Vybrané kapitoly z umělé

inteligence ve vzdělávání

Vítězslav Rathouz

VYBRANÉ KAPITOLY

Z UMĚLÉ INTELIGENCE

VE VZDĚLÁVÁNÍ

Vítězslav Rathouz

ANOTACE

Tato kniha se zabývá významným tématem na poli aplikace technologií

do vzdělávání. Jejím cílem je přinést do českého prostředí pohled na důleži-

tou část výzkumu aplikování umělé inteligence do vzdělávání a zhodnotit

aktuální stav této části výzkumu. Hlavní část práce se věnuje pěti vybraným

tématům z této oblasti, mezi která patří zpětná vazba v inteligentních výu-

kových systémech, modelování studentů, počítačové zpracování emocí,

počítačové zpracování přirozeného jazyka a pedagogičtí agenti. Kniha

v rámci jednotlivých témat popisuje teoretické základy spolu s praktickými

aplikacemi, aktuální výzkumné trendy a popisuje stav pomocí SWOT analý-

zy.

ANOTATION

The focus of this book is on the important theme from a field of aplicati-

on of technology to education. The goal of the book is to introduce aplicati-

on of artificial intelligence to educational context together with its actual

status to Czech environment. The main part of this publication deals with

five research topics which were chosen as the most important for this area.

These topics are feedback in intelligent tutoring systems, student mo-

delling, affective computing, natural language processing and pedagogical

agents. Every chapter dealing with one of these topics icludes theoretical

foundations together with examples of practical aplication, actual research

trends and SWOT analysis.

OBSAH

ÚVOD .......................................................................................................................... 6

UMĚLÁ INTELIGENCE ............................................................................................... 8

Techniky a metody umělé inteligence ............................................................ 10

Bayesovské sítě .................................................................................................. 10

Umělé neuronové sítě ........................................................................................ 12

Strojové učení ..................................................................................................... 13

Dolování z dat ...................................................................................................... 16

UMĚLÁ INTELIGENCE VE VZDĚLÁVÁNÍ ............................................................... 19

Úvod do vybraných témat ................................................................................. 21

MODELOVÁNÍ STUDENTŮ ..................................................................................... 24

Role modelování v rámci AIED ......................................................................... 26

Model studenta ................................................................................................... 27

Současný stav a trendy ..................................................................................... 31

SWOT analýza ..................................................................................................... 34

POČÍTAČOVÉ ZPRACOVÁNÍ PŘIROZENÉHO JAZYKA A DIALOG ...................... 39

Textová adaptace ............................................................................................... 41

Simplifikace ......................................................................................................... 42

Sumarizace textu................................................................................................ 43

Klasifikace textu, indexace, klíčových slova .................................................. 44

Hodnocení studentem konstruovaných odpovědí ....................................... 45

Učení dialogem ................................................................................................... 48

Aktuální stav ........................................................................................................ 50

SWOT analýza ..................................................................................................... 52

POČÍTAČOVÉ ZPRACOVÁNÍ EMOCÍ ...................................................................... 56

Definice emoce ................................................................................................... 58

Počítačové zpracování emocí obecně ........................................................... 59

Emoce ve vzdělávání ......................................................................................... 75

Aktuální stav ........................................................................................................ 83

SWOT analýza ..................................................................................................... 85

PEDAGOGIČTÍ AGENTI ........................................................................................... 89

Vlivy pedagogických agentů ............................................................................. 94

Role pedagogických agentů ............................................................................. 97

Aktuální stav a trendy ...................................................................................... 103

SWOT analýza ................................................................................................... 104

ZPĚTNÁ VAZBA V INTELIGENTNÍCH VÝUKOVÝCH SYSTÉMECH ................... 108

Inteligentní výukové systémy ......................................................................... 110

Zpětná vazba ..................................................................................................... 114

Aktuální stav ...................................................................................................... 130

SWOT analýza ................................................................................................... 133

ZÁVĚR .................................................................................................................... 137

SEZNAM POUŽITÉ LITERATURY ......................................................................... 140

6

ÚVOD

Předkládaná publikace se zaobírá významným tématem na poli aplikace

technologií do vzdělávání. Přirozený vývoj počítačových programů určených

pro výuku si vyžádal aplikaci sofistikovaných technik počítačové vědy, které

významně rozšiřují jejich funkcionalitu. Metody umělé inteligence skýtají

potenciál v obohacení e-learningové technologie v mnoha směrech a lze se

domnívat, že v budoucím vývoji těchto technologií budou hrát důležitou roli

(např. Adams Becker akol., 2017).

Kniha popisuje vybraná témata výzkumné oblasti, která se v anglicky

psané literatuře standardně označuje jako artificial intelligence in education,

v překladu umělá inteligence ve vzdělávání. V českém prostředí není tato

oblast příliš často uceleněji popisována a poznatky o této oblasti jsou spíše

roztříštěny. Tato kniha by měla tuto pomyslnou mezeru zaplnit a představit

rovněž témata, která v českém prostředí nejsou téměř zmiňována – napří-

klad pedagogičtí agenti – a poskytnout zájemcům o problematiku aplikace

umělé inteligence do vzdělávání hodnotný úvod do této oblasti.

Oblast umělé inteligence ve vzdělávání integruje poznatky mnoha věd-

ních disciplín s cílem využít je při aplikaci umělé inteligence do vzdělávacích

procesů a tím je obohacovat a zlepšovat. Vzhledem k šířce této oblasti

a množství témat, která jsou v rámci ní řešena, je cílem zaměřit se na ta té-

mata, která jsou pro tuto oblast zásadní. Výběr témat vhodných pro začle-

nění do této knihy proběhl prostřednictvím analýzy témat rozebíraných na

dvou konferencích1 z hlediska jejich četnosti. Tímto způsobem byly identifi-

kovány podstatné podoblasti výzkumu umělé inteligence ve vzdělávání

a následně na základě analýzy téměř výhradně zahraniční literatury zpraco-

vány.

1 Jedná se o konference 1) Artificial Intelligence In Education a 2) Intelligent Tutoring Sys-

tems (ITS) konference. Analyzovány byly programy z ročníků 2002-2016.

7

V rámci knihy je zběžně představena disciplína umělá inteligence

z pohledu teoretického vymezení a příkladů jejích metod, které jsou do výu-

kových programů často aplikovány a s nimiž se čtenář v této knize může

setkat.

Dále následuje úvod do oblasti umělé inteligence ve vzdělávání

a souhrnné představení základních témat, které má za účel seznámit čtená-

ře s řešenou problematikou a usnadnit mu orientaci v textu. Mezi témata

vybraná pro tuto knihu patří zpětná vazba v inteligentních výukových sys-

témech, modelování studentů, počítačové zpracování emocí, počítačové

zpracování přirozeného jazyka a pedagogičtí agenti. Dle povahy jednotlivých

témat je pozornost věnována více či méně technickým a pedagogickým

aspektům. V obou směrech ovšem není zabíháno do přílišných detailů. Je

dbáno na to, aby kniha poskytla pohled respektující teoretické základy jed-

notlivých oblastí a současně i praktickou stránku věci prostřednictvím uká-

zek konkrétních aplikací. Daná témata jsou převážně zasazena do kontextu

výuky jedince pomocí inteligentních výukových systémů.

Důležitou součástí každé kapitoly popisující jedno z vybraných témat je

podkapitola představující trendy a aktuální výzkumné směry a dále podkapi-

tola zhodnocující aktuální stav z pohledu SWOT analýzy – tedy posouzení

silných stránek, slabých stránek, příležitostí a hrozeb. Analýza se zaměřuje

na aktuální aspekty z pohledu celého tématu dané kapitoly, nebo pouze

z hlediska jeho určitých částí – například v kapitole o počítačovém zpraco-

vání přirozeného jazyka je zmíněna hrozba týkající se automatického opra-

vování textů a její potenciálně negativní vliv na psaný projev studentů –

nejde tedy o hrozbu začleňování technik počítačového zpracování přiroze-

ného jazyka do vzdělávání obecně, ale spíše hrozbu z pohledu konkrétní

aplikace.

8

UMĚLÁ

INTELIGENCE

9

Z perspektivy jednoho z možných pohledů lze umělou inteligenci (an-

glicky artificial intelligence, AI) považovat za empirickou vědu, zabývající se

zkoumáním a chápáním inteligentních projevů. K tomu účelu je využívána

abstrakce a modelování inteligentních projevů mimo lidskou mysl, obvykle

pomocí počítače (Pěchouček, 2004). Mezi tyto inteligentní projevy patří ře-

šení problémů, uvažování, učení či porozumění jazyku. V rámci umělé inteli-

gence jsou vyvíjeny tzv. inteligentní počítačové systémy, které jsou schopny

vykazovat tyto projevy vlastní člověku (Barr a Feigenbaum, 1982, s. 3).

Experti na AI si od počátku vzniku disciplíny kladou otázku, kdy lze stroj

označit za inteligentní. Již v roce 1950 předložil Alan Turing (1950) návrh

testu – Turingův test, který definuje podmínky, za kterých je možné stroj

považovat za inteligentní. Na základě tohoto testu je stroj označen za inteli-

gentní tehdy, pokud člověk položí otázku a není schopen rozeznat, zda od-

pověď na ni pochází od tohoto stroje nebo od jiného člověka. Ačkoliv je

tento návrh již přes půl století starý, je v dnešní době stále předmětem čet-

ných diskuzí.

Nejznámějším argumentem poukazujícím na nedostatečnost Turingova

testu pro potvrzení inteligence je tzv. argument čínského pokoje, který před-

ložil filozof John Searl (1980). Jeho argument stojí na faktu, že stroj může

úspěšně projít testem, aniž by otázce porozuměl, protože na ni může po-

skytnout odpověď pouhým transformováním dostupných informací. Searl

tímto položil základy pro rozlišování slabé AI a silné AI. Princip Turingova

testu popisuje jako testování slabé AI, kdy je inteligence posouzena pouze

na základě toho, zda se stroj chová jako inteligentní. Naopak z pohledu silné

AI je důležité, jakým způsobem inteligentní projevy vznikají. Aby mohl být

stroj označen za inteligentní z pohledu silné AI, měl by mít mysl a být scho-

pen přemýšlet tak jako člověk.

10

TECHNIKY A METODY UMĚLÉ INTELIGENCE

Od padesátých let minulého století, kdy se datují počátky této disciplíny,

vznikl nespočet metod, technik a nástrojů umělé inteligence, které přispívají

k našemu lepšímu životu. Pokud se mluví o umělé inteligenci, mnoho lidí

pravděpodobně netuší, že s ní přichází dennodenně do styku kupříkladu při

používání internetových vyhledávačů, bankovních systémů, mobilních tele-

fonů, sociálních sítí nebo při hraní počítačových her. O tomto fenoménu v

rozhovoru pro zpravodajský portál (CNN.com, 2006) pojednává expert na

umělou inteligenci Nick Bostrom z Oxfordské univerzity:

,,Mnoho pokrokových technik vzešlých z výzkumu AI je přeneseno do

obecných aplikací, aniž by byly nadále nazývány AI, protože když se něco sta-

ne dostatečně užitečné a dostatečně běžné, přestane se to již označovat jako

AI.”

Jednou z kategorií metod AI, které jsou hojně aplikovány do počítačo-

vých programů zaměřených na výuku, je tzv. soft computing. Do této kate-

gorie spadají metody, jejichž cílem je vypořádat se s nepřesným popisem

reálného světa a umožnit počítači odvozovat v případech, kdy jsou k dispo-

zici pouze nedokonalá data (Flasiński, 2016, s. 26). Jako příklad lze jmeno-

vat metody založené na teorii pravděpodobnosti.

BAYESOVSKÉ SÍTĚ

Jednou z takových je bayesovská síť, což je datová struktura, která gra-

fickou reprezentací ve formě grafu představuje vztahy mezi jednotlivými

proměnnými. Síť je tvořena souborem orientovaných vazeb, které propojují

páry uzlů. Pokud je vazba naznačena šipkou směřující z uzlu X do uzlu Y, je

X považován za tzv. “rodiče” uzlu Y a značí, že X má přímý vliv na Y. Jinak

řečeno příčina by tedy měla být “rodičem” efektu. Po vytvoření topologie v

tomto formátu je každému uzlu přiřazena podmíněná pravděpodobnost

kvantifikující efekt “rodiče” na tento uzel. Graf nemá žádné orientované cyk-

11

ly, jedná se tak o acyklický orientovaný graf (Russell, Norvig, Davis, 2006, s.

510-511).

Bayesovské sítě lze využít pro různé účely. Mohou poskytnout odpovědi

na otázky (Umělá inteligence, 2016):

● Jaká je velikost podmíněné pravděpodobnosti za daných pozorova-

ných hodnot?

● Jaká informace by nejvíce pomohla se rozhodnout?

● Na kterých proměnných je výsledek nejvíce závislý?

● Jaká je nejpravděpodobnější příčina pozorovaného stavu?

Obr. č. 1 (vlastní tvorba autora): Ukázka bayesovské sítě spolu s tabulkami popisu-

jícími podmíněnou pravděpodobnost jednotlivých uzlů (pokud uzel nemá “rodiče”,

jedná se o nepodmíněnou pravděpodobnost). Všechny proměnné mohou mít hod-

notu t (pravda) a f (nepravda). Z takovéto sítě lze poté například odvodit pravděpo-

dobnost, že k lékaři přijde pacient s angínou a zvýšenou teplotou, který se nakazil

stykem s již nemocným člověkem.

12

UMĚLÉ NEURONOVÉ SÍTĚ

Odborníci na AI, inspirováni biologickými strukturami mozku, již před ví-

ce než padesáti lety vyvinuli matematickou metodu zvanou umělá neurono-

vá síť, která poté byla na dlouhé roky zavrhnuta. Svého znovuzrození se

dočkala, když teoretické a hardwarové pokroky poskytly dostatečnou výpo-

četní sílu pro její praktickou aplikaci a prokázání potenciálu, který tato me-

toda skýtá. Umělé neuronové sítě se kupříkladu osvědčily při rozpoznávání

vzorců v datech, při ekonomických predikcích nebo jsou rovněž aplikovány

pro autonomní motorová vozidla. Jedním z jejich dalších využití je ve strojo-

vém překladu, kdy nedávno byly aplikovány pro překlad českého jazyka ve

známém překladači od společnosti Google a výrazně navýšily kvalitu jeho

překladu.

Umělá neuronová síť je tvořena navzájem propojenými primitivními vý-

početními jednotkami v podobě matematických modelů biologických neu-

ronů (umělé neurony). Vazby mezi neurony slouží pro přenos signálu mezi

nimi. Každá z vazeb má svou numericky vyjádřenou váhu, udávající sílu

a povahu spojení. Umělý neuron přijme přes vstupy signál a zpracuje ho

pomocí matematických funkcí, které tento signál transformují a výstupem

ho zprostředkují dalším jednotkám, popřípadě tento signál již může být vý-

stupem sítě (Russell, Norvig, Davis, 2006, s. 728-729).

13

Obr. č. 2 (Lucci a Kopec, 2016, s. 333) : Neuronová sít, ve které je šest neuronů roz-

děleno do tří vrstev. Proměnné X označují vstupy sítě a y značí výstup sítě. První

vrstva slouží pro vstup signálu do sítě, a je proto nazývána vstupní vrstvou. Třetí

vrstva je tzv. výstupní vrstva a slouží jako výstup signálu ze sítě. K signálu, který

vstupuje a vystupuje z prostřední vrstvy, není přímý přístup a označuje se tedy jako

skrytá vrstva (hidden layer). Dvě vrstvy vah spojů mezi neurony jsou označeny

proměnnou w – takovéto sítě jsou proto obvykle označovány jako dvouvrstvé

(Lucci a Kopec, 2016, s. 333).

Rozlišují se dva základní přístupy, jak se neurony mezi sebou propojují,

aby vytvořily onu síť. Jedním ze způsobů propojení je využití tzv. dopředných

vazeb, ve kterých je šířen signál pouze jedním směrem – z výstupu do vý-

stupu, a jedná se tak o acyklický orientovaný graf. Tento typ sítí bývá ob-

vykle tvořen z několika vrstev (viz obr. 2), kde každá jednotka může přijmout

signál pouze od jednotek ze sousední vrstvy. Naopak tzv. rekurentní síť mů-

že šířit signál i zpětně ze svého výstupu zpět do svého vstupu a vytváří tím

cyklický orientovaný graf. Taková síť pak tvoří dynamický systém, který mů-

že dosáhnout stabilizovaného stavu, nebo naopak i chaotického chování

sítě (Russell, Norvig, Davis, 2006, s. 729).

STROJOVÉ UČENÍ

Jak bylo zmíněno výše, cílem AI je vyvíjet systémy vykazující inteligentní

projevy. Jedním z takových projevů je schopnost se učit. Arthur Samuel

14

(1959) v roce 1959 vytvořil počítačový program pro hraní šachů. I když

z počátku nebylo pro Samuela nad strojem těžké zvítězit, říká se, že po pár

měsících se program zdokonalil tak, že ho měl Samuel problém porazit. Dá

se říci, že tímto počinem Samuel započal jeden z nejvýznamnějších vý-

zkumných směrů v AI zvaný strojové učení (machine learning).

Strojové učení je jednou z nejrychleji se vyvíjejících oblastí počítačové

vědy, které je věnována spousta pozornosti. V současné době lze jen stěží

najít oblast průmyslu či výzkumu, ve kterém nejsou aplikovány metody stro-

jového učení. Tento rozmach je patrně způsoben zvýšením kvantity

a různorodosti měření světa, kterého jsou nyní lidé schopni (Rogers a Giro-

lami, 2017). Strojové učení se zabývá vývojem počítačových programů, kte-

ré mají schopnost vylepšovat sebe sama na základě svých zkušeností.

Významnými aplikacemi je kupříkladu zpracování emocí a přirozeného jazy-

ka, počítačové vidění nebo ovládání robotů.

Pro vývojáře mnoha typů systémů je mnohem snazší naučit systém

fungovat pro požadované vstupy a výstupy předložením vzorových příkladů,

než manuálně programovat požadované výstupy pro všechny možné vstu-

py (Jordan a Mitchell, 2015). Tyto programy jsou schopny učit se ze vzoro-

vých dat, ve kterých rozpoznávají vzorce, a když se tyto vzorce naučí, dokáží

pak automaticky odpovídat na otázky a dělat rozhodnutí. Příkladem mohou

být modely naučené systémem pro doporučování knih. Systém sbírá data o

uživatelích a o knihách, které si četli. Tato data pak slouží jako vzorová data,

na základě kterých se systém naučí doporučovat knihy podle dříve přečte-

ných knih daného uživatele nebo knih, které četli jemu podobní uživatelé.

Pro účely strojového učení je využívána řada různých technik a algoritmů

v závislosti na povaze řešeného problému a dostupných dat. Patří mezi ně

i výše zmíněné umělé neuronové sítě a bayesovské sítě. Strojové učení lze

považovat jako odvozování modelů, které jsou vhodné pro vysvětlení pozo-

rovaných dat. Stroj může takové modely využívat k predikcím o budoucích

datech a k rozhodnutím relevantním k těmto predikcím.

15

Z tohoto popisu je patrné, že ve všech těchto procesech hraje velkou roli

nejistota, a proto jsou pravděpodobnostní metody, jako například zmiňova-

né bayesovské sítě, pro tento účel velmi užitečné (Ghahramani, 2015).

Struktura bayesovské sítě může být vytvořena odborníkem na danou do-

ménu, ale v případech, kdy je potřeba velmi složitá síť, může být vygenero-

vána automaticky na základě dat.

Strojové učení lze rozdělit na dva základní způsoby – tzv. učení s učite-

lem (supervised learning) a učení bez učitele (unsupervised learning). Při

učení s učitelem jsou učícímu se programu předkládány vzorové příklady

a požadované výstupy, které jsou v souladu s příklady. Umělé neuronové

sítě mají podobně jako neuronové sítě v mozku schopnost se učit, která

probíhá úpravou numericky vyjádřených vah jednotlivých vazeb mezi neu-

rony. Tyto váhy mají vliv na vstupy a výstupy neuronů.

Adaptace neuronové sítě při učení s učitelem nejčastěji probíhá jednou

z metod tzv. gradientního učení, jež se nazývá algoritmus zpětného šíření

využívaný přibližně v 80% všech aplikací neuronových sítí. Tento algoritmus

probíhá ve třech fázích: dopředné šíření vstupního tréninkového vzoru, zpět-

né šíření chyby a aktualizace váhových hodnot na spojeních pro snížení

rozdílů mezi vzorem a výstupem sítě (Volná, 2008). Po dokončení učení je

pak program schopen například zařazovat neznámé vstupy do stanovených

kategorií – příkladem může být identifikování obličeje na fotografii.

