Inteligentní výukový systém (ITS) je počítačový systém, jehož cílem je poskytovat studentům okamžitou a přizpůsobenou výuku nebo zpětnou vazbu, obvykle bez zásahu lidského učitele. Společným cílem ITS je umožnit učení smysluplným a efektivním způsobem s využitím různých výpočetních technologií. Existuje mnoho příkladů, kdy jsou ITS využívány jak ve formálním vzdělávání, tak v profesionálním prostředí, ve kterém prokázaly své schopnosti a omezení. Existuje úzký vztah mezi inteligentním výukovým programem, teoriemi kognitivního učení a designem a probíhá výzkum ke zlepšení účinnosti ITS.
Skinner výukový stroj 08
O možnosti inteligentních strojů se diskutovalo po staletí. Blais Pascal vytvořil v 17. století první počítací stroj schopný matematických funkcí, nazvaný jednoduše Pascalova kalkulačka. V této době si matematik a filozof Leibniz představil stroje schopné uvažování a aplikace pravidel logiky pro urovnání sporů (Buchanan, 2006). Tyto rané práce přispěly k vývoji počítače a budoucích aplikací.
Koncept inteligentních strojů pro výukové účely se datuje již do roku 1924, kdy Sidney Pressey z Ohijské státní univerzity vytvořil mechanický výukový stroj pro výuku studentů bez lidského učitele. Jeho stroj se velmi podobal psacímu stroji s několika klávesami a oknem, které poskytovalo studentovi otázky. Presseyho stroj umožňoval uživatelské vstupy a poskytoval okamžitou zpětnou vazbu tím, že zaznamenával jejich skóre na počítadlo.
Sám Pressey byl ovlivněn Edwardem L. Thorndikem, teoretikem učení a pedagogickým psychologem na Columbia University Teacher College z konce 19. a začátku 20. století. Thorndike kladl zákony pro maximalizaci učení. Thorndikeovy zákony zahrnovaly zákon účinku, zákon cvičení a zákon recencí. Podle pozdějších standardů by Presseyho výukový a zkušební stroj nebyl považován za inteligentní, protože byl mechanicky řízen a byl založen na jedné otázce a odpovědi najednou, ale vytvořil raný precedens pro budoucí projekty.
V 50. a 60. letech se objevovaly nové pohledy na učení. Burrhus Frederic „B.F.“ Skinner na Harvardově univerzitě nesouhlasil s Thorndikeovou teorií učení konektonismu nebo Presseyho výukovým strojem. Skinner byl spíše behaviourista, který věřil, že studenti by měli konstruovat své odpovědi a nespoléhat na rozpoznávání. I on sestrojil vyučovací stroj strukturovaný pomocí přírůstkového mechanického systému, který by odměňoval studenty za správné odpovědi na otázky.
V období po druhé světové válce mechanické binární systémy ustoupily elektronickým strojům na bázi binárních systémů.Tyto stroje byly považovány za inteligentní ve srovnání se svými mechanickými protějšky, protože měly schopnost činit logická rozhodnutí. Nicméně studium definování a rozpoznání inteligence strojů bylo stále v plenkách.
Alan Turing, matematik, logik a počítačový vědec, propojil výpočetní systémy s myšlením.Jedna z jeho nejpozoruhodnějších prací nastínila hypotetický test pro posouzení inteligence stroje, který vešel ve známost jako Turingův test. V podstatě by test měl člověka komunikovat se dvěma dalšími agenty, člověkem a počítačem, který by kladl otázky oběma příjemcům. Počítač projde testem, pokud může reagovat tak, že člověk kladoucí otázky nemůže rozlišovat mezi druhým člověkem a počítačem. Turingův test byl ve své podstatě používán více než dvě desetiletí jako model pro současný vývoj ITS. Hlavním ideálem pro ITS systémy je efektivní komunikace. Již v 50. letech 20. století se objevovaly programy zobrazující inteligentní rysy. Turingova práce i pozdější projekty výzkumníků jako Allen Newell, Clifford Shaw a Herb Simon ukázaly programy schopné vytvářet logické důkazy a věty. Jejich program, The Logic Theorist vykazoval složitou manipulaci se symboly a dokonce generování nových informací bez přímé lidské kontroly a je některými považován za první AI program. Takové průlomy by inspirovaly nový obor umělé inteligence, oficiálně pojmenovaný v roce 1956 Johnem McCarthym v roce 1956 na Dartmouthské konferenci. Tato konference byla první svého druhu, která byla věnována vědcům a výzkumu v oblasti AI.
