena pitanja i odgovore na postavljena pitanja s naznakom razine testiranja (za ovaj primjer kategorija 2.), kao i broj ostvarenih bodova po postavljenom pitanju (za ovaj primjer su to točni odgovori).

************** Prikazano radno okruženje učitelja dopušta oblikovanje nastavnih sadržaja kolegija, određivanje količine elemenata nastavih sadržaja koji će se pridružiti testu znanja, određivanje vremena za učenje i testiranje znanja te pogleda na postignuće grupe učenika ili pojedinačno učenika s pregledom tijeka odvijanja postupka testiranja znanja.

UČENJE I POUČAVANJE UČENIKA

Učenje i poučavanje u sustavima implementiranim po modelu TEx-Sys se odvija u okruženju grafičkog sučelja s mogućnosti primjene teksta, slike, zvuka i animacije. Ostvarene su pretpostavke za aktiviranje većine učenikovih osjetila pa je zato učenje i poučavanje djelotvorno i doprinosi općim ciljevima stjecanja znanja učenika u izabranom područnom znanju. Učenje i poučavanje se globalno odvija u skladu s Piaget-ovom teorijom "vođene slobodne igre" te kombinacijom scenarija poučavanja razgovijetnog (artikuliranog) eksperta i dijaloga podijeljene inicijative. Redoslijed u poučavanju nije određen, učenik to obavlja po osobnoj želji i uvjerenju, a što je u suglasju s Piaget-ovim princip "vođene slobodne igre". Učenje - "igra" je vođeno jer se odvija u okruženju modela TEx-Sys i resursa s kojima raspolažu implementirani sustavi. Učenje - "igra" je slobodno jer nema prisile u redoslijedu odvijanja procesa učenja i testiranja znanja. Učenje i poučavanje započinje odabirom nastavnih sadržaja određenog kolegija. Svaki kolegij ima određena svojstva: vrijeme učenja koje određuje učitelj, naziv, status, vrijeme pokretanja, učenikova prosječna ocjena iz kolegija, broj testova, broj nastavnih objekata i popis elemenata nastavnog sadržaja izabranog kolegija. Model TEx-Sys i po njemu implementirani sustavi omogućavaju učenje i poučavanje temeljeno na pretpostavkama konstruktivističkih načela. Okruženje učenika omogućava istraživanje čvorova, veza među čvorovima, hiperteksta i atributa, u kojem učenik sam bira kojim sadržajima i pripadnim strukturnim atributima će se posvetiti. Hipertekst i multimedija pridonose bogatijem opisu objekata znanja te učeniku povećavaju motivaciju za rad. Korištenje hiperteksta i multimedije također pridonosi razvoju viših kognitivnih vještina poput razvoja analitičkog mišljenja, vještina sinteze i vještina procjene. Učenik sam bira i kombinira sadržaje učenja što je na tragu prilagođavanja određenih strategija učenja svakom učeniku. Učenje i poučavanje slijedi ontologiju za učenje i poučavanje po modelu TEx-Sys.

Ontologija 12.7: Učenje i poučavanje ­ Ontologija 12.1. - Oblikovanje područnog znanja ­ Ontologija 12.2. -Oblikovanje nastavnog sadržaja ­ Sudionik – učenik bira kolegij čije nastavne sadržaje je oblikovao učitelj.

U pogledu ontologije za prikaz znanja, a u sklopu metodičke pripreme učenika za učenje i poučavanje potrebno je na prikladan način objasniti formalizam za prikaz znanja uz pomoć semantičkih mreža s okvirima. Prikazat će se jedan scenarij metodičke pripreme za rad na modelu TEx-Sys obavljen s učenicima jedne osnovne škole u Splitu (Tomaš, 2005). Objašnjenje semantičke mreže obavilo se vizualizacijom uz pomoću konopca kojim su povezani čvorovi, te na taj način čine mrežnu strukturu (slika 12.49.). Konopci su podijeljeni učenicima i sami su pri tom određivali uloge čvor, „podčvor“ i „nadčvor“ što je u suglasju s formalizmom za prikaz znanja i njegovom implementacijom pri učenju i poučavanju kao i testiranju znanja. Ovakav pristup su učenici prihvatili i prema njihovim iskazima isto je pomoglo pri obavljanju njihovih aktivnosti na implementiranim sustavima.

Slika 12.49. Vizualizacija semantičke mreže

Sve to je prikazano i na školskoj ploči (slika 12.50.) služeći se papirima na kojima su bila ispisana imena čvorova, a zajedno s učenicima su upisane veze među čvorovima i određena imena veza.

Slika 12.50. Dio semantičke mreže

U nastavku slijedi prikaz okruženja učenja i poučavanja učenika za sve implementirane inačice modela TEx-Sys.

ON-SITE TEX-SYS OKRUŽENJE ZA UČENJE I POUČAVANJE

On-site izvedba TEx-Sys je prva implementirana i postavljena verzija modela TEx-Sys, a omogućila je uvjete za odvijanje nastavnog procesa sudionika učenika i učitelja. Ovim sudionicima su pridružene i dvije temeljne funkcionalnosti: ­ oblikovanje nastavih sadržaja za po volji odabrano područno znanje(učitelj) ­ učenje, poučavanje, testiranje i vrednovanje znanja (učenik).

On-site TEx-Sys funkcionalnosti realiziraju sljedeći programski moduli (slika 12.51. a. i b.): (i) Login modul za prijavu rada na sustavu; (ii) Developing (razvojni modul) za oblikovanje baze znanja u odabranom područnom znanju; (iii) Learning and Teaching (modul učenja i poučavanja) za učenje i poučavanje učenika na oblikovanoj bazi znanja; (iv) Testing (modul za testiranje znanja) za testiranje znanja učenika uz pomoć metode prekrivanja uz scenarij poučavanja temeljen na Piaget-ovoj paradigmi “vođena slobodna igra”; (v) Evaluating (modul za vrednovanje znanja) za vrednovanje znanja učenika i pogled kako učenika tako i učitelja (učenikovog tutora) na model učenika i dijagnostiku znanja učenika; (vi) Quiz (modul kviza) za testiranje znanja učenika; (vii) Help( modul pomoći) za pomoć učeniku i učitelju pri radu na sustavu.

U ovom odjeljku će se slijediti samo tijek učenja i poučavanja na područnom znanju Računalo kao sustav. Preostale funkcionalnosti će se analizirati u odjeljku ovog poglavlja Testiranje i vrednovanje znanja učenika. Prikazat će se cijeli tijek testiranja i vrednovanja znanja pomoću prekrivanja, dok se testiranje znanja pomoću kviza neće prikazivati za ovu inačicu jer je slično inačici xTEx-Sys što će se analizirati u odjeljku naslovljeno xTEx-Sys forma testiranje i vrednovanja znanja pomoću kviza. Okruženje učenika pri učenju i poučavanju prikazano je na slici 12.52. i u promatranom slučaju se odnosi na element područnog znanja Računalo kao sustav i u njemu sadržajno oblikovanu nastavnu cjelinu Centralna jedinica. Ovo okruženje nema razvojne alate već samo omogućava proces učenja i poučavanja pregledavanjem elemenata područnog znanja. Elementi nastavnog sadržaja su predstavljeni hipermedijskom formom gdje: ­ oznaka A pruža pogled na odnos izabranog elementa i njegovih neposredno

povezanih elemenata područnog znanja; ­ oznaka B se odnosi na dio s popisom svih elemenata područnog znanja; ­ oznaka C predstavlja dio namijenjen za tekstualni opis izabranog elementa

područnog znanja; te konačno

­ oznaka D je dio gdje se mogu pregledavati svi strukturni atributi pridruženi izabranom elementu područnog znanja.

Slika 12.52. Forma za učenje i poučavanje s izabranom bazom znanja

Prikaz strukture nastavnog sadržaja slijedi princip hijerarhijske dekompozicije tako da je na najvišoj razini izabrani čvor <Centralna jedinica>. Lijevo je prikazana veza <dio_od> prema višoj razini strukture – nadčvor <Sustav tehničke podrške-hardware>, a desno su veze <dio_od> prema nižoj razini strukture – podčvor <Memorija> i <Računalo>. Učenike po volji bira čvor znanja - element nastavnog sadržaja za daljnje učenje. Na taj način ako želi dalje analizirati okruženje čvora znanja <Računalo>, pa se „klikanje“ nad tim čvorom otvara nova forma kao što je to na slici 12.53. Na ovoj je formi slično prethodnoj prikazana daljnja dekompozicija znanja kao i strukturni atributi promatranog čvora znanja <Računalo>.

A

B

C

D

Slika 12.53. Prikaz okruženja čvora znanja <Računalo>

DTEX-SYS OKRUŽENJE ZA UČENJE I POUČAVANJE

Funkcionalnosti učenika na sustavu DTEx-Sys implementirane su pomoću programskih modula Learning and teaching za učenje i poučavanje u po volji odabranom područnom znanju; Quiz za testiranje znanja pomoću kviza znanja i Result za pogled na rezultate koje je ostvario u procesu testiranja znanja. (slika 12.54.).

Learning and teaching

Quiz for testing

Result for viewing your past quiz results

Logout to exit from the system

Slika 12.54. Prijava na sustav DTEx-Sys Više je scenarija po kojima učenik može koristiti navedene funkcionalnosti. U ovom odjeljku odabran je slijed: pogled na rezultate ranijih testiranja znanja, izbor baze znanja te poučavanje na bazi znanja Računalo kao sustav.

Slika 12.55.Pogled na rezultate koje učenik ostvario tijekom testiranja znanja

DTEx-Sys Main menu

- Register - Learning - Quiz - Result - Logout -

User: test Status: Student

Programski modul Quiz nije prikazan jer je sličnih značajki kao u sustavu xTEx-Sys, pa će zato u tom dijelu biti ostvaren implementacijski pogled na testiranje putem kviza znanja.

Učenik ima pogled na vrijeme održavanja prethodnih testiranja kao i pri tom postignute rezultate. Slijedi zatim izbor nove baze znanja ili izbor već postojeće baze znanja radi dodatnog učenja i poučavanja. Svaka baza znanja ima i sažeti opis kojeg je moguće pregledati izborom opcije Intro. Izborom uvodne prezentacije učenik pregledava strukturu baze područnog znanja te dobiva informaciju o broju elemenata strukture znanja, veza među elementima strukture, broj i vrstu strukturnih atributa kao i referentnu literature koja je korištena pri razvoju baze područnog znanja.

Slika 12.56.-Izbor baze područnog znanja Prikaz naslovljene funkcionalnosti obavljamo s izborom baze područnog znanja Računalo kao sustav. Slika 12.57. prikazuje fragment znanja u okruženju elementa strukture nastavnog sadržaja Ulazne jedinice. Vidljiva je veza ovog elementa sa elementom – nadčvor sustav tehničke podrške (hardware), kao i veza prema podčvorovima. Primijetimo i to da postoji kako okvir (Temeljna funkcija/Unos podataka i instrukcija u računalo) tako i tekstualni opis promatranog elementa nastavnog sadržaja.

Slika 12.57. Prikaz elementa nastavnog sadržaja ulazne jedinice

Izborom elementa – čvora znanja Tastatura dobiva se sljedeća razina dekompozicije nastavnog sadržaja.

Slika 12.58. Prikaz elementa nastavnog sadržaja tastatura

XTEX-SYS OKRUŽENJE ZA UČENJE I POUČAVANJE

Početna forma učeniku omogućava opcije Suradnje sudionika i Učenje, poučavanje i testiranje znanja učenika (slika 12.59.). Prati se izbor opcije Učenje, poučavanje i testiranje nastavnog sadržaja i to samo u dijelu aktivnosti učenja i poučavanja. Postupak testiranja znanja će se analizirati u odjeljku testiranje i vrednovanje znanja učenika.

Slika 12. 59. Početna forma za rad učenika Učenik dobiva formu kao na slici 12.60. sa spiskom kolegija. Izabrat će se kolegij Uvod u računarstvo.

Slika 12.60. Izbor kolegija

Izborom ovog kolegija forma sa slike 12.60. prelazi u formu kao na slici 12.61., gdje u desnom dijelu dobivamo sve potrebne informacije: vrijeme određeno za učenje, vrijeme određeno za testiranje, postignute ocjene u prethodnim testiranjima (ako ih je bilo), broj SCO-ova kao elemenata strukture nastavnih sadržaja kolegija. U ovom se popisu posebno označavaju testovi kao SCO s oznakom «upitnika» i nazivom kojeg je odredio učitelj.

Slika 12.61. Uvod u računarstvo - izabrani kolegij Aktiviranjem opcije Dalje učenik je odabrao učenje i poučavanje, pa sljedeća slika 12.62. prikazuje sadržaj kolegija Uvod u računarstvo po nastavnim cjelinama.

Slika 12.62. Sadržaj kolegija Uvod u računarstvo

Forma na slici 12.62. ima desni i lijevi dio prikaza strukture nastavnih sadržaja kolegija, preglednost se poboljšava aktiviranjem opcije Prikaži strukturu nastavnog sadržaja. Ovu opciju u načelu treba koristiti onda kad se odabere element strukture nastavnog sadržaja u lijevom dijelu forme. Odabrana je nastavna cjelina Računalo kao sustav i aktivirana spomenuta opcija, te se dobila forma kao na slici 12.63.

Slika 12.63. Pogled na dio sadržaja nastavne cjeline Računalo kao sustav Učenik po volji bira jedan od elemenata strukture nastavnih sadržaja, važno je istaknuti da je nakon obavljenog učenja i SCO test znanja. Za nastavak se odabire element Sustav tehničke podrške – hardware (agregacija) koja se dalje dekomponira na tri elementa ulazne jedinice, centralna jedinica i izlazne jedinice. Slijedom promatranog primjera, dalje se odabira agregacija izlazne jedinice i dobiva forma kao na slici 12.64.

Slika 12.65. Prikaz strukture nastavne jedinice izlazne jedinice

Sad je jasno da ova nastavna jedinica ima tri SCO elementa te se bira za daljnju analizu štampač. Međutim, tu se pojavljuje i problem jer vrijeme koje je učitelj odabrao za učenje, a vidljivo je sa slike 12.66. (na kojoj je rok za završetak učenja 08.07.) sa samog početka procesa učenja, te nije usuglašeno s vremenom u kojem učenik provodi učenje (slika 12.44.).

Slika 12.66. Obavijest učeniku o pristupu izabranom SCO elementu

Nastavak učenja će biti omogućen, ako učenik obavijesti učitelja o događaju, a ovaj u svojem okruženju promjeni zadane termine. Ovo je jedna od mogućnosti koje učitelju stoje na raspolaganju pri biranju scenarija za učenje i poučavanje kao i testiranje znanja. Nakon promjene datuma učeniku je dopušten daljnji tijek rada i pogleda na SCO štampač.

Slika 12.67. Struktura elementa nastavnog sadržaja - SCO - štampač

Na formama postoje i napomene učitelja, zapisane s namjerom da didaktički i metodički dodatno oblikuje nastavne sadržaje namijenjene učeniku u okviru zadanog kolegija.

S ovim završava jedan od mogućih scenarija procesa učenja i poučavanja, te učenik može preći na testiranje znanja. Testiranje i vrednovanje znanja učenika je prikazano u odjeljku koje slijedi.

TESTIRANJE I VREDNOVANJE ZNANJA UČENIKA

U nastavnom procesu testiranje i vrednovanje znanja se provodi radi utvrđivanja postignuća tj. razine znanja učenika, a produkt ovog procesa - ocjena služi za vođenje učenika tijekom učenja i poučavanja. U modelu TEx-Sys jedna od funkcija kojoj je posvećena posebna pozornost je modeliranje učenika pri učenju i poučavanju odabranog područnog znanja, što podrazumijeva izgradnju modela učenika te dijagnosticiranje znanja kao osnovice za vrednovanje znanja. Testiranje i vrednovanje znanja u sustavima izvedenim po modelu TEx-Sys provodi se na sljedeća tri načina: ­ Prekrivanje znanja učenika sa znanjem stručnjaka se odvija uz pomoć niza različitih

algoritama koji osiguravaju automatizirani proces bez učešća učitelja. Način se može tretirati kao dinamički jer ga učenik samo inicira, a sve ostalo je pod kontrolom algoritma testiranja. Ovaj način testiranja i vrednovanja znanja detaljno je opisan u odjeljku Prekrivanje znanja učenika sa znanjem stručnjaka.

­ Pomoću kviza znanja u on-site izvedbi sustava TEx-Sys kao i poboljšanom pristupu izvedenom u Web verziji sustava DTEx-Sys (Rosić, 2000), te konačno u inačici xTEx-Sys (što će ovdje biti analizirano). Kviz znanja predstavlja dinamički način testiranja i vrednovanja znanja učenika, jer pitanja u kvizu znanja neposredno generira računalo u skladu s algoritmom koji osigurava prilagođavanje aktualnoj razini znanja učenika. Ovaj način testiranja i vrednovanja znanja detaljno je opisan u odjeljku Kviz znanja.

­ Pomoću zadataka objektivnog tipa koje tretiramo kao algoritam tradicionalnog načina testiranja i vrednovanja znanja. Ovaj način testiranja i vrednovanja znanja detaljno je opisan u odjeljku Zadaci objektivnog tipa.

Svaka od navedenih metoda testiranja znanja se prikazuje u nastavku ovog odjeljka.

PREKRIVANJE ZNANJA UČENIKA SA ZNANJEM STRUČNJAKA

Metoda testiranja i vrednovanja znanja učenika prekrivanjem u modelu TEx-Sys povezana je s temeljnim načelima modeliranja učenika (Poglavlje 9.), a zasnovana je na: ­ međustanjima i konačnom stanju (rješenju postavljenog zadatka) u obuhvatu ulaznih

podataka s kojim učenik iskazuje aktualnu razinu znanja, ­ deklarativnom načinu prikaza znanja u vrsti ciljnih znanja, ­ tehnici prekrivanja znanja (čvorova i veza) u promatranju razlike između učenika i

stručnjaka, tako da je omogućena spoznaja kako pogrešnog poimanja, tako i nedostatka znanja (neznanje) učenika.

Ontologija testiranja i vrednovanja znanja učenika pomoću metode prekrivanja (Ontologija 12.8.) je pored već utvrđenih ontologija za oblikovanje područnog znanja (Ontologija 12.1.) i oblikovanje nastavnog sadržaja (Ontologija 12.2.) oslonjena i na ontologije i algoritme s kojima su obuhvaćene specifičnosti ove metode. U skladu s tim izvedene su ontologija zadatka po metodi prekrivanja (Ontologija 12.9.) kao i ontologija za prekrivanje čvorova i veza u bazama rješenja učenika, zadatka kojeg generira sustav kao i baza znanja stručnjaka (Ontologija 12.10.). Navedene ontologije također prati i opis algoritama prekrivanja čvorova i veza (Algoritam 12.2) kao i algoritam za izračunavanje

ocjene i preporuke za daljnji rad (Algoritam 12.3.). Slijedi rasprava o navedenim ontologijama i algoritmima.

Ontologija 12.8: Testiranje i vrednovanje znanja učenika pomoću prekrivanja ­ Ontologija 12.1. - oblikovanje područnog znanja ­ Ontologija 12.2. - oblikovanje nastavnog sadržaja ­ Sudionik učenik - bira kolegij i u njemu element (e) nastavnog sadržaja za testiranje i vrednovanje

znanja ­ Ontologija 12.9. – zadaci za metodu prekrivanja ­ Ontologija 12.10. – prekrivanje čvorova i veza ­ Algoritam 12.2. – prekrivanje čvorova i veza ­ Algoritam 12.3. – izračunavanje ocjene i preporuke za daljnji rad

Tehnika prekrivanja znanja u modelu TEx-Sys obuhvaća tri baze znanja: ­ bazu znanja stručnjaka za izabrano područno znanje s oznakom <stručnjak>; ­ bazu znanja sa zadatkom kojeg je računalo generiralo na osnovi baze <stručnjak>, a

učenik ga rješava i ima oznaku baza znanja <zadatak> i ­ bazu znanja sa rješenjem kojeg ostvaruje učenik i ima oznaku baza <rješenje>. Postupak rješavanja se odvija u konstruktivističkom okruženju pri čemu učenik na najvišoj razini gledanja ima zadatak rekonstruirati bazu znanja stručnjaka. U tome i jest osnovni doprinos primijenjenog modela, jer učenik „slažući“ elemente znanja (objekte znanja) poput rada s lego elementima gradi bazu znanja (bazu <rješenje>) s konačnim ciljem da rekonstruira bazu znanja stručnjaka. Umrežavanjem objekata znanja dodavanjem čvorova i veza kao i povezivanjem čvorova učenik konstruira bazu znanja, a time je na najučinkovitiji način ispunjena meta-kognitivna paradigma učenja i poučavanja. Nakon izbora baze znanja učenik ima mogućnost birati jedan od tri zadatka što je opisano ontologijom 12.9.

Ontologija 12.9: Zadaci za metodu prekrivanja

­ Koncepti zadataka: ­ Zadatak 1.

­ za izabrano područno znanje obrisane su sve veze te je znanje u zadatku prikazano samo s čvorovima,

­ učenik u postupku rješavanja unosom veza popunjava strukturu izabranog područnog znanja i rekonstruira bazu znanja stručnjaka.

­ Zadatak 2. ­ za izabrano područno znanja generira se fragment znanja iskazan određenim brojem čvorova

i veza, ­ učenik u postupku rješavanja vrši nadopunu generiranog fragmenta znanja i rekonstruira

bazu znanja stručnjaka unoseći nedostajuće čvorove i veze tih čvorova prema ostalim čvorovima u bazi znanja,

­ Zadatak 3. ­ za izabrano područno znanje generira se fragment iskazan određenim brojem čvorova i veza, ­ u fragmentu znanja generator slučajnih brojeva generira i određeni broj pogrešnih veza. ­ učenik u postupku rješavanja: (i) pronalazi čvorove s pogrešnim vezama, raskida pogrešne

veze i uspostavlja točne veze, (ii) nadopunjava generirani fragment znanja s nedostajućim čvorovima i potrebnim vezama tih čvorova prema ostalim u čvorovima u bazi znanja.

Rješavanjem zadatka učenik može sa čvorovima obavljati sljedeće radnje: brisati čvorove, dodavati nedostajuće čvorove i eventualno dodavati nove čvorove koji nisu u bazi znanja stručnjaka. Sa vezama su dozvoljeni sljedeći postupci: dodavanje nove veze s novo uvedenim čvorovima koji nisu u bazi znanja stručnjaka, brisanje točne veze, brisanje pogrešne veze (kad su zadane u zadatku 3.), dodavanje točne veze, dodavanje pogrešne veze i dodavanje nedostajuće veze. U tom smislu čvorovi i veze u bazi <rješenje> s obzirom na čvorove i veze u bazama znanja <stručnjak> i <zadatak> mogu imati različite statuse, što je i prikazano ontologijom 12.10. i slikama 12.68. i 12.69.

