Τεχνητή νοημοσύνη στην εκπαίδευση κανονιστικά συστήματα 7/3/2012
Χρήση της τεχνολογίας τεχνητής νοημοσύνης στην εκπαίδευση και τη μάθηση Artificial intelligence in education (AIED) Συνδυασμός Τεχνητής νοημοσύνης Παιδαγωγικών μοντέλων Μοντέλων μάθησης (cognition)
Περιοχές με ενδιαφέρον Ευφυή συστήματα καθοδήγησης (intelligent tutoring systems) Ευφυή περιβάλλοντα μάθησης (intelligent learning environments) Συνεργατικά περιβάλλοντα μάθησης Προσαρμοστικά συστήματα υπερκειμένων (adaptive hypertext systems) Εκπαιδευτικά παιχνίδια
Ευφυή συστήματα παρακολούθησης intelligent tutoring systems Αντικαθιστούν ένα φροντιστή με μια μηχανή Είναι ένα έξυπνο CBT Computer Based Training System Υλοποιούνται με expert systems Μοντελοποιούν: το μαθητή, γνωστικό αντικείμενο, παιδαγωγική μέθοδο
Ευφυή περιβάλλοντα μάθησης και καθοδήγησης Εφαρμογή τεχνολογίας έμπειρων συστημάτων (expert systems) για την κατασκευή περιβάλλοντος μάθησης που προσαρμόζεται στις ανάγκες του χρήστη Αυτό οδήγησε σε μια νέα περιοχή που ονομάζεται knowledge engineering
Knowledge engineering Η βασική συνεισφορά της τεχνητής νοημοσύνης είναι στη μοντελοποίηση της πληροφορίας απαραίτητης για τη δημιουργία γνώσης: Σκοπός η ανάπτυξη εκπαιδευτικής λειτουργικότητας μέσα σε ένα υπολογιστικό σύστημα Για να μπορεί ένα ευφυές σύστημα να καθοδηγήσει πρέπει Να αναλύσει την υπάρχουσα γνώση Να «ξέρει» πιο είναι το επιθυμητό επίπεδο γνώσης Να μπορεί να δίνει επεξηγήσεις για λύσεις και απαντήσεις Άρα πρέπει να κωδικοποιήσουμε την απαραίτητη πληροφορία
Μοντελοποίηση πληροφορίας τι χρειαζόμαστε Learner modeling («χάρτης» της γνώσης του χρήστη) Διάγνωση της υπάρχουσας γνώσης Knowledge modeling («χάρτης» ενός γνωστικού αντικειμένου) Το σύστημα πρέπει να γνωρίζει το γνωστικό αντικείμενο Expertise modeling, να μπορεί το σύστημα να λύσει τα προβλήματα που πρέπει να λύσει ο χρήστης
Μοντελοποίηση της γνώσης Dillenbourg Δεν ενδιαφέρει η σωστή λύσει αλλά η σύνθεση της λύσης Το σύστημα μπορεί να λύσει τα προβλήματα που καλείται να λύσει ο χρήστης
Παράδειγμα Δεν ενδιαφέρει η τιμή μιας πράξης, π.χ. 200-50 αυτό το κάνουμε με ένα κομπιουτεράκι Ενδιαφέρει η μέθοδος επίλυσης και το πώς αυτή θα εισαχθεί στο expert system Με τρόπο που να μπορεί να αναπαραχθεί (όχι να αποθηκευθεί μια τιμή) Με τρόπο που να δίνει τη δυνατότητα επεξηγήσεων στο μαθητή διαδραστικά
Τεχνικές που εφαρμόστηκαν Κανονιστικά συστήματα (rule-based systems) Νευρωνικά δίκτυα (neural networks) Μοντελοποιούν πιο πειστικά τη λειτουργία της ανθρώπινης λογικής Όμως δεν ήταν εύκολο να μεταφερθεί στο χρήστη η πληροφορία κάθε κόμβου
Δηλαδή, ο σκοπός της τεχνητής νοημοσύνης στην εκπαίδευση είναι Ενώ η τεχνητή νοημοσύνη σκοπεύει στην αναπαράσταση της ανθρώπινης ευφυΐας Στην εκπαίδευση ο στόχος είναι πιο μετριοπαθής Να υποστηρίξει την επικοινωνία ανάμεσα στο μαθητή και το σύστημα κατά την επίλυση προβλημάτων
