AAA

Zarządzanie czasem w systemach spersonalizowanych na przykładzie platformy e-learningowej

Tomasz Eisenbardt

Współczesne systemy informatyczne dysponują szerokim wachlarzem narzędzi służących personalizacji. Jest ona jednakże rozumiana w bardzo szerokim znaczeniu, począwszy od dostosowania interfejsu do preferencji użytkownika po specjalizowane rozwiązania służące śledzeniu poczynań tejże osoby i to w sposób bardziej lub mniej jawny.

Zastosowanie mechanizmów personalizacji w konstrukcji systemu niesie ze sobą odczuwalne korzyści dla użytkownika, ale jest też niezastąpionym źródłem informacji dla właściciela czy administratora systemu informatycznego. Niniejsze opracowanie pozwoli się przyjrzeć jednemu z takich aspektów - personalizacji w odniesieniu do kwestii zarządzania czasem.

3J

Mówiąc o zajęciach edukacyjnych w formie e-learningowej zwykle wymienia się cechy, które w wyraźny sposób odróżniają takie zajęcia od zajęć konwencjonalnych. Postulaty e-learningu, potocznie nazwane 3J1, to:

  • just for me - szkolenia mogą być w znacznej mierze spersonalizowane, czyli dostosowane do potrzeb osoby szkolonej;
  • just in time - duża elastyczność czasowa, szkolenie odbywa się wtedy, gdy zachodzi taka potrzeba, stąd kształcenie nie musi być rygorystycznie umocowane w czasie, a przekazywanie wiedzy może odbywać się oprócz trybu synchronicznego również w trybie asynchronicznym (czyli bez wymogu jednoczesności korzystania z platformy przez nauczyciela i ucznia);
  • just enough, czyli uczenie się w stopniu wystarczającym, niezbędnym dla danej osoby w celu podniesienia własnych kompetencji w wybranym zakresie.

Praktyka dowodzi, że tzw. atomizacja treści szkoleniowych umożliwia realizowanie powyższych postulatów w różnym stopniu. Przez termin atomizacji treści szkoleniowych należy rozumieć wyodrębnienie pojedynczych porcji przekazywanej wiedzy. Takie odrębne elementy składowe całego procesu mogą być przenośne i mogą też funkcjonować samodzielnie (w znaczeniu oderwania od całościowego kursu z danej dziedziny).

Właściwość ta wyraźnie odróżnia e-learning od zajęć tradycyjnych. Trudno sobie bowiem wyobrazić, by student korzystał z fragmentu wykładu, wchodząc na salę wykładową wtedy, kiedy chce usłyszeć tylko o jednym, wybranym przez siebie zagadnieniu. Dzięki platformom e-learningowym treści merytoryczne mogą być udostępniane uczącym się przez cały czas, więc taka wyrywkowa partycypacja w zajęciach jest jak najbardziej możliwa.

Personalizacja i rodzaje systemów personalizujących

Poprzez personalizację (w ujęciu informatycznym) należy rozumieć dopasowanie programu, strony internetowej, tudzież całego systemu informatycznego do indywidualnych potrzeb i preferencji pojedynczych użytkowników lub grup użytkowników. Dzięki personalizacji przekazywana informacja zyskuje na kontekstowości i jest bardziej dostosowana do sytuacji. Celem personalizacji jest to, by użytkownik uzyskał możliwie optymalną, indywidualną wiedzę, spełniającą jego oczekiwania2.

Znaczna część współczesnych systemów i aplikacji komputerowych jest wyposażona w mechanizmy, które mają służyć właśnie personalizacji. Dowolny system operacyjny wymaga od użytkownika zalogowania, a następnie dopasowuje - na życzenie - swój interface do osobistych preferencji osoby (wygląd tła ekranu, rozdzielczość, rozmieszczenie elementów, wersja językowa, ustawienia dźwięku itp.). Oznacza to także, iż użytkownik od początku ma ustaloną rolę w systemie, jest przypisany do pewnej grupy, która dysponuje określonymi uprawnieniami. Podobne "zdolności przystosowawcze" można także zaobserwować w wielu programach komputerowych i w serwisach internetowych. Uogólniając - z reguły użytkownik niezidentyfikowany może niewiele lub znacznie mniej niż ten zalogowany.

