AI-Supported Management of Distributed Processes: an Investigation of Learning Process

• Autorzy: Dorota Dżega , Wiesław Pietruszkiewicz

Warianty tytułu

Wsparcie zarządzania procesami rozproszonymi sztuczną inteligencją: analiza procesu zdalnego nauczania

• Języki publikacji: EN

Abstrakty

EN

The Web capabilities and people's habits stimulate distribution of many processes in virtual environment. The e-learning is one of examples and it became a mature solution, having many participating users and organisations. However, this virtual process is harder to manage, and sometimes even to use efficiently, than the traditional learning. It has many dimensions that could be supported by Artificial Intelligence (AI). Comparing the software systems used in the-learning, e.g., LMS systems or presentation engines to the intelligent e-learning tools their differences can be easily identified, as the complexity of e-learning software and amount of data has overgrown human expectations and processing capabilities. In this paper we present how AI could be used in the e-learning and how it helps to manage this virtual distributed process. (original abstract)

Możliwości technologii webowych oraz nawyki ludzi powodują rozproszenie wielu procesów w wirtualnym środowisku. Przykładem takiego procesu jest zdalne nauczanie, które stało się dojrzałym rozwiązaniem mającym wielu uczestników indywidualnych oraz organizacyjnych. Jednakże zarządzanie procesem wirtualnym jest trudniejsze niż tradycyjnym procesem, a czasami obserwacja ta dotyczy także samego uczestnictwa w procesie. Wiele aspektów procesów rozproszonych może zostać wspartych metodami sztucznej inteligencji. Porównując systemy oprogramowania używane w nauczaniu zdalnym, np. LMS lub systemy prezentacyjne wsparte sztuczną inteligencją, z ich pierwowzorami, z łatwością można zidentyfikować ich zalety oraz dostarczane korzyści. Rozwiązania oparte na sztucznej inteligencji są bardzo pożądane, ponieważ złożoność oprogramowania używanego w nauczaniu zdalnym oraz ilość przetwarzanych informacji przerosły oczekiwania i możliwości analityczne człowieka. W niniejszym artykule prezentujemy, w jaki sposób sztuczna inteligencja może zostać zastosowana w nauczaniu zdalnym oraz w jaki sposób może wspierać zarządzanie wirtualnymi, rozproszonymi procesami. (abstrakt oryginalny)

Słowa kluczowe

EN

Artificial intelligence; Theory of decision support; Management; e-learning; Technology

PL

Sztuczna inteligencja; Teoria wspomagania decyzji; Zarządzanie; Zdalne nauczanie; Technologia

• Czasopismo: Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu
• Rocznik: 2011
• Numer: nr 206 Advanced Information Technologies for Management - AITM 2011: Inteligent Technologies and Applications
• Strony: 59--67

