{"id":134,"date":"2023-11-30T17:30:58","date_gmt":"2023-11-30T17:30:58","guid":{"rendered":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/chapter\/ai-speak-how-adaptive-systems-learn-the-learner-part-1\/"},"modified":"2024-01-31T11:48:08","modified_gmt":"2024-01-31T11:48:08","slug":"ai-speak-how-adaptive-systems-learn-the-learner-part-1","status":"publish","type":"chapter","link":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/chapter\/ai-speak-how-adaptive-systems-learn-the-learner-part-1\/","title":{"raw":"Govorica UI: Kako prilagodljivi u\u010dni sistemi spoznavajo u\u010denca - 1. del","rendered":"Govorica UI: Kako prilagodljivi u\u010dni sistemi spoznavajo u\u010denca &#8211; 1. del"},"content":{"raw":"<p class=\"no-indent\"><img class=\"alignleft wp-image-131\" src=\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2023\/11\/ch4-page5-what-to-adapt-813x1024.png\" alt=\"\" width=\"375\" height=\"472\">Te\u017eko je re\u010di, kje to\u010dno se zgodi prilagoditev v prilagodljivem u\u010dnem sistemu<sup>1<\/sup>. Posamezni sistemi se razlikujejo tudi glede na vrsto in namen uporabljene tehnologije.<\/p>\n<p class=\"indent\">Vsi prilagodljivi u\u010dni sistemi pa vedo, koga u\u010dijo (znanje o u\u010dencu), kaj u\u010dijo (znanje o podro\u010dju) in kako u\u010diti (znanje o pedagogiki)<sup>2<\/sup>.<\/p>\n<p class=\"indent\">Idealen prilagodljiv u\u010dni sistem se prilagaja na ve\u010d na\u010dinov. V \u0161ir\u0161i, zunanji zanki prilagodi zaporedje u\u010dnih dejavnosti (podobno kot YouTube prilagodi priporo\u010den seznam videoposnetkov) ter u\u010dne pristope in stopnje te\u017eavnosti.<\/p>\n<p class=\"indent\">V notranji zanki, znotraj vsake aktivnosti, sistem spremlja napredek po korakih. Prilagaja povratne informacije in napotke za odpravo morebitnih napa\u010dnih predstav. \u010ce ima uporabnik (u\u010denec) te\u017eave z zapomnitvijo predhodno nau\u010dene snovi, ga lahko usmeri k dodatnim vsebinam. Nekateri strokovnjaki zagovarjajo stali\u0161\u010de, da je notranjo zanko najbolje prepustiti u\u010diteljem: ne le da je programiranje vseh pravil za dolo\u010den \u0161olski predmet in posamezno nalogo drago in zamudno, temve\u010d bodo znanje in izku\u0161nje u\u010ditelja vedno prevladale nad strojem<sup>3<\/sup>.<\/p>\n\n<h3>Kako prilagodljivi u\u010dni sistemi spoznavajo u\u010denca<\/h3>\n<p class=\"no-indent\">Podobno kot pri vseh priporo\u010dilih (gl. poglavje\u00a0<a href=\"ai-speak--how-youtube-learns-you\" data-cke-saved-href=\"ai-speak--how-youtube-learns-you\">Kako vas YouTube spoznava - 1. del<\/a>), prilagodljiv u\u010dni sistem razdeli nalogo na eno ali ve\u010d podvpra\u0161anj, na katera stroj zna odgovoriti. Ne pozabimo, da odlo\u010ditev, kaj vpra\u0161ati (in s tem tudi, kaj napovedati), mo\u010dno vpliva na to, kak\u0161no priporo\u010dilo bo prikazano.<\/p>\n<p class=\"indent\">Promocije pogosto omenjajo razne cilje: izbolj\u0161anje rezultatov, zaposljivost, vklju\u010denost itd. Zaradi tr\u017ene narave sistemov obi\u010dajno ne vemo, katera vpra\u0161anja so kodirana v sisteme, za katere cilje se optimizirajo in kako se kratkoro\u010dni cilji razlikujejo od dolgoro\u010dnih (npr., mojstrsko obvladovanje dolo\u010dene vsebine v primerjavi z napredovanjem na naslednjo stopnjo)<sup>4<\/sup>.