Разработка способа ранжирования онлайн-курсов на основании психологической модели обучаемого

Предпочитают дискуссии и вербальные объяснения визуальным демонстрациям.

Большинство людей в школьном возрасте и старше - визуалы

Образования в школах, колледжах и институтах вербальное

Сколько информации усваивает человек, если он:

· читает - 10%

· слышит - 26%

· видит - 30%

· видит и слышит - 50%

· говорит - 70%

· говорит и что-либо делает - 90%

Размышления и выводы по шкале:

Вербалам нужны дискуссии и обсуждения, например, помощь в обучении другим учащимся (комментарии к урокам, форумы и тому подобное). Хорошо усваивают видео/аудио лекции также, как и визуалы. Последним можно читать лекции, так как буква - знак, и они могут запоминать информацию даже по расположению на странице (визуальная память). Всю информацию обязательно надо подкреплять схемами, графиками, картинками.

В рамках традиционного обучения:

· Весь материал должен содержать визуализацию, что будет очень полезно визуалам и, безусловно, не будет лишним для студентов с вербальными предпочтениями (никак не помешает в обучении).

· Необходимо давать задания на обсуждение - очень полезно для вербалов.

В рамках дистанционного обучения: для вербальных студентов должна быть реализована возможность общаться и помогать другим учащимся (например, обсуждать задания в комментариях). В остальном, особенности дистанционного обучения относительно данной шкалы очень схожи с традиционным образованием, особо сильных отличий нет.

Вывод по шкале

Данная шкала больше нацелена на преподавателей, которые должны уделять внимание визуализации контента, чем на студентов. Вряд ли получится дифференцировать по ней курсы. Визуально-вербальная шкала может помочь ответить на следующий вопрос: либо подходит курс студенту с преобладающими визуальными предпочтениями, либо нет.

Анализировать учебные материалы относительно визуального контента не так сложно:

· Если курс состоит из видео-лекций, то высока вероятность, что материал будет достаточно визуализирован;

· Если курс состоит из текстовых лекций, то можно вычислять процентное соотношение текстового и графического контента, а также смотреть на его чередование;

· Аудио-лекции очень плохо подходят студентам с преобладающими визуальными предпочтениями.

2.1.3 Активно-размышляющая

Показывает, как студент обрабатывает (усваивает) информацию (превращает в знания - knowledge):

· Активно - через эксперименты

· Рефлективно - через размышления

В таблице 4 приведены основные различия в предпочтениях студентов, предпочитающих активный и рефлективный стили обучения.

Таблица 4. Сравнение предпочтений студентов по активно-рефлективной шкале

Активные	Рефлективные
Любят практику - эксперименты, дискуссии	Любят обдумывать материал
Предпочитают работать в коллективе (группах)	Предпочитают работать в одиночестве (максимум вдвоём)
Плохо учатся в ситуациях, требующих от них пассивного участия (большинство лекций)	Плохо учатся, когда нет возможности размышлять, обдумывать материал (большинство лекций)
Экспериментаторы	Теоретики
На первый взгляд похоже на сенсоров, но сенсоры предпочитают получать информацию в виде фактов, данных и экспериментов, а обрабатывать её могут как активно, так и рефлективно.	На первый взгляд похоже на интуитов, которые предпочитают получать абстрактную информацию в виде теорий и моделей, но обрабатывать её могут как активно (проверяя на практике экспериментами, обсуждая с коллегами), так и рефлективно (строя гипотезы и размышляя в одиночестве).

Размышления и выводы по шкале:

Важно заметить, что две стороны этой шкалы не крайности: противоположность активному стилю обучения - пассивный, а не рефлективный. Более того, обучение в класс только с пассивным стилем (без каких-либо действий, активностей, дискуссий) будет неэффективно как для активных студентов, так и для рефлективных.

В рамках традиционного обучения: любой курс должен быть активным в той или иной степени:

· для активных студентов необходимо организовывать периодические дискуссии и работу в группах;

· для студентов с рефлективными предпочтениями следует делать паузы в лекциях на несколько минут для размышлений и вопросов.

В рамках дистанционного обучения:

Курс, нацеленный на активного студента: необходимо, чтобы на платформе была реализована возможность обсуждать лекции и задания в комментариях. В результате, студенты придумывают решения совместно, а также помогают другим учащимся. Хороший плюс - групповые задания/упражнения. Проблема - студент не может пообщаться с преподавателем напрямую. Решение - лучшее: онлайн лекции с чатом; достаточное: вовлеченность преподавателя в образовательный процесс (отвечает на вопросы студентов в комментариях).