Na rozdíl od učení s učitelem nemá program při učení bez učitele k dis-

pozici znalosti o tom, jak by měl vypadat jeho výstup a nemá tedy svůj vý-

stup s čím porovnávat. Úkolem programu učícího se bez učitele je

automaticky odvozovat strukturu dat tím, že shlukuje data do skupin na zá-

kladě podobných vlastností. Pro učení bez učitele je typickým přístupem

Hebbovo pravidlo (Výkladový slovník, s. d.), které popisuje způsob učení bio-

logické i umělé neuronové sítě. Toto pravidlo říká, že pokud jsou dva navzá-

jem propojené neurony aktivní ve stejnou dobu, bude jejich spojení posíleno.

V umělých neuronových sítích dojde k úpravě hodnot vah spojení – tato

funkce je základem schopnosti učit se u umělých neuronových sítí.

16

DOLOVÁNÍ Z DAT

Techniky strojového učení, a konkrétně i zmíněné bayesovské sítě

a umělé neuronové sítě, se rovněž využívají v rámci rychle rostoucí oblasti

zvané dolování z dat (také vytěžování dat, anglicky data mining), která kom-

binuje poznatky z umělé inteligence, statistiky a databázových systémů.

Metody z této oblasti řeší velmi aktuální záležitosti pojící se s velkým množ-

stvím dat, které společnost za dobu využívání informačních technologií vy-

produkovala, a toto množství každým okamžikem rychle narůstá.

Cílem metod dolování z dat je ve velkých souborech dat odhalit původně

skryté informace, jež posléze mohou být využity k dalším účelům. Možnosti

uplatnění metod dolování z dat je velmi široké – od komerční sféry (kupří-

kladu zjišťování chování uživatelů internetových služeb) až po vědecké vý-

zkumy (analyzování dat z vědeckých experimentů).

DOLOVÁNÍ Z DAT VE VZDĚLÁVÁNÍ

V průběhu čtení této knihy může čtenář narazit na řadu různých případů

využití dolování dat pro vzdělávací účely. Je to do určité míry dáno tím, že

zmiňovaný rychlý růst množství dat se odehrává i v prostředí vzdělávání,

když studenti využívají různé formy vzdělávacích technologií. Ačkoliv se od-

borníci zabývají analýzou dat vzešlých ze vzdělávání již delší dobu, až

v posledních letech se začala oblast dolování z dat ve vzdělávání považovat

za samostatnou vědní disciplínu, která se anglicky nazývá educational data

mining (EDM) a má svou vlastní mezinárodní konferenci a odborný časopis.

Příhodně tuto disciplínu definuje webová stránka EDM komunity (Inter-

national Educational Data Mining Society, 2011):

„EDM je vznikající disciplína zabývající se vývojem metod pro prozkoumá-

vání unikátních typů dat, která pocházejí ze vzdělávacího prostředí, a využívá-

ní těchto metod pro lepší porozumění studentům a prostředí, ve kterých se

učí.“

17

EDM sdílí řadu technik, které má obecně dolování z dat splečné napříč

různými oblastmi aplikace. Patří mezi ně predikce, klastrování, detekce

odlišností, hledání vztahů, analýza sociálních sítí, dolování znalostí

z procesů a dolování z textu. Lze také najít techniky, které jsou pro EDM

specifické – napřílad rozklad nezáporných matic, destilace dat pro podporu

lidského rozhodování, objevování pomocí modelů či monitorování znalostí

jedince (Romero a Ventura, 2013).

Obr. č. 3 (Romero a Ventura, 2013): Tři hlavní oblasti (počítačová věda, statistika,

vzdělávání), na kterých je EDM založeno, a jejich průniky (vzdělávání založené

na počítačích, dolování dat a strojové učení, analytika učení). Analytika učení je

příbuzná oblast, která s EDM sdílí řadu cílů a výzkumných zájmů. Rozdíly těchto

dvou disciplín představují ve sve prácí Siemens a Baker (2012).

V poslední době je EDM aplikováno pro řadu účelů. Jedním

z významných cílů využití EDM je hledání empirických podkladů pro

zpřesňování a rozšiřování pedagogických strategií. V praxi může EDM

pomoci vyučujícím a adminstrátorům kurzů analyzovat aktivity studentů a

využívání učebních materiálů za účelem vylepšení kurzů. Pomáhá také

s analyzováním podpory výuky a zjištěním, které didaktické strategie a

metody jsou nejúčinnější a za jakých podmínek (Baker a Yeacef, 2009).

Důležitou úlohu rovněž hraje při modelování studentů, o kterém

pojednává jedna z kapitol této knihy, a také při tvorbě struktury doménových

znalostí ve výukových systémech. Studentům může být EDM prospěšné

poskytováním doporučení, který vzdělávací obsah je pro ně v danou dobu

18

nejvhodnější a podobně. Mimo to může EDM i u jednotlivých studentů

předpovídat jejich studijní výsledky (Romero a kol., 2010, s. 3-4).

19

UMĚLÁ

INTELIGENCE

VE VZDĚLÁVÁNÍ

20

Umělá inteligence ve vzdělávání (AIED2) je transdisciplinární výzkumnou

oblastí, která započala své formování již na počátku osmdesátých let minu-

lého století, kdy se v roce 1983 odehrála první Konference umělé inteligence

ve vzdělávání. Na přelomu osmdesátých a devadesátých let bylo již patrné,

že se okolo AIED formuje určitá komunita odborníků, a v roce 1989 vznikl

první časopis zaměřující se na AIED (Self, 2016). Nynější časopis IJAIED

společně s konferencemi slouží jako hlavní prostředky pro výměnu výzkum-

ných poznatků v rámci této oblasti.

Cílem činnosti v této oblasti je za pomoci poznatků řady disciplín – kro-

mě pedagogiky a AI kupříkladu filozofie, kognitivní vědy či psychologie –

využít technik umělé inteligence ke zdokonalování vzdělávacích procesů.

Výzkum AIED se převážně zabývá výukou, která probíhá v prostředí počíta-

čových výukových systémů. Prostřednictvím nich AIED také usiluje o zvyšo-

vání dostupnosti kvalitního vzdělávání pro co nejširší veřejnost.

Využití umělé inteligence pro vzdělávací účely pramení z potřeb výuko-

vých programů a jejich přirozeného vývoje. Pouze málo odborníků v počát-

cích AIED chtělo aplikovat do těchto programů AI bez hlubšího

opodstatnění. Využití AI spíše pramenilo z požadavků začleňovat do výuko-

vých systémů funkce, které umělou inteligenci vyžadovaly. Adaptování výu-

kového systému kontextu učení a adaptování se jednotlivým studentům či

umožnění vysoké interaktivity a okamžité zpětné vazby – to jsou aspekty

výukových systémů, pro které jsou metody umělé inteligence již nepostra-

datelné (Brna, 1999).

2 Zkratka anglického ekvivalentu artificial intelligence in education

21

ÚVOD DO VYBRANÝCH TÉMAT

AI bývá implementována ve formě počítačového programu, který je na-

programován tak, aby interagoval s okolním světem takovou formou, která

obvykle vyžaduje lidskou inteligenci. Pro interakci s okolním světem těmto

programům může sloužit uživatelské rozhraní. Výukovému programu

umožňuje přijímat studentem explicitně sdělované informace. Z interakce

program rovněž může vyvodit i informace, jež student neposkytuje vědomě.

Díky pokrokům v počítačové vědě, interakci počítač-člověk či umělé inteli-

genci jsou vyvíjena propracovaná rozhraní, která přináší řadu nebývalých

způsobů interakce. Ty systému umožňují získávat a zprostředkovávat in-

formace ve formách, ve kterých to dříve nebylo možné.

Jedním z příkladů je interakce prostřednictvím přirozeného jazyka, o kte-

ré pojednává kapitola „Počítačové zpracování přirozeného jazyka a dialog“.

Výzkumná oblast počítačové zpracování přirozeného jazyka, spadající pod

umělou inteligenci, vyvíjí metody, které výukovým systémům umožňují se

studenty komunikovat v přirozeném jazyce. Aplikace těchto metod umožňu-

je počítačům zpracovávat nestrukturovaná textová data – například zá-

znamy dialogů učitele a studenta nebo eseje studentů. Mimo to dávají

výukovým systémům možnost využívat širší palety didaktických strategií,

kupříkladu sokratovské rozhovory, a komunikovat se studentem přirozeněj-

ším způsobem. V konečném důsledku napomáhají simulovat výuku člově-

kem a pomáhají při dosahování jednoho z cílů AIED – vyrovnat se jeho

úrovní individuální výuky.

V další kapitole čtenáře čeká představení oblasti počítačového zpraco-

vání emocí a její využití ve vzdělávání. Tato rychle se vyvíjející podoblast AI

poskytuje počítačům schopnosti, se kterými se člověk mohl ještě do nedáv-

na setkat pouze ve filmových snímcích či vědeckofantastické beletrii –

a tou je schopnost počítače vnímat a vyjadřovat emoce.

Emoce jsou faktorem, který ovlivňuje náš život mnoha způsoby. Emoční

stav jedince má vliv na jeho chování, přemýšlení, a dokonce i na zdraví (Ba-

22

refoot, 1983; Estrada, Isen a Young, 1997). Není tedy překvapující, že vý-

znamnou roli hrají emoce i v rámci procesu učení. Schopnost identifikovat

emoční stavy studentů umožňuje výukovým programům zpracovávat nový

druh informací, který programům může pomoci se lépe přizpůsobovat stu-

dentům, ovlivňovat jejich emoční stav a zefektivnit díky tomu výuku.

Mezi aktuální témata výzkumu AIED patří pedagogičtí agenti. Od svých

počátků v osmdesátých letech zaznamenali tito agenti značný pokrok. Jako

rozhraní pro interakci studenta s počítačem využívají moderních technologií,

mezi které například patří zmiňované počítačové zpracování jazyka a emocí.

V podobě vysoce antropomorfních virtuálních postav komunikují se studen-

ty rozličnými způsoby a interakci s výukovými programy tím posouvají na

novou úroveň, činí ji přirozenější a podobnou interakci s člověkem. Pedago-

gickým agentům je také věnována jedna z kapitol této knihy, v které jsou

analyzování z hlediska jejich vlivu na učení a jejich role, které v tomto proce-

su mohou zastávat.

Ve výzkumu AIED hrají podstatnou roli modely – slouží jako základ pro

fungování výukových systémů a zároveň i pro design těchto systémů. Další

neméně důležitou vlastností je jejich přínos pro pochopení výukových

a učebních procesů, díky čemuž jsou obohacovány pedagogické teorie

a zdokonalována výuka za pomoci počítačů. Self (1999) tvrdí, že díky mode-

lům je výzkum AIED jediná oblast na pomezí počítačové vědy a vzdělávání,

který má za cíl vytvářet precizní a explicitní výpočetní formy pedagogických,

psychologických a sociálních znalostí, které obvykle bývají implicitní.

Počítačové programy vyvíjené v rámci AIED jsou nazývány inteligentní

výukové systémy a jsou představeny v kapitole „Zpětná vazba v inteligent-

ních výukových systémech“. Ty ke své činnosti potřebují znát koho, co a jak

učit a tyto znalosti pomocí algoritmů AI reprezentují ve formě modelu stu-

denta, modelu výuky a modelu doménových znalostí. Modelu znalostí o

studentovi, který bývá považován za nejdůležitější komponentu výukových

programů, se věnuje kapitola „Modelování studentů“.

23

Za pomoci algoritmů umělé inteligence a prostřednictvím spolupráce

jednotlivých modelů systém řídí svou činnost a provádí akce inteligentní

povahy. Mezi hlavní cíle, kterých by mělo být pomocí aplikace umělé inteli-

gence v těchto systémech dosaženo, patří schopnost posoudit studentovy

komplexní odpovědi, rozpoznat kdy a proč má student problémy s porozu-

měním a poskytnout mu pomoc za účelem vypořádání se s problémy

(Woolf, 2015). ITS studentovi pomáhá s učením, motivuje ho a podporuje

jeho metakognitivní procesy prostřednictvím tzv. zpětné vazby. Zpětná vaz-

ba je obecně považována za klíčový prvek výuky (Shute, 2008). Podobně je

tomu i ve výuce prostřednictvím ITS a z toho důvodu je jí v této knize věno-

vána poslední kapitola.

24

MODELOVÁNÍ

STUDENTŮ

25

Pro reprezentaci studentů se využívá tzv. uživatelské modelování, kdy na

základě dat, která má systém o uživateli k dispozici, vytváří jeho reprezenta-

ce v podobě modelů. S uživatelským modelováním se v dnešní době setká-

váme poměrně často, kupříkladu tam, kde je potřeba personalizace. Velkou

roli hraje v marketingu, kdy se díky modelování uživatelů transformuje

z oslovování anonymní masy lidí na “one-to-one” interakci. Jednoduše řeče-

no trendem dnešní doby je, že si produkty na základě modelů hledají vhodné

zákazníky.

Velké společnosti jako je Facebook či Google o nás sbírají velké množ-

ství dat, na základě kterých pak vytvářejí modely každého uživatele. Modely

jim poté pomáhají s personalizováním jejich služby na míru konkrétním uži-

vatelům a cílením reklam na vhodné uživatele, o kterých na základě modelů

usoudí, že by mohli mít o dané produkty zájem.

S modelováním uživatelů se můžeme též setkat u informačních doku-

mentografických systémů. Zde hlavně pomáhají při vyhledávání, kdy na zá-

kladě modelu uživatele systém určí relevanci vyhledaných dokumentů pro

konkrétního uživatele a podle té je seřadí. Obdobně to funguje i u interneto-

vých vyhledávačů a jejich výsledků hledání.

Modelování studentů řadí někteří autoři mezi zásadní témata výzkumu

AIED (Cumming a McDougall, 2000) a odborníci se mu věnují již dlouhou

řadu let (např. Self, 1974). Při modelování studenta o něm výukový systém

sbírá důležité informace a tím prakticky poznává, s kým má tu čest. Díky

tomu pak další komponenty systému mohou přizpůsobovat svou činnost

specifickým vlastnostem konkrétního studenta a systém může poskytovat

v určitých ohledech podobnou individuální výuce učitele.

Paleta modelovaných aspektů studentů se stále rozšiřuje za účelem co

nejlepšího přizpůsobení specifikům každého jednotlivce, případě skupiny.

Nejnovější pokroky kupříkladu v oblasti počítačového zpracování emocí

umožňují modelovat stále více variací emočních stavů s narůstající přes-

26

ností (viz kapitola „Počítačové zpracování emocí“), což vzdělávacímu sys-

tému umožňuje pokročilejší a efektivnější reakce.

ROLE MODELOVÁNÍ V RÁMCI AIED

Modely lze použít pro zviditelnění abstraktních entit, popis či zjednodu-

šení komplexního fenoménu a jako základ pro vědecké vysvětlení fenoménu

a jeho predikci (Gilbert, 2004). Stejně jako v jiných vědeckých výzkumných

oblastech jsou i v AIED vypracovávány teorie a modely s ohledem na danou

experimentální oblast a produkci artefaktů. Dle Bakera (2000) je právě pova-

ha těchto elementů jako takových a vztahů, které jsou mezi nimi nastoleny,

to, co charakterizuje danou výzkumnou oblast.

Významnou součástí AIED výzkumu je „(…)využívání počítačů za účelem

modelování aspektů situací při vzdělávání, které samy o sobě zahrnují využí-

vání počítačů jako artefaktů, kdy některé z nich v sobě mohou zahrnovat mo-

dely”. V porovnání s ostatními oblastmi výzkumu v rámci vzdělávání je

oblast AIED specifická v tom, že modely zde hrají řadu rolí. Baker (2000)

popisuje tři hlavní role: (1) modely jako vědecké nástroje – jsou využívány

jako prostředek pro porozumění a předpovídání některých aspektů procesů

ve vzdělávání; (2) modely jako komponenty – výpočetní modely, které jsou

využívány jako komponenty vzdělávacího artefaktu – například model toho,

jak student řeší určitý problém, je integrován do počítačového vzdělávacího

prostředí jako studentský model; (3) modely jako základ pro design – mode-

ly tvoří základ pro design počítačového nástroje pro vzdělávání – například

model dialogu tvoří základ pro design a implementaci nástrojů pro komuni-

kaci zprostředkovanou mezi počítači, studenty a učiteli v počítačových ko-

laborativních prostředích – v takovém případě není výpočetní model přímo

zabudován do systémového komponentu.

27

MODEL STUDENTA

Model studenta je v rámci inteligentního vzdělávacího systému jednou

z nejdůležitějších komponent, která značnou měrou umožňuje systému být

inteligentní. Specifické charakteristiky uživatelů, tedy studentů, které jsou v

modelu reprezentovány, jsou voleny v závislosti na tom, jaké způsoby adap-

tace jsou po systému vyžadovány a na povaze vyučované domény.

V případě inteligentního vzdělávacího systému lze tuto adaptaci popsat,

jako snahu přizpůsobit výuku specifickým charakteristikám každého stu-

denta stejně tak dobře, jako lidský vyučující (dále učitel). Tyto snahy jsou ale

značně velkou výzvou, neboť lidské učení je velmi složitý proces. Čím lépe

se podaří systému studenta poznat, tím lepší personalizaci učení může na-

bídnout. Proto se systém v modelu snaží zachytit různorodé charakteristiky

studenta a nějakým způsobem je využívat.

Data pro sestavování modelu studenta pochází buď přímo od studenta,

kdy ho systém například vyzve k zodpovězení otázky, nebo se jedná o data,

která jsou generována systémem, který je kupříkladu tvoří analýzou práce

studenta se systémem. Jednotlivé položky modelu mohou být statické, což

znamená, že jsou od momentu, kdy student se systémem poprvé pracuje,

neměnné (pohlaví, věk, jméno nebo obor studia apod.). Většina ostatních je

však dynamická a mění se v průběhu užívání systému – úroveň znalostí,

problémové oblasti – tzn., že systém musí včasně zjistit změny u studenta

a rychle na ně reagovat úpravou modelu a ostatní moduly systému musí

naopak reagovat na změnu modelu studenta.

MODELOVANÉ ASPEKTY

Paleta modelovaných aspektů je široká a aspekty je možno dělit do dvou

skupin (Brusilovsky a Millán, 2007):

● Znalosti – deklarativní, procedurální, kompetence apod.;

● Rysy uživatele – učební styly, kognitivní a metakognitivní schopnosti

atd.

28

Dále mohou být aspekty rozděleny dle toho, zda jsou (Conati a Kardan,

2013):

1) behaviorálního charakteru – akce, které student provádí při řešení

problému;

2) kognitivního charakteru – znalosti v rámci domény, cíle, kognitivní

zatížení;

3) metakognitivního charakteru – například na doméně nezávislé ar-

gumentační schopnosti;

4) afektivního charakteru – frustrace, nuda, motivace.

Charakteristiky v modelu jsou reprezentovány různými způsoby. Některé

bývají vyjádřeny pouhým jedním bitem, například zvládnuto nebo nezvládnu-

to, číselnou či slovní škálou nebo komplexním kvalitativním popisem. Tyto

strukturální vlastnosti určují to, jak komplikované modelování bude a jaké

techniky bude nejlepší využít (Polson a Richardson, 1988). Ve struktuře mo-

delu by neměla chybět reprezentace toho, do jaké míry je jisté, že daná in-

formace je správná. Pro případné konflikty, které mohou v rámci

modelování jednotlivých studentů nastat, je rovněž vhodné, aby si systém

pamatoval důvod, proč určité informací věří (Rich, 1979).

FUNKCE MODELU STUDENTA

Model studenta v inteligentním systému hraje důležitou roli a informace

z něj jsou využívány ostatními moduly systému k mnoha účelům. Díky ně-

mu systém může provádět dvě zásadní funkce: diagnostickou, při které zjiš-

ťuje povahu a rozsah znalostí studenta, a strategickou, kdy plánuje reakce

a intervence na základě zjištění o studentovi (Michaud a McCoy, 2004). Plá-

nování kurikula, analýza studentova řešení a interaktivní podpora při řešení

problémů jsou nejtradičnější inteligentní techniky využívané ve vzdělávacích

systémech. První dvě zmiňované techniky jsou nejstarší a nejlépe prostudo-

vané, zatímco třetí zbývající je novější, více podpůrnou a inteligentnější

technikou (Brusilovsky, Schwarz a Weber, 1996).

29

V rámci plánování kurikula kupříkladu systém umožní studentovi přístup

k dalšímu tématu až poté, co zvládá aktuální téma. Systém se pravidelně

dotazuje modelu studenta na úroveň znalostí v rámci aktuálního tématu,

posoudí ho a rozhodne, zda ho pustí dál. Některé systémy generují pro-

blémy k řešení dynamicky, než aby je předkládaly z předpřipraveného se-

znamu.

Obvykle náročnost vhodného problému přesahuje aktuální schopnosti

studenta pouze nepatrně. Na základě aktuálních znalostí může systém tak-

též poskytovat personalizované výklady učiva tak, aby tomu daný student

porozuměl, či může poskytovat rady ve správný okamžik (Polson a Richard-

son, 1988).

