1. Wstęp

Na przestrzeni ostatnich lat problem kontekstu stał się podstawą wielu ważnych obszarów badań. Nie osiągnięto jednak jeszcze konsensusu co do tego, co naprawdę oznacza kontekst, jakie są jego następstwa i jak można go uogólniać. Większość dotychczasowych badań skupiło się na tym, jak w różnych systemach wprowadzano kontekst, jakie w rezultacie wynikły ulepszenia w jakości interakcji człowiek - komputer, jakie strategie pedagogiczne wykorzystano. Za wyłączeniem problematyki użytkowników będących studentami (model studencki), nie zajmowano się systematycznie zagadnieniem różnych kontekstów inteligentnych systemów tutorskich (ITS) wpływających na tworzenie i użycie ITS.

Dokument ten przedstawia ogólny obraz kontekstu bieżąco wykorzystywanego w systemach inteligentnych. Proponuje również wstępny szkic kontekstów wspierających szerszą perspektywę wykorzystania ITS, związanych z systemami edukacyjnymi opartymi na technice lub tradycyjnymi. Szkic postuluje dodanie dwóch nowych kategorii kontekstów rozważanych w dotychczasowych badaniach, jak również umożliwia rozważenie niektórych kluczowych aspektów dowolnego systemu edukacyjnego, np.: (i) jakie składniki wiedzy można wyróżnić i czy któryś przynosi większe korzyści spowodowane wykorzystywaną techniką; (ii) jakie są style nauczania i w jaki w sposób wykonawcy i twórcy edukacji wpływają na działanie systemu edukacyjnego; (iii) czy wybrany styl faworyzuje jakieś konkretne podejście do nauczania lub reprezentację wiedzy, przy jednoczesnym połączeniu różnorodnych cech stylów nauczania.

Wstępny szkic dzieli konteksty ITS na trzy grupy: konteksty interakcyjne, konteksty środowiskowe, konteksty docelowe. W kontekstach interakcyjnych ma miejsce interakcja pomiędzy studentem a ITS. Konteksty środowiskowe dotyczą tworzenia i wprowadzania ITS i znacznie pomagają lub spowalniają działanie i akceptację ITS. Konteksty docelowe wywodzą się z samego procesu edukacyjnego i zajmują się głównie gotowymi i planowanymi założeniami systemów nauczania i oceny. Wymienione konteksty i ich podziały nie są ostateczne, spodziewa się że proponowany szkic zachęci badaczy do określenia powiązań pomiędzy kontekstami i dalszej działalności na tym obszarze.

2. Podłoże

Podstawą dla stworzenia tego dokumentu stało się rozważenie kontekstów użytych przy projektowaniu Podstawowych Narzędzi Inteligentnego Tutoringu (ang. Basic Intelligent Tutoring Tools - ITTs) przy tematach wprowadzających projektu Byzantium podlegającego pod Program Technologii Uczenia i Nauczania w Jednostkach Wspierania Kształcenia Wyższego w Zjednoczonym Królestwie [29]. Wewnętrzna struktura i funkcjonalność ITT opisywano w różnych publikacjach [30], zaś poniższy tekst krótko określa zakres i strukturę ITT oraz historię jego powstawania. Podstawowy ITT ma wąsko sprecyzowany zakres działania. Skupia się on na pojedynczym temacie lub małym zespole pokrewnych tematów. Jest to system mieszanej inicjatywy z zaakcentowanym typem modelu studenckiego. Procesy działania ITT oparte są na regułach zawartych w podwójnej bazie wiedzy, co stanowi podstawowy poziom ich inteligencji. Zakres indywidualnego ITT można poszerzyć łącząc różne ITT. Biorąc to pod uwagę, można postrzegać ITT jako większy i pełniejszy system tutorski. Może on być również łączony z innymi technologiami (np. video) i wykorzystywany przy uczeniu przez żywego nauczyciela [23], w rozmaitych konfiguracjach Środowisk Kształcenia Zintegrowanych Komputerowo (ang. Computer Integrated Learning Environments - CILE) dostosowanych do kształcenia w systemie klasowo - lekcyjnym, otwartym i niestacjonarnym.

Wczesny prototyp ITT zaprojektowano w 1990 roku, gdy zaistniała potrzeba wprowadzenia narzędzia tutorskiego zastępującego niektóre aspekty nauczania i oceny w podstawowych stadiach studiów biznesowych. Celem było odciążenie osób prowadzących, by mogły one efektywnie pożytkować czas na interakcjach z bardziej zaawansowanymi studentami. Wprowadzono cztery narzędzia ITT jako funkcjonalne prototypy uczenia się i nauczania w różnych technikach - zawierające odmienne zakresy logiczne i operacje, co umożliwiło lepsze zrozumienie krytycznych aspektów interfejsu i wewnętrznych wymagań strukturalnych różnych aplikacji. Wspomniane prototypy są wciąż funkcjonalne i używane przez studentów w wielu instytucjach. Przeprowadzono również teoretyczne testy dla Spring Design ITT w dziedzinie inżynierii mechanicznej [31].

Proponowany szkic kontekstów wyrósł z różnorodnych interdyscyplinarnych rozważań wynikłych podczas tworzenia, rozwoju i wprowadzania narzędzi ITT. Z prowadzonych dyskusji wynikło wiele korzyści i propozycji dalszego rozwoju, takich jak np. wprowadzenie metodologii w WWW biorąc pod uwagę działalność rozwojową i jej wyniki.

