Ostravská univerzita Pedagogická fakulta
Adaptivní e-learningový systém pro výuku jazyků Adaptive e-Learning System for Language Education Autoreferát k disertační práci
Studijní program:
Obor:
Disertant:
Školitel:
2015
Specializace v pedagogice P 7507
Informační a komunikační technologie ve vzdělávání 7507V066 Mgr. Vladimír Bradáč Ostravská univerzita, Pedagogická fakulta katedra informačních a komunikačních technologií Fráni Šrámka 3, 709 00 Ostrava-Mariánské Hory doc. Ing. Cyril Klimeš, CSc. Ostravská univerzita, Přírodovědecká fakulta katedra informatiky a počítačů 1 30. dubna 22, 701 00 Ostrava
Obhajoba disertační práce se uskuteční v pondělí 8. června 2015 v 9 hodin v zasedací místnosti SA 407 Ostravská univerzita, Pedagogická fakulta katedra informačních a komunikačních technologií Fráni Šrámka 3, 709 00 Ostrava-Mariánské Hory Oponenti: prof. Dr. Ing. Miroslav Pokorný doc. PhDr. Ivana Šimonová, Ph.D. Komise pro obhajobu disertační práce: Předseda: doc. RNDr. Jana Kapounová, CSc. Členové: doc. Ing. Cyril Klimeš, CSc. doc. Ing. Kateřina Kostolányová, Ph.D., doc. PhDr. Josef Malach, CSc. doc. RNDr. Jana Šarmanová, CSc. doc. PhDr. Jitka Šimíčková-Čížková, CSc. doc. PhDr. Ivana Šimonová, Ph.D. doc. Ing. Václav Vrbík, CSc.
2
Autoreferát byl rozeslán dne 10. 5. 2015 S disertací se lze seznámit na katedře informačních a komunikačních technologií Pedagogické fakulty Ostravské univerzity v Ostravě Fráni Šrámka 3, 709 00 Ostrava-Mariánské Hory od 7. 5. 2015. Bibliografická identifikace Jméno a příjmení autora: Mgr. Vladimír Bradáč Název disertační práce: Adaptivní e-learningový systém pro výuku jazyků Název disertační práce anglicky: Adaptive e-Learning System for Language Education Školitel: doc. Ing. Cyril Klimeš, CSc. Rok obhajoby: 2015
3
Abstrakt Disertační práce se zabývá návrhem adaptivního e-learningového systému pro výuku jazyků. Proces adaptace vychází z modelu rozhodování za neurčitosti. Hlavním tématem je zavedení takových procesů do stávajících LMS, které zefektivní vzdělávací proces v oblastech přizpůsobení obsahu kurzu studentovi (personalizace obsahu výuky), přizpůsobení formy obsahu studentovi (personalizace formy obsahu senzorickým preferencím). Hlavním přínosem je zejména zavedení procesů, od identifikace studentových potřeb a znalostí, jejich ohodnocení, po sestavení personalizovaného studijního plánu pro daného studenta, založených na podpoře fuzzy orientovaným expertním systémem, který umožní adaptaci celého učebního procesu.
Klíčová slova adaptivní systémy, expertní systémy, fuzzy orientované systémy, systémy řízení výuky, senzorické preference, výuka jazyků
4
Abstract The thesis deals with a proposal of an adaptive e-learning system for language learning. The process of adaptation stems from a model of decision-making under indeterminacy. The main focus consists in implementing such processes into current LMSs, which will make the whole learning process much more effective. Such processes include adapting the course content to the student (personalisation of the learning content), adapting the form to the student (personalisation of the course content to student’s sensory preferences). The main contribution primarily consists in implementing the processes – from identifying student’s needs and knowledge to creating an individualised study plan for a given student – based on support by a fuzzy-oriented expert system, which makes the adaptation of the learning process possible.
Key words adaptive systems, expert systems, fuzzy-oriented systems, language learning, learning management systems, LMS, sensory preferences
5
Résumé La thèse se préoccupe d’une proposition du système adaptable pour l’éducation des langues en ligne. Le procès d’adaptation part du modèle de décision sous indétermination. Le thème principal discute l´implémentation des procès en LMS contemporains qui mènent au procès éducatif plus effectif (adaptation du contenu et de la forme). La contribution fondamentale consiste en implémentation des procès d’identification des connaissances et besoins d’un étudiant, leurs évaluations, et création d´un plan d’instruction personnalisé (supporté par un système expert fuzzy orienté qui rend possible l´adaptation du procès éducatif entier).
Mots clés Systemes adaptifs, systemes experts, systemes fuzzy orientés, LMS, préférences sensoriques, l’instruction des langues
6
Obsah ÚVOD……………………………………………………………….8 1
ANALÝZA SOUČASNÉHO STAVU ŘEŠENÉ
PROBLEMATIKY…………………………………………………8 2
CÍLE DIZERTAČNÍ PRÁCE……………………………..10
3
MODEL ADAPTACE VÝUKY CIZÍCH JAZYKŮ……..11
4
PRAKTICKÉ OVĚŘENÍ NAVRHOVANÉHO MODELU
A METODIKY……………………………………………………22 5
MODEL E-LEARNIGOVÉHO KURZU PRACUJÍCÍ
S ČASEM STUDIA.………………………………………………32 6
ZÁVĚR……………………………………………………...36
7
LITERATURA……………………………………………..38
8
PUBLIKAČNÍ ČINNOST…………………………………42
9
PROFESNÍ CURRICULUM VITAE……………………..43
7
ÚVOD Motivací pro řešení předložené disertační práce je moje odborné zaměření na výuku angličtiny moderními metodami a postupy založenými na adaptivitě.
1 ANALÝZA SOUČASNÉHO STAVU ŘEŠENÉ PROBLEMATIKY E-learningová forma výuky otevřela nové možnosti jak pro učitele, tak pro studenty, přinášející velkou řadu positiv – např. výše zmíněné monitorování, řízení, komunikovaní a ovlivňování studenta v jeho postupu kurzem. Obrovský zájem o tyto nové možnosti elearningu však otevírají prostor pro mnohé problémy, které v době jeho vzniku nemohly být předvídány či prozatím úplně eliminovány. Nastolení otázky vylepšení, optimalizace či zkvalitnění e-learningu je tím složitější, že nelze na věc pohlížet pouze v úzkém spektru jedné větve výzkumu zaměřující se na jednotlivé problémy.
1.1
LMS a výuka jazyků
V literatuře lze nalézt snahy o optimalizaci výuky cizích jazyků v elearningu vzhledem k učebním stylům (Juřičková, 2012) či testování (El-Hmoudová, 2012) testování.
1.2
Inteligentní výukové systémy
Existuje několik inteligentních výukových systémů. Např. The Passive Voice Tutor od M.Virvou (Virvou, 2012), English Tutor od kolektivu kolem Fuma (Fum et al., 1992). English Tutor, podobně jako Passive 8
Voice Tutor, je však systém využitelný pouze pro výuku úzkého spektra jazyka (pouze určitá část gramatiky). Proto není možno je využít pro výuku v dlouhodobém časovém horizontu, např. semestr na univerzitě.
1.3
Adaptivita
Adaptivita systému znamená schopnost systému přizpůsobit se proměnlivým vstupním informacím, na které systém reaguje patřičnou změnou. Nynější LMS systémy obecně nenabízejí možnost přizpůsobení se (adaptace) potřebám jednotlivých uživatelů v takovém rozsahu, aby mohly být nazývány adaptivní. Systém Virtuální učitel (Kostolányová, 2012) je modelovým příkladem inteligentního adaptivního výukového systému, který v sobě nese prvky dynamické adaptivní výuky. Avšak tento inteligentní výukový systém je také odlišný od modelu, který je předmětem výzkumu této dizertační práce. Jedny z nejzásadnějších rozdílů jsou procesy identifikace znalostí studenta, práce s jeho učebním stylem či vytvoření předdefinovaných modelů studenta.
