| dc.description.abstract | Η γρήγορη εξάπλωση των κοινωνικών δικτύων και το γενικότερο ενδιαφέρον για μαθητοκεντρικές παιδαγωγικές πρακτικές έχουν στρέψει την προσοχή στη αξιοποίηση αυτής της τεχνολογίας για την ενίσχυση της εξ αποστάσεως μάθησης. Αυτή η δυνατότητα μπορεί να χρησιμοποιηθεί αποτελεσματικά στην εκπαίδευση ενηλίκων, καθώς επιτρέπει στους εκπαιδευτές ενηλίκων να επεκτείνουν την διαδικασία μάθησης πέρα από την τάξη και τους ενήλικους μαθητές να μαθαίνουν χωρίς χρονικούς και χωρικούς περιορισμούς. Σε αυτή την κατεύθυνση, αυτή η διδακτορική διατριβή παρουσιάζει ένα καινοτόμο ευφυές κοινωνικό δίκτυο σχεδιασμένο για την εκπαίδευση ενηλίκων, το οποίο εφαρμόζει εξατομικευμένη διδασκαλία, προσαρμοστική ανατροφοδότηση και μάθηση βασισμένη σε ομαδική εργασία, με σκοπό να παρέχει ένα καινοτόμο περιβάλλον μάθησης χρησιμοποιώντας σύγχρονες τεχνολογίες, ευφυείς τεχνικές και παιδαγωγικές μεθόδους. Το σύστημα που αναπτύχθηκε ονομάζεται IAdA-SNL (Intelligent Adaptive Social Network for Adult Learning – Ευφυές Προσαρμοστικό Κοινωνικό Δίκτυο για την Εκπαίδευση Ενηλίκων).
Από τεχνολογικής άποψης, το IAdA-SNL είναι ένα ολοκληρωμένο κοινωνικό δίκτυο βασισμένο στα πρότυπα άλλων γνωστών κοινωνικών δικτύων, παρέχοντας τη δυνατότητα αναρτήσεων, σχολιασμού, προσθήκης σημειώσεων, αντίδρασης σε αναρτήσεις και τμήματα του μαθήματος, προσθήκης λέξεων κλειδιών και φίλων ως ετικέτες στις αναρτήσεις, συνομιλίας, δημιουργίας προφίλ, εξερεύνησης των προφίλ και των δραστηριοτήτων άλλων χρηστών, και δημιουργίας φίλων. Από παιδαγωγικής άποψης, καθώς το IAdA-SNL είναι προσανατολισμένο στην εκπαίδευση ενηλίκων, χρησιμοποιεί μια σειρά από θεωρίες μάθησης για τον αποτελεσματικό σχεδιασμό της διδασκαλίας, όπως τη θεωρία της διασυνδεδεμένης μάθησης, την Αναθεωρημένη και Ψηφιακή Ταξινομία του Bloom, τη θεωρία του συμπεριφορισμού, τη θεωρία της ανδραγωγής και τη θεωρία της εμπειρικής μάθησης.
Το IAdA-SNL επεκτείνει τις παραδοσιακές προσεγγίσεις σχετικά με τη μοντελοποίηση μαθητών με χαρακτηριστικά που απορρέουν από τις κοινωνικές αλληλεπιδράσεις του μαθητή στο δίκτυο. Το προτεινόμενο δυναμικό μοντέλο μαθητή αποτελείται από τις πληροφορίες του προφίλ (όνομα, ηλικία, μόρφωση, τοποθεσία), το στυλ μάθησης (Honey & Mumford μοντέλο), δεδομένα επίδοσης (επιδόσεις σε κάθε γνωστική δεξιότητα με βάση το RBT μοντέλο, συνολικοί βαθμοί στα διαγωνίσματα των κεφαλαίων και εξέλιξη επίδοσης), αλληλεπιδράσεις με το μάθημα (πόσες φορές ο μαθητής επισκέφτηκε ένα θέμα ή πηγή, τις αντιδράσεις του στα τμήματα του μαθήματος σχετικά με το επίπεδο κατανόησής τους, πόσες φορές ένα τεστ δόθηκε, και τον ρυθμό μάθησής του), κοινωνικές αλληλεπιδράσεις (αριθμός αναρτήσεων, σχολίων, συνομιλιών, αντιδράσεων κλπ.), και επιτεύγματα (εφτά κατηγορίες ευσήμων αποτελούμενων από τρία επίπεδα ευσήμων). Το κοινωνικά-επεκταμένο μοντέλο μαθητή είναι ο πυρήνας των υπόλοιπων τμημάτων του συστήματος προκειμένου να παρέχουν εξατομίκευση και προσαρμοστικότητα.
