Διάδοση Ιών στα Δίκτυα. Μια Διαθεματική Εργασία με το Λογισμικό NetLogo

Transcript

1 Διάδοση Ιών στα Δίκτυα. Μια Διαθεματική Εργασία με το Λογισμικό NetLogo Γκαράς Γεώργιος 1, Γιάτας Δημήτριος 2, Κωσταρίδης Παναγιώτης 3, Βλάσση Μαρία 4 ggkaras@gmail.com, dyiatas@gmail.com, panakost1967@gmail.com, mvlassi@yahoo.com 1 Καθηγητής Φυσικής, 2 Καθηγητής Πληροφορικής, 3 Καθηγητής Βιολογίας, 4 Καθηγήτρια Χημείας 1 ο Πρότυπο Πειραματικό Γ.Ε.Λ. Αθηνών Γεννάδειο Περίληψη Οι μαθητές της Β Λυκείου του σχολείου μας πειραματίστηκαν σε δύο συνεχόμενα μαθήματα με το μοντέλο Virus On The Net της NetLogo, όπως αυτό τροποποιήθηκε από εμάς για τις ανάγκες του μαθήματος. Προσομοίωσαν και μελέτησαν τη διάδοση του κακόβουλου λογισμικού στα δίκτυα των υπολογιστών αλλά και τη διάδοση των μολύνσεων στους ανθρώπους. Μεταξύ άλλων μελέτησαν την επίδραση των συχνών ελέγχων, του αριθμού των ακμών (συνδέσεων), της απόκτησης ανοσίας και του εμβολιασμού στη διάδοση των ιών. Μερικές από τις ειδικές περιπτώσεις που μελετήθηκαν ήταν «εξάλειψη της μόλυνσης χωρίς επίτευξη ανοσίας», «αναχαίτιση της διάδοσης του ιού μέσω εμβολιασμού», «ρόλος του αριθμού των ερωτικών συντρόφων στη διάδοση του HIV» και «ρόλος του προφυλακτικού στην ανάσχεση της διάδοσης του HIV». Οι μαθητές εργάστηκαν στο εργαστήριο ΤΠΕ του σχολείου. Αποθήκευσαν τα μοντέλα που πραγματοποίησαν σε κοινό φάκελο και τα παρουσίασαν. Οι αλλαγές στις γνώσεις και στις στάσεις των μαθητών ελέγχθηκαν με ηλεκτρονικό ερωτηματολόγιο. Λέξεις κλειδιά: Δίκτυο, Ιός, NetLogo, Προσομοίωση, Διαθεματικότητα. Εισαγωγή Η εργασία αυτή γίνεται στο πλαίσιο της έρευνας που αναλάβαμε για τη δυνατότητα των μαθητών να μελετήσουν και να κατανοήσουν στοιχεία από τα Πολύπλοκα Συστήματα μέσα από τα μοντέλα προσομοίωσης και οπτικής αναπαράστασης του λογισμικού NetLogo. Σε προηγούμενες εργασίες μας προσεγγίσαμε τις έννοιες «ανάδυση» (Γκαράς κ.α., 2014 α,β) και «ανάδραση» (Γκαράς κ.α., 2015) ενώ σε αυτή την εργασία προσεγγίζουμε την έννοια «δίκτυο». Ένα δίκτυο μπορεί να αποτελεί μέρος ενός πολύπλοκου συστήματος ή μπορεί να είναι τα ίδιο ένα πολύπλοκο σύστημα (complex networks). Άλλωστε ένας «ορισμός» του πολύπλοκου συστήματος είναι ότι είναι ένα μεγάλο δίκτυο με σχετικά «απλά» μέρη χωρίς κεντρικό έλεγχο μέσα στο οποίο έχουμε μια αναδυτική πολύπλοκη συμπεριφορά. Μερικά από τα πολύπλοκα συστήματα που υπάρχουν στη κοινωνία και στη φύση είναι ο εγκέφαλος, το ανοσοποιητικό σύστημα, το βιολογικό κύτταρο, τα μεταβολικά δίκτυα, οι αποικίες μυρμηγκιών, το διαδίκτυο, η αγορά, και τα ανθρώπινα κοινωνικά δίκτυα. (Mitchel, 2006). Η μελέτη των δικτύων αν και έχει αρχίσει από τον δέκατο ένατο αιώνα με την λύση από τον Euler του περίφημου προβλήματος των γεφυρών του Königsberg και συνεχίστηκε τον εικοστό αιώνα με την θεωρία των τυχαίων γράφων των Erodös και Rényi κατέστη δυνατή σε ευρεία κλίμακα μόνο με τη βοήθεια των υπολογιστών δια των οποίων είναι εφικτή η πραγματοποίηση ενός τεράστιου πλήθους υπολογισμών σε μικρό χρόνο. Ειδικά η δυναμική των δικτύων, δηλαδή η εξέλιξή τους με το χρόνο, θα ήταν αδύνατη χωρίς τους υπολογιστές οι οποίοι προσομοιώνουν τα δίκτυα είτε σαν πλέγματα αποτελούμενα από κυψελωτά αυτόματα είτε