Personalized software tutoring and affective human-computer interaction in social networking-based language and open learning

Abstract

This Ph.D. Dissertation presents a novel approach of web-based tutoring, offering personalization to students’ needs. The implemented intelligent tutoring system, called POLYGLOT, incorporates social media characteristics in the user interface of the learning environment. These features include posting on a wall, tagging a classmate, instant and asynchronous text messaging, reaction buttons (liking and disliking) on questions and declaring the affective state. Also, POLYGLOT offers an authoring tool to the instructors in order to change the learning content and observe students’ performance. Given that POLYGLOT’s learning content concerns the tutoring of foreign languages, namely English and French grammatical concepts, it uses the Stephen Krashen's Theory of Second Language Acquisition, consisting of five hypotheses: the Acquisition-Learning hypothesis, the Monitor hypothesis, the Input hypothesis, the Natural Order hypothesis and the Affective Filter hypothesis. As such, POLYGLOT’s tutoring coincides fully with the aforementioned theory in terms of the way of instruction, means of collaboration, time constraints in learning, holding students’ records, logical gradation of learning concepts and response on negative affective state (frustration) in the form of motivational messages. To the direction of individualized instruction, POLYGLOT’s student model automatically detects the learning style of students. The students’ learning styles are based on the Felder and Silverman model and POLYGLOT classifies students as active or reflective, and sequential or global. Active learners prefer to communicate with their peers and to learn by working with a classmate so that they can discuss about the taught material. In contrast, reflective learners prefer to work alone. Sequential learners prefer to learn progressively and incrementally, having a linear tutoring progress. On the other side, global learners prefer to navigate through the learning material from chapter to chapter randomly. The automatic detection of students’ learning style is conducted by a supervised machine learning algorithm, namely the k-nearest neighbors algorithm, which takes as input several students’ features, such as their age, gender, educational level, computer knowledge level, number of languages spoken and their grade on preliminary test. Furthermore, the presented student model incorporates an error detection and diagnosis mechanism which combined two algorithmic techniques into a hybrid approach in order to infer the reason of students’ misconceptions. The first technique is the approximate string matching which finds approximate substring matching a pattern and diagnoses misconceptions such as accidental slips, pronoun mistakes, spelling mistakes and verb tense mistakes. The second technique is the string meaning similarity which diagnoses misconceptions owing to language transfer interference. Moreover, POLYGLOT employs a model for collaboration between students. This model recommends win-win collaboration between students. The recommendation for collaboration concerns two situations. In the first situation, the recommendation for collaboration concerns two students having complementary knowledge, namely student 1 has a high knowledge level on concept A but poor knowledge level on concept B and student 2 has a high knowledge level on concept B but poor knowledge level on concept A. In the second situation, student 1 conducts misconception A but not B while student 2 conducts misconception B but not A. This rationale can enhance students in the learning process and ameliorate the degrees of knowledge acquisition and knowledge restitution. In POLYGLOT, students can declare their affective state among “happy”, “frustrated” and “neutral”. However, their interaction with the tutoring system, i.e. experiencing difficulty in a test or receiving a bad grade, can be a blockage of their goal and as such the reason of feeling a negative emotion, such as frustration. POLYGLOT can detect students’ frustration by using the linear regression model. The relationships are modeled using linear predictor functions whose unknown model parameters are estimated from the data. Finally, the POLYGLOT’s response on frustration is the delivery of motivational messages based on the attribution theory, involving a three-stage process underlying that behavior must be observed/perceived, must be determined to be intentional and is attributed to internal or external causes. With the use of motivational messages, the students are assisted in the educational process and are not willing to quit learning. All the aforementioned approaches are fully implemented and POLYGLOT is evaluated. The system was used by students of a private school of foreign languages in Athens in order to learn the grammatical concepts in both foreign languages. For the evaluation of all the modules of POLYGLOT, the Kirkpatrick's Four-Level Evaluation Model was used. The results of the evaluation were very encouraging. They demonstrated that the system effectively adapts the learning process to the students’ learning style while assisting them by diagnosing their misconceptions, recommending win-win collaborations, detecting their frustration and responding to this negative emotion.