Курс, нацеленный на рефлективного студента: одно из важных преимуществ дистанционного образования в том, что студент может сам управлять учебным процессом (если видео- или аудио-лекция, то ученик может остановить и подумать, над материалом). Проблема только с онлайн-лекциями, так как они очень близки к традиционному обучению. Решение: преподаватель должен делать перерывы, как и на лекциях в классе/аудитории, чтобы активные студенты могли задать вопросы в чате, а рефлективные - обдумать материал.

Вывод по шкале

Как и по визуально-вербальной шкале, активно-рефлективная не позволяет чётко дифференцировать курсы. Скорее данная шкала полезна для преподавателей при составлении курса.

Единственное, что поддаётся анализу по активно-рефлективной шкале - это такие свойства платформы и курса, как например:

· вовлеченность преподавателя в учебный процесс: как часто преподаватель отвечает на комментарии студентов;

· есть ли вообще возможность комментирования лекций или заданий (зависит от самой платформы);

· наличие коллективных, совместных активностей;

· курс с онлайн-лекциями или в записи.

Активным студентам желательно давать больше практических заданий, таких, как например, запрограммировать алгоритм или что-нибудь рассчитать. Рефлективным - теоретические вопросы с выбором ответа или поставить в правильном порядке (то, что требует теоретических размышлений и доводов).

2.1.4 Последовательно-глобальная

Показывает, как студент строит выводы и решает задачи. Чаще всего в обучении материал излагается в логической последовательности.

В таблице 5 приведены основные различия в предпочтениях студентов, предпочитающих последовательный и глобальный стили обучения.

Таблица 5. Сравнение предпочтений студентов по последовательно-глобальной шкале

Последовательные	Глобальные
Обрабатывают материал по мере его поступления	Обрабатывают материал по мере его накопления
Способны решать простые задачи даже с небольшим объемом знаний	Чувствуют себя потерянными, неспособными решать даже элементарных задач и запутавшимися в течение некоторого времени до того момента, пока в голове не выстроится чёткая картина из частичек изученного материала
Осваивают материал линейно	В последствии, начинают осваивать материал быстрее и могут добиться больших успехов, чем последовательные студенты
	Могут вначале чувствовать себя глупыми, по сравнению с коллегами, однако в последствии удивляют учителей быстрым освоением материала и решением сложных, комплексных задач
Решают задачи, соответствующие пройденному материалу	Могут решать более сложные задачи «скачками» (интуитивно), иногда не понимая, как пришли к результату
Склонны к конвергентному мышлению (решение задачи по точному алгоритму) и анализу	Склонны к дивергентному мышлению (множество способов решения одной задачи) и синтезу

В рамках традиционного обучения:

Последовательные студенты легко обучаются, так как все лекции и учебники - последовательные.

Глобальным студентам сложнее в начале обучения: их надо вовлекать в процесс, чтобы они не потеряли интерес к предмету. Учитель должен предоставлять большие схемы предмета с основными этапами обучения, рассказывать план урока и стараться ссылаться на материал, который студент уже знает. Нужно давать студенту свободу в решении задач, а не заставлять делать по алгоритму преподавателя. Учитель должен давать задания «на креативность», которые имеют несколько альтернативных решений и требуют знания материала из других курсов или дисциплин.

Размышления и выводы по шкале

Для дистанционного обучения: необходимо делать общий обзор тем в начале курса, урока, занятия.

Курс, нацеленный на последовательных студентов: Простые задания по пройденному материалу обязательно должны идти сразу после лекции. Как в сенсорно-интуитивной шкале: лекция - задание - лекция - задание - и так далее. В конце модуля и/или урока - большое задание на усвоение материала.

Курс, нацеленный на глобальных студентов: Сначала лекционный материал, а затем глобальные задания, например, большая задача по программированию. Хороший пример - курс «Разработка веб сервиса на Java» на Stepic: сначала идут 2-4 лекции, потом одно простое тестовое задание на усвоение материала, затем снова лекции и снова задание и так далее. В конце модуля большой проект по всему материалу - разработать сервер, протестировать встроенным тестером, который генерирует код для прохождения задания на Stepic.

Вывод по шкале

Очень похожа на сенсорно-интуитивную шкалу - также очень трудно анализировать контент - требуется подключение технологий искусственного интеллекта.

2.1.5 Индекс стилей обучения

Индекс стилей обучения Фелдера-Соломон (Index of Learning Styles) - это инструмент, позволяющий оценить предпочтения студента по 4ём шкалам модели. Он реализован в виде вопросника из 44ёх вопросов (11 для каждого измерения) и находится в свободном доступе в интернете [16].