Terminál PLATO V CAI v roce 1981
V druhé polovině šedesátých a sedmdesátých let se objevilo mnoho nových projektů CAI (Computer-Assisted instruction), které stavěly na pokroku v informatice. Vytvoření programovacího jazyka BASIC v roce 1958 umožnilo mnoha školám a univerzitám začít vyvíjet programy CAI (Computer Assisted Instruction). Vývoj těchto projektů financovali významní dodavatelé počítačů a federální agentury v USA jako IBM, HP a National Science Foundation. Rané implementace ve vzdělávání se zaměřovaly na programovanou výuku (PI), strukturu založenou na počítačovém vstupním – výstupním systému. Ačkoli mnozí tuto formu výuky podporovali, existovaly omezené důkazy podporující její účinnost. Programovací jazyk LOGO vytvořili v roce 1967 Wally Feurzeig a Seymour Papert jako jazyk zefektivněný pro vzdělávání. PLATO, vzdělávací terminál s displeji, animacemi a dotykovými ovladači, který mohl ukládat a dodávat velké množství studijního materiálu, vyvinul Donald Bitzer na University of Illinois počátkem 70. let. Spolu s nimi bylo zahájeno mnoho dalších projektů CAI v mnoha zemích včetně USA, Velké Británie a Kanady.
Ve stejné době, kdy CAI získávala zájem, Jaime Carbonell navrhl, že počítače by mohly fungovat spíše jako učitel než jako pouhý nástroj (Carbonell, 1970). Objevila se nová perspektiva, která se zaměřila na využití počítačů k inteligentnímu koučování studentů, nazvaná Inteligentní počítačem podporovaná výuka nebo Inteligentní výukové systémy (ITS). Tam, kde CAI použila behaviouristickou perspektivu učení založenou na Skinnerových teoriích (Dede & Swigger, 1988), ITS čerpala z práce v kognitivní psychologii, informatice a zejména umělé inteligenci. V této době došlo k posunu ve výzkumu AI, protože systémy se přesunuly z logického zaměření předchozího desetiletí do systémů založených na znalostech – systémy mohly dělat inteligentní rozhodnutí na základě předchozích znalostí (Buchanan, 2006). Takový program vytvořili Seymour Papert a Ira Goldstein, kteří vytvořili Dendral, systém, který předpovídal možné chemické struktury z existujících dat. Další práce začaly ukazovat analogické uvažování a zpracování jazyka. Tyto změny se zaměřením na znalosti měly velké důsledky pro to, jak by počítače mohly být použity ve výuce. Technické požadavky ITS se však ukázaly být vyšší a složitější, než by systémy CAI a ITS v této době měly omezený úspěch.
Mikropočítače a inteligentní systémy
Počátkem 80. let by se také cíle ICAI a ITS rozcházely od svých kořenů v CAI. Jak se CAI stále více zaměřovala na hlubší interakce s obsahem vytvořeným pro konkrétní oblast zájmu, ITS se snažil vytvořit systémy zaměřené na znalost úkolu a schopnost zobecnit tyto znalosti nespecifickými způsoby (Larkin & Chabay, 1992). Klíčovými cíli stanovenými pro ITS bylo umět úkol učit a také jej vykonávat a dynamicky se přizpůsobovat jeho situaci. Při přechodu od CAI k ICAI systémům by počítač musel rozlišovat nejen mezi správnou a nesprávnou odpovědí, ale i typ nesprávné odpovědi pro úpravu typu instrukce. Výzkum v oblasti umělé inteligence a kognitivní psychologie podporoval nové principy ITS. Psychologové zvažovali, jak by počítač mohl řešit problémy a vykonávat „inteligentní“ činnosti. ITS program by musel být schopen reprezentovat, ukládat a získávat znalosti a dokonce prohledávat vlastní databázi, aby získal vlastní nové znalosti, které by odpovídaly na otázky žáka. V podstatě rané specifikace pro ITS nebo (ICAI) vyžadují, aby „diagnostikoval chyby a přizpůsoboval nápravu na základě diagnózy“ (Shute & Psotka, 1994, s. 9). Myšlenka diagnostiky a nápravy se používá dodnes při programování ITS.
Klíčovým průlomem ve výzkumu ITS bylo vytvoření programu LISPITS, který implementoval principy ITS v praxi a vykazoval slibné efekty zvyšující výkonnost studentů. LISPITS byl vyvinut a zkoumán v roce 1983 jako systém ITS pro výuku studentů programovacího jazyka LISP (Corbett & Anderson, 1992). LISPITS uměl identifikovat chyby a poskytovat konstruktivní zpětnou vazbu studentům během provádění cvičení. Zjistilo se, že systém zkracuje čas potřebný k dokončení cvičení a zároveň zlepšuje výsledky studentských testů (Corbett & Anderson, 1992). Mezi další systémy ITS, které se začaly vyvíjet přibližně v této době, patří TUTOR vytvořený Logicou v roce 1984 jako obecný instruktážní nástroj a PARNASSUS vytvořený na Carnegie Mellon University v roce 1989 pro výuku jazyků.
