adaptive e-learning system for language education...5 abstract the thesis deals with a proposal of...
TRANSCRIPT
1
Ostravská univerzita
Pedagogická fakulta
Adaptivní e-learningový systém pro výuku
jazyků
Adaptive e-Learning System for Language
Education
Autoreferát k disertační práci 2015
Studijní program: Specializace v pedagogice
P 7507
Obor: Informační a komunikační technologie ve vzdělávání
7507V066
Disertant: Mgr. Vladimír Bradáč
Ostravská univerzita, Pedagogická fakulta
katedra informačních a komunikačních technologií
Fráni Šrámka 3, 709 00 Ostrava-Mariánské Hory
Školitel: doc. Ing. Cyril Klimeš, CSc.
Ostravská univerzita, Přírodovědecká fakulta
katedra informatiky a počítačů
30. dubna 22, 701 00 Ostrava
2
Obhajoba disertační práce se uskuteční
v pondělí 8. června 2015 v 9 hodin
v zasedací místnosti SA 407
Ostravská univerzita, Pedagogická fakulta
katedra informačních a komunikačních technologií
Fráni Šrámka 3, 709 00 Ostrava-Mariánské Hory
Oponenti:
prof. Dr. Ing. Miroslav Pokorný
doc. PhDr. Ivana Šimonová, Ph.D.
Komise pro obhajobu disertační práce:
Předseda:
doc. RNDr. Jana Kapounová, CSc.
Členové:
doc. Ing. Cyril Klimeš, CSc.
doc. Ing. Kateřina Kostolányová, Ph.D.,
doc. PhDr. Josef Malach, CSc.
doc. RNDr. Jana Šarmanová, CSc.
doc. PhDr. Jitka Šimíčková-Čížková, CSc.
doc. PhDr. Ivana Šimonová, Ph.D.
doc. Ing. Václav Vrbík, CSc.
3
Autoreferát byl rozeslán dne 10. 5. 2015
S disertací se lze seznámit na katedře informačních a komunikačních
technologií Pedagogické fakulty Ostravské univerzity v Ostravě
Fráni Šrámka 3, 709 00 Ostrava-Mariánské Hory od 7. 5. 2015.
Bibliografická identifikace
Jméno a příjmení autora: Mgr. Vladimír Bradáč
Název disertační práce:
Adaptivní e-learningový systém pro výuku jazyků
Název disertační práce anglicky:
Adaptive e-Learning System for Language Education
Školitel: doc. Ing. Cyril Klimeš, CSc.
Rok obhajoby: 2015
4
Abstrakt
Disertační práce se zabývá návrhem adaptivního e-learningového systému
pro výuku jazyků. Proces adaptace vychází z modelu rozhodování za
neurčitosti. Hlavním tématem je zavedení takových procesů do stávajících
LMS, které zefektivní vzdělávací proces v oblastech přizpůsobení obsahu
kurzu studentovi (personalizace obsahu výuky), přizpůsobení formy
obsahu studentovi (personalizace formy obsahu senzorickým
preferencím). Hlavním přínosem je zejména zavedení procesů, od
identifikace studentových potřeb a znalostí, jejich ohodnocení, po
sestavení personalizovaného studijního plánu pro daného studenta,
založených na podpoře fuzzy orientovaným expertním systémem, který
umožní adaptaci celého učebního procesu.
Klíčová slova
adaptivní systémy, expertní systémy, fuzzy orientované systémy, systémy
řízení výuky, senzorické preference, výuka jazyků
5
Abstract
The thesis deals with a proposal of an adaptive e-learning system for
language learning. The process of adaptation stems from a model of
decision-making under indeterminacy. The main focus consists in
implementing such processes into current LMSs, which will make the
whole learning process much more effective. Such processes include
adapting the course content to the student (personalisation of the
learning content), adapting the form to the student (personalisation of the
course content to student’s sensory preferences). The main contribution
primarily consists in implementing the processes – from identifying
student’s needs and knowledge to creating an individualised study plan for
a given student – based on support by a fuzzy-oriented expert system,
which makes the adaptation of the learning process possible.
Key words
adaptive systems, expert systems, fuzzy-oriented systems, language
learning, learning management systems, LMS, sensory preferences
6
Résumé
La thèse se préoccupe d’une proposition du système adaptable pour
l’éducation des langues en ligne. Le procès d’adaptation part du modèle
de décision sous indétermination. Le thème principal discute
l´implémentation des procès en LMS contemporains qui mènent au procès
éducatif plus effectif (adaptation du contenu et de la forme). La
contribution fondamentale consiste en implémentation des procès
d’identification des connaissances et besoins d’un étudiant, leurs
évaluations, et création d´un plan d’instruction personnalisé (supporté par
un système expert fuzzy orienté qui rend possible l´adaptation du procès
éducatif entier).
Mots clés
Systemes adaptifs, systemes experts, systemes fuzzy orientés, LMS,
préférences sensoriques, l’instruction des langues
7
Obsah
ÚVOD……………………………………………………………….8
1 ANALÝZA SOUČASNÉHO STAVU ŘEŠENÉ
PROBLEMATIKY…………………………………………………8
2 CÍLE DIZERTAČNÍ PRÁCE……………………………..10
3 MODEL ADAPTACE VÝUKY CIZÍCH JAZYKŮ……..11
4 PRAKTICKÉ OVĚŘENÍ NAVRHOVANÉHO MODELU
A METODIKY……………………………………………………22
5 MODEL E-LEARNIGOVÉHO KURZU PRACUJÍCÍ
S ČASEM STUDIA.………………………………………………32
6 ZÁVĚR……………………………………………………...36
7 LITERATURA……………………………………………..38
8 PUBLIKAČNÍ ČINNOST…………………………………42
9 PROFESNÍ CURRICULUM VITAE……………………..43
8
ÚVOD
Motivací pro řešení předložené disertační práce je moje odborné
zaměření na výuku angličtiny moderními metodami a postupy
založenými na adaptivitě.
1 ANALÝZA SOUČASNÉHO STAVU ŘEŠENÉ PROBLEMATIKY
E-learningová forma výuky otevřela nové možnosti jak pro učitele,
tak pro studenty, přinášející velkou řadu positiv – např. výše
zmíněné monitorování, řízení, komunikovaní a ovlivňování studenta
v jeho postupu kurzem. Obrovský zájem o tyto nové možnosti e-
learningu však otevírají prostor pro mnohé problémy, které v době
jeho vzniku nemohly být předvídány či prozatím úplně eliminovány.
Nastolení otázky vylepšení, optimalizace či zkvalitnění e-learningu je
tím složitější, že nelze na věc pohlížet pouze v úzkém spektru jedné
větve výzkumu zaměřující se na jednotlivé problémy.
1.1 LMS a výuka jazyků
V literatuře lze nalézt snahy o optimalizaci výuky cizích jazyků v e-
learningu vzhledem k učebním stylům (Juřičková, 2012) či testování
(El-Hmoudová, 2012) testování.
1.2 Inteligentní výukové systémy
Existuje několik inteligentních výukových systémů. Např. The Passive
Voice Tutor od M.Virvou (Virvou, 2012), English Tutor od kolektivu
kolem Fuma (Fum et al., 1992). English Tutor, podobně jako Passive
9
Voice Tutor, je však systém využitelný pouze pro výuku úzkého
spektra jazyka (pouze určitá část gramatiky). Proto není možno je
využít pro výuku v dlouhodobém časovém horizontu, např. semestr
na univerzitě.
1.3 Adaptivita
Adaptivita systému znamená schopnost systému přizpůsobit se
proměnlivým vstupním informacím, na které systém reaguje
patřičnou změnou. Nynější LMS systémy obecně nenabízejí možnost
přizpůsobení se (adaptace) potřebám jednotlivých uživatelů
v takovém rozsahu, aby mohly být nazývány adaptivní. Systém
Virtuální učitel (Kostolányová, 2012) je modelovým příkladem
inteligentního adaptivního výukového systému, který v sobě nese
prvky dynamické adaptivní výuky. Avšak tento inteligentní výukový
systém je také odlišný od modelu, který je předmětem výzkumu této
dizertační práce. Jedny z nejzásadnějších rozdílů jsou procesy
identifikace znalostí studenta, práce s jeho učebním stylem či
vytvoření předdefinovaných modelů studenta.