όπως στην περίπτωση της NetLogo - σαν χώρους όπου «πράκτορες» ζουν και αλληλεπιδρούν. Η μελέτη των δικτύων είναι σημαντική σε πολλούς τομείς ιδιαίτερα στην αντιμετώπιση των επιδημιών, στους εμβολιασμούς, στην έρευνα στο διαδίκτυο, στις επικοινωνίες, στην ασφάλεια, στη διάδοση των αστοχιών στα δίκτυα ηλεκτρισμού και αλλού. Στα αναλυτικά προγράμματα του σχολείου τα δίκτυα εμφανίζονται στην πληροφορική την τεχνολογία και την βιολογία. Το λογισμικό NetLogo περιλαμβάνει έναν αριθμό μοντέλων που σχετίζονται με τα δίκτυα. Για τη διδασκαλία αυτών των μαθημάτων επιλέξαμε το μοντέλο Virus on the Net λόγω της απλότητας και της εποπτικότητάς του. Κατά τη διάρκεια των μαθημάτων μας με τα Πρακτικά Εργασιών 9 ου Πανελλήνιου Συνεδρίου Καθηγητών Πληροφορικής, Καστοριά, Απριλίου 2015

2 2 9 ο Πανελλήνιο Συνέδριο Καθηγητών Πληροφορικής μοντέλα της NetLogo έχουμε παρατηρήσει ότι η «οντοφάνεια» της οθόνης είναι ικανή να αιχμαλωτίσει την προσοχή των εφήβων μαθητών και να τη στρέψει σε πραγματικά δύσκολα και «βαρετά» προβλήματα. Το αποτέλεσμα είναι η «διαμεσολαβημένη» (mediated) γνώση μιας «επαυξημένης» (augmented) πραγματικότητας αν και δεν έχουμε ακόμη επαρκείς ενδείξεις για τον βαθμό στον οποίο αυτή η γνώση εμπεδώθηκε και επηρέασε τα μοντέλα σκέψης των μαθητών (Vial, 2015). Σχήμα 1. Το μοντέλο Virus On the Net της NetLogo Στο Σχήμα 1 βλέπουμε την διεπιφάνεια προγράμματος-χρήστη του μοντέλου Virus on the Net της NetLogo το οποίο σχεδιάστηκε για τη μελέτη της διάδοσης των ιών στα δίκτυα (Stonedahl and Wilensky 2008; Wilensky 1999). Ο χρήστης δίνει τιμές στις παραμέτρους number-of-nodes, average-node-degree, initial-outbreak-size, virus-spread-chance, virus-check-frequency recovery-chance και gain-resistance-chance οι οποίες αντιστοιχούν στο πλήθος των κόμβων του δικτύου, στον βαθμό του δικτύου (αριθμό ακμών ή αλλιώς συνδέσεων ανά κόμβο), στον αριθμό των κόμβων που αρχικά είναι «μολυσμένοι», στην πιθανότητα ο κόμβος να μεταδώσει τον ιό, στη συχνότητα με την οποία ελέγχεται αν ένας κόμβος φέρει ιό, στην πιθανότητα ο κόμβος να απαλλαγεί από τον ιό και στην πιθανότητα ο κόμβος να αποκτήσει αντίσταση στον ιό (ανοσία) αντίστοιχα. Η

3 Η Πληροφορική στην Πρωτοβάθμια και Δευτεροβάθμια Εκπαίδευση - Καινοτόμες Παιδαγωγικές Πρακτικές 3 τελευταία παράμετρος vaccinated εμβολιασμένοι έχει εισαχθεί από εμάς μετά από μικρή τροποποίηση του αρχικού μοντέλου με σκοπό οι μαθητές να μπορέσουν να μελετήσουν τη λειτουργία των εμβολίων ή των προγραμμάτων προστασίας από τους ιούς αντίστοιχα. Καθώς το μοντέλο τρέχει παρατηρούμε την κατάσταση του κάθε κόμβου μέσα από έναν χρωματικό κώδικα ενώ ταυτόχρονα βλέπουμε στο διάγραμμα πως εξελίσσεται το πλήθος των κόμβων που είναι υγιείς, μολυσμένοι ή που έχουν αποκτήσει ανοσία. Τα γεγονότα που κάθε στιγμή παρατηρούμε στο παράθυρο του «κόσμου» των μοντέλων της NetLogo εξελίσσονται «ταυτόχρονα». Ο ταυτοχρονισμός αυτός επιτυγχάνεται μέσω ενός πιθανοκρατικού αλγόριθμου όπου το κάθε «ον» του κόσμου αυτού («turtles» και «patches» της NetLogo) μπορεί να επηρεάσει τα γειτονικά του όντα. Δηλαδή ο χρόνος αποκτά εκτός από τη «διάρκεια» και μια άλλη διάσταση, το «βάθος», σε ακολουθία με σύγχρονες και