Open AccessIntelektinė daugiaagentė mokymosi sistema, naudojanti edukacinių duomenų tyrybą
Author(s) -
Eugenijus Kurilovas,
Jaroslav Meleško,
Irina Krikun
Publication year - 2018
Publication title -
information and media
Language(s) - Lithuanian
Resource type - Journals
SCImago Journal Rank - 0.128
H-Index - 1
ISSN - 2783-6207
DOI - 10.15388/im.2017.79.11381
Subject(s) - computer science , personalization , personalized learning , artificial intelligence , learning styles , machine learning , active learning (machine learning) , educational technology , synchronous learning , open learning , cooperative learning , world wide web , teaching method , political science , law , psychology , pedagogy , mathematics education , mathematics
Straipsnyje yra pristatyta mokymosi personalizavimo pagal besimokančiųjų poreikius metodologija, kurioje yra naudojamos intelektinė daugiaagentė mokymosi sistema ir duomenų tyryba. Mokymosi personalizavimas yra įgyvendinamas remiantis keliais metodais. Felderio ir Silverman mokymosi stilių modelis naudojamas besimokančiųjų profiliams kurti, o tikimybiniai tinkamumo rodikliai yra identifikuojami tam, kad būtų galima susieti mokomuosius komponentus (t. y. mokomuosius objektus, mokomąsias veiklas ir mokymosi aplinką) su konkrečių besimokančiųjų mokymosi stiliais. Kitos pasiūlytos mokymosi sistemos kūrimo technologijos yra ontologijos, rekomendavimo sistema, intelektiniai programiniai agentai ir edukacinių duomenų tyryba (mokymosi analitika). Personalizuotais mokomaisiais moduliais čia vadinami moduliai, sudaryti iš mokomųjų komponentų, kurie turi aukščiausius tikimybinius tinkamumo rodiklius konkrečių besimokančiųjų atžvilgiu. Straipsnyje visų pirma yra atlikta intelektinių programinių agentų taikymo švietime sisteminė apžvalga „Clarivate Analytics Web of Science“ duomenų bazėje. Antra, yra aprašyti mokymosi personalizavimo metodai, taikant intelektines technologijas mokomiesiems moduliams, optimizuotiems konkretiems besimokantiesiems, kurti. Sukurti besimokančiųjų profiliai ir personalizuoti mokomieji moduliai yra toliau koreguojami duomenų tyrybos metodais ir priemonėmis. Detaliau yra pristatomas intelektinės daugiaagentės mokymosi sistemos, grįstos minėtomis technologijomis, modelis. Esminiai pasiūlytos technologijos sėkmės veiksniai yra edukologijos atžvilgiu kokybiški mokomųjų komponentų žodynai, mokomųjų komponentų ekspertinis vertinimas jų tinkamumui konkretiems besimokantiesiems įvertinti, taip pat ontologijų, rekomendavimo sistemos, intelektinių programinių agentų ir duomenų tyrybos taikymas.