MASARYKOVA UNIVERZITA FAKULTA INFORMATIKY
Adaptabilní webový systém pro výuku anatomie
DIPLOMOVÁ PRÁCE Bc. Jan Kučera
Brno, 2014
Prohlášení Prohlašuji, že tato práce je mým původním autorským dílem, které jsem vypracoval samostatně. Všechny zdroje, prameny a literaturu, které jsem při vypracování používal nebo z nich čerpal, v práci řádně cituji s uvedením úplného odkazu na příslušný zdroj.
Poděkování Rád bych poděkoval doc. Mgr. Radku Pelánkovi, Ph.D., vedoucímu mé diplomové práce, především za podnětné návrhy a připomínky při tvorbě diplomové práce a za ochotu poskytnout konzultace kdykoli byly potřeba. Děkuji svým přátelům za jejich názory na přívětivost vyvíjeného systému, za jejich podporu a trpělivost.
Shrnutí Práce shrnuje základní techniky adaptabilního procvičování, popisuje některé stávající systémy pro výuku anatomie člověka a zahrnuje návrh a implementaci vlastní adaptabilní webové aplikace pro výuku lidské anatomie. Na základě nasbíraných dat je provedena analýza úspěšnosti použitého modelu.
Klíčová slova Adaptabilní procvičování, lidská anatomie, výukový program, webová aplikace, Java.
Obsah Úvod ........................................................................................................... 1 1.
Adaptabilní procvičování .......................................................... 3 1.1. Výhody a nevýhody ............................................................... 3 1.2. Využívané modely ................................................................. 3 1.2.1. Rasch model ..................................................................... 4 1.2.2. Performance Factor Analysis ......................................... 4 1.2.3. Hodnotící systém Elo ...................................................... 5 1.3. Adaptabilní procvičování faktů ........................................... 6 1.3.1. Odhad předchozí znalosti .............................................. 6 1.3.2. Odhad aktuální znalosti ................................................. 7 1.3.3. Výběr otázky .................................................................... 7 1.4. Stávající adaptabilní systémy................................................ 9 1.4.1. Slepé Mapy ....................................................................... 9 1.4.2. Problem Solving Tutor .................................................. 11 1.4.3. Vocabulary.com ............................................................. 11 1.4.4. Khan Academy .............................................................. 12
2.
Lidská anatomie a její výuka................................................... 14 2.1. Dostupné systémy pro výuku lidské anatomie ............... 14 2.1.1. Zygote Body ................................................................... 14 2.1.2. AnatoNomina................................................................. 16 2.1.3. InnerBody ....................................................................... 16 2.2. Zdroj anatomických materiálů ........................................... 17
3.
Slepá anatomie na straně serveru........................................... 18 3.1. Použité technologie .............................................................. 18 3.2. Návrh systému ...................................................................... 19 3.2.1. Diagram případů užití .................................................. 19 3.2.2. Datový model ................................................................. 19 3.2.3. Diagram tříd ................................................................... 22 3.3. Některá implementační řešení ............................................ 22 3.3.1. Přihlašování prostřednictvím sociálních sítí ............. 23
3.3.2. Autentizace administrátorů ......................................... 24 4.
Slepá anatomie na straně klienta ............................................ 25 4.1. Použité technologie .............................................................. 25 4.2. Návrh obrazovek .................................................................. 25 4.3. Některá implementační řešení ............................................ 29 4.3.1. Obrázky ve formátu SVG a manipulace s nimi......... 29 4.3.2. Responzivní design ....................................................... 30 4.3.3. Redakce ........................................................................... 31
5.
Analýza nasbíraných dat ......................................................... 32 5.1. Základní popisné statistiky ................................................. 32 5.1.1. Množství odpovědí a nejčastější chyby ...................... 33 5.1.2. Úspěšnost odpovědí ...................................................... 34 5.1.3. Časové údaje .................................................................. 35 5.2. Úspěšnost odhadů zvoleného modelu .............................. 35 5.3. Obtížnosti soustav a pojmů ................................................ 36
Závěr ........................................................................................................ 38 Literatura ................................................................................................. 40 Přílohy ...................................................................................................... 43
Úvod Existují různé typy znalostí. K pochopení složitého matematického problému výborně poslouží výklad zkušeného lektora, k naučení manuálního postupu naopak pomůže praktická ukázka. Některé učivo však není třeba vysvětlovat, skládá se z faktů, které si stačí zapamatovat pravidelným opakováním. Mezi tyto oblasti patří například zeměpisné mapy či cizojazyčná slovní zásoba. Tato práce se zabývá podobnou oblastí, lidskou anatomií. V učebnicích i na Internetu lze nalézt spoustu obrázkového materiálu s názvy částí lidského těla. Učení se pojmů přímo z těchto materiálů však postrádá důležité prvky efektivního učení. Student především nemá přehled o tom, co již umí, neví, jak jsou které pojmy obtížné, a na jaké pojmy by se měl tedy více zaměřit. To vede k plýtvání časem studenta, hůře však ke ztrátě jeho motivace. Toto vše lze v dnešní době řešit pomocí specializované výukové aplikace. Ta klade studentovi otázky s ohledem na odhadovanou znalost studenta získanou z jeho předchozích odpovědí, ale bere v potaz i obtížnosti otázek odhadnuté pomocí dat od ostatních studentů. Hlavním cílem této práce bylo navrhnout a implementovat obdobnou aplikaci určenou k procvičování lidské anatomie. V první kapitole jsou zmíněny základní informace o technice adaptabilního procvičování. Popsány jsou zde i dostupné výukové aplikace, které se přizpůsobují svým uživatelům. Mezi nimi jsou také Slepé Mapy [1], webová aplikace na procvičování zeměpisných map. Druhá kapitola obsahuje přehled projektů zabývajících se výukou lidské anatomie. V této kapitole je popsán i postup získání obrázkových materiálů potřebných pro realizaci vlastní aplikace. Formální návrh a implementace programu jsou rozděleny do dvou kapitol. V jedné z nich je popsána část aplikace probíhající na straně serveru. Zde je vysvětleno adaptabilní chování aplikace i přihlašování pomocí sociálních sítí. Dále se kapitola zabývá návrhem datového úložiště
1
a prací nad ním. Čtvrtá kapitola obsahuje návrh a implementaci klientské strany programu. Především zahrnuje rozložení obrazovek s responzivním designem a popis práce s obrázky ve formátu SVG (Scalable Vector Graphics) [2]. Závěrečná kapitola je věnována analýze dat získaných prostřednictvím výsledné aplikace s názvem Slepá anatomie, která je dostupná na adrese slepaanatomie.cz. Obsahuje mimo jiné test přesnosti odhadů pravděpodobností správných odpovědí a přehled obtížností jednotlivých anatomických pojmů.
2
1. Adaptabilní procvičování Adaptabilní procvičování ve smyslu anglického Computer adaptive practice [3] je technika procvičování určité oblasti znalostí pomocí inteligentního počítačového programu. Algoritmus se během používání systému přizpůsobuje konkrétnímu uživateli, kterému jsou tak kladeny otázky pro něj nejužitečnější. Student s dobrou znalostí odpovědí na středně obtížné otázky tak brzy přejde na otázky obtížnější. Analogicky se systém přizpůsobí studentům méně znalým nebo pomaleji se učícím.
1.1.
Výhody a nevýhody
Adaptabilní procvičování zřejmě šetří čas jak studentům, tak učitelům. Učitelé se nemusí soustředit na výuku faktických pojmů a mohou se zaměřit na výklady komplexnějších problémů. Student není zdržován procvičováním pojmů, které již umí nebo jsou pro něj příliš jednoduché. Naopak, když má s určitou oblastí problémy, systém u těchto otázek trpělivě zůstane a se studentem je důkladně procvičí. Aby systém pracoval správně, je třeba mít znalost toho, jak jsou které pojmy obtížné. Tyto informace lze získat od znalce dané oblasti. Takovýto odhad odborníka však nemusí být vždy shodný se skutečností, zvláště když obtížnosti jednotlivých pojmů mohou záviset na cílové skupině studentů. Druhou možností je obtížnost nastavovat podle samotných odpovědí uživatelů. Odhady obtížností pojmů se tedy postupně zpřesňují až s užíváním systému.