Z analýzy výše uvedených směrů výzkumu vyplývá, že ucelený
univerzální adaptivní systém, který by kombinoval prvky potřebné
pro moderní e-learning, jako jsou zapojení učebního
stylu/senzorických preferencí, identifikace znalostí studenta již před
samotným začátkem výukového procesu (tzn. nejen zjištění celkové
úrovně znalostí, ale zejména identifikace kritických oblastí), určení
vhodných výukových objektů a sestavení personalizovaného
10
studijního plánu, a který již byl vyvinut, otestován a používaný
v praxi, nelze v odborných periodicích nalézt.
2 CÍLE DIZERTAČNÍ PRÁCE
Cílem disertační práce je návrh adaptivního e-learningového
systému pro výuku jazyků.
V oblasti pedagogické je cílem soustředit se na studenta samotného,
shromáždit informace o jeho způsobu učení a vstřebávání informací
(senzorické preference), shromáždit informace o jeho vstupních
znalostech. Tyto informacemi jsou využity s cílem výuku studentovi
uzpůsobovat na počátku a také v průběhu procesu výuky dle
výsledků průběžných testů.
V oblasti technické je hlavním bodem zájmu samotný návrh
metodiky adaptace ve výuce jazyků, který vychází z modelu
rozhodování za neurčitosti při určování dalšího kroku ve výuce, což
znamená zavedení takových procesů do stávajících LMS, které
zefektivní vzdělávání v oblastech přizpůsobení obsahu kurzu
studentovi (personalizace obsahu výuky), přizpůsobení formy
obsahu studentovi (personalizace formy obsahu senzorickým
preferencím). Toto se děje na základě identifikace studentových
znalostí a jejich ohodnocení, což vede k sestavení
personalizovaného studijního plánu pro daného studenta.
Identifikace studentových znalostí, jejich ohodnocení a sestavení
personalizovaného studijního plánu bude provedeno na základě
dřívějších zkušeností s výukou jazyka užitím fuzzy orientovaného
expertního systému obsahujícího znalostní bázi IF-THEN pravidel
(JESTLIŽE-PAK pravidel). Tato pravidla jsou vytvářena expertem se
znalostí výuky jazyků.
11
Praktickým cílem je ověřit, zda navržený model jako celek je
použitelný v reálném procesu e-learningové výuky jazyků.
3 MODEL ADAPTACE VÝUKY CIZÍCH JAZYKŮ
Model adaptace vychází z modelu publikovaném v (Klimeš, 2011).
Tento model byl podroben analýze a vzhledem k tématu této
dizertační práce musel být pozměněn, aby pokryl všechny procesy,
které jsou specifikem pro výuku jazyků:
- Získání informací o studentovi – shromáždění dat o studentovi a oblasti, které se rozhodovací proces týká.
- M1a - proces zúplnění informací o senzorických preferencích studenta a jejich ohodnocením.
- M1b - proces zúplnění informací o znalostech studenta a jejich ohodnocením.
- M2 - proces vytvoření množiny přípustných řešení, tj. formulování cílů řízení výuky jazyka na základě popisu dané situace a formulování přípustných řešení.
- M3 - proces modelování efektů přípustných řešení - zde se každému přípustnému řešení přiřadí množina situací a jejich časových průběhů, které vznikají na základě daného rozhodnutí. Modelování efektů je cyklicky opakováno do okamžiku nalezení prvního přípustného řešení. Toto řešení je přijato jako studijní varianta pro daného studenta.
Navržené schéma vyhovující potřebám výuky jazyka v e-learningové
formě bylo rozloženo na jednotlivé činnosti, které se v daných
procesech vykonávají. Tyto činnosti jsou znázorněny na Obr. 1
zachycujícím detailní vývojový diagram celého učebního procesu.
12
Obrázek 1 Vývojový diagram kompletního procesu vzdělávání přes
e-learning
13
3.1 Definice jednotlivých částí navrhovaného modelu
Pro popis celého modelu byla zavedena terminologie, která je
určena pouze pro potřeby této práce.
3.1.1 Získání informací o studentovi
Vstupní informace jsou informace poskytnuté studentem před
začátkem učebního procesu, ale také informace, které jsou již
předem uloženy v systému.
Popis vstupů
Vstupem je Didaktický test a Dotazník senzorických preferencí
Výběr didaktického testu závisí na předmětu, který si student zapsal
pro daný semestr. S výběrem didaktického testu dále souvisí další
hodnoty vážící se k danému předmětu a testu.
1) Didaktický test – výběr z D0
o Předmět (PředmětID), o Název (TestID), o Celková doba studia v e-learningu (CDS), o Počet otázek v testu (Ocelkem), o Identifikace Kategoriei, Kategoriej, …, Kategorien pro daný
test, o Identifikace otázky Oi(KATi), Oj(KATj), …, On(KATn) pro daný test, o V2: Váha otázky VáhaOi, VáhaOj, …, VáhaOn, o V3: Váha kategorie VáhaKATi, VáhaKATj, …, VáhaKATn, o Hodnoty minimální procentuální úspěšnosti pro splnění
kategorie minPrTi%, minPrTj%, …, minPrTn% a minCTi%, minCTj%, …, minCTn%,
o Hodnota splnění kategorie maxV5.
14
Dotazník senzorických preferencí pro zjištění modalit V,A,R,K je
pouze jeden standardizovaný. Není vázán na předmět. Neváží se
k němu další proměnné.
2) Dotazník senzorických preferencí – z D2: o Identifikace studenta (StudentID), o O1 (odpověď1, odpověď2, odpověď3, odpověď4), O2
(odpověď1, odpověď2, odpověď3, odpověď4), …, O16 (odpověď1, odpověď2, odpověď3, odpověď4).
Popis činností
- Didaktický test – vyplnění o Identifikace studenta (StudentID), o Určení správných odpovědí Oi, Oj, …, On, o Čas jednotlivých odpovědí TOi, TOj , …, TOn.
- Dotazník senzorických preferencí - vyplnění: o Identifikace studenta (StudentID), o O1 (odpověď1, odpověď2, odpověď3, odpověď4), O2
(odpověď1, odpověď2, odpověď3, odpověď4), …, O16 (odpověď1, odpověď2, odpověď3, odpověď4).
- Dotazník senzorických preferencí – určení četností: o Identifikace studenta (StudentID), o ČetnostV = O1 (odpověď1) + O2 (odpověď1), + … + O16
(odpověď1), o ČetnostA = O1 (odpověď2) + O2 (odpověď2), + … + O16
(odpověď2), o ČetnostR = O1 (odpověď3) + O2 (odpověď3), + … + O16
(odpověď3), o ČetnostK = O1 (odpověď4) + O2 (odpověď4), + … + O16
(odpověď4).
Popis výstupů
Informace uložené do D1: - Identifikace studenta (StudentID), - Předmět (PředmětID),
15
- Název didaktického testu (TestID), - Počet otázek v testu (OCelkem), - Identifikované Kategoriei, Kategoriej, …, Kategorien, - Identifikované otázky Kategoriei, Kategoriej, …, Kategorien, - V1: počet správných odpovědí na Oi(KATi), Oj(KATj), …, On(KATn), - V2: Váha identifikovaných otázek VáhaOi, VáhaOj, …, VáhaOn, - V3: Váha identifikovaných kategorií VáhaKATi, VáhaKATj, …,
VáhaKATn, - Správné odpovědi Oi, Oj, …, On, - V4: Čas jednotlivých odpovědí TOi, TOj , …, TOn.
Informace uložené do D3:
- Předmět (PředmětID), - Celková doba studia (CDS), - Hodnoty minPrTi, minPrTj, …, minPrTn a minCTi, minCTj, …, minCTn, - Hodnota maxV5.
Informace uložené do D2:
- Identifikace studenta (StudentID), - ČetnostV, ČetnostA, ČetnostR, ČetnostK.
3.1.2 Proces M1a
Popis vstupů
Data načtená z databáze D2:
- Identifikace studenta (StudentID), - ČetnostV, ČetnostA, ČetnostR, ČetnostK.
