Search

Straipsnyje yra pristatyta mokymosi personalizavimo pagal besimokančiųjų poreikius metodologija, kurioje yra naudojamos intelektinė daugiaagentė mokymosi sistema ir duomenų tyryba. Mokymosi personalizavimas yra įgyvendinamas remiantis keliais metodais. Felderio ir Silverman mokymosi stilių modelis naudojamas besimokančiųjų profiliams kurti, o tikimybiniai tinkamumo rodikliai yra identifikuojami tam, kad būtų galima susieti mokomuosius komponentus (t. y. mokomuosius objektus, mokomąsias veiklas ir mokymosi aplinką) su konkrečių besimokančiųjų mokymosi stiliais. Kitos pasiūlytos mokymosi sistemos kūrimo technologijos yra ontologijos, rekomendavimo sistema, intelektiniai programiniai agentai ir edukacinių duomenų tyryba (mokymosi analitika). Personalizuotais mokomaisiais moduliais čia vadinami moduliai, sudaryti iš mokomųjų komponentų, kurie turi aukščiausius tikimybinius tinkamumo rodiklius konkrečių besimokančiųjų atžvilgiu. Straipsnyje visų pirma yra atlikta intelektinių programinių agentų taikymo švietime sisteminė apžvalga „Clarivate Analytics Web of Science“ duomenų bazėje. Antra, yra aprašyti mokymosi personalizavimo metodai, taikant intelektines technologijas mokomiesiems moduliams, optimizuotiems konkretiems besimokantiesiems, kurti. Sukurti besimokančiųjų profiliai ir personalizuoti mokomieji moduliai yra toliau koreguojami duomenų tyrybos metodais ir priemonėmis. Detaliau yra pristatomas intelektinės daugiaagentės mokymosi sistemos, grįstos minėtomis technologijomis, modelis. Esminiai pasiūlytos technologijos sėkmės veiksniai yra edukologijos atžvilgiu kokybiški mokomųjų komponentų žodynai, mokomųjų komponentų ekspertinis vertinimas jų tinkamumui konkretiems besimokantiesiems įvertinti, taip pat ontologijų, rekomendavimo sistemos, intelektinių programinių agentų ir duomenų tyrybos taikymas.

The paper aims to analyse application trends of intelligent multi-agent systems to personalise learning. First of all, systematic literature review was performed. Based on the systematic review analysis, the main trends on applying multi-agent systems to personalise learning were identified. Second, main requirements and components for an educational multi-agent system were formulated. Third, based on these components a model of intelligent personalized system is proposed. The system employs five intelligent agents: (1) learning styles identification software agent, (2) learner profile creation software agent, (3) pedagogical suitability software agent, (4) optimal learning units/scenarios creation software agent, and (5) learning analytics/educational data mining software agent.

The paper aims to analyse Educational Data Mining/Learning Analytics application trends to personalise learning. First of all, systematic literature review was performed. Based on the systematic review analysis, the main trends on applying educational data mining methods to personalise learning were identified. Second, three main tendencies on educational data mining/learning analytics application in education were formulated. They are: (a) Educational Data Mining/Learning Analytics support self-directed autonomous learning; (b) Educational Data Mining/Learning Analytics systems become essential tools of educational management; and (c) most teaching is delegated to computers, and Educational Data Mining/Learning Analytics based recommendations become better and more reliable than those that can be produced by even the best-trained teachers.