Zastosowanie baz danych do reprezentacji wiedzy i automatyzacji procesów e-nauczania Lech Banachowski, Elżbieta Mrówka-Matejewska, Jerzy Paweł Nowacki.

Prezentacja na temat: "Zastosowanie baz danych do reprezentacji wiedzy i automatyzacji procesów e-nauczania Lech Banachowski, Elżbieta Mrówka-Matejewska, Jerzy Paweł Nowacki."— Zapis prezentacji:

1 Zastosowanie baz danych do reprezentacji wiedzy i automatyzacji procesów e-nauczania Lech Banachowski, Elżbieta Mrówka-Matejewska, Jerzy Paweł Nowacki Polsko-Japońska Wyższa Szkoła Technik Komputerowych XIV Konferencja „Uniwersytet Wirtualny – model, narzędzia, praktyka” Szkoła Główna Gospodarstwa Wiejskiego w Warszawie, 25-26.06.2014

2 Plan referatu 1. Wspomaganie nauczania przy użyciu technologii informatycznych 2. Modele danych dla wiedzy 3. Prototyp aplikacji e-tutora 4. Podsumowanie

3 Sytuacje edukacyjne wymagające częściowej automatyzacji procesów nauczania 1.Kandydaci na studia mają różne przygotowanie, są z różnych uczelni, po różnych specjalizacjach studiów I stopnia, wznawiają studia po dłuższej przerwie: potrzeba indywidualizacji szczegółów programu dla każdego studenta i dostarczenie mu pomocy w osiągnięciu wymaganego poziomu 2.Realizacja społecznej idei studiów ustawicznych: każdy student ustawiczny ma swój własny program studiowania realizowany w trybie dopasowanym do jego możliwości 3.Wspomaganie studentów na kursach MOCC

4 Terminologia E-publikacja (e-publication) – zbiór elektronicznych, powiązanych ze sobą materiałów Rozszerza określony artykuł lub książkę o dodatkowe materiały E-podręcznik (e-textbook) – podręcznik do kursu w formie elektronicznej obejmujący multimedia, quizy, prezentacje, wizualizacje, linki do materiałów z zaplanowanymi do wykonania zadaniami domowymi oraz dyskusjami/konsultacjami na forum i czacie Celem e-podręcznika jest realizacja procesu nauczania studenta

5 E-tutor E-tutor – program komputerowy realizujący zadania korepetytora studenta Celem e-tutora jest wspomaganie procesu nauczania na życzenie studenta, w szczególności gdy studentowi nie wystarcza sam e-podręcznik

6 Funkcje e-tutora Ułatwienie powtarzania/utrwalania materiału Sprawdzanie wiedzy studenta przy pomocy pytań i testów Jeśli student nie jest w stanie opanować części materiału, dostarczenie mu dodatkowych ćwiczeń i wyjaśnień Jeśli student ma braki w danym przedmiocie lub przedmiotach poprzedzających, umożliwienie nadrobienia tych braków

7 Inteligentny system uczący, Intelligent Tutoring System, ITS Inteligentny - mający cechy człowieka, naśladujący zachowanie człowieka dostosowujący się do poziomu i do zachowania się studenta identyfikujący błędy, dostarczający komentarzy i konstruktywnych wskazówek Pierwszy: LISPIT – system uczący języka programowania LISP - 1983 Szkolenia: diagnozowanie usterek w sprzęcie, diagnozowanie chorób, w wojsku, matematyka w szkole średniej np. Cognitive Tutor w USA

8 Podręcznik inteligentny – Inquire Stanford Research Institute Podręcznik multimedialny kursu + inteligentne wspomaganie studenta Zawiera bazę wiedzy (ok. 5000 pojęć) i system wnioskowania wspomagający wyznaczanie odpowiedzi na pytania studentów Gdy student czyta e-podręcznik, system zachęca go do aktywnego czytania: udostępniając definicje kluczowych terminów sugerując możliwe do zadania pytania wspomagając odrabianie zadań domowych odpowiadając na zadawane pytania Wersja elektroniczna podręcznika Campbell Biology

9 Interfejs systemu Inquire Student podaje pojęcie, na temat którego chciałby uzyskać informacje. System wyświetla listę możliwych do zadania pytań http://www.inquireproject.com/#ask

10 Model danych dla wiedzy - Wikidata W bazie danych Wikidata są składowane: elementy wiedzy (items) linki do stron w różnych językach narodowych dotyczących elementów wiedzy właściwości elementów (properties) kwalifikatory właściwości elementów (qualifiers) źródła właściwości elementów (sources)

11 Przykład Nagłówek Lista stwierdzeń Fragment strony http://www.wikidata.org/wiki/Q593744 opisu elementu wiedzy knowledge basehttp://www.wikidata.org/wiki/Q593744

12 Model danych słownika w Semantic Web Słownik (vocabulary) może być składowany w bazie danych przy użyciu dwóch tabel: ItemTypes i Properties Standaryzuje nazwy i znaczenie danych wspólnie używanych w internecie

13 Fragment słownika dla typu osoby http://schema.org/Person Poprzez współdzielenie wspólnego schematu określonego w słowniku można tworzyć zbiory danych o osobach opierając się na wspólnym rozumieniu wartości występujących jako wartości właściwości osób

14 Składowanie zbiorów danych 1.Zbiory danych określone przez słowniki typów mają uniwersalną postać zbioru trójek (key, name, value) gdzie: key jest kluczem elementu name jest nazwą właściwości value wartością właściwości danego elementu 2.Mogą być składowane: w 3-kolumnowej tabeli DataSet (Key, Name, Value) jako zbiór dokumentów-elementów w dokumentowej bazie danych

