UNIVERZITETUNOVOMSADUFAKULTETTEHNIČKIHNAUKA

VladoSimeunović

INFORMACIONIMODELISOFTVERSKAPODRŠKA

ZAPREDVIĐANJEUSPJEŠNOSTISTUDIRANJA

—doktorskadisertacija—

NoviSad2015.

SADRŽAJ1 UVODNARAZMATRANJA.......................................................................51.1 MODELKORISNIKA.......................................................................................121.2 OBRAZOVNIINFORMACIONIMODEL..........................................................161.3 ANALITIKAUČENJA......................................................................................251.4 PERSONALIZACIJAUČENJAIPAPIILIPPROFILSTUDENTA.................261.5 EDUPERSON..................................................................................................271.6 MODELIZAPREVIĐANJEUSPJEŠNOSTISTUDIRANJA..............................321.6.1 Primjenalogističkeregresije............................................................331.6.2 Primjenastabalaodlučivanja..........................................................361.6.3 Primjenaneuronskihmreža.............................................................37

1.7 CILJ,ZADACIIHIPOTEZAISTRAŽIVANJA...................................................402 STANDARDIZAREPREZENTACIJUPROFILASTUDENATA......412.1 IEEELTSCPAPI.........................................................................................412.1.1 Primjeropisastudenta........................................................................43

2.2 IMSLIP.........................................................................................................462.2.1 Primjeropisastudenta........................................................................55

2.3 PRIMJENESTANDARDAZAREPREZENTACIJUPROFILAUČENIKA.........633 INFORMACIONIMODELZAPREDVIĐANJEUSPJEŠNOSTISTUDIRANJA....................................................................................................643.1 MODELPODATAKAZAPREDVIĐANJEUSPJEŠNOSTISTUDIRANJA........643.2 METODEZAPREDVIĐANJEUSPJEŠNOSTISTUDIRANJA...........................713.2.1 Primjenalogističkeregresijeupredviđanjuuspješnostistudenata...................................................................................................................72

3.3 PRIMJENASTABLAODLUČIVANJAUPREDVIĐANJUUSPJEŠNOSTISTUDENATAUSTUDIRANJU.........................................................................................763.4 PRIMJENANEURONSKIHMREŽAUPREDVIĐANJUUSPJEŠNOSTISTUDENATAUSTUDIRANJU.........................................................................................773.5 ANALIZADOBIJENIHREZULTATA...............................................................79

4 SOFTVERSKAPODRŠKAZAPREDVIĐANJEUSPJEŠNOSTISTUDIRANJA....................................................................................................814.1 PREGLEDSISTEMAZAPODRŠKUUČENJUOTVORENOGKODA...............814.2 SOFTVERSKIALATIZAISTRAŽIVANJEPODATAKA...................................864.3 IMPLEMENTACIJAMODELAZAPREDVIĐANJEUSPJEŠNOSTISTUDIRANJA 874.3.1 Arhitekturasistema..............................................................................874.3.2 Aplikacijazaunosprofilastudenata............................................88

5 ZAKLJUČNARAZMATRANJA..............................................................93A.PRILOG..........................................................................................................97LITERATURA................................................................................................102WEBADRESE................................................................................................102

4

BIOGRAFIJA...................................................................................................112KLJUČNADOKUMENTACIJSKAINFORMACIJA...................................113KEYWORDSDOCUMENTATION.............................................................114

5

1 Uvodnarazmatranja

Univerziteti dаnаs funkcionišu u veomа složenim i visokokonkurentnom okruženju. Glаvni izаzov zа moderne univerzitetepredstavljadubljaаnаlizasopstvenihperformаnsi,teidentifikacijaonihposebnostinakojimaće temeljiti sopstvenustrаtegijuzаdаlji rаzvoj ibudućeаkcije.Menаdžmentiuniverzitetаbitrebalidasevišefokusirаjunа prikupljаnje dovoljne količine relevаntnih podаtаkа o upisanimstudentima u svrhu definisanja njihovih profila sа аkcentom naspecifičnosti osobina ličnosti. Baza tih podataka prvenstveno biomogućilaiolakšalamodelovanjeprocesaučenjаzasnovanognajasnodefinisanimciljevima i ishodima.Ukolikosedefinišeneophodаnobimpodаtаkа koji će biti dovoljаn zа kvаlitetno donošenje odlukа ipreduzimаnje аktivnosti u cilju poboljšаvаnjа obrаzovnog procesа, akojićeseprikupitiprilikomupisаstudenаtа,ondabiseotvorioprocespoboljšanja sistema u cjelini. Stoga je ovaj rаd i orijentisan nаdefinisаnje informаcionog modelа i softversku podršku predviđаnjuupješnostiustudirаnju.

Jedan od ključnih razloga upravljanja obrazovnim procesom suzahtjevisveprobirljivijegtržištarada.

Naјvažniјi cilj koјi se postavlja pred obrazovni sistem svakezemlje јesteda svakom poјedincu trebadabudeomogućenoda, krozsistemobrazovanja, razviјe skupznanja, vјeština i kompetenciјa, koјeće mu omogućiti učenje, lični razvoј, ispunjenje i permanentnonapredovanjekrozživot.

Iz društveno-ekonomske perspektive kao naјvažniјi zadatakobrazovnog sistema nameće se potreba da se poјedincu omogućiadekvatno uključivanje na tržište rada, lakše zapošljavanje isprečavanjesociјalne isključenosti. Ispunjavanjeovihciljevatičesenesamo neposredno uključenih u obrazovni sistem, već јe naročitoznačaјnoizaposlodavcekaokorisnikerezultataobrazovanja.

Posmatrano kroz prizmu poslodavca, kao naјznačaјniјi problemobrazovanja,možemodefinisatineusklađenostobrazovnogsistemasapotrebamatržištaradaineadekvatnostsistemadaodgovoriizazovimakoјićeseutomodnosunesumnjivoјavljatiubudućnosti.

6

Neusklađenost ponude i potražnje radne snage se uglavnomogledau tomedana tržišturadapostoјipotražnjazaradnomsnagomodređenog profila ali obrazovni sistem ne produkuјe dovoljan broјtakvihprofila,velikimdiјelomizbognezainteresovanostistudenatadase obrazuјu po ovim profilima (npr. tehnička zanimanja). Sa drugestrane, na tražištu rada čestopostoјi ponudaodređenih zanimanja aline postoјi dovoljna potražnja za radnom snagom tih profila. Drugimriјečima, mladi se obrazuјu za zanimanja koјima јe tržište radaprezasićeno, a gotovo da i nema zainteresovanih za ona koјa tržišteradanaјvišetreba.

Naravno, trebabitioprezanuprocјenamaupogledudefinisanjaobrazovnih potreba i upisnih politika samo zbog toga što nemanezaposlenih lica u nekim zanimanjima. S obzirom da se sviјet radamiјenja iz dana u dan, pa samim tim i potrebe za određenimzanimanjima podliјežu promјenama, tako da trenutne podatke nekezemlje o stanju nezaposlenosti u poјednim zanimanjima trebaobјektivno sagledati i prociјeniti. Primјera radi diplomirani pravnici idiplomiraniekonomistisunaјbroјniјinaevidenciјinezaposlenihaliseinaјbrže zapošljavaјu. Buduće tržište rada preferira pokretljivu radnusnagu, odnosno fleksibilnost u odabiru posla i usmјerenost premapodručјima koјa trebaјu određene struke i zanimanja. Međutim, nemožemo zapostaviti ni potrebu veće povezanosti tržišta rada iobrazovnog sistema, što će postati imperativ vremena koјe јe prednama. Zato je opravdano nastoјanje da se društva pripreme zacјeloživotnoobrazovanjeisvakodnevnosticanjenovihznanjaivјeštinauizabranomzanimanju.

Poseban problem predstavlja činjenica da neusklađenostobrazovnog sistema i potreba poslodavaca postoјi i na kvalitativnomnivou. Prema podacima Svјetske banke preduzeća imaјu ozbiljneprimјedbe u odnosu na kvalifikovanost i obučenost radne snageneposrednopozavršetkuškolovanjagdјeјeposebnoistaknutproblemsrednjegusmјerenogobrazovanjakoјedaјesamouskospeciјalizovanevјeštine za potenciјalni „prvi posao“ a ne daјe dovoljno širokoobrazovanjezabudućepromјeneposlovaizanimanja.

Slično јe i u oblasti visokog obrazovanja. U mnogim zemljamaširomsviјetavladamišljenjedapostoјećisvršenistudentiprvogciklusastudijane posјeduјu potrebne vјeštine za cјeloživotno učenje nitiprofesionalne sposobnostikoјe su impotrebnekakobibiliuspјešniusvoјim profesiјama (AAGE, 1993; AGR, 995; BHERT, 1992; Candy &Crebert,1991;Candy,Crebert&O’Leary,1994;Harvey,1993;Harvey&Green,1994;ICAA,1994;NBETT,1992).Odnosno,postoјiјedanneskladizmeđuonogštoposlodavcitražeprilikomzapošljavanja ionogštosudiplomcistekli.

Postoјe broјna istraživanja koјa idu u prilog ovom stavu. Naprimјer,istraživanjakoјasusprovedenauAustraliјikakobiseispitalo

7

zadovoljstvoposlodavcakvalitetomdiplomiranihstudenata injihovimključnim sposobnostima koјe posјeduјu na početku svoјe kariјere,nevezano za profesiјu pokazalo јe neophodnost veće povezanostiobrazovnog sistema i tržišta rada. Slično јe i u našem društvu.Istraživanjesprovedeno2008.godine(Simeunović,2008)koјeјeimaloјezaciljdautvrdidalipostoјikorelaciјaizmeđuuspјehanafakultetuiuspјeha na poslu na uzorku od 102 pripravnika koјi su zaposlenina teritoriјi filiјale Zavoda zapošljavanja u Biјeljini pokazalo јe da јesavremeni način društvenog života i poslovanja nametnuo potrebustalnog traganja za naјkvalitetniјim ljudskim resursima. Visokistandardikvalitetaizlaznogproizvodadatogumateriјalnoјformiilikaousluga zahtiјevaјu stalno odviјanje i usavršavanje radnih procesa bezznačaјnihodstupanja.Naјslabiјekarikeu tomneprekidnomlancuvrlobrzobuduprepoznateizamiјenjene.Ovakavmenadžmentkvalitetaodrukovodilaca zahtiјeva izuzetnu osјetljivost kod odabira kadrova zapoјedine radne poziciјe. Svaka radna poziciјa ima strogo definisanefunkciјeikriteriјumeevaluaciјeuspјeha,takodaseodzaposlenihtraživisoka efektivnost samim stupanjem na radno mјesto. Moguće јe daovdјe leži nesklad između formalnog obrazovnog procesa kroz koјiprolaze mlade generaciјe učenika i studenata i visokih zahtјevi upogleduefikasnostinaradnimmјestima.

Došlo se do zaključka da su nužne promјene u sistemuobrazovanja u smislu veće povezanosti sa sviјetom rada i bržegprilagođavanja društvenim promјenama koјe nameće stalni naučno-tehnološkiprogres.

Razviјene zemlje prepoznaјu to da posјedovanje stručne radnesnageprivlačiiinvesticiјeuzemlju,ubrzavanjenekonomskirast.Vlademnogihrazviјenihzemalja,poputAustraliјeiliUјedinjenogKraljevstva,rade na јačanju uloge instituciјa visokog obrazovanja i njihovomdoprinosuekonomiјi.AustraliјskaVladaјeizradiladesetogodišnjiplanreformi za sektor visokog obrazovanja i 2009. godine alociralaodređenu količinu sredstava za podršku visokom obrazovanju ičetvovorgodišnjem istraživanju koјe јe pokrenuto nakon obјavljivanjaBradley Review [Review of Australian higher education: final report,Australian Government, 2008.] dokumenta. Sredstva bi obezbјedilapodršku stvaranju visoko kvalitetnog sistema obrazovanja koјe bizadovoljavalo buduće potrebe društva. Finansiranje univerziteta uzavisnosti od pokazanog uspјeha јe јedan od načina na koјi vladapokušava obezbјediti da ishodi visokog obrazovanja doprinesudugoročnoј održivosti koјa јe potrebna ekonomiјi društva. Pomenutidokument јe prepoznao postoјanje veze između terciјarnihzanimanjaidruštveno-ekonomskognapretka.

8

I pored toga što Australiјa već nekoliko godina radi na unapre-đivanju sistema visokog obrazovanja, i dalje postoјi potreba da sesistem visokog obrazovanja prilagodi potrebama savremenog društvakoјesestalnomiјenjausledprocesaglobalizaciјekoјisuutoku.Postoјiiniznedostatakanakoјimasevećnekolikogodinaradi,poputtogadapodјelaodgovornostiizmeđuFederaciјe(Commonwealth-a)idržaveјošniјenaјјasniјa.

Rezultati istraživanja u Australiјi [Graduate Careers Australia(GCA), 2015. Graduate Destinations 2014., Melbourne] nisu pokazaliništa novo što i neke druge zemlje već nisu ustanovile, pa јe listaosnovnihkriteriјumaprilikomzapošljavanjaveomasličnakao iukodnas ili u bilo koјoј državi koјa јe u procesu prilagođavanja svogobrazovnogsistemanovimzahtјevimatržištarada:

• sposobnostefikasnekomunikaciјe(pisanailiusmena);• kritičkorazmišljanjeianalitičkesposobnosti;• sposobnostrјešavanjaproblemailateralnorazmišljanje;• željaimotivaciјazanovimznanjima;• posvećenostistav;• kulturnatoleranciјa;

Australiјa ima veoma dobro razviјen sistema stručnog usavrša-vanja (Vocational Education and Training, VET) koјi јe razviјen nasekundarnom i terciјarnom nivou. Osim toga, nacionalni sistemkvalifikaciјadobrofunkcionišečimeјepodržankvalitet ikonzistenciјaprilikomstručnogusavršavanja.

Stanjeunašemdruštvudalekoјenepovoljniјe.Poslodavcineradozapošljavaјumladeljudebeziskustvazatoštoјetoskupoiekonomskimanje isplativo budući da nisu odmah u potpunosti produktivni. Sadruge strane stručno usavršavanje niјe sistemski razviјeno na nivoudržave.Firmeimaјumogućnostdasameorganizuјuedukaciјe,obukeidodatnausavršavanjanakoјimaljudističukonkretnaznanja,specifičnaza tu firmu i oblast rada, ali to košta pa poslodavci nisu dovoljnomotivisani da organizuјu obuke koјim se usvaјaјu neke generičkekompetenciјe,koјebibiledugoročniјeisplative.Izmeđuostalihrazlogaјeitoštočestonailazenaprepreke(počevodfinansiјskih)ilisuprevišemalekakobipružileefektivnuobuku.

Pretpostavkeopotrebnimkvalifikaciјamasučestonepouzdaneine bi trebale biti osnova za planiranje nego bi ubuduće trebalo višepažnje pridati sistemu koјi bi se vodio izbalansiranom odnosu željastudenata i potrebama poslodavaca. Želje studenata i ograničenjasamih univerziteta bi određivale broј studenata koјi se prima nafakultet.Ovobiosiguralotodaseobrazovnisektorrazviјauskladusazahtјevimaipotrebamadruštva.

9

Kakobi sena tržištu radaosiguraloprisustvopotrebnihprofila,odnosno da vјeštine koјe studenti stiču odgovaraјu potrebamamodernih radnih mјesta, poslodavci se podstiču na učestvovanje urazvoјu kurikuluma. Posebna pažnja se posvećuјe i stručnomusavršavanjuiobukamaprilikomčegaseočekuјedamladiljudisteknukako generičke kompetenciјe tako i posebne kompetenciјe koјe bizadovoljilekonkretnepotrebeposlodavca.

Obrazovni sistemkoјi odgovarapotrebamaposlodavca trebadavišepažnjepridaјerazvoјusljedećihsposobnostikodmladihljudi:

1. razviјanje kreativnosti i inovativnosti јer će to poslodavcuomogućitivećiuspјehikonkurentnostfirmenatržištu,

2. sposobnost kritičkog i analitičkog razmišljanja, logičkogrezonovanjaidonošenjaodluka,

3. društvene i interpersonalne vјeštine i znanja (komunikaciјe,timskirad,preuzimanjeodgovornosti),

4. sposobnost јasnog izražavanja (kako usmenog tako ipisanog),

5. sposobnostprimјeneznanjaustvarnomživotu,6. sposobnost rјešavanja složenih problema (identifikovanje i

analiza problema, formulisanje probnih rјešenja i njihovotestiranje),

7. sposobnost cјeloživotnog usavršavanja − ekonomski itehnološki razvoј, posebno razvoј informacionih tehnologiјaizmјenili su tradicionalne načine rada, zahtјevaјući nove idrugačiјe sposobnosti i vјeštine − ne samo profesionalnotehničke (know how) − priјe svega sposobnost produkciјe,analize i transformaciјe informaciјa i efikasne interakciјe isaradnjesadrugima.Učenjepostaјedoživotnaaktivnost.

8. višestruke tehničke vјeštine i znanja − pošto se zaposlenidanas susreću sa većim i raznovrsniјim izazovima, sviјet ukome se dešavaјu brže promјene u svim njegovim sferama,veliki broј poslodavaca smatra veoma bitnim posјedovanješirokog spektra sposobnosti i znanja pored onog osnovnog,koјeјepotrebnozaodređenoradnomјestokoјepopunjava.

Promјene u sferi tehnologiјe i ekonomiјe su velike, brze,disciplinovane i, priјe svega, vođene znanjem. Da bi odgovorilo na tenovezahtјeve,obrazovanjetrebadapruži:

• potrebnokognitivno i teoriјskoznanjekakobi seomogućilosticanje stručnih; (profesionalnih) veština, koјe postaјu sveviše sofisticirane s obzirom na tehnološke promјene uprocesurada;

• široke radne kompetenciјe koјe su potrebne za rad usavremenoј proizvodnji i u sferi usluga i to ne samo za

10

trenutnu proizvodnju već za kontinuirano doživotnoosposobljavanjeiučenjeradnika;

• takvo srednje stručno obrazovanje, koјe će podržavatisamozapošljavanjeiјačatiproduktivnost.

Ovo su sve činjenice koјe su odavno poznate i koјe potvrđuјuneraskidivuvezeizatvorenprirodniciklusizmeđuobrazovnihpotreba,sistema školovanja i tržišta rada. Konačno, opredјeljenje za školu ilifakultet,atimeizazanimanje,odnosnoposaoodkogaćeseživјeti,nakoјemćesegraditidruštvenistatus,ugledikariјera–zavisiodrealneprocјenevlastitihmogućnosti svakogpoјedinca,njegovih sposobnosti,interesa, želja, ali i obјektivnih okolnosti na koјe mladi ljudi veomamalo mogu da utiču.Obјektivne okolnosti nameću veliki sistemi teindividualne potrebe poјedinaca imaјu mali uticaј na njih. Globalnodruštvo određuјe pravce razvoјa, male sredine kao što јe naša, maledržavenemaјupunoizbora,uspјećeјedinoakopronađumetodedananaјboljinačiniskoristesvoјeprirodneiljudskeresurse.

Akosamoimamouvidubrzupromјenuobimaljudskogznanja ipromјeneusferiradadolazimodoјednostavnečinjenicedaјečovјekusvom radnom viјeku primoran barem 6–8 puta da dopunjava,dograđuјesvoјeprvobitnostečenoznanjezanekozanimanje,anekadada miјenja čak i zanimanje. Trebamo se osloboditi iluziјe da seškolovanjem јednom zauviјek stiče znanje za posao koјi јe odabran.Očiglednoјedaseobrazovanjeјošuviјekrazumiјekaotrošakdržave,ane kao investiciјa u dugoročni i održivi razvoј. Stalne preporuke zaobrazovanje u različitim društvima nailaze na različite reakciјenadležnih ali su to obično razviјeniјa društva ona koјa raniјeprepoznaјu značaј obrazovanja. Treba imati u vidu da јe strukturnaneravnoteža na tržištu rada poјava karakteristična za gotovo sveekonomiјe u tranziciјi. Ipak, ukoliko јe tržište rada spremno zatranzicione procese koјi nastaјu, utoliko će se brže i efikasniјe riјešitiproblemi obrazovne, kvalifikacione ili lokaciјske neusklađenostiponudeipotražnjenatržišturada.

Kakobisepremostiopostoјeći јaz izmeđuobrazovnogsistema itržišta rada neophodna јe bliža saradnja, partnerstvo i većeuključivanjesvihzainteresovanih,poslodavaca,studenataiedukatora.

Neophodno јe preduzeti i određene mјere koјe će stimulisatiposlodavce da ulažu sredstva u unapređivanje znanja zaposlenihradnika kako bi se uključili u procese tehnoloških promјena јer suposlodavcikreatoriinovacionihprocesainovihradnihmјesta.

Јedanodnačinadaseovopostigne јeste formiranjepartnerstvasa visokoobrazovnim ustanovama. Osim toga što bi na ovaј načinposlodavci mogli neposredniјe da budu uključeni u sam obrazovniproces te da utiču na njega tako da se studentima prenose znanja ivјeštinekoјefirmatražiodkandidatazaposao,učenicibitakođeimali

11

koristiodovakvogsistema, јerbi ihovakvopartnerstvopodsticalodabudu uspјešniјi kada znaјu da će samo naјbolji imati priliku da sezaposle u јednoј od firmi. Partnerstvo semože ogledati ili u obezbјe-đivanjustručneprakse,volontiranjailipripravničkogstaža,aliistalnogzaposlenja.Ovimćeiučenicimabitilakšiprelazsafakultetanaposao.

Svаkouspiješnorukovodstvouniverzitetаzanimakoji supodаcio studentimа nаjbolji prediktori njihovog uspjehа.Ideja da podaci ianalize o studentima budu uvijek dostupne u poželjnom formаtu,stvorilajepotrebuzakreiranjemаdekvаtnoginformаcionogsistemasаsoftverskom podrškom zаsnovаnom nа nаjnovijim tehnologijаmа uoblаstisoftverskoginžinjerstvа.Naime,specifičniciljradausmjerenjena utvrđivanje obrаzaca u dostupnim podаcimа koji bi mogli bitikorisnizаpredviđаnjeuspješnostistudirаnjаnаuniverzitetunаosnovuosobinaličnostiipreduniverzitetskihkаrаkteristikаstudenata.

Dugoročnapredviđanjaćeostatiubitinepredvidiva,kratkoročnapredviđanjasloženihsistemanisusamomoguća,onasubitna.Iznjihsedaju izvesti neki tipovi srednjoročnih predviđanja čija tačnost imavisokuvjerovatnoću.Našesposobnostiprognoziranjaizvjesnihaspeka-tasavremenihdruštava,ekonomija,itehnologijećesesigurnopovećatiusprkosposljedicamakojepouzdanopredviđanjeimazanašeakcije.

Već sada je razvijena tehnologija za prognoziranje mnogihdruštvenih fenomena, ukoliko ih možemo registrovati u pravommomentu.Theodor Modis, čija knjiga Predictions (Modis, T., 1992.),uspješnosumiraslučajevekorisnih ivjerovatnihpredviđanja, imenujetri tipa unutrašnjeg bazičnog reda u raznim vrstama mreža ljudskihinterakcija. Svaka od ovih različitih formi može prevladavati upredviđanjuuizvjesnommodeluiliuizvjesnomvremenu.

Iako je Modis proveo svoja istraživanja u domenu ekonomije,društvene infrastrukture i tehnologije, rezultati su primjenjljivi zavećinu sistema. On navodi tri karakteristike svakog sistema i to:unutrašnjavarijacija,krivarastaicikličnepromjene.

Kriva rasta je veoma dobar pokazatelj razvoja nekog sistema.(Modis, T., 1992.) Što neki sistem ima više slojeva, što je visedecentralizovan, to njegov razvoj više sliči organskom razvoju. Sviprocesi rasta, bez obzira da li se radi o biološkim, socijalnim ilitehnološkim sistemima dijele neke zajedničke karakteristike. Međunjima je tok života koji semože predstaviti krivom S-oblika koja imaspornastanak,brziusponisporoopadanje.Prediktivnasnaga–S-krivejeznačajna,štopokazujeinjenaprimjenauneuronskimmrežamakaoalatu za predviđanje. Ono što je skriveno pod oblikom S-krivulje ječinjenica da prirodni rast slijedi jedan striktni zakon. Ovaj zakonpokazujedajeoblikzavršetkasimetričanoblikupočetka;zasnivasenaempirijskim opažanjima hiljada slučajeva. Teorijska postavka funkcijejepoznatatesenaosnovunjemožeizračunativrijednostusvakojtački.

12

Jedan od nаjvаžnijih ciljevа obrаzovаnjа uopšte, je dа zаdovoljipotrebe studenаtа u kontekstu opštih ciljeva propisаnih ukurikulumu.Kvаlitet visokog obrаzovаnjа, posmаtrаn kroz prizmuvisokoškolske institucije, podrаzumijevа pružаnje uslugаkojećezаdovoljitipotrebestudenаtа,аkаdemskogosobljа,idrugihučesniikаuobrаzovnom sistemu.Učesnici u obrаzovnom procesu, ispunjаvаjućisvаkodnevneobаvezekrozodgovаrаjućeаktivnosti, stvаrаjuogromnukoličinupodаtаkаkojibitrebаlodаsenааdekvаtаnnаčinprikupljаju,аzаtim integrišu i koriste. Ukoliko se prikupljeni i obrаđeni podаcipretvore u znаnje ondа od njih imа korist cjelokupnа аkаdemskаzаjednicа.

1.1 Modelkorisnika

Potreba modelovanja ponašanja korisnika uočena jesedamdesetih godina dvadesetog vijeka. Najranija istraživanja umodelovanjukorisnikavršenasuukontekstuistraživanjasistemakojisu omogućavali dijalog sa korisnikom upotrebom prirodnog jezika.Kobsa,Koenemann,iPohl(Kobsa,A.,Wahlster,W.,1989)supredstaviliteoretski jednu od najpotpunijih specifikacija korisničkog modela.Modeldajeodgovornapitanjekojepodatkeokorisnikusistemtrebadaprikupljaidačuvauciljupersonalizacijeservisaisadržajakojesistemnudi.

Slika1.1.Specifikacijakorisničkogmodela(Kobsa,Koenemann,iPohl,2001.)

Korisničkipodacimogusegrupisatiudvijevelikecјeline.Podacikojiopisujusocialno-demografskeipsihološkekarakteristikekorisnika(podaci o korisniku) i podaci o korisnikovim akcijama.Prva grupapodataka ima statičku prirodu (manje su podložni promjenama) ipredstavljaju personalne karakteristike korisnika.Ovi podaci su

13

generalni – njima se opisuje bilo koji tip korisnika u bilo kom tipusistema.Podaciokorisnikusupotpunonezavisniodsistemaimožeseslobodno reći da predstavljaju korisnikov portfolio, sastavljen naeksplicitan način (popunjavanjem formulara, upitnika i anketa). Ovipodaci sunajčešće i transparentni za različite dijelove sistemakoji ihkoristе,pačakizaspoljnjekorisnike(drugesisteme).

Tabela1.1.Modelkorisnika(Kobsa,KoenemanniPohl,2001)

KORISNIČKIMODELPodaciokorisniku Podaciokorišćenjusistema• Demogfafski

podaci• Znanje,

vještine,navike,ciljevi

• Sposobnosti,osobineličnosti,interesovanja

Posmatranokorišćenje Regularnostkorišćenja• Selektivneakcije• Povremeno

posmatranjeponašanja

• Mjerenje• Ostalekonfirmatorne

akcije

• Frekvencijakorišćenja• Korelacija

situacija-akcija• Redoslijedakcija

Demografski podaci obuhvataju osnovne generalije kao što suime i prezime, adresa stanovanja, region, država, pol, obrazovanje,porodični status, primanja isl.Znanje, vještine, navike i ciljevipredstavljaju potvrđene kompetencije iz prethodnog periodaneophodne za predstojeće akcije.Kognitivne i konatvne karakteristikeličnostipredstavljajunajznačajnije karkteristikesvakogpojedinca.Onemogubiti jedanodpresudnihprediktorazapredviđanjeuspješnostiusvakomposlu,aliipodatakzadrugekorisnikesistema.

Ciljevi i planovi korisnika mogu biti vrlo problematični.Korisnikmožedakoristisistembezjasnogplanailicilja.Ovipodacisuvrlovažnizaedukativnesisteme,jerjepotrebnodakorisnik(student)shvati i usvoji zadate obrazovne ciljeve i planove njihove realizacije.Modeltakođepodržavapodatkekojiomogućavajupraćenjeponašanjakorisnika u toku eksploatacije sistema. Ti podaci mogu biti direktnoposmatrani izapisani, ilisedonjihmožedoćinaosnovuopserviranihpodataka.Postojivelikibrojtipovainterakcijakorisnikasasistemom.

Selektivne akcije predstavljaju najčešće korišćene akcije, kojemogu poslužiti za prepoznavanje korisnikovih interesovanja.Naprimjer, selekcijom linkova korisnik zapravo vrši navigaciju krozinformacioni prostor aplikacije. Sistem na osnovu ostvarenih putanjamože da donese zaključak o interesovanjima i motivima korišćenjasistema. Selektivne akcijemogu da omoguće prepoznavanje neznanjakoncepata,naročitoutehnološkomsmislu(aspektiučenja ikorišćenjasistema).

14

Prepoznavanjepreferenci je trećaprednostpraćenja selektivnihakcija.Izboromproizvodakojiserazlikujuudizajnu,umjetničkihdjela,eksponata, fotografija, specifičnihgrafičkihokruženja, sistemmožedaprepoznaestetskamjerila,stiliukuskrajnjegkorisnika.

