Podloženo výzkumem

Systémy z projektu Umíme to jsou postaveny a neustále vylepšovány na základě zkušeností z vědeckého výzkumu, který je veden v rámci Fakulty 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. Další související publikace lze najít na webu výzkumné skupiny Adaptive Learning.

Metodické články

• 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.
• 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.
• 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.

Míra zvládnutí

Velkou pozornost ve výzkumu věnujeme analýze kritérií „míry zvládnutí“. Tu používáme v mnoha cvičeních v systémech Umíme: ovlivňují zisk „štítů“ a splnění domácích úloh.

• 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. „best paper award“

Analýzy dat

• Analyzing and Visualizing Learning Data: A System Designer's Perspective. R. Pelánek, Journal of Learning Analytics, 2021.
  Přehled zákulisních analýz dat, na základě kterých jsou systémy Umíme průběžně vylepšovány.
• Interpretable Clustering of Students' Solutions in Introductory Programming. T. Effenberger, R. Pelánek, Artificial Intelligence in Education (AIED), 2021.
  Analýzy dat ze cvičení Programování v Pythonu na Umíme programovat.
• 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.