1.2.
Využívané modely
Pro sofistikované doporučení toho, co se má student dále učit, je třeba umět odhadnout jeho dosavadní znalost. K tomu lze využít správnost předchozích odpovědí uživatele, ale i například dobu řešení. Zpracováním časové informace se ve své dizertační práci [4] zabývá Petr Jarušek, jeden z tvůrců výukového portálu Problem Solving Tutor [5]. Pracuje zde s logickými problémy, které řešitelům zaberou mnohdy
3
i desítky minut. Předpokládá lineární závislost mezi schopností studenta úlohu vyřešit a logaritmem času řešení. U procvičování faktů se však doba odpovědi pohybuje v řádu sekund. V takto krátkém času odezvy se již výrazně projeví i faktory, které nesouvisí se znalostí studenta. Může se jednat o výkon využitého počítače, nebo zdatnost uživatele v jeho ovládání. Na druhou stranu získá systém díky rychlým odpovědím brzy dostatek informací k sofistikovanému odhadu znalosti studenta i pouhým vyhodnocováním správnosti odpovědí. Na základě odhadů znalosti uživatele se následně odhaduje pravděpodobnost správné odpovědi na jednotlivé otázky. Ke stanovení těchto odhadů se dá s výhodou využít následujících modelů. 1.2.1. Rasch model Model pojmenovaný po dánském matematikovi Georgu Raschovi modeluje pravděpodobnost správnosti odpovědi jako logistickou funkci:
kde parametr
vyjadřuje obtížnost otázky a znalost studenta
je zde
považována za konstantní [6]. Pokud otázka obsahuje výběr z n možných odpovědí, je využita posunutá logistická funkce (viz obrázek 1.1). Ta bere v potaz možnost správné odpovědi při náhodném výběru:
1.2.2. Performance Factor Analysis Performance Factors Analysis (PFA) [7] je rozšířením modelu Rasch. Znalost studenta ( ) může být podle něj proměnlivá a vyčíslíme ji lineární kombinací obtížnosti pojmu ( ) a počtu správných ( ) i špatných ( ) odpovědí:
4
kde konstanty ,
ovlivňují míru změny znalosti při správné respektive
špatné odpovědi. Pravděpodobnost správné odpovědi pak vypočítáme obdobně jako v Rasch modelu logistickou funkcí:
Obrázek 1.1: Posunutá logistická funkce Rasch modelu pro 2, 3 a 6 nabízených možností v porovnání s funkcí původní
1.2.3. Hodnotící systém Elo Systém Elo určuje způsob relativního ohodnocení účastníků v soutěžích, kde proti sobě soupeří vždy dva hráči. Typickým využitím tohoto systému je již od roku 1959 hodnocení šachistů, které se v roce 1970 stalo celosvětovým standardem. Název je převzat od tvůrce Arpada Ela, amerického profesora fyziky žijícího ve 20. století [8]. U každého hráče
odhadujeme dovednost
, která je aktualizo-
vána po každém zápase následovně:
kde V je výsledek zápasu (1 – výhra, 0,5 – remíza, 0 – prohra),
je
očekávaná pravděpodobnost výhry (vyčíslitelná např. vzorcem z výše uvedeného Rasch modelu) a K je koeficient rozvoje. Čím je tento koeficient vyšší, tím větší vliv má na výsledné hodnocení výsledek nejnovější partie.
5
Tato technika lze využít k odhadům znalostí studentů a obtížností otázek. Zápasem se v tomto případě rozumí „souboj“ studenta s otázkou. Na rozdíl od samotného Rasch modelu se zde odhad schopnosti studenta může měnit, což umožňuje reagovat na proces učení.
1.3.
Adaptabilní procvičování faktů
Problematika adaptabilního procvičování faktů je intenzivně studována projektem Slepé Mapy, který je blíže popsán v kapitole 1.4.1. Autoři projektu shrnují principy adaptability systému v článku [9], který byl přijat na konferenci Educational Data Mining [10]. Tato studie člení problematiku adaptabilního procvičování faktů na tři části: odhad předchozí znalosti, odhad aktuální znalosti a výběr otázky. 1.3.1. Odhad předchozí znalosti U otázek, které jsme uživateli zatím nepoložili, nemáme žádné jeho odpovědi k tomu, abychom odhadli pravděpodobnost správné odpovědi. K tomuto účelu proto použijeme odhad předchozí znalosti ( ). Ten získáme z odpovědí uživatele na jiné otázky. Bereme však v potaz vždy pouze první odpověď, každá další již může být výsledkem učení, nikoliv ukazatelem předchozí znalosti. Novému uživateli nastavíme výši předchozí znalosti na neutrální nulovou hodnotu a při každé jeho odpovědi ji aktualizujeme podle hodnotícího systému Elo (viz kapitola 1.2.3.). Pro lepší výsledky nahradíme koeficient K funkcí
, kde
je počet odpovědí uživa-
tele. Při nízké konstantní hodnotě by trvalo příliš dlouho, než by se znalosti dostaly do správných pozic na číselné ose. Vysoká konstanta by naopak způsobila, že by se hodnoty nikdy neustálily. Analogicky pracujeme s obtížnostmi otázek ( ). Ohodnotíme otázky podle toho, jak velké problémy s nimi měli noví uživatelé. Následně toto hodnocení využijeme při výběru otázky pro dalšího nově příchozího studenta. V takto úzkém okruhu znalostí, jakou je lidská anatomie, můžeme předpokládat, že testované otázky i uživatelé jsou homogenní. To zjednodušeně znamená, že když student A zná odpověď
6
na otázku č. 1, ale neumí odpovědět na otázku č. 2, je první otázka pravděpodobně snadnější i pro studenta B. 1.3.2. Odhad aktuální znalosti Ve chvíli, kdy se student setká s otázkou podruhé, začneme očekávat, že se již něco naučil. Pro daný pojem vytvoříme lokální hodnotu znalosti , kterou po druhé i každé další odpovědi aktualizujeme nezávisle na znalostech ostatních pojmů. K tomuto účelu lze využít model PFA z kapitoly 1.2.2. Místo parametru
použijeme přesnější hodnotu
, která vyjadřuje
počáteční studentovu znalost pojmu. Tento model však nezohledňuje pořadí odpovědí, což zvláště při delších prodlevách mezi otázkami vede k chybným odhadům. Během procvičování se znalost studenta mění, student se učí, ale i zapomíná. O aktuální znalosti studenta proto nejlépe vypovídají poslední, tedy nejnovější odpovědi. Pro upřednostnění posledních odpovědí lze PFA skombinovat se systémem Elo. Tato kombinace byla označena jako PFAE (PFA Elo/Extended) a nastavuje studentovu znalost pojmu následovně: -
iniciální hodnota:
-
úprava po správné odpovědi:
-
úprava po špatné odpovědi:
kde hodnoty konstant byly nastaveny na
,
. Předpokládáme
totiž, že student se rychleji učí, než zapomíná. Správnost těchto hodnot je zpětně testována pomocí nasbíraných dat v kapitole 5.2. 1.3.3. Výběr otázky Klíčovou fází je na základě odhadovaných znalostí a obtížností vybrat pro konkrétního uživatele vhodnou další otázku. Prostřednictvím příliš jednoduché otázky by se student nic nenaučil, na druhou stranu moc 7
obtížná otázka by vedla ke snížení jeho motivace. Cílová pravděpodobnost správné odpovědi (
) byla nastavena na 75 %. Odhad skutečné
pravděpodobnosti správné odpovědi (
) získáme logistickou funkcí
uvedené v předchozí podkapitole. Otázky by se neměly příliš brzo opakovat, kvůli fenoménu zvanému spacing effect [11]. Ten zjednodušeně říká, že efektivnější je opakování s většími časovými prodlevami. Počítáme tedy s časovou vzdáleností od poslední odpovědi v sekundách ( ). Třetím kritériem, které je bráno v potaz, je počet dosavadních odpovědí studenta na danou otázku. To zajišťuje, že se systém časem uživatele zeptá na všechny dostupné pojmy. Pro vyčíslení vhodnosti otázek, využijeme lineární hodnotící funkci:
kde
je normalizovaná vzdálenost cílové a odhadované pravděpodob-
nosti správné odpovědi:
a váhové konstanty byly nastaveny na
,
,
.