Korzystanie z tak "spersonalizowanej" strony internetowej rozpoczyna się z reguły od wypełnienia formularza, co jest warunkiem koniecznym rejestracji. Po zalogowaniu użytkownik ma możliwość dopasowania swojego profilu (interface, tekst powitalny, umieszczenie swojego zdjęcia, może nawet wybór avatara). Należy jednak pamiętać, że celem wymienionych wyżej czynności jest nie tylko umożliwienie osobie zainteresowanej dostępu do określonych usług bądź funkcji serwisu, ale także, a może przede wszystkim, zebranie przez system informacji o niej. Gromadzenie to ma charakter jawny i każdy na ogół ma świadomość tego, jakie informacje sam przekazał.

Jawne gromadzenie informacji o użytkowniku to nierzadko wierzchołek góry lodowej. Funkcjonują bowiem pewne mechanizmy (np. cookies, logi systemowe i inne), działające w tle i zbierające informacje dotyczące nie tyle profilu danej osoby, co sposobu użytkowania przez nią konkretnej witryny. Jakiego typu mogą to być informacje? Na przykład: z jakiego IP nastąpiło połączenie, kiedy się logowano, jakie treści zainteresowały daną osobę i jakie podstrony przeglądała. Dotyczy to także rodzaju kupowanych produktów czy nawet transakcji dokonywanych przez internet3.

Tak rozumiana personalizacja niesie wiele korzyści dla właściciela witryny internetowej. Zyskuje on wiedzę o użytkownikach strony - co charakteryzuje wybrane grupy osób, gdzie one się znajdują, czym się zajmują, jakiej są płci, a wreszcie jakie mają zwyczaje i preferencje. To pokłady wiedzy, które można bardzo sprawnie wykorzystać w celach komercyjnych, choćby oferując wybrane usługi i produkty. Systemy spersonalizowane to doskonała baza dla zastosowania systemów rekomendujących, czyli takich, które, wykorzystując specyficzną technikę filtrowania danych, umożliwiają zaprezentowanie pewnych pozycji, które prawdopodobnie mogą zainteresować użytkownika4.

Trzeba jednak przyznać, że sami użytkownicy także zyskują na personalizacji. Mają oni poczucie szczególnego potraktowania, interface jest dla nich bardziej przyjazny, bo właśnie zindywidualizowany, a prezentowane treści są dopasowane do ich osobistych potrzeb. Poruszanie się po witrynie i wyszukiwanie pewnych treści staje się znacznie bardziej ergonomiczne, a pojawiające się rekomendacje będą dopasowane do charakterystyki danych osób, w zależności od ich dotychczasowych poczynań i przygotowane specjalnie dla nich.

Tabela 1 zawiera zestawienie różnych form personalizacji w zależności od przyjętego rozwiązania.

Tabela 1. Propozycje klasyfikacji systemów personalizujących
Według zakresu personalizacji
Systemy personalizacji treści Systemy personalizacji formy prezentacji
Ze względu na charakter zbieranych danych
Systemy, w których kompletowane są dane użytkownika (user data). Systemy, w których kompletowane są dane na temat sposobu użytkowania (usage data).
Według metod pozyskiwania informacji
Systemy działające wprost (explicit) - zwykle takie systemy pozyskują informacje dzięki świadomej rejestracji użytkownika (np. płeć, wiek, miejsce zamieszkania itp.). Systemy działające nie wprost (implicit), tutaj często pozyskiwaniu informacji służą analizy logów serwera lub tzw. cookies.
Według tego, w jaki sposób są traktowani użytkownicy
Systemy traktujące użytkowników indywidualnie - systemy gromadzą informacje o każdym z użytkowników z osobna, po to by wykorzystać je w sposób mocno zindywidualizowany i ukierunkowany na poszczególnych użytkowników. Systemy bazujące na grupach użytkowników - zbierane informacje dotyczą pewnych grup użytkowników, a podjęte dzięki nim działania są adresowane do takich właśnie jednolitych (pod różnymi względami) grup.