Povremenoposmatranoponašanjepredstavljanačindasistemnaosnovu mjerenja vremena korisnikovog zadržavanja na straniciprocjeni njegovu zainteresovanost prezentovanim materijalom. Ovomjerenje je diskutabilno jer aplikacija koja je serverska nije umogućnosti da registruje sve mjerodavne akcije korisnika. Iz tograzloga uvodi se klijentska aplikacija (dio sistema koji se izvršava nakorisničkomračunaru),kojatrebadasnimaponašanjekorisnikaišaljepodatkeotomeserverskojaplikaciji.Naprimjer,'Daliprozoraplikacijeimafokus?','Dalijeminimiziran?','Dalijekorisnikispredračunara?'idruga slična ponašanja. Vrlo je teško implementirati ovakav načinopserviranjakorisnika(zahtjevasaglasnostkorisnika,sinhronizacijusaserverskom aplikacijom, intenzivnu interakciju između klijentske iserverske strane, instaliranje komponente na klijentovom računaru isl.), i najčešće odvraća korisnika od korišćenja sistema (ugrožavanjeprivatnosti, frustriranost ograničavanjem akcija). Zbog toga podaciprikupljeni na ovaj način imaju vrlo negativnu konotaciju uedukativnim sistemima, izuzev kada su neophodni (na primјer,kontrolisanjeponašanjastudenatautokuproveravanja).

Mjerenja se koriste u nekim sistemima, radi omogućavanjakorisnicima da ocjenjuju sistemske resurse (dokumenta, proizvode,noveartikleisl.).

Za edukativne sisteme, ovaj mehanizam je vrlo popularan uprocesima evaluacije sistema, nastavnih materijala, predavanja,nastavnika.

Porednavedenih(mjerenja,ocjenjivanja,potvrdaizbora)postojeidrugekonfirmatorneakcije(slanjeporuka,elektronskapošta,učešćena forumima i diskusionim grupama, upis bilješki, preuzimanjematerijala i sl.), koje mogu biti predmet bilježenja i mjerenja radiprofilisanjakorisnika.

Pored direktnih podataka, sistem može da izvede zaključke okorisniku i indirektno, na osnovu statistički obrađenih podataka.Kategorizacija događaja i mjerenje njihove frekventnosti vjerovatnopredstavlja jedan od najčešće korišćenih načina procesiranja.Mjerenjem frekventnosti dobijaju se pouzdani podaci ointeresovanjimaipreferencamakorisnika.

Korelacija situacija–akcija otkriva uzročno-posljedične veze uponašanjukorisnika.Različitiparamterisemogumjeritinaovajnačin:korisnikovstilrada(učenja),stepenmotivacijeprikorišćenjusistema,spretnost i vještina u korišćenju sistema, nivo znanja korisnika uoblastiodinteresa.

15

Redosled akcija se najčešće analizira radi preporuka ioptimizovanja navigacije u informacionom prostoru, radi predikcijebudućihakcijakorisnikanaosnovuredoslijedaproteklih,iradiprepo-rukaakcijanaosnovuredoslijedaakcijadrugihkorisnika.

Različite grupe korisnika posmatraju obrazovne informacije izrazličitihuglovaiuskladusanjihovomsopstvenommisijom,vizijomiciljevima postavljaju zahtjeve informacionom sistemu. Naprimjer,znanje koje je otkriveno putem datamining-amože biti korišteno nesamo da nastavnicima pomogne u organizaciji i planiranju nastave,razumijevanju procesa učenja učenika i poboljšanju ukupnedinamikenastavnog procesa (izbor oblika, metoda, oblika komunikacije, oblikavrednovanjaisl.),negoikaopodrškamisaonimaktivnostimstudenatau samom procesu učenja (korišćenje informacija, izbor strategijeučenja, korišćenje vremena) i da obezbijedi povratnu informaciju zaučenikeupogledunjihoveuspješnosti.

Informacioni sistemmože poslužiti za personalizaciju klasičnogili e-učenja;može da sugeriše učeće aktivnosti, da preporuči dodatneresurse i zadatake studentuma kako bi se njihovo učenje višeunaprijedilo;zarazmjenuzanimljivih iskustavaučenjazastudente;dapredloži odbacivanjenepotrebnih sadržajau cilju optimizacije učenja,da skraćuje pretragu ili predlaže linkove, da podsjeća na kurseve,relevantnediskusije,knjigeitd.

Informacioni sistemi nastavnicima služe da dobiju objektivnepovratneinformacijeoinstrukcijama;daseanaliziraučenjeiponašanjestudenata; da se otkrije kojim studentima je potrebna podrška; da sepredvideperformansestudenata;dasestudentiklasifikujuugrupe;daseotkriju kakopravilni tako i nepravilni obrasci uučenju studentata;daseotkrijunajčešćegreške;daseutvrdenajefektivnijeaktivnosti;dasepoboljšaadaptacijaiprilagođavanjekursevaitd.

Kreatorima kurikuluma informacioni sistemi i povratneinformacijemogu poslužiti za redefinisanje ciljeva i ishoda učenja, zapreispitivanjekompetencija,zaprocjenupredloženogobimaistrukturenastavnih sadržaja, za njegovu evaluaciju u pogledu efikasnosti udostizanjuprojektovanihciljevaučenja,daseautomatskisačinimodeltutora; za nadogradnju informacionog sistema, za predlaganje novihzakonskih rješenja, za razvijawe specifičanog data mining alata zaobrazovnesvrheitd.

Rukovodstvu univerziteta koje je najodgovornije za odvijanjeobrazovnogprocesa,informacionisistemtrebadaposlužikaosredstvozadonošenjeodluka.Ovdjesemisliinaalatezadonošenjeodluka,kaoinaneophodneinformacijekojesetrebajuskladištiti ičuvatiubazamapodatakabezobziranatokojiakterobrazovnogprocesa ihkreira.Dabianalitičkialatimoglibitiodkoristineophodno jedabazepodatakabudukonfigurisanenanačindamoguna svakiupitpružiti adekvatanodgovor.Analitičkialatibitrebaliautomatskigenerisativizuelizovanei

16

kvantitativne pokazatelje pojedinih etapa u približavanju definisanimstrateškim i drugim ciljevima univerziteta. Na kraju svake studijskegodine informacioni sistem bi trebalo da pruži mogućnostrukovodiocimadaadekvatnodonoseodlukeupogleduupisnepolitikenapojedinefakulteteistudijskegrupe.

Svaki sistem osim predmeta svoje aktivnosti, ljudskih resursakojitotrebadarealizuju,vremenakojejeneophodnozasvakizadatak,podrazumijevaju i materijalno-tehnička sredstva neophodna da sepronađe finansijskinajpovoljnijinačin zapoboljšavanjenivoaostankana fakultetu i ocjene; za odabir najkvalifikovanijih aplikanata zadiplomiranje; da se unaprijedi prijem studenata koji će se dobropokazatinauniverzitetu,itd.

1.2 Obrazovniinformacionimodel

Većina evropskih zemalja je u posljednjih nekoliko decenijadoživjelonaglisocio-ekonomskiuspon.Razlogetrebatražitiučinjenicida skoro sva djeca završavaju srednje škole i da semijenja strukturazahtjeva u pogledu znanja. Većina univerziteta uvela je složeneprijemne ispite i na taj način pokušavala da obezbijedi najboljekadrove. Prijemni ispit, po pravilu, je osmišljen kako bi pomogao uostvarivanju ciljeva obrazovnih politika. On bi trebao biti razumljiv,pouzdan, fer, isplativ i legitiman. Kvalitet studentskih postignućadirektno se odražava na ekonomiju svake zemlje zbog čega suuniverziteti zainteresovani da definišu modele koji bi pomogli upredviđanju akademskg uspjeha uključujući i podatke o prethodnomuspjehu irezultateprijemnog ispita. Institucionalizovani tokomdugogperioda,prijemni ispiti na univerzitetima, pokazali su da skorocjelokupan sistemobrazovanja, a posebno struktura srednjeg obrazo-vanja zavisi od njega. U mnogim zemljama, prijemni ispitina univer-zitetimasezasnivajunatestovimaznanja isposobnostičijiserezultatikombinuju sa prethodnim uspjehom (u nekim zemljama i sapreporukama).UvećinizemaljaEvropeuniverzitetisamostalnobirajusvoje studente i ne postoje nacionalni prijemni ispiti. Problemisadašnjeg sistema su dobro poznati. Konkurencija za pojedinazanimanjajeizuzetnojakajersenatimfakultetimastičuznanjakojasukonkuretna u širem kontekstu i obično dovode do lakog pronalaskaposla.Ti fakulteti imaju strogoograničeneprijemnekvote i zahtjevneprijemneispite.Ukupno,manjeodtrećineprijavaseprihvata.

Naslici1.2(RomeroandVentura,2007,str.136)predstavljenjeuprošćeni model korišćenja informacija u obrazovnom procesu kojiobuhvatašemeprotoka,obradeikorišćenjainformacijauobrazovnomsistemu. Izobrazovnog sistema je izvučendataminingkaopodsistemjer je cilj da se prikaže na koji način obrađene informacije mogu

17

poslužiti za donošenje odluka. Navedeni sistem semože posmatrati ikao kibernetički sistem u kome su definisani ulazi (cilj učenja) iočekivani izlazi (ishodi učenja), te niz procesa i operacija koje seodvijaju u samom sistemu. Naravno da se sistem može proširiti sapodacimakojisedobijajuizokruženja(npr.potrebeprivrede,potrebedruštvenesredineisl.).Utomslučajubisemoglogovoritiosloženomsistemu društvenog funkcionisanja u kojem bi bila jasno definisanaulogaobrazovnogsistema.

Slika 1.2. Protok, obrada i korišćenje informacija u obrazovnom sistemu(RomeroandVentura,2007,str.136)

Obrazovni sistem u svakoje zemlji izuzetno je složen, čine gaveliki broj podsistema (obrazovne institucije) čije su veze i odnosi uuzročno-posljedičnom odnosu. Obrazovni sitem čine ljudi, sredstva iinformacije (Romero and Ventura, 20079. Da bi se razumjeliinformacioni sistemi za podršku predviđanja uspjeha u studiranjunužnojeobjasnitisvakipodsistem.

Pod u informacijama ovom slučaju se podrazumijevaju svipodacikoji jeproizvelodruštvo (obrazovne idruge institucije)u ciljukonstituisanja i funkcionisanja obrazovnog sistema. Ovdje se prijesvega misli na Strategiju obrazovanja, Strategiju obrazovnih potreba,zakone o obrazovanju, nastavne planove i programe (kurikulum) idruga dokumenta koja regulišu rad obrazovnih institucija. Navedenidokumenti su međusobno povezani, naslanjaju se jedan na drugi,odnosnoproizilazejedniizdrugih.

U središtu odvijanja obrazovnog procesa su nastavni planovi iprogrami(kurikulumi)pojedinihobrazovnihpodsistema.

18

Radiboljegrazumijevanjainformacionogsistemanauniverzitetu,aposebnosastanovištaprojektovanjaobrazovnogsoftverapredstavilismomogućeslučajevekorišćenja(slika1.3).

Slika1.3.Slučajevikorišćenjauniverzitetskoginformacionogsistemaonastavi

Obrazovni sistem (u užem smislu) odvija se uglavnom na dvanačina i to: tradicionalni i sistem koji se zasniva na dostignućima IT.Tradicionalnisistemučenjazasnovannatriosnovnačiniocauprocesunastave koga čine nastavnik, student i sadržaji učenja ima dugutradiciju i ta paradigma se održava i danas. Orijentacija nastavnikauglavnom je takva da se predaju svi sadržaji predviđeni nastavnimplanovima i programima sa vrlo slabim povratnim informacijama utoku samog procesa. Sistem je pokazivao svoju efikasnost samo umomentimaispita.Umnogimslučajevimarezultatitakvogsistemaradasubilineefikasani jer su studentiučili zaocjenuu ispitnimrokovima.Znanja su, uglavnom, bila teorijskog karaktera koja najčešće nisupratilapotrebeprivredeidruštva.Jedanodosnovnihproblemabiojeudostupnosti sadržaja učenja. Tradicionalni udžbenik, kao osnova zaučenje nije bio dovoljan da se steknu šira znanja. Sa stanovištaprojektovanja sitema učenja, otežavajuća okolnost su bili podaci orazličitimaaspektimaodvijanjaprocesaučenja.Većinapodatakajebilanedostupnailisučuvaninarazličitimmjestimaurazličitimformatimakoji su nepodesni za obradu ili za čiju obradu je trebalo mnogovremena.Takvipodacinisumoglibitisigurnaosnovazaprojektovanjaobrazovnog sitema sa stanovišta predviđanja uspjeha. Studenti sustudirali jako dugo da se pri tome nisu utvrđivali uzroci. Svaodgovornost se prebacivala na motivisanost studenata, bez suštinskeanlizefunkcionisanjacjelokupnogsistema.

Pojavom i razvojem informacionih tehnologija ubrzan je toktehnoloških promjena koji se odrazio na obrazovnim sistem.

19

Tehnološke inovacije su uticale na promjenu sadržaja učenja, ali iorganizacijeprocesaučenja.

Nastavnicima su u savremenim uslovima na raspolaganju novimediji za učenje, a studentima su informacije postale dostupne urazličitimformama.Sastanovištarukovodilacaprocesaučenjaiplaneranova tehnologijapružamogućnostprimjenerazličitihanalitičkihalatasaobjektivnomslikomodvijanjaprocesa.Svisadržajaodređenogkursasu dostupni korisnicima IT, zadaci za učenje se mogu zadavati bezfizičkogprisustva,kaoiprocesevaluacije.

Velika količina skladištenih podataka može poslužiti kao dobraosnova za planiranje budućih akcija u unapređenju procesa rada nafakultetima.

Slika1.4.Slučajevikorišćenjazatradicionalnisistemučenja

U tradicionalnomsistemu učenja rukovodilac planira strukturuobrazovanja,profesormodelirapredavanja,astudentpohađanastavuisluži se ponuđenim sadržajima učenja. Bez obzira na statičnostnavedene strukture tradicionalni rad na fakultetima još uvijek jedominantan.Postojepokušajiuvođenjainovacijaunastavniproceskojisekrećeunekolikopravacaito:didaktičko-metodičkeinovacije(oblici,metode, nastavna sredstva) i sistemske inovacije (uvođenje novihnastavnih sistema–problemskoučenje, projektmetod, e-lerning isl.).Bez obzira na kvalitet inovacija osnovna struktura sistema opstaje.Razloge opstajanja treba tražiti u društvenoj ulozi obrazovanja kaofenomena, jer je obrazovanje i socijalizacijski proces. Neposrednakomunikacijakojaseodvijauobrazovanju,kakovertikalnanastavnik-student, tako i horizontalna student-student, još uvijek se smatraizuzetno važnom jer je u nastavi važan emocionalni odnos kojistimulišeprocesučenja.

U elektronskojučionici rukovodilackreiraprincipučenja i pratinjegov razvoj, profesor unosi podatke o nastavnim temama i kreiratestove,astudentčitasadržajkojijeprofesorunioiradinatestovima.

20

Suštinskinastavnikuskladusadefinisanimciljevimaiishodimaučenjakreira potrebne sadržaje. U tom kontekstu uglavnom su definisanesljedećeaktivnosti.

Slika1.5.SlučajevikorišćenjazasistemučenjazasnovannasavremenimIT

1.Postavljanjesadržajanasistem,ovajSKomogućavanastavnikuda material sa klijentskog računara, postavi posredstvom mreže naserver, predviđen za smještaj sadržaja učenja. Pritome, sistemprovjerava na osnovu naziva, vremena kreiranja i veličine fajla da lisadržaj već postoji. Inače originalni nazivi fajlova pohranjuju se uBP,doksesvakomsadržajudodjeljujenovi(jedinstveniidentifikator).

2. Direktno kreiranje sadržaja u sistemu– pored postavljanja(upload-a)sistemtrebadaomogućidirektnokreiranjesadržaja,uformitagovanog teksta (npr.HTML), koji u sebi može da ima ugniježdene idrugeresurse.

3.Editovanje sadržaja–ovajSKomogućavaeditovanjedirektnokreiranog sadržaja i opisa resursa (naziv, domen i ključne riječi,kreator,tip).

4. Pretraživanje sadržaja – pretraživanje sadržaja se vrši naosnovu njihovih metapodataka – naslov, ključne riječi, tip, domen,kreator.

5. Uklanjanje sadržaja – ovaj SK je izvodljiv samo ako sespecificiranresursnijereferenciranizčinilacapredmeta.

6. Upravljanje komentarima – ovaj SK odnosi se na dodavanje,pregled, editovanje i uklanjanje komentara vezanih za konkretansadržaj učenja. Komentarima je predstavljen mehanizam anotacije usistemu.

7. Kroz komentare, nastavnik može da studentima sugestije,pomoć,kaoinekedodatneinformacijevezanezasadržaj.

8. Opis sadržaja – ovaj SK namijenjen je da se resursu dodajumetapodaci (naslov, ključne riječi, tip, domen, kreator), korisni zapretraživanjerepozitorijuma.

9.Provjeravezasadržajasačiniocimapredmeta–trebadazaštitiintegritetpripremljenihkurseva(predmeta).Uslučajudanastavnikželidaukloni sadržaj, sistemmoradaprovjeri da li se sadržaj već koristi

21

(dalijepovezanzačiniocepredmeta).Sistemdozvoljavadasesadržajuklonisamoakonijeuključenuprocesučenja(nemavezunisajednimčiniocempredmeta).

Sledećislučajkorišćenjadefinišečitanjeikorišćenjepodataka.

Slika1.6.Slučajkorišćenja–čitanjeikorišćenjepodataka

Akademsko planiranje resursa je vrlo složen postupak jer sezasnivanajopsežnojanalizisvihpodatakakojiseodnosenaobrazovniokvir, kao što su nastavni kadar, nastavna sredstva, nivoi školovanja,struktura i priroda nastavnih planova i programa, broj studenata,itd.Odlučivanjenauniverzitetimadugojebilastvarintuicijezasnovanenaprocjeniiizjavama,anedubokeanalizeprikupljenihpodataka.Međutim, pojava naprednih informacijskih tehnologija redefinisala jeoperativno okruženje univerziteta u svijetu i ponudila im priliku dasistematski i efikasno upravljaju svim najvažnijim procesima koji suvezani za visoko obrazovanje. Precizni računarski modeli, razumljivemetodologije,potpuneikonzistentnebazepodatakairazumljiviizlaznipodaci su od najveće važnosti za naprednu podršku odlučivanju.Razvijeni su alati koji omogućavaju efikasnu distribuciju resursa,upravljanje nastavnim kadrom, automatizacija studentskih servisa,praćenje svih aktivnosti studenata, podrška selekciji kandidata zaprijemnastudijeitd.

Prvi pokušaji da se implementirajusimulacioni modeli zaupravljanje obrazovnim resursima pojavili su se šezdesetih godinadvadesetogvijeka(http://eacea.ec.europa.eu/education/eurydice).

Ukupannapredakirazvojinformacionihtehnologijaomogućilisudasedevedesetihgodinarazvijustvarniidobrisistemizaovunamjenu.U današnje vrijeme skoro svi univerziteti imaju dovljan nivoinformacione podrške u sistemima za donošenje odluka. Svi korisnicikoriste kompleksnu bazu podataka za dobijanje potrebnihinformacija.Tako rukovodilac može da kreira statistiku po željenim

22

grupama(smjerovima, semestrima,generacijama...),profesormožedaprati rezultate izabranih studenata kako bi lakše kreirao ocjene, astudentmožedavidisopstveniuspijehipredstojećeobaveze.

Moderni IT alati omogućuju vođeni interakcijski pristup upronalaženjuadekvatnihodgovorananizakademskihproblemakojisepojavljuju u praksi savremenih univerziteta. Pored poznavanja anali-tičkihalatakorisnici savremenih sistemazadonošenjeodlukamorajudobropoznavati obrazovni sistem određene zemlje sa stanovištazakonskih i drugih procesa, osim toga trebaju dobro da poznajurealizaciju procesa nastave i učenja, jer samo u takvom spoju znanjamoguseočekivatiadekvatniupitiitumačenjedodbijenihpodataka.

Vođeniinterakcijskirežimimplementiranjekaoanalitičkakutijakoja generiše izvještaje za unaprijed definisan skup akademskiproblemiisadržisljedećekorake:

• odabirjednogodpredefinisanihzadatakaizliste;• izborvrsteizvještajazaanalizu;• podešavanje opcija izvještaja (nivo detalja, agregacije,

pretpostavke, izvještavanje o pogrešci, ulazni nedosljednostrukovanja,itd);

• podešavanjezadatevrijednostiiograničenja;• navođenjezahtjevaimogućnostiunosapodataka;• podešavanjeulaznihpodatkezamapiranježeljenogscenarija;• pokretanjescenarijaigenerisanjeizvještaja;• interaktivno istraživanje izlaza (koristeći zumiranje,

objedinjavanje,navođenjedetalja,idrugetehnike);

Sledećikorakurazvijanju informacionogmodelapredstavljen jeslučajemkorišćenjadatamining(slika1.7).

Slika1.7.Slučajkorišćenjadatamining

23

Dataminingse temeljina istimkoracimakao i radsaosnovnimpodacima u drugim tehnikama (Romero et al, 2004). Ti koraci susledeći.

1. Priprema podataka je obično prvi korak u data miningprocesu.Uovojfazisemoguidentifikovatičetirikorakaito:

• Priprema konačnog skupa podataka koji će biti korišćen unarednimfazamaizdobijenihsirovihpodataka.Ciljfiltriranjapodatakajeodstranjivanjeirelevantnihisuvišnihinformacijaiz skupa podataka. To podrazumijeva uklanjanje duplih inepotpunih podataka, njihovu tranformaciju i jedinstvensistempodataka,izborpodgrupapodataka,određivanjebrojapromjenjivihsakojimajemogućeraditi.

• Izbor promjenljivih i njihovih atributa, koje želimo daanaliziramoizakojesmatramodaćenambitiodkoristi.

• Transformacija određenih promjenljivih ukoliko je topotrebno.Cilj transformacijepodataka jepromjena izvornogpodatka u drugačiji format tipa podataka. Postoje različititehnike koje se mogu primijeniti za korak filtriranja itransformaciju podataka, a najčešće korišćene su;transformacija tipova podataka, neprekidna transformacijakolona, grupisanje, rad sa vrijednošću koja nedostaje,brisanjeabnormalnihslučajevaitd.

• Prečišćavanje podataka ipriprema za rad sa alatima zamodeliranje (Izbor odgovarajuće tehnike za modeliranje,Podešavanje parametara modela, Opciono primjena drugihtehnika (uvijek treba imati na umu da se različite tehnikemogukoristitizarješavanjeistihproblema),Ukolikododjedoproblema,vraćanjenafazupripremepodatakazakonkretanalgoritam.

2.Dataminingjecentralnikorakucjelokupnomprocesu,tokomkogasenapripremljenepodatkeprimjenjujudataminingtehnikekojesemogusvrstatiudvijegrupeito:

• Discovery datamining – tehnike za otkrivanje novih znanja(informacija);

• Predictivedatamining–tehnikezapredviđanja.

Uovomkorakuseuglavnomsrećusledećegrupetehnika:• uparivanjestringova,brute-forceuparivanjestringova,• algoritmi linearnog uređivanja, aparivanje na bazi konačnih

automata, Knutt-Morris-Pratt algoritam, aproksimativnouparivanje,WagnerFischeralgoritamzaračunanjedistanciustringu,

• klasifikacija, klasifikatori na bazi drveća odlučivanja,Bayesian klasifikatori, učitelji na bazi distance, mašine savektorskompodrškom,

24

• fuzzytehnikeodlučivanja,• clustering, mjere distanci i simbolički objekti, clustering

kategorije, skalabilni clustering algoritmi, pristupi na bazisoft računarstva, hijerarhijski simbolički clustering ,segmentacija

• asocijativna pravila, generisanje kandidata i metode testa,pravilaodinteresa,multinivojskapravila,on-linegenerisanjepravila, generalizovana pravila, temporalna asocijativnapravila,

• filtriranje i transformacijapodataka,validacija i vizualizacijarezultata.

3. Naknadna obradaje završni korak u kojem se tumačerezultatiilidobijenogmodelaikoristesedonoseodlukeoobrazovnomokruženju.Datamining je skup svih akcija koje imaju za cilj pregledpodataka radi kreiranja statistike postgnutih rezultata, pronalazakželjenihpodataka. Jedanod važnih izlaznihpodataka o kojima želimoda imamo podatke se odnose na procjenu kvaliteta pojedini kurseva(predmeta).

Uprocjenikvalitetakursevanamećusesljedećapitanja:• Da li su ciljevi određenog predmeta dostupni i razumljivi

svimčiniocimaprocesaučenja?• Da li su ostvareni ciljevi određenog predmeta u takvom

obimu da se mogu pratiti sljedeći povezani predmeti bezvećihproblema?

• Da li su ostvareni svi potrebni preduslovi da studentmoguuspješno pratiti nastavni predmet (posebno sa stanovištarazumijevanjapojmova)?

• Da li su predviđene metode vrednovanja znanja dovoljnodobroizabranekakobimogledamjeresveaspektestečenihkompetencija.

• Da li je ravnomjerno raspoređen odnos između teorijskog ipraktičnog rada, posebno u domenu samostalnog radastudenatanazadatimprojektima?

• Koliko se teškim smatra određeni nastavni predmet, kolikoECTS bodova nosi, koja je prolaznost, koliko prosječnostudent osvajaju bodova na tom predmetu, kako su gavrednovaliprilikomprocesaevaluacije?

• Da li postoji konzistentan povratna informacija opostignutomuspjehuzasvestudent?

• Da li su jasno definisani izvori znanja (nastavni sadržaji zaučenje)?

• Kakva je veza sadržaja učenja sa potrebnim znanjima upraksi?

25

Da bi se uspješno odgovorilo na navedena pitanja u obzir semoraju uzeti podaci dasvi univerziteti imaju hijerarhijsku strukturu.Osim rukovodstva univerziteta, ovdje se pojavljuje i složenaadministrativna struktura koja se bavi administrativnim i drugimposlovimaupodršciradarukovodstvauniverziteta.

U sljedećem nivou strukturisanja pojavljuju se fakulteti sarukovodstvom i određenom administrativnom strukturom. Nekifakulteti su jednodisciplinarnog karaktera i uglavnom osposobljavajujedan obrazovni profil (npr. dipl. inž mašinstva). Drugi suinterdisciplinarni sa više studijskih programa koji obrazuju različiteobrazovneprofileuokvirujednogfakulteta.

Sljedeći problem koji može dodatno otežati prikupljanjepodatakaiuticatinasloženostITstrukturesurazličita(čestoudaljena)mjestalociranjapojedinihfakulteta.

Svakistudijskiprogramimarazličitekorisnike(nastanici,student– različitog nivoa, rukovodstvo). Ovo podrazumijeva i heterogenenastvneprograme.Nastavneprogrameodlikujuciljevi,sadržaji,dužinatrajanja pojedinih kurseva, složenost nastavnog procesa (predavanja,vježbe, seminari, radionice, laboratorije). Svaka od navedenihaktivnosti produkuje veliki broj podataka koji se trebaju skladištiti ičuvati. Podatke je nužno razvrstati u grupe i to: administrativni,nastavni, naučni.Administrativnipodaci suodposebnevažnosti kakoza administrativno osoblje koje donose kratkoročne odluke u smisluprocedura i finansiranja, tako izarukovodstvofakulteta iuniverzitetakojidonoseoperativneistrateškeodlukeokoupisnihpolitikaiakcijausmislu poboljšanja kurikuluma, promjene obrazovnih standarda ijačanjematerijalneosnoveobrazovnogprocesa.

1.3 Analitikaučenja

Analitikaučenjadefinišesekao„mјerenje,prikupljanje,analizaipripremaizvјeštaјaoučenicimainjihovimkontekstima,svrsirazumiјe-vanja i optimizovanja učenja i sredine u koјoј se to dešava“ (Long iSiemens,2011,str.32).

Analitikaučenjadobiјasvevišenaznačaјunaročitoizrazlogaštopredstavljaodlično sredstvokoјeobrazovnimustanovamapomažedapoveća uspјeh i zadovoljstvo učenika. Analitiku su naјpriјe primјenji-vala preduzeća kako bi predvidila ponašanje potrošača i na taј načinmogla personalizovati marketinšku kampanju. Slično tome, neštokasniјe su obrazovne ustanove počele da koriste analitiku učenja nasvoјim predavanjima kako bi pružili kvalitetno i personalizovanoučenjetetimepomoglisvoјimučenicimadabuduuspјešniјi.

26

Svrhaanalitikeučenjanesmiјedabudeciljsamasebi,netrebadabudečistobirokratskaideklarativnavećanalitikatrebadaslužiupravoidentifikaciјi grešaka i propusta u izvođenju nastave i unapređenjuobrazovnogsistema.Primarnizadatakanalitikeniјedadaјeizvјeštaјoprošlosti, nego da pomogne da se pronađe optimalna putanja kaželjenoјbudućnosti(Shum,2012).

Postoјi veliki broј različitih alata za analitiku koјi se koristeputem LMS-a (learningmanagement system) a koјi mogu pružiti po-datkekoјineštoznačeikoјisemoguobrađivati–uformikoјaјeisko-ristiva i koјa nastavnike ohrabruјe da u realnom vremenu preduzmuneke aktivnosti. Podatke koјi se automatski prikupljaјu putem LMS-aobrazovne instituciјe koriste kako bi poboljšali odnosno prilagodilikvalitet nastave svoјim studentima i na taј način osigurali boljuprolaznost.Naјčešćeprikupljanipodaciseodnosenaučestanostpriјa-vljivanja studenata na LMS platformu, broј diskusiјa koјe јe studentpročitao,broјdiskusiјakoјeјesaminiciraoilisamoučestvovao.Upravoјeučestvovanjestudenataudiskusiјamanaforumimapriličnopouzdanprediktorzaocјenuuspјešnostiučenika.

Naјznačaјniјiproblemvezanzarazvoјi implementaciјuanalitikeučenjatičesezaštiteprivatnostiučenika.Naimepostoјirealnaopasnosti zabrinutost učenika da se prikupljanjem različitih podataka možeutvrditi njihov identitet i ugroziti privatnost.Ovo svakakonepovoljnoutičeinaiskrenostikvalitetprikupljenihpodatakaiproblemјekoјisetrebariјešitidabirazvoјanalitikeučenjabiomogućisvrsishodan.