PŘÍSTUPY K MODELOVÁNÍ STUDENTŮ

Nejvyužívanějším přístupem k modelování ve vzdělávacích systémech

je překryvný model (overlay model). Tento přístup byl vyvinut pro modelová-

ní znalostí uživatele tak, že jeho znalosti jsou vyjádřeny tím, jak se překrývají

se znalostmi reprezentovanými v modelu domény (Brusilovsky a Millán,

2007), ve kterém je reprezentován soubor doménových konceptů. Nejčastěji

jsou tyto koncepty propojeny a tvoří sémantickou síť.

Důležitou rolí modelu domény je poskytnout strukturu pro reprezentaci

doménových znalostí studenta. Pro každý segment domény překryvný mo-

del uchovává úroveň znalostí studenta pro tento fragment v kvalitativním

(kupříkladu dobrá, průměrná, špatná), kvantitativním či pravděpodobnost-

ním formátu (Martins, 2008). Do současné doby se tento přístup vyvinul tak,

že zahrnuje i modelování zájmů, cílů a dalších charakteristik.

Překryvný model je však často kritizován za jeho přílišnou jednoduchost.

Argumentem bývá to, že studentovy znalosti nejsou nikdy přesnou pod-

množinou odborných doménových znalostí. Student může mít nepřesné

pojetí učiva a jeho znalosti se zlepšují prostřednictvím postupné transfor-

mace a ne zaplňováním mezer. Pro tento účel byly překryvné modely rozší-

řeny na tzv. chybové modely (bug models), kde jsou pro každý fragment

30

doménových znalostí navíc uvedeny chybné znalosti a miskoncepce, které

lze následně použít pro lepší personalizaci. Nejvíce probádanou formou to-

hoto typu se nazývá perturbační model (perturbation model); (Brusilovsky a

Millán, 2007).

Dalším hojně využívaným přístupem je pravděpodobnostní rámec zalo-

žený na Bayesovské síti. Bayesovské síti se v rámci modelování i dalších

oblastí věnuje mnoho pozornosti díky jejím pevným matematickým zákla-

dům a způsobu vyjadřování nejistoty za pomoci pravděpodobnosti (Danine,

Lefebvre a Mayers, 2006). Síť je tvořena uzly představujícími dovednosti či

znalostní koncepty, které jsou propojeny s problémy k řešení. Do sítě lze

zahrnout i miskoncepce, které mohou být s těmito problémy propojeny.

Spoje mezi uzly vyjadřují závislosti ve formě pravděpodobnostního či

kauzální vztahu (Desmarais a Baker, 2011). Využívání principu Bayesovské

sítě pro modelování je usnadněno tím, že jsou dostupné předpřipravené

knihovny – například SMILE (Druzdzel, 1999).

Tabulka č. 1 (Chrysafiadi a Virvou, 2013): Přehled přístupů pro modelování

Přístup k modelování Typická aplikace

Překryvné modely Úroveň znalostí vůči doménovým znalostem

Perturbační modely Miskoncepce

Fuzzy logika a Bay-esovské sítě

Abstraktnější a subjektivnější charakteristiky, jako jsou afektivní, kognitivní či metakognitivní aspekty

Stereotypní modely Učební styly a další kognitivní aspekty, například paměť či vnímání

OCC teorie Emoční stavy

Modely založené na podmínkách

Hodnocení znalostí

Strojové učení Motivace

Modely založené na ontologii

Učební styly a metakognitivní aspekty

Vysvětlivky: Přístupy k modelování spolu s typickými příklady studentských charak-

teristik, k jejichž reprezentaci je daný přístup obvykle použit. V současných inteli-

gentních systémech je modelováno velké množství charakteristik a vzhledem k

tomu, že na reprezentaci dané skupiny charakteristik je určitý přístup vhodnější než

ostatní, je obvyklé, že se v rámci jednoho systému přístupy kombinují.

31

SOUČASNÝ STAV A TRENDY

Výzkumy v rámci modelování zaznamenaly do současné doby řadu po-

kroků a daří se vytvářet stále přesnější a dokonalejší modely. Tyto modely

poskytují věrohodné reprezentace toho, jak uživatel řeší úkoly či odpovídá

na otázky v řadě různých domén (programování, fyzika, algebra nebo úvod

do počítačové vědy). Díky novým edukačním technologiím ale nepřestávají

vznikat nová vzdělávací prostředí, která v sobě zahrnují aktivity, jež jsou pro

modelování stále náročnější (Conati a Kardan, 2013).

V současné době se mnoho výzkumníků zabývá ontologicky zaměře-

nými modely. Využívání ontologických jazyků totiž modelům umožňuje vy-

jádření sémantických vztahů, snadné znovupoužití, přenositelnost

a dostupnost efektivních vývojářských nástrojů (Winter, Brooks a Greer,

2005). Přístupy ve využívání ontologií v rámci modelování by se daly rozdělit

do dvou skupin. V první z nich se využívá ontologií pro reprezentaci struktu-

ry doménových znalostí a poté se využívají elementy těchto ontologií pro

modelování charakteristik studenta. V druhém směru se vytváří komplexní

strukturované profily studentů, které pomocí ontologie reprezentují jejich

charakteristiky (Sosnovsky a Dicheva, 2010).

Jedním z dalších trendů je využívání inteligentních agentů pro modelo-

vání, kteří se nazývají simulovaní studenti. Ti modelují skutečné lidské učení,

což umožňuje objevit určité vzorce, které lze identifikovat i u skutečných

studentů – kupříkladu jak předešlé znalosti ovlivňují výsledky učení (Lee,

Cohen

a Koedinger, 2009). Také umožňují vytvářet kognitivní modely, které jsou

mnohdy dokonalejší, než ty, které byly vytvořené odborníky (Li a kol., 2013).

Ve většině inteligentních systémů model studenta slouží výlučně vnitř-

ním účelům inteligentního systému a studentům jsou nepřístupné. Čím dál

častěji jsou však modely studentům zpřístupňovány ve formě tzv. otevřené-

ho modelu studenta (OMS). Systém poskytuje převážně grafické rozhraní,

přes které si student může obsah svého modelu prohlížet (jejich příklady lze

32

vidět na obr. č. 4). Tento postoj může mít řadu pozitivních důsledků: podpo-

ra metakognitivních aktivit, zlepšení kontroly nad učením, zvýšení důvěry

vůči systému apod. (Bull a Kay, 2007).

Poměrně novou záležitostí je obohacování OMS o sociální rozměr, kdy

systém dovoluje prozkoumávat i model jiného studenta či kumulativní mo-

del celé třídy. Využití takto obohacených modelů přináší o mnoho lepší vý-

sledky například ve snaze zapojit a udržet studenta (Brusilovsky a kol,

2015).

V poslední době se pozornost zaměřuje na přístupy založené na datech.

Jednou z nich je podoblast analytiky učení (tzv. learning analytics), v rámci

které se vizualizují velká množství dat, která se vztahují k učebnímu proce-

su, což pomáhá jejich interpretaci – vizuální analytika učení. Ačkoliv se ob-

last vizuální analytiky učení a vývoje OMS v mnoha ohledech liší, je

pravděpodobné, že se tyto dva obory mohou vzájemně obohatit (Kay a Bull,

2015).

33

Obr. č. 4 (Bull a Kay, 2007): Ukázky různých otevřených modelů studentů využívají-

cích pro reprezentaci text, grafy, obrázky apod. Student díky nim může sledovat

různé informace, které o něm systém zpracovává, například rychlost řešení úkolů

nebo studijní pokrok.

Jako příklad OMS může posloužit MusicaLM (Johnson a Bull, 2009) vy-

užívající konceptu tzv. nezávislého OMS, díky čemuž je model studentovi

dostupný nezávisle na ITS. Nezávislý OMS podobně jako ITS vytváří model

na základě vstupů studenta, nicméně neposkytuje výuku a student musí své

studijní potřeby identifikovat sám. MusicaLM je zaměřen na doménu zá-

kladní hudební teorie. Na základě jednoduchých hudebních úkolů je tvořen

model schopností studenta, který je ztvárněn ve formě textu, hudebních no-

tací či zvuku. Jednotlivé prvky jsou barevně rozlišeny: zelenou znalosti, které

34

jsou v pořádku, šedou problematické znalosti, červenou miskoncepce (viz

obr. 5).

Obr. č. 5 (Johnson a Bull, 2009): Ukázka modelu MusicaLM. Vlevo je ukázka úkolu,

dle kterého je model vytvořen. Napravo je pak vizuální reprezentace modelu, který

si uživatel může kdykoliv zobrazit.

Cumming a McDougall (2000) vyslovili podmínku pro rozšíření inteli-

gentních systémů vyvinutých v rámci AIED. Tvrdí, že je pro to nutné hluboké

teoretické pochopení individualizované výuky a formulace těchto teorií v pro

počítače kompatibilní formě. Zdá se, že se tahle podmínka díky pokroku v

modelování studentů začíná naplňovat. Dnešní systémy zahrnují didakticky

zaměřené modely a strategie, které jsou úspěšné v individuální výuce.

Značné jsou i pokroky v podpoře kolaborativního učení. Ty nejvíce rozšířené

systémy využívají až stovky tisíc uživatelů ročně (Desmarais a Baker, 2012).

SWOT ANALÝZA

SILNÉ STRÁNKY

Potenciál pro výukové teorie

I přes známý fakt, že individualizace výuky má pozitivní vliv na efektivitu

učení (Bloom, 1984), se současná pedagogika téměř výlučně zabývá výukou

skupiny studentů. Řada studií, zabývající se učením jednotlivců, ovšem exis-

tuje. Edukační psychologie poté ale teorie a zjištění často vztáhne právě na

35

výuku skupiny. Dochází tak k tomu, že studií, jak efektivně vzdělávat jednot-

livce3, je malé množství (Cumming a McDougall, 2000). Výzkumy v rámci

AIED, zejména pak v modelování, mohou tuto pomyslnou mezeru do jisté

míry zaplnit a mají tak pro vzdělávání značný potenciál. Individualizace je v

AIED oblasti klíčová, a proto vznikají kvalitní reprezentace toho, jak se jed-

notlivci učí, a tyto poznatky mohou být pro pedagogiku velmi užitečné.

Dlouholetá tradice

Jak již bylo řečeno, modelování studentů je prakticky uživatelské mode-

lování, kde uživatelem je student. Tato disciplína má dlouholetou tradici4

a věnuje se jí mnoho odborníků, neboť je klíčová pro personalizaci, která je

důležitým prvkem programů a systémů i mimo oblast vzdělávání. Jeden

z prvních pokusů sestrojit model studenta pochází již z roku 1970. Jaime

Carbonell (1970) využil sémantické sítě pro reprezentaci doménových zna-

lostí, což dle něj představovalo model ideálního studenta. Modelování se

tedy odborníci v rámci výzkumu AIED věnují téměř padesát let a již od jeho

počátků jsou si vědomi, že tato činnost je pro oblast AIED velmi důležitá

a že modely budou hrát ve vzdělávacích systémech klíčovou roli (Self,

1974).

SLABÉ STRÁNKY

Nedokonalosti modelů

Jednou ze slabin modelů je jejich nedokonalost. Modelování studentů je

jednou ze zásadních činností pro umožnění vzdělávacím systémům indivi-

duální výuku. Od stavu, kdy by se dalo říci, že dokáží plně zastoupit lidského

učitele, jsou ale tyto systémy ještě značně vzdáleny. Je to mimo jiné dáno

tím, že ačkoliv modelování již dosáhlo značné úrovně, mimo jiné díky využí-

vání pokročilých technik umělé inteligence, stále se potýká s řadou nedo-

statků. Velkým problémem při modelování je míra nejistoty, když systém

3 Což zahrnuje aktivity, jako je podpora, vedení, vysvětlování, hodnocení, motivování apod.

4 Jako počátky této disciplíny se uvádí obodní let 1978-1979, kdy publikovali významné

práce autoři Allen, Cohen a Perrault (Kobsa, 2001).

36

vychází ze studentova chování či nepřesných a neúplných dat. Obecně lze

říci, že v rámci reprezentování charakteristik studenta počítač nedokáže

dosáhnout takové úrovně přesnosti jako zkušený pedagog. V některých pří-

padech by se možná mohlo i polemizovat o tom, zda není lepší nemít žádný

model, než nepřesný.

Nedostatky výzkumu

Shute (1995) konstatuje, že z historického hlediska je typické, že se vý-

zkumníci zaměřovali spíše na implementaci modelů studenta než na jejich

evaluaci, z čehož pramení nedostatek poznatků podporujících konkrétní

paradigmata. Proto autorka doporučuje tento nepříznivý stav napravit sys-

tematičtějším výzkumem. Podobně Federico (1999) poukazuje na teoretic-

ké, konceptuální a metodologické problémy ve výzkumu, které značně

omezují přínos praktických aplikací. Nedostatek vědeckých poznatků, kupří-

kladu o tom, které charakteristiky studentů brát v úvahu, rovněž ztěžuje vý-

voj výukových systémů (Park a Lee, 2007). I s časovým odstupem jsou

slabiny stále patrné. Praktické implementace i empirické evaluace technik

pro modelování studentů i samotných modelů jsou uskutečňovány pouze

v malém měřítku (Vandewaetere, Desmet a Clarebout, 2011).

PŘÍLEŽITOSTI

Nové techniky

Aktuálně existující techniky jako jsou Bayesovské sítě, umělé neuronové

sítě, genetické algoritmy či Markovského rozhodovací procesy jsou pro po-

krok v rámci modelování slibné a některé již úspěšně bojují s problémy, kte-

rým je kupříkladu nejistota. Své místo v modelování budou mít rozhodně i

disciplíny jako je vytěžování dat a analytika učební. Konceptuální

a výpočetní reprezentace každého nového klíčového atributu či kompetence

vyžaduje značné výzkumné úsilí. Nové nástroje budou pravděpodobně vyvi-

nuty a budou představeny výzkumy, které budou produkovat nové techniky,

jež budou při modelování účinnější a efektivnější, než ty současné. Paleta

37

modelovaných charakteristik pak bude moci být rozšířena i o ty kompliko-

vanější a méně explicitní.

Dlouhodobé modelování

Ve většině případů je model studenta pracně vyvíjen a například po

skončení školního roku je smazán nebo upadne v zapomnění. Lze si však

představit scénář, ve kterém by modely ve vzdělávání hráli větší roli. Poten-

ciální oblastí aplikace se jeví celoživotní vzdělávání a to především v rámci

autonomního učení jedince, kdy by dlouhodobé modely mohly učení značně

zkvalitnit (Swartout a kol., 2016).

V průběhu života člověk k učení využívá velké množství elektronických

zařízení, vzdělávacích systémů a aplikací, které o něm sbírají značné množ-

ství dat. Tato data by mohla sloužit ke kontinuálnímu utváření precizního

osobního modelu, který by mohl být díky dostupnému množství dat a době

formování velmi přesný a komplexní.

Jednou z klíčových vlastností modelu by měla být interoperabilita, díky

které by mohl být opětovně využíván různými aplikacemi a systémy za úče-

lem umožnění personalizace výuky a dalších inteligentních funkcí pro pod-

poru vzdělávání. Vhodné by také bylo využít dříve zmiňovaného principu

otevřeného modelu, který by uživateli přinesl řadu benefitů. Zrealizování

myšlenky modelu pro celoživotní vzdělávání by ale bylo pravděpodobně

velmi náročné a odborníci by se museli vypořádat s řadou úskalí.

HROZBY

Informační bublina

Tvorba modelu studenta a následné využití tohoto modelu jako výchozí-

ho prvku, na základě něhož je výuka posléze přizpůsobována, s sebou při-

náší mnoho pozitivních důsledků, ale mohou se objevit i negativní vlivy.

Řada inteligentních systémů uzpůsobuje formu a obsah informací předklá-

daných studentům na základě modelu tak, aby nejvíce odpovídaly jejich po-

38

třebám, zájmům a dalším charakteristikám. V rámci tohoto procesu systém

mění jejich strukturu či nehodící se informace odfiltruje.

V takovém případě by teoreticky mohl nastat fenomén tzv. informační

bubliny (v anglickém originálu filter bubble). Ten je popisován tak, že uživa-

telovi jsou na základě jeho reprezentace vytvořené z předchozí aktivity

předkládány podobné myšlenky a perspektivy, o kterých si systém myslí, že

jsou pro něho vhodné. Je tím pádem uzavírán do pomyslné bubliny (Pariser,

2011). Vývoj reprezentace studenta by v tom případě nebyl příliš dynamický,

neboť by mu byly předkládány stále podobné informace. To by studenta

mohlo do určité míry omezovat v možnosti rozšiřovat si obzory či schop-

nosti.

Bezpečnost a ochrana soukromí

Při modelování, potažmo personalizaci jako takové, je o uživatelích ne-

zbytné sbírat spousty dat, což s sebou přináší řadu bezpečnostních rizik

a otázek spojených s jejich soukromím. Dalo by se říci, že ve většině případů

je mezi množstvím dat, které daný systém o uživateli má, a kvalitou perso-

nalizace nepřímá úměra (Kobsa, 2007). Odborníci jsou při vývoji modelů

omezeni mezinárodními a národními právními předpisy, které sběr

a nakládání s daty o uživatelích upravují. Kromě toho by měli odborníci brát

v úvahu i zájmy a potřeby uživatelů, kteří by se při práci s aplikacemi

a systémy, které modelování využívají, měli cítit bezpečně a skutečně jim

odpovídající úroveň zabezpečení zajistit. To znamená, že by měli mít napří-

klad kontrolu nad tím, která data se o nich sbírají, kdo k nim má přístup či k

jakému účelu budou daným systémem využita. Lze předpokládat, že tyto

záležitosti by měly výrazný vliv na výše zmíněné modelování v rámci celoži-

votního vzdělávání, při kterém by model zpracovával velké množství infor-

mací o uživateli a rovněž by byl užíván množstvím různých aplikací. Tím

pádem by bylo zajištění bezpečnosti a soukromí značně obtížné.

39

POČÍTAČOVÉ

ZPRACOVÁNÍ

PŘIROZENÉHO

JAZYKA A DIALOG

40

Zpracování přirozeného jazyka (anglicky natural language processing,

NLP) je interdisciplinární obor, kde mezi hlavní přispěvatele patří lingvistika,

počítačová věda a kognitivní psychologie. Obor se zabývá teoreticky zalo-

ženými výpočetními technikami pro analýzu a reprezentaci běžně se vysky-

tujících textů. Texty jsou zpracovávány v rámci jedné nebo více úrovní

lingvistických analýz (lexikální, sémantická, morfologická apod.) za účelem

napodobit lidské zpracování jazyka pro různorodé aplikace. Vzhledem k fak-

tu, že NLP usiluje o napodobení člověka, je patřičné na ni nahlížet jako na

disciplínu AI (Liddy, 2001).

V rámci NLP se (1) zkoumají matematické a výpočetní modely struktury

a fungování jazyka, jeho používání a akvizice; (2) designují, vyvíjí

a implementují NLP systémy. Jazyk hraje hlavní roli ve všech aspektech

naší komunikace, tudíž systémům pro NLP je předurčeno hrát rozhodující

roli při komunikaci lidí se stroji i mezi lidmi navzájem. Tyto systémy zahrnují

techniky pro zpracování jazyka a generování jazyka (Joshi, 1991). Zpraco-

vání jazyka by se dalo přirovnat k roli čtenáře/posluchače, zatímco genero-

vání jazyka k pisatelovi/mluvčímu.

Tyto dva podobory mají mnoho společného, nicméně generování jazyka

navíc vyžaduje plán nebo model cíle interakce, aby systém věděl, co by měl

generovat. Tradičně se ještě poukazuje na rozdíl mezi porozuměním psa-

nému jazyku a porozuměním řeči. Při práci s řečí – jak při zpracování, tak při

generování – je potřeba využít poznatky z dalších oborů, jako je akustika

a fonologie. Při procesu porozumění řeči jde o převedení “zvuku”, který sys-

tém zachytí ve formě akustických vln, do rozpoznaných morfémů a slov – v

této podobě poté již probíhá zpracování stejně jako u porozumění psanému

jazyku (Liddy, 2001). Proces převodu je značně komplikovaný a odborníci

musí v rámci tohoto procesu vyřešit ještě řadu překážek.

Technologie počítačového zpracování přirozeného jazyka se ve spojení

se vzděláváním začaly ve výzkumných studiích objevovat již od šedesátých

let a v sedmdesátých letech se objevily první pokusy s nasazením do školní

praxe. Nástup těchto technologií byl ovšem brzděn nedostupností dosta-

41

tečně výkonné výpočetní techniky. Když se konečně výpočetní technika v

následujících letech stala více dostupnou, objevila se další překážka v nasa-

zování technologií založených na NLP, a to málo rozvinutá infrastruktura

informačních technologií ve školách (Burstein, 2009). Navzdory tomu však

postupně oblastí aplikace ve vzdělávání přibývalo a zahrnovaly například

analyzování kvality textu, hodnocení psaného projevu studentů nebo jejich

znalostí (Zechner, 2012).