Źródło: opracowanie własne na podstawie J. Gołuchowski, Technologie informatyczne w zarządzaniu wiedzą w organizacji, Wydawnictwo Akademii Ekonomicznej, Katowice 2005 oraz P.J. Kalczyński, K. Rozwadowski, My.xxx.pl, "Gazeta IT" 2002, nr 1, http://archiwum.gazeta-it.pl/archiwum/git01/myxxxpl.html, [07.01.2008]

W praktyce bardzo rzadko system personalizujący ma cechy tylko jednego z wymienionych w tabeli 1. Przeważnie systemy gromadzą zarówno dane o użytkowniku, jak i dane użytkowania, a obok gromadzenia informacji w formie jawnej działają też mechanizmy ukryte.

Personalizacja a e-learning

Czy platformy e-learningowe można nazwać systemami spersonalizowanymi? Odpowiedź na to pytanie zależy od rozumienia pojęcia personalizacji. W świetle przedstawionych wyżej rozważań można odpowiedzieć twierdząco. Gdyby przyjrzeć się typowym funkcjom platform, łatwo stwierdzić, iż:

  • użytkownicy mogą (w większym lub mniejszym stopniu) dopasować sposób wyświetlania informacji (cecha systemów personalizacji formy prezentacji), a to do jakich kursów użytkownicy zostali przypisani, reguluje dostępność dla nich konkretnych treści (cecha systemów personalizacji treści);
  • użytkownicy nie są bezimienni - są zalogowani jako konkretne osoby, a często wręcz wymienieni w systemie z imienia i nazwiska. System przechowuje ich dane (user data) oraz dane dotyczące tego, w jaki sposób platforma jest przez nich użytkowana (usage data);
  • część informacji o użytkowniku wyjawia on sam - wypełniając formularz rejestracyjny (cecha systemów działających wprost), a część informacji, głównie dotyczących użytkowania jest zbierana na bieżąco przez system w sposób niejawny (cecha systemów działających nie wprost);
  • niektóre platformy umożliwiają łączenie użytkowników w grupy, poza tym każdy z użytkowników jest traktowany z osobna (np. osobno oceniany), więc można tutaj mówić zarówno o personalizacji indywidualnej, jak i grupowej.

W przekonaniu autora niniejszego opracowania platformy e-learningowe nie tylko wykorzystują mechanizmy systemów personalizujących, ale wręcz mogą zawierać w sobie systemy personalizujące każdego z wymienionych typów: systemy personalizacji treści i personalizacji formy prezentacji, systemy działające jawnie i niejawnie, systemy gromadzące dane o użytkowniku i użytkowaniu oraz systemy personalizacji indywidualnej i grupowej. Trzeba jednakże pamiętać, iż część tych cech wynika bezpośrednio z istoty e-learningu. Dostęp do nauczanych treści w dowolnym miejscu i czasie jest bowiem, jak wspomniano wcześniej, jedną z podstawowych cech tej formy kształcenia. Należy zatem wyraźnie podkreślić, że w niniejszych rozważaniach personalizacja używana jest w znaczeniu bardzo ogólnym - oznacza wszystko to, co wynika z indywidualnych (świadomych lub nie) interakcji użytkownika z platformą.

Kurs e-learningowy w czasie

W trakcie III ogólnopolskiej konferencji Rozwój e-edukacji w ekonomicznym szkolnictwie wyższym (http://www.e-edukacja.net), która miała miejsce 16 listopada 2006 roku w Krakowie, rozgorzała dyskusja na temat czasu potrzebnego do wytworzenia jednej godziny kursu e-learningowego. Padały liczby rzędu 200-300 godzin, a rozmówcom trudno było dojść do jakiegokolwiek konsensusu, gdyż wszystko wskazuje, że jest to kwestia raczej indywidualna i uzależniona od jakości kursu. Nie ulega jednak wątpliwości, że czas poświęcony na przygotowanie kursu e-learningowego jest wielokrotnością czasu, który należałoby poświęcić na przygotowanie zajęć tradycyjnych. Jednakże, jak by nie szacować tych wartości, nie dadzą się one w żaden sposób przełożyć na informacje na temat tego, czy uczestnik szkoleń zdalnych z wykorzystaniem technik e-learningowych poświęca na nie więcej czasu, niż poświęciłby na zajęcia na sali, twarzą w twarz w nauczycielem. Co więcej, nawet próby śledzenia aktywności na platformie nie dostarczają wystarczających informacji w tym zakresie. Na podstawie własnych obserwacji autor stwierdza, że występują olbrzymie rozbieżności w czasie, jaki poświęcają poszczególni uczestnicy kursu na opanowanie materiału umieszczonego na platformie. Bywa, że ktoś loguje się bardzo często i wciąż wraca do pewnych treści, a bywa i tak, że kontakt w formie zdalnej jest minimalny - znacznie krótszy, niż miałoby to miejsce w ramach zajęć konwencjonalnych (postulat just enough). Często treści umieszczane na platformach są przez studentów kopiowane lub drukowane, a więc czas obecności na platformie tylko w pewnym stopniu przekłada się na czas poświęcony na naukę.