Каждый вопрос состоит из двух вариантов ответа. Пара примеров (перевод):

1. «Когда мне дают инструкции, как добраться до нового места, я предпочитаю

· нарисованную карту

· текстовое описание»

2. «Мне легче запомнить

· то, что я сделал

· то, о чём я много размышлял»

Нетрудно заметить, что каждый вопрос относится к одной из 4ёх шкал, а ответы соответствуют противоположным сторонам.

Индекс стилей обучения (Index of Learning Styles) студента - это четвёрка предпочтений по шкалам модели Фелдера-Сильверман: , где SI - оценка по сенсорно-интуитивной шкале, VV - по визуально-вербальной, AR -по активно-размышляющей, SG -по последовательно-глобальной. Каждая оценка - это нечётное целое число из отрезка [-11; +11], которое формируется следующим образом:



- предпочтения студента в последовательно-глобальном измерении

- количество ответов, соответствующих последовательной стороне шкалы

- количество ответов, соответствующих глобальной стороне шкалы

Согласно теории Фелдера-Соломон [17], предпочтения бывают трёх типов (рис. 3):

· Сбалансированные: оценка 1 - 3. Студент может успешно обучаться при обоих стилях.

· Умеренные: оценка 5 - 7. Студент может обучаться в обоих стилях, но в предпочитаемом ему будет гораздо легче, а результаты лучше.

· Сильные: оценка 9 - 11. Студенту будет очень трудно обучаться в противоположном стиле.

Рисунок 3. Типы предпочтений

Таким образом, каждый желающий может узнать распределение своих предпочтений в стилях обучения по модели Фелдера-Сильверман, а преподаватель может использовать эти данные при построении курса и дальнейшем обучении студентов. Но стоит иметь в виду, что предпочтения могут достаточно сильно меняться со временем, а также зависят от предметной области.

В рамках исследования были детально проанализированы четыре шкалы стилей обучения Фелдера-Сильверман и выявлены основные критерии для дифференциации электронных курсов. Однако, для реализации системы анализа электронных материалов по большей части критериев (особенно по сенсорно-интуитивной и последовательно-глобальной шкале) требуется технологии искусственного интеллекта, что требует дальнейших более глубоких исследований.

Индекс стилей обучения (ILS) очень удобный инструмент для определения предпочтений студента. Психологическая модель Фелдера-Сильверман может быть применима для дифференцирования онлайн-курсов по четырём шкалам стилей обучения.

2.2 Рекомендательные системы

Как уже было отмечено выше, существуют несколько базовых алгоритмов построения рекомендательных систем:

· Рекомендации, подобранные вручную

· Контентная фильтрация

· Коллаборативная фильтрация

· Гибридная фильтрация

Выбор алгоритма рекомендаций обуславливается многими факторами: в первую очередь стоит отталкиваться от предметной области и ключевых целей системы. Современные мощные рекомендательные сервисы используют модифицированные алгоритмы, чтобы добиться лучших результатов при хорошей производительности.

Тем не менее, важно знать базовые принципы работы рекомендательных алгоритмов, чтобы выбрать правильный подход к построению сервиса.

2.2.1 Метрики схожести

Основа любого рекомендательного алгоритма - метрика схожести двух объектов - функция similarity(x, y). В зависимости от самой системы, similarity metric может показывать, как близость друг к другу двух пользователей (предпочтений, интересов), так и схожесть двух объектов, по некоторым критериям. Например, если основная задача сервиса - показывать похожие фильмы, которые могут заинтересовать пользователя, то аргументами функции similarity будут два фильма, а сама функция должна отображать близость аргументов по некоторым критериям. К примеру, в данном случае следует оценивать жанры фильмов.

Следует сразу формализовать условные обозначения: у нас есть - множество пользователей (Users), - множество объектов (Items) и множество событий D, которые характеризуются пользователем, объектом и результатом .

В качестве метрик схожести наиболее часто используются следующие:

· Косинусная мера;

· Коэффициент корреляции Пирсона;

· Коэффициент Жаккара;

· Евклидово расстояние;

· Коэффициент Танимото.

В качестве метрики можно использовать коэффициент Жаккара, который определяет бинарную меру сходства двух множеств:

Где - объекты, а - свойства объектов (от англ. properties).

Метрика схожести Жаккара будет показывает отношение количества совпадающих свойств двух объектов к общему числу всех свойств.