Z takto ohodnocených otázek se následně vybere ta s nejvyšší hodnotou . Pokud je takto zvolená otázka obtížnější, než je požadováno, nabídneme uživateli možnosti odpovědi. Pravděpodobnost správné odpovědi je tím zvýšena o pravděpodobnost náhodného úspěchu:
Počet možností získáme zaokrouhlením podílu:
8
s tím, že možnosti jsou vždy minimálně dvě. Maximální počet možností byl stanoven na šest, vyšší počet by byl pro uživatele matoucí. Jako alternativní možnosti jsou zvoleny takové pojmy, které byly při volných otázkách se správnou odpovědí nejčastěji zaměňovány. Tím eliminujeme zjednodušení otázky příliš snadným vyloučením nesprávných možností.
1.4.
Stávající adaptabilní systémy
Běžnější než systémy procvičovací jsou adaptabilní systémy určené k testování znalostí (CAT, Computerized Adaptive Testing). Takové systémy si kladou za cíl zjistit studentovu znalost určité oblasti a to rychleji a efektivněji než při náhodném výběru otázek. Jsou konstruovány na míru příslušné zkoušce a na Internetu se tak běžně volně nevyskytují. Procvičovací adaptabilní systémy oproti tomu využívají odhad znalosti uživatele jako prostředek pro nalezení vhodných otázek k efektivnějšímu učení, není to tedy jejich primární cíl. Ve světě existuje několik projektů zabývajících se touto problematikou, většinou však pracují s uzavřenou skupinou studentů a systémy tak nejsou veřejnosti dostupné [3, 12]. Přesto lze na Internetu najít výukové portály, které se uživateli více či méně úspěšně přizpůsobují. Oblíbenými tématy jsou především cizí jazyky a matematika. V České republice vyvíjí aplikace na procvičování znalostí různých oblastí v rámci Fakulty informatiky Masarykovy univerzity v Brně skupina PROSO [13] v čele s Radkem Pelánkem. Dostupné jsou již dva webové portály: Slepé Mapy a Problem Solving Tutor. 1.4.1. Slepé Mapy Webová aplikace na procvičování zeměpisu, která momentálně umožňuje procvičovat státy celého světa. V rámci některých států lze procvičovat regiony, případně města. Systém je však postupně rozšiřován i o jiné oblasti např. řeky či pohoří. Kladeny jsou dva druhy otázek. Buď je uživatel vyzván k označení příslušné oblasti na mapě, nebo má za úkol zvolit z nabízených možností
9
správný název zvýrazněné oblasti. Otázky jsou sdružovány do sad po deseti. Po dokončené sadě je uživateli zobrazen grafický přehled jeho znalostí procvičované mapy. Problematika Slepých Map je obdobná procvičování anatomie, proto se Slepá anatomie v mnohém inspirovala.
Obrázek 1.2: Náhled mapy Evropy na portálu Slepé Mapy
Nevýhodou tohoto portálu je špatná použitelnost na dotykových zařízeních. Přestože je design webu responzivní, označování oblasti prstem je negramotné a způsobuje časté „ukliknutí“. Přiblížení či posun mapy gestem prstů není podporováno a reakce na tyto gesta je ponechána na samotném prohlížeči, který však manipuluje s celou stránkou. Slepá anatomie tento problém řeší. Při detekování dotykového zařízení vyžaduje potvrzení odpovědi, uživatel se tak může ubezpečit, že označil pojem, který chtěl. Po potvrzení otázky se zruší předchozí přiblížení, aby měl uživatel okamžitě náhled na celý obrázek a mohl pohodlně odpovídat i na pojem na opačném konci zobrazené části těla, než byl pojem předchozí. 10
1.4.2. Problem Solving Tutor Portál Problem Solving Tutor sdružuje drobné aplikace, ve kterých je řešen nějaký logický, matematický či informatický problém. Každá aplikace obsahuje více úloh stejného typu. Ty jsou uživateli na základě jeho dovedností vhodně doporučovány. Schopnosti uživatele jsou zde hodnoceny na základě času potřebného k vyřešení úlohy. U každé nevyřešené úlohy je zobrazen odhadovaný čas řešení, který je přizpůsobován podle dovednosti uživatele. Díky této informaci má uživatel jasný přehled o obtížnosti jednotlivých úloh, může si vyhradit potřebný čas na její řešení a v neposlední řadě je motivován k překonání svých (odhadovaných) dovedností. Systém také nabízí přehledné srovnání s ostatními řešiteli. 1.4.3. Vocabulary.com Vocabulary.com [14] je webový portál pro rozšíření anglické slovní zásoby určený pro studenty s pokročilou znalostí. Celý portál včetně otázek je v angličtině, nejedná se tedy o překlady mezi dvěma jazyky. Otázky jsou různého typu: doplnění slova do věty, přiřazení slova k popisu jeho významu a naopak, přičemž procvičované slovo je v některých případech použito ve větě, ve které může mít specifický význam. Tyto věty jsou převzaty z publicistických článků, tedy reálných anglických textů, na které je řádně odkazováno. Nabízeny jsou vždy čtyři možnosti, uživatel odpovídá do té doby, dokud neodpoví správně. V některých případech je k dispozici nápověda: použití slovíčka ve větě, zobrazení synonym či vyškrtnutí dvou špatných možností. Po zodpovězení se může uživatel seznámit s bližšími informacemi o procvičovaném slově včetně namluvené výslovnosti. Aplikace pracuje s motivací ve formě bodů, úrovní a odznaků. Umožňuje také zobrazit odhadovanou znalost slov, které si student procvičoval.
11
1.4.4. Khan Academy Americký
webový
portál
Khan
Academy
[15]
obsahuje
mnoho
vzdělávacích videí z různých vědních oborů. Jedná se o neziskový projekt podporovaný například společností Google či největší soukromou nadací v USA Bill & Melinda Gates Foundation. Nejpropracovanějším okruhem je oblast matematiky, kde lze kromě sledování videí své znalosti i interaktivně procvičovat a to od naprostých základů až po úroveň učiva probíraného v posledních ročnících gymnázia. Matematické znalosti jsou zde rozděleny do 810 schopností, které lze zobrazit v orientovaném grafu vyjadřujícím závislosti mezi nimi. Například schopnost označit správně zlomek na číselné ose vychází ze schopnosti rozpoznat správně zlomek z grafické reprezentace části celku a umění označit na číselné ose celé číslo.
Obrázek 1.3: Vyřešená geometrická úloha na portálu Khan Academy
Při procvičování některé ze schopností jsou kladeny otázky do té doby, dokud student nedosáhne X správných odpovědí v řadě. Typů otázek je nespočetně mnoho, od běžného zapsání číselného výsledku, přes přesouvání očíslovaných kartiček až po nastavování tvaru funkce v grafu či konstrukci geometrických útvarů. Číselné hodnoty v zadání úloh jsou
12
automaticky generovány, uživatel se proto téměř nikdy nesetká se zcela stejnou otázkou. Systém studenta oceňuje body i odznaky a na základě jeho úspěšnosti doporučuje, která ze schopností by měla být procvičována jako další. Zajímavou alternativou je tzv. Mistrovská výzva, která je složena z šesti
otázek
z různých
oblastí
matematiky.