<\/p>\n<p class=\"indent\">Kjer se uporablja strojno u\u010denje, bodo napovedi, ne glede na izbrane cilje, temeljile na drugih u\u010dencih s podobnimi stopnjami znanja in podobnimi preferencami, oz. na u\u010dencih, katerih modeli so si podobni.<\/p>\n\n<h3>Model u\u010denca<\/h3>\n<p class=\"no-indent\">Pri oblikovanju modela u\u010denca se razvijalci vpra\u0161ajo, katere zna\u010dilnosti u\u010denca so pomembne za u\u010dni proces. Za razliko od u\u010diteljev, ki lahko neposredno opazujejo u\u010dence in prilagodijo svoj pristop, so stroji omejeni na podatke, ki jih zberejo in obdelujejo.<\/p>\n<p class=\"indent\">Tipi\u010dne zna\u010dilnosti, ki se upo\u0161tevajo pri ustvarjanju modela u\u010denca:<\/p>\n\n<ul>\n \t<li><strong>kaj u\u010denec ve: raven znanja, ve\u0161\u010dine in napa\u010dne predstave<\/strong><sup>5,2,6<\/sup>. Te lastnosti obi\u010dajno izpeljemo na podlagi ocenjevanja, npr. na podlagi odgovora na matemati\u010dni problem<sup>1<\/sup>. To predhodno znanje se nato primerja s tem, kar bi moral u\u010denec znati ob koncu u\u010dnega obdobja.<\/li>\n \t<li><strong>Kako se u\u010denec u\u010di: u\u010dni proces in preference<\/strong><sup>5,6<\/sup>. Npr., kolikokrat u\u010denec posku\u0161a odgovoriti na vpra\u0161anje, preden odgovori pravilno, vrste virov, ki jih je uporabil, kako sam ocenjuje dolo\u010deno aktivnost, katero gradivo ga je najbolj pritegnilo (slika, zvok ali besedilo)<sup>2<\/sup>. Prilagodljivi u\u010dni sistemi lahko bele\u017eijo tudi <strong>kdaj in kako so se u\u010dili ve\u0161\u010din in katere pedago\u0161ke metode so bile najbolj\u0161e<\/strong><sup>6<\/sup>.<\/li>\n \t<li><strong>Ali je u\u010denec motiviran: ob\u010dutke in \u010dustva<\/strong> lahko u\u010denec sporo\u010da neposredno ali pa jih sistem pridobi posredno na podlagi govora, obrazne mimike, spremljanja gibanja o\u010di, govorice telesa, fiziolo\u0161kih signalov, ali na podlagi kombinacije teh elementov. Te informacije se lahko nato uporabijo za spodbujanje u\u010denca stran od neprijetnih stanj (npr. dolg\u010das ali frustracija, ki zavirata u\u010denje), k prijetnim stanjem, npr. aktivno anga\u017eiranje, veselje<sup>7<\/sup>.<\/li>\n \t<li><strong>Kognitivni\u00a0vidiki:\u00a0spomin, pozornost, ve\u0161\u010dina\u00a0re\u0161evanja problemov, sposobnost sprejemanja odlo\u010ditev, sposobnost analiziranja situacij in kriti\u010dno mi\u0161ljenje<\/strong><sup>5<\/sup>.<\/li>\n \t<li><strong>Komunikacija in sodelovanje<\/strong>. Npr., ali u\u010denec objavlja komentarje na profilih dru\u017eabnih omre\u017eij drugih u\u010dencev, kako re\u0161uje probleme skozi razpravo z drugimi, ipd<sup>1<\/sup>.<\/li>\n \t<li>Metakognitivne\u00a0ve\u0161\u010dine, kot so <strong>samoregulacija, samorazlaga, samoocena<\/strong>, <strong>iskanje pomo\u010di<\/strong>, <strong>zavedanje o in sposobnost nadzora lastnega mi\u0161ljenja<\/strong>. Npr., kako izbira u\u010dne cilje, kako uporablja predznanje ali kako izbira strategije re\u0161evanja problemov<sup>5<\/sup>.<\/li>\n<\/ul>\n<p class=\"no-indent\">Te informacije se spreminjajo in jih je treba redno posodabljati, modeli pa sicer vsebujejo tudi <strong>stati\u010dne zna\u010dilnosti, <\/strong>kot so starost, spol, materni jezik, elektronski naslov itn.