Z analýzy výše uvedených směrů výzkumu vyplývá, že ucelený univerzální adaptivní systém, který by kombinoval prvky potřebné pro moderní e-learning, jako jsou zapojení učebního stylu/senzorických preferencí, identifikace znalostí studenta již před samotným začátkem výukového procesu (tzn. nejen zjištění celkové úrovně znalostí, ale zejména identifikace kritických oblastí), určení vhodných výukových objektů a sestavení personalizovaného
9
studijního plánu, a který již byl vyvinut, otestován a používaný v praxi, nelze v odborných periodicích nalézt.
2 CÍLE DIZERTAČNÍ PRÁCE Cílem disertační práce je návrh adaptivního e-learningového systému pro výuku jazyků. V oblasti pedagogické je cílem soustředit se na studenta samotného, shromáždit informace o jeho způsobu učení a vstřebávání informací (senzorické preference), shromáždit informace o jeho vstupních znalostech. Tyto informacemi jsou využity s cílem výuku studentovi uzpůsobovat na počátku a také v průběhu procesu výuky dle výsledků průběžných testů. V oblasti technické je hlavním bodem zájmu samotný návrh metodiky adaptace ve výuce jazyků, který vychází z modelu rozhodování za neurčitosti při určování dalšího kroku ve výuce, což znamená zavedení takových procesů do stávajících LMS, které zefektivní vzdělávání v oblastech přizpůsobení obsahu kurzu studentovi (personalizace obsahu výuky), přizpůsobení formy obsahu studentovi (personalizace formy obsahu senzorickým preferencím). Toto se děje na základě identifikace studentových znalostí a jejich ohodnocení, což vede k sestavení personalizovaného studijního plánu pro daného studenta. Identifikace studentových znalostí, jejich ohodnocení a sestavení personalizovaného studijního plánu bude provedeno na základě dřívějších zkušeností s výukou jazyka užitím fuzzy orientovaného expertního systému obsahujícího znalostní bázi IF-THEN pravidel (JESTLIŽE-PAK pravidel). Tato pravidla jsou vytvářena expertem se znalostí výuky jazyků. 10
Praktickým cílem je ověřit, zda navržený model jako celek je použitelný v reálném procesu e-learningové výuky jazyků.
3 MODEL ADAPTACE VÝUKY CIZÍCH JAZYKŮ Model adaptace vychází z modelu publikovaném v (Klimeš, 2011). Tento model byl podroben analýze a vzhledem k tématu této dizertační práce musel být pozměněn, aby pokryl všechny procesy, které jsou specifikem pro výuku jazyků: -
-
Získání informací o studentovi – shromáždění dat o studentovi a oblasti, které se rozhodovací proces týká. M1a - proces zúplnění informací o senzorických preferencích studenta a jejich ohodnocením. M1b - proces zúplnění informací o znalostech studenta a jejich ohodnocením. M2 - proces vytvoření množiny přípustných řešení, tj. formulování cílů řízení výuky jazyka na základě popisu dané situace a formulování přípustných řešení. M3 - proces modelování efektů přípustných řešení - zde se každému přípustnému řešení přiřadí množina situací a jejich časových průběhů, které vznikají na základě daného rozhodnutí. Modelování efektů je cyklicky opakováno do okamžiku nalezení prvního přípustného řešení. Toto řešení je přijato jako studijní varianta pro daného studenta.
Navržené schéma vyhovující potřebám výuky jazyka v e-learningové formě bylo rozloženo na jednotlivé činnosti, které se v daných procesech vykonávají. Tyto činnosti jsou znázorněny na Obr. 1 zachycujícím detailní vývojový diagram celého učebního procesu.
11
Obrázek 1 Vývojový diagram kompletního procesu vzdělávání přes e-learning 12
3.1
Definice jednotlivých částí navrhovaného modelu
Pro popis celého modelu byla zavedena terminologie, která je určena pouze pro potřeby této práce. 3.1.1 Získání informací o studentovi Vstupní informace jsou informace poskytnuté studentem před začátkem učebního procesu, ale také informace, které jsou již předem uloženy v systému. Popis vstupů Vstupem je Didaktický test a Dotazník senzorických preferencí Výběr didaktického testu závisí na předmětu, který si student zapsal pro daný semestr. S výběrem didaktického testu dále souvisí další hodnoty vážící se k danému předmětu a testu. 1) Didaktický test – výběr z D0 o o o o o o o o o
o
Předmět (PředmětID), Název (TestID), Celková doba studia v e-learningu (CDS), Počet otázek v testu (Ocelkem), Identifikace Kategoriei, Kategoriej, …, Kategorien pro daný test, Identifikace otázky Oi(KATi), Oj(KATj), …, On(KATn) pro daný test, V2: Váha otázky VáhaOi, VáhaOj, …, VáhaOn, V3: Váha kategorie VáhaKATi, VáhaKATj, …, VáhaKATn, Hodnoty minimální procentuální úspěšnosti pro splnění kategorie minPrTi%, minPrTj%, …, minPrTn% a minCTi%, minCTj%, …, minCTn%, Hodnota splnění kategorie maxV5.
13
Dotazník senzorických preferencí pro zjištění modalit V,A,R,K je pouze jeden standardizovaný. Není vázán na předmět. Neváží se k němu další proměnné. 2) Dotazník senzorických preferencí – z D2: o Identifikace studenta (StudentID), o O1 (odpověď1, odpověď2, odpověď3, odpověď4), O2 (odpověď1, odpověď2, odpověď3, odpověď4), …, O16 (odpověď1, odpověď2, odpověď3, odpověď4). Popis činností
-
Didaktický test – vyplnění o Identifikace studenta (StudentID), o Určení správných odpovědí Oi, Oj, …, On, o Čas jednotlivých odpovědí TOi, TOj , …, TOn.
-
Dotazník senzorických preferencí - vyplnění: o Identifikace studenta (StudentID), o O1 (odpověď1, odpověď2, odpověď3, odpověď4), O2 (odpověď1, odpověď2, odpověď3, odpověď4), …, O16 (odpověď1, odpověď2, odpověď3, odpověď4).
-
Dotazník senzorických preferencí – určení četností: o o o o o
Identifikace studenta (StudentID), ČetnostV = O1 (odpověď1) + O2 (odpověď1), ČetnostA = O1 (odpověď2) + O2 (odpověď2), ČetnostR = O1 (odpověď3) + O2 (odpověď3), ČetnostK = O1 (odpověď4) + O2 (odpověď4).
(odpověď1), + … + O16 (odpověď2), + … + O16 (odpověď3), + … + O16 (odpověď4), + … + O16
Popis výstupů Informace uložené do D1: -
Identifikace studenta (StudentID), Předmět (PředmětID),
14
-
Název didaktického testu (TestID), Počet otázek v testu (OCelkem), Identifikované Kategoriei, Kategoriej, …, Kategorien, Identifikované otázky Kategoriei, Kategoriej, …, Kategorien, V1: počet správných odpovědí na Oi(KATi), Oj(KATj), …, On(KATn), V2: Váha identifikovaných otázek VáhaOi, VáhaOj, …, VáhaOn, V3: Váha identifikovaných kategorií VáhaKATi, VáhaKATj, …, VáhaKATn, Správné odpovědi Oi, Oj, …, On, V4: Čas jednotlivých odpovědí TOi, TOj , …, TOn.
Informace uložené do D3: -
Předmět (PředmětID), Celková doba studia (CDS), Hodnoty minPrTi, minPrTj, …, minPrTn a minCTi, minCTj, …, minCTn, Hodnota maxV5.
Informace uložené do D2: -
Identifikace studenta (StudentID), ČetnostV, ČetnostA, ČetnostR, ČetnostK.
3.1.2 Proces M1a Popis vstupů Data načtená z databáze D2:
-
Identifikace studenta (StudentID), ČetnostV, ČetnostA, ČetnostR, ČetnostK.