3. Znaczenie kontekstu

Istnieje wiele definicji kontekstu; liczni badacze zajęli się szczegółowymi badaniami tego zagadnienia (np. [25, 26, 27]). Brezillon & Abu-Hakima [6] zauważyli, że kontekst to to, co nadaje znaczenie danym. Iwanska [21] sugeruje, że słowo kontekst nabiera znaczenia zależnie od użycia. W językoznawstwie kontekst jest istotny przy upewnianiu się o "prawidłowym znaczeniu" [32]. Brezillon [5] badał kontekst używany w różnych dyscyplinach i zakresach takich jak sztuczna inteligencja, bazy danych, komunikacja, wyjaśnianie, pozyskiwanie wiedzy, uczenie maszyn, dokumentacja elektroniczna i wizja. Akman & Surav [2] dostarczyli ogólnego zarysu roli kontekstu w różnych dyscyplinach, takich jak język naturalny, kategoryzacja, inteligentne odtwarzanie informacji jak również reprezentacja wiedzy i dowodzenie.

Definicja najbardziej pasująca do proponowanego szkicu sugeruje, że kontekst składa się z pomysłów, sytuacji, zdarzeń lub informacji odnoszących się do niego i pozwalających go w pełni zrozumieć [2]. Zaobserwowano jednak, że praktyczne następstwa oparte na pojęciu kontekstu znacznie się między sobą różnią, zależnie od zrozumienia kontekstu i odpowiedniej funkcjonalności zapewnionej przez inteligentny system [zobacz sekcja 4.1]. Żadna z wymienionych prób nie odnosi się do użyteczności ITS z punktu widzenia różnych kontekstów środowiskowych - oprócz użytkownika będącego studentem. Wydaje się, że w tych próbach skupiono się tylko na kontekstach interakcyjnych. Ten dokument proponuje o wiele szerszy w zakresie szkic, umożliwiający zrozumienie i kontrolowanie kontekstów otaczających działalność ITS oraz rozwijanie bardziej celowych i użytecznych ITS.

4. Wstępny szkic kontekstów w projektowaniu ITS

Każdy system tutorski jest projektowany i używany w kontekście różnorodnych czynników, które można podzielić na trzy kategorie - co pokazano na rysunku 1. Mówią o tym poniższe podsekcje.

Rys. 1. Konteksty Inteligentnego Systemu Tutorskiego

4.1 Konteksty interakcyjne

Potrzeba użycia tej klasy kontekstów w inteligentnym systemie jest niezbędna w celu dostosowania pojęcia kooperacji, wyjaśniania i wzrastającego przyswajania wiedzy [11]. Dotychczasowe badania, w oparciu o literaturę, odnoszą się do pojęcia kontekstu użytego w zakresie zadań rozpoznawania planów, hierarchizowania wiedzy, reprezentacji wiedzy, dowodzenia i zarządzania językiem/komunikacją. Użycie kontekstu w tych zadaniach poprawi jakość interakcji człowiek - komputer i umożliwi inteligentniejszą formę sprzężenia zwrotnego uzyskiwanego od systemu. Poniżej przedstawiono niektóre rozwiązania praktyczne dotyczące tej klasy kontekstów.

Widmer & Kubat [34] opisali system FLORA3, który wprowadza wzmożone kształcenie pojęciowe w środowiskach dynamicznych, gdzie docelowe założenia mogą zależeć od kontekstu i na przestrzeni czasu drastycznie się zmieniać. Burstein & Kaplan [8] opisali konstrukcję odpowiedzi - nowatorski sposób sprawdzania wiedzy nabytej przez użytkownika. Jeden z typów konstrukcji odpowiedzi przypomina język mówiony lub pisany. W tworzeniu odpowiedzi używa się kontekstu. Dybkjaer i in. [17] zajęli się systemem dialogu w języku mówionym używającym kontekstu, aby umożliwić dialog kontrolowany systemowo i sprawdzalność kroków w dialogu o mieszanej inicjatywie. Przykładem użycia kontekstu dla polepszenia udowadniania jest system PROTÉGÉ - II, meta - narzędzie do konstruowania powłok systemów eksperckich dla sprecyzowanych zadań [33]. Zastosowanie kontekstu w rozpoznawaniu planów było badane przez Johnson'a [22], który zaprezentował system REACT używany w treningu operatorów połączeń komunikacyjnych w Sieci Głębokiego Kosmosu NASA (ang. NASA's Deep Space Network - DSN).

Opisane powyżej systemy dają zarys istniejących badań. Wszystkie one używają kontekstu w odniesieniu do interakcji człowiek - komputer, co wiąże się z filozofią ich tworzenia. My jednak sądzimy, że inne klasy kontekstów są ważniejsze z punktu widzenia ich wdrażania, a twórcy ITS powinni wykroczyć poza zakres interakcji systemu studenckiego.

4.2 Konteksty środowiskowe

Konteksty środowiskowe ITS są analogiczne do kontekstów systemów aplikacji biurowych (takich jak pakiety edytorów tekstowych, arkuszy kalkulacyjnych, itd.). Konteksty systemów aplikacji biurowych można określić za pomocą atrybutów użytkownika i rodzaju zadania. Konteksty ITS wymagają opisów dotyczących studenta, celu kształcenia, środowiska kształcenia oraz praktycznych środowisk zastosowań, w których użyje się rezultatów określonego kursu. Główne zgrupowania kontekstów środowiskowych można wypunktować jako (i) Student (umiejętności, preferencje i motywacja studenta), (ii) Nauczyciel (preferencje i nastawienie nauczyciela), (iii) Dyscyplina (rodzaj dyscypliny przedmiotowej), (iv) Cechy wiedzy (cechy wiedzy z danego zakresu), (v) Cechy medium (możliwości sprzętu i oprogramowania użytego jako medium tutorskiego), (vi) Środowisko społeczne (otoczenie, w którym tworzy się i używa ITS). Powyższe grupy kontekstów i ich główne składniki zaprezentowano na Rys. 2.