<\/p>\n<p class=\"indent\">Ve\u010dina prilagodljivih u\u010dnih sistemov ustvarja modele u\u010dencev na podlagi interakcij z u\u010denci samimi. Nekateri pridobivajo informacije tudi z drugih spletnih mest, zlasti z dru\u017eabnih omre\u017eij. Ko je za vsakega u\u010denca izdelan model, stroj izra\u010duna, kateri u\u010denci so si med seboj podobni, in lahko za\u010dne predvidevati, kak\u0161na je verjetnost, da bo dolo\u010denemu u\u010dencu koristila dolo\u010dena aktivnost, primer ali vpra\u0161anje<sup>3<\/sup>.<\/p>\n\n<h3>Model domene<\/h3>\n<p class=\"no-indent\"><img class=\"alignleft wp-image-132\" src=\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page5-learning-objects-1024x726.png\" alt=\"\" width=\"400\" height=\"284\">Za la\u017ejo predstavo povlecimo vzporednico med t. i. u\u010dnimi objekti v prilagodljivem u\u010dnem sistemu in videoposnetki na YouTubu. Vsak \u0161olski predmet lahko raz\u010dlenimo na koncepte in ve\u0161\u010dine, ki tvorijo t. i. enote znanja. Enote znanja so tisto, kar mora u\u010denec na koncu znati<sup>3<\/sup>. Vsaka enota znanja vsebuje nabor u\u010dnih objektov, ki omogo\u010dajo, da se nau\u010dimo vsebine, in dolo\u010dene aktivnosti za vrednotenje u\u010denja. (Nekateri avtorji u\u010dne objekte dodatno raz\u010dlenjujejo na u\u010dne aktivnosti.)<\/p>\n<p class=\"indent\">U\u010dni objekti so lahko besedila, videoposnetki, sklop problemov ali vpra\u0161anj, interaktivne aktivnosti, animacije itd<sup>1<\/sup>. U\u010dni objekti povedo, kaj mora u\u010denec znati, aktivnosti vrednotenja pa razkrijejo, ali je bilo znanje v resnici pridobljeno<sup>3<\/sup>. Model domene vsebuje vse zna\u010dilnosti u\u010dnih objektov, vklju\u010dno s pripadajo\u010dimi enotami znanja in vrednotenjem.<\/p>\n<p class=\"indent\">\u010cesa se bo u\u010denec u\u010dil v naslednjem koraku je odvisno tudi od medsebojnih povezav med posameznimi enotami znanja, zato je treba tudi te vklju\u010diti v model: u\u010dna objekta A in B sta lahko predpogoja za u\u010dni objekt D. Zato je treba A in B obvladati pred D. Med nekaterimi enotami znanja torej obstaja hierarhija, ki nam pove, kako naj se u\u010dimo<sup>3<\/sup>. Velja tudi obratno: \u010de u\u010denec pravilno re\u0161i problem D, lahko sklepamo, da je obvladal tudi A in B.<\/p>\nNekatere od tak\u0161nih hierarhi\u010dnih odnosov pojasnijo strokovnjaki za posamezne predmete. O preostalih sklepa stroj sam, ki lahko predvidi verjetnost, da je bila dolo\u010dena enota znanja usvojena. (S kak\u0161no gotovostjo lahko sistem trdi, da je u\u010denec usvojil A in B, \u010de je pravilno odgovoril na D?) Stroj oz. sistem lahko nato te informacije skupaj z drugimi zna\u010dilnostmi modela u\u010denca in modela domene, uporabi za priporo\u010danje u\u010dnih poti in u\u010dnih objektov.\n\n&nbsp;\n\n<img class=\" wp-image-133 aligncenter\" src=\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page-5-Granularity-1024x726.png\" alt=\"\" width=\"567\" height=\"402\">\n<p class=\"indent no-indent\">Med druge zna\u010dilnosti u\u010dnih objektov spadajo te\u017eavnostne stopnje aktivnosti, priljubljenost aktivnosti in ocene aktivnosti. Namen je, tako kot pri YouTubu, iz razpolo\u017eljivih podatkov izvle\u010di \u010dim ve\u010d relevantnih informacij.