Popis činností procesu Proces M1a stanovuje jakou kombinaci senzorických preferencí student má, a to na základě procentuálního výpočtu četnosti. V% = [ČetnostV/(ČetnostV+ČetnostA+ČetnostR+ČetnostK)]*100 A% = [ČetnostA/( ČetnostV+ČetnostA+ČetnostR+ČetnostK)]*100 R% = [ČetnostR/( ČetnostV+ČetnostA+ČetnostR+ČetnostK)]*100 K% = [ČetnostK/( ČetnostV+ČetnostA+ČetnostR+ČetnostK)]*100
15
Popis výstupů Data uložená do databáze D3: - Identifikace studenta (StudentID), - V%, - A%, - R%, - K%.
3.1.3 Proces M1b Popis vstupů Data načtená z databáze D1: -
Identifikace studenta (StudentID), Předmět (PředmětID), Název didaktického testu (TestID), Počet otázek v testu (OCelkem), Identifikované Kategoriei, Kategoriej, …, Kategorien, Identifikované otázky Kategoriei, Kategoriej, …, Kategorien, V1: počet správných odpovědí na Oi(KATi), Oj(KATj), …, On(KATn), V2: Váha identifikovaných otázek VáhaOi, VáhaOj, …, VáhaOn, V3: Váha identifikovaných kategorií VáhaKATi, VáhaKATj, …, VáhaKATn, Správné odpovědi Oi, Oj, …, On, V4: Čas jednotlivých odpovědí TOi, TOj , …, TOn.
Popis činností procesu Proces M1b je procesem, který vyhodnocuje úroveň znalosti jazyka daného studenta. 1) První činností je zjištění, zda student splnil minimální znalosti pro vstup do kurzu. Didaktický test je vyhodnocen jako celek: (Oi + Oj + … + On) ≥ Ocelkem * 0,4 Jestliže jsou minimální požadavky splněny, přistupuje se k bodu 2. V opačném případě je student upozorněn, že nesplnil vstupní požadavky a musí přejít na jiný kurz. 16
2) V této fázi vyhodnocování je každá kategorie obsažená v didaktickém testu vyhodnocována samostatně. Tento proces využívá fuzzy logický expertní systém a znalostní bázi obsahující sadu vytvořených IF-THEN pravidel, (na Obr. 1 označené jako ES1), která vyhodnocují načtená vstupní data V1-V4 a ohodnocují výstup V5. Vyhodnocení didaktického testu při využití báze znalostí ES1 (ukázka): JESTLIŽE V1 je SMALL A V2 je SMALL A V3 je VERY BIG A V4 je BIG PAK V5 je EXTREMELY BIG Báze znalostí ES1 obsahuje 135 pravidel.
Popis výstupů Data uložená do databáze D3: - Identifikace studenta (StudentID), - Identifikované Kategoriei, Kategoriej, …, Kategorien, - Potřeba dalšího studia (V5) identifikované Kategoriei, Kategoriej, …, Kategorien.
3.1.4 Proces M2 Popis vstupů Data načtená z databáze D3: -
Identifikace studenta (StudentID), Identifikované Kategoriei, Kategoriej, …, Kategorien, Hodnoty minimální procentuální úspěšnosti pro splnění kategorie minPrTi%, minPrTj%, …, minPrTn% a minCTi%, minCTj%, …, minCTn%, Dosažené procento z testů PrTi%, PrTj%, …, PrTn% a CTi%, CTj%, …, CTn% (pokud jde již o druhý průchod generování studijní varianty), Potřeba dalšího studia (V5) identifikované Kategoriei, Kategoriej, …, Kategorien Hodnota splnění kategorie maxV5.
17
Popis činností procesu Z množiny všech cílů výuky daného kurzu, tzn. požadovaná znalost Kategoriei, Kategoriej, …, Kategorien, jsou vybrány jen ty, které jsou pro daného studenta relevantní (na základě dat získaných v procesu M1b). Ohodnocení relevantnosti cíle je provedeno na základě splnění či nesplnění podmínek pro daný cíl výuky, tzn. dosažení požadované znalosti (vyjádřeno dosaženou hodnotou jazykové proměnné V5, popř. procentem z kontrolních testů v průběhu studia). Popis výstupů Data uložená do databáze D3: - Identifikace studenta (StudentID), - Množina identifikovaných kategorií nesplnil N={Kategoriei, Kategoriej, …, Kategorien}, - Množina identifikovaných kategorií splnil S={Kategoriei, Kategoriej, …, Kategorien}.
3.1.5 Proces M3 Popis vstupů Data načtená z databáze D3: -
Identifikace studenta (StudentID), Předmět (PředmětID), Množina identifikovaných kategorií nesplnil N={Kategoriei, Kategoriej, …, Kategorien}, Celková doba studia (CDS), V%, A%, R%, K%.
18
Data načtená z databáze D4: -
-
-
-
Pro nesplnil N={Kategoriei, Kategoriej, …, Kategorien} se určí fixní studijní objekty SOKATi (ATi, ATj, …, ATn, PrTi), SOKATj (ATi, ATj, …, ATn, PrTj), …, SOKATn (ATi, ATj, …, ATn, PrTn), Pro nesplnil N={Kategoriei, Kategoriej, …, Kategorien} se určí studijní materiály SMi (Kategoriei), SMj (Kategoriej), …, SMn (Kategorien), Pro nesplnil N={Kategoriei, Kategoriej, …, Kategorien} se určí fixní časová náročnost studijních objektů TSOKATi, TSOKATj, …, TSOKATn, Cumulative testy pro daný předmět, tzn. CTi (Předmět, Kategoriei, Kategoriej, …, Kategorien, minCT%), CTj (Předmět, Kategoriei , Kategoriej, …, Kategorien, minCT%), …, CTn (Předmět, Kategoriei , Kategoriej, …, Kategorien, minCT%), Fixní časová náročnost Cumulative testů pro daný předmět TCTi, TCTj, …, TCTn, Pro nesplnil N={Kategoriei, Kategoriej, …, Kategorien} se určí časová náročnost jednotlivých studijních materiálů TSMi(KATi), TSMj(KATj), …, TSMn(KATn).
Popis činností procesu Činnosti tohoto procesu vedou k sestavování samotného personalizovaného studijního plánu studenta, viz Obr. 2. Popis výstupů Data uložená do databáze D3: -
Identifikace studenta (StudentID), Předmět (PředmětID), Identifikátor vygenerované studijní varianty (SVi). Studijní varianta obsahuje: o Nesplněné kategorie: nesplnil N={Kategoriei, Kategoriej, …, Kategorien}, o Studijní materiály: SMi (Kategoriei), SMj (Kategoriej), …, SMn (Kategorien),
19
o o
o
Fixní studijní objekty: SOKATi (ATi, ATj, …, ATn, PrTi), SOKATj (ATi, ATj, …, ATn, PrTj), …, SOKATn (ATi, ATj, …, ATn, PrTn), Cumulative testy: CTi (Předmět, Kategoriei , Kategoriej, …, Kategorien, minCT%), CTj (Předmět, Kategoriei , Kategoriej, …, Kategorien, minCT%), …, CTn (Předmět, Kategoriei , Kategoriej, …, Kategorien, minCT%), Celkový součet časů: CSČSVi .
Popis výstupů Data uložená do databáze D3: -
Identifikace studenta (StudentID), Předmět (PředmětID), Identifikátor vygenerované studijní varianty (SVi). Studijní varianta obsahuje: o Nesplněné kategorie: nesplnil N={Kategoriei, Kategoriej, …, Kategorien}, o Studijní materiály: SMi (Kategoriei), SMj (Kategoriej), …, SMn (Kategorien), o Fixní studijní objekty: SOKATi (ATi, ATj, …, ATn, PrTi), SOKATj (ATi, ATj, …, ATn, PrTj), …, SOKATn (ATi, ATj, …, ATn, PrTn), o Cumulative testy: CTi (Předmět, Kategoriei , Kategoriej, …, Kategorien, minCT%), CTj (Předmět, Kategoriei , Kategoriej, …, Kategorien, minCT%), …, CTn (Předmět, Kategoriei , Kategoriej, …, Kategorien, minCT%), o Celkový součet časů: CSČSVi .
