1 / 12

Personalisierung in offenen Lernumgebungen - PADLR -

Personalisierung in offenen Lernumgebungen - PADLR -. Dr. Nicola Henze I S I- Knowledge-Based Systems & Learning Lab Lower Saxony Universität Hannover henze@kbs.uni-hannover.de. Personalisierung.

tamika
Download Presentation

Personalisierung in offenen Lernumgebungen - PADLR -

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Personalisierung in offenen Lernumgebungen- PADLR - Dr. Nicola Henze ISI-Knowledge-Based Systems & Learning Lab Lower Saxony Universität Hannover henze@kbs.uni-hannover.de

  2. Personalisierung ... • heißt im Idealfall: Benutzerschnittstelle, Inhaltsauswahl und –präsentation optimiert gemäß den individuellen Anforderungen des jeweiligen Anwenders • Benutzer/Lernermodellierung, Lernpro-zeßmodellierung, Intelligente Tutorielle Systeme, Adaptive Hypermedia Systeme

  3. ... in offenen Lernumgebungen • Distributed Content Archives: Eigentümer / Autor der Materialien „unabhängig“:  Adaptionskomponente hat keinen Einfluss auf Updates, Modifikationen, Löschungen, Umbenennungen, ...

  4. Adaptive Hypermedia Observations about user collect • Adaptive • System: • process observations about a user • interprete User Model Adaptation Effect Update /Request User Model Document Space User Interface

  5. Adaptive Hypermedia Observations about user collect • Adaptative • System: • process observations • interprete User Model Adaptation Effect Update /Request User Model Document Space User Interface

  6. Adaptive Hypermedia Observations about user collect • Adaptative • System: • process observations • interprete User Model Adaptation Effect Update /Request User Model Document Space User Interface

  7. Unser Ansatz • Trennung von Dokumenten und Adaptionsinformation! • So viel wie möglich aus Standard Metadaten lernen! • Minimierung des Overheads, um Lernobjekte zum Repository hinzuzufügen  Mehrere, unabhängige Autoren; Studenten können ihre Materialien einfach hinzufügen • Hypothese: Metadaten wie z.B. keywords können gelernt werden!

  8. Erfahrung: KBS Hyperbook • AH System für verteilte Lernmaterialien • Dynamische Anpassung an den jeweiligen Nutzer: • Adaptive Link-Annotation, Direkte Führungshilfen (nächste Lernziel, nächste Seite, Sequenzen), Lernende können Lernziele selbst definieren, etc. • getrennte Adaptionskomponente • genutze Metadaten: Schlüsselworte eines Controlled Vocabulary, sowie die Kategorie (Übung, Beispiel, Theorie) • „Offen“: Integration des gesamten Sun Java Tutorials in ein Java Hyperbook

  9. Wissensmodellierung für OAHS • Anforderungen: • Gültig (für verschiedenste Dokumentsammlungen) • Erweiterbar / Modifizierbar • Ausdrucksstark (für jede Dokumentsammlung: ein ausdrucksstarkes Wissensmodell) • Vorschlag: Ontologie • „An ontology is a formal, explicit specification of a shared conceptualization“(Gruber, 1993)

  10. Erste Anwendungen: Wissensschätzung aufgrund von Strukturen • Können „prerequisites“ gelernt werden? • Struktur: Pfade / Reading Sequences • SeiteX|Cs: Welches hypothetischeWissen hat ein Benutzer, wenn er dem Pfad gefolgt ist? • Schätzung des aktuellen Wissensstands •  Hiermit: Abschätzung, ob eine Seite mit dem aktuellen Wissensstand des Nutzers verständlich ist

  11. Erste Anwendungen: Verbessertes Retrieval • Ontologie: definiert einen „Kontext“ für ein Konzept x: Konzepte „in der Nähe“ beschrei-ben Details bzw. generellere Aspekte von x • Verbesserung von keyword-basierten Queries: Query set {q1, ... qn},up-down-path d(x,y)für jedes keyword k of H:w(k) := min{d(k, q1), ...d(k,qn)}w(H) .=  w(k) / |I(H)|

  12. Vielen Dank für Ihre Aufmerksamkeit!Fragen, Anregungen, Meinungen?

More Related