1.4 PersonalizacijaučenjaiPAPIiLIPprofilstudenta

Različitiljudiimaјurazličitenavikeučenjaiaspiraciјepaјeiztograzloga,uciljupostizanjamaksimalnogučinka,potrebnoprimјenjivatirazličite pristupe, odnosno potrebno јe personalizvati učenje.Personalizaciјa učenja podrazumiјeva prilagođavanje nastavnihsadržaјakonkretnimpotrebamasvakogučenika.

Personalizaciјasenaјlakšepostižeukolikosekoristitehnologiјa.Alati za analitiku učenja, takozvani sistemi za upravljanje učenjem(LearningManagementSystems,LMS),imaјumogućnostpersonalizaciјeprocesa učenja, s obzirom da se njihovim korištenjem automatskiprikupljaјu i analiziraјu podaci o učenicima. Osim ovih sistema,razviјeni su i fleksibilniјi (inteligentni) sistemi koјi su bolji izbor zapersonalizaciјu učenja obzirom da se oni dinamički prilagođavaјupotrebamasvakogučenika.

Ono što јe zaјedničko za oba sistema јeste posјedovanje bazepodataka korisnika (kako onih podataka koјe prikuplja tokomkorisnikove aktivnosti tako i one podatke koјe јe korisnik prilikomregistraciјeuniousistemakoјisetičuprošlostikorisnika).Sistem,na

27

zahtјev, analizira ove podatke i na osnovu rezultata te analize vršimodelovanjesadržaјazasvakogkorisnikaponaosob.

Danas јe razviјeno više standarda zamodelovanjeučenika. Iakopostoјi značaјna sličnost među postoјećim modelima, većina јefokusirana samo na konkretan problem. Dva naјznačaјniјa i naјboljerazviјena standarda (specifikaciјe) modela studenta su IEEE PAPImodeliIMSLIPstandard.Obastandardasebavesanekolikokategoriјainformaciјaoučeniku.

PAPI (Public and Private Information) Learner specifikaciјa јeprvobitno razviјena od strane IEEE LTSC (IEEE Learning TechnologyStandardsCommittee)zaopisivanjeosnovnihinformaciјaostudentimakaoizakomunikaciјumeđuoperativnimsistemima.Oveinformaciјeseskladište kako bimogle biti od koristi npr. nastavnicima, studentskoјslužbi kao i samom studentu. PAPI standard naglašava značaјmeđuljudskihodnosa.

Skup informaciјa koјi čini studentski profil PAPI modela čineinformaciјe o usvaјanju znanja, vјeštinama, sposobnostima, ličnimkontakt informaciјama, odnosima, nivou zaštite taјnosti korisnikovihpodataka,radovimaiproјektimaitd.

Posebno korisne karakteristike ovog modela koјe doprinosenjegovoјfleksibilnostisunjegovamodularnost,koјaostavljaprostorzadodatna proširenja i usavršavanja, i interoperabilnost sa drugimsistemima.PAPImodelkorisnikoveinformaciјepredstavljaputemšestkategoriјa, odnosno informacionih modula koјi se mogu nezavisnokorisitiudrugimaplikaciјama,uskladusakonkretnimpotrebama.

Nasuprot IEEE PAPI standardu, LIP (Learner InformationPackage)standardsezasnivanainformaciјamakakvesenalazeuCV-udok se međuljudski odnosi uopšte ne uzimaјu u razmatranje. Ovaspecifikaciјa јe razviјena od strane IMS (Instructional ManagementSystems) organizaciјe sa ciljem da se omogući lakša distribuciјainformaciјaoučenicimausvediјelovesistema,ilirazličitesistemekoјisarađuјu. I ovaј standard odlikuјe fleksibilnost po pitanju proširenja ikorištenja samo poјedinih diјelova sistema. S obzirom da јe LIPstandarduvrhuboljerazviјenihstandarda,suvišnoјeinapominjatidasumјerezaštiteprivatnostiiintegritetapodatakaimplementirane.

1.5 EduPerson

EduPerson studentski model je projektovan za potrebevisokoškolskog obrazovanja u SAD. U momentu prve specifikacije(februar 2001. godine), udruženje istraživačkih institucija Internet2 iEDUCAUSE (http://www.educause.edu/eduperson/) su isticale da jeglavnimotivoveinicijativestvaranjejedinstvenogobrascazaizgradnjuinstitucionalnih direktorijuma. Pošto sve edukativne institucije u SAD

28

uglavnom razvijale sopstvene, međusobno nekompatibilne modele, aimale su sve veću potrebu razmjene informacija o studentima,EduPerson je predstavljen kao specifikacija liste atributa koju birazličite visokoškolske institucije trebalo da podrže u studentskimmodelimasvojihinformacionihsistema.NekolikouniverzitetauSAD-u,među kojima se nalaze Univerzitetu Viskonsinu (engl. University ofWisconsin) i poznati institute za tehnologiju u Masačusetsu (engl.Massachusetts Instituteof Technology – MIT), učestvuju u relizacijiovog zahtjevnog projekta (posljednja verzija standarda objavljena jeaprila2006.godine).

PremaEduPersonspecifikaciji,skladištapodataka,bezobziradali se radi o tabelarnom pohranjivanju u sistemima za upravljanjebazamapodataka, ili o čuvanjupodatakau fajl sistemima, nazivaju sedirektorijumi.EduPersonatributistudenatasudizajniranidaomogućenapredno pretraživanje direktorijuma. Pomenuta specifikacija sadržiskupove elemenata podataka, ili svojstava, o pojedincima unutarvisokogobrazovanja, zajedno sa preporukama o sintaksi i značenjupodatakakojimogubitipridruženipomenutimsvojstvima(Lindholm,J.,2002).Informacijekojesusadržaneudirektorijumusuorganizovanekao objekti klasa i atributi. Svaki imenovani atribut sadrži specifičnielement podataka (npr. adresa, afilacioni podaci i sl.). Jedan objekatklasejedefinisankaoskuppovezanihatributaipredstavljaposebantippodatakakojijesastavnidiodirektorijuma.

EduPersonmodelserazvijauokviruširegdruštvenogkonteksta,i ima izraženuhijerarhijskustrukturu(slika1.8).Dekomponovanjenašest klasa u lancu nasleđivanja. Osnovna klasa je generički objekat(objectClass), kojim se definiše jedinstveni objektni identifikator usistemuisintaksakojasekoristiradimanipulacijepodacima.Ovakvimpristupom omogućeno je da se podaci studenta standardizovanoserijalizuju,prenosemrežom,apristupaimsepodjednakoprekoAPI-jaiprekoWeb servisa. Sledeća klasa u lancu nasleđivanja je imenovanakaotopklasainesadržipodatke,alijebitnaradiodržavanjakonceptadirektorijuma. Ona podržava koncept korijena direktorijuma, što jebitno za implementaciju algoritama za pretraživanje podataka. Klasaperson čuva osnovne identifikacione podatke. Jedan od atributa jeseeAlso koji omogućava referenciranje na drugi direktorijum prekodrugogimena(nazivanaloga,korisničkogimena)osobe.Poštojemodelpredviđen za institucionalizovanu edukaciju, za potrebe čuvanjapodataka osoba u kontekstu organizacije, dizajnirana je klasaorganizationalPerson. Sledeća klasa u hijerarhiji je inetOrgPerson učijemdizajnu jedatakcenatnaatributekoji suvažnizakomunikacijuposredstvom mreže (internet, ili intranet). Iz ove klase je direktnoizvedena klasa koja sadrži attribute vezane za obrazovanje –eduPerson.

29

Slika1.8.EduPersonmodelstudentahttp://www.nmi-edit.org/eduPerson/internet2-mace-dir-eduperson

200406.html

PorednasleđenihatributaeduPersonsadržišestatributaodkojih je osnovni eduPerson OrgDN (naziv organizacije kojoj osobapripada).SviatributiimajuistiprefixeduPerson.Saatributimacnisn(naslici common Name i surname) izklase organizationalPerson, atributeduPersonOrgDN formira osnovu za korišćenje klase eduPerson uaplikacijama. Atributi eduPerson Affiliation i eduPersonPrimary-Affiliationukazujunaulogekojaosobaimauedukativnojinstitiuciji(naprimјerstudent,saradnik,nastavnikisl.)ionisemorajurazlikovatiodatributatitlenasleđenogizklaseorganizationalPerson.

EduPerson specifikacija strukturira atribute na sledećekategorije.

Postojeći atributi – standardni komercijalni atributi, nasleđeniodobjekataklasaperson,organizationalPerson(definisanistandardomX.521) iklase inetOrgPerson(definisanistandardomRFC2798); (npr.imena, e-mailadrese,bezbednosnapodešavanjakoji senalazeuklasiinetOrgPerson).

Novi atributi – to su zapravo svi atributi klase eduPerson.Namenaovihatributa jekonkretna–unapređivanjesaradnje(razmјeneinformacija) između obrazovnih institucija. Za svaki od atributa

30

EduPersonspecifikacijadetaljnodefinišesintaksu,značenje iuputstvozakorišćenje.

KaokodIMSLIP-a,projektantiEduPersonmodelasuodlučilida

riješe kompleksan problem identifikatora. Za tu svrhu iskorišćen jeconcept hijerarhijske strukture direktorijuma koji je saglasan saspecifikacijomRFC3061(slika1.9).

Slika 1.9. Primjeri identifikatora (RFC 3061) koji se koristeuEduPersonmodelu

Identifikatori su zapravo kompoziti naziva (zapravo ID-brojeva,koji se mogu mapirati u nazive i imena radi lakše manipulacije odstrane ljudi – korisnika) direktorijuma i ID- brojeva konkretnihpodataka (literali–uovomslučaju to su rastućecjelobrojnevrijednosti,ilipseudoslučajninizovikaraktera).

Jedan identifikator jeujedno I jedanelement informacije,koji jespecijalnodizajnirandarazlikuje svakiulaznipodatakodonihkoji sumu slični i da ga skladišti u poseban skup. Zajedničko ulaznimpodacima je i to da sadrže nekoliko različitih identifikatora, koji sekoriste u različite svrhe ili su generisani od strane različitih izvorainformacija. Identifikator ima određeni broj karakteristika kojepredstavljaju pomoć kod određivanja načina na koji će bitiupotrijebljen.Osnovneosobineidentifikatorasusledeći.

1.Perzistentnost–predstavljavremensko trajanjeu tokukogaje identifikator pouzdano povezan sa osnovnim ulaznim podatkom.Kratkotrajni identifikatori mogu biti povezani samo u toku trajanjajednesesije,doksunepromjenljivi identifikatoripovezanisanjihovimulazimautokucijelogživotnogciklusa.

2.Privatnost–nekiidentifikatorisudizajniranitakodasačuvajunajviši stepen privatnosti i zabranjuju sposobnost višestrukimnepovezanimprimaocimadaporedevrijednostimeđusobnopovezanihosnovnih aktivnosti. Takvi identifikatori, kao što je REQUIRED,mogubitinerazumljiviidaimuztonedostajeosnovnapovezanostsaostalimidentifikatorima. Ovakav pristup dozvoljava dijeljenje identifikatoraizmeđu većeg broja povezanih korisnika i to jedino u slučaju ako ihproizvođačatributasmatraekvivalentnimjedinstvenomidentifikatorupopitanjučuvanjaprivatnosti.

3. Jedinstvenost – jedinstveni identifikatori su oni koji sujedinstveni u okviru prostora imena koji govori i identitetimaprovajderaservisakojijekreiraodatuvrijednost.Globalnojedinstveni

31

identifikator je onaj kome je namijenjeno da bude jedinstvenposmatrajućisveinstanceatributazastupljenihkodsvihproizvođača.

4. Razduživanje –mnogi identifikatori ne garantuju da vrijed-nost koja im je pridružena neće biti ponovo korišćena. Ponovnokorišćenje podrazumijeva dodјelu vrijednosti jednog identifikatoranekomosnovnomulazu, a potomdodjeljivanje iste vrijednosti nekomdrugomulaznompodatkuubilokomtrenutkuvremena.

Neophodno je postojanje cijelog skupa zahtjeva koji diktiraju

politikukojanedozvoljavaovakvepropuste.Na identičan način rješavaju se i vrijednosti ostalih atributa

studentskogmodela.Sledećiprimer(slika1.10)prikazujenačinserija-lizacijeatributauEduPersonmodelu.PredstavljenjefragmentXMLfajlakoji omogućava iščitavanjepodatkao korisničkom imenunadređenog(eduPersonPrincipalName) posmatranog studenta (prikazano ime jecantor.2).

Slika1.10.PrimjerimenovanjauEduPersonmodelu

Direktorijumski pristup je predstavljen vrijednošću Scope, štoznači da je ovo korisničko ime (cantor.2) jednoznačno definisano namrežnomdomenuosu.edu, čime jeograničendoseg imena.VrijednostAttributeNamespace definiše kontekst u kome treba da se tumačipredstavljenipodatak(cantor.2).

Zarazlikuodprethodnihmodela,EduPersonstudentskimodeljeboljehijerarhijskistruktuiranuzizbјegavanjerekurzivnosti.Značajovogmodelajenastojanjedasepostignepotpunastandardizovanost, itimepotpuna interoperabilnost u pogledu razmjene konkretnih podatakastudenata između institucija u društvu. Druga značajna osobina ovogmodelajedasupodacivezanizaobrazovanjehijerarhijskiodvojeniodopštih podataka studenta,važnih za njegovu egzistenciju u širojdruštvenoj zajednici (npr. na radnom mjestu, na globalnoj mreži,neobrazovnim institucijama i sl.). Hijerarhijska organizovanost poredolakšavanja administriranja podataka (concept identifikatora),pojednostavila je i rješavanje zaštite privatnosti podataka studenata.Hijerarhijskinivoimogudaserazmatrajukaoinivoizaštite.Naprimer,osnovnipodaciosobesečuvajunanivouklaseperson,dokpodacivažniza poslovnu komunikaciju su na nivou klase organizationalPerson. Utom smislu, ovaj model je razvijan korišćenjem SAML-a (SecurityAssertion Markup Language) (http://www.oasis-open.org/commi-ttees/security/).

Nažalost,uprkosvelikombrojuatributa,postojisamošestkojisudefinisani radi razmјene u obrazovnom kontekstu–atributi klase

32

eduPerson.Respektujućiprethodnemodele(PAPILearneriIMSLIP)oviatributi nisu dovoljni da obuhvate sve podatke studenta u procesuučenja. Prema dokumentaciji, proširljivost je moguća, ali je osnovnimodel sam po sebi već kompleksan (naročito iz aspektaimplementacije), tako da u praksi još uvijek nema ekstenzija ovespecifikacije. Preporuka kreatora je da se, umjesto proširenjapostojećihklasa,definišunoveidodajuuhijerarhijueduPersonmodela.

1.6 Modelizapreviđanjeuspješnostistudiranja

Predviđanje (prognoza) budućnosti je kruna svake nauke.Obrazovanjeimastrateškuvažnostzaekonomskiidruštvenirazvoj,tj.za razvijanje društva zasnovanog na znanju. U procesu evropskihintegracijaneophodnojeobrazovanisistemuskladitisakriterijumimaipreporukamaEvropskeunijeilidrugihevropskihorganizacijaiproce-sa,uzposvećivanjeposebnepažnje indikatorimauspješnostiobrazov-nogsistemakojejeEUdefinisala.Zavisokoobrazovneustanoveanalizauspješnosti studiranja vrlo je važna jer strategijsko planiranje studij-skihprogramapretpostavljaproširivanjeilismanjenjaobimailidubineizučavanih sadržaja kao i mijenjanje strukture vaspitno-obrazovnogprocesauzavisnostioduspješnostistudenata.Uspješnoststudiranjanafakultetimado sada je uglavnom istraživana u cilju pronalaženja pro-sječnih ocjena, dužine studiranja i sličnihpokazatelja, dok faktori kojiutiču na postizanjeuspjeha nisu dovoljno istraženi. Postojerazvijenimodelizapredviđanjeuspješnostikojimogupomoćipriodlucio prihvatanju kandidata za upis nastudije, koji uglavnom uključujudemografske podatke o studentima, iako se naglašavaznačajuključivanjaidrugihinformacijaoaplikantima(Hardgraveidr,1994).

Ciljovogradajepronalaženjevažnihčinilacakojiutičunauspjehstudenata,koji jepredstavljenprosječnomocjenom.Zaovusvrhusmoispitalitrimetodeanalizepodatakapogodnezaklasifikaciju:logističkuregresiju,stablaodlučivanja ineuronskemreže.Logističkaregresija jestastistički postupak zasnovan na raspodjeli vjerovatnoće koja sepokazala efikasnomumnogimpodručjimapredikcije.Njihova tačnostupoređenaje sa stablima odlučivanja kako bi se identifikovao modelkoji daje tačniju klasifikaciju studenata. Rezultati istraživanja sezasnivaju na anketnom istraživanju provedenom sa studentimaPedagoškogfakultetauBijeljini2009,2010.i2011.akademskegodine.Prikupljeni podaci razvrstani su u tri grupe i to: prvu gripu čineintelektualnesposobnostimjereneRavenovimmatricama(Raven,M.S.,1956),motivacijamjerenaVelerandovomskalomakademskemotivacije(academicmotivation scale) (Vallerand, R. J., 1992), drugu grupu činesocio-demografski podaci a treću stavovi o organizaciji rada nafakultetu i načinu realizacije nastavnog procesa. Na osnovu tih poda-

33

taka kreiran je kauzalni model sa demografskimi drugim karakte-ristikamastudenatakaoulaznimvarijablama,teprosječnomocjenomuprethodnojakademskojgodinikaoizlaznomvarijablom.

Analiza značajnosti varijabli dobijenih logističkom regresijom,stablom odlučivanja i neuronskimmrežama ukazuju na jačinu uticajapojedineulaznevarijablenauspjehstudenata,čime jemogućedonijetizaključakomogućimprediktorimauspješnostistudiranja.

U posljednjih petnaest godina razvijene su mnoge aplikacije uoblasti data mining-a koje služe u oblasti obrazovanja. Romero iVentura(Romero,C.,Ventura,S.,2007)suobjavilistudiju„Istraživanjeobrazovnogdatamining-a iz1995-2005“kojaobuhvatasvanajznačaj-nija dostignuća u ovoj oblasti. Navedenu studiju su dopunili Baker iYacef (Baker, R. S. J. D., i Yacef, 2009). Studije obuhvataju skoro svapitanja u oblasti obrazovanja od upisa u školu (fakultet) pa do veb-baziranogobrazovanja. Istraživanjaupodručjuupotrebe inteligentnihmetodazapredviđanjeuspješnostistudenatauglavnomsuorijentisanana razvoj modela koji će se koristiti kao pomoć pri odlučivanju oprijemu studenata na studije (Witten i dr. 2000; Romero i dr, 2008).Takvimodelikaokriterijeuzimajuuobzirinformacijeokandidatukojesu raspoložive prije upisa, kao npr. završena srednja škola, uspjeh usrednjoj školi, socijalni status i druge informacije prije studija, te uzpomoć statističkih metoda ili metoda vještačke inteligencije nastojepronaći model koji će produkovati što veću tačnost u predviđanju.Predviđanje uspješnosti u studiranju metodama data mining-aumnogome zavisi od kvaliteta prikupljenih podataka. Čini se ipak danije moguće formirati jedinstven prediktivni model koji bi bioprimjenjljiv u svim obrazovnim sistemima, ali rezultati dosadašnjihistraživanjaukazujudaodređenegrupevarijablitrebauvijekuzimatiuobzir jer sa visokim stepenom vjerovatnoće učestvuju u predviđanjuuspjeha.

Unašemradusmoprimijenilidataminingazapredikcijuuspjehastudenata(neuronskemreže,stablaodlučivanjailogističkuregresiju).

1.6.1 Primjenalogističkeregresije

Logističkaregresijaililogističkimodelililogitmodelsekoristizapredviđanje vjerovatnoće događaja putem prilagođavanja podatakalogističkojkrivi.Logističkaregresijajetipregresioneanalizeukojojjezavisna (kriterijumska) promjenljiva dihotomna, odnosno binarna ikodira se sa 0 ili 1 i postoji najmanje jedna nezavisna (prediktorska)promjenljiva.Sobziromdasuobrazovnepojavečestodihotomne,čestaje i primjena logističke regresije u predviđanju tih pojava. Nekaprethodnaistraživanjanamukazujunarelativnovisoknivouspješnostiove metode. Koristeći dvanaest ulaznih varijabli koje opisuju status

34

studenata (pol, etnička pripdost, način studiranja, način finasiranja,vrstastudijaisl.).Lurens(Lourens,A,2010)jenaUniverzitetuuJužnojAfrici ispitivaopredikcijuuspehanaprvojgodinivisokogobrazovanjakoristeći logističku regresiju i dobio rezultat 74.68%. Woodman(Woodman,2001) je realizovao istraživanjenaOpenUniversity izUKuz upotrebu 25 prediktora, te uz pomoć logističke regresije pokušaodoćidomodelakojibinajboljepredviđaodalićenekistudentproćinanekomispitu.Autorzaključujedajelogističkaregresijapogodnakadseradisamalimuzorcima.Kodvelikogbrojavarijablikojeseprimjenjujuna velikim uzorcima male razlike imaju relativno visok stepenznačajnosti što može dovesti do pogrešnog zaključka o značajnostivarijableuukupnommodelu.DosličnogrezultatasudošliKotsiantis idr. (Kotsiantis, Pierrakeas & Pintelas, 2004) primijenom nekolikometoda (decision trees, artificial neural networks, naive Bayesclassifier, instance-based learning, logistic regression and supportvectormachines)zapredviđanjeuspjehastudenatauzprimjenuvećegbrojaprediktora.

Tumačenjemodela logističkeregresije. Statističkomodelova-

njebinarnihpromjenljivihpodrazumijevamjerenjeizborakojezasvakisubjekat može biti uspješno ili neuspješno. Binarni podaci suvjerovatno najčešći oblik kategorijskih podataka. Jedan odnajrasprostranjenijimodelabinarnihpodatakajelogističkaregresija.

ZabinarniizborYikvantitativnuobjašnjavajućupromjenljivuX,neka π(x) predstavlja vjerovatnoću uspjeha kada X ima vrijednost x.Ovavjerovatnoća jeparametarzabinomnudistribuciju.Model logisti-čkeregresijeimalinearnioblikzalogitovevjerovatnoće.

Ovaformulaprikazujedaπ(x)rasteiliopadasaS-funkcijomodx.Drugaformulazalogističkuregresijuodnosisedirektnonavjero-

vatnoćuuspjeha.Ovaformulakoristieksponencijalnufunkcijuexp(x)=exuobliku

Tumačenje linearneaproksimacije.Parametarβodređuje sto-

pu rasta ili opadanja S-krive. Oznaka β ukazuje na to da li je krivaopadajućailirastuća,kaoinastopurastapromjenekako|β|raste.Kadamodel imavrijednostβ=0,desnastranaJednačine3pojednostavljujese u konstantu. Zatim, π(x) je identičan sa svim x, te kriva prelazi uhorizontalnupravuliniju.BinarniizborYpostajepotomkonstantaX.

( )[ ] xxxxit βαπ

ππ +=⎟⎟

⎠

⎞⎜⎜⎝

⎛

−=

)(1)(loglog

( ) ( )( )x

xxβα

βαπ

++

+=

exp1exp

35

Tumačenjeracijavjerovatnoćedešavanja.Naredno tumačenjemodela logističke regresijekoristi vjerovatnoćudešavanja i racijavje-rovatnoćedešavanja.Kaomodelvjerovatnoćeizbora(tojest,izgledizauspjehom)koristitisesljedećajednačina:

Eksponencijalni odnospruža tumačenje za β: Izgledi se poveća-

vajumultiplikativno za eβ za svako povećanje od jedne jedinice po x.Drugimriječima,vjerovatnoćananivoux+1jednakajevjerovatnoćiprixpomnoženosaeβ.Kadajeβ=0,eβ=1tadasevjerovatnoćanemijenjakakosemijenjavrijednostx.

Logaritamvjerovatnoće,štopredstavljalogittransformacijuπ(x),imalinearniodnos.Ovdeseradiologitizrazumodela,štogovoridaselogitpovećavauzβjedinicuzasvakujedinicupromjeneprix.Većinaneshvata logit skalu kao nešto prirodno, tako da ona ima ograničenuupotrebu.

Testznačaja.Kodmodelalogističkeregresije,nultahipotezaH0:

β=0značidajevjerovatnoćauspjehanezavisnaodX.Kodvećihuzoraka,statistikatesta

β–koeficijentzakriveljenostifunkcijeASE–standardnagreška

imastandardnu,normalnudistribucijukada jeβ=0.Uz to,zsemožepridodatistandardnoj tabelidabismodobili jednostranuilidvostranuP-vrednost. Isto tako,zadvostranualternativuβ≠0, (β’/ASE)2važiValdova statistika kod koje važi ksi-kvadratna distribucija velikoguzorkasadf=1.

Iako Valdov test dobro funkcioniše kod velikih uzoraka, testracija vjerodostojnosti je efektniji i pouzdaniji za veličineuzorka kojekoristimo u praksi. Statistika testa poredi maksimalni L0 log-funkcijevjerodostojnosti kada je β = 0 (to jest, kadaπ(x)mora da bude iden-tičnasasvimvrijednostimax)domaksimalnogL1log-funkcijevjerodo-stojnostizanerestriktivnuβ.Statistikatesta,-2(L0–L1),takođeimaksi-kvadratnudistribucijuvelikoguzorkasadf=1.Većinasoftverazalogi-stičkuregresijudajepodatkezamaksimalnulog-vjerodostojnostL0iL1,astatistikaracijavjerodostojnostidobijaseizovihmaksima.

( )( )

( ) ( )xeexxx βαβαπ

π=+=

−exp

1

ASEz 'β=

36

Distribucijaproračunavjerovatnoće.ProcjenjenavjerovatnoćadajeY=1prifiksnomskupuxodXiznosi

Većinasoftveraza logističkuregresijumožedaprikažeprocjene

kaoiintervalepouzdanostizapravevjerovatnoće.

1.6.2 Primjenastabalaodlučivanja

Uciljuizgradnještouspješnijegmodela,naposmatranomuzorkutestirana je jedna od neparametrijskih metoda rudarenja podataka:stabloodlučivanja, tačnijenjihovapodvrstaklasifikaciona i regresionastabla (Classification and Regression Trees, CART). Ovom metodomdobiva se grafički prikaz modela uticaja ulaznih varijabli na izlaznu,koja je izražena u obliku klasa ili kategorija. Svaki čvor u grafičkomstablu predstavlja jednu ulaznu varijablu, na čijim su rubovimaoznačena „djeca čvorovi“ za svaku moguću vrijednost neke ulaznevarijable. Svaki list u stablu predstavlja vrijednost ciljne (izlazne)varijableakosudatevrijednostiulaznihvarijablipredstavljeneputemodkorijenastabladotoglista.Stablosedobija„učenjem“napodacima,na način da se vrši grananje (splitting) izvornog skupa podataka upodskupove na osnovu testiranja vrijednosti varijabli. Proces se po-navljana svakom izvedenompodskupuna rekurzivninačin (recursivepartitioning).Rekurzijajezavršenakadapodskupodređenogčvoraimasve iste vrijednosti izlazne varijable, ili kada dalje grananje više nepridonosipoboljšanjurezultata(Witten,Frank,2000).

Za izgradnju stabla korištenje CART algoritam (Breiman et al,1984), koji na osnovu raspoloživih podataka o ulaznim i izlaznimvarijablamakreira binarno stablo grananjem slogovau svakom čvoruprema funkciji određenoj za svaku ulaznu varijablu. Evaluacionafunkcija korišćena za prelom je Gini indeks (IG), definisan premaformuli:

gdje je t trenutničvor,pi jevjerovatnoćaklase iučvoru t,am jebrojklasaumodelu(unašemslučajum=2).

Stablouovomradukreiranojenaosnovu16ulaznihkategorijal-nih varijabli definisanih u trećem poglavlju.Stabla odlučivanja su čestalatupredviđanjuuspjehastudenataustudiranjusastepenomuspje-šnosti većim od 65% (Romero, 2008). Stepen uspješnosti zavisi od

( )xxxβα

βαπ

++

+=

exp1)exp()(

∑−==

m

iiG ptI

1

21)(

37

uzorka,izabranihvarijabliikriterijumaprocjenjivanja.Ujednomistra-živanju u Indoneziji (Sembiring i dr., 2011) korišćene su četiri grupevarijablikaoprediktori i to: Interest,StudyBehavior,EngageTime andFamilySupport.Kategorijalnevarijablesubile:excellent,verygoodandgood.Stabloodlučivanjajeuprosjeku69,33%uspješnopredviđalosveslučajeve. Istraživanje sprovedeno na Novom Zelandu (Kovačić J. Z.,2009) upotrebom CART algoritma pokazuje da se uspjeh studenatamože uspješno predvidjeti u 62,3% slučajeva. Navedeni rezultatpotvrdiojekoristećistabloodlučivanja.

NekaistarživanjapokazujuIneštoslabijerezultateupredviđanjuuspjehapomoćudatamining.Uradu(Vandamme,Meskens&Superby,2007) korišćena su stabla odlučivanja, neuronske mreže i linearnuanalizu diskriminanti za ranu identifikaciju tri kategorije studenata:low risk,medium risk i high risk.Neki od podataka o studentimaprvegodine (demografski podaci i prethodni akademski uspeh) nafrankofonim belgijskim univerzitetimasu značajno korelirani saakademskim uspehom. U pitanju su bili sljedeći podaci: prethodnoobrazovanje,broj časovamatematike, finansijskanezavisnost iuzrast.Sa druge strane, pol, obrazovanje i profesija roditelja i bračni statusnisu značajno uslovljavali akademski uspeh.Međutim, sve trimetodekorišćene za predikciju nisu se pokazale dovoljno dobro.Ukupnogledano, korektno klasifikovanih slučajeva je bilo 40.63% pomoćustabala odlučivanja, 51.88% pomoću neuronskih mreža i 57.35%pomoćulinearneanalizediskriminanti.