παλαιότερες φιλοσοφικές αντιλήψεις (Koehler, 2008). Αυτή η ταυτόχρονη αλληλεπίδραση μπορεί να οδηγήσει σε «ανάδυση» πολύπλοκων ιδιοτήτων σε αντιστοιχία με ότι συμβαίνει στον φυσικό κόσμο. H NetLogo χρησιμοποιείται με επιτυχία στην επιστημονική έρευνα (Thiele and Grimm, 2010) διότι κατά έναν τρόπο δεν αποτελεί «κοινότοπη» μηχανή (trivial machine) αφού το αποτέλεσμα για την ίδια είσοδο δεν είναι ποτέ ίδιο (Foerster 1981) και γι αυτό οι προσομοιώσεις της διαφέρουν ριζικά από τις κατ όνομα προσομοιώσεις, που πολλές φορές χρησιμοποιούνται στη διδακτική της φυσικής, οι οποίες απλώς αποτελούν αναπαραστάσεις των μαθηματικών προσεγγίσεων των νόμων και φαινομένων (π.χ. οι προσομοιώσεις Phet). Μέσω των προσομοιώσεων της NetLogo οι μαθητές έρχονται για πρώτη φορά σε επαφή με προσομοιώσεις που αποσκοπούν στην επιστημονική διερεύνηση των φαινομένων ενώ ταυτόχρονα αυτά αναπαριστάνονται με έναν ενδιαφέροντα τρόπο. Το ενδιαφέρον για το πώς αντιλαμβάνονται οι μαθητές τα πολύπλοκα συστήματα είναι διεθνές (English, 2007). Στις ΗΠΑ με σχετικές έρευνες ασχολούνται διάφορα ιδρύματα όπως το Indiana University, το University of Chicago και το Santa Fe Institute, το οποίο ειδικεύεται στα πολύπλοκα συστήματα. Το τελευταίο, σε συνεργασία με το ΜΙΤ και άλλα ιδρύματα, στηρίζει το project GUTS (Growing Up Thinking Scientifically), το οποίο απευθύνεται σε μαθητές Μέσης Εκπαίδευσης και μεταξύ άλλων προωθεί και την εξερεύνηση των πολύπλοκων συστημάτων με τη βοήθεια πολυπρακτορικών προσομοιώσεων οπτικοποίησης όπως είναι τα λογισμικά NetLogo και StarLogo. Σχετικό ενδιαφέρον έχει εκδηλωθεί και στην Ελλάδα (Γκιόλμας κ.α. 2008). Η διδασκαλία των δικτύων στα πολύπλοκα συστήματα είναι οπωσδήποτε ένα προχωρημένο θέμα και γι αυτό άλλωστε διδάσκεται συνήθως σε μεταπτυχιακό επίπεδο. Σ αυτή τη σειρά μαθημάτων επιδιώξαμε να φέρουμε τους μαθητές σε επαφή με το θέμα σε συνάρτηση με τις γνώσεις τους από την θεωρία των πιθανοτήτων στα μαθηματικά, με τις γνώσεις τους από την βιολογία και με τις εμπειρίες τους από τη χρήση των υπολογιστών και των κοινωνικών δικτύων. Σκοπός μας ήταν να βοηθήσουμε τους μαθητές να αρχίσουν να συνειδητοποιούν το ρόλο των δικτύων στη φύση και στην κοινωνία. Η μέθοδος και το μάθημα Σε αυτή την εργασία παρουσιάζουμε πειραματικά και διαθεματικά μαθήματα - δύο ανά τμήμα με θέμα «διάδοση ιών στο δίκτυο» και με χρήση του μοντέλου Virus on the Net της NetLogo τα οποία έγιναν στο εργαστήριο ΤΠΕ του σχολείου μας στο πλαίσιο των μαθημάτων της Πληροφορικής και της Βιολογίας Β Λυκείου σε ένα σύνολο εβδομήντα επτά μαθητών. Οι μαθητές συμπλήρωσαν ερωτηματολόγιο που διερευνούσε γνώσεις και στάσεις των μαθητών πριν και μετά τα μαθήματα και εργάστηκαν με φύλλο εργασίας. Το πρώτο μάθημα είχε σαν κεντρικό στόχο την εξοικείωση των μαθητών με το λογισμικό και το υπό μελέτη πρόβλημα ενώ το δεύτερο μάθημα είχε σαν κεντρικό στόχο να εφαρμόσουν οι μαθητές το λογισμικό σε συγκεκριμένα προβλήματα. Και στα δύο μαθήματα οι μαθητές έσωσαν τα μοντέλα τους σε κοινό φάκελο στο τοπικό δίκτυο του εργαστηρίου και τα παρουσίασαν στην ολομέλεια στο τέλος των μαθημάτων σύμφωνα με τα χαρακτηριστικά των μοντέλων της Διερευνητικής Μάθησης (Ραγιαδάκος, 2011).

