Your browser does not support JavaScript!

Διδακτορικές διατριβές

Τρέχουσα Εγγραφή: 4 από 114

Πίσω στα Αποτελέσματα Προηγούμενη σελίδα
Επόμενη σελίδα
Προσθήκη στο καλάθι
[Προσθήκη στο καλάθι]
Κωδικός Πόρου 000457369
Τίτλος Knowledge representation for affective and adaptive tutoring systems
Άλλος τίτλος Αναπαράσταση γνώσης σε συναισθηματικά και προσαρμοστικά συστήματα μάθησης
Συγγραφέας Δούγαλης, Αχιλλεύς-Νικόλαος Β.
Σύμβουλος διατριβής Πλεξουσάκης, Δημήτριος
Μέλος κριτικής επιτροπής Αναστασιάδης, Παναγιώτης
Αργυρός, Αντώνιος
Καλογιαννάκης, Μιχαήλ
Πάτκος, Θεόδωρος
Στεφανίδης, Κωνσταντίνος
Τσαμαρδινός, Ιωάννης
Περίληψη Τα τελευταία χρόνια, έχει παρατηρηθεί δραματική αύξηση στην χρήση τεχνολογιών εκπαίδευσης. Ιδιαίτερο ενδιαφέρον παρουσιάζουν τα Ευφυή Συστήματα Διδασκαλίας (Intelligent Tutoring Systems-ITS). Τα ITS είναι συστήματα Τεχνητής Νοημοσύνης που μπορούν να διδάξουν χρήστες από όλα τα επίπεδα εκπαίδευσης, αντικαθιστώντας τον διδάσκοντα. Μια υποκατηγορία των ITS, είναι τα Συναισθηματικά Συστήματα Διδασκαλίας (Affective Tutoring Systems-ATS), τα οποία χρησιμοποιούν τεχνικές ανίχνευσης συναισθημάτων του χρήστη προκειμένου να διευκολύνουν την διδασκαλία. Tα ITS και ATS, συνήθως σχεδιάζονται ώστε να διδάξουν συγκεκριμένα μαθήματα όπως άλγεβρα , γενετική και προγραμματισμό. Αυτό καθιστά δύσκολη την επαναχρησιμοποίηση αυτών των συστημάτων για διαφορετικά πεδία μάθησης. Σε αντίθεση με τα ITS, τα Συστήματα Προσαρμοζόμενης Εκμάθησης (Adaptive Learning Systems) έχουν σχεδιαστεί για πιο γενική χρήση, επιτρέποντας την παρακολούθηση διαφορετικών μαθημάτων από τον χρήστη μέσω του ίδιου συστήματος. Αυτά τα συστήματα επικεντρώνονται στο να προσαρμόσουν την μορφή της παρουσίασης του μαθήματος ανάλογα με τις μαθησιακές προτιμήσεις του χρήστη. Οι προσαρμογές αυτές, βασίζονται σε θεωρίες μάθησης οι οποίες προσπαθούν να κατηγοριοποιήσουν τους εκπαιδευόμενους αναλόγως με τον τρόπο που μαθαίνουν, και λέγονται Μέθοδοι Μάθησης (Learning Styles). Τα συστήματα αυτά έχουν δύο μειονεκτήματα. Πρώτον, δεν προσφέρουν ανατροφοδότηση στον χρήστη, και δεύτερον υπάρχουν αμφιβολίες στην επιστημονική κοινότητα σχετικά με την εγκυρότητα των Μεθόδων Μάθησης. Τα Μαζικά ανοιχτά διαδικτυακά μαθήματα (MOOCs) είναι η τελευταία λέξη στις τεχνολογίες εκπαίδευσης. Και καταπιάνονται με το πρόβλημα της ενσωμάτωσης μαθημάτων, χρηστών και εκπαιδευτών στην ίδια πλατφόρμα. Για την σχεδίαση καλύτερων MOOCs , ένα σύστημα διδασκαλίας χρειάζεται να συνδυάζει τα πλεονεκτήματα των συστημάτων ATS, ITS και Προσαρμοζόμενης Εκμάθησης. Επιπλέον, ένα τέτοιο σύστημα χρειάζεται ένα ενοποιημένο Μοντέλο το οποίο θα μπορεί να αναπαριστά ένα εύρος διαφορετικών μαθημάτων και χρηστών, χωρίς να είναι σχεδιασμένο πάνω σε ένα