Raport z badań fokusowych, które przeprowadzono w 2006 roku w Wyższej Szkole Bankowej w Poznaniu dowodzi niezbicie, że studenci biorący udział w szkoleniach w oparciu o platformę e-learningową wskazują tę formę przyswajania wiedzy jako trudniejszą od konwencjonalnej, wymagającą dużo większego samozaparcia ze strony uczestnika i większych nakładów poświęconego czasu5.

Aktywności poszczególnych użytkowników

Platformy e-learningowe umożliwiają śledzenie aktywności użytkownika, a także generowanie szczegółowych zestawień agregujących informacje: kiedy ostatnio się logował, z jakich zasobów korzystał, z jakim wynikiem zakończył dostępne testy, jak zostały ocenione jego prace, jakich dokonał wpisów na forum dyskusyjnym, czacie itp. Wiedza nauczyciela na temat faktu przeglądania zasobów przez studenta nie jest jednoznaczna z wiedzą co do efektu kształcenia. Ocena aktywności może służyć jedynie wyrobieniu zdania co do sumienności i systematyczności szkolonego w zdobywaniu wiedzy.

Nierzadko platformy e-learningowe oferują podgląd aktywności w rozbiciu na poszczególne zasoby kursu i to w ujęciu indywidualnym dla każdego użytkownika z osobna, jak i dla wszystkich użytkowników kursu. Takie zestawienia mogą być szczególnie użyteczne dla nauczyciela, gdyż pokazują, jakie zasoby cieszą się szczególną popularnością, a które są np. regularnie pomijane. Wnikliwe prześledzenie popularności odwiedzanych miejsc może być pomocne dla celów ewaluacji kursów.

Aktywności ogółu użytkowników

Do opisywanych badań została wykorzystana platforma e-learningowa Wyższych Szkół Bankowych, dostępna pod adresem http://www.ewsb.pl. Platforma jest użytkowana przez cztery szkoły wyższe oraz ich trzy wydziały zamiejscowe. Jej użytkownikami są studenci, a w charakterze prowadzących występują nauczyciele akademiccy6.

Analizie zostały poddane logi wygenerowane przez platformę e-learningową w ciągu jednego roku, przy czym był to już czwarty rok funkcjonowania platformy w ramach wspierania procesu dydaktycznego. Autor zakłada, że czas funkcjonowania platformy jest już na tyle długi, że można mówić o stabilnie funkcjonującym systemie, a nie dopiero wdrażanym. Stąd też nie były brane pod uwagę dane z lat wcześniejszych, odpowiadające właśnie okresowi wdrożeniowemu. Dla potrzeb prowadzonych badań przeanalizowano około 7,5 miliona logów na serwerze, który taką platformę obsługuje. Są one rejestrowane w następujących przypadkach: kiedy użytkownik loguje się do systemu lub wylogowuje z niego oraz gdy użytkownik korzysta z któregoś z zasobów umieszczonych na platformie.

Aktywności miesięczne

Kolejny etap prowadzonych badań dotyczył analizy aktywności na platformie w poszczególnych miesiącach roku. Przedstawiono je na wykresach 1 i 2.

Porównano liczbę wszystkich logów w kolejnych miesiącach jednego roku akademickiego, a następnie wyodrębniono logi poszczególnych użytkowników, aby oszacować, ilu dokładnie użytkowników logowało się na platformę co najmniej raz w danym miesiącu. Wykres 1. obrazuje udział w korzystaniu z zasobów znajdujących się na platformie, natomiast wykres 2. opisuje liczebność aktywnych użytkowników w różnych miesiącach. Jak widać na wykresie 1 i wykresie 2, rozkład wartości w obu przypadkach kształtuje się bardzo podobnie, stąd wniosek, że średnia liczba aktywności na pojedynczą osobę wydaje się dość niezmienna w czasie.