4 4 9 ο Πανελλήνιο Συνέδριο Καθηγητών Πληροφορικής Αναλυτικά, οι στόχοι στο πρώτο μάθημα ήταν οι μαθητές: Να πειραματιστούν και να εξοικειωθούν με το μοντέλο Να κατανοήσουν την αξία της συχνής εξέτασης για πιθανή μόλυνση Να κατανοήσουν την αξία της «ανοσοποίησης» Να μελετήσουν τον ρόλο του αριθμού των συνδέσεων Να λύσουν ένα πρόβλημα Το αντίστοιχο φύλλο εργασίας ήταν (Φύλλο εργασίας 1): Όνομα ομάδας Πατήστε setup. Υποθέστε ότι οι κόμβοι (nodes) αντιστοιχούν σε υπολογιστές ενός δικτύου και ότι οι κόκκινοι κόμβοι αντιστοιχούν σε υπολογιστές που «έχουν ιό». Πατήστε go. Γράψτε: Οι πράσινοι κόμβοι αντιστοιχούν σε υπολογιστές που: Οι κόκκινοι κόμβοι αντιστοιχούν σε υπολογιστές που: Οι γκρίζοι κόμβοι αντιστοιχούν σε υπολογιστές που: Γράψτε πως μεταβάλλονται οι κόμβοι με τον χρόνο μέχρι το δίκτυο να ισορροπήσει (π.χ. αρχικά αυξάνονται και μετά λιγοστεύουν κλπ). Οι πράσινοι κόμβοι Οι κόκκινοι κόμβοι Οι γκρίζοι κόμβοι Εξετάστε πως επηρεάζεται ο χρόνος που κάνει το κύκλωμα για να ισορροπήσει από τη συχνότητα ελέγχων (virus check frequency)... Παρατηρείστε: Όταν ισορροπεί το δίκτυο κάποιοι υπολογιστές έχουν «ανοσία» και κάποιοι άλλοι όχι. Πώς επηρεάζεται ο λόγος των πρώτων προς τους δεύτερους όταν αυξάνεται ο αριθμός των συνδέσεων;.. Πρόβλημα: Μπορεί να εξαφανιστεί η μόλυνση όταν η πιθανότητα ανοσίας είναι μηδέν; Κάτω από ποιες συνθήκες; (Πειραματιστείτε και απαντήστε)... Σώστε το μοντέλο που σχετίζεται με την παραπάνω ερώτηση με το όνομα της ομάδας σας (π.χ. group1) στον κοινό φάκελο. Συζήτηση Ενώ οι στόχοι του δεύτερου μαθήματος ήταν οι μαθητές: Να ρυθμίσουν το μοντέλο ώστε να μελετήσουν συγκεκριμένες περιπτώσεις. Να γνωρίσουν παράγοντες που βοηθούν ή εμποδίζουν τη διάδοση των ιών. Να ευαισθητοποιηθούν ως προς τη χρήση μέσων προστασίας από τους ιούς. Να αποκτήσουν κοινωνική ευθύνη σε σχέση με την προστασία από τις μολύνσεις. Το αντίστοιχο φύλλο εργασίας ήταν (Φύλλο εργασίας 2): Όνομα ομάδας

5 Η Πληροφορική στην Πρωτοβάθμια και Δευτεροβάθμια Εκπαίδευση - Καινοτόμες Παιδαγωγικές Πρακτικές 5 ΦΑΣΗ 1 Επιλέγοντας κατάλληλες τιμές των παραμέτρων του μοντέλου προσπαθήστε να προσομοιώστε μερικές από τις παρακάτω περιπτώσεις (Σε κάθε περίπτωση γράψτε στο φύλλο εργασίας παρατηρήσεις για το τι κάνει το μοντέλο σας και σώστε το μοντέλο στον κοινό φάκελο με το όνομα της ομάδα σας και με μια συνέχεια που να δείχνει τι κάνει. Π.χ. Group1_ vaccination). Α) Κανείς δεν είναι εμβολιασμένος και κανείς δεν αποκτάει ανοσία. O ιός διαδίδεται και όλοι αρρωσταίνουν. Παρατηρήσεις: Β) Κανείς δεν είναι εμβολιασμένος και κανείς δεν αποκτάει ανοσία. Ο ιός διαδίδεται έτσι ώστε διαρκώς να υπάρχουν μολυσμένοι και αμόλυντοι-ιασμένοι. Παρατηρήσεις: B) Κανείς δεν είναι εμβολιασμένος και κανείς δεν αποκτάει ανοσία. Ο ιός διαδίδεται αλλά κάποια στιγμή η διάδοση σταματάει και όλοι είναι γιατρεμένοι. Παρατηρήσεις:.. Γ) Ο ιός διαδίδεται και όσοι δεν είναι εμβολιασμένοι αρρωσταίνουν Παρατηρήσεις: Δ) Η διάδοση του ιού σταματάει επειδή κάποιοι είναι εμβολιασμένοι Παρατηρήσεις: Παρουσιάσεις: ΦΑΣΗ 2 Προσομοιώστε τη διάδοση του HIV (ιού του AIDS). Προσπαθήστε να προσομοιώστε τις παρακάτω περιπτώσεις (Σε κάθε περίπτωση γράψτε στο φύλλο εργασίας παρατηρήσεις για το τι κάνει το μοντέλο σας και σώστε το μοντέλο στον κοινό φάκελο με το όνομα της ομάδα σας και με μια συνέχεια που να δείχνει τι κάνει. Π.χ. Group1_ HIV transmission). Α) Προσομοιώστε τον ρόλο που παίζει στη διάδοση του AIDS ο αριθμός των ερωτικών συντρόφων. Παρατηρήσεις: Β) Προσομοιώστε τον ρόλο που παίζει στη διάδοση του AIDS η χρήση προφυλακτικού. Παρατηρήσεις: Παρουσιάσεις: Όπως βλέπουμε από τους μαθητές αρχικά ζητήθηκε να συμπληρώσουν ερωτήσεις κατανόησης του μοντέλου και του θέματος και στη συνέχεια ερωτήσεις εφαρμογής. Το πρώτο μάθημα ήταν σχετικά επικεντρωμένο στα δίκτυα των υπολογιστών και τη διάδοση των κακόβουλων λογισμικών ενώ το δεύτερο στα δίκτυα των ανθρώπων και στη διάδοση των μολυσματικών ασθενειών. Δόθηκε έμφαση σε ασθένειες που είναι συνδεδεμένες με την ερωτική ζωή και απασχολούν δικαιολογημένα τους νέους ανθρώπους. Ζητήθηκε από αυτούς να προσομοιώσουν προβλήματα της πραγματικής ζωής με διπλό στόχο α) να αποσπάσουν την προσοχή των μαθητών στο μάθημα και β) να ευαισθητοποιήσουν τους μαθητές περισσότερο πάνω σε πολύ σοβαρά ζητήματα.

