Главните технологии, които се използват за извод при несигурност, са Бейсова мрежа и Размита логика. Бейсовата мрежа позволява да се разсъждава както в диагностична посока, така и в прогностична посока. Тази способност на БМ за извод в двете посоки е много полезна при моделиране на знанието за обучаем. Тя не само дава възможност за точно диагностициране на актуалното познавателно ниво на обучаемия, но и позволява да се направи информирана препоръка за най-подходящата следващата дейност (например упражнения, тестове) според наличните доказателства за конкретния обучаем (предишни дейности в системата, любима стратегия на обучение и т.н.). Изводите над знанието за потребител чрез Бейсови модели е най-разпространено в Адаптивните обучителните системи.
4. Архитектура на функционален модул за адаптивно търсене в Дигитална библиотека Базова схема на адаптивна и персонализираща логика за реализиране на адаптивно търсене
Базовата схема е показана на Фиг.7. Тя проследява основните дейности, осъществявани от потребител и съответните отговори на системата.
Фиг.7 Базова схема на адаптивна и персонализираща логика за реализиране на адаптивно търсене
В първата стъпка на базовата схема, потребителят въвежда данни за себе си (чрез форма за регистрация) – цели в системата, език, области на знание, институция, роля и др. Възможните стойности на данните са предефинирани в онтологията на областта ТЕО [8, 98], описана в Глава 5. Те се използват във формата за регистрация като списъци с данни и падащи менюта. Във втората стъпка се създава потребителски модел (вектор на потребител) от въведените данни. Този вектор е съставен от пет елемента, които могат да имат стойност, ако такава е зададена от потребителя или да са с нулева стойност, при отсъствие на данни. Моделите (векторите) на потребителите се съхраняват в системата. В следващата стъпка се зареждат векторите на стереотипите от съответното хранилище. Тяхната структура е подобна на модела на потребител и възможните стойности са предефинирани в онтологията на областта ТЕО. Това позволява сравняване на вектора на потребител с вектора на всеки от стереотипите. В резултат на сравнението се извеждат „сходните” за потребител стереотипи, като това са тези, с които той има сходство над зададена гранична стойност. В следващата стъпка тези стереотипи се подават на Бейсов модел за адаптиране и персонализиране. Следва изчисление с помощта на модела. Това изчисление се извършва, като всички „сходни“ на потребител стереотипи получават доказателство истина, докато всички останали стереотипи – доказателство лъжа и се задейства алгоритъм за извод (клъстериращ алгоритъм). Резултат от изчислението е извличане на списък с атрибути, които да се използват за разширяване на заявката за търсене. Извлечените атрибути се записват в модела на потребител.
Друга важна част от схемата е подаването на проста заявка за търсене от страна на потребител. Следва процес на замяна на оригиналната заявка на потребителя с адаптирана заявка. Адаптирането се реализира с помощта на изведените от Бейсов модел за адаптиране и персонализиране атрибути и формата за разширено търсене в системата. Адаптираната заявка се изпраща вместо оригиналната заявка към хранилището с информационни ресурси. В резултат на това системата връща резултати, които са адаптирани към интересите на потребител. В последната стъпка изведените резултатите от търсене се представят на потребителя.
Компоненти в архитектурата на Функционален модул за адаптивно търсене в дигитална библиотека
Компонентите в архитектурата на представения Функционален модул за адаптивно търсене са набор от главни модули и техни съставни подмодули, които действат съвместно и съгласувано за реализиране на адаптивно търсене. Главните модули и подмодули са както следва:
-
Модул за представяне и управление на знанието за потребител. Този модул се състои от три подмодула:
-
Подмодул за съхранение на стереотипите в системата. Този модул осигурява съхранението на стереотипите. Всеки стереотип се представя като вектор с тегла, съставен от същия тип елементи, както векторите на потребителите в системата.
-
Подмодул за представяне на знанието за потребител. Това представяне има формата на вектор с тегла, съставен от характеристиките на потребител. Тези характеристики имат обхват от възможни стойности, заложени при дизайна на онтологията ТЕО.
-
Подмодул за изчисляване на сходство между потребител и стереотип (класифициране на потребител към стереотип). Използва се моделът вектор-пространство и сходството се измерва като косинусово сходство между два вектора.
-
Модул за изпълнение на адаптивна и персонализираща логика . В основата на този модул стои Бейсов модел за адаптиране и персонализиране. Този модел получава като входни данни стереотипа/ите на потребител и връща като изход атрибути. Тези атрибути се използват за разширяване на заявката за търсене на потребител. Стойностите на атрибутите съставляват част от метаданните, с които са анотирани информационните ресурси в дигиталната библиотека.
