1) Razumevanje izobra\u017eevalnega konteksta<\/h3>\n
Pogosto se je treba pri tem (ve\u010dkrat) vrniti iz drugega koraka nazaj na prvega, saj so mo\u017ene re\u0161itve odvisne tudi od tega, kateri podatki so na voljo2<\/sup>. Poleg tega za oblikovanje AIED orodij veljajo nekateri zakoni, ki dolo\u010dajo omejitve glede uporabe podatkov in vrst algoritmov, ki se lahko uporabljajo.<\/p>\n\n Po dolo\u010ditvi ciljev in dejavnikov vplivanja se osredoto\u010dimo na to, kateri podatki so potrebni, kako bodo pridobljeni in ozna\u010deni, kako bo poskrbljeno za zasebnost in kako se bo merila kakovost podatkov3<\/sup>. Za u\u010dinkovito delovanje tak\u0161nih aplikacij strojnega u\u010denja morajo biti sklopi podatkov dovolj obse\u017eni, raznoliki in dobro ozna\u010deni.<\/p>\n\n\n[caption id=\"attachment_99\" align=\"alignright\" width=\"367\"] Strojno u\u010denje potrebuje podatke, iz katerih se model u\u010di, jih obdeluje in na podlagi katerih generira napovedi. Posamezne funkcije strojnega u\u010denja, kot je npr. prepoznava obrazov in predmetov, \u017ee imajo na voljo veliko zasebnih in javnih podatkovnih zbirk, iz katerih se u\u010dijo.<\/p>\n \u010ce \u0161e niso na voljo v uporabni obliki, je sklope podatkov morda treba dodati ali na novo ozna\u010diti, da ustrezajo potrebam sistema. V skrajnem primeru je potrebno na novo ustvariti in ozna\u010diti sve\u017ee sklope podatkov. Za vir podatkov se lahko uporabijo tudi digitalne sledi, ki jih u\u010denec ustvari med uporabo aplikacije.<\/p>\n V vsakem primeru je treba podatke in zna\u010dilnosti, ki so pomembne za specifi\u010dne okoli\u0161\u010dine, skrbno dolo\u010diti2<\/sup>. Nepomembne ali odve\u010dne zna\u010dilnosti lahko algoritem usmerijio v iskanje napa\u010dnih vzorcev in vplivajo na delovanje sistema2<\/sup>. Stroj zna poiskati vzorce samo v podatkih, ki so mu dani, zato je z izbiro sklopa podatkov posredno opredeljen tudi problem (naloga)4<\/sup>. \u010ce je na voljo veliko podatkov, je treba s pomo\u010djo statisti\u010dnih tehnik izbrati podmno\u017eico, podatke pa preveriti, da se prepre\u010dijo napake in pristranskost.<\/p>\n Primer neustreznih podatkov za u\u010denje je zgodba iz zgodnjega obdobja razvoja ra\u010dunalni\u0161kega vida. Ra\u010dunalni\u0161ki model so u\u010dili razlikovanja med podobami ruskih in ameri\u0161kih tankov. Kasneje je bilo ugotovljeno, da je bila sicer zelo visoka stopnja natan\u010dnosti modela v resnici posledica dejstva, da so bili ruski tanki fotografirani na obla\u010den dan, ameri\u0161ki pa na son\u010den dan4<\/sup>.<\/p>\n Prav zato je treba vselej preveriti kakovost izbranega nabora podatkov, pri \u010demer je treba upo\u0161tevati, zakaj je bil ustvarjen, kaj vsebuje, ter kak\u0161ni so bili postopki zbiranja, \u010di\u0161\u010denja in ozna\u010devanja, distribucije in vzdr\u017eevanja podatkov4<\/sup>.\u00a0Dve klju\u010dni vpra\u0161anji pri tem sta: ali je sklop podatkov primeren za\u00a0predvidene namene<\/em>\u00a0in,\u00a0ali vsebuje skrite nevarnosti, zaradi katerih lahko model postane pristranski ali diskriminatoren<\/em>3<\/sup>?