Mgr Inż. Jacek Grudzień - autoreferát

Ostravská univerzita
Pedagogická fakulta
Rozvoj informatických kompetencí pomocí
umělé inteligence
The development of computer competencies
using artificial intelligence
Autoreferát k disertační práci
Studijní program:
Obor:
2014
Specializace v pedagogice
P 7507
Informační a komunikační technologie ve vzdělávání
7507V066
Disertant:
mgr inż. Jacek Grudzień
Ostravská univerzita, Pedagogická fakulta
katedra informačních a komunikačních technologií
Fráni Šrámka 3, 709 00 Ostrava-Mariánské Hory
Školitel:
doc. RNDr. Jana Kapounová, CSc.
Ostravská univerzita, Pedagogická fakulta
katedra informačních a komunikačních technologií
Fráni Šrámka 3, 709 00 Ostrava-Mariánské Hory
Obhajoba disertační práce se uskuteční
v pondělí, dne 3. února 2014 ve 14:00 hod.
v zasedací místnosti SA 407
Ostravská univerzita, Pedagogická fakulta
katedra informačních a komunikačních technologií
Fráni Šrámka 3, 709 00 Ostrava-Mariánské Hory
Oponenti:
prof. RNDr. Alena Lukasová, CSc.
prof. Dr. Ing. Miroslav Pokorný
Komise pro obhajobu disertační práce:
Předseda:
prof. PhDr. Martin Bílek, Ph.D., Univerzita Hradec Králové
Členové:
doc. RNDr. Jana Kapounová, CSc., Ostravská univerzita
doc. Ing. Kateřina Kostolányová, Ph.D., Ostravská univerzita
prof. RNDr. Alena Lukasová, CSc., Ostravská univerzita
doc. PhDr. Josef Malach, CSc., Ostravská univerzita
prof. Dr. Ing. Miroslav Pokorný, Vysoká škola báňská-Technická
univerzita Ostrava
prof. PaedDr. Eva Poláková, PhD., Univerzita Mateja Bela, Bánská
Bystrica
doc. RNDr. Jana Šarmanová, CSc., Ostravská univerzita
doc. PhDr. Jitka Šimíčková Čížková, CSc., Ostravská univerzita
Autoreferát byl rozeslán dne 3. 1. 2014
S disertací se lze seznámit na katedře informačních a komunikačních
technologií Pedagogické fakulty Ostravské univerzity v Ostravě
Fráni Šrámka 3, 709 00 Ostrava-Mariánské Hory od 3. 1. 2014.
Bibliografická identifikace
Jméno a příjmení autora: mgr inż. Jacek Grudzień
Název disertační práce:
Rozvoj informatických kompetencí pomocí umělé inteligence
Název disertační práce anglicky:
The development of computer competencies using artificial
intelligence
Školitel: doc. RNDr. Jana Kapounová, CSc.
Školitel specialista: dr hab. Eugenia Smyrnova-Trybulska, prof UŚ.
Rok obhajoby: 2014
Abstrakt
Disertační práce Rozvoj informatických kompetencí pomocí umělé
inteligence se zabývá možnostmi zlepšení vzdělávacího procesu
pomocí umělé inteligence.
Teoretická část obsahuje popis rozvoje poznávacích metod, výzkumu
jednosměrných neuronových sítí typu perceptron a systému
pomáhajících výuce. Formuluje předpoklady, očekávané výsledky,
koncepty, cíle, hypotézy a výzkumné metody v doktorské práci.
V praktické části popisuji kompletní výukový systém vycházející
z autorského modulu GLM (Grudzień Learning Module). Na tomto
modulu, který obsahuje části umělé inteligence, byl proveden hlavní
experiment, spočívající ve srovnávání efektů konvenční výuky a
autorem inovované individuální výuky dle navržené metodiky.
V další části popisuji průběh pedagogického experimentu, diskusi
nad dosaženými výsledky a závěry a připomínky. Zároveň se zmiňuji
o tom, co je vědeckým přínosem získaných výsledků experimentu, o
možnostech rozšíření systému a vedení dalších prací.
Klíčová slova
odborné kompetence, informatické kompetence, neuronové sítě,
eLearningový projekt, expertní systém, umělá inteligence
Abstract
Thesis The development of computer competencies using artificial
intelligence informs about possibilities how to improve educational
process with the help of artificial intelligence.
Theoretical part provides an overview of the development of
cognitive research on feed-forward neural networks (perceptrons)
and teaching support systems. It expresses the preconditions,
expected results, concepts, objectives, hypotheses and research
methods of the thesis.
The practical part describes the construction of a complete teaching
system based on the original GLM (Grudzień Learning Module). This
module, which contains elements of artificial intelligence, served to
achieve the main objective of the experiment and to compare the
effects of conventional teaching and individualized instruction based
on the proposed methodology.
Further part of my thesis describes the course of the experiment,
pedagogical discussion of results, conclusions and observations. The
benefits of the scientific results of the experiment, expandability of
the system and subsequent works are mentioned as well.
Key words
professional competencies, computer competencies, neural networks,
eLearning project, expert systems, artificial intelligence
Abstrakt
Praca dysertacyjna Rozwój informatycznych kompetencji za pomocą
sztucznej inteligencji informuje o możliwościach usprawnienia
procesu nauczania przy użyciu sztucznej inteligencji.
Część teoretyczna zawiera opis rozwoju metod poznawczych, badań
jednokierunkowych sieci neuronowych typu perceptron oraz
systemów wspomagania nauczania. Wyjaśnia założenia, oczekiwane
wyniki, koncepcje, cele, hipotezy i metody badawcze pracy
doktorskiej.
Praktyczna część opisuje konstrukcję kompletnego systemu
nauczania opartego na autorskim module GLM (Grudzień’s Learning
Module). Przy użyciu tego modułu, zawierającego części sztucznej
inteligencji, był prowadzony główny eksperyment, polegający na
porównaniu efektów konwencjonalnego oraz indywidualizowanego
nauczania według proponowanej metodyki.
W kolejnej części opisany jest przebieg eksperymentu
pedagogicznego, dyskusja na temat otrzymanych wyników oraz
obserwacje i wnioski. Zaznaczono również co jest korzyścią naukową
otrzymanych wyników eksperymentu, jakie są możliwości
rozszerzenia systemu oraz prowadzenia dalszych prac.
Słowa kluczowe
kompetencje zawodowe, kompetencje informatyczne, sieci neuronowe,
projekt e learningowy, system ekspertowy, sztuczna inteligencja
Obsah
1
1.1
1.2
1.3
Úvod ...................................................................................................... 8
Výzkumný problém ............................................................................... 8
Cíle práce .............................................................................................. 8
Metody práce........................................................................................ 9
2
2.1
2.2
2.3
Současný stav řešené problematiky ..................................................... 9
Rozvoj poznávacích metod ................................................................... 9
Jednosměrné neuronové sítě typu perceptron .................................. 11
Systémy posilování výuky ................................................................... 11
3 Praktická část ...................................................................................... 13
3.1 Stavba a způsob fungování modulu .................................................... 13
3.1.1
Úvodní práce modulu GLM ................................................. 14
3.1.2
Cyklus prácí modulu............................................................ 14
4
4.1
4.2
4.3
Shrnutí výsledků disertační práce ....................................................... 18
Vedení hlavního experimentu............................................................. 18
Metody zpracování a způsob řešení ................................................... 18
Získané výsledky a diskuse hlavního experimentu ............................. 18
5
Závěry výzkumu a doporučení dalšího zaměření práce ...................... 20
6
Seznam literatury použité v disertační práci ...................................... 22
7
Seznam publikací autora disertační práce .......................................... 31
8
Profesní curriculum vitae .................................................................... 33
1 ÚVOD
1.1
Výzkumný problém
Jsem učitelem odborných předmětů a informatiky v Zespole Szkół
Ekonomiczno-Gastronomicznych v Cieszynie. Při své každodenní práci se
studenty jsem si všiml, že změny zaváděné již několik desítek let v systému
výuky v polském školství snížují úrovně znalostí studentů, zejména ty,
které jsou spojovány s matematickými a informatickými kompetencemi.