Προς την κατεύθυνση της εξατομικευμένης διδασκαλίας, το IAdA-SNL προσαρμόζει το περιεχόμενο του μαθήματος και τις προτάσεις σε εκπαιδευτικό υλικό λαμβάνοντας υπόψη το στυλ μάθησης του μαθητή. Το μοντέλο Honey & Mumford που χρησιμοποιήθηκε κατηγοριοποιεί τους μαθητές σε ακτιβιστές, ανακλαστικούς, θεωρητικούς και πραγματιστές. Ο λόγος για τον οποίο χρησιμοποιήθηκε αυτό το μοντέλο είναι επειδή προάγει καλύτερα την εκπαίδευση ενηλίκων καθώς βασίζεται στον τρόπο που οι μαθητές προσεγγίζουν μια νέα μαθησιακή εμπειρία. Επιπλέον, παρέχεται ένα κοινωνικό εργαλείο σημειώσεων προκειμένου να δημιουργούνται σημειώσεις στην ύλη του μαθήματος κάνοντας το έτσι πιο διαδραστικό και ενδιαφέρον.
Το IAdA-SNL ενσωματώνει ένα ολοκληρωμένο σύστημα ευσήμων και ένα εργαλείο παροχής προσωποποιημένων μηνυμάτων ενθάρρυνσης, με σκοπό την ενθάρρυνση της μάθησης, τη βελτίωση του βαθμού συμμετοχής του μαθητή, τη γνώση των τρεχόντων επιτευγμάτων του και την κινητοποίηση για την κατάκτηση και άλλων. Το μοντέλο απόδοσης ευσήμων αποτελείται από τις ακόλουθες εφτά κατηγορίες, οι οποίες περιλαμβάνουν τρία επίπεδα η κάθε μια: Προφίλ, Αναγνωρισιμότητας, Συγγραφής, Δημιουργίας Περιεχομένου, Κοινωνικής Συμμετοχής, Γνωστικού Επιπέδου, και Συνολικής Εικόνας.
Επιπλέον, το IAdA-SNL παρέχει ανάλυση μαθησιακών δεδομένων προκειμένου να ενημερώνει άμεσα τον μαθητή σχετικά με κρίσιμα θέματα που αφορούν την εκπαιδευτική διαδικασία, και να τον ενθαρρύνει να λάβει την κατάλληλη δράση για να βελτιώσει τα εκπαιδευτικά αποτελέσματά του. Οι προτεινόμενες αναλύσεις μαθησιακών δεδομένων αυτόματα δημιουργούν αναφορές προς τον μαθητή σχετικά με την πρόοδό του στο μάθημα, την επίδοσή του συγκριτικά με τους 10 καλύτερους μαθητές και τον μέσο όρο των βαθμών των μαθητών του μαθήματος.
