Za zunanjo zanko se modeli ustvarijo s pomo\u010djo u\u010dnih podatkov, tako da se dodelijo ustrezne ute\u017ei\u00a0zna\u010dilnostim, ki omogo\u010dajo u\u010dinkovito priporo\u010danje vsebin\u00a0(gl. poglavje\u00a0Govorica UI: Strojno u\u010denje<\/a>). Ti modeli se uporabljajo za redno priporo\u010danje novih u\u010dnih poti, ki odra\u017eajo napredek u\u010denca in njegove spreminjajo\u010de se interese - podobno kot nova priporo\u010dila v YouTubu. Prilagodljiv u\u010dni sistem, ki temelji na strojnem u\u010denju, lahko generira tudi bilijon tak\u0161nih poti3<\/sup>.<\/p>\n V notranji zanki se strojno u\u010denje uporablja za zagotavljanje ustreznih povratnih informacij, odkrivanje napak, sklepanje o vrzelih v znanju in za oceno obvladovanja enot znanja. U\u010denec lahko med ukvarjanjem z dolo\u010deno aktivnostjo naredi napako. Strojno u\u010denje se lahko uporabi za napovedovanje, katere napake izhajajo iz katere vrzeli v znanju. Podobno, \u010de je re\u0161itev naloge pravilna, lahko strojno u\u010denje uporabimo za predvidevanje o tem, katere enote znanja so bile uspe\u0161no usvojene.<\/p>\n Druge tehnike, ki se uporabljajo v prilagodljivih sistemih, vklju\u010dujejo manj avtomatizacije in bolj eksplicitno zapisana pravila za sklepanje2<\/sup>. Za natan\u010den zajem vseh kriterijev, ki so potrebni pri odlo\u010danju, zahtevajo veliko \u010dasa za programiranje in dodatna prizadevanja. Poleg tega rezultatov pogosto ni mogo\u010de posplo\u0161iti z enega podro\u010dja na drugo ali z enega problema na drugega.<\/p>\n Orodja, ki uporabljajo strojno u\u010denje, delujejo na podlagi velikanske koli\u010dine podatkov o dejanski uspe\u0161nosti u\u010dencev in lahko zato s\u010dasoma ustvarijo zelo dinami\u010dne u\u010dne poti za u\u010dence1<\/sup>. Tako kot pri vseh aplikacije strojnega u\u010denja pa je treba tudi tukaj pred uporabo v u\u010dilnicah opraviti testiranje.<\/p>\n\n\n[caption id=\"attachment_137\" align=\"aligncenter\" width=\"607\"] Spoznali smo \u017ee, da YouTube uporablja veliko vrednostnih sodb za odlo\u010ditev o tem, kaj je dobro priporo\u010dilo, npr.: koliko razli\u010dnih interesov uporabnika naj bo zajetih v enem sklopu priporo\u010dil, koliko priporo\u010denih posnetkov naj bo podobnih \u017ee videnim, koliko novih vsebin je treba dodati zavoljo raznolikosti itd. (gl. poglavje\u00a0Govorica UI: Kako vas YouTube spoznava - 2. del<\/a>). Prilagodljivi u\u010dni sistemi vklju\u010dujejo podobne presoje o tem, kaj pomeni obvladati dolo\u010deno enoto znanja in kako priti do te stopnje \"mojstrstva\"4<\/sup>.<\/p>\n V primeru prilagodljivih u\u010dnih sistemov morajo tak\u0161ne sodbe\/odlo\u010ditve (kakor tudi smernice o doseganju napredka za u\u010denca) temeljiti na uveljavljenih pedago\u0161kih teorijah. Te so vklju\u010dene v pedago\u0161ki model ter skupaj z modelom domene in modelom u\u010denca pomagajo stroju izbrati ustrezen nabor aktivnosti.<\/p>\n Nekatera vpra\u0161anja, na katera odgovarja pedago\u0161ki model, so: ali je treba u\u010dencu najprej predstaviti koncept, aktivnost ali test? Na kateri stopnji zahtevnosti? Kako ovrednotiti u\u010denje in zagotoviti povratne informacije? Kje je potrebna dodatna podpora?\u00a0Pedago\u0161ki model narekuje obseg in poglobljenost aktivnosti in celo opozori, ali naj nadaljujemo v okviru sistema, ali je potrebno poiskati pomo\u010d u\u010ditelja3<\/sup>.<\/p>\n\n\n[caption id=\"attachment_137\" align=\"aligncenter\" width=\"1024\"] Priporo\u010dila so prikazana skupaj z drugimi podatki, kot so napredek, uspe\u0161nost in cilji u\u010denca. Klju\u010dna vpra\u0161anja:<\/p>\n\n Ko se prilagodljiv u\u010dni sistem za\u010dne uporabljati, spremlja lastno uspe\u0161nost glede na merila, ki jih dolo\u010di programer. Kot pri vsakem orodju UI so lahko podatki pristranski. Sklepanja sistema so lahko neto\u010dna. U\u010den\u010devi pretekli podatki s\u010dasoma postajajo manj relevantni6<\/sup>. Zato mora tudi u\u010ditelj spremljati delovanje sistema in u\u010dencu po potrebi dajati navodila in predlagati popravke.