Slouží
především
k průřezovému prozkoumání znalosti studenta. Kdykoliv si s daným příkladem uživatel neví rady, má možnost zobrazit si nápovědu (krok po kroku) nebo rovnou přiznat, že tento typ příkladu řešit zatím neumí. Khan Academy se zaměřuje i na podporu školních tříd. Učitel si vytvoří speciální uživatelský účet a zahrne do nové virtuální třídy své žáky. Těm poté může doporučovat, jaké vědomosti by si měli procvičovat, umožňuje mu však také sledovat jejich aktivitu. Díky tomu se může učitel zaměřit na studenty, kteří mají s určitou problematikou potíže.
13
2. Lidská anatomie a její výuka Lidská anatomie je obor biologie, který se zabývá makroskopickou stavbou člověka. Výuka názvů jednotlivých částí lidského těla trápí především budoucí lékaře na vysokých školách, kde se drží mezinárodních latinských pojmenování a zabývají se jednotlivými částmi podrobně. Tato práce se však zaměřuje na studenty středních škol, kteří se musí vypořádat s anatomickými názvy v češtině. Učí se sice pojmů méně, mají však jistě menší motivaci, která tak může být vhodnou interaktivní učební pomůckou posílena.
2.1.
Dostupné systémy pro výuku lidské anatomie
Na Internetu lze dohledat několik webových stránek s obrázky částí lidského těla s názvy jednotlivých pojmů. Popisky jsou však převážně pouze latinsky, a jsou tedy vhodné především pro studenty lékařských vysokých škol. Názvy pojmů jsou do obrázků většinou vepsány bez možnosti skrytí, což neumožňuje testovat si jejich znalost. Pokusy nalézt skutečně
inteligentní
procvičovací
systém
lidské
anatomie
byly
neúspěšné, některé výukové portály si však přesto zaslouží pozornost. 2.1.1. Zygote Body Tajemství lidského těla jsou ve webové aplikaci Zygote Body [16] odkryta prostřednictvím 3D modelu zobrazitelném ve webovém prohlížeči s podporou WebGL [17]. Díky přehledné navigaci lze regulovat viditelnost jednotlivých vrstev (kůže, svaly, kosti aj.) a pomocí počítačové myši lze na tělo nahlížet ze všech stran i vzdáleností. Po kliknutí na některou část těla se zobrazí anglický název pojmu. Díky fulltextovému vyhledávání může uživatel snadno a rychle zobrazit hledanou oblast. Původní autor tohoto projektu je společnost Google, nyní je projekt spravován firmou Zygote. Podobnou aplikaci stejné firmy lze dohledat i na App Store a podle ukázkových videí nabízí pokročilejší funkce. Momentálně však na českém území není dostupná.
14
Obrázek 2.1: Ukázka aplikace Zygote Body
Obrázek 2.2: Rentgenový snímek kyčelního kloubu z portálu AnatoNomia
15
2.1.2. AnatoNomina Český portál AnatoNomia [18] je spravovaný Anatomickým ústavem 1. lékařské fakulty Univerzity Karlovy. Shromážděno je zde velké množství obrázkových materiálů včetně rentgenových snímků, obrázků z CT či magnetické rezonance. Pojmy jsou popsané latinskými názvy, které je možné lehce skrýt. U některých pojmů je dostupné krátké česky namluvené vysvětlení včetně výslovnosti latinského názvu. 2.1.3. InnerBody InnerBody [19] je americká webová aplikace pro výuku lidské anatomie. Tvoří ji interaktivní dvojrozměrný model lidského těla. Klikáním v modelu lze přibližovat požadované části těla a studovat tak jejich detailnější členění. Pro zjednodušení navigace je k dispozici boční lišta se seznamem názvů všech pojmů. Ty jsou pojmenovány anglicky, případně latinsky.
Obrázek 2.3: Zobrazení lidského srdce v aplikaci InnerBody
16
Systém umožňuje
přepínat
mezi modelem muže
a ženy.
V některých případech lze také danou část těla zobrazit v odlišném úhlu pohledu. S bližšími informacemi o zobrazovaném pojmu se lze seznámit v textu pod obrázkem.
2.2.
Zdroj anatomických materiálů
Před samotnou implementací aplikace bylo třeba získat přehledné obrázky znázorňující pojmy pokrývající výraznou část lidské anatomie probírané na středoškolské úrovni. Učebnice i Internet jsou vhodných obrázků plné, ovšem vztahují se na ně autorská práva, která většinou brání jejich volnému využití. Po prvních nezdarech nalézt vhodné ucelené materiály se nabízela možnost domluvit spolupráci s autory středoškolské učebnice. To by však projekt mohlo do budoucna svázat v dalším rozvoji. Jako vhodný zdroj se nakonec ukázal portál Wikimedia Commons [20], který obsahuje velké množství obrázkových materiálů pod licencí Creative Commons [21], která dovoluje obrázky šířit i upravovat. Soubory bylo nutné dohledat každý samostatně, ukázalo se však, že se tímto způsobem podařilo najít dostatečné množství materiálů k pokrytí učiva anatomie člověka středních škol.
17
3. Slepá anatomie na straně serveru V rámci této práce byla vyvinuta webová aplikace na procvičování znalostí lidské anatomie. Tato kapitola odhaluje zákulisní chování tohoto programu.
3.1.
Použité technologie
Projekt využívá služby Open Shift [22] společnosti Red Hat. Ta umožňuje hostovat webovou aplikaci napsanou v jednom z mnoha podporovaných programovacích jazyků, zvolit si aplikační server a připojit jednu ze tří nabízených databází. Jako hlavní programátorský jazyk byla zvolena Java [23]. Projekt se tak stal robustní, avšak lépe udržovatelný a rozšiřitelný. Aplikace běží na aplikačním serveru Tomcat 7 a k uchovávání dat slouží databáze PostgreSQL [24]. V jednotlivých vrstvách architektury aplikace byly použity různé technologie: a) Vrstva perzistence dat
K zajištění perzistence dat je využito ORM (Object-relational mapping) nástroje Hibernate [25] splňující standard Java Persistence API [26]. Ten zajišťuje nezávislost na databázovém systému automatickým mapováním objektů na entity. b) Aplikační vrstva
Základní služby na aplikační vrstvě, kterými jsou především řízení transakcí, řízení přístupu či dependency injection, zajišťuje framework Spring [27]. Díky němu neexistuje závislost na implementaci perzistentní vrstvy. c) Prezentační vrstva
Pro zpřístupnění funkcionality uživateli je využit rámec Stripes [28]. Ten především mapuje HTTP požadavky uživatele na příslušné metody. Usnadňuje však také přístup k informacím o aktuálním sezení, stará se
18
o validaci formulářů a umožňuje vnořování JSP (Java Server Pages) stránek. V JSP stránkách je přitom s výhodou využíváno standardizované knihovny
značek
JSTL
(JSP
Standard
Tag
Library).
Skriptům
vykonávaným na straně klienta se věnuje samostatná 4. kapitola.
3.2.
Návrh systému
Během návrhu systému byl kladen důraz na přehlednost, udržovatelnost a znovupoužitelnost. Program je členěn do tří vrstev: persistence dat, aplikační a prezentační. Každá z nich je nezávislá na implementaci ostatních, což umožňuje zcela nahradit libovolnou vrstvu pomocí jiné technologie. 3.2.1. Diagram případů užití K aplikaci přistupují uživatelé tří typů. Základní funkcionalita systému je zpřístupněna běžnému návštěvníkovi bez přihlášení. Přihlášený uživatel získá výhodu v tom, že může při příští návštěvě navázat v procvičování pojmů,
které
mu
dělají
potíže.