<\/p>\n\n\n<hr>\n<p class=\"hanging-indent\"><sup>1<\/sup> EdSurge, <em>Decoding Adaptive<\/em>, Pearson, London, 2016.<\/p>\n<p class=\"hanging-indent\"><sup>2 <\/sup>Alkhatlan, A., Kalita, J.K., <em>Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments<\/em>, International Journal of Computer Applications 181(43):1-20, March 2019.<\/p>\n<p class=\"hanging-indent\"><sup>3 <\/sup>Essa, A.,<em><a href=\"https:\/\/doi.org\/10.1186\/s40561-016-0038-y\" target=\"_blank\" rel=\"noopener\" data-cke-saved-href=\"https:\/\/doi.org\/10.1186\/s40561-016-0038-y\"> A possible future for next generation adaptive learning systems<\/a><\/em>, Smart Learning Environments, 3, 16, 2016.<\/p>\n<p class=\"hanging-indent\"><sup>4 <\/sup>Bulger M., <em>Personalised Learning: The Conversations We\u2019re Not Having<\/em>, Data &amp; Society Working Paper, 2016.<\/p>\n<p class=\"hanging-indent\"><sup>5 <\/sup>Chrysafiadi, K., Virvou, M., <em>Student modeling approaches: A literature review for the last decade<\/em>, Expert Systems with Applications, Elsevier, 2013.<\/p>\n<p class=\"hanging-indent\"><sup>6 <\/sup>Groff, J., <em>Personalized Learning: The state of the field and future directions<\/em>, Center for curriculum redesign, 2017.<\/p>\n<p class=\"hanging-indent\"><sup>7 <\/sup>du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., <em>Artificial Intelligence And Big Data Technologies To Close The Achievement Gap<\/em>, In: Luckin, Rose ed. Enhancing Learning and Teaching with Technology. London: UCL Institute of Education Press, pp. 256\u201328, 2018.<\/p>","rendered":"<p class=\"no-indent\"><img loading=\"lazy\" decoding=\"async\" class=\"alignleft wp-image-131\" src=\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2023\/11\/ch4-page5-what-to-adapt-813x1024.png\" alt=\"\" width=\"375\" height=\"472\" srcset=\"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/ch4-page5-what-to-adapt-813x1024.png 813w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/ch4-page5-what-to-adapt-238x300.png 238w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/ch4-page5-what-to-adapt-768x967.png 768w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/ch4-page5-what-to-adapt-65x82.png 65w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/ch4-page5-what-to-adapt-225x283.png 225w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/ch4-page5-what-to-adapt-350x441.png 350w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2023\/11\/ch4-page5-what-to-adapt.png 1080w\" sizes=\"(max-width: 375px) 100vw, 375px\" \/>Te\u017eko je re\u010di, kje to\u010dno se zgodi prilagoditev v prilagodljivem u\u010dnem sistemu<sup>1<\/sup>. Posamezni sistemi se razlikujejo tudi glede na vrsto in namen uporabljene tehnologije.<\/p>\n<p class=\"indent\">Vsi prilagodljivi u\u010dni sistemi pa vedo, koga u\u010dijo (znanje o u\u010dencu), kaj u\u010dijo (znanje o podro\u010dju) in kako u\u010diti (znanje o pedagogiki)<sup>2<\/sup>.<\/p>\n<p class=\"indent\">Idealen prilagodljiv u\u010dni sistem se prilagaja na ve\u010d na\u010dinov. V \u0161ir\u0161i, zunanji zanki prilagodi zaporedje u\u010dnih dejavnosti (podobno kot YouTube prilagodi priporo\u010den seznam videoposnetkov) ter u\u010dne pristope in stopnje te\u017eavnosti.