Protože mi záleží na tom, aby moji studenti dosáhli v životě úspěchu ve
svém oboru, koncentroval jsem se na činnosti, které mohou zlepšit
rychlost osvojování si výukového materiálu a zlepšení jejich znalostí.
Způsobem pro dosažení tohoto cíle může být aplikace speciálně
připravených eLearningových kurzů, jejichž cílem je individualizace výuky.
Výukové systémy nalezené v literatuře jsou buď komerčními řešeními,
které jsou příliš drahé, aby mohly být zavedeny ve školách, nebo jsou
věnovány výuce určitého předmětu. Nenašel jsem systém, který by byl
natolik univerzální, aby jej bylo možné adaptovat do předmětů, které
vyučuji.
V dizertační práci navrhuji vyučování s použitím autorského modulu GLM
(Grudzień Learning Module), který používá části umělé inteligence
k výběru vhodné trajektorie učení pro studenta.
Modul je natolik pružný, že jej můžeme přizpůsobit pro výuku každého
předmětu. Společně s modulem připravuji kompletní systém vedení výuky
Zařízení počítačové techniky pro obor technik informatik.
1.2
Cíle práce
Cílem výzkumu byl vývoj a otestování nového autorského modulu, který
využívá neuronové sítě a expertní systém pro individuální výuku studentů
(Grudzień, 2010a; Grudzień, 2010b; Grudzień & Burda 2011; Greděn' &
Smirnova-Tribul'skaja, 2012).
Druhým cílem bylo vypracování vědecky odůvodněného systému
eLearningové výuky odborného předmětu Zařízení počítačové techniky
v oboru technik informatik s využitím technik umělé inteligence. Tento
systém je v souladu s programem výuky 312[01]/T/SP MENiS/2004.06.14 a
s rámcovým programem výuky počítačového technika vyhlášeným
polským Ministerstvem školství.
Očekávaným výsledkem prací je zdokonalení výukového procesu získáním
lepších výsledků v odborném předmětu Zařízení počítačové techniky.
Předpoklám, že v závěrečném testu budou mít studenti, učící se s využitím
navrženého systému, lepší výsledky, než t, kteří nevyužívají tento systém.
1.3
Metody práce
Metody výzkumu zahrnovaly tyto prvky:
1. analýza vědecko-metodické a psychologicko-pedagogické literatury
spojené s eLearningovou výukou;
2. analýza školních vzdělávacích programů odborných předmětů pro
obor technik informatik;
3. analýza a testování eLearningové výuky ve vybraných kurzech;
4. analýza prací žáků, analýza dotazníků, postřehů a připomínek;
5. komplexní diagnostika a kontrola přírůstku znalostí žáků pomocí
matematicko-statistických metod;
6. provedení pedagogického experimentu a prezentace výsledků pomocí
matematicko-statistických metod.
2 SOUČASNÝ STAV ŘEŠENÉ PROBLEMATIKY
2.1
Rozvoj poznávacích metod
Základem metodologického výzkumu jsou následující teorie: pedagogická
z oblasti rozvojové edukace Davydova a Elkonina, tvoření mentálních
rámců Galperina, odlišení zóny aktuálního rozvoje a zóny nejbližšího
rozvoje Vygotského a Laurie a zásada jednoty psychiky, vědomí a aktivity
Vygotského, Leontiewa a Rubinsteina.
Podle výzkumu (Kostjuk, 1988; Ljublinskaja, 1971; Menčinskaja, 1989)
může být intelektuální rozvoj vymezený vnějšími a vnitřními faktory.
Vnějším faktorem může být počet vyučovacích hodin nebo jejich
pravidelnost. Vnitřními faktory nezávislost a flexibilita učení a kvalitativní
individuální vlastnosti inteligence. Jiné práce (Kabanova-Meller, 1981;
Krutěckij, 1968) zmiňují vliv již nabytých vědomostí na další vzdělávání.
Elkonin (1989) a Davydov (1986) prokázali, že intelektuální rozvoj je závislý
na prostředí a obsahu výuky. Totéž potvrdil Pellegrino (Pelegrino,
Chudowsky & Glaser, 2001), který doporučoval používání takových metod,
které ovlivňují zvýšení úrovně znalostí studentů.
Intelektuální aktivita těsně souvisí s určitými vlastnostmi nervové
soustavy. Tyto vlastnosti odpovídají za dovednosti učení daného jedince,
viz (Jegorova, 1973; Lejtěs, 1971; Lubovskij, 1989). Podle experimentálního
výzkumu (Kalmykova, 1979; Menčinskaja, 1989) se vyskytují případy, že
nelze vyrovnat všechny rozdíly úrovní znalostí studentů i při použití
správného vzdělávacího prostředí.
Pro určování obtížností v učení jsou nezbytné dobré diagnostické nástroje.
Pro tento účel byly používány množstevní ukazatelé na základě měření
počtu provedených úkolů v časové jednotce (Zykova, Marcinovskaja et al.
1980). Jako alternativu Eysenck (Ajzenk, 1992) navrhl měření IQ pro určení
rychlostí fungování duševních procesů.
Při hledání nejvíce věrohodných ukazatelů intelektuálního rozvoje byly
využity nejen množstevní ukazatelé. Výskyt nových mentálních struktur
může být zkoumán jako výsledek procesu učení (Fidman, 1977). Z výzkumu
Něpomnjaščajove (1983) plyne, že individuální inteligence je proměnlivá,
její složky závisí na způsobu výuky.
Výuku je třeba provádět optimálním způsobem, to znamená tak, aby byl
co nejlépe využit studentův potenciál. To si vyžaduje individualizaci výuky
a volbu metod odpovídajících citlivosti studenta na vyučovací metodu
(Pen'kov, 1989). Definujeme-li celek veškerých znalostí a dovedností, které
může student použít samostatně jako oblast aktuálního rozvoje, a vnitřní
vztah mezi výukou a rozvojem jako oblast nejbližšího rozvoje (Vergeles,
1972), můžeme se pokusit o vymezení vyučovací trasy. Tato trasa by měla
probíhat tak, aby současně s rozšířením oblasti aktuálního rozvoje se
rozšiřoval rozsah úkolů, které může vykonávat student pod dozorem
učitele a za spolupráce se schopnějšími kolegy (Davydov, 1986).
Moderní přístupy ke vzdělávání vyžadují používání nových technik a
efektivních technologii výuky. Na středních školách se objevují nové
didaktické a metodické výzvy týkající se informatizace výuky, např.
Kapounová & Pavliček (2003) a Smyrnová-Trybulská (2009).
Průkopnický výzkum vývoje složek intelektu na základě komplexního
využití informatických technik ve výuce matematiky byl proveden na
Ukrajině (Smirnova, 1996), a jeho pokračování je jedním z výzkumných cílů
této práce.
2.2
Jednosměrné neuronové sítě typu perceptron
Jako zdroj základů modelování a neuronových výpočtů je třeba uznat
článek McCulloch & Pitts (1943), ve kterém byl poprvé uveden model
umělého neuronu. Práce Minského (1963 a 1967) dovolila přijmout tezi, že
prahové sítě konstruované z umělých neuronů mohou být považovány za
stroje s určitým počtem stavů, a že tyto sítě jsou schopny vykonávat
universální výpočty.
Paralelně k prahové logice byly rozvíjeny teorie kontinuálních systémů,
využívajících diferenciální rovnice k popisu aktivity v neuronové hmotě.
Tyto práce prováděli Buerle (1956) a Wilson & Cowan (1963).
Nalézáním vah pro konkrétní výpočetní úkoly se zabýval tým Rosenblatta,
který se soustřeďoval na sítě zvané perceptrony. Neurony byly
organizovány do vrstev s jednosměrnými spoji. V těchto pracích bylo
dokázáno, že algoritmus učení sítě (algoritmus iterační změny vah tak, aby
síť vykonávala požadované (výpočetní úkoly) je sbíhavý. Další výzkum byl
prováděn na sítích zvaných adaline, objevených Widrowem (1962) a
Hoffem (Widrow & Hoff, 1960).