<\/p>\n Tudi u\u010ditelji in mladostniki sami naj bi zagotavljali navdih in odkrivali ter predlagali alternativne vire vsebin. Raziskave na podro\u010dju priporo\u010dilnih sistemov so ve\u010d kot desetletje temeljile na informacijah komercialnih ponudnikov vsebin in spletne maloprodaje. Poudarek je bil torej na zanesljivem zagotavljanju priporo\u010dil, ki dajejo rezultate, ki jih je mogo\u010de tr\u017eiti. \u201cPresenetljiv u\u017eitek ob nepri\u010dakovanem odkritju skritega dragulja\u201d7<\/sup>\u00a0ali, povedano druga\u010de, sprehod po manj uhojenih stezicah - torej vse tisto, kar navdihuje trajno<\/em> u\u010denje, ni med prednostmi na strojnem u\u010denju zasnovanih pristopov personaliziranega pou\u010devanja.<\/p>\n\n\n 1<\/sup> EdSurge, Decoding Adaptive<\/em>, Pearson, London, 2016.<\/p>\n 2 <\/sup>Chrysafiadi, K., Virvou, M., Student modeling approaches: A literature review for the last decade<\/em>, Expert Systems with Applications, Elsevier, 2013.<\/p>\n 3 <\/sup>Essa, A., A possible future for next generation adaptive learning systems<\/a><\/em>, Smart Learning Environments, 3, 16, 2016.<\/p>\n 4 <\/sup>Groff, J., Personalized Learning: The state of the field and future directions<\/em>, Center for curriculum redesign, 2017.<\/p>\n 5 <\/sup>Alkhatlan, A., Kalita, J.K., Intelligent Tutoring Systems: A Comprehensive Historical Survey with Recent Developments<\/em>, International Journal of Computer Applications 181(43):1-20, March 2019.<\/p>\n 6 <\/sup>du Boulay, B., Poulovasillis, A., Holmes, W., Mavrikis, M., 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 7 <\/sup>Konstan, J., Terveen, L., Human-centered recommender systems: Origins, advances, challenges, and opportunities<\/em>, AI Magazine, 42(3), 31-42, 2021.<\/p>","rendered":" V zadnjih letih se strojno u\u010denje vse pogosteje uporablja v prilagodljivih u\u010dnih sistemih, bodisi kot edina uporabljena tehnologija bodisi v povezavi z drugimi pristopi2<\/sup>. Tam, kjer se uporablja, je osrednja vloga strojnega u\u010denja ustvarjanje in posodabljanje modelov u\u010dencev na podlagi sklopa zna\u010dilnosti, vklju\u010dno z rezultati vrednotenja in novimi podatki, ki se ustvarjajo skozi ves \u010das procesa1<\/sup>.<\/p>\n Za zunanjo zanko se modeli ustvarijo s pomo\u010djo u\u010dnih podatkov, tako da se dodelijo ustrezne ute\u017ei\u00a0zna\u010dilnostim, ki omogo\u010dajo u\u010dinkovito priporo\u010danje vsebin\u00a0(gl. poglavje\u00a0Govorica UI: Strojno u\u010denje<\/a>). Ti modeli se uporabljajo za redno priporo\u010danje novih u\u010dnih poti, ki odra\u017eajo napredek u\u010denca in njegove spreminjajo\u010de se interese – podobno kot nova priporo\u010dila v YouTubu. Prilagodljiv u\u010dni sistem, ki temelji na strojnem u\u010denju, lahko generira tudi bilijon tak\u0161nih poti3<\/sup>.<\/p>\n V notranji zanki se strojno u\u010denje uporablja za zagotavljanje ustreznih povratnih informacij, odkrivanje napak, sklepanje o vrzelih v znanju in za oceno obvladovanja enot znanja. U\u010denec lahko med ukvarjanjem z dolo\u010deno aktivnostjo naredi napako. Strojno u\u010denje se lahko uporabi za napovedovanje, katere napake izhajajo iz katere vrzeli v znanju. Podobno, \u010de je re\u0161itev naloge pravilna, lahko strojno u\u010denje uporabimo za predvidevanje o tem, katere enote znanja so bile uspe\u0161no usvojene.<\/p>\n Druge tehnike, ki se uporabljajo v prilagodljivih sistemih, vklju\u010dujejo manj avtomatizacije in bolj eksplicitno zapisana pravila za sklepanje2<\/sup>. Za natan\u010den zajem vseh kriterijev, ki so potrebni pri odlo\u010danju, zahtevajo veliko \u010dasa za programiranje in dodatna prizadevanja. Poleg tega rezultatov pogosto ni mogo\u010de posplo\u0161iti z enega podro\u010dja na drugo ali z enega problema na drugega.