ΠΑΡΑΓΩΓΗ ΕΡΩΤΗΣΕΩΝ ΑΞΙΟΛΟΓΗΣΗΣ ΑΠΟ ΒΑΣΕΙΣ ΓΝΩΣΗΣ

Transcript

1 ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΠΑΡΑΓΩΓΗ ΕΡΩΤΗΣΕΩΝ ΑΞΙΟΛΟΓΗΣΗΣ ΑΠΟ ΒΑΣΕΙΣ ΓΝΩΣΗΣ ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ της ΧΑΤΖΗΓΙΑΝΝΑΚΟΥ ΜΑΡΙΑΣ Επιβλέπων : Παπασαλούρος Αντρέας Σάμος, Σεπτέμβριος 2017

2

3

4 ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ Παραγωγή ερωτήσεων αξιολόγησης από βάσεις γνώσης ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ της ΧΑΤΖΗΓΙΑΝΝΑΚΟΥ ΜΑΡΙΑΣ Επιβλέπων : Παπασαλούρος Αντρέας Εγκρίθηκε από την τριμελή εξεταστική επιτροπή. (Υπογραφή) (Υπογραφή) (Υπογραφή) Παπασαλούρος Α. Δημητράκος Θ. Φελουζής Ε. Σάμος, Σεπτέμβριος 2017

5 Η Διπλωματική Εργασία παρουσιάστηκε ενώπιον του Διδακτικού Προσωπικού του Πανεπιστημίου Αιγαίου για την εκπλήρωση των απαιτήσεων για την ειδίκευση του Μεταπτυχιακού Προγράμματος Εφαρμοσμένα Μαθηματικά

6 Περίληψη Σκοπός της διπλωματικής εργασίας ήταν η μελέτη και η παρουσίαση μεθοδολογιών για την αυτόματη παραγωγή ερωτήσεων αξιολόγησης. Αρχικά, έγινε μία εισαγωγή στις έννοιες της αναπαράστασης Γνώσης, του Σημασιολογικού Ιστού, των Περιγραφικών Λογικών και των Οντολογιών. Στη συνέχεια, έγινε μελέτη ήδη υπαρχουσών μεθοδολογιών για τη δημιουργία ερωτήσεων πολλαπλής επιλογής και ερωτήσεων τύπου Σωστό-Λάθος. Επιπλέον, έγινε λόγος και για το βαθμό δυσκολίας του περιεχομένου των ερωτήσεων αξιολόγησης και μελετήθηκαν προτάσεις για τον υπολογισμό του. Τέλος έγιναν κάποιες προτάσεις που θα μπορούσαν να πραγματοποιηθούν σε μελλοντική εργασία. Λέξεις Κλειδιά: Σημασιολογικός ιστός, περιγραφικές λογικές, οντολογίες, αυτόματη παραγωγή ερωτήσεων, ερωτήσεις πολλαπλής επιλογής, ερωτήσεις σωστού-λάθους, βαθμός δυσκολίας ερωτήσεων αξιολόγησης

7

8 Abstract The aim of this thesis was to study and present techniques for automatically generating question test. First, there is an introduction to the concepts of Knowledge Representation Theory, Semantic Web, Description Logics and Ontologies Subsequently, we studied already existing methodologies for generating multiple choice questions and "True-False" questions. Moreover, it was also discussed the degree of difficulty of the content of the evaluation questions and were studied proposals for its calculation. Finally, was made some suggestions that might be studied in future work. Keywords: Semantic Web, Description logics, ontologies, automatic test generation, multiple-choice questions, true-false questions, difficulty of test questions

9 Ευχαριστίες Η παρούσα εργασία αποτελεί διπλωματική εργασία στα πλαίσια του μεταπτυχιακού προγράμματος «Σπουδές στα Μαθηματικά» του τμήματος Μαθηματικών της σχολής Θετικών Επιστημών του Πανεπιστημίου Αιγαίου. Στο σημείο αυτό θα ήθελα να ευχαριστήσω ορισµένους ανθρώπους, με τους οποίους συνεργάστηκα και που έπαιξαν πολύ σηµαντικό ρόλο στην πραγµατοποίησή της. Πρώτο από όλους θέλω να ευχαριστήσω τον επιβλέποντα καθηγητή της διπλωματικής εργασίας, κ.παπασαλούρο Ανδρέα για την πολύτιμη καθοδήγηση του, την εμπιστοσύνη που έδειξε αλλά και τη στήριξη που μου έδωσε τόσο σε ψυχολογικό επίπεδο όσο και στο κομμάτι των γνώσεων, οι οποίες φάνηκαν πολύτιμες κατά την κατανόηση και συγγραφή της εργασίας. Στη συνέχεια θα ήθελα να ευχαριστήσω τον κ.δημητράκο Θεοδόση και κ.φελουζή Ευάγγελο που δέχτηκαν να είναι μέλη της τριμελής επιτροπής αξιολόγησης της μεταπτυχιακής εργασίας. Τέλος, θέλω να ευχαριστήσω τους γονείς μου Γιώργο και Ιωάννα, καθώς και τον αδερφό μου Θανάση, οι οποίοι είναι δίπλα μου σε όλα τα βήματα και τις προσπάθειες της ζωής μου και που με υπομονή και κουράγιο προσέφεραν την απαραίτητη ηθική συμπαράσταση για την ολοκλήρωση της μεταπτυχιακής μου εργασίας.

10 Στον παππού μου Θανάση και στη γιαγιά μου Σουλτάνα!

11 Πίνακας περιεχομένων Κατάλογος περιεχομένων 1 Εισαγωγή Παρουσίαση των κεφαλαίων της διπλωματικής Σημασιολογικός Ιστός Από τον Παγκόσμιο στο Σημασιολογικό Ιστό Επίπεδα της Σημασιολογίας (Levels of semantics) Αρχιτεκτονική του Σημασιολογικού Ιστού Στόχος του Σημασιολογικού Ιστού Σημασιολογικός Ιστός και Εκπαίδευση Λογική και Συμπερασμός Αναπαράσταση Γνώσης Γλώσσες αναπαράστασης γνώσης Προτασιακή Λογική Λογική Πρώτης Τάξης Προτάσεις Horn Περιγραφικές Λογικές Οντολογίες Τι είναι η οντολογία; Είδη Οντολογιών Βασικά στοιχεία οντολογιών Γλώσσες Οντολογιών Οντολογίες και εκπαίδευση Παραγωγή ερωτήσεων αξιολόγησης Ερωτήσεις αξιολόγησης Αυτοματοποίηση ερωτήσεων αξιολόγησης...42

12 5.2.1 Ερωτήσεις διαζευκτικής απάντησης με χρήση έτοιμων πινάκων Ερωτήσεις πολλαπλής επιλογής Μέθοδος Παραγωγής βασισμένη στο node-label-set Μέθοδος παραγωγής βασισμένη στο Edge-label-set Ερωτήσεις αξιολόγησης με χρήση οντολογιών πολυμέσων Βαθμός δυσκολίας Επίλογος Σύνοψη και συμπεράσματα Μελλοντικές επεκτάσεις Βιβλιογραφία...85

13 1 Εισαγωγή Ζούμε σε μία εποχή που τα πάντα γύρω μας αλλάζουν και εξελίσσονται. Σημαντικοί παράγοντες των αλλαγών αυτών αποτελούν ο αυξανόμενος ρυθμό της τεχνολογίας, οι νέες εφευρέσεις, οι νέες επινοήσεις και η είσοδος του Διαδικτύου στη ζωή μας. Συνέπεια όλων αυτών, είναι η αλλαγή στον τρόπο με τον οποίο ο άνθρωπος σκέφτεται και πράττει. Όλοι οι τομείς είναι επηρεασμένοι απ αυτό το πνεύμα της αλλαγής. Η εκπαίδευση αποτελεί θεμελιώδη βάση σε μία κοινωνία, η οποία αλλάζει και συνεπώς θα πρέπει να δίνεται μεγάλη προσοχή και βαρύτητα τόσο στο περιεχόμενο της, όσο και στον τρόπο που παράγεται, που παρουσιάζεται, αλλά και που εξελίσσεται. Οι ερευνητές και οι επιστήμονες, με την ανάπτυξη και την βελτίωση νέων τεχνολογιών προσπαθούν να δημιουργήσουν προγράμματα και νέες μεθόδους για να γίνεται η εκπαίδευση πιο εύκολη, πιο ελκυστική και προσβάσιμη από όλους. Σημαντικό κομμάτι της εκπαίδευσης αποτελεί και η αξιολόγηση της γνώσης. Η αξιολόγηση είναι η συνεχής παιδαγωγική διαδικασία, με βάση την οποία παρακολουθείται η πορεία της μάθησης, προσδιορίζονται τα τελικά αποτελέσματά της και εκτιμώνται, παράλληλα, άλλα χαρακτηριστικά του, τα οποία σχετίζονται με το έργο του εκπαιδευτικού. Η αξιολόγηση αποτελεί οργανικό στοιχείο της διδακτικήςμαθησιακής διαδικασίας, η οποία αρχίζει με τον καθορισμό των στόχων και ολοκληρώνεται με τον έλεγχο της επίτευξης τους. Στην εποχή μας γίνονται πολλές προσπάθειες να αυτοματοποιηθούν διάφορες τεχνικές αξιολόγησης. Η αυτοματοποίηση αυτή έχει ως κύριο στόχο να βοηθήσει πρωτίστως τους εκπαιδευόμενους, οι οποίοι θα μπορούν να ελέγχουν οποιαδήποτε στιγμή και από οπουδήποτε το επίπεδο των γνώσεων τους και επιπλέον θα μπορούν 1

14 να βλέπουν τα κενά τους και να αυτοβελτιώνονται. Επίσης, βοηθά και τους εκπαιδευτικούς, λόγω του ότι η διαδικασία παραγωγής ερωτήσεων αξιολόγησης δεν θα είναι πλέον χειροκίνητη και δεν θα απαιτεί τόσο κόπο και χρόνο. 1.1 Παρουσίαση των κεφαλαίων της διπλωματικής Στο Κεφάλαιο 2, γίνεται μία σύντομη αναφορά για τη μετάβαση από τον Παγκόσμιο στο Σημασιολογικό Ιστό. Παρουσιάζονται τα βασικά χαρακτηριστικά, η δομή και η αρχιτεκτονική του Σημασιολογικού Ιστού. Επίσης αναλύεται η ο ρόλος που έχει στην εκπαίδευση καθώς οι τεχνολογίες του Σημασιολογικού Ιστού αρχίζουν σταδιακά να ενσωματώνονται στα εκπαιδευτικά συστήματα και να συμβάλλουν στην αναβάθμιση της ποιότητας της μάθησης, παρέχοντας ένα πιο προσαρμόσιμο, εξατομικευμένο και ευφυές μαθησιακό περιβάλλον. Στο Κεφάλαιο 3, αναφέρονται κάποιες βασικές έννοιες σχετικές με την αναπαράσταση γνώσης. Επίσης, γίνεται μία εισαγωγή στην Προτασιακή Λογική, στην Λογική Πρώτης τάξης και στις Περιγραφικές Λογικές. Στο Κεφάλαιο 4, εισάγεται η έννοια της οντολογίας, αναλύονται τα βασικά χαρακτηριστικά της και αναφέρονται οι γλώσσες που χρησιμοποιούνται. Επίσης αναφέρονται τα είδη οντολογιών, καθώς και η συμβολή τους στην εκπαίδευση. Στο Κεφάλαιο 5, γίνεται αρχικά μία εισαγωγή στα είδη των ερωτήσεων αξιολόγησης. Στη συνέχεια αναλύεται μία σειρά από εφαρμογές στον τομέα της δημιουργίας αυτόματων ερωτήσεων αξιολόγησης και παρουσιάζονται οι μεθοδολογίες τους. Τέλος, παρουσιάζονται προτάσεις για τον τρόπο υπολογισμού του βαθμού δυσκολίας των αυτόματων ερωτήσεων αξιολόγησης. 2

15 Στο Κεφάλαιο 6, γίνονται κάποιες πραγματοποιηθούν σε επόμενες εργασίες. 3 προτάσεις, οι οποίες μπορούν να

16 2 Σημασιολογικός Ιστός Το Κεφάλαιο αυτό έχει ως αντικείμενο το Σημασιολογικό Ιστό, ο οποίος αποτελεί ένα σημαντικό βήμα στην εξέλιξη του διαδικτύου. Η ανάπτυξη του Παγκόσμιου Ιστού (World Wide Web, WWW) κατέστησε το διαδίκτυο προσβάσιμο σε εκατομμύρια χρήστες, αλλάζοντας τον τρόπο επικοινωνίας τους καθώς και τον τρόπο διεξαγωγής των επαγγελματικών δραστηριοτήτων τους. Όμως, ο ρυθμός αύξησης της ποσότητας του περιεχομένου του Παγκόσμιου Ιστού υπερβαίνει το ρυθμό ανάπτυξης της τεχνολογικής προόδου. Για να αντιμετωπιστούν τέτοιου είδους προβλήματα (π.χ. για να γίνεται πιο ακριβής και πιο γρήγορος ο εντοπισμός πληροφοριών στο Παγκόσμιο Ιστό), η παγκόσμια ερευνητική κοινότητα έχει στραφεί εδώ και αρκετά χρόνια σε μία νέα κατεύθυνση εξέλιξης του ιστού, η οποία ονομάζεται "Σημασιολογικός Ιστός " (Semantic Web). Η ιδέα για τον Σημασιολογικό Ιστό πρωτοεμφανίστηκε στις αρχές της δεκαετίας του '60 και προέρχεται από τον γνωσιοεπιστήμονα Άλαν Κόλλινς (Allan M. Collins), τον γλωσσολόγο M. Ross Quillian και την ψυχολόγο Elizabeth F. Loftus μέσα από πολλές δημοσιεύσεις, ως ένας τρόπος παρουσίασης της σημασιολογικής γνώσης. 1 Ο Σημασιολογικός Ιστός προωθείται από την Κοινοπραξία Παγκόσμιου Ιστού (World Wide Web Consortium, W3C), ένα διεθνή οργανισμό προτυποποίησης για τον Ιστό. Εμπνευστής της πρωτοβουλίας για το Σημασιολογικό Ιστό είναι ο Tim BernersLee, ο ίδιος άνθρωπος που επινόησε τον Παγκόσμιο Ιστό στα τέλη της δεκαετίας του Ο ίδιος προσδοκά από αυτή την πρωτοβουλία την πραγματοποίηση του αρχικού οράματός του για τον Ιστό, ενός οράματος όπου η έννοια της πληροφορίας έπαιζε πολύ πιο σημαντικό ρόλο από αυτόν που διαδραματίζει στο σημερινό Ιστό

17 (Antoniou & van Harmelen, Εισαγωγή στο Σημασιολογικό Ιστό, 2009, σ. 21) Εικόνα 1: Λογότυπο Σημασιολογικού Ιστού Πηγή: Ο Σημασιολογικός Ιστός δεν είναι ένας διαφορετικός Ιστός αλλά μία επέκταση του ήδη υπάρχοντος, στον οποίο η πληροφορία έχει καλά ορισμένο νόημα, καθιστώντας δυνατή την καλύτερη συνεργασία μεταξύ των υπολογιστών και των ανθρώπων. (Berners-Lee, Hendler, et al., 2001). Επιτρέπει στους χρήστες να μοιράζονται περιεχόμενο πέρα από τα όρια των εφαρμογών και των ιστοτόπων. Έχει περιγραφεί με διαφορετικούς τρόπους: ως ουτοπικό όραμα, ως web of data, ή απλώς ως μία αλλαγή παραδείγματος στην καθημερινή χρήση του Ιστού. Πάνω απ 'όλα, ο Σημασιολογικός Ιστός έχει εμπνεύσει και εμπλέξει πολλούς ανθρώπους στη δημιουργία καινοτόμων σημασιολογικών τεχνολογιών και εφαρμογών.2 Στην Εικόνα 1, παρουσιάζεται ένα από τα λογότυπα του Σημασιολογικού Ιστού. Οι τρεις πλευρές του κύβου, με τα τρία διαφορετικά χρώματα, αναπαριστούν την τριπλή μορφή του μοντέλου της RDF. Ενώ το επάνω μέρος, το οποίο είναι ανοιχτό, είναι συμβολικό, δηλαδή είναι σαν να προσκαλεί τον κόσμο να ανοίξει τα δεδομένα του στο Σημασιολογικό Ιστό. 2 ελλ.μτφ. Χατζηγιαννάκου Μαρία, Σάμος

18 2.1 Από τον Παγκόσμιο στο Σημασιολογικό Ιστό Ο Παγκόσμιος Ιστός (World Wide Web, WWW) «ανακαλύφθηκε» το 1989 από τον Tim Berners-Lee. Όταν ο Berners-Lee πήγε στο Ευρωπαϊκό Κέντρο Πυρηνικών Ερευνών (CERN), διαπίστωσε ότι υπήρχε μεγάλη δυσκολία στη συνεργασία ανάμεσα στους ερευνητές, διότι καθένας από αυτούς χρησιμοποιούσε διαφορετικό λειτουργικό σύστημα και γλώσσα προγραμματισμού και προσπάθησε να βρει μία λύση στο πρόβλημα αυτό. Μέχρι τα τέλη του 1990, ο Berners-Lee είχε γράψει τον πρώτο browser για να ανακτήσει και να θεωρήσει έγγραφα υπερκειμένου (hypertext) και δημιούργησε τον πρώτο Web server το λογισμικό, το οποίο αποθηκεύει ιστοσελίδες (Web pages) στον υπολογιστή για να μπορούν να έχουν και άλλοι πρόσβαση. Με το πέρασμα του χρόνου, οι χρήστες των browsers και των Web server αυξήθηκαν. Έγιναν όλο και πιο ελκυστικοί ως υποδομή κοινής χρήσης πληροφοριών. Ο Ιστός έγινε πιο ενδιαφέρον καθώς αυξήθηκε ο αριθμός κάθε είδους διαθέσιμων πληροφοριών. Αυτή τη στιγμή, ο Παγκόσμιος Ιστός αποτελείται από έγγραφα γραμμένα σε HTML (Hyper Text Markup Language). Από την HTML, ουσιαστικά, καθορίζεται το πώς εμφανίζεται η πληροφορία στο χρήστη. Η HTML, αποτελείται από ένα σύνολο συμβόλων σήμανσης, τα οποία περιέχονται σε μία ιστοσελίδα που προορίζεται για προβολή στον Ιστό. Οι πληροφορίες που παρουσιάζονται μπορούν να γίνουν κατανοητές από τον άνθρωπο, το νόημα του περιεχομένου του Ιστού όμως δεν είναι ακόμη προσπελάσιμο από τους υπολογιστές (machine accessible). Σύμφωνα με τους Antoniou & van Harmelen (2009), στο βιβλίο τους «Εισαγωγή στο Σημασιολογικό Ιστό», οι περισσότερες πληροφορίες, σήμερα, είναι διαθέσιμες σε μία ελαφρώς δομημένη μορφή όπως το κείμενο, ο ήχος και το βίντεο. Η χρήση τους όμως παρουσιάζει και κάποια προβλήματα: Αναζήτηση πληροφοριών. Ένα από τα πιο βασικά εργαλεία χρήσης του Παγκόσμιου Ιστού είναι οι μηχανές αναζήτησης (search engines), η λειτουργία των οποίων στηρίζεται σε λέξεις-κλειδιά. Κατά την αναζήτηση ο όγκος τον αποτελεσμάτων μπορεί να είναι πολύ μεγάλος και αρκετές από τις σελίδες να μην είναι σχετικές. 6

19 Εξαγωγή πληροφοριών. Σε περίπτωση που η αναζήτηση είναι επιτυχής, θα πρέπει ο χρήστης να εξάγει μόνος του τις πληροφορίες που χρειάζεται από τα ανακτηθέντα έγγραφα, γιατί οι ευφυείς πράκτορες δεν είναι σε θέση να πραγματοποιήσουν τη συγκεκριμένη εργασία. Συντήρηση πληροφοριών. Είναι δύσκολο να απομακρυνθούν από τα αποτελέσματα απαρχαιωμένες πληροφορίες και ασυνέπειες στην ορολογία. Αποκάλυψη πληροφοριών. Η νέα γνώση που υπάρχει στις εταιρικές βάσεις δεδομένων εξάγεται με τη χρήση εξόρυξης δεδομένων (data mining). Ωστόσο, αυτή η εργασία είναι ακόμη δύσκολη για κατανεμημένες, ασθενώς δομημένες συλλογές εγγράφων. Προβολή πληροφοριών. Συχνά, είναι σκόπιμος ο περιορισμός της προσπέλασης συγκεκριμένων πληροφοριών από καθορισμένες ομάδες εργαζομένων. Οι «προβολές» (views), οι οποίες αποκρύπτουν ορισμένες πληροφορίες, είναι γνωστές από το πεδίο βάσεων δεδομένων, αλλά είναι πολύ δύσκολο να υλοποιηθούν σε ένα ενδο-δίκτυο (intranet) ή στον Ιστό. Τη λύση στα παραπάνω προβλήματα έρχεται να δώσει ο Σημασιολογικός Ιστός. Στόχος του είναι να παρέχει τη δυνατότητα για πολύ πιο εξελιγμένα συστήματα διαχείρισης γνώσης. Αρχικά η γνώση θα είναι οργανωμένη σε εννοιολογικές περιοχές, ανάλογα με τη σημασία της και θα υπάρχουν αυτοματοποιημένα εργαλεία, τα οποία θα ελέγχουν για ασυνέπειες, θα υποστηρίζουν τη συντήρηση και την εξαγωγή νέας γνώσης. Επιπλέον, η αναζήτηση με λέξεις-κλειδιά θα αντικατασταθεί από απαντήσεις ερωτημάτων, δηλαδή η αιτηθείσα γνώση θα ανακτάται, θα εξάγεται και θα παρουσιάζεται με τρόπο φιλικό προς τον άνθρωπο. Τέλος, στόχος είναι να μπορεί η απάντηση ερωτημάτων να υποστηρίζεται σε περισσότερα από ένα έγγραφα και να είναι δυνατός ο καθορισμός της πρόσβασης σε συγκεκριμένα τμήματα πληροφοριών (ακόμη και τμήματα εγγράφων). 7

20 WWW Σημασιολογικός Ιστός URL URI HTML, CSS κτλ Βάσεις Δεδομένων Άνθρωποι Άνθρωποι Άνθρωποι RDF, RDF-Schema, OWL Triple Store Οντολογίες Reasoners Agents (Πράκτορες) Πίνακας 1: Σύγκριση WWW και Σημασιολογικού Ιστού 2.2 Επίπεδα της Σημασιολογίας (Levels of semantics) Η σημασιολογία είναι η μελέτη της σημασίας των σημείων, όπως όροι ή λέξεις. Ο Cardoso (2007) στο βιβλίο του «Semantic Web Services: Theory, tools and applications», περιγράφει τέσσερις αναπαραστάσεις, οι οποίες χρησιμοποιούνται για να μοντελοποιηθούν και να οργανωθούν οι έννοιες που περιγράφουν σημασιολογικά τους όρους. Αυτές σύμφωνα με το βιβλίο (σ. 6-9) είναι τα ελεγχόμενα λεξιλόγια (controlled vocabularies), οι ταξινομίες (taxonomies), οι θησαυροί (thesaurus) και οι οντολογίες. Εικόνα 2: Επίπεδα σημασιολογίας Πηγή: o_developing_semantic_web_services 8