Popis činností procesu
Proces M1a stanovuje jakou kombinaci senzorických preferencí student má, a to na základě procentuálního výpočtu četnosti.
V% = [ČetnostV/(ČetnostV+ČetnostA+ČetnostR+ČetnostK)]*100 A% = [ČetnostA/( ČetnostV+ČetnostA+ČetnostR+ČetnostK)]*100 R% = [ČetnostR/( ČetnostV+ČetnostA+ČetnostR+ČetnostK)]*100 K% = [ČetnostK/( ČetnostV+ČetnostA+ČetnostR+ČetnostK)]*100
16
Popis výstupů
Data uložená do databáze D3: - Identifikace studenta (StudentID), - V%, - A%, - R%, - K%.
3.1.3 Proces M1b
Popis vstupů
Data načtená z databáze D1: - Identifikace studenta (StudentID), - Předmět (PředmětID), - Název didaktického testu (TestID), - Počet otázek v testu (OCelkem), - Identifikované Kategoriei, Kategoriej, …, Kategorien, - Identifikované otázky Kategoriei, Kategoriej, …, Kategorien, - V1: počet správných odpovědí na Oi(KATi), Oj(KATj), …, On(KATn), - V2: Váha identifikovaných otázek VáhaOi, VáhaOj, …, VáhaOn, - V3: Váha identifikovaných kategorií VáhaKATi, VáhaKATj, …, VáhaKATn, - Správné odpovědi Oi, Oj, …, On, - V4: Čas jednotlivých odpovědí TOi, TOj , …, TOn.
Popis činností procesu
Proces M1b je procesem, který vyhodnocuje úroveň znalosti jazyka daného studenta.
1) První činností je zjištění, zda student splnil minimální znalosti pro vstup do kurzu. Didaktický test je vyhodnocen jako celek:
(Oi + Oj + … + On) ≥ Ocelkem * 0,4
Jestliže jsou minimální požadavky splněny, přistupuje se k bodu 2. V opačném případě je student upozorněn, že nesplnil vstupní požadavky a musí přejít na jiný kurz.
17
2) V této fázi vyhodnocování je každá kategorie obsažená v didaktickém testu vyhodnocována samostatně. Tento proces využívá fuzzy logický expertní systém a znalostní bázi obsahující sadu vytvořených IF-THEN pravidel, (na Obr. 1 označené jako ES1), která vyhodnocují načtená vstupní data V1-V4 a ohodnocují výstup V5.
Vyhodnocení didaktického testu při využití báze znalostí ES1 (ukázka):
JESTLIŽE V1 je SMALL A V2 je SMALL A V3 je VERY BIG A V4 je BIG PAK V5 je EXTREMELY BIG
Báze znalostí ES1 obsahuje 135 pravidel.
Popis výstupů
Data uložená do databáze D3: - Identifikace studenta (StudentID), - Identifikované Kategoriei, Kategoriej, …, Kategorien, - Potřeba dalšího studia (V5) identifikované Kategoriei, Kategoriej,
…, Kategorien.
3.1.4 Proces M2
Popis vstupů
Data načtená z databáze D3: - Identifikace studenta (StudentID), - Identifikované Kategoriei, Kategoriej, …, Kategorien, - Hodnoty minimální procentuální úspěšnosti pro splnění kategorie
minPrTi%, minPrTj%, …, minPrTn% a minCTi%, minCTj%, …, minCTn%, - Dosažené procento z testů PrTi%, PrTj%, …, PrTn% a CTi%, CTj%, …,
CTn% (pokud jde již o druhý průchod generování studijní varianty), - Potřeba dalšího studia (V5) identifikované Kategoriei, Kategoriej,
…, Kategorien - Hodnota splnění kategorie maxV5.
18
Popis činností procesu
Z množiny všech cílů výuky daného kurzu, tzn. požadovaná znalost
Kategoriei, Kategoriej, …, Kategorien, jsou vybrány jen ty, které jsou
pro daného studenta relevantní (na základě dat získaných v procesu
M1b). Ohodnocení relevantnosti cíle je provedeno na základě
splnění či nesplnění podmínek pro daný cíl výuky, tzn. dosažení
požadované znalosti (vyjádřeno dosaženou hodnotou jazykové
proměnné V5, popř. procentem z kontrolních testů v průběhu
studia).
Popis výstupů
Data uložená do databáze D3: - Identifikace studenta (StudentID), - Množina identifikovaných kategorií nesplnil N={Kategoriei,
Kategoriej, …, Kategorien}, - Množina identifikovaných kategorií splnil S={Kategoriei, Kategoriej,
…, Kategorien}.
3.1.5 Proces M3
Popis vstupů
Data načtená z databáze D3: - Identifikace studenta (StudentID), - Předmět (PředmětID), - Množina identifikovaných kategorií nesplnil N={Kategoriei,
Kategoriej, …, Kategorien}, - Celková doba studia (CDS), - V%, - A%, - R%, - K%.
19
Data načtená z databáze D4:
- Pro nesplnil N={Kategoriei, Kategoriej, …, Kategorien} se určí fixní studijní objekty SOKATi (ATi, ATj, …, ATn, PrTi), SOKATj (ATi, ATj, …, ATn, PrTj), …, SOKATn (ATi, ATj, …, ATn, PrTn),
- Pro nesplnil N={Kategoriei, Kategoriej, …, Kategorien} se určí studijní materiály SMi (Kategoriei), SMj (Kategoriej), …, SMn (Kategorien),
- Pro nesplnil N={Kategoriei, Kategoriej, …, Kategorien} se určí fixní časová náročnost studijních objektů TSOKATi, TSOKATj, …, TSOKATn,
- Cumulative testy pro daný předmět, tzn. CTi (Předmět, Kategoriei, Kategoriej, …, Kategorien, minCT%), CTj (Předmět, Kategoriei , Kategoriej, …, Kategorien, minCT%), …, CTn (Předmět, Kategoriei , Kategoriej, …, Kategorien, minCT%),
- Fixní časová náročnost Cumulative testů pro daný předmět TCTi,
TCTj, …, TCTn,
- Pro nesplnil N={Kategoriei, Kategoriej, …, Kategorien} se určí časová
náročnost jednotlivých studijních materiálů TSMi(KATi), TSMj(KATj), …,
TSMn(KATn).
Popis činností procesu
Činnosti tohoto procesu vedou k sestavování samotného
personalizovaného studijního plánu studenta, viz Obr. 2.
Popis výstupů
Data uložená do databáze D3:
- Identifikace studenta (StudentID), - Předmět (PředmětID), - Identifikátor vygenerované studijní varianty (SVi). Studijní varianta
obsahuje: o Nesplněné kategorie: nesplnil N={Kategoriei, Kategoriej, …,
Kategorien}, o Studijní materiály: SMi (Kategoriei), SMj (Kategoriej), …,
SMn (Kategorien),
20
o Fixní studijní objekty: SOKATi (ATi, ATj, …, ATn, PrTi), SOKATj (ATi, ATj, …, ATn, PrTj), …, SOKATn (ATi, ATj, …, ATn, PrTn),
o Cumulative testy: CTi (Předmět, Kategoriei , Kategoriej, …, Kategorien, minCT%), CTj (Předmět, Kategoriei , Kategoriej, …, Kategorien, minCT%), …, CTn (Předmět, Kategoriei , Kategoriej, …, Kategorien, minCT%),
o Celkový součet časů: CSČSVi .
Popis výstupů
Data uložená do databáze D3:
- Identifikace studenta (StudentID), - Předmět (PředmětID), - Identifikátor vygenerované studijní varianty (SVi). Studijní varianta
obsahuje: o Nesplněné kategorie: nesplnil N={Kategoriei, Kategoriej, …,
Kategorien}, o Studijní materiály: SMi (Kategoriei), SMj (Kategoriej), …,
SMn (Kategorien), o Fixní studijní objekty: SOKATi (ATi, ATj, …, ATn, PrTi), SOKATj
(ATi, ATj, …, ATn, PrTj), …, SOKATn (ATi, ATj, …, ATn, PrTn), o Cumulative testy: CTi (Předmět, Kategoriei , Kategoriej, …,
Kategorien, minCT%), CTj (Předmět, Kategoriei , Kategoriej, …, Kategorien, minCT%), …, CTn (Předmět, Kategoriei , Kategoriej, …, Kategorien, minCT%),
o Celkový součet časů: CSČSVi .