Po zavedení počátečních ITS vytvořilo více výzkumníků řadu ITS pro různé studenty. Koncem 20. století byly Intelligent Tutoring Tools (ITT) vyvinuty v rámci projektu Byzantium, do kterého bylo zapojeno šest univerzit. ITT byly tvůrci výukových systémů pro obecné účely a mnoho institucí mělo při jejich používání pozitivní zpětnou vazbu. (Kinshuk, 1996) Tento tvůrce, ITT, měl vytvořit Intelligent Tutoring Applet (ITA) pro různé obory. Různí učitelé vytvořili ITA a vytvořili velký inventář znalostí, které byly přístupné ostatním prostřednictvím internetu. Jakmile byl ITS vytvořen, učitelé jej mohli zkopírovat a upravit pro budoucí použití. Tento systém byl efektivní a flexibilní. Kinshuk a Patel se však domnívali, že ITS nebyl navržen z hlediska vzdělávání a nebyl vyvinut na základě skutečných potřeb studentů a učitelů. (Kinshuk a Patel, 1997)
Existovaly tři ITS projekty, které fungovaly na základě konverzačního dialogu: AutoTutor, Atlas (Freedman, 1999) a Why2. Myšlenka těchto projektů byla taková, že jelikož se studenti nejlépe učí konstrukcí znalostí sami, programy by začínaly návodnými otázkami pro studenty a dávaly by odpovědi jako poslední možnost. Studenti AutoTutoru se zaměřili na zodpovězení otázek o výpočetní technice, studenti Atlasu se zaměřili na řešení kvantitativních problémů a studenti Why2 se zaměřili na kvalitativní vysvětlení fyzikálních systémů. (Graesser, VanLehn, a další, 2001) Jiné podobné výukové systémy jako Andes (Gertner, Conati, a VanLehn, 1998) mají tendenci poskytovat nápovědu a bezprostřední zpětnou vazbu pro studenty, když mají studenti problémy s odpověďmi na otázky. Mohli hádat své odpovědi a mít správné odpovědi bez hlubšího pochopení pojmů. Výzkum byl proveden s malou skupinou studentů používajících Atlas, respektive Andes. Výsledky ukázaly, že studenti používající Atlas dosáhli významného zlepšení ve srovnání se studenty, kteří používali Andes. Avšak vzhledem k tomu, že výše uvedené systémy vyžadují analýzu dialogů studentů, je ještě třeba provést zlepšení, aby bylo možné zvládnout složitější dialogy.
Inteligentní výukové systémy se skládají ze čtyř základních složek založených na obecné shodě mezi výzkumníky (Nwana,1990; Freedman, 2000; Nkambou et al., 2010):
Studentský model lze považovat za překrytí doménového modelu. Je považován za základní složku ITS věnující zvláštní pozornost studentovým kognitivním a afektivním stavům a jejich vývoji v průběhu procesu učení. Když student pracuje krok za krokem v procesu řešení svých problémů, systém se zapojí do procesu zvaného modelování. Kdykoliv se studentský model odchýlí od doménového modelu, systém identifikuje nebo označí, že došlo k chybě.
Model lektora přijímá informace z doménových a studentských modelů a provádí volby ohledně výukových strategií a akcí. V kterémkoli okamžiku procesu řešení problémů si může lektor vyžádat návod, co dělat dál, vzhledem k jeho aktuálnímu umístění v modelu. Kromě toho systém rozpozná, kdy se lektor odchýlil od výrobních pravidel modelu, a poskytuje lektorovi včasnou zpětnou vazbu, což má za následek kratší dobu k dosažení znalosti cílových dovedností. Model lektora může obsahovat několik stovek výrobních pravidel, o kterých lze říci, že existují v jednom ze dvou stavů, naučených nebo neučených. Pokaždé, když student úspěšně aplikuje pravidlo na problém, systém aktualizuje odhad pravděpodobnosti, že se student pravidlo naučil. Systém pokračuje v procvičování studentů na cvičeních, která vyžadují efektivní aplikaci pravidla, dokud pravděpodobnost, že se pravidlo naučili, nedosáhne alespoň 95% pravděpodobnosti.
Sledování znalostí sleduje pokrok studujícího od problému k problému a vytváří profil silných a slabých stránek ve vztahu k výrobním pravidlům. Systém kognitivního doučování vyvinutý Johnem Andersonem na Carnegie Mellon University prezentuje informace ze sledování znalostí jako skillometr, vizuální graf úspěchu studujícího v každé ze sledovaných dovedností souvisejících s řešením algebraických problémů. Když studující požaduje nápovědu nebo je chyba označena, data sledování znalostí a skillometr jsou aktualizovány v reálném čase.