<\/p>\n Orodja, ki uporabljajo strojno u\u010denje, delujejo na podlagi velikanske koli\u010dine podatkov o dejanski uspe\u0161nosti u\u010dencev in lahko zato s\u010dasoma ustvarijo zelo dinami\u010dne u\u010dne poti za u\u010dence1<\/sup>. Tako kot pri vseh aplikacije strojnega u\u010denja pa je treba tudi tukaj pred uporabo v u\u010dilnicah opraviti testiranje.<\/p>\n Spoznali smo \u017ee, da YouTube uporablja veliko vrednostnih sodb za odlo\u010ditev o tem, kaj je dobro priporo\u010dilo, npr.: koliko razli\u010dnih interesov uporabnika naj bo zajetih v enem sklopu priporo\u010dil, koliko priporo\u010denih posnetkov naj bo podobnih \u017ee videnim, koliko novih vsebin je treba dodati zavoljo raznolikosti itd. (gl. poglavje\u00a0Govorica UI: Kako vas YouTube spoznava – 2. del<\/a>). Prilagodljivi u\u010dni sistemi vklju\u010dujejo podobne presoje o tem, kaj pomeni obvladati dolo\u010deno enoto znanja in kako priti do te stopnje “mojstrstva”4<\/sup>.<\/p>\n V primeru prilagodljivih u\u010dnih sistemov morajo tak\u0161ne sodbe\/odlo\u010ditve (kakor tudi smernice o doseganju napredka za u\u010denca) temeljiti na uveljavljenih pedago\u0161kih teorijah. Te so vklju\u010dene v pedago\u0161ki model ter skupaj z modelom domene in modelom u\u010denca pomagajo stroju izbrati ustrezen nabor aktivnosti.<\/p>\n Nekatera vpra\u0161anja, na katera odgovarja pedago\u0161ki model, so: ali je treba u\u010dencu najprej predstaviti koncept, aktivnost ali test? Na kateri stopnji zahtevnosti? Kako ovrednotiti u\u010denje in zagotoviti povratne informacije? Kje je potrebna dodatna podpora?\u00a0Pedago\u0161ki model narekuje obseg in poglobljenost aktivnosti in celo opozori, ali naj nadaljujemo v okviru sistema, ali je potrebno poiskati pomo\u010d u\u010ditelja3<\/sup>.<\/p>\n Priporo\u010dila so prikazana skupaj z drugimi podatki, kot so napredek, uspe\u0161nost in cilji u\u010denca. Klju\u010dna vpra\u0161anja:<\/p>\n Ko se prilagodljiv u\u010dni sistem za\u010dne uporabljati, spremlja lastno uspe\u0161nost glede na merila, ki jih dolo\u010di programer. Kot pri vsakem orodju UI so lahko podatki pristranski. Sklepanja sistema so lahko neto\u010dna. U\u010den\u010devi pretekli podatki s\u010dasoma postajajo manj relevantni6<\/sup>. Zato mora tudi u\u010ditelj spremljati delovanje sistema in u\u010dencu po potrebi dajati navodila in predlagati popravke.<\/p>\n Tudi u\u010ditelji in mladostniki sami naj bi zagotavljali navdih in odkrivali ter predlagali alternativne vire vsebin. Raziskave na podro\u010dju priporo\u010dilnih sistemov so ve\u010d kot desetletje temeljile na informacijah komercialnih ponudnikov vsebin in spletne maloprodaje. Poudarek je bil torej na zanesljivem zagotavljanju priporo\u010dil, ki dajejo rezultate, ki jih je mogo\u010de tr\u017eiti. \u201cPresenetljiv u\u017eitek ob nepri\u010dakovanem odkritju skritega dragulja\u201d7<\/sup>\u00a0ali, povedano druga\u010de, sprehod po manj uhojenih stezicah – torej vse tisto, kar navdihuje trajno<\/em> u\u010denje, ni med prednostmi na strojnem u\u010denju zasnovanih pristopov personaliziranega pou\u010devanja.<\/p>\n![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2024\/01\/ch2-page-3-Machine-learns-e1697825030868.png\")
\n![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2023\/11\/ch4-page-6-adaptive-content.jpg\")
Image from EdSurge, Decoding Adaptive, Pearson, London, 2016 licensed under CC BY 4.0. To view a copy of this license, visit https:\/\/creativecommons.org\/licenses\/by\/4.0\/<\/a>[\/caption]\nPedago\u0161ki model<\/h3>\n
![\"\"](\"http:\/\/aiopentext.itd.cnr.it\/wp-content\/uploads\/sites\/14\/2024\/01\/ch4-page-6-content-scaffolding-1024x724.jpg\")
Image from EdSurge, Decoding Adaptive, Pearson, London, 2016 licensed under CC BY 4.0. To view a copy of this license, visit https:\/\/creativecommons.org\/licenses\/by\/4.0\/<\/a>[\/caption]\nVmesnik<\/h3>\n
\n \t
Vrednotenje<\/h3>\n
\nProces<\/h3>\n
<\/p>\nPedago\u0161ki model<\/h3>\n
Vmesnik<\/h3>\n
\n
Vrednotenje<\/h3>\n
\n