Самая распространённая метрика рекомендательных сервисов - косинусная мера [20]. Данный подход основан на том, что объекты в системе представляются векторами в многомерном пространстве критериев (свойств), а степень схожести - косинус угла между этими двумя векторами:

Косинус угла между двумя векторами - это скалярное произведение, делённое на произведение длин этих векторов. Если предположить, что предпочтения пользователя в выборе фильмов - это вектор в многомерном пространстве критериев (например, жанров), который показывает основное направление предпочитаемых фильмов, то косинус угла между вектором предпочтений и вектором, описывающим конкретный фильм, - это численная мера схожести предпочтений пользователя и объекта, на основании которой можно строить рекомендательные предсказания. Чем ближе к единице косинус угла между двумя векторами, тем меньше градусная мера угла (стремиться к 0), и, следовательно, тем более схожи эти два объекта.

Косинусная мера достаточно хорошо работает и часто применяется для оценки схожести двух товаров по их свойствам или некоторым критериям. Но если применить данный подход при построении рекомендательной системы, использующей алгоритм коллаборативной фильтрации и основанной на оценивании товаров пользователями, то в реальных крупных сервисах часто возникают следующие проблемы:

· Разные товары оценивают разное число пользователей:

· Часто оценки одного пользователя сдвинуты в одну сторону: некоторые пользователи ставят только положительные оценки, другие только отрицательные (оценивают только те объекты, которые им не нравятся).

Однако данную проблему можно обойти. В таких ситуациях можно применить модифицированную косинусную меру:



Здесь U - множество пользователей, которые оценили, как объект a, так и объект b.

Косинусная мера - самая широко используемая метрика, но в конечном счёте выбор метрики полностью зависит от самой системы.

2.2.2 Базовые принципы построения рекомендаций

Для построения полноценной рекомендательной системы, обычно следует реализовать следующие действия:

· Предсказание предпочтений: . - результат предсказания - вероятность того, что пользователю u понравится предмет i. Задача состоит в том, чтобы построить такую функцию , результат которой был бы максимально приближен к реальным предпочтениям пользователя .

· Похожие объекты: . Результат - множество объектов M, близких к x, по некоторым свойствам. Например, множество фильмов с жанром «детектив». Множество M может состоять из объектов или - в зависимости от параметра x ( или ).

· Персональные рекомендации: . Результат - множество рекомендаций (объектов ) для определённого пользователя .

Конечно же, стоит отталкиваться от задач самого сервиса, которые, к примеру, могут и вовсе не требовать предсказывания предпочтений или построения персональных рекомендаций.

Как говорилось выше, при построении сервиса, основанного на рекомендациях, подбираемых вручную, не требуется использование сложных вычислительных алгоритмов. Администратор сам подбирает схожие товары, которые будут показаны пользователю, при просмотре каталога. Данный принцип не требует построения специальных метрик и анализа контента для выделения качественных характеристик объектов.

Алгоритм контентной фильтрации основан на анализе определённых свойств объектов. При чём можно выделить два подхода к определению критериев оценки предметов:

· Неавтоматический, когда свойства задаются в системе явным образом. Например, для фильмов критериями оценки схожести могут служить жанр, страна, режиссёр и т.д.

· Автоматический, когда сервис сам анализирует два объекта, выделяя схожие и различающиеся свойства. Гораздо более сложный подход, часто требующий использования технологий искусственного интеллекта и когнитивного программирования.

Обычно объекты загружаются в систему в виде некоторой структуры данных. Например, профиль фильма «Побег из Шоушенка» может быть представлен в синтаксисе XML:

<xml version=”1.0” ?>

<profile>

<title>The Shawshank Redemption</title>

<year>1994</year>

<IMDbRating>9.30</IMDbRating>

<actor>Tim Robbins</actor>

<actor>Morgan Freeman</actor>

<director>Frank Darabont</director>

</profile>

Или в синтаксисе JSON:

{

title: “The Shawshank Redemption”,

year: “1994”,

IMDbRating: “9.30”,

actors: [

{ name: “Tim”, surname: “Robbins” },

{ name: “Morgan”, surname: “Freeman” }

],

director: { name: ”Frank”, surname: “Darabont” }

}

При построении рекомендаций требуется анализировать два объекта и выдавать результат в виде некоторой меры схожести. Например, метод должен возвращать 0 в случае, когда и абсолютно непохожи, и 1, когда свойства объектов полностью идентичны.

Основной принцип коллаборативной фильтрации заключается в том, что похожим пользователям обычно нравятся похожие фильмы. Таким образом, необходимо анализировать «схожесть» пользователей для выделения их предпочтений. Как говорилось ранее, собирать данные о пользователях можно двумя способами (желательно их комбинировать):

· Явным способом - например, просить пользователя указать его любимые жанры или оценить несколько фильмов, которые он ранее посмотрел;

· Неявным способом - например, собирать оценки пользователей, для последующей кластеризации.

