Ostravská univerzita Pedagogická fakulta
Rozvoj informatických kompetencí pomocí umělé inteligence The development of computer competencies using artificial intelligence Autoreferát k disertační práci
Studijní program:
Obor:
2014
Specializace v pedagogice P 7507
Informační a komunikační technologie ve vzdělávání 7507V066
Disertant:
mgr inż. Jacek Grudzień Ostravská univerzita, Pedagogická fakulta katedra informačních a komunikačních technologií Fráni Šrámka 3, 709 00 Ostrava-Mariánské Hory
Školitel:
doc. RNDr. Jana Kapounová, CSc. Ostravská univerzita, Pedagogická fakulta katedra informačních a komunikačních technologií Fráni Šrámka 3, 709 00 Ostrava-Mariánské Hory
Obhajoba disertační práce se uskuteční v pondělí, dne 3. února 2014 ve 14:00 hod. v zasedací místnosti SA 407 Ostravská univerzita, Pedagogická fakulta katedra informačních a komunikačních technologií Fráni Šrámka 3, 709 00 Ostrava-Mariánské Hory Oponenti: prof. RNDr. Alena Lukasová, CSc. prof. Dr. Ing. Miroslav Pokorný Komise pro obhajobu disertační práce: Předseda: prof. PhDr. Martin Bílek, Ph.D., Univerzita Hradec Králové
Členové: doc. RNDr. Jana Kapounová, CSc., Ostravská univerzita doc. Ing. Kateřina Kostolányová, Ph.D., Ostravská univerzita prof. RNDr. Alena Lukasová, CSc., Ostravská univerzita doc. PhDr. Josef Malach, CSc., Ostravská univerzita prof. Dr. Ing. Miroslav Pokorný, Vysoká škola báňská-Technická univerzita Ostrava prof. PaedDr. Eva Poláková, PhD., Univerzita Mateja Bela, Bánská Bystrica doc. RNDr. Jana Šarmanová, CSc., Ostravská univerzita doc. PhDr. Jitka Šimíčková Čížková, CSc., Ostravská univerzita
Autoreferát byl rozeslán dne 3. 1. 2014 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 3. 1. 2014. Bibliografická identifikace Jméno a příjmení autora: mgr inż. Jacek Grudzień Název disertační práce: Rozvoj informatických kompetencí pomocí umělé inteligence Název disertační práce anglicky: The development of computer competencies using artificial intelligence Školitel: doc. RNDr. Jana Kapounová, CSc. Školitel specialista: dr hab. Eugenia Smyrnova-Trybulska, prof UŚ. Rok obhajoby: 2014
Abstrakt Disertační práce Rozvoj informatických kompetencí pomocí umělé inteligence se zabývá možnostmi zlepšení vzdělávacího procesu pomocí umělé inteligence. Teoretická část obsahuje popis rozvoje poznávacích metod, výzkumu jednosměrných neuronových sítí typu perceptron a systému pomáhajících výuce. Formuluje předpoklady, očekávané výsledky, koncepty, cíle, hypotézy a výzkumné metody v doktorské práci. V praktické části popisuji kompletní výukový systém vycházející z autorského modulu GLM (Grudzień Learning Module). Na tomto modulu, který obsahuje části umělé inteligence, byl proveden hlavní experiment, spočívající ve srovnávání efektů konvenční výuky a autorem inovované individuální výuky dle navržené metodiky. V další části popisuji průběh pedagogického experimentu, diskusi nad dosaženými výsledky a závěry a připomínky. Zároveň se zmiňuji o tom, co je vědeckým přínosem získaných výsledků experimentu, o možnostech rozšíření systému a vedení dalších prací. Klíčová slova odborné kompetence, informatické kompetence, neuronové sítě, eLearningový projekt, expertní systém, umělá inteligence
Abstract Thesis The development of computer competencies using artificial intelligence informs about possibilities how to improve educational process with the help of artificial intelligence. Theoretical part provides an overview of the development of cognitive research on feed-forward neural networks (perceptrons) and teaching support systems. It expresses the preconditions, expected results, concepts, objectives, hypotheses and research methods of the thesis. The practical part describes the construction of a complete teaching system based on the original GLM (Grudzień Learning Module). This module, which contains elements of artificial intelligence, served to achieve the main objective of the experiment and to compare the effects of conventional teaching and individualized instruction based on the proposed methodology. Further part of my thesis describes the course of the experiment, pedagogical discussion of results, conclusions and observations. The benefits of the scientific results of the experiment, expandability of the system and subsequent works are mentioned as well. Key words professional competencies, computer competencies, neural networks, eLearning project, expert systems, artificial intelligence
Abstrakt Praca dysertacyjna Rozwój informatycznych kompetencji za pomocą sztucznej inteligencji informuje o możliwościach usprawnienia procesu nauczania przy użyciu sztucznej inteligencji. Część teoretyczna zawiera opis rozwoju metod poznawczych, badań jednokierunkowych sieci neuronowych typu perceptron oraz systemów wspomagania nauczania. Wyjaśnia założenia, oczekiwane wyniki, koncepcje, cele, hipotezy i metody badawcze pracy doktorskiej. Praktyczna część opisuje konstrukcję kompletnego systemu nauczania opartego na autorskim module GLM (Grudzień’s Learning Module). Przy użyciu tego modułu, zawierającego części sztucznej inteligencji, był prowadzony główny eksperyment, polegający na porównaniu efektów konwencjonalnego oraz indywidualizowanego nauczania według proponowanej metodyki. W kolejnej części opisany jest przebieg eksperymentu pedagogicznego, dyskusja na temat otrzymanych wyników oraz obserwacje i wnioski. Zaznaczono również co jest korzyścią naukową otrzymanych wyników eksperymentu, jakie są możliwości rozszerzenia systemu oraz prowadzenia dalszych prac. Słowa kluczowe kompetencje zawodowe, kompetencje informatyczne, sieci neuronowe, projekt e learningowy, system ekspertowy, sztuczna inteligencja
Obsah 1 1.1 1.2 1.3
Úvod ...................................................................................................... 8 Výzkumný problém ............................................................................... 8 Cíle práce .............................................................................................. 8 Metody práce........................................................................................ 9
2 2.1 2.2 2.3
Současný stav řešené problematiky ..................................................... 9 Rozvoj poznávacích metod ................................................................... 9 Jednosměrné neuronové sítě typu perceptron .................................. 11 Systémy posilování výuky ................................................................... 11
3 Praktická část ...................................................................................... 13 3.1 Stavba a způsob fungování modulu .................................................... 13 3.1.1 Úvodní práce modulu GLM ................................................. 14 3.1.2 Cyklus prácí modulu............................................................ 14 4 4.1 4.2 4.3
Shrnutí výsledků disertační práce ....................................................... 18 Vedení hlavního experimentu............................................................. 18 Metody zpracování a způsob řešení ................................................... 18 Získané výsledky a diskuse hlavního experimentu ............................. 18
5
Závěry výzkumu a doporučení dalšího zaměření práce ...................... 20
6
Seznam literatury použité v disertační práci ...................................... 22
7
Seznam publikací autora disertační práce .......................................... 31
8
Profesní curriculum vitae .................................................................... 33
1 ÚVOD 1.1
Výzkumný problém
Jsem učitelem odborných předmětů a informatiky v Zespole Szkół Ekonomiczno-Gastronomicznych v Cieszynie. Při své každodenní práci se studenty jsem si všiml, že změny zaváděné již několik desítek let v systému výuky v polském školství snížují úrovně znalostí studentů, zejména ty, které jsou spojovány s matematickými a informatickými kompetencemi. Protože mi záleží na tom, aby moji studenti dosáhli v životě úspěchu ve svém oboru, koncentroval jsem se na činnosti, které mohou zlepšit rychlost osvojování si výukového materiálu a zlepšení jejich znalostí. Způsobem pro dosažení tohoto cíle může být aplikace speciálně připravených eLearningových kurzů, jejichž cílem je individualizace výuky. Výukové systémy nalezené v literatuře jsou buď komerčními řešeními, které jsou příliš drahé, aby mohly být zavedeny ve školách, nebo jsou věnovány výuce určitého předmětu. Nenašel jsem systém, který by byl natolik univerzální, aby jej bylo možné adaptovat do předmětů, které vyučuji. V dizertační práci navrhuji vyučování s použitím autorského modulu GLM (Grudzień Learning Module), který používá části umělé inteligence k výběru vhodné trajektorie učení pro studenta. Modul je natolik pružný, že jej můžeme přizpůsobit pro výuku každého předmětu. Společně s modulem připravuji kompletní systém vedení výuky Zařízení počítačové techniky pro obor technik informatik.