\n Priprava podatkov vklju\u010duje ustvarjanje podatkovnih sklopov z zdru\u017eevanjem podatkov iz razli\u010dnih virov, prilagoditve zaradi nedoslednosti (npr., rezultati testov izra\u017eeni z lestvico od 1 do 10, ali z odstotki) in identifikacijo manjkajo\u010dih ali ekstremnih vrednosti. Temu lahko sledi avtomati\u010dno testiranje, s \u010dimer se preveri kakovost podatkovnega sklopa: preverjanje morebitnih kr\u0161itev zasebnosti in nepredvidenih korelacij ali stereotipov2<\/sup>. Sklop podatkov se lahko v tej fazi razdeli na u\u010dni in testni sklop. Prvi je namenjen u\u010denju modela, druga pa preverjanju njegove u\u010dinkovitosti. Testiranje modela na sklopu podatkov za u\u010denje bi bilo nekaj podobnega, kot da bi dan pred preizkusom znanja u\u010dencem za doma\u010do nalogo razdelili doti\u010dni test: uspe\u0161nost pri testu v tem primeru zagotovo ne bi odra\u017eala njihovega razumevanja2<\/sup>.\n V ve\u010dini primerov za\u010detni modeli odkrijejo te\u017eave v podatkih, kar narekuje vrnitev na drugi in tretji korak2<\/sup>. \u010ce obstaja mo\u010dna korelacija med zna\u010dilnostmi podatkov in izhodno vrednostjo, je zelo verjetno, da bo algoritem strojnega u\u010denja generiral zanesljive napovedi.<\/p>\n Tak\u0161ni algoritmi za obdelavo podatkov uporabljajo napredne statisti\u010dne in ra\u010dunalni\u0161ke tehnike. Programerji morajo prilagajati nastavitve in preizku\u0161ati razli\u010dne algoritme, da dobijo najbolj\u0161e rezultate. Vzemimo za primer aplikacijo, ki zaznava goljufanje. La\u017eno pozitiven rezultat predstavlja situacija, ko je ozna\u010den u\u010denec, ki ni goljufal. La\u017eno negativen rezultat je, \u010de u\u010denec, ki goljufa, ni ozna\u010den. Ustvarjalci sistema lahko nastavijo model tako, da \u010dim bolj zmanj\u0161ajo bodisi la\u017eno pozitivne rezultate, kar pomeni, da bi sistem lahko spregledal nekatere elemente goljufanja, bodisi la\u017eno negativne rezultate, kar pomeni, da bi bili kot goljufanje ozna\u010deni tudi neeksplicitni primeri5<\/sup>. Nastavitev je torej odvisna od tega, kaj \u017eelimo, da sistem naredi.<\/p>\n\n OPOMBA:<\/strong> Opisani koraki in ilustracije so povzeti po modelu CRISP-DM (Slika 3 v: Chapman, Clinton, Kerber idr. 1999)2.<\/sup><\/p>\n\n\n 1 <\/sup>Du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap,<\/em>in Luckin, R., ed. Enhancing Learning and Teaching with Technology, London: UCL Institute of Education Press, pp. 256\u2013285, 2018.<\/p>\n 2<\/sup> Kelleher, J.D, Tierney, B, Data Science<\/em>, London, 2018.<\/p>\n 3 <\/sup>Hutchinson, B., Smart, A., Hanna, A., Denton, E., Greer, C., Kjartansson, O., Barnes, P., Mitchell, M., Towards Accountability for Machine Learning Datasets: Practices from Software Engineering and Infrastructure<\/a><\/em>, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, Association for Computing Machinery, New York, 2021.<\/p>\n 4 <\/sup>Barocas, S.,\u00a0 Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities<\/a>, <\/em>2022.<\/p>\n 5 <\/sup>Schneier, B., Data and Goliath: The Hidden Battles to Capture Your Data and Control Your World, <\/em>W. W. Norton & Company, 2015.<\/p>\n 6 <\/sup>Ethical guidelines on the use of artificial intelligence and data in teaching and learning for educators<\/a><\/em>, European Commission, October 2022.<\/p>","rendered":" Na\u010drtovanje in izvedbo kakr\u0161negakoli sistema, ki bo deloval na osnovi podatkov, lahko razdelimo na \u0161est korakov. Velikokrat se je potrebno vrniti na prej\u0161nji korak in nato spet naprej, v\u010dasih pa je treba tudi celoten postopek ve\u010dkrat ponoviti, da bo sistem deloval pravilno.