Zavádění NLP do kontextu vzdělávání přináší řadů zlepšení a posunuje

vzdělávací systémy zase o kousek blíže úrovni výuky učitelů. Velký potenciál

skýtá zejména ve výuce tzv. ill-defined oborů (McNamara, Crossley a Ros-

coe, 2013), což jsou oblasti, kde neexistuje systematický způsob, jak po-

soudit, že řešení problémů je konečné (McCarthy, 1956). V těchto oblastech

není obvykle východisko problému přesně definováno, dochází se k němu

například prostřednictvím dialogu nebo za pomoci argumentací a závěr

může mít různou podobu. Počítač pak nemůže využít postupů, které fungují

v rámci snadno formalizovatelných domén, jako je kupříkladu aritmetika,

kde správná řešení mohou být jednoznačně určena. V takových případech je

pro zpracování verbální odpovědi nutné využít sofistikovaných metod

z oblasti NLP, aby počítač mohl pomocí algoritmů posoudit kvalitu odpovědi

a dát studentovi vhodnou zpětnou vazbu.

TEXTOVÁ ADAPTACE

Výzkumy v rámci oblasti zabývající se čtivostí a kvalitou textu zkoumají

lingvistické aspekty, které mají vliv na to, jak obtížné je určitý text číst nebo

pochopit. V počátcích výzkumu se odborníci zaměřovali na morfologické

a syntaktické aspekty, které ovlivňují čtivost (Burstein, 2009). Zkoumanými

elementy byly například průměrná délka vět vyjádřená počtem slov či délka

slov vyjádřená počtem slabik (Flesch, 1948).

Relativně jednoduché analýzy byly postupem času obohacovány o nové

sofistikované postupy za využití technik NLP, které se pro automatické po-

suzování obtížnosti staly zásadními (Schwarm a Ostendorf, 2005). Na bázi

42

těchto analýz jsou následně texty pomocí systémů vybavených technikami

NLP automaticky, či poloautmoaticky adaptovány na základě rozličných

potřeb studentů. Manuální adaptace textů je časově velmi náročnou záleži-

tostí a učitelům tyto technologie mohou ušetřit spoustu času a umožnit jim

snazší adaptaci běžně dostupných textů, které nejsou vytvořeny přímo pro

účely výuky.

SIMPLIFIKACE

Jednou z hlavních modifikací textu v rámci adaptace je simplifikace, cí-

lem které je snížit obtížnost psaného textu a tím i jeho pochopitelnost pro-

střednictvím zjednodušení lingvistické struktury. Tento proces zahrnuje

zjednodušování na úrovni lexikální či syntaktické kupříkladu pomocí nahra-

zování slov, která jsou pro studenta těžko pochopitelná, synonymy nebo

vhodnou změnou syntaktické skladby vět (Candido a kol., 2009). Některé

systémy vynechávají fráze či celé věty nebo je naopak přidávají, rozdělují

dlouhé věty či zkracují dlouhé popisné fráze (kupř. Petersen a Ostendorf,

2007).

Cílem je snadnější pochopení textu studentem, případně počítačem,

a zároveň zachování původního významu a zásadních informací. Texty mo-

hou být adaptovány za účelem vyhovění různým potřebám studentů – na-

příklad jedincům trpícím nemocí zvanou afázie (Carroll a kol., 1999), zrakově

postiženým (Inui a kol., 2003), jedincům s nedostatečnou literární gramot-

ností (Candido a kol., 2009) či učícím se druhý jazyk (Burstein, 2009).

Horn, Manduca a Kauchak (2014) vyvinuli nový algoritmus extrahující

pravidla pro simplifikaci z korpusu článků anglické Wikipedie, ke kterým jsou

přiřazeny články ze zjednodušené verze Wikipedie (2001). Většina článků v

této zjednodušené verzi je psána zjednodušenou angličtinou (anglicky basic

english), kterou navrhl Charles Ogden (1932), a je tak vhodná pro děti, stu-

denty apod. Systém se z korpusu naučil více než 30 000 pravidel pro simpli-

fikaci textu, které poté aplikuje na části textu, které určí jako nejvhodnější,

a to na základě strojového učení. Simplifikace se zaměřuje v rámci tohoto

43

systému na lexikální povahu textu, kdy nahrazuje slova či fráze jednodušší-

mi variantami. Výsledné texty jsou, stejně jako ty na zjednodušené Wikipedii,

vhodné pro studenty, co mají kupříkladu angličtinu jako druhý jazyk, nebo

méně gramotné jedince.

SUMARIZACE TEXTU

Díky komunikačním technologiím máme v současné době přístup k vel-

kému množství aktuálních informací a je těžké se v nich orientovat a zvládat

je zpracovávat. Jedním z možných přístupů, jak člověku usnadnit a urychlit

zpracování těchto dat, je sumarizace pomocí počítače.

Tento přístup lze definovat jako adaptaci textu (Burstein, 2009) při které

dochází k ,,(…)vyjmutí nejdůležitější informace ze zdrojového textu, která jej

zestručňuje pro účely a úlohy uživatele”. Tato definice popisuje proces, jehož

výstupem je tzv. extrakt, který je tvořen nejdůležitějšími částmi textu v origi-

nálním znění. Výstupem může být taktéž tzv. abstrakt, který vznikne

,,vytvořením stručné a přesné reprezentace obsahu dokumentu”, a nemusí

a obvykle také neobsahuje původní sekvence slov a počítač musí využít

technik generování přirozeného jazyka (Ježek a Steinberger, 2010). Ačkoliv

je abstrakt pro člověka značně přirozenější a pochopitelnější nežli extrakt, je

zřejmé, že vytvoření abstraktu je pro počítač výrazně obtížnější záležitostí.

Automatická sumarizace má ve vzdělávání řadu využití. Student či učitel

má díky internetu přístup k množství dokumentů. Díky abstraktu či extraktu

nemusí číst celý dokument, aby se dozvěděl podstatné informace nebo

mohl posoudit, jakou má pro něho dokument relevanci. Stejně tak sumari-

zace může pomoci snížit zdržování příjmem redundantních informací. Su-

marizaci lze taktéž využít jako pomůcku při čtení materiálů, které jsou

z určitého důvodu pro studenta těžko pochopitelné – ve formě abstrak-

tu/extraktu nebo také formou automatické vizualizace hlavních myšlenek –

kupříkladu myšlenková mapa (např. De la Chica, 2008).

44

Metodologie tvorby sumarizace odborného článku, kterou využili Qazvi-

nian, Radev a Özgür (2010), byla založena na extrakci významných frází

z citací článku v jiných dokumentech. Využívá toho, že citace článku vytvořili

lidé, kteří článek četli a vybrali z něho podstatné informace. Autoři tento

způsob srovnali s ostatními metodologiemi a ten jejich se ukázal jako jeden

z nejefektivnějších.

Postupy sumarizace textu mohou být aplikovány ve spojení s dalšími

technologiemi. Při využití rozpoznávání řeči lze použít sumarizaci i na jiné

informační prameny než pouze textové – například na zvukové či audiovi-

zuální formáty (kupř. Taskir a kol., 2006). Tímto způsobem pak lze zpraco-

vávat vzdělávací videa, záznamy přednášek, konferencí apod. Využití

modelu studenta či jiných dostupných informací o studentovi umožňuje

sumarizace přizpůsobit jeho charakteristikám (Moro a Bielikov, 2012).

Vypracovávání sumarizací studentem je považováno za učební strategii,

jež u studenta rozvíjí řadu schopností, pomáhá pochopit text a zapamatovat

důležité informace (Dunlosky a kol., 2013). Jednou z možných aplikací sys-

tému s technologiemi pro automatickou sumarizaci je podpora studentů při

tvorbě jimi vypracovaných sumarizací. Systém by poskytoval zpětnou vazbu

ve formě rad a tipů, kontroly konzistence významu apod.

KLASIFIKACE TEXTU, INDEXACE, KLÍČOVÝCH SLOVA

Podobným procesem, který je se sumarizací často kombinován, je ex-

trakce klíčových slov. Ta má za cíl automaticky identifikovat soubor výrazů

v dokumentu, které nejlépe vystihují jeho obsah (Monaches a Westerhout,

2008). Extrahované výrazy lze využít při tvorbě metadat dokumentu pro úče-

ly akvizice a klasifikace učebních materiálů, kupříkladu z internetu,

a následného zařazení do repositáře (Leibbrandt, 2010). Stejně tak na zá-

kladě tohoto procesu lze tvořit oborové terminologické slovníky či ontologie

(Navigli a Velardi, 2004).

45

Rello, Saggion a Baeza-Yates (2014) zkoumali, jaký vliv bude mít v textu

zvýraznění důležitých slov a frází tučným písmem na porozumění. Zjistili, že

u participantů s dyslexií nemá toto zvýraznění žádný dopad na čtivost textu,

avšak na porozumění má velmi pozitivní vliv. Do budoucna navrhli autoři pro

tento účel využít automatické extrakce klíčových slov.

HODNOCENÍ STUDENTEM KONSTRUOVANÝCH

ODPOVĚDÍ

Jedním z charakteristických rysů počítačových systémů používaných

ve vzdělávání, které využívají NLP, je to, že se pokouší odhalovat chyby nebo

chybové vzorce svých uživatelů. Z tohoto hlediska je přirozené využívat tyto

systémy pro automatické hodnocení odpovědí studentů jak ve formě textu,

tak ve formě hlasu (Zechner, 2012).

Technologie pro automatické hodnocení a testování, například ve výuce

jazyka, se začaly zkoumat již v šedesátých letech proto, aby učinily proces

testování efektivnějším (Chapelle a Voss, 2016). Na tuto inovativní myšlen-

ku bylo zprvu řadou odborníků z oblasti vzdělávání nahlíženo velmi skeptic-

ky a někteří ji považovali za naprostý nesmysl.

Ve své práci ji však již v roce 1966 obhajoval profesor pedagogiky

z Univerzity Connecticut Ellis Page (1966). Věřil, že již brzy se tato inovativní

myšlenka stane realitou a bude mít velký pozitivní dopad na vzdělávání.

Z jeho vlastních zkušeností totiž věděl, že něco takového učitelé velmi po-

třebují. Příkladem mohou být učitelé jazyků, kteří tráví opravováním esejů

a jiných psaných úkolů velké množství času, a mnohdy to má negativní do-

pad na jejich pracovní výsledky.

Nasazení počítačů rovněž umožňuje tzv. adaptivní testování, v rámci

kterého technologie sledují studentovu práci, neustále ji hodnotí a dle toho

test přizpůsobují. Každý student tak může samostatně pracovat a jsou mu

předkládány úkoly podle jeho schopností, po jejichž vypracování může

okamžitě dostat zpětnou vazbu o jeho úspěšnosti (Chapelle a Voss, 2016).

46

Počítačový algoritmus na základě modelu studenta vybírá

z předpřipravených otázek a úkolů, skládá je z fragmentů nebo za pomoci

generování jazyka vytváří zcela nové.

V rámci učení může být u studenta hodnocena odpověď v různých for-

mách. Vzhledem k výše zmíněnému problému, kdy někteří učitelé jsou velmi

zatěžováni opravami esejů a podobných formátů textů, nabízí se jako řešení

testy s uzavřenými otázkami, kde studenti vybírají z předem daných mož-

ností. Je pravděpodobné, že k takovému řešení se někteří vyučující uchylují.

Také, co se týče automatického opravování za pomocí počítačů, je tento typ

otázek nenáročný a často není nutné využívat složitých technik z oblasti

NLP.

Jak se ale ukázalo, vytvořit kvalitní test, kde student odpovídá výběrem

z předpřipravených možností, je velmi obtížné a autoři takovýchto testů mají

sklon k tvorbě testů, kde většina otázek je povrchních (Graesser, Ozuru a

Sullins 2010).

Otázky s otevřenými odpověďmi jsou pro zpracování počítači značně

složitější, nicméně studentům umožňují zapojit se do aktivní tvorby znalostí,

řešení problémů, vysvětlování složitých konceptů a uvažování, které uzavře-

né odpovědi nepodporují, nebo nevyžadují (Magliano a Graesser, 2012). Na

vysokých školách jsou otázky v tomto formátu do testů zařazovány stále

častěji (Bernhardt, Rivera a Kamil, 2004). Odpovědi na otevřené otázky býva-

jí obvykle konstruované studenty, kdy je po studentovi vyžadováno, aby od-

pověděl ve formě přirozeného jazyka, a proto musí být pro jejich hodnocení

počítačem nasazeny sofistikované techniky NLP. Tyto odpovědi mohou mít

rozsah několika slov, vět, nebo odstavců.

HODNOCENÍ DLOUHÝCH ODPOVĚDÍ

Jednou z typických oblastí vzdělávání, kde se využívá NLP, je automatic-

ká evaluace esejí (AEE). Tato oblast se zabývá využitím možností počítačo-

vých technologií při evaluaci prózy. Většina aplikací je na anglicky psané

texty, nicméně se již rozšiřují i na další jazyky. S některými formami textu,

47

jako je kupříkladu poezie, budou, co se týče automatické evaluace, zřejmě

vždy problémy. Nicméně pro 90% písemných prací vznikajících ve školním

prostředí by mělo být možné vyvinout uspokojivé řešení (Shermis a

Burstein, 2003, s. xiii).

Slovo evaluace značí, že systémy AEE mají pokročilejší schopnosti, než

je jen pouhé bodování. Díky využití NLP technik mohou tyto systémy analy-

zovat pokročilé aspekty daného textu a na základě toho studentovi poskyt-

nou kvalitativní zpětnou vazbu. AEE je již na vysoké úrovni a systémy dokáží

napodobovat lidské hodnocení psaných textů a je pravděpodobné, že v bu-

doucnu to budou dělat lépe jak oni (Shermis a kol., 2010). Podobné systémy

by mohly sloužit i k hodnocení kvality dokumentů na internetu při výběru

učebních materiálů (Sethi a Singla, 2016).

V raných dobách AEE systémy spoléhaly při hodnocení psaných textů

na hrubé počty určitých prvků v textu a mnohé překvapilo, že tak jednodu-

ché postupy mohly úspěšně předpovědět, jak člověk tyto eseje ohodnotí.

Současné systémy provádí značně složitější postupy a v textu analyzují

komplexní a bohaté proměnné – například u každé věty určuje kvalitu její

struktury (Page a Petersen, 1995).

Ani v dnešní době však AEE systémy nedokáží posuzovat kvalitu psané-

ho obsahu stejným způsobem, jako to dokáže člověk. Počítače v podstatě

nejsou schopny text číst a pochopit ho tak jako člověk a musí proto využívat

alternativních způsobů. V rámci nich využívají dva hlavní prvky – trin a prox.

Pojem trin vyjadřuje aspekt textu, jehož povaha má být určena – kupříkladu

dikce, plynulost, gramatika a spousta dalších. Na rozdíl od člověka počítač

tyto aspekty nedokáže přímo určit, jako to může po přečtení textu udělat

člověk. Proto využívá tzv. prox, což označuje aproximace či možné korelace,

na základě kterých je schopen odvodit povahu určitého aspektu (trin) textu

(Page a Petersen, 1995). Proces identifikace a zahrnutí určitých prox do

hodnocení je řízen daty (data-driven) a je závislý na statistických metodách,

které mají za cíl co nejlépe napodobit soubor hodnotících kritérií člověka

(Attali a Burstein, 2004).

48

Jedním z významných představitelů AEE systémů je e-rater (Burstein a

kol., 1998), který byl uveden do provozu v roce 1999. Systém se učí hodnotit

ze souboru esejí opravených člověkem a konkrétní esej hodnotí dle vzorku

esejí na podobné téma. V počátcích systém texty klasifikoval na základě

více než šedesát charakteristik, z kterých se poté pomocí regresní analýzy

vybíralo 8-12, jež byly využity v rámci konkrétní eseje. Pozdější verze e-rater

V.2 pracuje již pouze s 12 charakteristikami, jež se dají rozdělit do několika

kategorií: chyby v gramatice a pravopisu; styl psaní; struktura; lexikální

vlastnosti (Attali a Burstein, 2006).

HODNOCENÍ KRÁTKÝCH ODPOVĚDÍ

Kromě dlouhých odpovědí konstruovaných studentem, jako například

výše rozebírané eseje, monology, referáty apod., mohou být analyzované

odpovědi značně kratší, například ve formě několika málo vět či slov. S ta-

kovými odpověďmi se lze setkat ve školních testech nebo při interakci s ITS,

podporujícími konverzaci v přirozeném jazyce, pro které je hodnocení odpo-

vědí tohoto rozsahu klíčové.

Analýza textu takového rozsahu je v některých ohledech snadnější a v

některých ohledech zase není. Snadnější je v tom, že počítač zpracovává

pouze malé množství dat a jazyková analýza tak může být hlubší. Na dru-

hou stranu s méně daty se pojí určité snížení reliability statistického odha-

du. Dalším případem jsou jednoslovné odpovědi, což obvykle pro

zpracování počítačem nebývá příliš náročné, když je očekávána jedna nebo

více správných odpovědí. Počítač může odpověď posoudit na základě přes-

né shody, synonym, sémantické asociace a různých statistických algoritmů

(Graesser a McNamara, 2012).

UČENÍ DIALOGEM

Důležitými cíli výzkumníků, zabývajícími se přirozeným jazykem v rámci

vzdělávání, je zjistit, jak schopnosti ITS využívat přirozeného jazyka zkvalit-

ňují výuku a které specifické techniky a aplikace NLP mají tato zdokonalení

na svědomí. Vizí těchto výzkumníků je, že inteligentní výukové systémy bu-

49

dou brzy schopny vést se studenty plynulý dialog v přirozeném jazyce –

tato vlastnost by mohla být klíčovou v přemostění propasti mezi aktuálními

systémy a učiteli (Di Eugenio a kol., 2008).

Dle Frasera (1997) lze dialogový systém definovat jako počítačový sys-

tém, se kterým člověk interaguje na bázi po sobě jdoucích kroků, v nichž

hraje důležitou roli přirozený jazyk. Jeho hlavním účelem je poskytnout roz-

hraní mezi uživatelem a počítačovou aplikací (McTear, 2002). Systém může

mít také formu pedagogického agenta (o nich více v další části knihy). Agen-

ti s konverzačními schopnostmi se rovněž nazývají chatboti. Dialogové sys-

témy mají dlouhou historii počínající v 60. letech, kdy byl dialog založený

převážně pouze na textu. V 80. letech se začaly objevovat systémy využíva-

jící řeč.

ITS stále ještě nedosahují kvalit lidského učitele, a to ani v doménách,

kde ITS dosahují nejlepších výsledků. Je možné, že tento rozdíl má spojitost

s nepříliš využitým potenciálem učebního dialogu těmito systémy. Jednou

ze silných stránek dialogu je, že v rámci učení podporuje porozumění učební

látce (Aleven, Popescu a Koedinger, 2001).

Dialog umožňuje využít učební strategii self-explanation (zdůvodňování),

u které je řadou studií potvrzeno, že přispívá k hlubšímu porozumění učební

látky a zlepšuje výsledky učení. Vzdělávací systém s dialogem v přirozeném

jazyce podněcuje studenty ke zdůvodňování a poskytuje jim pokročilou

zpětnou vazbu, což je pro kvalitní zdůvodňování velmi důležité (Aleven a

Koedinger, 2002).

To, že student může učivo vysvětlovat vlastními slovy, mu ulehčuje sta-

vět na částečných znalostech a počítač mu pomáhá zaplňovat mezery v

jeho znalostech nebo opravovat ty mylné. Aplikace technologií NLP taktéž

studentům usnadňuje interakci se systémem, díky čemuž se snáze naučí

pracovat s rozhraním (Aleven, Koedinger a Popescu 2003).

50

Ve vědních oborech či v matematice jsou problémy řešeny prostřednic-

tvím kroků odvozených z určitého oborového principu, operátoru či pravidla.

Například řešení algebraické rovnice 2x+5=21 může být řešeno aplikací

dvou kroků: 1) odečtení 5 z každé strany; 2) vydělení obou stran číslem 2.

Typický ITS vyučuje na základě takovýchto kroků (step-based). Systémy

s podporou dialogu v přirozeném jazyce však učí stejně jako učitel na bázi

tzv. mikro-kroků, které ještě předchází vykonání standardního kroku – napří-

klad ve fyzikální rovnici vede studenta při výběru správného principu, dosa-

zení hodnot atd. Nebylo ale zatím dokázáno, že by tyto systémy dosahovaly

v rámci výuky lepších výsledků oproti typickým ITS (step-based); (Chi, Jor-

dan a VanLehn 2014).

Příkladem vzdělávacího systému, jenž je založen na dialogu, je Autotutor

z Memphiské univerzity napodobující dialogové vzorce učitelů, který byl vy-

užíván zejména pro výuku fyziky a počítačové gramotnosti. Při výuce pod-

poruje studenty v zodpovídání dotazů, které vyžadují hluboké odůvodňování,

například: ,,Jak je po zapnutí počítače operační systém aktivován a nahrán

do RAM?”. Následný dialog má obvykle rozsah od padesáti do sta konver-

začních replik. Během dialogu je na danou otázku zkonstruována celá do-

pověď. V rámci tohoto dialogu Autotutor poskytuje zpětnou vazbu v podobě

asercí, rad, oprav, odpovědí a sumarizací (Graesser, 2001; Graesser a

McNamara, 2012).