21 Τα ελεγχόμενα λεξιλόγια είναι συλλογές όρων (π.χ λέξεις, φράσεις ή σύμβολα (notations) ) που έχουν απαριθμηθεί ρητά. Όλοι οι όροι των ελεγχόμενων λεξιλογίων πρέπει να έχουν έναν σαφή και ρητό ορισμό. Επίσης οι όροι πρέπει να ανήκουν στο ίδιο μέρος του λόγου, οι σημασίες τους να είναι διακριτές και να μην επικαλύπτονται, να βρίσκονται σε παρόμοιο σημασιολογικό επίπεδο και να είναι οργανωμένοι με κάποιο λογικό τρόπο (π.χ. αλφαβητικά). Το ελεγχόμενο λεξιλόγιο είναι η πιο απλή από όλες τις μεθόδους μεταδεδομένων και χρησιμοποιείται ευρέως για ταξινόμηση (classification). Οι Ταξινομίες είναι δομές που παρέχουν την δυνατότητα ταξινόμησης πραγμάτων. Χρησιμοποιήθηκαν αρχικά από βιολόγους για την ταξινόμηση οργανισμών. Μία ταξινομία, ταξινομεί τους όρους είτε ιεραρχικά είτε με τη μορφή δέντρου και περιγράφει μία λέξη κάνοντας σαφή τη σχέση της με άλλες λέξεις. Οι θησαυροί (thesaurus) είναι λεξιλόγια που έχουν οργανωθεί εννοιολογικά σε δίκτυα και περιγράφουν ένα συγκεκριμένο σημασιολογικό πεδίο. Σύμφωνα με το National Information Standards Organization (NISO, 2005) υπάρχουν τέσσερις διαφορετικοί τύποι σχέσεων, που χρησιμοποιούνται από τους θησαυρούς: (1) σχέσεις ισοδυναμίας (equivalence), (2) homographic, (3) ιεραρχικές (hierarchical), (4) συσχέτισης (associative) (1) Σχέσεις ισοδυναμίας: ένας όρος t1, έχει το ίδιο ή παρεμφερές νόημα με τον όρο t2. (2) Ομογραφικές (Homographic): δύο όροι, t1 και t2, ονομάζονται ομογραφικοί αν ο όρος t1 προφέρεται το ίδιο με τον t2, αλλά έχουν διαφορετικό νόημα. (3) Ιεραρχικές: οι σχέσεις αυτές στηρίζονται στους βαθμούς ή στα επίπεδα των σχέσεων είναι υποκλάση της και είναι υπερκλάση της. Ουσιαστικά, η σχέση ιεραρχίας δείχνει επίπεδα ανώτερης και κατώτερης θέσης, όπου οι ανώτεροι ιεραρχικά όροι αντιπροσωπεύουν μία τάξη και οι κατώτεροι όροι αναφέρονται στα μέλη ή στα μέρη της. 9

22 (4) Συσχέτισης: η σχέση αυτή αφορά τους όρους που συνδέονται εννοιολογικά και όχι ιεραρχικά. Ένα παράδειγμα σχέσης συσχέτισης, μπορεί να είναι τόσο απλό όπως σχετίζεται με (is related to) τον όρο t1 και σχετίζεται με τον όρο t2.. Οι οντολογίες αποτελούν το δομικό στοιχείο του Σημασιολογικού Ιστού. Χρησιμοποιούνται για την περιγραφή όρων και των σημασιολογικών συσχετίσεών τους γύρω από ένα γνωστικό πεδίο. Οι όροι περιγράφουν κλάσεις αντικειμένων και οι συσχετίσεις ιεραρχικές εξαρτήσεις μεταξύ των όρων. Στο Κεφάλαιο 4 γίνεται πιο εκτεταμένη αναφορά στις οντολογίες. 2.3 Αρχιτεκτονική του Σημασιολογικού Ιστού Η αρχιτεκτονική του Σημασιολογικού Ιστού δεν είναι ακόμη ολοκληρωτικά καθορισμένη αλλά δέχεται συνεχώς βελτιώσεις και τροποποιήσεις. Η ανάπτυξη του Σημασιολογικού Ιστού εξελίσσεται σταδιακά, με το κάθε βήμα να δημιουργεί ένα επίπεδο (layer) πάνω από κάποιο άλλο. Όταν δημιουργείται ένα επίπεδο του Σημασιολογικού Ιστού πάνω από κάποιο άλλο, πρέπει να ακολουθούνται δύο αρχές: 1) Συμβατότητα προς τα κάτω (downward compatibility). Οι πράκτορες που έχουν πλήρη γνώση ενός επιπέδου πρέπει να είναι επίσης, σε θέση να ερμηνεύουν και να χρησιμοποιούν πληροφορίες των χαμηλότερων επιπέδων. 2) Μερική κατανόηση προς τα πάνω (upward partial understanding). Η σχεδίαση θα πρέπει να είναι τέτοια, ώστε οι πράκτορες που έχουν πλήρη γνώση ενός επιπέδου να είναι σε θέση να εκμεταλλευτούν, τουλάχιστον μερικώς, τις πληροφορίες των υψηλότερων επιπέδων. (Antoniou & van Harmelen, Εισαγωγή στο Σημασιολογικό Ιστό, σ ) 10

23 Στην Εικόνα 3 παρουσιάζεται η πολυεπίπεδη αρχιτεκτονική προσέγγιση του Σημασιολογικού Ιστού, όπως έχει περιγραφεί από τον Tim Berners-Lee. Εικόνα 3: Επίπεδα Σημασιολογικού Ιστού κατά Tim Berners-Lee Πηγή: Τα επίπεδα της διαστρωμάτωσης αυτής, πάνω στα οποία χτίζεται και αναπτύσσεται ο Σημασιολογικός Ιστός παρουσιάζονται εν συντομία παρακάτω. Όπως φαίνεται στο πρώτο και δεύτερο επίπεδο ο Σημασιολογικός Ιστός θεμελιώνεται επάνω στην ήδη υπάρχουσα υποδομή του Παγκόσμιου Ιστού χρησιμοποιεί το πρωτόκολλο HTTP για τη μεταφορά των δεδομένων, URIs (Uniform Resource Identifier - Καθολικό Αναγνωριστικό Πόρων) για την ονοματολογία και την ταυτοποίηση των πόρων, την κωδικοποίηση Unicode (Universal Code) για την καθολική προσπέλαση των δεδομένων. Επίπεδο 1: Τα URIs είναι συμβολοσειρές που ταυτοποιούν πόρους, οποιουδήποτε τύπου. Ένα URI μπορεί να ταξινομηθεί ως locator, name ή και τα δύο. Το Unicode παρέχει έναν μοναδικό αριθμό για κάθε χαρακτήρα, ανεξάρτητα από τη γλώσσα, το πρόγραμμα ή την υποκείμενη πλατφόρμα (underlying platform). Πριν τη δημιουργία του unicode, υπήρχαν και άλλα διαφορετικά συστήματα κωδικοποίησης. 11

24 Επίπεδο 2: Ο Σημασιολογικός Ιστός θεμελιώνεται στην Extensible Markup Language (συντ. XML, ελλ. Επεκτάσιμη Γλώσσα Σήμανσης) και στα πρότυπα όπως οι namespaces-ns (Χώροι Ονομάτων) και schemes (σχήματα). Η XML είναι μία γλώσσα που επιτρέπει τη συγγραφή δομημένων εγγράφων του Ιστού με τη χρήση λεξιλογίου που ορίζεται από το χρήστη. Είναι μία γλώσσα για ημιδομημένα δεδομένα και έχει προταθεί ως λύση για προβλήματα ενσωμάτωσης δεδομένων, διότι επιτρέπει μία πιο ευέλικτη κωδικοποίηση και εμφάνιση των δεδομένων, χρησιμοποιώντας metadata για την περιγραφή της δομής των δεδομένων. Η XML, επιπλέον, επιτρέπει την αναπαράσταση πληροφοριών, που είναι προσβάσιμες και από υπολογιστές. Οι χώροι ονομάτων (namespaces) είναι συλλογές ονομάτων, οι οποίες προσδιορίζονται από ένα URI και χρησιμοποιούνται για την ονομασία στοιχείων και γνωρισμάτων της XML. H XML-Schema είναι μία γλώσσα XML κατάλληλη για την περιγραφή της δομής XML εγγράφων. Επίπεδο 3: Το μοντέλο δεδομένων RDF (Resource Description Framework) είναι το πρώτο επίπεδο που ασχολείται με σημασιολογία των δεδομένων. Θεμελιώδεις έννοιες της RDF είναι οι πόροι (resources), οι ιδιότητες (properties) και οι προτάσεις (statements). Μπορούμε να θεωρήσουμε ότι ένας πόρος είναι ένα αντικείμενο, ένα πράγμα για το οποίο θέλουμε να μιλήσουμε. Οι πόροι μπορεί να είναι συγγραφείς, βιβλία, εκδότες, τοποθεσίες, άτομα κ.ο.κ. Κάθε πόρος έχει μία διεύθυνση URI. Η διεύθυνση URI μπορεί να είναι μία διεύθυνση URL (ή διεύθυνση Ιστού) ή κάποιο άλλο είδος μοναδικού αναγνωριστικού. Οι ιδιότητες είναι μία ειδική περίπτωση πόρων, καθώς περιγράφει σχέσεις μεταξύ πόρων, για παράδειγμα «γραμμένο από», «ηλικία», «τίτλος», κ.ο.κ. Οι ιδιότητες στην RDF καθορίζονται επίσης από διευθύνσεις URI (και στην πράξη από URL). Η ιδέα της χρήσης των URI για τον προσδιορισμό των «πραγμάτων» και των μεταξύ τους σχέσεων μας παρέχει μία μέθοδο καθολικής, παγκόσμιας, μοναδικής ονομασίας. Οι προτάσεις βεβαιώνουν τις ιδιότητες των πόρων. Η πρόταση είναι μία τριάδα (triple) αντικειμένου-χαρακτηριστικού-τιμής, η οποία αποτελείται από έναν πόρο, μία ιδιότητα και μία τιμή. Οι τιμές μπορούν να είναι είτε πόροι είτε λεκτικά (literals). Τα λεκτικά είναι ατομικές τιμές (αλφαριθμητικά, strings). To RDF 12

25 Schema είναι ένας µηχανισµός περιγραφής πόρων και των σχέσεων που αναπτύσσονται ανάµεσά τους και αποτελεί σημασιολογική επέκταση του RDF. Το RDF Schema παρέχει επίσης ένα απλό πλαίσιο συλλογιστικής για το συμπερασμό των τύπων των πόρων. Αν επεκτεινόταν, ώστε να μπορεί να καλύπτει και πιο σύνθετες σχέσεις, θα μπορούσε να χρησιμοποιηθεί ως βασική γλώσσα των οντολογιών. Επίπεδο 4: Οι οντολογίες περιγράφουν και αυτές όρους και σχέσεις γύρω από ένα γνωστικό πεδίο, έχουν όμως πιο αυστηρό συντακτικό από τα RDF και RDF Schema και η σημασιολογία τους στηρίζεται στη Λογική. Επίπεδο 5: Η Λογική (Logic), είναι ένα αυτόματο σύστημα συλλογιστικής και συµπερασµών, το οποίο χρησιμοποιεί τυπικούς κανόνες ώστε να γίνεται εφικτή η ψευδο-νοήµων διαδικασία λήψης, αποφάσεων από τις υπολογιστικές μηχανές. Επίπεδο 6: Η Απόδειξη (Proof) είναι η συλλογιστική, η οποία εξάγει το αποτέλεσμα. Επίσης, περιλαμβάνει και την αιτιολόγηση του αποτελέσματος σε βήματα, ώστε να γίνει η επαλήθευση. Επίπεδο 7: Στο τελευταίο επίπεδο είναι η Εμπιστοσύνη (Trust), η οποία σε συνδυασμό με τις ψηφιακές υπογραφές (digital signatures) και άλλων ειδών γνώσης, παρέχει ασφάλεια ποιότητας των πληροφοριών που βρίσκονται στο διαδίκτυο, καθώς επίσης και αξιοπιστία στην πηγή που παρέχει την πληροφορία. Αυτή η προσέγγιση του Σημασιολογικού Ιστού που παρουσιάστηκε παραπάνω, στις μέρες μας είναι υπό συζήτηση. Στην Εικόνα 4, παρουσιάζεται μία εναλλακτική στοίβα επιπέδων, στην οποία έχουν συμπεριληφθεί κάποια πρόσφατα επιτεύγματα. 13

26 Εικόνα 4: Εναλλακτική παρουσίαση επιπέδων Σημασιολογικού Ιστού Πηγή: Οι βασικές διαφορές με την προηγούμενη στοίβα είναι ότι το επίπεδο των οντολογιών συγκεκριμενοποιείται με δύο εναλλακτικές, την ισχύουσα πρότυπη γλώσσα οντολογιών Ιστού (OWL) και μία γλώσσα βασισμένη σε κανόνες (rule-based language). Επιπλέον, τα Προγράμματα Περιγραφικής Λογικής (Description Logic Programs, DLP) είναι η τομή της OWL με τη λογική Horn και χρησιμεύουν ως κοινή βάση. (Antoniou & van Harmelen, Εισαγωγή στο Σημασιολογικό Ιστό, 2009) 2.4 Στόχος του Σημασιολογικού Ιστού Ο Σημασιολογικός Ιστός, όπως έχει αναφερθεί ήδη, δεν είναι ένας νέος Ιστός, αλλά μία επέκταση και βελτίωση του σημερινού Ιστού. Στόχος του είναι οι πληροφορίες να γίνουν προσπελάσιμες από τους υπολογιστές (δηλαδή να μπορούν να τις επεξεργάζονται λογικά και να εξάγουν συμπεράσματα), έτσι ώστε να αποκτήσουν νόημα και να μπορέσει να αναπτυχθεί καλύτερη συνεργασία ανάμεσα στους 14

27 ανθρώπους και στον υπολογιστή. Έτσι λοιπόν, εισάγεται και η έννοια της σημασιολογίας (semantics) ως θεμελιώδες κομμάτι του Παγκόσμιου Ιστού. Το κλειδί για την επίτευξη του παραπάνω στόχου είναι τα μεταδεδομένα (metadata) ή, αλλιώς, η μεταπληροφορία. Τα μεταδεδομένα κάνουν σαφή την πληροφορία που είναι αόριστη και την εκθέτουν προς αναζήτηση, επεξεργασία και ενοποίηση (integration). Τα μεταδεδομένα είναι δεδομένα που αναφέρονται σε άλλα δεδομένα (data about data). Συγκεκριμένα περιέχουν μέρος της σημασίας των δεδομένων, γεγονός που δικαιολογεί τον όρο «σημασιολογικός» στον Σημασιολογικό Ιστό. 2.5 Σημασιολογικός Ιστός και Εκπαίδευση Οι τεχνολογίες του Σημασιολογικού Ιστού αρχίζουν σταδιακά να ενσωματώνονται στα εκπαιδευτικά συστήματα και να συμβάλλουν στην αναβάθμιση της ποιότητας της μάθησης, παρέχοντας ένα πιο προσαρμόσιμο, εξατομικευμένο και ευφυές μαθησιακό περιβάλλον. Η νέα γενιά εκπαιδευτικών συστημάτων που χρησιμοποιεί τεχνολογίες Σημασιολογικού Ιστού έχουν ονομαστεί από την κοινότητα Τεχνητής Νοημοσύνης (AI: Artificial Intelligence) Semantic Web-based educational systems. Βασικός στόχος τους είναι να χρησιμοποιηθούν οι διαθέσιμοι πόροι του Παγκόσμιου Ιστού μέσω τεχνολογιών βασισμένων σε πρότυπα, ώστε να επιτευχθεί η AAAL: Anytime, Anywhere, Anybody Learning (δηλαδή η μάθηση οποιαδήποτε στιγμή, οπουδήποτε και από οποιονδήποτε). Σύμφωνα με τους Anderson και Whitelock (2004), ο Εκπαιδευτικός Σημασιολογικός Ιστός βασίζεται σε τρία θεμελιώδη πλεονεκτήματα. Η πρώτη είναι η ικανότητα αποτελεσματικής αποθήκευσης και ανάκτησης πληροφοριών. Η δεύτερη είναι η δυνατότητα των μη-ανθρώπινων αυτόνομων πρακτόρων να αυξήσουν τη μάθηση και την ανάκτηση πληροφοριών των ανθρώπων. Η τρίτη προσφορά είναι η ικανότητα του Διαδικτύου να υποστηρίζει και να επεκτείνει τις δυνατότητες επικοινωνίας των ανθρώπων σε πολλαπλές μορφές πέρα από τα όρια του χρόνου και του χώρου. 15

28 Σύμφωνα με το άρθρο Research Directions on Semantic Web and Education (Ig Ibert Bittencourt et.al.) τα συστατικά των Semantic Web-based educational systems είναι τα ακόλουθα: Ρόλοι (Roles): Πολλές εκπαιδευτικές δραστηριότητες, όπως η διδασκαλία, η μάθηση, η συνεργασία, η συγγραφή και άλλα, συμπεριλαμβάνονται στα εκπαιδευτικά συστήματα με βάση το Σημασιολογικό Ιστό. Επιπλέον, οι δραστηριότητες αυτές κατανέμονται ανάλογα με το ρόλο που έχει κάθε συμμετέχοντας. Ορισμένοι από αυτούς είναι οι εξής: Ρόλος του εκπαιδευτικού (Teacher s Role): οι καθηγητές καλούνται να παράσχουν στους μαθητές εκπαιδευτικό υλικό και να σχεδιάσουν μαθησιακές δραστηριότητες, να παρακολουθήσουν τις αλληλεπιδράσεις των μαθητών (επίλυση προβλημάτων, αξιολόγηση κλπ). Ρόλος του μαθητή (Learner s Role): Το κύριο ενδιαφέρον των εκπαιδευομένων είναι να αλληλεπιδρούν με το σύστημα προκειμένου να λαμβάνουν εξατομικευμένο εκπαιδευτικό περιεχόμενο για να βελτιώσουν τις γνώσεις τους και να εκπληρώσουν τους μαθησιακούς τους στόχους. Ρόλος του συγγραφέα (Author s Role): οι συγγραφείς είναι υπεύθυνοι για τη δομή του εκπαιδευτικού περιεχομένου. Οι δραστηριότητες συγγραφής αφορούν το (i) εκπαιδευτικό περιεχόμενο, (ii) τη διαδικασία διδασκαλίας και (iii) την προσαρμογή και εξατομίκευση (Aroyo and Dicheva, 2004). Ρόλος ομάδων (Group s Role): η διαδικασία εκμάθησης μπορεί να πραγματοποιηθεί σε ομάδες. Τα μέλη της ομάδας ενδιαφέρονται για μάθηση που πραγματοποιείται μέσω αλληλεπίδρασης με άλλους σπουδαστές προκειμένου να επιτύχουν προσωπικούς στόχους και να μοιραστούν τη γνώση τους με άλλους μαθητές. Ρόλος του προγραμματιστή (Developer s Role): υπεύθυνοι για την ανάπτυξη και προσθήκη νέων λειτουργιών στα Semantic Web-based educational systems. Περιβάλλον διασύνδεσης (Interface Environment): αντιπροσωπεύει τη διεπαφή επικοινωνίας μεταξύ ενός χρήστη με συγκεκριμένο ρόλο και του συστήματος που βασίζεται στο Σημασιολογικό Ιστό. Επιπλέον, το περιεχόμενο και το είδος 16

29 των εκπαιδευτικών πόρων είναι σημαντικά στοιχεία που πρέπει να λαμβάνονται υπόψη κατά την επιλογή της τεχνολογίας που θα χρησιμοποιηθεί στο περιβάλλον. Εκπαιδευτικοί πόροι (Educational Resources): οι εκπαιδευτικοί πόροι αντιπροσωπεύουν τους πόρους που επικαλούνται οι χρήστες στην αλληλεπίδραση με τα εκπαιδευτικά συστήματα που χρησιμοποιούν τεχνολογίες Σημασιολογικού Ιστού (Semantic Web-based educational system). Επίσης, οι πόροι πρέπει να εξατομικεύονται σύμφωνα με τους συγκεκριμένους ρόλους των χρηστών. Παραδείγματα εκπαιδευτικών πόρων είναι μαθησιακά αντικείμενα (παραδείγματα, προβλήματα, αντιπαραδείγματα, μονάδες δραστηριοτήτων κλπ.), εκπαιδευτικές οντολογίες και άλλα. Web-based educational system (SWBES): υποστηρίζει τους πολυάριθμους χρήστες με αποτελεσματικό τρόπο, καθοδηγώντας και βοηθώντας τους να επιτύχουν τους εκπαιδευτικούς τους στόχους. Έτσι, αντιπροσωπεύει τη νέα γενιά εκπαιδευτικών συστημάτων που στοχεύουν στη βελτίωση της ποιότητας των υπηρεσιών μέσω της χρήσης τεχνολογιών του Σημασιολογικού Ιστού. Ένα SWBES περιλαμβάνει: 1. Οντολογίες: αποτελούν σημαντική απαίτηση για τον ορισμό σημασιολογικής σημασίας περιεχομένου, τη διασφάλιση της διαλειτουργικότητας μεταξύ εκπαιδευτικών συστημάτων κλπ. 2. Tutoring Agents (ή ευφυείς παιδαγωγικοί πράκτορες): Αυτοί οι πράκτορες συμβάλλουν στη διαδικασία εκμάθησης με διάφορους τρόπους, για παράδειγμα, μπορούν να αξιολογήσουν τις ομοιότητες ανάμεσα στα πρότυπα, να προτείνουν εκπαιδευτικό περιεχόμενο, να συνθέσουν υπηρεσίες σημασιολογικού ιστού για εκπαίδευση και άλλα. 3. Εργαλεία (Tools): μπορούν να χρησιμοποιηθούν διάφορα εργαλεία, όπως συνεργατικά εργαλεία, εργαλεία προσομοίωσης, έξυπνα εργαλεία και εργαλεία συγγραφής. 4. Υπηρεσίες (Services): Οι Υπηρεσίες Σημασιολογικού Ιστού (Semantic Web Services) μπορούν να υποστηρίξουν μία σειρά από διαφορετικές εκπαιδευτικές δραστηριότητες που μετασχηματίζουν μια στατική 17

30 συλλογή πληροφοριών, σε μια κατανεμημένη βάση τεχνολογιών Σημασιολογικού Ιστού και καθιστούν τη μηχανή περιεχομένου WWW επεξεργάσιμη. Το περιβάλλον του Σημασιολογικού Ιστού (Semantic Web Environment): αντιπροσωπεύει το διαθέσιμο περιβάλλον αλληλεπίδρασης (ανάμεσα στο SWBES και στους χρήστες) για να ανακαλύψει, να περιηγηθεί, να επιλέξει και να επικαλεστεί σημασιολογικά σχολιασμένους πόρους στον Ιστό, χρησιμοποιώντας σημασιολογικές τεχνολογίες και αρχιτεκτονικές. Εικόνα 5: Μοντέλο των semantic web-based educational systems Πηγή: 18