-
Модул за прилагане на адаптивност при търсене чрез разширяване на заявката. Този модул получава като вход заявка от потребител и атрибути за персонализиране от Модул за изпълнение на адаптивна и персонализираща логика, произвежда разширена заявка и връща адаптирани резултати от търсенето на потребител.
Архитектурата и компонентите на Функционален модул за адаптивно търсене са представени на Фиг.8.
Фиг. 8 Архитектура и компоненти на Функционален модул за адаптивно търсене в дигитална библиотека
Модул за изпълнение на адаптивна и персонализираща логика
Модул за изпълнение на адаптивна и персонализираща логика е компонент от архитектурата на Функционалния модул, съдържащ адаптивната логика. Централно звено в него е Бейсов модел за адаптиране и персонализиране, който служи като машина за извод при несигурност над знанието за потребител.
Бейсов модел за адаптиране и персонализиране
Логиката на Модела се основава на свойството на Бейсова мрежа и на каноничното NoisyOR взаимодействие да разпространяват вероятностите към свързаните възли в мрежата. Действието на Модела се базира на задаване на доказателства истина или лъжа на възлите от най-горния слой (стереотипи). Въз основа на тези доказателства и с помощта на алгоритъм за обновяване на вероятностите, Моделът изчислява стойностите на вероятностите на възлите от най-долния слой (атрибути).
Моделът представлява трислойна мрежа на Бейс, в която всеки слой се заема от различни бинарни случайни променливи. Моделът е изграден на предположението, че променливите от всеки слой са независими помежду си, и поради това не са свързани с дъги. Променливите от най-горния слой представят стереотипите в Модела, променливите от средния слой – нуждите и променливите от най-долния слой – атрибутите. Случайните променливи на стереотипите, нуждите и атрибутите са бинарни, като могат да приемат стойности истина или лъжа. По отношение на атрибутите, това се прилага по следния начин: например атрибутите от групата „Език“ са: английски, испански, италиански и български. Всяка от тези стойности е представена като отделна бинарна променлива, която може да приема стойности истина или лъжа.
За редуциране на условните вероятности (СВР таблици) в Модела се използва каноничното взаимодействие NoisyOR. За изчисляване на условните вероятности на възлите от средния и най-долния слой - нужди и атрибути се използва метод, основан на техниката NoisyAdder.
На Фиг.9 е представена схема на Бейсов модел за адаптиране и персонализиране.
Фиг. 9 Схема на Бейсов модел за адаптиране и персонализиране
Схемата на Бейсов модел за адаптиране и персонализиране е разработена на базата на първоначалната схема, залегнала като насока за бъдещо развитие на системата в проекта Share.TEC [8]. Тази първоначална схема само набелязва насоките и дава поглед „отгоре“, но не представя готово решение.
В рамките на настоящата работа са разработени и представени общо 51 стереотипа, които са създадени на базата на експертно познаване на предметната област и онтологичните класове и инстанции в онтологията ТЕО. С цел моделиране на областта са разработени съответните нужди за всеки стереотип и са идентифицирани класовете и инстанциите от онтологията ТЕО, които да бъдат използвани като атрибути в Модела. В реализацията на Mодела участва възела LEAK node. На Фиг. 11 е представена реализацията на модела в графичната среда за разработка GeNIe 2.0 [14].
Фиг. 11 Реализацията на Mодела в графичната среда за разработка GeNIe 2.0
Възли в Mодела
Възли от най-горен слой (стереотипи) - Бинарните променливи от най-горния слой в Модела представят стереотипите в системата.
Възли от среден слой (нужди) Нуждите в системите за препоръчване се описват като ограничение върху вида и типа ресурси, които потребителят има вероятност да иска да види. Бинарните променливи от средния слой в Модела представят нуждите в системата. В рамките на настоящата работа са разработени 40 нужди (Need0 – Need39) за описване на различните потребности на потребителите в системата. Броят на нуждите е по-малък от броя на стереотипите, защото в някои от случаите, едни и същи нужди се използват от няколко стереотипа. Всяка променлива на стереотип в Модела е свързана към една или няколко променливи на нуждите. Всяка променлива, представяща нужда в Модела е свързана към набор от атрибути, които показват какъв тип информационно съдържание ще задоволи тази нужда.