Komponenta uživatelského rozhraní „integruje tři typy informací, které jsou potřebné při vedení dialogu: znalosti o vzorcích interpretace (pro pochopení mluvčího) a akce (pro generování výroků) v rámci dialogů; znalosti domény potřebné pro sdělování obsahu; a znalosti potřebné pro sdělování záměru“ (Padayachee, 2002, str. 3).
Nkambou et al. (2010) zmiňují Nwanův (1990) přehled různých architektur podtrhující silnou vazbu mezi architekturou a paradigmatem (nebo filozofií). Nwana (1990) prohlašuje: „[I]t je téměř raritou najít dva ITS založené na stejné architektuře [která] vyplývá z experimentální povahy práce v této oblasti“ (s. 258). Dále vysvětluje, že odlišné doučovací filozofie zdůrazňují různé složky procesu učení (tj. doménu, studenta nebo lektora). Architektonický návrh ITS odráží tento důraz, a to vede k různým architekturám, z nichž žádná jednotlivě nemůže podporovat všechny strategie doučování (Nwana, 1990, jak je citováno v Nkambou et al., 2010). Projekty ITS se navíc mohou lišit podle relativní úrovně inteligence jednotlivých složek. Například projekt zdůrazňující inteligenci v modelu domény může generovat řešení složitých a neotřelých problémů tak,
že studenti mohou mít vždy nové problémy, na kterých mohou pracovat, ale mohou mít pouze jednoduché metody pro výuku těchto problémů, zatímco systém, který se soustředí na více nebo neotřelé způsoby výuky konkrétního tématu, může považovat méně sofistikované znázornění tohoto obsahu za dostatečné.
Konstrukční a vývojové metody
První fáze známá jako posouzení potřeb je společná pro jakýkoli proces návrhu výuky, zejména pro vývoj softwaru. Ta zahrnuje analýzu studujícího, konzultaci s odborníky na předměty a/nebo vyučujícím/vyučujícími. Tento první krok je součástí rozvoje odborné/vědomostní a studentské oblasti. Cílem je upřesnit cíle výuky a nastínit obecný plán učebních osnov; je nutné nepočítat tradiční pojmy, ale vytvořit novou strukturu učebních osnov vymezením úkolu obecně a pochopením možného chování studujících, kteří se zabývají daným úkolem, a v menší míře i chováním vyučujícího. Přitom je třeba se zabývat třemi zásadními rozměry: (1) pravděpodobnost, že student je schopen řešit problémy; (2) čas potřebný k dosažení této úrovně výkonnosti a (3) pravděpodobnost, že student bude v budoucnu tyto znalosti aktivně využívat. Dalším důležitým aspektem, který vyžaduje analýzu, je nákladová efektivita rozhraní. Kromě toho musí být posouzeny charakteristiky učitelů a studentů, jako jsou předchozí znalosti, protože obě skupiny budou uživateli systému.
Třetí fáze, úvodní implementace lektora, zahrnuje nastavení prostředí pro řešení problémů, které umožní a podpoří autentický proces učení. Po této fázi následuje série hodnotících aktivit jako závěrečná fáze, která je opět podobná jakémukoli projektu vývoje softwaru.
Čtvrtá fáze, hodnocení, zahrnuje (1) pilotní studie k potvrzení základní použitelnosti a vzdělávacího dopadu; (2) formativní hodnocení vyvíjeného systému, včetně (3) parametrických studií, které zkoumají účinnost systémových funkcí a konečně, (4) souhrnné hodnocení účinku konečného lektora: míra učení a asymptotické úrovně dosažených výsledků.
Osm principů návrhu a vývoje ITS
Anderson et al. (1987) nastínil osm principů pro inteligentní tutor design a Corbett et al. (1997) později rozpracoval na těchto principech zdůraznění všeobjímající princip, který oni věřili řídí inteligentní tutor design, oni odkazovali na tento princip jako:
Zásada 0: Inteligentní výukový systém by měl studentovi umožnit pracovat na úspěšném vyřešení problému.
To vše představuje značné množství práce, a to i v případě, že jsou k dispozici autorizační nástroje, které úkol ulehčí. To znamená, že budování ITS je možností pouze v situacích, kdy navzdory relativně vysokým nákladům na vývoj stále snižují celkové náklady prostřednictvím snížení potřeby lidských instruktorů nebo dostatečného zvýšení celkové produktivity. K takovým situacím dochází, když je třeba současně doučovat velké skupiny nebo je zapotřebí mnoha replikovaných doučovacích činností. Příkladem jsou situace technického výcviku, jako je výcvik vojenských rekrutů a matematika na středních školách. Jeden specifický typ inteligentního doučovacího systému, kognitivní doučovatel, byl začleněn do učebních osnov matematiky na značném počtu středních škol ve Spojených státech, čímž se zlepšily výsledky studentského učení u závěrečných zkoušek a standardizovaných testů. Inteligentní výukové systémy byly vytvořeny s cílem pomoci studentům naučit se geografii, obvody, lékařskou diagnózu, počítačové programování, matematiku, fyziku, genetiku, chemii atd. Inteligentní jazykové výukové systémy (ILTS), např. tento, učí žáky prvního nebo druhého jazyka přirozený jazyk. ILTS vyžaduje specializované nástroje pro zpracování přirozeného jazyka, jako jsou velké slovníky a morfologické a gramatické analyzátory s přijatelným pokrytím.