15 Sieć semantyczna (Semantic Network) Przykład z [5] W węzłach grafu skierowanego znajdują się elementy. Krawędzie są etykietowane nazwami właściwości (powiązań, relacji) Sieć semantyczną można zapisać w postaci zbioru trójek ( item, property, value ), podobnie jak w przypadku zbiorów danych w Semantic Web Oprócz relacyjnej i dokumentowej bazy danych – możliwość użycia grafowej bazy danych

16 Mapa pojęć (Concept Map) Sieć semantyczna, której elementami są pojęcia (typy elementów), krawędziami relacje między pojęciami http://milcord.com/milcord-blog/2009/11/25/concept-map-vs-powerpoint-for-briefings

17 Modele danych dla wiedzy w Inquire o pojęciu „Eukaryotic cell” Sieć semantyczna elementów wiedzy tworzona przez inżyniera wiedzy i eksperta dziedzinowego ( (and (instance-of ?c Cell) (exists ?n (and (instance-of ?n Nucleus) (has-part ?n ?c)))) (instance-of ?c Eukaryotic-Cell)) automatycznie tłumaczone na postać formuł logicznych, które są używane w mechaniźmie wnioskowania opartym na unifikacji

18 Model danych e-publikacji np. książki, artykuły, podręczniki

19 Baza danych dla e-tutora Cel badań Sprawdzenie na ile proste, nisko-kosztowe metody związane z wprowadzeniem do bazy danych całego podręcznika w podziale na fragmenty mogą pomóc w budowie elektronicznych tutorów Identyfikacja podstawowych składników modelu danych służących do opisu wiedzy zawartej w podręczniku

20 Metoda Rozłożenie e-podręcznika na części tak, aby umożliwić automatyczne generowanie: pytań i testów sprawdzających opanowanie materiału przez studentów materiałów wspomagających powtarzanie i utrwalanie wiedzy w tym zestawień i prezentacji jak tabele, diagramy, skorowidze, słowniki różnych wersji e-podręcznika

21 Model danych dla wiedzy e-tutora Podstawowymi pojęciami modelu danych są: podręcznik elektroniczny fragment podręcznika element (item) - atomowy element wiedzy temat (topic) - złożony element wiedzy Każdy element wiedzy charakteryzuje się posiadaniem definicji Każdy temat wyraża pewną własność elementu lub połączenia elementów wiedzy. Posiada swój opis przy użyciu fragmentu podręcznika

22 Elementy wiedzy są składnikami tematów Każdy element może wchodzić w skład wielu tematów Na przykład, element encja wchodzi w skład tematów : „Definicja encji” „Przykłady encji” „Reprezentacja encji w bazie danych przez tabelę”, „Szczególne przypadki encji: encja zależna, encja niezależna” „Encja zawiera atrybuty” „Zadania na konstrukcję encji”

23 Elementy wiedzy są składnikami tematów Przykłady generowania dialogów z bazy danych kursywą - nazwy elementów wiedzy i tematy pobierane z bazy danych, bez kursywy - fragmenty podręcznika z bazy danych i stałe teksty w tabelach wirtualnych

24 Elementy wiedzy są składnikami tematów Funkcje prot ot ypu e-tutora 1.Przypomnienie/powtórzenie materiału: student wybiera element wiedzy, system wyświetla pytania dotyczące tego elementu, student wybiera pytanie, system wyświetla odpowiedź 2.Tworzenie zbiorczych zestawień na temat różnych aspektów materiału z kursu 3.Sprawdzenie wiedzy: student wybiera wykład, system generuje losowo pytanie, gdy student poprosi o wyświetlenie odpowiedzi, system wyświetla odpowiedź system generuje pytania testowe, student odpowiada, system ocenia odpowiedzi 4.Oferowanie zadań do rozwiązania sprawdzających opanowanie przez studenta umiejętności

25 Elementy wiedzy są składnikami tematów Pytania

26 Elementy wiedzy są składnikami tematów Encyklopedia

27 Elementy wiedzy są składnikami tematów Podsumowanie 1.Dokonano przeglądu modeli danych do gromadzenia wiedzy od DataWiki do e-tutora 2.Pokazano, że po wprowadzeniu zawartości e- podręcznika do bazy danych akapit po akapicie uzyskuje się możliwość generowania treści dla e- tutora 3.Autorzy planują użycie opracowanego e-tutora w kursie prowadzonym przez internet w PJWSTK w roku akademickim 2014/15

28 Elementy wiedzy są składnikami tematów Bibliografia 1.Lech Banachowski, Elżbieta Mrówka-Matejewska, Jerzy Paweł Nowacki, Czy bazy wiedzy i podręczniki inteligentne stanowią kolejną fazę rozwoju technologii edukacyjnych?, w Postępy e- edukacji, Wyd. PJWSTK, 2013. 2.Denny Vrandecic, Markus Krotsch, Wikidata: A Free Collaborative Knowledge Base, CACM, 2014. 3.Alessia Bardi, Paolo Manghi, Enhanced Publications: Data Models and Information Systems, Liber Quarterly The journal of the Association of European Research Libraries, 2014. 4.Vinay K. Chaudhri, et.al. Inquire Biology: A Textbook that Answers Questions, AI Magazine, 2013. 5.David Poole, Alan Mackworth, Artificial Intelligence: Foundations of Computational Agents, Cambridge University Press, 2010.

29 Dziękujemy za uwagę Lech Banachowski, lech@pjwstk.edu.pllech@pjwstk.edu.pl Elżbieta Mrówka-Matejewska, emrowka@pjwstk.edu.plemrowka@pjwstk.edu.pl Jerzy Paweł Nowacki, nowacki@pjwstk.edu.plnowacki@pjwstk.edu.pl