Ontologija 12.10: Prekrivanje čvorova i veza ­ Status čvorova

­ <Dodan> - čvor jest u bazi <stručnjak>, nije u bazi <zadatak> i jest u bazi <rješenje>. ­ <Brisan> - čvor jest u bazi <stručnjak>, jest u <zadatak> i nije u <rješenje>. ­ <Nedostaje> - čvor jest u bazi <stručnjak>, nije u <zadatak> i nije u <rješenje>. ­ <Bez_Promjene> - čvor jest u <stručnjak>, jest u <zadatak> i jest u <rješenje>. ­ <Novi> - čvor nije u <stručnjak>, nije u <zadatak> i jest u <rješenje>.

­ Status veza ­ <Brisana Pogrešna> - veza nije u <stručnjak>, jest u <zadatak> i nije u <rješenje>. ­ <Dodana Točna> - veza jest u <stručnjak>, nije u <zadatak> i jest u <rješenje>. ­ <Bez promjene> - veza jest u <stručnjak>, jest u <zadatak> i jest u <rješenje>. ­ <Nedostajuća> - veza jest u <stručnjak>, nije u <zadatak> i nije u <rješenje>. ­ <Zadana Pogrešna> - veza nije u <stručnjak>, jest u <zadatak> i jest u <rješenje>. ­ <Brisana Točna> - veza jest u <stručnjak>, jest u <zadatak> i nije u <rješenje>. ­ <Dodana Pogrešna> - veza nije u <stručnjak>, nije u <zadatak> i jest u <rješenje>. ­ <Nova> - veza nije u <stručnjak>, nije u <zadatak> i jest u <rješenje>.

<struĉnjak>

<zadatak>

<rješenje>

Novi ĉvorovi

Brisani ĉvorovi

Dodani ĉvorovi

Nedostajući ĉvorovi

Slika 12.68. Vizualizacija modela prekrivanja čvorova

Vizualizacijom prikazanom na slikama 12.68. i 12.69. ističu se temeljna načela prekrivanja s kojima se zaključuje kako o pogrešnom poimanju tako i o nedostatku znanja učenika i to posebno za čvorove znanja, a posebno za veze između čvorova znanja.

<struĉnjak>

<zadatak>

<rješenje>

Dodane pogrešne veze

Brisane toĉne veze

Nedostajuće veze

Brisane pogrešne veze

Dodane toĉne veze

Zadane pogrešne veze

Slika 12.69. Vizualizacija modela prekrivanja veza Prekrivanje čvorova i veza obavlja algoritam (algoritam 12.2.) koji nakon što učenik izabere i riješi zadatak obavlja: (i) prvu fazu modeliranja - oblikovanje modela učenika i (ii) drugu fazu modeliranja - dijagnostiku aktualne razine znanja učenika. U prvoj fazi proceduralni interpretator (četiri produkcijska pravila za čvorove i sedam za veze) utvrdi status čvorova i veza iskazan ontologijom 12.10. Rezultati su zapisani u tablici statusa čvorova i veza i razvrstani su po statusima. U drugoj fazi se aktivira proceduralni dijagnostički interpretator (pet produkcijskih pravila za čvorove i deset za veze) radi prikaza i opisa čvorova i veza nakon provedenog prekrivanja. Model učenika je formaliziran statusom čvorova i veza koje je učenik u bazi rješenja postigao. Dijagnostika aktualne razine znanja primjerice prikazuje da je brisao čvorove, dodavao točne ili pogrešne veze, u rješenju „zaboravio“ obrisati neke pogrešne veze ili „zaboravio“ ostvariti sve nedostajuće veze ili je obrisao neke čvorove. Sve su to pokazatelji znanja o kojima će se nakon njihovog vrednovanja tj. pridruživanja odgovarajućih numeričkih kvantifikatora moći uspostaviti ocjena učenika i preporuka za daljnji rad. Čvorovi iskazuju poznavanje objekata područnog znanja tj. poznavanje činjenica područnog znanja u izabranoj bazi znanja. Vezama se izražava misaoni proces uopćavanja činjenica područnog znanja u izabranoj bazi znanja, tj. odnos među objektima u bazi znanja. Znanje učenika može imati dvije značajke i to: (i) znanje (poznavanje objekata područnog znanja i poznavanje veza među objektima) i (ii) neznanje (nepoznavanje objekata područnog znanja i nepoznavanje veza među objektima). Kako razlučiti znanje od neznanja? Iz do sada provedene rasprave o modeliranju učenika očito da status čvorova i veza predstavlja uporište za ovakvu kategorizaciju. Učenik iskazuje znanje onda ako je s obzirom na bazu stručnjaka u rješenju ostvario: dodane čvorove, brisane pogrešne veze i dodane točne veze. Međutim, ako u rješenju učenika postoje brisani čvorovi, nedostajući čvorovi, brisane točne veze, dodane pogrešne veze, nedostajuće veze i zadane pogrešne veze tada to ukazuje na neznanje. Osim toga, navedeno stanje postaje složenije kad su u rješenju dvojnosti čvorova i veza koje iskazuju znanje i neznanje. Takvi slučajevi su i najčešći tj. predstavljaju tipična rješenja. Uvode se pojmovi kvalifikator znanja i kvalifikator neznanja za čvorove i veze. Vrste čvorova i veza s

kojima učenik iskazuje znanje ili neznanje vrijednosno slijede binarnu logiku tj. postoje ili ne postoje u rješenju. To daje mogućnost utvrđivanja prostora stanja rješenja učenika s obzirom na status čvorova i veza kako je to i prikazano u tablicama 12.5. i 12.6.

Algoritam 12.2. Prekrivanje čvorova i veza ­ Utvrdi status čvorova

­ Učitaj baze znanja: <stručnjak>, <zadatak>, <rješenje> ­ Uspoređuj baze znanja: <stručnjak>, <zadatak>, <rješenje>

­ Pravilo 1.: broji brisane čvorove. ­ Pravilo 2.: broji dodane čvorove. ­ Pravilo 3.: broji nove čvorove (nisu u <stručnjak>) ­ Pravilo 4.: broji nedostajuće čvorove.

­ Utvrdi status veza ­ Uspoređuj baze znanja: <stručnjak>, <zadatak>, <rješenje>

Ponavljaj ­ Pravilo 5.: brojanje novih veze.

Ako je <Veza> sa čvorom <Novi> tada status <Veza> = Nova_Veza

Inače Pravilo 6.1.: broji zadane točne veze Pravilo 6.2.: broji brisane točne veze Pravilo 6.3.: broji dodane točne veze Pravilo 6.4.: broji nedostajuće veze. Pravilo 6.5.: broji zadane pogrešne veze Pravilo 6.6.: broji brisane pogrešne veze Pravilo 6.7.: broji dodane pogrešne veze

Kraj Ako Sve dok ima veza u <stručnjak>, <zadatak>, <rješenje>

­ Stanje čvorova nakon prekrivanja ­ Pravilo 7.: Prikaži brisane čvorove ­ Pravilo 8.: Prikaži dodane čvorove ­ Pravilo 9.: Prikaži nedostajuće čvorove ­ Pravilo 10.: Prikaži čvorove bez promjene ­ Pravilo 11.: Prikaži nove čvorove

­ Stanje veza nakon prekrivanja ­ Pravilo 12.: Prikaži brisane veze ­ Pravilo 13.1.: Prikaži zadane pogrešne veze ­ Pravilo 13.2.: Prikaži brisane pogrešne veze i preostale zadane pogrešne veze ­ Pravilo 13.3.: Prikaži poruku da su obrisane sve pogrešne veze ­ Pravilo 14.: Prikaži dodane točne veze ­ Pravilo 15.: Prikaži dodane pogrešne veze ­ Pravilo 16.: Prikaži nedostajuće veze ­ Pravilo 17.1.: Prikaži nove veze ­ Pravilo 17.2.: Prikaži nove čvorove koji nisu povezani ­ Pravilo 18.: Prikaži zadane točne veze.

Za čvorove su utvrđena tri kvalifikatora znanja/neznanja što znači da će tablica prostora stanja rješenja za čvorove imati osam stanja (Tablica 12.5.). Uvažavajući i dvojnost tj. ona stanja gdje su dva ili tri kvalifikatora tablica se proširuje na ukupno petnaest stanja. Pri ovome se ne uzima u obzir doprinos čvorova bez promjene i novih čvorova.

Tablica 12.5. Tablica prostora stanja čvorova (Tablica stanja čvorova) R. br. brisan dodan nedostajući Status

1 0 0 0 bez promjene

2 0 0 1 neznanje

3 0 1 0 znanje

4 0 1 1 dodan > nedostajući - znanje

dodan = nedostajući - neznanje dodan < nedostajući - neznanje

5 1 0 0 nema smisla

6 1 0 1 neznanje

7 1 1 0 nema smisla

8 1 1 1

dodan > nedostajući > brisan - znanje dodan > brisan > nedostajući - znanje

brisan > nedostajući > dodan - neznanje brisan > dodan > nedostajući - neznanje nedostajući > brisan > dodan - neznanje nedostajući > dodan > brisan - neznanje

Za veze su utvrđena tri kvalifikatora znanja i četiri kvalifikatora neznanja, dok nova veza među novim čvorovima nema doprinosa. Prostor stanja rješenja s obzirom na utvrđene kvalifikatore znanja i neznanja moguće je opisati kombinacijama bez ponavljanja kako je to i prikazano izrazima 12.1. za izračun stanja znanja za veze (7 stanja), 12.2. za izračun stanja neznanja za veze (15 stanja) kao i 12.3. izračun dvojnosti stanja znanja i neznanja (105 stanja) i jedno stanje nema smisla (kad u rješenju ne postoje kvalifikatori za veze). Jednadžba broja stanja znanja:

Broj_Stanja_Znanja =

kz

z z

k

1

(12.1.)

Jednadžba broja stanja neznanja:

Broj_Stanja_Neznanja =

ln

n n

l

1

(12.2.)

Jednadžba broja dvojnosti stanja znanja i neznanja:

Broj_Stanja_Dvojnost =

kz

z

ln

n n

l

z

k

1 1

(12.3.)

gdje su: z - kvalifikator znanja n - kvalifikator neznanja k - broj kvalifikator znanja (k=3) l - broj kvalifikator neznanja (l=4) U tablici prostora stanja veza posebno ističemo dvojnosti stanja znanja i neznanja gdje ima 105 stanja (Tablica 12.6.). Kad dalje promatramo dvojnosti stanja znanja i neznanja u kojima postoji od najmanje jednog kvalifikatora znanja i jednog kvalifikatora neznanja, pa sve do tri kvalifikatora znanja i četiri kvalifikatora neznanja, prostor stanja rješenja poprima tzv. kombinatoričku eksploziju. Utvrđuje se da dvojnost stanja kvalifikatora znanja i neznanja daljnjom raščlanom slijedi račun faktorijela, čime broj ukupnih stanja dostigne brojku od 13.620 stanja. Važno je kazati da se promatraju samo stanja nejednakosti kvalifikatora znanja i neznanja. Graditi potpunu tablicu stanja nema smisla pa se ovaj dio ostavlja učitelju koji će nakon određivanja stanja veza u ovoj kategoriji

daljnju analizu obaviti „ručno“. Važan je to dio analize jer direktno utječe na vrednovanje tj. generiranje ocjene i donošenje preporuke za daljnji rad.

Tablica 12.6. Tablica dvojnosti stanja veza (Tablica stanja veza)

Stanje znanje Stanje neznanje Dvojnost Broj stanja Raščlana dvojnosti

1 1 D11 12 24

1 2 D12 18 108

1 3 D13 12 288

1 4 D14 3 360

2 1 D21 12 72

2 2 D22 18 432

2 3 D23 12 1440

2 4 D24 3 2160

3 1 D31 4 96

3 2 D32 6 720

3 3 D33 4 2880

3 4 D34 1 5040

UKUPNO 105 13620

Ocjenjivanje znanja učenika realizira se pomoću sustava s produkcijskim pravilima OCJENA, a generiranje ocjene obuhvaća prikaz opisne ocjene, obrazloženje ocjene opisano statusom čvorova i veza koje je učenik polučio i preporukom za daljnji rad. Ulazne podatke potrebne za ocjenjivanje sustav OCJENA dobiva iz tablice sa popunjenim brojem čvorova i veza koje je učenik ostvario u rješenju i od proceduralnog dijagnostičkog interpretatora znanja učenika. Dijagnostički interpretator čvorova i veza numeričkim kvantifikatorima „pojačava“ stanje znanja učenika i to je u suštini osnova za kvalitativno ocjenjivanje znanja metodom prekrivanja (Tablica 12.7.). Pri određivanju kvantifikatora za čvorove i veze nije moguće premostiti subjektivizam onoga tko to određuje. Predložena kategorizacija zapravo je jedna od mogućih i ovdje je začinjena subjektivizmom autora. U tom smislu usvojeno je da veću težinsku vrijednost iskaza neznanja za čvorove imaju brisani čvorovi nego nedostajući čvorovi. U pogledu veza veću težinsku vrijednost imaju brisane pogrešne veze od dodanih točnih veza. Kategorije iskaza neznanja tj. netočno provedenog misaonog procesa uopćavanja činjenica područnog znanja su poredane ovim redoslijedom od najviše ka najnižoj: zadane pogrešne veze, brisane točne veze, dodane pogrešne veze i nedostajuće veze. Novi čvorovi kao i veze koje se nad njima ostvare nemaju kvantifikatora pri ocjenjivanju isto kao i čvorovi bez promjene, dok je vezi bez promjene pridružen kvatifikator +0.1. Broj ostvarenih čvorova i veza u rješenju učenika s uvedenim kvantifikatora se „pojačava“ status čvorova i veza koji je ostvaren nakon prekrivanja znanja učenika sa znanjem stručnjaka. Nadalje, ovako uvedeni kvantifikatori obavljaju i „fino“ podešavanje pri određivanju ocjene učenika. U tom smislu prije izračuna ocjene izračunava se maksimalni broj bodova koje je učenik mogao ostvariti pri rješavanju generiranog zadatka, a zatim se izračunava i broj bodova koje je učenik ostvario pri rješavanju zadatka. Izračunavanje se provodi posebno za čvorove, a posebno za veze i definirano je izrazima 12.4. do 12.7.

Tablica 12.7. Tablica statusa i kvantifikatora čvorova i veza Status čvora

Prekrivanje Kvantifikator Status čvora

Prekrivanje Kvantifikator

Dodani (S∩R)\Z + 1.0 Brisana

pogrešna Z\(SR) + 1.0

Nedostajući S\(ZR) - 0.6 Dodana točna (S∩R)\Z + 0.8

Brisani (S∩Z)\R - 1.0 Bez promjene S∩Z∩R + 0.1

Bez promjene

S∩Z∩R Nema Nedostajuća S\(ZR) - 0.2

Novi R\(SZ) Nema Zadana

pogrešna (Z∩R)\S - 0.5

Brisana točna (S∩Z)\R - 0.8

Dodana pogrešna

R\(SZ) - 1.0

Nova R\(SZ) Nema

Napomena: R – baza rješenje, S – baza stručnjak, Z – baza zadatak Maksimalni broj bodova i bodovi za čvorove su:

Maksimalni broj bodova =

nedostajući čvorovi + dodani čvorovi

(12.4.)

Broj bodova = 1 * dodani čvorovi –

0.6 * nedostajući čvorovi – 1 * brisani čvorovi

(12.5.)

Maksimalni broj bodova i bodovi za veze su:

Maksimalni broj bodova =

0.8 * (nedostajuće + dodane točne) + 1 * (zadane pogrešne + brisane pogrešne) + 0.1 * (bez promjene + brisane točne)

(12.6.)

Broj bodova = 1 * brisane pogrešne + 0.8 * dodane točne +

0.1 * bez promjene – 0.2 *nedostajuće – 0.5 * zadane pogrešne – 0.8 * brisane točne – 1* dodane pogrešne

(12.7.)

Maksimalni broj bodova za čvorove i veze (parametri MAX) se pridružuje opisnoj ocjeni IZVRSTAN. To je najveća ocjena koju učenik može dobiti za iskaz svojeg znanja. Za ocjene je nadalje definiran skup kategorija sa dvanaest kvalifikatora (Tablica 12.8.) čime se proširuje tradicionalna skala ocjena od 1 do 5. Devet kvalifikatora pokazuju razine znanja, nula bodova je za ocjenu dovoljan, dok se preostale dvije ocjene odnose na razine nedovoljan.

Tablica 12.8. Kvalifikatori opisnih ocjena R. br. Kvalifikator opisne ocjene Vrijednost kvalifikatora

1. Izvrstan MAX

2. Manje od izvrstan [7/8 MAX, MAX>

3. Više od vrlodobar [6/8 MAX, 7/8 MAX>

4. Vrlodobar [5/8 MAX, 6/8 MAX>

5. Manje od vrlodobar [4/8 MAX, 5/8 MAX>

6. Više od dobar [3/8 MAX, 4/8 MAX>

7. Dobar [2/8 MAX, 3/8 MAX>

8. Manje od dobar [1/8 MAX, 2/8 MAX>

9. Više od dovoljan <0, 1/8 MAX>

10. Dovoljan 0

11. Manje od dovoljan [-1/8 MAX, 0>

12. Nedovoljan [-2/8 MAX, -1/8 MAX>

Prikazano je testiranje i vrednovanje znanje učenika metodom prekrivanja u modelu TEx-Sys. Implementacija ovog procesa je provedena u on-site TEx-Sys inačici. S tim u vezi će u odjeljku On-site TEx-Sys okruženje testiranja i vrednovanja znanja pomoću prekrivanja i biti prikazano programsko okruženje ove metode.

KVIZ ZNANJA

Testiranje pomoću kviza znanja odvija se u suglasju sa ontologijom za oblikovanje kviza znanja (Ontologija 12.3.), algoritmom za utvrđivanje izvedivosti kviza (Alogoritam 12.1.) i ontologijom kviza znanja (Ontologija 12.4.), što pored ontologije za prikaz znanja (Ontologija 12.1.) i ontologije za oblikovanje nastavnih sadržaja (Ontologija 12.2.) determinira okvire izvođenja kviza. S tim u vezi je i oblikovana ontologija 12.11.

Ontologija 12.11. Testiranja i vrednovanja znanja učenika pomoću kviza

­ Ontologija 12.1. - oblikovanje područnog znanja ­ Ontologija 12.2. - oblikovanje nastavnog sadržaja ­ Sudionik – učenik bira kolegij i u njemu element (e) nastavnog sadržaja za testiranje i vrednovanje

znanja. ­ Ontologija 12.3. -oblikovanje kviza znanja ­ Algoritam 12.1. -utvrđivanje izvedivosti kviza ­ Ontologija 12.4. - kviz znanja ­ Algoritam 12.3. - testiranja znanja pomoću kviza

Sa stajališta učenika algoritam testiranja znanja pomoću kviza (algoritam 12.3.) generira pitanja u serijama po dva pitanja, a broj serija je određen temeljem algoritma izvedivosti kviza. Testiranje započinje postavljanjem pitanja iz druge težinske kategorije. Da bi učenik nakon rješavanja jednog para pitanja dobio pitanja iz teže skupine potrebno je da na oba prethodno postavljena pitanja odgovori točno ili na jedno točno i na drugo djelomično točno.

Algoritam 12.3.Testiranja znanja učenika pomoću kviza

a. Generiraju se dva pitanja, prvog ciklus pitanja iz DRUGE težinske kategorije. Odgovor učenika:

1. Točno na oba pitanja i. prelazi se u veću težinsku kategoriju (TREĆA kategorija)

2. Djelomično točno (jedno pitanje točno, drugo netočno) ii. ostaje se u istoj težinskoj kategoriji

3. Netočno na oba pitanja iii. prelazi u nižu težinsku kategoriju (PRVU kategoriju) iv. ako je već u PRVOJ težinskoj kategoriji slijedi KRAJ TESTA

b. Generiraju se pitanja iz nove/iste težinske kategorije i ponavlja se točka a. za sve cikluse pitanja ili se završava testiranje kad je zadovoljen uvjet a. 3. iv.

Par netočnih odgovora, ili kombinacija jednog netočnog i jednog djelomično točnog odgovora, rezultira prelaskom na lakša pitanja dok kombinacija točno/netočno (ili dva djelomično točna odgovora) rezultira ostajanjem u istoj skupini pitanja kojoj su pripadala i prethodno postavljena pitanja. Naravno, par točnih odgovora na pitanja iz najteže skupine rezultira ostankom u toj skupini kao što i par netočnih odgovora na pitanja iz najlakše skupine rezultira ostajanjem u najlakšoj skupini. Točni odgovori pridonose visini konačne ocjene uz napomenu da pitanja iz težih skupina donose više bodova. Učenikovi odgovori se prate i provjeravaju u toku samog testiranja i težina pitanja svake serije određena je dotad iskazanim znanjem učenika. Ako učenik odgovori točno na oba pitanja u sljedećoj seriji dobiti će pitanja iz teže skupine, odnosno ako

odgovori netočno na oba pitanja sljedeća će biti iz lakše skupine. Time se sustav prilagođava iskazanom učenikovom znanju. U postupku testiranja učenika prate se četiri tipa, odnosno grupe podataka, koje nam omogućavaju vrednovanje učenikovih odgovora te generiranje ocjene na osnovu tih odgovora. To su sljedeći podaci: (i) postavljena pitanja; (ii) točni odgovori na postavljena pitanja; (iii) učenikovi odgovori na postavljena pitanja; (iv) čvorovi iz pitanja na koja nije dan točan odgovor. Slučajnim odabirom određuje se format pitanja i na osnovu tog formata uzimaju se čvorovi i veze iz baze koji popunjavaju mjesta varijabli u odabranom formatu, te se formira pitanje. Osim toga, generiraju se i ponuđeni odgovori, kojih je dva, tri ili četiri, i od kojih je točan jedan ili dva odgovora. Pri tome se također pazi da ti odgovori ne budu besmisleni (što je ostvareno dodatnim mehanizmima provjere unutar samog generatora) ili da ne bude isti odgovor ponuđen više puta. U vezi s iznesenim uočava se da ovdje postoje dvije faze rada učenika i to faza testiranja i faza vrednovanja. U prvoj fazi učenik odgovara na postavljena pitanja, a modul testiranja provjerava njegove odgovore i na osnovu njihove točnosti/netočnosti poduzima daljnje korake. Ove dvije akcije su međusobno isprepletene jer se provjera odgovora vrši nakon svake serije pitanja da bi se sljedeće serije prilagodile učenikovom znanju. Druga faza je vrednovanje učenikovog znanja na osnovu pruženih odgovora. U ovoj fazi učeniku se daje ocjena (obzirom na odnos maksimalnog broja bodova i ostvarenog broja bodova) te preporuka za daljnji rad (u vidu liste čvorova baze područnog znanja na koje učenik treba obratiti dodatnu pažnju). Za vrednovanje znanja učenika razvijen je bodovni kriterij povezan s težinskim kategorijama pitanja u kvizu (Tablica 12.9.).