Třetím
uživatelským
typem
je
administrátor, který jediný má přístup do redakce systému. Zde může spravovat materiály k procvičování nebo sledovat vývoj či aktuální hodnoty obtížností jednotlivých anatomických pojmů. Diagram případů užití na obrázku 3.1 graficky znázorňuje, k čemu mohou jednotlivé uživatelské typy systém využít. 3.2.2. Datový model Na obrázku 3.2 je znázorněná finální databázová struktura. Oranžovou barvou jsou vykresleny základní entitní množiny obsahující iniciální data, jako jsou kategorie, obrázky a testované pojmy, ale i uživatelé a jejich odpovědi. Důležité bylo si při návrhu uvědomit, že anatomický pojem se může nacházet na více obrázcích a přitom rozpoznání správné části těla na jednom obrázku, neznamená znalost stejného pojmu na obrázku z jiného úhlu pohledu. Zdrojové kódy SVG obrázků jsou ukládány do oddělené tabulky kvůli optimalizaci SQL (Structured Query Language) dotazů. Využitý
19
ORM nástroj navíc před oddělením načítal do paměti tyto dlouhé textové řetězce mnohdy zcela zbytečně.
Obrázek 3.1: Diagram případu užití
Uživatel se může přihlásit přes sociální síť, což mu později umožní navázat na předchozí sezení. Momentálně jsou podporovány dvě sociální sítě, Facebook a Google+, systém je však navržen univerzálně pro možnost budoucího rozšíření. Modře zbarvené relace slouží k uchovávání dat, zajišťující adaptabilní chování systému. K uživateli se váže odhad předchozí znalosti
20
(globalknowledge), k pojmu odhad obtížnosti (termdifficulty) a záznamy navázány na obě tyto tabulky obsahují aktuální znalosti uživatele příslušného pojmu (termknowledge). Relace znázorněné šedě slouží k auditování změn znalostí a obtížností. Informace v nich jsou určeny pro analýzu průběžného vývoje jednotlivých hodnot.
Obrázek 3.2: Fyzický datový model
21
3.2.3. Diagram tříd Diagram tříd znázorňuje typy objektů v systému a jejich vztahy. Pro svoji rozsáhlost je přiložen k práci jako příloha. Ilustruje rozložení projektu ve formátu Maven [29] do tří základních modulů: a) Backend
Zde je umístěna celá perzistentní vrstva a implementace vrstvy aplikační. Obsahuje tedy entitní třídy, korespondující s tabulkami v databázi, implementaci a rozhraní návrhového vzoru DAO (Data Access Object), konvertní statické třídy pro převod DTO (Data Transfer Object) na objekty entitní a implementaci servisní vrstvy. b) API
Modul aplikačního rozhraní je nezávislý na jakékoliv technologii. Tvoří jej definice DTO a rozhraní servisní vrstvy. Návrhový vzor DTO zde slouží k odstínění entitních tříd od prezentační vrstvy. To zajišťuje především nezávislost objektů, pomocí kterých probíhá komunikace s uživatelem, na struktuře, velikosti a členění entitních tříd. c) Web
Tento modul tvoří prezentační vrstva pro webové prohlížeče. Tvoří jej především implementace rozhraní ActionBean, které obsluhují uživatelské požadavky. Obsahuje také SecurityInterceptor, který zajišťuje nepřístupnost redakce systému pro běžné uživatele (viz sekce 3.3.2).
3.3.
Některá implementační řešení
Celý projekt je popsán pomocí komentářů JavaDoc, ze kterých byla následně vygenerována dokumentace v jazyce HTML (HyperText Markup Language). Ta je přiložena k práci jako příloha a lze z ní tak snadno zjistit informace o implementovaných metodách. V textové části práce se proto zaměříme pouze na některá zajímavá implementační řešení.
22
3.3.1. Přihlašování prostřednictvím sociálních sítí Slepou anatomii mohou návštěvníci jednoduše začít procvičovat bez vynucené registrace či přihlášení. V takovém případě se vytvoří anonymní účet svázaný s daným sezením. Pokud se však uživatel později vrátí, nebo chce pokračovat na jiném zařízení, již nemá prostředek k tomu, aby prokázal svoji identitu. Nelze k němu tedy přiřadit dosavadní odpovědi, je mu vytvořen nový anonymní účet a veškeré přizpůsobení systému uživateli je tak ztraceno. Pro dlouhodobé uživatele je proto doporučeno využít přihlášení přes některou z podporovaných sociálních sítí, Facebook či Google+. Uživatelé nejsou nuceni zakládat si nový jednoúčelový účet a mohou využít jeden z profilů, který již pravděpodobně založený mají. V České republice mělo svůj účet na sociální síti Facebook v roce 2013 kolem 3,8 miliónů lidí, na Google+ asi 400 tisíc [30]. Přihlašování je realizováno pomocí protokolu OAuth 2.0, který zajišťuje bezpečné poskytnutí identity uživatele bez sdělení přístupových údajů třetí straně. Sociální sítě poskytují vývojářům balíčky pro snadnou implementaci
potřebné
komunikace
v různých
programátorských
jazycích. Komunikace však probíhá na klientské straně aplikace. Pro větší kontrolu nad komunikací proto bylo využito nativního přístupu pomocí jazyka Java na serveru. Uživatel je přesměrován na stránky sociální sítě, kde je vyzván k vyplnění přihlašovacího formuláře a potvrzení žádosti aplikace o poskytnutí identifikačních údajů. Následně je zaslán HTTP požadavek s parametrem dočasného autorizačního kódu zpět na server aplikace. Tento kód je poté vyměněn dalším požadavkem za přístupový token. Pomocí tohoto tokenu již lze získávat informace o uživateli prostřednictvím aplikačního rozhraní příslušné sociální sítě.
23
Obrázek 3.3: Komunikace protokolem OAuth 2.0 se sociální sítí Google+ [31]
3.3.2. Autentizace administrátorů Do části webové aplikace určené jen pro správce bylo třeba zamezit přístup běžným návštěvníkům. Uživatelé přihlášení prostřednictvím sociální sítě mohou být proto dvojího typu. Pro zpřístupnění redakce pouze uživatelskému typu administrátor byl využit Interceptor z frameworku Stripes. Ten umožňuje definovat kód programu, který se vykoná vždy v určité fázi životního cyklu zpracování HTTP požadavku. To, před kterými požadavky se má kód vykonat, se následně určuje jednoduše anotací. Kontrola toho, zda má uživatel dostatečná přístupová práva, se tak automaticky vykonává s každým požadavkem zaslaným v rámci redakce aplikace.
24
4. Slepá anatomie na straně klienta Pro prezentaci bylo zvoleno webové rozhraní, díky němuž je aplikace dostupná na všech zařízeních s webovým prohlížečem.
4.1.
Použité technologie
Rozložení obsahu na stránce je definováno pomocí značkovacího jazyka HTML 5, vzhled je pak nastaven prostřednictvím kaskádových stylů (CSS, Cascading Style Sheet). Jako CSS framework definující jednotný vzhled základních prvků na stránce byl využit, především díky umění přizpůsobit se rozměrům obrazovky, rámec Bootstrap [32]. Interaktivita prvků na stránce či asynchronní komunikace s aplikačním serverem (AJAX, Asynchronous JavaScript and XML) [33] je zajištěna díky skriptovacímu jazyku JavaScript a jeho nástavbě, knihovně jQuery [34].
4.2.
Návrh obrazovek
Aplikace je rozdělena na část určenou pro běžné uživatele a na redakci, která je přístupná pouze správcům. Redakce je dostupná na adrese /redakce a vyžaduje přihlášení pomocí účtu s přidělenými administrátorskými právy. Tato sekce obsahuje
formuláře
na
úpravu
procvičovaných
materiálů,
tedy
jednotlivých obrázků a pojmů, ale i analytické přehledy sesbíraných dat. Podstatnější je však část veřejně dostupná, která je tvořena čtyřmi obrazovkami: a) Úvodní stránka
Úvodní stránka má za cíl seznámit uživatele s účelem aplikace, vyzdvihuje základní rysy aplikace a umožňuje vyjádřit svou přízeň prostřednictvím zásuvných modulů sociálních sítí. Stejně jako ostatní stránky obsahuje horní navigační lištu. Levá strana lišty umožňuje procházet jednotlivé stránky webu, zatímco na pravé straně je umístěna nabídka sociálních sítí, přes které je možné se přihlásit. Po přihlášení slouží pravá strana lišty k zobrazení jména 25
uživatele a počtu správných odpovědí, zároveň obsahuje také tlačítko pro odhlášení.