Po knize Perceptrons (Minsky & Papert, 1969) nastala stagnace ve
výzkumu neuronových sítí. Autoři dokázali, že jednoduché perceptronové
sítě nejsou schopné se naučit řešení problémů lineárně neoddělitelných.
Tento stav trval do nalezení algoritmu zpětné propagace odhalené
nezávisle Werbosem (1974), Wiliamsem (1987) a Parkerem (1985 a 1987)
a LeCunem (1985).
Modifikace algoritmů učení sítě, které mají za účel zrychlení tohoto
procesu, jsou popsány v prácích Hertze, Krogha a Palmera.
Široké posouzení různých druhů sítí, včetně sítí se zpětnou vazbou
(Hopfielda, Hamminga, Elmana, RTRN, BAM) a samoorganizujících sítí
s konkurencí (ART, radiální, probabilistické) prezentují knihy Cichosze
(2000), Tadeusiewicze (1993), Rutkowského (2005), Osowského (1996),
Mulawký (1996) a Masterse (1996).
2.3
Systémy posilování výuky
První kroky spojené s využitím inteligentních strojů lze připsat Presseymu
(1926), který použil instruktážní stroj k testům s výběrem odpovědí.
Úroveň techniky nedovolovala realizaci fungující v souladu s vyučovací
teorií.
Současně s rozšířením prvních počítačů se začaly objevovat první systémy
posilující výuku (Bloom, 1956; Carroll, 1963; Skinner, 1957). Zprvu
vycházely z teorie programovaných instrukcí (programmed instructions PI).
V systému se určovaly vstupní dovednosti a definovaly výstupní
kompetence studenta. Systém vedl studenta jednotlivými problémy
vyučovacího programu a testoval jejich znalost. V případě nesprávných
odpovědí byla prezentována správná řešení a přistupovalo se k vyučování
dalšího obsahu (Bunderson & Olsen, 1983). Jako rozvinutí systémů PI se
objevily systémy zvané CAI (computer aided instructions) nebo CBT
(computer based training). Systémy CAI vycházejí ze Skinnerovy teorie
podnět – reakce. Další etapou rozvoje systémů posilování výuky jsou
systémy ICAI (inteligent computer assisted instruction).
Další krok v rozvoji systémů posilování vyučování jsou systémy ITS
(intelligent tutoring systems). Zahrnují: znalost oboru (model experta),
znalost studenta (model studenta) a znalost vyučovacích metod (řízení
procesu). Vyžaduje se rovněž, aby tyto systémy dovedly diagnostikovat
chyby studenta a předcházet jim (Kyllonen, Christal & Shute, 1989).
Jiným typem školicího systému jsou systémy vycházející z uvažování nad
případy – case based reasoning CBR (Schank, 1982; Kolodner, 1988). Na
rozdíl od systémů modelu ACT, které v některých případech dávají příliš
podrobný popis problémů studenta, systémy CBR se spokojí s určitým
přiblížením a soustřeďují se na hlavní problémy.
Od 80. let dvacátého století se datuje rozvoj simulačních nástrojů různého
druhu, obsahujících různé druhy umělé inteligence.
Současně s objevením širokopásmového přístupu k internetu se otevřely
možnosti práce v prostředích Virtual Reality. Tato prostředí tvoří
platformu, ve které, kromě možné implementace všech výše zmíněných
vyučovacích metod, lze snadno zavádět společenský prvek výuky –
spolupráce a výměny zkušeností mezi účastníky kurzů.
Hlavní témata nejnovějších výzkumů se soustřeďují kolem následujících
otázek:
• systémy vycházející z využití sítě (Israel & Aiken, 2007; Conejo, 2004);
•
•
•
•
•
systémy soustřeďující se na interakci mezi uživateli (Rosatelli & Self,
2004; Walker et al., 2004);
systémy používající nové modely studenta, např. Bayesovský model
(Vu Minh et al., 2010; Chao-Lin, 2008);
modelování výuky (Aleven et al., 2009);
open learner model (Bull, & Kay, 2007) a
špatně definované domény (Lynch et al., 2009).
3 PRAKTICKÁ ČÁST
3.1
Stavba a způsob fungování modulu
Systém výuky podle v této práci navrženého algoritmu funguje v krocích:
1. příprava všech výukových objektů v souladu s normami a požadavky
rámcového vzdělávacího programu;
2. vstupní nastavení systému;
3. shromažďování psychologických údajů o studentovi, v tomto případě
vykonání testu složek intelektu;
4. zpřístupnění kurzu studentům (vedení výuky s podporou);
5. stažení údajů o každém studentovi (výsledky testů, dotazníků, atd.);
6. inteligentní zlepšení fungování systému na základě dat z předešlých
fází;
7. návrat ke kroku 3.
Algoritmus práce je nekonečným cyklem, což znamená neustálé zlepšování
systému na základě údajů od dalších studentů.
Navrhovaný systém vedení výuky je shodný s modelem Inteligent Tutoring
System, který se skládá ze 4 částí: studentského modelu, expertního
modulu, tutoriálového modulu a grafického uživatelského rozhraní.
V navrhovaném řešení obsahuje autorský modul vedení výuky GLM
tutoriálovy modul a část grafického uživatelského rozhraní. Modul vedení
výuky GLM se skládá ze dvou částí: Web GLM, který zobrazuje navrhované
trajektorie učení pro studenta a GLM.exe který učí neuronové sítě a
generuje kód PHP pro webové částí GLM.
Expertní modul obsahující výukové objekty, testy, ankety a zbývající část
grafického uživatelského rozhraní, je podporovány LMS Moodle. Model
student, zahrnuje údaje z testu složek intelektu.
3.1.1 Úvodní práce modulu GLM
Před zahájením výuky uživatelů správce systému vedení výuky tvoří
v modulu GLM.exe uspořádanou množinu neuronových sítí. Tyto sítě jsou
jednosměrnými sítěmi založenými na perceptronech se sigmoidou jako
aktivační funkcí. Počet neuronových sítí je shodný s počtem výukových
objektů obsažených v části vypracovávaného kurzu. Sítě jsou číslované od
0 do n. V každé neuronové síti je obsaženo tolik neuronů, kolik je sítí (a
výukových objektů). Každý neuron obdrží své číslo, které odpovídá číslu
výukového objektu (a číslu s ním spojené neuronové sítě). Váhy všech sítí
jsou nastaveny takovým způsobem, že pří libovolných vstupních údajích
nejvíce stimulovaným neuronem je neuron o čísle o jedno větší než číslo
současné sítě. (Tato nastavení mají zajistit vedení uživatele všemi
výukovými objekty).
Postupně pomocí vytvořených dat a modulu GLM.exe se automaticky tvoří
část Web GLM obsahující ve svém kódu kopie dříve vytvořených sítí. Web
GLM je umístěn na serveru podporujícím systém vedení výuky. Toto řešení
bylo přijato z technických důvodů. Přípravné práce jsou dokončeny.
3.1.2 Cyklus prácí modulu
Následně se přistupuje si k další etapě prácí, která je již součástí cyklu. Pro
správné spuštění modulu GLM jsou potřebné výsledky Amthaueroveho
testů složek intelektu (IST). Po provedení psychologických testů,
prováděných autorizovaným a vyškoleným psychologem, student obdrží
kód. Kód se skládá z devíti písmen latinské abecedy, což odpovídá
výsledkům Amthaueroveho testu IST.
Za povšimnutí stojí dvě části algoritmu – část I určená pro studenta
k vedení výuky a sběru dat, a část II, kde dochází k inteligentnímu,
automatickému zdokonalení práce modulu GLM.
Zlepšení práce modulu GLM spočívá ve zlepšení jeho schopností vytváření
individuální trajektorie učení pro konkrétního studenta.
V každé části jsou viditelné cykly – tyto mají důležitou funkci při sběru
údajů pro trénovací soubor a výuce neuronových sítí v modulu GLM.