Tablica 12.9. Bodovnih vrijednosti u kvizu znanja Bodovna vrijednost

Težinska kategorija pitanja Broj bodova

Prva 1

Druga 2

Treća 3

Ostvareni bodovi se zbrajaju nakon svake serije pitanja, te se na kraju dobiva ukupan rezultat testiranja učenika. Ocjena je predstavljena rangom kao odnos konačnog zbroja ostvarenih bodova i maksimalnog broja bodova. Rang je kvantificiran u rasponu od 30 do 91 bod prema Tablici 12.10., a određuje se temeljem izraza:

100bodovabroj maksimalan

bodovabroj ostvarenirang (12.8.)

Tablica 12.10. Bodovi kriterij za rang ocjene

Rang Ocjena

Rang <= 30 Nedovoljan

31 <= rang <= 50 Dovoljan

51 <= rang <= 70 Dobar

71 <= rang <= 90 Vrlo dobar

91 <= rang Odličan

Osim navedenog, generira se i lista svih pitanja s informacijom o točnosti učenikovog odgovora te se omogućava pristup čvorovima iz onih pitanja na koje nije dan točan odgovor. Ostvareni rezultat testiranja učenika smješta se u bazu učenika, da bi se sustav mogao prilagoditi njegovom znanju kod sljedećeg pristupa testiranju ili daljnjem učenju.

Prikazano je testiranje i vrednovanje znanje učenika pomoću kviza znanja u modelu TEx-Sys. Implementacija ovog procesa je provedena u svim inačicama modela. Za prikaz implementacije je odabrana inačica xTEx-Sys jer je obuhvatila sve uočene pogreške ranijih izvedbi i bit će analizirana u odjeljku xTEx-Sys okruženje testiranja i vrednovanja znanja pomoću kviza.

ON-SITE TEX-SYS OKRUŽENJE TESTIRANJA I VREDNOVANJA ZNANJA POMOĆU PREKRIVANJA

Izborom opcije Testing (slika 12.51.b.) započinje proces testiranja i vrednovanja znanja učenika pomoću prekrivanja, u kojem učenik ponajprije bira bazu područnog znanja kao i problem kojeg će pri tom rješavati (slika 12.70.), a temeljen je na Ontologiji 12.8.. Učenik je za ovaj prikaz izabrao bazu znanja Računalo kako sustav i zadatak s oznakom Problem 3. Treba naglasiti i to da je ovo dio nastavnog sadržaja za kolegija Uvod u računarstvo (prikazan u prilogu 12.2.) te je radi slijeđenja ovog procesa prikazan u posebnom prilogu Prilog 12.3. Treba uočiti da se promatra samo tekstualni dio nastavnog sadržaja koji ima deset koncepata (čvorova) znanja i devet relacija (veza).

Slika 12.70. Izbor baze znanja i izbor zadatka Zadatak generira računalo te učenik započinje sa njegovim rješavanjem u okruženju kao na slici 12.71. Zadaća učenika je rekonstruirati inicijalnu bazu znanja (prikazana u Prilogu 12.3.). Generirano znanje ima šest čvorova i četiri linka. Učenik mora obaviti analizu ovog stanja i utvrditi pogreške koje je zadatak generirao tj. utvrditi prostor stanja zadatka, a to znači status čvorova i veza područnog znanja. Treba primijetiti da u ovom zadatku (specifikacija Zadatak 3. Ontologija 12.9.) postoje brisani čvorovi znanja, a sa njima naravno i veze među čvorovima te pogrešno zadane veze.

Slika 12.71. Prikaz generiranog znanja

Stanje u promatranom primjeru je moguće uočiti ako se uspoređuju čvorovi znanja iz Priloga 12.3. i čvorovi znanja na slici 12.71. Učeniku su dvije mogućnosti na raspolaganju, samostalno detektirati stanje čvorova i veza generiranog zadatka i pristupiti njegovom rješavanju ili aktivirati pomoć te pogledati opis generirane baze znanja (kako je to prikazano na slici 12.72.).

Slika 12.72. Opis generiranog zadatka Ovdje su mogući različiti scenariji učitelja od zabrane korištenja pomoći, pa do umanjivanja ocjene razmjerno broju pozivanja okvira pomoći – informacije o generiranom zadatku. U primjeru sa slike 12.72. je prikazano takvo stanje zadatka gdje nedostaje četiri čvora znanja i osam veza, te da su uspostavljene (generirane) tri pogrešno zadane veze. Učenik sam odlučuje o redoslijedu rješavanja ovog zadatka. Prikazat će scenarij sa slijedom: dodavanje nedostajućih čvorova (slika 12.73.), brisanje pogrešnih veza (slika 12.74.), te dodavanje točnih veza (slika 12.75.).

Slika 12.73. Dodavanje čvora znanja Važno je istaknuti da se proces rješavanje zadatka odvija u konstruktivističkom okruženju u kojem učenik slijedom osobnog znanja, stečenog u procesu učenja i poučavanja, rukuje s konceptima i relacijama postupno ih dovodeći u strukturu koju je definirao stručnjak područnog znanja. Naravno da se rješenje tj. rekonstruirana baza znanja uspoređuje s bazom znanja stručnjaka slijedom načela metode prekrivanja.

Slika 12.74. Brisanje pogrešne veze

Slika 12.75. Dodavanje točne veze

Učenik u svakom trenutku rješavanja zadatka može ovaj proces završiti i prijeći na sljedeći korak – korak vrednovanja znanja. Osim toga u svakom trenutku može pogledati i stanje rješavanja zadatka (slika 12.76.). Pretpostavimo da je upravo u takvom stanju, kao na slici 12.76., učenik i napustio daljnje rješavanje zadatka.

Slika 12.76. Prikaz stanja zadatka Izborom opcije Evaluating (slika 12.51.b.) započinje postupak vrednovanja znanja te dobivanja dijagnostičkih izvještaja stanja znanja (slika 12.77.).

Slika 12.77. Izvještaji o stanju znanju učenika pri rekonstrukciji baze znanja Izvještaj stanja znanja ima tri pogleda:

­ Pogled Analitics - opis svih čvorova znanja i veza u skladu s algoritmom prekrivanja znanja učenika i znanja stručnjaka. Ovaj izvještaj je temeljem na Ontologiju 12.10. i Algoritam 12.2. Status čvorova i veza je u suglasju s Tablicama 12.5. za čvorove i 12.6. za veze, kao i Tablicom 12.7. kao zajedničkom za status čvorova i veza i vrijednostima kvantifikatora koji učestvuju u obračunu broja bodova za čvorove i bodova za veze.

­ Pogled Diagnostics – dijagnostika s ocjenom za čvorove znanja i veze iskazana brojem postignutih bodova i maksimalnog broja bodova koji se mogao postići u ovom zadatku. Izračunavanje maksimalnog broja bodova i postignutog broja bodova provodi se u skladu s izrazima 12.4. do 12.7. Ocjena se određuje na osnovi Tablice 12.8. i definiranih kvalifikatora opisnih ocjena.

­ Pogled Statistics - pogled na status veza koje su ostvarene u postignutom rješenju i dobiva se pomoću Algoritma 12.2.

Tablica 12.11. Dijagnostički izvještaj stanja znanja

Analiza stanja čvorova

Centralna jedinica Added Memorija Added Računalo Added Sustav tehničke podrške (hardware) Added Ulazne jedinice No changes Izlazne jedinice No changes Radna memorija No changes Računalni sustav No changes Sustav programske podrške (software) No changes Centralna procesorska jedinica No changes

Analiza stanja veza

Računalni sustav *ima+ Izlazne jedinice Wrong deleted Sustav tehničke podrške (hardware) *dio od+ Računalni sustav Correct added Centralna procesorska jedinica *dio od+ Računalo Correct added Radna memorija *dio od+ Računalo Correct added Centralna jedinica *dio od+ Sustav programske podrške (software) Wrong added Memorija [dio od] Centralna jedinica Missing Računalo *dio od+ Centralna jedinica Missing Centralna jedinica *dio od+ Sustav tehničke podrške (hardware) Missing Izlazne jedinice *dio od+ Sustav tehničke podrške (hardware) Missing Ulazne jedinice *dio od+ Sustav tehničke podrške (hardware) Missing Sustav programske podrške (software) *dio od+ Računalni sustav Correct given Radna memorija [primjerak od] Radna memorija Wrong given Radna memorija [Vrsta od] Centralna procesorska jedinica Wrong given

Bodovi za čvorove: 4/4 Bodovi za veze: 0,5/9,5

No nodes deleted! All nodes added! Nodes without changes...total: 6 No new nodes!

Wrong links noted! Wrong links deleted...total: 1 Wrong links left! Given wrong links left...total: 2 Correct links added...total: 3 Wrong links added...total: 1 Missing links...total: 5 Links without changes...total: 1

Excelent More than satisfactory

Detaljni pogled na analizu stanja čvorova znanja i veza je prikazan u Tablici 12.11., dok je na slici 12.78. posebno pogled na status veza koje su ostvarene u postignutom rješenju zadanog problema.

Slika 12.78. Pogled na ostvareno rješenje po statusu veza Opisan je postupak testiranja i vrednovanja znanja učenika pomoću metode prekrivanja u on-site inačici modela TEx-Sys

XTEX-SYS OKRUŽENJE TESTIRANJA I VREDNOVANJE ZNANJA POMOĆU KVIZA

Testiranje znanja učenika započinje s formom prikazanom na slici 12.79. Izborom opcije Učenje, poučavanje i testiranje nastavnog sadržaja.

Slika 12.79. Prijava učenika na sustav

Učenik dobiva spisak kolegija. Izabrat će se kolegij u kojem odabire kolegij Uvod u računarstvo.

Slika 12.80. Izbor kolegija

Izbor kolegija pruža ove informacije (slika 12.80.) : vrijeme određeno za učenje, vrijeme određeno za testiranje, postignute ocjene u prethodnim testiranjima (ako ih je bilo), broj SCO-ova kao elemenata strukture nastavnih sadržaja kolegija. Posljednje testiranje učenik je obavio 24.07.2009., ali učenik želi ponoviti testiranje (tekući datum je 30.07.) do isteka testiranja 31.07.2009. U spisku su posebno označavaju testovi kao SCO s oznakom «upitnika» i nazivom kojeg je odredio učitelj. Odabrana je nastavna cjelina Računalo kao sustav i u njemu pripadni test znanja. Test znanje će obuhvatiti nastavne teme redom navedene od Temeljene funkcije i dekompozicija sustava računala do Osobna računala (slika 12.81.).

Slika 12.81. Izbor nastavne cjeline za testiranje Radi ugodnijeg izgleda korisničkog sučelja učenik aktivira opciju Prikaži strukturu nastavnog sadržaja (slika 12.82.). Ovu opciju treba koristiti onda kad se odabere element strukture nastavnog sadržaja u lijevom dijelu forme.

Slika 12.82. Početna forma testiranja znanja pomoću kviza. Početna forma nosi niz informacija o testiranoj nastavnoj cjelini, pa se vidi naziv testnog SCO-a – Računalo kao sustav_Novi, koji se nalazi unutar nastavne cjeline Računalo kao sustav u kolegiju Uvod u računarstvo.

Sustav je generirao deset serija od po dva pitanja, a na slikama (12.83. i 12.84.) su prikazane druga i šesta serija.

Slika 12.83. Druga serija pitanja u testiranju znanja pomoću kviza

Slika 12.84. Šesta serija pitanja u testiranju znanja pomoću kviza

Testiranje i vrednovanje znanja pomoću kviza odvija se u suglasju s Ontologijom 12.11. gdje je između ostalih specifikacija posebno za praćenje tijeka testiranja važna Ontologija 12.4. (specifikacija kviza znanja) i Algoritam 12.3. (algoritam za odvijanje kviza znanja). Tijek testiranja je u Prilogu 12.4., a rezultati testiranja su u posebnoj formi (slika 12.85.) gdje je prikazan: ­ Odnos broja ostvarenih bodova prema maksimalnom broju bodova. Bodovne

vrijednosti težinskih kategorija su u Tablici 12.9. Za promatrani test (vidjeti Prilog 12.4.) učenik je započeo sa drugom težinskom kategorijom i ostvario 4 boda od maksimalno 4 boda). Slijedi 16 pitanja iz treće težinske kategorije gdje je ukupno mogao osvojiti 48 bodova, a osvojio je 36 bodova. Uočava se da je netočno odgovorio na peto pitanje u trećoj seriji, ali je pravilo 2 Algoritma 12.3. ostavilo učenika u istoj težinskoj kategoriji (kategorija 3.). Konačno u devetoj seriji tj. na pitanja 17. i 18. učenik je pogriješio te od mogućih 6 osvojio 0 bodova. U desetoj seriji bio je u drugoj težinskoj kategoriji i od mogućih 4 boda osvojio sva 4 boda. Ovakvim promišljanjem se izračunava odnos maksimalnog broja bodova (56) i ostvarenih broja bodova (44).

­ Ocjena se određuje uz pomoć izraza 12.8 (rang=78.5) koji prema Tablici 12.10. određuje ocjenu vrlodobar (4).

­ Pregled svih postavljenih pitanja s pogledom na tijek dobivanja bodova kao i točnost odgovora. Na slici 12.85. je samo prikazana prva serija od dva pitanja, dok su sve ostale serije pitanja u Prilogu 12.4.

Slika 12.85. Prikaz rezultata testiranja znanja pomoću kviza

Učenik je pogriješio pri odgovoru na pitanje broj 15. pa je aktiviranjem istaknutog koncepta (čvora znanja) dobio objašnjenje prikazano na slici 12.86.

Slika 12.86. Objašnjenje za pogrešan odgovor na pitanje broj 15. Učenik može pogledati i dodatno objašnjenje i na ona pitanja na koja je dao točan odgovor (pitanje 16. – slika 12.87.).

Slika 12.87. Dodatno objašnjenje za pitanje broj 16.

Opisan je postupak testiranja i vrednovanja znanja učenika pomoću kviza u xTEx-Sys inačici modela TEx-Sys.

ARHITEKTURA SUSTAVA IMPLEMENTIRANIH PO MODELU TEX-SYS

Analizom arhitektura sustava implementiranih po modelu TEx-Sys (on-site TEx-Sys, DTEx-Sys, xTEx-Sys) moguće je pratiti razvoj informacijske i komunikacijske tehnologije koja se koristila u pojedinim razdobljima. Nadalje, iz pregleda arhitektura se mogu vidjeti i aktualni trendovi na računalima zasnovanih sustava učenja i poučavanja u pojedinim razdobljima. Oblikovanje i izvedba on–site sustava TEx-Sys realizirana je u dvo-rednoj arhitekturi s zajedničkim redom korisničkog sučelja i aplikacijske logike te redom baze podataka. To je stand-alone aplikacija i nema poveznicu prema mrežnom okruženju. U tom vremenu je dostupna tehnologija omogućavala izgradnju jednokorisničkog sustava koji bi zadovoljio pred njega postavljene zadatke i funkcionalnosti, pa je tako nastao on-site TEx-Sys. U razdoblju od 1996. do zaključno 2000. godine ova je izvedba sustava uvijek bila implementirana kao Windows aplikacija sukcesivno uz pomoć MS VisualBasic 3.0, MS VisualBasic 5.0 i MS VisualBasic 6.0, a realizirana na platformama Windows 3.11 i Windows 95. Funkcionalnosti i korisničko sučelje su integrirani i programskim kodom i fizički, a odvojeni od baze podataka, pa s tim u vezi ova izvedba nije prikladna za mrežnu raspodjelu. Sa slike 12.88. je vidljivo da je on-site TEx-Sys izrađen s nizom povezanih programskih modula koji realiziraju funkcionalnosti sustava i predstavljaju red aplikacijske logike: T-Expert – za oblikovanje baze područnog znanja, Learning – za učenje i poučavanje, Testing i Evaluating – za testiranje i vrednovanje po načelu prekrivanja, Quiz – za testiranje znanja pomoću kviza. Ovim se programskim modulima pristupa bazama znanja i podacima o korisnicima (sudionicima). Model podataka sustava on-site TEx-Sys sustava izveden je pomoću: (i) relacijskog modela baze znanja (pet tabela) i (ii) relacijskog modela baze podataka za vođenje administracije korisnika (učitelja i učenika) (devet tabela) Baza područnog znanja sastoji se od tabela Nodes, Links, NodeLinkNode, SlotFiller i Atributes. Sadržaj tabela definiran je na način kako slijedi: tabela Nodes sadrži nazive čvorova baze znanja, tabela Links sadrži vrste veza baze znanja, tabela NodeLinkNode prikazuje način povezivanja čvorova kao i vrste veza koje te čvorove povezuje, tabela SlotFiller sadrži atribute (SLOT) i vrijednosti atributa (FILLER) koji se pridružuju nekom

Windows Applications

Database files

Users DB

Knowledge DBs

Login

Developing

Learning

Quiz

TEx-Sys

Overlay

EvaluatingTesting

Slika 12.88. Arhitektura on-site TEx-Sys

čvoru i tabela Atributes sadrži adrese strukturnih atributa koji se pridružuju nekom čvoru.

Slika 12.89. Relacijski model baze područnog znanja

Baza podataka za vođenje administracije u sustavu sastoji se od: ­ tablica Actions koja sadrži akcije korisnika koje poduzima za vrijeme rada s

modulima sustava TEx-Sys, ­ tablica Answers koja sadrži pitanja, odgovore, oznaku o točnosti odgovora tijekom

testiranja putem kviza,

Slika 12.90. Relacijski model baze za administriranje funkcionalnosti

­ tablica Bases koja sadrži putanje do baze znanja i njihove identifikacijske atribute, ­ tablica Evaluate koja sadrži ocjene učenika koji testira svoje znanje putem

prekrivanja, ­ tablica Nodes koja sadrži čvorove baze znanja i pitanja koja se formiraju s tim

čvorovima tijekom testiranja putem kviza, ­ tablica Questions sadrži pitanja i kategoriju pitanja tijekom testiranja putem kviza, ­ tablica Quiz koja sadrži sve relevantne atribute o testiranju učenika putem kviza, ­ tablica Sessions koja sadrži atribute o korisniku i njegovom korištenju programskih

modula sustava TEx-Sys i tabele koja Users sadrži atribute korisnika sustava TEx-Sys.

Baze podataka su implementirane uz pomoć Microsoft Access sustava za upravljanje bazama podataka, dok aplikacijsko sučelje za baze podataka zahtjeva namještanje mehanizma DAO (Data Access Objects). Nadalje, baze područnog znanje mogu se prenositi i ponovno pokretati na drugim osobnim računalima sa instalacijom on-site sustava TEx-Sys. Primjena on-site TEx-Sys sustava kao i razdoblje u kojem se provodila je uvjetovala daljnji razvoj modela i njegovu implementaciju u hipermedijskom Web okruženju. Razvoj nove inačice sustava DTEx-Sys započeo je 1999. godine (Rosić, 2000) sa sljedećim temeljnim odrednicama arhitekture: (i) korištenje tehnologije za dinamičko generiranje sadržaja Web dokumenata i (ii) korištenje tro-redne klijent – poslužitelj arhitekture. DTEx-Sys realiziran je u 3-rednoj arhitekturi klijent-poslužitelj korištenjem Microsoft Windows Distributed interNet Applications Architecture (DNA). Slika 12.91. prikazuje koje elemente Windows DNA u svakom redu 3-redne klijent poslužitelj arhitekture koristi sustav DTEx-Sys. Red korisničkog sučelja sustava DTEx-Sys osigurava sučelje za registraciju pristupa, pristup bazama područnih znanja, rješavanju testova, pregledavanje ocjena i preporuka za daljnji rad. Osnovni element sučelja je Web preglednik s izvršnim strojem programskog jezika Java (eng. Java Virtual Machine). Ovaj izvršni stroj je potreban zbog izvođenja Java appleta koji mogu biti pridruženi elementima baza područnih znanja. Plug-in elementi su potrebni zbog interpretacije dokumenata koje Web preglednik nije u mogućnosti samostalno interpretirati (primjerice interpretacija PDF dokumenata ili dokumenata koji sadrže video zapise). Ispravnost unesenih podataka provjerava se programskim jedinicama pisanim u programskom jeziku JScript koji Web preglednik interpretira i na taj način se rasterećuje poslužitelj. Red aplikacijske logike na osnovu upita klijenta generira dokument koji mu se potom distribuira. Dokument može sadržavati elemente pridružene objektu (tekstualni opis, video zapis, audio zapis, hipertekstualne veze prema dokumentima koji dodatno opisuju objekt, Java applet, lista svih objekata baze područnog znanja povezanih s odabranim objektom) kojeg je klijent odabrao ili test iz odabranog područja. Također, dokument koji se distribuira učeniku može predstavljati preporuku za daljnji rad temeljena na rezultatima testa. Prethodno nabrojeni dokumenti su elementi koji se po distribuciji prikazuju učeniku. Elementi koji se

Slika 12.91. Arhitektura DTEx-Sys

Web Server

Learning and Teaching

Administration

Quiz

Web Client

RDBMS

Users DB

Knowledge DBs

Browser

HTTP call

DTEx-Sys

pohranjuju na računalu klijenta a koje učenik ne vidi su tzv. cookies. Cookies su zapisi koje aplikacijska logika sustava pohranjuje na računalu klijenta. Sadržaj ovih zapisa omogućuje praćenje učenika kroz rad. Red aplikacijske logike se izvršava na Microsoft Windows NT platformi pod nadzorom Internet Information Server-a (IIS). IIS sadrži Active Server Pages (ASP) okruženje za generiranje dokumenata koji se distribuiraju Web klijentu. Dio aplikacijske logike sustava implementiran je programskim modulima koji se pokreću u ASP okruženju. Navedeni programski moduli pisanu su programskim jezikom VBScript. Aktivirani programski moduli na osnovu ulaznih parametara formiraju izlazni dokument formatiran na način koji je razumljiv klijentu. To je najčešće Hipertext Markup Language (HTML) ali je dozvoljeno i formiranje bilo kojeg Multipurpose Internet Mail Extensions (MIME) tipa dokumenta koji programska podrška klijenta može prezentirati učeniku. Programski moduli ASP okruženja imaju mogućnost interakcije s komponentama Component Object Model (COM). Komponente COM se izvršavaju pod nadzorom Microsoft Transaction Server-a. Aplikacija se može realizirati na način da korisnici u lokalnoj mreži pristupaju direktno komponentama koje se izvršavaju pod Microsoft Transaction Server-om. Sigurnost aplikacije povećana je odvajanjem pojedinih dijelova aplikacije u izolirane procese. Organizacija aplikacije kroz izolirane procese omogućuje da “ispad” jednog djela aplikacije ne mora uzrokovati “pad” cijelog sustava. U redu baza podataka sustava DTEx-Sys nalaze se baze područnih znanja i baze s podacima o korisnicima sustava. Znanje u bazama područnih znanja je reprezentirano semantičkim mrežama s okvirima. Uz elementarne podatke o korisnicima, baze korisnika sustava sadržavaju informacije o ponašanju korisnika u vrijeme korištenja sustava i rezultate njihovih testiranja. Koristeći ove podatke sustav se može prilagođavati individualnim potrebama učenika. Red aplikacijske logike pristupa bazama podataka preko sustava Open Database Connectivity (ODBC). Na taj način promjena formata ili lokacije baze podataka ne povlači potrebu za izmjenama u redu aplikacijske logike ili korisničkom sučelju. Programski moduli okruženja ASP i COM komponente aplikacijske logike sustavu ODBC prilaze korištenjem Active X Data Objects (ADO) komponenti.

