E-mentor logo
EN
Przypisy

1 H. Gardner, Frames of Mind: The Theory of Multiple Intelligence, Basic Books, Nowy Jork 2003.

2 Strona projektu MIapp [online], http://www.miapp.net, [15.01.2007].

3 M. Zając, E-learning "szyty na miarę", czyli o indywidualizacji w nauczaniu online, "e-mentor" [online], 2006, nr 5, http://www.e-mentor.edu.pl/artykul_v2.php?numer=17&id=362, [15.01.2007].

4 F. Pillera, Glossary: Mass Customization, Open Innovation, Personalization and Customer Integration [online], http://www.mass-customization.de/glossary.htm#pers, [15.01.2007].

5 Przykładowo wyszukiwarka szkoleń ITqual [online], http://www.wortal.wsb-nlu.edu.pl, [15.01.2007].

6 Przykłady można znaleźć na blogu prowadzonym przez R. Freunda [online], http://robertfreund.de/blog/?cat=2, [15.01.2007].

7 M. Zając, dz. cyt.

8 M. Joyce, Profiting from Multiple Intelligences in the Workplace, Gower Publishing Company, Hampshire 2000.

9 Narzędzie dostępne na stronie projektu MIapp [online], http://www.miapp.net, [15.01.2007].

Narzędzie wspomagające personalizację szkoleń e-learningowych

Piotr Betlej, Maciej Piotrowski

Nowe trendy w edukacji

Wprowadzenie



Adaptacja kursów e-learningowych do indywidualnych potrzeb i preferencji użytkowników jest aktualnie istotnym obszarem zainteresowań zarówno teoretyków, jak i praktyków, co znajduje odzwierciedlenie w rosnącej liczbie publikacji oraz pomysłów wdrożeń w tym zakresie. Nie zmieniło to jednak sposobu postrzegania personalizacji kursów jako procesu trudnego, kosztownego i czasochłonnego. Autorzy w poniższym artykule podejmują próbę przeciwstawienia się temu stereotypowi, proponując model personalizacji oraz stosowne narzędzie umożliwiające efektywne wykorzystanie obecnych rozwiązań.

Pomysł autorów na stworzenie modelu indywidualizacji kursów e-learningowych, niewymagającego kosztownych inwestycji w rozwój nowych platform edukacyjnych, powstał trzy lata temu. Motywacją do rozpoczęcia prac w tym obszarze były doświadczenia autorów zdobyte w trakcie realizacji wdrożenia systemu e-learningowego w Wyższej Szkole Informatyki i Zarządzania w Rzeszowie. Badania percepcji szkoleń e-learningowych przeprowadzone wśród studentów wykazały ich bardzo zróżnicowane preferencje i potrzeby w zakresie treści kursu, sposobu ich przekazu oraz samej organizacji. Analiza ówczesnych inicjatyw z tego zakresu wykazała, że większość z nich jako podstawę przyjęła modularyzację treści dydaktycznych do postaci tzw. obiektów wiedzy oraz ich opis przy wykorzystaniu języka metadanych. Kolejnym etapem były próby budowy mechanizmu (konfiguratora), który byłby w stanie zestawić wybrane obiekty wiedzy do postaci kursu w oparciu o profil ucznia. W rezultacie powstają różne klasy rozwiązań oparte na:

  • wcześniejszym zdefiniowaniu ścieżek w kursie, które uczeń może wybrać na podstawie określonego kryterium (np. cel edukacyjny);
  • implementacji testów weryfikujących aktualną wiedzę ucznia oraz jego cele edukacyjne. Następnie mechanizm, najczęściej oparty na grupie reguł wybiera zdefiniowaną wcześniej ścieżkę w kursie lub też zestawia ją z obiektów wiedzy;
  • implementacji "inteligentnych" mechanizmów, które w oparciu o różnorodne dane (np. profil ucznia, obserwacja jego zachowań, historia interakcji uczniów z systemem) pozwalają zestawić kurs z obiektów wiedzy.