Během rychlého rozmachu internetového boomu poskytla nová počítačově podporovaná výuková paradigmata, jako je e-learning a distribuované učení, vynikající platformu pro nápady ITS. Oblasti, které využívaly ITS, zahrnují zpracování přirozeného jazyka, strojové učení, plánování, multiagentní systémy, ontologie, sémantický web a sociální a emoční výpočetní techniku. Kromě toho byly s ITS spojeny nebo kombinovány i další technologie, jako jsou multimédia, objektově orientované systémy, modelování, simulace a statistiky. Úspěch ITS ovlivnil i historicky netechnologické oblasti, jako jsou vzdělávací vědy a psychologie.
V posledních letech se ITS začala odklánět od vyhledávání a začleňovat řadu praktických aplikací. ITS se rozšířila do mnoha kritických a komplexních kognitivních oblastí a výsledky byly dalekosáhlé. Systémy ITS upevnily místo ve formálním vzdělávání a tyto systémy našly uplatnění ve sféře firemního vzdělávání a organizačního učení. ITS nabízí studentům několik cenových možností, jako je individualizované učení, zpětná vazba právě v čase a flexibilita v čase a prostoru.
Inteligentní výukové systémy se sice vyvinuly z výzkumu v oblasti kognitivní psychologie a umělé inteligence, v současnosti však existuje mnoho aplikací ve vzdělávání a v organizacích. Inteligentní výukové systémy lze nalézt v on-line prostředí nebo v tradiční učebně výpočetní techniky a používají se v učebnách K-12 i na univerzitách. Existuje řada programů, které se zaměřují na matematiku, ale aplikace lze nalézt ve zdravotnických vědách, osvojování jazyka a dalších oblastech formalizovaného učení.
Zprávy o zlepšení studentského porozumění, angažovanosti, přístupu, motivace a akademických výsledků přispěly k trvalému zájmu o investice do diplomových systémů a jejich výzkum. Individuální povaha inteligentních doučovacích systémů poskytuje pedagogům možnost vytvářet individualizované programy. V rámci vzdělávání existuje nepřeberné množství inteligentních doučovacích systémů, vyčerpávající výčet neexistuje, ale několik vlivnějších programů je uvedeno níže.
Doučování algebry
PAT (PUMP Algebra Tutor nebo Praktický doučování algebry) vyvinutý Pittsburgh Advanced Cognitive Tutor Center na Carnegie Mellon University, zapojuje studenty do ukotvených učebních problémů a používá moderní algebraické nástroje k zapojení studentů do řešení problémů a sdílení jejich výsledků. Cílem PAT je využít předchozí znalosti studentů a každodenní zkušenosti s matematikou s cílem podpořit růst. Úspěch PAT je dobře zdokumentován (např. Miami-Dade County Public Schools Office of Evaluation and Research) jak ze statistického (výsledky studentů), tak z emočního (zpětná vazba studentů a instruktorů) pohledu.
Učitel matematiky
Učitel matematiky (Beal, Beck & Woolf, 1998) pomáhá studentům řešit slovní problémy pomocí zlomků, desetinných míst a procent. Učitel zaznamenává úspěšnost, když student pracuje na problémech, a zároveň poskytuje studentovi následné, pákové problémy, na kterých může pracovat. Následné problémy, které jsou vybrány, jsou založeny na schopnostech studenta a je odhadnuta požadovaná doba, ve které má student problém vyřešit.
eTeacher
eTeacher (Schiaffino et al., 2008) je inteligentní agent, který podporuje personalizovanou e-learningovou pomoc. Vytváří profily studentů a zároveň sleduje výsledky studentů v on-line kurzech. eTeacher pak využívá informace z výsledků studentů k navržení personalizovaných akčních kurzů, které mají pomoci jejich učebnímu procesu.
ZOSMAT
ZOSMAT byl navržen tak, aby řešil všechny potřeby skutečné učebny. Sleduje a vede studenta v různých fázích jeho učebního procesu. Jedná se o ITS zaměřený na studenta, který to dělá tak, že zaznamenává pokrok v učení studenta a změny studentského programu na základě úsilí studenta. ZOSMAT může být použit buď pro individuální učení, nebo v reálném prostředí učebny spolu s vedením lidského lektora.