Slijedom nastavka istraživanja na području inteligentnih tutorskih sustava i autorskih ljuski za njihovo oblikovanje, kao i potaknuti uspješnom primjenom inačica on-site TEx-Sys i DTEx-Sys 2003. godine započet je razvoj i implementacija sustava xTEx-Sys kao Web orijentirane hipermedijske autorske ljuske (Stankov i drugi, 2005 – TP). Projektiranje, razvoj i implementacija sustava xTEx-Sys izvršeno je uz pomoć: ­ Jezika za vizualno modeliranje sustava UML - Unified Modeling Language

(www.uml.org). UML je simboličan jezik za specifikaciju, vizualizaciju, izgradnju i dokumentaciju komponenti programskog sustava, a pojednostavljuje kompleksan razvojni proces programske podrške pomoću vizualnih metoda. UML se može koristiti u različitim fazama razvoja sustava: specifikacija zahtjeva, analize, oblikovanja, programiranja i testiranja. UML je sada industrijski standard, a njegov daljnji razvoj i održavanje je u ingerenciji OMG-a (Object Management Group).

­ Okruženja za vizualno modeliranje Rational Rose - Rational Object Software Engineering. (http://www-306.ibm.com/software/rational/). Rational Rose je skup alata za vizualno modeliranje i razvoj objektno orijentirane programske podrške. Rational Rose je sofisticirani CASE alat s brojnim značajkama uključujući generiranje koda i

revers inženjering. Rose koristi UML omogućavajući grafičke metode i to kako ne-programerima koji žele primjerice modelirati poslovne procese isto kao i programerima za modeliranje aplikacijske logike.

­ Metodologije za analizu, oblikovanje i implementaciju RUP - Rational Unified Proces. (http://www-306.ibm.com/software/rational/). Rational Unified Process objektno orijentirana Web metodologija za razvoj programske podrške. RUP povećava timsku produktivnost omogućavajući svakom članu jednostavan pristup bazi znanja s vodičima, predlošcima i alatom za sve kritične razvojne aktivnosti. Imajući u vidu da svi članovi tima imaju pristup istoj bazi znanja, nije važno radi li se sa zahtjevima, oblikovanjem, testiranjem, projektnim i konfiguracijskim menadžmentom, osigurano je da svi članovi tima dijele zajednički jezik, proces te viziju razvoja programske podrške. Rational Unified Process zahvaća većinu "najboljih iskustava" (eng. best practices) u modernom razvoju programske podrške u formi pogodnoj za široki krug projekata i organizacija i obuhvaćaju: (i) iterativni razvoj programske podrške (eng. Develop software iteratively), (ii) vođenje zahtjeva (eng. Manage requirements), (iii) upotrebu arhitekture bazirane na komponentama (eng. Use component-based architecture), (iv) vizualni model programske podrške (eng. Visually model software), (v) vrednovanje kvalitete programske podrške (eng. Verify software quality) i (vi) kontrolu promjena u programskoj podršci (eng. Control changes to software).

Sustav xTEx-Sys je realiziran u četiri faze kako slijedi: faza početak (eng. Inception Phase) – dvije iteracije; faza elaboracije (eng Elaboration Phase) – tri iteracije; faza konstrukcije (eng. Construction Phase) – dvije iteracije i faza tranzicije (eng. Transition Phase) – dvije iteracije (Kruchten, 2000). Tranzicija tj. izgradnja korisničkog okruženja za rad na sustavu izvršena je osim na Fakultetu prirodoslovno – matematičkih znanosti i odgojnih područja Sveučilišta u Splitu i na lokaciji Fakulteta kemijskog inženjerstava i tehnologije Sveučilišta u Zagrebu. Implementacija sustava prilagođena je izvršavanju pod operacijskim sustavom Microsoft Server 2003. Sustav xTEx-Sys je realiziran pomoću troredne arhitekture s izdvojenim redovima podataka, aplikacijske logike i korisničkog sučelja. Red baza podataka implementiran je unutar Microsoftovog sustava za upravljanje relacijskim bazama podataka SQL Server. Ovaj red sustava xTEx-Sys sadrži tri baze podataka: xtex_Users, xtex_Knowledges i xtex_Courses. Baze podataka sadrže

Web client application

Web Forms

Web services

Shared Web Service

Administrator Web

Service

Expert Web Service

Teacher Web Service

Student Web Service

RDBMS

Knowledge DBUsers DB Courses DB

XML Web service

call via HTTP

xTEx-Sys

Slika 12.92. Arhitektura xTEx-Sys

ukupno 30 tablica i 73 pohranjenih procedura. Ovakvom je organizacijom postignut potpuni integritet podataka vezan za znanje stručnjaka, nastavne sadržaje kao i za podatke o sudionicima sustava. Razvijeni su i mehanizmi automatskog generiranja sigurnosnih kopija baza podataka, kao i procedure reagiranja u incidentnim situacijama. Baza podataka xtex_Users sadrži podatke o svim sudionicima sustava. U ovoj bazi podataka se uz osnovnu informaciju o sudioniku (ime, prezime, tip sudionika, sudioničko ime, adresa i sl.) nalaze se i podaci o pripadnosti sudionika raznim grupama sudionika, aktivnostima sudionika u korištenju sustava i ograničenjima u korištenju pojedinih funkcija sustava. Baza podataka xtex_Users sadrži i podatke o temama i prilozima forumima unutar kojih sudionici raspravljaju, kao i poruke koje si sudionici mogu međusobno prosljeđivati. Kod svakog pristupa se u ovoj bazi podataka zapisuje zapis i o IP adresi sudionika tako da ovaj podatak može imati ključnu funkciju pri istraživanju eventualnih zlouporaba sustava. Baza podataka xtex_Knowledges sadrži baze znanja oblikovane od strane sudionika stručnjak. Ova baza podataka tako sadrži podatke o područjima i podpodručjima stručnjačkog znanja unesenog u bazu, čvorovima znanja i njihovim okvirima i strukturnim atributima kao i vezama među čvorovima. Baza xtex_Courses sadrži popis kolegija, agregacija unutar kolegija, elemente agregacija kao i sve potrebne podatke za generiranje testova. Red aplikacijske logike kao i red korisničkog sučelja sustava implementiran je u Microsoftovom dotNET okruženju. Ova dva reda sustava realizirana su Web uslugama koje realiziraju funkcionalnosti sudionika sustava (prema slici 12.92.): usluge administratora (Administrator Web Service) izvršavaju funkcionalnosti sudionika administratora, usluge učitelja (Teacher Web Service) izvršavaju funkcionalnosti sudionika učitelja, usluge stručnjaka (Expert Web Service) izvršavaju funkcionalnosti sudionika stručnjaka te usluge učenika (Student Web Service) izvršavaju funkcionalnosti učenika kao i zajedničke usluge (Shared Web Service) kao zajedničke usluge svih sudionika sustava. Komunikacija među ovim uslugama je izvedena uz pomoć SOAP (Simple Object Access Protocol) protokola. Red aplikacijske logike sustava xTEx-Sys strukturiran je prema funkcionalnostima sudionika, a realiziran sa ukupno 86 komponenti koje komuniciraju s jedne strane s bazama podataka reda podataka i s druge strane s elementima korisničkog sučelja. Komponente administratora namijenjene su nadzoru sustava i dozvoljavanju korištenja raznih funkcionalnosti: pridruživanje kolegija i učitelja grupama sudionika i pojedincima, formiranje grupa sudionika, prikaz kolegija i grupa sudionika, unos novih sudionika i ostale komponente namijenjene administriranju sustava. Komponente stručnjaka omogućavaju implementaciju baza područnih znanja. Ove komponente omogućuju stručnjaku izvedbu čvorova znanja, veza među čvorovima znanja, dodavanje novih okvira i strukturnih atributa čvorova znanja. Također je korištenjem ovih komponenti moguće pregledavati ranije izvedeno znanje kao i njegovo uređivanje. Komponente učitelja osiguravaju implementaciju nastavnog sadržaja namijenjenog učenju i poučavanju učenika. Korištenjem ovih komponenti učitelj strukturira kolegije grupiranjem elemenata znanja stručnjaka. Komponente učenika omogućavaju proces učenja i poučavanja, kao i vrednovanje znanja registriranih učenika sustava. Zajedničke komponente su one komponente koje koriste svi sudionici sustava. U ove komponente spadaju primjerice komponente inicijalizacije Web usluga sustava i

komponente namijenjene komunikaciji sudionika sustava. Red korisničkog sučelja implementiran je s 39 elementa sučelja.

Poglavlje 13

PRIMJENA I VREDNOVAN JE UČINKOVITOSTI MODELA TEX-SYS

Istraživanje, razvoj i implementacija modela TEx-Sys nužno je pratila i primjenu i to u početku najviše pri neposrednoj realizaciji nastavnih planova i programa obrazovnih profila (studijskih grupa) s kojima je autor ovih redaka realizirao nastavni proces na matičnom Fakultetu. Globalno je primjena s obzirom na istraživanje i razvoj modela TEx-Sys imala tri razdoblja: ­ Prvo u vremenu od 1997. do 2001. gdje je cilj steći početna iskustva u organizaciji

redovitog nastavnog procesa uz pomoć sustava e-učenja tj. posebno inteligentnih tutorskih sustava. Primjena se odvija na matičnom Fakultetu (danas Prirodoslovno matematički fakultet) i Visokoj učiteljskoj školi (danas Filozofski fakultet) Sveučilišta u Splitu sa studentima u okviru izbornog kolegija Primjena računala u nastavi.

­ Drugo u vremenu od 2001. do 2004. gdje je cilj „izaći sa matičnog Fakulteta“ i proširiti primjenu u što više obrazovnih institucija (od osnovne škole do fakulteta).

­ Treće u vremenu od 2004. do 2007. gdje je cilj oblikovanje i implementacija metodologije za vrednovanje sustava e-učenja, posebno inteligentnih tutorskih sustava na osnovi mjerenja postignuća učenika iskazan s veličinom učinka (eng. effect size), a sve na tragu rješavanja dva sigma problema(Bloom, 1984; Fletcher, 2003).

Prvo je primijenjena inačica on-site TEx-Sys sustava na područnom znanju koje obuhvaća kolegij Uvod u računarstvo (Stankov, 1998; Stankov, 2001; Stankov i drugi 2001.). Pokazalo se da studenti prihvaćaju organizaciju nastave podržane s informacijskom i komunikacijskom tehnologijom, na što su upućivale analize anketa očekivanja i analize anketa nakon završenog procesa učenja, poučavanja, testiranja i vrednovanja znanja. U razdoblju od 2001. do 2007. godine 2240 učenika i studenta su na sustavima izvedenim po modelu TEx-Sys realizirali učenje, poučavanje te testiranje i vrednovanje znanja. Većina učenika i studenata je iskazala interes i zadovoljstvo u radu što se ustanovilo kako pojedinačnim razgovorima tako i provedenim anketama. Bio je to početak jednog novog istraživačkog i razvojnog procesa u području utvrđivanja postignuća učenika izračunom veličine učinka, te kao posljedice takvih rezultata utvrđivanje kvalitete implementiranih inačica modela TEx-Sys. Kvalitativna analiza odgovora u anketama nije mogla pružiti potpuni uvid utjecaja modela TEx-Sys na stjecanje znanja i postignuća učenika i studenata, pa je oblikovana metodologija za vrednovanje sustava e-učenja temeljena na izračunu veličine učinka (Grubišić, 2007). Danas su u procesu obrazovanja brojni primjeri primjene sustava e-učenja i to onih koji su nedovoljno prilagođeni nastavnom procesu i nisu „položili“ ispit vrednovanja učinkovitosti. Često je tek jednostavna prezentacija pa još postavljena na Web okruženje sustav e-učenja. Naravno, to nije tako te u doticaj s učenikom u organiziranom nastavnom procesu mogu biti samo vrednovani i prokušani sustavi koji su prošli prototipna testiranja i dokazali svoju kvalitetu. U vezi s iznesenim u ovom poglavlju po odjeljcima se prikazuje metodologija vrednovanja učinkovitosti implementiranih inačica modela TEx-Sys, donosi pregled

učesnika testiranja kao i pregled područnih znanja na kojima se provodilo testiranje te konačno analiziraju istraživanja u okviru kojih su provedena vrednovanja učinka modela TEx-Sys za implementirane inačice DTEx-Sys i xTEx-Sys. Analiza primjene i vrednovanja učinkovitosti modela TEx-Sys provedeni u ovom poglavlju su u najvećoj mjeri oslonjeni na literaturne izvore: Vladimir Mužić (1977) „Metodologija pedagoškog istraživanja“ i posebno Ani Gubišić (2007) „Vrednovanje učinka inteligentnih sustava e-učenja“ (magistarski rad) koji je pored analize stanja istraženosti naslovljenog područja posebno orijentiran na oblikovanje nove metodologije vrednovanja učinka inteligentnih tutorskih sustava.

METODOLOGIJA VREDNOVANJA

Metodologija vrednovanja u načelu ovisi o cilju koji se želi postignuti te o selekciji pitanja na koje tražimo odgovor, jer ne postoji jedinstven model za vrednovanje učinka inteligentnih tutorskih sustava. S tim u vezi je i slijed aktivnosti gdje se: ­ Definira nul-hipoteza koja se mora moći provjeriti da bi se mogla potvrditi ili

odbaciti na temelju određenih uvjeta i rezultata. ­ Utvrđuje metodologija za vrednovanje kojom će se ispitati istinitost nul-hipoteza. ­ Utvrđuju značajke istraživanja (cilj, zadaci, vrsta, mjesto i vrijeme, uzorak,

instrumente za provedbu, područno znanje, nastavne sadržaje) ­ Provodi obrada, analiza i interpretacija rezultata.

UVODNO RAZMATRANJE I ANALIZA TEMELJNIH POJMOVA

Inteligentni tutorski sustavi zbog interdisciplinarnih značajki za njihovu implementaciju spadaju u kategoriju složenih sustava pa se mogu promatrati u terminima cjelovitih sustava, komponenti sustava i specifičnih značajki. Tehnike koje su prikladne za vrednovanje cjelovitih sustava ne odgovaraju u potpunosti vrednovanju komponenti sustava, a vrijedi i obrnuto pa se govori o internom i eksternom vrednovanju. Metoda vrednovanja ovisi o svrsi istraživanja, tj. prvo, treba usporediti koliko je učinkovit sustav u odnosu na tradicionalni način poučavanja i drugo, treba odrediti značajke sustava koje su važne za vrednovanje sustava. Ako želimo vrednovati učinak inteligentnih tutorskih sustava, onda vrednujemo cijeli sustav, a ne samo jednu njegovu komponentu, pa se ovdje radi o eksternom vrednovanju. Eksperimentalno istraživanje je prikladno za vrednovanje inteligentnih tutorskih sustava jer omogućava ispitivanje odnosa između poučavanja i učenikovih rezultata te dobivanje kvantitativnih mjera značajnosti tih odnosa. Eksperiment predstavlja način pristupa istraživanja pedagoške pojave kojim se žele uočiti uzročno-posljedične veze među pojavama, služeći se pri tom raznim postupcima prikupljanja podataka, kao što je promatranje, testiranje, razgovor i sl. (Mužić, 1977). Osnovna je karakteristika pedagoškog eksperimenta plansko ispitivanje učinka procesa učenja i poučavanja. Osnovni cilj eksperimenta jest utvrditi da li postoji, koliki je i kakav je utjecaj određene nezavisne varijable na određenu zavisnu varijablu. U pristupu kojeg ovdje analiziramo zavisna varijabla je znanje učenika, dok je nezavisna varijabla inteligentni tutorski sustav čiji učinak želimo ispitati. Prikazana metodologija predstavlja sintetički pristup vrednovanju učinka kojim se povezuju eksperiment kao najčešće korištena metoda vrednovanja i ideja o provjeravanju učinka sustava u što većem broju međustanja. Ostale metodologije vrednovanja učinka inteligentnih tutorskih sustava promatraju učinak sustava samo na kraju eksperimenta, čime gube uvid u utjecaj sustava na postignuće učenika tijekom samog procesa učenja i poučavanja. Ova metodologija predstavlja jednu varijantu eksperimentalnog istraživanja s paralelnim grupama (Mužić, 1977). Eksperiment s paralelnim grupama tretira dvije grupe učenika, od kojih je svaka nosilac svog eksperimentalnog faktora - kontrolna grupa se poučava na tradicionalan način, a

eksperimentalna grupa se poučava uz pomoć inteligentnog tutorskog sustava. Kod osnovnog modela eksperimenta s paralelnim grupama se pomoću inicijalnog i završnog testa mjeri inicijalno i završno znanje učenika. Kod modela eksperimentalnog istraživanja s paralelnim grupama kojeg se opisuje, osim inicijalnog i završnog stanja, ispituje se znanje učenika i u međustanjima uporabom testova provjere. Ovakav model je nazvan eksperiment s paralelnim grupama uz parcijalno ispitivanje stanja. Svi testovi koji se koriste u jednom eksperimentu trebaju biti potpuno komparativni. To znači da moraju biti bodovani na istoj ljestvici i da moraju ispitivati poznavanje istog područnog znanja. Inicijalni test se koristi zbog toga što u eksperimentu sudjeluju učenici s različitim vještinama i predznanjima, te je potrebno prikupiti informacije o postojanju statistički značajnih razlika u predznanju. Mora se utvrditi početno stanje njihovog poznavanja i razumijevanja određenog područnog znanja da bi se mogli kvantificirati veličinu njegove promjene. Obje grupe moraju pisati nekoliko 45-minutnih testova provjere, kao i 45-minutni završni test na kraju eksperimenta. Broj testova provjere se određuje prema trajanju eksperimenta (najmanje jedan mjesečno). Spomenuti testovi omogućavaju prikupljanje informacija o postojanju statistički značajnih razlika između dviju grupa tijekom trajanja eksperimenta. Raspon bodova svih testova je na ljestvici 0-100. Način na koji se bira uzorak učenika nad kojima će se provesti istraživanje o učinkovitosti, utjecat će na sakupljene informacije. Pri formiranju grupa poželjno je služiti se slučajnim odabirom na osnovu rezultata inicijalnog testa, da bi se mogla dobiti što preciznija razlika u učincima eksperimentalnih faktora. Ukoliko se pokaže da su prethodno definirane grupe statistički značajno različite (prema t-vrijednosti, razini značajnosti i stupnjevima slobode), potrebno ih je pokušati ponovno presložiti metodom slučajnog odabira i izjednačiti u rasponu, a zatim opet provjeriti da li su ekvivalentne. Uspoređivanje testova i veličine učinka kaže da testovi govore o vjerojatnosti kojom se rezultati na testovima eksperimentalne grupe razlikuju od slučajnih rezultata, veličina učinka govori o veličini utjecaja eksperimentalnog faktora. Veličina učinka kvantificira veličinu razlike između dvije grupe te se stoga smatra stvarnom mjerom značajnosti te razlike, te može biti pozitivna ili negativna. Pozitivna je kada je eksperimentalna grupa bolja, a negativna je kada je kontrolna grupa bolja. Veličina učinka se može izračunati uz pomoć različitih formula i pristupa, i njena vrijednost se može zbog toga uvelike razlikovati. Postoje četiri načina izračuna veličine učinka: (i) razlika aritmetičkih sredina (eng. mean difference), (ii) standardna razlika aritmetičkih sredina (eng. standardized mean difference) ili Glass-ova Δ, (iii) Cohen-ov d, i (iv) Hedges-ov g. Za utvrđivanje razlika između grupa u eksperimentalnom istraživanju Mohammad (Mohammad, 1998) preporuča uporabu standardne razlike aritmetičkih sredina. Jedna od glavnih prednosti uporabe veličine učinka je u tome što se mogu koristiti različite veličine učinka dobivene kroz ponavljanja istog eksperimenta u svrhu dobivanja najbolje procjene veličine učinka. Ovaj proces uspoređivanja kvalitativnih rezultata eksperimenata i izračunavanje jedne vrijednosti veličine učinka, naziva se meta-analiza. Razvio ju je statističar Glass (Glass, McGaw, & Smith, 1981) koji ju smatra analizom analiza i danas se koristi u svim granama znanosti.

U pristupu koji se zagovara ovom metodologijom računaju se parcijalne veličine učinka prema rezultatima svakog testa kao Glass-ove Δ, u kojima se koriste aritmetičke sredine razlika između rezultata testova provjere i završnog testa te inicijalnog testa za obje grupe studenata, kao i standardna devijacija odgovarajuće razlike za kontrolnu grupu. Zbog usporedbe, izračunat će se i Hedges-ov g koristeći zajedničku standardnu devijaciju. Ukupna veličina učinka računa se kao aritmetička sredina parcijalnih veličina učinka. Eksperiment s paralelnim grupama obuhvaća dvije grupe učenika, a u ovom pristupu svaka je nosilac svog eksperimentalnog faktora - kontrolna grupa se poučava na tradicionalan način, dok se eksperimentalna grupa poučava uz pomoć sustava e-učenja. Odrednice eksperimenta (slika 13.1.) sa svojim oznakama opisani za grupa A, dok analogno iste vrijede i za grupu B: ­ iAS - inicijalno stanje prije uvođenja faktora u grupu A

­ iAX - aritmetička sredina pojedinačnih inicijalnih stanja prije uvođenja faktora u

grupu A

­ AF - djelatnost kojom se uvodi faktor u grupu A

­ fAS - završno stanje nakon uvođenja faktora u grupu A

­ fAX - aritmetička sredina pojedinačnih inicijalnih stanja nakon uvođenja faktora u

grupu A

Slika 13.1. Eksperiment s paralelnim grupama

Uspoređuju se dva faktora, pa se eksperiment vrši s dvije grupe učenika. Ako se želi usporediti više faktora, treba raditi s isto toliko grupa. U svakoj se grupi, na temelju razlike između završnog i inicijalnog stanja, određuje učinak eksperimentalnog faktora i tako će se ustanoviti koji je eksperimentalni faktor najučinkovitiji. Kad se statističkim postupcima određuje u kojoj se mjeri mogu ovi rezultati generalizirati, polazi se od analize varijance. Njom se ispituje da li uopće postoji među pojedinim eksperimentalnim faktorima tolika razlika da se, s dovoljno visokim postotkom vjerojatnosti, ne može pripisati djelovanju slučaja, a zatim se ispituje razlika između svakog od eksperimentalnih faktora.