1.2
Cíle práce
Cílem výzkumu byl vývoj a otestování nového autorského modulu, který využívá neuronové sítě a expertní systém pro individuální výuku studentů (Grudzień, 2010a; Grudzień, 2010b; Grudzień & Burda 2011; Greděn' & Smirnova-Tribul'skaja, 2012). Druhým cílem bylo vypracování vědecky odůvodněného systému eLearningové výuky odborného předmětu Zařízení počítačové techniky v oboru technik informatik s využitím technik umělé inteligence. Tento systém je v souladu s programem výuky 312[01]/T/SP MENiS/2004.06.14 a s rámcovým programem výuky počítačového technika vyhlášeným polským Ministerstvem školství.
Očekávaným výsledkem prací je zdokonalení výukového procesu získáním lepších výsledků v odborném předmětu Zařízení počítačové techniky. Předpoklám, že v závěrečném testu budou mít studenti, učící se s využitím navrženého systému, lepší výsledky, než t, kteří nevyužívají tento systém.
1.3
Metody práce
Metody výzkumu zahrnovaly tyto prvky: 1. analýza vědecko-metodické a psychologicko-pedagogické literatury spojené s eLearningovou výukou; 2. analýza školních vzdělávacích programů odborných předmětů pro obor technik informatik; 3. analýza a testování eLearningové výuky ve vybraných kurzech; 4. analýza prací žáků, analýza dotazníků, postřehů a připomínek; 5. komplexní diagnostika a kontrola přírůstku znalostí žáků pomocí matematicko-statistických metod; 6. provedení pedagogického experimentu a prezentace výsledků pomocí matematicko-statistických metod.
2 SOUČASNÝ STAV ŘEŠENÉ PROBLEMATIKY 2.1
Rozvoj poznávacích metod
Základem metodologického výzkumu jsou následující teorie: pedagogická z oblasti rozvojové edukace Davydova a Elkonina, tvoření mentálních rámců Galperina, odlišení zóny aktuálního rozvoje a zóny nejbližšího rozvoje Vygotského a Laurie a zásada jednoty psychiky, vědomí a aktivity Vygotského, Leontiewa a Rubinsteina. Podle výzkumu (Kostjuk, 1988; Ljublinskaja, 1971; Menčinskaja, 1989) může být intelektuální rozvoj vymezený vnějšími a vnitřními faktory. Vnějším faktorem může být počet vyučovacích hodin nebo jejich pravidelnost. Vnitřními faktory nezávislost a flexibilita učení a kvalitativní individuální vlastnosti inteligence. Jiné práce (Kabanova-Meller, 1981; Krutěckij, 1968) zmiňují vliv již nabytých vědomostí na další vzdělávání. Elkonin (1989) a Davydov (1986) prokázali, že intelektuální rozvoj je závislý na prostředí a obsahu výuky. Totéž potvrdil Pellegrino (Pelegrino, Chudowsky & Glaser, 2001), který doporučoval používání takových metod, které ovlivňují zvýšení úrovně znalostí studentů.
Intelektuální aktivita těsně souvisí s určitými vlastnostmi nervové soustavy. Tyto vlastnosti odpovídají za dovednosti učení daného jedince, viz (Jegorova, 1973; Lejtěs, 1971; Lubovskij, 1989). Podle experimentálního výzkumu (Kalmykova, 1979; Menčinskaja, 1989) se vyskytují případy, že nelze vyrovnat všechny rozdíly úrovní znalostí studentů i při použití správného vzdělávacího prostředí. Pro určování obtížností v učení jsou nezbytné dobré diagnostické nástroje. Pro tento účel byly používány množstevní ukazatelé na základě měření počtu provedených úkolů v časové jednotce (Zykova, Marcinovskaja et al. 1980). Jako alternativu Eysenck (Ajzenk, 1992) navrhl měření IQ pro určení rychlostí fungování duševních procesů. Při hledání nejvíce věrohodných ukazatelů intelektuálního rozvoje byly využity nejen množstevní ukazatelé. Výskyt nových mentálních struktur může být zkoumán jako výsledek procesu učení (Fidman, 1977). Z výzkumu Něpomnjaščajove (1983) plyne, že individuální inteligence je proměnlivá, její složky závisí na způsobu výuky. Výuku je třeba provádět optimálním způsobem, to znamená tak, aby byl co nejlépe využit studentův potenciál. To si vyžaduje individualizaci výuky a volbu metod odpovídajících citlivosti studenta na vyučovací metodu (Pen'kov, 1989). Definujeme-li celek veškerých znalostí a dovedností, které může student použít samostatně jako oblast aktuálního rozvoje, a vnitřní vztah mezi výukou a rozvojem jako oblast nejbližšího rozvoje (Vergeles, 1972), můžeme se pokusit o vymezení vyučovací trasy. Tato trasa by měla probíhat tak, aby současně s rozšířením oblasti aktuálního rozvoje se rozšiřoval rozsah úkolů, které může vykonávat student pod dozorem učitele a za spolupráce se schopnějšími kolegy (Davydov, 1986). Moderní přístupy ke vzdělávání vyžadují používání nových technik a efektivních technologii výuky. Na středních školách se objevují nové didaktické a metodické výzvy týkající se informatizace výuky, např. Kapounová & Pavliček (2003) a Smyrnová-Trybulská (2009). Průkopnický výzkum vývoje složek intelektu na základě komplexního využití informatických technik ve výuce matematiky byl proveden na Ukrajině (Smirnova, 1996), a jeho pokračování je jedním z výzkumných cílů této práce.
2.2
Jednosměrné neuronové sítě typu perceptron
Jako zdroj základů modelování a neuronových výpočtů je třeba uznat článek McCulloch & Pitts (1943), ve kterém byl poprvé uveden model umělého neuronu. Práce Minského (1963 a 1967) dovolila přijmout tezi, že prahové sítě konstruované z umělých neuronů mohou být považovány za stroje s určitým počtem stavů, a že tyto sítě jsou schopny vykonávat universální výpočty. Paralelně k prahové logice byly rozvíjeny teorie kontinuálních systémů, využívajících diferenciální rovnice k popisu aktivity v neuronové hmotě. Tyto práce prováděli Buerle (1956) a Wilson & Cowan (1963). Nalézáním vah pro konkrétní výpočetní úkoly se zabýval tým Rosenblatta, který se soustřeďoval na sítě zvané perceptrony. Neurony byly organizovány do vrstev s jednosměrnými spoji. V těchto pracích bylo dokázáno, že algoritmus učení sítě (algoritmus iterační změny vah tak, aby síť vykonávala požadované (výpočetní úkoly) je sbíhavý. Další výzkum byl prováděn na sítích zvaných adaline, objevených Widrowem (1962) a Hoffem (Widrow & Hoff, 1960). Po knize Perceptrons (Minsky & Papert, 1969) nastala stagnace ve výzkumu neuronových sítí. Autoři dokázali, že jednoduché perceptronové sítě nejsou schopné se naučit řešení problémů lineárně neoddělitelných. Tento stav trval do nalezení algoritmu zpětné propagace odhalené nezávisle Werbosem (1974), Wiliamsem (1987) a Parkerem (1985 a 1987) a LeCunem (1985). Modifikace algoritmů učení sítě, které mají za účel zrychlení tohoto procesu, jsou popsány v prácích Hertze, Krogha a Palmera. Široké posouzení různých druhů sítí, včetně sítí se zpětnou vazbou (Hopfielda, Hamminga, Elmana, RTRN, BAM) a samoorganizujících sítí s konkurencí (ART, radiální, probabilistické) prezentují knihy Cichosze (2000), Tadeusiewicze (1993), Rutkowského (2005), Osowského (1996), Mulawký (1996) a Masterse (1996).