Възли от най-долен слой (атрибути) - Бинарните променливи от най-долния слой в Модела представят атрибутите в системата. Атрибутите и техните възможни стойности са взети от онтологията на областта ТЕО и участват като елементи в модела за метаданни СММ [85] на Share.TEC. Този подход гарантира, че извлечените от Модела атрибути могат да се използват за идентифициране на ресурсите, чиито метаданни съвпадат с тези атрибути. Атрибути са общо 20 на брой и са групирани в три групи: „Език“, „Тип на дигиталното съдържание“ и „Област на знание“. Всички те са класове или инстанции в онтологията ТЕО.
-
Атрибути от групата „Език“ са: английски (EN), испански (ES), италиански (IT) и български (BG).
-
Атрибутите от групата „Тип на дигиталното съдържание“ са: Учебна единица, План на урок, Педагогически модел на структурата, Не-структуриран педагогически и Ресурси за обучаеми.
-
Атрибутите от групата „Област на знание“ са: Педагогическа наука (PedagogicalSciences), Обучение на учители - физическо възпитание (TeacherTrainingPhisicalTraining), Обучение на учители по музика (TeacherTrainingInMusic), религия (Religion), компютърни науки (ComputerScience), образователен мениджмънт (EducationalManagement), Кариерно ориентиране (CareerAdvising), уеб дизайн (WebDesign), изкуства (Arts), Библиотечна информация (LibraryInformationArchive) и Печатно оформление (PublishingDesign) [98].
Структура на Mодела
Възлите в модела са реализирани като възли от общ тип и възли от тип NoisyAdder, като от общ тип са възлите от най-горния слой (стереотипи), а от тип NoisyAdder са възлите от средния (нужди) и най-долния слой (атрибути). Първоначално на възлите от най-горния слой (стереотипи) се назначават априорни вероятности въз основа на експертно знание за областта. От тези априорни вероятности се извеждат предварителните условните вероятности на възлите от долните два слоя на Mодела. Впоследствие априорните вероятности се заменят с доказателства, които имат стойност истина или лъжа. Релациите в Mодела се представят с утежнени, насочени дъги между възлите от най-горния слой и възлите от средния слой и между възлите от средния слой и възлите от най-долния слой. Няма релации между възлите от най-горния слой и възлите от най-долния слой, както и такива между възлите от един и същи слой.
Параметри в Модела
-
Тежести на дъгите в Mодела. Първоначалното предположение, залегнало при разработката на Модела е, че всички релации са еднакво значими, и поради това с еднаква стойност.
-
Априорни вероятности на възлите от най-горния слой (стереотипи). Зададените априорни вероятности на възлите от най-горния слой на модела (стереотипи) са със стойности p(x = true) = 0,2 и p(x = false) = 0,8 за всички възли.
-
Изчисляване на условните вероятности за възлите от средния (нужди) и най-долния (атрибути) слоеве . За изчисляване на условните вероятности на възлите от средния и най-долния слоеве използваме и адаптираме техниката от [76], която е основана на техниката NoisyAdder.
Дефиниции и формули
Нека n да бъде възел в мрежата, като n ∈ N, където N е множеството на всички възли в мрежата.
Нека x да бъде бинарна случайна променлива, съответстваща на възел n от мрежата, като x ∈ X, където X е множеството на всички случайни променливи, съответстващи на множеството N от възли.
Нека е да бъде дъга в мрежата, като е ∈ Е, където Е е множеството на всички дъги в мрежата. Всяка дъга е може да бъде представена чрез тройката е = (s, d, w), където: s ∈ N е началния възел, d ∈ N е крайния възел и w е положително реално число, представящо тежестта на дъгата. Тежестта w на дъгата е обозначаваме с we. Фиг. 12 показва зададените означения на възел в мрежата.
Фиг. 12 Схема на възел от мрежата
За всеки възел в мрежата n ∈ N, дефинираме множеството на входящи към него дъги като D и множеството на предшестващите го възли като R. Тогава: D := {(s, n, w) ∈ E } и R := {s | (s, n, w) ∈ E }.
Валюацията на логически израз е едно възможно присвояване на стойностите истина или лъжа на всички елементарни съждения, участващи в него. Нека V(P) е валюацията на случайните променливи в множеството на предшестващи случайни променливи Rp. Валюацията на единична случайна променлива r ∈ Rp обозначаваме с V(Pr). Използвайки тези валюации, условната вероятност P(x = true | Rp), че n се случва, при условие, че предшестващите възли на n се случват, се изчислява с помощта на средната тежест на дъгите на предшестващите случайни променливи. При това тежестта на дъгата е се калкулира, при условие, че стойността на предшестващата случайна променлива не е лъжа. Или тежестта w на дъгата е, за дадена стойност V(P) ще се изразява като w(e, V(P)). Тогава w(e, V(P)) ще връща тежестта на дъгата е, тогава когато предшестваща случайна променлива r ∈ Rp има стойност истина. В противен случай тя ще връща стойност 0.