<\/p>\n<p class=\"indent\">V notranji zanki, znotraj vsake aktivnosti, sistem spremlja napredek po korakih. Prilagaja povratne informacije in napotke za odpravo morebitnih napa\u010dnih predstav. \u010ce ima uporabnik (u\u010denec) te\u017eave z zapomnitvijo predhodno nau\u010dene snovi, ga lahko usmeri k dodatnim vsebinam. Nekateri strokovnjaki zagovarjajo stali\u0161\u010de, da je notranjo zanko najbolje prepustiti u\u010diteljem: ne le da je programiranje vseh pravil za dolo\u010den \u0161olski predmet in posamezno nalogo drago in zamudno, temve\u010d bodo znanje in izku\u0161nje u\u010ditelja vedno prevladale nad strojem<sup>3<\/sup>.<\/p>\n<h3>Kako prilagodljivi u\u010dni sistemi spoznavajo u\u010denca<\/h3>\n<p class=\"no-indent\">Podobno kot pri vseh priporo\u010dilih (gl. poglavje\u00a0<a href=\"ai-speak--how-youtube-learns-you\" data-cke-saved-href=\"ai-speak--how-youtube-learns-you\">Kako vas YouTube spoznava &#8211; 1. del<\/a>), prilagodljiv u\u010dni sistem razdeli nalogo na eno ali ve\u010d podvpra\u0161anj, na katera stroj zna odgovoriti. Ne pozabimo, da odlo\u010ditev, kaj vpra\u0161ati (in s tem tudi, kaj napovedati), mo\u010dno vpliva na to, kak\u0161no priporo\u010dilo bo prikazano.<\/p>\n<p class=\"indent\">Promocije pogosto omenjajo razne cilje: izbolj\u0161anje rezultatov, zaposljivost, vklju\u010denost itd. Zaradi tr\u017ene narave sistemov obi\u010dajno ne vemo, katera vpra\u0161anja so kodirana v sisteme, za katere cilje se optimizirajo in kako se kratkoro\u010dni cilji razlikujejo od dolgoro\u010dnih (npr., mojstrsko obvladovanje dolo\u010dene vsebine v primerjavi z napredovanjem na naslednjo stopnjo)<sup>4<\/sup>.<\/p>\n<p class=\"indent\">Kjer se uporablja strojno u\u010denje, bodo napovedi, ne glede na izbrane cilje, temeljile na drugih u\u010dencih s podobnimi stopnjami znanja in podobnimi preferencami, oz. na u\u010dencih, katerih modeli so si podobni.<\/p>\n<h3>Model u\u010denca<\/h3>\n<p class=\"no-indent\">Pri oblikovanju modela u\u010denca se razvijalci vpra\u0161ajo, katere zna\u010dilnosti u\u010denca so pomembne za u\u010dni proces. Za razliko od u\u010diteljev, ki lahko neposredno opazujejo u\u010dence in prilagodijo svoj pristop, so stroji omejeni na podatke, ki jih zberejo in obdelujejo.<\/p>\n<p class=\"indent\">Tipi\u010dne zna\u010dilnosti, ki se upo\u0161tevajo pri ustvarjanju modela u\u010denca:<\/p>\n<ul>\n<li><strong>kaj u\u010denec ve: raven znanja, ve\u0161\u010dine in napa\u010dne predstave<\/strong><sup>5,2,6<\/sup>. Te lastnosti obi\u010dajno izpeljemo na podlagi ocenjevanja, npr. na podlagi odgovora na matemati\u010dni problem<sup>1<\/sup>. To predhodno znanje se nato primerja s tem, kar bi moral u\u010denec znati ob koncu u\u010dnega obdobja.<\/li>\n<li><strong>Kako se u\u010denec u\u010di: u\u010dni proces in preference<\/strong><sup>5,6<\/sup>. Npr., kolikokrat u\u010denec posku\u0161a odgovoriti na vpra\u0161anje, preden odgovori pravilno, vrste virov, ki jih je uporabil, kako sam ocenjuje dolo\u010deno aktivnost, katero gradivo ga je najbolj pritegnilo (slika, zvok ali besedilo)<sup>2<\/sup>. Prilagodljivi u\u010dni sistemi lahko bele\u017eijo tudi <strong>kdaj in kako so se u\u010dili ve\u0161\u010din in katere pedago\u0161ke metode so bile najbolj\u0161e<\/strong><sup>6<\/sup>.