6 6 9 ο Πανελλήνιο Συνέδριο Καθηγητών Πληροφορικής Σχήμα 2. Οι μαθητές σώζουν τα μοντέλα τους σε κοινό φάκελο Στο Σχήμα 2 βλέπουμε μοντέλα όπως τα έσωσαν οι μαθητές, ενός από τα τμήματα που πήραν μέρος στα μαθήματα, στον κοινό φάκελο. Μερικές ομάδες αποδείχτηκαν εξαιρετικά ικανές στο να προσομοιώνουν υπαρκτά προβλήματα. Αποτελέσματα και συμπεράσματα Σχήμα 3. Οι αποδεκτές απαντήσεις για φαινόμενα σχετικά με την ύπαρξη δικτύων Στο Σχήμα 3 βλέπουμε το ποσοστό των αποδεκτών απαντήσεων στο ερώτημα: 2) Ποια από τα παρακάτω φαινόμενα οφείλονται στην ύπαρξη δικτύων; Α) Ο διανομή του νερού Β) Η μετάδοση των ιών Γ) Η διάδοση των φημών Δ) Ο μεταβολισμός Ε) Η σταθερότητα των οικοσυστημάτων Ζ) Η

7 Η Πληροφορική στην Πρωτοβάθμια και Δευτεροβάθμια Εκπαίδευση - Καινοτόμες Παιδαγωγικές Πρακτικές 7 σκέψη Η) Οι μετάδοση των ποδοσφαιρικών αγώνων Θ) Η μεταφορά της ηλεκτρικής ενέργειας Ι) Η μεταφορά εμπορευμάτων. Αν και τα μαθήματα δεν είχαν καθαρά γνωστικούς στόχους που να αφορούν τα δίκτυα και τον ρόλο τους θεωρήθηκε δόκιμο να ελέγξουμε τις σχετικές γνώσεις των μαθητών πριν και μετά τα μαθήματα. Υποθέσαμε ότι πιθανόν τα μαθήματα να αποτελούσαν ερέθισμα για τους μαθητές για να διερευνήσουν αυτοβούλως τον κόσμο των δικτύων και να εμπλουτίσουν έτσι τις γνώσεις τους. Άλλωστε το διαδίκτυο προσφέρει τη δυνατότητα στον οποιονδήποτε να ερευνήσει οτιδήποτε και είναι γνωστό ότι ένα μεγάλο μέρος των γνώσεων των μαθητών δεν οφείλεται στη διδασκαλία μέσα στη σχολική τάξη. Το Σχήμα 3 αποδεικνύει ότι κάτι τέτοιο δεν έγινε αφού δεν φαίνεται κάποια σημαντική διαφορά στις γνώσεις των μαθητών πριν και μετά τα μαθήματα. Σχήμα 4. Οι αποδεκτές απαντήσεις για γνώσεις σχετικές με τη μετάδοση των ιών Στο Σχήμα 4 βλέπουμε το ποσοστό των αποδεκτών απαντήσεων στο ερώτημα: Η πιθανότητα να μολυνθώ από έναν ιό εξαρτάται: Α) Από το αν έχω κάνει εμβόλιο Β) Από το αν έχω αρρωστήσει πρόσφατα από αυτόν τον ιό Γ) Από το πλήθος των κοινωνικών μου επαφών Δ) Από το αν παίρνω μέτρα προστασίας Ε) Από το αν είναι ο οργανισμός μου εξασθενημένος Ζ) Από το αν παίρνω αντιβιοτικά. Παρατηρούμε ότι υπάρχει μικρή βελτίωση στη γνώση των μαθητών για την αξία του εμβολιασμού και για τη σχέση της προφύλαξης από τους ιούς με τον περιορισμό της μετάδοσή τους. Είναι όμως εντυπωσιακό το ποσοστό που κατέχει η λανθασμένη άποψη των μαθητών για τον ρόλο των αντιβιοτικών πριν και μετά το μάθημα (δεν αναφέρθηκε κάτι για αντιβιοτικά στο μάθημα). Στο Σχήμα 5 βλέπουμε τα ποσοστά των «θετικών» στάσεων σε σχέση με την κοινωνική ευθύνη του ατόμου όσον αφορά τα μέτρα προστασίας στη διάδοση των ιών πριν και μετά τα μαθήματα Ερ. 5) Όταν εγκαθιστούμε προγράμματα στον υπολογιστή μας που τον προστατεύουν από τους ιούς : Α) Προστατεύουμε μόνο τον υπολογιστή μας Β) Προστατεύουμε και άλλους υπολογιστές. Ερ. 7) Το αν κάνω εμβόλιο ή όχι: Α) Είναι καθαρά προσωπικό ζήτημα Β) Αφορά ολόκληρη την κοινωνία Ερ. 8). Το αν κάνω ιατρικές εξετάσεις ή όχι Α) Είναι καθαρά προσωπικό ζήτημα Β) Αφορά ολόκληρη την κοινωνία. Είναι εντυπωσιακό ότι συνολικά λιγότεροι από τους μισούς μαθητές δείχνουν να αντιλαμβάνονται τον κοινωνικό ρόλο των μέτρων προστασίας από τις μολύνσεις και αυτό δεν βελτιώνεται μετά τα μαθήματα με εξαίρεση την προστασία από τους ιούς των υπολογιστών.