1.6.3 Primjenaneuronskihmreža

Neuronske mreže simuliraju način rada ljudskog mozga priobavljanju datog zadatka ili neke funkcije. Neuronska mreža jemasovnoparalelizovandistribuiraniprocesorsaprirodnomsposobno-šćumemorisanjaiskustvenogznanjaiobezbeđivanjanjegovogkorišće-nja. Vještačke neuronske mreže podsjećaju na ljudski mozak u dvapogleda:

• neuronskamrežazahvataznanjekrozprocesobučavanja,• težine međuneuronskih veza (jačina sinaptičkih veza) služe

zamemorisanjeznanja(Milosavljevic,2005).Vještačke neuronskemreže spadaju u inteligentnemetodedata

mining-a,čiji jeciljdapronađeskrivenevezemeđupodacima. Vješta-čka neuronska mreža je međusobno povezana grupa jednostavnihelemenata obrade, jedinica ili čvorova, čiji se rad zasniva na načinudjelovanja neurona kod živih bića. Sposobnost obrade mreže jeposljedica jačine vezameđu tim jedinicama, a postiže se kroz procesadaptacije ili učenjem iz skupa primjera za učenje (Russell, 2002).

38

Drugimriječima,neuronskemrežesuprogramiilihardverskisklopovikoji, najčešće iterativnimpostupkom iz prošlih podataka nastoje pro-naćivezuizmeđuulaznihiizlaznihvarijablimodela,kakobisezanoveulaznevarijabledobilavrijednostizlaza.Vještačkineuronjejedinicazaobradupodataka(varijabli)kojaprimaponderisaneulaznevrijednostiod drugih varijabli, prema nekoj formuli transformiše primljenu vri-jednost tešalje izlazdrugimvarijablama.Učenjeseodvijapromjenomvrijednosti „težina“ među varijablama (težine su ponderi kojima semnožeulaznevrijednostiuneki „neuron“). Sobziromnabroj slojeva,tip učenja, tip veze između neurona, veza između ulaznih i izlaznihpodataka,ulazneiprenosnefunkcije,namjenu,razlikujusebrojnialgo-ritmi neuronskih mreža. Zbog njegove opšte namjene (budući da jepogodanizaproblemepredviđanjaiklasifikacije),teučestaleupotrebeu istraživanjima, zamodelovanje je korišten algoritam višeslojni per-ceptron. Višeslojni perceptron pripada u nadgledane algortime savezomunaprijed (feedforward), u kojoj se slojevimreže povezuju nanačin da signali putuju samo u jednom smjeru, od ulaza ka izlazimamreže.Najpoznatiji inajčešćeupotrebljavanialgoritamprimijenjenzaučenje i treniranjevišeslojnihperceptronmreža je tzv.mreža „širenjeunatrag“ (backpropagation). Algoritammreže „širenje unatrag“ bio jepresudan za široku komercijalnu upotrebu ove metodologije, te jeneuronske mreže učinio široko upotrebljavanom i popularnommetodomurazličitimpodručjima.Standardnialgoritammreže„širenjeunatrag“ uključuje optimizaciju greške koristeći determinističkialgoritam gradijentnog opadanja (gradient descent) (Milosavljević,2005). Glavni nedostatak ovog algoritma je problem čestogpronalaženja lokalnog umjesto globalnog minimuma greške, te stoganovija istraživanja uključuju njegovo unapređivanje nekim drugimdeterminističkim (npr. metode drugoga reda) ili stohastičkimmetodama(npr.simuliranokaljenje).Strukturumrežečineulaznisloj,izlaznislojinajmanjejedanskrivenislojsavezomunaprijed.

Jedni od prvih autora u tom području koji koriste neuronskemreže su (Hardgrave i dr., 1994) koji upoređuju neuronske mreže itradicionalne statističke tehnike u predviđanju uspješnosti studenatanadiplomskomstudiju.Daljiradistihautoranaglašavakakoseodlukao tome da li primiti nekog studenta na studije zasniva na brojnimfaktorima, te je nužno razviti prediktivne modele koji će omogućitinekom fakultetu upisivanje onih studenata za koje je postoji visokavjerovatnoća da će studirati uspješno. Njihovo istraživanje pokazujesljedeće:(a)klasifikacionetehnikesupogodnijezapredviđanjeuspjehastudenata od prediktivnih metoda, (b) predviđanje uspjeha ili neus-pjeha studenata na diplomskom studiju nije dovoljno tačno ako sekoristesamotipičnipodacikojiopisujustudenta,i(c)neparametrijskeprocedure, kao što su neuronske mreže, produkuju barem jednako

39

tačan rezultat kao i tradicionalne metode i vrijedan su potencijal zadaljaistraživanjautompodručju.

Istim problemom odlučivanja o prijemu kandidata na studijebavilisuseiNaikiRegotman(NaikiRagothaman,2004),kojisuistra-živali uspješnostnaMBAstudiju.Koristili suneuronskemreže, logit iprobit modele za predviđanje uspješnosti studenata koji se upišu naMBA studije. Neuronskemreže su klasifikovale studente u uspješne ineuspješne na osnovu njihovog prosjeka ocjena na preddiplomskomstudiju, rezultatima GMAT testa, smjera na preddiplomskom studiju,starosti i drugih varijabli. Rezultati pokazuju da su neuronskemrežejednako uspješne kao i ostale tehnike, ali ih zbog brojnih prednostipreporučujuzaupotrebuutompodručju.

Istraživanje (Sulaimana iMohezara, 2006), bavi se istom tema-tikom,aliidekorakdaljeuidentifikovanjuključnihfaktorauspješnosti.Njihov model pokazao je da je dosadašnji prosjek ocjena studentanajznačajnijiprediktornjegovedaljnjeuspješnosti,dokvarijablepoputstarosti,etničkepripadnosti,pola, tegodinaradnog iskustvanisuzna-čajnezauspješnoststudiranja.

AutoriizMalezije(ZaidahiDaliela,2008)suuporedilineuronskemreže, stabla odlučivanja i linearnu regresionu analizu u predviđanjuuspješnosti studenata.Uspjeh su mjerili kumulativnim prosjekomocjena tokom studija, a kao ulazne varijable koristili su demografskiprofil studenata i prosjek ocjena na prvom semestru preddiplomskogstudija.Rezultatipokazujudasusvetrimetodeproizveletačnostvećuod 80%, dok neuronske mreže daju veću tačnost od ostalih dvijumetoda.

AutorisafakultetaorganizacionihnaukauBeogradu(Vukićevićidr.,2010),sukoristilineuronskemrežezapredviđanjeuspjehastude-nata koristeći podatke o studentima, koji obuhvataju lične podatke ipodatkeouspjehunaprvojgodinistudija,ukupno14različitihvarija-bli.Kaoizlazizneuronskemreže,zasvakogstudentaneuronskamrežajekreiralapromenljivukojapredstavljapredviđenjuprosječnuocjenunakrajustudija.Testiranojeukupnošestalgoritamazaobučavanjaodkojih se najbolji algoritam po svim kriterijumima izdvojio ExhaustivePrune. Karamouzis i dr. (Karamouzis i dr. 2008) su koristili dvanaestulaznihparametarazapredviđanjeuspjeha307studenata.Uspješnostpredviđanja bila je na nivou 70.27% za uspješne i 66.29% zaneuspješne.

40

1.7 Cilj,zadaciihipotezaistraživanja

Naosnovudefinisanogpredmeta istraživanja izdvajaju se ciljevikojibisemoglisvrstatiudvijegrupeito:

- analizapostojećihinformacionihmodelakojisuuupotrebiusistemima obrazovanja sa stanovišta mogućnosti unapre-đivanjanjihovihperformansi;

- definisanje informacionog modela koji bi uz adekvatnusoftversku podršku mogao pružiti dovoljnu količinu infor-macijazapredikcijuponašanjapojedinihdijelovaobrazovnogsistema,aposebnouspješnostistudentaustudiranju.

Postavljeni ciljevi rada nameću potrebu definisanja osnovnih

hipoteza kao pretpostavki omogućem rješavanju problema. Osnovnehipotezeovogradasu:

1. Moguće je definisati model podataka za evidenciju uspjehastudenata koji će biti u skladu sa potrebama predikcije iobrazovnom praksom u visokoškolskim ustanovama, čijareprezentacijajedatauformalnomimašinskičitljivomobliku.

2. Moguće je odabrati i definisati tehnike za predikcijuuspješnosti studiranja koje će biti bazirane na prethodnodefinisanommodelu.

3. Moguće je realizovati informacioni sistem za podrškupredviđanju uspjeha studenata koji će omogućiti dapredviđanje uspješnosti studiranja postane integralni deoinformacionogsistemazapodrškuučenjukojisemožekoristitiupraksi.

41

2 Standardizareprezentacijuprofilastudenata

Danas još ne postoji univerzalno prihvaćen standard za repre-zentacijupodatakaostudentima(profilastudenta).Postojivišeinicija-tivazastandardizacijumodelaučenika.DvijenajvažnijespecifikacijeuovojoblastisuIEEELTSCPAPI(PAPI,2002)iIMSLIP(IMSLIP,2005).Ovi standardidefinišu,prije svega,apstraktnemodeleprofilaučenika,alidefinišuimapiranjetakvihmodelanakonkretnusintaksunekogodviše jezika, npr. XML. Cilj ovih standarda je definisanje standardnogformatazarazmjenupodatakaoprofilimaučenikanatakavnačindaseomogućeefikasnoskladištenje,pristup,obradaipretraživanje.Postojeznačajnerazlikeizmeđuovadvastandarda.FokusPAPIstandardajedadefiniše minimalan skup informacija koji će omogućiti praćenjeuspješnosti učenika tokom učenja. On obuhvata koncepte kao što superformanse učenika, portfolio i veze sa drugim učenicima. Sa drugestrane, LIP standard definiše bogatije strukture podataka kojeobuhvatajuiciljeveučenika,interesovanjaiosobineučenikaizaspektapersonalizacijesadržaja.

2.1 IEEELTSCPAPI

PublicandPrivateInformation(PAPI)forLearners(PAPILearner)(PAPI, 2002)standard je specifikacija koja opisuje učenika za potreberazmjene podataka između sistema za podršku učenju. Pri tome,komunikacijasemožeoslanjatiisključivonaPAPILearnerstandardaliinadrugespecifikacije.PAPIjepropisaokomitetIEEELTSC(InstituteofElectrical and Electronic Engineers, Learning Technology StandardsCommittee).Razmjenapodatakamožeseodvijatinarazličitenačine:

1. Na nivou usvojenog formata poruka: koristi se samo PAPILearner kodiranje podataka, dok se metod za komunikacijuugovaraizmjeđustranakojerazmjenjujupodatke.

2. Na nivou usvojenog programskog interfejsa (API): koristi sePAPIspecifikacijaprogramskoginterfejsa.

3. Nanivoukomunikacionogprotokola:koristisePAPIspecifika-cijaprotokolazarazmjenupodataka.

42

Važna osobina PAPI Learner standarda je logička podjela,odvojenabezbjednostirazdvojenaadministracijavišerazličitihtipovainformacijaoučeniku(tzv.zapisaoučeniku,learnerrecords).Ovitipoviinformacija supoznati kaoprofili učenika (learnerprofiles). Standardsesastojiizsljedećihdijelova:

1. IEEE1484.2.1–CoreFeatures:zajedničkielementisvihdijelovastandarda,kaoštosuzajedničkimodelpodatakaireferencenadrugestandarde.

2. IEEE1484.2.2–Rationale:objašnjenjaodlukadonošenihtokomrazvojaovogstandarda.

3. IEEE1484.2.3–LearnerInformationSecurityIssues:informacijei preporuke za pitanja bezbjednosti informacija u implemen-tacijiovogstandarda.

4. IEEE 1484.2.4 –ExamplesandIllustrations: informacije koje suodpomoćiuimplementacijistandarda.

5. IEEE 1484.2.5 –Registration Authority Process: definiše načinregistracije i održavanja podataka iz kontrolisanih skupova(šifarnika), načina za kodiranje podataka, skupova validnihpodatakaislično.

6. IEEE 1484.2.6 – Data Element Registry: registar postojećihelemenata podataka, skupova validnih podataka, načina zakodiranjepodatakaislično.

7. IEEE 1484.2.21 – Learner Contact Information: lični podaci oučeniku.

8. IEEE 1484.2.22 – Learner Relations Information: podaci oosobamasakojimajeučeniksarađivaoutokuučenja(učeniciizisteučionice/razreda/klase,članovitimova,mentori) ivezamaizmeđunjih.

9. IEEE 1484.2.23 – Learner Security Information: podaci oprivatnim i javnim ključevima učenika, biometrijski podaci,akreditiviislično.

10. IEEE 1484.2.24 – Learner Preference Information: podaci oupotrebljivim i neupotrebljivim ulazno-izlaznim uređajima zaposmatranogučenika,fizičkaograničenja,stiloviučenja.

11. IEEE1484.2.25–LearnerPerformanceInformation:informacijeo uspjehu učenika, kao što su ocjene, periodični izveštaji idnevnici.

12. IEEE 1484.2.26 – LearnerPortfolio Information: informacije opostignućimaučenika,realizovanimradovimaislično.

PAPILearner standard definiše strukture podataka o učenicimapomoćuISO/IEC11404tipovapodatakaopštenamene(generalpurpo-sedatatypes,GPD)saciljemdadefinicijastruktureovihpodatakabudeupotrebljiva u različitim kontekstima i tehnologijama za implementa-

43

ciju softvera. Pored toga, standard obuhvata i kodiranje ovakodefini-sanihstrukturapodatakanaXMLiDNVPsintaksu.

2.1.1 Primjeropisastudenta

U listingu 2.1 dat je primjer XML reprezentacije PAPI Learnerličnih podataka o studentu. Primjer iz listinga ilustruje širok opsegpodatakaoučenikukojijepredviđenovimstandardom.Pravilnaimple-mentacija standardamoravoditi računaozaštitiprivatnosti, odnosnodostupnostiovih informacijauskladusapreporukama izsekcije IEEE1484.2.3.Za identifikacijuučenikakoristise ISO/IEC21484-13SimpleHumanIdentifiersstandard.<my_contact_identifier_list> <contact_identifier> <identifier_kind>pointer</identifier_kind> <identifier_value>0x12345678</identifier_value> </contact_identifier> </my_contact_identifier_list> <my_contact_hid_list> <learner_hid> <identifier_kind>ISO_IEC_21484_13</identifier_kind> <identifier_value>00112233</identifier_value> </learner_hid> </my_contact_hid_list> <name_list> <name> <official_name> <primary>Public</primary> <secondary>Joseph Q.</secondary> </official_name> <sort_name locale="en-US">Public, Joseph Q.</sort_name> <short_informal_name locale="en-US">Joe</short_informal_name> </name> </name_list> <telephone_list> <telephone> <context_label>home</context_label> <identifier_kind>voice</identifier_kind> <phone_number>+12125551212</phone_number> </telephone> <telephone> <context_label>work</context_label> <identifier_kind>fax</identifier_kind> <phone_number>+12125551414</phone_number> </telephone> </telephone_list> <email_contact_list> <email_contact> <context_label>home</context_label> <email_address_type>rfc822</email_address_type> <email_address>foobar@mail.com</email_address>

44

</email_contact> </email_contact_list> <postal_address_list> <postal_address> <context_label>school</context_label> <addressee> <name> <given>Joseph Q.</given> <family>Public</family> </name> </addressee> <delivery> <street> <number>123</number> <name>Main</name> <street_type>Street</street_type> </street> <city>New York</city> <territory>NY</territory> <routing>10001</routing> <country>USA</country> </delivery> </postal_address> </postal_address_list> <contact_bucket> <bucket> <name>us_social_security_number</name> <value>123-45-6789</value> </bucket> <bucket> <name>payment_method</name> <value>371234567890123/200212/John Q. Public</value> </bucket> </contact_bucket>

Listing2.1PAPILearner–primjerličnihpodatakaoučeniku(PAPI,2002)

PosebnointeresantandioPAPILearnerspecifikacijejestemoguć-nostopisa informacijaovezamaučenikasadrugimosobamaumašin-skičitljivomoblikukojiomogućavakasnijuanalizu.Listing2.2predsta-vlja primjer podataka o vezama učenika sa drugim osobama. U pri-mjerujeprikazanavezaizmeđuposmatranogučenikaidrugogučenikaizistogodjeljenja.ReferenciranjenadrugeosobeoslanjasenaISO/IEC21484-13 Simple Human Identifiers standard. Listing 2.3 predstavljaprimjerpodatakaolozinkamazaautentikacijuiakreditivimaučenika.<my_relations_identifier_list> <relations_identifier> <identifier_kind>pointer</identifier_kind> <identifier_value>0x12345678</identifier_value> </relations_identifier> </my_relations_identifier_list> <my_relations_hid_list>

45

<learner_hid> <identifier_kind>ISO_IEC_21484_13</identifier_kind> <identifier_value>44556677</identifier_value> </learner_hid> </my_relations_hid_list> <relationship_list> <relationship> <others_identifier_list> <others_identifier> <identifier_kind>ISO_IEC_21484_13</identifier_kind> <identifier_value>44556688</identifier_value> </others_identifier> <others_identifier> <identifier_kind>ISO_IEC_21484_13</identifier_kind> <identifier_value>44556699</identifier_value> </others_identifier> </others_identifier_list> <relationship_label_list> <relationship_label LANG="en-US"> history_101_section_3 </relationship_label> </relationship_label_list> <relationship_to_them>classmate</relationship_to_them> </relationship> </relationship_list> </my_relations_identifier_list>

Listing2.2PAPILearner–primjeropisavezeizmeđuučenika(PAPI,2002)

<my_security_identifier_list> <security_identifier> <identifier_kind>pointer</identifier_kind> <identifier_value>0x12345678</identifier_value> </security_identifier> </my_security_identifier_list> <my_security_hid_list> <learner_hid> <identifier_kind>ISO_IEC_21484_13</identifier_kind> <identifier_value>88990011</identifier_value> </learner_hid> </my_security_hid_list> <credential_list> <credential> <context_label>home</context_label> <credential_kind>password</credential_kind> <credential_value>swordfish</credential_value> </credential> <credential> <context_label>work</context_label> <credential_kind>biometric_type_1</credential_kind> <credential_value>120398123b10931203123</credential_value> </credential> </credential_list>

46

Listing2.3.PAPILearner–primjerpodatakaoakreditivimaiautentikaciji(PAPI,2002)

2.2 IMSLIP

IMS LIP (Learner InformationProfile) standard (IMS LIP, 2005)definiše strukture podataka, XML reprezentaciju i primjere dobreprakse za strukturiranje, skladištenje i razmjenu podataka o učeniku.IMS LIP je propisao IMS Global LearningConsortium [IMSGlobal].Ovaspecifikacija omogućava razmjenu informacija između sistema zapodršku učenju, sistema za podršku upravljanju ljudskim resursima,informacionihsistemaobrazovnihustanova,korporacijskihsistemazae-učenje, sistema za upravljanje znanjem, repozitorijuma biografija idrugih informacionih sistema koji učestvuju u procesu učenja. SviovakvisistemiseizperspektiveLIPstandardaposmatrajukaosistemikojičuvajupodatkeoučenikubezobzirananjihoveostalefunkcije.LIPdefiniše strukture podataka za opis profila učenika pomoću XMLSchema jezika. Protokol za razmenu podataka nije obuhvaćen ovimstandardom.

Vrsteinformaciјakoјesemodeluјuovimstandardomsusljedeće:

1. Identifikacioni podaci: biografski i demografski podaci (npr.ime, adresa, kontakt).Data je detaljniјa specifikaciјa u odnosunaistukodPAPILearnermodela.

2. Ciljevi:sadrže opise ciljeva konkretnog studenta i to prven-stveno u domenu obrazovanja i kariјere. Ovi opisi mogusadržati i informaciјe relevantne za praćenje napredovanjastudentauostvarivanjupostavljenihciljeva.

3. QCLpaket(Qualifications,CertificationsAndLicenses):informa-ciјeostudentovimkvalifikaciјama,sertifikatimailicencama.

4. Aktivnosti: bilježi sve aktivnosti studenta koјe se odnose naobrazovanje (npr. pohađani kursevi) i rezultatima koјe јeostvarionaprocenamaznanjanakonsvakogodtihkurseva.

5. Kompetenciјe:informaciјeovјeštinama,znanјimaisposobno-stimastudentakoјeјeonstekaoukognitivnom,afektivnomi/ilipsiho-motornomdomenu.

6. Transkript (prepis): sumarni pregled akademskih ostvarenjaučenika.

7. Dostupnost: opisuјe generalno pristupačnost učenikovim po-dacima i kognitivnim, fizičkim i tehnološkim mogućnostimaučenika, kao i o postoјanju nekih nedostataka zbog koјih јepotrebanposebanpristup.

8. Interesovanja: informaciјe o hobiјima i drugim rekreativnimaktivnostimastudenta.

47

9. Pripadnost: pripadnost studenta različitim profesionalnim,obrazovnimidrugimorganizaciјama.

10. Bezbjednosnipodaci:ključevi, lozinke ili drugi podaci koјisedodјeljuјuučenikuzapotrebepristupasistemu.

11. Veze: daјe opis veza između poјedinih tipova informaciјa ostudentu.

Ključna osobina ovog standarda je podrška za proširenja.Proširenjasemoguuvoditinatrinačina.

1. Proširenja definicija: predstavljaju proširenja LIP specifika-cije u skladu sa dogovorom sistema koji učestvuju u razmjenipodataka.Internaorganizacijaovakvihproširenjanijeobuhva-ćena standardom,alinačinnakoji se strukturiraju i koriste jepreciznodefinisan.

2. Proširenjarečnika:predstavljajuproširenjaosnovnihrečnikapodatakakorišćenihuspecifikaciji.Mnogielementiustrukturipodataka imaju dodeljene rečnike koje održava IMS konzor-cijum.ProširenjasemogureferenciratipomoćuURIreference.

3. Funkcionalnaproširenja: predstavljaju proširenja koja omo-gućavaju korisnicima standarda da uvode funkcionalnost kojanijeinicijalnopredviđenastandardom.

IMSLIP je formalnodefinisankaoXMLSchemadokument.Slika2.1 predstavlja learnerinformation kao korijenski element ove šeme.Elementlearnerinformationjepredstavljenkaosekvencapodelemenatakoji predstavljaju prethodno predstavljene osnovne komponenteprofilaučenika.Udaljemtekstubićeprikazaninajvažnijielementiovestrukture radi analize primjene LIP standarda za ciljeve koje definišeova disertacija. Ovi elementi će biti prikazani kroz niz dijagrama.Cjelovit prikaz strukture definisane LIP standardom izostavljen je iztehničkih razloga – dobijeni dijagram je prevelik za reprodukciju uštampanomdokumentu,alisemožedobitiprimenomnekogodsoftver-skihpaketazaanalizuXMLšema.

U skoro svim delovima šeme pojavljuju se odrijeđeni elementikojiimajugeneričkoznačenje–elementcommentpredstavljakomentaroposmatranomelementučitljivzačoveka,elementcontenttypepredsta-vlja tehnički opis vrste podataka kojima se rukuje u datomelementu,dokelementičijinazivpočinjesaext_predstavljajustandardnomjestozauvođenjeproširenjauovajmodelpodataka.

Identifikacioni podaci o učeniku predstavljeni su na slici 2.2. Upoređenju sa PAPI Learner standardom, LIP obuhvata više vrstapodataka,presvegademografskepodatkekojisurelevantnizaprocesučenja.

48

Slika2.1IMSLIP–elementlearnerinformation

Slika2.2IMSLIP–elementidentification

Podaciociljevimaučenikapredstavljenisunaslici2.3. Elementtypename predstavlja vrstu cilja i uzima vrijednost iz rječnika. Cilj jeiskazanverbalnimopisom(description),prioritetom(priority),stanji-ma(status)idatumimarelevantnimzastanjecilja(date).Elementgoalpredstavlja podciljeve i omogućava izgradnju hijerarhije ciljeva pričemusupodciljeviopisaniidentičnomstrukturom.

49

Slika2.3IMSLIP–elementgoal

Podaci o kvalifikacijama, sertifikatima i licencama su predsta-vljeni elementom qcl sa slike 2.4. Elementom typename (vrijednost izrječnika)predstavljenajevrstakvalifikacije,sertifikataililicence.Nazivje dat elementom title, organizacija koja je izdala dokument je dataelementom organization, dok je identifikator te organizacijepredstavljenelementomregistrationno.Nivokvalifikacije,sertifikataililicence je predstavljen elementom level, a njen tekstualni sadržajelementom text. Verbalni opis je dat elementom description. Datumsticanjajepredstavljenelementomdate.

Slika2.4IMSLIP–elementqcl

Aktivnostiučenikapredstavljenesustrukturomsaslike2.5.Vrstaaktivnosti (vrednost iz rečnika) je predstavljena elementom typename.Stanjaaktivnostidatasuelementomstatus,doksudatumivezanizatastanjadatielementomdate.Elementomunitsomogućenojestrukturi-

50

ranje materijala izučavanog u okviru ove aktivnosti. Opis izučavanogmaterijala moguće je formalno iskazati pomoću reference na opis unekomdrugomsistemu(learningactivityref)ilinjegovomdefinicijomu okviru ovog dokumenta (definition) ili opisom proizvoda nastalogsprovođenjemaktivnosti(product),svedočanstvomdrugeosobekojajeučestvovala u aktivnosti (testimonial) ili vrednovanjem postignućauaktivnosti kroz proveru znanja ili na neki drugi način (evaluation).Verbalni opis aktivnosti dat je elementom description. Hijerarhijskouređenje aktivnosti omogućeno je elementom activity koji imaidentičnustrukturu.

Slika2.5IMSLIP–elementactivity

Rezultatiprovjereznanja,uokviruprethodnoprikazanestruktu-re, predstavljeni su podstrukturom sa slike 2.6.Metapodaci vezani zaevaluacijuprikazanisuelementomevalmetadata.Pojedinačniobrazovniciljevi vezani za materijale za evaluaciju definisani su elementomobjectives. Broj pokušaja načinjen prilikom evaluacije je prikazanelementom noofattempts. Vrijeme trajanja evaluacije prikazano jeelementom duration. Rezultati evaluacije prikazani su elementomresults. Informacije potrebne za interpretaciju rezultata (npr. maksi-malan broj bodova) nalaze se u elementu interpretscore, dok sekonkretni rezultati evaluacije nalaze u elementu score. Hijerarhijskouređivanje rezultata omogućeno je podelementom results saidentičnomstrukturom.

51

Slika2.6IMSLIP–elementevaluation

Stečene kompetencije su prikazane strukturom sa slike 2.7.Elementom exrefrecord predstavljena je referenca na formalni opiskompetencije u nekoj eksternoj strukturi podataka odnosno sistemu.Verbalni opis kompetencije predstavljen je elementom description.Formalnodefinisanjekompetencijajeizvanopsegaovogstandarda.

52

Slika2.7IMSLIP–elementcompetency

Prepis akademskih ostvarenja učenika predstavljen je struktu-romsaslike2.8.Referencanaeksterni formalniopisostvarenjadat jeelementomexrefrecord.Verbalniopisdat jeelementomdescription,atipizacijapomoćuvrijednostiizrječnikaelementomtypename.

Slika2.8IMSLIP–elementtranscript

Informacijeodostupnostidefinisane su strukturomsa slike2.9.Jezik kojim se služi učenik za čitanje, pisanje i govor predstavljen jeelementomlanguage.Nivoivještineukorišćenjujezikaipoželjnijeziksudefinisaniuodgovarajućimpodelementima (izostavljeni sa slike).Ele-ment eligibility predstavlja ocjene podobnosti učenika i trenutno jeostavljenzarazvojubudućojverzijistandarda.Elementompreferencepredstavljene su poželjne opcije u procesu učenja za datog učenika.Elementomdisabilitypredstavljenesuposebnepotrebeposmatranogučenikakojeutičunaprocesučenja.

Slika2.9IMSLIP–elementaccessibility

53

Interesovanjaučenikasupredstavljenastrukturomsaslike2.10.Tipizacija interesovanja pomoću vrijednosti iz rječnika data jeelementom typename. Opis proizvoda koji je nastao kao deo bavljenjaaktivnostimaizoblastiinteresovanjaučenikadatjeelementomproduct.Verbalniopisinteresovanjajepredstavljenelementomdescription.

Slika2.10IMSLIP–elementinterest

Pripadnostučenikaobrazovnimilidrugiminstitucijamajedefini-sana strukturom sa slike 2.11. Tipizacija pripadnosti vrijednošću izrječnika (npr. professional) omogućena je elementom typename. Vrstapripadnosti u konkretnoj organizaciji predstavljena je elementomclassification (npr. member ili fellow). Identifikator članstva (npr.članskibroj)prikazanjeelementomaffiliationid.Ulogekojejeučenikuzimao u organizaciji predstavljene su elementom role. Podaci oorganizacijipredstavljenisuelementomorganization,astatusinjegovidatumi promjene elementima status i date. Pojam pripadnosti jemogućeureditiuhijerarhijskustrukturu(podelementaffiliation).

Slika2.11IMSLIP–elementaffiliation

54

Bezbednosni podaci opisani su strukturom sa slike 2.12. Svakipojedinačnipodatakopisanjestrukturomkeyfields,sapodelementimafieldlabel (klasifikacija podatka, npr. lozinka, javni ključ, itd) ifielddata (vrednost podatka). Tipizacija je omogućena elementomtypenamesavrednošćuizrečnika.

Slika2.12IMSLIP–elementsecuritykey

Veze između pojedinih elemenata profila učenika definisane sustrukturomsaslike2.13.Uvezimogudaučestvujurazličitielementi,naprimjer, aktivnosti i QCL opisi. Veza je formalno opisana elementomtuple (slika 2.14) koja ima izvorište (element tuplesource), odredište(elementtupledest)iopisvrsteveze(elementtuplerelation).

