Застосування теорії свідчень у адаптивних курсах корпоративних систем дистанційного навчання

Олег Євгенович Іларіонов, Ніна Миколаївна Іларіонова, Петро Миколайович Сорока

Анотація


Розглянуто перспективи застосування окремих математичних інструментів для адаптації курсів у корпоративних системах дистанційного навчання. Ідентифіковано особливості корпоративних систем дистанційного навчання – характеристики осіб, що навчаються, характеристики навчальних курсів та показники ефективності. Показано, що адаптація дистанційних курсів у таких системах повинна відбуватися передусім на основі аналізу компетенцій. Компетенції визначаються в результаті тестування та аналізу результатів тесту за допомогою теорії свідчень Демпстера-Шафера. Подальша адаптація курсів відбувається за допомогою моделі генерації контенту на основі компетенцій.


Ключові слова


теорія Демпстера-Шафера; навчальний профіль; адаптивні моделі; корпоративне дистанційне навчання; компетенції

Повний текст:

PDF

Посилання


Essalmi, F., Ayed, L. J. B., Jemni, M., Kinshuk, Graf, S. (2010). A fully personalization strategy of E-learning scenarios. Computers in Human Behavior, 26 (4), 581–591. doi: 10.1016/j.chb.2009.12.010

Esichaikul, V., Lamnoi, S., & Bechter, C. (2011). Student modelling in adaptive e-learning systems. Knowledge management and e-learning: An international journal, 3(3), 342-355

Mahajan, R. (2014). Web Usage Mining for Building an Adaptive e-Learning Site: A Case Study. International Journal of e-Education, e-Business, e-Management and e-Learning, 4 (4), 283–291. doi: 10.7763/ijeeee.2014.v4.343

Kardan, A. A., Aziz, M., Shahpasand, M. (2015). Adaptive systems: a content analysis on technical side for e-learning environments. Artificial Intelligence Review, 44 (3), 365–391. doi: 10.1007/s10462-015-9430-1

Halawa, M. S., Hamed, E. M. R., Shehab, M. E. (2015). Personalized E-learning recommendation model based on psychological type and learning style models. 2015 IEEE Seventh International Conference on Intelligent Computing and Information Systems (ICICIS). 577–583. doi: 10.1109/intelcis.2015.7397281

Thalmann, S. (2014). Adaptation criteria for the personalised delivery of learning materials: A multi-stage empirical investigation. Australasian Journal of Educational Technology, 30 (1), 45–60. doi: 10.14742/ajet.235

Truong, H. M. (2016). Integrating learning styles and adaptive e-learning system: Current developments, problems and opportunities. Computers in Human Behavior, 55, 1185–1193. doi: 10.1016/j.chb.2015.02.014

Modritscher, F. Gult, C., Garsia, B., Maurer, Y. (2004). Enhancement of SCORM to support adaptive e-learning within the scope of the research project AdeLE. Proceedings of World Conference on E-Learning, 2499–2505. Available at: http://bernstein.iicm.tugraz.at:8080/about/Homepages/cguetl/publications/2004/Moedritscher%20et%20al.%202004%20-%20ELEARN.pdf

Almohammadi K., Hagras H., Alghazzaawi, D., Aldabbagh, G. (2016). User-centric adaptive learning system based on interval type-2 fuzzy logic for massively crowded e-learning platforms. Journal of Artificial Intelligence and Soft Computing Research, 6 (2), 81–101.

Abyaa, A., Idrissi, M. K., Bennani, S. (2016). Towards an adult learner model in an online learning environment. IEEE 15th International Conference on Information Technology Based Higher Education and Training, 1–6. doi: 10.1109/ithet.2016.7760735

E-learning market trends and forecast 2017-2021. (2016). DOCEBO. Available at: https://www.docebo.com/elearning-market-trends-report-2017-2021/

IMS Reusable Definition of Competency or Educational Objective - Best Practice and Implementation Guide Version 1.0 Final Specification. (2002). IMS Global Learning Consortium. Available at: https://www.imsglobal.org/competencies/rdceov1p0/imsrdceo_bestv1p0.html

Csikszentmihalyi, M. (1990). Flow: the psychology of optimal experience. New York : Harperperennial

Joo, Y. J., Lim, K. Y., Kim, S. M. (2012). A model for predicting learning flow and achievement in corporate e-learning. Journal of Educational Technology & Society, 15 (1), 313–335. Available at: https://search.proquest.com/docview/1287024892?accountid=131940

Marcos, L., Pages, C., Martinez, J. J. Gutierrez, J. A. (2008). Competency-based Learning Object Sequencing using Particle Swarms. Tools in Artificial Intelligence. Available at: https://www.intechopen.com/books/tools_in_artificial_intelligence/competency-based_learning_object_sequencing_using_particle_swarms. doi: 10.5772/6091

Nesmiian, Yu.Yu., & Shyrokopetlieva M.S. (2010). Pro pidkhid do stvorennia modeli korystuvacha v adaptyvnii systemi navchannia. Eastern European Journal of Enterprise Technologies, 4 (2 (46)), 60–63. Available at: http://journals.uran.ua/eejet/article/view/2931/2734

Mazorchuk, M. S., Dobriak, V. S., Emelianov, P. S. (2016). Metody i modeli analiza kachestva testovykh zadanyi i modelirovanie kompiuternoho adaptivnoho testirovaniia v systemakh dystantsyonnoho obucheniia. Otkrytye informatsyonnye i kompiuternye integrirovannye tekhnolohii, 73, 103–117

Liuger D. F. (2003). Iskusstvennii intellekt. Stratehii i metody reshenyia slozhnykh problem, Moscow: Izdatelskyi dom «Viliams», 864.