V databázi D3 jsou nyní uloženy veškeré relevantní informace o
studentovi a studijním plánu a materiály ke studiu.
21
Obrázek 2 Činnosti procesu M3
22
4 PRAKTICKÉ OVĚŘENÍ NAVRHOVANÉHO MODELU A METODIKY
Praktická část této dizertační práce ověřovala, zda je možno model
navržený a popsaný v kapitole 3 implementovat do praktického
využití a to zejména za využití stávajících systémů a dostupných
prostředků.
Jednotlivá teoretická východiska proto byla aplikována a převedena
do reálných výstupů, které jsou popsané v následujících kapitolách
tak, jaká byla posloupnost jejich potřeby v zavádění.
4.1 Cílová skupina a cíle výuky
Cílovou skupinou pro ověření navrženého modelu a tedy i pro
navržení a strukturovaní didaktického testu a e-kurzu, byli studenti
distanční a kombinované formy studia oboru Aplikovaná informatika
a Informatika na Katedře informatiky a počítačů, Přírodovědecké
fakulty, Ostravské univerzita v Ostravě, kteří si zapsali předmět
Angličtina studovaného oboru 3 (XANG3 pro kombinovanou formu;
2ANG3 pro distanční formu – dále označovaný pouze jako XANG3)
v ZS2014/2015. Časové období bylo 13 týdnů, 22.9.-19.12.2014.
Tento kurz navazuje na dva předchozí kurzy Angličtina studovaného
oboru 1 (dále jen XANG1), vyučovaný v zimním semestru a
Angličtina studovaného oboru 2 (dále jen XANG2), vyučovaný
v letním semestru. XANG1 a XANG2 nejsou povinnými předměty,
tedy studenti tyto předměty nemuseli absolvovat. Vstupní
informace
Vstupními informacemi do rozhodovacího procesu se rozumí
informace poskytnuté studentem, na jejichž základě je systém
23
schopen studenta ohodnotit v oblasti kritérií, která jsou pro další
postup nezbytná - zde úroveň znalosti jazyka a senzorické
preference.
4.2 Didaktický test
Tvorba a struktura didaktického testu
Pro náš účel můžeme využít standardizovaný rozřazovací test
anglického jazyka pro zjištění obecné úrovně znalostí vytvořený
univerzitou v Cambridge (Cambridge University, 2010). Obecně,
rozřazovací testy začínají jednoduchými otázkami pro začátečníky a
náročnost gramatických okruhů se zvyšuje. Cílem rozřazovacích
testů je identifikovat úroveň znalostí jazyka dle SERR (Council of
Europe, 2011). Tyto úrovně se rozdělují na A1-C2. Příkladový
rozřazovací test obsahuje rozdělení pokrývající úrovně A1-C1.
Vyhodnocení rozřazovacího testu jako celek nám sice definuje
úroveň znalostí studenta, bohužel neříká nic o tom, kde student
chyboval, v čem jsou jeho znalosti dostatečné a v čem student
zaostává. To znamená, že učitel/systém nemá informace o tom,
které studijní objekty studentovi předložit.
Obecný test byl přestrukturován tak, aby vyhovoval potřebám testování
studentů předmětu XANG3.
Analýza didaktického testu
Je třeba tedy analyzovat jednotlivé otázky dle jejich zaměření – na
jaký gramatický jev se zaměřují. Jednotlivé otázky rozřazovacího
testu byly podrobeny analýze a rozděleny dle gramatických
kategorií.
24
Pro zpracování didaktického testu bylo zvoleno prostředí online
webové aplikace. Toto prostředí bylo zvoleno z důvodu
jednoduchého přístupu ze strany uživatelů a také z důvodu možnosti
požadované výstupy testu exportovat, dále zpracovat a importovat
do LMS Moodle. Další nespornou výhodou je možnost
automatického spuštění nástroje LFLC v průběhu zpracování
výsledků testů a následné zpracování ohodnocení, které jsou
výstupem nástroje LFLC.
Vytvořenou webovou aplikaci je možné rozdělit do těchto částí:
- vytváření otázek didaktického testu a jejich rozdělení do kategorií,
- vložení studenta do systému, - přihlášení studenta do systému a vyplnění testu, - vyhodnocení testu pomocí LFLC, - vytváření otázek didaktického testu a jejich rozdělení do
kategorií.
Vyhodnocení didaktického testu
Jednotlivé kategorie jsou podrobeny analýze pro vyhodnocení
potřeby následného studia dané gramatické kategorie v průběhu
průchodu e-learningovým kurzem. Proces analýzy jednotlivých
kategorií bere v úvahu následující proměnné pro každou kategorii
zvlášť. (Výčet obsahuje jazykové vyjádření daných proměnných):
1. Znalost dané kategorie (V1) – small, medium, big, 2. Váha správně zodpovězených otázek (V2) – small, medium,
big, 3. Důležitost kategorie pro další studium (V3) – very small,
small, medium, big, very big,
4. Čas strávený nad danou kategorií (V4) – small, medium, big.
25
Znalost dané kategorie (V1)
Znamená vyhodnocení, kolik odpovědí student odpověděl správně
v dané kategorii. Čím méně správných, tím nižší znalost. Hodnoceno
procentuálním poměrem (0-100%) na škále (0-1).
Váha správně zodpovězených otázek (V2)
Znamená, že některé otázky v rámci jedné kategorie jsou lehčí,
některé obtížnější. Jsou ohodnoceny všechny otázky ve všech
kategoriích. Hodnoceno vahou (0-10) na škále (0-1)
Důležitost kategorie pro další studium (V3)
Znamená, jak je daná kategorie ohodnocena, zda ji student již má
znát velmi dobře, částečně či zatím ji znát nemusí. Například
důležitost znalosti Přítomného času průběhového pro vstup do
XANG3 je velmi velká. Při vyhodnocení stejné kategorie pro XANG1
by Přítomný čas průběhový byl ohodnocen jako malá důležitost.
Znalost předminulého času naopak nezbytná není, protože se ho
student teprve bude učit. Hodnoceno vahou (0-10) na škále (0-1)
Čas strávený nad danou kategorií (V4)
Znamená, že je sčítán čas potřebný na odpověď jednotlivých otázek.
Časy se pak sčítají pro jednotlivé kategorie a je vyhodnoceno, zda
studentovi trvá odpovědět na otázky dané kategorie dlouho,
středně dlouho či krátce. Jelikož je celý test koncipován na 40 min,
průměrný čas odpovědi byl stanoven na 20 sekund pro jednu
otázku, což je dostatečný čas. Hodnoceno časem v sekundách na
škále (0-1)
Výstupní proměnná (V5):
26
Potřeba studia dané gramatické kategorie (V5): extremely small, very small, small, more or less medium, medium, big, very big, extremely big.
Znamená, jak intenzivně by měl student danou kategorii studovat,
aby úspěšně dosáhl studijních cílů. Výstupní proměnná odráží
skutečný stav znalostí studenta a nastavuje důležitost/potřebu
studia pro daný předmět.
V posledním kroku je test studenta vyhodnocen. Expertní systém
obsahuje znalostní bázi, která je složena ze 135 IF-THEN pravidel. V
průběhu vyhodnocení testu jsou odpovědi studenta nejprve
sdruženy do kategorií otázek (jednotlivých témat). V každé kategorií
jsou souhrnně spočteny hodnoty pro všechny vstupní jazykové
proměnné (V1-V4), které jsou upraveny pro použití ve vstupním
souboru pro LFLC 2000 (Habiballa et al, 2003).
4.3 Senzorické preference
Výběr vhodné metodiky zjišťování senzorických preferencí
Zjištění senzorických preferencí studenta na základě odpovídajícího
dotazníku je nezbytným krokem pro umožnění systému pracovat
se studijními materiály tak, aby danému studentovi předložil studijní
materiály vyhovující jeho preferovaným způsobům vnímání
informací.