За да изчислим условната вероятност P(x | V(P)) за възел n, при w(e, V(P)), като средната тежест на неговите предшественици, трябва да сумираме тежестите на всички дъги в D, за които имаме стойност на предшестващата случайна променлива истина и да ги разделим на сумата от всички тежести в D.
При изчисляване на стойността на знаменателя (сумата от всички тежести в D), не трябва да забравяме да добавим към сумата и стойността на тежестта на възела LEAK.
Алгоритъм за обновяване на вероятностите в Модела
Алгоритъмът, използван за обновяване на вероятностите в мрежата, е т.нар. клъстериращ алгоритъм (Clustering algorithm). Той е избран поради това, че е най-бързият, известен точен алгоритъм, използван за обновяване на вероятностите в Бейсова мрежа. Този алгоритъм работи на два етапа: (1) компилиране на насочения граф в свързано дърво и (2) обновяване на вероятностите в това свързано дърво. Клъстериращият алгоритъм е алгоритъмът по подразбиране в графичната среда за разработка GeNIe [14].
Модул за представяне и управление на знанието за потребител
Модул за представяне и управление на знанието за потребител е компонент от архитектурата на Функционалния модул, служещ за представяне на потребител като вектор/и и класифицирането му към стереотип/и. Модулът изпълнява следните главни функции: (1) взима данните от регистрацията на потребител; (2) конструира от тях вектор на потребителя; (3) сравнява този вектор с предварително дефинираните вектори на стереотипите и (4) избира най-сходния/те стереотип/и за даден потребител. Тези стереотипи се подават на Модул за изпълнение на адаптивна и персонализираща логика за извършване на извод с тях.
Ние сме приложили подход, базиран на модела вектор-пространство, чрез който, представяме потребител и стереотипи като 5-мерни вектори с тегла, съставени от еднакъв брой и тип елементи, взети от онтологията ТЕО. Тогава изчисляваме тяхното сходство посредством метода на косинусовото сходство (Cosine similarity).Този подход позволява всеки потребител да бъде класифициран поне към един стереотип, като в случаите, когато сходството между потребител и всички стереотипи в системата е под зададена минимална стойност, потребителят се класифицира към стереотип „по подразбиране”.
Векторно представяне на потребител и стереотипи
Нека Ui да бъде потребител в системата, като Ui ∈ U, където U е множеството на всички потребители в системата. Нека Si да бъде стереотип в системата, като Si ∈ S, където S е множеството на всички стереотипи в системата.
Нека Li да бъде езикът на потребител Ui, като Li ∈ L, където L е множеството на езиците в системата.
Нека Gi да бъде целта на потребител Ui, като Gi ∈ G, където G е множеството на целите.
Нека Ri да бъде ролята на потребител Ui, като Ri ∈ R, където R е множеството на ролите.
Нека Ii да бъде институцията на потребител Ui, като Ii ∈ I, където I е множеството на институциите в системата.
Нека Ki да бъде областта на знание на потребител, като Ki ∈ K, където K е множеството на всички области на знание в системата.
Нека Wtj е тежестта на елемента j в t-я модел на потребител, като Wtj ∈ W, където W ∈ [0, 1].
Тогава всеки вектор на потребител Ui се състои от елементите (Li, Gi, Ri, Ii, Ki) и може да се представи с вектора:
= ( Wtl, Wtg, Wtr, Wti, Wtk)
Нека Lj да бъде езикът на стереотип Si, като Lj ∈ L, където L е множеството на езиците в системата.
Нека Gj да бъде целта на стереотип Si, като Gj ∈ G, където G е множеството на целите.
Нека Rj да бъде ролята на стереотип Si, като Rj ∈ R, където R е множеството на ролите.
Нека Ij да бъде институцията на стереотип Si, като Ij ∈ I, където I е множеството на институциите в системата.
Нека Kj да бъде областта на знание на стереотип Si, като Kj ∈ K, където K е множеството на всички области на знание в системата.
Нека Wij е тежестта на елемента j в i-я стереотип и Wij ∈ W, където W ∈ [0, 1].