Τελικά μετά από αρκετές προσεγγίσεις Από παιδαγωγική σκοπιά δεν ενδιαφέρει τόσο η ακρίβεια της αναπαράστασης της σκέψης αλλά η επικοινωνία με το μαθητή Η τεχνητή νοημοσύνη στην εκπαίδευση δεν σκοπεύει να «σκέφτεται όπως ο μαθητής» αλλά να «σκέφτεται μαζί με το μαθητή», δηλαδή Το σύστημα «αντιμετωπίζει» το πρόβλημα μαζί με το μαθητή Αναλύει ενδιάμεσα βήματα επίλυσης Επεξηγεί αποφάσεις
Η επικοινωνία είναι ιδιαίτερα σημαντική όταν Θέλουμε να αναπτύξουμε προηγμένες δεξιότητες στην επίλυση προβλημάτων Όταν ο μαθησιακός στόχος είναι διαφορετικός μπορούμε να χρησιμοποιήσουμε και πιο απλές μεθόδους επικοινωνίας Δηλαδή για ανάπτυξη βασικής γνώσης ίσως μια άλλη επιλογή (όχι expert system) να είναι πιο κατάλληλη
Παράδειγμα μοντελοποίησης για βελτιστοποίηση της επικοινωνίας Πρόβλημα 22 Ο κ. Hubert θέλει να πάει από τη Γενεύη στο Igloolik Καναδά Είναι μέλος του προγράμματος συχνών επιβατών της Swiss Αναχώρηση 1.04.95 Επιστροφή 10.05.95 Συνήθης αποθήκευση της λύσης για επικοινωνία Flight SR434 Geneva - Zurich 1.04.94 9 H 40 Flight SR121 Zurich - Ottawa 1.04.94 11 H 45 Flight AC101 Ottawa - Frobisher 2.04.94 9 H 30 Flight AC123 Frobisher-Igloolik 2.04.94 16 H 20
Αποθήκευση της λύσης με τρόπο που κρατά τη λογική (κανόνες) Rule 12 IF the destination is a remote and unknown place, THEN plan the trip via a major city in the area Rule 33 IF the local flight is done by a company THEN plan the international flight with this company Rule 122 IF the customer is part of the frequent flyer programme of a company and if this company has a flight to the customer's destination THEN select a flight with this company
Πως δομούνται οι κανόνες Είναι γενικοί (μπορούμε να βάλουμε τιμές) Μπορεί να συγκρούονται (33 και 122) Οι κανόνες «αποδομούν» τη λύση Η λύση δεν είναι πλέον «μαύρο κουτί», μπορούμε να τη συνθέσουμε Χρησιμοποιούμε και ενδιάμεσα βήματα επίλυσης Στο τέλος επιλέγουμε ένα «μονοπάτι» προς την επιθυμητή λύση Το πώς παρουσιάζεται η πληροφορία στο χρήστη είναι σημαντικό για την κατανόηση της λύσης
Παράδειγμα μοντελοποίησης για βελτιστοποίηση της επεξήγησης Για την επεξήγηση της λύσης δεν παρουσιάζουμε στο χρήστη τους κανόνες, αλλά ένα κείμενο σε καθημερινή ομιλία που αντιστοιχεί στους κανόνες Π.χ. Επειδή το Igloolik είναι απομακρυσμένο και άγνωστο θα χρησιμοποιήσω μια πτήση σε μεγάλη πόλη στην περιοχή: Ottawa (rule 22) Επειδή η τοπική πτήση (Ottawa Iglookit) πραγματοποιείται από την Air Canada θα πάρω αυτή την εταιρεία (rule 33)
Ερώτηση: πόση πληροφορία να δείξουμε; Όταν ο άνθρωπος δίνει εξηγήσεις τις προσαρμόζει στις ανάγκες του αποδέκτη Ειδικά στο θέμα της λεπτομέρειας Αν ο αποδέκτης γνωρίζει τμήμα της επεξήγησης, δεν το παρουσιάζουμε Αντίθετα, τ νέα στοιχεία της λύσης χρειάζονται περισσότερη λεπτομέρεια Πώς να κρύψουμε πληροφορία; Π.χ. με links που ο χρήστης επιλέγει ή όχι να ακολουθήσει
Σχετικά με την ποιότητα της επεξήγησης και την επιλογή των κανόνων Η επιλογή της λύσης και η ποιότητα της επεξήγησης δεν είναι απλά θέμα κειμένου Εξαρτάται από το πόσο καλά δομημένοι είναι οι κανόνες Η επιλογή των κανόνων εξαρτάται από τη δομή του expert system, π.χ. τη σειρά των κανόνων Συχνά υπάρχουν «κρυμμένοι» επιπλέον (meta) κανόνες Π.χ. πρέπει να βρούμε πτήσεις ξεκινώντας τον υπολογισμό από τον τελικό προορισμό ή από τον τόπο εκκίνησης?