Najvažnija zadaća eksperimenta s paralelnim grupama je uspostavljanje podjednakih, ekvivalentnih grupa da bi se u skladu sa zakonom jedne varijable, moglo dobiti što čistiju razliku u učinak eksperimentalnih faktora. Izjednačavanje grupa se vrši izjednačavanjem onih varijabli koje se odnose na osobnost učenika, tj. koje predstavljaju izvore „S“ pogreški. Ono se obično vrši na jedan od sljedeća dva načina: ­ Izjednačavanjem karakteristike distribucija tih varijabli među grupama. Na primjer,

kod rezultata testova nastoji se izjednačiti mjera centralne tendencije (obično aritmetička sredina) i mjera disperzije kao pokazatelj homogenosti podataka (obično standardna devijacija).

­ Ako su samo dvije grupe u eksperimentu, vrši se još i određivanje parova učenika, odnosno uzima se po jedan učenik iz svake grupe kod kojih su podaci u vezi s pojedinim varijablama što sličniji. Na taj se način može povisiti preciznost eksperimenta koristeći pozitivnu korelaciju između kontrolne i eksperimentalne varijable.

Učenici koji previše odskaču iz neke distribucije ili koji se ne mogu spariti, izbacuju se iz eksperimenta. Prednosti modela eksperimenta s paralelnim grupama u odnosu na model eksperimenta s jednom grupom: ­ Nema opasnosti da raniji faktor djeluje na kasniji, jer se oba uvode simultano u

različitim grupama. ­ Nema opasnosti djelovanja razlike područnog znanja jer je ista. ­ Nema opasnosti djelovanja razlike u mjernim instrumentima jer su isti.

Specifične poteškoće vezane za ovaj model uzrokovane su težnjom da se kontrolira i izjednači što veći broj varijabli: ­ Velik je broj varijabli čije inicijalno stanje treba kontrolirati pa je teško utvrditi

vjernu sliku inicijalnog stanja u grupama. ­ Ostvarivanje ekvivalentnosti često zahtijeva smanjenje broja učenika čiji se rezultati

mogu u obradi uzeti u obzir što dovodi do sniženja preciznosti eksperimenta. ­ Postoji opasnost da se varijable koje smo u početku podvrgli uspješnoj kontroli za

vrijeme samog eksperimenta bitno promijene (npr. bolest učenika u jednoj grupi). Kod modela eksperimentalnog istraživanja s paralelnim grupama koji se ovdje opisuje, osim inicijalnog i završnog stanja, ispituje se znanje učenika i u međustanjima uporabom testova provjere. To je razlog naziva modela - eksperiment s ekvivalentnim paralelnim grupama uz parcijalno ispitivanje stanja.

IZRADA I PROVEDBA INICIJALNOG TESTA

Inicijalni test se koristi zbog toga što u eksperimentu sudjeluju učenici s različitim i predznanjima. Potrebno je utvrditi početno stanje njihovog poznavanja i razumijevanja određenog područnog znanja da bi mogli kvantificirati veličinu njegove promjene. Inicijalni test omogućava prikupljanje informacija o postojanju statistički značajnih razlika u predznanju učenika. Inicijalni test se piše prije uvođenja eksperimentalnih faktora. Uobičajeno je da inicijalno testiranje traje 45 minuta. Preporuča se raspon bodova na ljestvici 0-100 bodova radi lakše usporedbe s ostalim testovima i kasnije statističke analize.

DEFINIRANJE EKVIVALENTNIH GRUPA

Način na koji se bira uzorak učenika nad kojim se provodi istraživanje o učinkovitosti, utjecat će na sakupljene informacije. Ako autori istraživanja sami biraju uzorak, postoji mogućnost odabira učenika koji su najspremniji za suradnju ili imaju najprikladnije sposobnosti. Zato se obično služi slučajnim odabirom na osnovu rezultata inicijalnog testa. Najvažniji problem u vezi s predloženim eksperimentalnim modelom je kako stvoriti ekvivalentne grupe da bi se mogli dobiti što precizniju i bezpogovornu razliku u učincima eksperimentalnih faktora. Izjednačavanje grupa vrši se: ­ određivanjem parova učenika uzimanjem po jednog iz svake grupe kod kojih su

podaci u vezi s pojedinim varijablama što sličniji; učenici koji previše odskaču iz neke distribucije ili koji se ne mogu spariti, izbacuju se iz eksperimenta,

­ izjednačavanjem mjera centralne tendencije (obično aritmetička sredina) i mjera disperzije kao pokazatelja homogenosti podataka (obično standardna devijacija) uz ispitivanje statističke značajnosti uporabom t-testa.

Postoje dva načina izjednačavanja parova učenika (Becker, 2000): (i) precizno izjednačavanje (eng. exact matching) i (ii) izjednačavanje u rasponu (eng. caliper matching). Sažeto će se analizirati svaki od ovih načina izjednačavanja grupa učenika. Precizno izjednačavanje

Prvo treba sortirati učenike prema rezultatima inicijalnog testa. Zatim se pristupa traženju parova učenika s jednakim rezultatima inicijalnog testa. Moguće je krenuti od kontrolne grupe i tražiti odgovarajuće učenike u eksperimentalnoj grupi, a može i obratno. Ukoliko postoji više učenika koji predstavljaju moguća uparivanja za odabranog učenika, pristupa se metodi slučajnog odabira. Izjednačavanje u rasponu Prvo je potrebno sortirati učenike prema rezultatima inicijalnog testa. Zatim, treba definirati raspon bodova koji dolaze u obzir kod uparivanja učenika prema rezultatima inicijalnog testa. Potom se pristupa traženju parova učenika s rezultatima inicijalnog

testa koji su u definiranom rasponu bodova. Može se krenuti od kontrolne grupe i tražiti odgovarajuće učenike u eksperimentalnoj grupi, a može i obratno. Prvo tražimo učenika s jednakom brojem bodova, zatim ako takav ne postoji, tražimo učenika kojem je rezultat inicijalnog testa u rasponu ±1, i tako dalje, povećavamo raspon bodova ili dok se ne nađe odgovarajući učenik ili dok se ne dostigne definirani raspon. Ukoliko postoji više učenika koji predstavljaju moguće uparivanje za odabranog učenika, pristupa se metodi slučajnog odabira. Nakon provedenog izjednačavanja grupa prema rezultatima inicijalnog testa, pristupa se statističkoj provjeri ekvivalentnosti kontrolne i eksperimentalne grupe (veličine uzoraka su Nc i Ne). Potrebno je prvo izračunati aritmetičku sredinu rezultata inicijalnog

testa za kontrolnu grupu ( cX ) i eksperimentalnu grupu ( eX ):

c

cN

XX

e

eN

XX

13.1.

Zatim se izračuna standardna devijacija (mjera varijabiliteta rezultata) za svaku grupu prema formulama:

1

)( 2

c

c

cN

XX

1

)( 2

e

e

eN

XX 13.2.

Ako su i kontrolna i eksperimentalna grupa jednako velike, nije ni potrebno testirati F-testom da li im se varijance statistički značajno razlikuju ili ne, jer će se – ako se one razlikuju – pogreška u računu biti neznatna (Petz, 2004). Međutim, ako se te grupe razlikuju u veličini, onda treba ispitati statističku značajnost razlike između aritmetičkih sredina malih uzoraka. Zajedničku standardnu devijaciju smijemo izračunati samo onda ako se standardne devijacije samih grupa zaista značajno ne razlikuju, što se ispituje pomoću tzv. F-testa po formuli:

2

2

manja

vecaF 13.3.

Ako su grupe jednako velike ili ako im se varijance ne razlikuju značajno, izračunava se zajednička standardna devijacija:

)1()1(

)()( 22

ec

ec

zajednickaNN

XXXX 13.4.

Standardna pogreška između dviju aritmetičkih sredina računa se prema formuli:

e

e

c

cxx

NNs

ec

22

13.5.

Ako je neka razlika između dvije aritmetičke sredine barem dva puta (točnije 1,96 puta) veća od svoje pogreške, onda se može smatrati statistički značajnom, jer je vrlo malo vjerojatno da će se tako velika razlika dogoditi slučajno. Uzima se razina značajnosti od 5%, što znači: ako zapravo ne postoji nikakva razlika između dviju aritmetičkih sredina,

onda bi se takva konkretna razlika koju smo dobili, mogla slučajno dogoditi samo pet puta u 100 mjerenja, a to je malo vjerojatno, pa zato možemo uzeti da je razlika statistički značajna. Prema tome, razina slučajnosti od 5% znači zapravo šansu od 5% da smo pogriješili. Koliko je puta neka razlika veća od svoje pogreške možemo ustanoviti računanjem t-vrijednosti:

ec xx

ec

s

XX

razliketepogreškadardnas

razlikat

tan 13.6.

Broj stupnjeva slobode se izračunava prema formuli:

(Nc-1)+(Ne-1) 13.7. Ukoliko se pokaže da su prethodno definirane grupe statistički značajno različite (prema t-vrijednosti, razini značajnosti i stupnjevima slobode), potrebno ih je pokušati ponovno presložiti metodom slučajnog odabira i izjednačiti u rasponu, a zatim opet provjeriti da li su ekvivalentne.

IZRADA I PROVEDBA TESTOVA PROVJERE I ZAVRŠNOG TESTA

Testovi koji se koriste u jednom eksperimentu trebaju biti potpuno komparativni, moraju biti bodovani na istoj ljestvici i moraju ispitivati poznavanje istog područnog znanja. Ponavljanje istih pitanja nije dobro, ali je dobro zadržati dio nastavnih sadržaja iz inicijalnog testa i u testovima provjere i u završnom testu. Grupe moraju pisati nekoliko 45-minutnih testova provjere, kao i 45-minutni završni test na kraju eksperimenta. Broj testova provjere se određuje prema trajanju eksperimenta (najmanje jedan mjesečno). Spomenuti testovi omogućavaju prikupljanje informacija o postojanju statistički značajnih razlika između dviju grupa tijekom trajanja eksperimenta. Raspon bodova ovih testova je također na ljestvici 0-100 bodova.

DEFINIRANJE NUL-HIPOTEZA

Nul–hipoteza u statistici znači „nema razlike“ među pojavama koje se mjere. Stoga se za svaki provedeni test provjere i za završni test definiraju nul-hipoteze oblika:

H: „Ne postoji statistički značajna razlika između kontrolne i eksperimentalne grupe kod rezultata xxx testa.“

gdje je xxx n-ti test provjere ili završni test. U eksperimentima koji prate ovdje predloženu metodologiju definira se n hipoteza koje se odnose na n testova provjere, te jednu hipotezu koja se odnosi na završni test. Te hipoteze se tijekom ispitivanja statističke značajnosti rezultata odgovarajućeg testa, prihvaćaju ili odbacuju.

Da bi hipoteze mogli prihvatiti ili odbaciti, potrebno je izračunati razliku (eng. gain) između rezultata testova provjere i završnog testa s inicijalnim testom za kontrolnu i eksperimentalnu grupu. Zatim je potrebno izračunati t-vrijednost da bi se mogla potvrditi ili oboriti odgovarajuća nul-hipoteza. Izračun proveden nad razlikama u rezultatima najbolje je prikazati kao u Tablici 13.1.:

Tablica 13.1. Podaci potrebni za prihvaćanje ili odbacivanje nul-hipoteze

Izrazi za izračun Kontrolna grupa Eksperimentalna grupa

X

2)( XX

1

)( 2

2

N

XX

1

)( 2

N

XX

2

2

manja

vecaF

)1()1(

)()( 22

ec

ec

zajednickaNN

XXXX

e

e

c

cxx

NNs

ec

22

ec xx

ec

s

XXt

IZRAČUN VELIČINE UČINKA

Testovi značajnosti govore o vjerojatnosti kojom se rezultati na testovima eksperimentalne grupe razlikuju od slučajnih rezultata, a veličina učinka govori o relativnoj jačini eksperimentalnog faktora. Veličina učinka omogućava prijelaz s jednostavnog pitanja istraživanja „Da li je nešto dobro ili ne?“ na složenije pitanje „Koliko je nešto dobro?“ (Grubišić, 2007). Veličina učinka kvantificira veličinu razlike između dvije grupe te se stoga smatra stvarnom mjerom značajnosti te razlike. Veličina učinka je standardni način za iskazivanje rezultata različitih eksperimenta pomoću uniformne ljestvice učinkovitosti, čime ona postaje ulazni parametar postupka nazvanog meta-analiza, te omogućava usporedbu jačine eksperimentalnih faktora. Veličina učinka može biti pozitivna ili negativna. Pozitivna je kada je eksperimentalna grupa bolja, a negativna je kada je kontrolna grupa bolja. U ovom pristupu se računaju parcijalne veličine učinka prema rezultatima svakog testa kao Glass-ove Δ, po formulama (13.8.) u kojima koristimo aritmetičke sredine razlika između rezultata testova provjere i završnog testa te inicijalnog testa za obje grupe, kao i standardnu devijaciju odgovarajuće razlike za kontrolnu grupu.

zavrsni

zavrsnizavrsni

tpn

tpntpn

tp

tptp

tp

tptp

c

ce

zavrsni

c

ce

tpn

c

ce

tp

c

ce

tp

XX

XX

XX

XX

2

22

1

11

2

1

13.8.

Podaci potrebni za izračun parcijalnih veličina učinaka su sažeto prikazani u sljedećoj tablici:

Tablica 13. 2. Podaci potrebni za izračun parcijalnih veličina učinka Razlike rezultata kontrolne grupe Razlike rezultata eksperimentalne grupe

Test provjere n tpncX

tpnc tpneX

Završni test zavrsnicX

zavrsnic zavrsnieX

Ukupna veličina učinka računa se kao prosječna vrijednost parcijalnih veličina učinka po formuli:

1

21

n

zavrsnitpntptp 13.9.

Ovaj odjeljak je obuhvatio analizu temeljnih pojmova matematičkog modeliranja metodologije za testiranje i vrednovanje učinka inteligentnih tutorskih sustava. Sljedeći odjeljci će prikazati rezultate provedenih testiranja i vrednovanja učinka inačica modela TEx-Sys sa stajališta primijenjenih područnih znanja i okruženje njihove provedbe.

PREGLED PROVEDENIH TESTIRANJA MODELA TEX-SYS

Testiranja provedena u svrhu vrednovanja modela TEx-Sys su obuhvatila ispitanike (zajednički naziv za učenika – studenta) po svim kronološkim dobima, od onih u primarnom obrazovanju do onih na akademskoj razini u okviru realizacije redovitog nastavnog procesa. Testiranje je izvedeno na svim inačicama modela. Šest je školskih/akademskih godina sustavno organizirano i realizirano testiranje u obrazovnim institucijama prikazanim u Tablici 13.3., četiri fakulteta, dvije srednje škole i šest osnovnih škola, dok je pregled broja ispitanika i broja izvedenih testova u Tablici 13.4. Tablica 13.3. Tablica obrazovnih institucija na kojim je provedeno testiranje Oznaka institucije Institucija

Institucija 1 Studenti Fakulteta prirodoslovno matematičkih znanosti i odgojnih područja Sveučilišta u Splitu – sada Prirodoslovno matematički fakultet Sveučilišta u Splitu

Institucija 2 Studenti Visoke učiteljske škole Sveučilišta u Splitu – sada Filozofski fakultet Sveučilišta u Splitu

Institucija 3 Studenti Kemijsko tehnološkog fakulteta Sveučilišta u Splitu

Institucija 4 Studenti Fakulteta kemijskog inženjerstva i tehnologije Sveučilišta u Zagrebu

Institucija 5 Učenici Trede gimnazije Split

Institucija 6 Učenici gimnazije Antun Vrančid Šibenik

Institucija 7 Učenici OŠ „Spinut“ Split

Institucija 8 Učenici OŠ „Ravne njive“ Split

Institucija 9 Učenici OŠ „Mejaši“ Split

Institucija 10 Učenici OŠ „Bol“ Split

Institucija 11 Učenici OŠ „Gradac“ Gradac

Institucija 12 Učenici OŠ „Fra Petra Perice“ Makarska

Tablica 13.4. Broj učenika i broj testiranja realiziranih na inačicama modela TEx-Sys

Školska/akademska godina

TEx-Sys ispitanika/

broj testova

DTEx-Sys ispitanika/

broj testova

xTEx-Sys ispitanika/

broj testova UKUPNO

2001/2002 18/72

Institucija 1 - - 18/72

2002/2003 - 72/648

Institucija 1 - 72/648

2003/2004 - 153/591

Institucija 1, 3 i 4 - 153/591

2004/2005 119/169

Institucija 6 i 8 165/1077

Institucija 1 i 7 65/518

Institucija 4 i 7 349/1765

2005/2006 - - 552/1368

Institucija 1, 7, 8 i 12

552/1368

2006/2007 - - 1096/3254

Institucija 1, 2, 4, 5, 8, 9, 10, 11

1096/3254

UKUPNO 137/241 382/2308 1721/5149 2240/7698

Testiranja su opisana područnim znanjem, uzorkom i brojem ispitanika, te vremenom testiranja. Testiranje i vrednovanje znanja se provodilo pomoću metode kviza. Utvrđen je kriterij po kojem se položenim smatrao onaj test u kojem je ispitanik ostvario tzv. 0-1-

9 kriterij, tj. bio je 0 puta u I. težinskoj kategoriji, 1 put u II. (inicijalnoj) težinskoj kategoriji i 9 puta u III. težinskoj kategoriji. Popis područnih znanja s kojima je izvršeno testiranje i vrednovanje učinkovitosti inačica modela TEx-Sys složen je po kronološkoj dobi ispitanika tj. učenika u osnovnoj i srednjoj školi i studenata na fakultetu (Tablica 13.5., 13.6., i 13.7.). Oblikovanje područnih znanja i nastavnih sadržaja izvedeno je kako zbog potreba nastavnog procesa, tako i zbog istraživanja u okviru magistarskih radova suradnika autora ovih redaka, te diplomskih i seminarskih radova studenata. U nastavku se prikazuje struktura i sadržaj istraživanja, dok se u prilogu 13.1. donosi tablični pregled svih testiranja i vrednovanja izvedenih inačica modela TEx-Sys.

TESTIRANJE ZA UČENIKE U OSNOVNOJ ŠKOLI

Za učenike u osnovnoj školi razvijeno je i primijenjeno područno znanje za četiri područja kako slijedi: (i) nastavni sadržaji predmeta u okviru Hrvatskog nacionalnog obrazovnog standarda; (ii) matematika; (iii) priroda i društvo; (iv) tehnička kultura. Posljednja tri područja su formalizirana, oblikovana i primijenjena u radu s učenicima za nastavne predmete u razdoblju prije prihvaćanja nastavnog plana i programa za osnovnu školu oblikovan prema HNOS-u. ­ Hrvatski nacionalni obrazovni standard Hrvatski nacionalni obrazovni standard (HNOS) je uveo novi pristup poučavanju na učenika orijentiran, što je u suglasju i sa temeljnim postavkama suvremene informacijske i komunikacijske tehnologije koja se ovdje očituje u primjeni inteligentnih tutorskih sustava u proces učenja, poučavanja, testiranja i vrednovanju znanja. Nastavne sadržaje iz okvira HNOS-a formalizirali su i oblikovani za sustav xTEx-Sys za nastavne predmete informatika (u cijelosti), priroda i društvo (u cijelosti), hrvatski jezik (djelomično), fizika (djelomično) i kemija (djelomično). S oblikovanim područnim znanjima provelo se devet istraživanja (tri informatika, dva priroda i društvo, jedno fizika, jedno kemija i dva matematika) i opisuju se ovim redom: 1. S ciljem utvrđivanja stupnja efikasnosti učenja uz pomoć sustava xTEx-Sys proveden

je eksperiment s učenicima V., VI., i VIII. razreda osnovne škole Spinut u Splitu, inače polaznicima izbornog programa informatike. Zadatak je bio učenje i poučavanje, kao i testiranje učenika na sadržajima određenima kataloškim temama Strojna oprema računala (V. razred), Obrada teksta (VI. razred) i Izrada prezentacija (VIII. razred). Ukupno 53 učenika prošlo je postupak učenja, poučavanja i testiranja znanja, u razdoblju od 6. do 10. lipnja 2005. godine, od toga 17 učenika V. razreda, 20 učenika VI. razreda te 16 učenika VIII. razreda. Učenici su, po završetku testiranja, anketirani kako bi se prikupili podaci i njihova mišljenja o primjeni računala u nastavi. Anketni je upitnik ispunilo ukupno 52 učenika. Rezultati su prezentirani na skupu Računalo u školi IX - Šibenik, Solaris rujan 2005, radionica – Inteligentni sustavi e-učenja. (Stankov, 2005; Andrijanić, 2005)

2. Model obrazovanja nastavnika za e-učenje i sustave e-učenja. Rad sa studentima IV. godine smjera matematika i informatika (Institucija 1.) na kolegiju Primjena računala u nastavi u akademskoj godini 2005/2006. Proces osposobljavanja je imao tri faze:

Prva je obuhvatila predavanja i učenje studenata radi stjecanja temeljnih znanja iz područja inteligentni tutorski sustavi autorske ljuske za njihovo oblikovanje; Druga upoznavanje studenata sa sustavom xTEx-Sys; Treća oblikovanje nastavnih sadržaja, metodička priprema za rad s učenicima, rad s učenicima te analiza i prezentacija rezultata. U istraživanju je sudjelovalo 115 učenika (petih razreda – 38 i sedmih razreda 77) osnovne škole Spinut u Splitu, u okviru predmeta tehničke kulture, na nastavnim sadržajima iz informatike i to Rješavanje problema i programiranje u QBasic-u. Rezultati su prezentirani na skupu Računalo u školi X - Šibenik, Solaris rujan 2006, radionica - E-učenje i sustavi e-učenja. (Marega, 2006; Jurišić, 2006).