Po spuštění systému uživatel ve formuláři uvádí kódované výsledky testů
IST. Kód je odeslán modulu Web GLM, který kontroluje jeho správnost a
dekóduje. Dekódované údaje Web GLM směřují ke vstupu první
neuronové sítě (s číslem 0), spojené s prvním výukovým objektem (také
s číslem 0). Spuštění sítě je zaznamenáno Web GLM. Uživateli se zobrazí
odkaz na výukový objekt spojený se sítí. Neurony vytvářejí odpovědi na
vstupu sítě. Web GLM hledá neuron s největší stimulací a přečte jeho
identifikátor. Je-li tento identifikátor nula, Web GLM dokončí tvorbu
výsledkové stránky pro uživatele. V opačném případě je spuštěna další síť
s číslem shodným s identifikátorem neuronu (v tomto případě 1). Spuštění
další sítě způsobí zobrazení dalšího odkazu na výukový objekt a tak dále.
Tento cyklus se opakuje. Je generována trajektorie učení obsahující odkazy
na výukové objekty uživatele.
Uživatel, kromě informací o navrhované trajektorie učení, má přístup ke
všem výukovým objektům. Modul GLM dává studentovi návrh na výběr
aktuální optimální trajektorie učení.
Po prostudování výukovych objektů (podle návrhu modulu GLM nebo
nikoliv), uživatel přistupuje k testům. Pokud test proběhl neúspěšně, vrací
se uživatel zpět ke studiu materiálů. Tento cyklus se opakuje, dokud se
nedosáhne úrovně správných odpovědí stanovených správcem systému.
Po úspěšném absolvování testu (nebo zkoušky) je student požádán, aby
určil, jaké výukové objekty a v jakém pořadí by měly být na trajektorií
učení, a které jsou zbytečné.
Na základě dotazníku uživatele je vytvořen záznam výukového souboru
neuronové sítě, o kterém budeme dále hovořit jako o trajektorií učení.
Trajektorie učení obsahuje údaje testů složek intelektu uživatele a
navrhovanou výukovou cestu.
Trajektorie učení jsou zapisovány do trénovacího souboru modulu
GLM.exe. Po shromáždění jejich dostatečného množství (toto subjektivně
hodnotí správce systému vedení výuky) začíná proces modifikace
trajektorií učení učením neuronových sítí.
Pro každou etapu výuky je každá trajektorie učení transformována do
výukového záznamu vybraných neuronových sítí. Záznam, který učí síť,
zahrnuje vstupní data a očekávaná výstupní data z vybrané sítě.
Vybranými sítěmi jsou neuronové sítě spojené s výukovými objekty s čísly
uvedenými v trajektorií učení.
Vstupními daty pro každý záznam učící každou sít (záznam trénovacího
souboru) jsou výsledky testů složek intelektu. Předpokládaná data výstupu
pro konkrétní sítě obsahují: hodnotu jedna pro neuron s číslem totožným
s číslem dalšího objektu učení nacházejícího se v záznamu trajektorií učení
a hodnotu nula pro zbývající neurony.
Po přípravě a načtení trénovacích souborů začíná učení neuronových sítí,
které se koná pod dozorem (učení s učitelem). Vyučovací proces
pokračuje, dokud neuronové sítě nedosáhnou chyb odpovědí menších, než
nastavených v parametrech učení, nebo až do překročení maximálního
počtů etap učení, nastavených správcem systému.
Nejdůležitějším prvkem modulu GLM je část spojená s modifikací
neuronových sítí. V této oblasti následuje změna vah způsobená výukou
sítí. Modul GLM se učí na základě dat odvozených z testů složek intelektu a
dotazníků vyplněných studentem. Výsledkem této výuky je schopnost
modulu GLM k vytváření lepších trajektorií učení pro studenty.
Po dokončení učení všech sítí pro různá vstupní data mohou maximální
stimulaci podléhat různé neurony, kdy tyto nemusí mít číslo dalšího
výukového objektu. Pro nové uživatele se trajektorie učení stává závislá na
vstupních datech, tj. na výsledcích testů složek intelektu.
Probuzení jiných neuronů způsobuje změny v posloupnosti vyvolávaných
neuronových sítí a v důsledku toho změn trajektorií učení. Vyškolené
neuronové sítě jsou uchovávány pro případné další vzdělávání.
To znamená, že výsledkem učení neuronových sítí (jinými slovy změny vah)
je upravena trajektorie učení pro další studenty s podobnými parametry
testů složek intelektu.
Dalším krokem je vytvoření upravené verze Web GLM obsahující
neuronové sítě s aktualizovanými váhami a její umístění na pracovním
serveru. To je konec cyklu.
Algoritmus fungovaní celého systému se vrací na místo sběru uživatelských
dat. Další student, zadávající stejná nebo podobná data uživatele (IST),
obdrží generovanou a modifikovanou trajektorie učení. Tato trajektorie
učení je již lépe přizpůsobena potřebám a možnostem studenta.
Stejně jako v předchozím případě má student přístup ke všem výukovým
objektům, ale jeho modulem GLM navržená trajektorie učení je již
přiblížením k optimální trajektorii.
Srovnáme-li trajektorie učení generované neuronovými sítěmi na začátku
procesu učení modulu a v jeho průběhu, snadno vysledujeme rozdíly. Po
každém novém studentovi přistupujícím k výuce modul zlepšuje své
schopnosti vytváření trajektorií učení.
Obrázek. Detailní algoritmus fungovaní celého systému vedení výuky pro
jednotlivého studenta
4 SHRNUTÍ VÝSLEDKŮ DISERTAČNÍ PRÁCE
4.1
Hlavní experiment
Výzkumný vzorek se skládal ze 116 žáků a byl rozdělen do dvou skupin –
experimentální (56 žáků) a kontrolní (60 žáků). Výuka informatiky
v experimentální skupině byla prováděna prostřednictvím eLearningového
kurzu, který byl připraven na základě vypracované experimentální
metodiky vyučování. V kontrolní skupině se výuka konála na základě
konvenční (tradiční) metodiky vyučování.
Předmětem zkoumání byla znalost otázek z číselných soustav částí
předmětu Zařízení počítačové techniky (ZPT): teoretické otázky, logická
hradla, kombinační obvody, multiplexery a demultiplexery, asynchronní
sekvenční obvody, synchronní sekvenční obvody a generátory a zvláštní
dohody. Testy obsahovaly otázky různého typu: mnohočetné odpovědi,
jednočetné odpovědi, krátké odpovědi a výpočtové. Pro obě skupiny byly
provedeny následující pretesty před zahájením experimentu: Amthauerův
test zkoumající složky intelektu (Klevcov & Klevcova, 2009) a test určující
úroveň odborných kompetencí žáků před zahájením výuky.
Okamžitě po ukončení experimentu byl proveden test určující úroveň
odborných kompetencí žáků a týkající se vědomostí z oblasti zahrnutých
v kurzu. Výsledky dosažené v test byly zpracovány pomocí statistického
software.
4.2
Metody zpracování a způsob řešení
V průběhu výzkumu byla ověřena hypotéza, že při použití navrhovaného
eLearningového systému výuky odborných předmětů se zvýší odborné
kompetence studujících ve srovnání se studenty, kteří pracují konvenčními
metodami výuky. Stanovili jsme nulovou hypotézu: neexistuje rozdíl mezi
studenty, kteří pracují s navrženým eLearningovým systémem výuky, ve
srovnání se studenty, kteří pracují konvenčními metodami výuky.
4.3
Získané výsledky a diskuse hlavního experimentu
Výsledky pretestů obou skupin – kontrolní i experimentální – se nachází u
většiny kompetenčních testů v intervalu 0 % až 20 %. Výsledky testů
Kolgomorova-Smirnova a Wilcoxona nedovolují zamítnout nulovou
hypotézu. Také míry centrální tendence jsou podobné. Ze statistického
pohledu tedy nejsou premisy pro tvrzení, že obě skupiny tvoří odlišné
populace. Toto tvrzení je správné, když analyzujeme jak jednotlivé testy,
tak i celkový výsledek pretestu obou skupin.