4.2.1 Aktorzy i ich interakcje

Projektant ITS musi wziąć pod uwagę dwie kategorie studentów: (1) nowicjuszy i ekspertów używających systemu tutorskiego (potrzeba podstawowej wiedzy dotyczącej użycia systemu tutorskiego na określonej platformie sprzętowej / programowej), i (2) nowicjuszy i ekspertów - wyróżnioną w oparciu o (a) wiedzę - zależnie od nastawienia na dyscyplinę, (b) możliwości kształcenia - zależnie od nastawienia na wskazówki akademickie. Rozwój użytkownika (określony przez czynniki takie jak wiek: doświadczenie, podłoże socjo - ekonomiczne, wykształcenie itd.) może być również czynnikiem hamującym, np. dorośli uczestnicy mogą mieć duże doświadczenie, ale być źle wykształceni.

Rys. 2. Środowiskowe konteksty Inteligentnego Systemu Tutorskiego

Duży poziom zrozumienia dla ogromu zadania podjętego przez twórców tradycyjnego ITS spowodował wyróżnienie dwóch koncepcji. Jedną z nich jest ogólna akceptacja tego, że wiedza posiada składnik kontekstowy, który umożliwia najprostsze łączenie, dzielenie i organizację wiedzy i jej wymiarów [6]. Drugą jest akceptacja znaczenia zdrowego rozsądku studenta i jego ogólnych zdolności do rozwiązywania problemów w procesie kształcenia. Niektórzy badacze sądzą, że tutorzy będący żywymi osobami nigdy nie dostarczą całkowicie prawidłowej diagnozy błędów popełnianych przez studentów, w odróżnieniu od rozwiązań dostarczanych przez tradycyjny ITS [12]. Newman [28] podczas obserwacji interakcji nauczyciela i studentów doszedł do wniosku, że nauczyciele w trakcie pomagania nie rozumieją dokładnie podejścia studentów do zadania. Bardzo ambitnie stworzone tradycyjne ITS przewyższa żywego nauczyciela, pomimo zdania Chan'a [9] "bieżąco używane metody odnoszące się do odpowiednich obszarów środowisk kształcących bazujących na wykorzystaniu komputerów są niekompletne, ponieważ nie odnoszą się do całości szerokiego zakresu zagadnień poznawczych i pedagogicznych".

Taki idealizm zachęca do badań laboratoryjnych, trzeba jednak spojrzeć na sprawę realistycznie, tak jak robi to Devlin [15], "Tysiące godzin wysiłku znakomitych informatyków, matematyków, językoznawców i inżynierów systemowych zostanie spędzonych nad stworzeniem interaktywnego narzędzia pomocniczego do fotokopiarki, a ono nie będzie nawet dorównywać asystentowi biurowemu, który ukończył szkołę średnią i przeszedł godzinny instruktaż obsługi tej maszyny." Patrząc realnie, ITS jest widziany jako wspomagający system poznawczy [13] składający się z oprogramowania tutorskiego i studenta, jak również z nauczyciela prowadzącego i do pewnego stopnia innych studentów. Interakcja student - ITS jest więc połączeniem ludzkiej psychologii nauczyciela i studenta, a także cyber-psychologii ITS, biorąc pod uwagę "inteligencję" oprogramowania. Trzeba również uwzględnić psychologię twórców ITS, ich sposób odbierania studentów, nauczycieli i procesu kształcenia.

Nauczyciel odgrywa rozmaite role, takie jak dostarczanie kontekstu, wybieranie i planowanie innych technologii edukacyjnych, zarządzanie programem nauczania i ogólne postrzeganie rozwoju nauczania. Ogromne znaczenie relacji pomiędzy nauczycielem a uczniem oraz preferencje nauczyciela mogą być ważniejsze nawet od stylu uczenia się studenta. Wyróżnienie tych preferencji może być trudne, ponieważ każdy nauczyciel ma inną osobowość, a odmienne style nauczania wynikają z ich własnych doświadczeń jako byłych uczniów oraz z poglądów tradycyjnych, progresywnych lub zawodowych [18]. Zauważono, że stosunek do nauczania mocno wpływa na nowoprzyjęte metody, dobór zadań, ocenę spełnionych wymagań, co składa się na ogólne przeciążenie [20]. Skutkuje to w podejściu studentów do uczenia się. Przeciążenie pracą, wysokie wymagania dotyczące oceny i brak wolności w środowisku kształcącym są czynnikami ściśle związanymi z szerokim stosowaniem przez studentów podejść reprodukcyjnych [20].

Obserwacja ta prowadzi do nasunięcia się oczywistego pytania, w jaki sposób warunki wzrastającego przeciążenia, ocena wymagań i wzrastająca represja środowiska pracy wpływają na styl nauczania. Jeśli nauczyciel z powodu czynników środowiskowych jest zmuszony do powierzchownego stylu nauczania, wdrożenie ITS może być wsparciem i zmniejszyć nacisk [23]. Jednak, aby akceptacja ITS była możliwa, ITS musi posiadać pewną wizję nauczyciela i podlegać konfiguracji odpowiadającej nauczycielowi prowadzącemu. Sugerujemy, żeby model żywego nauczyciela był zawarty w projekcie ITS i każdym innym systemie edukacyjnym: celem jest rozpoznanie różnych stylów nauczania, zarejestrowanie stylów zastosowanych w projekcie i umożliwienie najodpowiedniejszej adaptacji przez nauczyciela prowadzącego. Całościowe objaśnienie stylów nauczania zaadoptowanych do projektu umożliwia nauczycielowi prowadzącemu zrozumienie logiki kierującej twórcami i radzenie sobie z dysonansem poznawczym [19] wynikającym z różnic w stylach kształcenia.