H παρούσα διδακτορική διατριβή παρουσιάζει μία καινοτόμο προσέγγιση διαδικτυακής και εξ αποστάσεως εκπαίδευσης, προσφέροντας εξατομίκευση στις ανάγκες των μαθητών. Το υλοποιημένο ευφυές σύστημα διδασκαλίας, που ονομάζεται POLYGLOT, ενσωματώνει χαρακτηριστικά κοινωνικών δικτύων στο εκπαιδευτικό περιβάλλον διεπαφής. Αυτά τα χαρακτηριστικά περιλαμβάνουν την ανάρτηση σε «τοίχο», αναφορά ονόματος χρήστη στον «τοίχο» με χρήση ετικέτας, σύγχρονη και ασύγχρονη επικοινωνία με χρήση κειμένου, κουμπιά αντίδρασης («Μου αρέσει», «Δε μου αρέσει») σε ερωτήσεις και δήλωση συναισθηματικής κατάστασης. Επιπλέον, το σύστημα POLYGLOT προσφέρει και ένα εργαλείο συγγραφής με το οποίο οι διδάσκοντες μπορούν να αλλάζουν το εκπαιδευτικό υλικό και να ελέγχουν την πρόοδο των μαθητών. Δεδομένου ότι το πεδίο γνώσης του συστήματος POLYGLOT είναι η εκμάθηση γραμματικών φαινομένων στην Αγγλική και Γαλλική γλώσσα, χρησιμοποιείται η θεωρία απόκτησης δεύτερης γλώσσας του Stephen Krashen, η οποία αποτελείται από τις ακόλουθες υποθέσεις: Υπόθεση Απόκτησης-Εκμάθησης, Υπόθεση Επίβλεψης, Υπόθεση Δεδομένων Εισόδου, Υπόθεση Φυσικής Πορείας και η Υπόθεση Συναισθηματικού Φίλτρου. Έτσι, η εκμάθηση μέσω του συστήματος POLYGLOT συμβαδίζει πλήρως με την προαναφερθείσα θεωρία αναφορικά με τον τρόπο διδασκαλίας, τον τρόπο συνεργασίας, τους χρονικούς περιορισμούς στην εκμάθηση, την διατήρηση αρχείων μαθητών, την λογική διαβάθμιση των εννοιών διδασκαλίας και την αντίδραση στην απογοήτευση των μαθητών με τη μορφή ενθαρρυντικών μηνυμάτων.Προς την κατεύθυνση της εξατομικευμένης διδασκαλίας, το σύστημα POLYGLOT αυτόματα αναγνωρίζει την προτίμηση τρόπου μάθησης των σπουδαστών. Η προτίμηση του τρόπου μάθησης των σπουδαστών βασίζεται στο μοντέλο Felder-Silverman και το σύστημα POLYGLOT κατατάσσει τους μαθητές ως ενεργητικούς ή στοχαστικούς και ακολουθιακούς ή ολιστικούς. Οι ενεργητικοί μαθητές προτιμούν να επικοινωνούν με τους συμμαθητές του και να μαθαίνουν μέσα από τη συνεργασία με κάποιο συμμαθητή ώστε να συζητούν για το υλικό διδασκαλίας. Εν αντιθέσει, οι στοχαστικοί μαθητές προτιμούν να μη συνεργάζονται και να διαβάζουν μόνοι τους. Οι ακολουθιακοί χρήστες προτιμούν να διαβάζουν μόνοι. Οι ακολουθιακοί μαθητές προτιμούν να διαβάζουν σταδιακά και προοδευτικά, έχοντας μια γραμμική πορεία εκμάθησης. Από την άλλη πλευρά, οι ολιστικοί μαθητές προτιμούν να πλοηγούνται στο υλικό διδασκαλίας από κεφάλαιο σε κεφάλαιο με τυχαίο τρόπο. Η αυτόματη αναγνώριση της προτίμησης του τρόπου μάθησής τους γίνεται με τη χρήση ενός αλγορίθμου επιτηρούμενης μάθησης, του αλγορίθμου πλησιέστερου γείτονα, ο οποίος λαμβάνει σαν είσοδο χαρακτηριστικά χρηστών, όπως η ηλικία του, το φύλο τους, το μορφωτικό τους επίπεδο, το επίπεδο γνώσης υπολογιστών, τις γλώσσες που ομιλούν και το βαθμό τους σε ένα προκαταρκτικό διαγώνισμα. Επιπρόσθετα, το παρουσιαζόμενο μοντέλο μαθητή ενσωματώνει ένα μηχανισμό εντοπισμού και διάγνωσης λαθών, το οποίο συνδυάζει δύο αλγοριθμικές προσεγγίσεις σε ένα υβριδικό μοντέλο με σκοπό να βρει την αιτία των λαθών των μαθητών. Η πρώτη τεχνική είναι η κατά προσέγγιση αντιπαραβολή συμβολοσειρών η οποία βρίσκει προσεγγιστικά υποσυμβολοσειρές