31 3 Λογική και Συμπερασμός Στο κεφάλαιο αυτό, αναφέρονται κάποιες βασικές έννοιες σχετικές με την αναπαράσταση γνώσης. Επίσης, γίνεται μία εισαγωγή στην Προτασιακή Λογική, στην Λογική Πρώτης τάξης και στις Περιγραφικές Λογικές. 3.1 Αναπαράσταση Γνώσης Η αναπαράσταση γνώσης είναι ένα σύνολο συντακτικών και σημασιολογικών παραδοχών, οι οποίες καθιστούν δυνατή την περιγραφή ενός κόσμου. Μία μέθοδος αναπαράστασης γνώσης έχει συντακτικό (syntax), σημασιολογία (semantics) και έναν μηχανισμό εξαγωγής συμπερασμάτων (Inference Mechanism). Ο μηχανισμός εξαγωγής συμπερασμάτων υλοποιείται από: τη στρατηγική αναζήτησης της λύσης ενός προβλήματος, πάνω στη γνώση του προβλήματος. Η στρατηγική αναζήτησης υλοποιείται µε διάφορους τρόπους. Οδηγούμενη από τους στόχους (goal driven ή top-down), σε αυτή την περίπτωση ξεκινά από πιθανά συμπεράσματα και φτάνει στις αιτίες που τα στηρίζουν. Οδηγούμενη από τα δεδομένα (data driven ή bottom-up): εδώ ξεκινά από τα δεδομένα του προβλήματος και φτάνει σε συμπεράσματα. τη συλλογιστική (reasoning). Η συλλογιστική είναι ο γενικός τρόπος παραγωγής γνώσης από ήδη υπάρχουσα γνώση, και υλοποιείται με τρεις κυρίως μεθόδους: 1.Παραγωγή/Συνεπαγωγή (deduction): εξάγει συμπεράσματα βασισμένη στους κλασικούς μηχανισμούς εξαγωγής συμπερασμάτων. 2. Επαγωγή (induction): εξάγει γενικά συμπεράσματα από ένα σύνολο παραδειγμάτων. 3. Απαγωγή (abduction): εξαγωγή συμπερασμάτων κατά την οποία 19 δεδομένου μίας βάσης γνώσης και μερικών παρατηρήσεων

32 (observation) γίνεται εύρεση υποθέσεων, οι οποίες μαζί με τη βάση γνώσης εξηγούν τις παρατηρήσεις. Οι Μέθοδοι Αναπαράστασης Γνώσης είναι η Λογική, η οποία διακρίνεται σε Προτασιακή λογική (propositional logic) και Κατηγορηματική λογική (predicate logic), οι οµηµένες αναπαραστάσεις γνώσης, οι οποίες χωρίζονται σε Σηµασιολογικά ίκτυα (semantic networks), Πλαίσια (frames), Εννοιολογική εξάρτηση (conceptual dependency), Σενάρια (scripts) και τελευταία μέθοδος είναι οι Κανόνες (if-then rules). Στη συνέχεια παρουσιάζονται εν συντομία τα Κριτήρια Αξιολόγησης Μεθόδων Αναπαράστασης Γνώσης. Επάρκεια αναπαράστασης (representational adequacy), είναι η ικανότητα να αναπαριστά όλα τα είδη γνώσης. Επάρκεια συνεπαγωγής (inferential adequacy), είναι η ικανότητα να συνεργάζεται με μηχανισμούς που επεξεργάζονται υπάρχουσες δομές γνώσης. Αποδοτικότητα συνεπαγωγής (inferential efficiency), είναι η ικανότητα να μπορεί να εισάγει επιπρόσθετες πληροφορίες στις δομές γνώσης, έτσι ώστε να κατευθύνει τους μηχανισμούς εξαγωγής συμπερασμάτων γρηγορότερα προς τη λύση. Αποδοτικότητα απόκτησης (acquisitional efficiency), είναι η ικανότητα να επιτρέπει την απόκτηση νέας γνώσης εύκολα και γρήγορα. 3.2 Γλώσσες αναπαράστασης γνώσης Ο τρόπος που μπορεί να καταγραφεί και να εισαχθεί η γνώση του ανθρώπου σε έναν υπολογιστή αποτελεί ένα από τα βασικά προβλήματα που πρέπει να αντιμετωπιστούν. Η γνώση αυτή δεν μπορεί να καταγραφεί σε φυσική γλώσσα γιατί υπάρχουν έννοιες οι οποίες δεν ακολουθούν την αυστηρότητα και την τυπικότητα (π.χ. μία πρόταση μπορεί να έχει διπλή εννοιολογική σημασία). Αν όμως καταφέρει να εισαχθεί στο σύστημα ή τον αλγόριθμο από τον άνθρωπο, θα μπορεί να αξιοποιηθεί για την εξαγωγή πιο ευφυών αποτελεσμάτων, τα οποία θα μπορούν να προσεγγίσουν σε ποιότητα αυτά της ανθρώπινης συλλογιστικής και σκέψης. Για το λόγο αυτό έχουν 20

33 εισαχθεί ειδικές γλώσσες, οι οποίες αναφέρονται ως γλώσσες αναπαράστασης γνώσης (knowledge representation languages). Οι γλώσσες αναπαράστασης γνώσης έχουν αρκετά κοινά με τις φυσικές γλώσσες που χρησιμοποιούμε (π,χ. Ελληνικά). Αποτελούνται από ένα αλφάβητο (alphabet), ένα συντακτικό (syntax), το οποίο αποτελείται από το σύνολο συμβόλων που χρησιμοποιεί η γλώσσα και των κανόνων σύμφωνα με του οποίους τα σύμβολα μπορούν να συνδυαστούν και μία σημασιολογία (semantics), η οποία καθορίζει µία αντιστοιχία μεταξύ συμβόλων, συνδυασμών συμβόλων, προτάσεων της γλώσσας και εννοιών του κόσμου στις οποίες αναφέρονται. Έκτος όμως από την τυπικότητά τους οι γλώσσες αναπαράστασης γνώσης έχουν και ένα επιπλέον χαρακτηριστικό. Το επιπλέον αυτό στοιχείο ονομάζεται θεωρία αποδείξεων (proof theory) ή μηχανισμός εξαγωγής συμπερασμάτων (reasoning algorithm). Ο ρόλος του είναι να περιγράφει κανόνες με βάση τους οποίους στηριζόμενοι σε μια αρχική γνώση, η οποία έχει περιγραφεί με μια γλώσσα αναπαράστασης γνώσης, να μπορούμε να εξάγουμε νέα γνώση και νέα συμπεράσματα από τα αρχικά γεγονότα. (Στοΐλος, «Εισαγωγή στις Περιγραφικές Λογικές») 3.3 Προτασιακή Λογική Η προτασιακή λογική (propositional logic) είναι ένας από τους απλούστερους και πιο αφηρημένους φορμαλισμούς αναπαράστασης γνώσης. Τυποποιεί την αναπαράσταση δηλώσεων με τη μορφή προτάσεων που μπορούν να ελεγχθούν για την ισχύ τους, για το αν είναι, δηλαδή, αληθείς ή ψευδείς αλλά όχι και τα δύο. Ο μόνος τρόπος για να εκτιμηθεί αν μια δήλωση αποτελεί τυπική πρόταση ή όχι είναι η κατανόηση του φυσικού νοήματος του κειμένου (μέσω της κατανόησης φυσικής γλώσσας), κάτι το οποίο δεν είναι στόχος των τυπικών φορμαλισμών αναπαράστασης γνώσης και συλλογιστικής, οι οποίοι συνήθως ασχολούνται με την τυπική παραγωγή σύνθετων προτάσεων από απλές (το νόημα των οποίων θεωρείται δεδομένο για το υπολογιστικό σύστημα). Το αλφάβητο της προτασιακής λογικής αποτελείται από τα επόμενα σύμβολα: 'Ατομα, π.χ. P, Q, ή P1, P2, κ.λ.π. 21

34 Πέντε λογικούς συνδέσμους, οι οποίοι παρουσιάζονται, μαζί με την επεξήγησή τους, στον πίνακα που ακολουθεί : Σύμβολο Ονομασία/Επεξήγηση Άρνηση Σύζευξη (λογικό ΚΑΙ ) Διάζευξη (λογικό " Η") Συνεπαγωγή (Εάν...τότε) διπλή συνεπαγωγή ή ισοδυναµία ("αν και μόνο αν"). Πίνακας 2: Λογικοί Σύνδεσμοι Δύο σύμβολα στίξης (Παρενθέσεις): ( και ), που καθορίζουν την προτεραιότητα. Η σημασιολογία της προτασιακής λογικής αντιστοιχεί μία τιμή αληθείας ( αληθές, ψευδές, Α ή Ψ αντίστοιχα) σ' έναν τύπο, βασισμένη σε μια ερμηνεία της γλώσσας. Μια ερμηνεία (interpretation) αντιστοιχεί τιμές αληθείας στα άτομα και επεκτείνεται σε σύνθετους τύπους με χρήση ενός πίνακα αληθείας. Κάποιες από τις βασικές γνώσεις πάνω στην Προτασιακή Λογική είναι: Ένας τύπος ονομάζεται ταυτολογία ή έγκυρος (valid), αν είναι αληθής κάτω από οποιαδήποτε ερμηνεία. Αν ο τύπος F είναι έγκυρος γράφεται =F Ένας τύπος ονομάζεται αντινομία (contradiction), αν είναι ψευδής κάτω από οποιαδήποτε ερμηνεία. Αν ένας τύπος καθίσταται αληθής κάτω από μία ερμηνεία M, θα λέμε ότι ο F ικανοποιείται από την M ή ότι η M είναι ένα μοντέλο (model) του F. Θα ονομάζουμε δύο τύπους F και G ισοδύναμους (equivalent) και θα γράφουμε F G, αν και μόνον αν οι πίνακες αληθείας τους συμπίπτουν κάτω από οποιαδήποτε ερμηνεία. Τέλος, αποτίμηση μεταβλητών, είναι η διαδικασία κατά την οποία θέτουμε τιμές Α (=αλήθειας) ή Ψ (=Ψέμα) στις προτασιακές μεταβλητές ενός τύπου. Η αποτίμηση 22

35 ενός τύπου είναι η διαδικασία που εφαρμόζεται προκειμένου να βρεθεί αν ένας τύπος είναι Αληθής ή Ψευδής ανάλογα με την αποτίμηση των προτασιακών μεταβλητών. φ Α Α Ψ Ψ ψ Α Ψ Α Ψ φ Ψ Ψ Α Α φ ψ Α Α Α Ψ φ ψ Α Ψ Ψ Ψ φ ψ Α Ψ Α Α φ ψ Α Ψ Ψ Α Πίνακας 3: Αληθοπίνακας προτασιακών συνδέσμων 3.4 Λογική Πρώτης Τάξης Η προτασιακή λογική ασχολείται με απλές δηλωτικές προτάσεις, ενώ η λογική πρώτης τάξης (first-order logic) ή κατηγορηματική λογική πρώτης τάξης (first-order predicate logic) καλύπτει επιπρόσθετα κατηγορήματα και ποσοτικοποιήσεις. Στη Λογική Πρώτης Τάξης ισχύουν κάποιες υποθέσεις, οι οποίες είναι οι εξής: Ο κόσμος αποτελείται από αντικείμενα (Objects), τα οποία μπορούν, γενικά, να είναι απτά (concrete) ή αφηρημένα (abstract). Η αναφορά στα αντικείμενα γίνεται μέσω των όρων. Τα αντικείμενα συμμετέχουν σε σχέσεις (relations) με άλλα αντικείμενα. Κάποιες από αυτές τις σχέσεις είναι συναρτήσεις (functions). Οι σχέσεις μεταξύ των αντικειμένων μπορεί να αληθεύουν ή να μην αληθεύουν. Η κατηγορηματική λογική επεκτείνει την προτασιακή λογική εισάγοντας όρους (terms), κατηγορήματα (predicates) και ποσοδείκτες (quantifiers). Xρησιμοποιούνται για το συντακτικό: παρενθέσεις (.), λογικοί συνδέσμοι,,, και και ένα αριθμήσιμο απειροσύνολο μεταβλητών, που περιέχει σύμβολα σταθερών (constant symbols), σύμβολα συναρτήσεων (function symbols) και σύμβολα κατηγορημάτων. 23

36 Σύμβολο Ονομασία/Επεξήγηση Διάζευξη (λογικό ή) Σύζευξη (λογικό και) Άρνηση Συνεπαγωγή (εάν...τότε) Ισοδυναμία (εάν και μόνο εάν) Καθολικός ποσοδείκτες (για κάθε) Υπαρξιακός ποσοδείκτες (υπάρχει) Πίνακας 4: Σύμβολα Κατηγορηματικής Λογικής Η έννοια του λεξιλογίου (vocabulary) χρησιμοποιείται για την αναφορά στα σύνολα συμβόλων, σταθερών, συναρτήσεων και κατηγορημάτων που χρησιμοποιούνται για την μοντελοποίηση ενός πεδίου εφαρμογών. Έχοντας το λεξιλόγιο, μπορούν να κατασκευαστούν εκφράσεις, οι οποίες μπορούν να διακριθούν στις ακόλουθες κατηγορίες: Όροι: Οι όροι (terms) είναι εκφράσεις που παριστάνουν αντικείμενα στον κόσμο που γίνεται η μοντελοποίηση. ( π.χ MotherOf(Maria) ) Ατομικοί Τύποι:d Οι ατομικοί τύποι (atomic formulas) είναι εκφράσεις που παριστάνουν απλά γεγονότα ή απλές σχέσεις ανάμεσα σε αντικείμενα. (π.χ George=ElderSonOf(Maria) ) Καλά σχηματισμένοι τύποι ή τύποι: Οι καλά σχηματισμένοι τύποι (well-formed formulas) είναι το πιο πολύπλοκο είδος εκφράσεων της Λογικής Πρώτης Τάξης, οι οποίοι μπορούν να περιγράφουν πολύπλοκες καταστάσεις. (π.χ Loves(Giannis,Maria). Στην Λογική Πρώτης Τάξης υπάρχουν κανόνες προτεραιότητας των τελεστών. Η προτεραιότητα από τη μεγαλύτερη προς την μικρότερη είναι: 1., και 2., 3. 4., 5. 24

37 3.4.1 Προτάσεις Horn 3 Στις προτάσεις Horn, επιτρέπεται μόνο ένας ατομικός τύπος στο συμπέρασμα, είναι δηλαδή της μορφής: q1, q2,, qn r Η παραπάνω μορφή, όταν n>0, ονομάζεται συνήθως κανόνας και ερμηνεύεται ως εξής: εάν ισχύει η συνθήκη, τότε ισχύει και το συμπέρασμα. Οι προτάσεις Horn αποτελούν την πλέον χρησιμοποιούμενη μορφή της λογικής, καθώς αποτελούν ένα αρκετά απλό αλλά παράλληλα αρκετά εκφραστικό τρόπο αναπαράστασης. Θα πρέπει όμως να σημειωθεί ότι δεν είναι δυνατό να μετατραπεί οποιαδήποτε έκφραση της κατηγορηματικής λογικής σε προτάσεις Horn και συνεπώς αποτελούν μία πιο περιορισμένη μορφή της λογικής 3.5 Περιγραφικές Λογικές Με τον όρο Περιγραφικές Λογικές (Description Logics - DL) αναφερόμαστε σε μία δοµηµένη μέθοδο αναπαράστασης γνώσης, με τη βοήθεια της οποίας μπορούμε να αναπαραστήσουμε τις έννοιες και τις συσχετίσεις ενός πεδίου ενδιαφέροντος (domain) με φορμαλιστικό τρόπο, ο οποίος επιτρέπει εξαγωγή συμπερασμάτων μέσω συλλογισμού (reasoning). Οι Περιγραφικές Λογικές αποτελούν μία οικογένεια γλωσσών και όχι μία μοναδική γλώσσα. Ως γλώσσα αναπαράστασης γνώσης, περιλαμβάνει μία τυπική γλώσσα περιγραφής προτάσεων, η οποία περιέχει αλφάβητο και γραμματική (η γραμματική περιλαμβάνει τους κανόνες σύνταξης και τις εκφράσεις της γλώσσας), μία σημασιολογία και μηχανισμούς λογικού συμπερασμού (reasoning). Το αλφάβητο που χρησιμοποιείται δεν είναι σταθερό αλλά μπορεί να οριστεί από το χρήστη. Το αλφάβητο ορίζεται από ένα σύνολο ατομικών εννοιών (atomic concepts), τα οποία αντιστοιχούν σε μοναδιαία κατηγορήματα, ένα σύνολο ατομικών ρόλων (atomic roles) ή αλλιώς σχέσεων (relations), οι οποίοι αντιστοιχούν σε διμερή κατηγορήματα και από ένα σύνολο ατόμων (individuals), τα οποία αντιστοιχούν σε

38 σταθερές (constants). Αυτά (δηλαδή οι έννοιες, οι ρόλοι και τα άτομα) αποτελούν και τα μη-λογικά σύμβολα. Η γλώσσα εκτός από τα μη-λογικά, αποτελείται και από λογικά σύμβολα, τα οποία είναι τα εξής: Λογικοί Τελεστές:,, Υπαρξιακός και καθολικός προσοδείκτης, οι οποίοι είναι αντίστοιχα και Περιορισμοί Πληθυκότητας (numerical restrictions):,, = Εικόνα 6: Σύνταξη Περιγραφικών Γλωσσών Το συντακτικό (syntax) των περιγραφικών λογικών αποτελείται από: Περιγραφές εννοιών (concept descriptions) ή περίπλοκες έννοιες (complex concepts) δημιουργούνται από τις ατομικές έννοιες και τους ρόλους με τους κατασκευαστές εννοιών Ορισμούς στιγμιοτύπων (instances) μέσω της σύνδεσης ατόμων με έννοιες Ορισμούς περιορισμούς ρόλων (role restrictions), όπως η μεταβατικότητα, η αντιστροφή ο περιορισμός πληθικότητας κλπ Περιγραφές ρόλων (role descriptions) ή περίπλοκοι ρόλοι (complex role) δημιουργούνται από τους ατομικούς ρόλους με τους κατασκευαστές ρόλων 26

39 Εικόνα 7: Σημασιολογία κατασκευαστών σύνθετων εννοιών και ρόλων Πηγή:Στάμου, Αναπαράσταση Οντολογικής Γνώσης και Συλλογιστική, σ.61 Οι Περιγραφικές Λογικές προσφέρουν μία επιπλέον δυνατότητα, να μπορούν να αποδίδονται ονόματα στις περίπλοκες έννοιες που θέλουν να περιγραφούν, αλλά ακόμα και να περιγράφουν σχέσεις ανάμεσα σε αυτές. Οι σχέσεις αυτές παρουσιάζονται με τη μορφή αξιωμάτων, που ονομάζονται ονοματολογικά αξιώματα (terminological axioms). Αν C και D είναι οποιεσδήποτε έννοιες των Περιγραφικών Λογικών, τότε ορίζονται τα παρακάτω αξιώματα: 1) Αξιώματα Ιεραρχίας (inclusion axioms): C D ( R S) Διαισθητικά ένα αξίωμα υπαγωγής της μορφής C D δηλώνει ότι η έννοια D είναι πιο γενική από την έννοια C ή αλλιώς ότι η έννοια C είναι υπο-έννοια της D. 2) Αξιώματα ισότητας (equivalence axioms): C D ( R S ) Tο αξίωμα C D σημαίνει ότι οι δυο έννοιες είναι ταυτόσημες 3) Αξιώματα Μεταβατικότητας (transitivity axioms): trans(r) Ορίζουν ένα ρόλο ως μεταβατικό. Ένα σύνολο από τα αξιώματα αποτελούν το σώμα ορολογίας (Tbox Terminological Box) ή απλώς μια ορολογία (terminology), η οποία συμβολίζεται με το γράμμα T. Ας δούμε τώρα πως ερμηνεύονται τα αξιώματα ορολογίας. Σύμφωνα με τα παραπάνω εφόσον το αξίωμα C D, σημαίνει ότι η έννοια D είναι πιο γενική από την 27

40 έννοια C και εφόσον τα C και D ερμηνεύονται σαν σύνολα είναι φυσικό να πούμε ότι μία ερμηνεία ικανοποιεί (satisfies) ένα αξίωμα ιεραρχίας C D αν C D, δηλαδή αν η ερμηνεία ερμηνεύει την έννοια D ως υπερσύνολο της έννοιας C. Αντίστοιχα μία ερμηνεία ικανοποιεί ένα αξίωμα ισοδυναμίας C D αν C =D. Μία ερμηνεία που ικανοποιεί ένα αξίωμα/σύνολο αξιωμάτων ονομάζεται μοντέλο (model) του αξιώματος/συνόλου αξιωμάτων. Διαισθητικά μία ορολογία T αποτελεί έναν περιορισμό στη δομή των μοντέλων που μπορούν να οριστούν. Δύο αξιώματα ή σύνολα αξιωμάτων ονομάζονται ισοδύναμα (equivalent) αν έχουν τα ίδια μοντέλα. Ένα αξίωμα ισότητας που στο αριστερό μέρος εμφανίζεται μία ατομική κλάση ονομάζεται ορισμός (definition). Ένα παράδειγμα οριμού είναι: Mother Woman haschild.person Το όνομα στο αριστερό μέρος του είναι μία ορισμένη (defined) κλάση (στο προηγούμενο παράδειγμα η ορισμένη κλάση είναι η Mother). Ενώ τα σύμβολα κλάσεων που υπάρχουν μόνο στο δεξί μέρος των ορισμών ονομάζονται Πρωταρχικές έννοιες (primitive classes). Εκτός από τη δυνατότητα ορισμού σχέσεων μεταξύ εννοιών, οι Περιγραφικές Λογικές επιτρέπουν να γίνονται και υποθέσεις όσον αφορά τα άτομα του κόσμου τον οποίο μοντελοποιεί. Δίνεται, συνεπώς η δυνατότητα καθορισμού σχέσεων στιγμιοτύπου (instance relations) ανάμεσα σε ένα άτομο (ζευγάρι ατόμων) και μία έννοια (ρόλο), τα οποία ονομάζονται ισχυρισμοί (assertions). Υπάρχουν δύο είδη ισχυρισμών: 1) Iσχυρισμοί εννοιών (concept assertions), οι ισχυρισμοί αυτοί αναφέρονται σε πραγματολογικά δεδομένα (facts) και έχουν τη σύνταξη a:c ή C(a) 2) Ισχυρισμοί ρόλων (role assertion): οι οποίοι έχουν τη σύνταξη (a,b):r ή R(a,b). Το σύνολο των ισχυρισμών αποτελεί το σώμα ισχυρισμών (ABox Assertional Box το οποίο συμβολίζεται με A. Έτσι λοιπόν μία βάση γνώσης (knowledge base) των Περιγραφικών Λογικών ορίζεται ως ένα ζευγάρι ενός TBox : T και ενός Abox : A, K=(T, A). 28