Тогава всеки вектор на стереотип Si се състои от елементите (Lj, Gj, Rj, Ij, Kj) и може да се представи с вектора:
= (Wil, Wig, Wir, Wii, Wik)
За определяне на сходните стереотипи за потребител се извършва изчисляване на сходството между вектора/ите на потребителя с векторите на всички стереотипи в системата, посредством метода на косинусовото сходство, разгледан в секция „Модел - вектор от термини“ към Глава 2 от настоящия труд.
Използвайки метода на косинусовото сходство можем да изчислим сходството между потребител и стереотипи чрез:
sim( , ) = cos =
Като уравнението има стойности:
sim( , ) = 1, когато =
sim( , ) = 0, когато и нямат нито един общ елемент.
Потребителят в системата се представя чрез един или повече 5-мерни вектора с тегла. Всеки от разработените и представени в настоящата работа стереотипи се представя точно чрез един 5-мерен, предварително дефиниран вектор с тегла. Елементите от векторите на потребител и стереотипи са инстанции на онтологичните класове Language, ActorGoal, Role, (EducationalInstitution InformationCulturalAgency) и KnowledgeAreaElement от онтологията ТЕО. Поради този подход възможните стойности на елементи са ограничени до крайно множество и правят задачата тривиална. Структурата на вектор и връзката му с онтологията ТЕО е показана на Фиг. 13.
Фиг. 13 Структура на вектор и връзката му с онтологията ТЕО
В Таблици от 1 до 4 са представени съответно инстанциите на онтологичните класове Language, ActorGoal, Role, (EducationalInstitution и InformationalCulturalAgency) и KnowledgeAreaElement. Тези инстанции представляват набора от стойности, които могат да заемат елементите във векторите.
Таблица 4 Инстанции на класа Language, съставящи множеството от стойности на 1-я
елемент на вектор
Клас
|
Инстанция (елемент)
|
Наименование
|
Language (Език)
|
English-EU,
Spanish,
Bulgarian,
Italian
|
Английски език
Испански език
Български език
Италиански език
|
Таблица 5 Инстанции на класа ActorGoal, съставящи множеството от стойности на 2-я елемент на вектор
Kлас
|
Инстанция (елемент)
|
Наименование
|
ActorGoal
|
TeachingGoal
LearningGoal
ObservingGoal
LearnerVisualizationGoal
|
Обучителна цел
Образователна цел
Наблюдателна цел
Визуализационна цел
|
Таблица 6 Инстанции на класа Role, съставящи множеството от стойности на 3-я елемент на вектор
Под-клас
|
Инстанция (елемент)
|
Наименование
|
ParaEducation
|
ContentDeveloper
Librarian
Publisher
ServiceProvider
|
Разработчик на съдържание
Библиотекар
Издател
Доставчик на услуга
|
TeacherEducation
|
StudentTeacher
TeacherEducator
TeacherTrainer
|
Университетски преподавател
Обучител на обучители
Инструктор/ обучител на обучители
|
TeacherPractice
|
Coordinator
HeadOfSchool
Mentor-InductionMentor
Teacher
TeachingAssistant
Technician
Trainer
Tutor
|
Координатор
Директор
Ментор /Въвеждащ наставник
Учител
Стажант-учител
Технически изпълнител
Обучител/ инструктор
Обучаващ наставник
|
Таблица 7 Инстанции на класа EducationalInstitution, попълващи 4-я елемент на вектор
Под-клас
|
Инстанция (елемент)
|
Наименование
|
FurtherEducationAgency
|
FurtherEducationAgencyES_4
FurtherEducationAgencyIT_2
FurtherEducationAgencyES_8
FurtherEducationAgencyIT_1
FurtherEducationAgencyIT_4
FurtherEducationAgencyIT_6
FurtherEducationAgencyIT_3
FurtherEducationAgencyIT_7
FurtherEducationAgencyES_2
FurtherEducationAgencyES_1
FurtherEducationAgencyES_6
FurtherEducationAgencyBG_1
FurtherEducationAgencyES_3
FurtherEducationAgencyIT_5
FurtherEducationAgencyES_5
FurtherEducationAgencyES_7
FurtherEducationAgencyIT_8
|
Centros de formación de adultos
Centro Territoriale Permanente per l'Istruzione e la Formazione in età adulta
Agenzia Nazionale Sviluppo Autonomia Scolastica
Agenzia Nazionale Sviluppo Autonomia Scolastica
Centro Iniziativa Democratica Insegnanti
Istituto per lo sviluppo della formazione professionale dei lavoratori
Associazione Italiana Formatori
Conservatorio
Instituto Nacional de Empleo
Ministerio de Educación, Política Social y Deporte