Wykres 1. Wszystkie logi na serwerze w danym miesiącu


Źródło: opracowanie własne na podstawie danych z platformy e-learningowej http://www.ewsb.pl (X 2006 - IX 2007)

Wykres 2. Liczba użytkowników logujących się przynajmniej raz w danym miesiącu


Źródło: opracowanie własne na podstawie danych z platformy e-learningowej http://www.ewsb.pl (X 2006 - IX 2007)

Okazuje się, co zapewne nie jest wielkim zaskoczeniem, że aktywność użytkowników narasta w styczniu i lutym oraz w maju i czerwcu. Są to terminy poprzedzające sesję zaliczeniową i egzaminacyjną. Miesiące letnie to miesiące najmniejszej aktywności, co także nie budzi raczej zdziwienia.

Wykres 3. przedstawia stosunek liczby logów w miesiącu ogółem do liczby zalogowanych użytkowników w tym okresie. Wykres ten obrazuje, jak często treści na platformie były przeglądane. I tutaj znowu można zaobserwować przyrost aktywności w okolicach sesji egzaminacyjnej, a spadek w trakcie przerwy letniej.

Wykres 3. Średnia liczba logowań na jednego użytkownika w poszczególnych miesiącach


Źródło: opracowanie własne na podstawie danych z platformy e-learningowej http://www.ewsb.pl (X 2006 - IX 2007)


Nasuwa się wniosek, że w tym konkretnym przypadku (platformy e-learningowej dla szkół wyższych) aktywność jest bardzo mocno wpasowana w kalendarium roku akademickiego. Zaznaczyć należałoby też, że zawsze znajdzie się grono osób, które będą chciały skorzystać z treści umieszczonych na platformie nawet w okresach wolnych od zajęć. Czyżby więc platforma e-learningowa sprzyjała poczuciu przynależności studentów do uczelni?

Analiza aktywności użytkowników w poszczególnych miesiącach może być wykorzystana w praktyce do:
  • ustalania terminów przeprowadzania prac konserwatorskich dla systemu,
  • ustalania terminowości przesyłania prac online przez uczestników szkolenia,
  • ustalania terminów przygotowania nowych kursów,
  • ustalania terminów zamknięcia kursów (okazuje się, że studenci są zainteresowani korzystaniem z platformy także poza rokiem akademickim).
Aktywności w dniach tygodnia

Podobną do opisywanej analizę powyżej przeprowadzono dla aktywności w poszczególnych dniach tygodnia. Uzyskane wyniki ilustrują wykresy 4-6.

Wykres 4. Liczba logowań w poszczególnych dniach tygodnia


Źródło: opracowanie własne na podstawie danych z platformy e-learningowej http://www.ewsb.pl (X 2006 - IX 2007)

Wykres 5. Liczba zalogowanych użytkowników w poszczególnych dniach tygodnia


Źródło: opracowanie własne na podstawie danych z platformy e-learningowej http://www.ewsb.pl (X 2006 - IX 2007)

Wykres 6. Średnia liczba logowań przypadających na jednego użytkownika w poszczególnych dniach tygodnia


Źródło: opracowanie własne na podstawie danych z platformy e-learningowej http://www.ewsb.pl (X 2006 - IX 2007)

Obserwacja aktywności i obecności użytkowników na platformie w ujęciu poszczególnych dni tygodnia prowadzi do spostrzeżenia, że użytkownicy są bardziej aktywni na początku niż na końcu tygodnia. Jednak dni weekendowe nie są dniami tak bardzo obniżonej aktywności, jak by się można było spodziewać - różnica procentowa pomiędzy najbardziej aktywnym dniem tygodnia, jakim jest poniedziałek, a najmniej aktywnym, czyli sobotą, wynosi zaledwie kilkanaście procent. Można więc przyjąć, że w odniesieniu do dni tygodnia użytkownicy dość równomiernie korzystają z platformy, a tylko nieznacznie rzadziej w dni wolne od zajęć czy pracy. Wykres 6., przedstawiający średnią intensywność przeglądanych treści przypadającą na jednego użytkownika, potwierdza prawdziwość powyższych tez.

Analiza aktywności użytkowników w różnych dniach tygodnia wskazuje, że nieco lepiej byłoby ustalać terminy aktywności interaktywnych na początku tygodnia niż na jego końcu. Z dokonanych obserwacji wynika, że najgorszym dniem na finalizowanie aktywności interaktywnych zdalnie wydaje się być sobota, a następnie niedziela.