Pro výběr modelu rozdělení učebního stylu, v našem případě pouze
senzorické preference, byly vybrány modely vytvořené Kolb, Felder-
Silverman, Gregorc, Honey a Mumford, Fleming. Tyto byly
posouzeny a jedna metodika vybrána pro další využití v této
dizertační práci.
27
Tabulka 1 přehledně zobrazuje nosná kritéria 1 – 7, jejichž splnění
vedlo k výběru nejvhodnější metodiky. Je patrné, že většina metodik
má problémy se splněním kritérií elektronické výuky (potřeba práce
ve skupině, náhodný přístup k učení, atd.), dále pak s přiřazením
jednotlivých typů studijních materiálů k typům studenta, popř.
metodika vyhodnocení není jednoduchá.
Tabulka 1 Porovnání vybraných metodik, zda splňují kritéria 1 – 7
11.. elektronické prostředí (přítomnost učitele je „vyloučena“), 22.. studenti studují individuálně, ne skupinově, 33.. typ studijních materiálů musí být vhodný pro všechny typy
dané metodiky, 44.. využitelnost ve vzdělávacích institucích, např. univerzita,
střední škola, 55.. respektování metodiky výuky daného předmětu, 66.. standardizované testování (popř. existuje česká verze testu), 77.. krátkost, jednoduchost testu a jeho vyhodnocení.
Vezmeme-li v úvahu stanovená kritéria pro výběr nejvhodnější
metodiky a vyhodnocení v Tabulce 1, Flemingova metodika VARK se
jeví jako nejvhodnější, neboť splňuje všechna kritéria potřebná pro
M E T O D I K A Kolb Honey &
Mumford Gregorc Felder-
Silverman Fleming
1. ANO ANO ANO 2. ANO ANO ANO 3. ANO 4. ANO ANO ANO ANO 5. ANO ANO 6. ANO ANO ANO ANO ANO 7. ANO Celkem 3 3 5 2 7
28
účely navrhovaného modelu. Proto tato metodika bude použita pro
vyhodnocení senzorických preferencí studenta.
Testování senzorických preferencí
Pro potřeby zavedení senzorických preferencí jednotlivým
studentům předmětu XANG3 v pilotovaném e-kurzu v ZS2014,
studenti vyplnili již testovaný dotazník a jednotlivé odpovědi byly
poté převedeny do formy, která umožnila jednotlivým studentům
přiřadit atributy V-A-R-K v kurzu v LMS Moodle. Jednotlivé modality
byly označeny jako ANO ≥ 20% či NE < 20% z celkového počtu
odpovědí v dotazníku.
4.4 Příprava e-learningového kurzu XANG3 pro ověření
v ZS2014
Při přípravě e-learningového kurzu XANG3 bylo třeba vzít v úvahu,
že student bude mít možnost, popř. bude muset zpětně projít
obsahem kurzu XANG1 a XANG2, což v klasickém pojetí kurzů na OU
nelze. Po importu všech potřebných materiálů se přistoupilo
k dalšímu kroku, a to k nezbytným přizpůsobením a nastavením. Velmi důležitým faktem je, že pro potřeby ověření v ZS2014 bylo možno využít práci s časovou náročností „pouze“ celých lekcí. To znamená, že pokud studentova vstupní znalost dané kategorie dosáhla stanoveného limitu, kategorie byla vyhodnocena jako splněna. Metodika ověření v ZS2014 korespondovala s navrženým modelem až do procesu M2 včetně. Student tedy měl časově kratší studium o všechny takto vyhodnocené lekce. Avšak časová náročnost jednotlivých studijních materiálů nemohla být vzata v úvahu, neboť LMS Moodle zatím nedovoluje pracovat s časovým hlediskem
29
jednotlivých studijních objektů. Řešení beroucí v úvahu časové hledisko studia je navrženo v kapitole 4.
Potřebná přizpůsobení
Pro účely implementace takto vytvořeného kurzu byla využita zcela
nová instance LMS Moodle, která byla implementována na
virtuálním stroji se systémem Linux Debian hostovaném na
technologii VMWare. Bylo použito Moodle verze 2.7.2+.
Implementace se v prostředí LMS Moodle orientovala na profil
studenta, konkrétně na volitelná pole profilu uživatele. Souhrnně byl
tento profil rozšířen o 25 polí.
Metodika nastavení průchodu kurzem
Samotný průchod kurzem byl postaven na metodice, která musela
zaručit, aby korespondovala s výsledky vstupního testu a dotazníku,
ale také, aby umožňovala reagovat na průběžné výsledky studenta
v průběhu studia v semestru – ideálně bez zásahu pedagoga
Struktura je navržena tak, že lze omezit přístup k celé lekci na
základě výstupu z didaktického testu a otevřít ji na základě
průběžných výsledků.
Zde ale může nastat komplikace, kdy student má z výsledku
didaktického testu výsledek umožňující lekci přeskočit (doporučení
bylo extrémně malé, velmi malé, malé). Přístup je omezen, ale
student musí zvládnout i opakovaní = Cumulative test, který
kontroluje, zda student opravdu v úvodním didaktickém testu neměl
např. štěstí, tedy jeho znalost je opravdu konzistentní. Pokud
Cumulative test nezvládne, lekce se mu zpětně otevře, což zaručuje
pravidlo omezení známky z testu Cumulative test - Present tenses.
30
V tomto případě se lekce zpětně otevře při úspěšnosti menší než
70% z tohoto opakovacího testu. Student má tedy možnost si projít
cvičení a látku vztahující se k této gramatické kategorii a pak se opět
vrátit k Cumulative test – Present tenses. Má celkem 3 pokusy tento
opakovací test zvládnout. Tři pokusy jsou omezením pro všechny
testy v kurzu.
Nastavení omezení pro Cumulative test, kterých je v kurzu několik,
neboť jsou opakováním vždy předešlého celku logicky k sobě
patřících lekcí (např. Present tenses, Past tenses, Present perfect
tenses, …), je mnohem složitější. Musí být splněna alespoň jedna
z následujících podmínek, aby student mohl testem projít:
1. Úvodní didaktický test nevyhodnotil potřebu studia obou
kategorií (Present Simple i Present Continuous) jako
extrémně velká, velmi velká či velká. Obě kategorie jsou tedy
zavřeny a student rovnou přikročí k opakovacímu testu.
2. Úvodní didaktický test nevyhodnotil potřebu studia jedné z
kategorií (Present Simple i Present Continuous) jako
extrémně velká, velmi velká či velká, ale druhou ano. Student
musí nejprve zvládnout Progress test z kategorie
vyhodnocené jako doporučené ke studiu.
3. Úvodní didaktický test vyhodnotil potřebu studia obou
kategorií (Present Simple i Present Continuous) jako
extrémně velká, velmi velká či velká. Obě kategorie jsou tedy
otevřeny a musí nejprve zvládnout Progress test z obou
kategorií.
Takto student postupuje celým kurzem až k jeho konci. Individuální
nastavení učební látky je zaručeno studentovými výsledky jak
31
z úvodního didaktického testu, tak z informací o výsledcích, které se
o studentovi shromažďují v průběhu studia samotného.
4.5 Vyhodnocení sestavení a nastavení e-
learningového kurzu
Sestavení e-learningového kurzu XANG3 bylo koncipováno tak, aby
student měl možnost jej úspěšně projít i bez nutnosti vstupu do
kurzu XANG1 a XANG2. Každá lekce obsahovala studijní materiály,
kterým byly přiřazeny kategorie VARK, vždy minimálně jeden
studijní materiál k jedné kategorii VARK. Dále obsahovala auto-testy,
jež měl student k dispozici k procvičení před přistoupením
k Progress test či Cumulative test. Jak již bylo zmíněno, žádný
student neměl k dispozici pouze jeden typ studijních materiálů, ale
kombinaci dvou až tří. Žádný student také neměl k dispozici všechny
typy, vždy byl jeden typ utlumen – dle výsledků dotazníku
senzorických preferencí.
Kombinace lekcí, jež byly studentovi doporučeny ke studiu, byly
opět velmi variabilní. V případě velmi pokročilého studenta by se
jeho studijní plán „zúžil“ na pouhých 6 opakovacích testů, což by
studentovi časově velmi pomohlo pro studium dalších předmětů.
