Intelligent multi-agent learning system applying educational data mining

Abstract

In this paper, we present a methodology for personalizing learning in accordance with the needs of individual students by using an intelligent, multi-agent learning system and data mining. Learning personalization is implemented on the basis of several methods. The Felder and Silverman Learning Styles model is used to create student profiles, and the probabilistic suitability indexes are identified to interlink learning components (i.e., learning objects, learning activities and learning environments) with the learning styles of individual students. Other technologies, which were proposed for creating the learning system, are ontologies, recommender system, intelligent software agents and educational data mining/learning analytics. Personalized learning units are referred to here as learning units composed of the learning components that have the highest probabilistic suitability indexes for particular students. In the paper, first, a systematic review on the application of intelligent software agents in learning is performed using the Clarivate Analytics Web of Science database. Second, we present the methods for personalizing the intelligent technologies of learning application, which are used to create optimized learning units for individual students. The developed student profiles and personalized learning units are further corrected by applying the methods and tools of data mining. The model of an intelligent, multi-agent learning system, based on the application of the aforementioned technologies, is presented in more detail. The principal success factors of the proposed methodology are the pedagogically sound vocabularies of learning components, an expert evaluation of the learning components in terms of their suitability for particular students as well as the application of ontologies, recommender systems, intelligent software agents and data mining.

Straipsnyje yra pristatyta mokymosi personalizavimo pagal besimokančiųjų poreikius metodologija, kurioje yra naudojamos intelektinė daugiaagentė mokymosi sistema ir duomenų tyryba. Mokymosi personalizavimas yra įgyvendinamas remiantis keliais metodais. Felderio ir Silverman mokymosi stilių modelis naudojamas besimokančiųjų profiliams kurti, o tikimybiniai tinkamumo rodikliai yra identifikuojami tam, kad būtų galima susieti mokomuosius komponentus (t. y. mokomuosius objektus, mokomąsias veiklas ir mokymosi aplinką) su konkrečių besimokančiųjų mokymosi stiliais. Kitos pasiūlytos mokymosi sistemos kūrimo technologijos yra ontologijos, rekomendavimo sistema, intelektiniai programiniai agentai ir edukacinių duomenų tyryba (mokymosi analitika). Personalizuotais mokomaisiais moduliais čia vadinami moduliai, sudaryti iš mokomųjų komponentų, kurie turi aukščiausius tikimybinius tinkamumo rodiklius konkrečių besimokančiųjų atžvilgiu. Straipsnyje visų pirma yra atlikta intelektinių programinių agentų taikymo švietime sisteminė apžvalga „Clarivate Analytics Web of Science“ duomenų bazėje. Antra, yra aprašyti mokymosi personalizavimo metodai, taikant intelektines technologijas mokomiesiems moduliams, optimizuotiems konkretiems besimokantiesiems, kurti. Sukurti besimokančiųjų profiliai ir personalizuoti mokomieji moduliai yra toliau koreguojami duomenų tyrybos metodais ir priemonėmis. Detaliau yra pristatomas intelektinės daugiaagentės mokymosi sistemos, grįstos minėtomis technologijomis, modelis. Esminiai pasiūlytos technologijos sėkmės veiksniai yra edukologijos atžvilgiu kokybiški mokomųjų komponentų žodynai, mokomųjų komponentų ekspertinis vertinimas jų tinkamumui konkretiems besimokantiesiems įvertinti, taip pat ontologijų, rekomendavimo sistemos, intelektinių programinių agentų ir duomenų tyrybos taikymas.