Podložené výskumom

Výučbový systém je postavený a neustále vylepšovaný na základe skúseností z vedeckého výskumu, ktorý je vedený v spolupráci s výskumnou skupinou Adaptive Learning na Fakulte informatiky MU v Brne. Výsledky tohto výskumu sú publikované v predných medzinárodných časopisoch a na konferenciách zameriavajúcich sa na oblasť umelej inteligencie vo vzdelávaní.

Nižšie uvádzame niektoré vybrané publikácie, ktoré s projektom bezprostredne súvisia. Môžete sa tiež pozrieť na konkrétne príklady techník použitých vo Vieme to.

Metodické články

• Improving Learning Environments: Avoiding Stupidity Perspective. R. Pelánek, T. Effenberger. IEEE Transactions on Learning Technologies, 2022.
  Vývoj adaptabilného výučbového systému je náročnejší, než si mnohí uvedomujú. Tento článok systematicky rozoberá, čo všetko sa môže pokaziť, a popisuje techniky, ktoré pomáhajú problémom predchádzať.
• Complexity and Difficulty of Items in Learning Systems. R. Pelánek, T. Effenberger, J. Čechák. International Journal of Artificial Intelligence in Education, 2021.
  Článok rozoberá, prečo je užitočné rozlišovať medzi „obťažnosťou“ a „zložitosťou“ úloh, ako tieto dve charakteristiky merať a k čomu to vlastne pri vývoji výučbových systémov 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
  Prehľadový článok popisujúci techniky analýzy dát a modelovania študentov, ktoré sú relevantné pre vývoj výučbových systémov.

Odporúčanie a miera zvládnutia

Špecifickým aspektom je personalizácia: automatizované odporúčanie vhodných cvičení a kritériá „miery zvládnutia“, ktoré ovplyvňujú zisk „štítov“ a splnenie domácich úloh.

• Measuring skillful effort: progress bar for practice in learning environments. R. Pelánek, T. Effenberger. User Modeling and User-Adapted Interaction, 2026.
• 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.
  Článok ocenený „best paper award“.

Informatika

• The Landscape of Computational Thinking Problems for Practice and Assessment. R. Pelánek, T. Effenberger. ACM Transactions on Computing Education, 2023.
  Článok ponúka komplexný prehľad úloh použiteľných na precvičovanie informatického myslenia. Predstavuje metodické východisko, na ktorom stojí príprava zadaní pre Vieme to – Informatika.
• Design and Analysis of Microworlds and Puzzles for Block-Based Programming, R. Pelánek, T. Effenberger. Computer Science Education, 2020.
  Princípy návrhu úvodných programátorských úloh, ktoré sú využívané vo Vieme to – Informatika.
• Code Quality Defects across Introductory Programming Topics T. Effenberger, R. Pelánek. Technical Symposium on Computer Science Education, 2022.
  Prehľad najčastejších štylistických chýb, ktoré študenti robievajú pri programovaní v Pythone.
• Interpretable Clustering of Students' Solutions in Introductory Programming. T. Effenberger, R. Pelánek. Artificial Intelligence in Education, 2021.
  Analýzy dát z cvičenia Programovanie v Pythone na Vieme to – Informatika.

Analýzy dát

• Towards Design-Loop Adaptivity: Identifying Items for Revision. R. Pelánek, T. Effenberger, A. Kukučka. Journal of Educational Data Mining, 2022.
  Popis vybraných techník, ktoré používame na kontinuálne vylepšovanie obsahu.
• Analyzing and Visualizing Learning Data: A System Designer's Perspective. R. Pelánek. Journal of Learning Analytics, 2021.
  Prehľad zákulisných analýz dát, na základe ktorých je systém Vieme to priebežne vylepšovaný.
• Exploring the Utility of Response Times and Wrong Answers for Adaptive Learning. R. Pelánek. Learning@Scale, 2018.
  Analýza nesprávnych odpovedí a časov riešení z predmetov čeština, matematika, angličtina.
• Measuring Similarity of Educational Items Using Data on Learners' Performance. J. Řihák, R. Pelánek. Educational Data Mining, 2017.
  Analýza metód na určovanie podobnosti položiek, článok analyzuje okrem iného dáta z predmetu čeština.
• Student Modeling Based on Problem Solving Times. R. Pelánek, P. Jarušek. International Journal of Artificial Intelligence in Education, 2015.
  Článok popisujúci analýzy dát z matematických a logických úloh, ktoré sú na Vieme to teraz použité v predmete matematika.