Obrázek 4.1: Úvodní stránka aplikace s otevřenou nabídkou pro přihlášení
b) Procvičování
Stránka určená k samotnému procvičování byla navržena tak, aby byl zobrazovaný obrázek co největší. Některé pojmy zabírají jen velmi malou část obrázku, což by jinak vedlo ke špatné viditelnosti zvýraznění, ale také k obtížnému klikání na pojem pro odeslání odpovědi. Interakce s obrázky je blíže popsána v kapitole 4.3.1. V horní části obrazovky je umístěn oranžový ukazatel postupu sadou otázek. Ta se v případě procvičování celého těla skládá z deseti otázek, v případě učení se konkrétní soustavy obsahuje otázek pouze pět. Některé soustavy totiž neobsahují dostatečné množství pojmů k zachování významu adaptabilního chování. Sada otázek je z důvodu eliminace časových prodlev mezi otázkami načtena hromadně na začátku a obsahuje maximálně jednu otázku na každý pojem. Načítání otázek je stejně jako odesílání odpovědí realizováno asynchronně. Zatímco při čekání na
26
otázky je uživateli zobrazena standardní animace otáčejícího se kolečka, odesílání odpovědí se děje na pozadí bez vědomí uživatele.
Obrázek 4.2: Procvičování smyslové soustavy
c) Mapa znalostí
Po zodpovězení všech otázek v sadě se uživateli zobrazí souhrn jeho odpovědí. Pojmy, které student nenašel, či neidentifikoval, se zobrazí červeně, naopak pojmy, které student poznal, zeleně. Obdobně se pak zobrazí mapa znalostí znázorňující odhad znalosti uživatele jednotlivých pojmů. Vědomosti jsou graficky vyjádřeny pomocí barevné škály od červených, přes oranžové a žluté až po zelené odstíny. Po najetí myší nad některou z již procvičovaných částí těla se zobrazí odhad znalosti pojmu v procentech. Mezi jednotlivými obrázky je možné listovat šipkami na klávesnici, kliknutím na postranní šipky na obrazovce, či gestem prstu do strany v případě dotykového zařízení. a) Globání přehled znalostí
V globálním přehledu znalostí lze získat představu o svých znalostech jednotlivých orgánových soustav, ale také o množství již procvičených
27
pojmů. Znázorněn je zde také rozdíl, mezi počáteční a aktuální znalostí lidské anatomie uživatele.
Obrázek 4.3: Mapa znalostí opěrné soustavy
Obrázek 4.4: Globální přehled znalostí
28
4.3.
Některá implementační řešení
K řešení některých problémů na straně klienta pomohly již hotové JavaScriptové knihovny. Mezi ně patří například Chroma.js [35] pro převod odhadu znalosti na odpovídající barevný odstín nebo bxSlider [36] pro listování obrázky uzpůsobené i pro dotyková zařízení. Některé jiné problémy však neměly tak snadné řešení a na ně se zaměřují následující podkapitoly. 4.3.1. Obrázky ve formátu SVG a manipulace s nimi Jako hlavní formát pro obrázkové materiály k procvičování byl zvolen značkovací jazyk SVG. Ten kromě svých běžných výhod, jakou je především konzistentní kvalita zobrazení při různém rozlišení, usnadňoval přiřazení anatomických pojmů správným oblastem v obrázku. Některé SVG soubory však nebyly dostatečně členěny a bylo třeba přidat polygony vhodných rozměrů na správné souřadnice nad původní prvek. K tomu byl s výhodou využit nástroj určený původně na tvorbu klikatelných map nad obrázky v HTML. Kromě nutnosti exportovat SVG do formátu PNG (Portable Network Graphics) pro vložení podkladového obrázku to však nezpůsobovalo komplikace, neboť souřadnice jsou v obou případech zapisovány se shodnou syntaxí. Aby bylo možné znázorňovat znalosti jednotlivých pojmů na obrázku barevnými odstíny, byly SVG soubory pomocí JavaSriptu odbarveny, čímž se mnohdy díky odstranění definic barevných přechodů zredukovala i jejich velikost. Ta se totiž následně ukázala jako klíčová. U obrázků pohybové soustavy i po odbarvení dosahovala kvůli detailnímu zpracování tak vysokých hodnot, že bylo třeba v tomto případě využít formátu PNG. Pro usnadnění odpovídání klikáním v obrázku byla implementována možnost obrázek přibližovat a přesouvat. Tohoto bylo dosaženo vhodnými úpravami atributu viewBox jako reakce na vybrané události. Na stolních počítačích lze s obrázkem manipulovat pomocí myši či kláves-
29
nice, na dotykových zařízeních jsou k tomuto účelu využita standardní dotyková gesta. 4.3.2. Responzivní design Jedním z cílů bylo zpřístupnit aplikaci i uživatelům přenosných zařízení, neboť
principiálně
v čekárnách
nebo
je
vhodná
dopravních
k využití
volného
prostředcích.
času
Návštěvnost
například českého
Internetu z těchto zařízení navíc prudce stoupá. Na konci roku 2013 navštívilo webové stránky měřené výzkumem NetMonitor 2,2 milionu reálných uživatelů prostřednictvím tabletu či chytrého telefonu [37]. Toto rozhodnutí však vyžadovalo přizpůsobit vzhled aplikace různým rozměrům obrazovky.
Obrázek 4.5: Globální přehled znalostí na obrazovce malých rozměrů
Základní prvky, jakým je především navigační lišta, bezpracně přizpůsobuje rámec Bootstrap, mnohdy však bylo nutné odlišný vzhled nastavit ručně prostřednictvím CSS3 modulu Media Queries [38]. Ten 30
umožňuje stylovat stránky na základě velikosti okna prohlížeče, rozměru, orientaci či rozlišení obrazovky využívaného zařízení. 4.3.3. Redakce Pro usnadnění naplnění databáze materiály k procvičování byla vytvořena redakce. Ta je přístupná pouze správcům aplikace, není v ní proto kladen takový důraz na uživatelskou přívětivost. Umožňuje přidání a úpravu obrázku, především lze ovšem snadno nastavovat také umístění pojmů v obrázku, místo původního vpisování do zdrojového kódu SVG souboru a ruční úpravy databáze. Pro zpřehlednění jsou navíc v interaktivním náhledu červeně zvýrazněny ty oblasti, které již odpovídají jinému pojmu. Později byla redakce doplněna o základní statistické údaje na úvodní straně (počet odpovědí, počet uživatelských účtů aj.) a nástroje pro analýzu posbíraných dat.
31
5. Analýza nasbíraných dat Beta testování programu bylo spuštěno 20. března 2014 a týden poté, po aplikování všech připomínek, byl portál uvolněn pro veřejnost na adrese slepaanatomie.cz. Prostřednictvím elektronické pošty byli následně informováni zástupci asi pěti set středních zdravotnických škol a gymnázií o existenci programu pro výuku lidské anatomie zdarma. To výrazně zvýšilo návštěvnost sledovanou prostřednictvím nástroje Google Analytics [39]. Díky vhodnému zacílení propagační kampaně prudce stoupl i počet odpovědí. Přesto, že byl web optimalizován pro vyhledávače, stále je hlavním zdrojem návštěvnost přímá, a to především kvůli nízkému počtu zpětných odkazů. Návštěvnost se stabilizovala na přibližně 10 uživatelů denně, z nichž 60 % jsou uživatelé nový.
5.1.
