Analisi dei sistemi di tutoring intelligenti che utilizzano modelli Fuzzy

m_for_matthijs-abstract_sports_ii.jpgLo sviluppo delle nuove tecnologie e la crescita inarrestabile di modelli di insegnamento–apprendimento a distanza, sempre più flessibili ed efficaci, basati sull’utilizzo delle tecnologie stesse, stanno determinando la nascita di una nuova società che possiamo definire “società cognitiva”.

E’ una società che richiede un profondo rinnovamento delle istituzioni formative e dei modi di trasmettere ed acquisire il sapere; le scuole, ed in particolare le Università, devono essere in grado di formare i professionisti del futuro, capaci di acquisire sempre nuove conoscenze e competenze e di far fronte ad un mercato del lavoro sempre più aperto e flessibile.

Il ruolo dei docenti e dei discenti, all’interno del processo formativo, muta radicalmente poiché, i primi, si trovano ad acquisire nuove e complesse competenze relative all’insegnamento a distanza, oltre che il ruolo di guida del processo di apprendimento degli studenti; i secondi, invece, si rivestono di un ruolo attivo che permette loro di diventare veri e propri protagonisti nella creazione di un nuovo sapere e di una nuova conoscenza.

In questo contesto, assume un’importanza rilevante la figura del sistema di tutoring, il cui compito è quello di sostenere, stimolare, accompagnare i discenti nel loro percorso di formazione e aiutarli a sviluppare capacità cognitive superiori, grazie anche all’utilizzo di quegli strumenti che Donald A. Norman definisce “artefatti cognitivi”: ovvero le nuove tecnologie.

I sistemi tutoriali intelligenti (ITS: Intelligent Tutoring System) sono sistemi software progettati, principalmente, per supportare l’attività d’apprendimento di tipo specializzato e individualizzato.

Questi sistemi possono essere utilizzati nei normali processi educativi, nei corsi d’apprendimento a distanza, sotto forma di cd-rom oppure come applicazioni per la divulgazione delle conoscenze via internet.

I primi sviluppi dell’introduzione di programmi software, come mezzi ausiliari nell’apprendimento educativo, furono formalizzati nell’ambito del progetto CAI (Computer Aided Instruction). Questi programmi utilizzavano un albero di decisione per guidare lo studente da una sessione all’altra a seconda delle risposte formulate [Urban Lurain 1996]. Tuttavia, non prendevano in considerazione la diversità degli studenti e le loro specifiche necessità, background o storia.

I programmi CAI, quindi, non erano in grado di adattarsi al modo specifico di acquisire le conoscenze che lo studente aveva e non erano in grado di fornire un’attenzione individualizzata che invece il tutore umano assicurava [Bennett 1997].

I recenti sviluppi della ricerca nel campo dell’intelligenza artificiale hanno portato ad un nuovo campo d’applicazione, che prende il nome di Intelligent Tutoring System [Burns & Capps 1998]. La caratteristica di base di questi sistemi, è di considerare ogni studente come unico, creando un modello studente capace di registrarne le preferenze e i progressi nel corso del processo cognitivo [VanLehn 1998]. In più ciò che ne incrementa l’efficacia nell’insegnamento, è la propria capacità di adattarsi alle caratteristiche dello studente. Per far questo, il sistema deve cercare di avvicinarsi il più possibile al modo di ragionare dello studente. Deve, in altri termini, gestire i differenti aspetti della vaghezza, presenti nei dati espressi con parole reali.

L’intelligenza artificiale ha risolto questo problema utilizzando, tra l’altro, la logica fuzzy, nel tentativo di fornire una base robusta e sistematica tesa a gestire le imprecisioni linguistiche, che sono dovute all’assenza di confini ben definiti, entro i quali i costrutti linguistici possono trovarsi.

Inizieremo con il dare uno sguardo all’architettura di base di un sistema tutoriale intelligente e alla relativa logica fuzzy, per poi descrivere in dettaglio gli aspetti di alcuni authoring ITS che utilizzano modelli fuzzy. In particolare si inizierà con una trattazione dei Sistemi di Tutoring Intelligente su base web.

Alla fine, presenteremo nella parte B della bibliografia un elenco di authoring ITS, incontrati durante la stesura della tesi, che non usano modelli di tipo fuzzy.