Для того, чтобы порекомендовать определённый объект конкретному пользователю, необходимо предсказать оценку пользователя данному объекту. Для этого существует простой алгоритм, основанный на кластеризации пользователей, представленный на рисунке 4.

Рисунок 4. Основные этапы алгоритма кластеризации пользователей

Сперва необходимо определить принадлежность пользователя какому либо кластеру C(u) с помощью функции , где . Функция показывает на сколько схожи предпочтения пользователей u и v, основываясь на их истории оценок. Далее, система рассчитывает (предсказывает) среднюю оценку m объекта пользователями кластера C и принимает соответствующее решение относительно рекомендаций в зависимости от этой оценки:

Данный подход обладает большим недостатком: если в кластере никто не оценил объект i, то предсказать для него оценку не получится.

Для решения данной проблемы необходимо уйти от жёсткой кластеризации пользователей с помощью алгоритмов User-based и Item-based. Оба алгоритма абсолютно симметричны и при выборе одного из них следует учитывать следующее:

· Если больше пользователей, то лучше выбирать User/User:

· Если больше предметов, то - Item/Item:

Суть обоих алгоритмов заключается в нахождении ближайших соседей, которые определяются метриками схожести. Таким образом, чем больше общего между двумя пользователями, тем больший вклад будет вносить оценка этого пользователя в предсказываемую оценку. И соответственно, чем больше предмет похож на оцениваемый, тем больший вклад будет вносить оценка пользователя по этому схожему предмету в предсказываемую оценку.

В данном разделе была изучена и детально проанализирована психологическая модель стилей обучения Фелдера-Сильверман, а также рассмотрены самые распространённые метрики схожести, необходимые для построения рекомендательных систем.

Модель была разработана учёными для улучшения качества традиционного образования. Однако в результате исследования и анализа были сделаны выводы о том, что шкалы стилей обучения (сенсорно-интуитивная, визуально-вербальная, активно-размышляющая, последовательно-глобальная) могут быть применимы и в сфере e-learning для разработки способа ранжирования онлайн-курсов.

3. Детали реализации

3.1 Предлагаемый алгоритм

3.1.1 Построение когнитивного профиля

Каждый объект системы характеризуется своим когнитивным профилем, основанным на модели стилей обучения Фелдера-Сильверман, и который включает в себя четыре составляющие, соответствующие четырём шкалам психологической модели.

Когнитивный профиль каждого пользователя (будь то администратор, создатель курса или студент) должен быть жёстко задан в системе, так как любые действия в приложении будут влиять на профили курсов.

Процесс формирования профиля курса состоит из следующих стадий:

· Добавление информации о новом учебном курсе в систему. Для нового объекта создаётся пустой когнитивный профиль, все четыре составляющие которого заполняются нулями.

· Поверхностный анализ явно выделенных свойств учебного курса, соответствующий шкалам модели стилей обучения. Составляется начальный (непустой) первичный профиль курса.

· Экспертный анализ учебных материалов. Данный анализ требует оценки материалов и структуры курса в целом со стороны человека-эксперта, который должен оценить, к примеру, на сколько материал абстрактный или фактический, глобальный или последовательный и так далее. Также, данный шаг требует использования технологий искусственного интеллекта. В результате, в системе должен быть сформирован приблизительный когнитивный профиль курса, который в дальнейшем будет корректироваться и уточняться.

· Корректировка когнитивного профиля курса. Система знает предпочтения по каждой шкале стилей обучения каждого студента. Таким образом, если пользователю был порекомендован определённый курс, который он прошёл, то после он должен оценить его по шкале от -5 до +5 по нескольким параметрам:

o На сколько лекции легки для понимания и усвоения (SI)

o На сколько качественно подобраны задания (AR)

o На сколько качественно подобран учебный материал (VV)

o На сколько хорошо построена структура курса (SG)

Далее система производит корректировку по каждой шкале, сравнивая профиль студента с профилем курса, по следующему принципу:

Таблица 6. Условные обозначения для формулы

	Профиль студента	Оценка	Профиль курса

Новые значения для каждой шкалы профиля курса C вычисляются по следующей формуле:

Условные обозначения описаны в таблице 6.

К текущему значению профиля курса добавляется значение корректирующей функции, которая сдвигает текущее значение профиля курса по данной шкале в определённую сторону:

· Если студент положительно оценил курс (), то значение курса по данной шкале приближается к профилю студента ();

· Если студент отрицательно оценил курс (), то значение курса по данной шкале отдаляется от профиля студента ().

Корректирующая функция вычисляет расстояние по данной шкале между профилем студента и курса и умножает на коэффициент, который определяет величину вклада этого расстояния в общий профиль курса. Так как оценка студента , а расстояние между профилем курса и студента , то для нормализации оценка студента делится на 110.