<\/li>\n<li><strong>Ali je u\u010denec motiviran: ob\u010dutke in \u010dustva<\/strong> lahko u\u010denec sporo\u010da neposredno ali pa jih sistem pridobi posredno na podlagi govora, obrazne mimike, spremljanja gibanja o\u010di, govorice telesa, fiziolo\u0161kih signalov, ali na podlagi kombinacije teh elementov. Te informacije se lahko nato uporabijo za spodbujanje u\u010denca stran od neprijetnih stanj (npr. dolg\u010das ali frustracija, ki zavirata u\u010denje), k prijetnim stanjem, npr. aktivno anga\u017eiranje, veselje<sup>7<\/sup>.<\/li>\n<li><strong>Kognitivni\u00a0vidiki:\u00a0spomin, pozornost, ve\u0161\u010dina\u00a0re\u0161evanja problemov, sposobnost sprejemanja odlo\u010ditev, sposobnost analiziranja situacij in kriti\u010dno mi\u0161ljenje<\/strong><sup>5<\/sup>.<\/li>\n<li><strong>Komunikacija in sodelovanje<\/strong>. Npr., ali u\u010denec objavlja komentarje na profilih dru\u017eabnih omre\u017eij drugih u\u010dencev, kako re\u0161uje probleme skozi razpravo z drugimi, ipd<sup>1<\/sup>.<\/li>\n<li>Metakognitivne\u00a0ve\u0161\u010dine, kot so <strong>samoregulacija, samorazlaga, samoocena<\/strong>, <strong>iskanje pomo\u010di<\/strong>, <strong>zavedanje o in sposobnost nadzora lastnega mi\u0161ljenja<\/strong>. Npr., kako izbira u\u010dne cilje, kako uporablja predznanje ali kako izbira strategije re\u0161evanja problemov<sup>5<\/sup>.<\/li>\n<\/ul>\n<p class=\"no-indent\">Te informacije se spreminjajo in jih je treba redno posodabljati, modeli pa sicer vsebujejo tudi <strong>stati\u010dne zna\u010dilnosti, <\/strong>kot so starost, spol, materni jezik, elektronski naslov itn.<\/p>\n<p class=\"indent\">Ve\u010dina prilagodljivih u\u010dnih sistemov ustvarja modele u\u010dencev na podlagi interakcij z u\u010denci samimi. Nekateri pridobivajo informacije tudi z drugih spletnih mest, zlasti z dru\u017eabnih omre\u017eij. Ko je za vsakega u\u010denca izdelan model, stroj izra\u010duna, kateri u\u010denci so si med seboj podobni, in lahko za\u010dne predvidevati, kak\u0161na je verjetnost, da bo dolo\u010denemu u\u010dencu koristila dolo\u010dena aktivnost, primer ali vpra\u0161anje<sup>3<\/sup>.<\/p>\n<h3>Model domene<\/h3>\n<p class=\"no-indent\"><img loading=\"lazy\" decoding=\"async\" class=\"alignleft wp-image-132\" src=\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page5-learning-objects-1024x726.png\" alt=\"\" width=\"400\" height=\"284\" srcset=\"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page5-learning-objects-1024x726.png 1024w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page5-learning-objects-300x213.png 300w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page5-learning-objects-768x545.png 768w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page5-learning-objects-1536x1090.png 1536w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page5-learning-objects-65x46.png 65w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page5-learning-objects-225x160.png 225w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page5-learning-objects-350x248.png 