Základní popisné statistiky
K 7. 5. 2014 Slepou anatomii navštívilo 1 203 uživatelů, z nichž alespoň na jednu otázku odpovědělo 1 049. Přes sociální síť se přihlásilo 66 uživatelů. Celkově bylo zaznamenáno 32 022 odpovědí na 208 anatomických pojmů.
Smyslová 12 %
Nervová 6%
Dýchací 8%
Oběhová 6%
Pohybová 12 %
Pohlavní 9%
Vylučovací 6%
Opěrná 23 %
Trávicí 15 %
Krycí 3%
Obrázek 5.1: Rozložení pojmů v orgánových soustavách
32
5.1.1. Množství odpovědí a nejčastější chyby Nejvíce odpovědí bylo zaznamenáno v rámci soustavy opěrné (6230), obsahuje však také nejvíce pojmů (48). Největší počet odpovědí na jeden pojem má soustava dýchací (225), což lze zdůvodnit první pozicí v nabídce k procvičování, která je řazena podle abecedy. Tomuto předpokladu nasvědčuje i větší návštěvnost stránky na procvičování s parametrem dýchací soustavy oproti ostatním soustavám. Obecně však z této statistiky nelze soudit, která ze soustav je uživateli nejžádanější, neboť u odpovědí není rozlišeno, zda student procvičoval pouze určitou soustavu, nebo celého člověka. 250 200 150 100 50 0
Obrázek 5.2: Počet odpovědí na jeden pojem v orgánové soustavě
Nejvíce otázek bylo položeno na hrtanovou příklopku (684), kterou si uživatelé nejčastěji spletli s hltanem a to hned v rekordním počtu 81 záměn. Pokud vezmeme pouze otázky bez nabízených možností, které uživatele v možné záměně omezují, nejfrekventovanějším pojmem se stane chámovod (133), který byl nejčastěji zaměněn s močovou trubicí (21). Poměrově k počtu položených otázek bez nabízených možností je však nejčastěji zaměňován trojhlavý sval lýtkový s předním svalem holenním a to téměř jednou během tří otázek.
33
Tabulka 5.1: Nejčastější chybné odpovědi u otázek bez nabízených možností Otázka
Odpověď
Počet výskytů v %
trojhlavý sval lýtkový
přední sval holenní
32,3
konečník
řitní otvor
25,0
kosti zánártní
kosti nártní
25,0
mezizubní dáseň
připojená dáseň
25,0
připojená dáseň
mezizubní dáseň
23,1
5.1.2. Úspěšnost odpovědí Průměrná úspěšnost všech odpovědí je 83,2 %, tedy o 8,2 % vyšší, než úspěšnost cílená, a o 7 % vyšší než průměrná odhadovaná pravděpodobnost správné odpovědi. Zde si můžeme všimnout závislosti rozdílu odhadované a skutečné úspěšnosti odpovědí na počtu možností v otázce (viz obrázek 5.3). U menšího počtu možností je vliv případného snadného vyloučení některé z variant větší a způsobuje tak horší odhad úspěšnosti. Pro zlepšení odhadu je tedy třeba zohlednit i studentovu znalost pojmů
Úspěšnost odpovědí v %
využitých jako špatné možnosti.
100 90 80 70 60 50 40 30 20 10 0
84,89
84,94
71,11
73,82
87,29 79,58
78,46
79,26
73,47
74,64
76,19
82,45 odhad skutečnost
13,78
2
11,12
3
rozdíl 6,11
3,82
3,07
4,84
4
5
6
bez možností
počet možností Obrázek 5.3: Vliv počtu možností na úspěšnost odpovědí
34
5.1.3. Časové údaje Průměrná délka trvání odpovědi je 7,6 sekund při vyloučení extrémních hodnot, tedy časů delších než jedna minuta. Uživatelé strávili dohromady odpovídáním asi 67 hodin. Potvrdil se předpoklad, že uživatelům zabere delší čas otázka, kterou mají nakonec špatně (10,2 sekund) oproti otázce, na kterou odpoví správně (7,1 sekund). Na obrázku 5.4 lze také vidět jasný nárůst délky trvání odpovědi s přibývajícím počtem možností. Otázky bez možností mají mnohdy vyšší než cílenou pravděpodobnost úspěchu, neboť je již nelze ztížit. To značně snižuje průměrnou dobu odpovědi u tohoto typu otázek.
trvání odpovědi v sekundách
14 12 10 8 správně 6
špatně
4
vše
2 0 2
3
4
5
6
počet možností
bez možností
Obrázek 5.4: Vliv počtu možností na délku trvání odpovědi
5.2.
Úspěšnost odhadů zvoleného modelu
K vyhodnocení úspěšnosti predikcí modelu byla využita technika RMSE (Root Mean Squared Error). Počítá se pomocí vzorce:
kde
je odhadovaná úspěšnost odpovědi a
špatně, 1 – správně).
35
je její skutečná správnost (0 –
Pro všechny zaznamenané odpovědi vyšla hodnota RMSE rovna 0,376. Ta v porovnání s hodnotou ze Slepých Map (0,262) [6] značí horší kvalitu predikcí. Výrazně lepšího výsledku nedosáhneme ani při vynechání prvních 10 respektive 20 tisíc odpovědí, při kterých se obtížnosti pojmů teprve nastavovaly. Pokud vezmeme pouze druhé a následující odpovědi uživatele na stejný pojem dostaneme lepší hodnotu 0,293, která svědčí o pozitivním vlivu vytvoření lokální znalosti pojmu. Drobné zlepšení se dostaví i u třetích odpovědí (0,289). Od čtvrté odpovědi uživatele na stejný pojem se však hodnota začne opět zhoršovat. Dlouhodobě se tedy úprava lokální znalosti pojmu nejeví jako přesná. Již u druhých otázek se reálná úspěšnost odpovědi pohybuje nad 92 %, přitom průměrná odhadovaná úspěšnost pouze kolem 80 %. Při porovnání RMSE u odpovědí po správné (0,280) respektive špatné (0,362) předchozí odpovědi na stejný pojem se ukázalo, že systém hůře reaguje po špatné odpovědi a to příliš velkým snížením znalosti. Z těchto údajů plyne, že konstanta , která určuje míru snížení znalosti pojmu po špatné odpovědi (viz kapitola 1.3.2), nastavená na hodnotu 0,5 by měla být nižší. Vhodné by však bylo i mírné zvětšení konstanty , která hodnotu znalosti pojmu při správné odpovědi naopak ne zcela dostatečně zvyšuje.
5.3.
Obtížnosti soustav a pojmů
Nejobtížnější kategorií je soustava smyslová, u které jako jediné dosahuje odhad znalosti nově příchozího uživatele hodnoty těsně pod 50 %. Nejjednodušší se naopak jeví soustava nervová (73 %), která obsahuje pouze jeden pojem s podprůměrnou odhadovanou znalostí nového průměrného uživatele, konkrétně Schwannovu buňku (26 %). Mezi pojmy s největší odhadovanou obtížností patří konečník (2,84), zadní komora (2,74) a připojená dáseň (2,70). Nejsnazší pojmy jsou naopak dolní čelist (-4,54), stolička (-4,50) či tlusté střevo (-4,42). Odhadované znalosti pojmů nového průměrného uživatele se tak pohybují mezi 6 a 99 procenty.