<\/p>\n Za u\u010dinkovito delovanje tak\u0161nih sistemov v u\u010dilnicah je dobro v vsak korak procesa vklju\u010diti multidisciplinarne ekipe: u\u010ditelje, strokovnjake s podro\u010dja pedagogike in programerje1<\/sup>. \u010clove\u0161ki faktor je tu potreben za prepoznavanje izobra\u017eevalnih potreb, na\u010drtovanje procesa, oblikovanje in pripravo podatkov, izbiro algoritmov, kriti\u010dno interpretacijo rezultatov in na\u010drtovanje uporabe kon\u010dne aplikacije2<\/sup>.<\/p>\n Pogosto se je treba pri tem (ve\u010dkrat) vrniti iz drugega koraka nazaj na prvega, saj so mo\u017ene re\u0161itve odvisne tudi od tega, kateri podatki so na voljo2<\/sup>. Poleg tega za oblikovanje AIED orodij veljajo nekateri zakoni, ki dolo\u010dajo omejitve glede uporabe podatkov in vrst algoritmov, ki se lahko uporabljajo.<\/p>\n Po dolo\u010ditvi ciljev in dejavnikov vplivanja se osredoto\u010dimo na to, kateri podatki so potrebni, kako bodo pridobljeni in ozna\u010deni, kako bo poskrbljeno za zasebnost in kako se bo merila kakovost podatkov3<\/sup>. Za u\u010dinkovito delovanje tak\u0161nih aplikacij strojnega u\u010denja morajo biti sklopi podatkov dovolj obse\u017eni, raznoliki in dobro ozna\u010deni.<\/p>\n Strojno u\u010denje potrebuje podatke, iz katerih se model u\u010di, jih obdeluje in na podlagi katerih generira napovedi. Posamezne funkcije strojnega u\u010denja, kot je npr. prepoznava obrazov in predmetov, \u017ee imajo na voljo veliko zasebnih in javnih podatkovnih zbirk, iz katerih se u\u010dijo.<\/p>\n \u010ce \u0161e niso na voljo v uporabni obliki, je sklope podatkov morda treba dodati ali na novo ozna\u010diti, da ustrezajo potrebam sistema. V skrajnem primeru je potrebno na novo ustvariti in ozna\u010diti sve\u017ee sklope podatkov. Za vir podatkov se lahko uporabijo tudi digitalne sledi, ki jih u\u010denec ustvari med uporabo aplikacije.<\/p>\n V vsakem primeru je treba podatke in zna\u010dilnosti, ki so pomembne za specifi\u010dne okoli\u0161\u010dine, skrbno dolo\u010diti2<\/sup>. Nepomembne ali odve\u010dne zna\u010dilnosti lahko algoritem usmerijio v iskanje napa\u010dnih vzorcev in vplivajo na delovanje sistema2<\/sup>. Stroj zna poiskati vzorce samo v podatkih, ki so mu dani, zato je z izbiro sklopa podatkov posredno opredeljen tudi problem (naloga)4<\/sup>. \u010ce je na voljo veliko podatkov, je treba s pomo\u010djo statisti\u010dnih tehnik izbrati podmno\u017eico, podatke pa preveriti, da se prepre\u010dijo napake in pristranskost.<\/p>\n Primer neustreznih podatkov za u\u010denje je zgodba iz zgodnjega obdobja razvoja ra\u010dunalni\u0161kega vida. Ra\u010dunalni\u0161ki model so u\u010dili razlikovanja med podobami ruskih in ameri\u0161kih tankov. Kasneje je bilo ugotovljeno, da je bila sicer zelo visoka stopnja natan\u010dnosti modela v resnici posledica dejstva, da so bili ruski tanki fotografirani na obla\u010den dan, ameri\u0161ki pa na son\u010den dan4<\/sup>.<\/p>\n Prav zato je treba vselej preveriti kakovost izbranega nabora podatkov, pri \u010demer je treba upo\u0161tevati, zakaj je bil ustvarjen, kaj vsebuje, ter kak\u0161ni so bili postopki zbiranja, \u010di\u0161\u010denja in ozna\u010devanja, distribucije in vzdr\u017eevanja podatkov4<\/sup>.