Úplně jinak vypadají výsledky testů provedených v průběhu experimentu.
Když vezmeme v úvahu výsledky v celém kurzu, všimneme si významných
rozdílů v jejich rozděleních. I když jsou u obou skupin unimodální, výsledky
kontrolní skupiny jsou záporně šikmé a výsledky experimentální skupiny
kladně šikmé. Rozdělení experimentální skupiny je více ploché v porovnání
s rozdělením kontrolní skupiny. Extrémně nízké hodnoty p testů
Kolgomorova-Smirnova a Wilcoxona potvrzují pozorování na základě
histogramů. Na základě statistických práv, vypočtených hodnot p a přijaté
hladiny významnosti α (α=0,05) byla nulová hypotéza zamítnuta a přijata
alternativní hypotéza o různosti rozdělení.
Hodnoty mír centrální tendence jednoznačně ukazují na lepší výsledky
žáků, kteří se učili navrhovanou metodikou s využitím modulu GLM. Přijatá
vědecká hypotéza o zlepšení kvality výuky nachází potvrzení ve výsledcích
výzkumu.
Obrázek 1. Výsledky testů celého kurzu – histogramy a krabicové grafy
Statistická metoda
Aritmetický průměr
Medián
Směrodatná odchylka
Dvoustranné kritérium KolmogorůvSmirnovův test
Dvoustranné kritérium Wilocoxonův
test
Kontrolní
Experimentální
skupina
skupina
23.09148
47.53988
25.25556
49.76111
13.09132
21.28182
D = 0.6643, p-value = 1.581e-11
W = 538, p-value = 2.831e-10
5 ZÁVĚRY VÝZKUMU A DOPORUČENÍ DALŠÍHO ZAMĚŘENÍ
PRÁCE
Trajektorie učení vytvářené modulem se postupně zlepšují vlivem učení
neuronových sítí, které jsou integrální součástí modulu. Ná základě
experimentu můžeme přijmout následující závěry:
•
•
na základě statistických výsledků, přijaté hladiny významnosti α=0,05 a
výsledků testů Kolgomorova-Smirnova a Wilcoxona bylo potvrzeno, že
použití modulu GLM má vliv na tvar rozdělení výsledků kompetenčních
testů účastníků kurzu předmětu Zařízení počítačové techniky;
na základě analýzy vlastností mír centrální tendence kompetenčních
testů bylo potvrzeno, že použití modulu GLM zvyšuje úroveň
kompetencí u studentů tohoto kurzu.
Pozorování a závěry získané v průběhu provádění pedagogického
experimentu v rámci této práce přinesly řadu otázek, které se mohou stát
tématem dalších výzkumů. Mezi oblasti dalších možných teoretických
výzkumů patří:
•
•
•
•
ověření trvalosti znalostí ve skupinách vyučovaných konvenční
metodou a s optimalizací trajektorie učení,
provedení podobného výzkumu pro jiné předměty – přírodní nebo
humanistické vědy;
tvoření trajektorií učení na základě jiných tréninkových souborů, např.
místo psychologického testu IST použít dotazníky MMPI-WISKAD;
práce spojené s přesným stanovením, jakým způsobem ovlivňují
trajektorie učení lidské poznávací sféry;
•
•
•
•
•
předvídání výsledků odborných kompetenčních testů na základě
psychologických testů;
extrakce logických pravidel ze sítí, např. kvůli zjištění, jaké výukové
objekty jsou charakteristické pro toho kterého studenta;
ověření, zda rozdělení výsledků učení studentů je Poissonovým
rozdělením, což by naznačovalo řídký výskyt jevu samostatné výuky
studenta;
ověření, zda se při motivování studentů mění typ statistického
rozdělení výsledků kompetenčních testů;
provedení neurokognitivního výzkumu vlivu optimální trajektorie
učení na práci různých oblastí lidského mozku.
Existuje také mnoho možností praktického zdokonalení fungování systému
výuky pomocí modulu GLM, který obsahuje umělé neuronové sítě.
Vyjmenovat je třeba:
•
automatický soubor dat, zvláště týkajících se trajektorie učení
studenta.
Trajektorie učení vytvářené modulem se postupně zlepšují vlivem učení
neuronových sítí, které jsou integrální součástí modulu:
•
•
•
•
•
zavedení rozšířeného sledování aktivity uživatele;
přizpůsobení celku kurzu mobilním zařízením, zvláště mobilním
telefonům;
změna druhu funkce aktivace neuronu a způsobu jeho učení kvůli
zrychlení fungování procesu učení neuronových sítí;
změna druhu neuronových sítí, např. na samoorganizující se;
extrakce logických pravidel ze sítí kvůli vytvoření rychle pracujícího
expertního systému.
6 SEZNAM LITERATURY POUŽITÉ V DISERTAČNÍ PRÁCI
Ajzenk, G. Ju. (1992). Prover'tě svoi intěllektual'nye sposobnosti. Riga:
Vijeda.
Aleven, V., et al. (2009). A New Paradigm for Intelligent Tutoring Systems:
Example-Tracing Tutors . In International Journal of Artificial Intelligence in
Education (IJAIED) [online]. 19 (2). IAIED. Dostupné z
http://iaied.org/pub/1149/file/Aleven_19_2.pdf [cit. 2011-09-01].
Anderson, J. R. (1983). The architecture of cognition. Cambridge, MA:
Harvard University Press.
Anderson, J. R. (1987). Skill acquisition: Compilation of weak-method
problem solutions. Psychological Review, 94, s. 192–210.
Anderson, J. R., Boyle, C., & Yost, G. (1985). The geometry tutor. In
Proceedings of IJCAI-85 (s. 1–7). Los Angeles, CA: IJCAI.
Andreson, J. R., Boyle, C., & Reiser, B. (1985). Intelligent tutoring systems.
Science, 228, s. 456–462.
Barr, A., Beard, M., & Atkinson, R. C. (1976). The computer as a tutorial
laboratory: The Stanford BIP Project. International Journal of ManMachine Studies, 8, s. 567–596.
Beuerle, R. L. (1956). Properties of a Mass of Cells Capable of Regenerating
Pulses. Philosophical Transactions of the Royal Society of London, B 240,
s. 55–94.
Bloom, B. S. (1956). Taxonomy of educational objectives: The classification
of educational goals. New York: McKay.
Brown, J. S., & Burton, R. R. (1975). Multiple representations of knowledge
for tutorial reasoning. In D. G. Bobrow & A. Collins, Representation and
understanding (s. 311–349). New York: Academic Press.
Brown, J. S., & Burton, R. R. (1978). An investigation of computer coaching
for informal learning activities. Technical Report, Defense Advanced
Research Projects Agency, Human Resources Lab., Lowry AFB, CO.
Brown, J. S., Burton, R. R., & deKleer, J. (1982). Pedagogical natural
language, and knowledge engineering techniques in SOPHIE I, II, and III. In
D. Sleeman & J. S. Brown, Intelligent tutoring systems (s. 227–282). New
York: Academic Press.
Bull, S., & Kay, J. (2007). Student Models that Invite the Learner In: The
SMILI:) Open Learner Modelling Framework. In International Journal of
Artificial Intelligence in Education (IJAIED) [online]. 17 (2). IAIED. Dostupné
z http://iaied.org/pub/1115/file/1115_Kay07.pdf [cit. 2011-09-01].
Bunderson, C. V., & Olsen, J. B. (1983). Mental errors in arithmetic skills:
Their diagnosis in precollege students (Final project report, NSF SED 80125000). Provo, UT: WICAT Education Institution.
Burton, R. R. (1982). Diagnosing bugs in a simple procedural skill. In D. H.
Sleeman, & J. S. Brown, Intelligent tutoring systems (s. 157–183). New
York: Academic Press.
Burton, R. R., & Brown, J. S. (1976). A tutoring and student modeling
paradigm for gaming environments. In R. Colman & P. Lorton, Jr.,
Computer Science and Education. ACM SIGCSE Bulletin, 8(1), s. 236–246.