8 8 9 ο Πανελλήνιο Συνέδριο Καθηγητών Πληροφορικής Σχήμα 5. Οι «θετικές» απαντήσεις σε ερωτήσεις στάσεων σχετικά με τη μετάδοση των ιών Από την επεξεργασία των φύλλων εργασίας προέκυψαν μερικά αξιοσημείωτα αποτελέσματα Στο πρώτο φύλλο εργασίας που είχε σαν σκοπό την εξοικείωση με το μοντέλο οι μαθητές απάντησαν ως εξής στην ερώτηση: «Όταν ισορροπεί το δίκτυο κάποιοι υπολογιστές έχουν ανοσία και κάποιοι άλλοι όχι. Πώς επηρεάζεται ο λόγος των πρώτων προς τους δεύτερους όταν αυξάνεται ο αριθμός των συνδέσεων;» Σύμφωνα με τις απαντήσεις το 60% των μαθητών υποστήριξαν ότι ο λόγος μεγαλώνει (σωστά), το 20% είχαν την άποψη ότι ο λόγος ελαττώνεται, 12% ότι ο λόγος μένει σταθερός, ενώ το υπόλοιπο 8% έδωσε άσχετη ή καθόλου απάντηση. Οι μαθητές είχαν τη δυνατότητα, αλλάζοντας τις παραμέτρους, να διερευνήσουν εάν μπορεί να εξαφανιστεί η μόλυνση όταν η πιθανότητα ανοσίας είναι μηδέν και κάτω από ποιες συνθήκες. Το 40% των μαθητών κατάφερε να εξαφανίσει τη μόλυνση δίνοντας τις κατάλληλες τιμές στις διάφορες παραμέτρους και αυξάνοντας κυρίως την πιθανότητα ανάνηψης και τη συχνότητα ελέγχου. 12% των μαθητών υποστήριξε ότι δεν μπορεί σε καμία περίπτωση να εξαφανιστεί η μόλυνση, ενώ το ποσοστό των μαθητών που δεν κατάφεραν να δημιουργήσουν τις συνθήκες για εξάλειψη της μόλυνσης αντιστοιχεί στο 28%. Ορισμένοι από τους μαθητές (20%) δεν απάντησαν καθόλου λόγω έλλειψης χρόνου. Το δεύτερο φύλλο εργασίας που δόθηκε τη 2 η διδακτική ώρα περιείχε ερωτήσεις που αφορούσαν στην περίπτωση της βιολογικής ασθένειας ή ανοσίας σε μία προσπάθεια διαθεματικής αντιμετώπισης του θέματος. Στο λογισμικό, το οποίο είναι ανοιχτού κώδικα, είχε προστεθεί και η παράμετρος «vaccination» ή «εμβολιασμός». Στη Φάση 1 οι μαθητές προσπάθησαν να προσομοιώσουν τις περιπτώσεις που φαίνονται στον Πίνακα 1 τις οποίες έσωσαν σε δικτυακό φάκελο και στη συνέχεια παρουσίασαν στην τάξη. Οι μαθητές για να προσομοιάσουν επιτυχώς τις παραπάνω περιπτώσεις θα έπρεπε να μεταβάλουν κατάλληλα τους παράγοντες του λογισμικού. Όπως φαίνεται από τον Πίνακα 1 το ποσοστό των επιτυχών προσομοιώσεων μειώνεται καθώς αυξάνεται ο συντελεστής δυσκολίας των περιπτώσεων από το 1 έως το 5. Και αυτό γιατί οι μαθητές θα έπρεπε να προβούν σε μεγαλύτερο συνδυασμό αλλαγών των παραγόντων που επηρέαζαν την κάθε περίπτωση και που απαιτούνταν περισσότερος χρόνος. Η Φάση 2 περιελάμβανε την προσπάθεια προσομοίωσης περιπτώσεων που αφορούσαν στη διάδοση του ιού HIV (AIDS). Στην περίπτωση 1 «Προσομοιώστε τον ρόλο που παίζει στη διάδοση του AIDS ο αριθμός των ερωτικών συντρόφων», η πλειοψηφία των μαθητών προσπάθησε να επιτύχει