V databázi D3 jsou nyní uloženy veškeré relevantní informace o studentovi a studijním plánu a materiály ke studiu.
20
Obrázek 2 Činnosti procesu M3
21
4 PRAKTICKÉ OVĚŘENÍ NAVRHOVANÉHO MODELU A METODIKY Praktická část této dizertační práce ověřovala, zda je možno model navržený a popsaný v kapitole 3 implementovat do praktického využití a to zejména za využití stávajících systémů a dostupných prostředků. Jednotlivá teoretická východiska proto byla aplikována a převedena do reálných výstupů, které jsou popsané v následujících kapitolách tak, jaká byla posloupnost jejich potřeby v zavádění.
4.1
Cílová skupina a cíle výuky
Cílovou skupinou pro ověření navrženého modelu a tedy i pro navržení a strukturovaní didaktického testu a e-kurzu, byli studenti distanční a kombinované formy studia oboru Aplikovaná informatika a Informatika na Katedře informatiky a počítačů, Přírodovědecké fakulty, Ostravské univerzita v Ostravě, kteří si zapsali předmět Angličtina studovaného oboru 3 (XANG3 pro kombinovanou formu; 2ANG3 pro distanční formu – dále označovaný pouze jako XANG3) v ZS2014/2015. Časové období bylo 13 týdnů, 22.9.-19.12.2014. Tento kurz navazuje na dva předchozí kurzy Angličtina studovaného oboru 1 (dále jen XANG1), vyučovaný v zimním semestru a Angličtina studovaného oboru 2 (dále jen XANG2), vyučovaný v letním semestru. XANG1 a XANG2 nejsou povinnými předměty, tedy studenti tyto předměty nemuseli absolvovat. Vstupní informace Vstupními informacemi do rozhodovacího procesu se rozumí informace poskytnuté studentem, na jejichž základě je systém 22
schopen studenta ohodnotit v oblasti kritérií, která jsou pro další postup nezbytná - zde úroveň znalosti jazyka a senzorické preference.
4.2
Didaktický test
Tvorba a struktura didaktického testu Pro náš účel můžeme využít standardizovaný rozřazovací test anglického jazyka pro zjištění obecné úrovně znalostí vytvořený univerzitou v Cambridge (Cambridge University, 2010). Obecně, rozřazovací testy začínají jednoduchými otázkami pro začátečníky a náročnost gramatických okruhů se zvyšuje. Cílem rozřazovacích testů je identifikovat úroveň znalostí jazyka dle SERR (Council of Europe, 2011). Tyto úrovně se rozdělují na A1-C2. Příkladový rozřazovací test obsahuje rozdělení pokrývající úrovně A1-C1. Vyhodnocení rozřazovacího testu jako celek nám sice definuje úroveň znalostí studenta, bohužel neříká nic o tom, kde student chyboval, v čem jsou jeho znalosti dostatečné a v čem student zaostává. To znamená, že učitel/systém nemá informace o tom, které studijní objekty studentovi předložit. Obecný test byl přestrukturován tak, aby vyhovoval potřebám testování studentů předmětu XANG3.
Analýza didaktického testu Je třeba tedy analyzovat jednotlivé otázky dle jejich zaměření – na jaký gramatický jev se zaměřují. Jednotlivé otázky rozřazovacího testu byly podrobeny analýze a rozděleny dle gramatických kategorií. 23
Pro zpracování didaktického testu bylo zvoleno prostředí online webové aplikace. Toto prostředí bylo zvoleno z důvodu jednoduchého přístupu ze strany uživatelů a také z důvodu možnosti požadované výstupy testu exportovat, dále zpracovat a importovat do LMS Moodle. Další nespornou výhodou je možnost automatického spuštění nástroje LFLC v průběhu zpracování výsledků testů a následné zpracování ohodnocení, které jsou výstupem nástroje LFLC. Vytvořenou webovou aplikaci je možné rozdělit do těchto částí: -
vytváření otázek didaktického testu a jejich rozdělení do kategorií, vložení studenta do systému, přihlášení studenta do systému a vyplnění testu, vyhodnocení testu pomocí LFLC, vytváření otázek didaktického testu a jejich rozdělení do kategorií.
Vyhodnocení didaktického testu Jednotlivé kategorie jsou podrobeny analýze pro vyhodnocení potřeby následného studia dané gramatické kategorie v průběhu průchodu e-learningovým kurzem. Proces analýzy jednotlivých kategorií bere v úvahu následující proměnné pro každou kategorii zvlášť. (Výčet obsahuje jazykové vyjádření daných proměnných): 1. Znalost dané kategorie (V1) – small, medium, big, 2. Váha správně zodpovězených otázek (V2) – small, medium, big, 3. Důležitost kategorie pro další studium (V3) – very small, small, medium, big, very big, 4. Čas strávený nad danou kategorií (V4) – small, medium, big. 24
Znalost dané kategorie (V1) Znamená vyhodnocení, kolik odpovědí student odpověděl správně v dané kategorii. Čím méně správných, tím nižší znalost. Hodnoceno procentuálním poměrem (0-100%) na škále (0-1). Váha správně zodpovězených otázek (V2) Znamená, že některé otázky v rámci jedné kategorie jsou lehčí, některé obtížnější. Jsou ohodnoceny všechny otázky ve všech kategoriích. Hodnoceno vahou (0-10) na škále (0-1) Důležitost kategorie pro další studium (V3) Znamená, jak je daná kategorie ohodnocena, zda ji student již má znát velmi dobře, částečně či zatím ji znát nemusí. Například důležitost znalosti Přítomného času průběhového pro vstup do XANG3 je velmi velká. Při vyhodnocení stejné kategorie pro XANG1 by Přítomný čas průběhový byl ohodnocen jako malá důležitost. Znalost předminulého času naopak nezbytná není, protože se ho student teprve bude učit. Hodnoceno vahou (0-10) na škále (0-1) Čas strávený nad danou kategorií (V4) Znamená, že je sčítán čas potřebný na odpověď jednotlivých otázek. Časy se pak sčítají pro jednotlivé kategorie a je vyhodnoceno, zda studentovi trvá odpovědět na otázky dané kategorie dlouho, středně dlouho či krátce. Jelikož je celý test koncipován na 40 min, průměrný čas odpovědi byl stanoven na 20 sekund pro jednu otázku, což je dostatečný čas. Hodnoceno časem v sekundách na škále (0-1) Výstupní proměnná (V5): 25
Potřeba studia dané gramatické kategorie (V5): extremely small, very small, small, more or less medium, medium, big, very big, extremely big. Znamená, jak intenzivně by měl student danou kategorii studovat, aby úspěšně dosáhl studijních cílů. Výstupní proměnná odráží skutečný stav znalostí studenta a nastavuje důležitost/potřebu studia pro daný předmět. V posledním kroku je test studenta vyhodnocen. Expertní systém obsahuje znalostní bázi, která je složena ze 135 IF-THEN pravidel. V průběhu vyhodnocení testu jsou odpovědi studenta nejprve sdruženy do kategorií otázek (jednotlivých témat). V každé kategorií jsou souhrnně spočteny hodnoty pro všechny vstupní jazykové proměnné (V1-V4), které jsou upraveny pro použití ve vstupním souboru pro LFLC 2000 (Habiballa et al, 2003).