41 Η συνάρτηση ερμηνείας επεκτείνεται αντιστοιχίζοντας ένα άτομο a σε ένα αντικείμενο a του.. Επίσης, ικανοποιεί έναν ισχυρισμό που αφορά έννοια (concept assertion) ( C(a) αν ai CI ) και επιπλέον ικανοποιεί έναν ισχυρισμό ρόλου (role assertion) ( R(a,b) αν (a,b ) R ). Μία ερμηνεία που ικανοποιεί ένα σύνολο Abox, Α, εάν ικανοποιεί κάθε πρόταση στο Α. Σε αυτή την περίπτωση λέμε ότι η ερμηνεία είναι μοντέλο του συγκεκριμένου Abox. Έστω T ένα Tbox, οι αλγόριθμοι συμπερασμού ελέγχουν τις παρακάτω ιδιότητες: 1) Ικανοποιησιμότητα (satisfiability): Η κλάση C είναι ικανοποιήσιμη (satisfiable) σε σχέση με το T αν υπάρχει μοντέλο του T τέτοιο ώστε C. Τότε λέμε ότι η είναι επίσης μοντέλο της C. 2) Υπαγωγή (subsumption): Η κλάση C υπάγεται στην κλάση D ( is subsumed by) σε σχέση με το T, αν C D για κάθε μοντέλο του T. Σε αυτήν την περίπτωση γράφουμε T C D. 3) Ισοδυναμία (equivalence): Η κλάση C είναι ισοδύναμη με την κλάση D σε σχέση με το T αν C = D περίπτωση γράφουμε T C D. για κάθε μοντέλο του T. Σε αυτήν την 4) Ξένες Έννοιες (disjointness): Η κλάση C είναι ξένη με την κλάση D (disjoint with) σε σχέση με το T αν C D = για κάθε μοντέλο του T. Ένας μηχανισμός συλλογιστικής είναι δυνατόν να συμπεράνει προτάσεις σχετικά με ατομικά στοιχεία τα οποία δεν συμπεριλαμβάνονται ρητά στα πραγματολογικά δεδομένα (ABox) μίας βάσης γνώσης. Έστω A ένα ABox και T ένα TBox, ένας μηχανισμός συλλογιστικής είναι δυνατόν να πραγματοποιεί τα παρακάτω: 1) Έλεγχος συνέπειας (consistency check): Το A είναι συνεπές (consistent) σε σχέση με το T, αν υπάρχει μοντέλο του T το οποίο είναι και μοντέλο του A. 2) Έλεγχος συνεπαγωγής (entailment chek): Το A συνεπάγεται (entails) έναν ισχυρισμό φ σε σχέση με το T, αν κάθε μοντέλο του A και του T ικανοποιεί τον ισχυρισμό. Σε αυτήν την περίπτωση γράφουμε T,A φ Γενικά, αν κάποιος ισχυρισμός δε βρίσκεται μέσα στο ABox αυτό δε σημαίνει ότι ο ισχυρισμός δεν ισχύει αλλά ότι δεν ξέρουμε αν ισχύει και ότι μπορούμε να δημιουργήσουμε ερμηνείες στις οποίες ο ισχυρισμός αυτός να ικανοποιείται και άλλες 29

42 στις οποίες μπορεί να μην ικανοποιείται. Η υπόθεση αυτή ονομάζεται υπόθεση ανοικτού κόσμου (open-world assumption). 30

43 4 Οντολογίες Στο κεφάλαιο αυτό παρουσιάζονται οι οντολογίες. Αρχικά ορίζεται η έννοια της οντολογίας, αναλύονται τα βασικά χαρακτηριστικά τους και αναφέρονται οι γλώσσες που χρησιμοποιούν. Στη συνέχεια παρουσιάζονται τα διάφορα είδη οντολογιών, καθώς και η συμβολή τους στην εκπαίδευση. 4.1 Τι είναι η οντολογία; Ο όρος οντολογία, προέρχεται από την ελληνική λέξη ον (γενική του όντος, το οποίο σημαίνει «από την ύπαρξη») και από τη λέξη λόγος (που σημαίνει επιστήμη, θεωρία). Υπάρχουν δύο διαφορετικές οπτικές γωνίες υπό τις οποίες μπορεί να περιγραφεί ο όρος οντολογία. Η μία προέρχεται από την επιστήμη της φιλοσοφίας και η άλλη από την επιστήμη των υπολογιστών. Το 1995, οι Guarino και Giaretta πρότειναν να χρησιμοποιείται ο όρος Οντολογία (με κεφαλαίο όμικρον) για τη φιλοσοφική έννοια, ενώ ο όρος οντολογία (με μικρό όμικρον) για την επιστήμη των υπολογιστών. Για τους φιλοσόφους, ο όρος Οντολογία αναφέρεται στην φιλοσοφική μελέτη της φύσης της υπόστασης, της ύπαρξης ή της πραγματικότητας γενικά, καθώς επίσης και των βασικών κατηγοριών ύπαρξης και σχέσεων τους. Οι αρχαίοι Έλληνες φιλόσοφοι όπως ο Παρμενίδης και ο Αριστοτέλης αναφέρθηκαν στην έννοια της Οντολογίας προσπαθώντας να απαντήσουν σε φιλοσοφικά ερωτήματα. Στην επιστήμη των υπολογιστών, έχουν δοθεί πολλοί ορισμοί για την έννοια της οντολογίας. Ένας από τους πρώτους ορισμούς διατυπώθηκε από τον Neches και τους φοιτητες του (1991) και ήταν ο ακόλουθος: 31

44 «An ontology defines the basic terms and relations comprising the vocabulary of a topic area as well as the rules for combining terms and relations to define extensions to the vocabulary.» Η ελληνική απόδοση του παραπάνω ορισμού είναι: Μία οντολογία ορίζει τους βασικούς όρους και τις σχέσεις που συνθέτουν το λεξιλόγιο μίας θεματικής περιοχής, καθώς και τους κανόνες συνδυασμού όρων και σχέσεων για τον ορισμό των επεκτάσεων στο λεξιλόγιο. Σύμφωνα με τον ορισμό του Neches, μία οντολογία περιλαμβάνει όχι μόνο όρους που έχουν οριστεί κατηγορηματικά (explicitly), αλλά και τη γνώση που εξάγεται από αυτούς. Λίγα χρόνια αργότερα, το 1993, ο Gruber όρισε την οντολογία ως εξής: «An ontology is an explicit specification of a conceptualization» Η ελληνική απόδοση του παραπάνω ορισμού είναι: Μία οντολογία είναι ο σαφής προσδιορισμός μίας εννοιολογικής σύλληψης. Η εννοιολογική σύλληψη μπορεί να οριστεί ως μία ομογενής σημασιολογική δομή που κωδικοποιεί την έμμεση γνώση περιορίζοντας τη δομή ενός κομματιού του τομέα. O Borst, το 1997, τροποποίησε ελαφρώς τον ορισμό του Gruber: «Ontologies are defined as a formal specification of a shared conseptualization.» Σύμφωνα με τα μέλη της Κοινοπραξίας για τον Παγκόσμιο Ιστού (W3C - World Wide Web Consortium) στην οντολογία αποδίδεται ένας ακόμα πιο τεχνικός ορισμός: «Μία οντολογία καθορίζει εκείνους τους όρους που χρησιμοποιούνται για την περιγραφή και την αναπαράσταση ενός πεδίου γνώσης. Περιλαμβάνει ορισμούς τόσο των βασικών εννοιών του πεδίου γνώσης όσο και των μεταξύ τους σχέσεων με τρόπο μηχανικά αναγνώσιμο. Η οντολογία κωδικοποιεί γνώση για ένα πεδίο όπως επίσης και γνώση που συνδέει πεδία. Κατά αυτό τον τρόπο, παράγει γνώση επαναχρησιμο32

45 ποιήσιμη». (Γεωργία Σολωμού, Αγγελική Κουνέλη, Dr. Αχιλλέας Καμέας, «Αξιοποίηση Οντολογιών για τη Μοντελοποίηση Γνωστικών Πεδίων στην εξ Αποστάσεως Εκπαίδευση», σελ.7) 4.2 Είδη Οντολογιών Οι οντολογίες μπορούν να διακριθούν με βάση το βαθμό τυπικότητας (formality) της αναπαράστασής τους σε: Άτυπη (informal), εκφράζεται με μία χαλαρή φυσική γλώσσα, όπως καταλόγους, γλωσσάρια, θησαυρούς. Ηµι-άτυπη (semi-informal), η φυσική γλώσσα που χρησιμοποιείται περιορίζεται σε ένα συγκεκριμένο λεξιλόγιο και ακολουθεί μια συγκεκριμένη στοιχειώδη δομή. Ηµι-τυπική (semi-formal), είναι η οντολογία που είναι διατυπωµένη σε µια τεχνητή και αυστηρά ορισµένη γλώσσα. Αυστηρά τυπική (rigorously formal): στην οντολογία αυτή, περιλαμβάνονται ορισµοί όρων µε αυστηρή σημασιολογία, θεωρήματα και αποδείξεις ιδιοτήτων όπως η ορθότητα (soundness) και η πληρότητα (completeness) και όλα αυτά με μία τεχνητή γλώσσα αυστηρά και τυπικά καθορισμένη. 33

46 Εικόνα 8: Κατηγοριοποίηση οντολογιών με βάση το βαθμό τυπικότητας Μία διαφορετική κατηγοριοποίηση των οντολογιών σύμφωνα με την εννοιολογική σύλληψη είναι : Οντολογίες αναπαράστασης γνώσης (knowledge representation ontologies) : παρέχουν οντότητες αναπαράστασης χωρίς να προσδιορίζουν τι συγκεκριµένο αναπαριστούν. Γενικές ή κοινές οντολογίες (general/ common ontologies) : στοχεύουν στο να αποτυπώσουν γενική γνώση γύρω από τον κόσµο, παρέχοντας βασικές έννοιες όπως ο χρόνος, ο χώρος, τα συμβάντα κλπ. Οντολογίες ανώτερου επιπέδου (top-level ontologies): παρέχουν γενικές έννοιες κάτω από τις οποίες συσχετίζονται όλοι οι όροι σε ήδη υπάρχουσες οντολογίες. 34

47 Οντολογίες μεταδεδομένων (metadata ontologies) : παρέχουν ένα λεξιλόγιο για την περιγραφή του περιεχομένου πληροφορίας, η οποία είναι ηλεκτρονικά διαθέσιμη. Οντολογίες πεδίου ορισμού (domain ontologies) : αναπαριστούν γνώση γύρω από ένα συγκεκριμένο πεδίο, π.χ. ιατρική κλπ. Ο Guarino (1998) ταξινόμησε τις οντολογίες ανάλογα με το βαθμό λεπτομέρειας και το βαθμό εξάρτησής τους από ένα συγκεκριμένο έργο ή από μία ορισμένη οπτική γωνία, τα είδη που προκύπτουν από αυτό τον τρόπο ταξινόμησης είναι: Οντολογίες ανώτερου επιπέδου (top-level ontology): Περιγράφουν πολύ γενικές έννοιες και είναι κοινές για όλα τα επίπεδα γνώσης. Οντολογίες ανώτερου επιπέδου μπορούν να είναι ο χώρος, ο χρόνος, η ύλη, αντικείμενο, τα γεγονότα, οι ενέργειες κτλ, που δεν σχετίζονται με κάποιο συγκεκριμένο πρόβλημα ή πεδίο. Οντολογίες πεδίου και οντολογίες έργου (domain and task ontologies): Περιγράφουν τους όρους του λεξιλογίου που σχετίζεται με ένα γενικό πεδίο, με ένα γενικό έργο ή δραστηριότητα. Οντολογίες εφαρμογής (application ontology): Περιγράφουν έννοιες που εξαρτώνται τόσο από ένα ορισμένο πεδίο, όσο και από ένα έργο και συνήθως αποτελούν εξειδικεύσεις και των δύο συναφών οντολογιών. Οι έννοιες αυτές αντιστοιχούν συνήθως στους ρόλους που έχουν οι οντότητες του πεδίου όταν πραγματοποιούν μία συγκεκριμένη δραστηριότητα (π.χ. αντικατάσταση ενός εξαρτήματος). Πηγή: «Formal ontology and Information Systems» 35

48 Εικόνα 9: Κατηγοριοποίηση οντολογιών κατά Guarino 4.3 Βασικά στοιχεία οντολογιών Τα βασικά δομικά στοιχεία µίας οντολογίας είναι τα εξής: 1) Οι κλάσεις (classes): Οι κλάσεις αναπαριστούν έννοιες, είτε αφηρημένες είτε συγκεκριμένες, που σχετίζονται με ένα πεδίο. Για παράδειγμα, όλοι οι άνθρωποι μπορεί να αναπαρασταθούν με την κλάση «Άνθρωπος», ενώ όλα τα φυτά με την κλάση «Φυτά». Οι κλάσεις αποτελούν ένα σύνολο από στιγμιότυπα και συνήθως οργανώνονται σε ταξινομίες. Οι έννοιες είναι δυνατόν να διαιρεθούν σε δύο κατηγορίες: α) τις πρωταρχικές έννοιες (primitive concepts), οι οποίες έχουν μόνο απαραίτητες συνθήκες (ως προς τις ιδιότητές τους), δηλαδή αν κάποιο αντικείμενο είναι μέλος μίας κλάσης, τότε είναι αναγκαίο να ικανοποιεί τις αντίστοιχες συνθήκες. 36

49 β) τις έννοιες εξ ορισμού (defined concepts), οι οποίες έχουν ικανές και αναγκαίες συνθήκες, για να είναι ένα αντικείμενο μέλος της κλάσης, δηλαδή αν κάποιο αντικείμενο είναι μέλος μίας κλάσης, τότε είναι αναγκαίο να ικανοποιεί τις αντίστοιχες συνθήκες και αν ένα αντικείμενο ικανοποιεί τις συνθήκες τότε πρέπει να ανήκει στην αντίστοιχη κλάση. 2) Οι σχέσεις (relations): Οι σχέσεις αναπαριστούν δυαδικές συσχετίσεις ανάµεσα στα στιγμιότυπα των κλάσεων. Εκφράζουν, δηλαδή, ένα είδος αλληλεπίδρασης μεταξύ των εννοιών ενός πεδίου (π.χ. subclass-of, is-a). 3) Οι συναρτήσεις (functions): Οι συναρτήσεις είναι µία ειδική περίπτωση σχέσης, στην οποία το ν-οστό στοιχείο της σχέσης προσδιορίζεται µοναδικά από τα ν-1 προηγούμενα στοιχεία. Για παράδειγμα, η τιμή ενός προϊόντος μετά από έκπτωση, η οποία μπορεί να προσδιοριστεί ως συνάντηση της αρχικής τιµής του προϊόντος και του ποσοστού της έκπτωσης. 4) Τα αξιώµατα (axioms): Τα αξιώματα χρησιμοποιούνται προκειμένου να αναπαριστούν προτάσεις που είναι πάντοτε αληθείς. Συνήθως χρησιμοποιούνται για την αναπαράσταση γνώσης που δεν μπορεί να οριστεί από τα υπόλοιπα στοιχεία. Για παράδειγμα, ένα αξίωμα στο πεδίο του ταξιδιού θα μπορούσε να είναι το ότι δεν μπορεί κάποιος να ταξιδέψει από την Αμερική στην Ευρώπη με τρένο. 5) Τα στιγμιότυπα (instances): Τα στιγμιότυπα εκφράζουν συγκεκριμένα στοιχεία μίας οντολογίας. Για παράδειγμα, ο αριθμός ταυτότητας κάθε ατόμου είναι στιγμιότυπο της κλάσης Ταυτότητα. 4.4 Γλώσσες Οντολογιών Οι γλώσσες οντολογίας είναι τυπικές γλώσσες που χρησιμοποιούνται για την κωδικοποίηση οντολογιών. Επιτρέπουν την κωδικοποίηση της γνώσης για συγκεκριµένα πεδία και περιλαμβάνουν συχνά κανόνες συλλογισμού που υποστηρίζουν την επεξεργασία γνώσης. 37

50 Η δημιουργία των οντολογικών γλωσσών, ξεκίνησε στις αρχές της δεκαετίας του 1990, ως επέκταση των γλωσσών αναπαράστασης γνώσης που ήδη υπήρχαν. Παραδείγματα τέτοιων γλωσσών είναι: η Flogic, η LOOM, η OCML, η Ontolingua, η KIF και η Carin. Η ραγδαία αύξηση της χρήσης του Διαδικτύου, οδήγησε στην ανάγκη για δημιουργία νέων γλωσσών οντολογίας. Οι βασισμένες στον Ιστό γλώσσες οντολογίας (web-based ontology languages) ή οι γλώσσες σήμανσης οντολογίας (ontology markup languages) έχουν συντακτικό που στηρίζεται σε υπάρχουσες γλώσσες σήμανσης όπως η HTML και η XML. Από τα πιο χαρακτηριστικά παραδείγματα τέτοιων γλωσσών είναι: η Ontology Extensions (SHOE), η RDF, h RDF-Schema, η OIL, η DAML+OIL και η OWL. Από όλες αυτές, εκείνες που χρησιμοποιούνται ακόμη και τώρα είναι οι RDF, Rdf-Schema και η OWL. 4.5 Οντολογίες και εκπαίδευση Μία οντολογία είναι ένα επεξεργάσιμο από μηχανή αντικείμενο που συλλαμβάνει τις βασικές έννοιες ενός τομέα και τις σχέσεις μεταξύ τους. Αυτή η αναπαράσταση είναι παρόμοια με την αναπαράσταση της γνώσης που ένας μαθητής κατασκευάζει όλο και περισσότερο στη μνήμη του σχετικά με ένα θέμα. Οι οντολογίες βασίζονται στις Περιγραφικές Λογικές (Description Logics) οι οποίες αποτελούν σημαντικά κομμάτια της λογικής πρώτης τάξης (first order logic). Αυτό κάνει μια οντολογία μια λογική θεωρία (logical theory) που μας επιτρέπει να εξάγουμε απεριόριστες σχέσεις μεταξύ των εννοιών ενός τομέα. Αυτός ο συλλογισμός,, που αποτελεί βασικό χαρακτηριστικό των οντολογιών, είναι και πάλι παρόμοιος με τον συλλογισμό που μπορεί να διεξαχθεί από έναν καλό σπουδαστή κατά την ανάκτηση γνώσης από τη μνήμη του σχετικά με ένα αντικείμενο. Οι σχέσεις σε μία οντολογία είναι κάτι περισσότερο από μία σχέση. Ως εκ τούτου, οι οντολογίες είναι πλούσιες αναπαραστάσεις, οι οποίες μπορούν να αποτελέσουν πηγή για ευρεία ποικιλία ερωτήσεων αξιολόγησης. Τέλος, υπάρχουν ήδη πολλές οντολογίες υψηλής ποιότητας σε διαφορετικούς τομείς (π.χ. ιατρική, βιοπληροφορική και γεωγραφία) και μάλιστα αναμένεται στο μέλλον να δημιουργηθούν περισσότερες οντολογίες. Οι παραπάνω λόγοι υποδεικνύουν ότι οι 38

51 οντολογίες εξόρυξης (mining ontologies) για τη δημιουργία ερωτήσεων αξιολόγησης είναι καρποφόρες. 39

52 5 Παραγωγή ερωτήσεων αξιολόγησης Στο κεφάλαιο αυτό γίνεται αρχικά αναφορά στα είδη των ερωτήσεων αξιολόγησης. Στη συνέχεια αναλύεται μία σειρά από εφαρμογές στον τομέα της δημιουργίας αυτόματων ερωτήσεων αξιολόγησης και παρουσιάζονται οι μεθοδολογίες τους. Οι εφαρμογές που παρουσιάζονται, εστιάζονται κυρίως στην παραγωγή ερωτήσεων πολλαπλής επιλογής και ερωτήσεων τύπου Σωστό-Λάθος. Τέλος, αναλύεται ο βαθμός δυσκολίας των αυτόματων ερωτήσεων αξιολόγησης 5.1 Ερωτήσεις αξιολόγησης Σύμφωνα με το Meigniez, η αξιολόγηση είναι ένα πολύπλοκο σύνολο τεχνικών που δείχνει αν οι στόχοι της εκπαίδευσης επιτεύχθηκαν και με ποιο τρόπο. Οι ερωτήσεις αξιολόγησης διακρίνονται σε ερωτήσεις ανοικτού τύπου (ή ελεύθερης ανάπτυξης) και σε ερωτήσεις κλειστού τύπου (ή αντικειμενικές ερωτήσεις). Οι ερωτήσεις ανοικτού τύπου απαιτούν από τον εξεταζόμενο να απαντήσει εκτενώς, παραθέτοντας την άποψη και τις γνώσεις του, πάνω σε ένα συγκεκριμένο θέμα. Ονομάζονται έτσι, διότι οι απαντήσεις δίνονται από τον ίδιο το μαθητή. Οι ερωτήσεις ανοικτού τύπου μπορούν να είναι μακροσκελούς ή σύντομης απάντησης. Στις ερωτήσεις κλειστού τύπου κατατάσσονται οι ερωτήσεις των οποίων η σωστή απάντηση είναι μόνο μία, ή και περισσότερες, αλλά συγκεκριμένες. Ο εξεταζόμενος καλείται να αναγνωρίσει τη σωστή απάντηση (μπορεί να του ζητηθεί να επιλέξει την 40

53 ορθή απάντηση από περιορισμένο αριθμό προτεινόμενων απαντήσεων ή να συσχετίσει μεταξύ τους διάφορα στοιχεία ή να τα διατάξει ή να τα συμπληρώσει) κι όχι να τη δημιουργήσει ο ίδιος. Οι ερωτήσεις αυτές διακρίνονται σε: α) ερωτήσεις διαζευκτικής απάντησης ή τύπου Σωστό Λάθος, β) ερωτήσεις πολλαπλής επιλογής, γ) ερωτήσεις σύζευξης/αντιστοίχισης, δ) ερωτήσεις διάταξης, και ε) ερωτήσεις συμπλήρωσης κενού. Οι ερωτήσεις διαζευκτικής απάντησης (ή τύπου Σωστό Λάθος ) αποτελούνται, συνήθως, από µία πρόταση, για την οποία ζητείται από τον εξεταζόμενο, με βάση τις γνώσεις που έχει, να απαντήσει αν είναι σωστή ή λανθασμένη. Οι ερωτήσεις πολλαπλής επιλογής αποτελούν έναν αντικειμενικό και εύκολο τρόπο εξέτασης μεγάλου αριθμού μαθητών. Είναι ένα είδος ερωτήσεων κατάλληλο για την εξέταση όλων των επιπέδων και όλων των γνωστικών πεδίων. Όσον αφορά τη δομή τους, αποτελούνται από την «ερώτηση-στέλεχος» (stem) και έναν αριθμό από επιλογές ή εναλλακτικές λύσεις (options/choices), εκ των οποίων η μία είναι η σωστή (correct) και οι επιλογές που απομένουν, οι παραπλανητικές (distractors). Οι παραπλανητικές απαντήσεις για να θεωρηθούν κατάλληλες θα πρέπει να είναι αναγνωρίσιμες ως λανθασμένες από τον εξεταζόμενο που έχει διαβάσει και γνωρίζει τη σωστή απάντηση, ενώ να φαίνονται ως σωστές απαντήσεις σε έναν σπουδαστή που δεν γνωρίζει τη σωστή απάντηση. Ερωτήσεις σύζευξης/αντιστοίχισης αποτελούν ένα σύνθετο συνδυασμό των ερωτήσεων πολλαπλής επιλογής. Στις ερωτήσεις αυτού του τύπου, δίνεται στον εκπαιδευόμενο μία σειρά από διάφορα στοιχεία και του ζητείται να τα συσχετίσει με τα στοιχεία της άλλης σειράς. Συνήθως, αυτές οι δύο σειρές γράφονται παράλληλα, η μία δίπλα στην άλλη, και ο εξεταζόμενος πρέπει να συνδέσει με γραμμές τα στοιχεία της αριστερής στήλης με κάποιο από τα στοιχεία της δεξιάς. Τα στοιχεία της αριστερής στήλης ονομάζονται «θέματα» (premises) και τα στοιχεία της δεξιάς «αποκρίσεις» (options, responses). Ένας άλλος τρόπος παρουσίασης, είναι να γραφεί η μία σειρά κάτω από την άλλη και να ζητείται από τον εκπαιδευόμενο να τοποθετήσει δίπλα από κάθε στοιχείο, ή ερώτηση, της πρώτης σειράς το γράμμα που αντιστοιχεί στο στοιχείο της δεύτερης σειράς, το οποίο αποτελεί και την απάντηση σε κάθε ερώτημα της προηγούμενης. 41