Aktywności w rozkładzie godzinowym

Najbardziej szczegółowa analiza dotyczyła rozkładu aktywności w ciągu doby. Podobnie jak poprzednio przeanalizowano 24-godzinny cykl pracy platformy zarówno pod kątem liczby logowań w poszczególnych godzinach, jak i liczby użytkowników, którzy logowali się przynajmniej raz w badanych odcinkach czasu. Uzyskane wyniki ilustrują wykresy 7-9.

Wykres 7. Liczba logowań ogółem w poszczególnych godzinach


Źródło: opracowanie własne na podstawie danych z platformy e-learningowej http://www.ewsb.pl (X 2006 - IX 2007)

Wykres 8. Liczba użytkowników, którzy przynajmniej raz zalogowali się w poszczególnych godzinach


Źródło: opracowanie własne na podstawie danych z platformy e-learningowej http://www.ewsb.pl (X 2006 - IX 2007)

Wykres 9. Średnia liczba logowań na użytkownika w poszczególnych godzinach


Źródło: opracowanie własne na podstawie danych z platformy e-learningowej http://www.ewsb.pl (X 2006 - IX 2007)

W przypadku porównania aktywności i obecności użytkowników w ciągu doby można stwierdzić, że kształt wykresów jest znów zbliżony. Aktywność narasta już od godziny 6:00, by osiągnąć swoją nominalną wartość mniej więcej od godziny 10.00 lub 11.00 i trwa do 22:00. W tym zakresie czas największej aktywności to okolice południa oraz godziny 19:00, natomiast w godzinach 14:00-17:00 można zauważyć nieznaczne obniżenie krzywej. Po godzinie 22:00 aktywność gwałtownie maleje, a między godzinami 1:00 a 6:00 jest raczej śladowa, choć należy zauważyć, że wcale nie zerowa. W odniesieniu do zobrazowanego na wykresie 9 stosunku liczby logowań do liczby użytkowników o różnych porach dnia - okazuje się, że w godzinach, które są naturalnymi godzinami najniższej aktywności człowieka, nie tylko użytkownicy rzadziej się logują, ale ich uwaga i możliwości przeglądania większej ilości treści są mocno ograniczone. Poza tymi godzinami skłonność studentów do przeglądania treści jest zbliżona.

Analiza aktywności użytkowników w różnych porach dnia może być wykorzystana w praktyce do:
  • ustalania czasu przeprowadzania prac konserwatorskich, np. upgrade systemu najlepiej przeprowadzić między godziną 2:00 a 5:00;
  • ustalania czasu zdalnych spotkań z użytkownikami np. na czacie, a także ustalania godzin trwania interaktywnych spotkań ze szkolonymi przez nauczyciela - najlepiej byłoby, żeby były to godziny między 10:00 a 14:00 oraz po 17:00.

Podsumowanie

Platformy e-learningowe oferują szereg możliwości weryfikacji aktywności użytkowników. Szczególne zastosowanie mają raporty aktywności odnoszące się indywidualnie do każdej z osób. Dzięki nim można wysnuć wnioski co do zaangażowania danej osoby w ramach uczestnictwa w kursie, choć należy pamiętać, iż nie jest to jednak miarą opanowania materiału przez uczestnika.

Przeprowadzona analiza aktywności użytkowników uczelnianej platformy e-learningowej w ujęciu rocznym dowodzi, że aktywności zdalne uczestników w znacznym stopniu są osadzone w kalendarium roku akademickiego, z uwzględnieniem sesji egzaminacyjnej oraz przerw w nauce, przy czym nawet w okresach wolnych od zajęć część użytkowników wykazuje chęć korzystania z systemu, logują się i korzystają z wybranych treści i zasobów interaktywnych.

Analiza aktywności użytkowników w ujęciu tygodniowym wskazuje, że platforma jest odwiedzana w sposób stosunkowo równomierny. Podobną prawidłowość wykazuje również analiza w ujęciu dobowym. Dotyczy to przede wszystkim okresu zwyczajowej aktywności ludzkiej, czyli poza godzinami nocnymi. Jednak nawet w godzinach nocnych pewien odsetek użytkowników będzie zainteresowanych korzystaniem z systemu. Całodobowa dostępność platform e-learningowych oraz innych spersonalizowanych systemów umożliwia każdemu użytkownikowi z osobna gospodarowanie swoim czasem w sposób dla niego najbardziej właściwy i dogodny, czyli w zgodzie z postulatami 3J: just in time, just for me, just enough.