4.3
Senzorické preference
Výběr vhodné metodiky zjišťování senzorických preferencí Zjištění senzorických preferencí studenta na základě odpovídajícího dotazníku je nezbytným krokem pro umožnění systému pracovat se studijními materiály tak, aby danému studentovi předložil studijní materiály vyhovující jeho preferovaným způsobům vnímání informací. Pro výběr modelu rozdělení učebního stylu, v našem případě pouze senzorické preference, byly vybrány modely vytvořené Kolb, FelderSilverman, Gregorc, Honey a Mumford, Fleming. Tyto byly posouzeny a jedna metodika vybrána pro další využití v této dizertační práci. 26
Tabulka 1 přehledně zobrazuje nosná kritéria 1 – 7, jejichž splnění vedlo k výběru nejvhodnější metodiky. Je patrné, že většina metodik má problémy se splněním kritérií elektronické výuky (potřeba práce ve skupině, náhodný přístup k učení, atd.), dále pak s přiřazením jednotlivých typů studijních materiálů k typům studenta, popř. metodika vyhodnocení není jednoduchá. Tabulka 1 Porovnání vybraných metodik, zda splňují kritéria 1 – 7 METODIKA Kolb 1. 2. 3. 4. 5. 6. 7. Celkem
ANO ANO ANO 3
Honey & Mumford ANO ANO
Gregorc
FelderSilverman
ANO ANO ANO
ANO
ANO
ANO
ANO
3
5
2
Fleming ANO ANO ANO ANO ANO ANO ANO 7
1. elektronické prostředí (přítomnost učitele je „vyloučena“), 2. studenti studují individuálně, ne skupinově, 3. typ studijních materiálů musí být vhodný pro všechny typy dané metodiky, 4. využitelnost ve vzdělávacích institucích, např. univerzita, střední škola, 5. respektování metodiky výuky daného předmětu, 6. standardizované testování (popř. existuje česká verze testu), 7. krátkost, jednoduchost testu a jeho vyhodnocení. Vezmeme-li v úvahu stanovená kritéria pro výběr nejvhodnější metodiky a vyhodnocení v Tabulce 1, Flemingova metodika VARK se jeví jako nejvhodnější, neboť splňuje všechna kritéria potřebná pro 27
účely navrhovaného modelu. Proto tato metodika bude použita pro vyhodnocení senzorických preferencí studenta. Testování senzorických preferencí Pro potřeby zavedení senzorických preferencí jednotlivým studentům předmětu XANG3 v pilotovaném e-kurzu v ZS2014, studenti vyplnili již testovaný dotazník a jednotlivé odpovědi byly poté převedeny do formy, která umožnila jednotlivým studentům přiřadit atributy V-A-R-K v kurzu v LMS Moodle. Jednotlivé modality byly označeny jako ANO ≥ 20% či NE < 20% z celkového počtu odpovědí v dotazníku.
4.4
Příprava e-learningového kurzu XANG3 pro ověření
v ZS2014 Při přípravě e-learningového kurzu XANG3 bylo třeba vzít v úvahu, že student bude mít možnost, popř. bude muset zpětně projít obsahem kurzu XANG1 a XANG2, což v klasickém pojetí kurzů na OU nelze. Po importu všech potřebných materiálů se přistoupilo k dalšímu kroku, a to k nezbytným přizpůsobením a nastavením. Velmi důležitým faktem je, že pro potřeby ověření v ZS2014 bylo možno využít práci s časovou náročností „pouze“ celých lekcí. To znamená, že pokud studentova vstupní znalost dané kategorie dosáhla stanoveného limitu, kategorie byla vyhodnocena jako splněna. Metodika ověření v ZS2014 korespondovala s navrženým modelem až do procesu M2 včetně. Student tedy měl časově kratší studium o všechny takto vyhodnocené lekce. Avšak časová náročnost jednotlivých studijních materiálů nemohla být vzata v úvahu, neboť LMS Moodle zatím nedovoluje pracovat s časovým hlediskem 28
jednotlivých studijních objektů. Řešení beroucí v úvahu časové hledisko studia je navrženo v kapitole 4. Potřebná přizpůsobení Pro účely implementace takto vytvořeného kurzu byla využita zcela nová instance LMS Moodle, která byla implementována na virtuálním stroji se systémem Linux Debian hostovaném na technologii VMWare. Bylo použito Moodle verze 2.7.2+. Implementace se v prostředí LMS Moodle orientovala na profil studenta, konkrétně na volitelná pole profilu uživatele. Souhrnně byl tento profil rozšířen o 25 polí. Metodika nastavení průchodu kurzem Samotný průchod kurzem byl postaven na metodice, která musela zaručit, aby korespondovala s výsledky vstupního testu a dotazníku, ale také, aby umožňovala reagovat na průběžné výsledky studenta v průběhu studia v semestru – ideálně bez zásahu pedagoga Struktura je navržena tak, že lze omezit přístup k celé lekci na základě výstupu z didaktického testu a otevřít ji na základě průběžných výsledků. Zde ale může nastat komplikace, kdy student má z výsledku didaktického testu výsledek umožňující lekci přeskočit (doporučení bylo extrémně malé, velmi malé, malé). Přístup je omezen, ale student musí zvládnout i opakovaní = Cumulative test, který kontroluje, zda student opravdu v úvodním didaktickém testu neměl např. štěstí, tedy jeho znalost je opravdu konzistentní. Pokud Cumulative test nezvládne, lekce se mu zpětně otevře, což zaručuje pravidlo omezení známky z testu Cumulative test - Present tenses. 29
V tomto případě se lekce zpětně otevře při úspěšnosti menší než 70% z tohoto opakovacího testu. Student má tedy možnost si projít cvičení a látku vztahující se k této gramatické kategorii a pak se opět vrátit k Cumulative test – Present tenses. Má celkem 3 pokusy tento opakovací test zvládnout. Tři pokusy jsou omezením pro všechny testy v kurzu. Nastavení omezení pro Cumulative test, kterých je v kurzu několik, neboť jsou opakováním vždy předešlého celku logicky k sobě patřících lekcí (např. Present tenses, Past tenses, Present perfect tenses, …), je mnohem složitější. Musí být splněna alespoň jedna z následujících podmínek, aby student mohl testem projít: 1. Úvodní didaktický test nevyhodnotil potřebu studia obou kategorií (Present Simple i Present Continuous) jako extrémně velká, velmi velká či velká. Obě kategorie jsou tedy zavřeny a student rovnou přikročí k opakovacímu testu. 2. Úvodní didaktický test nevyhodnotil potřebu studia jedné z kategorií (Present Simple i Present Continuous) jako extrémně velká, velmi velká či velká, ale druhou ano. Student musí nejprve zvládnout Progress test z kategorie vyhodnocené jako doporučené ke studiu. 3. Úvodní didaktický test vyhodnotil potřebu studia obou kategorií (Present Simple i Present Continuous) jako extrémně velká, velmi velká či velká. Obě kategorie jsou tedy otevřeny a musí nejprve zvládnout Progress test z obou kategorií. Takto student postupuje celým kurzem až k jeho konci. Individuální nastavení učební látky je zaručeno studentovými výsledky jak 30
z úvodního didaktického testu, tak z informací o výsledcích, které se o studentovi shromažďují v průběhu studia samotného.