Σχετικά με την στρατηγική αξιολόγησης των μαθητών, το IAdA-SNL αναπτύσσει δυο καινοτόμες στρατηγικές. Αρχικά, ένα ευφυές περιγραφικό διαγώνισμα (IFA) για την υποστήριξη ανατροφοδότησης πάνω στις αδυναμίες του μαθητή χρησιμοποιείται ως πρακτική εξάσκηση για την προετοιμασία του μαθητή στο τελικό διαγώνισμα του κεφαλαίου. Το προτεινόμενο IFA χρησιμοποιεί ασαφή λογική η οποία προβλέπει την αιτία της παρανόησης που έκανε ο μαθητής σε κάθε τμήμα του κεφαλαίου, λαμβάνοντας υπόψη τον βαθμό παρανόησης της λανθασμένης απάντησης που δόθηκε, τον συνολικό βαθμό παρανόησης του μαθητή που προκύπτει από τα λάθη που έχει κάνει στα διαγωνίσματα εξάσκησης, τον χρόνο που χρειάστηκε για να απαντήσει στην ερώτηση και τον βαθμό δυσκολίας της ερώτησης. Η διάγνωση της παρανόησης αναφέρει αν ο μαθητής είναι απρόσεκτος, πιθανόν απρόσεκτος, πιθανόν αδιάβαστος ή αδιάβαστος. Μετά την ολοκλήρωση του διαγωνίσματος εξάσκησης, το IFA παρέχει μια συγκεντρωτική ανατροφοδότηση σχετικά με τα συνολικά αποτελέσματα της αξιολόγησης του μαθητή, και προτάσεις σχετικά με τη βελτίωση της μάθησης για κάθε τμήμα του κεφαλαίου όπου διαπιστώθηκε παρανόηση. Δεύτερον, το IAdA-SNL εφαρμόζει την Αναθεωρημένη Ταξινομία του Bloom για την ανάπτυξη των τελικών διαγωνισμάτων των κεφαλαίων, προκειμένου να αποτελούνται από ερωτήσεις που αντιστοιχούν στα διαφορετικά επίπεδα της ταξινομίας. Η ταξινομία αυτή είναι χρήσιμη για των καθορισμό των αντικειμενικών στόχων του μαθήματος, την προετοιμασία έγκυρων και αποτελεσματικών διαγωνισμάτων συμπεριλαμβάνοντας δραστηριότητες που σχετίζονται με τα διάφορα επίπεδά της και βελτιώνοντας έτσι το επίπεδο γνώσεων των μαθητών. Τα τελικά διαγωνίσματα των κεφαλαίων όχι μόνο παρέχουν το αριθμητικό αποτέλεσμα της επίδοσης του μαθητή, αλλά επίσης περιγραφική ανατροφοδότηση σχετικά με την επίδοσή του στο κάθε επίπεδο γνώσης.
Αναφορικά με τη συνεργατική μάθηση, το IAdA-SNL αναθέτει στους μαθητές μια ομαδική εργασία. Για την δημιουργία αποδοτικών ομάδων συνεργασίας, το IAdA-SNL εισάγει έναν καινοτόμο γενετικό αλγόριθμο. Η καινοτομία του οφείλεται στα χαρακτηριστικά που χρησιμοποιεί για την σύνθεση των ομάδων και στους γενετικούς τελεστές που εφαρμόζει. Συγκεκριμένα, τα χαρακτηριστικά των μαθητών αφορούν τις τρεις κύριες διαστάσεις μάθησης σε ένα εκπαιδευτικό κοινωνικό δίκτυο, δηλαδή ακαδημαϊκή, γνωστική και κοινωνική, και απορρέουν από το κοινωνικά επεκταμένο μοντέλο μαθητή. Σχετικά με τους γενετικούς τελεστές, ο αλγόριθμος εκτελεί δύο τελεστές διασταύρωσης: μια τροποποίηση της διασταύρωσης δυο σημείων και μια νέα προσέγγιση, ονομαζόμενη διασταύρωση ενός σημείου ανά ομάδα.