Slika2.13IMSLIP–elementrelationship

Slika2.14IMSLIP-elementtuple

55

2.2.1 Primjeropisastudenta

Na listingu 2.4 dat je primjer minimalnog zapisa učeničkogprofila po IMS LIP standardu. Zapis sadrži osnovni identifikatorIMS_LIP_V1p0_Example:basic_1001, definiše njemački jezik i nivoevještineučenikau korišćenjunemačkog jezika. Poznavanje još jednogjezika bi se prikazalo dodavanjem još jednog elementa language uprikazanustrukturu.<learnerinformation> <comment>An example of LIP Accessibility information.</comment> <contentype> <referential> <sourcedid> <source>IMS_LIP_V1p0_Example</source> <id>basic_1001</id> </sourcedid> </referential> </contentype> <accessibility> <contentype> <referential> <indexid>accessibility_01</indexid> </referential> </contentype> <language> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>German</tyvalue> </typename> <contentype> <referential> <indexid>language_01</indexid> </referential> </contentype> <proficiency profmode="OralSpeak">Excellent</proficiency> <proficiency profmode="OralComp">Excellent</proficiency> <proficiency profmode="Read">Good</proficiency> <proficiency profmode="Write">Poor</proficiency> </language> </accessibility> </learnerinformation>

Listing2.4.Minimalniprofilučenikapo(IMSLIP,2005)

Za datog učenika moguće je dodati informacije o posebnimpotrebama kroz element accessibility. U primjeru sa listinga 2.5navedeno jedaposmatraniučenikkoristiuređajesakrupnimfontominavedenajekognitivnakarakteristikaučenika.<accessibility> <contentype> <referential>

56

<indexid>accessibility_01</indexid> </referential> </contentype> <preference> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>InputTech</tyvalue> </typename> <contentype> <referential> <indexid>preference_01</indexid> </referential> </contentype> <prefcode>Large Font Display Devices</prefcode> </preference> <preference> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Cognitive</tyvalue> </typename> <contentype> <referential> <indexid>preference_02</indexid> </referential> </contentype> <prefcode>Exploratory</prefcode> </preference> </accessibility>

Listing2.5.Primjerinformacijaoposebnimpotrebama(IMSLIP,2005)

Primjeropisajedneobrazovneaktivnostidatjenalistingu2.6.Uovom primjeru, naveden je datum aktivnosti (element datetime), brojkredita koji je dodijeljen aktivnosti i referenca na eksternu definicijuaktivnosti(learningactivityref).<activity> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Education</tyvalue> </typename> <contentype> <referential> <indexid>activity_1</indexid> </referential> </contentype> <date> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Award</tyvalue> </typename> <datetime>1980:7</datetime> </date> <units> <unitsfield>

57

<fieldlabel> <typename> <tyvalue>CreditNumber</tyvalue> </typename> </fieldlabel> <fielddata>10</fielddata> </unitsfield> </units> <learningactivityref> <text>HNC in Mathematics</text> </learningactivityref> </activity>

Listing2.6.Primjeropisaeksternodefinisaneaktivnosti(IMSLIP,2005)

Primjer opisa aktivnosti koji sadrži i definiciju kursa dat je nalistingu2.7.Uovomprimjeruprikazan jedeokurikulumakojiuprvojgodini ima dva predmeta (sa identifikatorima Electronics_101 iMaths_101),svakisapodvijenastavnejedinice.<activity> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Education</tyvalue> </typename> <contentype> <referential> <indexid>activity_1</indexid> </referential> </contentype> <definition> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Course</tyvalue> </typename> <contentype> <referential> <indexid>DegreeCourse</indexid> </referential> </contentype> <definition> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Curriculum</tyvalue> </typename> <contentype> <referential> <indexid>Year1</indexid> </referential> </contentype> <definition> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Module</tyvalue> </typename>

58

<contentype> <referential> <indexid>Electronics_101</indexid> </referential> </contentype> <definitionfield> <fieldlabel> <typename> <tyvalue>Lecture1</tyvalue> </typename> </fieldlabel> <fielddata>BooleanLogic</fielddata> </definitionfield> <definitionfield> <fieldlabel> <typename> <tyvalue>Lecture2</tyvalue> </typename> </fieldlabel> <fielddata>Transistors</fielddata> </definitionfield> </definition> <definition> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Module</tyvalue> </typename> <contentype> <referential> <indexid>Maths_101</indexid> </referential> </contentype> <definitionfield> <fieldlabel> <typename> <tyvalue>Lecture1</tyvalue> </typename> </fieldlabel> <fielddata>BooleanLogic1</fielddata> </definitionfield> <definitionfield> <fieldlabel> <typename> <tyvalue>Lecture2</tyvalue> </typename> </fieldlabel> <fielddata>BooleanLogic2</fielddata> </definitionfield> </definition> </definition> </definition> </activity>

Listing2.7.Primjeropisaaktivnostikojisadržiidefinicijukursa(IMSLIP,2005)

59

Primjer obrazovne aktivnosti koja je rezultovala odrijeđenimproizvodom – u ovom slučaju, završnim radom koji je dostupan udigitalnom obliku – prikazan je na listingu 2.8. Na sličan način,upotrebom elementa testimonial, umjesto elementa product, može seprikazatiizvještajsaobavljenestručneprakse.<activity> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Education</tyvalue> </typename> <contentype> <referential> <indexid>activity_1</indexid> </referential> </contentype> <date> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Create</tyvalue> </typename> <datetime>1980:7</datetime> </date> <product> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Coursework</tyvalue> </typename> <contentype> <referential> <indexid>activity_product_01</indexid> </referential> </contentype> <description> <short>Thesis</short> <full> <media mediamode="Text" mimetype="text/word" contentreftype="uri"> http://document.storage.edu/myfile/thesis.doc </media> </full> </description> </product> </activity>

Listing2.8.Primjerobrazovneaktivnostikojarezultujepisanimradomudigitalnomobliku(IMSLIP,2005)

Primjerrezultataevaluacijeprikazanjenalistingu2.9.Aktivnostsa identifikatorom activity_1 nosi 20 kredita, ispitno telo saidentifikatorom 12345 je izvršilo ispitivanje i kao rezultat dalo 30bodovaodmogućihminimalno0imaksimalno100.

60

<activity> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Education</tyvalue> </typename> <contentype> <referential> <indexid>activity_1</indexid> </referential> </contentype> <units> <unitsfield> <fieldlabel> <typename> <tyvalue>CreditNumber</tyvalue> </typename> </fieldlabel> <fielddata>20</fielddata> </unitsfield> </units> <evaluation> <contentype> <referential> <sourcedid> <source>ExamBoard</source> <id>12345</id> </sourcedid> </referential> </contentype> <result> <interpretscore> <fieldlabel> <typename> <tyvalue>MinimumScore</tyvalue> </typename> </fieldlabel> <fielddata>0</fielddata> </interpretscore> <interpretscore> <fieldlabel> <typename> <tyvalue>MaximumScore</tyvalue> </typename> </fieldlabel> <fielddata>100</fielddata> </interpretscore> <score> <fieldlabel> <typename> <tyvalue>Score</tyvalue> </typename> </fieldlabel> <fielddata>30</fielddata> </score> </result> </evaluation> </activity>

Listing2.9.Primjerunijetogrezultataocjenjivanjauaktivnost(IMSLIP,2005)

61

Primjer referenciranja na eksterno definisane kompetencije datje na listingu 2.10. U ovom primjeru učenik je 1998. godine osvojionagraduzauspjehusticanjukompetencijakojesuopisaneueksternimresursima(dokumentima)nakojeupućujeodgovarajućaURLadresa.<competency> <contentype> <referential> <indexid>competency_01</indexid> </referential> </contentype> <exrefrecord> <recformat uri="compformats/vocabulary.doc"/> <recdata uri="learner1/competency.doc"/> <date> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Award</tyvalue> </typename> <datetime>1998</datetime> </date> </exrefrecord> <description> <short>IT Competencies</short> </description> </competency>

Listing2.10.Primjerreferenciranjanaeksternodefinisanekompetencije

Izražavanje ciljeva omogućeno je kroz strukturirane podatke(vrijemenske odrednice, opise stanja i procesa) i nestrukturiranepodatke koji se nalaze u eksternim resursima na koje ukazuju URLadrese.Nalistingu2.11.datjeprimjerjednogopisacilja.<goal> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Work</tyvalue> </typename> <contentype> <referential> <indexid>goal_01</indexid> </referential> </contentype> <date> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Start</tyvalue> </typename> <datetime>2000:11:06</datetime> </date> <priority>Primary Objective</priority> <status> <typename>

62

<tysource sourcetype="imsdefault"/> <tyvalue>Active</tyvalue> </typename> <date> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Effective</tyvalue> </typename> <datetime>2000:11:06</datetime> </date> </status> <description> <short>Career Plan</short> <full> <media mediamode="Text" mimetype="text/word" contentreftype="uri"> learner1/careerplan.doc </media> </full> </description> </goal>

Listing2.11.Primjerreprezentacijecilja(IMSLIP,2005)

Primjer reprezentacije licence dat je na listingu 2.12. U ovomprimjeru učenik je stekao licencu za obavljanje taksi usluga koju jeizdalasaveznadržavaNjujorkikojaimaodgovarajućiperiodvaženja.<qcl> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Licence</tyvalue> </typename> <contentype> <referential> <indexid>qcl_01</indexid> </referential> </contentype> <title>Taxi Driver Licence</title> <organization> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Government</tyvalue> </typename> <description> <short>New York State</short> </description> </organization> <registrationno>24785NY</registrationno> <date> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Start</tyvalue>

63

</typename> <datetime>1996:09:01</datetime> </date> <date> <typename> <tysource sourcetype="imsdefault"/> <tyvalue>Expiry</tyvalue> </typename> <datetime>2001:08:31</datetime> </date> </qcl>

Listing2.12.Primjerreprezentacijestečenelicence(IMSLIP,2005)

2.3 Primjenestandardazareprezentacijuprofilaučenika

Analiza međusobnog odnosa između PAPI Learneri IMS LIPstandardadata jeuradu(Chatti idr,2005).Unjemu jepredstavljenorješenje za opisivanje, upoređivanje i transformaciju različitih profilaučenika.Ciljovogistraživanjajeformulisanjezajedničkogmeta-modelakoji će omogućiti razmjenu i korišćenje različitih modela učenikaizmeđu različitih tehnoloških platformi. Na osnovu tih rezultatamapiranjeprofila izmeđuPAPILearneri IMSLIP standarda implemen-tiranojepomoćuXSLTtransformacija.SkladištenjepodatakazasnivasenaupotrebiXMLbazepodatakaApacheXindice.

Primjena više standarda u oblasti tehnološki podržanog učenja(IMSLIP,IMSLD,IMSCP,IEEELOM,IMSQTI)uzmogućnostadaptacijepremapojedinačnimučenicimajerezultataLFanetprojekta[aLFanet].aLFanetprojekat je pokrenut sa ciljemda se realizuje adaptivnaplat-forma za podršku učenju koja omogućava interaktivno i personalizo-vanoučenjeputemInterneta.Na tajnačinučenici suumogućnostidana optimalan način pristupaju i savladavaju onu materiju koja je odznačaja za njihov rad. Projekat je fokusiran na učenik-centričnepedagoške metode uz naglasak na aktivnosti, saradnji i značajuinstrukcionog dizajna. Kao spona između komercijalno dostupnihsistema za podršku učenju, koji ne posjeduju osobine adaptivnosti, iistraživačkih prototipova koji su usmjereni upravo u tom pravcu,razvijen je novi sistem za podršku učenju koji se oslanja na IMS LIP(Boticarioidr,2006;Boticarioidr,2007).

64

3 Informacionimodelzapredviđanjeuspješnostistudiranja

U ovom poglavlju prikazan je model podataka za predviđanjeuspješnostistudiranjakojisemožeimplementiratiuokvirupostojećegIMS LIP standarda za reprezentaciju profila učenika. Potom suanalizirane metode za predviđanje koje koriste podatke definisaneovim modelom. Rezultati navedeni u ovom poglavlju su nastali kaorezultatistraživanjaobjavljenogu(SimeunovićiPreradović,2014).

3.1 Modelpodatakazapredviđanjeuspješnostistudiranja

Model podataka razvijen za potrebe predviđanja uspješnostistudiranja formalno je definisan kao skup podataka o studentima ipredstavljenpomoćupostojećihelemenataIMSLIPstandardatamogdeje to bilo moguće, odnosno pomoću proširenja ovog standarda usuprotnomslučaju.

U definisanju seta varijabli koje su ušle u prediktivni model zapredviđanje uspjeha u studiranja pošlo se od osnovne teorijskepretpostavke zasnovane na Blumovoj teoriji ličnosti (Bloom, 1956;Anderson, L.W i dr. 2001). Autor navodi tri domena koja utiču nauspjehuprocesuučenja i to:kognitivni, afektivni ipsihomotorni. Istotako,autornavodidasutrifaktoraodlučujućazapostizanjeuspjehaunastavi i to: kognitivne sposobnosti, emocionalne karakteristike ikvalitetinstrukcije.

Kognitivni domen uključuje znanje i razvoj intelektualnihsposobnosti na osnovu čega su definisani ciljevi u okviru područja.Kognicijaseodnosinasvjesnementalneaktivnosti:opažanje,mišljenje,zaključivanje, pamćenje, mišljenje, učenje. Kognicija obuhvata sveprocesesaznanjaisticanjaznanja.

Afektivnidomen(Krathwohlidr,1973)uključujenačinnakojisebavimostvarimaemotivno,kaoštosuosjećanja,vrijednosti,uvaža-vanje,entuzijazam,motivacija,istavovi.

Psihomotornidomen (Simpson, 1972) uključuje fizički pokret,koordinacijuikorištenjemotornihvještinaupodručjimaučenja.Razvoj

65

ovihvještinazahtijevapraksu imjeriseupogledubrzine,preciznosti,procjeneudaljenosti,procedure,ilitehnikauizvršenju.

Sobziromdaovakve teorijskepretpostavkegovoreoosnovnimfaktorimakojiutičunauspjehdefinisalismobaterijuinstrumenatakojabi obuhvatila svaki od njih. Za ispitivanje intelektualnih sposobnostikoristilismoRavenoveprogresivnematrice.

Ovajtestuključujumjerenjeedukativne,neverbalnesposobnosti,

odnosnosposobnostirazumijevanjakompleksnihsituacija,sposobnostipronalaženjaznačenjaudogađajima,sposobnostipercepcijeimišljenja.Testimašezdesetpitanjakojiseradeukupnočetrdesetminuta.

Motivaciju studenata za učenje u ovom istraživanjumjerili smoVelerandovom Skalom akademske motivacije (Academic MotivationScale), konstruisane 1992. godine. Ovaj instrument mjeri unutrašnjumotivaciju,identifikovanuiinternalizovanuregulaciju,vanjskuregula-cijuiamotivaciju.Instrumentsesastojioddvadesettvrdnjinakojeispi-tanici odgovaraju petostepenom skalom Likertovog tipa. Na primjer,unutrašnju motivisanost za pohađanje škole tretira pitanje: U školuidemzato štomoje iskustvogovorida ćudoživjeti zadovoljstvo i radostpriučenjunovihstvari.Nasličannačinsuformulisanaidrugapitanja.

Motivacijazaučenjenajsnažnijepovezanasaakademskimsamo-poimanjemtesamoefikasnošćuzaučenje,sakojimaimaumjerenoviso-kepozitivnekorelacije.Pozitivno je,alislabijepovezana isasamopoi-manjemverbalnihsposobnostitesasposobnošćurješavanjaproblema.Vrijednostučenjakaoindikatormotivacijezaučenjepozitivnojepove-zanaisaintrinsičnomteidentifikacijskommotivacijomzapoučavanje.Dakle, studenti učiteljskih studija koji su motivisani za učenje imajupozitivnijeakademskosamopoimanje,boljeprocjenjujuvlastitusamo-efikasnost u učenju, a iskazuju i više intrinsične motivisanosti zapoučavanjeučenika.Studentikojiimajuvećeakademskoiopštesamo-poštovanjeuvećojmjeriprocjenjujudasunastudijuzadovoljenenjiho-vepotrebezaautonomijomipovezanošćusadrugima.

U istraživanju koje su provele Jakšić i Vizek Vidović (2007) sepokazalo da je percepcija vlastite kompetentnosti za učenje povezanasa kvalitetnijimkorištenjem strategijaučenja (r=022), kao i varijabla‘’cilj ovladavanja zadatkomputemuključivanja’’ (r= 0,379).Na osnovudobijenih rezultata može pretpostaviti kako je zadovoljstvo vlastitimakademskim sposobnostima povezano sa kvalitetnijim procesimaučenjakojipotomrezultirajuboljimuspjehomnastudiju.

VodećiseIMSLIPstandardomkonstruisalismoupitnikkojisadr-ži petnaest pitanja koja su u visokojmjeri kopatibilna sa pitanjima iz„studentskeankete“UniverzitetauIstočnomSarajevu.Odgovorinasvapitanjauzimajuvrijednostiizkonačnogskupa.Unastavkusu,prilikomdefinisanjapitanja,datiiponuđenimogućiodgovori.

66

UprvukategorijuIdentifikacijasvrstalismopodatkeostudiranjuito:

• Studiram: (1) u mjestu rođenja, (2) svakodnevnoputujemnafakultet,(3)došaosamizdrugogmjestazbogstudiranja.

• Podaci o stipendiranju: (1) primam stipendiju, (2)povremenoprimamstipendiju,(3)neprimamstipendiju.

• Pol:(1)muško,(2)žensko.

UkategorijuCiljevimogusesvrstatisljedećipodaci:

• Važnomijekojućuocjenudobitinaispitu:(1)slažemse,(2)neodlučansam,(3)neslažemse.

UkategorijuAktivnostismouvrstilisveaktivnostivezanezauče-njestudenta,akojesenalazeiustudentskojanketiUISito:

• U tokudanaučenjuposvećujem: (1) do jedan sat, (2)dvadotrisata,(3)tridopetsati,(4)višeodpetsati.

• Za učenje najviše koristim: (1) knjigu profesora, (2)skripte drugih sudenata, (3) bilješke sa predavanja, (4)svedostupneizvore.

• Na predavanju prisustvujem: (1) redovno, (2)uglavnomredovno,(3)povremeno,(4)rijetko,(5)nikad.

• Izlazimnakolokvijume:(1)uvijek,(2)uglavnom,(3)neizlazimnakolokvijume.

• Prisustvo vježbama: (1) redovno, (2) uglavnomredovno,(3)povremeno,(4)rijetko,(5)nikad.

Posebnakategorijapitanjakojimabisemogaodopuniti IMSLIPseodnosenaorganizacijuprocesaučenjaisistemuradanafakultetimakojineposrednoutičunauspjehustudiranju.Njučinesljedećapitanja:

• Predavanjanamomstudijusu:(1)kvalitetnaikorisna,mogu sve saznati o predmetu, (2) uglavnom su dobropripremljena ikorisna, (3)mala jekoristodpredavanja,(4) nepotrebna su i nekorisna, uglavnom učimsamostalno.

• Vježbesu:(1)najboljinačindaboljerazumijemnastavnipredmet, (2) produžetak predavanja, (3) gubljenjevremena, bolje je samostalno učiti, (4) zastarjela ipotpunoprevaziđena.

• Programi na ovom studiju su: (1) dobri i korisni zamojubudućuprofesiju,(2)dobrisualiimainepotrebnihpredmeta, (3)programi suuglavnomzastarjeli, ne iduukorak sapraksom, (4)programi suuglavnom teorija, nevjerujemdaćemikoristitiuradu.

67

• Nastavnici na fakultetu su: (1) većina redovno iodgovorno izvršavaju obaveze, (2) neki odnjih skraćujučasove i upućuju na samostalni rad, (3) neki nastavniciuopšte ne drže nastavu, samo organizuju povremenekonsultacije,(4)većinanastavnikanedržinastavu.

• Ocjenjivanjeje:(1)pravednoiuvijekobuhvatanaučeno,(2)uglavnompravednoalizavisiodsreće,(3)pitanjanaispitima često ne prate program, (4) potpuno jenepravednoizasnovanonadobromraspoloženju.

Navedeni stav semožepotkrepiti i stavomTjuningprojektaEU

(Tuningproject –Tuning educational structures inEurope) [Tuning] ukome se definišu ishodi učenja i u kome se traži kvalitativna vezaizmjeđu nivoa studija, ishoda učenja, ECTS kredita, metoda učenja ipoučavanja,vrednovanjapostignućaiocjenjivanja.

Na slici 3.1 prikazana je XML šema ovog modela za predikcijuuspješnostistudiranja.PunilistingoveXMLšemedatjeupriloguA.

Prikazanielementimodelazapredviđanjeuspješnostistudiranjamogu se dodati u postojeći IMS LIP model podataka u okvirustandardom predviđenih mjesta za proširenje novim podacima. PritomejepotrebnokoristitiIMSLIPpreporukuzareprezentovanjenovihpodatakapomoćuelemenatafieldlabel ifielddatauokviruelementanamijenjenog za navođenje proširenja za datu sekciju IMS LIPspecifikacije.Ukolikopodatakuzimavrijednostizkonačnogskupa–štojeslučajkodnas–sadržajelementafielddatamorauzimativrijednostizodgovarajućegrječnika.

Na primjer, podatak omjestu stanovanja studenta u odnosu namjesto studiranja trebalo bi da bude prikazan u okviru elementaext_identification u identification sekciji IMS LIP šeme. Ukoliko jepotrebnosmjestitivišepodatakauelementuext_identification,onisemogusmjestititakodasvakiparelemenatafieldlabel ifielddata imasvog zasebnog roditelja koji je dijete ext_identification elementa. Unašem slučaju, sekcija za identifikaciju studenta bi trebalo da sadrži:(1)podatakoprebivalištustudentauodnosunalokacijufakulteta,(2)podatakostipendiranju i (3)polstudenta.Podatakopolustudenta jeveć predviđen IMSLIP specifikacijom, dok se prvadvapodatka smje-štajuuelementnamenjenzaproširenja.Na listingu3.1 jedatprimjersekcije za identifikaciju koja sadrži ova tri podatka (ostali podaci suizostavljeni radi bolje preglednosti). Na ovom listingu je prikazanprimjerosobeženskogpola(elementgender),kojasvakodnevnoputujena fakultet iz mjesta stanovanja (element location), i redovno primastipendiju(elementscholarship).

68

Slika3.1.XMLšemamodelazapredikcijuuspješnostistudiranja

<identification> ... <demographics> ... <gender gender="F"/> ... </demographics> ... <ext_identification> <location> <fieldlabel> <typename> <tyvalue>StudyLocation</tyvalue> </typename>

69

</fieldlabel> <fielddata>TravelEveryDay</fielddata> </location> <scolarship> <fieldlabel> <typename> <tyvalue>Scolarship</tyvalue> </typename> </fieldlabel> <fielddata>RegularScholarship</fielddata> </scolarship> </ext_identification> </identification>

Listing3.1.PrimjerdodatihpodatakauidentifikacionusekcijuIMSLIPprofilastudenta

Na sličan način se podatak o studentovoj procjeni važnostipostignute ocjene može predstaviti u IMS LIP sekciji o ciljevima. Nalistingu3.2predstavljen jeprimjersekcijeociljevimakojasadržiovajpodataksavrijednošćuslažemse.Novipodatakjepredstavljenuokvirudela za proširenja, tj. kao podelement grade_importanceelementaext_goal.<goal> ... <ext_goal> <grade_importance> <fieldlabel> <typename> <tyvalue>GradeImportance</tyvalue> </typename> </fieldlabel> <fielddata>IAgree</fielddata> </grade_importance> </ext_goal> </goal>

Listing3.2.Primjerdodatihpodatakausekcijiociljevima

Sekcija aktivnosti dopunjava se sa pet novih podataka, svihsmještenihuokviruelementaext_activity.Nalistingu3.3predstavljenje primjer sekcije o aktivnostima koja sadrži sljedeće podatke: (1)student u toku dana posvjećuje učenju dva do tri sata, (2) za učenjenajvišekoristiknjiguprofesora,(3)predavanjimaprisustvujeredovno,(4)uvijekizlazinakolokvijumei(5)redovnoprisustvujevježbama.<activity> ... <ext_activity> <daily_hours> <fieldlabel> <typename> <tyvalue>DailyHoursSpentOnLearning</tyvalue>

70

</typename> </fieldlabel> <fielddata>TwoToThree</fielddata> </dailyhours> <learning_resource> <fieldlabel> <typename> <tyvalue>MainLearningResource</tyvalue> </typename> </fieldlabel> <fielddata>Textbook</fielddata> </learning_resource> <lecture_attendance> <fieldlabel> <typename> <tyvalue>LectureAttendance</tyvalue> </typename> </fieldlabel> <fielddata>Regular</fielddata> </lecture_attendance> <colloquium_attendance> <fieldlabel> <typename> <tyvalue>ColloquiumAttendance</tyvalue> </typename> </fieldlabel> <fielddata>Always</fielddata> </colloquium_attendance> <workshop_attendance> <fieldlabel> <typename> <tyvalue>WorkshopAttendance</tyvalue> </typename> </fieldlabel> <fielddata>Regular</fielddata> </workshop_attendance> </ext_activity> </activity>

Listing3.3.Primjerdodatihpodatakausekcijuoaktivnostima

Elementi našegmodela za predikciju koji se nemogu svrstati unekuodsekcijapredviđenihIMSLIPspecifikacijommogusesmjestitiuelement ext_learnerinfo namijenjen upravo ovakvim slučajevima.Primjerovihelemenatadatjenalistingu3.4.<learnerinformation> ... <ext_learnerinfo> <lecture_assessment> <fieldlabel> <typename> <tyvalue>LectureAssessment</tyvalue> </typename> </fieldlabel>

71

<fielddata>Useful</fielddata> </lecture_assessment> <workshop_assessment> <fieldlabel> <typename> <tyvalue>WorkshopAssessment</tyvalue> </typename> </fieldlabel> <fielddata>Best</fielddata> </workshop_assessment> <program_assessment> <fieldlabel> <typename> <tyvalue>ProgramAssessment</tyvalue> </typename> </fieldlabel> <fielddata>GoodAndUseful</fielddata> </program_assessment> <teacher_assessment> <fieldlabel> <typename> <tyvalue>TeacherAssessment</tyvalue> </typename> </fieldlabel> <fielddata>Regular</fielddata> </teacher_assessment> <grading_assessment> <fieldlabel> <typename> <tyvalue>GradingAssessment</tyvalue> </typename> </fieldlabel> <fielddata>AlwaysFair</fielddata> </grading_assessment> </ext_learnerinfo> </learnerinformation>

Listing3.4.Primjerreprezentacijeostalihpodatakaizmodela

3.2 Metodezapredviđanjeuspješnostistudiranja

Cilj ovog odeljka je pronalaženje važnih činilaca koji utiču nauspjeh studenata, koji je predstavljen prosječnom ocjenom. Za ovusvrhu smo upotrijebili tri metode za analizu podataka pogodne zaklasifikaciju:logističkuregresiju,stablaodlučivanjaineuronskemreže,tesmoimalinamjerutestiratikvalitetsvakeodnjih.

72

3.2.1 Primjenalogističkeregresijeupredviđanjuuspješnostistudenata

Postoji nekoliko metoda procjene u logističkoj regresiji alinajčešći, možda i najmanje rizičan u smislu potvrđivanja hipoteze jeBSTEP(LR), za stepwise analizu unazad. Metod se zasniva namogućnosti testiranja log-likelihood-a (vjerovatnoće) sa datompromjenljivom ispuštenom iz jednačine. U tabeli3.1 prikazana jeukupna statistika testiranih slučajeva.Uzorak čine 234 studentaPedagoškogfakultetauBijeljini.

Ukupantestmodeladatjeutabeli3.2.UnašojlogističkojregresijiBSTEP(LR)napočetkusvepromjenljivesuušleujednačinu,azatimjemodel testiran u deset koraka. Kao što se vidi na početku su svevrijednostidatekao„korak“, „model“ i „blokiranje“ jednakesanivoomznačajnosti,000.Upočetnomkorakusvevarijablesuumodelu.Udru-gomkorakudošlo jedoeliminacije jednevarijablekojanijestatističkiznačajna (,946).U trećemkoraku još jednavarijabla je eleminisana izmodela sa stepenom značajnosti (,859), u četvrtom koraku jeeliminisana varijabla sa stepenomznačajnosti (,816), upetomkorakuvarijablasastepenomznačajnosti(,565),aušestomkorakuvarijablasastepenomznačajnosti (,487),usedmomkorakuvarijablasastepenomznačajnosti(,272)iuosmomkorakuvarijablasastepenomznačajnosti(,117).Krozpostupakoddesetkoraka(v.tabelu3.2)hi-kvadrattestsepostepeno smanjivao, što je i imperativmodela, takoda jeda smoodpočetne vrijednosti 68,789 dobili umanjenu vrijednost koja iznosi64,223.

Tabela3.1.Sumarniprikazobrađenihrezultata

Neponderisanislučajevi N Postotak

Ukupanbrojslučajeva 234 100.0

Izgubljenislučajevi 0 .0

Ukupno 234 100.0

Neklasifikovanislučajevi 0 .0

Ukupno 234 100.0Iz tabele 3.2 nismo mogli zaključiti koje su varijable bile

eleminisane iz modela. Tek se uvidom u tabelu 3.3 mogu uočitipravilnostiueliminacijipojedinihvarijabli iz jednačine.Prvavarijablakojajeeliminisanaizmodelajepol.Usljedećemkorakueliminisanajevarijabla kvalitet vježbi. U trećem koraku eliminisana je varijablaprisustvo predavanju. U četvrtom koraku učešće varijable kvalitetpredavanja nije značajno učestvovalo u poboljšanju vjerovatnoćeukupnog modela. U sljedećim koracima su eliminisane varijable

73

sljedećim redoslijedom: kvalitet programa, način učenja i mjestostudiranja.

