Adaptivní učení v softwarovém nástroji I3T pro výuku geometrických transformací

Abstract

Diplomová práce je věnována tématu adaptivního učení. Systémy adaptivního učení, tzv. Inteligentní výukové systémy (Intelligent tutor systems), nabývají na významu s rostoucím množstvím interaktivního, elektronického, nebo přímo online výukového obsahu. Inteligentní výukové systémy umožňují výrazně vyšší individualizaci výuky oproti klasickému modelu třída - učitel. Použití systému přináší efektivnější využití času studenta, pro kterého jsou systémem individuálně vybrány takové činnosti, které efektivně vedou k požadovaným cílům. Učitel při využití systému získá více času na řešení individuálních problémů studentů. V práci je poskytnut rámcový přehled možností inteligentních výukových systémů a jejich možných cílů. Dále také přehled metod využívaných v těchto systémech. Podrobně je popsána možnost využití zpětnovazebního učení (reinforcement learning), konkrétně algoritmu Dvojitého Q-učení (Double Q-learning). V práci je představeno schéma činnosti systému a všechny jeho potřebné části. Funkčnost byla ověřena využitím simulovaných dat, a to z důvodu nedostatku dat reálných. Pro simulaci dat je v práci navržen model studenta, úlohy a pokusu o řešení, umožňující zahrnutí minimálního času potřebného pro úspěšné vyřešení úlohy. Spuštěním ITS na simulovaných datech byla ověřena funkčnost systému. Při plánovaném nastavení systému bylo pozorováno neočekávané chování, které upozornilo na důležitost důkladně zvolené funkce odměny. Po vhodnějším nastavení funkce odměny vykazoval systém zlepšení výkonu simulovaných studentů o přibližně $25\%$ při velikosti tréninkových dat v nízkých tisících studentů a téměř $50\%$ zlepšení při velikosti tréninkových dat v nízkých desetitisících studentů.

The thesis is dedicated to the topic of adaptive learning. Adaptive learning systems called Intelligent tutor systems are becoming increasingly important with the growing amount of interactive, electronic and even online learning content. Intelligent tutoring systems allow for significantly more individualised learning compared to the classroom-teacher model. The use of the system results in a more efficient use of the student's time, for whom activities are individually selected by the system, that effectively lead to the desired goals. Using the system gives the teacher more time to solve individual students issues. Other information, which this thesis is only very marginally concerned with obtaining, may be information about student performance and activity and information about the tasks, e.g. their difficulty, warnings about inappropriately worded tasks, etc. This paper provides a framework overview of the capabilities of Intelligent tutoring systems and their possible goals. It also provides an overview of the methods used in these systems. The possibility of using reinforcement learning, specifically the Double Q-learning algorithm, is described in detail. A flowchart of the system and all its necessary parts are presented. Simulated data is used to verify the functionality, due to the lack of real data. To simulate the data, a model of the student, the task and the attempted solution is proposed in the thesis, allowing the inclusion of the minimum time needed to successfully solve the task. By running the ITS on simulated data, the functionality of the system was verified. Unexpected behavior was observed during the scheduled system setup, which highlighted the importance of a carefully chosen reward function. After adjusting the reward function more appropriately, the system showed approximately $25\%$ improvement in simulated student performance for training data sizes in the low thousands of students and nearly $50\%$ improvement for training data sizes in the low tens of thousands of students.