350w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page5-learning-objects.png 1748w\" sizes=\"(max-width: 400px) 100vw, 400px\" \/>Za la\u017ejo predstavo povlecimo vzporednico med t. i. u\u010dnimi objekti v prilagodljivem u\u010dnem sistemu in videoposnetki na YouTubu. Vsak \u0161olski predmet lahko raz\u010dlenimo na koncepte in ve\u0161\u010dine, ki tvorijo t. i. enote znanja. Enote znanja so tisto, kar mora u\u010denec na koncu znati<sup>3<\/sup>. Vsaka enota znanja vsebuje nabor u\u010dnih objektov, ki omogo\u010dajo, da se nau\u010dimo vsebine, in dolo\u010dene aktivnosti za vrednotenje u\u010denja. (Nekateri avtorji u\u010dne objekte dodatno raz\u010dlenjujejo na u\u010dne aktivnosti.)<\/p>\n<p class=\"indent\">U\u010dni objekti so lahko besedila, videoposnetki, sklop problemov ali vpra\u0161anj, interaktivne aktivnosti, animacije itd<sup>1<\/sup>. U\u010dni objekti povedo, kaj mora u\u010denec znati, aktivnosti vrednotenja pa razkrijejo, ali je bilo znanje v resnici pridobljeno<sup>3<\/sup>. Model domene vsebuje vse zna\u010dilnosti u\u010dnih objektov, vklju\u010dno s pripadajo\u010dimi enotami znanja in vrednotenjem.<\/p>\n<p class=\"indent\">\u010cesa se bo u\u010denec u\u010dil v naslednjem koraku je odvisno tudi od medsebojnih povezav med posameznimi enotami znanja, zato je treba tudi te vklju\u010diti v model: u\u010dna objekta A in B sta lahko predpogoja za u\u010dni objekt D. Zato je treba A in B obvladati pred D. Med nekaterimi enotami znanja torej obstaja hierarhija, ki nam pove, kako naj se u\u010dimo<sup>3<\/sup>. Velja tudi obratno: \u010de u\u010denec pravilno re\u0161i problem D, lahko sklepamo, da je obvladal tudi A in B.<\/p>\n<p>Nekatere od tak\u0161nih hierarhi\u010dnih odnosov pojasnijo strokovnjaki za posamezne predmete. O preostalih sklepa stroj sam, ki lahko predvidi verjetnost, da je bila dolo\u010dena enota znanja usvojena. (S kak\u0161no gotovostjo lahko sistem trdi, da je u\u010denec usvojil A in B, \u010de je pravilno odgovoril na D?) Stroj oz. sistem lahko nato te informacije skupaj z drugimi zna\u010dilnostmi modela u\u010denca in modela domene, uporabi za priporo\u010danje u\u010dnih poti in u\u010dnih objektov.<\/p>\n<p>&nbsp;<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\"wp-image-133 aligncenter\" src=\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page-5-Granularity-1024x726.png\" alt=\"\" width=\"567\" height=\"402\" srcset=\"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page-5-Granularity-1024x726.png 1024w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page-5-Granularity-300x213.png 300w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page-5-Granularity-768x545.png 768w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page-5-Granularity-1536x1090.png 1536w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page-5-Granularity-65x46.png 65w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page-5-Granularity-225x160.png 225w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page-5-Granularity-350x248.png 350w, https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page-5-Granularity.png 1748w\" sizes=\"(max-width: 567px) 100vw, 567px\" \/><\/p>\n<p class=\"indent no-indent\">Med druge zna\u010dilnosti u\u010dnih objektov spadajo te\u017eavnostne stopnje aktivnosti, priljubljenost aktivnosti in ocene aktivnosti. Namen je, tako kot pri YouTubu, iz razpolo\u017eljivih podatkov izvle\u010di \u010dim ve\u010d relevantnih informacij.