AKTUÁLNÍ STAV

Co se týče využívání NLP ve vzdělávání, byl za posledních několik dekád

zaznamenán velký pokrok a byla představena řada nových aplikací. Lze

jmenovat kupříkladu sociální zpracování jazyka (social language proces-

sing); (Holtgraves, Chung a Pennebaker, 2014), díky kterému lze

z komunikace automaticky vypozorovat sociální aspekty a skupinové pro-

cesy za účelem zlepšení spolupráce ve skupině studentů.

51

Pozornost se upírá také na dolování z textu (text mining) ve vzdělávacím

prostředí, kde se využívá NLP při extrakci vzorců a informací

z nestrukturovaných textů, které před tím nebyly zřejmé – například

z diskuzí a jiných textů generovaných studenty pro účely výzkumů, podpory

interakce mezi studenty atd. Inovativním způsobem se mohou techniky NLP

využít při zkoumání masové kolaborace a tvorby znalostí prostřednictvím

nástrojů Webu 2.0 (wiki, blogy, diskuzní fóra, sociální sítě apod.); (Habernal,

Daxenberger a Gurevych, 2016), ve kterém by mohlo být využito nově vzni-

kajících podoblastí NLP – tzv. dolování argumentů (argumentation mining);

(Lippi a Torroni, 2016) a dolování názorů (opinion mining); (Liu, 2012).

Je pravděpodobné, že nové způsoby aplikace a zdokonalování součas-

ných metod budou pokračovat i v budoucích letech (Graesser a McNamara,

2012). Vývoj porozumění mluvenému slovu v rámci těchto systémů je

značně pomalejší a odborníci musí překonat ještě mnoho překážek. Van-

Lehn a kol. (2009, cit. podle Woolf, 2010) ve své zprávě uvádějí, že spoleh-

nout se na systémy s mluveným dialogem lze jen v případech, kdy počítač

pokládá otázky s krátkými odpověďmi nebo u kterých je očekáván pouze

malý počet typů odpovědí a jsou snadno identifikovatelné.

Do nedávna byly vzdělávací systémy využívající přirozený jazyk vyvíjeny

především jako desktopové aplikace. Trendem je poskytovat tyto systémy

jako standardní webovou službu a taktéž ji přizpůsobovat pro používání na

mobilních telefonech (Nye, Graesser a Hu, 2014) což podporuje koncept tzv.

všudypřítomného vzdělávání (ubiquitous learning); (Riyadh, 2015).

Na zajímavý poznatek přišla nová studie (Caliskan, Bryson a Narayanan

2017), která zjistila, že umělá inteligence, která se učí zpracováním napří-

klad korpusů textu z webu, si osvojí i asociace, předsudky a stereotypy, kte-

ré v sobě mají lidé jakožto tvůrci těchto textů. Tyto předsudky jsou jak

morálně neutrální povahy, jako je kupříkladu pozitivní vztah ke květinám či

negativní vztah k hmyzu, tak jsou i takové, které jsou co se týče etiky pro-

blematické, jako mohou být předsudky vůči rase či pohlaví. Tento fenomén

lze v určitých případech zaznamenat i při využívání známého překladače od

52

společnosti Google. Autoři této studie tímto poukázali na záležitost, která by

se měla brát na vědomí při vývoji inteligentních programů, a na další možný

směr výzkumu.

SWOT ANALÝZA

SILNÉ STRÁNKY

Automatizace procesů

Schopnost vzdělávacích systémů zpracovávat jazyk umožňuje vykoná-

vat mnoho procesů, které dříve musely být dělány manuálně, automaticky. V

této kapitole o aplikaci NLP do vzdělávání je jmenována řada procesů, které

by bez využití NLP sám počítač nebyl schopen provádět. Patří mezi ně au-

tomatické hodnocení či adaptace textu. Tyto činnosti prováděné manuálně

jsou velmi časově náročné a jejich automatizace tak může ušetřit spoustu

času, potažmo finance na zaplacení lidí, kteří by je jinak vykonávali. Stroj

tyto procesy dokáže dělat s velkou rychlostí a tak je výsledný výstup do-

stupný v krátkém čase – například zpětná vazba studentovi – a může pak

být v rámci webového vzdělávacího systému zprostředkován velkému

množství studentů.

Zdroj inteligence

Za silnou stránku aplikování oblasti NLP do vzdělávání by se dal pova-

žovat její potenciál a přínos, který nabízí konceptu ITS. V roce 1950 předsta-

vil Alan Turing (1950) test, který měl ověřit, zda je daný stroj schopný chovat

se inteligentně. V jeho pojetí toho, jak vnímat inteligenci, je kladen důraz na

komunikaci v přirozeném jazyce. McNamara, Crossley a Roscoe (2013)

uvádějí, že úroveň toho, jak moc jsou reakce systému věrohodné

a relevantní, určuje, do jaké míry je systém považován za inteligentní. Lze

tedy říci, že aplikace NLP je podstatným prvkem, který umožňuje vzděláva-

cím systémům chovat se inteligentně.

53

SLABÉ STRÁNKY

Malá dostupnost NLP systémů

Slabinou současných systémů vybavených NLP technologiemi je jejich

nízká dostupnost. Systémy vykazující schopnosti pokročilých jazykových

analýz jsou obvykle omezeny na specifický kontext (Burstein, 2009) a je tím

pádem zhoršena jejich implementace v jiných oborech. Jejich šíření nepři-

spívá ani to, že vývoj těchto systémů je obtížný a většina z nich je proprie-

tární, a tudíž je jejich vývoj i finančně nákladný. Pomoci by tomu mohl vývoj

systémů se znovu použitelnými komponentami a otevřeným kódem (Sethi a

Singla, 2016).

Komplikovanost přirozeného jazyka

Přirozený jazyk je velmi komplexním nástrojem. I přesto, že odborníci

z oblasti NLP již vyvinuli pokročilé výpočetní modely pro zpracovávání jazy-

ka, jsou NLP systémy ještě daleko od stavu, kdy dokáží číst a chápat přiro-

zený jazyk jako lidé. Odborníci nedokáží zdolat překážky v rámci procesu

porozumění významům reálného světa, které jsou přiřazeny ke slovům.

Stroje je tudíž nemohou využívat pro odůvodňování a tvorbu znalostí (Fei-

genbaum, 2003) a musí se spoléhat na statistické modely. Z tohoto důvodu

postupy založené na NLP nedosahují kvalit procesů vykonávaných lidmi,

kteří k tomu využívají komplexní kognitivní procesy.

PŘÍLEŽITOSTI

Dostupnost dat

Na vysokých školách jsou velmi rozšířeny systémy pro řízení výuky v

rámci e-learningu. Tyto systémy jsou schopny zaznamenávat množství dat

vznikajících při interakci studentů se systémy, mezi nimi navzájem nebo s

vyučujícím. Za léta používání těchto systémů se nastřádalo velké množství

prozatím ne příliš prozkoumaných textových dat, které v sobě ukrývají in-

formace o chování studentů, jejich učení a komunikaci. Porozumění těmto

nestrukturovaným datům za využití technik NLP může odhalit nové vzdělá-

54

vací teorie a ověřit ty současné a rovněž pomoci při vývoji systémů, které

vedou výuku prostřednictvím dialogu.

M-learning

M-learning je relativně novou oblastí, která se začala zkoumat kolem ro-

ku 2000. Tuto oblast by se dalo charakterizovat jako ,,(…)učení uskutečňo-

vané prostřednictvím využívání malých, přenosných výpočetních zařízení.”

(McConatha, Praul a Lynch, 2008). Učení z těchto zařízení má své specifické

problémy a potřeby. Oproti stolnímu počítači mají obvykle tato zařízení

menší obrazovku, menší paměť, menší rychlost připojení k internetu či plat-

bu dle množství přenesených dat. Proto musí být studijní obsah těmto

vlastnostem přizpůsoben. V tomto ohledu by mohla být užitečná automa-

tická sumarizace textu, která může snížit množství textu, které musí student

z malé obrazovky přečíst a také se tím sníží paměť potřebná pro tento do-

kument.

HROZBY

Účelovost

Hodnocení odpovědí konstruovaných studenty je jedním ze zásadních

úkolů NLP ve vzdělávání. Při hodnocení však počítač text nečte a nechápe

ho stejným způsobem jako člověk a musí se spoléhat na lingvistické analý-

zy apod. Existují tak obavy, že studenti si navyknou psát pro stroje – stan-

dardizovaným a stereotypním způsobem, což může mít v dlouhodobém

měřítku za následek degradaci stylu psaní a jeho výuky ve školách.

Aktivity studentů nevztahující se k výuce

Studenti s ITS mohou interagovat různými způsoby. Buď provádí aktivity

vztahující se k výuce, nebo aktivity, které se k výuce nevztahují. Některé stu-

die aktivity nevztahující se k výuce spojují s horšími učebními výsledky (Ba-

ker, 2007). Jednou z takových aktivit může být například konverzace, při

které se diskutuje o tématu nevztahujícím se k probírané látce (Baker a kol.,

2004). V některých případech aplikace NLP technik umožňuje vzdělávacím

55

systémům se studenty vést konverzaci, a tudíž poskytuje i možnost těchto

konverzací nevztahujících se k výuce. Je pak otázkou, v jaké míře mají stu-

denti v rámci interakce v přirozeném jazyce s těmito systémy tendenci

uchylovat se k takovýmto konverzacím a jaké dopady to má na jejich učení.

56

POČÍTAČOVÉ

ZPRACOVÁNÍ EMOCÍ

57

Emoce, pocity, nálada – to jsou faktory, které rozličnými způsoby neu-

stále ovlivňují náš život. Vědecké bádání ukazuje, že emoce jsou důležitými

faktory v řadě nejrůznějších kontextů. Jejich vliv je prokázán na zdravotní

stav (Barefoot, 1983), kreativitu (Isen, Daubman a Nowicki, 1987), paměť

(Lee a Sternthal, 1999) či zpracování informací (Estrada, Isen a Young,

1997). Neurovědci ukázali, že jedinec s plně rozvinutými kognitivními

schopnostmi, postrádajíc ale standardní emoční reakce, není schopný dělat

rozhodnutí, která jsou pro život esenciální. Emoce se dříve běžně považova-

ly za oddělené od rozumu. Dnes je ale známo, že kognitivní procesy

a emoce jsou nerozlučně provázány a dohromady utvářejí naše prožitky

a řídí i racionální chování v našich každodenních aktivitách (Calvo a D’Mello,

2011, s. 3).

Z toho tedy vyplývá, že emoce jsou rovněž nedílnou součástí učení

a různými způsoby ovlivňují jeho průběh a efektivitu. Dalo by se říci, že pro

komplexní pochopení učebního procesu jsou emoce nepostradatelné. Na-

vzdory tomu je však známo, že emoce byly v komunitě počítačových

a pedagogických odborníků po dlouhou dobu přehlíženy nebo jim bylo vě-

nováno pouze málo pozornosti. Výzkumníci dříve upřednostňovali kognitivní

stránku věci a teorie o učení nejčastěji popisovaly myšlení a učení jako pro-

ces zpracování informací, zatímco emoční stránka byla marginalizována či

ignorována (Picard a Klein, 2002; Picard a kol., 2004).

Roli emocí v rámci učení můžeme pozorovat při výuce ve školním pro-

středí, kde učitel s emocemi pracuje běžně. Dobrý učitel například dokáže u

svých žáků rozpoznat, kdy jsou frustrováni, zná možné negativní následky

této emoce na učení a vhodnými způsoby se jí snaží předcházet. Naopak se

u nich snaží navodit pro učení příhodné stavy, jako je překvapení, a snaží se

je udržovat. Oboustranné projevy emocí a jejich vnímání se v rámci interak-

ce mezi učitelem a studenty vyskytují zcela přirozeně. V rámci interakce

studenta se standardními e-learningovými systémy už to ale nebývá běžné.

Odborníci se nedokáží shodnout na tom, jak jsou inteligentní výukové

systémy (ITS) ve výuce efektivní. Analýzy a metaanalýzy z poslední doby

58

nicméně ukazují, že tyto systémy dosáhly velmi dobré úrovně a v určitých

případech dosahují lepších výsledků než ostatní technologické přístupy

a za určitých podmínek rovněž mohou sloužit jako náhrada za standardní

výuku ve třídách (Kulik a Fletcher, 2016). D’Mello a kol. (2014) však pouka-

zují na ustálení zvyšování jejich efektivity a na to, že ITS dosáhly bodu, ze

kterého se již příliš neposouvají dále. D’Mello předkládá hypotézu, ve které

poukazuje na možnou souvislost mezi zmíněným opomíjením emocí

a tímto stavem, ve kterém se ITS nachází.

Význam emocí se ovšem v očích odborníků na výpočetní technologie

a vzdělávání pomalu začíná měnit a je jim přikládáno stále více pozornosti

(Moridis a Economides, 2008). Tuto tendenci podporuje podoblast umělé

inteligence zvaná počítačové zpracování emocí (angl. affective computing,

AC);

(Picard, 1997). Tento obor přináší edukačním technologiím příležitost vyvíjet

počítačové systémy obohacené o schopnost pracovat s emocemi a využít

jich k zefektivnění výuky.

DEFINICE EMOCE

Emocí, jako fenoménem, se zabývá množství disciplín. V žádné z nich

však neexistuje její jednotně uznávaná definice. Studie (Kleinginna a Klein-

ginna, 1981), v rámci které bylo analyzováno téměř 100 různých definic, vy-

kázala značnou nekonzistenci mezi těmito definicemi. Studie představuje

návrh jednotící pracovní teorie, která by zahrnula všechny významné aspek-

ty emoce, zatímco by se snažila o odlišení od ostatních psychologických

procesů. Její znění je následující:

,,Emoce je komplexní soubor vzájemných působení mezi subjektiv-

ními a objektivními faktory, zprostředkovávaných nervovým / hormonál-

ním systémem. Emoce může (a) vyvolat citový prožitek jako například

pocit vzrušení, potěšení/nelibosti; (b) vyvolávat kognitivní procesy, jako je

emočně relevantní posuzování (appraisals) či vyjadřování pocitů slovy;

(c) aktivovat rozšířenou psychologickou regulaci vůči vyvstávajícím

59

podmínkám; a (d) vede k chování, které je často, ale ne vždy, expresivní,

cílevědomé a adaptivní.”

Psychologové často vedou diskuze o tom, jak se emoce liší od nálady.

Nálady jsou obecně považovány za rozptýlené citové stavy, charakterizova-

né obvykle nižší intenzitou a delším trváním než mají emoce, a oplývají pře-

vahou určitých typů subjektivních pocitů, které ovlivňují chování a prožitek

jedince (Scherer, 2009). Emoce obvykle bývají považovány za reakci na

konkrétní podnět. Najít příčinu určité nálady ovšem může být obtížné. Frijda

(1993, cit. podle Sander a Scherer, 2009) z tohoto pohledu náladu popisuje

jako ,,(…)citové stavy, které se nevztahují k ničemu konkrétnímu, anebo nao-

pak ke všemu – k celému světu jako celku.”

POČÍTAČOVÉ ZPRACOVÁNÍ EMOCÍ OBECNĚ

Počítačové zpracování emocí (AC, affective computing) je poměrně

mladým oborem spadajícím pod výzkum umělé inteligence, spojující po-

znatky z množství dalších oborů – například interakce člověk-počítač, kogni-

tivní vědy, psychologie, informatiky či neurovědy. Jeho počátky lze

spatřovat v raných letech 90. stol. (kupříkladu Scherer, 1993). Významnější

pozornosti se oboru dostalo až po publikování knihy s názvem Affective

computing profesorky Rosalind Picard (1997) z americké univerzity MIT.

Významný vědec Marvin Minsky (1986, s. 163) pronesl myšlenku,

že ,,otázkou není, zda inteligentní stroje mohou mít emoce, ale zda stroje

mohou být inteligentní bez emocí”. Na tuto otázku nepřímo odpovídá ve své

knize Rosalind Picard konstatováním, že aby byly počítače opravdu inteli-

gentní, uměly se nám přizpůsobit a přirozeně komunikovat, je nezbytné, aby

byly schopny rozpoznat a vyjádřit emoce a mít tzv. emoční inteligenci. K

tomu má dopomoci autorkou navrhovaný rámec zvaný počítačové zpraco-

vání emocí, jenž popisuje jako výpočetní postupy, které se vztahují k emo-

cím, vyvstávají z nich a záměrně je ovlivňují (Picard, 1997, str. x, 3).

60

Emoce jsou v rámci mezilidské komunikace významným, běžně se vy-

skytujícím prvkem. Při interakci člověka s počítačem jsou emoce přítomny

také, obvykle ale pouze ze strany člověka, čímž může docházet k emoční

deprivaci

(Li, Zhang a Fu, 2007). Počítač bez schopnosti vnímat uživatelovy emoce

nemůže uspokojit jeho potřeby pojící se s jeho emočním stavem. Analogie

těchto dvou zmíněných případů interakce je podpořena teorií o tom, že

vztah člověk-počítač je přirozené a sociální povahy a řídí se obdobnými pra-

vidly jako interakce člověka s člověkem i přesto, že si je uživatel vědom, že

neinteraguje s člověkem (Reeves a Nass, 1996).

Pakliže se interakce mezi lidmi řídí určitými pravidly týkajícími se emocí,

bude pravděpodobně vhodné tato pravidla implementovat i v rámci počíta-

čů a učinit tím pro člověka interakci s nimi přirozenější, efektivnější

a příjemnější. Techniky AC přináší počítači nový způsob komunikace s člo-

věkem, čímž obohacují interakci a počítači dávají možnost získat od uživa-

tele nový typ informací, který mu pomáhá s dosahováním stanovených cílů.

V rámci využívání technik AC jsou vyvíjeny, aplikovány a ověřovány

obecné teorie lidských emocí, teorie emocí při interakci člověka s počítačem

a jsou designovány systémy, ve kterých jsou tyto teorie aplikovány. AC má

široké spektrum využití – počítačové hry (Hudlicka, 2008), software pro

přehrávání multimédií (Van Der Zwaag, Janssen a Westerink, 2013), medi-

cína (Luneski, Bamidis a Hitoglou-Antoniadou, 2008) či e-komerce (Leon a

Nikov, 2011).

METODY SBĚRU DAT

Důležitým krokem v procesu rozpoznávání emocí je detekování a měření

signálů lidského těla, které doprovází určitý emoční stav. Podobně jako člo-

věk může počítač zaznamenat viditelné projevy emocí, kdy například jedinci

poklesnou koutky a svraští se čelo. Pomocí vzorových dat vztahujících se k

jednotlivým emocím a pomocí technik strojového učení počítač pak dokážet

poznat, že tento výraz odpovídá kupříkladu emoci smutku.

61

Takto počítač může detekovat emoce, a to nejen ze zmíněných výrazů

ve tváři, ale také z gest, hlasu, očí, držení těla apod. Vedle těchto okem vidi-

telných zdrojů se využívají i fyziologické signály – mozkové vlny, svalové

kontrakce, srdeční tep nebo galvanický odpor kůže. Využívaným způsobem

jsou rovněž dotazníky, prostřednictvím kterých posoudí jedinec svůj emoční

stav sám. V této kapitole budou krátce představeny některé nejvyužívanější

metody ze studií zaobírajících se AC ve vztahu ke vzdělávání (viz obr. č. 6).

Obr. č. 6 (Wu, Huang a Hwang, 2016): Graf představuje poměr četností různých

metod sběru dat o emocích studenta na základě analýzy více než stovky studií.

Z pohledu konkrétních metod bylo nejčastěji využíváno dotazování. Z hlediska ka-

tegorií metod se nejčastěji využívaly fyziologické signály.

Sebehodnocení

Sebehodnotící techniky patří v kontextu vzdělávání mezi nejvyužívanější

způsoby zjišťování emočního stavu jedince (viz obr. č. 6). Podobně jako

senzory fyziologických signálů je tento způsob značně rušivý, a to například

tehdy, když student musí v průběhu úkolu nebo mezi úkoly hodnotit svůj

emoční stav, což může narušit výuku. Z toho též vyplývá, že kontinuální sběr

dat je při využití metod sebehodnocení značně obtížný (Baheini, Nadolski a

Westera, 2016).

62

Sebehodnocení lze například využít pro zjištění variací emocí, které stu-

denti v rámci vzdělávacího prostředí prožívají (Pekrun, 2009, s. 579). Při

kombinaci s daty získanými z různých dalších metod detekce se pak počí-

tač může naučit tyto stavy u studentů rozpoznávat a předpovídat. Kapoor,

Burleson a Picard (2007) na základě kombinace behaviorálních dat studen-

ta interagujícího s pedagogickým agentem a jeho zpětné vazby ve formě

tlačítka “Cítím se frustrovaně” vytvořili metodu automatického předpovídání

frustrace. Přesnost této metody dosahovala 79%.