9 Η Πληροφορική στην Πρωτοβάθμια και Δευτεροβάθμια Εκπαίδευση - Καινοτόμες Παιδαγωγικές Πρακτικές 9 την προσομοίωση αλλάζοντας τον αριθμό των κόμβων που αντιστοιχούσε στο πλήθος των ατόμων του δείγματος ενώ έπρεπε να λάβουν υπόψη τον αριθμό των συνδέσεων που αντιστοιχούσε στο πλήθος των ερωτικών συντρόφων. Στην περίπτωση 2 «Προσομοιώστε το ρόλο που παίζει στη διάδοση του AIDS η χρήση προφυλακτικού» οι περισσότεροι μαθητές αύξησαν κατά το μέγιστο τον παράγοντα εμβολιασμός, που σημαίνει ότι πίστευαν πως είναι πλήρως προστατευμένοι με τη χρήση προφυλακτικού ενώ θα έπρεπε να μειώσουν την πιθανότητα μετάδοσης του ιού. Πίνακας 1: Ποσοστά μαθητών που προσομοίωσαν επιτυχώς τις ζητούμενες περιπτώσεις α/α Περίπτωση 1 Κανείς δεν είναι εμβολιασμένος και κανείς δεν αποκτάει ανοσία. Ο ιός διαδίδεται και όλοι αρρωσταίνουν 2 Κανείς δεν είναι εμβολιασμένος και κανείς δεν αποκτάει ανοσία. Ο ιός διαδίδεται αλλά κάποια στιγμή η διάδοση σταματάει και όλοι είναι γιατρεμένοι. 3 Κανείς δεν είναι εμβολιασμένος και κανείς δεν αποκτάει ανοσία. Ο ιός διαδίδεται αλλά κάποια στιγμή σταματάει και όλοι είναι γιατρεμένοι. 4 Ο ιός διαδίδεται και όσοι δεν είναι εμβολιασμένοι αρρωσταίνουν. 5 Η διάδοση του ιού σταματάει επειδή κάποιοι είναι εμβολιασμένοι. Επιτυχής προσομοίωση (%) Όπως αναφέραμε παραπάνω μερικές ομάδες αποδείχτηκαν εξαιρετικά ικανές στο να κάνουν προσομοιώσεις πραγματικών καταστάσεων. Άλλες ομάδες όμως όχι και αυτό δεν είναι περίεργο αφού όλοι οι μαθητές της Β Λυκείου δεν έχουν τον ίδιο προσανατολισμό. Ενώ τα φύλλα εργασίας δείχνουν έναν σχετικά σημαντικό βαθμό εμπλοκής των μαθητών με το μάθημα τα ερωτηματολόγια δεν αποδεικνύουν κάποιο εξίσου σημαντικό γνωστικό αποτέλεσμα. Αυτό ήταν αναμενόμενο διότι είναι γνωστό από επισταμένες έρευνες ότι τα πολύπλοκα συστήματα προβάλουν σοβαρά εμπόδια στην κατανόηση, ιδιαίτερα στους αρχάριους καθώς οι αρχάριοι εστιάζουν σε ορατές δομές ενώ τα πολυπαραγοντικά φαινόμενα είναι αόρατα και αλληλοεξαρτώμενα. Η κατανόηση των πολύπλοκων συστημάτων αποτελεί πολύπλοκο πρόβλημα από μόνο του (Sterman, 1994). Απαιτείται υπερβολική μνήμη εργασίας και τα νέα νοητικά μοντέλα. Επίσης δεν υπάρχει απλή ευθύγραμμη αιτιότητα και το αποτέλεσμα εμφανίζεται ως «ανάδυση» (Hmelo-Silver κ.α., 2007). Ένας ιδιαίτερος λόγος για το σχετικά φτωχό γνωστικό αποτέλεσμα είναι και η υπόθεση σχολικού εκφοβισμού που εκδηλώθηκε κατά τη διάρκεια των μαθημάτων στο σχολείο η οποία αφορούσε την τάξη στην οποία πραγματοποιήθηκαν τα μαθήματα με αποτέλεσμα να επιδράσει σοβαρά στη συγκέντρωση των μαθητών. Για τον λόγο αυτό σκοπεύουμε να επαναλάβουμε το μάθημα την επόμενη σχολική χρονιά με την νέα Β Λυκείου. Συνοψίζοντας επισημαίνουμε ότι οι μαθητές στην πλειονότητά τους έδειξαν ενδιαφέρον στο μάθημα και εργάστηκαν ευχαρίστως, παρά τις ιδιαίτερα αντίξοες συνθήκες, γεγονός που επιβεβαιώνει τα συμπεράσματα μας στις προηγούμενες εργασίες σχετικά με την ελκυστικότητα του περιβάλλοντος της NetLogo. Θεωρούμε ότι τα μαθήματα αυτά ανεξάρτητα από τα αποτελέσματα των ερωτηματολογίων ενεργοποίησαν γνωστικές λειτουργίες σχετιζόμενες με διάφορους γνωστικούς τομείς όπως είναι οι πιθανότητες, η ηθική, οι υπολογιστές, τα λοιμώδη νοσήματα και φυσικά τα δίκτυα. Είναι γνωστό ότι η γνώση δεν κτίζεται στα νευρωνικά κυκλώματα του εγκεφάλου οπωσδήποτε με έναν απλό γραμμικό τρόπο αλλά τις περισσότερες φορές με έναν τρόπο πολύπλοκο και χαοτικό (Freeman, 1995).