4.2.2 Dyscypliny i proces kształcenia

Proces kształcenia wymaga w różnym stopniu poznania złożoności rozmaitych dyscyplin, będących szczegółowymi lub abstrakcyjnych, najpierwotniejszymi lub najbardziej złożonymi reprezentacjami wiedzy (złożoność ta wynika z podstawowej wiedzy, ukrytego kontekstu i ustalonej semantyki). W tym kontekście ważne jest rozróżnienie zakresu złożoności oczywistej i wewnętrznej. Zakres oczywisty odnosi się do samej prezentacji, natomiast zakres wewnętrzny odnosi się do sensu wynikającego z reprezentacji. Aby poradzić sobie z nieścisłościami języka naturalnego i uniknąć pojęć definiujących, każda z dyscyplin tworzy własny dialekt przyjmując powszechnie stosowaną terminologię. Poznając dyscyplinę, studenci uczą się odpowiedniego języka, pojęć specjalistycznych i abstrakcyjnych [14].

W praktykach kształceniowych dostrzec można nauczanie jako "przerobienie" jakiejś liczby zagadnień z określonych przedmiotów nauczania, w określonym okresie czasu, z jednoczesnym wzrastaniem zagłębienia/poszerzania. Z praktyki tej wynika, że w procesie kształcenia istnieją poziomy, na których przedstawia się wiedzę. Studenci również podlegają tej złożoności [24] w procesie modelu rozwojowego edukacji w wymiarze część-całość. Początkowo uczą się o każdym nieodłącznym elemencie schematu, później zaś je łączą. Na przykład, najpierw poznają niezależnie różnorodne techniki oceny, potem dowiadują się, że poszczególne techniki dostarczają różnych perspektyw i muszą zostać połączone, by ostatecznie dokonać oceny mechanizmu w procesie podejmowania decyzji. Z powyższej dyskusji wynika, że typ nauczania i uczenia się na początkowych i zaawansowanych etapach znacznie się różni. Na poziomie początkowym studenci uczą się raczej szczegółów, kontekstów i idei - później branych jako pewnik i podstawa dla dialogu poziomów zaawansowanych. Uczą się części, aby móc je potem połączyć w całość, zależnie od wskazań środowiskowych takich jak czynniki socjalne i behawioralne.

Natura nauczanej dyscypliny także w dużym stopniu determinuje metody kształcenia i wykorzystywane technologie, biorąc pod uwagę cel nauczania, pokrewność dziedzin (np. prawo), dużą ilość oddzielnych idei (np. zastosowanie metod), uwzględniając świat rzeczywisty (np. bieżące miary inżynierii mechanicznej) oraz reprezentacje wirtualne (np. reprezentacje monetarne w bankowości). Tak więc ITS musi używać odpowiednich metod kształcenia i technologii w zależności od dyscypliny, nie zaś kierować się abstrakcyjnym modelem czy rozwijanymi technologiami. Jednak, jak zauważył Chen [9], istnieje potrzeba dalszych badań efektów różnych fizycznych atrybutów prezentacji (reprezentacji graficznych i tekstowych, obrazów, animacji i mowy) w kształceniu studentów w różnych dziedzinach wiedzy. Badania te są ważne dla tworzenia ITS akceptowanego przez nauczycieli i studentów wszystkich dyscyplin. Kolejną zaletą wynikającą z uwzględniania natury i poziomu zaawansowania dyscypliny jest wypracowanie punktów wspólnych, podczas gdy preferowane style kształcenia nauczyciela tworzącego i wprowadzającego mogą się różnić.

4.2.3 Składniki wiedzy

Z punktu widzenia reprezentacji wiedzy w systemie, istnieje wiele zatwierdzonych podziałów wiedzy w zakresie sztucznej inteligencji. Winston [35] opisał dwa rodzaje wiedzy z punktu widzenia reprezentacji, wiedzę rzeczywistą i proceduralną. Boy [4] wyróżnił różne wymiary wiedzy bazując na reprezentacji. Opisał wiedzę płytką i głęboką opartą o złożoność reprezentacji wiedzy. Chen [9] podzielił wiedzę eksponowaną przez systemy poleceń na: wiedzę sprecyzowaną, wiedzę operacyjną, element znaczący oraz wiedzę wymaganą do implementacji. Z punktu widzenia kontekstu środowiskowego, wiedzę można klasyfikować z perspektywy uczenia się [29], co widać na rys. 3.