Для случая, когда профиль студента и курса полностью совпадают для данной шкалы, расстояние между точками будет равно нулю и оценка студента не будет учтена, так как корректирующая функция в таком случае будет равна нулю. С одной стороны, если студент положительно оценил курс, то текущее значение профиля по данной шкале отображает реальную ситуацию, и корректировка не требуется. Но с другой стороны, когда студент отрицательно оценил курс по данной шкале, то профиль не отображает действительность и требует корректировки. В таком случае расстояние принимается равным единице, а корректировка происходит в противоположную сторону шкалы, относительно текущего значения профиля.

В результате, когнитивный профиль курса формируется на основании психологических профилей студентов. Более того, данный подход позволяет производить постоянную корректировку. Таким образом, чем больше пользователей оценят курс, тем более точную ситуацию будет отображать профиль, и тем более точными будут рекомендации.

Для разработки сервиса необходимо построить рекомендательную метрику. Как уже говорилось ранее, самой широко применяемой метрикой в современных системах является косинусная мера, которая показывает косинус угла между двумя векторами, описывающими:

· Два объекта;

· Два пользователя;

· Объект и пользователя.

В рекомендательной системе онлайн-курсов вектор пользователя должен описывать его предпочтения в стиле обучения. Таким образом, вектор будет показывать направление предпочтений студента в соответствующей системе координат. Косинусная мера в такой системе будет показывать на сколько направление предпочтений студента отличается от стиля обучения курса. Для построения рекомендательного сервиса такой меры недостаточно, так как она лишь поверхностно анализирует различия между пользователем и онлайн-курсом.

3.1.2 Первый вариант метрики

В общую оценку курса должны вносить вклад 4 составляющие - по одной от каждого измерения:

Коэффициент нормализации N в данном случае равен 4. Оценки SI, VV, AR и SG должны определяться для курса единственным образом, в то время как общая оценка курса должна быть рассчитана для каждого студента отдельно - с учётом индекса стилей обучения Фелдера-Соломон. То есть если предпочтения студента по одной из шкал слабые (может успешно обучаться при обоих стилях обучения), то и вклад данной шкалы в результирующую оценку курса должен быть незначительный. В отличии от шкал, по которым у студента очень сильные предпочтения.

Таким образом, оценка вычисляется с учётом коэффициентов, которые определяются в зависимости от индекса стилей обучения данного студента:



- предпочтения студента - .

Коэффициенты подбираются на основании индекса стилей обучения (ILS) таким образом, чтобы наибольший вклад делала шкала, по которой у студента самые сильные предпочтения. Например, если для студента визуально-вербальная шкала будет основной, то и курс, в первую очередь, должен соответствовать ей, потому что ему будет сложно обучаться в противоположных условиях.

Коэффициент нормализации . Таким образом, например, для ситуации, когда предпочтения студента , .

На данном примере видно, что самый большой вклад в оценку вносит сенсорно интуитивная шкала - , затем визуально-вербальная - , а активно-рефлективная и последовательно-глобальная шкалы - минимальный вклад - .

Более того, если предпочтения студента и профиль курса будут принадлежать одной и той же стороне шкалы модели, то в таком случае значение по данной шкале даст положительный вклад в рекомендательную оценку. В противном случае, значение по данной шкале будет отрицательным и, соответственно, будет вычтено из рекомендательной оценки. Это означает, что курс не подходит студенту и рекомендательная оценка будет ниже.

Таким образом, параметры SI, VV, AR и SG определяются на основе оценивания курса (или другим способом: ввод вручную администратором, с помощью алгоритма коллаборативной фильтрации), а коэффициенты - на основе предпочтений студента.

В результате, в соответствии с данным подходом, рекомендации R по наиболее подходящему курсу, где - предпочтения студента, необходимо строить, основываясь на максимизации рекомендательной оценки :

3.1.3 Второй вариант метрики

Рассмотрим предпочтения студента , как точку в 4х мерном пространстве:

Коэффициенты , а точнее принадлежат множеству нечётных чисел из этого отрезка.

И по такому же принципу необходимо строить оценку курса:

В результате, мы имеем две точки в четырёхмерном пространстве, и для качественной оценки того, на сколько данный курс подходит студенту с определёнными предпочитаемыми стилями обучения необходимо вычислять расстояние (метрику) между этими двумя точками:



Таким образом, рекомендации будут подбираться на основании различий между студентом и курсом.