Tabela3.2.Omnibustestmodela

χ2 df Sig.Korak1 Korak 69.696 16 .000

Rezultat 69.696 16 .000Model 69.696 16 .000

Korak ......... ……….. …. ……Korak10 Korak -2.456 1 .117

Rezultat 64.223 6 .000Model 64.223 6 .000

U konačnom modelu procjene vjerovatnoće učestvuju sljedeće

varijable: važnost ocjene (0.000), prisustvovanje kolokvijumima(0.003),intelektualnesposobnosti(0.012),stipendija(0.039),prisustvovježbama(0.049),dužinaučenja(0.089).UnarednojtabeliprikazanisupseudoR–kvadrati.Cox&Snell indeks imajuvrijednostod0do ,75,teksesaNagelkerkeindeksomvršikorekcijaidovodinivouopsegod0do 1. Naravno da se ovdje se R ne može posmatrati kao koeficijentdeterminacijeulinearnojregresiji,jerjeovdjeriječoproporcionalnomučešćupojedinihvarijabliuukupnojvjerovatnoći.Regresijomkorakpokorak u svakoj novoj etapi ukupan rezultat objašnjene varijanse sepovećavao.UfinalnommodeluCox&Snelliznose(0,24),akorekcijomNagelkerkeindeksomdobijasevrijednost(0,324)štosemožesmatratizadovoljavajućimishodom(Nagelkerke,N.J.D.,1991).

Tabela3.3.Varijablekojeneulazeujednačinu

Wald Stepenslobode

Stepenznačajnosti

Korak2 Variable Kvalitetvježbi .003 1 .956Ukupnastatistika .003 1 .956

Korak ............................................ …………… ………… ………………Korak11 Variable Pol .050 1 .823

Mjestostudiranja 2.453 1 .117Načinučenja .579 1 .447Prisustvopredavanju

.139 1 .709

Kvalitetpredavanja

.027 1 .869

Kvalitetvježbi .003 1 .955Kvalitetprograma .437 1 .509Kvalitetnastavnika

.137 1 .711

Ocjenjivanje .827 1 .363

74

Motivacija .897 1 .221

Ukupnastatistika 6.229 10 .804U tabeli 3.5 prikazane su predviđene vrijednosti zavisnih

promjenljivihbaziranihnamodelucijelelogističkeregresije.Ovatabelapokazuje koliko je slučajeva tačno prognozirano, a koliko nije. Ciljregresijeudesetkorakabiojedasepovećaprocenatuspješnogpredvi-đanja. U prvom koraku smo imali 50 slučajeva koji su trebali imativrijednost 1, a dobili su vrijednost 2, i 42 slučaja koji su u ukupnombroju od 170 slučajeva koji su trebali dobiti vrijednost 2, dobilivrijednost 1. Dakle, ukupna tačnog predviđanja iznosi 74,8%. Ukonačnom modelu od ukupno 184 slučaja koji su trebali imativrijednost 1, samo 49 slučajeva dobilo je vrijednost 2, a od 170slučajeva koji su trebali uzeti vrijednost 2, 40 slučajeva je uzelovrijednost1.

Tabela3.4.Koeficijentdeterminacije

Korak -2Loglikelihood Cox&SnellRSquare NagelkerkeRSquare

1 247.118 .258 .347

2 247.121 .258 .347

3 247.127 .258 .347

4 247.195 .257 .347

5 247.259 .257 .347

6 247.617 .256 .345

7 247.916 .255 .344

8 248.930 .252 .339

9 250.134 .248 .334

10 252.591 .240 .324

Tabela3.5.Procentualnatačnostuspješnogpredviđanja

Posmatrano Predviđanjeuspjeh Procenattačnosti

1.00 2.00Korak1 uspjeh 1.00 134 50 72.8

2.00 42 128 75.3Ukupnatačnost 74.02

Korak2 uspjeh 1.00 133 51 72.22.00 41 129 75.8

Ukupnatačnost 74.0

75

Korak3 uspjeh 1.00 133 41 72.22.00 41 129 75.8

Ukupnatačnost 74.0Korak4 uspjeh 1.00 133 51 72.2

2.00 41 129 75.8Ukupnatačnost 74.0

Korak5 uspjeh 1.00 133 51 69.82.00 40 130 76.4

Ukupnatačnost 73.1Korak6 uspjeh 1.00 132 52 71.7

2.00 39 131 77.0Ukupnatačnost 74.3

Korak7 uspjeh 1.00 131 53 71.12.00 38 132 77.6

Ukupnatačnost 74.3Korak8 uspjeh 1.00 135 49 73.3

2.00 40 130 76.4Ukupnatačnost 74.8

Korak9 uspjeh 1.00 136 48 73.92.00 41 129 75.8

Ukupnatačnost 74.8Korak10 uspjeh 1.00 135 49 73.3

2.00 40 130 76.4Ukupnatačnost 74.8

Da ne bismo ostali na površini kvantitativnih podataka izvršili

smo detaljniju statističko-matematičku analizu svakog podatka. Po-

moću jednačineP 𝑥 = $%&'%(∗*

+,$%&'%(∗*izračunali smo vjerovatnoću svake

promjenljivekojaznačajnoutičenastepenuspješnostinastudijama. U desetom koraku dobili smo vrijednost konstante b0= -3.685.

Konstanta ulazi u eksponencijalnu funkciju kao prvi član. Izračunalismo vjerovatnoću svake varijable koja je ušla u jednačinu. NajvećuvjerovatnoćuP(x)=0.88 imaprediktor–važnostocjene, čiji jebkoefi-cijent0.943,zatimslijediprisustvokolokvijumu(P(x)=0.85;b1=0.999);intelektualne sposobnosti imaju sljedeću vjerovatnoću (P(x)=0.81;b1=0.929); stipendija je po težini na četvrtom mjestu u jednačini(P(x)=0.70b1=0.488),zatimprisustvovježbama(P(x)=0.61b1=0.631)inakrajudužinaučenja(P(x)=0.59b1=-0.378).

Ukolikopogledamoučešćepojedinih varijabli u ukupnomnivouvjerovatnoće predviđanja može se konstatovati sljedeće: da redovnoprisustvo kolokvijumima pet puta povećava vjerovatnoću uspjeha nastudijama(Exp.B5.280),ukolikoimjeocjenakojućedobitivažnaondase stepen uspješnosti povećava četiri puta (Exp. B 4.218), visok nivointelektualnih sposobnosti četiri puta povećava vjerovatnoću uspjeha(Exp. B 4.118), redovno prisustvo vježbama tri i po puta povećava

76

stepen uspješnosti (Exp. B 3.250), ako primaju stipendiju onda seuspješnost studenatapovećavadva ipoputa (Exp.B2.590) i akoučebardvasatadnevnobićeuspješnijijedanput(Exp.B1.059).

Radi potkrepljenja rezultata dobijenih regresionom analizommožesekonstatovatida85%uspješnihstudenataredovnoprisustvujekolokvijumimauodnosuna53%prisustvamanjeuspješnihstudenata.Uspješni studenti u 88% slučajeva prisustvuju vježbama u odnosu na63%studenataizdrugegrupe,79%njihseizjasnilodaimjevrlovažnokoju će ocjenu dobiti u odnosu na 45% studenata iz grupe manjeuspješnih,85%njihučiuprosjekuoddvadopetsatidnevnouodnosuna60%studenatadrugegrupeinakraju27%njihprimastipendijuuodnosuna11%izdrugegrupe.

Rezultati dobijeni logističkom regresijom u našem istraživanjupokazuju74,8%uspješnogpredviđanjauspješnosti studenatau studi-ranjunaPedagoškomfakultetu.Varijablekojenajvišedoprinoseukup-nojvjerovatnoćipredviđanjasemogusvrstatiudvijegrupe i to:dida-ktičku (prisustvo kolokvijumima, prisustvo vježbama, dužina učenja ivažnost ocjene), osobine ličnosti (intelektualna sposbnost) i socijalnagrupa(primanjestipendije).

3.3 Primjenastablaodlučivanjaupredviđanjuuspješnostistudenataustudiranju

Za istraživanje uspješnosti studenata u studiranju na Pedago-škomfakultetuuBijeljinikoristilismoCARTstabloodlučivanja,kojeseu nekim od prethodnih istraživanja pokazalo kao efikasno u predvi-đanju uspjeha studenata(Kovačić J. Z., 2009;Zaidah, I. and Daliela, R.,2007).Nalistingu3.5prikazanisurezultatiprimjeneovemetode.****************************************************** CART Decision Tree važnost ocjene < 1.5 | kolokvijum < 1.5: 1(87.0/38.0) | kolokvijum >= 1.5: 2(31.0/14.0) važnost ocjene >= 1.5: 2(134.0/50.0) Number of Leaf Nodes: 3 Size of the Tree: 5 === Stratified cross-validation === === Summary === Correctly Classified Instances 252 71.2502 % Incorrectly Classified Instances 102 28.7598 % Kappa statistic 0.4014 Mean absolute error 0.3873 Root mean squared error 0.4601 Relative absolute error 79.9955 % Root relative squared error 93.5313 % Total Number of Instances 354 === Detailed Accuracy By Class ===

77

TP Rate FP Rate Precision Recall F-Measure ROC Area Class 0.684 0.254 0.64 0.656 0.649 0.683 1 0.741 0.344 0.757 0.746 0.752 0.683 2 === Confusion Matrix === a b <-- classified as 126 58 | a = 1 44 126 | b = 2 ******************************************************

Listing3.5.RezultatiprimjeneCARTstablaodlučivanja

Iz datog pregleda vidljivo je da je prosječna stopa klasifikacijekojudajestabloodlučivanja71,2%štojemanjeodprosječnestopekla-sifikacijedobijenepomoćulogističkeregresije(74,8%).Stablojepose-bno tačno pri prepoznavanju „lošijih“studenata sa nižim prosjekomocjenaod7,5,gdjestopaispravneklasifikacijeiznosi74,1%.Dobijenajeneštonižastopaklasifikacijezaklasu1-„boljih“studenata(68,4%).

Rezultat klasifikacije studenata od strane stabla odlučivanja napoduzorku za testiranje (30% od ukupnog broja podataka), može seilustrovati i pomoću matrice konfuzije, koja u kolonama prikazujestvarni broj studenata koji pripadaju kategoriju sa nižim (2) ili višim(1)prosjekom,dokjeuredovimaprikazanbrojstudenatakojejemodelstabla odlučivanja svrstao u kategoriju 2 ili 1. Na dijagonali matricekonfuzije moguće je vidjeti broj studenata koje je model ispravnoklasifikovan. Iz tabele je vidljivodaodukupno44 studenata sanižimprosjekom (kategorija 2), stablo odlučivanja ne uspijeva svrstati uispravnukategoriju,dok126 jeuspješnoklasifikovano.Sakategorijom1 situacija je drugačija, 126 studenta je pravilno klasifikovano, dok jenjih58svrstanoupogrešnukategoriju.Cijelimodeljeukupnopravilnosvrstao 252 studenata od ukupno 354. Stablo je nešto preciznije odregresioneanalize i izdvajasamodvijevarijablekojeutičunaukupnuvjerovatnoćuito:prisustvokolokvijumimaivažnostocjene.

3.4 Primjenaneuronskihmrežaupredviđanjuuspješnostistudenataustudiranju

Arhitekturatestiraneneuronskemrežeunašemradusastojalaseod tri sloja.Broj jedinica (neurona)u skrivenomsloju idužinaučenjadobijenisupostupkomunakrsnevalidacije.Izgradnjamodelaprovede-najekroztrifaze:(a)pripremapodatakaimodelovanje,(b)treniranjeitestiranjeneuronskihmreža,(c)tumačenjerezultataneuronskihmrežei izbor najboljeg modela. Treniranje mreže odvijalo se na uzorku zatreniranje (70% ukupnog uzorka), dužina učenja mreže dobijena jepostupkomunakrsnevalidacije,pričemumrežauiterativnompostup-kuučinauzorkuzatreniranjekoristećirazličiteparametre(npr.razli-čitbrojskrivenihneurona),asvakakombinacijasetestiranauzorkuza

78

validaciju (30% ukupnog uzorka). Cilj je pronaći onu dužinu učenja istrukturumrežekojidajunajbolji rezultatnauzorkuzavalidaciju.Nakraju se tako dobijena mreža testira na uzorku za testiranje (30%ukupnoguzorka), a dobijeni rezultat nakon faze testiranja korišten jekaomjerilouspješnostimreže.Odizlaznihfunkcijatestirana jesigmo-idna funkcija, dok je kao pravilo učenja korišćeno delta pravilo samomentumom 0.7 i dinamičkim koeficijentom učenja od 0.1 do 0.9(Milosavljević,2005.str21).Zaizračunavanjegreškeneuronskemrežeu fazi treniranja najčešće se koriste srednja kvadratna greška (eng.meansquareerror–MSE)ilikorijensrednjekvadratnegreške(RMSE).

Budući da je u našem radu posmatran problem klasifikacije,nakonfazetestiranjaneuronskemrežeizračunavasestopaklasifikacijeza svaku klasu pojedinačno, te prosječna stopa klasifikacije, koja seuzima kao mjerilo ocjenjivanja uspješnosti modela neuronske mreže.Stopaklasifikacijezapojedinuklasujepostotakslučajevakojijemrežaispravnostavilautuklasu.

Unašemradujetreniranavišeslojnaneuronskihmreža.Zarješa-vanjenavedenogproblemauneuronskojmrežikorištenasu33skrive-naneurona,logističkaprenosnafunkcija,delta-bar-deltapraviloučenja,amrežajeučilananajviše1000epoha.Brojskrivenihneuronakojidajenajmanju grešku u fazi unakrsne validacije bio je 33. Za navedenuarhitekturu dobijena je stopa ispravne klasifikacije za svaku klasu nauzorkuza treniranje i testiranje.Kaomjerilouspješnostimodelakori-šćenajeprosječnastopaklasifikacijenaprethodnoopisanomuzorkuzatestiranje.

Tabela3.6:Kvalifikacionatabelapredviđanjapomoćuneuronskihmreža

UZORAK ATRIBUT PREDVIĐANjE

2 1 Procenat

TRENING 21UKUPNO

989956,8%

212743,2%

82,8%78,3%80,9%

TESTIRANjE 21UKUPNO

433666,7%

72233,3%

84,4%63,0%76,4%

Dobijenirezultatznačidajeuuzorkuzatestiranje76,4%slučaje-

va bilo ispravno klasifikovano, dok je 23,6% slučajeva stavljeno upogrešnuklasu.Akosepogledajuposebnestopeklasifikacijezasvakuklasu pojedinačno, tada je vidljivo da stopa klasifikacije za klasu 2(„lošije“studente),iznosi84,4%,dokjestopaklasifikacijezaklasu1,tj.Za„bolje“studente63,0%.Većatačnostklasifikacijeza„lošije“studenteukazujenatodastudentikoji imajuprosjeknižiod7,5 imajuzajedni-čke karakteristike kojemodel neuronskemreže uspijeva prepoznati i

79

povezati uspješnije nego što je to slučaj kod studenata s prosjekomvišim od 7,5. Za tumačenje rezultata dobijenih neuronskimmrežamanužnojeobjašnjenjeučešćapojedinihvarijabliupostupkupredviđanjauspješnosti. U tabeli 3.7 su prikazane vjerovatnoće svake nezavisnevarijable u ukupnom definisanom modelu. Slično modelu dobijenomlogističkom regresijom varijabla važnost ocjene sa stoprocentnomvjerovatnoćom ulazi u model predviđanja. Varijable dužina učenja,prisustvo kolokvijumima i intelektualna sposbnost, sa vjerovatnoćomiznad80%suznačajnielementimodela.Ostalevarijablemanjeutičunamodelpredviđanja.Bezobziranaveličinuuzorka,trebakonstatovatidadobijeni rezultati ukazuju na slabosti sistema vaspitno-obrazovnogprocesa jer varijablekvalitetnastavnika,prisustvopredavanju,kvalitetvježbi ikvalitetprograma imajuveomaniskuprediktivnuvrijednostupredviđanjuuspjehastudenata.

Tabela3.7.Učešćepojedinihvarijabliumodelupredviđanjauspjeha

Nazivvarijable Značaj(težinaizNM) Normalizovanznačajvažnostocjene .152 100%dužinaučenja .133 87,3%prisustvokolokvijumima .122 80,3%Intelektualnasposobnost .121 80,1%prisustvovježbama .080 52,9%motivacija .080 52,9%kvalitetpredavanja .080 52,9%načinučenja .071 46,5%stipendija .069 45,6%načinocjenjivanja .066 43.4%mjestostudiranja .063 41.2%pol .048 31,5%kvalitetnastavnika .033 21,8%prisustvopredavanju .030 19,6%kvalitetvježbi .030 19,5%kvalitetprograma .024 15,5%

3.5 Analizadobijenihrezultata

Sva tri modela data mining-a pružaju mogućnost uspješnogpredviđanja uspjeha studenata. Rezultati koje smo dobili odslikavajustanjenašegobrazovnogsistemauoblastivisokoškolskogobrazovanja.Potpuno je jasno da je reforma sistema izazvala promjene ponašanjakodstudenata.Onoštosemožesmatratizabrinjavajućimječinjenicadavelikombrojustudenatanijestalokojućeocjenudobitinaispitu,daimnijevažnodalićeprisustvovatinapredavanjima,jeročiglednonemaju

80

visokomišljenjeomogućnostimaučenjau tokusamogvaspitno-obra-zovnogprocesa.

Pokazuje se da uspješni studenti više pažnje posvećuju učenju,učestvuju na kolokvijumima, posjećuju vježbe (što govori o aplika-ti-vnostistudija)idaimjestalokojućeocjenudobiti.Ovdjeležemogućeintervencijeuprocesumodelovanjaradanafakultetu.Naravnodaovefaktoretrebapovezatisamogućnošćudobijanjastipendije.

Potrebno je izvršiti analizu svih dobijenih rezultata, sistempredviđanja obogatiti novim varijablama i onda izvršiti korekcije urealizaciji vaspitno-obrazovnog procesa. Neke od preporuka zapoboljšanje vaspitno obrazovnog procesa koje su proizašleiz ovogistraživanjabisemoglesvrstatiusljedećegrupe:

• intenziviratinastavniproces,• češćeorganizovatiradumanjimgrupama,• boljepovezivanjeteorijskihsapraktičnimsadržajima,• redovno praćenje napretka studenata kroz kolokvije i

drugeoblikeprovjereznanja,• pružitipodrškustudentimapriprilagođavanjunastudije,• obimomisadržajemosavrementiti literaturukojaćebiti

prilagođenaciljevimainačinuprovjereznanja,• motivisati nastavnnike u cilju podizanja nivoa

posvećenostinastaviistudentima,• podići nivo i kvalitet znanje nastavnika o metodici

nastavnogradaivrednovanjuuspjeha,• unaprijediti komunikacione vještina i posvećenost

nastavnikanastavnomradu,• osavremeniti sistem evaluacije nastave i nastavnika kao

jednog od načina praćenje kvaliteta i podrškepromjenama.

Kako poboljšati model predviđanja uspješnosti studenata nastudiju?

• Uvođenjemnovihvarijabli,npr.ishodaučenja,• povećanjemuzorka,• uuzorakuključitiidrugeučiteljskeipedagoškefakultete,• kreiranjeminformatičkepodrškesistemuobrazovanjana

visokoškolskimustanovama.

81

4 Softverskapodrškazapredviđanjeuspješnostistudiranja

Softverska podrška za prethodno definisani model predviđanjauspješnosti studiranja bi trebalo da se osloni na postojeća rješenja uoblasti tehnološki podržanog učenja. Pri tome se, s obzirom na brojdostupnihpostojećihrješenja,ovastudijaograničavanasistemekojisudostupni u obliku otvorenog koda i omogućavaju njihovoprilagođavanjespecifičnimprimjenama.Poredovakvihsistema,postojei sistemi koji su dostupni isključivo uz komercijalnu licencu. Njihovoizostavljanje ne umanjuje opštost ove analize. Njihovo prilagođavanjespecifičnim potrebama mora se obaviti od strane ili u saradnji saproizvođačemdatogsoftverskogpaketa.

4.1 Pregledsistemazapodrškuučenjuotvorenogkoda

Uovomodjeljku dat je pregled osnovnih karakteristika sistemaza podršku učenju koji su dostupni u obliku otvorenog koda. Međukarakteristikamaovihsistemasastanovištaovogradanajznačajnijesuone vezane za model studenata, njegovu kompatibilnost sa IMS LIPstandardom i mogućnost njegovog proširivanja. Prilikom izboraodgovarajućegsistemazarealnueksploatacijupotrebnojeuzetiuobziri druge karakteristike kako bi sistem ispunio sve funkcionalne inefunkcionalnezahtjeve.

aTutor [aTutor] je sistem koji je prije svega namijenjenupravljanju nastavnim sadržajima (learning content managementsystem, LCMS). Njegova osnovna karakteristika je jednostavna irazvijena dostupnost nastavnih materijala. aTutor u potpunostiispunjava W3C WCAG standard za dostupnost veb sadržaja na AA+nivou [aTutor]. Pored toga, sistem omogućava nastavnicima da prateputanjeunavigacijiinačinenakojestudentikoristenastavnesadržaje.Sadrugestrane,nijenamijenjenčuvanjupodatakaoučenicima.

Canvas [Canvas] je sistem koji sveobuhvatno implementirafunkcije sistema za podršku učenju, sa posebnim verzijama kojepokrivaju funkcije visokog i nižih nivoa obrazovanja. Omogućava i

82

čuvanje podataka o studentima tokom cijelog procesa školovanja uokviruvisokogobrazovanja.Dostupanjeikaorješenjekojefunkcionišeucloudarhitekturisaposebnimmogućnostimavezanimzadostupnostnastavnih sadržaja i sistema u cjelini u periodima intenzivnogsaobraćaja(npr.predkrajrokazapredajuradovailineposrednopredterminispita).

Chamilo[Chamilo]jeprojekatproistekaoizClaroline[Claroline]i Dokeos [Dokeos] projekata a predstavlja i sastavni deo OLPC (onelaptop per child) inicijative. Ima razvijene funkcije za upravljanjedokumentima i kolaborativni razvoj nastavnih sadržaja. Podrška začuvanjeprofilastudenatanijerazvijenaujednakojmjeri.

eFront [eFront] je sistem započet kao istraživački projekat akasnijejezaživioikaosoftverskiproizvodnatržištu.Predstavljajedanod najkompletnijih sistema za podršku učenju, obuhvatajućiupravljanje podacima o studentima, nastavnim sadržajima,kurikulumom, alate za međusobnu komunikaciju studenata i/ilinastavnika, izvještavanje, integraciju sa društvenim mrežama isistemima za elektronsko plaćanje, kao i upravljanje podacima oorganizacionojstrukturiinstitucijeinastavnimkadrom.

Fedena [Fedena] je sistem za podršku administrativnimposlovima u obrazovnim institucijama. Posebno je raširen u Indiji.Posjeduje i mogućnost integracije sa Moodle sistemom za potreberukovanjanastavnimsadržajima.

ILIAS [Ilias] je njemački projekat koji, obuhvatajući irepozitorijum nastavnih sadržaja, promoviše koncept ličnog radnogprostora(personaldesktop)namijenjenogsamostalnomradustudenatakoji u velikoj mjeri pokriva funkcije kompletne računarske radnestanicezapotrebeobrazovanja.

LAMS [LAMS] je sistem koji omogućava kolaborativni dizajn,upravljanjeidistribucijunastavnihsadržaja.Ističesegrafičkimalatimaza kreiranje sadržaja koji omogućavaju vizuelno uređivanje sekvenciaktivnostiučenja.ZasnivasenaIMSLD(LearningDesign)standarduzamodelovanjeprocesaučenja.Omogućavakreiranje „digitalnihplanovaučenja“ (digital lesson plans) koje studenti mogu koristiti putemračunarske mreže. Postoji i centralni repozitorijum ovakvih planovakojijenaraspolaganjusvimnastavnicimakojikoristeLAMS.

.LRN[LRN]jeoriginalnonastaonauniverzitetuMITikoristiseuobrazovnim institucijama, organima javne uprave i neprofitnimorganizacijama.Uosnoviovogsistemaležipojam„zajednice“kojučineučenici okupljeni oko iste teme. Sistem posjeduje mogućnosti zaupravljanje kurikulumom, nastavnim sadržajima, profilima učenika isaradnjuonlinekorisnika.OvefunkcijenisurazvijeneuistojmjerikaousistemimaMoodle,CanvasilieFront.

Moodle[Moodle]jedanasnajraširenijisistemzapodrškuučenju.Odlikuje se velikom fleksibilnošću i mogućnošću prilagođavanja

83

konkretnimpotrebamaputemprogramskihdodataka(plugins)kojisuvrlobrojni.Tradicionalnoovajprojekatkasnisauvođenjempodrškezainformatičke standardeu ovoj oblasti kao što je SCORM, ali se sistemmože prilagoditi zahtjevima putem plugin-ova. Velika zajednicakorisnikapredstavlja značajan resursuproširivanjumogućnosti ovogsistema.

OLAT[OLAT] je započet kao projekat Univerziteta u Cirihunamijenjen upravljanju nastavnim sadržajima. U današnjoj verzijiposjedujeialatezakomunikacijuučenikainastavnikakaopodrškuzamješovitikonceptučenja(blendedlearning)ievidentiranjeocjena.

Sakai [Sakai] predstavlja zajednicu akademskih institucija,profitnihorganizacijaipojedinacakojisarađujunarazvojuzajedničkogsistema za saradnju i učenje. Koristi se za obrazovanje, istraživanje isaradnju učesnika. Razvijeni sistem posjeduje funkcije za distribucijusadržaja, evidentiranje ocjena, diskusije, komunikaciju uživo (chat),kreiranje i slanje realizovanihzadataka ionline testiranje.Pored toga,posjedujeifunkcijezasuradnjugrupakorisnikaiistraživačkihtimova.Podrška za upravljanje učeničkim profilima nije razvijena na nivousistemakaoštojeCanvas,eFrontiliMoodle.

SWAD [SWAD] je projekat koji je inicijalno zaživio naUniverzitetu u Granadi. Ima razvijene funkcije za upravljanjeorganizacionomstrukturomikorisnicima,kontrolupristupa,čuvanjeidistribucijunastavnihsadržajaistatistikekorišćenjasistema.

PodrškazastandardeuovojoblastikaoštosuPAPILearneriIMS

LIP među navedenim sistemima za podršku učenju nije na visokomnivou.Prevashodnosusistemi fokusiraninapodrškunekojodverzijaSCORM standarda koji omogućava prenosivost nastavnih sadržajaizmjeđu različitih sistema.Neposredna podrška za IMS LIP standardnije prisutna ni kod jednog od navedenih sistema. Sa stanovištarazvijenosti funkcija za upravljanje profilima učenika, među ovimsistemimaizdvajajuseCanvas,eFrontiMoodle.

eFrontneposjedujemogućnostproširivanjaputemprogramskihdodataka, već jedostupanudvijeverzije–besplatnoj i komercijalnoj.Komercijalna verzija je orijentisana na korporativne korisnike ipodrškuzacjeloživotnoučenje.Podacioučeničkimprofilimanemoguseproširivati.

Moodle inicijalno ne posjeduje bogat skup informacija o profiluučenika. Uz odgovarajuće programske dodatke ovaj skup se možeproširiti potrebnim podacima. Međutim, potrebni programski dodacičesto nisu međusobno usklađeni ili nisu prilagođeni za istu verzijuosnovnog Moodle sistema, što komplikuje njegovo održavanje.Trenutno postoji mogućnost dodavanja pojedinačnih polja u profilučenika, pri čemu polja mogu uzimati i vrijednosti iz rječnika, ali

84

razvijenost tih funkcija nije zadovoljavajuća imajući u vidu složenoststrukturakojepropisujeIMSLIPstandard.

CanvassistemuovomtrenutkuneimplementirapodrškuzaIMSLIPstandard,ali je razvojovepodrškeuplanu.Sobziromnanajboljerazvijenu podršku za rukovanje studentskim profilima, Canvas je uovomtrenutkunajboljerješenjezarazvojsoftverskepodrškezasistemza predviđanje uspješnosti studenata. Komunikacija dodatnihsoftverskih modula koji čine prototipsku implementaciju sistema zapredviđanje uspješnosti studiranja odvija se putem otvorenogprogramskoginterfejsa(API)kojidefinišeCanvas.

Canvas sistemseposebno ističe još jednomsvojomosobinom–omogućava čuvanjedodatnih atributa vezanih zaprofil studenata bezpotrebe za izmjenom programskog koda sistema i bez potrebe zadefinicijomstrukturepridodatihpodataka.