Rys. 3. Składniki wiedzy

Aspekt know-how wiedzy (pol. wiedzieć jak) jest pokazywany w działaniu i oparty głównie o doświadczenia empiryczne. Trudno przejąć ten typ wiedzy wprost z czyichś doświadczeń; potrzeba raczej czynnego kształcenia (nauka w działaniu) lub obserwacji (nauka pasywna). Know-how-not (pol. wiedzieć jak nie czynić) polega na empirycznym uczeniu się na błędach. Znaczna część wiedzy know-how może powstać dzięki know-how-not, rozpatrując błędy i nieprawidłowe podejścia. Know-why (pol. wiedzieć czemu) opiera się głównie na refleksji i abstrakcji. Jeśli nie zawodzi komunikacja, taki typ wiedzy można uzyskać naśladując czyjś tok dowodzenia. Inaczej niż know-how, know-how-not logicznie wynika z know-why, w drugą stronę to nie działa. Istnieje możliwość uczenia się na podstawie błędnych koncepcji, ale wymaga to głębszej refleksji. Know-when (pol. wiedzieć kiedy) oraz know-where (pol. wiedzieć gdzie) mają orientację kontekstową. Dostarcza to kontekstu dla obu know-how oraz know-why, ponieważ opierają się one na refleksji i/lub działaniu. Przykładem akcji opartej na know-when jest uczenie się poprawnej sekwencji operacji, podczas gdy know-when dostrzega się w granicznych warunkach luźnych relacji.

Know-about (pol. wiedzieć o) jest zorientowane na kształtowanie świadomości; zawiera omawiane powyżej trzy typy wiedzy określone dla know-what (pol. wiedzieć co). Zawiera również informacje o ogólnym kontekście wiedzy, więc można dostrzec podobne problemy i podejścia do ich rozwiązania, co uzyskuje się rozszerzając posiadany poziom zrozumienia na pobliski obszar. Know-about posiada częściową i niedoskonałą wiedzę powstałą z trzech podstawowych składników znajdujących się na różnym poziomie, np. ludzkość korzystała masowo z bloku ruchomego dużo wcześniej niż zrozumiano teoretyczne podstawy jego działania.

Z powyższej dyskusji można wywnioskować, że istnieje operacyjny aspekt wiedzy, w którym student może uczyć się podczas działania lub obserwacji bez szczególnego zwracania uwagi na wyrażenia lingwistyczne. Podczas obserwacji łatwo zrozumieć reprezentacje wyjaśniające zagadnienia, jednak nie można konsultować z systemem własnego punktu widzenia, wymieniać perspektyw i otrzymywać wyszczególnionych i poprawionych błędów. Są to najważniejsze kroki w celu głębszego poznania składników refleksji zorientowanej na know-why i know-why-not. Jednak studenci, jako osoby inteligentne, są w stanie wypracowywać reprezentacje wyjaśniające w sposób bardziej owocny - jeśli istnieje wielozmysłowa i elastyczna nawigacja pomiędzy elementami informacji kontekstowych. Multimedia i reprezentacje rzeczywistości wirtualnej ułatwiają osiąganie korzyści z polisensorycznej realistycznej i sprecyzowanej reprezentacji, polegając na polisensorycznym materiale wejściowym i wyjściowym. Jest jednak prawdą, że w obecnych praktykach rzadko wykorzystuje się to zjawisko [1].

4.2.4 Właściwości medium

Technologie takie jak hipertekst, multimedia, hypermedia i rzeczywistość wirtualna oferują wzrastającą łatwość i elastyczność w konstruowaniu wiedzy przez osoby uczące się, posiadają jednak zarówno wady jak i zalety i związane z ładunkiem empiryzmu i prawdopodobieństwem pomyłek. W tym miejscu należy zauważyć dwa istotne czynniki [10]: (i) to nie media, lecz metody objaśniające wpływają na kształcenie, co opisano w setkach badań porównawczych mediów; (ii) mózg ludzki, będąc wytworem milionów lat ewolucji, nie zmienia się w sposób nagły, więc istnieje niebezpieczeństwo przeładowania go materiałem wyjściowym dostarczanym przez technologię. Aby zapobiec takiemu przeciążeniu i ograniczyć możliwość pomyłek, należy dopasować ilość i bogactwo informacji (także kontekstowych) do odpowiedniego poziomu nauczania dyscypliny.

Sytuacja nie jest jednak prosta. Nowicjusze osiągają największą korzyść z bogatej reprezentacji opartej na wielu bodźcach, jednak za mało ukierunkowane nauczanie może powodować u nich wiele pomyłek z powodu braku: rozwinięcia odpowiednich różnorodnych umiejętności wyznaczania celów kształcenia, doboru efektywnych technik uczenia się, sprawdzania stopnia zbliżania się do celu, dostosowania strategii [10]. Z tego powodu nauczyciele będą w rozmaity sposób ograniczać proces kształcenia, np. definiując rozmiar elementów składowych kształcenia, ucząc w kontekście sytuacyjnym lub ucząc w sposób abstrakcyjny zależnie od różnorodnych kontekstów. Nawet na poziomie wprowadzania teorii projektowania istotne są argumenty za i przeciw Praktyce Poznawczej [10].

Wnioskiem toczących się debat jest, że może być nierealne wyróżnienie idealnej metody tworzenia zasobów kształceniowych w abstrakcyjnej teorii edukacyjnej, szczególnie jeśli chodzi o różne strategie porządkowania ograniczające działania studenta. My sądzimy, że do problemu należy odnieść się w kontekście natury dyscypliny na odpowiednim poziomie kształcenia - co określi powiązanie wiedzy pojęciowej i proceduralnej przyjmowanej przez studenta. Wybór odpowiednich reprezentacji zależy od tego, czy nauczanie jest pojęciowe czy proceduralne. Na przykład studenci stomatologii uczący się diagnozowania zdeformowanej szczęki mogą rozwinąć swoją wiedzę pojęciową poprzez oglądanie zdjęć przedstawiających kolejne stadia deformacji, jednak muszą też umieć ocenić statyczne zdjęcia rentgenowskie, ponieważ diagnoza jest oceną zastanego w danym czasie stanu. Istotne jest uświadomienie sobie, że reprezentacja przydatna z punktu widzenia kształcenia może być niepraktyczna przy wykonywaniu zadań. Optymalizacja korzyści i ważności często wzajemnie się wykluczają, wymagając zamienności i kontroli [16].