Также, я полагаю, что необходимо ещё раз учитывать в оценке предпочтения студента - в качестве коэффициентов. Это поможет сделать акцент именно на сильных предпочтениях и сгладить слабые, так как при сбалансированных предпочтениях студент будет успешно обучаться в любом стиле, соответствующем данному измерению.

Коэффициенты соответствуют предпочтениям студента по данной шкале, N - коэффициент нормализации. Как уже было описано выше ,.

В данном случае рекомендации R по наиболее подходящему курсу надо строить, основываясь на минимизации расстояния между предпочтениями студента и характеристиками курса:

3.1.4 Использование критериев поиска платформы MOOC List

Справочник-агрегатор онлайн-курсов MOOC List обладает мощным и гибким поисковым движком. Разработчики платформы реализовали данный сервис для того, чтобы студент мог быстро и удобно подстроить фильтрацию курсов под свои предпочтения.

С помощью психологической модели обучаемого можно автоматизировать процесс фильтрации. Таким образом, студенту сразу будет предоставляться список курсов, соответствующих его психологическому профилю и удовлетворяющих его предпочтениям.

Основная задача заключается в том, чтобы правильно подобрать критерии поиска под конкретный психологический профиль студента.

Психологический профиль обучаемого, соответствующий модели Фелдера-Сильверман, определяется с помощью индекса стилей обучения Фелдера-Соломон и состоит из четырёх параметров:

· - предпочтения по SI-шкале

· - предпочтения по VV-шкале

· - предпочтения по AR-шкале

· - предпочтения по SG-шкале

Таким образом, психологический профиль должен быть обязательно указан каждым пользователем при регистрации на сервисе. Существует два способа получение данных о предпочтениях пользователя:

· Явный: с помощью формы, в которую пользователь в явном виде заносит значения . Для этого ему необходимо пройти тест самостоятельно, к примеру, на официальной странице Университета Северной Каролины, посвящённой ILS [16].

· Неявный: с помощью опросника, который неявно определяет предпочтения студента. При чём пользователь может даже не догадываться о том, что в системе хранятся данные о его ILS.

Второй вариант получения данных намного предпочтительнее, хотя и требует более сложной реализации. Это связано с тем, что, согласно теории Фелдера, предпочтения студента могут сильно меняться со временем, а также могут зависеть от предметной области. Поэтому сервис должен периодически переопределять (желательно раз в полгода) психологические профили студентов для того, чтобы более точно строить рекомендации.

Более того, желательно разработать несколько вариантов опросника для разных предметных областей: как минимум для рекомендаций гуманитарных курсов и технических, потому что предпочтения обучаемого могут сильно отличаться.

Далее необходимо характеризовать предпочтения по каждой шкале стилей обучения с помощью критериев фильтрации (рис. 5).

Рисунок 5. Основные критерии фильтрации для поиска по MOOC List

При том, важным фактором для построения рекомендаций является степень (или глубина) предпочтений: сбалансированные, умеренные или сильные.

Таким образом, система сама формирует запрос, в соответствии с определённым когнитивным профилем пользователя . Студент должен сам задать только дополнительные параметры (некоторые из них по желанию):

· Категории - предметную область

· Ключевые слова

· Язык

· Субтитры

· Наличие сертификата

· Провайдер

Подход с автоматическим формированием фильтрации удобен тем, что самостоятельно пользователю очень сложно правильно задать условия, и более того, большинство пользователей даже не задумываются об этом.

Однако данный подход - это не полноценное решение проблемы рекомендаций онлайн-курсов. Это всего лишь несложный в реализации пример, способный достаточно сильно расширить потенциал действующей системы. Это неплохой пример того, как психологическая модель обучаемого может расширить возможности уже действующих сервисов.

Заключение

В рамках данной работы были изучены основные подходы построения рекомендательных систем, структура и функциональность самых популярных онлайн-платформ дистанционного обучения, были выявлены их преимущества и недостатки. Для усовершенствования существующих рекомендательных сервисов была выбрана и детально проанализирована психологическая модель стилей обучения Фелдера-Сильверман, на основе которой было сформулирвано и разработано несколько способов ранжирования онлайн курсов.

В дальнейшем предложенные методы могут позволить принципиально изменить действующие рекомендательные подходы в сфере e-learning. Однако важным недостатком работы является необходимость более детального тестирования и исследования разработанных алгоритмов.

На сегодняшний день возможностей, которые предоставляют большинство онлайн-платформ дистанционного обучения, недостаточно для полного необходимого анализа курсов. Основная проблема предложенных подходов заключается в анализе учебных материалов.