Powyższe rozwiązania, w których obserwuje się dążenie do jak największej automatyzacji działania oraz nadmierną koncentrację na aspektach technicznych, mogą doprowadzić do postępującej degradacji czynnika ludzkiego w e-learningu. Warto również zauważyć, że tej klasy rozwiązania pozwalają na personalizację kursów e-learningowych zasadniczo w obszarze doboru treści oraz niekiedy sposobu ich prezentacji. W dalszej części artykułu będzie mowa o innych, nie mniej istotnych obszarach personalizacji, które są zwykle pomijane przez te rozwiązania.

W związku z powyższym, celem prac autorów stało się stworzenie modelu personalizacji, w którym czynnik ludzki pozostaje istotny. Wdrożenie modelu byłoby możliwe przy wykorzystaniu dostępnych rozwiązań i nie pociągały za sobą konieczności przerabiania istniejących treści dydaktycznych. Istotnym jego elementem stało się wykorzystanie teorii wielorakich inteligencji (multiple intelligences) Howarda Gardnera1(Harvard University).

Realizacja tych pomysłów miała formę projektu pilotażowego w ramach programu Leonardo da Vinci, udział w nim wzięło udział siedem instytucji z pięciu krajów. Dalsza część artykułu przedstawia najważniejsze rezultaty, jakie zostały wypracowane w ramach realizacji projektu MIapp oraz omawia praktyczne możliwości ich wykorzystania. Szczegółowe informacje wraz z pełną wersją wyników projektu Czytelnik może znaleźć na stronie projektu2.

Artykuł w znacznym stopniu nawiązuje do opracowania Marii Zając, zamieszczonego w jednym z wcześniejszych numerów "e-mentora"3, dlatego celem uniknięcia powtórzeń umieszczone zostały odwołania do tej pozycji. Warto podkreślić, że praca Marii Zając oraz autorów są od siebie niezależne, chociaż prezentują zbliżone podejście do problemu.

Obszary personalizacji kursów e-learningowych

Znaczenie terminu "personalizacja" jest często mylnie interpretowane, dlatego warto je sprecyzować. Wykorzystano w tym celu definicję sformułowaną przez Franka Pillera4, uznanego eksperta w tym obszarze: Personalizacji nie należy mylić z kastomizacją. Podczas gdy kastomizacja odnosi się do zmiany, modyfikacji, zestawienia produktu lub usługi w oparciu o potrzeby i życzenia klienta, personalizacja obejmuje intensywną komunikację i interakcję pomiędzy klientem a dostawcą produktu lub usługi. Personalizacja ogólnie rzecz biorąc polega na wykorzystaniu informacji uzyskanych od klienta (jego profilu) do umiejętnego wyboru produktu lub usługi z dostępnych. Różnica pomiędzy personalizacją a kastomizacją w obszarze edukacji może nie być łatwo dostrzegalna, dlatego warto posłużyć się przykładem.

Celem jest szkolenie informatyczne w zakresie relacyjnych baz danych. Zgodnie z powyższą definicją można wskazać następujące formy dostosowania szkolenia do potrzeb użytkownika:

  • Możliwość skorzystania z wyszukiwarki szkoleń5, która w założeniu odwołuje się do obszernej bazy dostępnych szkoleń. Na podstawie preferencji użytkownika (w zakresie np. czasu, miejsca, obszaru tematycznego) wyszukiwane jest szkolenie zbliżone do tych preferencji. Jest to przykład personalizacji usługi.
  • Następnie poprzez kontakt z dostawcą szkolenia, możemy zwykle dopasować dalsze aspekty szkolenia, standardowo uwzględnione w ofercie (np. sposób kontaktu z osobą prowadzącą). Jest to w dalszym przypadku personalizacja, gdyż korzystamy z gotowych opcji.
  • Chcąc dopasować aspekty szkolenia w sposób wykraczający poza standardową ofertę (np. zażądać aktualizacji treści o nowy temat), przechodzimy do kastomizacji kursu.
Ze względu na wspomnianą wyżej, stosunkowo trudną do uchwycenia, granicę pomiędzy personalizacją a kastomizacją w kontekście e-learningu, autorzy konsekwentnie używają pojęcia personalizacja do nazwania wszelkich działań mających na celu dopasowanie wybranych aspektów kursu e-learningowego do indywidualnych potrzeb użytkownika.