Canvas-ov API zasniva se na REST (Representational StateTransfer)principu (Fielding,2000) i JSON (JavaScriptObjectNotation)[JSON] formatu podataka. Na primjer, podaci o korisniku sistema(studentu) sa internim Canvas identifikatorom id mogu se dobitislanjemsljedećegHTTPGETzahtjeva:GET /api/v1/users/<id> HTTP/1.1 Authorization: Bearer <token> Accept: application/json

Svaki zahtjev koji se upućuje Canvas serveru mora uključiti iodgovarajuće podatke za autentikaciju u skladu sa OAuth 2.0 proto-kolom [OAuth], pa je Authorization zaglavlje u zahtjevu obavezno.Odgovor Canvas servera, u slučaju da je traženi korisnik pronađen ubazi, dat je kao uspješan rezultat HTTP operacije uz podatke u JSONformatu:HTTP/1.1 200 OK Content-Type: application/json Content-Length: nnn { // identifikator korisnika "id": 2, // ime i prezime korisnika "name": "Petar Petrović", // ime korisnika pogodno za sortiranje "sortable_name": "Petrović, Petar", // kratko ime korisnika, pogodno za neformalnu komunikaciju "short_name": "Petar", // identifikator iz studentske službe (broj indeksa) "sis_user_id": "SW12/2015", // interni identifikator iz sistema studentske službe "sis_import_id": 18, // korisničko ime za prijavljivanje na Canvas "login_id": "petar.petrovic@uns.ac.rs", // putanja do korisnikovog avatara

85

"avatar_url": "https://en.gravatar.com/avatar/d8cb8c8cd40ddf0cd05241443a591868?s=80&r=g", // lista predmeta koje sluša korisnik "enrollments": "", // glavna email adresa korisnika "email": "petar.petrovic@gmail.com", // lokacija korisnika "locale": "tlh", // trenutak posljednje posjete sistemu "last_login": "2012-05-30T17:45:25Z", // vrijemenska zona "time_zone": "Europe/Belgrade", // biografija korisnika "bio": "..." }

Iako Canvas API podrazumijeva korišćenje isključivo JSONformata,ovipodacisenajednostavannačinmogukonvertovatiuXMLformat prema IMS LIP šemi. Kako IMS LIP podrazumijeva znatno širiskup podataka o studentu u odnosu na osnovni skup koji koristiCanvas,možeseiskoristitiCanvas-ovafunkcijazasmještanjedodatnihpodataka o korisniku sistema u JSON formatu. Na primjer, slanjemHTTP komande PUT može se poslati dodatni skup podataka okorisniku:PUT /api/v1/users/<id>/custom_data HTTP/1.1 Authorization: Bearer <token> Content-Type: application/json { "ns": "rs.ac.uns.canvas" "data": { "interest": { "description": { "short": "...", "long": "..." } } } }

Dvaobaveznaatributauovomdokumentusuns,kojipredstavljaidentifikatorprostora imena zapodatke– čime seomogućavadavišerazličitih aplikacija može da smješta svoje dodatne podatke na ovajnačin–idata,kojipredstavljaobjekatsapodacimakojisesmiještajuuCanvas-ovubazupodataka.Nakonskladištenjapodataka,pristupovimpodacimamožeseodnositinacijeliuskladišteni JSONobjekat,ali inanjegovepojedinedijelove.Naprimjer,HTTPzahtjevGET /api/v1/users/<id>/custom_data

86

vratiće kompletanuskladišteni JSONobjekat sadopunskimpodacima,dokćeHTTPzahtjevGET /api/v1/users/<id>/custom_data/interest/description/short

vratiti samo sadržaj atributa short u okviru JSON objekta koji jeprethodnouskladišten.

Ovakvim pristupom je, u sklopu profila korisnika, omogućenjednak tretman atributa koje je unaprijed predvidio Canvas sistem idopunskihatributakojedodajuzasebneaplikacije.KompletanIMSLIPprofil studenata semože smjestiti u Canvas na ovaj način.Na osnovuove karakteristike, Canvas sistem posredno podržava kompletan IMSLIP profil i elemente našeg modela za predviđanje uspješnostistudiranja.

4.2 Softverskialatizaistraživanjepodataka

Prilikomizborasoftverskihalatazadataminingzapotrebeovogradaograničilismosesamonaalatedostupneuoblikuotvorenogkoda.Među takvim alatima posebno se ističu RapidMiner [RapidMiner] iWeka [Weka]. Kako svi razmatrani alati podržavajumetode koje smokoristili u ovom radu – logističku regresiju, stabla odlučivanja ineuronskemreže – izbor bilo kog od ovih alata bi zadovoljio potreberada. Stoga je izabran RapidMiner kao najrasprostranjeniji alat saširokomzajednicomkorisnika.

RapidMiner je programskookruženje zamašinskoučenje, istra-živanjepodataka,analizuteksta,predviđanjeibiznisanalize.Koristisezabrzuizraduprototipovanaosnovuprikupljenihinformacijairazvojkakoindustrijskihtakoidrugihvrstaaplikacija.

Grafičkiinterfejsjejednostavaniprijatanzakorisnika(slika4.1).Pogodanjezajednostavnokreiranjeprocesauvezivanjempojedinačnihoperatora u lanac koraka. Takođe generiše XML fajl koji definišeanalitičke procese koji se odnose na podatke. Alternativno, može sepozvati od strane drugih programa ili koristiti kao API [RapidMiner].Omogućenojeipokretanjekreiranogprocesaizkomandnelinije.

Još jedna prednost ovog alata je njegova mogućnost analizepodataka koji su generisani od instrumenata sa stalnim i brzimprotokompodataka(upotrebakodgenotipizacije,proteomikeimasenespektrometrije).Umogućnostiovogalatakojesuvezanezaistraživanjepodatakaiproceduremašinskogučenjaspadaju:učitavanjei transfor-macija podataka (ETL – Extract, Transform, Load), predobrada,vizuelizacija,modelovanje,evaluacija iprimjenakreiranihmodelanadnepoznatimskupompodataka[RapidMiner].

Program je napisan u Java programskom jeziku. Ima opcije zaprikazivanje rezultata u grafičkom obliku. Moguće je proširitifunkcionalnost raznim dodacima. Posjeduje veliki broj sopstvenih

87

operatora, ali nudi i mogućnost korišćenja Weka i R operatorainstalacijom odgovarajućih dodataka [RapidMiner]. Dokumentacija jeuključenauprogramiposjedujedobrouputstvozaupotrebu.

Slika4.1.GrafičkiinterfejsalataRapidMiner

4.3 Implementacijamodelazapredviđanjeuspješnostistudiranja

4.3.1 Arhitekturasistema

Prototipska implementacija sistema za predviđanje uspješnostisastoji se iz nekoliko osnovnih komponenti, prikazanih na UMLdijagramukomponenti saslike4.2.Skladištenjepodataka izučeničkihprofila obavlja Canvas kao sistem za podrškuučenju. Canvas za svojepotrebe interno koristi Postgres sistem za upravljanje relacionimbazama podataka ali ostatak sistema ne zavisi od Postgres-a. KakoupravljanjeIMSLIPpodacimakojeCanvasneobuhvatadirektno,negou obliku dopunskih JSON struktura nije omogućeno kroz korisničkiinterfejs Canvasa, razvijena je zasebna veb aplikacija – na dijagramukomponentisaslike4.2prikazanakaoEditor–zaunosovihpodataka.Za potrebe skladištenja podataka ova veb aplikacija se u potpunostioslanja na Canvas-ov API zasnovan na JSON formatu. Za rukovanjeinternim podacima, kao što su podaci za autentifikaciju korisnika ikonfiguracija aplikacije, Editor se takođe oslanja na sistem zaupravljanje relacionim bazama podataka. Prilagođavanje podataka izstudentskih profila za potrebe analize u RapidMiner alatu je zadatakposebnekomponenteDataExport.

88

Slika4.2.Osnovnekomponenteprototipskeimplementacijesistema

4.3.2 Aplikacijazaunosprofilastudenata

Veb aplikacija zaunospodataka iz profila učenikabi trebalodaobezbijedi korisnički interfejs zaunos svihpodatakapredviđenih IMSLIP standardom i dodatnih elemenata našeg modela za predikciju.Podaci koji se unose kroz ovu aplikaciju skladište se u okviru Canvassistemazapodrškuučenju.

Kako je IMSLIPstandardvrloobiman, jednaekranska formazaunos svihpodatakapredviđenih standardombibilavrlonepregledna.Pored toga,održavanjeovakveaplikacije,ukontekstu izmjenakoje semogupojavitiunarednimverzijamastandarda,možebitimukotrpno.Zbog toga jevebaplikacijarealizovanakaoaplikacijazapopunjavanjeformulara(studentskogprofila)kojajeupotpunostivođenapodacima.Ovaosobinaomogućavadaseformularkaostrukturapodatakakojiseunosekrozaplikacijuopišepodacima,idasepotomkorisničkiinterfejsaplikacijenamijenjenunosupodatakadinamičkiprilagodidatomopisustruktureformulara.Dijagramklasakojipredstavljamodelpodatakazaopisstruktureformulara(studentskogprofila)datjenaslici4.3.

Model podataka omogućava rad sa više formulara istovremeno.Svaki pojedinačni formular za popunjavanje podataka predstavljen jeklasom Karton. Formulari se, za potrebe preglednosti i organizacijeelemenata korisničkog interfejsa, sastoje iz hijerarhijski uređenihsekcija (klasa Sekcija). Sekcije mogu da sadrže druge sekcije ikonkretna polja sa podacima (klasa Polje). Svako polje ima svoj tippodatka predstavljen enumeracijomTipPolja. Tip polja utiče na načinnakojićepoljebitiprikazanoukorisničkominterfejsuinakojinačinćeograničavatiunosdozvoljenihvrednosti.

Postgres

Canvas

Editor Data Export

RapidMiner

89

Slika4.3.Modelpodatakazaopisstruktureformularaza

unospodatakaizprofilastudenata

Ograničenja u pogledu sadržaja pojedinačnog polja, zavisno odnjegovogtipa,navedenasuatributimamaxDuzina(zatekstualnapolja)imaxCifara,maxVrednost,minVrednost(zanumeričkapolja).MapiranjepoljauformularunaelementJSONdokumentakojićebitiskladištenuCanvassistemupredstavljenojeatributomjsonPath.

Klasa Sifarnik predstavlja konačan skup dozvoljenih vrijednostizanekopolje. Jedan šifarnikmožebiti korišćenu više različitihpolja.Ukolikopoljeuzimavrijednost iz šifarnika, veza izmeđuobjektaklasePolje i objekta klase Sifarnik će biti uspostavljena. Podaci obuhvaćenišifarnikomtakođe imajusvoj tip,predstavljenvezomklaseSifarnik saenumeracijomTipPolja.PojedinačnielementišifarnikapredstavljenisuklasomStavka.Zavisnoodtipapodatkakojisepredstavljašifarnikom,jedan od atributa ove klase vrednostBool, vrednostText, vrednostDate,vrednostDec, vrednostFloat, vrednostInt biće korišćen za skladištenjekonkretnevrednosti.

Radifleksibilnijeorganizacijekorisničkoginterfejsa,svakinjegovelement (sekcija, polje, stavka šifarnika) ima svoj redni broj u okvirukontekstaukomeseprikazuje,predstavljenatributomredosleduodgo-varajućim klasama. Pored toga, mogućnost da se pojedini elementi

- naziv : String- aktivan : boolean- id : int

Karton

- redosled : int- naziv : String- aktivna : boolean- id : int

Sekcija

*

- roditelj*

- jsonPath : String- minVrednost : int- maxVrednost : int- maxCifara : int- maxDuzina : int- redosled : int- obavezno : boolean- labela : String- aktivno : boolean- id : int

Polje

*

- naziv : String- aktivan : boolean- id : int

Sifarnik

- vrednostInt : int- vrednostFloat : float- vrednostDec : BigDecimal- vrednostDate : Date- vrednostText : String- vrednostBool : boolean- sifra : String- redosled : int- aktivna : boolean- id : int

Stavka

*0*

- <<enum constant>> logicki : int- <<enum constant>> decBroj : int- <<enum constant>> floatBroj : int- <<enum constant>> intBroj : int- <<enum constant>> datum : int- <<enum constant>> dugiTekst : int- <<enum constant>> kratkiTekst : int

<<enum>>TipPolja

1

*

1

*

90

korisničkog interfejsa privremeno uklone predstavljena je atributomaktivan.

Ilustracija implementirane aplikacije, konfigurisane podacimakoji predstavljaju formular za evidenciju učeničkih profila, data je naslici4.4.

Slika4.4.Ekranskaformazaunosprofilaučenika

Aplikacija prikazana na slici 4.4 prikazuje formular za unosučeničkihprofilasegmentiranusekcijedatenadvanivoa.SekcijeprvognivoapredstavljajuosnovnesekcijeIMSLIPstandarda.Njimajedodatajoš jedna sekcija Uspješnost koja sadrži podatke definisane našimmodelom predikcije kojih nema u IMS LIP standardu. Sekcije prvognivoa predstavljene su u korisničkom interfejsu kao kartice (tabs)osnovnogformulara.

Sekcijedrugognivoaprikazanesukaopodnasloviuokvirujednekarticeformulara.Pojedinačnapoljazaunospodatakapredstavljenasuodgovarajućim komponentama korisničkog interfejsa (jednolinijskotekstualno polje, višelinijsko polje, numeričko polje, datumsko polje,itd)uokvirutihpodnaslova.

Popunjeni formular se klikom na dugme Sačuvaj konvertuje uJSON dokument koji se upućuje Canvas sistemu na skladištenje.Pojedini elementi formulara se razvrstavaju u strukturi JSONdokumenta prema svom atributu jsonPath predstavljenom nadijagramuklasasaslike4.3.

PodaciunijetinaovajnačinpostajusastavnidioCanvassistema.Upotrebom Canvas sistema u svakodnevom radu – na primjer, zaevidentiranjeocjena,prisustvastudenatanastaviislično–obezbjeđujuseipodacikojisemogukoristitizapredviđanjeuspješnostistudiranja.

Prikazano rješenje oslanja se na Canvas sistem za potrebeskladištenjapodataka.Bezumanjenjaopštostiovogrješenja,mogućeje

91

prilagoditigasaradnjisadrugimsistemimazapodrškuučenju(LMS),stim što bi se ova komponenta sistema morala dopuniti mogućnošćusamostalnog skladištenjapodatakakojinisupodržani izabranimLMS-om.

Zahvaljujući ovakvoj implementaciji sistema, predviđanjeuspješnosti studiranjamože da postane integralni deo informacionogsistemazapodrškuučenjukojisezaistakoristiupraksi, i timekoristiuvijek aktuelne i ažurne podatke. Prikazana prototipska implemen-tacija definiše tehološku platformu koja omogućava korišćenje kvali-tetnog LMS-a koji odgovara potrebama visokoškolskih ustanova, apritompružamogućnostpredikcijeuspješnostistudiranjakaosastavnidiofunkcionalnostisistema.

93

5 Zaključnarazmatranja

Obrazovne aktivnostimožemopodiјeliti u dviјe grupe: one koјeseodnosenaorganizaciјunastave,ionekoјesetičuizvođenjanastave.Organizaciјa nastave podrazumјeva planiranje i kreiranje nastave namakro i mikro nivou. Makro nivo se odnosi na definisanje studiјskihprograma, kurseva i njihovih kurikuluma, vertikalno i horizontalnousklađivanje poјedinačnih kurikuluma, i organizaciјu učesnika unastavi (broј i struktura učenika i nastavnika i njihov raspored postudiјskimprogramimaikursevima).Mikronivojevezanzaplaniranjekonkretnih nastavnih aktivnosti u okviru jednog kursa, razvoj i izbornastavnih materijala, vremensku artikulaciju nastavnih aktivnosti idefinisanjeinstrukcijskogdizajna.

Predmet istraživanja u ovoj disertaciji je podrška upravljanjuobrazovnim procesom u visokom obrazovanju na osnovu predikcijepostignućastudenata.Pritome,istraživanjesebaviaspektimaupravlja-njaobrazovnimprocesominamakroinamikronivou.

U posljednjih petnaest godina razvijene su različite aplikacijekoje primjenjuju tehnike istraživanja i analize podataka. Do sadaobjavljene studije obuhvataju skoro sva pitanja u oblasti obrazovanjaodupisauškolu(fakultet)padoveb-baziranogobrazovanja.Istraživa-njaupodručjuupotrebeinteligentnihmetodazapredviđanjeuspješno-sti studenata uglavnom su orijentisana na razvoj modela koji će sekoristiti kao pomoć pri odlučivanju o prijemu studenata na studije.Takvimodelikaokriterijeuzimajuuobzirinformacijeokandidatukojesu raspoložive prije upisa, kao npr. završena srednja škola, uspjeh usrednjoj školi, socijalni status i druge informacije prije studija, te uzpomoć statističkih metoda ili metoda vještačke inteligencije nastojepronaći model koji će produkovati što veću tačnost u predviđanju.Predviđanjeuspješnosti u studiranjudataminingmetodamaumnogo-me zavisi od kvaliteta prikupljenih podataka. Rezultati dosadašnjihistraživanjaukazujudaodređenegrupevarijablitrebauvijekuzimatiuobzir jer sa visokim stepenom vjerovatnoće učestvuju u predviđanjuuspjeha.

Trenutnaorganizacijaobrazovnogprocesanajčešćeseneoslanjana formalne modele predikcije studentskog postignuća. Ovo zaposljedicuimasljedećeprobleme.

94

Lošaiskorišćenostresursaobrazovnihinstitucija. Sobziromda suuobičajene metode predviđanja veličine i strukture populacije uodređenojobrazovnojprilicineprecizne,pravilojedaalociraniresursiobrazovne institucije ne odražavaju realne potrebe. To rezultuje po-trebom za dinamičkom realokacijom resursa, koja unosi dodatnepoteškoće.

Neodgovarajućiizborindividalneobrazovneputanje. Studentbiraobrazovnu putanju bez prethodnog znanja o svom potencijalnomuspjehu u toj putanji. Usljed neadekvatnog izbora obrazovnih prilikastudenti se suočavaju sa poteškoćama u studiranju, kao što susmanjenje motivacije, neuspješno realizovanje obaveza na studijama,nemogućnostrealizacijeobrazovnihishoda.

Izostanak poboljšanja kurikuluma. Informacije koje su potrebneza poboljšanje kurikuluma dostupne su prekasno. Problemi ukurikulumuseuočavaju tekprilikomsamerealizacijekurikuluma, štoimazaposljedicudakurikulumnijeprilagođenpopulacijistudenata

Neadekvatnaobrazovnaiskustva. Nastavnimaterijal i obrazovnaiskustva generalno nisu prilagođena potrebama, sklonostima i obra-zovnomnivoustudenata.

Tipskanastavazasvestudente.Poštoinformacijeopotencijalnompostignuću studenata nisu dostupne tokom planiranja obrazovnihprilika,prilikomrealizacijenastavezanemarujuseindividualnerazlikemeđustudentimaposposobnostima,sklonostimaistiluučenja.

Predviđanje uspješnosti studenata na osnovu prethodnogpostignuća može doprinjeti rješavanju pomenutih problema. Naime,ukoliko su informacije o potencijalnom postignuću pravovremenodostupne,moguće je unaprijediti planiranje obrazovnog procesa takodasenegativneposljedicepomenutihproblemaizbjegnuiliublaže.

U prvompoglavlju rada, najprije su objašnjeni osnovni pojmovi

vezani za upravljanje obrazovnim procesom. Razmatran je značajupravljanjaobrazovnimprocesomizperspektivestudenta,nastavnikaiposlodavca.Datjepregledpostojećeliteratureuovojoblasti,aposebnoudomenupredikcijeuspješnostistudenataitehnikakojesukorišćenezapredikciju.

U drugom poglavlju analizirani su postojeći informatičkistandardizareprezentacijuprofilastudenata–PAPILearneriIMSLIP.IMSLIPstandardjeidentifikovankaopogodanzaupotrebuzapotrebeove disertacije jer obuhvata znatno širi skup podataka o studentima,poseduje standardompredviđenamesta i načine zaproširenjaprofilastudenata novim elementima, a podrška za njega u raspoloživimsoftverskim sistemima za upravljanje učenjem je, iako nekompletna,dalekoboljanegozaPAPILearner.

Treće poglavlje disertacije predstavlja centralni deo rada. Unjemu su predstavljeni model podataka i tehnike za predviđanje

95

uspješnosti studenata. Tehnike za predviđanje su primenjene nauzorkusačinjenomnaPedagoškomfakultetuuBiljeljiniipredstavljajukvantitativnu verifikaciju predloženog rješenja. Na osnovu rezultataanalize formulisani su zaključci koji mogu doprinijeti unapređenjunastavnogprocesauvisokomobrazovanju.

U četvrtom poglavlju prikazana je prototipska implementacijasoftverskog sistema za podršku učenju koja omogućava predikcijuuspješnosti studenata na osnovu prethodno definisanog modela itehnikapredikcije.ImplementacijajezasnovananaIMSLIPstandarduiodgovarajućim proširenjima i Canvas sistemu koji omogućavaskladištenje svih elemenata studentskog profila u skladu sa IMS LIP.Razvijena je aplikacija za unos podataka premaprikazanommodelu injihovo skladištenje u Canvas. Data aplikacija komunicira sa Canvassistemom putem standardnog programskog interfejsa zasnovanog nasavremenim veb tehnologijama – HTTP protokolu, REST servisima iJSONformatupodataka.

Osnovni rezultat disertacije predstavlja formalni model

predikcijeuspješnostistudiranja.Modelpredikcijesadržidvijeosnovnekomponente:

1. Model podataka koga čine podaci koji se evidentiraju ostudentuiobrazovnimprilikama.Modelpodatakajeformiranu skladu sa potrebama predikcije i obrazovnom praksom uvisokoškolskim institucijama, a reprezentacija modelapodataka jedatau formalnom imašinski čitljivomobliku.Utusvrhu iskorišćen jemeđunarodnistandardIMSLIPkoji jeproširenpojedinimelementimamodelapodataka.Proširenjestandardnog modela je učinjeno u skladu sa pravilimaproširivanja koje propisuje sam standard. Na ovaj način jeomogućena potpuna saradnja i razmjena podataka izmeđurazličitih informacionih sistema koji evidentiraju podatke ostudentima.

2. Tehnike predikcije koje predstavljaju formalne matemati-čkemetodepomoćukojihseizmodelapodatakavršipredvi-đanjepostignućastudenata.Uradusuanaliziranetrimetodezaanalizupodataka: logističkaregresija, stablaodlučivanja ineuronske mreže. Sve tri primijenjene metode su pokazaleuspjeh u primjeni, uz neuronske mreže kao najuspješnijumetodu. Uzorak korišćen prilikom ovog istraživanja priku-pljenjenaPedagoškomfakultetuuBijeljini.

Dodatnirezultatdisertacijepredstavljaprototipskaimplementa-

cijainformacionogsistemazapodrškupredviđanjuuspjehastudenata.Prikazano rješenje oslanja se na Canvas sistem za podršku učenju(LMS)kaoosnovukojasekoristizapotrebeskladištenjapodataka.Bez

96

umanjenjaopštostiovog rješenja,moguće jeprilagoditi ga suradnji sadrugimLMS, s timštobi seovakomponentasistemamoraladopunitimogućnošću samostalnog skladištenja podataka koji nisu podržaniizabranimLMS-om.

Ovakva implementacija sistema omogućava da predviđanjeuspješnostistudiranjapostaneintegralnideoinformacionogsistemazapodršku učenju koji se zaista koristi u praksi, i time koristi uvijekaktuelne i ažurne podatke. Prikazana prototipska implementacijadefiniše tehološku platformu koja omogućava korišćenje kvalitetnogLMS-a koji odgovara potrebama visokoškolskih ustanova, a pritompruža mogućnost predikcije uspješnosti studiranja kao sastavni deofunkcionalnostisistema.

Prikazani informacioni model za predviđanje uspješnosti studi-

ranjamogaobisedaljepoboljšatiputem(1)uvođenjanovihvarijabliumodel, npr. ishoda učenja, (2) povećanjem uzorka, (3) uključivanjemdrugih visokoškolskih institucija u analizu i (4) daljim unapređenjemprototipske implementacije sistema u cilju formiranja softverskogproizvodakojimožeucjelostizadovoljitipotrebevisokoškolskihinsti-tucijaudomenuupravljanjaobrazovnimprocesom.

97

A.Prilog

UovomprilogudatjelistingXMLšemekojapredstavljaformalnuspecifikacijumodelazapredikcijuuspješnostistudiranja.

<?xml version="1.0" encoding="UTF-8"?> <xs:schema xmlns:xs="http://www.w3.org/2001/XMLSchema" elementFormDefault="qualified"> <xs:element name="modelPredikcije"> <xs:complexType> <xs:sequence> <xs:element name="identifikacija"> <xs:complexType> <xs:sequence> <xs:element name="studiram"> <xs:simpleType> <xs:restriction base="xs:string"> <xs:enumeration value="uMjestuRodjenja"/> <xs:enumeration value="svakodnevnoPutujem"/> <xs:enumeration value="doselio"/> </xs:restriction> </xs:simpleType> </xs:element> <xs:element name="stipendiranje"> <xs:simpleType> <xs:restriction base="xs:string"> <xs:enumeration value="redovno"/> <xs:enumeration value="povremeno"/> <xs:enumeration value="nePrimam"/> </xs:restriction> </xs:simpleType> </xs:element> <xs:element name="pol"> <xs:simpleType> <xs:restriction base="xs:string"> <xs:enumeration value="muski"/> <xs:enumeration value="zenski"/> </xs:restriction> </xs:simpleType> </xs:element> </xs:sequence> </xs:complexType>

98

</xs:element> <xs:element name="ciljevi"> <xs:complexType> <xs:sequence> <xs:element name="ocjenaJeVazna"> <xs:simpleType> <xs:restriction base="xs:string"> <xs:enumeration value="slazemSe"/> <xs:enumeration value="neodlucan"/> <xs:enumeration value="neSlazemSe"/> </xs:restriction> </xs:simpleType> </xs:element> </xs:sequence> </xs:complexType> </xs:element> <xs:element name="aktivnosti"> <xs:complexType> <xs:sequence> <xs:element name="uTokuDana"> <xs:simpleType> <xs:restriction base="xs:string"> <xs:enumeration value="do1sat"/> <xs:enumeration value="od2do3sata"/> <xs:enumeration value="od3do5sati"/> <xs:enumeration value="viseod5sati"/> </xs:restriction> </xs:simpleType> </xs:element> <xs:element name="najviseKoristim"> <xs:simpleType> <xs:restriction base="xs:string"> <xs:enumeration value="knjiguProfesora"/> <xs:enumeration value="skripteDrugih"/> <xs:enumeration value="biljeske"/> <xs:enumeration value="sveIzvore"/> </xs:restriction> </xs:simpleType> </xs:element> <xs:element name="predavanjaPohadjam"> <xs:simpleType> <xs:restriction base="xs:string"> <xs:enumeration value="redovno"/> <xs:enumeration value="uglavnomRedovno"/> <xs:enumeration value="povremeno"/> <xs:enumeration value="rijetko"/> <xs:enumeration value="nikad"/> </xs:restriction> </xs:simpleType> </xs:element> <xs:element name="izlazimNaKolokvijume"> <xs:simpleType> <xs:restriction base="xs:string"> <xs:enumeration value="uvijek"/> <xs:enumeration value="uglavnom"/>

99

<xs:enumeration value="neIzlazim"/> </xs:restriction> </xs:simpleType> </xs:element> <xs:element name="vjezbePohadjam"> <xs:simpleType> <xs:restriction base="xs:string"> <xs:enumeration value="redovno"/> <xs:enumeration value="uglavnomRedovno"/> <xs:enumeration value="povremeno"/> <xs:enumeration value="rijetko"/> <xs:enumeration value="nikad"/> </xs:restriction> </xs:simpleType> </xs:element> </xs:sequence> </xs:complexType> </xs:element> <xs:element name="ocjene"> <xs:complexType> <xs:sequence> <xs:element name="predavanja"> <xs:annotation> <xs:documentation>1: kvalitetna i korisna, mogu saznati sve o predmetu; 2: uglavnom su dobro pripremljena i korisna; 3: mala je korist od predavanja; 4: nepotrebna su i nekorisna, uglavnom ucim samostalno. </xs:documentation> </xs:annotation> <xs:simpleType> <xs:restriction base="xs:int"> <xs:minInclusive value="1"/> <xs:maxInclusive value="4"/> </xs:restriction> </xs:simpleType> </xs:element> <xs:element name="vjezbe"> <xs:annotation> <xs:documentation>1: najbolji nacin da bolje razumijem nastavni predmet; 2: produzetak predavanja; 3: gubljenje vremena, bolje je samostalno uciti; 4: zastarjela i potpuno prevazidjena. </xs:documentation> </xs:annotation> <xs:simpleType> <xs:restriction base="xs:int"> <xs:minInclusive value="1"/> <xs:maxInclusive value="4"/> </xs:restriction> </xs:simpleType> </xs:element> <xs:element name="programi"> <xs:annotation>

100

<xs:documentation>1: dobri i korisni za moju buducu profesiju; 2: dobri su ali ima i nepotrebnih predmeta; 3: programi su uglavnom zastarjeli, ne idu u korak sa praksom; 4: programi su uglavnom teorija, ne vjerujem da ce mi koristiti u radu. </xs:documentation> </xs:annotation> <xs:simpleType> <xs:restriction base="xs:int"> <xs:minInclusive value="1"/> <xs:maxInclusive value="4"/> </xs:restriction> </xs:simpleType> </xs:element> <xs:element name="nastavnici"> <xs:annotation> <xs:documentation>1: vecina redovno i odgovorno izvrsavaju svoje obaveze; 2: neki od njih skracuju casove i upucuju na samostalni rad; 3: neki nastavnici uopste ne drze nastavu, samo organizuju povremene konsultacije; 4: vecina nastavnika ne drzi nastavu. </xs:documentation> </xs:annotation> <xs:simpleType> <xs:restriction base="xs:int"> <xs:minInclusive value="1"/> <xs:maxInclusive value="4"/> </xs:restriction> </xs:simpleType> </xs:element> <xs:element name="ocjenjivanje"> <xs:annotation> <xs:documentation>1: pravedno i uvijek obuhvata nauceno; 2: uglavnom je pravedno ali zavisi od srece; 3: pitanja na ispitima cesto ne prate program; 4: potpuno je nepravedno i zasnovano na dobrom raspolozenju. </xs:documentation> </xs:annotation> <xs:simpleType> <xs:restriction base="xs:int"> <xs:maxInclusive value="4"/> <xs:minInclusive value="1"/> </xs:restriction> </xs:simpleType> </xs:element> </xs:sequence> </xs:complexType> </xs:element> </xs:sequence> </xs:complexType> </xs:element> </xs:schema>

101

102

Literatura

Apple,M.W.(1997).Postmodernizam,obrazovanje,moćiekonomija.London.Apté,C.,&Weiss,S.(1997).DataMiningwithDecisionTreesandDecision

Rules.FutureGenerationComputerSystems,13,197-210.Elsevier,Amsterdam.

