Podloženo výzkumem

Výukový systém je postaven a neustále vylepšován na základě zkušeností z vědeckého výzkumu, který je veden ve spolupráci s výzkumnou skupinou Adaptive Learning na Fakultě informatiky MU v Brně. Výsledky tohoto výzkumu jsou publikovány v předních mezinárodních časopisech a konferencích zaměřujících se na oblast umělé inteligence ve vzdělávání.

Níže uvádíme některé vybrané publikace, které s projektem bezprostředně souvisí. Můžete se také podívat na konkrétní příklady technik použitých v Umíme.

Metodické články

• Improving Learning Environments: Avoiding Stupidity Perspective. R. Pelánek, T. Effenberger. IEEE Transactions on Learning Technologies, 2022.
  Vývoj adaptabilního výukového systému je náročnější, než si mnozí uvědomují. Tento článek systematicky rozebírá, co vše se může pokazit, a popisuje techniky, které pomáhají pokažení předcházet.
• Complexity and Difficulty of Items in Learning Systems. R. Pelánek, T. Effenberger, J. Čechák. International Journal of Artificial Intelligence in Education, 2021.
  Článek rozebírá, proč je užitečné rozlišovat mezi „obtížností“ a „složitostí“ úloh, jak tyto dvě charakteristiky měřit a k čemu to vlastně při vývoji výukových systémů je.
• Bayesian Knowledge Tracing, Logistic Models, and Beyond: An Overview of Learner Modeling Techniques. R. Pelánek. User Modeling and User-Adapted Interaction – The Journal of Personalization Research, 2017
  Přehledový článek popisující techniky analýzy dat a modelování studentů, které jsou relevantní pro vývoj výukových systémů.

Doporučování a míra zvládnutí

Specifickým aspektem je personalizace: automatizované doporučování vhodných cvičení a kritéria „míry zvládnutí“, která ovlivňují zisk „štítů“ a splnění domácích úloh.

• Personalized recommendations for learning activities in online environments: a modular rule-based approach. R. Pelánek, T. Effenberger, P. Jarušek. User Modeling and User-Adapted Interaction, 2024.
• Analysis and Design of Mastery Learning Criteria. R. Pelánek, J. Řihák. New Review of Hypermedia and Multimedia, 2018.
• Conceptual Issues in Mastery Criteria: Differentiating Uncertainty and Degrees of Knowledge. R. Pelánek, Artificial Intelligence in Education, 2018.
• Experimental Analysis of Mastery Learning Criteria. R. Pelánek, J. Řihák. User Modelling, Adaptation and Personalization, 2017.
  Článek oceněný „best paper award“.

Informatika

• The Landscape of Computational Thinking Problems for Practice and Assessment. R. Pelánek, T. Effenberger. ACM Transactions on Computing Education, 2023.
  Článek nabízí komplexní přehled úloh použitelných pro procvičování informatického myšlení. Představuje metodické východisko, na kterém stojí příprava zadání pro Umíme informatiku.
• Design and Analysis of Microworlds and Puzzles for Block-Based Programming, R. Pelánek, T. Effenberger. Computer Science Education, 2020.
  Principy návrhu úvodních programátorských úloh, které jsou využívány v Umíme programovat.
• Code Quality Defects across Introductory Programming Topics T. Effenberger, R. Pelánek. Technical Symposium on Computer Science Education, 2022.
  Přehled nejčastějších stylistických chyb, které studenti dělají při programování v Pythonu.
• Interpretable Clustering of Students' Solutions in Introductory Programming. T. Effenberger, R. Pelánek. Artificial Intelligence in Education, 2021.
  Analýzy dat ze cvičení Programování v Pythonu na Umíme programovat.

Analýzy dat

• Towards Design-Loop Adaptivity: Identifying Items for Revision. R. Pelánek, T. Effenberger, A. Kukučka. Journal of Educational Data Mining, 2022.
  Popis vybraných technik, které používáme pro kontinuální vylepšování obsahu.
• Analyzing and Visualizing Learning Data: A System Designer's Perspective. R. Pelánek. Journal of Learning Analytics, 2021.
  Přehled zákulisních analýz dat, na základě kterých je systém Umíme průběžně vylepšován.
• Exploring the Utility of Response Times and Wrong Answers for Adaptive Learning. R. Pelánek. Learning@Scale, 2018.
  Analýza špatných odpovědí a časů řešení ze systémů Umíme česky, Umíme matiku a Umíme anglicky.
• Measuring Similarity of Educational Items Using Data on Learners' Performance. J. Řihák, R. Pelánek. Educational Data Mining, 2017.
  Analýza metod pro určování podobnosti položek, článek analyzuje mimo jiné data z Umíme česky.
• Student Modeling Based on Problem Solving Times. R. Pelánek, P. Jarušek. International Journal of Artificial Intelligence in Education, 2015.
  Článek popisující analýzy dat z matematických a logických úloh, které jsou nyní použity v systému Umíme matiku.