2.3
Systémy posilování výuky
První kroky spojené s využitím inteligentních strojů lze připsat Presseymu (1926), který použil instruktážní stroj k testům s výběrem odpovědí.
Úroveň techniky nedovolovala realizaci fungující v souladu s vyučovací teorií. Současně s rozšířením prvních počítačů se začaly objevovat první systémy posilující výuku (Bloom, 1956; Carroll, 1963; Skinner, 1957). Zprvu vycházely z teorie programovaných instrukcí (programmed instructions PI). V systému se určovaly vstupní dovednosti a definovaly výstupní kompetence studenta. Systém vedl studenta jednotlivými problémy vyučovacího programu a testoval jejich znalost. V případě nesprávných odpovědí byla prezentována správná řešení a přistupovalo se k vyučování dalšího obsahu (Bunderson & Olsen, 1983). Jako rozvinutí systémů PI se objevily systémy zvané CAI (computer aided instructions) nebo CBT (computer based training). Systémy CAI vycházejí ze Skinnerovy teorie podnět – reakce. Další etapou rozvoje systémů posilování výuky jsou systémy ICAI (inteligent computer assisted instruction). Další krok v rozvoji systémů posilování vyučování jsou systémy ITS (intelligent tutoring systems). Zahrnují: znalost oboru (model experta), znalost studenta (model studenta) a znalost vyučovacích metod (řízení procesu). Vyžaduje se rovněž, aby tyto systémy dovedly diagnostikovat chyby studenta a předcházet jim (Kyllonen, Christal & Shute, 1989). Jiným typem školicího systému jsou systémy vycházející z uvažování nad případy – case based reasoning CBR (Schank, 1982; Kolodner, 1988). Na rozdíl od systémů modelu ACT, které v některých případech dávají příliš podrobný popis problémů studenta, systémy CBR se spokojí s určitým přiblížením a soustřeďují se na hlavní problémy. Od 80. let dvacátého století se datuje rozvoj simulačních nástrojů různého druhu, obsahujících různé druhy umělé inteligence. Současně s objevením širokopásmového přístupu k internetu se otevřely možnosti práce v prostředích Virtual Reality. Tato prostředí tvoří platformu, ve které, kromě možné implementace všech výše zmíněných vyučovacích metod, lze snadno zavádět společenský prvek výuky – spolupráce a výměny zkušeností mezi účastníky kurzů. Hlavní témata nejnovějších výzkumů se soustřeďují kolem následujících otázek: • systémy vycházející z využití sítě (Israel & Aiken, 2007; Conejo, 2004);
• • • •
•
systémy soustřeďující se na interakci mezi uživateli (Rosatelli & Self, 2004; Walker et al., 2004); systémy používající nové modely studenta, např. Bayesovský model (Vu Minh et al., 2010; Chao-Lin, 2008); modelování výuky (Aleven et al., 2009); open learner model (Bull, & Kay, 2007) a špatně definované domény (Lynch et al., 2009).
3 PRAKTICKÁ ČÁST 3.1
Stavba a způsob fungování modulu
Systém výuky podle v této práci navrženého algoritmu funguje v krocích: 1. příprava všech výukových objektů v souladu s normami a požadavky rámcového vzdělávacího programu; 2. vstupní nastavení systému; 3. shromažďování psychologických údajů o studentovi, v tomto případě vykonání testu složek intelektu; 4. zpřístupnění kurzu studentům (vedení výuky s podporou); 5. stažení údajů o každém studentovi (výsledky testů, dotazníků, atd.); 6. inteligentní zlepšení fungování systému na základě dat z předešlých fází; 7. návrat ke kroku 3. Algoritmus práce je nekonečným cyklem, což znamená neustálé zlepšování systému na základě údajů od dalších studentů. Navrhovaný systém vedení výuky je shodný s modelem Inteligent Tutoring System, který se skládá ze 4 částí: studentského modelu, expertního modulu, tutoriálového modulu a grafického uživatelského rozhraní. V navrhovaném řešení obsahuje autorský modul vedení výuky GLM tutoriálovy modul a část grafického uživatelského rozhraní. Modul vedení výuky GLM se skládá ze dvou částí: Web GLM, který zobrazuje navrhované trajektorie učení pro studenta a GLM.exe který učí neuronové sítě a generuje kód PHP pro webové částí GLM. Expertní modul obsahující výukové objekty, testy, ankety a zbývající část grafického uživatelského rozhraní, je podporovány LMS Moodle. Model student, zahrnuje údaje z testu složek intelektu.
3.1.1 Úvodní práce modulu GLM Před zahájením výuky uživatelů správce systému vedení výuky tvoří v modulu GLM.exe uspořádanou množinu neuronových sítí. Tyto sítě jsou jednosměrnými sítěmi založenými na perceptronech se sigmoidou jako aktivační funkcí. Počet neuronových sítí je shodný s počtem výukových objektů obsažených v části vypracovávaného kurzu. Sítě jsou číslované od 0 do n. V každé neuronové síti je obsaženo tolik neuronů, kolik je sítí (a výukových objektů). Každý neuron obdrží své číslo, které odpovídá číslu výukového objektu (a číslu s ním spojené neuronové sítě). Váhy všech sítí jsou nastaveny takovým způsobem, že pří libovolných vstupních údajích nejvíce stimulovaným neuronem je neuron o čísle o jedno větší než číslo současné sítě. (Tato nastavení mají zajistit vedení uživatele všemi výukovými objekty). Postupně pomocí vytvořených dat a modulu GLM.exe se automaticky tvoří část Web GLM obsahující ve svém kódu kopie dříve vytvořených sítí. Web GLM je umístěn na serveru podporujícím systém vedení výuky. Toto řešení bylo přijato z technických důvodů. Přípravné práce jsou dokončeny.