Centros de Formación de Enseñanzas deportivas
Департамент за информация и усъвършенстване на учителите
Empresas de formación
Ufficio Scolastico Regionale
Conservatorio
Centro Nacional de Recursos para la Orientación Profesional
Accademia delle belle arti
|
TeacherEducationInstitution
- Postgraduate
- UnderGraduate
|
PostgraduateIT_2
PostgraduateIT_4
PostgraduateBG_1
PostgraduateIE_1
PostgraduateES_1
PostgraduateIT_1
PostgraduateIE_2
PostgraduateIT_3
UndergraduateES_1
UndergraduateBG_2
UndergraduateBG_1
UndergraduateIE_2
UndergraduateBG_3
UndergraduateIT_2
UndergraduateES_2
UndergraduateIE_3
UndergraduateIT_1
UndergraduateIE_1
|
Scienze della Formazione (II ciclo)
Scuola di Dottorato riguardante tematiche didattiche e psico-pedagogiche
Отдел “Докторанти и следдипломна квалификация" към СУ
Secondary teacher training
Facultad de Educación (Máster y Doctorado)
Scuola di Specializzazione per l'Insegnamento Secondario
Online teacher training
Scienze motorie (II ciclo)
Facultad de Educación
Великотърновски университет
Софийски университет
Training of Secondary School Music Teachers
Шуменски университет
Scienze motorie (I ciclo)
Universidad de Educación a distancia
Training of Secondary School Religion Teachers
Scienze della Formazione (I ciclo)
Primary teacher training
|
TrainingInstitution
|
TrainingInstitutionBG_1
TrainingInstitutionES_1
TrainingInstitutionES_2
TrainingInstitutionIT_1
TrainingInstitutionIT_2
TrainingInstitutionIT_3
TrainingInstitutionIT_4
|
CISCO мрежова академия
Instituto de formación Profesional
Centros de Cualificación Profesional Inicia
Istituto di formazione professionale iniziale
Ente di formazione professionale
Istituto di formazione iniziale e professionale
Ente di formazione a distanza
|
Таблица 8 Инстанции на класа InformationalCulturalAgency, попълващи 4-я елемент на вектор
Под-клас
|
Инстанция (елемент)
|
Наименование
|
InformationalCulturalAgency
|
GovernamentAgency
InformationCulturalAgencyES_1
InformationCulturalAgencyES_2
InformationCulturalAgencyES_3
InformationCulturalAgencyIE_1
InformationCulturalAgencyIE_2
InformationCulturalAgencyIE_3
InformationCulturalAgencyIE_4
InformationCulturalAgencyIE_5
InformationCulturalAgencyIE_6
InformationCulturalAgencyIT_1
Library
Museum
PublishingHouse
ResearchCenter
WebAgency
|
Governament/State Agency
Ministerio de Ciencia e Innovación
Ministerio de Educación, Política Social y Deportes
Sindicatos Educativos
Foras na Gaeilge
Consumer protection agencies
Archives
Welfare groups
Advisory bodies
Cultural organisations
Associazione professionale
Библиотека
Музей
Publishing House
ResearchCenter
WebAgency
|
Таблица 9 Инстанции на класа KnowledgeAreaElement, съставящи множеството от стойности на 5-я елемент на вектор
Клас
|
Инстанция (елемент)
|
Наименование
|
KnowledgeAreaElement
|
PedagogicalSciences
TeacherTraining-PhisicalTraining
TeacherTrainingInMusic
Religion
ComputerScience
EducationalManagement
CareerAdvising
WebDesign
Arts
LibraryInformationArchive
PublishingDesign
|
Педагогическа наука
Обучение на учители - физическо възпитание
Обучение на учители по музика
Религия
Компютърни науки
Образователен мениджмънт
Кариерно ориентиране
Уеб дизайн
Изкуства
Библиотечна информация
Печатно оформление
|
Схема за задаване на тегла на елементите във векторите
Вектор на стереотип
Елементите във векторите на стереотипите имат предварително зададени тегла, равна на единица за всеки дефиниран елемент във вектора. Част от стереотипите в системата имат празно множество за един или повече елемента. Това е в случаите, когато този елемент/и не е от съществено значение за дефиницията на стереотипа. В процеса на сравняване на вектор на стереотип с вектор на потребител, елементът от вектора на стереотип, който е празно множество, приема стойността от съответния елемент от вектора на потребител, но с намалено тегло – със стойност 0,5 вместо единица.По-малкото тегло рефлектира върху процеса на изчисляване на сходство (класификацията на потребител).