54 Οι δοκιμασίες εύρεσης σειράς (ή κλιμάκωσης ή ιεραρχήσεως) αποτελούνται από δύο μέρη: το στέλεχος ή οδηγία και τις προς διάταξη απαντήσεις ή στοιχεία. Το στέλεχος εμπεριέχει το κριτήριο με βάση το οποίο θα πραγματοποιηθεί η διάταξη. Έτσι, ο μαθητής τακτοποιεί με ορισμένη σειρά, «σημασιολογική, χρονολογική κ.ά., γεγονότα, καταστάσεις, ενέργειες». (Βαλσαμάκη, 1979) Οι ερωτήσεις συμπλήρωσης περιλαμβάνουν δύο υποκατηγορίες: τη συμπλήρωση μέσω επιλογής (που μοιάζει με τις ερωτήσεις πολλαπλής επιλογής) και τη συμπλήρωση κενών (Cloze test items). Στις ερωτήσεις αυτές δίνεται ένα λογικό σύνολο, σε κάποιο σημείο του οποίου υπάρχει κενό και ζητείται από τον εκπαιδευόμενο να το συμπληρώσει με βάση τις γνώσεις του. Τα προς συμπλήρωση κενά μπορεί να είναι ένα ή περισσότερα. Τα ζητούμενα είναι δυνατό να αναγράφονται κάτω από την ερώτηση και να καλείται ο εκπαιδευόμενος να επιλέξει αυτό που ενδείκνυται περισσότερο. 5.2 Αυτοματοποίηση ερωτήσεων αξιολόγησης Τα τελευταία χρόνια, έχουν γίνει αρκετές προσπάθειες, από πολλούς ερευνητές και με τη χρήση ποικίλων μεθόδων, για την αυτοματοποίηση της δημιουργίας ερωτήσεων αξιολόγησης. Αυτές οι απόπειρες έχουν πραγματοποιηθεί σε διαφορετικές κοινότητες όπως η κοινότητα NLP και η κοινότητα των Οντολογιών. Στόχος των προσπαθειών αυτών είναι να μην γίνεται πλέον η αξιολόγηση με το χέρι, διότι απαιτεί έντονη εργασία, η οποία είναι κουραστική, χρονοβόρα και επιρρεπής σε λάθη, αλλά να γίνεται αυτόματα. Τα αυτόματα συστήματα αξιολόγησης (automated assessment systems) προτείνονται ως μέθοδοι για την μέτρηση του επιπέδου της μάθησης καθώς και για να παρέχουν γρηγορότερο έλεγχο σε μεγάλη κλίμακα αξιολόγησης. Πολλά τεστ όπως το TOEFEL, το IELTS, το GRE και το GMAT εξαρτώνται από online συστήματα αξιολόγησης και κάνουν έτσι την αξιολόγηση ευκολότερη. 42

55 5.2.1 Ερωτήσεις διαζευκτικής απάντησης με χρήση έτοιμων πινάκων Στο άρθρο «Dynamic Relocation of True-False Questions Using Ready-made Arrays with Random Numbers», o Jae-Young Lee προτείνει ένα σύστημα για την αυτόματη παραγωγή ερωτήσεων τύπου Σωστό -Λάθος, με τη χρήση έτοιμων πινάκων (ready-made array). Το σύστημα αυτό παράγει διαφορετικές ερωτήσεις με το ίδιο όμως περιεχόμενο κάθε φορά που ο εξεταζόμενος κάνει τεστ. Για να είναι οι ερωτήσεις διαφορετικές, το σύστημα επανατοποθετεί τις ερωτήσεις χρησιμοποιώντας τυχαίους αριθμούς. Οι τυχαίοι αριθμοί δημιουργούνται από έτοιμους-πίνακες αντί για συναρτήσεις τύχης για να μειωθεί ο χρόνος παραγωγής του τεστ. Ο αλγόριθμος που χρησιμοποιείται από τους έτοιμους-πίνακες είναι 1.77 φορές γρηγορότερος από τον αλγόριθμο που χρησιμοποιείται από τις συναρτήσεις τύχης. Στη συνέχεια παρουσιάζονται πιο αναλυτικά τα βήματα για την πραγματοποίηση της εργασίας. Ένα σύστημα δημιουργίας ερωτήσεων έχει αποθηκευμένες τις πληροφορίες των ερωτήσεων στη βάση δεδομένων και δημιουργεί ερωτήσεις για τους αιτούντες. Για να επιτευχθεί αυτή η διαδικασία, χρειάζεται το σύστημα παραγωγής ερωτήσεων, το οποίο αποτελείται από έναν client, έναν server (διακομιστή) και τη database (βάση δεδομένων). Αρχικά, λαμβάνονται από τον εξεταστή πληροφορίες σχετικά με πολλές ερωτήσεις και στη συνέχεια αποθηκεύονται στη βάση δεδομένων. Η διαδικασία στο server επιλέγει ερωτήσεις από τη βάση δεδομένων, κάνει τις επιλεγμένες ερωτήσεις να έχουν κατάλληλη μορφή για τα τεστ και στη συνέχεια τις στέλνει στον client για τους αιτούντες. Το σύστημα έχει δύο μέρη σύμφωνα με τις λειτουργίες επεξεργασίας: το ένα είναι η αυτόματη δημιουργία ερωτήσεων και το άλλο είναι η διαδικασία να επιλέγει κατάλληλες ερωτήσεις και να δημιουργεί το τεστ, όπως φαίνεται στην Εικόνα Εικόνα 10: Σύστημα για την δημιουργία ερωτήσεων ενός τεστ από κείμενο

56 Στο κομμάτι της αυτόματης δημιουργίας ερωτήσεων, το σύστημα διαβάζει ένα αρχείο εισαγωγής κειμένου για να φτιάξει μία ερώτηση, αποσπά ορισμένες σημαντικές ενημερωτικές (informative) προτάσεις και στη συνέχεια ανάλογα με το είδος των ερωτήσεων που θέλει να παραγάγει ακολουθεί κατάλληλη διαδικασία. Για παράδειγμα στην περίπτωση των ερωτήσεων πολλαπλής επιλογής, διαβάζει κάθε ενημερωτική πρόταση από το αρχείο εισαγωγής κειμένου, βρίσκει τη λέξη-κλειδί σε κάθε πρόταση, θεωρεί ως σωστή μία απάντηση, παίρνει μερικές παραπλανητικές απαντήσεις και τελικά παράγει την ερώτηση με μία (σωστή) απάντηση και τρεις παραπλανητικές. Στην περίπτωση των ερωτήσεων τύπου Σωστό-Λάθος, διαβάζει επίσης κάθε ενημερωτική πρόταση από ένα αρχείο εισαγωγής κειμένου, παίρνει ως σωστή την αρχική πρόταση, δημιουργεί ψευδείς χρησιμοποιώντας αντικατάσταση της λέξης-κλειδί από μία αντώνυμή της και τελικά παράγει σύνολα από μία αληθή και μία ψευδή πρόταση. Στο κομμάτι της επιλογής των ερωτήσεων, επιλέγει ως κατάλληλες ερωτήσεις αυτές που πληρούν ορισμένα κριτήρια, όπως ο τομέας των ερωτήσεων, το επίπεδο των ερωτήσεων, προσωπικές ικανότητες και άλλα και στη συνέχεια απλά παράγει ερωτήσεις για να τις επιλέξει. Το μειονέκτημα, όμως, αυτού του συστήματος είναι ότι μπορεί να υπερεκτιμηθούν εξεταζόμενοι που έχουν κάνει το τεστ περισσότερες από δύο φορές, επειδή η απάντηση της κάθε ερώτησης θα βρίσκεται στην ίδια θέση. Για να αποφευχθεί το πρόβλημα αυτό, θα πρέπει κάθε φορά που ο υποψήφιος κάνει εκ νέου το τεστ να αλλάζει η θέση των ερωτήσεων. Για το σκοπό αυτό, πραγματοποιείται επανατοποθέτηση των ερωτήσεων στο δεύτερο μέρος της επιλογής ερωτήσεων. Στη δυναμική δημιουργία ερωτήσεων σωστού-λάθους, το σύστημα αποτελείται επίσης από έναν client και έναν server με μία βάση δεδομένων, στην οποία το πρώτο μέρος, δηλαδή η αυτόματη δημιουργία ερωτήσεων σωστού-λάθους, παράγει τις ερωτήσεις σωστού-λάθους από ένα κείμενου που έχει εισαχθεί και τις αποθηκεύει σε μια βάση δεδομένων. Το δεύτερο μέρος, δηλαδή η επιλογή ερωτήσεων και η δυναμική επανατοποθέτηση, επιλέγει ερωτήσεις από τη βάση δεδομένων και στη συνέχεια 44

57 μετακινεί τις επιλεγμένες ερωτήσεις χρησιμοποιώντας τυχαίους αριθμούς. Επειδή η παραγωγή τυχαίων αριθμών από τυχαίες συναρτήσεις απαιτούν πολύ χρόνο, ο JaeYoung Lee προτείνει τη δημιουργία ενός πίνακα με τυχαίους αριθμούς, ο οποίος παράγεται από την συνάρτηση τύχης εκ των προτέρων. Ο έτοιμος πίνακας παρέχει τυχαίους αριθμούς όταν το σύστημα τους χρειάζεται, για να ανταλλάξει τις θέσεις των επιλεγμένων ερωτήσεων. Το σύστημα δυναμικής δημιουργίας ερωτήσεων φαίνεται στην Εικόνα 11. Εικόνα 11: Σύστημα δυναμικής επανατοποθέτησης ερωτήσεων σωστού-λάθους Για τη δημιουργία του πίνακα τυχαίων αριθμών απαιτούνται 3 βήματα: το πρώτο είναι η παραγωγή ενός seed πίνακα L, η δεύτερη είναι η δημιουργία του mirror πίνακα R ίδιου μεγέθους με τον seed πίνακα και το τελευταίο είναι να δημιουργηθούν τέσσερις συνδυασμένοι πίνακες. 1. Βήμα 1ο: ο seed πίνακας φτιάχνεται από τυχαίους αριθμούς με τη χρήση των συναρτήσεων τύχης. Στο βήμα αυτό χρησιμοποιούνται οι μικρότεροι από τους τυχαίους αριθμούς, ώστε να ελαχιστοποιηθεί η χρήση των συναρτήσεων τύχης. 2. Βήμα 2ο: Για τη δημιουργία του seed πίνακα χωρίς τη συνάρτηση τύχης, στο βήμα αυτό, προστίθεται μία σταθερή τιμή, όπως το μέγεθος της γραμμής του seed πίνακα, σε κάθε είσοδο του και παράγονται είσοδοι σε κάθε γραμμή με 45

58 αντίστροφη σειρά. Το μέγεθος του mirror πίνακα είναι ακριβώς ίδιο με αυτό του seed πίνακα. 3. Βήμα 3: Στο τελευταίο βήμα, 4 συνδυασμένοι πίνακες αποτελούν, το αριστερό τμήμα του mirror πίνακα RL, το αριστερό τμήμα του seed πίνακα LL, το δεξί τμήμα του mirror πίνακα RR και το δεξί τμήμα του seed πίνακα LR. Ο έτοιμος πίνακας αποτελείται από 6 τμήματα. Στην κορυφή του έτοιμου-πίνακα τοποθετείται στην αριστερή πλευρά ο seed πίνακας L και στη δεξιά πλευρά ο mirror πίνακας L. Ενώ στο κάτω μέρος του πίνακα τοποθετούνται ο mirror πίνακα RL, ο seed πίνακας LL, ο mirror πίνακας RR και ο seed πίνακας LR όπως φαίνονται στην Εικόνα 11. Εικόνα 12: Μορφή έτοιμου πίνακα (ready-made array) Στη συνέχεια παρουσιάζεται ο αλγόριθμος για την επανατοποθέτηση των ερωτήσεων τύπου Σωστό-Λάθος χρησιμοποιώντας έτοιμους πίνακες με τυχαίους αριθμούς, όπως ακριβώς γράφεται στο άρθρο του Jae-Young Lee: Βήμα 1: Διάβασε το εισαγόμενο κείμενο και εξήγαγε μία informative πρόταση ως σωστή. Βήμα 2: Για την παραγωγή λανθασμένων προτάσεων, αντικατάστησε την λέξη-κλειδί της σωστής πρότασης με ένα αντώνυμο ή εισήγαγε ένα αρνητικό επίρρημα στη σωστή πρόταση. Αν χρειάζεσαι περισσότερες προτάσεις, επανέλαβε το Βήμα 2. 46

59 Βήμα 3: Για να φτιάξεις περισσότερες σωστές προτάσεις, αντικατέστησε τη λέξη-κλειδί με συνώνυμη. Βήμα 4: Τα σύνολα των σωστών και των λανθασμένων προτάσεων μαζί με τις απαντήσεις τους τοποθετούνται στη βάση δεδομένων για να παράγουν τις ερωτήσεις Σωστού-Λάθους του τεστ στο επόμενο βήμα. Βήμα 5: Πάρε τυχαίους αριθμούς από συναρτήσεις τύχης και δημιούργησε τον έτοιμο-πίνακα χρησιμοποιώντας τους. Βήμα 6: Επέλεξε σύνολα από ερωτήσεις Σωστού-Λάθους και τις απαντήσεις τους από τη βάση δεδομένων και σώσε τις ερωτήσεις και τις απαντήσεις τους σε ένα παλιό buffer ερώτησης oldqb[] και σε σε ένα παλιό buffer απάντησης oldab[], αντίστοιχα. Βήμα 7: Για να επανατοποθετήσεις τις επιλεγμένες ερωτήσεις και τις απαντήσεις τους, πάρε ένα τυχαίο αριθμό-i και επέλεξε την i-ιοστή γραμμή RA[i,j] του έτοιμου-πίνακα. Βήμα 8: Πάρε την τιμή y της RA[i,j] για j (j=0,1,2,...,x-1) κα μετακίνησε την j-ιοστή ερώτηση του oldqb[i] και την j-ιοστή απάντηση του oldab[i] στην yιοστή ερώτηση του newqb[i] και στην y-ιοστή απάντηση του νέου AB[i], αντίστοιχα. Βήμα 9: Κάνε ερώτηση του τεστ για τους αιτούντες την newqb[i] και αντίστοιχη απάντηση την newab[i], για έλεγχο. Η Εικόνα 12 δείχνει ένα στιγμιότυπο με 10 ερωτήσεις Σωστού-Λάθους πριν επιλέξει ο αιτούμενος την απάντησή του. Το πλεονέκτημα του συστήματος που έχει προταθεί στο έργο αυτό είναι ότι οι ερωτήσεις είναι διαφορετικές, κάθε φορά που ο αιτούμενος ανανεώνει τη σελίδα ή θέλει να επαναλάβει το τεστ. Στην εικόνα 13, παρουσιάζεται το ίδιο παράδειγμα διαφορετικών ερωτήσεων από το ίδιο κεφάλαιο της βάσης δεδομένων, συμπεριλαμβανομένων των απαντήσεων του αιτούντος. 47

60 Εικόνα 12: Παράδειγμα στιγμιότυπου ερωτήσεων Σωστού-Λάθους Εικόνα 13: Παράδειγμα ερωτήσεων Σωστού-Λάθους με τις απαντήσεις του αιτούντος Ερωτήσεις πολλαπλής επιλογής Όπως έχει ήδη αναφερθεί, οι ερωτήσεις πολλαπλής επιλογής (Multiple choice question- MCQ) είναι ένας τύπος αξιολόγησης, όπου ο εξεταζόμενος πρέπει να επιλέξει τη σωστή απάντηση από ένα σύνολο εναλλακτικών απαντήσεων. Στη 48

61 συνέχεια παρατίθεται ο ορισμός των ερωτήσεων πολλαπλής επιλογής, σύμφωνα με τους Vinu & Kumar: Ορισμός: Μία ερώτηση πολλαπλής επιλογής είναι μία τριπλέτα <S, K, D>, όπου S είναι μία δήλωση (statement) η οποία εισάγει το πρόβλημα, K είναι ένα μη-κενό σύνολο από σωστές απαντήσεις του S και D είναι ένα μη-κενό σύνολο λανθασμένων λύσεων του S. Ta S, K και D ονομάζονται Stem (κορμός), Keys (κλειδιά) και Ditractors (παραπλανητικές/ αποπροσανατολιστικές απαντήσεις). Οι Vinu και Kumar στο άρθρο τους «A novel approach to generate MCQs from domain ontology: Considering DL semantics and open-world assumption», ασχολούνται με ερωτήσεις πολλαπλής επιλογής με ένα key και τρεις distractors. Προτείνουν έναν τρόπο για παραγωγή ερωτήσεων από οντολογίες, μεθοδολογία για την επιλογή κατάλληλων distractors και έναν τρόπο για να ελέγχεται το επίπεδο της δυσκολίας της κάθε ερώτησης. Για να γίνει πιο εύκολη η περιγραφή των διαδικασιών που ακολουθούνται, χρησιμοποιείται ως παράδειγμα μία οντολογία, η οποία ονομάζεται Harry-Potter-Book ontology ( O ). Στις Εικόνες 14 και 15 παρουσιάζεται το A-Box και το T-Box της συγκεκριμένης οντολογίας. Εικόνα 14: TBox της οντολογίας Harry-Potter-Book Πηγή:«A novel approach to generate MCQs from domain ontology: Considering DL semantics and open-world assumption», Vinu & Kumar Μέσα από τους πίνακες των Εικόνων 14 και 15, μπορούμε να πάρουμε κάποιες βασικές γνώσεις για την οντολογία. Για παράδειγμα, ο HarryPotter, η HermioneGranger, ο RonWeasley, ο DracoMalfoy και ο NevilleLongbottom είναι 49

62 μαθητές του σχολείου Hogwarts. Από το αξίωμα 1 του TBox μπορεί να βγει το συμπέρασμα ότι όλοι οι μαθητές του Hogwarts πρέπει να έχουν μόνο ένα πλάσμα ως κατοικίδιο. Από τα αξιώματα 20-25, τα κατοικίδια αυτά είναι η κουκουβάγια, ο βάτραχος, η γάτα και ο αρουραίος (τα οποία είναι ξένες έννοιες μεταξύ τους). Επιπλέον στην οντολογία υπάρχουν έννοιες όπως Muggles, άνθρωποι, μάγοι, καθαρόαιμοι και ημίαιμοι. Οι Muggles δεν είναι μάγοι (αξίωμα 13). Όλοι οι Muggles είναι άνθρωποι (αξίωμα 9). Οι καθαρόαιμοι, οι ημίαιμοι και οι muggles είναι (disjoint concepts) ξένες έννοιες (αξιώματα 16-18). Οι μαθητές του Hogwarts ανήκουν είτε στο Gryffindor είτε στο Slytherin (αξίωμα 11). Ο Harry Potter έχει έχει ως κατοικίδιο μία κουκουβάγια που ονομάζεται Hedwig. Ο Ron Weasley έχει ως κατοικίδιο ένα ποντικό τον Scrabbers και ο Neville έχει ως κατοικίδιο ένα βάτραχο τον Trevor. Το κατοικίδιο της Hermione είναι μία γάτα με το όνομα Crookshanks. Για να δημιουργηθούν ερωτήσεις πολλαπλής επιλογής, οι οποίες βασίζονται σε κάθε ατομικό στοιχείο και κάθε ζεύγος ατομικών στοιχείων, συνδυάζεται ένα σύνολο που περιέχει τους περιορισμούς που ικανοποιούν, μαζί με κάθε ένα από τα ατομικά στοιχεία. Τα σύνολα αυτά ονομάζονται label-sets (σύνολα ετικετών). Ένα label-set ενός μεμονωμένου ατομικού στοιχείου ονομάζεται node-label-set, ενώ ένα label-set ενός ζεύγους ατομικών στοιχείων ονομάζεται edge-label-set. Το nodelabel-set περιέχει την κλάση των εκφράσεων και περιορισμούς (υπαρξιακούς, καθολικούς και πληθυκότητας), οι οποίοι ικανοποιούνται από τα ατομικά στοιχεία. Το edge-label-set περιέχει όλες τις σχέσεις ιδιότητας (ονόματα ρόλων / role names) από το πρώτο ατομικό 50 Εικόνα 15: ABox της οντολογίας Harry -Potter-Book

63 στοιχείο στο δεύτερο και συμβολίζεται ℒo(x.y). Στη συνέχεια δίνονται και οι αυστηροί ορισμοί: Ορισμός: Το node-label-set ενός ατομικού στοιχείου x, ορίζεται ως εξής: ℒo(x) = {C O = C(x)} { R.C O = R.C(x)} { R.C O = R.C(x)} { nr.c(x) } { mr.c O = mr.c(x)} όπου C είναι μία έννοια όνομα (concept name) και R είναι ένα όνομα ρόλος (role name) της οντολογίας Ο, τα m και n είναι ακέραιοι. Ορισμός: Το edge-label-set ενός ζεύγους ατομικών στοιχείων ορίζεται ως εξής: ℒo(x.y) = {R O = R(x,y)} όπου R είναι ένας ρόλος της οντολογίας. Εικόνα 16: Node-Label-set ατομικών στοιχείων της οντολογίας Harry-Potter-Book Για τη δημιουργία του node-label-set ενός ατομικού στοιχείου x, αρχικά θα πρέπει να δημιουργηθεί, με τη χρήση reasoner, η οντολογία συμπεράσματος Ο' (inferred ontology). Στη συνέχεια, από την Ο' βρίσκονται οι έννοιες ονομάτων και οι περιορισμοί (υπαρξιακοί, καθολικοί και πληθυκότητας), που ικανοποιούν τα παρακάτω: Όλες οι έννοιες ονομάτων που ικανοποιούν το x λαμβάνονται από ένα SPARKL-query. Για να ληφθούν οι περιορισμοί που ικανοποιούνται από το x, εισάγεται ο ορισμός της τάξης αξιωμάτων των εννοιών που λήφθηκαν προηγουμένως και στη συνέχεια εξετάζονται οι υπαρξιακοί, καθολικοί και περιορισμοί πληθυκότητας, για να παράγουν το label-set. 51