Tablica 13.5. Pregled baza područnih znanja za OSNOVNU školu

Redni broj

Područna znanja TEx-Sys DTEx-Sys xTEx-Sys

1. Hrvatski nacionalni obrazovni standard

Informatika – nastavne cjeline

- Osnove informacijske i komunikacijske tehnologije - Strojna i programska oprema - Multimediji - Obrada teksta - Proračunske tablice - Izrada prezentacija - Izrada Web stranica - Rješavanje problema i programiranje - Internet

X

X

X

X

X

X

X

X

X

Priroda i društvo nastavne jedinice

- Ljeto (II razred) - Promet (III razred) - Kulturno povijesni spomenici (IV razred)

- Živa priroda (IV razred)

X

X

X

X

Hrvatski jezik – nastavna cjelina

Riječi X

Fizika – nastavna cjelina

- Svjetlost (VIII razred) X

Kemija – nastavne cjeline

- Uvod u kemiju (VII razred) - Organska kemija (VIII razred)

X

X

Matematika - nastavne cjeline

- Četverokuti (VI razred) - Geometrijska tijela (VIII razred) - Skupovi točaka u ravnini (V razred)

X

X

2. Matematika

Geometrijska tijela i likovi: kocke i kvadri X

3. Priroda i društvo

Životinje prema staništima X

4. Tehnička kultura

Korištenje energije u kudanstvu X

3. Seminarski rad studenata (dvije studentice) na kolegiju Primjena računala u nastavi

(Institucija 1.) u akademskoj godini 2006/2007. S ciljem utvrđivanja efikasnosti korištenja sustava xTEx-Sys u primarnom obrazovanju proveden je eksperiment u OŠ „Ravne njive“ s učenicima šestog razreda koji pohađaju izbornu nastavu informatike. Tražio se odgovor na pitanje postoji li značajnih razlika između

rezultata učenika dobivenih klasičnim testom i testiranjem primjenom sustava xTEx-Sys. Razred se sastoji od 28 učenika od kojih je 14 dječaka i 14 djevojčica. Nastava se održava 4 školska sata tjedno i to po dva sata za svaku grupu od 14 učenika. Grupe su podijeljene tako da jednu grupu čine dječaci, a drugu djevojčice. Eksperiment se provodio u vremenskom razdoblju od 6 tjedana i to od 27.11.2006. do 2.2.2007. Učenici su u navedenom razdoblju prošli kroz postupak učenja, poučavanja i testiranja znanja na sustavu xTEx-Sys nastavne sadržaje iz Informatike – rješavanje problema i programiranje pomoću programskog jezika QBasic za učenike u šestom razredu. Također su ispunjavali dvije ankete, te inicijalni i klasični test za usporedbu rezultata.

4. Istraživanje u okviru magistarskog rada Suzane Tomaš na Filozofskom fakultetu Sveučilišta u Zagrebu. Cilj je provedenog istraživanja utvrditi može li web orijentirana autorska ljuska xTEx-Sys biti kvalitetna podrška učitelju u realizaciji nastave prirode i društva u osnovnoj školi. Istraživanje je empirijsko i zasniva se na provedbi eksperimenta radi utvrđivanja veličine učinka učenja i poučavanja učenika uz pomoć programskog sustava xTEx-Sys. Istraživanje je provedeno u Osnovnoj školi Spinut u Splitu i na Fakultetu prirodoslovno matematičkih znanosti i kineziologije u Splitu u razdoblju od 2. svibnja do 13. lipnja 2006. godine. Nastava za učenike eksperimentalne skupine odvijala se u računalnoj učionici fakulteta, a nastava za učenike kontrolne skupine u učionicama osnovne škole. Istraživanjem je obuhvaćeno 136 učenika razrednih odjela 2a, 2b, 3a, 3b, 4a i 4b. Metodom slučajnog odabira odabrali smo razredne odjele i podijelili ih na kontrolne i eksperimentalne skupine. Istraživanje je obuhvatilo sljedeće nastavne jedinice Ljeto (II razred), Promet (III razred) i Kulturno povijesni spomenici (IV razred). (Tomaš, 2007)

5. Seminarski rad (četiri studentice) na kolegiju Primjena računala u nastavi (Institucija 1.) u akademskoj godini 2006/2007. S ciljem utvrđivanja efikasnosti korištenja sustava xTEx-Sys u primarnom obrazovanju proveo se eksperiment u OŠ „Mejaši“ s učenicima četvrtog razreda. Željelo se utvrditi da li postoji značajnih razlika između rezultata učenika dobivenih klasičnim testom i testiranjem primjenom sustava xTEx-Sys. Grupa se sastojala od 16 učenika od kojih je 4 dječaka i 12 djevojčica. Nastava se održavala 2 školska sata tjedno i to po 1 sat za svaku grupu od 8 učenika. Eksperiment se provodio u vremenskom razdoblju od 5 tjedana i to od 24. travnja 2007. do 31. svibnja 2007. Svaku grupu učenika vodile su po dvije studentice. Učenici su u navedenom razdoblju prošli kroz postupak učenja, poučavanja i testiranja znanja na sustavu xTEx-Sys na područnom znanju iz prirode i društva za nastavnu cjelinu Živa priroda . Učenici su ispunjavali dvije ankete, te klasični test za usporedbu rezultata.

6. Istraživanje u okviru magistarskog rada Zlatka Norca na Fakultetu prirodoslovno matematičkih znanosti i kineziologije Sveučilišta u Splitu. Metodom eksperimenta s paralelnim skupinama istraženo je da li i u kojoj mjeri uporaba sustava xTEx-Sys uz klasične nastavne metode utječe na konačna postignuća učenika. U eksperimentu je sudjelovalo ukupno 97 učenika četiriju odjeljenja osmog razreda O.Š. "Ravne njive" iz Splita. Od toga broja bilo je 50 djevojčica i 47 dječaka. Na temelju postignutog broja bodova iz prethodna tri ispita znanja iz fizike izvršena je podjela na eksperimentalna (8c i 8d) i kontrolna odjeljenja (8a i 8b). U dva odjeljenja uveden je, kao nezavisna varijabla, koncept učenja i poučavanja uz podršku sustava xTEx-Sys. Eksperiment je trajao od 24. travnja 2006. do 9. lipnja 2006. (Norac, 2007).

7. Istraživanje u okviru magistarskog rada Roka Vladušića na Fakultetu prirodoslovno matematičkih znanosti i kineziologije Sveučilišta u Splitu. Cilj istraživanja je bio

utvrditi mogu li inteligentni tutorski sustavi biti kvalitetna podrška učitelju u realizaciji tradicionalne nastave kemije u osnovnoj školi. Nadalje, željelo se utvrditi u kojoj su mjeri inteligentni tutorski sustavi s bazom znanja iz kemije efikasni u učenju i poučavanju, koliko su učenici zadovoljni ovakvom strategijom učenja odnosno je li došlo do porasta motivacije i interesa za učenjem kemije. U istraživanju su sudjelovali učenici 7a, 7b, 8a i 8b razrednog odjeljenja osnovne škole oca Petra Perice iz Makarske, u od 10. listopada do 19. prosinca 2005. Sedmi je razred brojio ukupno 54 učenika, a osmi 50. Učenici iz svakog razrednog odjeljenja (posebno sedmih i posebno osmih) su bili podijeljeni u dvije eksperimentalne i dvije kontrolne skupine. U cilju izjednačavanja skupina u svakom se razredu proveo test sposobnosti (Vladušić, 2006).

8. Istraživanje u okviru diplomskog rada Josipe Raos (Institucija 1). U eksperimentu je sudjelovalo 18 učenika šestog razreda i 18 učenika osmog razreda osnovne škole “Gradac“, Gradac. Prije provedbe eksperimenta, oblikovala se baza znanja iz područja geometrije za šesti razred (nastavna cjelina četverokuti) i osmi razred (nastavna cjelina geometrijska tijela). Na temelju rezultata inicijalnog testa, učenici svakog razreda su podijeljeni u dvije grupe, eksperimentalnu i kontrolnu. Eksperimentalna grupa je za učenje i podučavanje koristila sustav xTEx-Sys, dok je kontrolna grupa sudjelovala u tradicionalnom procesu učenja i podučavanja. Učenici šestog razreda su bili uključeni u odgovarajuće oblike učenja i poučavanja po dva sata tjedno u razdoblju od 26.04.2007.g. do 08.06.2007.g., odnosno 14 sati, dok je s osmim razredom bilo više problema u organizaciji zbog ekskurzije i raznih obaveza vezanih za kraj njihovog osnovnoškolskog obrazovanja. Za njih je eksperiment trajao od 23.04.2007.g. do 14.06.2007.g., sveukupno 12 sati. Za vrednovanje učinka sustava koristili smo programski alat EVEDIN (EValuation of EDucational INfluence) (Grubišić, 2007) za izradu i provedbu svih testova, ispravljanje i ocjenjivanje, te računanje veličine učinka eksperimentalnog faktora (Raos, 2008).

9. Istraživanje u okviru diplomskog rada Martine Banovac (Institucija 1). Testiranje je provedeno za područno znanje iz matematike (nastavna cjelina Skupovi točaka u

ravnini). Cilj testiranja je bilo utvrđivanje učinka korištenja sustava xTEx-Sys, te postignuća učenika u procesu učenja i poučavanja. Detaljan prikaz ovog eksperimenta prikazan je u odjeljku Vrednovanje učinka modela TEx-Sys (Banovac, 2008).

- Matematika i priroda i društvo Prvi eksperiment i to sa učenicima kronološke dobi primarnog obrazovanja (od prvog do četvrtog razreda) je akcijsko istraživanje provedeno s učenicima jednog četvrtog razreda (Institucija 7.) u ljetnom polugodištu 2003/2004. Nastavni sadržaji obuhvaćeni ovim eksperimentom su bili iz dva nastavna predmeta: (i) matematika s nastavnim cjelinama Mjerenje volumena i Volumen kvadra; (ii) prirode i društva s nastavnom cjelinom Životinje prema staništima. Eksperiment se odvijao u više faza: – Poučavanje učenika o nastavnim cjelinama iz matematike u okviru redovitog

nastavnog procesa. Proveo se kombinirani način tradicionalnog poučavanja i poučavanja uz pomoć on-site inačice modela TEx-Sys. TEx-Sys je korišten kao nastavno pomagalo s ciljem pripreme učenika za rad u grafičkom korisničkom sučelju formaliziranog područnog znanja.

– Provjera znanja učenika tradicionalnim testom zadataka objektivnog tipa. Deset najbolje ocjenjenih učenika je dalje pripremano za rad sa sustavom DTEx-Sys. Posebno se učenike pripremalo u suglasju sa scenarijem koji je opisan u Poglavlju 12 – odjeljak Učenje i poučavanje učenika.

– Diplomantica (u ulozi učitelja) demonstrira učenicima rad s modulom Learning & Teraching i modulom Quiz sustava DTEx-Sys.

– Testiranje učenika sa nastavnom cjelinom Kocke i kvadri. – Analiza i interpretacija rezultata – Drugi ciklus testiranja proveden nakon dva tjedna na nastavnoj cjelini Životinje

prema staništima. – Konačna analiza i interpretacija rezultata. Eksperiment je obavljen u sklopu istraživanja za izradu diplomskog rada Ane-Marije Budimir (Institucija 1) (Budimir, 2004). - Tehnička kultura Seminarski rad na poslijediplomskom studiju na Fakultetu prirodoslovno matematičkih znanosti i kineziologije Sveučilišta u Splitu u okviru kolegija Suvremena informacijska tehnologija u nastavi održan u siječnju 2005. U radu su prikazani i analizirani rezultati ankete o mogućnostima učenja, te provjeravanja znanja pomoću on-site inačice sustava TEx-Sys. Eksperiment je proveden sa učenicima sedmog razreda (Institucija 8.) s 94 učenika. U istraživanju je u okviru eksperimentalnog programa tehničke kulture oblikovana baza znanja s nastavnim sadržajima nastavne cjeline Korištenje energije u kućanstvu. Nakon upoznavanja sustava učenici su obavili učenje i poučavanje te testiranje uz pomoć kviza. Na kraju je organiziran, proveden i obrađen anketni upitnik o zadovoljstvu učenika u radu sa sustavom. Prema rezultatima ankete zaključuje se da učenici prihvaćaju sustav, smatraju da je privlačan, koristan i efikasan način samostalnog učenja. Rezultati su prezentirani na skupu Računalo u školi IX - Šibenik, Solaris rujan 2005, radionica – Inteligentni sustavi e-učenja. (Norac, 2005

TESTIRANJE ZA UČENIKE U SREDNJOJ ŠKOLI

Za učenike u srednjoj školi razvijeno je i primijenjeno područno znanje za nastavne predmete dvaju područja: - Fizika za I. razred gimnazije Seminarski rad na poslijediplomskom studiju na Fakultetu prirodoslovno matematičkih znanosti i kineziologije Sveučilišta u Splitu u okviru kolegija Suvremena informacijska tehnologija u nastavi održan u siječnju 2005. Istraživanje s naslovom Sustav TEx-Sys u nastavi fizike provedeno je s učenicima prvog razreda (Institucija 6.) s 25 učenika. Istraživanje je provedeno na on – site inačici modela TEx-Sys, a područno znanje iz fizike – opći zakon gravitacije je oblikovano za potrebe eksperimenta. Učenici su bili podijeljeni u dvije brojčano podjednake skupine (12 i 13 učenika), a koje su i po dotadašnjem uspjehu iz fizike također bile podjednake. Skupina od 12 učenika poučavana je pomoću TEx-Sys-a (kroz tri baze znanja). Skupina od 13 učenika poučavana je tradicionalnim načinom. Nakon završetka poučavanja uspoređen je uspjeh

obiju skupina na zajedničkom testu znanja iz poučavanog gradiva. Pokazalo se da su učenici poučavani pomoću sustava TEx-Sys pokazali nešto bolji uspjeh. Međutim, ono što se nije izravno mjerilo – zadovoljstvo učenika poučavanjem – bilo je kod poučavanja TEx-Sys-om daleko veće. Ti učenici su imali očito veću motivaciju za učenjem. Rezultati su prezentirani na skupu Računalo u školi IX - Šibenik, Solaris rujan 2005, radionica - Inteligentni sustavi e-učenja (Paić i Plavčić, 2005).

Tablica 13.6. Pregled baza područnih znanja za SREDNJU školu Redni broj

Područna znanja TEx-Sys DTEx-Sys xTEx-Sys

1. Fizika za I. razred gimnazije – nastavne cjeline

- Gibanje planete - Opdi zakon gravitacije - Primjena zakona gravitacije

X

X

X

2. Informatika za I. razred matematičke gimnazije – nastavna cjelina

- Građa računala X

- Informatika za I. razred 3. matematičke gimnazije Seminarski rad studenata (tri studentice) na kolegiju Primjena računala u nastavi na Fakultetu 1. u akademskoj godini 2006/2007. Cilj istraživanja je bio utvrđivanje razlike kvalitete znanja kada se poučavanje vrši tradicionalnom nastavom, te učenja isključivo uz pomoć sustava xTEx-Sys. Istraživanje je provedeno u dva prva razreda (Institucija 5.) iz nastavnog predmeta Informatika. Detaljan prikaz ovog eksperimenta prikazan je u odjeljku Vrednovanje učinka modela TEx-Sys.

TESTIRANJE ZA STUDENTE NA FAKULTETU

Za studente na fakultetu razvijeno je i primijenjeno područno znanje za tri područja s kojima se provelo trinaest istraživanja (sedam uvod u računarstvo, tri programiranje i tri vođenje procesa u kemijskom inženjerstvu) i opisuju se ovim redom:

- Uvod u računarstvo Uvod u računarstvo je naziv kolegija koji se održava na prvoj godini kod više studijskih grupa na fakultetu (Institucija 1, Institucija 2 i Institucija 3). S ovim kolegijem su započele prve primjene razvijanih inačica modela TEx-Sys pri čemu su i stečena prva iskustva u organizaciji, realizaciji i vrednovanju ovakvih oblika nastavnog procesa. 1. U akademskoj 2001/2002 godini održan je prvi cijelo semestarski eksperiment u

okviru kolegija Uvod u računarstvo za nastavne cjeline: Računalo kao sustav, MS Windows 98, Programiranje i Računalne mreže. Eksperiment se održavao kontinuirano tijekom cijelog semestra sa manjim uzorkom od četrnaest studenata (Institucija 1) na on-site inačici modela TEx-Sys.

2. U akademskim godinama 2002/2003, 2003/2004 i 2004/2005 je održan eksperiment u okviru kolegija Uvod u računarstvo sa svim studijskim grupama (Institucija 1) sa više nastavnih cjelinama kontinuirano tijekom semestra (četrnaest

tjedana). Izvedeno je anketno istraživanje stavova studenata (anketa očekivanja i završna anketa) čiji su rezultati predstavljali poticaj za nastavak istraživanja i organizaciju novih eksperimenata. Eksperimenti su izvedeni s inačicom DTEx-Sys. Pokazala se kvaliteta upotrebljivosti Web orijentirane inačice koja je omogućila studentima pristup područnom znanju i izvan termina redovite nastave. Detaljan prikaz eksperimenta provedenog u akademskoj 2004/2005 godini prikazan je u odjeljku Vrednovanje učinka modela TEx-Sys.

Tablica 13.7. Pregled baza područnih znanja za kolegije na FAKULTETU

Redni broj

Područna znanja TEx-Sys DTEx-Sys xTEx-Sys

1. Uvod u računarstvo – nastavne cjeline

- Brojevni sustavi i logičke funkcije - Računalo kao sustav - MSDOS - MS Windows - MS Windows98 - MSWord - MSPowerPoint - MSExcel - MSAccess - Commander (Norton, Total) - Računalne mreže

X X

X X X

X X

X X

X X

X X

X X

X X

X X

X

X X X

2. Programiranje

- Osnove programiranja - Objektno-orijentirano programiranje

X X X

X X

3. Vođenje procesa u kemijskom inženjerstvu - nastavne cjeline

- Značajke mjernih pretvornika - Modeliranje i vođenje procesa - Dvostupnjeviti izmjenjivač topline - LabTEx-Sys

X

X X

X X

X

3. U akademskoj godini 2004/2005 započinje provedba eksperimenata u kojima je cilj

utvrditi učinkovitost modela TEx-Sys na osnovi postignuća učenika iskazanog veličinom učinka. Organizirane su eksperimentalna grupa (Institucija 1) i kontrolna grupa (Institucija 2) tijekom cijelog semestra odvijanja kolegija Uvod u računarstvo. Već u idućoj akademskoj godini (2005/2006) proveden je cjelovit eksperiment sa svim studentima na navedenim fakultetima. Osim toga, ovaj je eksperiment proveden u okviru istraživanja magistarskog rada Ani Grubišić na Fakultetu elektrotehnike i računarstva Sveučilišta u Zagrebu. U okviru ovog istraživanja oblikovana je i metodologija za vrednovanje učinka procesa učenja i poučavanja u sustavima e-učenja kao i prototip programskog sustava EVEDIN. Metodologija predstavlja sintetički pristup vrednovanju učinka kojim se povezuju eksperiment kao najčešće korištena metoda vrednovanja i ideja o provjeravanju učinka sustava u što većem broju međustanja. Programski sustav EVEDIN omogućava izračun veličine učinka na temelju informacija o postignućima učenika na testovima, jer se znanje učenika utvrđuje primjenom nekoliko elektroničkih testova: inicijalnog testa, testova provjere te završnog testa. Rezultati spomenutih testova prolaze kroz EVEDIN-ov mehanizam za statističku analizu, te kao rezultat EVEDIN daje izračunatu veličinu učinka sustava e-učenja (Grubišić, 2007). Detaljan prikaz eksperimenta provedenog

u akademskoj 2005/2006 godini prikazan je u odjeljku Vrednovanje učinka modela TEx-Sys.

4. U akademskoj 2006/2007 godini organiziran je eksperiment kao replika prethodnog iz akademske 2005/2006 godinu, tako da su se nastojali ponoviti svi uvjeti kao i u originalnom eksperimentu. Cilj ovog istraživanja je stjecanje novih znanja u području meta-analize kao instrumenta za vrednovanje pedagogijskih eksperimenata. Detaljan prikaz ovog eksperimenta prikazan je u odjeljku Vrednovanje učinka modela TEx-Sys.

- Programiranje U okviru realizacije nastavnih planova i programa kolegija Programiranje I (Institucija 1) i Vizualno modeliranje (Institucija 1. i 3.) su izvedena vrednovanja inačica modela TEx-Sys za područna znanja iz osnova programiranja i poznavanja objektno orijentirane paradigme. Provedeni eksperimenti su iz okvira vrednovanja učinka modela TEx-Sys. 1. Eksperiment je provedenom na kolegiju Programiranje 1 (Institucija 1) u akademskoj

godini 2006/2007 (Grubišić, Stankov, Žitko, 2007). Učešće je uzelo 75 studenta prve godine studijskih grupa matematike, matematike i informatike, informatike i fizike, informatike i tehničke kulture te fizike i tehničke kulture. Eksperiment je trajao od 09.10.2006. do 26.01.2006. Ovaj eksperiment je organiziran po uzoru na prethodna dva eksperimenta. Svi studenti su pisali 45-minutni inicijalni test na početku eksperimenta. Slučajnim odabirom studenti su na temelju rezultata inicijalnog testa podijeljeni u dvije ekvivalentne grupe: kontrolnu i eksperimentalnu. Kontrolna grupa je sudjelovala u tradicionalnom procesu učenja i poučavanja, a eksperimentalna grupa je koristila sustav xTEx-Sys (baza iz Programiranja 1). Studenti su bili uključeni u pripadajuće im oblike procesa učenja i poučavanja dva sata tjedno tijekom cijelog semestra (2 sata x 15 tjedana = 30 sati po semestru). Također su obje grupe pisale dva 45-minutna testa provjere i 45-minutni završni test. Svi testovi su bodovani na ljestvici od 0 do 100 bodova. Na završetku eksperimenta je napravljena analiza prisustvovanja testovima u okviru eksperimenta. U kontrolnoj grupi ima 19 studenata koji imaju sva četiri testa, a u eksperimentalnoj grupi 20 studenata koji imaju sva četiri testa. Vrednovanje učinka sustava xTEx-Sys je pokazalo da je strategija učenja i poučavanja učinkovita. Naime, eksperimentalna grupa je pokazala bolje rezultate nego kontrolna grupa kod svih testova. Ukupna veličina učinka sustava xTEx-Sys je 0,45 što je srednja veličina učinka (prema Cohen, 1969).

