Model adaptivnega sistema za priporočanje učnih objektov v konstruktivističnem učnem okoljuOcepek, Uroš (Avtor) Bosnić, Zoran (Mentor) Rugelj, Jože (Mentor) vstavljanje manjkajočih vrednostiproblem novega uporabnikamatrična faktorizacijapriporočilni sistemiSmernice sodobnega učenja kažejo na razvoj prilagodljivih spletnih učnih okolij, ki prilagajajo učno vsebino učenčevim lastnostim in potrebam. Priporočilni sistemi lahko predstavljajo takšne sisteme, saj temeljijo na priporočanju ustreznih učnih objektov glede na uporabnikove lastnosti, kot so: učne karakteristike, predhodna ocenjevanja objektov in demografske lastnosti. Če za uporabnika nimamo začetnih ocen, pravimo, da je uporabnik v stanju hladnega zagona. Tema disertacije je oblikovanje koncepta priporočilnega sistema, ki vsebuje nov pristop k reševanju problema hladnega zagona. Na splošno se pristopi za reševanje tega problema delijo na dve skupini: pristope, ki temeljijo na začetnem poizvedovanju o uporabnikovih lastnostih, in pristope, ki uporabljajo specifične algoritme za uporabnike, ki so v stanju hladnega zagona. Najprej smo oblikovali pristop, ki sodi v prvo skupino pristopov – začetno poizvedovanje. Z namenom, da bi učencem priporočili čim bolj ustrezna multimedijska gradiva, smo povezali različne učne stile s posameznimi multimedijskimi tipi. Povezali smo Kolbov model učnih stilov, Rancourtov model, hemisferični model in model učnih stilov VAK (vizualni, slušni in kinestetični stil). Zgradili in analizirali smo odločitveni model za priporočanje multimedijskega gradiva. Zgrajeni model je pokazal, da je hemisferični model učnih stilov najpomembnejši odločitveni atribut, Kolbov model in model VAK pa sta druga najpomembnejša odločitvena atributa. Raziskava je pokazala, da študentje za učenje najpogosteje uporabljajo besedila, ki so dobro strukturirana in imajo barvno diskriminacijo. Poleg besedil študentje pogosto uporabljajo animacije in videoposnetke. Z zgrajenim odločitvenim modelom smo tudi potrdili, da je za ustreznejšo izbiro in priporočanje različnih tipov multimedijskih gradiv smiselno kombinirati različne modele učnih stilov. Po drugi strani pa je model statičen, kar pomeni, da v vsaki situaciji priporoča enak multimedijski tip. To ni ustrezno, ker ni nujno, da je neki multimedijski tip ustrezen za vse učne teme. Drugi del raziskovanja je bil namenjen oblikovanju in razvoju inovativnega pristopa, ki izboljša priporočanje uporabnikom v hladnem zagonu, in sicer tako, da uporabnikom vstavi samo nekaj ocen za izbrane objekte in nato nad celotno matriko izvede matrično faktorizacijo. Naš pristop je sestavljen iz treh korakov: 1) iskanje podobnih uporabnikov; 2) izbor ciljnih atributov; 3) agregacija pridobljene vrednosti v izbrane ciljne atribute. Reševanje hladnega zagona smo razdelili na reševanje problema absolutnega in delnega hladnega zagona. Glede na rezultate eksperimenta (reševanje problema absolutnega hladnega zagona) so rezultati pokazali, da predlagane metode v povprečju izboljšajo nenegativno matrično faktorizacijo s stohastičnim gradientnim spustom (NG)}. Pri polnenegativni matrični faktorizaciji z manjkajočimi vrednostmi (SN) pa kombinaciji FR-ME (v atribut, ki smo ga izbrali glede na frekvenco najpogostejše vrednosti, vstavimo povprečno vrednost vseh ocen v atributu) in SD-MF (v atribut, ki smo ga izbrali glede na vrednost standardnega odklona, vstavimo najpogostejšo vrednost atributa) bistveno izboljšata priporočanje. Pri preostalih dveh matričnih faktorizacijah (matrična faktorizacija z zlivanjem podatkovnih virov (DF) in nenegativna matrična faktorizacija z izmenjujočimi se najmanjšimi kvadrati (NS)) predlagane kombinacije ne izboljšajo priporočanja. V nadaljevanju smo naš pristop testirali za reševanje delnega hladnega zagona. Statistična analiza eksperimentalnega dela (testiranja našega pristopa) na umetni množici je pokazala, da vsak posamezen parameter statistično značilno izboljša priporočanje metod matričnih faktorizacij. Najboljše delovanje so pokazale metode, pri katerih upoštevamo 25 % najbližjih sosedov ($25$-*-*-*), uporabljamo frekvenco (*-FR-*-*) ali RReliefF (*-RR-*-*) za izbiro atributov in vstavljamo vrednosti s povprečenjem (*-*-ME-*) ali z uporabo regresijskega drevesa (*-*-RT-*). V nadaljevanju smo izbrali varianti metod, za kateri smo pričakovali, da bosta dajali dobre rezultate: 25-FR-ME-* in 25-RR-RT-*. Izbranima variantama metod smo dodali še kombinacijo, pri kateri upoštevamo 50 % najbližjih sosedov, za izbor atributov uporabimo RReliefF in vstavljamo vrednosti z uporabo linearne regresije ($50$-RR-LR-*) – kombinacija je bila glede na povprečni rang najboljša. Vse tri izbrane variante metod smo testirali na dveh realnih množicah: Jester in PEFbase. Evalvacija je pokazala, da vstavljanje manjkajočih vrednosti s predlagano metodo 25-FR-ME-* in uporabo matrične faktorizacije NG značilno izboljša priporočanje objektov v primerjavi z golimi metodami matrične faktorizacije (DF, NG, NS in SN), in sicer za uporabnike v stanju delnega hladnega zagona. Preverili smo tudi vpliv vstavljanja manjkajočih ocen na druge uporabnike. Ugotovili smo, da naše spremembe ne povzročajo značilnih sprememb pri priporočanju drugim uporabnikom, ki so zunaj stanja delnega hladnega zagona.[U. Ocepek]20152015-10-24 05:28:48Doktorsko delo/naloga73143sl