Вектор на потребител
При задаване на тегла на елементите във вектор на потребител е избран следният подход: тъй като в предложеното решение всички стойности на елементите във вектора на даден потребител се задават директно от самия потребител, те получават най-голямото възможно тегло, равно на единица. Това е така, защото се приема, че тогава когато потребителят задава дадена стойност, той е сигурен в избора си. В бъдещото развитие на системата е възможно да се реализира индиректно събиране на част от данните за вектора на потребител автоматично от системата. В този случай, теглата на индиректно изведените стойности на елементите би трябвало да са по-малки от тези на директно заявените от потребителя. В случаите, когато елемент от вектора на потребител е празно множество (когато потребител не е задал стойност за този елемент при регистрацията си), тогава този елемент получава тегло 0, което е равно на пълно „несходство“ със съответния елемент от вектора на стереотипите.
Конструиране на вектор на стереотипи и потребител
Векторите на стереотипите са създадени предварително и се съхраняват в Хранилище на стереотипите в системата. Таблица 10 показва векторите на част от стереотипите.
Таблица 10 Вектори на стереотипи в системата
Име на Стереотип
|
Описание на стереотип
|
Вектор
|
Stereotype1: ES UCM TE
|
Испански Обучител на обучители във Facultad de Educación (Máster y Doctorado)
|
ES(1), TeachingGoal (1), TeacherEducator (1), PostgraduateES_1(1),
|
Stereotype2: ES USC TE
|
Испански Обучител на обучители във Факултет за подготовка на учители (Facultad de Formación del Profesorado)
|
ES(1), TeachingGoal(1), TeacherEducator(1), PostgraduateES_2(1),
|
Stereotype3: IR SST TE
|
Ирландски Обучител на обучители на учители от средни училища
|
EN(1), TeachingGoal(1), TeacherEducator(1), PostgraduateIE_1(1),
|
Stereotype4: IR OTT TE
|
Ирландски Обучител на обучители зает с он-лайн обучение на учители
|
EN(1), TeachingGoal(1), TeacherEducator(1), PostgraduateIE_2(1),
|
Stereotype5: IT SSIS TE
|
Италиански Обучител на обучители в Школа за специализация на учители от основни училища (Scuola di Specializzazione per l'Insegnamento Secondario)
|
IT(1), TeachingGoal(1), TeacherEducator(1), PostgraduateIT_1(1), PedagogicalScience(1)
|
Stereotype6: IT SF TE
|
Италиански Обучител на обучители по Образователни науки (Scienze della Formazione)
|
IT(1), TeachingGoal(1), TeacherEducator(1), PostgraduateIT_2(1), PedagogicalScience(1)
|
Stereotype7: IT SM TE
|
Италиански Обучител на обучители в област Физическо възпитание и спорт (Scienze motorie)
|
IT(1), TeachingGoal(1), TeacherEducator(1), PostgraduateIT_3(1), TeacherTraining-PhisicalTraining(1)
|
Stereotype8: IT SD TE
|
Италиански Обучител на обучители в Докторантска Школа за проблеми на образованието и психо-Педагогическа науката (Scuola di Dottorato riguardante tematiche didattiche e psicopedagogiche)
|
IT(1), TeachingGoal(1), TeacherEducator(1), PostgraduateIT_4(1), PedagogicalScience(1)
|
Stereotype9: BG SU ST
|
Български университетски преподавател в Софийски университет
|
BG(1), TeachingGoal(1), StudentTeacher(1), UndergraduateBG_1(1),
|
Stereotype10: BG ShU ST
|
Български университетски преподавател в Шуменски университет
|
BG(1), TeachingGoal(1), StudentTeacher(1), UndergraduateBG_3(1),
|
Модул за прилагане на адаптивност при търсене
Модул за прилагане на адаптивност при търсене е компонент от архитектурата на Функционален модул за адаптивно търсене в дигитална библиотека. Модулът приема като вход оригиналната заявка от потребител и атрибути от Модул за изпълнение на адаптивна и персонализираща логика и изпълнява адаптиране на заявката. Адаптираната заявка заменя оригиналната заявка на потребител и се изпраща към хранилището с информационни ресурси.