36
Obrázek 5.5: Mapa odhadovaných obtížností kostí
Obrázek 5.6: Vývoj odhadu obtížnosti vybraných pojmů
37
Závěr Práce seznamuje se základními principy adaptabilního procvičování a stávajícími aplikacemi, které je využívají. Přibližuje také problematiku učení lidské anatomie, kterou dosud na českém Internetu neřeší žádná inteligentní interaktivní pomůcka. Na základě těchto faktů byla navržena a implementována Slepá anatomie, adaptabilní webová aplikace pro výuku lidské anatomie. Bylo třeba dohledat vhodné obrázkové materiály, ty náležitě upravit a přiřadit jednotlivé anatomické názvy správným oblastem v obrázcích. Následně byla implementována adaptabilita systému, která zajišťuje efektivní učení různě zdatných uživatelů. Procvičování pojmů bylo optimalizováno i pro přenosná zařízení. Navržená aplikace je dostupná široké veřejnosti na adrese slepaanatomie.cz, kde ji navštívilo již více než dvanáct set uživatelů. Sesbírané odpovědi byly podrobeny analýze, která vedla k návrhům na zlepšení původně implementovaného modelu. Bylo zjištěno, že velký počet anatomických pojmů uživatelé již znají a většinu ostatních jsou schopni se naučit rychleji, než bylo původně očekáváno. Podrobnější části lidského těla jsou pojmenovány pouze latinsky a již nejsou předmětem výuky na středních školách. Možné rozšíření aplikace spočívá v zahrnutí studentů lékařských vysokých škol do cílové skupiny uživatelů a umožnit procvičovat názvy pojmů v různých jazycích. Motivaci uživatelů lze v budoucnu posílit tzv. gamifikací, tedy uplatněním herních principů. Jedná se například o vytvoření znalostních úrovní, které budou uživatelé během procvičování dosahovat, nebo zavedení odznaků udělovaných za splnění různých postranních úkolů (10 správných odpovědí v řadě, perfektní znalost nervové soustavy apod.). Dalším možným rozšířením je funkce virtuálních tříd. Učitelé by tak měli pod kontrolou aktivitu svých žáků a mohli jim pomáhat s oblastmi, které jim dělají potíže.
38
Skupina PROSO plánuje zastřešit svoje specializované výukové portály jedním centrálním systémem, který by navrhovanou gamifikaci a virtuální třídy obsahoval. Student tak bude mít mimo jiné přehled o svých znalostech různých vědních oborů na jednom místě.
39
Literatura [1]
Slepé Mapy [online]. PROSO group, 2013– [cit. 16. 04. 2014]. Dostupné na:
.
[2]
EISENBERG, J. D. [online]. SVG Essentials. O'Reilly Media, 2002. 364 str.
ISBN
0596002238.
[cit. 16.
04.
2014].
Dostupné
na:
. [3]
KLINKENBERG, S., STRAATEMEIER, M. a VAN DER MAAS, H. L. J. Computer adaptive practice of Maths ability using a new item response
model
for
on
the
fly
ability
and
difficulty
estimation. COMPUTERS & EDUCATION, OXFORD: PERGAMONELSEVIER SCIENCE LTD, 2011, roč. 57, č. 2, s. 1813-1824. ISSN 03601315. [4]
JARUŠEK, P. Modeling Problem Solving Times in Tutoring Systems. Dizertační práce, Masarykova Univerzita Brno, 2013.
[5]
Problem Solving Tutor [online]. PROSO group, [cit. 10. 05. 2014]. Dostupné na: .
[6]
Rasch model [online], aktualizace 5. 4. 2014, [cit. 22. 4. 2014], Wikipedie. Dostupné z: .
[7]
PAVLIK, P. I., CEN, H. a KOEDINGER, K. R. Performance factors analysis-a new alternative to knowledge tracing. In Proc. of Artificial Intelligence in Education (AIED), volume 200 of Frontiers in Artificial Intelligence and Applications. IOS Press, 2009, s. 531-538.
[8]
ELO, A. E. The rating of chessplayers, past and present, HarperCollins Distribution Services, 1979.
[9]
PAPOUŠEK, J., PELÁNEK, R. a STANISLAV, V. Adaptive Practice of Facts in Domains with Varied Prior Knowledge. The 7th International Conference on Educational Data Mining, 2014.
[10] Educational Data Mining [online]. International Educational Data Mining Society, 2004– [cit. 13. 05. 2014]. Dostupné na: .
40
[11] EBBINGHAUS, H. Memory; a contribution to experimental psychology, Teachers college, Columbia university, 1913. [12] WAUTERS, K., DESMET, P. a VAN DEN NOORTGATE, W. Adaptive item-based learning environments based on the item response theory: possibilities and challenges. Journal of Computer Assisted Learning, 2010. [13] ProSo group [online]. ProSo, 2009– [cit. 22. 04. 2014]. Dostupné na: . [14] Vocabulary.com [online]. Thinkmap, Inc., [cit. 14. 05. 2014]. Dostupné na: . [15] Khan Academy [online]. Khan Academy, [cit. 14. 05. 2014]. Dostupné na: . [16] Zygote Body [online]. Zygote Media Group, Inc., 2012– [cit. 16. 04. 2014]. Dostupné na: . [17] WebGL [online]. Khronos Group, 2011– [cit. 23. 04. 2014]. Dostupné na: . [18] AnatoNomia [online]. Anatomický ústav 1. LF UK, 2007– [cit. 23. 04. 2014]. Dostupné na: . [19] InnerBody [online]. HowToMedia, Inc., 2012– [cit. 16. 05. 2014]. Dostupné na: . [20] Wikimedia Commons [online]. Wikimedia Foundation, 2004– [cit. 23. 04. 2014]. Dostupné na: . [21] Creative Commons [online]. Creative Commons, 2001– [cit. 23. 04. 2014]. Dostupné na: . [22] Open Shift [online]. Red Hat, Inc., 2011– [cit. 01. 05. 2014]. Dostupné na: . [23] BLOCH, J. Effective Java, Second Edition, HarperCollins Distribution Services, 1979. [24] GESCHWINDE E., SCHÖNIG H. PostgreSQL Developes’s Handbook, Sams Publishing, 2002. [25] Hibernate [online]. Red Hat, Inc., 2006– [cit. 01. 05. 2014]. Dostupné na: .
41
[26] SUTHERLAND, J., CLARKE, D., [online]. Java Persistence. 2013– [cit. 01. 05. 2014]. Dostupné na: . [27] MADHUSUDHAN, K. Just Spring, O‘Reilly, 2011. [28] HINKLE, G., aj. Stripes [online]. 2005– [cit. 01. 05. 2014]. Dostupné na: . [29] Maven [online]. The Apache Software Foundation, 2002– [cit. 01. 05. 2014]. Dostupné na: . [30] Statistiky sociálních sítí. Doba webová [online]. Effectix.com, 2013– [cit. 01. 05. 2014]. Dostupné na: . [31] Using OAuth 2.0 for Web Server Applications [online]. Google Inc., [cit. 02. 05. 2014]. Dostupné na: . [32] OTTO, M., THORNTON, J., [online]. Bootstrap, 2010– [cit. 04. 05. 2014]. Dostupné na: . [33] ZAKAS, N. C., MCPEAK, J. a FAWCETT, J. Ajax Profesionálně, Zoner Press, 2007. [34] jQuery [online]. The jQuery Foundation, 2006– [cit. 04. 05. 2014]. Dostupné na: . [35] AISCH, G., [online]. Chroma.js, 2011– [cit. 04. 05. 2014]. Dostupné na: . [36] WANDERSKI, S., [online]. bxSlider, 2012– [cit. 04. 05. 2014]. Dostupné na: . [37] Návštěvnost českého internetu z mobilů roste. Media Guru [online]. PHD, a.s., [cit. 01. 05. 2014]. Dostupné na: . [38] Media Queries [online]. W3C, 2012– [cit. 04. 05. 2014]. Dostupné na: . [39] Google Analytics [online]. Google Inc., 2005– [cit. 04. 05. 2014]. Dostupné na: .
42
Přílohy Veškeré přílohy jsou umístěny v informačním systému Masarykovy univerzity. a) Dokumentace
Entitně-relační diagram
Diagram tříd
JavaDoc v jazyce HTML
b) Zdrojové kódy
Maven projekt v jazyce Java
Export analyzovaných dat (7. 5. 2014)
Export nejaktuálnějších dat (19. 5. 2014)
Návod k zprovoznění
c) Využité obrázky
Ikony orgánových soustav
Obrázky k procvičování
43
