Constraint-based Tutors. Educational Data Mining (Seminar) Robert Bärhold

Transkript

1 Constraint-based Tutors Educational Data Mining (Seminar) Robert Bärhold

2 Gliederung Intelligent Tutoring Systems (ITS) Constraint-based Tutors Erläuterung Anwendung: J-Latte Data Mining Studentenmodell Domainmodell Zusammenfassung 2

3 Gliederung Intelligent Tutoring Systems (ITS) Constraint-based Tutors Erläuterung Anwendung: J-Latte Data Mining Studentenmodell Domainmodell Zusammenfassung 3

4 Intelligent Tutoring Systems (ITS) Tutor : Lehrer, Mentor, Ausbilder, (Duden) Software : Wissensvermittlung Wichtige Komponente: Nutzerinteraktion Intelligent : Aufgabenwahl, Tempo, Schwierigkeitsgrade An den Studenten anpassen 4

5 ITS: Modell (Standard) Entlehnt aus [1] 5

6 ITS Modell: Domain Auch: Expertenwissen Konzepte, Regeln & Strategien Verschiedene Detaillierungsgrade Verschiedene Modelltypen: Hierarchie, Semantische Netzwerke, Frames, Ontologien 6

7 ITS Modell: Student Kernkomponente Abbildung des Studenten Wissenstand / Kognitive Fähigkeiten Emotionaler Zustand Umsetzung: Dynamisches Modell Notwendigkeit: Data Mining 7

8 ITS Modell: Tutoring Zusammenspiel: Domain & Student Auswertung der gesammelten Daten Reaktionen: Anpassung der Lehrstrategie: Themas, Schwierigkeitsgrades & Tempo abhängig vom Nutzerinterface 8

9 ITS: Modell (erweitert) [1] 9

10 Gliederung Intelligent Tutoring Systems (ITS) Constraint-based Tutors Erläuterung Anwendung: J-Latte Data Mining Studentenmodell Domainmodell Zusammenfassung 10

11 Motivation Lehre: Zeige wie s geht! Häufig: Mehrere Möglichkeiten Zu viele Möglichkeiten Lösung: Grenzen setzen 11

12 Grundlage: Constraint-based Modeling entwickelt 1992 von Stellan Ohlsson Treibende Kraft: Antonija Mitrovic Constraint: Beschränkung / Bedingung Idee: Definiere die Randbedingungen einer Domäne, sodass sich der Student frei darin bewegen kann. Einordnung im ITS-Modell: Domain 12

13 Constraints: Form & Bedeutung 2 Teile: Relevanzbedingung ( Relevance Condition ) Zufriedenheitsbedindung ( Satisfaction Condition ) Wenn <Relevanzbedingung> wahr ist, dann sollte <Zufriedenheitsbedingung> besser auch wahr sein Alternativ: Wenn <Relevanzbedingung> wahr ist: Wenn <Zufriedenheitsbedingung> unwahr ist: Constraint verletzt! 13

14 Constraint: Erweiterung nicht nur 2 Teile Feedback-Text in verschiedenen Detailgraden Notwendig für vers. Fehlerklassen: Wissen nicht vorhanden? (deklarativ) Wissen des Studenten falsch? (prozedural) Constraints: syntaktisch <> semantisch Syntaktisch: unabhängig vom konkreten Problem Semantisch: Überprüfung des Ergebnisses 14

15 Constraints für den SQL-Tutor (syntaktisch) [2] 15

16 Constraints für den SQL-Tutor (semantisch) Ideale Lösung: Beinhaltet ein Join Statt bspw. Kreuzprodukt [2] 16

17 J-LATTE Constraint-based Tutor für Java Ziel: Grundlagenvermittlung Deklaration / Zuweisung von Variablen Blockeinheiten: Schleifen, If Nutzung zweier Modi: Abstrakter Modus (Konzept) Programmiermodus (Java) 17

18 J-LATTE: Anwendung [3] 18

19 Gliederung Intelligent Tutoring Systems (ITS) Constraint-based Tutors Erläuterung Anwendung: J-Latte Data Mining Studentenmodell Domainmodell Zusammenfassung 19

20 Studentenmodell 1. Erfassung statischer Kenngrößen Bearbeitete Probleme ( erfolgreich, bearbeitet, ) Constraints (Relevanz + Zufriedenheit) Feedback Level 2. Evaluation der gesammelten Daten Adaption des Tutors Erfassung Nutzer-übergreifender Probleme 20

21 Domainmodell Schwierigkeit: Erstellung der Constraints 1. Was soll in das Modell? 2. Wie transformiere ich dies in Contraints? Unterstützung via ASPIRE / WETAS-Ontology Jeweils für Punkt 2: Constraint-Erstellung Generierung des Constraint-Sets Grundlage: Ontologie 21

22 Beispiel: WETAS-Ontology (1/2) Ontologie einer Suchsprache [4] 22

23 Beispiel: WETAS-Ontology (2/2) Abgeleitete Constraints[4] 23

24 Gliederung Intelligent Tutoring Systems (ITS) Constraint-based Tutors Erläuterung Anwendung: J-Latte Data Mining Studentenmodell Domainmodell Zusammenfassung 24

25 Zusammenfassung Erfolgreich auf vers. Bereiche angewendet Anwendbar auf ungenau definierte Probleme Keine genaue Lösungsabbildung Keine direkte Abbildung von fehlerhaften Lösungen Modellerstellung: langwierig + zeitintensiv Aktueller Forschungsschwerpunkt: Unterstützung bei der Modellerstellung Hybride Systeme zur Kombination der Vorteile 25

26 Quellen [1] Nkambou, R., Mizoguchi, R. & Bourdeau, J. (2010). Advances in Intelligent Tutoring Systems. Springer [2] Mitrovic, A. (2010). Modeling Domains and Students with Constraint- Based Modeling. In Advances in Intelligent Tutoring Systems, Springer Berlin Heidelberg, [online] 308, pp [3] J. Holland, A. Mitrovic, and B. Martin. J-latte: a constraint-based tutor for java [4] A. Mitrovic, B. Martin, and P. Suraweera. Intelligent tutors for all: Constraint-based modeling methodology, systems and authoring [5] A. Mitrovic, B. Martin, and P. Suraweera. Intelligent tutors for all: The constraint-based approach. IEEE Intelligent Systems, 22(4):38-45, [6] K. Nilakant and A. Mitrovic. Applications of data mining in constraintbased intelligent tutoring systems. In AIED, pages Citeseer,