3.1.2 Cyklus prácí modulu Následně se přistupuje si k další etapě prácí, která je již součástí cyklu. Pro správné spuštění modulu GLM jsou potřebné výsledky Amthaueroveho testů složek intelektu (IST). Po provedení psychologických testů, prováděných autorizovaným a vyškoleným psychologem, student obdrží kód. Kód se skládá z devíti písmen latinské abecedy, což odpovídá výsledkům Amthaueroveho testu IST. Za povšimnutí stojí dvě části algoritmu – část I určená pro studenta k vedení výuky a sběru dat, a část II, kde dochází k inteligentnímu, automatickému zdokonalení práce modulu GLM. Zlepšení práce modulu GLM spočívá ve zlepšení jeho schopností vytváření individuální trajektorie učení pro konkrétního studenta. V každé části jsou viditelné cykly – tyto mají důležitou funkci při sběru údajů pro trénovací soubor a výuce neuronových sítí v modulu GLM. Po spuštění systému uživatel ve formuláři uvádí kódované výsledky testů IST. Kód je odeslán modulu Web GLM, který kontroluje jeho správnost a
dekóduje. Dekódované údaje Web GLM směřují ke vstupu první neuronové sítě (s číslem 0), spojené s prvním výukovým objektem (také s číslem 0). Spuštění sítě je zaznamenáno Web GLM. Uživateli se zobrazí odkaz na výukový objekt spojený se sítí. Neurony vytvářejí odpovědi na vstupu sítě. Web GLM hledá neuron s největší stimulací a přečte jeho identifikátor. Je-li tento identifikátor nula, Web GLM dokončí tvorbu výsledkové stránky pro uživatele. V opačném případě je spuštěna další síť s číslem shodným s identifikátorem neuronu (v tomto případě 1). Spuštění další sítě způsobí zobrazení dalšího odkazu na výukový objekt a tak dále. Tento cyklus se opakuje. Je generována trajektorie učení obsahující odkazy na výukové objekty uživatele. Uživatel, kromě informací o navrhované trajektorie učení, má přístup ke všem výukovým objektům. Modul GLM dává studentovi návrh na výběr aktuální optimální trajektorie učení. Po prostudování výukovych objektů (podle návrhu modulu GLM nebo nikoliv), uživatel přistupuje k testům. Pokud test proběhl neúspěšně, vrací se uživatel zpět ke studiu materiálů. Tento cyklus se opakuje, dokud se nedosáhne úrovně správných odpovědí stanovených správcem systému. Po úspěšném absolvování testu (nebo zkoušky) je student požádán, aby určil, jaké výukové objekty a v jakém pořadí by měly být na trajektorií učení, a které jsou zbytečné. Na základě dotazníku uživatele je vytvořen záznam výukového souboru neuronové sítě, o kterém budeme dále hovořit jako o trajektorií učení. Trajektorie učení obsahuje údaje testů složek intelektu uživatele a navrhovanou výukovou cestu. Trajektorie učení jsou zapisovány do trénovacího souboru modulu GLM.exe. Po shromáždění jejich dostatečného množství (toto subjektivně hodnotí správce systému vedení výuky) začíná proces modifikace trajektorií učení učením neuronových sítí. Pro každou etapu výuky je každá trajektorie učení transformována do výukového záznamu vybraných neuronových sítí. Záznam, který učí síť, zahrnuje vstupní data a očekávaná výstupní data z vybrané sítě. Vybranými sítěmi jsou neuronové sítě spojené s výukovými objekty s čísly uvedenými v trajektorií učení.
Vstupními daty pro každý záznam učící každou sít (záznam trénovacího souboru) jsou výsledky testů složek intelektu. Předpokládaná data výstupu pro konkrétní sítě obsahují: hodnotu jedna pro neuron s číslem totožným s číslem dalšího objektu učení nacházejícího se v záznamu trajektorií učení a hodnotu nula pro zbývající neurony. Po přípravě a načtení trénovacích souborů začíná učení neuronových sítí, které se koná pod dozorem (učení s učitelem). Vyučovací proces pokračuje, dokud neuronové sítě nedosáhnou chyb odpovědí menších, než nastavených v parametrech učení, nebo až do překročení maximálního počtů etap učení, nastavených správcem systému. Nejdůležitějším prvkem modulu GLM je část spojená s modifikací neuronových sítí. V této oblasti následuje změna vah způsobená výukou sítí. Modul GLM se učí na základě dat odvozených z testů složek intelektu a dotazníků vyplněných studentem. Výsledkem této výuky je schopnost modulu GLM k vytváření lepších trajektorií učení pro studenty. Po dokončení učení všech sítí pro různá vstupní data mohou maximální stimulaci podléhat různé neurony, kdy tyto nemusí mít číslo dalšího výukového objektu. Pro nové uživatele se trajektorie učení stává závislá na vstupních datech, tj. na výsledcích testů složek intelektu. Probuzení jiných neuronů způsobuje změny v posloupnosti vyvolávaných neuronových sítí a v důsledku toho změn trajektorií učení. Vyškolené neuronové sítě jsou uchovávány pro případné další vzdělávání. To znamená, že výsledkem učení neuronových sítí (jinými slovy změny vah) je upravena trajektorie učení pro další studenty s podobnými parametry testů složek intelektu. Dalším krokem je vytvoření upravené verze Web GLM obsahující neuronové sítě s aktualizovanými váhami a její umístění na pracovním serveru. To je konec cyklu. Algoritmus fungovaní celého systému se vrací na místo sběru uživatelských dat. Další student, zadávající stejná nebo podobná data uživatele (IST), obdrží generovanou a modifikovanou trajektorie učení. Tato trajektorie učení je již lépe přizpůsobena potřebám a možnostem studenta.
Stejně jako v předchozím případě má student přístup ke všem výukovým objektům, ale jeho modulem GLM navržená trajektorie učení je již přiblížením k optimální trajektorii. Srovnáme-li trajektorie učení generované neuronovými sítěmi na začátku procesu učení modulu a v jeho průběhu, snadno vysledujeme rozdíly. Po každém novém studentovi přistupujícím k výuce modul zlepšuje své schopnosti vytváření trajektorií učení.
Obrázek. Detailní algoritmus fungovaní celého systému vedení výuky pro jednotlivého studenta
4 SHRNUTÍ VÝSLEDKŮ DISERTAČNÍ PRÁCE 4.1
Hlavní experiment
Výzkumný vzorek se skládal ze 116 žáků a byl rozdělen do dvou skupin – experimentální (56 žáků) a kontrolní (60 žáků). Výuka informatiky v experimentální skupině byla prováděna prostřednictvím eLearningového kurzu, který byl připraven na základě vypracované experimentální metodiky vyučování. V kontrolní skupině se výuka konála na základě konvenční (tradiční) metodiky vyučování. Předmětem zkoumání byla znalost otázek z číselných soustav částí předmětu Zařízení počítačové techniky (ZPT): teoretické otázky, logická hradla, kombinační obvody, multiplexery a demultiplexery, asynchronní sekvenční obvody, synchronní sekvenční obvody a generátory a zvláštní dohody. Testy obsahovaly otázky různého typu: mnohočetné odpovědi, jednočetné odpovědi, krátké odpovědi a výpočtové. Pro obě skupiny byly provedeny následující pretesty před zahájením experimentu: Amthauerův test zkoumající složky intelektu (Klevcov & Klevcova, 2009) a test určující úroveň odborných kompetencí žáků před zahájením výuky. Okamžitě po ukončení experimentu byl proveden test určující úroveň odborných kompetencí žáků a týkající se vědomostí z oblasti zahrnutých v kurzu. Výsledky dosažené v test byly zpracovány pomocí statistického software.
4.2
Metody zpracování a způsob řešení
V průběhu výzkumu byla ověřena hypotéza, že při použití navrhovaného eLearningového systému výuky odborných předmětů se zvýší odborné kompetence studujících ve srovnání se studenty, kteří pracují konvenčními metodami výuky. Stanovili jsme nulovou hypotézu: neexistuje rozdíl mezi studenty, kteří pracují s navrženým eLearningovým systémem výuky, ve srovnání se studenty, kteří pracují konvenčními metodami výuky.