2. Eksperiment je proveden u okviru diplomskog rada Divne Krpan (Institucija 1),

sudjelovao je 31 student druge godine studijskih grupa matematika i informatika, matematika, te informatika i tehnička kultura, koji su upisali kolegij Računalni praktikum I u akademskoj godini 2004/2005. Studenti su podijeljeni na eksperimentalnu (20 studenata) i kontrolnu grupu (11 studenata) slučajnim odabirom. Kontrolna grupa je sudjelovala u tradicionalnom procesu učenja i poučavanja, eksperimentalna grupa je koristila sustav DTEx-Sys na bazi područnog znanja Objektno-orijentirana paradigma OOP (202 čvorova, 189 veza). Svi studenti su zajedno slušali predavanje o temeljnim pojmovima objektno-orijentirane paradigme u trajanju od dva školska sata. Studentima je omogućen i pristup sadržaju predavanja u tekstualnom obliku. Svi studenti su pisali pismeni inicijalni test koji se sastojao od 20 pitanja iz područja objektno-orijentiranog programiranja koji je ocjenjivan bodovima od 0-100, da bi se vidjelo ima li kakvih

razlika u predznanju između kontrolne i eksperimentalne grupe. Eksperimentalnoj grupi je slijedio jedan tjedan učenja i poučavanja o objektno-orijentiranom programiranju na sustavu DTEx-Sys. Kontrolna grupa nije imala pristup, te su oni nastavili učiti iz ranije dobivenih tekstualnih materijala. Na kraju tog tjedna svi studenti su pisali završni test koji je imao 16 pitanja (13 teorijskih pitanja i 3 zadatka), kako bi se vidjelo ima li značajne razlike između eksperimentalne i kontrolne grupe nakon korištenja sustava. Test je također ocjenjivan bodovima od 0-100. Vrednovanje učinka sustava DTEx-Sys je pokazalo da nema statistički značajnih razlika između kontrolne i eksperimentalne grupe u rezultatima završnog ispitivanja. Tretman eksperimentalne grupe nije imalo značajnog utjecaja na njihov uspjeh. Bilo kakva razlika između eksperimentalne i kontrolne grupe je mogla nastati kao posljedica pogreške. Veličina učinka sustava DTEx-Sys koji je dobiven istraživanjem je 0.12. Očekivali su se povoljniji rezultati te se zato izvršilo dodatno istraživanje na provjeri karakteristika mjernih instrumenata tj. testova koji su se koristili za ispitivanje znanja studenata (Mužić, 1977). Valjanost: Prilikom provedbe istraživanja, nastojalo se da se sadržaji testova podudaraju sa sadržajem predavanja o objektno-orijentiranoj paradigmi koje je trajalo dva školska sata. Prema tome, sadržaji testova i predavanja se podudaraju. Pouzdanost: U istraživanju su se za svakog studenta posebno zbrojili bodovi ostvareni na parnim zadacima (prva varijabla), te bodovi ostvarene na neparnim zadacima (druga varijabla). Izračunavanjem korelacije između parnih i neparnih zadataka dobije se pokazatelj pouzdanosti. Pouzdanost za inicijalno ispitivanje i završno ispitivanje je približno jednako i iznosi 0.85 što je dovoljno visok koeficijent prema (Mužić, 1997), što znači da se može osloniti na rezultate testova. Objektivnost i osjetljivost: Kod istraživanja nije ispitana objektivnost testova iz praktičnih razloga. Naime, ovi su se testovi trebali upotrijebiti samo jedan put te se ne bi isplatilo okupiti veći broj ocjenjivača koji bi morali poznavati specifično područno znanje i biti upoznati s istraživanjem. Ova karakteristika je primjerenija ako se testove planira koristiti i za neku buduću namjenu. Također nije ispitana ni osjetljivost jer osjetljivost nema smisla ispitivati ako su pouzdanost i objektivnost testa niske ili nisu ispitivane. Diskriminativna vrijednost zadataka: Pojedini zadaci u testu su više valjani što se više slaže uspjeh učenika na tom zadatku s uspjehom na čitavom testu. Prema tome, valjani zadaci omogućuju razlikovanje uspješnih i neuspješnih učenika. Pearson-ov koeficijent korelacije je izračunat na cijelom uzorku. Dobiveni su niski koeficijenti korelacije za neke od zadataka (Zadatak 3. (rpb=0.19) i Zadatak 10. (rpb=0.01) u inicijalnom ispitivanju i Zadatak 2. (rpb=0.12) završnom ispitivanju). Analizom rezultata bez tih zadataka dobije se veličina učinka od 0.18 standardnih devijacija, što je neznatno povećanje u odnosu na rizik gubitka pouzdanosti i osjetljivosti ukoliko bi se ti zadaci izbacili iz testa. Prilikom provedbe ovog eksperimenta nije dobivena visoka veličinu učinka, ali se steklo dragocjeno iskustvo koje je bilo od pomoći pri budućim istraživanjima. Nemotiviranost studenata koji su sudjelovali u istraživanju mogla je imati negativnog utjecaja na provedbu i rezultate istraživanja. Samo istraživanje je trajalo relativno kratko na manjem broju studenata, a vjerojatno bi se kroz dulje vrijeme studenti

bolje priviknuli na rad sa sustavom DTEx-Sys. Potrebno je prilikom analize istraživanja uzeti u obzir i koliko vremena su studenti učili on-line na sustavu DTEx-Sys, te ispitati imaju li svi odgovarajuću tehnologiju za pristup (pristup Internetu, računalo i odgovarajuću programsku podršku) (Stankov, Grubišić, Žitko, & Krpan, 2005).

3. Eksperiment je provedenom na kolegiju Vizualno modeliranje (Institucija 1) u akademskoj godini 2006/2007. U ovom eksperimentu, sudjelovalo je 29 studenata treće godine u vremenu 04.06.2007. do 16.07.2007. Studenti su podijeljeni na eksperimentalnu (15 studenata) i kontrolnu grupu (14 studenata) slučajnim odabirom. Kontrolna grupa je sudjelovala u tradicionalnom procesu učenja i poučavanja, eksperimentalna grupa je koristila sustav xTEx-Sys na bazi područnog znanja Objektno-orijentirana paradigma - OOP (202 čvorova, 189 veza). Svi studenti su pisali pismeni inicijalni test koji je ocjenjivan bodovima od 0-100, da bi se vidjelo ima li kakvih razlika u predznanju između kontrolne i eksperimentalne grupe. Eksperimentalnoj grupi je slijedilo učenje na sustavu xTEx-Sys. Kontrolna grupa nije imala pristup, te su oni nastavili učiti na tradicionalan način. Na kraju svi učenici su pisali završni test, kako bi se vidjelo ima li značajne razlike između eksperimentalne i kontrolne grupe nakon korištenja sustava. Test je također ocjenjivan bodovima od 0-100. Vrednovanje učinka sustava xTEx-Sys je pokazalo da nema statistički značajnih razlika između kontrolne i eksperimentalne grupe u rezultatima završnog ispitivanja. Dakle, možemo zaključiti da tretman eksperimentalne grupe tj. učenje na sustavu xTEx-Sys nije imalo značajnog utjecaja na njihov uspjeh. Bilo kakva razlika između eksperimentalne i kontrolne grupe je mogla nastati kao posljedica greške. Veličina učinka sustava xTEx-Sys koji je dobiven istraživanjem je -0,08.

- Vođenje procesa u kemijskom inženjerstvu Fakultet kemijskog inženjerstva i tehnologije Sveučilišta u Zagrebu, odnosno Zavod za mjerenje i vođenje procesa je od samih početaka uključen kako u prototipna testiranja tako i vrednovanje inačica DTEx-Sys i xTEx-Sys modela TEx-Sys. Proveden je jedan eksperiment u akademskoj godini 2003/2004 sa studentima druge godine (63 studenta) za područno znanje uvod u računarstvo za tri nastavne cjeline: MS Windows, Računalo kao sustav i osnove programiranja. Većina eksperimenata je izvršena za područno znanje vođenje procesa u kemijskom inženjerstvu sa studentima četvrte godine usmjerenja kemijsko inženjerstvo. Poseban doprinos u suradnji sa ovim fakultetom je iskazan u oblikovanju laboratorijskog postrojenja LabTEx-Sys u kojem je sudjelovalo više suradnika nastavnika i studenata. Sustav LabTEx-Sys izgrađen je s namjerom da postane alat pomoću kojega će se studentima prenositi teorijsko znanje i vještine, s osloncem na eksperimentiranje. Osnovne ideje pri zamišljanju i izradi sustava LabTEx-Sys bile su: izraditi sustav za vođenje udaljenih procesa putem interneta, koji će učenicima omogućavati eksperimentalno istraživanje procesa u realnom vremenu, prijateljska prilagodba sustava za rad s različitim procesima (eksperimentima) i sigurnost podataka koji se izmjenjuju između učenika i procesa. Za usvajanje teorijskih znanja iz stanovitog područja sustav se oslanja na inačicu xTEx-Sys, čije funkcionalnosti nadopunjuje primjenjujući načela i prednosti e-učenja pri eksperimentiranju. Sustav LabTEx-Sys u sprezi s sustavom xTEx-Sys i demonstracijskim laboratorijskim postrojenjem - dvostupnjevitim izmjenjivačem topline, čini inteligentni sustav namijenjen e-učenju u kemijskom inženjerstvu iz područja mjerenja i vođenja procesa (Caharija i drugi, 2004).

VREDNOVANJE UČINKA MODELA TEX-SYS

Detaljno je prikazan dio eksperimenata u kojima je vrednovan učinak modela TEx-Sys. Prikazani eksperimenti su obuhvatili inačice DTEx-Sys i xTEx-Sys pri čemu su obuhvaćena istraživanja u okviru realizacije nastavnog procesa na fakultetu, realizacije seminarskog rada studenata kao rezultat istraživanja proveden sa učenicima u jednoj srednjoj školi i diplomski rad studenta u okviru kojeg je izvedeno istraživanje u nastavnom procesu sa učenicima u osnovnoj školi Dakle, ovim prikazom su se obuhvatile sve kronološke dobi ispitanika. Pregled svih eksperimenata u kojima se istraživalo vrednovanje učinka modela TEx-Sys je u Prilogu 13.1. ­ DTEx-Sys Uvod u računarstvo akademska godina 2004/2005 (Institucija 1. i 3.) U ovom eksperimentu (Stankov, Glavinić, & Grubišić, 2004) je sudjelovalo 22 studenta prve godine studijskih grupa matematike, matematike i informatike, informatike i fizike, informatike i tehničke kulture te fizike i tehničke kulture (Institucija 1.) i 11 studenata prve godine (Institucija 3.) koji su upisali kolegij Uvod u računarstvo u akademskoj godini 2004/2005. Studenti s Institucije 1. bili su podijeljeni u dvije grupe: eksperimentalnu (11 studenata) i tutorsku (11 studenata), dok su studenti s Institucije 3. pripadali kontrolnoj grupi. Kontrolna grupa je sudjelovala u tradicionalnom procesu učenja i poučavanja, eksperimentalna grupa je koristila sustav DTEx-Sys, a tutorska grupa je poučavana od strane predmetnih profesora i asistenata kolegija Uvod u računarstvo (studenti iz tutorske grupe su podijeljeni u četiri podgrupe s kojima su radili dodijeljeni im tutori). Studenti su bili uključeni u pripadajuće im oblike procesa učenja i poučavanja dva sata tjedno tijekom cijelog semestra (2 sata x 15 tjedana = 30 sati po semestru). Eksperimentalna grupa se učila i poučavala na sljedećim bazama područnog znanja u okviru sustava DTEx-Sys: baze znanja: Računalo kao sustav (48 čvorova, 46 veza), Brojevni sustavi i logičke funkcije (220 čvorova, 105 veza), MS DOS (95 čvorova, 88 veza), MS Windows (83 čvorova, 72 veza), MS Word (80 čvorova, 77 veze), MS PowerPoint (93 čvorova, 111 veze), MS Excel (116 čvorova, 113 veze). Sve tri grupe su pisale 45-minutni inicijalni test na početku semestra. Također su sve tri grupe pisale 60-minutni završni test dva tjedna nakon završetka semestra. Oba testa su bodovana na ljestvici od 0 do 100 bodova. Inicijalni test je dao informaciju o postojanju statistički značajne razlike između grupa s obzirom na predznanje studenata. Završni test je dao informaciju o postojanju statistički značajnih razlika između grupa s obzirom na utjecaj različitih načina poučavanja. Vrednovanje učinka sustava DTEx-Sys je pokazalo da je strategija učenja i poučavanja učinkovita. Naime, eksperimentalna grupa je pokazala bolje rezultate nego kontrolna grupa kod svakog statističkog testa. Značajna statistička razlika između kontrolne i eksperimentalne grupe je pokazala da postoje prednosti učenja i poučavanja u sustavu DTEx-Sys naspram tradicionalnog učenja. Nepostojanje statistički značajne razlike između eksperimentalne i tutorske grupe je pokazalo da je sustav DTEx-Sys sposoban zamijeniti živog učitelja. Veličina učinka sustava DTEx-Sys je 0.82 što je malo manje od 0.84, što je standardna vrijednost za učinak inteligentnih tutorskih sustava (prema (Fletcher, 2003)).

­ xTEx-Sys Uvod u računarstvo akademska godina 2005/2006 (Institucije 1 i 3) U ovom eksperimentu (Grubišić, 2007) sudjelovalo je 102 studenta prve godine studijskih grupa matematike, matematike i informatike, informatike i fizike, informatike i tehničke kulture te fizike i tehničke kulture (Institucija 1.), i 73 studenata prve godine Institucije 3. koji su upisali kolegij Uvod u računarstvo u akademskoj godini 2005/2006. Eksperiment je trajao od 15.10.2005. do 23.01.2006. Studenti s Institucija 1. su unaprijed pridijeljeni eksperimentalnoj grupi, studenti s Institucija 3. u kontrolnoj grupi zbog organizacijski problema. Unaprijed određena pripadnost grupi nije predstavljala ograničenje provedenom eksperimentu, jer su grupe, nakon provedenih svih testova, izjednačene i samim time su predstavljale prihvatljiv uzorak za statističku analizu i interpretaciju učinkovitosti. Kontrolna grupa je sudjelovala u tradicionalnom procesu učenja i poučavanja, a eksperimentalna grupa je koristila sustav xTEx-Sys. Studenti su bili uključeni u pripadajuće im oblike procesa učenja i poučavanja dva sata tjedno tijekom cijelog semestra (2 sata x 15 tjedana = 30 sati po semestru). Eksperimentalna grupa se učila i poučavala na sljedećim bazama područnog znanja u okviru sustava xTEx-Sys: baze znanja: Računalo kao sustav (48 čvorova, 46 veza), Brojevni sustavi i logičke funkcije (220 čvorova, 105 veza), MS DOS (95 čvorova, 88 veza), MS Windows (83 čvorova, 72 veza), MS Word (80 čvorova, 77 veze), MS PowerPoint (93 čvorova, 111 veze), MS Excel (116 čvorova, 113 veze). Obje grupe su pisale 45-minutni inicijalni test na početku semestra. Također su obje grupe pisale dva 45-minutna testa provjere i 45-minutni završni test. Svi testovi su bodovani na ljestvici od 0 do 100 bodova. Inicijalni test je dao informaciju o postojanju statistički značajne razlike između grupa s obzirom na predznanje studenata. Testovi provjere i završni test su dali informacije o postojanju statistički značajnih razlika između grupa s obzirom na utjecaj različitih načina poučavanja. Eksperiment je realiziran u okviru 7 etapa (Tablica 13.8.).

Tablica 13.8. Etape eksperimenta

Etapa Aktivnost Datum

1. 45-minutni inicijalni test 15.10.2005.

2. učenje i poučavanje: kontrolna grupa na tradicionalni način

eksperimentalna grupa u sustavu xTEx-Sys

od 16.10.2005. do 19.11.2005.

3. 45-minutni prvi test provjere 19.11.2005.

4. učenje i poučavanje: kontrolna grupa na tradicionalni način

eksperimentalna grupa u sustavu xTEx-Sys

od 20.11.2005. do 17.12.2005.

5. 45-minutni drugi test provjere 17.12.2005.

6. učenje i poučavanje: kontrolna grupa na tradicionalni način

eksperimentalna grupa u sustavu xTEx-Sys

od 28.11.2005. do 23.01.2006.

7. 45-minutni završni test 23.01.2006.

Na završetku eksperimenta je napravljena analiza prisustvovanja testovima u okviru eksperimenta. Ustanovljeno je sljedeće: ­ inicijalni test su pisala 73 studenta iz kontrolne grupe i 102 studenta iz

eksperimentalne grupe ­ prvi test provjere su pisala 72 studenta iz kontrolne grupe (od toga 12 studenata koji

nisu pisali inicijalni test) i 99 studenata iz eksperimentalne grupe (od toga 5 studenata koji nisu pisali inicijalni test)

­ drugi test provjere je pisalo 57 studenata iz kontrolne grupe (od toga 9 studenata koji nisu pisali inicijalni test ili prvi test provjere) i 94 studenta iz eksperimentalne grupe (od toga 8 studenata koji nisu pisali inicijalni test ili prvi test provjere)

­ završni test je pisalo 49 studenata iz kontrolne grupe (od toga 9 studenata koji nisu pisali inicijalni test ili prvi test provjere ili drugi test provjere) i 87 studenata iz eksperimentalne grupe (od toga 7 studenata koji nisu pisali inicijalni test ili prvi test provjere ili drugi test provjere)

Dakle, na kraju je u kontrolnoj grupi bilo 40 studenata sa četiri testa, a u eksperimentalnoj grupi 80 studenata koji imaju sva četiri testa. Potrebno je stoga od 80 studenata u eksperimentalnoj grupi izabrati 40 tako da dobivena grupa bude ekvivalentna kontrolnoj grupi promatrajući rezultate inicijalnog testa. Vrednovanje učinka sustava xTEx-Sys je pokazalo da je strategija učenja i poučavanja učinkovita po dijelovima. Naime, eksperimentalna grupa je pokazala bolje rezultate nego kontrolna grupa kod dva od tri testa. Ne postoji statistički značajna razlika između kontrolne i eksperimentalne grupe kod rezultata prvog testa provjere, ali je eksperimentalna grupa bolja od kontrolne uz razinu značajnosti α=0.05. Postoji statistički značajna razlika između kontrolne i eksperimentalne grupe kod rezultata drugog testa provjere, ali je kontrolna grupa bolja od eksperimentalne uz razinu značajnosti α=0.05. Postoji statistički značajna razlika između kontrolne i eksperimentalne grupe kod rezultata završnog testa, eksperimentalna grupa je bolja od kontrolne uz razinu značajnosti α=0.05.

Tablica 13.9. Rezultati ispitivanja nul-hipoteza

T-VRIJEDNOST P-VRIJEDNOST Α =0.05, DF=78

POSTOJANJE STATISTIČKI ZNAČAJNE RAZLIKE

BOLJA GRUPA

Prvi test provjere t = -0,73, p=0,4676 Ne eksperimentalna

Drugi test provjere t = 2,31, p=0,0235 Da kontrolna Završni test t = -3,62, p=0,0005 Da eksperimentalna

Značajna statistička razlika između kontrolne i eksperimentalne grupe kod rezultata završnog testa je pokazala da postoje prednosti učenja i poučavanja u sustavu xTEx-Sys naspram tradicionalnog učenja. Parcijalne veličine učinka su izračunate kao Glass-ove Δ. Eksperimentalna grupa je bila bolja na prvom testu provjere od kontrolne grupe za 0,17 standardne devijacije. Kontrolna grupa je bila bolja na drugom testu provjere od eksperimentalne grupe za 0,47 standardne devijacije. Eksperimentalna grupa je bila bolja na završnom testu od kontrolne grupe za 0,79 standardne devijacije. Ukupna veličina učinka računa se kao

prosječna vrijednost parcijalnih veličina učinka. Ukupna veličina učinka sustava xTEx-Sys je 0,16 što je mala veličina učinka (prema Cohen, 1969). Negativna t-vrijednost dobivena kod ispitivanja hipoteze H1 upućivala je na to da je eksperimentalna grupa bolja od kontrolne prema rezultatima prvog testa provjere uz razinu značajnosti α=0.05, što odgovara veličini učinka 0,17 (koja je prema (Cohen, 1969) mala veličina učinka) eksperimentalne grupe. Pozitivna t-vrijednost kod ispitivanja hipoteze H2 upućivala je na to da je kontrolna grupa bolja od eksperimentalne prema rezultatima drugog testa provjere uz razinu značajnosti α=0.05, što odgovara veličini učinka -0,47 (koja je prema Cohen, 1969 srednja veličina učinka) kontrolne grupe. Negativna t-vrijednost kod ispitivanja hipoteze H3 upućivala je na to da je eksperimentalna grupa bolja od kontrolne prema rezultatima završnog testa uz razinu značajnosti α=0.05, što odgovara veličini učinka 0,81 (koja je prema (Cohen, 1969) velika veličina učinka) eksperimentalne grupe. Dobivene veličine učinaka ne pokazuju linearan rast ili stagnaciju. Drugi test provjere je pokazao da je kontrolna grupa bolja od eksperimentalne, što je pak rezultat propusta u organizaciji eksperiment, kada je eksperimentalna grupa pisala drugi test provjere dva dana prije kontrolne grupe, uslijed čega je očito došlo do razmjene informacija između studenata. ­ xTEx-Sys Uvod u računarstvo akademska godina 2006/2007 (Institucije 1 i 3) U ovom eksperimentu (Grubišić, Stankov, Žitko 2007) sudjelovalo je 75 studenta prve godine studijskih grupa matematike, matematike i informatike, informatike i fizike, informatike i tehničke kulture te fizike i tehničke kulture (Institucija 1.) i 51 studenata prve godine (Institucija 3) koji su upisali kolegij Uvod u računarstvo u akademskoj godini 2006/2007. Eksperiment je trajao od 09.10.2006. do 26.01.2007. Ovaj eksperiment je organiziran kao replika prethodnog eksperimenta, tako da su se nastojali ponoviti svi uvjeti kao i u originalnom eksperimentu. Stoga su također studenti s Inistitucije 1. su unaprijed pridijeljeni eksperimentalnoj grupi, studenti s Institucije 3. kontrolnoj. Grupe su, nakon provedenih svih testova, izjednačene i samim time su predstavljale prihvatljiv uzorak za statističku analizu i interpretaciju učinkovitosti. Kontrolna grupa je sudjelovala u tradicionalnom procesu učenja i poučavanja, a eksperimentalna grupa je koristila sustav xTEx-Sys. Studenti su bili uključeni u pripadajuće im oblike procesa učenja i poučavanja dva sata tjedno tijekom cijelog semestra (2 sata x 15 tjedana = 30 sati po semestru). Eksperimentalna grupa se učila i poučavala na istim bazama područnog znanja u okviru sustava xTEx-Sys kao i eksperimentalna grupa u inicijalnom eksperimentu. Obje grupe su pisale iste testove kao i u originalno eksperimentu. Na završetku eksperimenta je napravljena analiza prisustvovanja testovima u okviru eksperimenta. Na kraju smo dobili da u kontrolnoj grupi ima 19 studenata koji imaju sva četiri testa, a u eksperimentalnoj grupi 51 studenata koji imaju sva četiri testa. Potrebno je stoga od 51 studenata u eksperimentalnoj grupi izabrati onoliko studenata tako da

dobivena grupa bude ekvivalentna kontrolnoj grupi promatrajući rezultate inicijalnog testa. Vrednovanje učinka sustava xTEx-Sys je pokazalo da je strategija učenja i poučavanja učinkovita po dijelovima. Naime, eksperimentalna grupa je pokazala bolje rezultate nego kontrolna grupa kod dva od tri testa. Ne postoji statistički značajna razlika između kontrolne i eksperimentalne grupe kod rezultata prvog testa provjere, ali je kontrolna grupa bolja od eksperimentalne uz razinu značajnosti α=0.05. Ne postoji statistički značajna razlika između kontrolne i eksperimentalne grupe kod rezultata drugog testa provjere, ali je eksperimentalna grupa bolja od kontrolne uz razinu značajnosti α=0.05. Postoji statistički značajna razlika između kontrolne i eksperimentalne grupe kod rezultata završnog testa, eksperimentalna grupa je bolja od kontrolne uz razinu značajnosti α=0.05.

