Splatt.ng - это нигерийский базовый веб-сайт ed-tech, который выполняет диагностику стиля обучения пользователей и рекомендации по содержанию пользователей на основе их активности. В этой статье мы кратко рассмотрим мыслительный процесс при проектировании системы, возникшие проблемы, эксперименты, проведенные во время исследований и разработок, и т. Д.

ВСТУПЛЕНИЕ

Splatt - это онлайн-сообщество учащихся с постоянно растущим объемом образовательного контента, создаваемого пользователями. Пользователи приходят в Splatt, чтобы освоить любой образовательный контент, который им нужно изучать за раз, и открыть для себя другой образовательный контент, который может быть им интересен. На данный момент у Splatt было около 8 часов обучения примерно за 3 недели. Таким образом, цель системы - предоставить персонализированные рекомендации, которые помогут пользователям найти качественные учебные материалы, соответствующие их шаблонам обучения (в поиске) и предыдущей активности (в ленте). Дополнительная основная цель рекомендаций - обеспечить конфиденциальность пользователей и обеспечить явный контроль над пользовательскими данными, которые собирают наши серверные системы.

СИСТЕМНЫЙ ДИЗАЙН

Учебные материалы загружаются или создаются на сайте пользователями с минимальным количеством метаданных, поэтому по умолчанию может быть сложно полностью понять как атрибуты, так и семантику содержания. за раз. Взаимодействие пользователей с учебными материалами, которые мы называем учебными сессиями, также может быть шумным, и поэтому трудно определить цель взаимодействия в рамках учебной сессии. Общий дизайн системы рекомендаций руководствуется целями и задачами, изложенными ранее: мы хотим, чтобы рекомендации были оптимальными для моделей обучения пользователей, а также разнообразными и соответствующими их недавним действиям. Кроме того, важно, чтобы пользователи понимали, почему им был рекомендован учебный материал. Набор рекомендуемых учебных материалов формируется на основе личной истории пользователя, т. Е. Используемых учебных материалов, поведения и производительности. Затем набор учебных материалов ранжируется с помощью алгоритмов многокритериального анализа решений с использованием массива точек данных для определения релевантности.

СБОР ДАННЫХ

На splatt имеется около 100 точек данных для выполнения оптимальной диагностики стиля обучения пользователя. Эти точки данных были определены на основе исследования педагогической психологии, чтобы расшифровать различные способы обучения людей с помощью технологий, их можно в целом разделить на 3 категории:

  1. Атрибуты: метаданные учебного материала, такие как название, описание и т. д.
  2. Вовлеченность: поддержка, приверженность, внимательность и т. д.
  3. Ответ: глобальный или последовательный, прогрессивный и т. д.

Вовлеченность в дальнейшем можно разделить на явные и неявные категории, однако, независимо от всех этих данных, может быть довольно сложно правильно диагностировать стиль обучения пользователя, поскольку данные довольно зашумлены, например, как пользователи изучают географию. не так, как пользователь изучает литературу на английском языке. Учебные материалы также могут содержать неверные метаданные, и даже неявные данные, собранные в результате действий пользователей, могут быть неполными. Атрибуты и содержание учебных материалов и вовлеченность пользователей затем должны использоваться, чтобы повлиять на общую диагностику стиля обучения.

ДИАГНОСТИКА СТИЛЯ ОБУЧЕНИЯ ПОЛЬЗОВАТЕЛЯ

У отдельных учащихся разные предпочтения и стили обучения, и эти предпочтения связаны с активностью учащихся на splatt. активность пользователей в пользовательском интерфейсе и взаимодействие с контентом собираются тонко через несколько точек данных в системе. Для этого мы собираем данные об активности учащихся и анализируем их с помощью деревьев решений и алгоритма / мыслительного процесса, который мы разработали сами, используя ряд концепций / методов статистики. в конечном итоге это делается для того, чтобы избавиться от шума и выявить закономерности в активности пользователей, чтобы сделать выводы о стиле обучения пользователей. Собранные данные получены в результате последовательности наблюдений за действиями пользователей, например, учится ли это впервые (любопытство), или это второй или третий раз (подкрепление) и т. Д. Эксперименты проводились на учениках, которые пытались изучать языки (английский & french) и их различные модели обучения были помещены в базу данных и проанализированы, чтобы сделать выводы о том, как учится пользователь.

РЕЙТИНГ ПОИСКА

В общей сложности за раз делается около 40 выводов как о том, как пользователь учится, так и о том, как пользователи учатся с конкретным учебным материалом. Эти данные учитываются, когда пользователи ищут контент, например, если два пользователя ищут «одновременное уравнение», их результаты поиска могут отличаться, потому что их модели обучения могут отличаться. Это достигается за счет использования многокритериальных алгоритмов принятия решений. Выводы по диагностике стиля обучения пользователей служат критериями пользователя, а диагностика стиля обучения контента - атрибутами. после выполнения поискового запроса система начинает ранжировать результаты запроса на основе моделей обучения пользователей; данные как от пользователя, так и от контента помещаются в матрицу поддержки принятия решений, а затем проходят через алгоритмы многокритериального анализа решений для создания показателя полезности для каждого учебного материала в поисковом запросе. Оценка полезности относится к оценке, приписываемой возможности того, что пользователь хочет учиться с определенной частью контента, после расчета поисковые запросы отображаются пользователю в порядке убывания на основе оценки полезности.

РЕКОМЕНДАЦИЯ ПО СООТВЕТСТВУЮЩЕМУ СОДЕРЖАНИЮ И РЕЙТИНГ

Один из строительных блоков системы рекомендаций - это создание карты взаимосвязей между учебными материалами, чтобы выяснить, насколько один учебный материал похож на другой, мы называем учебные материалы, с которыми пользователи взаимодействуют, исходным содержанием и наша цель - найти аналогичные учебные материалы для каждого содержания Seed в ленте. В этом контексте мы определяем учебные материалы, аналогичные тем, в изучении которых может быть заинтересован пользователь, на основе исходного содержимого. Для этого мы используем совместную фильтрацию с использованием данных о количестве совместных посещений и диагностике стиля изучения контента. Мыслительный процесс прост: мы хотим выяснить, какие другие учебные материалы изучали пользователи Seed content, мы также хотим найти контент, похожий на исходный контент с точки зрения содержания и диагностики стиля обучения. Эти данные проходят через серию алгоритмов для создания оценки под названием Связано с оценкой. После ее создания мы выбираем 2 лучших учебных материала, связанных с каждым исходным содержанием, рандомизируем их и отображаем в виде фида. . В будущем мы надеемся создать планировщиков обучения, например, если системы наблюдают, что пользователь компетентен в «Индексах и логарифмах», мы можем иметь рекомендуемый набор под названием «Учебные материалы по самым сложным индексам и логарифмам», чтобы оспорить компетенции пользователя. это может быть круто.

ЗАКЛЮЧЕНИЕ

Обратите внимание, что это упрощенное описание системы для. В реализации есть много деталей, которые не учитываются, и ряд узких мест, которые необходимо устранить, и улучшения, которые будут внесены в систему - семантика контента, зашумленные данные и т. Д. Однако определенно будет собрано больше точек данных и больше выводов будет проведена диагностика стиля обучения пользователей.