μάθημα. Η παρούσα διατριβή περιγράφει τον σχεδιασμό, την υλοποίηση και την αξιολόγηση ενός συστήματος ATS, του Afflog με τις εξής ιδιότητες: Tα μοντέλα πεδίου, διδασκαλίας και χρήστη (domain model, tutoring model και student model) του συστήματος σχεδιασμένα με λογικά κατηγορήματα χρησιμοποιώντας τον κατηγορηματικό Λογισμό, και την υλοποίηση τους στην προγραμματιστική λογική του Answer Set Programming και του Event Calculus χρησιμοποιώντας την γλώσσα προγραμματισμού Clingo. Επίσης, το μοντέλο χρήστη περιέχει και τις Μεθόδους Μάθησης του χρήστη σύμφωνα με το Felder-Silverman learning style model. Το σύστημα χρησιμοποιεί μεθόδους Τεχνητής Νοημοσύνης όπως Planning και Projection ώστε να επιλέξει τα μέρη του μαθήματος που είναι πιο κατάλληλα για τον χρήστη σύμφωνα με την Μέθοδο Μάθησής του, και να του τα παρουσιάσει. Το συναισθηματικό μοντέλο του συστήματος είναι σχεδιασμένο να αντιδρά στην παρούσα συναισθηματική κατάσταση του χρήστη παρέχοντας συμβουλές, βοηθώντας έτσι στην διδασκαλία. Ένα απλό μάθημα με οδηγίες για το επιτραπέζιο παιχνίδι “Οι Άποικοι του Κατάν” σχεδιάστηκε και υλοποιήθηκε για την αξιολόγηση του συστήματος. Η αξιολόγηση έδειξε ότι οι χρήστες είχαν σημαντικά μαθησιακά οφέλη (learning gains). Επίσης, ένα δεύτερο ATS σύστημα, το ΑfflogRL, σχεδιάστηκε και υλοποιήθηκε. Το ΑfflogRL αντικαθιστά τα μέλη του συστήματος που χρησιμοποιούν την Μέθοδο Μάθησης του χρήστη με έναν πράκτορα Μηχανικής Μάθησης (Machine Learning agent) ο οποίος χρησιμοποιεί Ενισχυτική 11 12 Μάθηση (Reinforcement Learning) για να μετατρέψει την εμπειρία από τις συνεδρίες του με χρήστες, σε διδακτική στρατηγική (learning policy). Μετά από την εκπαίδευση του συστήματος με πραγματικούς χρήστες, η αξιολόγηση της διδακτικής στρατηγικής των δύο συστημάτων έδειξε ότι τα μαθησιακά οφέλη των χρηστών και των δύο εφαρμογών είναι μεγάλα, με τα δύο συστήματα να αποδίδουν παρόμοιες τιμές με μικρή απόκλιση. καθιστώντας και το δεύτερο σύστημα ως κάτι χρήσιμο τουλάχιστον στο πλαίσιο των τεχνολογιών εκπαίδευσης.
Φυσική περιγραφή 122 σ. : σχεδ., πιν., εικ. ; 30 εκ.
Γλώσσα Αγγλικά
Θέμα Adaptive Learning Systems
Affective Tutoring Systems
Answer Set Programming
Learning styles
Reinforcement Learning
Ενισχυτική Μάθηση
Μέθοδοι μάθησης
Συναισθηματικά συστήματα διδασκαλίας
Συστήματα προσαρμοζόμενης εκμάθησης
Ημερομηνία έκδοσης 2023-07-21
Συλλογή   Σχολή/Τμήμα--Σχολή Θετικών και Τεχνολογικών Επιστημών--Τμήμα Επιστήμης Υπολογιστών--Διδακτορικές διατριβές
  Τύπος Εργασίας--Διδακτορικές διατριβές
Μόνιμη Σύνδεση https://elocus.lib.uoc.gr//dlib/8/a/0/metadata-dlib-1689673272-696067-8458.tkl Bookmark and Share
Εμφανίσεις 781

Ψηφιακά τεκμήρια
No preview available

Κατέβασμα Εγγράφου
Προβολή Εγγράφου
Εμφανίσεις : 2