4.3
Získané výsledky a diskuse hlavního experimentu
Výsledky pretestů obou skupin – kontrolní i experimentální – se nachází u většiny kompetenčních testů v intervalu 0 % až 20 %. Výsledky testů Kolgomorova-Smirnova a Wilcoxona nedovolují zamítnout nulovou hypotézu. Také míry centrální tendence jsou podobné. Ze statistického pohledu tedy nejsou premisy pro tvrzení, že obě skupiny tvoří odlišné
populace. Toto tvrzení je správné, když analyzujeme jak jednotlivé testy, tak i celkový výsledek pretestu obou skupin. Úplně jinak vypadají výsledky testů provedených v průběhu experimentu. Když vezmeme v úvahu výsledky v celém kurzu, všimneme si významných rozdílů v jejich rozděleních. I když jsou u obou skupin unimodální, výsledky kontrolní skupiny jsou záporně šikmé a výsledky experimentální skupiny kladně šikmé. Rozdělení experimentální skupiny je více ploché v porovnání s rozdělením kontrolní skupiny. Extrémně nízké hodnoty p testů Kolgomorova-Smirnova a Wilcoxona potvrzují pozorování na základě histogramů. Na základě statistických práv, vypočtených hodnot p a přijaté hladiny významnosti α (α=0,05) byla nulová hypotéza zamítnuta a přijata alternativní hypotéza o různosti rozdělení. Hodnoty mír centrální tendence jednoznačně ukazují na lepší výsledky žáků, kteří se učili navrhovanou metodikou s využitím modulu GLM. Přijatá vědecká hypotéza o zlepšení kvality výuky nachází potvrzení ve výsledcích výzkumu.
Obrázek 1. Výsledky testů celého kurzu – histogramy a krabicové grafy
Statistická metoda Aritmetický průměr Medián Směrodatná odchylka Dvoustranné kritérium KolmogorůvSmirnovův test Dvoustranné kritérium Wilocoxonův test
Kontrolní Experimentální skupina skupina 23.09148 47.53988 25.25556 49.76111 13.09132 21.28182 D = 0.6643, p-value = 1.581e-11 W = 538, p-value = 2.831e-10
5 ZÁVĚRY VÝZKUMU A DOPORUČENÍ DALŠÍHO ZAMĚŘENÍ PRÁCE Trajektorie učení vytvářené modulem se postupně zlepšují vlivem učení neuronových sítí, které jsou integrální součástí modulu. Ná základě experimentu můžeme přijmout následující závěry: •
•
na základě statistických výsledků, přijaté hladiny významnosti α=0,05 a výsledků testů Kolgomorova-Smirnova a Wilcoxona bylo potvrzeno, že použití modulu GLM má vliv na tvar rozdělení výsledků kompetenčních testů účastníků kurzu předmětu Zařízení počítačové techniky; na základě analýzy vlastností mír centrální tendence kompetenčních testů bylo potvrzeno, že použití modulu GLM zvyšuje úroveň kompetencí u studentů tohoto kurzu.
Pozorování a závěry získané v průběhu provádění pedagogického experimentu v rámci této práce přinesly řadu otázek, které se mohou stát tématem dalších výzkumů. Mezi oblasti dalších možných teoretických výzkumů patří: • • • •
ověření trvalosti znalostí ve skupinách vyučovaných konvenční metodou a s optimalizací trajektorie učení, provedení podobného výzkumu pro jiné předměty – přírodní nebo humanistické vědy; tvoření trajektorií učení na základě jiných tréninkových souborů, např. místo psychologického testu IST použít dotazníky MMPI-WISKAD; práce spojené s přesným stanovením, jakým způsobem ovlivňují trajektorie učení lidské poznávací sféry;
• • •
• •
předvídání výsledků odborných kompetenčních testů na základě psychologických testů; extrakce logických pravidel ze sítí, např. kvůli zjištění, jaké výukové objekty jsou charakteristické pro toho kterého studenta; ověření, zda rozdělení výsledků učení studentů je Poissonovým rozdělením, což by naznačovalo řídký výskyt jevu samostatné výuky studenta; ověření, zda se při motivování studentů mění typ statistického rozdělení výsledků kompetenčních testů; provedení neurokognitivního výzkumu vlivu optimální trajektorie učení na práci různých oblastí lidského mozku.
Existuje také mnoho možností praktického zdokonalení fungování systému výuky pomocí modulu GLM, který obsahuje umělé neuronové sítě. Vyjmenovat je třeba: •
automatický soubor dat, zvláště týkajících se trajektorie učení studenta.
Trajektorie učení vytvářené modulem se postupně zlepšují vlivem učení neuronových sítí, které jsou integrální součástí modulu: • • • • •
zavedení rozšířeného sledování aktivity uživatele; přizpůsobení celku kurzu mobilním zařízením, zvláště mobilním telefonům; změna druhu funkce aktivace neuronu a způsobu jeho učení kvůli zrychlení fungování procesu učení neuronových sítí; změna druhu neuronových sítí, např. na samoorganizující se; extrakce logických pravidel ze sítí kvůli vytvoření rychle pracujícího expertního systému.
6 SEZNAM LITERATURY POUŽITÉ V DISERTAČNÍ PRÁCI Ajzenk, G. Ju. (1992). Prover'tě svoi intěllektual'nye sposobnosti. Riga: Vijeda. Aleven, V., et al. (2009). A New Paradigm for Intelligent Tutoring Systems: Example-Tracing Tutors . In International Journal of Artificial Intelligence in Education (IJAIED) [online]. 19 (2). IAIED. Dostupné z http://iaied.org/pub/1149/file/Aleven_19_2.pdf [cit. 2011-09-01]. Anderson, J. R. (1983). The architecture of cognition. Cambridge, MA: Harvard University Press. Anderson, J. R. (1987). Skill acquisition: Compilation of weak-method problem solutions. Psychological Review, 94, s. 192–210. Anderson, J. R., Boyle, C., & Yost, G. (1985). The geometry tutor. In Proceedings of IJCAI-85 (s. 1–7). Los Angeles, CA: IJCAI. Andreson, J. R., Boyle, C., & Reiser, B. (1985). Intelligent tutoring systems. Science, 228, s. 456–462. Barr, A., Beard, M., & Atkinson, R. C. (1976). The computer as a tutorial laboratory: The Stanford BIP Project. International Journal of ManMachine Studies, 8, s. 567–596. Beuerle, R. L. (1956). Properties of a Mass of Cells Capable of Regenerating Pulses. Philosophical Transactions of the Royal Society of London, B 240, s. 55–94. Bloom, B. S. (1956). Taxonomy of educational objectives: The classification of educational goals. New York: McKay. Brown, J. S., & Burton, R. R. (1975). Multiple representations of knowledge for tutorial reasoning. In D. G. Bobrow & A. Collins, Representation and understanding (s. 311–349). New York: Academic Press. Brown, J. S., & Burton, R. R. (1978). An investigation of computer coaching for informal learning activities. Technical Report, Defense Advanced Research Projects Agency, Human Resources Lab., Lowry AFB, CO. Brown, J. S., Burton, R. R., & deKleer, J. (1982). Pedagogical natural language, and knowledge engineering techniques in SOPHIE I, II, and III. In
D. Sleeman & J. S. Brown, Intelligent tutoring systems (s. 227–282). New York: Academic Press. Bull, S., & Kay, J. (2007). Student Models that Invite the Learner In: The SMILI:) Open Learner Modelling Framework. In International Journal of Artificial Intelligence in Education (IJAIED) [online]. 17 (2). IAIED. Dostupné z http://iaied.org/pub/1115/file/1115_Kay07.pdf [cit. 2011-09-01]. Bunderson, C. V., & Olsen, J. B. (1983). Mental errors in arithmetic skills: Their diagnosis in precollege students (Final project report, NSF SED 80125000). Provo, UT: WICAT Education Institution. Burton, R. R. (1982). Diagnosing bugs in a simple procedural skill. In D. H. Sleeman, & J. S. Brown, Intelligent tutoring systems (s. 157–183). New York: Academic Press. Burton, R. R., & Brown, J. S. (1976). A tutoring and student modeling paradigm for gaming environments. In R. Colman & P. Lorton, Jr., Computer Science and Education. ACM SIGCSE Bulletin, 8(1), s. 236–246. Carbonell, J. R. (1970). AI in CAI: An artificial intelligence approach to computer-assisted instruction. IEEE Transactions on Man-Machine Systems, 11(4), s. 190–202. Carroll, J. B. (1963). A model of school learning. Teachers College Record. 64, s. 723–733. Cichosz, P. (2000). Systemy uczące się. Warszawa: Wydawnictwa Naukowo-Techniczne. Clancey, W. J. (1979). Tutoring rules for guiding a case method dialogue. International Journal of Man-Machine Studies, 11 (9), s. 25–49. Conejo, R., et al. (2004). SIETTE: A Web-Based Tool for Adaptive Testing. In International Journal of Artificial Intelligence in Education (IJAIED) [online]. 14. : IAIED. Dostupné z http://iaied.org/pub/954/file/954_Conejo04.pdf [cit. 2011-09-01] Crowder, N. A. (1959). Automatic tutoring by means of intrinsic programming. In: Automatic teaching: The state of the art (s. 109–116). New York: Wiley.