10 10 9 ο Πανελλήνιο Συνέδριο Καθηγητών Πληροφορικής Αναφορές English, L. D. (2007). Complex Systems in the Elementary and Middle School Mathematics Curriculum: A Focus on Modeling. The Montana Mathematics Enthusiast, Monograph 3, pp Foerster, H. (1981). Understanding Understanding: An Epistemology of Second Order Concepts. In: Aprendizagem/Desenvolvimento 1 (3), pp Freeman, W. J. (1995). The Kiss of Chaos and the Sleeping Beauty of Psychology. In: Abraham, F. D. and Gilgen, A. R. (Eds), Chaos Theory in Psychology. Praeger Publishers. USA. Hmelo-Silver, C. E., Marathe, S. & Liu, L. (2007). Fish swim, rocks sit, and lungs breathe: Expert-novice understanding of complex systems. Journal of the Learning Sciences. 16(3) pp Koehler, G. (2008). Computer Simulations As Hidden Time-Ecologies in Vrobel, S.; Rössler, O. E.; Marks- Tarlow, T. editors. Temporal Structures and Observer Perspectives. Simultaneity, World Scientific Publishing Co. Pte. Ltd. P.377. Mitchel, M. (2006). "Complex systems: Network thinking." Artificial Intelligence170.18: Sterman, J., D. (1994). Learning in and about Complex Systems. System Dynamics Review Vol 10 No 2-3 Summer-Fall. Stonedahl, F. and Wilensky, U. (2008). NetLogo Virus on a Network model. Center for Connected Learning and Computer- Based Modeling, Northwestern Institute on Complex Systems, Northwestern University, Evanston, IL. Thiele JC, Grimm V (2010). NetLogo meets R: Linking agent-based models with a toolbox for their analysis. Environmental Modelling and Software, 25(8): [DOI: /j.envsoft ]. Vial, S. (2015). There is no difference between the 'real' and the 'virtual': a brief phenomenology of digital revolution. Wilensky, U. (1999). NetLogo. Center for Connected Learning and Computer-Based Modeling, Northwestern Institute on Complex Systems, Northwestern University, Evanston, IL. Γκαράς, Γ., Βλάσση, Μ., Γιάτας Δ., (2015). Εισαγωγή στις θετικές και αρνητικές αναδράσεις της Κλιματικής Αλλαγής με προσομοίωση NetLogo. Προς κρίση για το «7ο ΣΥΝΕΔΡΙΟ της Π.Ε.ΕΚ.Π.Ε. «ΠΕΡΙΒΑΛΛΟΝΤΙΚΗ ΕΚΠΑΙΔΕΥΣΗ και ΕΚΠΑΙΔΕΥΣΗ για την ΑΕΙΦΟΡΙΑ»: Βόλος, 8, 9, 10 Μαΐου 2015 Γκαράς, Γ., Κωσταρίδης, Π., Γιάτας Δ., (2014β). Πειραματική διδασκαλία με προσομοίωση σε Περιβάλλον Πολλαπλών Πρακτόρων NetLogo. Ετεροπαρατήρηση και Αξιολόγηση. 3 ο Πανελλήνιο Εκπαιδευτικό Συνέδριο Ημαθίας. «Αξιοποίηση των Τεχνολογιών της Πληροφορίας και Επικοινωνιών στη διδακτική πράξη». Απρίλιος 4-6. Ηλεκτρ. Πρακτικά, ISBN: Σελ Γκαράς, Γ., Πασχαλιώρη, Σ.; Γιάτας, Δ. (2014α). Μελέτη των Κοινωνικών Διαχωρισμών με Λογισμικό Πολλαπλών Πρακτόρων - Ετεροπαρατήρηση και Αξιολόγηση. ISBN: Τα Πρακτικά του Συνεδρίου: Η εκπαίδευση στην εποχή των Τ.Π.Ε. Αθήνα, 22 & 23 Νοεμβρίου σ Γκιόλμας Α., Χαλκίδης A., Σταύρου Δ. & Σκορδούλης Κ. (2008). Το Περιεχόμενο της Έννοιας «Πολυπλοκότητα» ως \Χαρακτηριστικό των Οικοσυστημάτων. Η Εκπαιδευτική Αξία και οι Στόχοι της Διδασκαλίας της. Στο: Πρακτικά 4ου Πανελλήνιου Συνέδριου της ΠΕΕΚΠΕ «Προς την Αειφόρο Ανάπτυξη: Φυσικοί Πόροι, Κοινωνία, Περιβαλλοντική Εκπαίδευση», Ναύπλιο, Δεκέμβριος. Ραγιαδάκος, Χ. (2011). Βασικά Χαρακτηριστικά της Διερευνητικής Μεθόδου στη Μάθηση και τη Διδασκαλία.