Capitolo I Architettura di base di un ITS e logica Fuzzy …………………..5
1.0 Introduzione ……..…………………………………………………..5
2.0 La struttura modulare di un ITS …………………………………6
2.1 Il modello esperto ….…………………………………………….6
2.2 Il modello studente ……….………………………………………7
2.3 Il modello pedagogico …………………………………………..7
2.4 L’interfaccia utente ….……………………………………………8
3.0 Il modello studente, aspetti teorici e pratici …..………………..8
3.1 Classificazione dei modelli studente ….………………………8
3.2 La rappresentazione del modello studente ………………..10
4.0 La logica Fuzzy costruttrice del modello ……………………12
4.1 Concetti di base della logica Fuzzy …………………………13
4.2 Logica Fuzzy e linguaggio parlato ………………………….15
Riferimenti …..…………………………………………………………17

Capitolo II Il Sistema di tutoring I.T.W. ……………………………………..18
1.0 Introduzione …….…………………………………………………18
2.0 IWT: Intelligent Web Teacher ….………………………………19
3.0 Il modello della conoscenza ….…………………………………21
4.0 Il modello studente ……………………………………………….23
5.0 Il modello didattico ………………………………………………25
6.0 Conclusioni e sviluppi futuri …..………………………………..26
Riferimenti ………..……………………………………………………28

Capitolo III Un ITS fondato sul binomio Corba/WWW ………………….29
1.0 Introduzione ………………………………………………………29
2.0 Cosa è C.O.R.B.A.? ……………………………………………..30
2.1 Quali sono i componenti di C.O.R.B.A.? ….……………..31
3.0 L’architettura modulare del sistema ….….……………………33
4.0 Il modulo esperto ……….…………………………………………34
5.0 Il modulo studente ….….………………………………………….35
6.0 Conclusioni …………….………….……………………………….37
Riferimenti ….…………………..………………………………………39

Capitolo IV Il sistema adattivo ipermediale Alice ………….………………40
1.0 Introduzione ……….………………………………………………40
2.0 Descrizione del sistema Alice ….………………………………41
2.1 Il modello utente ……….……………………………………….42
3.0 Le tecnologie adattive ………………………………………….44
Riferimenti …….…..……………………………………………………45

Capitolo V La Piattaforma InterMediActor ………………………………..46
1.0 Introduzione ……………………….………………………………46
2.0 La piattaforma InterMediActor …….…………………………..48
3.0 Il modello studente ……….……………………………………….50
3.1 Il livello d’importanza ….…..…………………………………51
3.2 Il livello di difficoltà …..………………………………………51
3.3 I voti …..…………….……………………………………………53 II
3.4 I requisiti iniziali (pre-requisiti) della conoscenza ……….54
3.5 La defuzzificazione …….….…..……………………………….54
4.0 Conclusioni …………..…………………………………………….54
Riferimenti ……….…..…………………………………………………55

Capitolo VI Il Sistema INSPIRE ………….………………………………………56
1.0 Introduzione ………….……………………………………………56
2.0 L’architettura di INSPIRE ….…………………………………..57
3.0 Il problema del processo di diagnosi dello studente ….…….59
4.0 Il processo di diagnosi dello studente in INSPIRE ….………60
4.1 La creazione del modello della conoscenza esperta .…….62
4.2 Il processo di diagnosi …………………………………………65
5.0 Conclusioni ……….……………………………………………….67
Riferimenti …….…..……………………………………………………68

Capitolo VII I Sistemi Witness e Sherlock II …………………………………..69
1.0 Introduzione ………….……………………………………………69
2.0 Il sistema Witness ……….………………………………………..70
2.1 Le componenti del sistema ….……………………………….70
3.0 Le relazioni tra le diverse componenti del sistema ….………71
4.0 Il sistema Sherlock II ….………………………………………….74
Riferimenti …….……..…………………………………………………76

Bibliografia Generale ……………………………………………….77

ico-pdf.pngScarica la tesi: Analisi dei sistemi di tutoring intelligenti che utilizzano modelli Fuzzy

Commenti

commenti

Ci sono 4 commenti su questo articolo:

  1. articolo in cui si prende in considerezione la propensione che ognuno di noi ha, non limitando i suoi saperi all’interno di specifici canoni,ormai desueti,del ,inoltre l’esposizione mi sembra lucida e ben dettagliata.