64 Για τη δημιουργία του edge-label-set ενός ζεύγους στοιχείων (x,y) χρειάζεται μόνο να χρησιμοποιηθεί ένα απλό SPARKL-query στην Ο'. Για παράδειγμα, ℒo(harryPotter,hermioneGranger)={hasFriend, hashelped, knows}. Μόλις στην οντολογία δημιουργηθούν τα label-sets όλων των ατομικών στοιχείων (node-label-set) και όλων των ζευγών στοιχείων (edge-label-set), μπορούν να δημιουργηθούν ερωτήσεις πολλαπλής επιλογής με δύο μεθόδους. Η πρώτη είναι η μέθοδος που είναι βασισμένη στο node-label-set, ενώ η δεύτερη στο edge-label-set Μέθοδος Παραγωγής βασισμένη στο node-label-set Στη μέθοδο αυτή, το ατομικό στοιχείο x χρησιμοποιείται ως κλειδί. Οι λογικές εκφράσεις που υπάρχουν στο label-set δεν είναι όλες χρήσιμες για τη δημιουργία του κορμού, γι αυτό αφαιρούνται οι πλεονάζουσες ποσότητες (αν υπάρχουν). Στη συνέχεια συνδυάζονται δύο ή περισσότερες εκφράσεις για να δημιουργηθούν όροι κατανοητοί από τον άνθρωπο και να δημιουργήσουν ένα κατανοητό κορμό. Για να αφαιρεθούν οι πλεονάζουσες ποσότητες ακολουθείται μία διαδικασία, η οποία ονομάζεται Label-set-Reduction. Αρχικό στάδιο της διαδικασίας αυτής είναι η αφαίρεση των υπερ-εννοιών. Τα node-label-sets περιλαμβάνουν όλες τις έννοιες ονομάτων, οι οποίες περιέχουν όλα τα ατομικά στοιχεία. Κάποιες από τις έννοιες που περιέχονται στα label-sets, σχετίζονται μεταξύ τους με ιεραρχικές σχέσεις (κλάσεις υπερκλάσεις), οι οποίες καθιστούν τις έννοιες που μπορούν να προκύψουν από κάποιες άλλες ως πλεονάζουσες. Οι πλεονάζουσες, αυτές, έννοιες αφαιρούνται όταν βρίσκονται οι σχέσεις που συνδέουν τις έννοιες στο label-set, ενώ οι έννοιες ονομάτων που περιέχουν τουλάχιστον μία άλλη έννοια στο label-set διατηρούνται. Για παράδειγμα στην οντολογία Harry-Potter-Book, το label-set ℒo(harryPotter) περιλαμβάνει έννοιες όπως HogStudent και Student. Όμως από την έννοια HogStudent (δηλαδή μαθητής του Hogwarts) μπορούμε να συμπεράνουμε ότι είναι και Student (δηλαδή μαθητής). Συνεπώς η έννοια Student αποτελεί πλεονάζουσα έννοια, οπότε μπορεί να αφαιρεθεί. Στη συνέχεια της διαδικασίας ελάττωσης του label-set, γίνεται η μείωση των όρων με περιορισμούς ποσοτικούς και πληθυκότητας. Για να πραγματοποιηθεί η νέα ελάττωση ακολουθούνται κάποιοι κανόνες ελάττωσης (reduction rules), οι οποίοι παρουσιάζονται στην Εικόνα

65 Εικόνα 17: Reduction Rules Οι κανόνες αυτοί, εφαρμόζονται με τη λήψη από το label-set δύο περιορισμών κάθε φορά (το οποίο ονομάζεται ζευγάρι). Για τον έλεγχο της δυνατότητας εφαρμογής των κανόνων, θεωρούνται όλοι οι δυνατοί συνδυασμοί (μεγέθους 2). Το node-label-set που δημιουργήθηκε μετά από τις δύο ελαττώσεις ονομάζεται Reduced-node-Label-set (Rnls) και συμβολίζεται ως R(ℒo(x)). Τα ζεύγη που δεν ακολουθούν τους κανόνες που παρουσιάζονται στην Εικόνα 17, λόγω του ότι δεν μπορούν να ελαττωθούν άλλο, ονομάζονται και αυτά ζεύγη και έχουν τη μορφή {Restriction-1, Restriction-2} και χρησιμοποιούνται όπως είναι στο Rnls. Στο σημείο αυτό είναι σημαντικό να αναφερθούν δύο σύμβολα που εμφανίζονται στην Εικόνα 17, τα οποία είναι το ℑ και το!. 1. Για μία έννοια C και ένα ρόλο R, η σημασιολογία του ℑ R.C ορίζεται ως: {x Δ Ι y. x, y R Ι y C Ι ( z. x, z R Ι z C Ι ) } Για παράδειγμα το ζευγάρι ispetof.hogstudent, ispetof.hogstudent}, χρησιμοποιώντας το περιορισμό 5, της Εικόνας 17, λαμβάνεται ως αποτέλεσμα το: ℑ ispetof.hogstudent. 2. Η σημασιολογία του! ορίζεται ως: {x Δ Ι y. x, y R Ι y C Ι ( y1.<x,y1> R Ι y2.< x,y2 > R Ι y1 = y2 )} Για παράδειγμα οι περιορισμοί haspet.owl και 1 haspet.owl, μπορούν να συνδυαστούν ως! haspet.owl. 53

66 Στην Εικόνα 18 παρουσιάζεται ο αλγόριθμος που ακολουθείται για την διαδικασία ελάττωσης των εννοιών. Η διαδικασία της ελάττωσης απεικονίζεται στη διαδικασία Generate-Reduced-Node-Labet-set. Η διαδικασία που ονομάζεται Named-SuperConcepts, αντιστοιχεί στο πρώτο κομμάτι της διαδικασίας ελάττωσης, στην πρώτη γραμμή αναζητούνται όλες οι έννοιες που περιλαμβάνουν τουλάχιστον μία έννοια. Οι γραμμές 3-10 μας δείχνουν πώς εφαρμόζονται οι κανόνες ελάττωσης στο label-set. Εικόνα 18: Generate-Reduced-Node-Label-Set Πιο συγκεκριμένα οι κανόνες αυτοί μπορούν να χωριστούν σε 5 φάσεις, οι οποίες ακολουθούν τους κανόνες της Εικόνας 17. Οι φάσεις αυτές είναι: 1. Στη φάση αυτή υπάρχουν μόνο περιορισμοί της μορφής R.C και εφαρμόζεται ο κανόνας 1 σε όλα τα δυνατά ζεύγη του Rnls. 2. Εδώ περιλαμβάνονται μόνο περιορισμοί της μορφής R.C και εφαρμόζονται οι κανόνες Εφαρμόζονται οι κανόνες 5-11 σε όλα τα εφαρμόσιμα αποτελέσματα της προηγούμενης φάσης. 4. Εφαρμογή των κανόνων Στη τελευταία φάση εφαρμόζονται οι κανόνες σε όλα τα ζεύγη που προέκυψαν από τη φάση 4. Στην Εικόνα 19, φαίνονται οι φάσεις 3-5 για την R(ℒo(harryPotter)). Στην περίπτωση αυτή λαμβάνονται ως Restriction 1 ο περιορισμός haspet.creature 54

67 ( Ru.Cu) και ως Restriction 2 ο περιορισμός haspet.owl ( Rv.Cv ). Στη συνέχεια εφαρμόζεται ο κανόνας 2 (δηλαδή Cu Cv Rv Ru), ο οποίος δίνει ως αποτέλεσμα haspet.owl. Στη συνέχεια χρησιμοποιούνται ως ζεύγος τα haspet.owl και haspet.creature, από τα οποία εφαρμόζοντας τον Εικόνα 19: Διαγραμματική πα- κανόνα 7 δίνουν ℑhasPet.Owl. ρουσίαση των φάσεων 3-5 Αφού γίνουν οι διαδικασίες ελάττωσης, στη συνέχεια θα πρέπει να παραχθούν τα σύνολα-κορμού, τα οποία είναι τα σύνολα που χρησιμοποιούνται για το σχηματισμό των ερωτημάτων, των ερωτήσεων πολλαπλής επιλογής. Συνήθως, ως σύνολο-κορμού χρησιμοποιείται το Rnls ενός ατομικού στοιχείου. Οι περιπτώσεις στις οποίες δεν χρησιμοποιείται το Rnls ως σύνολο-κορμού είναι: 1. Όταν στο Rnls ενός ατομικού στοιχείου υπάρχουν περιορισμοί της μορφής R.C (καθολικός προσοδείκτης). Αυτοί οι καθολικοί προσοδείκτες είναι περιορισμοί, οι οποίοι ικανοποιούνται κάτω από συγκεκριμένες συνθήκες (διαφορετικά θα είχαν διαγραφεί από τους κανόνες ελάττωσης). Η χρήση τέτοιων περιορισμών για τη δημιουργία του κορμού, επηρεάζει τη σαφήνεια της ερώτησης, γι αυτό και αφαιρούνται κατά τη δημιουργία του συνόλουκορμού. 2. Οι περιορισμοί, που περιέχουν bottom ή top έννοιες, αφαιρούνται από το σύνολο-κορμού γιατί συνήθως παρέχουν προφανή γνώση. Συνεπώς, δεν θα υπήρχε λόγος να δημιουργηθεί ερώτηση με προφανή απάντηση, γιατί έτσι δεν θα έβγαινε κάποιο συμπέρασμα για τις γνώσεις του εξεταζόμενου. Εικόνα 20: Παράδειγμα Reduced-node-label-set (Rnls) της οντολογίας Harry-Potter-Book 55

68 Τέλος, για να μετατραπεί το σύνολο-κορμού σε έναν κορμό κατανοητό από τον άνθρωπο, χρησιμοποιείται ένα απλό template σε συνδυασμό με ένα σύνολο εργαλείων επεξεργασίας φυσικής γλώσσας (natural language processing-nlp). Το template είναι της μορφής: Επιλέξτε (( ένα/μία ) ClassRestriction (, και );)+ Αφού δημιουργηθεί και ο κορμός, θα πρέπει στη συνέχεια, να οριστούν και οι παραπλανητικές επιλογές, δηλαδή το σύνολο των λανθασμένων επιλογών σε μία ερώτηση πολλαπλής επιλογής. Για να προσδιοριστεί το σύνολο όλων των στοιχείων που μπορούν να είναι παραπλανητικές επιλογές, δεδομένου ότι το x είναι ένα ατομικό στοιχείο (το οποίο αποτελεί τη σωστή επιλογή της ερώτησης), χρησιμοποιείται το Rnls. Το σύνολο όλων των παραπλανητικών επιλογών συμβολίζεται ως Dpotential και δίνεται με βάσει τη σχέση : R(ℒo(x)) Disjoint( ℒo(d) ) ø, όπου d ένα στοιχείο διαφορετικά από το x, το οποίο είναι υποψήφιο για να αποτελέσει παραπλανητική επιλογή της ερώτησης πολλαπλής επιλογής. Η διαδικασία επιλογής ονομάζεται Generate-Distractors-Method και παίρνει σαν είσοδο ένα ατομικό στοιχείο. Ένα παράδειγμα πολλαπλής επιλογής, από την οντολογία harry-potter-book, είναι το ακόλουθο: Επέλεξε ένα μαθητή του Hogwarts, μάγο, Gryffindor και ημίαιμο, ο οποίος έχεις ακριβώς μία κουκουβάγια σαν κατοικίδιο. Επιλογές: 1. Harry Potter 2. Hermione Granger 3. Tom Riddle 4. Hedwig Η παραπάνω ερώτηση έχει ως σωστή απάντηση την επιλογή Harry Potter. Ως παραπλανητικές επιλογές έχουν επιλεγεί ατομικά στοιχεία όπως Hermione Granger και Hedwig, τα οποία ικανοποιούν τον ορισμό του Dpotential. Πιο αναλυτικά το Disjoint(ℒo(hermioneGranger))={Pet, Owl, Rat, Toad, Cat, Wizard, Halfblood, Pureblood, Wizard}, το Disjoint(ℒo(hedwig))={Rat, Toad, Cat, Muggle, Gryffindor, Slytherin, Student, HogStudent, Human} και το Reduced-node-Label-set του Harry 56

69 Potter είναι R(ℒo(harryPotter))={HogStudent, Wizard, Halfblood, Griffintor}. Παίρνοντας τον ορισμό του Dpotential έχουμε ότι : R(ℒo(harryPotter)) Disjoint( ℒo(hermioneGranger) )= {Halfblood, Wizard} ø R(ℒo(harryPotter)) Disjoint( ℒo(hedwig) )={Hogstudent, Gryffindor} ø Συνεπώς και οι δύο επιλογές ικανοποιούν το ορισμό, άρα μπορούν να χρησιμοποιηθούν ως παραπλανητικές επιλογές Μέθοδος παραγωγής βασισμένη στο Edge-label-set Μία ερώτηση πολλαπλής επιλογής είναι έγκυρη αν όλες οι παραπλανητικές επιλογές είναι λανθασμένες. Μία συστηματική μέθοδος για τη δημιουργία έγκυρων ερωτήσεων είναι η εξέταση μόνο των ρόλων, των οποίων η εμβέλεια περιορίζεται σε κάποιες έννοιες ή σε κάποια ατομικά στοιχεία για την παραγωγή της ερώτησης-στέλεχος. Οι ρόλοι που είναι κατάλληλοι για τη δημιουργία του στελέχους μίας έγκυρης ερώτησης από ένα edge-label-set λαμβάνονται με τη χρήση της διαδικασίας Role-Selection, η οποία παρουσιάζεται στην Εικόνα 21. Εικόνα 21: Role-Selection Από τον αλγόριθμο του παραδείγματος, συμπεραίνεται ότι για ένα δοσμένο ℒo(a,b), επιλέγονται οι ρόλοι ένας προς ένας (γραμμές 3-8) και στη συνέχεια ελέγχεται αν κάποιος από αυτούς είναι κομμάτι των περιορισμών ℑ R.C ή!r.c στο Rlns του ατομικού στοιχείου a. Εάν υπάρχει τέτοιος περιορισμός και αν το C ℒo(b), τότε το R μπορεί να χρησιμοποιηθεί για την δημιουργία της ερώτησης στέλεχος, η οποία θα 57

70 είναι της μορφής a R _. Στην περίπτωση που ο ρόλος R είναι κομμάτι του περιορισμού ℑ R.C τοποθετείται στην λίστα P1 (γραμμές 4-5), ενώ εάν εμφανίζεται ως τμήμα του!r.c τότε τοποθετείται στη λίστα P2 (γραμμές 6-7). Ανάλογα με τη λίστα που τοποθετείται ο ρόλος, ακολουθείται και διαφορετική διαδικασία για την παραγωγή των ερωτήσεων πολλαπλής επιλογής. Εικόνα 22: Edge-Label-set της οvτολογίας Harry-Potter-Book Παραγωγή ερωτήσεων πολλαπλής επιλογής από edge-label-set και λίστα P1: Για την πιο εύκολη περιγραφή της διαδικασίας, παρουσιάζεται με ένα παράδειγμα. Από τον πίνακα με τα Edge-label-sets χρησιμοποιείται ως παράδειγμα το ℒo(trevor,nevilleLbottom)={isPetOf}. Η λίστα P1 του label-set περιέχει το ρόλο ispetof, αυτό σημαίνει ότι το R(ℒo(trevor)) περιέχει περιορισμό της μορφής ℑisPetOf.C (όπου με C συμβολίζεται μία έννοια). Από το Reducednode-Label-set της οντολογίας του Harry-Potter-Book δίνεται ότι ℑisPetOf.HogStudent R (ℒo ( trevor ) ). Ο περιορισμός ispetof δεν είναι τόσο απόλυτος, το ℑisPetOf.HogStudent δηλώνει ότι θα μπορούσε να υπάρχει τουλάχιστον μία σχέση ispetof του ατομικού στοιχείου trevor και η τάξη της σχέσης πρέπει να είναι HogStudent. Γι αυτό όταν δημιουργείται μία μία ερώτηση πολλαπλής επιλογής ℒo(trevor,nevilleLbottom), ο με μόνος τη χρήση τρόπος για του να edge-label-set επιλεγούν οι παραπλανητικές επιλογές είναι με το να βρεθούν τα ατομικά στοιχεία του συμπληρώματος της έννοιας HogStudent. Γενικά, δοσμένου ενός περιορισμού μίας έννοιας C, το πιθανό σύνολο των παραπλανητικών επιλογών Dpotential μπορεί να υπολογιστεί ως εξής: Dpotential = {d C Disjoint(ℒo ( d )) Παραγωγή ερωτήσεων πολλαπλής επιλογής από edge-label-set και λίστα P2: Από τον πίνακα με τα Edge-label-sets, χρησιμοποιείται ως παράδειγμα το ℒo(harryPotter,Hedwig)={hasPet}. Σύμφωνα με το Role-Selection και έχοντας ως input το ℒo(harryPotter,Hedwig), το haspet θα εισαχθεί στη λίστα P2. 58

71 Ως παραπλανητική επιλογή σε αυτή την περίπτωση, μπορεί να θεωρηθεί οποιαδήποτε άλλο ατομικό στοιχείο εκτός από το Hedwig, λόγω του ότι ο Harry έχει ακριβώς ένα κατοικίδιο το οποίο είναι μία κουκουβάγια που ονομάζεται Hedwig. Γενικότερα, λαμβάνοντας ένα edge-label-set ℒo(a,b) με P2 ø, οι παραπλανητικές επιλογές παράγονται δίνοντας το b ως είσοδο στη Generate-Distractors-Method. Οι ρητές ανισότητες των ατόμων στην οντολογία μπορούν επίσης να χρησιμοποιηθούν σε αυτή την περίπτωση ως προϋπόθεση για την επιλογή των παραπλανητικών επιλογών. Επομένως, η εξίσωση που χρησιμοποιείται στη Generate-Distractors-Method μπορεί να τροποποιηθεί ως εξής: D potensial ={d (ℛ ( ℒ (d))) or x d} Στο σημείο αυτό είναι σημαντικό να αναφερθεί ότι, τα διδακτικά υλικά διαδραματίζουν σημαντικό ρόλο όχι μόνο για να ελέγξουν οι εξεταστές τους εκπαιδευόμενους, αλλά και για να μάθουν οι δεύτεροι μέσα από τα λάθη τους και να ελέγξουν οι ίδιοι το πόσο καλά ή όχι έχουν αφομοιώσει το αντικείμενο μελέτης τους. Αυτό ισχύει ιδιαίτερα σε περιπτώσεις ανεξάρτητης μελέτης, στην οποία τα υλικά πρέπει να καθοδηγούν τους εκπαιδευόμενους σε αυτή τη "σωστή" κατεύθυνση χωρίς να παρεμβαίνουν στην ικανότητα του εκπαιδευόμενου να συνειδητοποιήσει, να κατανοήσει και να διορθώσει λάθη (Perkinson 1984). Τα τελευταία χρόνια, τα διδακτικά υλικά για ανεξάρτητη μελέτη (όπως αυτά για το e-learning, ελλ. ηλεκτρονική μάθηση) έχουν χρησιμοποιηθεί σε διάφορους τομείς. Για παράδειγμα, έχουν προκύψει υλικά που περιέχουν προβλήματα, τα οποία παρακινούν τους εκπαιδευόμενους να επιβεβαιώσουν την κατανόησή τους για θεμελιώδη γεγονότα και τις σχέσεις και να διευκολύνουν τη μάθηση μέσω της επανάληψης απλών ασκήσεων μάθησης. Τα προβλήματα πολλαπλής επιλογής είναι συνήθως η φόρμα ερωτήσεων που χρησιμοποιείται ως μέθοδος ερωτήσεων σε αυτούς τους τύπους υλικών. Σε αυτές τις περιπτώσεις, οι ερωτήσεις πολλαπλής επιλογής, παρουσιάζονται στον εκπαιδευόμενο και στη συνέχεια κατευθύνεται στην επιλογή της σωστής. Οι λανθασμένες απαντήσεις (erroneous answers) που χρησιμοποιούνται, αξιοποιούν είτε μία 59

72 προσέγγιση σύμφωνα με την οποία η εσφαλμένη απάντηση δεν μπορεί να προσδιοριστεί σωστά ως παραπλανητική (σε αυτή την περίπτωση η απάντηση αντιστοιχεί σε μία χωρίς νόημα εσφαλμένη απάντηση), είτε μία προσέγγιση στην οποία η λανθασμένη απάντηση αντανακλά ένα πιθανό λάθος που θα μπορούσε να κάνει ο εκπαιδευόμενος (δηλώνει μία ουσιαστική εσφαλμένη απάντηση ). Στην πρώτη περίπτωση, η οποία είναι συναντάται συνήθως, στο πλαίσιο μίας δοκιμασίας ή επάρκειας γλώσσας, η ποιότητα της σωστής επιλογής είναι πιο σημαντική από το περιεχόμενο που ενσωματώνεται μέσα στις λανθασμένες απαντήσεις. Κάθε επιλογή εκτός από τη σωστή είναι εξίσου εσφαλμένη και αρκεί η εξήγηση της σωστής επιλογής. Επομένως, τα προβλήματα που χρησιμοποιούν αυτούς τους τύπους εσφαλμένων απαντήσεων μπορούν να δημιουργηθούν με σχετική ευκολία. Ωστόσο, στην τελευταία περίπτωση, ο εκπαιδευόμενος μπορεί να διαπράξει το σφάλμα που εκφράζεται σε μία λανθασμένη απάντηση επιλέγοντας το, σε αυτή την περίπτωση, είναι δυνατή η παροχή εξαιρετικά βελτιωμένης υποστήριξη; στον εκπαιδευόμενο, ανάλογα με τα σφάλματα που έχουν διαπιστωθεί. Λόγω της βαρύτητας που έχει η μάθηση, είναι προτιμότερο να δημιουργηθούν διδακτικά υλικά με προβλήματα πολλαπλής επιλογής που χρησιμοποιούν σημαντικές λανθασμένες απαντήσεις. Οι Noriyuki Matsuda et al στο άρθο τους «A generating technique and knowledge representation of multiple-answer problems for learning with solving knowledge», ερευνούν και προτείνουν μία τεχνική για την αυτόματη δημιουργία τέτοιων απαντήσεων. Στα προβλήματα πολλαπλών επιλογών, η παροχή κειμένου που εξηγεί γιατί μια επιλεγμένη απάντηση είναι εσφαλμένη παίζει σημαντικό ρόλο στην καθοδήγηση, των ανεξάρτητων εκπαιδευόμενων, σε μια ορθή κατανόηση και στη διόρθωση των λαθών τους. Ο Munby (1968) υποστηρίζει ότι οι λανθασμένες απαντήσεις πρέπει να προτρέψουν τους εκπαιδευόμενους να κάνουν προσεκτική μελέτη πριν κάνουν την επιλογή τους, σε αυτή την περίπτωση, η διδασκαλία του μαθητή επηρεάζεται από την επιλεγμένη απάντηση και τα κείμενα που εξηγούν τις λανθασμένες απαντήσεις ονομάζονται εξηγήσεις εσφαλμένων απαντήσεων (explanations of erroneous answers). 60