Carbonell, J. R. (1970). AI in CAI: An artificial intelligence approach to
computer-assisted instruction. IEEE Transactions on Man-Machine
Systems, 11(4), s. 190–202.
Carroll, J. B. (1963). A model of school learning. Teachers College Record.
64, s. 723–733.
Cichosz, P. (2000). Systemy uczące się. Warszawa: Wydawnictwa
Naukowo-Techniczne.
Clancey, W. J. (1979). Tutoring rules for guiding a case method dialogue.
International Journal of Man-Machine Studies, 11 (9), s. 25–49.
Conejo, R., et al. (2004). SIETTE: A Web-Based Tool for Adaptive Testing. In
International Journal of Artificial Intelligence in Education (IJAIED) [online].
14. : IAIED. Dostupné z http://iaied.org/pub/954/file/954_Conejo04.pdf
[cit. 2011-09-01]
Crowder, N. A. (1959). Automatic tutoring by means of intrinsic
programming. In: Automatic teaching: The state of the art (s. 109–116).
New York: Wiley.
Davydov, V. V. (1986). Problemy razvivajuščego obučenija: Opyt
těoretičeskogo i eksperimental'nogo psichologičeskogo issledovanija.
Moskva: Pedagogika.
El'konin, D. B. (1989). Izbrannye psichologičeskije trudy. Pod red.
V. V. Davydova. APN SSSR. Moskva: Pedagogika.
Fidman, L. F. (1977). Logiko-psichologičeskij analiz škol'nych učebnych
zadač. Moskva: Pedagogika.
Greděn' Ja. & Smirnova-Tribul'skaja Je. N. (2012). Koncepcija obučenija
special'nym predmetam s pomošč'ju komponěntov iskusstvennzch
nějronnych setěj i sistěmz distancionnogo obučenija. Novye
informacionnye těchnologii v obrazovanii: Matěrialy meždunarodnoj
naučno-praktičeskoj konferencii, Jekatěrinburg: Ros. Gos. Prof.-ped. Un-t.
Jekatěrinburg.
Grudzień, J. & Burda M. (2011). Estimating the optimal number of initial
learning paths to GLM module. In Kapounová, J., & Valchař, A. Information
and Communication Technology in Education [online]. Dostupné
z https://konference.osu.cz/icte/dokumenty/2011/Grudzien.pdf [cit.
2012-09-01].
Grudzień, J. (2010a). The concept of the courses based on the e-learning
intelligence mechanisms. In Kapounová, J., & Valchař, A. Information and
Communication Technology in Education : Proceedings (s. 83–86.). Rožnov
pod Radhoštěm : University of Ostrava.
Grudzień, J. (2010b). Lessons with the use of artiffcial intelligence. In
Smyrnova-Trybulska, E., Theoretical and Practical Aspects of Distance
Learning : Use of E-learning in the Training of Professionals in the
Knowledge Society.(s. 5– 9). Cieszyn - Katowice : Studio Noa Ireneusz
Olsza.
Hartley, J. R., & Sleeman D. H. (1973). Towards more intelligent teaching
systems. International Journal of Man-Machine Studies, 2, s. 215–236.
Chao-Lin , L. (2008). A Simulation-Based Experience in Learning Structures
of Bayesian Networks to Represent How Students Learn Composite
Concepts. In International Journal of Artificial Intelligence in Education
(IJAIED) [online]. 18 (3). IAIED. Dostupné
z http://iaied.org/pub/1124/file/_Liu08.pdf [cit. 2011-09-01].
Israel, J., & Aiken, R. (2007). Supporting Collaborative Learning With An
Intelligent Web-Based System. In International Journal of Artificial
Intelligence in Education (IJAIED) [online]. 17.: IAIED. Dostupné
z http://iaied.org/pub/1109/ [cit. 2011-09-01]
Jegorova T.V. (1973). Osobennosti pamjati i myšlenija mladšich škol'nikov,
otstajuščich v razvitii. Moskva: Pedagogika.
Johnson, W. L. (1986). Intention-based diagnosis of novice programming
errors. Research notes in artificial intelligence. Los Altos, CA: Morgan
Kaufmann.
Johnson, W. L., & Soloway, E. M. (1984). PROUST: Knowledge-based
program debugging. In Proceedings of the Seventh International Software
Engineering Conference ( s. 369–380). Orlando, Florida.
Kabanova-Meller, Je. N. (1981). Učebnaja dějatěl'nost' i razvivajuščeje
obučenije. Moskva: Znanije.
Kalmykova, Z. I. (1979). Psichologičeskije principy razvivajuščego
obučenija. Moskva: Znanije.
Kapounová, J., & Pavliček, J. (2003). Počítače ve výuce a učení. Ostrava:
Ostravská univerzita.
Klevcov A. A., & Klevcova A. A. (2009). Těst struktury intěllekta
Amtchauera [online]. Dostupné z
http://psylab.info/%D0%A2%D0%B5%D1%81%D1%82_%D1%81%D1%82%
D1%80%D1%83%D0%BA%D1%82%D1%83%D1%80%D1%8B_%D0%B8%D0
%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D0%B
0_%D0%90%D0%BC%D1%82%D1%85%D0%B0%D1%83%D1%8D%D1%80
%D0%B0 [cit. 2009-10-02].
Kolodner, J. L. (Ed.) (1988). Proceedings of the First Case-Based Reasoning
Workshop. Los Altos, CA: Morgan Kaufmann Publishers, Inc.
Kostjuk, G. S. (1988). Izbrannye psichologičeskije trudy. Moskva:
Pedagogika.
Krutěckij, V. A. (1968). Psichologija matěmatičeskich sposobnostěj
škol'nikov. Moskva.
Kurland, L. C., Granville, R. A., & MacLaughlin, D. M. (1992). Design,
development, and implementation of an intelligent tutoring system for
training radar mechanics to troubleshoot. In M. J. Farr & J. Psotka (Eds.),
Intelligent instruction by computer: Theory and practice (s. 205–238).
Washington, D. C.: Taylor and Francis.
Kyllonen, P. C., Christal, R. E, & Shute, V. J. (1989). A taxonomy of learning
skills. In P. L. Ackerman, R. J. Sternberg R. Glaser, Learning and Individual
Differences (s. 117–163). New York: Freeman.
Lajoie, S. P., & Derry S. J. (1993). Computers as cognitive tools. Hillsdale,
New Jork: Erlbaum.
Le Cun, Y. (1985). Une procedure d'apprentissage pour reseau a seuil
assymetrique. In A la Frontiere de I'lntelligence Artificielle des Sciences de
la Connaissance des Neurosciences. (s. 599–604) Paris: CESTA.
Lejtěs N. S.(1971). Umstvennye sposobnosti i vozrast. Moskva: Pedagogika.
Ljublinskaja A. A. (1971). Dětskaja psichologija. Učebnoje posobije dlja
studěntov pedagogičeskich institutov. Moskva: Prosveščenije, 1971.
Lubovskij, V. I. (1989). Psichologičeskije problemy diagnostiki anomal'nogo
razvitija dětěj. NII děfektologii APN SSSR. Moskva: Pedagogika.
Lynch, C., et al. (2009). Concepts, Structures, and Goals: Redefining IllDefinedness . In International Journal of Artificial Intelligence in Education
(IJAIED) [online]. 19 (3). IAIED,. Dostupné
z http://iaied.org/pub/1294/file/19_3_01_Lynch_.pdf [cit. 2011-09-05].
Masters, T. (1996). Practical neural network recipes in C++. Polish edition.
Warszawa: Wydawnictwa Naukowo-Techniczne.
McCulloch, W. S., & Pitts, W. (1943). A logical calculus of the ideas
immanent in nervous activity. Bulletin of Mathematical Biophysics, 5,
s. 115–133.
Menčinskaja, N. A. (1989). Problemy učenija i umstvennogo razvitija
škol'nika: Izbrannye psichologičeskije trudy APN SSSR. Moskva:
Pedagogika.