Παράδειγμα meta κανόνες Metarule 13 IF the destination is a unknown and remote place THEN select the rules that work from the destination Metarule 14 IF the destination is a city with a major airport THEN select the rules that work from the departure Πολύ λεπτομέρεια για αρχάριους! Μπορούμε να έχουμε επιπλέον meta-κανόνα: Pedagogical Metarule IF the learner is a beginner THEN do not select rules that consider week-end rates
Παράδειγμα μοντελοποίησης για διάγνωση Να ανακαλύψουμε τι γνωρίζει ο χρήσης (cognitive diagnosis) Δίνουμε μια άσκηση και βλέπουμε τα αποτελέσματα, π.χ. Rule 100 If we plan to consecutive flights Then set the minimal transfer time to 20 minutes Rule 101 If the transfer implies to change terminal Then add 20 minutes to the minimal transfer time Rule 102 If the transfer implies to pass through custom controls Then add 40 minutes to the minimal transfer time
Συνέχεια παραδείγματος Θέλουμε να επιλέξουμε πτήση για LA SF Δεδομένα Η πτήση μας φτάσει στο LA στις 5.00 στο διεθνή τερματικό σταθμό Υπάρχουν πτήσεις για το SF από τον εθνικό τερματικό σταθμό στις 5.30, 5.45, 6.00, 6.15, 6.30 Με τους κανόνες μας (100, 101, 102) επιλέγουμε 80 λεπτά ανάμεσα στις πτήσεις 20+20+40 Πτήση στης 6.30
Συνέχεια παραδείγματος Αν λείπει κάποιος κανόνας rule 101 missing -> suggests flight at 6.15 rule 102 missing -> suggests flight at 5.45 rules 101 & 102 missing -> suggests flight at 5.30 Συγκρίνουμε τις απαντήσεις αυτές με την απάντηση του χρήστη Αν ο χρήστης απαντήσει 5.45 ξέρουμε ότι ξέχασε τον περιορισμό του σταθμού διαβατηρίων Αυτό μας δίνει πληροφορία για το ποια γνώση λείπει είναι λανθασμένη στο μυαλό του χρήστη Μπορεί να οδηγήσει σε υπερβολική διάγνωση
«Λανθασμένοι» κανόνες για λόγους διάγνωσης Κανόνες που προσομοιώνουν πιθανά λάθη του χρήστη Π.χ. Malrule 102* If the transfer involve to pass through custom controls Then add 90 minutes to the minimal transfer time Αντικατάσταση του «σωστού» κανόνα 102 με το «λάθος» 102* στο σύστημα μπορεί να διαγνώσει λάθος τρόπο σκέψης στο χρήστη Σύνολο χρόνου 130 λεπτά, άρα πτήση στις 7.30
Παράδειγμα μοντελοποίησης για βελτιστοποίηση της προσαρμογής Η προσαρμογή στα χαρακτηριστικά του μαθητή είναι βασικός προβληματισμός Απαιτεί Να αναγνωρίσουμε τα χαρακτηριστικά του χρήστη (διάγνωση) Να πάρουμε μια διδακτική απόφαση μετά τη διάγνωση
Διδακτικές αποφάσεις Ανατροφοδότηση προς το χρήστη Αλλαγή μαθησιακής δραστηριότητας Αλλαγή του επιπέδου δυσκολίας
Προσαρμογή Η προσαρμογή μπορεί να είναι μικρή Π.χ. αν ο χρήστης δεν γνωρίζει ένα κανόνα δίνουμε περισσότερες πληροφορίες για τον κανόνα αυτό Σωστή υλοποίηση εξαρτάται από λεπτομέρεια των κανόνων Μπορεί να είναι και μεγάλη Π.χ. ο χρήστης έχει μια εντελώς διαφορετική οπτική γωνία για ένα γνωστικό αντικείμενο Τότε αλλάζουμε τους κανόνες!