V opačném extrémním případě by ale student musel projít celkem
21 povinných testů, což by ale ukazovalo na velmi malé znalosti. Zde
bychom mohli narazit na časovou náročnost celého kurzu.
Nastavení průchodu kurzem se ukázalo jako vyhovující, když
vytvořená metodika pro průchod jednotlivými lekcemi a testy, tzn.
systém kombinace splněných podmínek, umožnila systému reagovat
na studentovy výsledky a ty zohledňovat v jeho dalším postupu.
32
V průběhu studia nastala pouze jedna situace, kdy se někteří
studenti dostali do tzv. deadlocku, což je situace, kdy student musí
splnit podmínku a, která je podmíněná splněním podmínky b, a tu
student může splnit pouze, pokud splní podmínku a. Tato situace
nastala z důvodu špatného nastavení přístupu ke Cumulative test –
Present perfect tenses, ale po upozornění studenty, byla ihned a
jednoduše vyřešena.
Ověření nebylo provedeno na vzorku studentů rozdělených na
skupinu experimentální a kontrolní, a to z důvodu malého počtu
studentů, kteří v daném semestru studovali. Výsledky by vedly ke
statisticky nereprezentativním závěrům.
Cel kurz byl hodnocen evaluačním dotazníkem. Ten vyplnili studenti,
kteří úspěšně došli až ke konci kurzu. Bylo jich celkem 11 ze 14.
5 MODEL E-LEARNIGOVÉHO KURZU PRACUJÍCÍ S ČASEM STUDIA
Závěrečná fáze při zpracovávání tématu této dizertační práce se
týkala návrhu modelu e-learningového kurzu pracujícího s časem,
včetně jeho ověření na modelových příkladech.
Zásadní charakteristika tohoto modelu je, že zajišťuje možnost práce
s časem nejen při testování, ale také při samotném sestavování
individuálního studijního plánu studenta, a to ideálně bez vnějšího
zásahu – oproti ověřovanému kurzu XANG3, kdy bylo třeba výstupy
z expertního systému a dotazníku senzorických preferencí manuálně
nahrát do LMS Moodle, který však neumožňuje práci s časovými
nároky jednotlivých studijních materiálů.
33
5.1 Požadavky
Bylo třeba dosáhnout žádoucího stavu, kdy by veškeré aktivity
probíhající od začátku testování, až po konečné sestavení
individuálního studijního plánu studenta probíhaly v jednom
uceleném systému bez nutnosti využívat navzájem nepropojené
aplikace.
Bylo třeba stanovit celkový čas studia, který má student k dispozici
od počátku studia až po ukončení, včetně splnění zápočtu či
závěrečné zkoušky. V případě předmětu XANG3 to je ústní zkouška
obsahově pokrývající i předměty XANG1 a XANG2.
Pro potřeby práce s časem, bylo třeba stanovit průměrnou časovou
náročnost jednotlivých studijních objektů, kontrolních testů,
zkušebních testů a jiných částí e-learningového kurzu a předmětu
jako takového.
Celkově bylo tedy žádoucí zkombinovat již vytvořenou metodiku
testování znalostí a senzorických preferencí, vyhodnocení a
průchodu kurzem s výše uvedenými požadavky, a tím vytvořit nový
model e-learningového kurzu.
5.2 Časové hledisko e-learningového kurzu
1. Nejprve byly časově ohodnoceny studijní materiály, jež slouží
studentům jako zdroje nové/opakované učební látky. Studijní
materiály představují studijní objekty, které jsou variabilní a
studentům jsou předkládány dle VARK preferencí a pouze
v případě vyhodnocení jako doporučené pro další studium.
34
2. Byly časově ohodnoceny „Cumulative tests“, tzn. testy, které
student musí projít vždy, aby byla eliminována situace, kdy
student při úvodním didaktickém testu kategorii splnil, např.
díky náhodným odpovědím.
3. Byly časově ohodnoceny jednotlivé kategorie (lekce), které
obsahují auto-testy a Progress test sloužící studentovi pro
upevnění naučené studijní látky a ověření si, že ji pochopil. Tyto
studijní objekty jsou obsaženy v každé lekci a student je má
k dispozici pouze v případě, že je lekce otevřená (na základě
vstupních dat či průběžných výsledků).
4. Byla stanovena celková doba studia a pevné časové dotace
jednotlivým součástem předmětu. Ty byly převzaty z IS Stag OU,
tzn. informačního systému, kde je předmět popsán, včetně
časové náročnosti. Celková doba studia je odvozena od dotace
tří kreditů, která odpovídá 90 hodinám celkem za předmět.
5.3 Eliminace studijních materiálů – proces M3
Proces, který navazuje na eliminaci jednotlivých lekcí, spočívá
v eliminaci studijních materiálů, což znamená, že studentovi budou
předloženy pouze některé studijní materiály z celkové databáze
studijních materiálů daného kurzu. Tento proces je rozdělen na dvě
fáze.
V první fázi se eliminují studijní objekty na základě vyhodnocení
dotazníku senzorických preferencí – tedy dle zjištěné kombinace
modalit VARK. Jednotlivé studijní materiály mají přiřazenou danou
modalitu. Tato eliminace se provádí na základě procentuálního
vyhodnocení poměru VARK modalit.
35
V tomto okamžiku systém opět přepočte čas, který nyní studijní plán
daného studenta vyžaduje, a porovná ho s dostupným časem studia.
Mohou nastat dvě varianty.
1. Vygenerovaný studijní plán je časově kratší než dostupný čas
pro studium. Tento vygenerovaný plán je tedy studentovi
předložen a studium může začít.
2. Vygenerovaný studijní plán je časově delší než dostupný čas
pro studium. V tomto případě se přistupuji k druhé fázi.
Druhá fáze spočívá ve využití algoritmu pro eliminaci studijních
materiálů. Tento algoritmus byl vyvinut tak, aby splňoval podmínky,
které vstupují do procesu finální eliminace.
5.4 Ověření funkčnosti aplikace pro sestavení
studijních materiálů pro redukovaný studijní plán studenta
Cílem navržené aplikace (nazvané Adaptive eLearning) bylo pouze
modelové ověření systému pracujícího s časovou náročností
studijních materiálů a celých lekcí. To znamená, že bylo třeba ověřit,
zda je aplikace schopná sestavit studijní plán studenta na základě
časových vztahů.
Aplikace byla navržena ve stejném uživatelském rozhraní, jako byla
aplikace pro vyhotovení didaktického testu, tzn. programovací jazyk
PHP, značkovací jazyk HTML5, CSS3. Pro uložení dat byla použita
databáze MySQL. Aplikace prozatím nemá veřejnou internetovou
adresu, proto není přístupná na internetu.
36
Samotnému programování webové aplikace předcházelo vytvoření
zápisu v pseudokódu, jehož algoritmus vyjadřuje generování studijní
varianty procesem M3.
Adaptive eLearning byla testována pro ověření její funkčnosti.
V současné době je připravováno modelování studijní varianty na
vybraných studentech. Studenti byli vybráni ze vzorku studentů,
kteří studovali předmět XANG3 v ZS2014. Součástí aplikace je
načtení výsledků VARK testů a výstupů didaktického testu z
expertního systému. Data pro vytvoření modelových
personalizovaných studijních plánů jsou již nashromážděna, jelikož
byly použity výstupy z expertního systému a dotazníku senzorických
preferencí, jež byly vyplněny před vstupem do studia v ZS 2014.
V nynějším stádiu vývoje aplikace Adaptive eLearning je možno
dosáhnout fáze, kdy jsou načteny kategorie nesplnil a studijní
materiály těchto kategorií dle vyhodnocení VARK modalit.
V další fázi je třeba porovnat Celkový součet časů (CSČ) všech lekcí,
který nesmí přesáhnout Celkovou dobu studia v e-learningu daného
předmětu. Pokud je CSČ vyšší, přistoupí se ke generování
redukované varianty dle daného algoritmu. Modelové ověření této
fáze je plánováno v květnu 2015 a jeho výstupy budou základem pro
publikaci v impaktovaném časopise.