Τέλος, το IAdA-SNL χρησιμοποιήθηκε από φοιτητές τριτοβάθμιας εκπαίδευσης και ενήλικους μαθητές προκειμένου να διδαχθούν σχετικά με την ανάλυση και τον σχεδιασμό συστήματος με χρήση UML διαγραμμάτων. Για την αξιολόγηση των λειτουργιών του IAdA-SNL, εισάγεται ένα μοντέλο αξιολόγησης βασισμένο στο CIAO! πλαίσιο αξιολόγησης και στο ISO-βασισμένο μοντέλο αξιολόγησης προσαρμοσμένο στα εκπαιδευτικά κοινωνικά δίκτυα. Τα αποτελέσματα της αξιολόγησης είναι πολύ ενθαρρυντικά. Δείχνουν ότι το σύστημα αποτελεσματικά προσαρμόζει την εκπαιδευτική διαδικασία στις ανάγκες των μαθητών, τους κινητοποιεί και προτείνει προσαρμοσμένες μαθησιακές στρατηγικές, και προάγει τη συνεργασία και την επικοινωνία. Επιπλέον, στατιστικοί έλεγχοι υποθέσεων χρησιμοποιήθηκαν για την αξιολόγηση των λειτουργιών αξιολόγησης μαθητών και ομαδοποίησης μαθητών. Αξιολογώντας τις προτεινόμενες στρατηγικές αξιολόγησης μαθητών, τα αποτελέσματα δείχνουν ότι οι μαθητές επωφελήθηκαν σε σύγκριση με τις παραδοσιακές διαδικασίες αξιολόγησης, τονίζοντας τα παιδαγωγικά οφέλη των περιγραφικών ανατροφοδοτήσεων που παρέχονται από τις δυο προτεινόμενες στρατηγικές. Τα αποτελέσματα της αξιολόγησης της επίδοσης του προτεινόμενου γενετικού αλγορίθμου ομαδοποίησης δείχνουν την αποτελεσματικότητά του και την υπεροχή του έναντι των απλών γενετικών προσεγγίσεων. Επιπλέον, από παιδαγωγικής άποψης, αναδείχθηκε η θετική στάση των μαθητών και η υψηλή αποδοχή της αυτοματοποιημένης διαδικασίας δημιουργίας ομάδων. | el |
| dc.description.abstractEN | The proliferation of social networking sites and the general interest in student-centered pedagogies have attracted attention to the use of this popular technological advance to enhance distance education. Such potential can be effectively used in adult education, since it allows adult educators to prolong learning process beyond a classroom, and adult learners to learn without time and space restrictions. To this direction, this Ph.D. thesis presents a novel approach of an intelligent social network designed for adult learning that performs individualized instruction, adaptive feedback and project-based learning with the intention to provide an innovative learning environment employing state-of-art technology, artificial techniques and pedagogical methods. The developed system is called IAdA-SNL, an abbreviation of Intelligent Adaptive Social Network for Adult Learning.
From a technological perspective, IAdA-SNL is an integrated social network based on other well-known social networking sites standards; providing the capabilities of posting, commenting, annotating, reacting on posts and course objects, tagging keywords and peers, chatting, setting up profile, exploring peers’ profile and network feeds, and making friends. From pedagogical perspective, since IAdA-SNL is oriented to adult education, it employs a set of learning theories for effective instructional design, namely Connectivism, Revised and Digital Bloom Taxonomy, Behaviorism (including Social learning theory, Reinforcement theory of motivation, badges system), Malcolm Knowles’ Andragogy and Experiential learning.
IAdA-SNL extends traditional approaches of student modeling with characteristics pertained to learner’s social interactions with the network. The proposed dynamic student model is composed by profile information (name, age, gender, education, location), learning style (Honey and Mumford model), performance data (achievements in each cognitive skill based on RBT, total grades in chapters’ tests and performance progress), interactions with course (how many times s/he has visited a topic or learning resource, the reactions on course objects about his/her level of understanding, how many times the tests are given and his/her learning pace), social interactions (the number of posts, comments, chats, reactions etc.), and accomplishments (seven badge categories with three level badges). The social-extended student model is the core component based on which the other system components provide personalization and adaptivity.