REALP
REALP byl navržen tak, aby studentům pomohl zlepšit jejich porozumění čtení tím, že poskytuje lexikální praxi specifickou pro čtenáře a nabízí personalizovanou praxi s užitečnými, autentickými čtenářskými materiály shromážděnými z webu. Systém automaticky sestaví uživatelský model podle výkonu studenta. Po přečtení dostane student sérii cvičení založených na cílové slovní zásobě nalezené ve čtení.
CIRCSlM-Tutor
CIRCSIM_Tutor je inteligentní doučovací systém, který je používán studenty prvního ročníku medicíny na Illinois Institute of Technology. Používá přirozený dialog založený na sokratovském jazyce, který pomáhá studentům učit se o regulaci krevního tlaku.
Why2-Atlas
Why2-Atlas je ITS, který analyzuje vysvětlení fyzikálních principů studenty. Studenti vkládají svou práci ve formě odstavce a program převádí jejich slova na důkaz tím, že vytváří předpoklady studentských přesvědčení, které jsou založeny na jejich vysvětleních. Při tom jsou zdůrazněny mylné představy a neúplná vysvětlení. Systém pak řeší tyto otázky prostřednictvím dialogu se studentem a požádá studenta, aby opravil svou esej. Před dokončením procesu může proběhnout řada iterací.
SmartTutor
Hongkongská univerzita (HKU) vyvinula SmartTutor na podporu potřeb studentů pokračujícího vzdělávání. Za klíčovou potřebu v rámci vzdělávání dospělých na HKU bylo označeno personalizované učení a SmartTutor si klade za cíl tuto potřebu naplnit. SmartTutor poskytuje podporu studentům kombinací internetové technologie, vzdělávacího výzkumu a umělé inteligence.
AutoTutor
AutoTutor pomáhá vysokoškolským studentům s učením o počítačovém hardwaru, operačních systémech a internetu v úvodním kurzu počítačové gramotnosti simulací diskusních vzorců a pedagogických strategií lidského lektora. AutoTutor se pokouší porozumět vstupu studujícího z klávesnice a poté formulovat dialogové pohyby se zpětnou vazbou, výzvami, opravami a radami.
ActiveMath
ActiveMath je webové adaptivní výukové prostředí pro matematiku. Tento systém usiluje o zlepšení dálkového studia, o doplnění tradiční výuky ve třídě a o podporu individuálního a celoživotního učení.
Příklady firemního vzdělávání a průmyslu
SHERLOCK
„SHERLOCK“ se používá k výcviku techniků vojenského letectva pro diagnostiku problémů v elektrických systémech proudových letadel F-15. ITS vytváří vadné schématické diagramy systémů, které může účastník výcviku lokalizovat a diagnostikovat. ITS poskytuje diagnostické údaje, které umožňují účastníkovi výcviku rozhodnout, zda závada spočívá v testovaném obvodu, nebo zda leží jinde v systému. Zpětnou vazbu a pokyny poskytuje systém a na vyžádání je k dispozici pomoc.
Kardiak Tutor
Cílem Kardiaka Tutor je podporovat pokročilé techniky srdeční podpory zdravotnickému personálu. Lektor prezentuje srdeční problémy a pomocí různých kroků musí studenti vybírat různé zákroky. Kardiak Tutor poskytuje vodítka, slovní rady a zpětnou vazbu s cílem personalizovat a optimalizovat učení. Každá simulace, bez ohledu na to, zda byli studenti schopni úspěšně pomoci svým pacientům, vyústí v podrobnou zprávu, kterou pak studenti prohlédnou.
KÓDY
Cooperative Music Prototype Design je webové prostředí pro kooperativní hudební prototypování. Byl navržen tak, aby podporoval uživatele, zejména ty, kteří nejsou odborníky na hudbu, při vytváření hudebních skladeb prototypovým způsobem. Hudební ukázky (prototypy) mohou být opakovaně testovány, přehrávány a upravovány. Jedním z hlavních aspektů KÓDŮ je interakce a spolupráce mezi hudebními tvůrci a jejich partnery.
Zhodnocení efektivity ITS programů je problematické. ITS se velmi liší v designu, implementaci a vzdělávacím zaměření. Když jsou ITS použity ve třídě, systém nevyužívají pouze studenti, ale i učitelé. Toto využití může vytvářet překážky efektivnímu hodnocení z mnoha důvodů; zejména kvůli zásahu učitele do učení studentů. Učitelé mají často schopnost zadávat do systému nové problémy, upravovat osnovy a vytvářet interakce se studenty při učení. Všechny tyto proměnné činí hodnocení ITS složitým.