4.2.5 Środowisko społeczne

Internet umożliwia globalny zakres systemu edukacyjnego, z czego wynikają problemy zróżnicowania wśród populacji docelowej. Bourges-Waldegg & Scrivner [7] zauważyli, że "Podczas tworzenia interfejsów dla użytkowników z odmiennych kultur podstawowym problemem jest przekazanie założonego znaczenia reprezentacji... przy każdym problemie z użytecznością wynikającym z kultury pojawiała się różnica pomiędzy znaczeniem docelowym a tym zinterpretowanym przez odbiorców." Ich badanie dowiodło, że komunikacja międzykulturowa pomiędzy użytkownikami z różnych kultur i posługujących się różnymi językami sprawia mniej problemów, ponieważ użytkownicy tworzą przestrzeń komunikacyjną w celu pomyślnego ukończenia zadania. Obserwacja ta skłania do uwzględnienia dwóch czynników: (i) wybór reprezentacji wymaga dużej rozwagi, potrzebne są również różnorodne reprezentacje; (ii) komunikacja synchroniczna lub asynchroniczna oparta na video-konferencjach, spotkaniach sieciowych, tablicach elektronicznych (ang. electronic white boards) i forum dyskusyjnym umożliwia wyjaśnienie i negocjację znaczeń. Tego typu komunikacja powinna być systematycznie włączana do środowisk kształcących.

Problemy komunikacyjne wcale nie potrzebują dużych różnic kulturowych. Odmienne podłoża, cele, poglądy mogą powodować zaburzenia w komunikacji dwóch osób na każdym kroku, ponieważ osoby te nie posługują się jednakowym językiem [15]. Podział środowisk społecznych może rozmaicie wpływać na użyteczność systemu tutorskiego w szkołach na obrzeżach lub w centrum miasta! Anderson [3] zaobserwował, że "Jak dotąd w literaturze badawczej poświęcono mało uwagi wpływowi zróżnicowania klasowego i socjo-ekonomicznego wpływającego na styl kształcenia." Należy jednak zauważyć, że przemysł rozrywkowy stworzył pewną subkulturę i "pokolenie MTV" posługuje się wspólnymi metaforami. Należało by zbadać, na ile ta wspólnotowość odnosi się do procesów edukacyjnych.

4.3 Konteksty docelowe

Celem systemu edukacyjnego nie jest jedynie wspieranie nauczania i uczenia się jakiejś dziedziny, ale także wspomaganie przyswajania wiedzy osiąganej poprzez te działania. Ciekawe jest przyjrzenie się tradycyjnym praktykom kształceniowym, planowaniu nauczania i metodom oceny. Przy planowaniu nauczania zarysowuje się minimum programowe, streszczenie niezbędnej wiedzy z danego przedmiotu. Służy ono jako wyznacznik planu nauczania, i pomimo małych zmian nauczyciel stara się od niego nie odbiegać. Nauczanie opiera się więc na niepodważalnym modelu "wiedzy doskonałej" w zakresie danej dyscypliny. Z drugiej strony, używane metody oceny pokrywają od 30% do 60% minimum programowego. Oceniany jest zakres prezentacji wiedzy studenta zawarty pomiędzy 20% a 80%, gdzie uzyskanie około 50% oznacza ocenę pozytywną. A zatem przy ocenie opartej na 40% minimum programowego student aby zdać musi odtworzyć 50% wiedzy, czyli 20% minimum programowego, zawierające niektóre interesujące zagadnienia podlegające przyswajaniu i ocenie.

Jeśli dopuszcza się tak ogólnikową prezentację, to w konsekwencji ocenia się "niedoskonałą" znajomość dyscypliny. Prowadzi to do interesujących pytań o ogólne cele systemu edukacji. Czy celem jest poznanie faktów i zasad konstruujących wiedzę w zakresie danej dyscypliny, czy też pomoc w uzyskaniu umiejętności meta-kształcenia? Czy student jest zachęcany do poznania wielu dyscyplin przedmiotowych poprzez pryzmat różnych sytuacji, typów priorytetów, uwarunkowań, problemów i sposobów rozwiązywania problemów? Czy też student ma uczyć się rozpoznawania sytuacji, kolejności priorytetów, umieć rozpoznawać i być wyczulonym na uwarunkowania, identyfikować klasę problemu i formować opinie na temat możliwych strategii rozwiązań problemu - nie perfekcyjnie, ale przynajmniej na akceptowalnym poziomie?

Przy porównaniu pośrednich celów nauczania i metod oceny rodzą się pytania o jakość ocen, jak również o to, co i jak jest nauczane. Podstawowy szkielet wiedzy w każdej dyscyplinie staje się większy. Czy oznacza to, że poziom wypełnienia minimum programowego każdego przedmiotu wciąż rośnie, a przepracowany student przystosowuje się do tego ucząc się powierzchownie? Czy istnieje potrzeba zauważenia kombinacji studiowanych jednocześnie przedmiotów i stworzenia zintegrowanego systemu programów wzajemnie się uzupełniających? Uwzględniając niezależnie cele nauczania i uczenia w systemie kształcenia zauważymy, że nie są to cele tożsame z celami systemu edukacyjnego. Ponieważ przyswojoną wiedzę demonstruje się na podstawie ocen, strategia oceny znacząco wpływa na czynności uczenia się studenta i dostarcza zwierzchniego kontekstu celów, który burzy ustalone cele systemu uczenia i nauczania. Przedstawione powyżej strategie oceny są ogólnie stosowane i akceptowane, więc wrosły w system edukacyjny i dostarczają wszechmocnego kontekstu będącego bazą dla działalności całego systemu edukacji. Należy więc pamiętać o tym, że konteksty docelowe trzeba dokładnie przeanalizować i uwzględnić kiedy dany system edukacyjny powstał i czy jest tradycyjny czy też ITS.