Minsky, M. (1963). Steps toward artificial intelligence. In Feigenbaum, E.,
& Feldman, J., Computers and Though. (s. 406–450) New York : McGrawHill, Dostupné
z <http://webdocs.cs.ualberta.ca/~sutton/Minsky60steps.pdf [cit. 200910-02]
Minsky, M. (1967). Computation: Finite and Infinite Machines. Englewood
Cliffs : Prentice Hall.
Minsky, M., & Papert S. (1969). Perceptrons. Cambridge: MIT Press.
Mulawka, J., (1996). Systemy ekspertowe. Warszawa: WNT.
My.ece.ucsb.edu. (2007). Circuit maker [online]. Dostupné
z http://my.ece.ucsb.edu/bobsclass/2C/Simulation/circuit_maker.htm [cit.
2011-09-01].
Něpomnjaščaja, N. I. (1983). Psichologičeskij analiz obučenija dětěj 3–7 let.
Na matěriale matěmatiki. Moskva: Pedagogika.
openwonderland.org. (2008). Open Wonderland home [online]. Dostupné
z http://openwonderland.org/ [cit. 2011-09-01]
Osowski, S. (1996). Sieci neuronowe w ujęciu algorytmicznym. Wyd. I.
Warszawa: Wydawnictwa Naukowo Techniczne.
Parker, D. B. (1985). Learning Logic : Technical Report TR-47. Cambridge:
Center for Computational Research in Economics and Managemant
Science. MIT.
Parker, D. B. (1987). Optimal Algorithms for Adaptive Networks. Second
Order Backpropagation, Second Order Direct Propagation and Second
Order Hebbian Learning: In Caudill, M. Butler, C. IEEE First International
Conference on Neural Networks (s. 593 – 600) New York: IEEE.
Pelegrino, J., Chudowsky, N. & Glaser, R. (2001). Knowing what student
know: the science and design of educational assessment. Washington:
National Academy of Sciences.
Pen'kov, A. V. (1989). Primeněnije elementov NIT v obučenii: V knige
Ispol'zovanije komp'jutěrov v učebnom processe vuza (s.44–50) Kyjev:
KGPI.
Polsko. (2010). Rozporządzenie Ministra Edukacji Narodowej z dnia 29
lipca 2010 r. w sprawie podstaw programowych kształcenia w zawodach:
elektromechanik, górnik eksploatacji otworowej, korektor i stroiciel
instrumentów muzycznych, krawiec, mechanik precyzyjny, pszczelarz,
technik górnictwa otworowego, technik informatyk, technik
rachunkowości i zegarmistrz. In Dziennik Ustaw Nr 154 poz. 1033. 1033,
s. 11834–11888. Dostupné
z http://bip.men.gov.pl/images/stories/APsr/elektromechanik.pdf [cit.
2011-09-05].
Rozporządzenie Ministra Edukacji Narodowej z dnia 15 czerwca 2011 r. w
sprawie podstaw programowych kształcenia w zawodach: monter sieci i
urządzeń telekomunikacyjnych, technik cyfrowych procesów graficznych,
technik dźwięku, technik elektronik, technik organizacji produkcji filmowej
i telewizyjnej, technik organizacji reklamy, technik realizacji dźwięku,
technik teleinformatyk, technik telekomunikacji, technik urządzeń
audiowizualnych i technik usług pocztowych i finansowych. (2011). In
Dziennik Ustaw Nr 141 poz. 827, 827, s. 9594–9653.
Polson, M. C., & Richardson J. J. (1988). Foundations of intelligent tutoring
systems. Hillsdale, New Jork: Erlbaum.
Pressey, S. (1926). A simple apparatus which gives tests and scores-andteaches. School and Society. 23, s. 373–376.
Psotka J., Massey, L. D., & Mutter, S. A. (1988). Intelligent tutoring
systems: Lessons learned. Hillsdale, New Jork: Erlbaum.
Regian, J. W., & Shute, V. J. (1992). Cognitive approaches to automated
instruction. Hillsdale, New Jork: Erlbaum.
Reiser, B. J., Ranney, M., Lovett, M. C., & Kimberg, D. Y. (1989). Facilitating
students' reasoning with causal explanations and visual representations. In
D. Bierman, J. Breuker, & J. Sandberg, Artificial intelligence and education:
Synthesis and reflection. (s. 228–235) Springfield, VA: IOS.
Rosatelli, M., & Self, J. (2004). A Collaborative Case Study System For
Distance Learning In International Journal of Artificial Intelligence in
Education (IJAIED) [online]. 14. : IAIED, Dostupné
z http://iaied.org/pub/955/file/955_Rosatelli04.pdf [cit. 2011-09-01].
Rutkowski, L. (2005). Metody i techniki sztucznej inteligencji Wyd. I.
Warszawa : Wydawnictwo Naukowe PWN S.A.
secondlife.com. (2008). Second Life home [online]. Dostupné
z http://secondlife.com/ [cit. 2011-09-01]
Shortliffe, E. H. (1976). Computer-based medical consultations: MYCIN.
Amsterdam, Holland: Elsevier Science Publishers.
Schank, R. C. (1982). Dynamic memory: A theory of learning in computers
and people. Cambridge, MA: Cambridge University Press.
Skinner B. F. (1957). Verbal Behavior. Englewood Cliffs, New York: Prentice
Hall.
Sleeman D. (1987) PIXIE: a shell for developing intelligent tutoring
systems. In R. Lawler M. Yazdani, AI and education: Learning environments
and intelligent tutoring systems (s. 239–265). Norwood, NJ: Ablex
Publishing.
Sleeman D. H., & Brown J. S. (1982). Intelligent tutoring systems. London:
Academic Press.
Smirnova, J. N. (1996). Razvitije važnějšich komponěntov intěllekta na
osnove kompleksnogo ispol'zovanija NIT pri obučenii matěmatike v staršej
škole (disertační práce). Kyjev: Ukrainskij gos. pedagogičeskij un-t im. M.
P.Dragomanova.
Smyrnova-Trubulska E. (2009). On principles of the Design and Assessment
of Distance Courses. In: Distance Learning. Simulation And
Communication. Proceedings. (s. 159–165), Brno.
Tadeusiewicz, R. (1993). Sieci neuronowe. Wyd. II. Warszawa: Oficyna
Wydawnicza RM.
Uhr, L. (1969). Teaching machine programs that generate problems as a
function of interaction with students. Proceedings of the 24th National
Conferences (s. 125–134)
Van West, J., & Lane-Cummings, K. (2007). Microsoft Flight Simulator X For
Pilots: Real World Training. Indianapolis, Indiana: Wiley.
Vergeles, G. I. (1972). Osnovnye linii razvitija analiza i sintěza v uslovijach
upravlenija umstvennoj dějatěl'nost'ju učaščichsja. V kn. XXV
Gercenovskije čtěnija (s. 28–31) Lvov: Psichologija.
Vu Minh , Ch., et al. (2010). Student Modeling in Orthopedic Surgery
Training: Exploiting Symbiosis between Temporal Bayesian Networks and
Fine-grained Didactic Analysis. In International Journal of Artificial
Intelligence in Education (IJAIED) [online]. IAIED, Dostupné
z http://iaied.org/pub/1312/file/20_3_03_Chieu.pdf [cit. 2011-09-01].
Walker, A. et al. (2004). Collaborative Information Filtering: a review and
an educational application In International Journal of Artificial Intelligence
in Education (IJAIED) [online]. 14. : IAIED,. Dostupné
z http://iaied.org/pub/935/file/935_Walker04.pdf [cit. 2011-09-01].
Wenger, E. (1987). Artificial Intelligence and Tutoring Systems:
Computational and Cognitive Approaches to the Communication of
Knowledge. Los Altos: Morgan Kaufman.
Werbos, P. (1974). Beyond Regression: New Tools for Prediction and
Analysis in the Behavioral Sciences. (Disertační práce). Cambridge: Harvard
University.