<\/p>\n<hr \/>\n<p class=\"hanging-indent\"><sup>1<\/sup> EdSurge, <em>Decoding Adaptive<\/em>, Pearson, London, 2016.<\/p>\n<p class=\"hanging-indent\"><sup>2 <\/sup>Alkhatlan, A., Kalita, J.K., <em>Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments<\/em>, International Journal of Computer Applications 181(43):1-20, March 2019.<\/p>\n<p class=\"hanging-indent\"><sup>3 <\/sup>Essa, A.,<em><a href=\"https:\/\/doi.org\/10.1186\/s40561-016-0038-y\" target=\"_blank\" rel=\"noopener\" data-cke-saved-href=\"https:\/\/doi.org\/10.1186\/s40561-016-0038-y\"> A possible future for next generation adaptive learning systems<\/a><\/em>, Smart Learning Environments, 3, 16, 2016.<\/p>\n<p class=\"hanging-indent\"><sup>4 <\/sup>Bulger M., <em>Personalised Learning: The Conversations We\u2019re Not Having<\/em>, Data &amp; Society Working Paper, 2016.<\/p>\n<p class=\"hanging-indent\"><sup>5 <\/sup>Chrysafiadi, K., Virvou, M., <em>Student modeling approaches: A literature review for the last decade<\/em>, Expert Systems with Applications, Elsevier, 2013.<\/p>\n<p class=\"hanging-indent\"><sup>6 <\/sup>Groff, J., <em>Personalized Learning: The state of the field and future directions<\/em>, Center for curriculum redesign, 2017.<\/p>\n<p class=\"hanging-indent\"><sup>7 <\/sup>du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., <em>Artificial Intelligence And Big Data Technologies To Close The Achievement Gap<\/em>, In: Luckin, Rose ed. Enhancing Learning and Teaching with Technology. London: UCL Institute of Education Press, pp. 256\u201328, 2018.<\/p>\n","protected":false},"author":1,"menu_order":5,"template":"","meta":{"pb_show_title":"","pb_short_title":"","pb_subtitle":"","pb_authors":[],"pb_section_license":""},"chapter-type":[],"contributor":[],"license":[],"part":112,"_links":{"self":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters\/134"}],"collection":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters"}],"about":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/types\/chapter"}],"author":[{"embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/users\/1"}],"version-history":[{"count":1,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters\/134\/revisions"}],"predecessor-version":[{"id":135,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters\/134\/revisions\/135"}],"part":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/parts\/112"}],"metadata":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapters\/134\/metadata\/"}],"wp:attachment":[{"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/media?parent=134"}],"wp:term":[{"taxonomy":"chapter-type","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/pressbooks\/v2\/chapter-type?post=134"},{"taxonomy":"contributor","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/contributor?post=134"},{"taxonomy":"license","embeddable":true,"href":"https:\/\/aiopentext.itd.cnr.it\/umetnainteligenca\/wp-json\/wp\/v2\/license?post=134"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}