73 Οι συγγραφείς πιστεύουν ότι υπάρχουν δύο προϋποθέσεις για λανθασμένες απαντήσεις και οι εξηγήσεις τους για την καθοδήγηση των εκπαιδευομένων προς τη σωστή κατεύθυνση: (1) οι επιλογές θα πρέπει να αντικατοπτρίζουν ένα τυπικό μαθησιακό σφάλμα που εισάγει ο δάσκαλος και (2) ο μαθητής πρέπει να εξετάσει προσεκτικά τις διαφορές μεταξύ των εσφαλμένων και των σωστών απαντήσεων. Η πρώτη είναι σημαντική καθώς εξασφαλίζει ότι οι μαθητές κάνουν "καλά" λάθη και τα αναγνωρίζουν, ενώ η τελευταία εμποδίζει τους μαθητές να υιοθετούν λανθασμένες προσεγγίσεις όταν διορθώνουν τα λάθη τους. Οι λανθασμένες απαντήσεις που πληρούν τις προαναφερθείσες προϋποθέσεις, διαφέρουν από εκείνες που επιλέγονται τυχαία με βάση την απλή προϋπόθεση ότι διαφέρουν από τη σωστή. Η έρευνα των Noriyuki Matsuda et al επιχειρεί να επιτύχει "διαταραχή", η οποία αποκλίνει ελαφρώς από τη σωστή λύση του προβλήματος, εν τούτοις εκτείνεται σε ένα νοηματικά κατάλληλο εύρος. Η γνώση, που αποτελείται από απλά horn clauses που περιγράφονται σε γλώσσες προγραμματισμού όπως η Prolog, χρησιμοποιήθηκε για να παράγει αυτόματα λανθασμένες απαντήσεις με νόημα και εξηγήσεις. Οι DeJong και Mooney (1986) χρησιμοποίησαν την Prolog για την έκφραση της γνώσης στο explanation based learning (EBL), στην οποία βασίζεται το SES. Το SES συνδυάζει γνωστικά κατάλληλες διαταραχές με μία μονάδα επίλυσης προβλημάτων που χρησιμοποιεί απλά horn clauses για τη δημιουργία λανθασμένων απαντήσεων (Ogawa et al. 2013). Ένα αρχικό πείραμα για τη δημιουργία λανθασμένων απαντήσεων και των εξηγήσεών τους, χρησιμοποιώντας τις περιγραφές της γνώσης, αποκάλυψε ότι παρόλο που το SES είναι ικανό να παράγει εξηγήσεις για ουσιώδη λανθασμένες απαντήσεις, δεν μπορεί να παράγει εξηγήσεις για αυτές τις απαντήσεις και περιστασιακά παράγει άσχετες επιλογές. Το άρθρο «A generating technique and knowledge representation of multiple-answer problems for learning with solving knowledge», εστιάζει στην ιδέα ότι είναι σχετικά πιο εύκολο για τους εκπαιδευτικούς, οι οποίοι προσπαθούν να περιγράψουν τη γνώση επίλυσης προβλημάτων για προβλήματα πολλαπλής απάντησης, να εξηγήσουν συγκεκριμένα προβλήματα και να ενημερώσουν την εκφρασμένη γνώση. Στο πλαίσιο αυτό, η προϋπάρχουσα γνώση δεν υπάρχει υπό τη μορφή εκφράσεων και επομένως πρέπει να ληφθούν δύο βήματα. Αρχικά, στη λειτουργία 1, παράγονται οι γνώσεις που εκφράζονται στην Prolog από τις δύο ή τρεις συγκεκριμένες ερωτήσεις,οι οποίες 61

74 δημιουργούνται από τους εκπαιδευτικούς και στη συνέχεια χρησιμοποιούνται στη λειτουργία 2 για την αναβάθμιση της προϋπάρχουσας γνώσης. Βασιζόμενη στις γνώσεις που επεξεργάζονται στη λειτουργία 3, η εργασία ενημέρωσης εκτελείται παράλληλα, καθώς το SES χρησιμοποιείται για τη δημιουργία προβλημάτων πολλαπλής απάντησης. Η Εικόνα 23 δείχνει ένα σχεδιάγραμμα του SES (simulation of erroneous solution -SES), στο οποίο η γνώση που παράγει σωστές και λανθασμένες απαντήσεις ονομάζεται ορθότητα και εσφαλμένη γνώση, αντίστοιχα. Το SES παράγει τη σωστή απάντηση χρησιμοποιώντας τη συσκευή επίλυσης-προβλημάτων και στη συνέχεια χρησιμοποιεί τους κανόνες που χρησιμοποιήθηκαν για την απόκτηση αυτής της απάντησης για να παράγει αυτόματα το κείμενο που το εξηγεί. Στη συνέχεια, η διαταραχή γίνεται από την ορθή στη λανθασμένη γνώση χρησιμοποιώντας τον χειριστή διαταραχών (perturbation operator). Οι εσφαλμένες απαντήσεις προκύπτουν από την λανθασμένη γνώση και οι εξηγήσεις των απαντήσεων παράγονται από τους κανόνες που χρησιμοποιήθηκαν για την εξαγωγή τους. Εικόνα 23: Το SES παρέχει εσφαλμένες απαντήσεις και εξηγήσεις για τα σφάλματα με διαταραχή της γνώσης ορθότητας. Η διαταραχή μεταβάλλει ελαφρώς τη γνώση της ορθότητας μέσα σε ένα νοηματικά κατάλληλο εύρος. Πηγή: «A generating technique and knowledge representation of multipleanswer problems for learning with solving knowledge», Matsuda et al (2015) Στο άρθρο που αναλύεται, υπάρχουν κάποιες προϋποθέσεις. Αρχικά οι απαντήσεις στα προβλήματα πολλαπλής επιλογής, περιλαμβάνουν μία σωστή απάντηση και πολλές εσφαλμένες, οι οποίες κατοπτρίζουν τα πιό συνηθισμένα λάθη που κάνουν οι 62

75 μαθητές. Επιπλέον, επειδή το SES είναι ακατάλληλο για τη δημιουργία μικρών ποσοτήτων προβλημάτων πολλαπλής απάντησης, η μέθοδος που προτείνεται προορίζεται για εκείνους που θέλουν να δημιουργήσουν μεγάλες ποσότητες προβλημάτων πολλαπλής απάντησης, οι οποίες μπορούν να λυθούν χρησιμοποιώντας διαδικαστικές γνώσεις (procedural knowledge). Επιπλέον, καθώς δημιουργούνται προβλήματα χρησιμοποιώντας το χώρο από horn clauses της Prolog, τα προβλήματα πολλαπλής επιλογής περιορίζονται σε ερωτήσεις σχετικά με απλά γεγονότα και τις σχέσεις μεταξύ τους. Στη συνέχεια παρουσιάζεται η συσκευή επίλυσης-προβλημάτων (problem-solving device). Στην Εικόνα 24 παρουσιάζεται η διαδικασία δημιουργίας σωστής απάντησης και της εξήγησής της, χρησιμοποιώντας τη συσκευή επίλυσης-προβλημάτων. Οι προβληματικές συνθήκες (problem conditions) είναι γεγονότα που δίδονται στον ερωτώμενο μέσω του κειμένου του προβλήματος, ενώ οι ερωτηματικές συνθήκες (question conditions) είναι γεγονότα που γίνονται ερωτήματα για το πρόβλημα. Η ορθότητα της γνώσης συνεπάγεται από τους κανόνες που περιγράφουν τις σχέσεις μεταξύ των γεγονότων και ο καθένας από αυτούς περιγράφεται χρησιμοποιώντας την Prolog. Η ορθή (ή λανθασμένη) γνώση περιλαμβάνει μια λίστα με απλά στοιχεία του horn-clause, και όπως φαίνεται στην Εικόνα 25, το όρισμα (argument) για το predicate περιορίζεται σε ένα στοιχείο: oι μεταβλητές, η δομή λίστας και οι λειτουργίες εκτός του εύρους λογικής του predicate δεν περιλαμβάνονται στο όρισμα. Συνεπώς, εφαρμόζοντας περιγραφές στην Prolog, οι οποίες χρησιμοποιούν μία απλή δομή, καθίσταται εύκολο να δημιουργηθεί το κείμενο επεξηγήσεων επιπλέον, καθίσταται δυνατό να επιλεγούν εύκολα οι ερωτήσεις και οι καταστάσεις που έχουν πρόβλημα από τις γνώσεις ορθότητας. Η συσκευή επίλυσης προβλημάτων εξάγει πρώτα τη σωστή απάντηση από την κατάσταση προβλήματος, την κατάσταση ερώτησης και τη γνώση ορθότητας. Στη συνέχεια, εφαρμόζοντας τις συνθήκες του προβλήματος και των ερωτήσεων στο problem-text template παράγεται το πρόβλημα κειμένου. Τέλος, το κείμενο που εξηγεί τη σωστή απάντηση, δημιουργείται εφαρμόζοντας μία λίστα των clauses στη διαδικασία εξόδου της λύσης, όπου το template του κειμένου εξηγήσει τη σωστή απάντηση. 63

76 Εικόνα 24: Σωστή λύση με χρήση του SES. Το SES δημιουργεί ένα πρόβλημα από δοσμένες συνθήκες και ένα query (ερώτημα). Στη συνέχεια παράγει μία σωστή απάντηση και εξήγηση από τις γνώσεις ορθότητας που βασίζονται στο EBL. Πηγή: «A generating technique and knowledge representation of multiple-answer problems for learning with solving knowledge», Matsuda et al (2015) Στη συνέχεια παρουσιάζεται ο ρόλος του χειριστή διαταραχών. Η διαταραχή είναι μία προβολή των λανθασμένων τύπων που έχουν γίνει από τους μαθητές στην έκφραση των διαταραχών χρησιμοποιούνται οι χειριστές των διαταραχών, που εκφράζουν τις διαφορές μεταξύ της λανθασμένης γνώσης του εκπαιδευόμενου και της γνώσης ορθότητας. Ο χειριστής των διαταραχών εκφράζει τις διαφορές μεταξύ της σωστής μεθόδου επίλυσης ενός προβλήματος και της λανθασμένης μεθόδου του εκπαιδευόμενου παράλληλα, η διαφορά αυτή εκφράζεται στο επεξηγηματικό κείμενο. Όπως φαίνεται στην Εικόνα 25, ο χειριστής διαταραχών αποτελείται από συνιστώσες συνθηκών και λειτουργιών. Η συνιστώσα των συνθηκών είναι απαραίτητη για την αντικατάσταση των κανόνων από τον χειριστή διαταραχών, ενώ η συνιστώσα των λειτουργιών αποτελείται από τον χειριστή της γνώσης, ο οποίος εκφράζει τη μετατροπή της ορθής γνώσης σε εσφαλμένη γνώση από τον χειριστή και το επεξηγηματικό κείμενο, το οποίο εξηγεί αυτή τη λειτουργία. 64

77 Εικόνα 25: Εσφαλμένη γνώση λόγω διαταραχών. O χειριστής διαταραχών δημιουργεί εσφαλμένη γνώση και το SES παράγει μία λανθασμένη απάντηση και την επεξήγηση που αντιστοιχεί στην απάντηση ορθότητας και εξήγησης. Ο χειριστής αποτελείται από μια συνιστώσα συνθηκών για την αντικατάσταση της γνώσης ορθότητας, καθώς και μια συνιστώσα εκτέλεσης. Το στοιχείο εκτέλεσης έχει ένα πρότυπο εξήγησης. Όταν οι clauses που περιλαμβάνονται στη λύση προστίθενται στο πρότυπο, συμπληρώνεται η εξήγηση. Αυτή η μέθοδος βασίζεται στο EBL. Πηγή:«A generating technique and knowledge representation of multiple-answer problems for learning with solving knowledge», Matsuda et al (2015) Στόχο της έρευνας των Matsuda et al (2015), είναι να παράγει αυτόματα μεγάλες ποσότητες σημαντικών λανθασμένων απαντήσεων και τα αντίστοιχα επεξηγηματικά κείμενα. Για να επιτευχθεί αυτό, πρέπει να δημιουργηθεί επαρκής αριθμός χειριστών διαταραχών. Ως εκ τούτου, εκτός από τη διαταραχή που γίνεται από τον χρήστη, όπου οι περιγραφόμενες εσφαλμένες έννοιες εισάγονται χειροκίνητα, θεωρείται ότι θα είναι αποτελεσματική για το έργο αυτό η αυτόματη διατάραξη, στην οποία μία μηχανή δημιουργεί αυτόματα τις έννοιες από τη γνώση της μεθόδου λύσης. Η αυτόματη διαταραχή δεν μπορεί να χρησιμοποιηθεί για συγκεκριμένα λάθη σε ένα 65

78 συγκεκριμένο πεδίο, έτσι λοιπόν σε αυτές τις περιπτώσεις απαιτείται χειροκίνητη διαταραχή. Επομένως, κάνοντας χρήση τόσο των αυτόματων όσο και των χειροκίνητων διαταραχών, είναι δυνατό να δημιουργηθούν αυτόματα μεγάλες ποσότητες ουσιωδών λανθασμένων απαντήσεων. Η δημιουργία επεξηγήσεων για εσφαλμένες απαντήσεις, είναι το επόμενο κομμάτι που αναλύεται. Αντικαθιστώντας τους λανθασμένους κανόνες, οι οποίοι χρησιμοποιούνται για τις παραλλαγές στο template για την επεξήγηση των εσφαλμένων απαντήσεων, επιτυγχάνεται η δημιουργία επεξηγήσεων για τις λανθασμένες απαντήσεις, που εξηγούν επαρκώς τις διαφορές μεταξύ της ορθής γνώσης και της λανθασμένης γνώσης του εκπαιδευόμενου. Ωστόσο, καθώς τα προβλήματα πολλαπλής απάντησης δημιουργούνται χρησιμοποιώντας το χώρο προβλημάτων από τα horn clauses, περιορίζονται μόνο σε ερωτήσεις που αφορούν απλά γεγονότα και τις σχέσεις μεταξύ τους. Στην Εικόνα 26 φαίνεται ο αλγόριθμος για τη δημιουργία εσφαλμένων απαντήσεων και των επεξηγήσεών τους. Εικόνα 26: Σωστή λύση χρησιμοποιώντας το SES. Το SES δημιουργεί ένα πρόβλημα από τις δοσμένες συνθήκες και ένα ερώτημα. Στη συνέχεια παράγει μία σωστή απάντηση και την εξήγησή της από τις γνώσεις ορθότητας που βασίζονται στο EBL Ο αλγόριθμος λειτουργεί σύμφωνα με τα βήματα που περιγράφονται παρακάτω: Η διαταραχή κάθε χειριστή (op) επαναλαμβάνεται. Εάν η κατάσταση του χειριστή ικανοποιηθεί εντός της λύσης, εκτελούνται τα ακόλουθα τρία βήματα: 66

79 1. Η εσφαλμένη γνώση λαμβάνεται με την εφαρμογή της γνώσης ορθότητας στον χειριστή (operator). 2. Η εσφαλμένη απάντηση καθώς και η λύση λαμβάνονται με τη λανθασμένη γνώση. 3. Η λύση προστίθεται στο template επεξήγησης του χειριστή για να παραγάγει μια επεξήγηση για την εσφαλμένη απάντηση. Χρησιμοποιώντας αυτή τη μέθοδο, επιβεβαιώθηκε ότι 48 και 128 τύποι προβλημάτων κειμένων / εσφαλμένων απαντήσεων και οι εξηγήσεις τους θα μπορούσαν να δημιουργηθούν, αντίστοιχα, από την ορθή γνώση, εκτός από δύο χειριστές διαταραχών. Επιβεβαιώθηκε περαιτέρω ότι οι απαντήσεις που δημιουργήθηκαν αυτόματα περιελάμβαναν ουσιαστικές λανθασμένες απαντήσεις. Επιπλέον παρουσιάζεται η διαμόρφωση συστήματος πρωτοτύπου (Prototype System Configuration). Το πρωτότυπο σύστημα SES αναπτύχθηκε ως εφαρμογή Ιστού χρησιμοποιώντας Perl και SWI-Prolog. Ο χρήστης εισάγει γνώσεις από τον τομέα της μάθησης (γνώσεις ορθότητας), μαζί με ένα λάθος που συνήθως κάνει ο εκπαιδευόμενος (χειριστής διαταραχής). Όταν υποβάλλεται ένα αίτημα δημιουργίας προβλήματος στο σύστημα, χρησιμοποιεί τον χειριστή διαταραχών για να διαταράξει τη γνώση ορθότητας με την λανθασμένη γνώση αφού δημιουργήσει τη σωστή απάντηση και την εξήγηση της, χρησιμοποιώντας τις γνώσεις ορθότητας η λανθασμένη γνώση στη συνέχεια χρησιμοποιείται για τη δημιουργία εσφαλμένων απαντήσεων και των επεξηγήσεών τους Ερωτήσεις αξιολόγησης με χρήση οντολογιών πολυμέσων Οι Andreas Papasalouros, Konstantinos Kotis και Konstantinos Kanaris στο άρθρο τους Automatic generation of tests from domain and multimedia ontologies, περιγράφουν στρατηγικές για την παραγωγή ερωτήσεων με βάση πολυμέσα. Για την δημιουργία των ερωτήσεων χρησιμοποιείται ένας συνδυασμός τεχνικών από την επεξεργασία αρχείων οντολογίας πολυμέσων (multimedia ontology files), βασικής επεξεργασίας εικόνας (basic image processing) και NLG. Πιο συγκεκριμένα, 67

80 ορίζονται περιοχές της εικόνας, οι οποίες σχετίζονται με συγκεκριμένα ατομικά στοιχεία της domain οντολογίας. Οι ερωτήσεις πολλαπλής επιλογής με εικόνες, είναι τύποι ερωτήσεων που παρουσιάζουν μία εικόνα και ζητούν από τους εξεταζόμενους να διαλέξουν μεταξύ μίας ή περισσότερων επιλογών, που αφορούν πληροφορίες που σχετίζονται με την εικόνα. Η ακόλουθη στρατηγική σχετίζεται με αυτού του είδους τις ερωτήσεις: Στρατηγική: Επισημάνετε μία περιοχή της εικόνας που σχετίζεται με ένα άτομο μίας κλάσης Α στην domain οντολογία για να υποδείξει στον εκπαιδευόμενο την περιοχή την οποία αφορά η ερώτηση. Η επισήμανση μπορεί να πραγματοποιηθεί με έναν αλγόριθμο φίλτρου εικόνας, π.χ. αλλάζοντας το χρώμα της συγκεκριμένης περιοχής. Οι πιθανοί distractors είναι διαφορετικά individuals Α, τα οποία επίσης απεικονίζονται στην εικόνα. Ένα παράδειγμα, φαίνεται στην εικόνα της διάσκεψης της Γιάλτας, μία ερώτηση που δημιουργήθηκε με αυτή τη στρατηγική είναι η: «Το πρόσωπο που επισημαίνεται στην εικόνα είναι ''. Αν ο επισημασμένος άνθρωπος είναι ο «Στάλιν», τότε οι πιθανές διαταραχές είναι «ο Franklin Roosevelt» και «ο Winston Churchill». Εικόνα 23: Διάσκεψη Γιάλτας Πηγή: Automatic generation of tests from domain and multimedia ontologies, σελ.16 68

81 Ένας άλλος τύπος ερωτήσεων είναι οι Ερωτήσεις αλληλεπίδρασης Hotspot (ενιαίες και πολλαπλές απαντήσεις / αντιδράσεις). Σε αυτές, παρουσιάζεται μία εικόνα στον εκπαιδευόμενο και αυτός καλείται να αναγνωρίσει μία συγκεκριμένη περιοχή της. Μία ή περισσότερες επιλογές μπορούν να είναι σωστές. Κάθε περιοχή μπορεί να επισημανθεί με ένα hotspot, το οποίο είναι ένα οπτικό σύμβολο, με το οποίο υποδεικνύεται η περιοχή της εικόνας και διευκολύνεται έτσι η επιλογή. Εναλλακτικά, τα ψευδή hotspots μπορούν να χρησιμοποιηθούν ως παραπλανητικές επιλογές. Οι παρακάτω στρατηγικές ισχύουν για αυτoύ του είδους τις ερωτήσεις: Στρατηγική 1: Προσδιορίστε μία περιοχή εικόνας που δημιουργήθηκε στην οντολογία πολυμέσων, η οποία συνδέεται με ένα individual α κλάσης Α στην domain οντολογία. Στη συνέχεια, κατασκευάστε ένα στοιχείο με στέλεχος: ''Προσδιορίστε α στην εικόνα.'' Οι παραπλανητικές επιλογές, αντιστοιχούν σε individuals της κατηγορίας Α ή μίας υπερκλάσης του Α, διαφορετικά από τα α που εμφανίζονται στην εικόνα. Ένα παράδειγμα αυτής της στρατηγικής είναι το στέλεχος : '' Προσδιορίστε τον Winston Churchill στην παραπάνω εικόνα. '' Πιθανές παραπλανητικές επιλογές είναι ο «Στάλιν» και o «Franklin Roosevelt», όπως φαίνεται στο Σχήμα 23. Στρατηγική 2: Προσδιορίστε μία περιοχή της εικόνας που εμφανίζεται στην οντολογία πολυμέσων. Βρείτε ένα individual α στην domain οντολογία, το οποίο σχετίζεται με ένα άτομο b μέσω μίας ιδιότητας αντικειμένου R, δηλαδή R (a,b). Τα hotspot των παραπλανητικών επιλογών αντιστοιχούν σε άτομα διαφορετικά από το α, που ανήκουν στον τομέα ιδιοκτησίας R. Ένα παράδειγμα, της συγκεκριμένης στρατηγικής είναι: " Προσδιορίστε ένα πρόσωπο, που ηγήθηκε στην USSR, στην εικόνα ''. Η ηγεσία είναι ιδιότητα αντικειμένου στην domain οντολογία της διάσκεψης της Γιάλτα και η φράση ηγείται (Στάλιν, USSR). Οι παραπλανητικές επιλογές είναι, πάλι, τα hotspots του Τσώρτσιλ και του Ρούσβελτ, τα οποία είναι individuals της κλάσης Άτομα, που απεικονίζονται στην εικόνα. Στρατηγική 3: Προσδιορίστε μία περιοχή της εικόνας που παρουσιάστηκε στην οντολογία πολυμέσων. Βρείτε ένα individual b στην domain οντολογία, το οποίο είναι ένα individual της κλάσης Β και σχετίζεται με ένα individual α μέσω μιας ιδιότητας αντικειμένου R, δηλαδή η R(a,b) καθορίζεται στην 69