\u00a0Dve klju\u010dni vpra\u0161anji pri tem sta: ali je sklop podatkov primeren za\u00a0predvidene namene<\/em>\u00a0in,\u00a0ali vsebuje skrite nevarnosti, zaradi katerih lahko model postane pristranski ali diskriminatoren<\/em>3<\/sup>? Priprava podatkov vklju\u010duje ustvarjanje podatkovnih sklopov z zdru\u017eevanjem podatkov iz razli\u010dnih virov, prilagoditve zaradi nedoslednosti (npr., rezultati testov izra\u017eeni z lestvico od 1 do 10, ali z odstotki) in identifikacijo manjkajo\u010dih ali ekstremnih vrednosti. Temu lahko sledi avtomati\u010dno testiranje, s \u010dimer se preveri kakovost podatkovnega sklopa: preverjanje morebitnih kr\u0161itev zasebnosti in nepredvidenih korelacij ali stereotipov2<\/sup>. Sklop podatkov se lahko v tej fazi razdeli na u\u010dni in testni sklop. Prvi je namenjen u\u010denju modela, druga pa preverjanju njegove u\u010dinkovitosti. Testiranje modela na sklopu podatkov za u\u010denje bi bilo nekaj podobnega, kot da bi dan pred preizkusom znanja u\u010dencem za doma\u010do nalogo razdelili doti\u010dni test: uspe\u0161nost pri testu v tem primeru zagotovo ne bi odra\u017eala njihovega razumevanja2<\/sup>. V ve\u010dini primerov za\u010detni modeli odkrijejo te\u017eave v podatkih, kar narekuje vrnitev na drugi in tretji korak2<\/sup>. \u010ce obstaja mo\u010dna korelacija med zna\u010dilnostmi podatkov in izhodno vrednostjo, je zelo verjetno, da bo algoritem strojnega u\u010denja generiral zanesljive napovedi.<\/p>\n Tak\u0161ni algoritmi za obdelavo podatkov uporabljajo napredne statisti\u010dne in ra\u010dunalni\u0161ke tehnike. Programerji morajo prilagajati nastavitve in preizku\u0161ati razli\u010dne algoritme, da dobijo najbolj\u0161e rezultate. Vzemimo za primer aplikacijo, ki zaznava goljufanje. La\u017eno pozitiven rezultat predstavlja situacija, ko je ozna\u010den u\u010denec, ki ni goljufal. La\u017eno negativen rezultat je, \u010de u\u010denec, ki goljufa, ni ozna\u010den. Ustvarjalci sistema lahko nastavijo model tako, da \u010dim bolj zmanj\u0161ajo bodisi la\u017eno pozitivne rezultate, kar pomeni, da bi sistem lahko spregledal nekatere elemente goljufanja, bodisi la\u017eno negativne rezultate, kar pomeni, da bi bili kot goljufanje ozna\u010deni tudi neeksplicitni primeri5<\/sup>. Nastavitev je torej odvisna od tega, kaj \u017eelimo, da sistem naredi.<\/p>\n OPOMBA:<\/strong> Opisani koraki in ilustracije so povzeti po modelu CRISP-DM (Slika 3 v: Chapman, Clinton, Kerber idr. 1999)2.<\/sup><\/p>\n 1 <\/sup>Du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., Artificial Intelligence And Big Data Technologies To Close The Achievement Gap,<\/em>in Luckin, R., ed. Enhancing Learning and Teaching with Technology, London: UCL Institute of Education Press, pp. 256\u2013285, 2018.<\/p>\n 2<\/sup> Kelleher, J.D, Tierney, B, Data Science<\/em>, London, 2018.<\/p>\n 3 <\/sup>Hutchinson, B., Smart, A., Hanna, A., Denton, E., Greer, C., Kjartansson, O., Barnes, P., Mitchell, M., Towards Accountability for Machine Learning Datasets: Practices from Software Engineering and Infrastructure<\/a><\/em>, Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, Association for Computing Machinery, New York, 2021.<\/p>\n 4 <\/sup>Barocas, S.,\u00a0 Hardt, M., Narayanan, A., Fairness and machine learning Limitations and Opportunities<\/a>, <\/em>2022.<\/p>\n![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2023\/11\/ch3-page-4-step1-683x1024.png\")