4.5
Vyhodnocení sestavení a nastavení e-
learningového kurzu Sestavení e-learningového kurzu XANG3 bylo koncipováno tak, aby student měl možnost jej úspěšně projít i bez nutnosti vstupu do kurzu XANG1 a XANG2. Každá lekce obsahovala studijní materiály, kterým byly přiřazeny kategorie VARK, vždy minimálně jeden studijní materiál k jedné kategorii VARK. Dále obsahovala auto-testy, jež měl student k dispozici k procvičení před přistoupením k Progress test či Cumulative test. Jak již bylo zmíněno, žádný student neměl k dispozici pouze jeden typ studijních materiálů, ale kombinaci dvou až tří. Žádný student také neměl k dispozici všechny typy, vždy byl jeden typ utlumen – dle výsledků dotazníku senzorických preferencí. Kombinace lekcí, jež byly studentovi doporučeny ke studiu, byly opět velmi variabilní. V případě velmi pokročilého studenta by se jeho studijní plán „zúžil“ na pouhých 6 opakovacích testů, což by studentovi časově velmi pomohlo pro studium dalších předmětů. V opačném extrémním případě by ale student musel projít celkem 21 povinných testů, což by ale ukazovalo na velmi malé znalosti. Zde bychom mohli narazit na časovou náročnost celého kurzu. Nastavení průchodu kurzem se ukázalo jako vyhovující, když vytvořená metodika pro průchod jednotlivými lekcemi a testy, tzn. systém kombinace splněných podmínek, umožnila systému reagovat na studentovy výsledky a ty zohledňovat v jeho dalším postupu. 31
V průběhu studia nastala pouze jedna situace, kdy se někteří studenti dostali do tzv. deadlocku, což je situace, kdy student musí splnit podmínku a, která je podmíněná splněním podmínky b, a tu student může splnit pouze, pokud splní podmínku a. Tato situace nastala z důvodu špatného nastavení přístupu ke Cumulative test – Present perfect tenses, ale po upozornění studenty, byla ihned a jednoduše vyřešena. Ověření nebylo provedeno na vzorku studentů rozdělených na skupinu experimentální a kontrolní, a to z důvodu malého počtu studentů, kteří v daném semestru studovali. Výsledky by vedly ke statisticky nereprezentativním závěrům. Cel kurz byl hodnocen evaluačním dotazníkem. Ten vyplnili studenti, kteří úspěšně došli až ke konci kurzu. Bylo jich celkem 11 ze 14.
5 MODEL E-LEARNIGOVÉHO KURZU PRACUJÍCÍ S ČASEM STUDIA Závěrečná fáze při zpracovávání tématu této dizertační práce se týkala návrhu modelu e-learningového kurzu pracujícího s časem, včetně jeho ověření na modelových příkladech. Zásadní charakteristika tohoto modelu je, že zajišťuje možnost práce s časem nejen při testování, ale také při samotném sestavování individuálního studijního plánu studenta, a to ideálně bez vnějšího zásahu – oproti ověřovanému kurzu XANG3, kdy bylo třeba výstupy z expertního systému a dotazníku senzorických preferencí manuálně nahrát do LMS Moodle, který však neumožňuje práci s časovými nároky jednotlivých studijních materiálů.
32
5.1
Požadavky
Bylo třeba dosáhnout žádoucího stavu, kdy by veškeré aktivity probíhající od začátku testování, až po konečné sestavení individuálního studijního plánu studenta probíhaly v jednom uceleném systému bez nutnosti využívat navzájem nepropojené aplikace. Bylo třeba stanovit celkový čas studia, který má student k dispozici od počátku studia až po ukončení, včetně splnění zápočtu či závěrečné zkoušky. V případě předmětu XANG3 to je ústní zkouška obsahově pokrývající i předměty XANG1 a XANG2. Pro potřeby práce s časem, bylo třeba stanovit průměrnou časovou náročnost jednotlivých studijních objektů, kontrolních testů, zkušebních testů a jiných částí e-learningového kurzu a předmětu jako takového. Celkově bylo tedy žádoucí zkombinovat již vytvořenou metodiku testování znalostí a senzorických preferencí, vyhodnocení a průchodu kurzem s výše uvedenými požadavky, a tím vytvořit nový model e-learningového kurzu.
5.2
Časové hledisko e-learningového kurzu
1. Nejprve byly časově ohodnoceny studijní materiály, jež slouží studentům jako zdroje nové/opakované učební látky. Studijní materiály představují studijní objekty, které jsou variabilní a studentům jsou předkládány dle VARK preferencí a pouze v případě vyhodnocení jako doporučené pro další studium.
33
2. Byly časově ohodnoceny „Cumulative tests“, tzn. testy, které student musí projít vždy, aby byla eliminována situace, kdy student při úvodním didaktickém testu kategorii splnil, např. díky náhodným odpovědím. 3. Byly časově ohodnoceny jednotlivé kategorie (lekce), které obsahují auto-testy a Progress test sloužící studentovi pro upevnění naučené studijní látky a ověření si, že ji pochopil. Tyto studijní objekty jsou obsaženy v každé lekci a student je má k dispozici pouze v případě, že je lekce otevřená (na základě vstupních dat či průběžných výsledků). 4. Byla stanovena celková doba studia a pevné časové dotace jednotlivým součástem předmětu. Ty byly převzaty z IS Stag OU, tzn. informačního systému, kde je předmět popsán, včetně časové náročnosti. Celková doba studia je odvozena od dotace tří kreditů, která odpovídá 90 hodinám celkem za předmět.
5.3
Eliminace studijních materiálů – proces M3
Proces, který navazuje na eliminaci jednotlivých lekcí, spočívá v eliminaci studijních materiálů, což znamená, že studentovi budou předloženy pouze některé studijní materiály z celkové databáze studijních materiálů daného kurzu. Tento proces je rozdělen na dvě fáze. V první fázi se eliminují studijní objekty na základě vyhodnocení dotazníku senzorických preferencí – tedy dle zjištěné kombinace modalit VARK. Jednotlivé studijní materiály mají přiřazenou danou modalitu. Tato eliminace se provádí na základě procentuálního vyhodnocení poměru VARK modalit. 34
V tomto okamžiku systém opět přepočte čas, který nyní studijní plán daného studenta vyžaduje, a porovná ho s dostupným časem studia. Mohou nastat dvě varianty. 1. Vygenerovaný studijní plán je časově kratší než dostupný čas pro studium. Tento vygenerovaný plán je tedy studentovi předložen a studium může začít. 2. Vygenerovaný studijní plán je časově delší než dostupný čas pro studium. V tomto případě se přistupuji k druhé fázi. Druhá fáze spočívá ve využití algoritmu pro eliminaci studijních materiálů. Tento algoritmus byl vyvinut tak, aby splňoval podmínky, které vstupují do procesu finální eliminace.
5.4
Ověření funkčnosti aplikace pro sestavení
studijních materiálů pro redukovaný studijní plán studenta Cílem navržené aplikace (nazvané Adaptive eLearning) bylo pouze modelové ověření systému pracujícího s časovou náročností studijních materiálů a celých lekcí. To znamená, že bylo třeba ověřit, zda je aplikace schopná sestavit studijní plán studenta na základě časových vztahů. Aplikace byla navržena ve stejném uživatelském rozhraní, jako byla aplikace pro vyhotovení didaktického testu, tzn. programovací jazyk PHP, značkovací jazyk HTML5, CSS3. Pro uložení dat byla použita databáze MySQL. Aplikace prozatím nemá veřejnou internetovou adresu, proto není přístupná na internetu.
35
Samotnému programování webové aplikace předcházelo vytvoření zápisu v pseudokódu, jehož algoritmus vyjadřuje generování studijní varianty procesem M3. Adaptive eLearning byla testována pro ověření její funkčnosti. V současné době je připravováno modelování studijní varianty na vybraných studentech. Studenti byli vybráni ze vzorku studentů, kteří studovali předmět XANG3 v ZS2014. Součástí aplikace je načtení výsledků VARK testů a výstupů didaktického testu z expertního systému. Data pro vytvoření modelových personalizovaných studijních plánů jsou již nashromážděna, jelikož byly použity výstupy z expertního systému a dotazníku senzorických preferencí, jež byly vyplněny před vstupem do studia v ZS 2014. V nynějším stádiu vývoje aplikace Adaptive eLearning je možno dosáhnout fáze, kdy jsou načteny kategorie nesplnil a studijní materiály těchto kategorií dle vyhodnocení VARK modalit. V další fázi je třeba porovnat Celkový součet časů (CSČ) všech lekcí, který nesmí přesáhnout Celkovou dobu studia v e-learningu daného předmětu. Pokud je CSČ vyšší, přistoupí se ke generování redukované varianty dle daného algoritmu. Modelové ověření této fáze je plánováno v květnu 2015 a jeho výstupy budou základem pro publikaci v impaktovaném časopise.