Widrow B., & Hoff M. E. (1960). Adaptive switching circuits. 1960 IRE
WESCON Convention Record. 4, s. 96–104.
Wiliams, R. J. (1987). A class of gradient-estimating algorithms for
reinforcement learning in neural networks: In Caudill, M. Butler, C. IEEE
First International Conference on Neural Networks (s. 601–608). New York:
IEEE.
Wilson, H. R., & Cowan, J. D. (1963). Reliable Computation in the Presence
of Noise. Cambridge : MIT Press.
www.ni.com. (2010). NI LabVIEW [online]. Dostupné
z http://www.ni.com/labview/ [cit. 2011-09-01].
www.softronix.com. (1997). Welcome to MultiMedia Logic [online].
Dostupné z http://www.softronix.com/logic.html [cit. 2011-09-01].
Zykova, T. S., Marcinovskaja, Je. N. i dr. (1980). Uroki predmetnopraktičeskogo obučenija v škole gluchich. Moskva.
7 SEZNAM PUBLIKACÍ AUTORA DISERTAČNÍ PRÁCE
Greděn' Ja. & Smirnova-Tribul'skaja Je. N. (2012). Koncepcija obučenija
special'nym predmetam s pomošč'ju komponěntov iskusstvennzch
nějronnych setěj i sistěm z distancionnogo obučenija. Novye
informacionnye těchnologii v obrazovanii: Matěrialy meždunarodnoj
naučno-praktičeskoj konferencii, Jekatěrinburg: Ros. Gos. Prof. ped. Un-t.
Jekatěrinburg. (70%)
Grudzień, J. (2011). Rozvoj informatických kompetencí pomocí umělé
inteligence. In Information and Communication Technology in Education.
Ph.D. student´s section. Ostrava: Ostravská univerzita.
Grudzień, J. & Burda M. (2011). Estimating the optimal number of initial
learning paths to GLM module. In Kapounová, J., & Valchař, A. Information
and Communication Technology in Education [online]. Dostupné
z https://konference.osu.cz/icte/dokumenty/2011/Grudzien.pdf [cit.
2012-09-01]. (70%)
Grudzień, J. (2010a). The concept of the courses based on the e-learning
intelligence mechanisms. In Kapounová, J., & Valchař, A. Information and
Communication Technology in Education (s. 83–86). Rožnov pod
Radhoštěm : University of Ostrava.
Grudzień, J. (2010b). Lessons with the use of artiffcial intelligence. In
Smyrnova-Trybulska, E. Theoretical and Practical Aspects of Distance
Learning (s. 5–9). Cieszyn, Katowice: Studio Noa Ireneusz Olsza.
Grudzień, J. (2010c). The implementation of the teaching support system
in the complex of economic-gastronomic schools for computer science
technicians. In Distance Learning in Applied Informatics (s. 201 – 207).
Nitra: Constantine the Philosopher University.
Grudzień, J. (2010). Rozvoj informatických kompetencí pomocí umělé
inteligence. In Konference ICTE Junior. České Budějovice: Jihočeská
univerzita.
Smyrnowa-Trybulska, E. & Grudzień, J. (2009). E-learning in the Computer
Science – Come Computer and Methodology Techniques. The New
Educational Review. Vol. 19. No. 3–4, s. 147–161. (30%)
Grudzień, J. (2009). The implementation of professional subjects teaching
supporting courses at the Higher School of Information Technology in
Katowice. In Smyrnowa-Trybulska, E. Theoretical and Practical Aspects of
Distance Learning (s. 160–168). Cieszyn: Uniwersytet Śląski w Katowicach.
Grudzień, J., & Żwak, S. (2004). Próba zastosowania oszacowań
numerycznych w etnologii na przykładzie analizy wątków
folklorystycznych. In MITAS, Andrzej. Informatyka w Edukacji i Kulturze (s.
147– 151). Sosnowiec: UŚ. (50%)
Grudzień, J., & Baj, S. (1996). Neural networks at investigation of 1,3diisopropylbenzene oxidation process. Polish Journal of Applied Chemistry.
XL, 4, s. 411–418. (50%)
Grudzień, J. (1995). Sieć neuronowa. PC Kurier No 17/95 s. 92.
8 PROFESNÍ CURRICULUM VITAE
Osobní údaje
Příjmení/Jméno: Grudzień Jacek
Datum narození: 9. 3. 1969
Bydliště: Kończyce Małe, ul. Staffa 2, 43-410 Zebrzydowice, Polsko
E-mail: [email protected], Telefon: + 48 601 843610
Místo narození: Cieszyn
Státní příslušnost: PL
Studium
1984–1988
Liceum Ogólnokształcące im. Antoniego Osuchowskiego
pl. Słowackiego 2. PL-43-400 Cieszyn
maturita
1988–1993
Technologia chemiczna (Chemická technologie)
Wydział Chemii (Chemická fakulta)
Politechnika Śląska w Gliwicach
mgr inż.
1991 – 1995
Studium pedagogiczne (Studium pedagogické)
Ośrodek badań i doskonalenia dydaktyki
Politechnika Śląska w Gliwicach
1999 – 2001
Informatyka (Počítačové vědy)
Wydział Automatyki Informatyki i Elektroniki (Fakulta
automatizaci, počítačové vědy a elektroniky)
Politechnika Śląska w Gliwicach
mgr inż.
2007–2008
Przygotowanie kadry do prowadzenia kształcenia ustawicznego na
odległość (Příprava pracovníků pro distanční vzdělávání)
Uniwersytet Jagielloński w Krakowie
2009 – doposud
Doktorand studia v oboru Informační a komunikační technologie ve
vzdělávání
Pedagogická fakulta, Ostravská univerzita v Ostravě
Pracovní zkušenosti
od 01.2004 Zespół Szkół Ekonomiczno-Gastronomicznych im. Macierzy
Ziemi Cieszynskiej
Učitel: výuka (Strukturální a obejtové programování, Informační
technologie, Chemie)
od 02.2011 do 09.2011 Bielska Wyzsza Szkoła im. J. Tyszkiewicza
Přednášející (smlouva): výuka (vedení laboratorních hodin z předmětu
Kosmetická chemie)
od 02.2011 do 09.2011 Wyzsza Szkoła Biznesu w Dabrowie Górniczej
Přednášející (smlouva): výuka (vedení laboratorních hodin z předmětu
Počítačová grafika)
od 10.2005 do 09.2010 Wyzsza Szkoła Technologii Informatycznych w
Katowicach
Asistent (smlouva): výuka (Teoretické základy informatiky, Základy
inženýrství programování a navrhování systémů, Inženýrství
programového vybavení)
od 10.2003 do 05.2008 Bel sp. z o.o.
Hlavní specialista pro obchodní záležitosti: rozvoj trhu auditů software,
projektování a programování aplikací pro chemický a hornický průmysl
(ovládače MUS)
od 10.2002 do 06.2005 Zakład Doskonalenia Zawodowego
Učitel (smlouva): výuka (Objektové programování)
od 10.2002 do 06.2004 Uniwersytet Slaski, Katedra Edukacji
Informatycznej
Asistent (smlouva): práce nad využitím umělé inteligence, výuka
(Informační technologie)
od 07.2001 do 09.2003 Emnet sp. z o.o.
Hlavní specialista pro obchodní záležitosti: rozvoj trhu stavebních
materiálů
od 05.2000 do 07.2001 LAKMA SAT Sp. z o.o
Technický specialista (smlouva): zavádění nových výrobků (mozaikové
omítky), optimalizace stávajících receptur (silikonové, akrylové a
butadienové těsnění)
od 04.1997 do 05.2000 Praxair Polska sp. z o.o.
Manažer pro chemický trh: rozvoj trhu (písemné reference), zavádění
technologie Praxair do čističek odpadních vod (písemné reference)
od 07.1993 do 04.1997 Polifarb Cieszyn S.A.
Technický specialista: hodnocení barev lakýrnických výrobků,
navrhování barev, tvorba receptur barev a emailu, zaveden autorský
systém barvení výrobků obecného použití společně s pomocným
software (písemné reference)