В результате исследований были сделаны выводы о том, что для полноценного дифференцирования онлайн-курсов программные интерфейсы платформ недостаточно функциональны. В свою очередь, стоит отметить, что крупные провайдеры, такие как EdX, Stepic.org и Coursera, активно развивают функциональность своих прикладных программных интерфейсов с целью предоставить сторонним разработчикам возможность удобной работы с учебными материалами платформы.

Вполне вероятно, что в скором будущем процесс анализа учебных материалов станет более простым в реализации и более точным. Таким образом, необходимо использовать технологии искусственного интеллекта для полной реализации поставленных задач.

Список источников

1. Блог компании Centrobit. Анатомия рекомендательных сервисов (Часть 1). URL: https://habrahabr.ru/company/Centrobit/blog/193960/ (дата обращения 15.02.2016).

2. Xiao B., Benbasat I. E-Commerce Product Recommendation Agents: Use, Characteristics and Impact // MIS Quarterly. March 2007. Vol. 31 No. 1, pp. 137-209.

3. Jones M.T. Recommender Systems. Part 1: Introduction to approaches and algorithms // IBM: Developer Works. 12.12.2013. pp. 1-8.

4. Amatriain X., Basilico J. Netflix Recommendations: Beyond the 5 stars (Part 1) // The Netflix Tech Blog. 6.04.2012. URL: http://techblog.netflix.com/2012/04/netflix-recommendations-beyond-5-stars.html (дата обращения 13.03.2016).

5. Bell R.M., Koren Y., Volinsky C. The BellKor 2008 Solution to the Netflix Prize. 2008. URL: http://www.netflixprize.com/assets/ProgressPrize2008_BellKor.pdf (дата обращения 24.03.2016).

6. Skinner B.F. The technology of teaching. Appleton-Century-Croft, 1965.

7. Skinner B.F. Teaching machines. Scientific American, 1961. 205, 90-112, p. 381.

8. Harrington C. Adaptive Learning & Content Development, Lecture for Digital October, 2014.

URL:http://www.digitaloctober.ru/en/events/analiziruy_eto_kak_big_data_sovershit_revolyutsiyu_v_obrazovanii (дата обращения 15.01.2016).

9. Колпаченко С.Ю., Заика С.С. Способ построения рекомендательного сервиса онлайн-курсов на основании психологической модели обучаемого // Межвузовская научно-техническая конференция студентов, аспирантов и молодых специалистов им. Е.В. Арменского. Материалы конференции. - М. ~: МИЭМ НИУ ВШЭ, 2016. - 412. ISBN 978-5-94768-072-0, С.135-136.

10. Исследование компании J'son&Partners Consulting: Рынок онлайн-образования в России и мире: сегмент массовых онлайн-курсов. URL: http://json.tv/ict_telecom_analytics_view/rynok-onlayn-obrazovaniya-v-rossii-i-mire-segment-massovyh-onlayn-kursov-20141209065340 (дата обращения 20.04.2016).

11. Coursera APIs. URL: https://building.coursera.org/app-platform/catalog/ (дата обращения 15.01.2016).

12. Creative Commons. Attribution-ShareAlike 4.0 International (CC BY-SA 4.0). URL: https://creativecommons.org/licenses/by-sa/4.0/legalcode (дата обращения 21.04.2016).

13. Stepic RESTful API. URL: https://stepic.org/api/docs/ (дата обращения 15.01.2016).

14. Felder R.M., Silverman L.K. Learning and Teaching Styles in Engineering Education, Engr. Education, 78(7), 1998. p. 674-681.

15. Felder R.M. Learning and teaching styles in engineering education. Author's Preface -- June 2002 // Engr. Education, 1988, №78 (7), С.674-681.

16. Solomon B.A., Felder R.M. Index of Learning Styles Questionnaire. URL: https://www.engr.ncsu.edu/learningstyles/ilsweb.html (дата обращения 12.03.2016).

17. Felder R.M., Spurlin J. Applications, Reliability and Validity of the Index of Learning Styles // Engr. Education, Vol. 1, №1, 2005. p. 103-112.

18. Yandex Company. Как работают рекомендательные системы. Лекция в Яндексе, 2014. URL: https://habrahabr.ru/company/yandex/blog/241455/ (дата обращения 5.03.2016).

19. Федоровский А.Н., Логачева В.К. Архитектура рекомендательной системы, работающей на основе неявных пользовательских оценок. URL: http://ceur-ws.org/Vol-803/paper8.pdf (дата обращения 5.03.2016).

20. Su X., Khoshgoftaar T.M. A Survey of Collaborative Filtering Techniques // Advances in Artificial Intelligence, Volume 2009, Article ID 421425. URL: http://www.hindawi.com/journals/aai/2009/421425/ (дата обращения 10.04.2016).

Размещено на Allbest.ru

...