Psycho-fyziologické signály

Tyto signály jsou projevem samovolných reakcí autonomní nervové

soustavy, ovládající mimo jiné úroveň aktivace (arousal) organismu při pro-

žívání emocí. Emoce připravují organismus na různé způsoby chování, což

se odráží ve fyziologické aktivitě, která může být měřena a použita k rozpo-

znávání emocí (Hudlicka, 2003). Vysoká úroveň aktivace může vypovídat

například o vysokém zaujetí studenta. Naopak nízká úroveň aktivace může

poukazovat na studenta, jenž se nudí.

Z obr. č. 6 je patrné, že kategorie těchto metod je v kontextu vzdělávání

využívána nejvíce. Nejčastější metodou je měření galvanického odporu ků-

že, následuje pak měření srdečního tepu, mozkových vln (přístrojem EEG-

elektroencefalograf), elektrické aktivity ve svalech (přístrojem EMG-

elektromiograf) a krevního tlaku. Tyto metody jsou velmi slibné, nicméně

vyžadují vysokou odbornost personálu a potřebné vybavení je nákladné.

Jsou obvykle rovněž značně rušivé, což může ovlivňovat učení.

V současném stavu tyto metody stále nemají empirické základy

a přesnost, jakou oplývá například detekce z výrazů tváře nebo sebehodno-

tící techniky, a tudíž by neměly být v procesu rozpoznávání emocí využívány

jako primární metody, ale spíše jako podpůrné (Harley, 2015).

63

Obr. č. 7: Nástroje různých metod, které využili Arroyo a kol. (2009) ve svém expe-

rimentu: (1) webkamera pro záznam výrazů tváře; (2) náramek pro měření odporu

kůže; (3) senzory držení těla; (4) myš měřící fyzický tlak.

Jako podpůrný nástroj využili Arroyo a kol. (2009) senzor pro měření od-

poru kůže při dvou experimentech ve školním prostředí se studenty střední

a vysoké školy. Senzory odporu kůže spolu s dalšími metodami (viz obr.

č. 7) sbíraly data, zatímco studenti pracovali s ITS pro výuku geometrie

a referovali o svém emočním stavu. Tímto způsobem měly počítačové algo-

ritmy k jednotlivým emocím data o jejich fyziologických projevech a mohly

je pak rozpoznávat automaticky. Pomocí dat ze senzorů bylo možno roze-

znat více než 60% emočních stavů pociťovaných studenty.

Výrazy tváře

Z pohledu nonverbálních projevů je obličej pravděpodobně nejvýznam-

nější avšak také nejkomplikovanější. Tvář je obvykle stále viditelná

a neustále poskytuje nějaké informace v podobě rysů různých povah – sta-

tické (krása), pomalé (stáří), umělé (kosmetika) a rychlé (proudění krve).

Nejvíce se odborníci při zkoumání emocí zabývají informacemi rychlé pova-

hy, zejména přechodnými pohyby produkovanými svaly (Cohn a Ekman,

2005).

Z těchto výrazů v obličeji se nejčastěji detekuje 6 základních emocí

dle Ekmana: hněv, odpor, strach, radost, překvapení a smutek. Ekman

64

a Friesmen navrhli taxonomii signálů obličejových svalů zvanou FACS (Paul

Ekman Group, 2017), která se hojně využívá pro měření těchto signálů. V

poslední době se odborníci pokoušejí rozpoznávat i komplexnější formy

emocí, jako například znuděnost, frustrace či stres. Identifikace obvykle

probíhá analyzováním buď statistických obrazů, nebo videozáznamů ve 2D

nebo i 3D formě.

Prostřednictvím internetu lze vyzkoušet volně dostupné aplikace využí-

vající analýzy výrazů v obličeji. Jedním z nich je simulátor Berghaintrainer5

nebo ukázkové aplikace6 od společnosti Affectiva, která vznikla v rámci MIT

Media Lab.

Obr. č. 8 (Sarrafzadeh a kol., 2004): Systém pro rozpoznávání emocí z výrazů

ve tváři v rámci ITS Easy with Eve. Systém na obrázku ukazuje, že výraz obličeje

nejpravděpodobněji představuje emoci překvapení.

Hlas

Hlas je jedním z dalších přirozených nonverbálních způsobů, jakým člo-

věk vyjadřuje své emoce. V případě analyzování nonverbálních aspektů je

zkoumáno, jak jedinec mluví a nikoliv co mluví. Tato metoda je částečně

zastíněna kupříkladu výše zmiňovanou analýzou obličeje, neboť se předpo-

kládá, že vizuální přístupy jsou obecně efektivnější než zvukové přístupy.

5 https://berghaintrainer.com/

6 http://go.affectiva.com/affectiva-demo/

65

Nicméně oba kanály mají své výhody a nevýhody (Juslin a Scherer, 2008)

a velmi často jsou využívány oba najednou, což vede k lepším výsledkům

(Sebe, 2009).

Nejčastěji se zkoumají prosodické vlastnosti hlasu, mezi které patří na-

příklad melodie, výška či hlasitost. Detekce emocí na základě hlasu je využi-

ta kupříkladu ve vzdělávacím systému ITSPOKE (Ai, 2006). Dále se využívá

v systému SCoT (Pon-Barry, 2006), kde je u studentů v kombinaci s dalšími

metodami identifikována nejistota, na kterou poté systém reaguje interven-

cemi inspirovanými interakcí studentů s učiteli.

Pohyb očí

V rámci AC patří analýza pohybu očí mezi ty méně prozkoumané meto-

dy, nicméně za poslední dobu touto metodou využívané technologie za-

znamenaly prudké zdokonalení (kupř. Kassner, Patera a Bulling, 2014) a byly

využity pro mnoho výzkumů spojených se vzděláváním, nejčastěji při studiu

zpracování informací a efektů didaktických strategií (Lai a kol., 2013). Pro

pochopení spojitosti pohybů očí s emocemi lze upírat pozornost na tyto dva

aspekty: (1) blízkost (proximity) – díky ní lze zjistit, zda je někomu pohled na

dané místo příjemný, či nikoli a utíká pohledem jinam; (2) rychlost – pomá-

há identifikovat emoce s vysokou úrovní aktivace (arousal); (Hurst, Jackson

a Glencross, 2012). Pohyb očí je sledován v ITS zvaném Metatutor (Jaques

a kol., 2014). Taktéž i systém Gaze tutor (D’Mello a kol., 2012) tuto metodu

využívá, díky čemuž může zasahovat v případech, kdy je student znuděný

nebo nepozorný.

MODELY REPREZENTACE EMOCÍ

Ve výzkumu počítačového zpracování emocí je tvorba výpočetních mo-

delů klíčovým bodem, a pokud chce vzdělávací systém využívat emoce, bez

takového modelu se neobejde. Výpočetní model představuje “běžící” teorii

emocí, na základě které byl vytvořen, a umožňuje systému pracovat s emo-

cemi. Využívání těchto modelů mimo jiné může pomoci s vysvětlením

66

emočních procesů jako takových – například kdy a proč se u studentů obje-

vuje úzkost (Broekens, Bosse a Marsella, 2013).

Během zkoumání emocí vznikla řada přístupů, jak emoce konceptualizo-

vat, z nichž každý přístup má své zastánce i kritiky. Při rozpoznávání musejí

být emoce nějakým způsobem reprezentovány a mezi nejvyužívanější způ-

soby ve vzdělávacích systémech patří (1) Ekmanův model šesti základních

emocí, (2) dimenzionální PAD model a (3) komponentový model OCC (Lan-

dowska, 2014). Předmětem této kapitoly budou tyto modely a teoretická

východiska, v rámci kterých vznikly.

Kategorizační přístup

Významným přístupem k modelování emocí je neurovědecká teorie od-

dělených emocí neboli kategorizační přístup. Tato teorie předpokládá exis-

tenci malého souboru základních emocí, které má člověk vrozeny. Každá

z těchto emocí je výsledkem konkrétního vnitřního systému v mozku a má

stabilní a charakteristické projevy, jenž mohou být ověřeny na biologické

úrovni a vznikají bez zapojení vyšších kognitivních procesů (Panksepp,

2005, s. 44-46).

Velmi rozšířeným přístupem v AC komunitě je Ekomanova teorie, která

následuje bádání Charlese Darwina z roku 1872 a jeho přístup k emocím

jako výsledku evoluce (Darwin a Ekman, 1998). Ekman navrhl 6 základních

emocí, ke kterým později přidal ještě jednu další, spolu s jejími typickými

výrazy ve tváři, které považuje za univerzální. Patří mezi ně hněv, strach, od-

por, smutek, radost, překvapení a opovržení.7 Výsledná emoce je reprezen-

tována kombinací těchto základních emocí.

Tento předpoklad univerzálně identifikovatelných emocí je příhodným

základem pro počítačové systémy, které rozpoznávají emoční stavy uživate-

lů podle výrazů v obličeji. Dle názoru řady výzkumníků však emoce dle

7 V originálním anglickém znění: anger, fear, disgust, sadness, happiness, surprise, con-

tempt.

67

Ekmanovy teorie nejsou k učení příliš relevantní a významnou roli hraje spí-

še například znuděnost, zmatenost, frustrace, flow8 nebo heuréka (D’Mello a

kol., 2008).

Obr. č. 9 (Samuel, Sarrafzadeh a Hill, 2006): Pedagogický agent z ATS Easy with

Eve, předvádějící různé emoce a gesta.

Příkladem vzdělávacího systému využívajícího kategorizační přístup pro

reprezentaci emocí studentů je Easy with Eve (Samuel, Sarrafzadeh a Hill,

2006), vyvinutý Masseyskou univerzitou pro výuku matematiky žáků mateř-

ské školy. Systém s žáky komunikuje skrze pedagogického agenta Eve (viz

obr. č. 9), který je schopen vyjadřovat škálu emocí prostřednictvím výrazů

obličeje a je vybaven pokročilou synchronizací rtů s přednášeným obsahem.

Agent má k dispozici data ze studie interakce studenta s učitelem, která mu

slouží jako vzor pro určení vhodného výrazu v obličeji, jeho intenzity

a dalších akcí.

Klasifikace emocí studentů je prováděna prostřednictvím systému pro

automatickou analýzu výrazu ve tváři (viz Sarrafzadeh a kol., 2004). V rámci

té jsou identifikovány pohyby svalů porovnáním několika obrazů obličeje

daného jedince. Alternativně jsou využity neuronové sítě, díky kterým se sys-

tém naučí, jak vypadají pohyby určitých svalů. Na základě analýzy mimiky je

8 Více o tomto fenoménu pojednává jedna z následujících kapitola.

68

systém schopen rozeznat 6 základních emocí v reálném čase, jak je defino-

val Paul Ekman. Nedávno provedená studie, která měla za cíl objasnit efek-

tivitu tohoto systému pracujícího s emocemi studentů, potvrdila jeho pozi-

pozitivní dopad na výsledky učení žáků (Sarrafzadeh a kol., 2014).

Dimenzionální přístup

Dalším významným přístupem jsou dimenzionální modely, které jsou za-

loženy na premise, že emoce a další citové stavy jsou body v kontinuálním

dimenzionálním prostoru, spíše než oddělené entity. Jedním

z nejznámějších je tzv. circumplex model (Posner, Russell a Peterson, 2005),

který je založen na předpokladu, že všechny emoční stavy vyvstávají z dvou

základních neuropsychologických systémů. První z nich se pojí s tzv. valencí

(pozitivní či negativní zabarvení) a druhý s úrovní aktivace (arousal, aktivita

organizmu z fyziologického hlediska, viz např. Nakonečný, 1997). Na kaž-

dou emoci se pak nahlíží jako na kombinaci těchto dvou dimenzí (viz obr. č.

10).

Jednou z nevýhod tohoto přístupu je, že převod emočních stavů do di-

menzionálních konstruktů nevyhnutelně vede ke ztrátě určitých informací,

což zapříčiňuje nemožnost rozlišit mezi některými emocemi – například

mezi strachem, odporem či hněvem (Calvo a kol., 2015, s. 360). Tento fakt

by měl být v případě využití tohoto modelu při automatickém zpracování

emocí brán v úvahu.

69

Obr. č. 10 (Posner, Russell a Peterson, 2005): Grafická reprezentace dimenzio-

nálního modelu circumplex. Horizontální osa představuje valenci a vertikální úro-

veň aktivace. Model reprezentuje emoce prostřednictvím kombinací těchto dvou

dimenzí.

Dimenzionální modely jsou nejčastěji využívány pro účely animovaných

agentů. Je to pravděpodobně dáno tím, že emoce jsou z pohledu tohoto

modelu, oproti například teoriím kognitivního posouzení, vyjádřeny malým

počtem prvků (kontinuálních dimenzí), které mohou být snadno převedeny

na behaviorální prvky agenta, jako například rozsah pohybu gest apod.

(Marsella, Gratch a Petta, 2010).

U trojdimenzionálního PAD modelu Mehrabiana a Russella, který navrhli

v roce 1974 (Mehrabian, 1996), tyto dimenze představují potěšení (angl.

pleasure neboli valence), úroveň aktivace (arousal) a míru síly emoce

či schopnosti ji zvládat (dominance). Tento přístup reprezentace emocí je

využíván například v rámci architektur pro softwárové agenty využívající

emoce – EBDI (Jiang, Vidal a Huhns, 2007) či WASABI (Becker-Asano,

2008). PAD model od circumplex modelu odlišuje třetí dimenze dominance,

která se ukázala nepostradatelnou pro rozlišování některých emocí, jako je

například hněv (anger) a strach (fear) nebo mrzutost (annoyance) a smutek

(sadness). Dále může sloužit jako aspekt určující osobnostní charakteristiky

jedince – při emoci s negativní valencí a střední úrovní aktivace má domi-

70

nantní osoba tendenci křičet, zatímco submisivní jedinec brečet. Jednotlivé

emoce jsou pak matematickou funkcí zaneseny do trojdimenzionálního

modelu, což ilustruje obrázek níže (Becker, Kopp a Wachsmuth, 2007).

Obr. č. 11 (Becker, Kopp a Wachsmuth, 2007): Emoce reprezentovány jako body

(případně oblasti) v prostoru PAD modelu společně s ukázkami výrazů ve tváři

agenta. Prostor je tvořen třemi dimenzemi – valence, úroveň aktivace a míra síly

emoce či schopnosti ji zvládat.

PAD model je použit v konverzačním systému Gerda. Ten umožňuje dia-

log mezi studentem a učitelem a využívá dimenzionální model pro reprezen-

taci emocí studentů. Studenti odpovídají na otázky prostřednictvím

textového vstupu a Gerda využívá didaktických strategií, v rámci kterých jim

pomáhá dojít ke správné odpovědi. Dialog ze strany Gerdy je veden scéná-

řem rozděleným do témat, otázek a konceptů. Interakce se systémem pro-

bíhá taktéž prostřednictvím vizuální komunikace (viz obrázek č. 12). Na

základě situace a emočního stavu studenta je mu předložena vhodná vi-

deosekvence z více než 60 možných variant, ve kterých herečka demonstru-

je určitý typ chování – od neutrálního po citově zabarvený (úsměv, kývání

hlavou či znuděný výraz).

71

Obr. č. 12 (Landowska, 2013): Ukázka z prostředí ITS Gerda kombinující textové

a vizuální rozhraní. Student na otázky v podobě textu odpovídá textovým vstupem.

Systém dle průběhu výuky a na základě rozpoznaných emocí z odpovědí studenta

přehrává videosekvence, na nichž herečka předvádí různé činnosti a emoce.

Jedním z kroků procesu rozpoznávání emocí studenta je analýza klíčo-

vých slov v textových vstupech studentů. Je k tomu využíván slovník, v

němž jsou výrazy spojeny s určitými typy emocí. Zvažováno bylo i využití

analýzy vizuálních dat z kamery zachycující obličej studenta, nicméně tento

způsob byl velmi náchylný na špatné světelné podmínky, kdy algoritmus

měl tendenci velmi chybovat. Výsledek této analýzy je přiřazen k emočnímu

vzorci (třídě) vyjadřující konkrétní emoci, což probíhá prostřednictvím algo-

ritmu minimální vzdálenosti9.

Jako způsob reprezentace emocí studentů byl zvolen PAD model, což

tvůrcům zapříčinilo problémy s nalezením vhodných algoritmů. Zvažované

algoritmy obvykle neposkytovaly dostatečnou granularitu výstupu pro tento

model. Pro dané emoční stavy má systém připraveny konkrétní intervence,

které jsou v některých případech vybrány i na základě úrovně aktivace (Lan-

dowska, 2013).

9 Při této metodě je pro každou třídu nalezen typický prvek nazývaný etalon. Klasifikovaný

obraz studenta je pak zařazen do té kategorie, jejíž etalon je mu nejpodobnější.

72

Teorie kognitivního vyhodnocování

Ve výzkumu AC patří k nejvyužívanějším přístupům teorie kognitivního

vyhodnocování (appraisal theories). Pro výpočetní modely jsou tyto kogni-

tivní teorie velmi vhodné, neboť poskytují strukturovanou reprezentaci vzta-

hů mezi jedincem a prostředím a zohledňují různé faktory ovlivňující

výsledné emoce (Calvo a kol., 2015, s. 3).

Zásadním předpokladem pro to, aby se teorie emocí mohla považovat

za teorii vyhodnocování, je, že (1) v teorii je vyhodnocení situace příčinou

vzniku emoce, a tím pádem (2) má toto vyhodnocení zásadní vliv na povahu

emoce. Vstupy procesu vyhodnocování jsou stimuly z nastávající situace

a výstupy jsou hodnoty odvozené na základě jednoho, nebo více hodnotí-

cích faktorů – může to být například relevance pro dosažení cíle, očekávání,

novost či zvládnutelnost situace (Moors a Scherer, 2013). Tyto hodnoty ná-

sledně formují emoci. Jinými slovy emoce vychází z konfrontace vnitřních

stavů jedince – přesvědčení, přání, cíle – a jím zpracovaných informací

z vnějšího prostředí. Například situace, kterou jedinec posoudí jako pro něj

nezvládnutelnou, u něho vyvolá strach.

V rámci reprezentace emocí studentů jsou nejčastěji využívány modely

založené právě na kognitivních teoriích, a to konkrétně na modelu emocí

OCC (Ortony, Clore a Collins, 1988). Tento model je tvořen hierarchií 22

emocí, která je rozdělena do tří větví dle typu stimulu: (1) důsledky událostí;

(2) aktivita agentů; (3) vlastnosti objektů. Každý z těchto typů stimulů je je-

dincem posouzen ve vztahu k řadě proměnných, jako například přijatelnost

důsledků události s cíli jedince, atraktivita objektu nebo přijatelnost akcí

ostatních agentů, a výsledkem je konkrétní emoční stav (Chrysafiadi a Vir-

vou, 2013).

73

Obr. č. 13 (Martinho, Machado a Paiva, 2000): Struktura emocí v podobě zjednodu-

šeného OCC modelu, která je tvořena hierarchií emocí rozdělených podle typu sti-

mulu, které je mohou vyvolat, a podle toho, zda se emoce vztahují k osobě

prožívající daný emoční stav, nebo jsou vyvolány vlivem ostatních jedinců.

Struktura tohoto modelu je vhodná pro implementaci v rámci architektu-

ry pedagogických agentů. OCC model agentovi poskytuje explicitní informa-

ce nejen o emocích studenta, respektive jiného softwarového agenta, ale

taktéž o příčině emočního stavu, což mu na něj umožňuje lépe reagovat

(Conati a Maclaren, 2009).

Příkladem může být narativní výukové prostředí FearNot! (Aylet a kol.,

2005) jehož účelem je vzdělávání vedoucí k prevenci násilí ve školách. Dě-

tem umožňuje prozkoumat, co se děje při šikaně. Dítě dává agentovi rady,

jak se vypořádat se šikanou, a stává se tak zodpovědným za to, co se oběti

děje. Každý agent v tomto prostředí vnímá své okolí (události, akce, objekty)

pomocí senzorů a jedná prostřednictvím efektorů. Přijaté vjemy posoudí

a jsou vyvolány patřičné emoce, na základě nichž pak proběhne výběr akce

74

ve dvou rovinách: (1) akční tendence,10 které vedou k impulzivnímu chování

(kupříkladu šikanovaný agent začne brečet), a (2) proces zvládání emoce.

Ten vede k pozměnění interpretace vnímaného prostředí nebo plánování

a chování za účelem dosažení daného cíle (prošení o zastavení šikany).

Obr. č. 14 (Aylet a kol., 2005): Architektura agenta v prostředí FearNot!, která je za-

ložena na teorii vyhodnocování. Agent přijímá přes senzory informace o objektech,

událostech a ostatních agentech. Tyto informace na základě plánů a modelů po-

soudí a je vyvolána patřičná emoce vedoucí k akci prostřednictvím agentova těla,

hlasu či výrazu v obličeji.