Pierwszy etap realizacji projektu MIapp, sprowadzał się do identyfikacji obszarów personalizacji e-learningu na podstawie własnych doświadczeń partnerów, badań literaturowych oraz wywiadów eksperckich. W rezultacie zidentyfikowano pięć obszarów personalizacji (w nawiasach angielskie nazewnictwo przyjęte przy realizacji projektu):

  • Treści kursu (content). Dopasowanie treści kursu do potrzeb użytkownika, m.in. poprzez uwzględnienie jego celów edukacyjnych, posiadanej wiedzy oraz stopnia szczegółowości w jakim chce on poznać określone zagadnienia;
  • Prezentacja treści (presentation). Wykorzystanie różnych technik prezentacji treści jak na przykład: statystyczny tekst, grafiki, animacje, interaktywne symulacje, gry edukacyjne, transmisja audio, wideo itp.;
  • Nawigacja (navigation). Kurs e-learningowy może przyjąć zarówno otwartą strukturę, kiedy to uczeń może bez ograniczeń poruszać się po kursie, jak i strukturę zamkniętą, w której treści kursu udostępniane są dopiero po spełnieniu określonego warunku (np. zdanie testu z poprzedniego rozdziału). Ponadto, kurs może przyjmować różne struktury w zakresie uporządkowania treści (np. liniowa, gałęziowa);
  • Współpraca (collaboration). Determinuje sposób, w jaki zorganizowana jest współpraca pomiędzy nauczycielem a uczniami oraz samymi uczniami (np. w obszarze wydawania poleceń, konsultacji, realizacji projektów przez studentów). Zwykle sprowadza się to w kursie do sformułowania listy reguł definiujących sposób wykorzystania takich narzędzi, jak e-mail, forum dyskusyjne, czat, systemy klasy wirtualnej, "niewirtualne" spotkania itd.;
  • Stopień swobody (degree of freedom). Określa rolę nauczyciela w kursie oraz reguluje zachowanie jego uczestników. Przykładowo, w modelu o małym stopniu swobody, uczniowie mogą być zobowiązani do przestrzegania ustalonego harmonogramu, systematycznego korzystania z treści oraz rozwiązywania obligatoryjnych zadań i projektów.

Warto w tym miejscu zastanowić się nad rolami poszczególnych osób zaangażowanych przy organizacji kursu e-learningowego oraz ich możliwym wpływem na poszczególne obszary personalizacji:

  • Administrator - poprzez udostępnienie i administrowanie rozwiązaniami informatycznymi, ma pośredni wpływ m.in. na: prezentację treści, nawigację oraz współpracę. Funkcjonalność narzędzi informatycznych wykorzystanych przy organizacji kursu, może ograniczać stopień, w jakim pozostali użytkownicy będą mieli wpływ na te obszary. Przykładowo wykorzystanie danej platformy edukacyjnej klasy CMS lub LCMS może narzucić określony styl nawigacji oraz ograniczyć sposoby współpracy nauczyciela z uczniami;
  • Autor treści - wpływa na treści kursu, ich prezentację oraz nawigację;
  • Nauczyciel - może mieć znaczący wpływ w każdym obszarze personalizacji. W praktyce najczęściej nauczyciel ściśle współpracuje z autorem treści (często jest to ta sama osoba), korzystając z rozwiązań udostępnionych przez administratora;
  • Uczeń - ma wpływ na współpracę. Zwykle w kursach e-learningowych mamy do czynienia zarówno z osobami aktywnie szukającymi kontaktu z prowadzącym i innymi uczniami, jak i z preferującymi samodzielną pracę.