Davydov, V. V. (1986). Problemy razvivajuščego obučenija: Opyt těoretičeskogo i eksperimental'nogo psichologičeskogo issledovanija. Moskva: Pedagogika. El'konin, D. B. (1989). Izbrannye psichologičeskije trudy. Pod red. V. V. Davydova. APN SSSR. Moskva: Pedagogika. Fidman, L. F. (1977). Logiko-psichologičeskij analiz škol'nych učebnych zadač. Moskva: Pedagogika. Greděn' Ja. & Smirnova-Tribul'skaja Je. N. (2012). Koncepcija obučenija special'nym predmetam s pomošč'ju komponěntov iskusstvennzch nějronnych setěj i sistěmz distancionnogo obučenija. Novye informacionnye těchnologii v obrazovanii: Matěrialy meždunarodnoj naučno-praktičeskoj konferencii, Jekatěrinburg: Ros. Gos. Prof.-ped. Un-t. Jekatěrinburg. Grudzień, J. & Burda M. (2011). Estimating the optimal number of initial learning paths to GLM module. In Kapounová, J., & Valchař, A. Information and Communication Technology in Education [online]. Dostupné z https://konference.osu.cz/icte/dokumenty/2011/Grudzien.pdf [cit. 2012-09-01]. Grudzień, J. (2010a). The concept of the courses based on the e-learning intelligence mechanisms. In Kapounová, J., & Valchař, A. Information and Communication Technology in Education : Proceedings (s. 83–86.). Rožnov pod Radhoštěm : University of Ostrava. Grudzień, J. (2010b). Lessons with the use of artiffcial intelligence. In Smyrnova-Trybulska, E., Theoretical and Practical Aspects of Distance Learning : Use of E-learning in the Training of Professionals in the Knowledge Society.(s. 5– 9). Cieszyn - Katowice : Studio Noa Ireneusz Olsza. Hartley, J. R., & Sleeman D. H. (1973). Towards more intelligent teaching systems. International Journal of Man-Machine Studies, 2, s. 215–236. Chao-Lin , L. (2008). A Simulation-Based Experience in Learning Structures of Bayesian Networks to Represent How Students Learn Composite Concepts. In International Journal of Artificial Intelligence in Education (IJAIED) [online]. 18 (3). IAIED. Dostupné z http://iaied.org/pub/1124/file/_Liu08.pdf [cit. 2011-09-01].
Israel, J., & Aiken, R. (2007). Supporting Collaborative Learning With An Intelligent Web-Based System. In International Journal of Artificial Intelligence in Education (IJAIED) [online]. 17.: IAIED. Dostupné z http://iaied.org/pub/1109/ [cit. 2011-09-01] Jegorova T.V. (1973). Osobennosti pamjati i myšlenija mladšich škol'nikov, otstajuščich v razvitii. Moskva: Pedagogika. Johnson, W. L. (1986). Intention-based diagnosis of novice programming errors. Research notes in artificial intelligence. Los Altos, CA: Morgan Kaufmann. Johnson, W. L., & Soloway, E. M. (1984). PROUST: Knowledge-based program debugging. In Proceedings of the Seventh International Software Engineering Conference ( s. 369–380). Orlando, Florida. Kabanova-Meller, Je. N. (1981). Učebnaja dějatěl'nost' i razvivajuščeje obučenije. Moskva: Znanije. Kalmykova, Z. I. (1979). Psichologičeskije principy razvivajuščego obučenija. Moskva: Znanije. Kapounová, J., & Pavliček, J. (2003). Počítače ve výuce a učení. Ostrava: Ostravská univerzita. Klevcov A. A., & Klevcova A. A. (2009). Těst struktury intěllekta Amtchauera [online]. Dostupné z http://psylab.info/%D0%A2%D0%B5%D1%81%D1%82_%D1%81%D1%82% D1%80%D1%83%D0%BA%D1%82%D1%83%D1%80%D1%8B_%D0%B8%D0 %BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D0%B 0_%D0%90%D0%BC%D1%82%D1%85%D0%B0%D1%83%D1%8D%D1%80 %D0%B0 [cit. 2009-10-02]. Kolodner, J. L. (Ed.) (1988). Proceedings of the First Case-Based Reasoning Workshop. Los Altos, CA: Morgan Kaufmann Publishers, Inc. Kostjuk, G. S. (1988). Izbrannye psichologičeskije trudy. Moskva: Pedagogika. Krutěckij, V. A. (1968). Psichologija matěmatičeskich sposobnostěj škol'nikov. Moskva. Kurland, L. C., Granville, R. A., & MacLaughlin, D. M. (1992). Design, development, and implementation of an intelligent tutoring system for
training radar mechanics to troubleshoot. In M. J. Farr & J. Psotka (Eds.), Intelligent instruction by computer: Theory and practice (s. 205–238). Washington, D. C.: Taylor and Francis. Kyllonen, P. C., Christal, R. E, & Shute, V. J. (1989). A taxonomy of learning skills. In P. L. Ackerman, R. J. Sternberg R. Glaser, Learning and Individual Differences (s. 117–163). New York: Freeman. Lajoie, S. P., & Derry S. J. (1993). Computers as cognitive tools. Hillsdale, New Jork: Erlbaum. Le Cun, Y. (1985). Une procedure d'apprentissage pour reseau a seuil assymetrique. In A la Frontiere de I'lntelligence Artificielle des Sciences de la Connaissance des Neurosciences. (s. 599–604) Paris: CESTA. Lejtěs N. S.(1971). Umstvennye sposobnosti i vozrast. Moskva: Pedagogika. Ljublinskaja A. A. (1971). Dětskaja psichologija. Učebnoje posobije dlja studěntov pedagogičeskich institutov. Moskva: Prosveščenije, 1971. Lubovskij, V. I. (1989). Psichologičeskije problemy diagnostiki anomal'nogo razvitija dětěj. NII děfektologii APN SSSR. Moskva: Pedagogika. Lynch, C., et al. (2009). Concepts, Structures, and Goals: Redefining IllDefinedness . In International Journal of Artificial Intelligence in Education (IJAIED) [online]. 19 (3). IAIED,. Dostupné z http://iaied.org/pub/1294/file/19_3_01_Lynch_.pdf [cit. 2011-09-05]. Masters, T. (1996). Practical neural network recipes in C++. Polish edition. Warszawa: Wydawnictwa Naukowo-Techniczne. McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. Bulletin of Mathematical Biophysics, 5, s. 115–133. Menčinskaja, N. A. (1989). Problemy učenija i umstvennogo razvitija škol'nika: Izbrannye psichologičeskije trudy APN SSSR. Moskva: Pedagogika. Minsky, M. (1963). Steps toward artificial intelligence. In Feigenbaum, E., & Feldman, J., Computers and Though. (s. 406–450) New York : McGrawHill, Dostupné z