Výsledná část příběhu v prostředí FearNot! může vypadat následovně –

Lukáš přichází do třídy a vidí tam studujícího Petra. Nemá ho rád a tak za-

čne Petra urážet (akční tendence). Nebýt zraněn a vracet útoky je jeho hlav-

ním cílem. Jeho vlastností uloženou v osobním profilu je však bojácnost,

která je silnější než víra v úspěch odvracení útoků, a tak tento cíl vzdává.

Novým cílem se stává odejít z místnosti, a tak se vydává ke dveřím. Když

Lukáš uvidí Petra zády k němu, rozhodne se ho strčit a ten upadne na zem.

10 Dle Lazara (1994, s. 40) lze na akční tendenci nahlížet jako na unikátní fyziologickou

aktivitu, která je charakteristická pro každou emoci. To, zda jedinec jedná v souladu s akční tendencí, je ovlivněno například procesem zvládání emoce.

75

Tato událost v Lukášovi vyvolává emoci škodolibost, která má za následek

akční tendenci, kdy vyřkne nějaký posměšek. Když Petr upadne, posoudí

tuto událost jako velmi nežádoucí a reakcí je akční tendence ve formě pláče

(Aylet a kol., 2005).

EMOCE VE VZDĚLÁVÁNÍ

Marvin Minsky (2006) ve své knize The emotion machine emoce přímo

spojuje s lidským myšlením. Tvrdí, že emoce indukují různé způsoby myšle-

ní, které přispívají k lidské vynalézavosti. Emoce tedy vidí jako podstatnou

součást toho, co se nazývá inteligence. Tuto myšlenku lze aplikovat i v kon-

textu učení. Student potýkající se s problémy při řešení určitého úkolu v

rámci frustrace ze zdánlivě bezvýchodné situace “přepne” na odlišný způ-

sob myšlení a na úkol se začne dívat z jiného pohledu, což mu umožní se

posunout v řešení problému dále.

Z poznatků výzkumné činnosti psychologů a odborníků z dalších oborů

je zcela zřejmé, že emoce jsou nedílnou součástí prostředí, kde se odehrá-

vají vzdělávací činnosti a je nutné se jimi zabývat (Schutz a Lanehart, 2002;

Chan Yong Shun, 2015). Je nicméně známo, že do nedávné doby byla role

emocí opomíjeným prvkem, jak z pohledu odborníků z oblasti vzdělávání,

tak i například informatiky (Picard a kol., 2004). Hascher (2010) upozorňuje

na fakt, že o vztahu emocí a učení toho víme velmi málo a je potřeba další-

ho bádání. Výjimkou je úzkost při vypracovávání testu, která byla řešena

poměrně intenzivně (viz Zeidner, 1998). Nedávno vydané publikace ovšem

naznačují, že situace se mění a pozornosti nabývá (např. Pekrun a Lin-

nenbrink-Garcia , 2014).

Pekrun (2014) emoce vyskytující se při učení nazývá akademickými

emocemi a kategorizuje je do 4 skupin: (1) emoce úspěchu – vztahují se k

aktivitám, kdy studenti mají podat nějaký výkon, a k výsledku těchto aktivit –

úspěch, či neúspěch (stud při neúspěchu); (2) epistemické emoce – jsou

vyvolány kognitivními záležitostmi (překvapení z nového úkolu); (3) tematic-

ké emoce – týkají se tématu probíraného při vyučování (úzkost při probírání

76

nemocí); (4) sociální emoce – vznikají při interakci s vyučujícím či spolužáky

(láska, sympatie, závist). Tyto emoce pak mohou ovlivňovat učení mnoha

způsoby – pozitivně či negativně ovlivňují například pozornost, motivaci,

učební strategie či seberegulaci.

Pekrun (2009, s. 579) na základě zkoumání studentů v různých podmín-

kách představuje paletu různorodých emocí, které zažívají v průběhu před-

nášek, samostatného studia či testování. Nejvíce zastoupenou emocí byla

úzkost (anxienty). Pozitivní a negativní emoce byly téměř ve stejném pomě-

ru, pouze při testování studenti prožívali více negativních emocí. Potěšení,

uspokojení, naděje, pýcha či úleva11 se vyskytovala relativně často. Stejně

tak i hněv, stud nebo nuda.12 Občas se objevovala beznaděj, vděčnost, ob-

div, opovržení a závist.

Na vztah emocí a učení lze nahlížet z mnoha úhlů a perspektiv (vnímání

vlastní účinnosti, dřívější zkušenosti, osobní cíle apod.). Tyto pohledy, po-

dobně jako na emoce obecně, jsou roztříštěny do mnoha teorií a modelů.

Snahami výzkumníků obohacovat vzdělávací technologie o schopnosti pra-

covat s emocemi narůstá potřeba vyvinout preciznější teorii o emocích v

rámci učení, testovat ji a rozvíjet. Řada výzkumníků rovněž vznáší své obavy

nad tím, zda lze vyvíjet tyto technologie, když nelze artikulovat jasnou jed-

notnou teorii, na které by měly být založeny (Picard a kol. 2004).

MODELY EMOCÍ VE VZDĚLÁVÁNÍ

Kort, Reilly a Picard (2001) navrhli spirálový model emocí při učení. Mo-

del ve vizuální podobě (viz obr č. 15) je tvořen dvěma dimenzemi – (1) hori-

zontální představuje valenci (negativní/pozitivní povaha emoce), (2)

vertikální lze popsat jako efektivitu učení. Obě dimenze jsou variabilní a lze

je přizpůsobit kontextu, ve kterém je model použit. Dále se model skládá ze

čtyř kvadrantů, kterými student prochází v průběhu učebního procesu (od I k

IV). Model tak popisuje, jak se v průběhu učení mění studentovi emoce ve

11 V originálním znění: enjoyment, satisfaction, hope, pride, relief.

12 V originálním znění: anger, shame, shame, boredom.

77

vztahu k valenci a efektivitě učení. Třetí dimenze, která pomyslně vystupuje

do prostoru a z vizualizace není zjevná, je úroveň znalostí studenta. Napří-

klad při řešení studijního úkolu student krouží spirálou, a jak se úroveň zna-

lostí zvyšuje, student se pohybuje spirálou směrem vzhůru. Tento model,

jako jeden z mála modelů vysvětlujících průběh emocí při učení, však stále

vyžaduje více empirického ověření.

Obr. č. 15 (Kort, Reilly a Picard (2001): Spirálový model emocí při učení, který popi-

suje emoce studenta v různých fázích učení. Dvě dimenze představují valenci (ne-

gativní, pozitivní) a efekt na učení. Třetí dimenzí je úroveň znalostí, která pomyslně

vystupuje do prostoru a jak student prochází kvadranty, stoupá výš a vytváří se ona

spirála.

Na emoce v kontextu učení lze nahlížet rovněž z pohledu teorie flow

(Csikszentmihaly, 2000, s. 36), která pojednává o zvláštním dynamickém

stavu nacházejícím se mezi úzkostí a nudou, kdy jedinec jedná s maximál-

ním nasazením. Tento stav nastává tehdy, když jsou schopnosti jedince

a požadavky akce v rovnovážném stavu. Pokud tomu tak není, vznikají u

jedince různé emoce v závislosti na poměru mezi těmito dvěma stavy (viz

obr. č. 16).

78

Obr. č. 16 (Csikszentmihaly, 2000, s. 48): Vizuální model stavu flow. Tento stav na-

stává, pokud jsou v rovnováze studentovy schopnosti a na něj kladené požadavky.

Pokud převažují požadované schopnosti nad aktuálními schopnostmi studenta,

může se u něj objevit emoce znepokojení (worry), v opačném případě se student

může nudit. V případě, že je jeden ze zmíněných nepoměrů opravdu velký, dostaví

se úzkost.

Z perspektivy učení by měly být schopnosti studenta ve správném po-

měru s náročností studijního úkolu či materiálu, aby místo obav, úzkosti

nebo nudy, která kupříkladu může mít silně negativní efekt na učení (Craig a

kol., 2004), nastal stav flow. Ten, na rozdíl od nudy, může pozitivně ovlivňo-

vat výsledky učení (Choi, Kim a Kim, 2007) a může zahrnovat emoční stavy

s pozitivním vlivem na průběh učení. Na bázi této teorie je v některých studi-

ích zabývajících se emocemi ve vzdělávání užíván emoční stav nazvaný en-

gaged concentration 13 , který je, jak se ukázalo, v rámci vzdělávacích

systémů jedním z nejfrekventovanějších emočních stavů (Baker a kol., 2010;

Conati a Gutica, 2016). Ačkoli se na tento stav, a kupříkladu i na zmatenost,

dá nahlížet jako na čistě kognitivní, může být považován i za emoci (D’Mello,

2012).

D’Melo a Graesser (2012) svými výzkumy podpořili myšlenku, že emoční

stavy při učení se nemění náhodně, ale systematicky. Výsledný model dy-

13 Tento anglický pojem se obtížně překládá. Pravděpodobně ne příliš přesně by se mohl

přeložit jako koncentrovaná pozornost.

79

namiky emocí zahrnuje pro učení příznivý koloběh, kdy student plynule pře-

chází ze stavu flow do stavu zmatenosti (confusion) a naopak. Oproti tomu

se student může dostat do koloběhu, který je pro průběh učení nežádoucí. V

tom se střídá frustrace s nudou.

Obr. č. 17 (D’Melo a Graesser, 2012): Model dynamiky emocí při učení, tvořen

ze dvou okruhů, ve kterých student pomyslně krouží a přechází mezi nimi. Šipky

značí směr přechodu z jedné emoce na druhou a příčinu přechodu.

Z pohledu vzdělávacího systému je tedy příhodné, pokud je zjištěno, že

student je v některém z těchto nechtěných stavů, aby byly učiněny kroky pro

navození stavu zmatenosti. Tento stav u studentů vyvolá kognitivní nerov-

nováhu, což jim dá impulz k tomu, aby byli činní, přemýšleli a aktivně řešili

problémy. Tato teorie byla potvrzena výzkumem, ve kterém byla zmatenost

vyvolávána předkládáním protichůdných informací v rámci trialogu studenta

s dvěma animovanými agenty (D’Mello a kol., 2014).

AFEKTIVNÍ VZDĚLÁVACÍ SYSTÉMY

Oblast vzdělávacích technologií byla jednou z prvních, kde byly apliková-

ny techniky AC (Calvo, 2015, s. 6). V procesu vývoje systému využívajícího

AC jsou dva základní kroky: (1) opatřit systém mechanismem pro rozpo-

znávání emočních stavů a (2) mechanismem pro generování chování sys-

80

tému, konzistentního s žádaným emočním stavem (Sarrafzadeh a kol.,

2008).

Dokázat identifikovat, zda jsou studenti šťastní, znudění či frustrovaní je

pro jakýkoliv vzdělávací systém obrovskou příležitostí. Díky tomu může být

poté výuka uzpůsobena za účelem ji zefektivnit. Existují proto snahy apliko-

vat techniky AC i do těchto systémů.

Vzdělávací systémy, které berou v úvahu emoční stav studenta, se nazý-

vají afektivní vzdělávací systémy (anglicky affective tutoring systems, ATS).

ATS jsou považovány za nástupce vzdělávacích systémů, jež donedávna

braly v potaz především kognitivní aspekty studenta. Po rozpoznání emoč-

ního stavu studenta se na tento stav systém adaptuje a reaguje různými

způsoby – přizpůsobí funkcionalitu systému, snaží se předcházet chybám

studenta, zpříjemňovat mu interakci se systémem či u něho vyvolávat

a udržovat emoční stav příhodný pro učení (Hudlicka, 2003). Naopak se

snaží předcházet nepříznivým emočním stavům, případně se studentům

snaží pomoci se s nimi vypořádat.

Obr. č. 18 (Silva, 2014): Obecná architektura afektivního vzdělávacího systému

(ATS) sestávající se z tradičního ITS a AC modulu, ve kterém probíhají proces roz-

poznávání emocí, na základě kterých je aktualizován model studenta a přizpůso-

bována výuka.

81

Systém na základě modelu emocí studenta či kontextu (kupříkladu dle

fáze řešení problému) uzpůsobuje své chování – určuje, zda je potřeba za-

sáhnout do učení a jakým způsobem. Reakce může proběhnout kupříkladu

formou změny prvku v grafickém rozhraní, hudby, učební osnovy, didaktic-

kých strategií, tempa výuky či formou rady nebo empatie. Výběr vhodné

afektivní intervence je velmi důležitý, neboť nevhodně zvolená akce může

negativně ovlivnit emoční stav studenta (Robinson, McQuiggan a Lester,

2009). Při posuzování kdy a jakou intervenci zvolit vychází systém z teorií

a modelů vztahujících se k emocím studentů při učení, které jsou nicméně,

jak již bylo řečeno, na nízké úrovni.

Příkladem mohou být intervence založené na Korteho spirálovém mode-

lu: pokud student setrvá v prvním kvadrantu, je dobré oživit výuku nebo

podnítit jeho zvědavost vhodným studijním materiálem, aby se nedostavila

nuda; pokud se student nachází ve druhém kvadrantu, je vhodné mu po-

skytnout více vysvětlení, ve třetím kvadrantu nápovědu a když setrvává ve

čtvrtém, je příhodné studenta povzbudit.

Využívány jsou taktéž obecné teorie o emocích nevztahující se přímo k

učení. Afektivní verze významného ITS AutoTutor (D’Mello a Graesser,

2012) zakládá svou adaptaci a intervence například na atribuční teorii

(Weiner, 1985), empatii (Lepper a Chabay, 1988), teorii kognitivní nerovno-

váhy (Festinger, 1962) a zdvořilosti (Wang a kol., 2008).

Obr. č. 19 (D’Mello a Graesser, 2012): Emoce generované prostřednictvím pedago-

gického agenta v systému AutoTutor.

82

GENEROVÁNÍ EMOCÍ

Jako reakce na emoce studentů mohou být také využity emoce genero-

vané počítačem. Pro tento účel jsou v rámci ATS často využíváni pedago-

gičtí agenti, kteří jsou schopni prostřednictvím animovaného těla vyjadřovat

emoce v reakci na emoce studenta nebo dokonce i v závislosti na svých

cílech a plánech nebo emocích jiných agentů, jako je tomu například v již

zmiňovaném prostředí FearNot! (Aylet a kol., 2005). Výrazům v obličeji

agentů by měl odpovídat i hlas, nicméně systematická manipulace s hla-

sem pro vyjadřování emocí je zatím v rané fázi. V poslední době se rovněž

začínají využívat roboti, kteří dokáží oproti agentům na obrazovkách vyja-

dřovat emoce i fyzicky. Na obrázku č. 20 je robot předvádějící různé výrazy

v obličeji.

Obr. č. 20 (Affective robotics, 2011): Robot Charles z Cambridgeské univerzity

s různými obličejovými výrazy. Ten představuje pokročilý způsob generování emo-

cí. Vývoj takovýchto robotů je však velmi nákladný. Robot se velmi podobá člověku

83

a je na něm již patrný fenomén uncanny valley14, což znamená, že může působit

odpudivě.

AKTUÁLNÍ STAV

AC je v současné době velmi rychle se vyvíjející oblastí. Dle analýzy spo-

lečnosti Gartner (2016) jsou AC technologie z hlediska komerčního využití

stále na počátku svého životního cyklu. Nyní jsou ve fázi, kdy jim věnovaná

pozornost rychle stoupá a blíží se svému vrcholu (viz obr. č. 21). V rámci

toho jsou diskutována nová potenciální uplatnění AC například v automobi-

lovém průmyslu (Hernandez a kol., 2014), v nositelných technologiích (Chen

a kol., 2015a) – například Google Glass (Hernandez a Picard, 2014) – či v

prostředí 5G sítí (Chen a kol., 2015b). Rovněž experti na vzdělávání věnují

technologiím z oblasti AC zvýšenou pozornost. Tato oblast byla kupříkladu

vybrána experty v rámci výroční zprávy Horizon Report 2016 (Johnson a kol.

2016) pro vyšší vzdělávání mezi šest nejvýznamnějších technologií ve vývoji,

které jsou relevantní pro vzdělávání.

14 Tento fenomén je více rozebírán v jedné z následujících kapitol.

84

Obr. č. 21 (upraveno podle Gartner, 2016): Tzv. hype-křivka interpretující životní cyk-

lus nových technologií dle společnosti Gartner. Počítačové zpracování emocí je

na obrázku zvýrazněno červenou barvou.

Přibližně před 13 lety Picard a kol. (2004) představili svůj kritický pohled

na stav teorií emocí v kontextu vzdělávání. Většina z nich byla podle ní ne-

kompatibilní s počítačovým zpracováním a nebyly na úrovni, která by dovo-

lovala jejich implementaci do interaktivních výpočetních modelů, což je

činilo obtížně aplikovatelnými do e-learningových prostředí (Landowska,

2014). Tento stav se do dnešní doby zcela jistě zlepšil. Řada strategií, jak s

emocemi studentů nakládat, a teorií o roli různých emočních stavů v rámci

učení, byla vyvinuta a ověřena. Výrazně k tomu přispěly experimenty usku-

tečněné v ATS jako je Wayang Outpost (Arroyo a kol., 2014), Crystal Island

(Rowe a kol., 2009) či utoTutor (D’Mello a Graesser, 2012).

Nicméně výzkumníci zabývající se AC ve vzdělávání mají před sebou ješ-

tě spoustu práce. Stále existuje málo studií, které by systematicky zkoumaly

dopady intervencí, založených na výše zmíněných teoriích, na výkon studen-

tů, jejich motivaci a přístup (Arroyo a kol., 2014). Je potřeba také zvýšit gra-

nularitu metod rozpoznávání emocí, a to ovšem ne na úkor přesnosti, jak to

často bývá. Dále by bylo vhodné vyvinout model pro reprezentaci nejistoty

85

při intervencích a procesu rozpoznávání emocí, zmapovat rozdílné modely

pro reprezentaci emocí za účelem porovnání či integrování výstupů

z různých metod sběru dat. Chybí taktéž precizně definovaný soubor emocí,

u kterých je doloženo, že jsou relevantní pro učení, popřípadě chybí metodo-

logie, jak získat individualizovaný soubor pro daného studenta prostřednic-

tvím pozorování nebo vzájemné interakce (Landowska, 2014).

SWOT ANALÝZA

SILNÉ STRÁNKY

Emoce jako podstatná součást učebního procesu

Silnou stránkou aplikace AC do vzdělávání je zcela jistě fakt, že do

e-learningovýh nástrojů využívaných bez přítomnosti lidského učitele, přiná-

ší chybějící prvek. Emoce při učení, jak již bylo řečeno, hrají významnou roli

a ovlivňuji jeho efektivitu. Technologie AC umožňují e-learningovým nástro-

jům identifikovat, pochopit a generovat emoce, což skýtá značný potenciál

pro zefektivnění učebního procesu.

Obohacení teorií

Výsledky výzkumu zabývajícího se využíváním AC technologií nejsou

pouze ve formě praktické aplikace ve vzdělávacích nástrojích, ale rovněž v

podobě značného přínosu na teoretické úrovni. Vývoj výpočetních modelů je

jednou ze zásadních činností AC výzkumu. Model ve formě afektivního sys-

tému může být reprezentací teorie o přirozeném fenoménu pomocí počíta-

čového programu, díky kterému lze zlepšit formalizaci, operacionalizaci

a interní konzistenci teoretických postulátů (Wehrle, 1998). Jinými slovy tyto

modely mohou rovněž pomoci k lepšímu pochopení emocí jako takových.

SLABÉ STRÁNKY

Nedostatečné teoretické základy

Emoce jsou nesmírně složitým fenoménem, který není ještě dostatečně

probádán a vysvětlen. Je zkoumán vědci z nespočtu různých oborů a jejich

86

prací vzniká řada malých konstruktů a miniteorií, které mnohdy pod jinými

termíny “objevují” to stejné (Pekrun a Schutz, 2007, s. 314-315). Tento stav

vede k dlouhým debatám, problémům v komunikaci mezi disciplínami a

problémům ve spolupráci (Mulligan a Scherer, 2012). V důsledku toho je

pak brzděn výzkumný pokrok zkoumání emocí v kontextu učení, neboť vý-

zkumníkům chybí pevné teoretické základy.

Nízká dostupnost AC technologií

Oblast AC zaznamenala již značný pokrok a například v rozpoznávání

emocí některé metody dosahují vysokých přesností, nicméně v rámci pod-

pory učení zatím výsledky nejsou příliš uspokojivé (Černý, 2014, s. 53-60).

Majoritní část studií se zabývá zjišťováním emočního stavu na základě dat

ze senzorů, které měří fyziologickou aktivitu (viz obr. č. 6), a byla prováděna

v laboratorních podmínkách. Použitá zařízení nejsou běžně ve školách

a domácnostech dostupná a jsou mnohdy nákladná. To se pojí s faktem, že

ty nejúspěšnější metody jsou založeny na kombinování různých technik

a pokud některá z nich chybí, má to na přesnost výrazně negativní vliv (Lan-

dowska, 2014).