AustralianAssociationofGraduateEmployers(AAGE)(1993).NationalSurveyofGraduateEmployers.Sydney,Australia:AAGE.

AssociationofGraduateRecruiters(AGR)(1995).SkillsforGraduatesinthe21stCentury.Cambridge:AGR.

Baker,R.S.J.d.,&Yacef,K.(2009).TheStateofEducationalDataMiningin2009:AReviewandFutureVisions.JournalofEducationalDataMining,1(1),3-17.

Biesta,G.J.J.(2009).Goodeducationinanageofmeasurement:Ontheneedtoreconnectwiththequestionofpurposeineducation.EducationalAssessment,EvaluationandAccountability,21(1),33-46.

Biesta,G.J.J.(2010).Learner,student,speaker.Whyitmattershowwecallthoseweteach.EducationalPhilosophyandTheory,42(4),540-552.

Biesta,G.J.J.(2011).Theignorantcitizen:Mouffe,Rancière,andthesubjectofdemocraticeducation.StudiesinPhilosophyandEducation,30(2),141-153.

Boticario,J.G.andSantos,O.C.IssuesinDevelopingAdaptiveLearningManagementSystemsforHigherEducationInstitutions.ProceedingsofAdaptiveHypermedia.Dublin,Ireland,2006.http://hdl.handle.net/1820/750

Boticario,JesusG.,andOlgaC.Santos.AnOpenIMS-BasedUserModellingApproachforDevelopingAdaptiveLearningManagementSystems.JournalofInteractiveMediainEducation2007(1).http://doi.org/10.5334/2007-2

Branković,D.(2009).Definisanjekompetencijanastavnikarazredno-predmetnenastave.Novaškola,br.7.

Breiman,L.,Friedman,J.H.,Olshen,R.A.,&Stone,C.J.(1984).ClassificationandRegressionTrees.Chapman&Hall,NewYork.

Business/HigherEducationRoundTable(BHERT)(1992).EducatingforExcellence.CommissionedReportNo.2Camberwell:BHERT.

Bussing,A.(2002).Motivationandsatisfaction.InA,Sorge(ed).Organization.ThomsonLearning,London.

103

Candy,P.,Crebert,G.andO'Leary,J.(1994).Developinglifelonglearnersthroughundergraduateeducation.NBEET.AGPS,Canberra.

Chati,MohamedAmine,Klamma,Ralf,Quix,Christoph,Kensche,David.LM-DTM:AnEnvironmentforXML-Based,LIP/PAPI-CompliantDeployment,TransformationandMatchingofLearnerModels.FifthIEEEInternationalConferenceonAdvancedLearningTechnologies(ICALT),2005.pp.567-569.

CommissionOfTheEuropeanCommunities(2008).Improvingcompetencesforthe21stCentury:AnAgendaforEuropeanCooperationonSchools.http://ec.europa.eu/education/school21/sec2177_en.pdf.

Ćućilović,M.(2006).Znanjekaoprivredniresurs.ZbornikradovaTehnološkoobrazovanjeuSrbiji.Čačak,Srbija.

DeakinCrick,R.,iYu,G.(2008).TheEffectiveLifelongLearningInventory(ELLI):isitvalidandreliableasameasurementtool?EducationResearch,50(4),387–402.

Dewey,J.(1907).TheSchoolandtheLifeoftheChild,Chapter2inTheSchoolandSociety.UniversityofChicagoPress,Chicago,str.51.

Dixit,A.K.(1996).Themakingofeconomicpolicy:Atransaction-costpoliticsperspective.MITPress,Cambridge,MA,USA.

Dunham,M.(2003).DataMining:IntroductoryandAdvancedTopics.PrenticeHall,NewYork.

EduPersonObjectKlassSpecification(200604),Internet2MiddlewareArchitectureCommitteeforEducation,DirectoryWorkingGroup(MACE-Dir),2006,Specifikacijadostupnanahttp://www.nmi-edit.org/eduPerson/internet2-mace-dir-eduperson-200406.html.

Ehrlenspiel,K.(1997).Knowledge−Explosionanditsconsequnces.ProceedingsofICED97,Tampera.

ETUCE(EuropeanTradeUnionCommitteeforEducation)(2008).TeacherEducationinEurope.AnETUCEPolicyPaper.Brussels.

EuropeanCommission(2007).CommunicationfromtheCommissiontotheEuropeanParliamentandCouncil:ImprovingtheQualityofTeacherEducation.COM(2007)392final.Brussels.

EuropeanCommission(2010).Developingcoherentandsystem-wideinductionprogrammesforbeginningteachers:ahandbookforpolicymakers.EuropeanCommissionStaffWorkingDocument538final.Brussels.

EuropeanCommission(2011a).Literaturereview:Teachers’corecompetences:requirementsanddevelopment.Author:FrancescaCaena.Brussels.

EuropeanCommission(2011b).Lireraturereview:Qualityinteachers’continuingprofessionaldevelopment.Author:FrancescaCaena.Brussels.

EuropeanCommission(2012a).RethinkingEducation:Investinginskillsforbettersocio-economicoutcomes.COM(2012)669/3.Brussels.

EuropeanCommission(2012b).AssessmentofKeyCompetencesininitialeducationandtraining:PolicyGuidance.Strasbourg,20.11.2012.SWD(2012)371final.

EuropeanCommission(2012c).SupportingtheTeachingProfessionsforBetterLearningOutcomes.Strasbourg,20.11.2012.SWD(2012)374final.

104

EuropeanCommission:EducationandCulture(2005).CommonEuropeanPrinciplesforTeacherCompetencesandQualifications.http://ec.europa.eu/education/policies/2010/doc/principles_en.pdf.

EuropeanCommission:EducationandCulture(2008),TheEuropeanQualificationsFrameworkforLifelongLearning(EQF).http://ec.europa.eu/dgs/education_culture/publ/pdf/eqf/broch_en.pdf.

EuropeanTradeUnionCommitteeForEducation(2008).TeacherEducationinEurope:AnETUCEPolicyPaper.http://etuce.homestead.com/Publications2008/ ETUCE_PolicyPaper_en_web.pdf1

EuropeanUnion(2006),KeyCompetencesforLifelongLearning:AEuropeanReferenceFramework.Brussels.

EuropeanUnion(2009).CouncilConclusionsof26November2009ontheprofessionaldevelopmentofteachersandschoolleaders.OfficialJournal2009/C302/04,12.12.2009.

EuropskaKomisija/EACEA/Eurydice,2012.DevelopingKeyCompetencesatSchoolinEurope:ChallengesandOpportunitiesforPolicy.EurydiceReport.Luksemburg:UredzapublikacijeEuropskeunije.

Feiman-Nemser,S.(2008).TeacherLearning.HowdoTeacherslearntoteach?InCochran-Smith,M,Feiman-Nemser,S.,McIntyre,D.(Eds.).HandbookofresearchonTeacherEducation.EnduringQuestionsinChangingContexts.Routledge/Taylor&Francis,NewYork/Abingdon.

Fielding,R.T.(2000).ArchitecturalStylesandtheDesignofNetwork-BasedSoftwareArchitectures.Doctoraldissertation,UniversityofCalifornia,Irvine.

Furlong,J.,Barton,L.,Miles,S.,Whiting,C.iWhitty,G.(2000).TeacherEducationinTransition.OpenUniversityPress,Buckingham.

Giddens,A.(2003).Sociologija.Ekonomskifakultet,Beograd.Glasser,W.(1984).ControlTheory.Harper&Row,NewYork.Gonzalez,J.iWagenaar,R.(Eds.)(2005).TuningEducationalStructuresin

EuropeII.Universities’contributiontotheBolognaProcess.UniversityofDeusto&UniversityofGroningen.http://tuning.unideusto.org/tuningeu/

Hafner,P.(2002).Obrazovanjeufunkcijiekonomskeefikasnostipreduzeća.Ekonomsketeme,XL(3):81-86.EkonomskifakultetuNišu.

Hagger,H.iMcIntyre,D.(2006).Learningteachingfromteachers.Realizingthepotentialofschool-basedteachereducation.OpenUniversityPress,Maidenhead.

Han,J.,&Kamber,M.(2001).DataMining–ConceptsandTechniques,MorganKaufmanPress.

Hardgrave,B.C.,Wilson,R.L.,&Kent,K.A.(1994).PredictingGraduateStudentSuccess:AComparisonofNeuralNetworksandTraditionalTechniques.Computers&OperationsResearch,21,249-263.

Hargreaves,A.,Earl,L.,Moore,S.iManing,S.(2001).LearningtoChange:TeachingBeyondSubjectsandStandards.JosseyBass,SanFrancisco.

105

Harvey,L.(1993).Assessment&EvaluationinHigherEducationVolume18,Issue1

Hattie,JohnA.(2008).VisibleLearning:ASynthesisofOver800Meta-AnalysesRelatingtoAchievement.ISBN0-415-47618-6.Routledge,London.

Hattie,JohnA.(2011).VisibleLearningforTeachers:MaximizingImpactonLearning.ISBN0-415-69015-3.Routledge,London.

IMSLIP(2005).LearnerInformationPackage.IMSGlobalLearningConsortium.

Ingvarson,L.(1998).Professionalstandards:achallengefortheAATE?EnglishinAustralia,122:31-44.

InstituteofCharteredAccountantsinAustralia(ICAA),(1994).CharteredAccountantsinthe21stCentury.Sydney,Australia:ICAA.

Johnson,L.,AdamsBecker,S.,Estrada,V.,andFreeman,A.(2014).NMCHorizonReport:2014K-12Edition.TheNewMediaConsortium,Austin,TX,USA.

Karamouzis,S.T.,&Vrettos,A.(2008).AnArtificialNeuralNetworkforPredictingStudentGraduationOutcomes,ProceedingsoftheWorldCongressonEngineeringandComputerScience.SanFrancisco,USA.

Kirkby,R.(2002).WEKAExplorerUserGuideforVersion3-3-4,UniversityofWaikato.

Knežević-Florić,O.(2005).Pedagogijarazvoja.Filozofskifakultet,NoviSad.Kobsa,A.,Wahlster,W.(1989).UserModelsinDialogSystems,Springer-

Verlag.Kobsa,A.,Koenemann,J.iPohl,W.,(2001).PersonalizedHypermedia

PresentationtechniquesforImprovingOnlineCustomerRelationships.TheKnowledgeEngineeringReview,16(2),str.111-155.

Koster,B.andDengerink,J.J.(2008).Professionalstandardsforteachereducators:howtodealwithcomplexity,ownershipandfunction.ExperiencesfromtheNetherlands.EuropeanJournalofTeacherEducation,31:2,135-149.

Kotsiantis,S.,Pierrakeas,C.,&Pintelas,P.(2004).Predictingstudents’performanceindistancelearningusingmachinelearningtechniques.AppliedArtificialIntelligence,18,411-426.

Kovačić,J.Z.(2010).EarlyPredictionofStudentSuccess:MiningStudentsEnrolmentData.ProceedingsofInformingScience&ITEducationConference(InSITE).Cassino,Italy.

Lin,J.J.,Imbrie,P.K.,&Reid,K.J.,(2009).StudentRetentionModelling:AnEvaluationofDifferentMethodsandtheirImpactonPredictionResults,ProceedingsoftheResearchinEngineeringEducationSymposium.PalmCove,Australia.

Lindholm,J.,(2002).Metadataresources–Metadatastandardsandspecificationsfordescribingpeopleandtheirinterests.Dostupnonahttp://www.ukoln.ac.uk

106

LisbonEuropeanCouncil(2000).LisbonEuropeanCouncil23and24March,Presidencyconclusions.http://www.europarl.eu.int/summits/lis1_en.htm.

Lončarić,D.iPejić,P.(2009).Profiliranjeučiteljskihkompetencija.Odgojneznanosti,11(2):479-497.

LongP.&SiemensG.(2011).PenetratingtheFog:AnalyticsinLearningandEducation.EDUCAUSEReview46,31–40.http://net.educause.edu/ir/library/pdf/ERM1151.pdf

Lourens,A.,&SmitI.P.J.(2003).Retention:predictingfirst-yearsuccess.SouthAfricanJournalofHigherEducation.17(2),169-170.

Maler,E.etal.AssertionsandProtocolsfortheOASISSecurityAssertionMarkupLanguage(SAML).OASIS,Septembar2003.IDdokumentaoasis-sstcsaml-core-1.1.Specifikacijadostupnanahttp://www.oasis-open.org/committees/security/.

Masters,T.(1995).AdvancedAlgorithmsforNeuralNetworks:AC++Sourcebook.JohnWiley&Sons,NewYork.

Milosavljević,M.(2005).Neuralnetworks.FacultyofElectricalEngineering,Belgrade.

Modis,T.(1992).Predictions-Society'sTelltaleSignatureRevealsthePastandForecaststheFuture,Simon&Schuster,NewYork.

Nagelkerke,N.J.D.(1991)."ANoteonaGeneralDefinitionoftheCoefficientofDetermination".Biometrika78(3):691–2.

Naik,B.,&Ragothaman,S.(2004).UsingNeuralNetworkstoPredictMBAStudentSuccess,CollegeStudentJournal.38(1),143-150.

NationalBoardofEmployment,EducationandTraining(NBEET),(1992).SkillsRequiredforGraduates:OnetestofqualityinAustralianhighereducation.HigherEducationCouncilCommissionedReportNo.20.Canberra,Australia:AustralianGovernmentPublishingService.

Njavro,Đ.(2006).Obrazovanjeitržišteradauprocesuglobalizacije.ZSEM,Zagreb.

OECD(2000),OECDScienceTechnologyandIndustryOutlook2000.OECD,Paris,France.

OECD(2005).TeachersMatter:Attracting,DevelopingandRetainingEffectiveTeachers.OECDPublications,Paris,France.http://www.oecd.org/edu/teacherpolicy

OECD(2009).CreatingEffectiveTeachingandLearningEnvironments.FirstResultsfromTALIS.OECDPublications,Paris,France.http://www.oecd.org/dataoecd/17/51/43023606.pdf

OECD(2011).PreparingTeachersandDevelopingSchoolLeadersfor21stCentury-Lessonsfromaroundtheworld(BackgroundReportfortheInternationalSummitontheTeachingProfession).OECDPublications,ParisFrance.

Oladokun,V.O.,Adebanjo,A.T.,&Charles-Owaba,O.E.(2008).PredictingStudents’AcademicPerformanceusingArtificialNeuralNetwork,ACase

107

StudyofanEngineeringCourse,ThePacificJournalofScienceandTechnology.9(1),72-79.

Olson,M.(1982).Theriseanddeclineofnations,YaleUniversityPres,NewHaven.

Olsson,T.,Ryegård,Å.,Apelgren,K.(2010).ASwedishperspectiveonpedagogicalcompetence,UpsalaUniversity.

Ounnas,A.,Liccardi,I.,Davis,H.C.,Millard,D.E.andWhite,S.A.(2006).TowardsaSemanticModelingofLearnersforSocialNetworks.InternationalWorkshoponApplicationsofSemanticWebTechnologiesforE-Learning(SW-EL)attheAH2006Conference,Dublin,Ireland,2006.http://eprints.soton.ac.uk/id/eprint/262774

Pantić,N.(Ed.).(2008).TuningTeacherEducationCurriculaintheWesternBalkans.CentreforEducationPolicy,Belgrade,Serbia.http://www.cep.edu.rs/sites/default/files/izdanja/Tuning_Teacher_Education_Western_Balkans.pdf

PAPI(2002).IEEEP1484.2.1/D8–PAPILearner.InformationTechnologyforLearning,Education,andTraining:ISO/IECJTC1SC36.

Piaget,J.(1937).Laconstructiondureelchezl’enfant.DelachauxetNiestle,Neuchatel,Switzerland.

Prokopijević,M.(2005).Evropskaunija:Uvod.Službeniglasnik,Beograd.Radas,S.,MervarA.,ŠvaljekS.,BudakJ.,iRajh,E.(2002).Institucije,

mehanizmi,mjereiinstrumentifinancijskihifiskalnihpoticajaznanstvenoistraživačkojirazvojnojdjelatnostiufunkcijitehnologijskograzvojasposebnimnaglaskomnasuradnjiznanstvenogigospodarskogsektora.StudijaEkonomskoginstituta,Zagreb.

Rado,P.(2001).TransitioninEducation.OpenSocietyInstitute,Budapest.Ramaswami,M.,&R.Bhaskaran,(2010).ACHAIDbasedperformance

predictionmodelineducationaldatamining,IJCSIInternationalJournalofComputerScienceIssues,7(1),10-18.

Raven,M.S.(1956).UputstvozakorišćenjeProgresivnihmatricauboji.Beograd,Centarzaprimenjenupsihologiju.

Reason,R.D.(2003).Studentvariablesthatpredictretention:Recentresearchandnewdevelopments.NASPAJournal,40(4),172-191.

Rodić,N.(2000).LatentstructureofsuccessofstudentsgraduatedattheFacultyofTeacherEducationinSombor,Norma,6(3),25-44,Nastavaivaspitanje,50(1),98-113.

Romero,C.,&Ventura,S.(2007).Educationaldatamining:Asurveyfrom1995to2005.ExpertSystemswithApplications,33(1),135-146,doi:10.1016/j.eswa.2006.04.005.

Romero,C.,&Ventura,S.(2011).Educationaldatamining:areviewofthestate-of-the-art,IEEETrans.Syst.ManCybernet.CAppl.Rev.,40(6),601–618.

Romero,C.,Ventura,S.,Espejo,P.G.,&Hervás,C.(2008).EducationalDataMining2008,The1stInternationalConferenceonEducationalDataMining.

108

Russell,S.J,&Norvig,P.(2002).ArtificialIntelligence:AModernApproach.PrenticeHall,NewYork.

Savić,G.(2013).Upravljanjeelektronskimnastavnimkursevimazasnovanonakomponentnommodeluiformalnojreprezentacijiinstrukcijskogdizajna.Doktorskadisertacija,UniverzitetuNovomSadu.

Scheerens,J.(2007).ConceptualframeworkforthedevelopmentofthePISA2009contextquestionnairesandthematicreports.

Sembiring,S.,Zarlis,M.,Hartama,D.,Ramliana,S.,&Elvi,W.(2011).Predictionofstudentacademicperformancebyanapplicationofdataminingtechniques,InternationalConferenceonManagementandArtificialIntelligenceIPEDRvol.6,IACSITPress.Bali,Indonesia.

Sengi,M.P.,(2003).PetaDisciplina:Umećeipraksaorganizacijekojauči.AdižesMC,NoviSad.

Sergiovanni,T.J.(2000).TheLifeworldofLeadership:CreatingCulture,Community,andPersonalMeaninginOurSchools,SanFrancisco,JosseyBass.

Shulruf,B.,Hattie,J.,&Tumen,S.(2008).ThePredictabilityofEnrolmentandFirst-YearUniversityResultsfromSecondarySchoolPerformance:TheNewZealandNationalCertificateofEducationalAchievement,StudiesinHigherEducation,33(6),685-698.

Shum,S.B.(2012).OurLearningAnalyticsAreOurPedagogy.KeynotePresentationatExpandingHorizons2012,MacquarieUniversity.

Simeunović,V.(2005).Informatika,Metodologija,Statistika.Visokaškolaunutrašnjihposlova,BanjaLuka.

Simeunović,V.(2009).ObrazovanjeufunkcijiprivrednograzvojauRepubliciSrpskoj,ZborniksaprvogkongresapedagogaRepublikeSrpske,Jahorina,25-27.jun.Našaškola,br.3-4,str.235-266.

Simeunović,V.andPreradović,Lj.(2014).UsingDataMiningtoPredictSuccessinStudying.CroatianJournalofEducation,16(2):491-523.

Šipka,P.(1981).Acollectionofpapersfromtheareaofcriteria.DepartmentforPsychologyofMilitaryMedicalAcademy,Belgrade.

SlužbeniglasnikBiH,broj031.SlužbeniglasnikBiH,broj24/8.StrateškipravcirazvojaobrazovanjauBosnii

Hercegovinisaplanomimplementacije2008–2015.Stiglitz,J.E.(1999).Publicpolicyforaknowledgeeconomy.Centerfor

EconomicPolicyResearch,London.Sulaiman,A.,&Mohezar,S.(2006).StudentSuccessFactors:IdentifyingKey

Predictors,JournalofEducationforBusiness,81(6),328-333.Suzić,N.(2005).Pedagogijaza21.vijek.TTCentar,BanjaLuka.TheEuropeanParliamentAndTheCouncilOfTheEuropeanUnion(2006),Key

CompetencesforLifelongLearning—AEuropeanReferenceFramework.TUNINGEducationalStructuresInEuropeWorkgroup:Education(TUNING2;

2005),TuningeducationalstructuresinEurope:SummaryofOutcomes–Education.

109

http://tuning.unideusto.org/tuningeu/images/stories/template/Template_Education.pdf.

UnitedKingdomGovernment,DepartmentforEducationandSkills(2002).QualifyingtoTeach:ProfessionalStandardsforQualifiedTeacherStatusandRequirementsforInitialTeacherTraining.TeacherTrainingAgency,London.http://www.tda.gov.uk/upload/resources/pdf/q/qts-standards-final.pdf.

Vallerand,R.J.,Pelletier,L.G.,Blais,M.R.,Briere,N.M.,Senecal,C.,&Vallieres,E.F.(1992).TheAcademicMotivationScale:Ameasureofintrinsic,extrinsic,andmotivationineducation.EducationalandPsychologicalMeasurement,52,1003-1017.

Vandamme,J.-P.,Meskens,N.,&Superby,J.-F.(2007).Predictingacademicperformancebydataminingmethods.EducationEconomics,15(4),405-419.

VladaRH,PovjerenstvozaizraduHrvatskogakvalifikacijskogokvira(2007).PolazneosnoveHrvatskogakvalifikacijskogokvira.http://www.vlada.hr/hr/content/download/22392/287176/file/243-12.pdf.

VladaRS(2009).StrategijarazvojaobrazovanjaRSzaperiod2010-2014.Vukicevic,M.,Isljamovic,S.,Jovanovic,M.,Delibasic,B.,&Suknovic,M.(2011).

Applicationofneuralnetworksforpredictionofsuccess.FacultyofOrganisationalSciences,Belgrade.

Weule,H.(1997).DieBedeutungderProduktenetwicklungfürdenIndustriestandortDeutchland.VDI−EKV−Jahrbuch’97,Düsseldorf.

Witten,I.H.,&Frank,E.(2000).DataMining:PracticalMachineLearningToolsandTechniqueswithJavaImplementation.MorganKaufmann,SanFrancisco.

Woodman,R.(2001).InvestigationoffactorsthatinfluencestudentretentionandsuccessrateonOpenUniversitycoursesintheEastAngliaregion.M.Sc.Dissertation,SheffieldHallamUniversity,UK.

WorldBank(1998).Knowledgefordevelopment.WDR,OxfordUniversityPress,NewYork.

Zaidah,I.,&Daliela,R.(2007).Predictingstudents’academicperformance,comparingartificialneuralnetwork,decisiontreeandlinearregression.21stAnnualSASMalaysiaForum,KualaLumpur,Malaysia,pp.1-6.

ZavodzaškolstvoCrneGore(2008).Standardizanastavničkazvanja.ZUOV(2011).Standardikompetencijazaprofesijunastavnikainjihovog

profesionalnograzvoja.Beograd.

110

Webadrese

[aLFanet] ActiveLearningforAdaptiveInternet.http://adenu.ia.uned.es/alfanet/

[aTutor] ATutorLearningManagementSystemhttp://www.atutor.ca

[Canvas] CanvasLearningManagementSystemhttp://www.canvaslms.com

[Chamilo] ChamiloE-LearningandCollaborationSoftwarehttps://chamilo.org/chamilo-lms/

[Claroline] ClarolineLearningManagementSystemhttp://claroline.fsm.ac.in

[Dokeos] DokeosE-LearningSuitehttp://www.dokeos.com

[eFront] EnterpriseLearningManagementSoftwarehttp://www.efrontlearning.net

[Fedena] FedenaPro–SchoolManagementInformationSystemhttp://www.fedena.com

[ILIAS] ILIASE-Learninghttp://www.ilias.de

[IMSGlobal] IMSGlobalLearningConsortium,http://www.imsglobal.com

[JSON] JavaScriptObjectNotationhttp://www.json.org

[LAMS] LearningActivityManagementSystemhttp://lamsfoundation.org

[LRN] .LRNhttp://dotlrn.org

[Moodle] Moodle–OpenSourceLearningPlatformhttps://moodle.org

[OAuth] Anopenprotocoltoallowsecureauthorizationinasimpleandstandardmethodfromweb,mobileanddesktopapplications

111

http://oauth.net

[OLAT] OnlineLearningandTraininghttp://www.olat.org

[RapidMiner] RapidMiner5.0Manual,Rapid-IGmbH,http://rapidminer.com

[Sakai] SakaiCourseLearningEnvironmenthttps://sakaiproject.org

[SWAD] SharedWorkspaceAtaDistancehttps://openswad.org

[Tuning] TuningEducationalStructuresinEuropehttp://www.unideusto.org/tuningeu/

[Weka] Weka3:DataMiningSoftwareinJava,http://www.cs.waikato.ac.nz/ml/weka/

112

Biografija

VladoSimeunovićrođenјe06.02.1962.uTuzli,RepublikaSrpska,Bosna i Hercegovina. Diplomirao јe 27.07.1985. godine na Voјnoјakademiјi kopnene voјske u Beogradu i stekao stručni naziv diplo-miranogoficiraveze.Magistarskutezupodnazivom„Uticaјpsihološkogfaktora na uspeh u obuci teleprinterista“ odbranio јe 27.07.1995.godine na Voјnoј akademiјi kopnene voјske u Beogradu, u okvirunaučneoblastiVoјnaandragogiјa.

StalnojezaposlenuGradskojupraviGradaBijeljine.Uokvirutogangažmana rukovodio je ili učestvovao u realizaciji većeg brojaprojekatanacionalnogilimeđunarodnogznačaja.

U svom istraživačkom radu objavio je preko 30 radova. Međunjima ima 7 radova koji neposredno pripadaju oblasti kojom se baviovadoktorskadisertacija, a od toga jedan rad je objavljenumeđuna-rodnomčasopisusaimpaktfaktorom.

113

Ključnadokumentacijskainformacija

Redni broj, RBR: Identifikacioni broj, IBR: Tip dokumentacije, TD: monografska publikacija Tip zapisa, TZ: tekstualni štampani dokument Vrsta rada, VR: doktorska disertacija Autor, AU: Vlado Simeunović Mentor, MN: Branko Milosavljević Naslov rada, NR: Informacioni model i softverska podrška za

predviđanje uspješnosti studiranja Jezik publikacije, JP: srpski Jezik izvoda, JI: srpski / engleski Zemlja publikovanja, ZP: Srbija Uže geografsko područje, UGP: Vojvodina Godina, GO: 2015 Izdavač, IZ: autorski reprint Mesto i adresa, MA: Novi Sad, Fakultet tehničkih nauka,

Trg Dositeja Obradovića 6 Fizički opis rada, FO: 5 / 114 / 153 / 8 / 28 / 0 / 1 Naučna oblast, NO: Elektrotehničko i računarsko inženjerstvo Naučna disciplina, ND: Primenjene računarske nauke i informatika Predmetna odrednica / ključne reči, PO:

tehnološki podržano učenje, istraživanje podataka, predikcija uspešnosti studiranja

UDK Čuva se, ČU: Biblioteka Fakulteta tehničkih nauka, Trg Dositeja

Obradovića 6, Novi Sad Važna napomena, VN: Izvod, IZ: U radu je prikazan model podataka koji omogućava

predviđanje uspješnosti studiranja na visokoškolskim ustanovama, kao i analizu više tehnika predikcije. Pored toga, prikazuje i prototipsku implementaciju informacionog sistema za upravljanje obrazovnim procesom koji omogućava korišćenje predikcije u realnim informacionim sistemima.

Datum prihvatanja teme, DP: Datum odbrane, DO: Članovi komisije, KO: predsednik dr Mirjana Segedinac, red. prof, PMF Novi Sad član dr Milan Milosavljević, red. prof, ETF Beograd član dr Milan Segedinac, assist. prof, FTN Novi Sad član dr Goran Savić, docent, FTN Novi Sad mentor dr Branko Milosavljević, red. prof, FTN Novi Sad

Potpis mentora

114

KeyWordsDocumentation

Accession number, ANO: Identification number, INO: Document type, DT: monographic publication Type of record, TR: textual material Contents code, CC: PhD thesis Author, AU: Vlado Simeunović Mentor, MN: Branko Milosavljević Title, TI: An Information Model and Software Support for

Prediction of Student Success in Studying Language of text, LT: serbian Language of abstract, LA: serbian / english Country of publication, CP: Serbia Locality of publication, LP: Vojvodina Publication year, PY: 2015 Publisher, PB: author’s reprint Publication place, PP: Novi Sad, Faculty of Technical Sciences,

Trg Dositeja Obradovića 6 Physical description, PD: 5 / 114 / 153 / 8 / 28 / 0 / 1 Scientific field, SF: Electrical Engineering and Computer Science Scientific discipline, ND: Applied Computer Science and Informatics Subject / Keywords, S/KW: technology enhanced learning, data mining, studying

success prediction UDC Holding data, HD: Library of the Faculty of Technical Sciences,

Trg Dositeja Obradovića 6, Novi Sad Note, N: Abstract, AB: The paper presents a data model that facilitates

prediction of students success in studying, as well as a review of prediction techniques. It also presents a prototype implementation of a learning management information system that enables the use of prediction of success in studying and represents a real-world use case.

Accepted by sci. board on, ASB:

Defended on, DE: Defense board, DB: president Mirjana Segedinac, PhD, full prof., PMF Novi Sad member Milan Milosavljević, PhD, full prof., ETF Belgrade member Milan Segedinac, PhD, assist. prof., FTN Novi Sad member Goran Savić, PhD, assist. prof., FTN Novi Sad mentor Branko Milosavljević, PhD, full prof., FTN Novi Sad

Mentor’s signature