Minsky, M. (1967). Computation: Finite and Infinite Machines. Englewood Cliffs : Prentice Hall. Minsky, M., & Papert S. (1969). Perceptrons. Cambridge: MIT Press. Mulawka, J., (1996). Systemy ekspertowe. Warszawa: WNT. My.ece.ucsb.edu. (2007). Circuit maker [online]. Dostupné z http://my.ece.ucsb.edu/bobsclass/2C/Simulation/circuit_maker.htm [cit. 2011-09-01]. Něpomnjaščaja, N. I. (1983). Psichologičeskij analiz obučenija dětěj 3–7 let. Na matěriale matěmatiki. Moskva: Pedagogika. openwonderland.org. (2008). Open Wonderland home [online]. Dostupné z http://openwonderland.org/ [cit. 2011-09-01] Osowski, S. (1996). Sieci neuronowe w ujęciu algorytmicznym. Wyd. I. Warszawa: Wydawnictwa Naukowo Techniczne. Parker, D. B. (1985). Learning Logic : Technical Report TR-47. Cambridge: Center for Computational Research in Economics and Managemant Science. MIT. Parker, D. B. (1987). Optimal Algorithms for Adaptive Networks. Second Order Backpropagation, Second Order Direct Propagation and Second Order Hebbian Learning: In Caudill, M. Butler, C. IEEE First International Conference on Neural Networks (s. 593 – 600) New York: IEEE. Pelegrino, J., Chudowsky, N. & Glaser, R. (2001). Knowing what student know: the science and design of educational assessment. Washington: National Academy of Sciences. Pen'kov, A. V. (1989). Primeněnije elementov NIT v obučenii: V knige Ispol'zovanije komp'jutěrov v učebnom processe vuza (s.44–50) Kyjev: KGPI. Polsko. (2010). Rozporządzenie Ministra Edukacji Narodowej z dnia 29 lipca 2010 r. w sprawie podstaw programowych kształcenia w zawodach: elektromechanik, górnik eksploatacji otworowej, korektor i stroiciel instrumentów muzycznych, krawiec, mechanik precyzyjny, pszczelarz, technik górnictwa otworowego, technik informatyk, technik rachunkowości i zegarmistrz. In Dziennik Ustaw Nr 154 poz. 1033. 1033, s. 11834–11888. Dostupné
z http://bip.men.gov.pl/images/stories/APsr/elektromechanik.pdf [cit. 2011-09-05]. Rozporządzenie Ministra Edukacji Narodowej z dnia 15 czerwca 2011 r. w sprawie podstaw programowych kształcenia w zawodach: monter sieci i urządzeń telekomunikacyjnych, technik cyfrowych procesów graficznych, technik dźwięku, technik elektronik, technik organizacji produkcji filmowej i telewizyjnej, technik organizacji reklamy, technik realizacji dźwięku, technik teleinformatyk, technik telekomunikacji, technik urządzeń audiowizualnych i technik usług pocztowych i finansowych. (2011). In Dziennik Ustaw Nr 141 poz. 827, 827, s. 9594–9653. Polson, M. C., & Richardson J. J. (1988). Foundations of intelligent tutoring systems. Hillsdale, New Jork: Erlbaum. Pressey, S. (1926). A simple apparatus which gives tests and scores-andteaches. School and Society. 23, s. 373–376. Psotka J., Massey, L. D., & Mutter, S. A. (1988). Intelligent tutoring systems: Lessons learned. Hillsdale, New Jork: Erlbaum. Regian, J. W., & Shute, V. J. (1992). Cognitive approaches to automated instruction. Hillsdale, New Jork: Erlbaum. Reiser, B. J., Ranney, M., Lovett, M. C., & Kimberg, D. Y. (1989). Facilitating students' reasoning with causal explanations and visual representations. In D. Bierman, J. Breuker, & J. Sandberg, Artificial intelligence and education: Synthesis and reflection. (s. 228–235) Springfield, VA: IOS. Rosatelli, M., & Self, J. (2004). A Collaborative Case Study System For Distance Learning In International Journal of Artificial Intelligence in Education (IJAIED) [online]. 14. : IAIED, Dostupné z http://iaied.org/pub/955/file/955_Rosatelli04.pdf [cit. 2011-09-01]. Rutkowski, L. (2005). Metody i techniki sztucznej inteligencji Wyd. I. Warszawa : Wydawnictwo Naukowe PWN S.A. secondlife.com. (2008). Second Life home [online]. Dostupné z http://secondlife.com/ [cit. 2011-09-01] Shortliffe, E. H. (1976). Computer-based medical consultations: MYCIN. Amsterdam, Holland: Elsevier Science Publishers.
Schank, R. C. (1982). Dynamic memory: A theory of learning in computers and people. Cambridge, MA: Cambridge University Press. Skinner B. F. (1957). Verbal Behavior. Englewood Cliffs, New York: Prentice Hall. Sleeman D. (1987) PIXIE: a shell for developing intelligent tutoring systems. In R. Lawler M. Yazdani, AI and education: Learning environments and intelligent tutoring systems (s. 239–265). Norwood, NJ: Ablex Publishing. Sleeman D. H., & Brown J. S. (1982). Intelligent tutoring systems. London: Academic Press. Smirnova, J. N. (1996). Razvitije važnějšich komponěntov intěllekta na osnove kompleksnogo ispol'zovanija NIT pri obučenii matěmatike v staršej škole (disertační práce). Kyjev: Ukrainskij gos. pedagogičeskij un-t im. M. P.Dragomanova. Smyrnova-Trubulska E. (2009). On principles of the Design and Assessment of Distance Courses. In: Distance Learning. Simulation And Communication. Proceedings. (s. 159–165), Brno. Tadeusiewicz, R. (1993). Sieci neuronowe. Wyd. II. Warszawa: Oficyna Wydawnicza RM. Uhr, L. (1969). Teaching machine programs that generate problems as a function of interaction with students. Proceedings of the 24th National Conferences (s. 125–134) Van West, J., & Lane-Cummings, K. (2007). Microsoft Flight Simulator X For Pilots: Real World Training. Indianapolis, Indiana: Wiley. Vergeles, G. I. (1972). Osnovnye linii razvitija analiza i sintěza v uslovijach upravlenija umstvennoj dějatěl'nost'ju učaščichsja. V kn. XXV Gercenovskije čtěnija (s. 28–31) Lvov: Psichologija. Vu Minh , Ch., et al. (2010). Student Modeling in Orthopedic Surgery Training: Exploiting Symbiosis between Temporal Bayesian Networks and Fine-grained Didactic Analysis. In International Journal of Artificial Intelligence in Education (IJAIED) [online]. IAIED, Dostupné z http://iaied.org/pub/1312/file/20_3_03_Chieu.pdf [cit. 2011-09-01].