Παράδειγμα συστημάτων κανόνων για το ίδιο αντικείμενο 3 μοντέλα για διδασκαλία αντίστασης ηλεκτρικών συστημάτων (Fredricksen and White, 1988) Το ποιοτικό μοντέλο αφορά την ύπαρξη ή όχι ρεύματος σε ένα σημείο Το ημι-ποσοτικό μοντέλο αφορά αύξηση ή μείωση της αντίστασης σε ένα σημείο Το ποσοτικό μοντέλο αφορά την εφαρμογή νόμων της φυσικής για τον υπολογισμό της ακριβούς τιμής της αντίστασης σε ένα σημείο Αφορούν διαφορετικά στάδια μάθησης
Για το δικό μας παράδειγμα Rulebase 1: λαμβάνουμε υπόψη μόνο τις ώρες των πτήσεων Rulebase 2: λαμβάνουμε υπόψη τιμές Rulebase 4: λαμβάνουμε υπόψη διαθεσιμότητα θέσεων Rulebase 3: λαμβάνουμε υπόψη άλλους τρόπους ταξιδιού, π.χ. τρένα
Ο ορισμός των κανόνων είναι «ακριβή» δραστηριότητα Απαιτεί χρόνο Το να έχουμε πολλά σετ κανόνων για το ίδιο γνωστικό αντικείμενο σημαίνει αύξηση τους κόστους ανάπτυξης της μαθησιακής δραστηριότητας Είναι χρήσιμο όταν οι διαφορετικές οπτικές γωνίες είναι σημαντικές
Παράδειγμα μοντελοποίησης για ανάπτυξη προγράμματος σπουδών Στα παραδοσιακά προγράμματα σπουδών οι δραστηριότητες είναι προκαθορισμένες Χρησιμοποιώντας ένα expert system με κανόνες μπορούμε να δημιουργήσουμε δυναμικά ένα πρόγραμμα σπουδών προσαρμοσμένο στις ανάγκες Το τελικό πρόγραμμα σπουδών δεν θα είναι το ίδιο για όλους, αλλά θα είναι προσωποποιημένο
Παράδειγμα επιλογής άσκησης Pedagogical Rule 21 If the learner has shown that she has the knowledge equivalent to rules {a,b,c} and if she has not shown that she has the knowledge equivalent to rule x Then select a problem that can be solved with rules {a,b,c,x} Pedagogical Rule 35 If the learner has the knowledge equivalent to malrules m1 and m2, and if concept X appears both in rules m1 and m2 Then show the course unit in which concept X is introduced
Παράδειγμα επιλογής μεθόδου μάθησης Pedagogical Rule 10a If the learner and the expert disagree Then ask the expert to continue the problem Pedagogical Rule 10b If the learner and the expert disagree and if the learner has been successful before Then leave the learner continue the problem
Επιπλέον πεδία έρευνας Machine learning, πώς να μαθαίνει το σύστημα Συστήματα που βελτιώνονται από μόνα τους, δηλαδή μαθαίνουν τα ίδια από τη διδακτική διαδικασία Π.χ. συστήματα που κοιτούν αν μια στρατηγική μάθησης είναι αποτελεσματική Εισαγωγή κανόνων που αποφασίζουν αν η στρατηγική είναι αποτελεσματική Συστήματα όπου η επικοινωνία του μαθητή δεν είναι με το σύστημα αλλά με ένα άλλο μαθητή