Prvi korak pri oblikovanju izobra\u017eevalnih orodij, podprtih z delovanjem UI (AIED orodja) je razumevanje potreb. Ko enkrat zastavimo cilje, sledi ugotavljanje, kako bi jih bilo mogo\u010de dose\u010di: katere dejavnike naj upo\u0161tevamo in katerih ne? Re\u0161itve na osnovi kakr\u0161negakoli sistema podatkov bolje delujejo s podatki, ki jih je mogo\u010de natan\u010dno izra\u010dunati in standardizirati3<\/sup>. Zato morajo o vsaki odlo\u010ditvi razpravljati: u\u010ditelji, ki bodo orodje uporabljali, strokovnjaki (pedagogi), ki zagotovijo, da so vse odlo\u010ditve utemeljene na uveljavljenih, zanesljivih teorijah, ter programerji, ki razumejo delovanje algoritmov.<\/p>\n2) Razumevanje podatkov<\/h3>\n
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-4-MNIST-e1697986859822-1024x946.png\")
Prilagojeno iz \"File:MnistExamples.png\" by Josef Steppan je licenciran pod CC BY-SA 4.0. \u010ce si \u017eelite ogledati kopijo te licence, obi\u0161\u010dite https:\/\/creativecommons.org\/licenses\/by-sa\/4.0\/?ref=openverse<\/a>[\/caption]\n![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-4-step2.png\")
<\/p>\n\n3) Priprava podatkov<\/h3>\n
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-4-step3.png\")
<\/p>\n\n4) Modeliranje<\/h3>\n
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-4-step4.png\")
V tem koraku se uporabijo algoritmi, ki\u00a0v podatkih prepoznajo vzorce<\/a>\u00a0in generirajo\u00a0modele<\/a>. Obi\u010dajno se preizku\u0161ajo razli\u010dni algoritmi, da se ugotovi, kateri deluje najbolje. Izdelani modeli se lahko nato uporabijo za napovedovanje (predvidevanje) na podlagi novih podatkov.<\/p>\n5) Vrednotenje<\/h3>\n
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-4-step5.png\")
V fazi modeliranja se lahko za razli\u010dne modele nastavi stopnja natan\u010dnosti predvidevanja na sklopu u\u010dnih podatkov. Razli\u010dice modelov se nato preizkusijo na testnem sklopu podatkov in dolo\u010den model se izbere za uporabo. Ta model se ovrednoti tudi glede na to, kako izpolnjuje izobra\u017eevalne potrebe: ali so cilji, dolo\u010deni v prvem koraku, dose\u017eeni? Ali so se pojavile nepredvidene te\u017eave? Je model dovolj kakovosten? Ali bi bilo mogo\u010de kaj izbolj\u0161ati ali narediti druga\u010de? Ali je potrebno preoblikovanje modela? Glavni cilj tega koraka je sprejeti odlo\u010ditev, ali se sistem lahko uporablja v \u0161olah. \u010ce je odgovor ne, je potrebno celoten postopek za\u010deti znova2<\/sup>.<\/p>\n\n6) Uporaba<\/h3>\n
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2024\/01\/ch3-page-4-step6.png\")
Zadnji korak v procesu je ugotoviti, kako uvesti in pri\u010deti z uporabo aplikacije v \u0161olskem sistemu tako, da bo dose\u017eena \u010dim ve\u010dja koristnost, tako z vidika tehni\u010dne infrastrukture kot tudi z vidika pou\u010devanja. \u010ceprav je ta korak tukaj predstavljen kot kon\u010dni korak, je celoten proces v resnici iterativen. Po uvedbi je treba model redno pregledovati, da se preveri, ali je \u0161e vedno ustrezen glede na kontekst. Izobra\u017eevalne potrebe, postopki ali na\u010dini zajemanja podatkov se lahko spremenijo, kar vpliva na rezultate sistema. Zato so potrebne redne revizije in morebitne posodobitve. Nenehno je treba spremljati sistem in njegove vplive na u\u010denje, pou\u010devanje in ocenjevanje6<\/sup>.\n![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2024\/01\/ch1-page-4-ethical-guidelines-1024x724.png\")
<\/sup>Eti\u010dne smernice za uporabo UI in podatkov v izobra\u017eevanju poudarjajo, da mora biti \u0161ola v stiku s ponudnikom storitev UI skozi celoten \u017eivljenjski cikel izbranega sistema UI, tudi pred samo uporabo. Odgovorni morajo zahtevati popolno tehni\u010dno dokumentacijo in zagotoviti obrazlo\u017eitve v zvezi z morebitnimi nejasnostmi. Nujno potreben je dogovor o podpori in vzdr\u017eevanju opreme, odgovorni pa naj se prepri\u010dajo, da je ponudnik upo\u0161teval vse zakonske obveznosti6<\/sup>.<\/p>\n