Walker, A. et al. (2004). Collaborative Information Filtering: a review and an educational application In International Journal of Artificial Intelligence in Education (IJAIED) [online]. 14. : IAIED,. Dostupné z http://iaied.org/pub/935/file/935_Walker04.pdf [cit. 2011-09-01]. Wenger, E. (1987). Artificial Intelligence and Tutoring Systems: Computational and Cognitive Approaches to the Communication of Knowledge. Los Altos: Morgan Kaufman. Werbos, P. (1974). Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences. (Disertační práce). Cambridge: Harvard University. Widrow B., & Hoff M. E. (1960). Adaptive switching circuits. 1960 IRE WESCON Convention Record. 4, s. 96–104. Wiliams, R. J. (1987). A class of gradient-estimating algorithms for reinforcement learning in neural networks: In Caudill, M. Butler, C. IEEE First International Conference on Neural Networks (s. 601–608). New York: IEEE. Wilson, H. R., & Cowan, J. D. (1963). Reliable Computation in the Presence of Noise. Cambridge : MIT Press. www.ni.com. (2010). NI LabVIEW [online]. Dostupné z http://www.ni.com/labview/ [cit. 2011-09-01]. www.softronix.com. (1997). Welcome to MultiMedia Logic [online]. Dostupné z http://www.softronix.com/logic.html [cit. 2011-09-01]. Zykova, T. S., Marcinovskaja, Je. N. i dr. (1980). Uroki predmetnopraktičeskogo obučenija v škole gluchich. Moskva.
7 SEZNAM PUBLIKACÍ AUTORA DISERTAČNÍ PRÁCE Greděn' Ja. & Smirnova-Tribul'skaja Je. N. (2012). Koncepcija obučenija special'nym predmetam s pomošč'ju komponěntov iskusstvennzch nějronnych setěj i sistěm z distancionnogo obučenija. Novye informacionnye těchnologii v obrazovanii: Matěrialy meždunarodnoj naučno-praktičeskoj konferencii, Jekatěrinburg: Ros. Gos. Prof. ped. Un-t. Jekatěrinburg. (70%) Grudzień, J. (2011). Rozvoj informatických kompetencí pomocí umělé inteligence. In Information and Communication Technology in Education. Ph.D. student´s section. Ostrava: Ostravská univerzita. Grudzień, J. & Burda M. (2011). Estimating the optimal number of initial learning paths to GLM module. In Kapounová, J., & Valchař, A. Information and Communication Technology in Education [online]. Dostupné z https://konference.osu.cz/icte/dokumenty/2011/Grudzien.pdf [cit. 2012-09-01]. (70%) Grudzień, J. (2010a). The concept of the courses based on the e-learning intelligence mechanisms. In Kapounová, J., & Valchař, A. Information and Communication Technology in Education (s. 83–86). Rožnov pod Radhoštěm : University of Ostrava. Grudzień, J. (2010b). Lessons with the use of artiffcial intelligence. In Smyrnova-Trybulska, E. Theoretical and Practical Aspects of Distance Learning (s. 5–9). Cieszyn, Katowice: Studio Noa Ireneusz Olsza. Grudzień, J. (2010c). The implementation of the teaching support system in the complex of economic-gastronomic schools for computer science technicians. In Distance Learning in Applied Informatics (s. 201 – 207). Nitra: Constantine the Philosopher University. Grudzień, J. (2010). Rozvoj informatických kompetencí pomocí umělé inteligence. In Konference ICTE Junior. České Budějovice: Jihočeská univerzita. Smyrnowa-Trybulska, E. & Grudzień, J. (2009). E-learning in the Computer Science – Come Computer and Methodology Techniques. The New Educational Review. Vol. 19. No. 3–4, s. 147–161. (30%)
Grudzień, J. (2009). The implementation of professional subjects teaching supporting courses at the Higher School of Information Technology in Katowice. In Smyrnowa-Trybulska, E. Theoretical and Practical Aspects of Distance Learning (s. 160–168). Cieszyn: Uniwersytet Śląski w Katowicach. Grudzień, J., & Żwak, S. (2004). Próba zastosowania oszacowań numerycznych w etnologii na przykładzie analizy wątków folklorystycznych. In MITAS, Andrzej. Informatyka w Edukacji i Kulturze (s. 147– 151). Sosnowiec: UŚ. (50%) Grudzień, J., & Baj, S. (1996). Neural networks at investigation of 1,3diisopropylbenzene oxidation process. Polish Journal of Applied Chemistry. XL, 4, s. 411–418. (50%) Grudzień, J. (1995). Sieć neuronowa. PC Kurier No 17/95 s. 92.
8 PROFESNÍ CURRICULUM VITAE Osobní údaje Příjmení/Jméno: Grudzień Jacek Datum narození: 9. 3. 1969 Bydliště: Kończyce Małe, ul. Staffa 2, 43-410 Zebrzydowice, Polsko E-mail:
[email protected], Telefon: + 48 601 843610 Místo narození: Cieszyn Státní příslušnost: PL Studium 1984–1988 Liceum Ogólnokształcące im. Antoniego Osuchowskiego pl. Słowackiego 2. PL-43-400 Cieszyn maturita 1988–1993 Technologia chemiczna (Chemická technologie) Wydział Chemii (Chemická fakulta) Politechnika Śląska w Gliwicach mgr inż. 1991 – 1995 Studium pedagogiczne (Studium pedagogické) Ośrodek badań i doskonalenia dydaktyki Politechnika Śląska w Gliwicach 1999 – 2001 Informatyka (Počítačové vědy) Wydział Automatyki Informatyki i Elektroniki (Fakulta automatizaci, počítačové vědy a elektroniky) Politechnika Śląska w Gliwicach mgr inż. 2007–2008 Przygotowanie kadry do prowadzenia kształcenia ustawicznego na odległość (Příprava pracovníků pro distanční vzdělávání) Uniwersytet Jagielloński w Krakowie 2009 – doposud Doktorand studia v oboru Informační a komunikační technologie ve vzdělávání Pedagogická fakulta, Ostravská univerzita v Ostravě
Pracovní zkušenosti od 01.2004 Zespół Szkół Ekonomiczno-Gastronomicznych im. Macierzy Ziemi Cieszynskiej Učitel: výuka (Strukturální a obejtové programování, Informační technologie, Chemie) od 02.2011 do 09.2011 Bielska Wyzsza Szkoła im. J. Tyszkiewicza Přednášející (smlouva): výuka (vedení laboratorních hodin z předmětu Kosmetická chemie) od 02.2011 do 09.2011 Wyzsza Szkoła Biznesu w Dabrowie Górniczej Přednášející (smlouva): výuka (vedení laboratorních hodin z předmětu Počítačová grafika) od 10.2005 do 09.2010 Wyzsza Szkoła Technologii Informatycznych w Katowicach Asistent (smlouva): výuka (Teoretické základy informatiky, Základy inženýrství programování a navrhování systémů, Inženýrství programového vybavení) od 10.2003 do 05.2008 Bel sp. z o.o. Hlavní specialista pro obchodní záležitosti: rozvoj trhu auditů software, projektování a programování aplikací pro chemický a hornický průmysl (ovládače MUS) od 10.2002 do 06.2005 Zakład Doskonalenia Zawodowego Učitel (smlouva): výuka (Objektové programování) od 10.2002 do 06.2004 Uniwersytet Slaski, Katedra Edukacji Informatycznej Asistent (smlouva): práce nad využitím umělé inteligence, výuka (Informační technologie) od 07.2001 do 09.2003 Emnet sp. z o.o. Hlavní specialista pro obchodní záležitosti: rozvoj trhu stavebních materiálů od 05.2000 do 07.2001 LAKMA SAT Sp. z o.o Technický specialista (smlouva): zavádění nových výrobků (mozaikové omítky), optimalizace stávajících receptur (silikonové, akrylové a butadienové těsnění)
od 04.1997 do 05.2000 Praxair Polska sp. z o.o. Manažer pro chemický trh: rozvoj trhu (písemné reference), zavádění technologie Praxair do čističek odpadních vod (písemné reference) od 07.1993 do 04.1997 Polifarb Cieszyn S.A. Technický specialista: hodnocení barev lakýrnických výrobků, navrhování barev, tvorba receptur barev a emailu, zaveden autorský systém barvení výrobků obecného použití společně s pomocným software (písemné reference)