Пристатейна бібліографія ГОСТ


Essalmi F. A fully personalization strategy of e-learning scenarios [Text] / F. Essalmi, L. Ayed, M. Jemni, S. Graf // Computers in Human Behavior. – 2010. – № 26 (4). – P. 581–591. doi: 10.1016/j.chb.2009.12.010

Esichaikul V. Student modelling in adaptive e-learning systems [Текст] / V. Esichaikul, S. Lamnoi, C. Bechter // Knowledge management and e-learning: An international journal. – 2011. – Vol 3. – N. 3. – P.342-355

Mahajan R. Web usage mining for building an adaptive e-learning site: a case study [Текст] / R. Mahajan, J. S. Sodhi, V. Mahajan // International journal of e-education, e-business, e-management and e-learning. – 2014. – № 4 (4). – P. 283–291. doi: 10.7763/ijeeee.2014.v4.343

Kardan, A. Adaptive systems: a content analysis on technical side for e-learning environments [Текст] / A. Kardan, M. Aziz, M. Shahpasand // Artificial intelligence review. – 2015. – № 44(3). – P. 365–391. doi: 10.1007/s10462-015-9430-1

Halawa M. Personalized e-learning recommendation model based on psychological type and learning style models [Текст] / M. Halawa, E. Hamed, M. Shehab // IEEE Seventh international conference on intelligent computing and information systems. – 2015. – P. 577–583. doi: 10.1109/intelcis.2015.7397281

Thalmann, S. Adaptation criteria for the personalized delivery of learning materials: a multi-stage empirical investigation [Текст] / S. Thalmann // Australian journal of education technology. – 2014. – № 30 (1). – P. 45–60. doi: 10.14742/ajet.235

Truong H. Integrating learning styles and adaptive e-learning system:  current developments, problems and opportunities [Текст] / H. Truong // Computers in human behavior. – 2016. – № 55. – 1185–1193. doi: 10.1016/j.chb.2015.02.014

Modritscher F. Enhancement of SCORM to support adaptive e-learning within the scope of the research project AdeLE [Текст] / F. Modritscher, C. Gult, B. Garsia, H. Maurer // Proceedings of World Conference on E-Learning. – 2004. – P. 2499–2505. Available at: http://bernstein.iicm.tugraz.at:8080/about/Homepages/cguetl/publications/2004/Moedritscher%20et%20al.%202004%20-%20ELEARN.pdf

Almohammadi K. User-centric adaptive learning system based on interval type-2 fuzzy logic for massively crowded e-learning platforms [Текст] / K. Almohammadi, H. Hagras, D. Alghazzaawi, G. Aldabbagh // Journal of Artificial Intelligence and Soft Computing Research. – 2016. – Vol. 6, No. 2. – P.81–101

Abyaa A. Towards an adult learner model in an online learning environment [Текст] / A. Abyaa, M. K. Idrissi, S. Bennani // IEEE 15th International Conference on Information Technology Based Higher Education and Training. – 2016. – P. 1–6.

E-learning market trends and forecast 2017-2021 [Electronic resource] / DOCEBO. – Available at: https://www.docebo.com/elearning-market-trends-report-2017-2021/\

IMS Reusable Definition of Competency or Educational Objective - Best Practice and Implementation Guide Version 1.0 Final Specification [Electronic resource] / IMS Global Learning Consortium. – 2002. Available at: https://www.imsglobal.org/competencies/rdceov1p0/imsrdceo_bestv1p0.html

Csikszentmihalyi M. Flow: the psychology of optimal experience [Текст] / M. Csikszentmihalyi. – New York : Harperperennial. – 1990. – 320 p.

Joo, Y. J. A model for predicting learning flow and achievement in corporate e-learning [Текст] / Y. J. Joo, K. Y. Lim, S. M. Kim // Journal of Educational Technology & Society. – 2012. – № 15 (1). – P. 313–335. Available at: https://search.proquest.com/docview/1287024892?accountid=131940

Marcos L. Competency-based Learning Object Sequencing using Particle Swarms [Electronic resource] / L. Marcos, C. Pages, J. J. Martinez, J. A. Gutierrez. // Tools in Artificial Intelligence. – Available at: https://www.intechopen.com/books/tools_in_artificial_intelligence/competency-based_learning_object_sequencing_using_particle_swarms. doi: 10.5772/6091

Несміян Ю. Ю. Про підхід до створення моделі користувача в адаптивній системі навчання [Текст] / Ю. Ю. Несміян, М. С. Широкопетлєва // Східно-Європейський журнал передових технологій. – 2010. – № 4/2 (46). – С. 60–63 Режим доступу: http://journals.uran.ua/eejet/article/view/2931/2734

Мазорчук М. С. Методы и модели анализа качества тестовых заданий и моделирование компьютерного адаптивного тестирования в системах дистанционного обучения [Текст] / М. С. Мазорчук, В. С. Добряк, П. С. Емельянов // Открытые информационные и компьютерные интегрированные технологии. – 2016. – № 73. – С. 103–117

Люгер Д. Ф. Искусственный интеллект. Стратегии и методы решения сложных проблем [Текст] / Д. Ф. Люгер. – М.: Издательский дом «Вильямс», 2003. – 864 с.



Посилання

  • Поки немає зовнішніх посилань.




Copyright (c) 2017 Олег Євгенович Іларіонов, Ніна Миколаївна Іларіонова, Петро Миколайович Сорока

Creative Commons License
Ця робота ліцензована Creative Commons Attribution 4.0 International License.

ISSN 2411-2828 (Online), ISSN 2411-2798 (Print)