Learning Dynamic Feedback in Intelligent Tutoring Systems

Online-Lehrans?tze wie Massive Open Online Courses (MOOCs) haben in den letzten Monaten gro?e Resonanz erzeugt. Intelligenten Tutorensystemen (ITS) kommt im Bereich der Online-Lehre eine gro?e Bedeutung zu: Sie sind in der Lage, Lernenden automatisiert spezifische Rückmeldungen zu Ihren Aufgabenl?sungen zu geben und damit Teile der Online-Lehre zu personalisieren. Da klassische ITS auf einer exakten Formalisierung der Lernaufgaben und der Interaktionen von Lernenden und System basieren, sind sie auf wohldefinierte 金贝棋牌bereiche beschr?nkt. Zudem limitiert die aufw?ndige Herstellung ihre Eignung auf gro?e, statische Anwendungen. Im Zentrum der ersten Projektphase von FIT stand die Entwicklung einer FIT-ITS Infrastruktur, welche die Anwendbarkeit von ITS-Systemen durch Techniken des maschinellen Lernens auf nicht wohldefinierte Dom?nen erweitert. Hierzu wurden Prototyp-basierte maschinelle Lernverfahren für Strukturdaten und adaptive Strukturmetriken erweitert. Diese Methoden erlauben eine autonome Strukturierung von ITS-L?sungsr?umen in nicht wohldefinierten Dom?nen und er?ffnen M?glichkeiten für automatische Rückmeldungen. Bisher sind die entwickelten maschinellen Lernverfahren auf einzelne Lernaufgaben beschr?nkt und das Feedback des Systems ist nicht auf die Lernhistorie einzelner Lernender zugeschnitten. Die Ziele von DynaFIT sind: (i) Die Entwicklung von Methoden des maschinellen Lernens, die über einzelne Lernaufgaben und Nutzerverhalten hinweg generalisieren und, hierauf basierend, (ii) die Erweiterung der entwickelten ITS-Prinzipien für nicht wohldefinierte Dom?nen um benutzer-adaptives Feedback und offene Lerner-Modelle. Methodisch im Vordergrund stehen Dimensionsreduktionsverfahren, die wir für die Generierung von über Lernaufgaben hinweg generalisierende Repr?sentationen und die Anwendung auf Strukturdaten erweitern werden. Dies ist Voraussetzung für folgende zentrale Komponenten von DynaFIT: Eine Visualisierung relevanter Charakteristiken des L?sungsraums und Nutzerverhaltens im Rahmen offener Lerner-Modelle; eine Repr?sentation von Nutzerverhalten in konsekutiven Aufgaben als Zeitreihen in einem gemeinsamen zugrundeliegenden Vektor-Raum, wo klassische Datenanalyse und Relevanzlernverfahren verfügbar sind; schlie?lich, darauf basierende dynamisierte Feedback-Strategien für durch solche Zeitreihen dargestelltes Nutzerverhalten. In diesem Rahmen werden wir insbesondere die für MOOCs sehr relevanten Peer-Learning-Strategien n?her untersuchen. Durch die Untersuchung, wie Informationstransfer zwischen Lernaufgaben im Rahmen einer gemeinsamen Dimensionsreduktion stattfinden kann, adressiert DynaFIT ein zentrales Thema des SPP: autonomes Lernen geeigneter Repr?sentationen. Darüber hinausgehend haben offene Lerner-Modelle und dynamisierte Feedback-Strategien für ITS-Systeme in nicht wohldefinierten Dom?nen ein gro?es Potential, z.B. für hochdynamische gro?e Online-Kurse.