5. Wnioski

Sukces ITS zależy od odpowiedniego uwzględnienia rozmaitych kontekstów związanych z procesem tworzenia i wdrażania. Wzrasta rozpoznanie kontekstów w "Inteligentnym" aspekcie ITS, jednak istnieje potrzeba rozpoznania czy kontekst wpływa na aspekty "Tutorskie" i "Systemowe". Role nauczyciela będącego edukacyjnym twórcą i osobą wdrażającą ITS nie zostały obdarzone dostateczną uwagą. Istnieje potrzeba rozpoznania siły relacji pomiędzy nauczycielem i uczniami oraz zakresu dotychczasowych stylów uczenia i nauczania w systemach nauczania tradycyjnego. Interakcja nauczyciel-student jest złożonym zjawiskiem, na które wpływa osobowość, podłoże, motywacja i zestaw innych czynników. Jest to prawdziwe także dla interakcji między osobami o tym samym statusie [23]. Daniels [14] zaobserwował, że interakcje międzyludzkie ważne dla edukacji angażują nie tylko abstrakcyjne wyobrażenia struktur poznawczych, ale również prawdziwe osoby rozwijające unikatowe relacje międzyludzkie podczas wspólnej działalności w kontekście instytucjonalnym. ITS interweniujący w tym bogatym środowisku musi demonstrować inteligentne zachowania, w czasie interakcji ze studentem a także z nauczycielem.

Aspekty "Systemowe" ITS wymagają namysłu, odpowiedniego typu i różnorodności prezentacji atrybutów dotyczących użytej technologii, natury dyscypliny i typu wiedzy odnoszących się do ITS. Trzeba również zbadać cele dotyczące zarówno systemu tutorskiego jak i procesu edukacyjnego, w którym działa system. Może się na przykład okazać, że w systemie tradycyjnym nauka faktów i zasad dyscypliny ma znaczenie drugorzędne w stosunku do samego procesu uczenia. Aspekty "Systemowe" wymagają również zastąpienia dotychczas odosobnionej perspektywy "modułu" poprzez perspektywę "środowiska kształcenia zintegrowanego komputerowo", co umożliwi spełnienie zróżnicowanych potrzeb prezentacji. Możemy w tym miejscu zakwestionować nacisk kładziony na style kształcenia indywidualnego, ponieważ inny rodzaj nauczania może w procesie swobodnej interakcji wnieść wartości związane z rozwijaniem cech społecznie pożądanych [23].

Celem tego dokumentu jest prezentacja wstępnego ogólnego szkicu kontekstów dla tworzenia i wdrażania ITS. Dyskusja dotycząca kontekstów i związków pomiędzy nimi nie jest tu wyczerpująca; celem było uświadomienie tego problemu. Dostrzegamy partnerską rolę nauczyciela w "kombinowanym systemie edukacyjnym". ITS powinien dostrzegać tę rolę i wspomagać nauczyciela, nie zaś próbować przedwcześnie go zastępować. Devlin [15] ostrzega "... nie próbujcie naśladować sposobu ludzkiej komunikacji, lecz stwórzcie system uzupełniający zdolności ludzkiej komunikacji." Podczas badań dotyczących ITS warto poświęcić uwagę integrowaniu zaawansowanych strategii pedagogicznych [9] odnoszących się do modelowania, treningu, refleksji, artykulacji, powstawania i zanikania oraz odkrywania. Znaczącą rolę odgrywa również wspieranie nauczyciela przez ITS podczas wprowadzania wspomnianych strategii, w sposób limitowany i z dużą dawką "inteligencji".

Tłumaczenie:
Małgorzata Karwasz
gkarwasz@wp.pl

Literatura

1. E. S. Adams, L. Carswell, A. Ellis, P. Hall, A. Kumar, J. Meyer & J. Motil, Interactive multimedia pedagogies: Report of the working group on interactive multimedia pedagogy, Sigcue Outlook, 24 (1, 2 & 3), 1996, pp. 182-191.
   

2. V. Akman & M. Surav, Step towards formalizing context, AI Magazine, Fall 1996, pp. 55-72.
   

3. J. A. Anderson, Towards a framework for matching teaching and learning styles for diverse populations. The importance of learning styles, R. R. Sims & S. J. Sims, eds, Greenwood Press, Connecticut, 1995, pp. 68-78.
   

4. G. Boy, Intelligent Assistant Systems, Academic Press Limited, London, 1991.
   

5. P. Brezillon, Context in human-machine problem solving: A survey, Research Report 96/29, October, LAFORIA, Paris, 1996).
   

6. P. Brezillon & S. Abu-Hakima, Using knowledge in its context: Report on the IJCAI-93 workshop, AI Magazine, Spring 1995, pp. 87-91.
   

7. P. Bourges-Waldegg & S. A. R. Scrivener, Meaning, the central issue in cross-cultural HCI design, Interacting with Computers, Vol. 9, 1998, pp. 287-309.
   

8. J. Burstein & R. M. Kaplan, On the application of context to natural language processing applied to the analysis of test responses, Paper presented in the IJCAI-95 Workshop on Context in Natural Language Processing, August 19, Montreal, Canada, 1995).
   