От съществено значение за успеха на реализираното адаптивно търсене е това, че информационните ресурси в дигиталната библиотека са анотирани с метаданни и машината за търсене в системата е настроена да използва тези полета от метаданни при търсенето. Метаданните са данни, които описват дадения ресурс, посредством специални тагове. Стандартът LOM е международно признат отворен стандарт, публикуван от асоциацията IEEE, който се използва за анотиране на учебни обекти. Името на стандартът LOM идва от абревиатурата на английското „Learning Objects Metadata“ [29]. Използваните в стандарта атрибути за описване на учебен обект, включват: тип на обекта; автор; притежател; формат и педагогически параметри, като преподаване и стил на взаимодействието. Възможно е елементи от други схеми с метаданни да бъдат интегрирани в LOM. Метаданните в дигиталната библиотека използват разработения в рамките на проекта Share.TEC модел на метаданни “Common Metadata Model” (СММ), базиран на стандарта LOM. Моделът за метаданни СММ включва разширен и допълнен набор от метаданни, специално създадени за описване на педагогическите характеристики на ресурсите [85]. СММ е тясно свързан с онтологията ТЕО, която служи като концептуална основа за описание на елементите и обектите в областта. В настоящата работа е предложено адаптивно търсене, което се реализира, като оригиналната заявка на потребителя се обогатява с атрибути на избрани елементи метаданни от модела СММ.
Процесът на адаптиране на заявката за търсене може да бъде представен по следния начин:
-
Потребителят се регистрира в системата
-
Потребителя въвежда заявка Q в системата
-
Потребителят се класифицира към един или повече стереотипа и вследствие на това, се извличат стойности на метаданни за разширяване на заявката посредством Модул за изпълнение на адаптивна и персонализираща логика
-
Зарежда се празен шаблон, представляващ формата за разширено търсене
-
Полетата на шаблона се попълват динамично с изведените от Модула за изпълнение на Адаптивна и персонализираща логика стойности на метаданни и с оригинално въведените от потребителя термини за търсене. При това оригиналната заявка Q се трансформира в адаптирана заявка Q’
-
Q‘ се изпълнява в хранилището с ресурси, водейки до множество от резултати F
-
F се представя на потребителя
Адаптираната по този начин заявка е подобна на функционалността разширено търсене в системата, която осигурява на потребителите шаблон с възможност за избор на атрибути(стойности) за метаданни. Предложеното решение в настоящата работа извършва автоматично ограничение върху избора на изформационни ресурси, като задава конкретни стойности на избрани елементи метаданни и по този начин реализира адаптивност на търсенето. Параметрите (стойностите) за метаданните са получени вследствие на изпълнение на адаптивна и персонализираща логика в Модул за изпълнение на адаптивна и персонализираща логика. Фиг.16 представя процеса на адаптивно търсене в системата.
Фиг.16 Процес на адаптивно търсене в системата
Извлечените от Модул за изпълнение на адаптивна и персонализираща логика атрибутиса за следните елементите от метаданните в СММ:
-
Language – попълва се с атрибутиот тип „Език“ от Бейсов модел
-
Digital Content Type – попълва се с атрибутиот тип „Тип на дигиталното съдържание“ от Бейсов модел
-
KnowledgeAreaElement – попълва се с атрибутиот тип „Област на знание“ от Бейсов модел
Таблица 11 показва мястото на елементите Language, Digital Content Type и KnowledgeAreaElement в модела за метаданни СММ.
Таблица 11 Елементите Language, DigitalContentType и KnowledgeAreaElement в модела за метаданни СММ
Име
|
Описание
|
Възможни стойности
|
Елемент от СММ схема за метаданни
|
Език
Language
|
Основният човешки език или езици, използвани в рамките на този ресурс.
|
Инстанциите на класа Language от ТЕО:
EN, IT, ES…
|
Категория 1 от СММ
„Основна“
|
Тип на Дигиталното съдържание
Digital Content Type
|
В него се посочва конкретния вид на цифрово съдържание, като се отчита равнището на педагогическата структуриране, нивото на формализация и крайния потребител за който е предназначено.
|
Под-класовете на класа DigitalContentType от ТЕО:
Non-Pedagogically Structured
Resource For Learners
Pedagogical Design pattern
Lesson Plan
Learning Design Unit
|
Категория 10 от СММ „Педагогически метаданни“
|
Област на знание
KnowlegdeArea Еlement
|
Съдържа информация за областта на знание. Представя се в ОММ, като се импортира класът KnowledgeArea от онтологията ТЕО в Категория 9 от LOM „Класификация“
|
Инстанциите на класа KnowlegdeAreaelement от ТЕО:
|
Категория 9 от ОММ „Класификация“
|
Сподели с приятели: |