6 ZÁVĚR Výstupem předkládané dizertační práce je modifikovaný model adaptivního e-learningového systému pro výuku jazyků. Ucelený model tohoto navrženého adaptivního e-learningového systému obsahuje popis jednotlivých částí systému a procesů, které se v nich vykonávají. Obsahuje metodiku pro sběr, uchovávání a 36
vyhodnocování dat v jednotlivých procesech. Obsahuje vytvořenou bázi znalostí se 135 pravidly, která byla vytvořena pro využití navrhovaným systémem. Obsahuje také metodiku pro navržení dalšího kroku v procesu učení. Přínosem disertační práce je: a) Navržený a ověřený model je schopen identifikovat znalosti studenta na základě využití fuzzy logického expertního systému, který využívá bázi pravidel vytvořených autorem této práce. b) Navržený a ověřený model je schopen identifikovat senzorické preference studenta a tyto informace dále využít v dalších krocích sestavování studijního plánu c) Navržený a ověřený model je schopen navrhnout další krok ve výuce pro daného studenta, a to na základě vstupních informací, ale také na základě průběžných studijních výsledků. d) Navržený a ověřený model je možno využít pro výuku jazyků, a to na základě výstupů z ověřovaného e-learningového kurzu XANG3. e) Navržený a ověřený model je možno nazvat adaptivním, neboť reaguje na různé hodnoty vstupních informací, které následně využije pro sestavení individuálního studijního plánu studenta. Dále tento model je schopen reagovat na studijní výsledky studenta v průběhu studia a upravovat tento studijní plán dle potřeb studenta. V průběhu práce na této dizertační práci autor spolupracoval s experty na informační systémy, kteří poskytli pomoc při vytvoření aplikace pro testování znalosti jazyka, při vytvoření platformy LMS Moodle pro tvorbu e-learningového kurzu XANG3 a při vytvoření 37
aplikace na modelování časových posloupností v modelu beroucím v úvahu časové hledisko studia. Jejich role spočívala v poskytnutí technického zázemí a v případném programování částí navrženého modelu. Autor také spolupracoval s experty v oblasti výuky cizích jazyků, se kterými bylo konzultováno vytváření pravidel pro fuzzy logický expertní systém. Úkolem autora byla i koordinace veškerých činností na tvorbě navrženého systému. Cíle této dizertační práce byly splněny. Uzavřením této dizertační práce ovšem nekončí výzkum a práce na navrženém systému. Ve spolupráci s experty na informační systémy bude tento systém dále vyvíjen, primárně ve směru reálného zakomponování časového hlediska studia do stávajících LMS systémů, zejména LMS Moodle. Dále se autor bude snažit tento systém zobecnit a využít jej nejen pro výuku jazyků, ale umožnit jeho využití pro širokou škálu předmětů, neboť tento systém vykazuje vlastnosti, které ho pro toto předurčují.
7 LITERATURA BOS, E., J. A. van de PLASSCHE. Knowledge-Based, English Verb-Form Tutor. In: Journal of Artificial Intelligence in Education. 1994, č.5 (1), s.107-129 BRANSFORD, J. How People Learn: Brain, Mind, Experience, and School. Expanded EditionWashington D.C.: National Academy Press, Washington D.C., 2003 BRUSILOVSKI, P. Methods and techniques of adaptive hypermedia. In: User Modeling and User Adapted Interaction. Springer.1996, roč. 6., č.2-3, s. 87-129, ISSN 09241868. BRUSILOVSKI, P., E. Millán. User Models for Adaptive Hypermedia and Adaptive Educational Systems. In: The Adaptive Web, LNCS 4321, Springer-Verlag Berlin Heidelberg, 2007, s. 3-53, ISBN 978-3-540-72078-2.
38
CAMBRIDGE University Press. Placement test. [online]. [cit. 2013-8-9] Dostupné z: http://www.cambridge.org/servlet/file/store7/item6039736/version1/EnglishUnli mited_All_Test_WrittenTest.pdf COUNCIL OF EUROPE Common European Framework of Reference for Languages [online]. [cit. 2013-05-15] Dostupné z: http://www.coe.int/t/dg4/linguistic/Cadre1_en.asp CLARK, C.R., R.E. MAYER. E-learning and the science of Instruction,3rd edition. San Franciso: Pfeiffer, 2011.s.7. ISBN 978-0-470-87430-1 COFFIELD, F. et al. Learning styles and pedagogy in post-16 learning. London: Learning and Skills Research Centre. 2004 EDUCAUSE:Course Managment Systems (CMS)[online] Evolving Technologies Committee [cit 2005-04-25]. Dostupné z: http://www.educause.edu/ir/library/pdf/DEC0302.pdf th EL ALAMI, M. et al. New methods for student learning assessment. 4 International conference of education, research and innovation (ICERI). Madrid, 2011. s. 1231-1238, ISBN: 978-84-615-3324-4 EL HMOUDOVÁ, D., E. MILKOVÁ.Computer-based testing in the field of foreign language assessment. In: Efficiency and responsibility in education 2012 : proceedings. Praha : Česká zemědělská univerzita v Praze, 2012, s.10. ISBN: 97880-213-2289-9. FELDER, R. M., L.K. SILVERMAN. Learning and teaching styles in engineering education. Engineering Education, 1988. č.78, , s.674-681. FELDER, R., B.A. SOLOMAN. Index of learning styles [online]. [cit. 2012-11-12] dostupné z: , FUM, D., O. GIANGRANDI a C.TASSO. The Use of Explanation-Based Learning for Modeling Student Behavior in Foreign Language Tutoring. Intelligent Tutoring Systems for Foreign Language Learning. Berlin : Verlag, 1992. č.80, , s.151-170. ISBN: 978-3-642-77204-7 GRAF, S., KISHNUK Analysing the Behaviour of Students in Learning Management Systems with Respect to Learning Styles. Advances in Semantic Media Adaptation and Personalization, Berlin: Springer, 2008.č.93., s.53-57.ISBN: 978-3-540-76359-8 HABIBALLA, H. et al. Using software package LFLC 2000. In:2nd International Conference Aplimat 2003, Bratislava, 2003,s. 355-358. HINTZE, J. NCSS 8. NCSS, LLC. 2012, Kaysville, Utah, USA. Dostupné z: www.ncss.com HOLMES, B. E-learning Concepts and Practice, London : Sage Publications, 2006, ISBN 978-1412911115
39
CHALHOUB-DEVILLE, M., 2001. ‘Language testing and technology: past and future’, Language Learning and Technology, ročník 5, č. 2, s. 95-98. JUŘIČKOVÁ, R.: Optimizing the teaching of a foreign language in regards to student learning styles and e-learning. 9th International Conference on Efficiency and Responsibility in Education. 2012, s. 203-2012 KAKOTY, S. et al. Fuzzy expert logic to evaluate learner’s expertise level in elearning environment. In: 2012 IEEE International conference on advanced communication control and computing technologies, Ramanathapuram, 2012, s.148-152, ISBN: 978-1-4673-2046-7 KLIMEŠ, C. Model of adaptation under indeterminacy. Kybernetika, 2011. č.47, vol.3, s. 355-368 KOLB, D.. Experimental Learning: Experience as the source of learning and development. Englewood Cliffs, NJ: Prentice Hall, 1984. ISBN 0-13-295261-0 KOPECKÝ, K. Základy e-learningu, Olomouc: Univerzita Palackého v Olomouci, 2005 KOSTOLÁNYOVÁ, K. Teorie adaptivního e-learningu, Ostrava: Ostravská univerzita v Ostravě, 2012, ISBN: 978-80-7464-014-8 KOUCUN, J. Negativa vstupu ICT do vzdělávání [ online]. [2014-1-7]. Dostupné z: http://it.pedf.cuni.cz/strstud/edutech/2010_Kocun/ LEITE, W.L. et al. Attempted validation of the scores of the VARK: Learning styles inventory with multitrait-multimethod confirmatory factor analysis models. pp.2, Sage publications, 2009 MILLS, D. W. Applying What We Know: Student Learning Styles. [online]. [cit.20134-25] Dostupné z: MINSKY,M. Computation. Finite and Infinite Machines, Engelwood Cliffs : Prentice-Hall, 1967, 317s. MUMFORD, A., P. HONEY. The learning styles questionnaire, 80-item version. Maidenhead, UK: Peter Honey Publications. 2006. ISBN: 978-1-902899-29-9 MURPHY, M., M. McTEAR. Learner Modelling for Intelligent CALL. In:Proceedings of the Sixth International Conference on User Modeling, Vienna: Springer, 1997, s.301-312. NOVÁK, V. Základy fuzzy modelování. Praha: BEN, 2000.166 s. ISBN 80-7300-009-1 OAKES, K. E-learning: LCMS, LMS- They're not just acronyms but powerful systems for learning. Training & Development, 2002. č.56(3), s.73-75. POKORNÝ, M. Expertní systémy. Ostrava : 2012. Ostravská univerzita v Ostravě, 190s.