6 ZÁVĚR
Výstupem předkládané dizertační práce je modifikovaný model
adaptivního e-learningového systému pro výuku jazyků. Ucelený
model tohoto navrženého adaptivního e-learningového systému
obsahuje popis jednotlivých částí systému a procesů, které se v nich
vykonávají. Obsahuje metodiku pro sběr, uchovávání a
37
vyhodnocování dat v jednotlivých procesech. Obsahuje vytvořenou
bázi znalostí se 135 pravidly, která byla vytvořena pro využití
navrhovaným systémem. Obsahuje také metodiku pro navržení
dalšího kroku v procesu učení.
Přínosem disertační práce je:
a) Navržený a ověřený model je schopen identifikovat znalosti
studenta na základě využití fuzzy logického expertního systému,
který využívá bázi pravidel vytvořených autorem této práce.
b) Navržený a ověřený model je schopen identifikovat senzorické
preference studenta a tyto informace dále využít v dalších
krocích sestavování studijního plánu
c) Navržený a ověřený model je schopen navrhnout další krok ve
výuce pro daného studenta, a to na základě vstupních
informací, ale také na základě průběžných studijních výsledků.
d) Navržený a ověřený model je možno využít pro výuku jazyků, a
to na základě výstupů z ověřovaného e-learningového kurzu
XANG3.
e) Navržený a ověřený model je možno nazvat adaptivním, neboť
reaguje na různé hodnoty vstupních informací, které následně
využije pro sestavení individuálního studijního plánu studenta.
Dále tento model je schopen reagovat na studijní výsledky
studenta v průběhu studia a upravovat tento studijní plán dle
potřeb studenta.
V průběhu práce na této dizertační práci autor spolupracoval
s experty na informační systémy, kteří poskytli pomoc při vytvoření
aplikace pro testování znalosti jazyka, při vytvoření platformy LMS
Moodle pro tvorbu e-learningového kurzu XANG3 a při vytvoření
38
aplikace na modelování časových posloupností v modelu beroucím
v úvahu časové hledisko studia. Jejich role spočívala v poskytnutí
technického zázemí a v případném programování částí navrženého
modelu.
Autor také spolupracoval s experty v oblasti výuky cizích jazyků, se
kterými bylo konzultováno vytváření pravidel pro fuzzy logický
expertní systém.
Úkolem autora byla i koordinace veškerých činností na tvorbě
navrženého systému.
Cíle této dizertační práce byly splněny.
Uzavřením této dizertační práce ovšem nekončí výzkum a práce na
navrženém systému. Ve spolupráci s experty na informační systémy
bude tento systém dále vyvíjen, primárně ve směru reálného
zakomponování časového hlediska studia do stávajících LMS
systémů, zejména LMS Moodle. Dále se autor bude snažit tento
systém zobecnit a využít jej nejen pro výuku jazyků, ale umožnit
jeho využití pro širokou škálu předmětů, neboť tento systém
vykazuje vlastnosti, které ho pro toto předurčují.
7 LITERATURA BOS, E., J. A. van de PLASSCHE. Knowledge-Based, English Verb-Form Tutor. In: Journal of Artificial Intelligence in Education. 1994, č.5 (1), s.107-129
BRANSFORD, J. How People Learn: Brain, Mind, Experience, and School. Expanded EditionWashington D.C.: National Academy Press, Washington D.C., 2003
BRUSILOVSKI, P. Methods and techniques of adaptive hypermedia. In: User Modeling and User Adapted Interaction. Springer.1996, roč. 6., č.2-3, s. 87-129, ISSN 09241868.
BRUSILOVSKI, P., E. Millán. User Models for Adaptive Hypermedia and Adaptive Educational Systems. In: The Adaptive Web, LNCS 4321, Springer-Verlag Berlin Heidelberg, 2007, s. 3-53, ISBN 978-3-540-72078-2.
39
CAMBRIDGE University Press. Placement test. [online]. [cit. 2013-8-9] Dostupné z: http://www.cambridge.org/servlet/file/store7/item6039736/version1/EnglishUnlimited_All_Test_WrittenTest.pdf
COUNCIL OF EUROPE Common European Framework of Reference for Languages [online]. [cit. 2013-05-15] Dostupné z: http://www.coe.int/t/dg4/linguistic/Cadre1_en.asp
CLARK, C.R., R.E. MAYER. E-learning and the science of Instruction,3rd edition. San Franciso: Pfeiffer, 2011.s.7. ISBN 978-0-470-87430-1
COFFIELD, F. et al. Learning styles and pedagogy in post-16 learning. London: Learning and Skills Research Centre. 2004
EDUCAUSE:Course Managment Systems (CMS)[online] Evolving Technologies Committee [cit 2005-04-25]. Dostupné z: http://www.educause.edu/ir/library/pdf/DEC0302.pdf
EL ALAMI, M. et al. New methods for student learning assessment. 4th International conference of education, research and innovation (ICERI). Madrid, 2011. s. 1231-1238, ISBN: 978-84-615-3324-4
EL HMOUDOVÁ, D., E. MILKOVÁ.Computer-based testing in the field of foreign language assessment. In: Efficiency and responsibility in education 2012 : proceedings. Praha : Česká zemědělská univerzita v Praze, 2012, s.10. ISBN: 978-80-213-2289-9.
FELDER, R. M., L.K. SILVERMAN. Learning and teaching styles in engineering education. Engineering Education, 1988. č.78, , s.674-681.
FELDER, R., B.A. SOLOMAN. Index of learning styles [online]. [cit. 2012-11-12] dostupné z: <http://www.ncsu.edu/felderpublic/ILSpage.html>,
FUM, D., O. GIANGRANDI a C.TASSO. The Use of Explanation-Based Learning for Modeling Student Behavior in Foreign Language Tutoring. Intelligent Tutoring Systems for Foreign Language Learning. Berlin : Verlag, 1992. č.80, , s.151-170. ISBN: 978-3-642-77204-7
GRAF, S., KISHNUK Analysing the Behaviour of Students in Learning Management Systems with Respect to Learning Styles. Advances in Semantic Media Adaptation and Personalization, Berlin: Springer, 2008.č.93., s.53-57.ISBN: 978-3-540-76359-8
HABIBALLA, H. et al. Using software package LFLC 2000. In:2nd International Conference Aplimat 2003, Bratislava, 2003,s. 355-358.
HINTZE, J. NCSS 8. NCSS, LLC. 2012, Kaysville, Utah, USA. Dostupné z: www.ncss.com
HOLMES, B. E-learning Concepts and Practice, London : Sage Publications, 2006, ISBN 978-1412911115
40
CHALHOUB-DEVILLE, M., 2001. ‘Language testing and technology: past and future’, Language Learning and Technology, ročník 5, č. 2, s. 95-98.
JUŘIČKOVÁ, R.: Optimizing the teaching of a foreign language in regards to student learning styles and e-learning. 9th International Conference on Efficiency and Responsibility in Education. 2012, s. 203-2012
KAKOTY, S. et al. Fuzzy expert logic to evaluate learner’s expertise level in e-learning environment. In: 2012 IEEE International conference on advanced communication control and computing technologies, Ramanathapuram, 2012, s.148-152, ISBN: 978-1-4673-2046-7
KLIMEŠ, C. Model of adaptation under indeterminacy. Kybernetika, 2011. č.47, vol.3, s. 355-368
KOLB, D.. Experimental Learning: Experience as the source of learning and development. Englewood Cliffs, NJ: Prentice Hall, 1984. ISBN 0-13-295261-0
KOPECKÝ, K. Základy e-learningu, Olomouc: Univerzita Palackého v Olomouci, 2005
KOSTOLÁNYOVÁ, K. Teorie adaptivního e-learningu, Ostrava: Ostravská univerzita v Ostravě, 2012, ISBN: 978-80-7464-014-8
KOUCUN, J. Negativa vstupu ICT do vzdělávání [ online]. [2014-1-7]. Dostupné z: http://it.pedf.cuni.cz/strstud/edutech/2010_Kocun/
LEITE, W.L. et al. Attempted validation of the scores of the VARK: Learning styles inventory with multitrait-multimethod confirmatory factor analysis models. pp.2, Sage publications, 2009
MILLS, D. W. Applying What We Know: Student Learning Styles. [online]. [cit.2013-4-25] Dostupné z: <http://csrnet.org/csrnet/articles/student-learning-styles.html>
MINSKY,M. Computation. Finite and Infinite Machines, Engelwood Cliffs : Prentice-Hall, 1967, 317s.