9. M. Chen, A methodology for characterising computer-based learning environments, Instructional Science, 23 1995, pp. 183-220.
   

10. R. Clark, Handbook of performance technology, H. Stolovitch & E. Keeps, eds, Ch. 2, (in press).
    

11. Context-97, Call for papers, http://www-laforia.ibp.fr/, 1997.
    

12. G. Cumming, Using artificial intelligence to achieve natural learning, In: Advance Research on Computers in Education, R. Lewis & S. Otsuki, eds, Elsevier, North-Holland, 1991, pp. 51-62.
    

13. N. P. Dalal & G. M. Kasper, The design of joint cognitive systems: the effect of cognitive coupling on performance, International Journal of Human-Computer Studies, 40 1994, pp. 677-702.
    

14. H. Daniels, Pedagogic Practices, Tacit Knowledge and Discursive Discrimination: Bernstein and post-Vygotskian research, British Journal of Sociology of Education, 16 (4) 1995, pp. 517-532.
    

15. Devlin, Goodbye Descartes: The end of logic and the search for a new cosmology of mind, John Wiley & Sons, New York, 1997).
    

16. D. M. Dutton & G. V. Conroy, A review of machine learning, The Knowledge Engineering Review, Vol. 12:4, 1996, pp. 341-367.
    

17. L. Dybkjaer, N. O. Bernsen, H. Dybkaejr & D. Papazachariou, On the use of context in building language dialogue systems for large tasks, Paper presented in the IJCAI-95 Workshop on Context in Natural Language Processing, August 19, Montreal, Canada, 1995.
    

18. N. Entwistel, Teaching Styles, Learning and Curricular Choice, Styles of Learning and Teaching, John Wiley & Sons, 1981, pp. 225-242.
    

19. L. Festinger, A Theory of Cognitive Dissonance, Stanford University Press, Stanford, CA, 1957.
    

20. L. Gow & D. Kember, Conceptions of teaching and their relationship to student learning, British Journal of Educational Psychology, 63 1993, pp. 20-33.
    

21. L. Iwanska, Summary of the IJCAI-95 workshop on context in natural language processing, August 19, Montreal, Canada, 1995, http://www.cs.wayne.edu:80/summary/index.html.
    

22. W. L. Johnson, Plan recognition in a situational context, Paper presented at the 1995 IJCAI Workshop on The Next Generation of Plan Recognition Systems, Montreal, Canada, 1995.
    

23. Kinshuk & A. Patel, Intelligent Tutoring Tools - Redesigning ITSs for adequate knowledge transfer emphasis, In: Proceedings of 1996 International Conference on Intelligent and Cognitive Systems, C. Lucas, ed., IPM, Tehran, 1996, pp. 221-226.
    

24. G. I. McCalla, J. E. Greer, B. Barrie & P. Pospisil, Granularity Hierarchies, International Journal of Computers and Mathematics with Applications, 23 1992, pp. 363-375.
    

25. J. McCarthy, Some expert systems need common sense, In: Computer Culture: The Scientific, Intellectual, and Social Impact of the Computer, H. Pagels, ed., New York Academy of Sciences, New York, 1984, pp. 129-137.
    

26. J. McCarthy, Generality in Artificial Intelligence, Communications of the ACM, 30(12) 1987, pp. 1030-1035.
    

27. J. McCarthy, Notes on Formalizing Context, Proceedings of the Thirteenth International Joint Conference on Artificial Intelligence, Menlo Park, California, 1993, pp. 555-560.
    

28. D. Newman, Formative Experiments on the Coevolution of Technology and the Educational Environment, In: New Directions in Educational Technology, E. Scanlon & T. O’Shea, eds., Spinger Verlag, NATO ARW, 1992, pp. 61-70.
    

29. A. Patel & Kinshuk, Knowledge Characteristics: Reconsidering the design of Intelligent Tutoring Systems, In: Knowledge Transfer, A. Behrooz, ed., pAce, London, 1996a, pp. 190-197.
    

30. A. Patel & Kinshuk, Applied Artificial Intelligence for Teaching Numeric Topics in Engineering Disciplines, Lecture Notes in Computer Science, 1108, 1996b, pp. 132-140.
    

31. A. Patel & Kinshuk, Intelligent Tutoring Tools - A problem solving framework for learning and assessment, In: Proceedings of 1996 Frontiers in Education Conference - Technology-Based Re-Engineering Engineering Education, M. F. Iskander, M. J. Gonzalez, G. L. Engel, C. K. Rushforth M. A. Yoder, R. W. Grow & C. H. Durney, eds, University of Utah, Utah, 1996c, pp. 140-144.
    

32. D. A. Schulenburg, Learning and Using Context in a Connectionist Model of NLU, IJCAI-95 Workshop on Context in Natural Language Processing, August 19, Montreal, Canada, 1995.
    

33. E. Walther, H. Eriksson & M. A. Musen, Plug-and-Play : Construction of task-specific expert-system shells using sharable context ontologies, Proceedings of the AAAI Workshop on Knowledge Representation Aspects of Knowledge Acquisition, San Jose, CA, AAAI, 1992, pp. 191-198.
    

34. G. Widmer & M. Kubat, Effective learning in dynamic environments by explicit context tracking, Lecture Notes in Artificial Intelligence, 667, 1993, pp. 227-243.
    

35. P. H. Winston, Artificial Intelligence, Addison-Wesley Publishing Company, Reading, Massachusetts, 1977, pp. 236.