
Podloženo výzkumem
Výukový systém Umíme je postaven a neustále vylepšován 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 je systém Umíme průběžně vylepšován. - 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.