82 domain οντολογία. Τα hotspots των παραπλανητικών επιλογών αντιστοιχούν σε άτομα διαφορετικά από το b στην τάξη της ιδιότητας R. Ένα παράδειγμα αυτής της στρατηγικής είναι το εξής: Αν η λέξη συμπαθεί είναι μία ιδιότητα της domain οντολογίας που περιγράφει τη Διάσκεψη της Γιάλτας και η πρόταση συμπαθεί (Roosevelt, Churchill), περιλαμβάνεται στην domain οντολογία, τότε μία πιθανή μορφή του αποτελέσματος της στρατηγικής είναι η πρόταση Προσδιορίστε ένα άτομο, το οποίο συμπαθεί ο Roosevelt, στην εικόνα. Μία άλλη μορφή ερωτήσεων, είναι εκείνες που ζητούν από τον εξεταζόμενο να ενώσει δύο περιοχές μίας εικόνας, οι οποίες συνδέονται με κάποια σημασιολογική σχέση. Η ένωση των δύο περιοχών γίνεται αν συνδεθούν κατάλληλα δύο hotspots. Μία από τις στρατηγικές, για τη δημιουργία ερωτήσεων αυτού του τύπου, περιλαμβάνει τη δημιουργία ενός γραφικού στοιχείου, με το οποίο συνδέονται τα hotspots που αντιστοιχούν στις περιοχές της εικόνας, που σχετίζονται με συγκεκριμένες ιδιότητες, Σε αυτή την περίπτωση, ως παραπλανητικές επιλογές επιλέγονται οι περιοχές της εικόνας που αναφέρονται σε individuals που ανήκουν στον τομέα ή στην περιοχή του αντικειμένου. Μία εφαρμογή της συγκεκριμένης στρατηγικής είναι η εξής: Αν το συμπαθεί(roosevelt, Churchill) είναι ένα γεγονός στη domain οντολογία, όπως παρουσιάζεται και στα προηγούμενα παραδείγματα, τότε ένα stem μπορεί να είναι "Συνδέστε τον Roosevelt με ένα πρόσωπο που συμπαθεί". Αυτή η στρατηγική είναι παρόμοια με την προηγούμενη, υπό την έννοια ότι μοιράζονται την ίδια σημασιολογία τόσο όσον αφορά τις οντολογίες τομέα όσο και των πολυμέσων. Η μόνη τους διαφορά είναι στον τύπο του παραγόμενου στοιχείου. Γενικεύοντας τις παραπάνω στρατηγικές, θα μπορούσαν να δημιουργηθούν πιο εξελιγμένες ερωτήσεις αξιολόγησης με τη χρήση όχι μόνο εικόνων αλλά και άλλων πολυμέσων, όπως τα βίντεο και ο ήχος. Έτσι μπορούν να δημιουργηθούν ερωτήσεις χρησιμοποιώντας τμήματα βίντεο ή ήχου που σχετίζονται με κλάσεις/ individuals για να αναγνωριστούν στο βίντεο ή στο ηχητικό απόσπασμα αντίστοιχα. Βέβαια, για να μπορέσει να πραγματοποιηθεί κάτι τέτοια, θα πρέπει να χρησιμοποιηθεί ένα σύστημα το οποίο θα παρέχει τις ερωτήσεις σε πραγματικό χρόνο. 70

83 5.3 Βαθμός δυσκολίας Μέχρι στιγμής έχουν παρουσιαστεί τρόποι για τη δημιουργία ερωτήσεων αξιολόγησης. Η αξιολόγηση (assessment) αφορά την μέτρηση των επιτευγμάτων των σπουδαστών, συνήθως ως προς την ποσότητα γνώσεων που έχουν. Η μέτρηση της γνώσης ενός σπουδαστή δεν είναι απλή, τα μοντέλα γνώσης που δημιουργούνται στο μυαλό του μαθητή είναι πολύπλοκα και δεν είναι ορατά. Σύμφωνα με τους Tahani Alsubait et.al, στο άρθρο τους «A Similarity-based Theory of Controlling MCQ Difficulty», υπάρχουν κάποιες επιθυμητές ιδιότητες των ερωτήσεων αξιολόγησης. Αρχικά, πρέπει να υπάρχει ισχυρή συσχέτιση μεταξύ του επιπέδου των σπουδαστών και του ποσού και της ποιότητας των γνώσεών τους, δηλαδή θα πρέπει μέσα από την αξιολόγηση να μπορούν να διακριθούν οι εξεταζόμενοι, ανάλογα με το επίπεδο γνώσης τους. Η ιδιότητα αυτή, δεν μπορεί να επιτευχθεί χρησιμοποιώντας μία μόνο ερώτηση αξιολόγησης, αλλά θα πρέπει να υπάρχουν πολλές και διαφορετικού επιπέδου ερωτήσεις. Η χρησιμότητα των αντικειμένων αξιολόγησης είναι μία ακόμη βασική ιδιότητα, η οποία ελέγχεται από τη θεωρία απόκρισης ερωτήματος (IRT: Item Response Theory). Η θεωρία απόκρισης ερωτήματος (IRT) αποτελεί μια στατιστική μέθοδο που χρησιμεύει στο σχεδιασμό, στην ανάλυση και στη βαθμολόγηση των ερωτημάτων ενός τεστ. Βασίζεται στην παραδοχή ότι η πιθανότητα σωστής αντίδρασης σε ένα ερώτημα αποτελεί συνάρτηση των χαρακτηριστικών του ατόμου που απαντά στο ερώτημα και του ερωτήματος. Τα χαρακτηριστικά του υποκειμένου του τεστ (ατόμου) ονομάζονται «λανθάνοντα χαρακτηριστικά» (latent traits) και μπορεί, για παράδειγμα, να είναι η νοημοσύνη. Τα χαρακτηριστικά του ερωτήματος μπορεί να είναι η δυσκολία, η διάκριση και ο παράγοντας «τυχαίας πρόβλεψης» (guessing factor). Συνεπώς, σύμφωνα με την IRT, μια καλή ερώτηση έχει τα εξής χαρακτηριστικά: (i) έχει μικρή πιθανότητα να μαντέψει κανείς τη σωστή απάντηση χωρίς να τη γνωρίζει, (ii) κάνει σωστές διακρίσεις μεταξύ καλών και όχι τόσο καλών φοιτητών και (iii) έχει κατάλληλη δυσκολία, όπως προορίζεται από τον σχεδιαστή αξιολόγησης. Η δυσκολία (difficulty) είναι μία κεντρική ιδιότητα (core property) και πρέπει να ελέγχεται προσεκτικά κατά τη διάρκεια του σχεδιασμού της αξιολόγησης. Ο όρος 71

84 δυσκολία αναφέρεται στη στατιστική δυσκολία. Ωστόσο, εκτός από το ποσοστό των λανθασμένων απαντήσεων μίας ερώτησης, θα πρέπει να μελετηθεί και για ποιο λόγο δόθηκαν. Διάφορες μελέτες έχουν διερευνήσει τις πηγές δυσκολίας / ευκολίας στα ερωτήματα. Όμως πρέπει να γίνει διάκριση μεταξύ έγκυρων και μη έγκυρων πηγών δυσκολίας. Παραδείγματα μη έγκυρων πηγών δυσκολίας / ευκολίας περιλαμβάνουν: την ασυνέπεια, την παροχή ενδείξεων, την παροχή πρόσθετων πληροφοριών κλπ. Για παράδειγμα, η παροχή ενδείξεων μπορεί να βοηθήσει τους εξεταζόμενους να μαντέψουν την σωστή απάντηση λόγω του ότι δίνονται επιπλέον πληροφορίες, οι πληροφορίες αυτές δεν χρειάζονται για την επίλυση της ερώτησης και πολλές φορές μπορεί να παραπλανήσουν κάποιους από τους καλούς σπουδαστές και συνεπώς να γίνουν λανθασμένες διακρίσεις. Η αποφυγή αυτών των μη έγκυρων πηγών δυσκολίας επιτρέπει τον έλεγχο της εικασίας (guessability) και την επίτευξη καλύτερων διακρίσεων. Αυτό σημαίνει ότι ο έλεγχος της δυσκολίας με έναν έγκυρο τρόπο οδηγεί στον έλεγχο των άλλων δύο ιδιοτήτων της IRT. Επιπλέον, ο σχεδιαστής αξιολόγησης πρέπει να είναι σε θέση να καθορίσει τη δυσκολία κάθε ερώτησης μεμονωμένα. Σύμφωνα με τους Alsubait et.al (2013), στόχος είναι να μπορεί να ελεγχθεί η δυσκολία των ερωτήσεων που δημιουργούνται, καθώς και να είναι κατανοητό τι καθιστά δύσκολη την ερώτηση για μία ομάδα σπουδαστών. Η ομοιότητα μεταξύ των τμημάτων μίας ερώτησης επηρεάζει τη δυσκολία. Συγκεκριμένα, η διάκριση μεταξύ μαθητών υψηλού και χαμηλού επιπέδου μπορεί να χαρτογραφηθεί στην ικανότητά τους να διακρίνουν παρόμοια / διαφορετικά αντικείμενα και να αναγνωρίζουν οποιεσδήποτε ομοιότητες / διαφορές μεταξύ τους. Αυτό, συμβαδίζει με το γεγονός ότι όσο περισσότερη γνώση έχει ένας σπουδαστής σχετικά με ένα θέμα, τόσο μεγαλύτερη είναι η ικανότητά του να απαντά σε ερωτήσεις σχετικά με αυτό. Αυτή η σχέση μεταξύ του εύρους και του βάθους της γνώσης, αλλά και της ικανότητας απαντήσεων σε ερωτήματα μπορεί να εξηγηθεί από την άποψη της ικανότητας να λαμβάνει κάποιος υπόψιν του την ομοιότητα όταν απαντάει συγκεκριμένου είδους ερωτήσεις. «Η δυσκολία μίας ερώτησης πολλαπλής επιλογής Q με κορμό (stem) S, κλειδί (key) Κ και παραπλανητικές επιλογές (distractors) D = {D1..Dn }, είναι ανάλογη του βαθμού ομοιότητας μεταξύ του κλειδιού Κ και των παραπλανητικών επιλογών D.» 72

85 Η παραπάνω πρόταση, η οποία παρουσιάστηκε στο άρθρο «A Similarity-based Theory of Controlling MCQ Difficulty» είναι κατάλληλη για τον έλεγχο της δυσκολίας ερωτήσεων πολλαπλής επιλογής που αποτελούνται από μέρη (π.χ. κλειδιά, παραπλανητικές επιλογές ) παρόμοιων ειδών, τα οποία απαιτούν ιδιαίτερη γνώση για να γίνει η μεταξύ τους διάκριση. Παραδείγματα ενδεικτικών ερωτήσεων που ανήκουν σε αυτή την κατηγορία είναι οι εξής: "Τι είναι το Χ;", "Ποιο από τα παρακάτω είναι Χ", "Ποιο από τα παρακάτω δεν ταιριάζει με τα υπόλοιπα;". Επίσης με τη προσθήκη μίας συνθήκης που να ελέγχει την ομοιότητα μεταξύ του κορμού (stem) και του κλειδιού (key), μπορεί να χρησιμοποιηθεί και σε άλλους τύπους ερωτήσεων (π.χ. "Το A είναι στο Β ως.. είναι...;"). Δεδομένου ότι μία ερώτηση πολλαπλής επιλογής μπορεί να έχει περισσότερες από μία παραπλανητικές επιλογές (δηλαδή n 1 ), κάθε παραπλανητική επιλογή Di D μπορεί να έχει διαφορετική ομοιότητα sim(k, Di) με το κλειδί Κ. Ορίζονται οι ακόλουθες δύο παράμετροι (Δ1, Δ2 ) ως εξής: 1. 1 := min{sim(di,k) 1 i n}, 0 Δ Δ2 := max{sim(di,k) 1 i n}, 0 Δ2 1 Για τη δημιουργία μίας καλής ερώτησης πολλαπλής επιλογής, το 1 πρέπει να είναι αρκετά μεγαλύτερο από 0. Οι παραπλανητικές επιλογές που δεν είναι σχεδόν καθόλου όμοιες με το κλειδί, έχουν μεγαλύτερη πιθανότητα να μην είναι λειτουργικές, μάλιστα σε ορισμένες περιπτώσεις, μπορούν να επηρεάσουν αρνητικά και τη διάκριση μεταξύ καλών και αδύναμων σπουδαστών. Η αύξηση του 1 αυξάνει τη δυσκολία του Q. Ομοίως, η αύξηση του Δ2 αυξάνει και αυτή τη δυσκολία του Q. Η αξιοπιστία της θεωρίας ομοιότητας για τον έλεγχο της δυσκολίας έχει αξιολογηθεί σύμφωνα με ψυχολογικές και εκπαιδευτικές θεωρίες και επιπλέον έχει εξεταστεί η καταλληλότητα της θεωρίας αυτής για τη δημιουργία ερωτήσεων σε διαφορετικά επίπεδα του Bloom (Bloom s levels). Ψυχολογικές Θεωρίες: Μελέτες σχετικές με την ειδίκευση (expertise): Οι μελέτες αυτές ασχολούνται με την διερεύνηση του τρόπου με τον οποίο δομείται και χρησιμοποιείται η γνώση από τους σπουδαστές υψηλού και χαμηλού επιπέδου. Μια σειρά από μελέτες διερεύνησαν τη διαφορά μεταξύ της 73

86 γνώσης των ειδικών (υψηλή γνώση) και των αρχάριων (χαμηλή γνώση). Οι γνώσεις των ειδικών (expert) περιγράφονται συνήθως ως συνεκτικές και ολοκληρωμένες σε σύγκριση με τις γνώσεις αρχαρίων (novice). Αυτή η συνοχή της γνώσης καθορίστηκε λειτουργικά από την άποψη του τρόπου αλληλεπίδρασης μεταξύ εννοιών είτε μέσω άμεσων είτε έμμεσων δεσμών. Τα αποτελέσματα διάφορων μελετών δείχνουν ότι ο μαθητής θυμάται καλύτερα πληροφορίες σχετικές με γνώση που του είναι περισσότερο οικεία. Αυτό ενισχύει το γεγονός ότι ο βαθμός συνοχής της γνώσης μπορεί να προβλέψει την απόδοση σε εργασίες μνήμης. Οι Gobbo & Chi διερεύνησαν περαιτέρω την επίδραση της συνεκτικότητας στην επιτυχία της εκτέλεσης πολύπλοκων εργασιών, όπως η πραγματοποίηση σημασιολογικών συγκρίσεων, η συμπερίληψη νέων γνώσεων και ο συλλογισμός (reasoning) των νέων πληροφοριών που σχετίζονται με τις υπάρχουσες γνώσεις. Η μελέτη υποστηρίζει την άποψη ότι η επιτυχία στη συλλογιστική βασίζεται σε μεγάλο βαθμό στη γνώση και εναντιώνεται στην άποψη ότι η συλλογιστική είναι μια ικανότητα που τα παιδιά αποκτούν καθώς ωριμάζουν. Τα αποτελέσματα των ερευνών τους δείχνουν ότι οι σπουδαστές με υψηλό επίπεδο γνώσεων μπορούν να συμπεράνουν περισσότερα γεγονότα, τα οποία δεν αναφέρονται ρητά αλλά υπονοούνται, σε σύγκριση με τους φοιτητές που έχουν λιγότερες γνώσεις. Θεωρία της εξαπλούμενης ενεργοποίησης της μνήμης: Αυτή η θεωρία αναπτύχθηκε αρχικά από τους Collins & Quillian και στη συνέχεια βελτιώθηκε από τους Collins & Loftus. Η θεωρία αυτή, εξηγεί πώς η γνώση αντιπροσωπεύεται στη μακροπρόθεσμη μνήμη και πώς γίνεται προσβάσιμη. Η θεωρία βλέπει την αναζήτηση της μνήμης σαν μία ενεργοποίηση που εξαπλώνεται από τους κόμβους των ιδεών σε ένα σημασιολογικό δίκτυο και σταματά όταν βρεθεί μία διατομή. Δεδομένης μιας συγκεκριμένης έννοιας, η θεωρία εξηγεί ποιά θα είναι η επόμενη έννοια που θα σκεφτεί αυτόματα ένα άτομο. Αυτή η υποσυνείδητη διαδικασία αναφέρεται ως "θεωρία προέγερσης" στην αρχική θεωρία. Οι κόμβοι του σημασιολογικού δικτύου μπορούν να είναι είτε έννοιες (π.χ. 74

87 "πτηνά") είτε ιδιότητες (π.χ. "μπορούν να πετάξουν") και τα δύο είδη κόμβων αντιμετωπίζονται το ίδιο και μπορούν να προσεγγιστούν με παρόμοιο τρόπο. Οι δεσμοί (links) μεταξύ των κόμβων αντιπροσωπεύουν διαφορετικές σχέσεις μεταξύ τους. Για παράδειγμα, ένας δεσμός μεταξύ των κόμβων "πουλιά" και "ζώα" καταγράφει το γεγονός ότι τα πουλιά είναι ζώα. Ομοίως, ένας δεσμός μεταξύ "πτηνών" και "έχει φτερά" συνδέει τα φτερά με την τάξη πτηνά. Επιπλέον, οι δεσμοί μπορούν να ποικίλουν ως προς το μήκος τους: όσο μακρύτερος είναι ο δεσμός μεταξύ δύο κόμβων, τόσο ασθενέστερη είναι η σχέση μεταξύ τους. Αυτό μας δίνει τη δυνατότητα να εξηγήσουμε την επίδραση της οικειότητας (δηλαδή όσο πιο οικείες είναι οι έννοιες τόσο πιο γρήγορα μπορούμε να αποκτήσουμε πρόσβαση σε αυτές). Μια βασική ιδέα αυτής της θεωρίας είναι ότι η γνώση οργανώνεται στη μνήμη σύμφωνα με τα πρότυπα της σημασιολογικής ομοιότητας. Όσο περισσότεροι δεσμοί υπάρχουν μεταξύ δύο εννοιών (δηλαδή όσο περισσότερες ομοιότητες έχουν), τόσο πιο στενά συνδεδεμένες είναι οι έννοιες. Αυτό σημαίνει ότι ένα άτομο είναι πιο πιθανό να ανακτήσει πληροφορίες από τη μνήμη του εάν του έχουν παρουσιαστεί, αρχικά, σχετικές πληροφορίες. Επιπλέον, όσο ισχυρότερη είναι η σχέση μεταξύ των δύο πληροφοριών, τόσο μεγαλύτερη είναι η πιθανότητα πρόσβασης της μίας μέσω της άλλης. Εκπαιδευτικές Θεωρίες: Οι Alsubait et.al (2013), διερεύνησαν αν οι εικασίες περί ομοιότητας είναι κατάλληλες για διαφορετικές κατηγορίες ερωτήσεων αξιολόγησης όπως ταξινομούνται από την ταξινομία του Bloom (Bloom's taxonomy). Η ταξινομία είναι ευρέως αποδεκτή και χρησιμοποιείται από εκπαιδευτικούς ερευνητές και επαγγελματίες. Η ταξινομία Bloom είναι μια κατάταξη των μαθησιακών στόχων που προτάθηκε από τον Αμερικανό εκπαιδευτικό ψυχολόγο Benjamin Bloom το Σύμφωνα με την ταξινομία οι μαθησιακοί στόχοι διακρίνονται σε τρεις περιοχές: τη γνωστική, τη συναισθηματική και την ψυχοκινητική. Οι μαθησιακοί στόχοι της γνωστικής περιοχής περιλαμβάνουν τις εξής κατηγορίες: γνώση, κατανόηση, εφαρμογή, ανάλυση, σύνθεση, αξιολόγηση. Οι έξι αυτές 75

88 κατηγορίες αποτελούν την ταξινομία γνωστικών στόχων του Bloom και είναι ιεραρχημένες: η πρώτη κατηγορία (γνώση) είναι η κατωτέρου επιπέδου ενώ η έκτη (αξιολόγηση) είναι η ανωτέρου επιπέδου. Προϋπόθεση για την επίτευξη γνωστικών στόχων μιας κατηγορίας είναι η επίτευξη γνωστικών στόχων της αμέσως κατώτερης κατηγορίας. Το 2001 η ταξινομία των γνωστικών στόχων αναθεωρήθηκε από τους Lorin Anderson, πρώην φοιτητή του Bloom, και David Krathwohl, συνεργάτη του Bloom. Η βασική διαφορά της αναθεωρημένης ταξινομίας (Krathwohl, 2002) είναι ότι αποτελεί ένα δισδιάστατο μοντέλο [Cognitive Process Χ Knowledge]. Στη διάσταση knowledge συμπεριλήφθηκαν οι υποκατηγορίες της κατηγορίας γνώση της αρχικής ταξινομίας. Στη διάσταση cognitive process (γνωστική διεργασία) οι κατηγορίες διατυπώθηκαν με τη χρήση ρήματος, αντί ουσιαστικού, διότι θεωρήθηκε ότι η επίτευξη γνωστικών στόχων είναι μια ενεργητική μορφή σκέψης που μπορεί να οριστεί ορθά μόνο με τη χρήση ρημάτων. Οι κατηγορίες στη διάσταση της γνωστικής διεργασίας είναι οι: θυμάμαι, κατανοώ, εφαρμόζω, αναλύω, αξιολογώ, δημιουργώ. Η κατηγορία δημιουργώ προάχθηκε στο ανώτερο επίπεδο με το σκεπτικό ότι η δημιουργία προϋποθέτει την κατοχή ικανοτήτων αξιολόγησης. Στα πλαίσια της εργασίας, από το δισδιάστατο μοντέλο της αναθεωρημένης ταξινομίας Bloom, αξιοποιήθηκε μόνο η διάσταση της γνωστικής διεργασίας. Στην εικόνα 24 φαίνεται η αντιστοίχιση της διάστασης αυτής με την αρχική ταξινομία. 76

89 Εικόνα 24: Αλλαγές στην Ταξινομία του Bloom Πηγή: hukewiuvdu-zmrwahwklsakhytvdnqq_auicigb&biw=1536&bih=759#imgrc=7icamo9vpunmm: Ο Guttman και άλλοι ερευνητές κατέδειξαν ότι είναι δυνατόν τα πιο σύνθετα ερωτήματα να είναι είτε λιγότερα είτε περισσότερο δύσκολα από λιγότερο σύνθετα ερωτήματα. Είναι επίσης σημαντικό να σημειωθεί ότι, ανάλογα με τη φύση των προηγούμενων εμπειριών μάθησης, διαφορετικοί μαθητές μπορούν να λύσουν την ίδια ερώτηση με διαφορετικούς τρόπους και έτσι ένα ερώτημα μπορεί να τοποθετηθεί σε διαφορετικές κατηγορίες. Αυτό υποδηλώνει ότι η δυσκολία ενός ερωτήματος μπορεί να ελεγχθεί στα διαφορετικά επίπεδα ταξινομίας του Bloom. Συνεπώς οι Alsubait et.al, στο άρθρο τους «A Similarity-based Theory of Controlling MCQ Difficulty», παρουσίασαν μία θεωρία που βασίζεται στην ομοιότητα για να ελέγξει τη δυσκολία των ερωτήσεων πολλαπλών επιλογών και να δείξει την πρακτικότητα και τη συνοχή της με τις ψυχολογικές και εκπαιδευτικές θεωρίες. Οι Tsumori et.al στο άρθρο τους «Strategy for Offering Test Questions Based on the Relationship between the Representation of Calculation Questions and their Difficulty», ισχυρίζονται ότι η δυσκολία μίας ερώτησης αξιολόγησης (και πιο συγκεκριμένα ερωτήσεων υπολογισμού) εξαρτάται όχι μόνο από την πολυπλοκότητα 77