που ταιριάζουν με κάποιο μοτίβο και διαγιγνώσκει λάθη, όπως λάθη απροσεξίας, λάθη στην αντωνυμία, λάθη ορθογραφίας και λάθη στους χρόνους των ρημάτων. Η δεύτερη τεχνική είναι η σήμανση ομοιότητας συμβολοσειρών, η οποία διαγιγνώσκει λάθη που οφείλονται στη χρήση γνώσης από μία γλώσσα στην άλλη. Επίσης, το σύστημα POLYGLOT ενσωματώνει ένα μοντέλο για τη συνεργασία των μαθητών, η οποία θα είναι ωφέλιμη και για τις δύο πλευρές. Πιο συγκεκριμένα, η πρόταση για συνεργασία αφορά δύο περιπτώσεις. Στην πρώτη περίπτωση, το σύστημα προτείνει συνεργασία μεταξύ δύο μαθητών που έχουν συμπληρωματική γνώση, δηλαδή αν ο μαθητής 1 έχει υψηλή γνώση στο αντικείμενο Α και χαμηλή γνώση στο αντικείμενο Β θα του προταθεί συνεργασία με το μαθητή 2 που έχει υψηλή γνώση στο αντικείμενο Β και χαμηλή γνώση στο αντικείμενο Α. Αντίστοιχα, στη δεύτερη περίπτωση προτείνεται συνεργασία βάσει λαθών, δηλαδή μεταξύ μαθητών εκ των οποίων ο μαθητής 1 κάνει λάθη της κατηγορίας Α αλλά όχι λάθη της κατηγορίας Β και ο μαθητής 2 κάνει λάθη της κατηγορίας αλλά όχι λάθη της κατηγορίας Α. Αυτή η λογική μπορεί να βοηθήσει τους μαθητές στην εκπαιδευτική διαδικασία και να βελτιώσει τους βαθμούς απόκτησης και αποκατάστασης γνώσης. Στο σύστημα POLYGLOT, οι μαθητές έχουν τη δυνατότητα να δηλώσουν τη συναισθηματική τους κατάσταση μεταξύ των «Χαρούμενος», «Απογοητευμένος» και «Ουδέτερος». Παρ’ όλα αυτά, η αλληλεπίδραση με το σύστημα, δηλαδή η αντιμετώπιση δυσκολιών σε διαγώνισμα ή ένας κακός βαθμός, μπορεί να αποτελέσει εμπόδιο στην επίτευξη των στόχων του, το οποίο με τη σειρά του προκαλεί το αρνητικό συναίσθημα της απογοήτευσης. Το σύστημα POLYGLOT μπορεί να εντοπίσει την απογοήτευση του μαθητή, χρησιμοποιώντας το μοντέλο γραμμικής παλινδρόμησης. Οι σχέσεις μοντελοποιούνται χρησιμοποιώντας λειτουργίες γραμμικής πρόβλεψης των οποίων οι άγνωστες παράμετροι του μοντέλου υπολογίζονται από τα δεδομένα. Τελικώς, η αντίδραση του συστήματος POLYGLOT στην απογοήτευση των μαθητών είναι η προβολή ενθαρρυντικών μηνυμάτων, βασισμένων στη θεωρία απόδοσης ενθαρρυντικών μηνυμάτων (θεωρία απόδοσης αιτιών), η οποία περιλαμβάνει τρία στάδια και υπογραμμίζει ότι η συμπεριφορά πρέπει να παρατηρείται, πρέπει να καθορίζεται ως σκόπιμη και να αποδίδεται σε εσωτερικές ή εξωτερικές αιτίες. Με τη χρήση των ενθαρρυντικών μηνυμάτων, οι μαθητές βοηθούνται κατά την εκπαιδευτική διαδικασία και αποθαρρύνονται από τη διακοπή της μελέτης. Όλες οι προαναφερθείσες προσεγγίσεις έχουν υλοποιηθεί, εφαρμοστεί και αξιολογηθεί πλήρως. Το σύστημα POLYGLOT χρησιμοποιήθηκε από τους μαθητές ενός φροντιστηρίου ξένων γλωσσών στην Αθήνα, προκειμένου να διδαχθούν τα γραμματικά φαινόμενα και στις δύο γλώσσες. Για την αξιολόγηση όλων των λειτουργιών του συστήματος POLYGLOT, χρησιμοποιήθηκε το μοντέλο τεσσάρων επιπέδων του Kirkpatrick. Τα αποτελέσματα της αξιολόγησης ήταν πολύ ενθαρρυντικά. Απέδειξαν ότι το σύστημα αποτελεσματικά προσαρμόζει την εκπαιδευτική διαδικασία στην προτίμηση του τρόπου μάθησης των σπουδαστών, καθώς επίσης τους βοηθάει στη διάγνωση των λαθών τους, προτείνει συνεργασίες ωφέλιμες και για τους δύο μαθητές, εντοπίζει την απογοήτευσή τους και απαντά σε αυτή.