Tablica 13.10. Rezultati ispitivanja nul-hipoteza

T-VRIJEDNOST P-VRIJEDNOST Α =0.05, DF=37

POSTOJANJE STATISTIČKI ZNAČAJNE RAZLIKE

BOLJA GRUPA

Prvi test provjere t = 1,04, p=0,3051 Ne kontrolna

Drugi test provjere t = -1,11, p=0,2742 Ne eksperimentalna Završni test t = -3,77, p=0,0006 Da eksperimentalna

Značajna statistička razlika između kontrolne i eksperimentalne grupe kod rezultata završnog testa je pokazala da postoje prednosti učenja i poučavanja u sustavu xTEx-Sys naspram tradicionalnog učenja. Parcijalne veličine učinka su izračunate kao Glass-ove Δ. Kontrolna grupa je bila bolja na prvom testu provjere od eksperimentalne grupe za -0,33 standardne devijacije. Eksperimentalna grupa je bila bolja na drugom testu provjere od kontrolne grupe za 0,35 standardne devijacije. Eksperimentalna grupa je bila bolja na završnom testu od kontrolne grupe za 1,23 standardne devijacije. Ukupna veličina učinka računa se kao prosječna vrijednost parcijalnih veličina učinka. Ukupna veličina učinka sustava xTEx-Sys je 0,42 što je srednja veličina učinka (prema Cohen, 1969). Pozitivna t-vrijednost dobivena kod ispitivanja hipoteze H1 upućivala je na to da je kontrolna grupa bolja od eksperimentalne prema rezultatima prvog testa provjere uz razinu značajnosti α=0.05, što odgovara veličini učinka 0,33 (koja je prema Cohen, 1969 mala veličina učinka) kontrolne grupe. Negativna t-vrijednost kod ispitivanja hipoteze H2 upućivala je na to da je eksperimentalna grupa bolja od kontrolne prema rezultatima drugog testa provjere uz razinu značajnosti α=0.05, što odgovara veličini učinka 0,35 (koja je prema Cohen, 1969 mala veličina učinka) eksperimentalne grupe. Negativna t-vrijednost kod ispitivanja hipoteze H3 upućivala je na to da je eksperimentalna grupa bolja od kontrolne prema rezultatima završnog testa uz razinu značajnosti α=0.05, što odgovara veličini učinka 1,23 (koja je prema Cohen, 1969 velika veličina učinka) eksperimentalne grupe.

Dobivene veličine učinaka pokazuju linearan rast. Prvi test provjere je pokazao da je kontrolna grupa bolja od eksperimentalne, što pak ukazuje na potrebu za boljom pripremom studenata za učenje u formaliziranom okruženju kojeg pruža sustav xTEx-Sys. - xTEx-Sys (Institucija 5.) Građa računala akademska godina 2006/2007 Seminarski rad studentica na kolegiju Primjena računala u nastavi (Institucija 1) u akademskoj godini 2006/2007, sa 58 učenika prvog razreda pri realizaciji nastave iz predmeta Građa računala u školskoj godini 2006/2007. Cilj istraživanja je bio utvrđivanje razlike kvalitete znanja kada se poučavanje vrši tradicionalnom nastavom, te učenja isključivo uz pomoć sustava xTEx-Sys. Za potrebe istraživanja najprije je oblikovana baza znanja nastavne cjeline Grada računala, nakon čega je slijedio eksperiment, odnosno rad sa učenicima. Nastavna cjelina Građa računala podijeljenu u osam nastavnih tema (Funkcionalna shema računala, Procesor, Radni spremnik, Matična ploča, Vanjski spremnici, Ulazni uređaji, Izlazni uređaji, Uređaji za povezivanje računala) te kviz Građa računala. Eksperiment je trajao od 20.04.2007. do 19.05.2007. Učenici su podijeljeni na eksperimentalnu (29 učenika) i kontrolnu grupu (29 učenika) slučajnim odabirom. Kontrolna grupa je sudjelovala u tradicionalnom procesu učenja i poučavanja, eksperimentalna grupa je koristila sustav xTEx-Sys na bazi područnog znanja Građa računala. Svi učenici su pisali pismeni inicijalni test koji je ocjenjivan bodovima od 0-100, da bi se vidjelo ima li kakvih razlika u predznanju između kontrolne i eksperimentalne grupe. Eksperimentalnoj grupi je slijedilo učenje na sustavu xTEx-Sys. Kontrolna grupa nije imala pristup, te su oni nastavili učiti na tradicionalan način. Na kraju svi učenici su pisali završni test, kako bi se vidjelo ima li značajne razlike između eksperimentalne i kontrolne grupe nakon korištenja sustava. Test je također ocjenjivan bodovima od 0-100. Vrednovanje učinka sustava xTEx-Sys je pokazalo da nema statistički značajnih razlika između kontrolne i eksperimentalne grupe u rezultatima završnog ispitivanja. Dakle, možemo zaključiti da tretman eksperimentalne grupe tj. učenje na sustavu xTEx-Sys nije imalo značajnog utjecaja na njihov uspjeh. Bilo kakva razlika između eksperimentalne i kontrolne grupe je mogla nastati kao posljedica pogreške. Veličina učinka sustava xTEx-Sys koji je dobiven istraživanjem je -0,08. Pozitivna t-vrijednost 0,27 (p=0.7820, df=56) dobivena kod ispitivanja nul-hipoteze H0 upućivala je na to da je kontrolna grupa bolja od eksperimentalne prema rezultatima prvog testa provjere uz razinu značajnosti α=0.05, što odgovara veličini učinka -0,08 (koja je prema Cohen, 1969 mala veličina učinka) kontrolne grupe.

­ xTEx-Sys (Institucija 10.) 5. razred Matematika školska godina 2006/2007 U ovom eksperimentu u okviru diplomskog rada studentice Martine Banovac (Banovac, 2008) sudjelovao je 41 učenik petog razreda OŠ „Bol“ u Splitu u okviru realizacije nastave iz predmeta Matematika u školskoj godini 2006/2007. Eksperiment je trajao od 03.05.2007. do 07.06.2007. Učenici su podijeljeni na eksperimentalnu (21 studenata) i kontrolnu grupu (20 studenata) slučajnim odabirom. Svi učenici su pisali pismeni inicijalni test koji je ocjenjivan bodovima od 0-100, da bi se vidjelo ima li kakvih razlika u predznanju između kontrolne i eksperimentalne grupe. Kontrolna grupa je sudjelovala u tradicionalnom procesu učenja i poučavanja, eksperimentalna grupa je koristila sustav xTEx-Sys na bazi područnog znanja Matematika za peti razred. Eksperimentalnoj grupi je slijedilo učenje na sustavu xTEx-Sys. Kontrolna grupa nije imala pristup, te su oni nastavili učiti na tradicionalan način. Također su obje grupe pisale dva 45-minutni testa provjere i 45-minutni završni test. Svi testovi su bodovani na ljestvici od 0 do 100 bodova. Vrednovanje učinka sustava xTEx-Sys je pokazalo da je strategija učenja i poučavanja učinkovita. Naime, eksperimentalna grupa je pokazala bolje rezultate nego kontrolna grupa kod svih testova. Ne postoji statistički značajna razlika između kontrolne i eksperimentalne grupe kod rezultata prvog testa provjere, ali je eksperimentalna grupa bolja od kontrolne uz razinu značajnosti α=0.05. Postoji statistički značajna razlika između kontrolne i eksperimentalne grupe kod rezultata drugog testa provjere, eksperimentalna grupa je bolja od kontrolne uz razinu značajnosti α=0.05. Ne postoji statistički značajna razlika između kontrolne i eksperimentalne grupe kod rezultata završnog testa, ali je eksperimentalna grupa bolja od kontrolne uz razinu značajnosti α=0.05.

Tablica 1.11. Rezultati ispitivanja nul-hipoteza

T-VRIJEDNOST P-VRIJEDNOST Α =0.05, DF=39

POSTOJANJE STATISTIČKI ZNAČAJNE RAZLIKE

BOLJA GRUPA

Prvi test provjere t = -0,19, p=0,8503 ne eksperimentalna Drugi test provjere t = -2,16, p=0,0370 da eksperimentalna

Završni test t = -1,03, p=0,3094 ne eksperimentalna

Značajna statistička razlika između kontrolne i eksperimentalne grupe kod rezultata drugog testa provjere je pokazala da postoje prednosti učenja i poučavanja u sustavu xTEx-Sys naspram tradicionalnog učenja. Parcijalne veličine učinka su izračunate kao Glass-ove Δ. Eksperimentalna grupa je bila bolja na prvom testu provjere od kontrolne grupe za 0,07 standardne devijacije. Eksperimentalna grupa je bila bolja na drugom testu provjere od kontrolne grupe za 0,74 standardne devijacije. Eksperimentalna grupa je bila bolja na završnom testu od kontrolne grupe za 0,34 standardne devijacije. Ukupna veličina učinka računa se kao

prosječna vrijednost parcijalnih veličina učinka. Ukupna veličina učinka sustava xTEx-Sys je 0,38 što je srednja veličina učinka (prema (Cohen, 1969)). Negativna t-vrijednost dobivena kod ispitivanja hipoteze H1 upućivala je na to da je eksperimentalna grupa bolja od kontrolne prema rezultatima prvog testa provjere uz razinu značajnosti α=0.05, što odgovara veličini učinka 0,07 (koja je prema (Cohen, 1969) mala veličina učinka) kontrolne grupe. Negativna t-vrijednost kod ispitivanja hipoteze H2 upućivala je na to da je eksperimentalna grupa bolja od kontrolne prema rezultatima drugog testa provjere uz razinu značajnosti α=0.05, što odgovara veličini učinka 0,74 (koja je prema (Cohen, 1969) velika veličina učinka) eksperimentalne grupe. Negativna t-vrijednost kod ispitivanja hipoteze H3 upućivala je na to da je eksperimentalna grupa bolja od kontrolne prema rezultatima završnog testa uz razinu značajnosti α=0.05, što odgovara veličini učinka 0,34 (koja je prema (Cohen, 1969) srednja veličina učinka) eksperimentalne grupe. Dobivene veličine učinaka ne pokazuju linearan rast.

LITERATURA

1. Andrijanić, M. (2005): Učenje, poučavanje i testiranje znanja nastavnih sadržaja prema HNOS-u iz informatike za osnovne škole, HDPIO-MZOŠ – Zavod za školstvo, Savjetovanje Računalo u školi IX - Šibenik, Solaris, 22., 23., 24., rujna 2005., Naslov radionice: Inteligentni sustavi e-učenja.

2. Banovac, M. (2008): Vrednovanje inteligentnih tutorskih sustava, (diplomski rad), Fakultet prirodoslovno - matematičkih znanosti, Sveučilište u Splitu.

3. Barr, A., Feigenbaum, E.A. (1981): The handbook of artificial intelligence - volume I. William Kaufmann, Incc.

4. Becker, L. A. (2000). Online syllabus - Basic and Applied Research Methods. Retrieved 07 15, 2009, http://web.uccs.edu/lbecker/Psy590/default.html

5. Bloom B. S. (1956): Taxonomy of Educational Objectives, Handbook I: The Cognitive Domain, New York, David McKay Co Inc.

6. Bloom B.S. (1984) The Two-Sigma Problem: The Search for Methods of Group Instruction as Effective as One-to-One Tutoring. Educational Researcher. 13,4-16

7. Božičević J. (1980): Temelji automatike, I. knjiga - Sustavno gledište i automatika, Automatsko reguliranje, Školska knjiga, Zagreb.

8. Božičević J. (1992): Od kibernetike do znanosti o sustavima, str. 9-14 u J. Božičević (urednik), Sustavsko mišljenje, Hrvatsko društvo za sustave, Zagreb.

9. Budimir, A. (2004): Učenje i poučavanje geometrijskih tijela primjenom suvremene informacijske tehnologije, (diplomski rad), Visoka učiteljska škola, Sveučilišta u Splitu.

10. Bujas, Z. (1943): Testovi znanja i mogućnosti njihove primjene u školskoj praksi, Zagreb.

11. Caharija, A. (glavni istraživač), Bolf, N. Dugački, M., Galinec, G., Vedrina, D.S., Topić, G., Stankov, S. (2004): Tehnologijski projekt TP 01/12507 - Distribuirani laboratorij za daljinsko vođenje procesa i za poučavanje (završno izvješće), MZOS.

12. Carr, B., Goldstein I. P. (1970): Overlays : a Theory of Modeling for Computer Aided Instruction, MIT, AI Laboratory, AI Memo 406, February 1970.

13. Carrico, M. A., Girard, J. E., Jones, J. P. (1989): Building Knowledge Systems (Developing and Managing, Rule-Based Applications) McGeaw-Hill Book Company.

14. Charniak, E.,McDermott, D. (1985): Introduction to Artificial Intelligence, Addison-Wesley Pub Co.

15. Chabris, F. (1987): Artificial intelligence & Turbo PASCAL, Multiscience Press, Inc. 16. Cohen, J. (1969). Statistical Power Analysis for the Behavioral Sciences. Hillsdale, NJ:

Lawrence Erlbaum Ass. 17. Davis, B. G. (1993): Tools for Teaching, Jossey-Bass Publishers, San Francisco. 18. Dalbelo-Bašić, B. (2009): Umjetna inteligencija, Fakultet elektrotehnike i

računarstva, Zavod za elektroniku, mikroelektroniku, računalne i inteligentne sustave, www.zemris.fer.hr/~bojana, veljača 2009.

19. Enciklopedijski rječnik pedagogije, Matica hrvatska, Zagreb, 1963. 20. Glass, G. V., McGaw, B., & Smith, M. L. (1981). Meta-Analysis in Social Research.

London: Sage. 21. Grgin T. (1986): Školska dokimologija, Školska knjiga, Zagreb. 22. Gronlund, N. E. (1985): Measurement and Evaluation in Teaching, Macmillan

Publishing Company, New York. 23. Gross D. B. (1993): Tools for Teaching, John Wiley and Sons.

24. Grubišić, A. (2007). Vrednovanje učinka inteligentnih sustava e-učenja (magistarski rad), Fakultet elektrotehnike i računarstva, Sveučilište Zagreb.

25. Grubišić, A., Stankov, S., & Žitko, B. (2007). Experiment Replication in Evaluation of E-Learning System’s Effectiveness. Proceedings of the 6th WSEAS International Conference on E-ACTIVITIES, (pp. 166-171). Tenerife, Canary Islands, Spain.

26. Fletcher, J. D. (2003). Evidence for Learning From Technology-Assisted Instruction. In H. F. O'Neal, & R. S. Perez, Technology applications in education: a learning view (pp. 79-99). Mahwah, NJ: Lawrence Erlbaum Associate.

27. Jurišić, Lj. (2006): Učenje i poučavanje programiranja uz pomoć sustava xTEx-Sys u suglasju s HNOS-om za PETI razred osnovne škole, Savjetovanje Računalo u školi X Šibenik – Solaris, 21.09. -23.09.2006., Radionica: E-učenje i sustavi e-učenja

28. Katić, M. (2005): Statički način testiranja znanja u inteligenntnim sustavima e-učenja (diplomski rad) Fakultet prirodoslovno - matematičkih znanosti i odgojnih područja, Sveučilište u Splitu.

29. Krpan, D. (2004): Metodologija vrednovanja znanja u sustavima za e-učenje (diplomski rad) Fakultet prirodoslovno - matematičkih znanosti i odgojnih područja, Sveučilište u Splitu.

30. Marega, M. (2006): Učenje i poučavanje programiranja uz pomoć sustava xTEx-Sys za SEDMI razred osnovne škole, Savjetovanje Računalo u školi X Šibenik – Solaris, 21.09. -23.09.2006., Radionica: E-učenje i sustavi e-učenja

31. Merrill D. C., Reiser B. J., Merrill S. K., Landes S. (1995): Tutoring: guided learning by doing. Cognition and Instruction, 13(3), pp 315–372.

32. Mohammad, N. Y. (1998). Meta-analysis of the effectiveness of computer-assisted instruction in technical education and training. Doktorska disertacija. Blacksburg, Virginia: Virginia Polytechnic Institute and State University.

33. Mužić, V. (1977). Metodologija pedagoških istraživanja. Sarajevo: Svjetlost. 34. Mužić V. (1968): Testovi znanja, Školska knjiga, Zagreb. 35. Norac, Z. (2005): HDPIO-MZOŠ – Zavod za školstvo, Savjetovanje Računalo u školi IX

- Šibenik, Solaris, 22., 23., 24., rujna 2005., Naslov radionice: Inteligentni sustavi e-učenja.

36. Norac, Z. (2007): Zlatko.E-učenje u nastavi fizike za učenike u osnovnoj školi (magistarski rad) Fakultet prirodoslovno matematičkih znanosti i kineziologije, Sveučilište Split.

37. Paić J., Plavčić, M. (2005): Sustav TEx-Sys u nastavi fizike, HDPIO-MZOŠ – Zavod za školstvo, Savjetovanje Računalo u školi IX - Šibenik, Solaris, 22., 23., 24., rujna 2005., Naslov radionice: Inteligentni sustavi e-učenja

38. Paterson, D.W. (1990): Introduction to Artificial Intelligence and Expert Systems, Prentice-Hall.

39. Petz, B. (2004). Osnovne statističke metode za nematematičare. Jastrebarsko: Naklada Slap.

40. Pedagoška enciklopedija tom. 1 i 2, Školska knjiga, Zagreb, 1989. 41. Raos, J. (2008): Eksperimentalni dizajn u vrednovanju učinkovitosti sustava e-učenja,

(diplomski rad), Fakultet prirodoslovno - matematičkih znanosti, Sveučilište u Splitu. 42. Rosić. M. (2000): Zasnivanje sustava obrazovanja na daljinu unutar informacijske

infrastrukture, magistarski rad, FER, Zagreb. 43. SCORM Content Aggregation Model, 2004 44. Stankov, S. (1997): Izomorfni model sustava kao osnova računalom poduprtog

poučavanja načela vođenja, doktorska disertacija, Fakultet elektrotehnike, strojarstva i brodogradnje, Sveučilište u Splitu, Split.

45. Stankov S., Rosić M., Rakić K. (2001): Testiranje i ocjenjivanje korištenjem kvizova u inteligentnim tutorskim sustavima, MIPRO-2001, Računala u obrazovanju, Opatija, 21.-25.05.2001., str. 115 -119.

46. Stankov S. (2001): Inteligentna hipermedijska autorska ljuska TEx-Sys: razvoj i primjena, Mislimo sustavski, Hrvatsko društvo za sustave, Zagreb, 23.03.2001. str. 109-122.

47. Stankov S. (1998): Inteligentni računalni sustav za vođenje procesa učenja i poučavanja, uredio J. Božičević, Četvrti simpozij – Inteligentni sustavi: Inteligentno vođenje i inteligentni sustavi, Hrvatsko društvo za sustave, Zagreb, listopad 1998, 31-40.

48. Stankov, S. (2005): Inteligentni sustavi e-učenja: iskustva u razvoju i primjeni, HDPIO-MZOŠ – Zavod za školstvo, Savjetovanje Računalo u školi IX - Šibenik, Solaris, 22., 23., 24., rujna 2005., Naslov radionice: Inteligentni sustavi e-učenja

49. Stankov, S., Glavinić, V., & Grubišić, A. (2004). What is our effect size: Evaluating the Educational Influence of a Web-Based Intelligent Authoring Shell? IEEE International Conference on Intelligent Engineering Systems. Cluj-Napoca, Romania.

50. Stankov S. (glavni istraživač) (2005): Tehnologijski projekt MZT: Web orijentirana inteligentna hipermedijska autorska ljuska (TP-02/0177-01), za razdoblje 2003-2005.

51. Stankov, S., Grubišić, A., Žitko, B., & Krpan, D. (2005). Vrednovanje učinkovitosti procesa učenja i poučavanja u sustavima za e-učenje. Školski Vjesnik - časopis za pedagoška i školska pitanja, 54, 1-2 , str 21-31.

52. Sugarman R. (1978): A second chance for computer-aide instruction, IEEE Spectrum, 15(8), pp 29-37.

53. Swearingen R. (2005): A Primer: Diagnostic, Formative, & Summative Assessment, Heritage University, (http://slackernet.org/assessment.htm)

54. Tomaš, S. (2005): E - učenje u primarnom obrazovanju, HDPIO-MZOŠ - Zavod za školstvo, Savjetovanje Računalo u školi IX - Šibenik, Solaris, 22., 23., 24., rujna 2005., Naslov radionice: Inteligentni sustavi e-učenja

55. Tomaš, S. (2007): Učenje i poučavanje učenika u primarnom obrazovanju uz pomoć tutorskih sustava (magistarski rad), Filozofski fakultet Sveučilišta u Zagrebu.

56. Touretzky D. S. (1992): Inheritance Hierarchy u I. Shapirio, C. Stuart (eds) Artificial Intelligence - Encyclopedias, John Willy & Sons, Inc, pp 690-701.

57. VanLehn K. (1988): Student Modeling u M. C. Polson, J. J. Richardson (eds) Foundations of Intelligent Tutoring Systems. Lawrence Erlbaum Associates Publishers, pp 55-79.

58. Vizek Vidović, V, Vlahović-Štetić, V, Rijavec, M, Miljković, D (2003): Psihologija obrazovanja, IEP, Zagreb.

59. Vladušić, R. (2006): Inteligentni tutorski sustavi u nastavi kemije u primarnom obrazovanju (magistarski rad), Fakultet prirodoslovno matematičkih znanosti i kineziologije, Sveučilište Split.

60. Weizenbaum J. (1976): Computer power and Human Reasoning, W. H. Freeman and Co.

61. Wiener, N. (1948): Cybernetics or Control and Communication in the Animal and the Machine, J. Wilay, New York.

62. Winston P. H. (1984): Artificial Intelligence, 2nd ed. Addison Wesley Publishing Co. 63. Žitko, B. (2005): Model vrednovanja znanja u inteligentnim sustavima e-učenja

(magistarski rad), Fakultet elektrotehnike i računarstva, Sveučilište u Zagrebu, Zagreb.