I přes inherentní složitosti se četné studie pokusily měřit celkovou účinnost ITS, často srovnáváním ITS s lidskými lektory. Revize raných systémů ITS (1995) ukázaly velikost efektu d = 1,0 v porovnání s žádným doučováním, kde jako lidským lektorům byla dána velikost efektu d = 2,0. Kurt VanLehn v mnohem novějším přehledu (2011) moderních ITS zjistil, že neexistuje statistický rozdíl ve velikosti efektu mezi expertními individuálními lidskými lektory a step-based ITS. Některé individuální ITS byly hodnoceny pozitivněji než jiné. Studie Algebra Cognitive Tutor zjistily, že studenti ITS předčili studenty vyučované třídním učitelem ve standardizovaných testových úlohách a úlohách řešení problémů v reálném světě. Následné studie zjistily, že tyto výsledky byly zvláště výrazné u studentů ze speciálního školství, nerodilé angličtiny a nízkopříjmových prostředí.
Mezi uznávané přednosti ITS patří schopnost poskytovat okamžitou zpětnou vazbu ano/ne, individuální výběr úkolů, rady na vyžádání a podpora mastery learningu.
Inteligentní výukové systémy jsou drahé jak na vývoj, tak na implementaci. Fáze výzkumu dláždí cestu pro vývoj systémů, které jsou komerčně životaschopné. Fáze výzkumu je však často drahá; vyžaduje spolupráci a vklad odborníků na předměty, spolupráci a podporu jednotlivců napříč organizacemi i organizačními úrovněmi. Dalším omezením ve fázi vývoje je konceptualizace a vývoj softwaru v rámci rozpočtových i časových omezení. Existují také faktory, které omezují začlenění inteligentních lektorů do reálného světa, včetně dlouhého časového rámce potřebného pro vývoj a vysokých nákladů na vytvoření systémových komponent. Velká část těchto nákladů je výsledkem budování obsahových komponent. Průzkumy například odhalily, že kódování hodiny on-line výukového času zabralo 300 hodin času na vývoj pro procházení obsahu. Podobně budování kognitivního tutoru zabralo poměr doby vývoje k době výuky nejméně 200:1 hodin. Vysoké náklady na vývoj často zastiňují kopírování úsilí pro aplikace v reálném světě.
Inteligentní výukové systémy nejsou obecně komerčně proveditelné pro aplikace v reálném světě.
Kritikou v současnosti používaných inteligentních výukových systémů je pedagogika okamžitých zpětných vazeb a sekvencí náznaků, které jsou zabudovány tak, aby systém byl „inteligentní“. Tato pedagogika je kritizována za to, že u studentů nerozvíjí hluboké učení. Když studenti získají kontrolu nad schopností přijímat náznaky, vytvořená odezva učení je negativní. Někteří studenti se okamžitě obrátí k náznakům, než se pokusí problém vyřešit nebo úkol dokončit. Když je to možné, někteří studenti náznaky odsunou – obdrží co nejvíce náznaků co nejrychleji – aby úkol dokončili rychleji. Pokud studenti nereflektují na zpětnou vazbu nebo náznaky výukového systému a místo toho zvyšují odhad, dokud není získána pozitivní zpětná vazba, student se v podstatě učí dělat správnou věc ze špatných důvodů. Výukové systémy nejsou schopny odhalit mělké učení, a proto není učení pro některé uživatele optimální.
Další kritikou inteligentních systémů doučování je neschopnost systému klást studentům otázky, aby vysvětlili své jednání. Pokud se student neučí jazyk domény, je obtížnější získat hlubší porozumění, spolupracovat ve skupinách a přenést jazyk domény do psaní. Například pokud student „nemluví o vědě“, argumentuje se tím, že není ponořen do kultury vědy, což ztěžuje provádění vědeckého psaní nebo účast na týmové spolupráci. Inteligentní systémy doučování byly kritizovány za to, že jsou příliš „instruktivistické“ a odstraňují vnitřní motivaci, kontexty sociálního učení a kontextový realismus z učení.
V úvahu by měly být brány praktické obavy, pokud jde o sklon zadavatelů/úřadů a uživatelů k přizpůsobování inteligentních výukových systémů. Za prvé, někdo musí být ochoten zavést ITS. Kromě toho si musí úřad uvědomit nutnost začlenit inteligentní výukový software do současných osnov a za poslední, zadavatel nebo úřad musí nabídnout potřebnou podporu ve fázích vývoje systému až do jeho dokončení a zavedení.