Bibliografia

  • J. Adamczyk, Zbawienna personalizacja - czyli jak zdobyć zaufanie klienta, http://www.e-marketing.pl/artyk/artyk53.php, [20.12.2007].
  • T. Eisenbardt, Systemy rekomendujące w e-learningu, Wydawnictwo Akademii Ekonomicznej w Katowicach (w druku).
  • J. Fink, A. Kobsa, A Review and Analysis of Commercial User Modeling Servers for Personalization on the World Wide Web, Kluwer Academic Publisher, The Netherlands 2000.
  • J. Gołuchowski, Technologie informatyczne w zarządzaniu wiedzą w organizacji, Wydawnictwo Akademii Ekonomicznej, Katowice 2005.
  • M. Hyla, E-learning Od pomysłu do rozwiązania, Solidex, Kraków 2003.
  • M. Hyla, Przewodnik po e-learningu, Oficyna Ekonomiczna, Kraków 2005.
  • P.J. Kalczyński, K. Rozwadowski, My.xxx.pl, "Gazeta IT" 2002, nr 1, http://archiwum.gazeta-it.pl/archiwum/git01/myxxxpl.html, [07.01.2008].
  • Personalization: Collaborative Filtering vs Prediction Based on Benefit Theory, http://myshoppal.typepad.com/blog/2007/11/personalization.html, [05.11.2007].
  • J. Salter, A Web Based Film Recommender System for CinemaScreen, Final Report, 2003
  • Wikipedia, The Free Encyclopedia, http://en.wikipedia.org/ M. Zając, E-learning "szyty na miarę", czyli o indywidualizacji w nauczaniu online, "e-mentor" 2006, nr 5 (17).
INFORMACJE O AUTORZE

TOMASZ EISENBARDT

Autor pracuje jako asystent w chorzowskim Wydziale Zamiejscowym Wyższej Szkoły Bankowej w Poznaniu, gdzie zajmuje się wspieraniem rozwoju platformy e-learningowej, pełniąc stanowisko Pełnomocnika Rektora ds. E-learningu, a także jest doktorantem w Katedrze Inżynierii Wiedzy Akademii Ekonomicznej w Katowicach. Od kilku lat wykorzystuje w swojej pracy dydaktycznej techniki kształcenia na odległość. Jest członkiem Zespołu Projektowego Centrum Rozwoju Edukacji na Odległość (CeREO) oraz autorem opracowań z zakresu e-learningu.

 

Komentarze

Nie ma jeszcze komentarzy do tego artykułu.

dodaj komentarz dodaj komentarz

Przypisy

1 Na podstawie: M. Hyla, E-learning. Od pomysłu do rozwiązania, Solidex, Kraków 2003 oraz M. Hyla, Przewodnik po e-learningu, Oficyna Ekonomiczna, Kraków 2005.

2 Na podstawie: J. Salter, A Web Based Film Recommender System for CinemaScreen, Final Report, 2003.

3 Warto w tym miejscu wspomnieć o firmie Google: w 2007 roku została zmuszona do zmian w polityce prywatności. Wcześniej firma nie stosowała żadnych ograniczeń dotyczących informacji pozostawianych przez użytkowników (cookies, zapytania do serwera). Obecnie tego typu dane mają być periodycznie usuwane. Źródło: Google Changes Privacy Policy For Search Data, "InformationWeek", www.informationweek..., [27.12.2007].

4 Na podstawie Wikipedia, en.wikipedia.org/wi..., [18.12.2007].

5 Na podstawie raportu z badań wewnętrznych Wyższej Szkoły Bankowej w Poznaniu przeprowadzonych w 2006 roku.

6 Platforma www.ewsb.pl, użytkowana i rozwijana przez Wyższe Szkoły Bankowe w Poznaniu i Wydział Zamiejscowy w Chorzowie oraz WSB we Wrocławiu i WZ w Opolu, WSB w Toruniu i WZ w Bydgoszczy i WSB w Gdańsku.