Twórcy

autor

Dorota Dżega

• Zachodniopomorska Szkoła Biznesu w Szczecinie

autor

Wiesław Pietruszkiewicz

• Zachodniopomorski Uniwersytet Technologiczny w Szczecinie

Bibliografia

• Baker R.S.J.D., Yacef K. (2009), The state of educational data mining in 2009: A review and future visions, Journal of Educational Data Mining, Vol. 1, No. 1.
• Balogh I. (2009), Use of data mining tools in examining and developing the quality of e-learning, [in:] A. Szucs (Ed.) New Technology Platforms for Learning - Revisited. Proceedings of LOGOS Open Conference, Budapest.
• Baruque C.B. et al. (2007), Analysing users' access logs in Moodle to improve e-learning, [in:] Proceedings of the 2007 Euro American conference on Telematics and information systems, Faro.
• Brusilovsky P., Nijhavan H. (2002), A framework for adaptive e-learning based on distributed reusable learning activities, [in:] M. Driscoll, T. Reeves (Eds.), Proceedings of World Conference on E-Learning in Corporate, Government, Healthcare, and Higher Education 2002, Association for the Advancement of Computing in Education, Montreal.
• Chen Ch.M. (2008), Intelligent web-based learning system with personalized learning path guidance, Computers & Education, Vol. 51, pp. 787-814.
• Delgado Calvo-Flores D. et al. (2006), Predicting students' marks from Moodle logs using neural network models, [in:] A. Méndez-Vilas et al. (Eds.), Current Developments in Technology-Assisted Education, FORMATEX, Badajoz.
• Frankola K. (2001), Why online learners dropout, Workforce, Vol. 80, No. 10.
• Frączkowski K. (2003), Zarządzanie projektem informatycznym. Projekty w środowisku wirtualnym. Czynniki sukcesu i niepowodzeń projektów, Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław.
• Kacalak W., Majewski M., Zurada J.M. (2010), Intelligent e-learning systems for evaluation of user's knowledge and skills with efficient information processing, [in:] L. Rutkowski, R. Scherer, R. Tadeusiewicz, L.A. Zadeh, J.M. Zurada (Eds.), Proceedings of the 10th International Conference on Artificial Intelligence and Soft Computing: Part II, LNCS 6114, Springer-Verlag, Berlin, Heidelberg.
• Kay J., Lum A. (2004), Building user models from observations of users accessing multimedia learning objects, [in:] A. Nürnberger, M. Detyniecki (Eds.), Adaptive Multimedia Retrieval, LNCS 3094, Springer-Verlag, Berlin, Heidelberg.
• Kitchenham B., Charters S. (2007), Guidelines for performing systematic literature reviews in software engineering, Technical Report EBSE-2007-01, School of Computer Science and Mathematics, Keely University.
• Lewis R., Whitlock Q.A. (2003), How to Plan and Manage an E-learning Programme, Gower Publishing, Aldershot.
• Lykourentzou I. et al. (2009), Dropout prediction in e-learning courses through the combination of machine learning techniques, Computers & Education, Vol. 53.
• Mandinach E.B. (2005), The development of effective evaluation methods for e-learning: A concept paper and action plan, Teachers College Record, Vol. 107, No. 8.
• Mor E., Minguillón J. (2004), E-learning personalization based on itineraries and long-term navigational behaviour, [in:] Proceedings of the 13th International World Wide Web Conference, Alternate track papers & posters, New York.
• Nash S.S. (2006), Leadership and the e-Learning Organization, Texture Press, New York.
• Pietruszkiewicz W., Dżega D. (2012), The Artificial Intelligence in the support of e-learning management and quality maintenance, [in:] P. Anastasiades (Ed.), Blended Learning Environments for Adults, IGI Global, Hershey [forthcoming].
• Probst G., Raub S., Romhardt K. (2002), Zarządzanie wiedzą organizacji, Oficyna Ekonomiczna, Kraków.
• Qureshi Q.A., Nawaz A., Khan N. (2011), Prediction of the problems, user-satisfaction and prospects of e-learning in HEIs of KPK, International Journal of Science and Technology Education Research, Vol. 2, No. 2.
• Romero C., Ventura S. (2007), Educational data mining: A survey from 1995 to 2005, Expert Systems with Applications: An International Journal, Vol. 33, No. 1.
• Shen R. et al. (2003), Data mining and case-based reasoning for distance learning, Journal of Distance Education Technologies, Vol. 3, No. 1.
• Tomaszewska H. (2004), Przewodnik po gospodarce opartej na wiedzy, Technologie i Przemysł, wiosna.
• Ventura S., Romero C., Hervás C. (2008), Analyzing rule evaluation measures with educational datasets: A framework to help the teacher, [in:] R. Baker, T. Barnes, J. Beck (Eds.), Educational Data Mining 2008, Proceedings, Montreal.
• Yu P., Own C., Lin L. (2001), On learning behavior analysis of web based inter-active environment, [in:] Proceedings of ICCEE, Oslo, Bergen.