Hodnocení inteligentního systému doučování je důležitou fází; často je však obtížné, nákladné a časově náročné. I když v literatuře jsou prezentovány různé hodnotící techniky, neexistují žádné hlavní zásady pro výběr vhodné hodnotící metody (metod), která se má použít v konkrétním kontextu. Měla by být provedena pečlivá kontrola, aby se zajistilo, že složitý systém dělá to, co tvrdí, že dělá. Toto hodnocení může nastat během návrhu a raného vývoje systému, aby se identifikovaly problémy a aby se řídily úpravy (tj. formativní hodnocení). Naopak k hodnocení může dojít po dokončení systému, aby se podpořily formální nároky týkající se konstrukce, chování nebo výsledků spojených s dokončeným systémem (tj. souhrnné hodnocení). Velká výzva, kterou přinesl nedostatek hodnotících standardů, vedla k zanedbání fáze hodnocení v několika stávajících ITS‘.
Současné a budoucí směry
Některé aspekty, které mohou dělat lidští lektoři a kterými jsou inteligentní systémy doučování stále omezeny, jsou v oblasti dialogu a zpětné vazby. Jedním z důvodů těchto omezení je, že lidští lektoři jsou schopni interpretovat afektivní stav studenta. Současný výzkum se zaměřuje na to, jak zlepšit tyto oblasti ITS, aby byly efektivnější.
Lidský učitel má schopnost porozumět tónu a modulaci osoby v rámci dialogu a interpretovat ji tak, aby poskytovala nepřetržitou zpětnou vazbu prostřednictvím nepřetržitého dialogu. Inteligentní výukové systémy jsou nyní vyvíjeny tak, aby se pokusily simulovat přirozené konverzace. Pro získání plného prožitku dialogu existuje mnoho různých oblastí, ve kterých musí být počítač naprogramován; včetně schopnosti porozumět tónu, modulaci, řeči těla a výrazu obličeje a následně na ně reagovat. Dialog v ITS lze využít k kladení konkrétních otázek, které pomohou studentům vést a získávat informace a zároveň studentům umožní vytvořit si vlastní znalosti. Vývoj sofistikovanějšího dialogu v rámci ITS byl v některých současných výzkumech zaměřen částečně na řešení omezení a vytvoření konstruktivnějšího přístupu k ITS.
Roste množství práce, která zvažuje roli ovlivnění učení a snaží se vyvinout inteligentní doučovací systémy, které budou schopny interpretovat různé emocionální stavy a přizpůsobit se jim. Lidé nevyužívají při učení jen kognitivní procesy, ale důležitou roli hrají i afektivní procesy, kterými procházejí. Například se studenti učí lépe, když mají určitou úroveň nerovnováhy (frustrace), ale ne tolik, aby se žák cítil úplně přemožen. To motivovalo afektivní počítače, aby začaly vytvářet a zkoumat inteligentní doučovací systémy, které dokážou interpretovat afektivní proces jedince. ITS může být vyvinut tak, aby četl výrazy jedince a další známky ovlivnění ve snaze najít a doučovat optimální afektivní stav pro učení. Je při tom mnoho komplikací, protože vliv se nevyjadřuje jen jedním způsobem, ale více způsoby, takže aby ITS byl účinný při interpretaci afektivních stavů, může vyžadovat multimodální přístup (tón, výraz obličeje, atd…). Tyto myšlenky vytvořily v rámci ITS nový obor, a to afektivní výukové systémy (ATS). Jedním z příkladů ITS, který řeší vliv, je Gaze Tutor, který byl vyvinut ke sledování očních pohybů studentů a určení, zda jsou znudění nebo roztržití, a pak se systém pokusí studenta znovu zapojit.
Konference Intelligent Tutoring Systems se obvykle koná každý druhý rok. Pořádali ji v Montrealu (Kanada) Claude Frasson a Gilles Gauthier, v letech 1988, 1992, 1996 a 2000; v San Antoniu (USA) Carol Redfield a Valerie Shute v roce 1998; v Biarritzu (Francie) a San Sebastianu (Španělsko) Guy Gouardères a Stefano Cerri v roce 2002; v Maceiu (Brazílie) Rosa Maria Vicari a Fábio Paraguaçu v roce 2004; v Jhongli (Tchaj-wan) Tak-Wai Chan v roce 2006. Konference se nedávno vrátila do Montrealu v roce 2008 (k 20. výročí) a pořádali ji Roger Nkambou a Susanne Lajoie. ITS 2010 se konala v Pittsburghu (USA), pořádali ji Jack Mostow, Judy Kay a Vincent Aleven. Konference v roce 2012 se konala v Chanii (Kréta). International Artificial Intelligence in Education (AIED) Society vydává The International Journal of Artificial Intelligence in Education (IJAIEIED) a každý lichý očíslovaný rok pořádá International Conference on Artificial Intelligence in Education. American Association of Artificial Intelligence (AAAI) někdy pořádá sympozia a přednášky týkající se inteligentních výukových systémů. O ITS byla napsána řada knih, včetně tří, které vydal Lawrence Erlbaum Associates.
Asociace pro umělou inteligenci]
Kategorické výukové systémy