Δυσκολίες Η μοντελοποίηση της πληροφορίας
Πηγές http://edutechwiki.unige.ch/en/artificial_intelligence_and_ education Pierre Dillenbourg, The role of artificial intelligence techniques in training software,
Εκπαιδευτικές οντολογίες Semantic web στην εκπαίδευση 7/3/2012
Οντολογία Έννοιες (με χαρακτηριστικά properties) Σχέσεις ανάμεσα σε έννοιες Κανόνες για την εισαγωγή, τροποποίηση σχέσεων Περιγραφή με XML, RDF ανοιχτά standards Βοηθά στην επαναχρησιμοποίηση της πληροφορίας Η πληροφορία διαβάζεται από πράκτορες και χρησιμοποιείται για διάφορους σκοπούς Δεν έχει σκοπό τη χρήση από ανθρώπους
Δείχνει μια άποψη του κόσμου
Παράδειγμα
Στην εκπαίδευση οι οντολογίες χρησιμοποιούνται για να περιγράψουν Εργαλεία, προγράμματα Κείμενα Βιβλία Βίντεο, εικόνες Μαθησιακές δραστηριότητες Πηγές για δασκάλους Διδακτικά βοηθήματα Βοηθά στην ανακάλυψη πληροφορίας Δημιουργία ψηφιακών βιβλιοθηκών αυτόματα
Για την περιγραφή γνωστικών αντικειμένων Μπορούν επίσης να περιγράψουν με λεπτομέρεια τη γνώση που πρέπει να αναπτυχθεί για ένα γνωστικό αντικείμενο
Χρήση τους Χρησιμοποιούνται κυρίως από τους δασκάλους για την οργάνωση της πληροφορίας Μια σωστά οργανωμένη οντολογία μπορεί να βοηθήσει στην ευκολότερη ανακάλυψη της πληροφορίας Η οντολογία αν και αφορά την μηχανή, είναι εμφανής στις μηχανές αναζήτησης, π.χ. http://repository.edulll.gr/edulll/advanced-search
Δημιουργία ψηφιακών βιβλιοθηκών μέσα από οντολογίες Η εισαγωγή των τιμών στα πεδία μπορεί να είναι χρονοβόρα διαδικασία Παρόλα αυτά έχει σημασία για να γίνει η πληροφορία διαθέσιμη σε αυτούς που ενδιαφέρονται Π.χ. Europeana, http://www.europeana.eu/portal/ econtentplus
Cosmos (για φυσική και επιστήμες)
OpenScout (εκπαιδευτικό υλικό για επιχειρηματικότητα)
Χρησιμοποιούνται για συγχρονισμό βιβλιοθηκών Για συλλογή πληροφορίας από μικρότερες βιβλιοθήκες σε μια μεγαλύτερη κεντρική βιβλιοθήκη με κοινό θέμα Π.χ. εκπαιδευτική βιβλιοθήκη για θέματα μαθηματικών, φυσικής, ιστορίας, κλπ συγχρονισμός
Χρησιμοποιούνται για συγχρονισμό βιβλιοθηκών Για συλλογή πληροφορίας από μικρότερες βιβλιοθήκες σε μια μεγαλύτερη κεντρική βιβλιοθήκη με κοινό θέμα Π.χ. εκπαιδευτική βιβλιοθήκη για θέματα μαθηματικών, φυσικής, ιστορίας, κλπ συγχρονισμός Βάση 2 συγχρονισμός Βάση 1 Βάση 3 Χρειάζεται αντιστοίχιση μεταδεδομένων όταν τα σετ δεν είναι κοινά