To the direction of individualized instruction, IAdA-SNL adapts course content and learning object recommendation considering student learning style. The Honey and Mumford model used classifies students as activists, reflectors, theorists, and pragmatists. The reason why this model used is because it can promote better the adult learning since it is based on the way students approach new learning experiences. Moreover, a social annotation tool is provided to make notes at course material making it more interactive and engaging.
IAdA-SNL incorporates an integrated badges system and a component for the delivery of corresponding individual motivational messages, with the intention of encouraging learning, improving student engagement, acknowledging current accomplishments and incentivizing future ones. The badging model consists of seven badge categories including three levels of badges each one: Profile (Basic, Charm, Self-Introduced), Recognition (Get known, Well-known, VIP), Contributions (Writer, Blogger, Editor), User-Generated Content (Pupil, Assistant, Professor), Social Involvement (Attendee, Active, Outgoing), Cognitive level (Entry-level, Knowledgeable, Genius), and Global (Newbie, Competent, Well-rounded).
Moreover, IAdA-SNL provides actionable learning analytics in order to timely inform the student about critical issues concerning the learning process and encourage him/her to take the appropriate action for improving his/her learning outcomes. The proposed actionable learning analytics automatically deliver reports about student progress in curriculum, performance in curriculum in relation to the top 10 students and to the average grades of the learners’ community.
Regarding the assessment strategy, IAdA-SNL develops two innovative strategies. Firstly, an intelligent formative assessment (IFA) supporting feedback on student’s misconceptions is used as practice test for preparing the student for the chapter’s final test. The proposed IFA employs a fuzzy logic model that diagnoses the cause of misconceptions occurred at each chapter section considering the answer’s misconception degree, student’s misconception degree, answer time and question difficulty. The misconception diagnosis exports if student was imprudent, possibly imprudent, possibly unread or unread. After the completion of practice test, the IFA provides a cumulative feedback on the overall result of student evaluation, and suggestions for each section where a misconception occurred. Secondly, IAdA-SNL applies RBT to the development of chapter’s final tests in order to be composed of questions derived from the different RBT levels. RBT can be helpful for specifying correctly course objectives, preparing valid and efficient assessments by including activities related to different taxonomy’s levels and thus, improving students’ cognitive level. These tests not only provide the evaluative feedback on student’s performance, but also descriptive feedback on the performance at each cognitive level.
Concerning the collaborative learning, IAdA-SNL assigns a project-based activity to students. In order to form effective collaborative student groups, IAdA-SNL introduces a novel genetic algorithm. Its innovations pertain to the attributes used for the composition of groups and genetic operators applied. In particular, student attributes refer to the three main dimensions of learning in a SN-Learning environment, namely academic, cognitive, and social, and derive from the social-extended student model. Regarding genetic operators, the algorithm performs two crossover operators: a modification of 2-point crossover and a new approach, called 1-point per group crossover.
Finally, IAdA-SNL platform was used by higher education students and adult learners to learn system analysis and design using UML diagrams. For the evaluation of IAdA-SNL modules, an evaluation model is introduced based on the CIAO! Framework and the adjusted ISO-based model to SN-Learning environments. The results of the evaluation are very encouraging. They demonstrate that the system effectively adapts the learning process to the students’ needs, motivates them and suggests personalized learning strategies, and promotes collaboration and communication. Moreover, statistical hypothesis tests (t-tests) were employed for the evaluation of assessment and grouping modules. Evaluating the proposed assessment strategies, the results show that students benefit against the traditional assessment process, pointing the pedagogical affordance of constructive feedback provided in both strategies. Evaluating the proposed genetic algorithm performance, the results show its effectiveness and superiority over simple genetic algorithm approach. Moreover, from pedagogical perspective, the positive students’ attitude and high acceptance towards our group formation method is indicated. | el |