MUMFORD, A., P. HONEY. The learning styles questionnaire, 80-item version. Maidenhead, UK: Peter Honey Publications. 2006. ISBN: 978-1-902899-29-9
MURPHY, M., M. McTEAR. Learner Modelling for Intelligent CALL. In:Proceedings of the Sixth International Conference on User Modeling, Vienna: Springer, 1997, s.301-312.
NOVÁK, V. Základy fuzzy modelování. Praha: BEN, 2000.166 s. ISBN 80-7300-009-1
OAKES, K. E-learning: LCMS, LMS- They're not just acronyms but powerful systems for learning. Training & Development, 2002. č.56(3), s.73-75.
POKORNÝ, M. Expertní systémy. Ostrava : 2012. Ostravská univerzita v Ostravě, 190s.
41
POULOVÁ, P., M. ČERNÁ a H. ŠRÁMKOVÁ. On-Line Courses For School Management. In: Information and Communication Technology in Education 2005. Ostrava: Ostravská univerzita, 2005. s. 269-272. ISBN 80-7368-081-5
PRŮCHA, J., E. WALTEROVÁ a J. MAREŠ. Pedagogický slovník. 6. vyd. Praha: Portál, 2009. s. 66. ISBN: 978-80-7367-647-6.
RUDAK, L. et al. Susceptibility to e-teaching. In: Conference proceedings: ICT for Competitiveness 2012, Karviná : Slezská univerzita v Opavě, 2012. s. 10-16. ISBN 978-80-7248-731-8
SAMSON, D. et al.An Architecture for Web-based e-Learning Promoting Re-usable Adaptive Educational e-Content, Educational Technology & Society. č.1/2002, s.5
SZABO, M., K. FLESHER. CMI Theory and Practice: Historical Roots of LearningManagment Systems. In: the E-Learn 2002 World Conference onE-Learning in Corporate, Government, Healthcare, & Higher Education, Montreal, 2002. s.929-936. ISBN 1-880094-46-0
ŠIMONOVÁ, I. Styl učení a výuky : Harmonie nebo střet ?, Media4u Magazine. č.1/2008, s. 3-8, ISSN: 1214-9187
ŠVEC, V. et al. Výukové metody. Brno: Paido, 2003. 219 s. ISBN 80-7315-039-5
VARK metodika [online]. [cit.2013-5-5] Dostupné z: http://vark-learn.com/home/
VERDU, E. et al. A genetic: fuzzy expert system for automatic question classification in a competitive learning environment. Expert systems with applications. Oxford: Pergamon-Elsevier Science Ltd. 2012. ISSN: 0957-4174
VIRVOU, M. Web Passive Voice Tutor: an intelligent computer assisted language learning system over the WWW. In: IEEE International conference on advanced learning technologies, Madison, WI.2001, s.131-134. ISBN: 0-7695-1013-2
WALEK, B., et al. Creating component model of information system under uncertainty. In:18
th International Conference on Soft Computing Mendel 2012,
Brno, 2012. s. 221-226.
WATSON, W. R., S. LEE a C.M. REIGELUTH. Learning Management Systems: An overview and roadmap of the systemic application of computers to education. Advances in computer-supported learning. London: Information Science Publishing, 2007. s. 66-96. ISBN: 978-1-59904-355-5
WAGNER, J. Nebojme se eLearningu, In: Česká škola [online], [cit. 2013-11-29] Dostupné z: http://www.ceskaskola.cz/2004/06/jan-wagner-nebojme-se-e-learningu.html
WENGER, E. Artificial Intelligence and Tutoring Systems, Los Altos, CA: MorganKaufmann Publ., 1978
ZOUNEK, J. E-learning – jedna z podob učení v moderní společnosti. Brno: Masarykova univerzita, 2009. s. 37-38. ISBN: 978-80-210-5123-2
42
8 PUBLIKAČNÍ ČINNOST BRADÁČ, V. Language learning, LMS, its limitations – a critical approach.13th International scientific conference of PhD students, young scientists and pedagogues proceedings. Nitra : 2012, s. 410-413, ISBN: 978-80-558-0120-9
BRADÁČ, V. Adaptive model to support decision-making in language e-learning. International conference on education and new learning technologies - proceedings, 5th ed., Barcelona : 2013, pp. 4036 – 4045, ISBN: 978-84-616-3822-2
BRADÁČ, V. Adaptive e-learning system for language learning.14th International scientific conference of PhD students, young scientists and pedagogues proceedings. Nitra : 2013, s 473-479, ISBN:978-80-558-0390-6
BRADÁČ, V., KLIMEŠ, C. Language e-learning based on adaptive decision-making system. 12th European conference on e-learning ECEL 2013. Sophia Antipolis : 2013, s.48-58, ISBN: 978-1-909507-84-5 (60%/40%)
BRADÁČ, V., WALEK, B. Expert system for evaluating tests in elearning system. Global Journal on Advances in Pure & Applied Sciences, 2014 (60%/40%)
BRADÁČ, V. Enhacing assessment of students' knowledge using fuzzy logic in e-learning. 10th International Scientific Conference on Distance Learning in Applied Informatics. Wolters Kluwer, 2014.s.251-262. ISBN 978-80-7478-497-2
BRADÁČ, V., WALEK, B., KLIMEŠ, C., FARANA, R. A new way how to assess student's knowledge of the English language in e-learning. ICERI2014 Proceedings. Sevila: IATED Academy, 2014. s. 1708-1717. ISBN 978-84-617-2484-0 (40%/20%/20%/20%)
Publikace v recenzním řízení: BRADÁČ, V., SMOLKA, P., KLIMEŠ, C. Personalization of foreign language education in the LMS Moodle environment, eLEOT2015, Novedrate : Itálie, 16.-.18.9.2015 (40%/30%/30%)
BRADÁČ, V., KLIMEŠ, C. A comprehensive model leading to truly personalised e-learning, ECEL2015, Hatfield : UK, 29.-30.10. 2015 (60%/40%)
43
9 PROFESNÍ CURRICULUM VITAE
Vzdělání: - 1996-2001, Ostravská univerzita, Filozofická fakulta, obor jazyk
anglický-francouzský pro III. stupeň - 1992-1996, Gymnázium s rozšířenou výukou jazyků, Čs. Exilu 491,
Ostrava-Poruba
Zaměstnání: - od 09/2008 Ostravská univerzita v Ostravě, PřF, KIP - 09/2004-08/2008 Státní jazyková škola v Ostravě - 01-08/2003, Britské centrum Knihovny města Ostravy - 07/2001-12/2002, civilní služba, Knihovna města Ostravy
Jiné pracovní zkušenosti (překlady, tlumočení, výuka): - Překlady pro Ostravskou univerzitu v Ostravě: IT4I, IET, IMTO,
ECTS, výroční zprávy PřF, aj. - Překlady pro VŠB: Kompetence pracovníků V3B, katedra robotiky,
katedra výrobních strojů a konstruování - 06/2005-2008, výuka obchodní angličtiny v Hayes Lemmerz
Autokola - 01-08/2003, koordinátor Cambridge Examinations pro Moravsko-
slezský kraj v rámci Britské rady, Praha - 09/2001-08/2003, spolupráce s Divadlem loutek v Ostravě při
překladech z/do angličtiny a francouzštiny - 09/2001, loutkářský festival Spectaculo Interesse, průvodce
japonské skupiny, uvádění představení, tlumočení při oficiálním otevření festivalu
- překlady a tlumočení ro firmy: CVIV, Muzeum beskyd, KVK a.s., Flamming Film Studio Ostrava, Tom Racing s.r.o., Bepson, aj.
- výuka zaměstnanců Celní správy, Kastrálního úřadu ČR, BIS
Jazykové zkoušky: - Státní zkouška z jazyka anglického - Státní zkouška z jazyka francouzského - Cambridge Certificate of Proficiency in English (CPE), Grade C - Trinity Colledge London, Grade 8
44