\n1) Razumevanje izobra\u017eevalnega konteksta<\/h3>\n
Prvi korak pri oblikovanju izobra\u017eevalnih orodij, podprtih z delovanjem UI (AIED orodja) je razumevanje potreb. Ko enkrat zastavimo cilje, sledi ugotavljanje, kako bi jih bilo mogo\u010de dose\u010di: katere dejavnike naj upo\u0161tevamo in katerih ne? Re\u0161itve na osnovi kakr\u0161negakoli sistema podatkov bolje delujejo s podatki, ki jih je mogo\u010de natan\u010dno izra\u010dunati in standardizirati3<\/sup>. Zato morajo o vsaki odlo\u010ditvi razpravljati: u\u010ditelji, ki bodo orodje uporabljali, strokovnjaki (pedagogi), ki zagotovijo, da so vse odlo\u010ditve utemeljene na uveljavljenih, zanesljivih teorijah, ter programerji, ki razumejo delovanje algoritmov.<\/p>\n2) Razumevanje podatkov<\/h3>\n
\n<\/p>\n3) Priprava podatkov<\/h3>\n
\n<\/p>\n4) Modeliranje<\/h3>\n
V tem koraku se uporabijo algoritmi, ki\u00a0v podatkih prepoznajo vzorce<\/a>\u00a0in generirajo\u00a0modele<\/a>. Obi\u010dajno se preizku\u0161ajo razli\u010dni algoritmi, da se ugotovi, kateri deluje najbolje. Izdelani modeli se lahko nato uporabijo za napovedovanje (predvidevanje) na podlagi novih podatkov.<\/p>\n5) Vrednotenje<\/h3>\n
V fazi modeliranja se lahko za razli\u010dne modele nastavi stopnja natan\u010dnosti predvidevanja na sklopu u\u010dnih podatkov. Razli\u010dice modelov se nato preizkusijo na testnem sklopu podatkov in dolo\u010den model se izbere za uporabo. Ta model se ovrednoti tudi glede na to, kako izpolnjuje izobra\u017eevalne potrebe: ali so cilji, dolo\u010deni v prvem koraku, dose\u017eeni? Ali so se pojavile nepredvidene te\u017eave? Je model dovolj kakovosten? Ali bi bilo mogo\u010de kaj izbolj\u0161ati ali narediti druga\u010de? Ali je potrebno preoblikovanje modela? Glavni cilj tega koraka je sprejeti odlo\u010ditev, ali se sistem lahko uporablja v \u0161olah. \u010ce je odgovor ne, je potrebno celoten postopek za\u010deti znova2<\/sup>.<\/p>\n6) Uporaba<\/h3>\n
Zadnji korak v procesu je ugotoviti, kako uvesti in pri\u010deti z uporabo aplikacije v \u0161olskem sistemu tako, da bo dose\u017eena \u010dim ve\u010dja koristnost, tako z vidika tehni\u010dne infrastrukture kot tudi z vidika pou\u010devanja. \u010ceprav je ta korak tukaj predstavljen kot kon\u010dni korak, je celoten proces v resnici iterativen. Po uvedbi je treba model redno pregledovati, da se preveri, ali je \u0161e vedno ustrezen glede na kontekst. Izobra\u017eevalne potrebe, postopki ali na\u010dini zajemanja podatkov se lahko spremenijo, kar vpliva na rezultate sistema. Zato so potrebne redne revizije in morebitne posodobitve. Nenehno je treba spremljati sistem in njegove vplive na u\u010denje, pou\u010devanje in ocenjevanje6<\/sup>.
\n<\/sup>Eti\u010dne smernice za uporabo UI in podatkov v izobra\u017eevanju poudarjajo, da mora biti \u0161ola v stiku s ponudnikom storitev UI skozi celoten \u017eivljenjski cikel izbranega sistema UI, tudi pred samo uporabo. Odgovorni morajo zahtevati popolno tehni\u010dno dokumentacijo in zagotoviti obrazlo\u017eitve v zvezi z morebitnimi nejasnostmi. Nujno potreben je dogovor o podpori in vzdr\u017eevanju opreme, odgovorni pa naj se prepri\u010dajo, da je ponudnik upo\u0161teval vse zakonske obveznosti6<\/sup>.<\/p>\n
\n