Założenia projektu MIapp

W trakcie realizacji projektu MIapp podjęta została próba odniesienia teorii wielorakich inteligencji Howarda Gardnera do opisanych wcześniej obszarów personalizacji. Wybór tej teorii podyktowany był faktem, że spotyka się z rosnącym zainteresowaniem w przypadku edukacji tradycyjnej6, natomiast nie zaobserwowano istotnych prób wykorzystania jej w e-learningu. Stanowi to innowacyjny aspekt zrealizowanego projektu. Nawiązując do artykułu Marii Zając: Teoria ta zakłada, iż inteligencja nie jest jedną właściwością, która opisuje możliwości człowieka w zakresie aktywności intelektualnej, ale istnieje kilka rodzajów inteligencji, w zależności od tego, o jaki rodzaj aktywności chodzi7. Zdaniem autorów, indywidualny profil wielorakich inteligencji ucznia (nazywany dalej profilem MI) może mieć wpływ na preferencje odnośnie sposobu uczenia się w środowisku e-learningowym. Weryfikacja tej tezy stanowiła część badawczą realizowanego projektu, którą można podzielić na następujące etapy:

  • Stworzenie narzędzia badawczego (w wersji online), dzięki któremu możliwe stało się poznanie indywidualnych preferencji ucznia w zakresie e-learningu oraz jego profilu MI. Stworzony system ankiet jest efektem własnych prac oraz adaptacji narzędzi badawczych udostępnionych przez Martin Joyce (Australian Catholic University) służących ocenie profilu MI8;
  • Gromadzenie wyników badań w postaci kolejnych iteracji. W badaniach uczestniczyło do chwili obecnej około 200 studentów reprezentujących kilka uczelni. Do analizy wyników badań wykorzystano system jakościowych metod analizy danych i wnioskowania proponowany przez teorię ugruntowaną. Ich celem było poszukiwanie możliwych zależności pomiędzy indywidualnym profilem MI a preferencjami odnośnie e-learningu. W badaniach uniknięto formułowania prekonceptualizowanych teorii. Materiał badawczy był gromadzony w trakcie kolejnych iteracji (zarówno poprzez wspomniane narzędzie badawcze, jak i późniejsze omawianie rezultatów ze studentami oraz ekspertami), a następnie poddany dalszej analizie;
  • W rezultacie udało się zidentyfikować szereg zależności, które stanowiły podstawę rozbudowy narzędzia o możliwość generowania zestawień oraz część rekomendującą opartą na regułach.

Opis funkcjonalności systemu

Motywacją do rozszerzenia funkcjonalności narzędzia badawczego była chęć wsparcia autorów treści oraz nauczycieli w zakresie adaptacji tworzonych i realizowanych kursów e-learningowych do potrzeb użytkowników. W obecnym kształcie system stanowi nie tylko narzędzie badawcze, służące do teoretycznej analizy zależności pomiędzy profilem MI uczniów a ich preferencjami, ale również praktyczne rozwiązanie usprawniające w założeniu pracę autorów treści i nauczycieli. Poniższa tabela ilustruje mechanizm jego działania w aktualnej wersji.

Tabela 1. Mechanizm działania systemu

Nauczyciel, autor treści
System
Uczeń
 
• rejestruje grupę studentów
 
 
 
• przekazuje klucz uczniom
 
 
 
 
 
 
 
 
 
• ma bieżący dostęp do zarejestrowanych grup oraz zestawień
 
 
 
• generuje klucz dostępu dla grupy
 
 
 
• generuje zestawienie zbiorcze dla całej grupy
• generuje indywidualne zestawienia
• generuje rekomendacje w oparciu o system reguł
 
 
 
 
 
 
 
 
• wypełnia kwestionariusz po wpisaniu klucza
 
 
 
 
 
 
 
 
• otrzymuje indywidualne podsumowanie wyników

Źródło: opracowanie własne

Głównym zadaniem realizowanym przez system jest generowanie zestawień odnośnie preferencji uczniów oraz ich profilu MI, a następnie udzielanie rekomendacji odnośnie możliwości personalizacji kursu w obszarze pięciu wcześniej omówionych obszarów. Zestawienie generowane na podstawie informacji przekazanych przez uczniów w wypełnianych kwestionariuszach, obejmuje trzy części:

  • część ogólną, służącą poznaniu kontekstu, w jakim realizowany jest dany kurs (m.in. analizowane są: dostęp do internetu, usługi z jakich uczniowie często korzystają, ich motywacja do uczestnictwa w kursie);
  • część dotyczącą profilu MI, w której uczniowie odpowiadając na szereg pytań poznają swój indywidualny profil MI;
  • część związaną z analizą preferencji uczniów dotyczących organizacji kursu e-learningowego.
Nauczyciel (autor treści) po analizie kwestionariuszy wypełnionych przez uczniów uzyskuje dostęp do:
  • zbiorczych zestawień dla każdej części. Analiza zagregowanych wartości dla całej grupy umożliwia znalezienie "złotego środka" w sytuacji, gdy indywidualna adaptacja kursu do potrzeb każdego ucznia jest utrudniona, np. ze względu na dużą liczebność grup;
  • indywidualnych zestawień dla każdego ucznia. Może to być szczególnie zasadne w przypadku małych grup o dużym zróżnicowaniu preferencji.
Zestawienia, o których mowa, mają w założeniu praktyczny charakter, ich zadaniem jest wsparcie nauczyciela (autora treści) w sposobie organizacji kursu (np. w obszarze współpracy może się okazać że większość studentów preferuje pracę samodzielną i kontakt z prowadzącym poprzez e-mail). Ponadto, system generuje automatycznie:
  • rekomendacje w oparciu o część dotyczącą analizy preferencji. Dotyczą one przede wszystkim możliwych sposobów personalizacji kursu przy wykorzystaniu dostępnych rozwiązań e-learningowych;
  • rekomendacje tworzone na podstawie profilu MI uczniów, które są generowane w oparciu o rozbudowywaną listę reguł. Nowe reguły są dodawane w wyniku:
    • analizy badań empirycznych przeprowadzonych wśród studentów w trakcie realizacji projektu (m.in. badanie zależności profilu MI i indywidualnych preferencji w zakresie e-learningu),
    • badań literaturowych oraz rekomendacji udzielonych przez uznanych ekspertów w tym obszarze (m.in. Martin Joyce),
    • aktualnie prowadzonej walidacji narzędzia. Nowy materiał badawczy gromadzony w trakcie rejestracji kolejnych grup uczniów służy do walidacji utworzonych reguł, ich modyfikacji oraz uzupełniania systemu o nowe.

Warto zauważyć, że wspomniane wyżej rekomendacje są generowane zarówno indywidualnie dla każdego ucznia, jak i w postaci zbiorczej dla całej grupy. Obecnie ta funkcjonalność narzędzia ma przede wszystkim charakter naukowy, niemniej jednak przewiduje się wzrastającą wartość praktyczną generowanych rekomendacji wraz z rosnącą liczbą przeprowadzonych analiz materiału badawczego.

Podsumowanie

Dalszy rozwój narzędzia jest uzależniony od stopnia zainteresowania, jakim będzie się cieszył wśród potencjalnych użytkowników. Przewidywana jest jego dalsza rozbudowa oraz uzupełnianie (modyfikacja) reguł wraz z gromadzeniem kolejnych danych od użytkowników. W tym miejscu chcemy zachęcić wszystkich zainteresowanych do testowania narzędzia oraz nadsyłania uwag9.

Bibliografia

  • H. Gardner, Frames of Mind: The Theory of Multiple Intelligence, Basic Books, New York 2003.
  • M. Joyce, Profiting from Multiple Intelligences in the Workplace, Gower Publishing Company, Hampshire 2000.

Netografia

Informacje o autorach

PIOTR BETLEJ
Piotr Betlej jest pracownikiem Wyższej Szkoły Informatyki i Zarządzania z siedzibą w Rzeszowie. Bierze aktywny udział w realizacji wdrożeń na potrzeby uczelni oraz udziałem w projektach badawczo-wdrożeniowych.







MACIEJ PIOTROWSKI

Maciej Piotrowski jest pracownikiem Wyższej Szkoły Informatyki i Zarządzania z siedzibą w Rzeszowie. Od 4 lat zajmuje się szeroko pojętym e-learningiem, zarówno poprzez realizację wdrożeń na potrzeby uczelni, jak i udział w projektach badawczo-wdrożeniowych. Od 3 lat jest koordynatorem lub reprezentuje uczelnię jako partner w licznych międzynarodowych projektach e-learningowych.