40
POULOVÁ, P., M. ČERNÁ a H. ŠRÁMKOVÁ. On-Line Courses For School Management. In: Information and Communication Technology in Education 2005. Ostrava: Ostravská univerzita, 2005. s. 269-272. ISBN 80-7368-081-5 PRŮCHA, J., E. WALTEROVÁ a J. MAREŠ. Pedagogický slovník. 6. vyd. Praha: Portál, 2009. s. 66. ISBN: 978-80-7367-647-6. RUDAK, L. et al. Susceptibility to e-teaching. In: Conference proceedings: ICT for Competitiveness 2012, Karviná : Slezská univerzita v Opavě, 2012. s. 10-16. ISBN 978-80-7248-731-8 SAMSON, D. et al.An Architecture for Web-based e-Learning Promoting Re-usable Adaptive Educational e-Content, Educational Technology & Society. č.1/2002, s.5 SZABO, M., K. FLESHER. CMI Theory and Practice: Historical Roots of LearningManagment Systems. In: the E-Learn 2002 World Conference onELearning in Corporate, Government, Healthcare, & Higher Education, Montreal, 2002. s.929-936. ISBN 1-880094-46-0 ŠIMONOVÁ, I. Styl učení a výuky : Harmonie nebo střet ?, Media4u Magazine. č.1/2008, s. 3-8, ISSN: 1214-9187 ŠVEC, V. et al. Výukové metody. Brno: Paido, 2003. 219 s. ISBN 80-7315-039-5 VARK metodika [online]. [cit.2013-5-5] Dostupné z: http://vark-learn.com/home/ VERDU, E. et al. A genetic: fuzzy expert system for automatic question classification in a competitive learning environment. Expert systems with applications. Oxford: Pergamon-Elsevier Science Ltd. 2012. ISSN: 0957-4174 VIRVOU, M. Web Passive Voice Tutor: an intelligent computer assisted language learning system over the WWW. In: IEEE International conference on advanced learning technologies, Madison, WI.2001, s.131-134. ISBN: 0-7695-1013-2 WALEK, B., et al. Creating component model of information system under th uncertainty. In:18 International Conference on Soft Computing Mendel 2012, Brno, 2012. s. 221-226. WATSON, W. R., S. LEE a C.M. REIGELUTH. Learning Management Systems: An overview and roadmap of the systemic application of computers to education. Advances in computer-supported learning. London: Information Science Publishing, 2007. s. 66-96. ISBN: 978-1-59904-355-5 WAGNER, J. Nebojme se eLearningu, In: Česká škola [online], [cit. 2013-11-29] Dostupné z: http://www.ceskaskola.cz/2004/06/jan-wagner-nebojme-se-elearningu.html WENGER, E. Artificial Intelligence and Tutoring Systems, Los Altos, CA: MorganKaufmann Publ., 1978 ZOUNEK, J. E-learning – jedna z podob učení v moderní společnosti. Brno: Masarykova univerzita, 2009. s. 37-38. ISBN: 978-80-210-5123-2
41
8 PUBLIKAČNÍ ČINNOST BRADÁČ, V. Language learning, LMS, its limitations – a critical approach.13th International scientific conference of PhD students, young scientists and pedagogues proceedings. Nitra : 2012, s. 410-413, ISBN: 978-80-558-0120-9 BRADÁČ, V. Adaptive model to support decision-making in language elearning. International conference on education and new learning technologies - proceedings, 5th ed., Barcelona : 2013, pp. 4036 – 4045, ISBN: 978-84-616-3822-2 BRADÁČ, V. Adaptive e-learning system for language learning.14th International scientific conference of PhD students, young scientists and pedagogues proceedings. Nitra : 2013, s 473-479, ISBN:978-80-558-0390-6 BRADÁČ, V., KLIMEŠ, C. Language e-learning based on adaptive decisionmaking system. 12th European conference on e-learning ECEL 2013. Sophia Antipolis : 2013, s.48-58, ISBN: 978-1-909507-84-5 (60%/40%) BRADÁČ, V., WALEK, B. Expert system for evaluating tests in elearning system. Global Journal on Advances in Pure & Applied Sciences, 2014 (60%/40%) BRADÁČ, V. Enhacing assessment of students' knowledge using fuzzy logic in e-learning. 10th International Scientific Conference on Distance Learning in Applied Informatics. Wolters Kluwer, 2014.s.251-262. ISBN 978-80-7478-497-2 BRADÁČ, V., WALEK, B., KLIMEŠ, C., FARANA, R. A new way how to assess student's knowledge of the English language in e-learning. ICERI2014 Proceedings. Sevila: IATED Academy, 2014. s. 1708-1717. ISBN 978-84-6172484-0 (40%/20%/20%/20%)
Publikace v recenzním řízení: BRADÁČ, V., SMOLKA, P., KLIMEŠ, C. Personalization of foreign language education in the LMS Moodle environment, eLEOT2015, Novedrate : Itálie, 16.-.18.9.2015 (40%/30%/30%) BRADÁČ, V., KLIMEŠ, C. A comprehensive model leading to truly personalised e-learning, ECEL2015, Hatfield : UK, 29.-30.10. 2015 (60%/40%)
42
9 PROFESNÍ CURRICULUM VITAE Vzdělání: - 1996-2001, Ostravská univerzita, Filozofická fakulta, obor jazyk anglický-francouzský pro III. stupeň - 1992-1996, Gymnázium s rozšířenou výukou jazyků, Čs. Exilu 491, Ostrava-Poruba Zaměstnání: - od 09/2008 Ostravská univerzita v Ostravě, PřF, KIP - 09/2004-08/2008 Státní jazyková škola v Ostravě - 01-08/2003, Britské centrum Knihovny města Ostravy - 07/2001-12/2002, civilní služba, Knihovna města Ostravy Jiné pracovní zkušenosti (překlady, tlumočení, výuka): - Překlady pro Ostravskou univerzitu v Ostravě: IT4I, IET, IMTO, ECTS, výroční zprávy PřF, aj. - Překlady pro VŠB: Kompetence pracovníků V3B, katedra robotiky, katedra výrobních strojů a konstruování - 06/2005-2008, výuka obchodní angličtiny v Hayes Lemmerz Autokola - 01-08/2003, koordinátor Cambridge Examinations pro Moravskoslezský kraj v rámci Britské rady, Praha - 09/2001-08/2003, spolupráce s Divadlem loutek v Ostravě při překladech z/do angličtiny a francouzštiny - 09/2001, loutkářský festival Spectaculo Interesse, průvodce japonské skupiny, uvádění představení, tlumočení při oficiálním otevření festivalu - překlady a tlumočení ro firmy: CVIV, Muzeum beskyd, KVK a.s., Flamming Film Studio Ostrava, Tom Racing s.r.o., Bepson, aj. - výuka zaměstnanců Celní správy, Kastrálního úřadu ČR, BIS Jazykové zkoušky: - Státní zkouška z jazyka anglického - Státní zkouška z jazyka francouzského - Cambridge Certificate of Proficiency in English (CPE), Grade C - Trinity Colledge London, Grade 8
43
44