PŘÍLEŽITOSTI

Zvýšená pozornost

Zájem výzkumníků o danou oblast je pro její pokrok a vývoj velmi důleži-

tý. Kromě zmínky AC ve výroční zprávě Horzion report, lze vidět zájem od-

borníků i na základě četnosti odborných článků týkajících se AV v kontextu

vzdělávání. Jak je vidět na obr. č. 22, počet těchto publikací od roku 2010

prudce vzrostl. Významnou zásluhu na rozvoji oblasti mají univerzity, kupří-

kladu Affective Computing Group15 na Massachusettském technologickém

institutu v čele s Rosalind Picard.

15 http://affect.media.mit.edu

87

Obr. č. 22 (Wu, Huang a Hwang, 2016): Četnost článků v odborných periodikách,

které pojednávají o AC v kontextu vzdělávání. Zdrojem pro tento graf je analýza tří

databází: ScienceDirect database, Science Citation Index a Social Science Citation

Index.

Nové nástroje

Výše zmíněné problémy nákladnosti a dostupnosti se pokouší výzkum-

níci v poslední době řešit mimo jiné vývojem nenákladných alternativ (Bar-

ba, De Madrid a Boticario, 2015). Nicméně je třeba pamatovat na to, že

přesnost identifikace emocí je závislá na kvalitě dat. Kupříkladu výsledky

rozpoznáváni emocí z výrazu v obličeji prováděné na základě nekvalitního

obrazu mohou být velmi nepřesné (Landowska, 2013). Zavádění AC techno-

logií do školní praxe by také mohlo být potenciálně usnadněno využitím

běžně dostupných zařízení (Salmeron-Majadas, Santos a Boticario, 2014) –

například mobilního telefonu (Shah, Narasimha a Bhattacharya, 2015). Ty

jsou v dnešní době, jak ukazuje obr. č. 23, osazeny množstvím různých sen-

zorů, které by mohly být využity pro účely AC.

88

Obr. č. 23 (Pejovic a Musolesi, 2015): Využití možností mobilního telefonu

pro rozpoznávání řady konceptů včetně emocí.

HROZBY

Etické problémy

Ačkoli AC technologie mohou přinést řadu užitku, jejich zavádění do pra-

xe však může taktéž obnášet i potenciální hrozby. Využívání technologií pro

práci s lidskými emocemi vyvolává otázky týkající se etické stránky věci.

Rosalind Picard proti tomuto znepokojení argumentuje tím, že rozpoznávání

emocí lidmi je naprosto běžně akceptovaná záležitost (Picard, 2003).

Nicméně pokud tuto schopnost má počítač, vnímají to jeho uživatelé jinak

a vyvolává to v nich pocit narušení jejich soukromí (Reynolds a Picard,

2004). Mezi největší znepokojení patří například situace, když jsou AC tech-

nologie na jedinci využívány bez jeho vědomí, dále pak fakt, že jejich emoce

zpracovává stroj. Lidé mají rovněž obavy vztahující se k tomu, jak je s poří-

zenými daty nakládáno (Steen a Kim, 2010).

Negativní působení na studenty

Mnoho využívaných metod ve výzkumu AC, které dosahují slibných vý-

sledků, je založeno na přístupech, kombinujících data z řady různých senzo-

rů, které mohou na studenty působit rušivě a diskomfortně. Podobně může

u některých studentů působit i samotný fakt, že stroj bere v úvahu jejich

emoční stav. V důsledku může být potenciálně narušena pozornost studen-

tů, jejich soustředěnost a samotný emoční stav. Identifikování emočního

stavu studenta v reálném čase a objektivním způsobem tak, aby to nebylo

obtěžující, je náročné (Fleureau, Guillotel a Orlac, 2013).

89

PEDAGOGIČTÍ

AGENTI

90

Základní koncept inteligentních pedagogických agentů lze odvodit

z jejich názvu. Agent je softwarový komponent, který v daném prostředí jed-

ná autonomně za účelem dosažení určitého cíle. Pojem inteligentní zname-

ná, že agent pro řešení problémů a dosažení cíle využívá aplikovaných

metod z oblasti umělé inteligence.

Inteligenci agenta lze popsat jako schopnost agenta se v rámci prostředí

učit a měnit svoje chování vzhledem k dosažení stanoveného cíle. Nakonec

výraz pedagogický značí, že agent je vybaven pedagogickými schopnostmi,

které využívá pro dosažení pedagogických cílů (Soliman a Guet, 2010). Pe-

dagogičtí agenti ale nemusí být vždy nutně inteligentní. Pro některé účely se

využívá agentů, jejichž chování je spíše založeno na předem definovaných

skriptech.

Na zrodu a fungování pedagogických agentů má podíl řada rozličných

výzkumných oblastí. Primárně vychází z konceptu softwarových agentů,

kteří se vyvinuli z multi-agentových systémů. Tyto oblasti spadají pod širší

oblast distribuované umělé inteligence a sdílí s ní její cíle a potenciální vý-

hody (Nwana, 1996).

Definovat softwarové agenty není jednoduché. Lze je popsat jako soft-

warové entity, které fungují v určitém prostředí kontinuálně a autonomně.

Agent vnímá prostředí prostřednictvím senzorů a na základě vnímaného

prostředí vykonává akce skrze tzv. efektory (Russell, Norvig a Davis, 2010, s.

31). Pedagogičtí agenti vnímají své prostředí prostřednictvím vstupu přes

klávesnici nebo mikrofon a na základě toho pak provádí akce ve formě

zpětné vazby, volby cvičení, motivace, rady apod.

V pojetí této publikace jsou pedagogičtí agenti animovaní – těží tak

z výzkumné větve, zabývající se animovanými agenty – a vysoce antropo-

morfní. Napodobují lidské charakteristiky jak svým vzhledem, tak svým cho-

váním. Poznatky z oblasti například počítačového zpracování přirozeného

jazyka jim umožňují verbálně komunikovat podobně jako člověk, počítačové

zpracování emocí jim zase umožňuje detekovat a simulovat lidské emoce.

91

Ačkoli počátky inteligentních vzdělávacích systémů sahají do sedmde-

sátých let, pedagogičtí agenti s vizuální reprezentací se začali objevovat až

v pozdních osmdesátých letech (Person a Graesser, c2017). Jednou

z hlavních motivací pro využívání takovýchto agentů je obohacení interakce

mezi systémem a studentem, čímž poskytují větší různorodost akcí

a percepcí, které se mezi nimi mohou odehrávat (Johnson, Rickel a Lester,

2000). Pedagogičtí agenti mohou být jak jednoduché statické postavy, které

reagují vizuálními podněty (typicky text na obrazovce), tak velmi komplexní

animované trojrozměrné postavy, které dokáží se studenty interagovat pro-

střednictvím gest a řeči těla nebo s nimi konverzovat (Schroeder, Adesope a

Gilbert, 2013).

Výzkum pedagogických agentů je další slibnou oblastí, která může mít

pozitivní dopady na proces vzdělávání s využitím elektronických zařízení.

Jak již bylo řečeno dříve – jedním z cílů výzkumu AIED je přiblížit úroveň

vzdělávání prostřednictvím elektronických výukových systémů k úrovni výu-

ky skutečných vyučujících. Za tímto účelem inteligentní systémy napodobují

podmínky, za kterých standardně probíhá individuální výuka.16 Pro napodo-

bení takto komplexního procesu výzkumníci využívají možností a poznatků,

které jim poskytují nejnovější pokroky v oblastech moderních technologií.

Jejich aplikace pak pomáhají překlenout některá omezení, která s sebou e-

learning přináší a umožňují zefektivnit jeho nástroje.

Jedním z důležitých předpokladů, jak výše zmíněného cíle v rámci

e-learningu dosáhnout, je umožnit stroji řešit problémy podobně jako člo-

věk. Jedním z kroků v tomto směru je aplikace umělé inteligence v rámci

vzdělávacích systémů, čímž je u strojů napodobována lidská inteligence

a to jim pak umožňuje provádět činnosti podobné těm, kterých je schopen

učitel při vzdělávacím procesu.

16 Pro dosažení podobných podmínek systém například neustálé monitoruje to, jak si stu-

dent vede, dává mu okamžitou zpětnou vazbu, poskytuje rady dle konkrétní situace a jeho aktuálních znalostí apod.

92

Díky aplikaci nejnovějších poznatků z oblasti umělé inteligence, počíta-

čové vědy či kognitivní vědy vzdělávací systémy již mají inteligentní funkce,

kterými se do určité míry přibližují lidským vyučujícím. Jako stroje ale mají

řadu omezení, a to například ve flexibilitě toho, jak mohou s uživateli komu-

nikovat. Jednou z možností, jak prozatím alespoň částečně potírat tyto ne-

dostatky, je využití právě pedagogických agentů, kteří napodobují člověka i

způsobem interakce.

Tito agenti jsou často označováni různými anglickými pojmenováními.

Příkladem mohou být například: intelligent virtual agents, interactive anima-

ted pedagogical agents, believable pedagogical agents apod. Často se jed-

ná o synonyma a v názvu se objevují některé jejich vlastnosti, na které může

být kladen větší důraz. V tabulce č. 2 jsou popsány běžně využívané pojmy,

které označují různé formy agentů spolu s typickými příklady. Napříč odbor-

nou literaturou však nejsou tyto pojmy významově konzistentní, a proto tato

tabulka představuje jedno z možných pojetí. V této knize jsou termínem pe-

dagogičtí agenti označovány formy softwarových agentů s vizuální podo-

bou, kteří jsou využíváni ve vzdělávání pro dosahování určitých

pedagogických cílů.17

17 Toto pojetí pojmu pedagogický agent sdílí řada autorů např. (Schroeder a Gotch, 2015;

Johnson a Lester, 2016; Schroeder, Adesope a Gilbert, 2013).

93

Obrázek č. 24 (Lester a kol., 1997): Jeden ze zástupců pedagogických agentů Her-

man the Bug působící ve vzdělávacím prostředí Design-A-Plant pro výuku botanic-

ké fyziologie a anatomie.

Tabulka č. 218: Přehled pojmů z oblasti agentů ve vzdělávání a jejich význam

Termín Příklady Význam a popis

Agent - Autonomní entita s daným cílem

Virtuální postava (virtual character)

Herman the Bug (Les-ter a kol. 1997), Steve (Rickel a Johnson, 1997)

Má formu postavy; animova-ná forma je nazývána animo-vaná virtuální postava; termín z oboru interakce člověk - počítač

Ztělesněný agent (embodied agent) Microsoft agent (Clark

a Stuple, 1998)

Agent má tělo a klade se u něj důraz na vzhled; pojem po-chází z oboru umělé inteli-gence

Pedagogický agent (pedagogical agent)

ADELE (Shaw, Jo-hnson a Ganeshan, 1999)

Klade se důraz na pedagogic-ké funkce

Inteligentní agent (intelligent agent)

- Klade se důraz na inteligentní funkce, jako například schop-nost se učit

Průvodcovský bot (guidebot)

Steve Důraz kladen na průvodcov-ské funkce pro stimulaci a podporu učení

18 Převzato a upraveno z (Soliman a Guet, 2010).

94

Avatar Second Life (Ry-maszewski, 2007), Facebook Spaces (2017)

Uživatel je vtělen do postavy ve virtuálním prostředí, kde se klade důraz na jeho osobní preference

Inteligentní pedago-gický agent (intelli-gent pedagogical agent)

- Kombinuje různé vlastnosti agentů využívaných ve vzdě-lávání

VLIVY PEDAGOGICKÝCH AGENTŮ

Výzkumníci pro zkoumání a popisování toho, co s sebou aplikace peda-

gogických agentů přináší, využívají řadu různých perspektiv a byla vytvořena

řada teorií ve formě efektů a principů. Tyto teorie popisují jak pozitivní, tak

negativní vlivy využití pedagogických agentů na kvalitu učení.

PERSONA EFFECT

Tento fenomén popsali Lester a kol. (1997) ve studii, kdy zkoumali, jaký

mají pedagogičtí agenti vliv na náladu studentů při učení. V rámci této stu-

die zjistil, že samotná přítomnost postavy pedagogického agenta, který na-

podobuje živého jedince, může mít silný pozitivní efekt na to, jak student

vnímá výuku a na jeho náladu a motivaci. Tento efekt přetrvával dokonce i

tehdy, když míra interakce ze strany agenta nebyla příliš velká. Od té doby

byla tato myšlenka předmětem řady studií, které měly rozličné závěry. Na-

příklad Moundridou a Virvou (2002) potvrdili, že studenti díky interakci s

agentem mají z učení větší požitek. Naopak výzkumníci Miksatko, H. Kipp

a M. Kipp (2010) došli k závěru, že použití agenta nemá pozitivní, ani nega-

tivní vliv – tento fenomén pojmenovali jako Persona Zero-Effect.

PRESENCE PRINCIPLE

Tuto teorii nastolili R. Mayer, Dow a S. Mayer (2003) tvrzením, že vizuální

přítomnost pedagogického agenta na obrazovce nemá vliv na zlepšení uče-

ní. Naopak agentův hlas má na úroveň učení značně pozitivní vliv. Vizuální

reprezentaci agenta na obrazovce autoři označili pouze za tzv. seductive

95

detail. Tento termín označuje zajímavé, ovšem irelevantní informace, jež

jsou přidávány do studijních materiálů pro pobavení či zaujetí studenta a ti

pak kvůli nim mohou mít problémy s učením a vybavováním si naučených

relevantních informací (Garner, Gillingham a White, 1989).

Vizuální animovaná podoba agenta je dle této teorie tedy považována v

rámci učení za irelevantní a nedůležitou a na studenta nemá žádný vliv, ne-

bo ho může potenciálně rušit. Podobnou teorií je tzv. image principle (Mayer,

2014), která pojednává o méně antropomorfizované podobě mluvčího,

a tvrdí, že má ve většině případů negativní, či jen malý pozitivní efekt.

SOCIAL AGENCY THEORY

Mezi často využívané teorie pro zkoumání dopadů využití pedagogic-

kých agentů ve vzdělávacích prostředích se nazývá social agency theory.

Moreno a kol. (2001) ve své studii tvrdí, že studenti jsou v rámci výuky více

motivovaní a zaujatí a dosahují lepších výsledků, pokud se výuka odehrává

spíše v sociálním prostředí, než v textovém.

Vzhledem k této teorii lze vzdělávací prostředí navrhnout tak, aby u stu-

dentů vyvolávalo pocit, že jejich vztah s počítačem je založen na sociální

bázi. Teorie uvádí, že využití verbálních a nonverbálních sociálních prvků v e-

learningu může podpořit budování sociálního vztahu mezi studentem

a počítačem a studenti pak na interakci s počítačem nahlíží jako na obdobu

interakce člověka s člověkem (Atkinson, Mayer a Merrill, 2005).

Základním předpokladem teorie je, že přítomnost sociálních vazeb na-

startuje sociální schéma interakce, což zapříčiní zapojení studentů do pro-

cesů tzv. sence making. Tím pádem učivo zpracovávají více do hloubky

a naučí se ho lépe. Tato teorie byla ověřována řadou výzkumů, které ale při-

nesly protichůdné výsledky (Domagk, 2010).

SOCIOKOGNITIVNÍ RÁMEC

Výzkumnice Kim a Baylor (2006) tvrdí, že potenciál pedagogických agen-

tů lze vyjádřit řadou sociokognitivních teorií:

96

● Distribuovaná kognice – v tradičním pojetí je kognice něco, co existu-

je v mysli určitého jedince a kognitivní procesy probíhají interně. V

pojetí řady odborníků (Salomon, 1997) tomu tak není a lidská kognice

je distribuována mezi další jednotlivce, nástroje a artefakty v okolí

a to včetně pedagogického agenta, který tak rozšiřuje a podporuje

jedincovu kognici.

● Sociální interakce – učení se považuje za sociální proces. Při vzdělá-

vacím procesu je dosahováno intelektuálního rozvoje při interakci s

ostatními. Pedagogičtí agenti jsou schopni tradiční pojetí e-learningu

obohatit tím, že jako učitelé či jako spolupracovníci simulují sociální

interakci se studentem podobně, jako je popsáno v tzv. social agency

theory.

● Sociálně-kognitivní teorie – Kim a Baylor uvádí, že psycholog Albert

Bandura (1989) užívá koncept lidského působení pro vysvětlení lid-

ského fungování ve společnosti. Tato teorie rozlišuje tři druhy půso-

bení: (a) osobní, (b) zprostředkované, (c) kolektivní. Tyto tři typy

mohou být aplikovány na koncepty, které se často objevují ve vý-

zkumech ve vzdělávání, potažmo na vlivy pedagogických agentů –

(a) kontrola nad učením, (b) sociální model, (c) kolaborativní učení.

Osobní působení zdůrazňuje kontrolu studenta nad procesem

učení, což má pozitivní vliv na motivaci studenta (Large 1996, cit.

podle Kima a Baylor, 2006). Tato kontrola studenta nad učením mů-

že být zachována aplikací méně autoritativních agent), kteří proces

neřídí, ale spíše reagují na studentovy požadavky. Baylor popisuje

koncept zprostředkovaného působení Bandury (1997, cit. podle Kim

a Baylor 2006) jako sociálně mediované působení, které lidem

umožňuje přijímat zdroje či odbornost ostatních k tomu, aby dosáhli

svých záměrů. Lidské posuzování vlastní účinnosti je ovlivňováno

zprostředkovanými zkušenostmi sociálních modelů. Virtuální posta-

vy, včetně pedagogických agentů, jsou uživateli považovány za soci-

ální entity a lze je považovat za sociální modely. Pedagogičtí agenti,

kteří dobře plní své úkoly, tedy mohou jako sociální modely zlepšovat

97

motivaci a výuku v rámci e-learningu. Kolektivní působení je vykoná-

váno prostřednictvím skupinové akce. Lidé obvykle dosahují cílů pro-

střednictvím kolektivní snahy – přispívají svými znalostmi, zdroji,

dovednostmi, spolupracují, aby dosáhli něčeho, čeho nejsou schopni

dosáhnout samostatně. Agenti mohou stejným způsobem uplatňo-

vat princip kolektivního působení ve vzdělávacím prostředí.

SROVNÁNÍ

Teorie Persona effect je v rozporu se social agency v nahlížení na never-

bální prvky komunikace. V rámci Social agency theory jsou neverbální prvky

považovány za důležité součásti navazování sociálního vztahu a tím zlep-

šování procesu učení, zatímco persona effect je považuje za nedůležité

a irelevantní. Presence principle poukazuje na silně pozitivní efekt vizuální

podoby agenta na náladu studentů a vnímání výuky, kdežto dle teorie per-

sona effect je vizuální ztvárnění agenta nedůležité s potenciálními negativ-

ními dopady. Naopak teorie v rámci socio-kognitivního rámce se s teorií

social agency přirozeně doplňují.

Při pohledu na teorie o vlivech pedagogických agentů a výzkumy, které

měly tyto teorie potvrdit, lze mezi nimi zaznamenat značnou nekonzistenci.

Vyplývá z toho, že výzkumníci z této oblasti nemohou s jistotou říci, jak vel-

kým přínosem je využití pedagogických agentů. Otázkou je, zda jsou vůbec

přínosem a jestli negativní vlivy nepřevažují nad pozitivními.

ROLE PEDAGOGICKÝCH AGENTŮ

V této kapitole budou popsáni pedagogičtí agenti z hlediska jejich rolí.

Kapitola je rozdělena do dvou částí – dle toho, zda agenti mají roli spíše

autoritativní či neautoritativní (Chou, CHan a Lin, 2003). Do kategorie autori-

tativních pedagogických agentů se řadí agenti, kteří v systému nejčastěji

zastupují roli vyučujícího. Zástupcem neautoritativních agentů jsou nejčas-

těji tzv. společníci (learning companions). Tyto dvě kategorie a různé formy,

které jsou pod ně v této knize zařazeny, nemají přesnou definici a jejich vý-

znam se může v různých pojetích lišit.

98

AUTORITATIVNÍ PEDAGOGIČTÍ AGENTI

Jak bylo řečeno výše, důležitou funkcí pedagogických agentů je pomá-

hat inteligentním vzdělávacím systémům simulovat individuální výuku. Sys-

tém prostřednictvím pedagogického agenta zprostředkovává své

inteligentní funkce a agent představuje učitele. Ten má k dispozici znalosti

z dané domény a studenta pak vede v rámci učebního procesu tou správ-

nou cestou k dosažení cílů. Pro studenta tak představuje určitou formu au-

tority a proto spadají do kategorie autoritativních agentů.

Autoritativní agenti mají za úkol simulovat skutečného vyučujícího. Kim

a Baylor (2016) svým výzkumem, založeným na již zmiňované socio-

kognitivní teorii, potvrdily, že je agenti dokáží úspěšně simulovat. V rámci

této studie navrhli základní role s jejich specifickým vzhledem (viz obr. 25)

hlasem apod. Tyto tři role jsou následující: 1) expert; 2) motivátor; 3) men-

tor.

Expert komunikuje formálním způsobem a budí velmi autoritativní

a profesionální dojem. Expert má představovat odborníka v oboru. Role mo-

tivátora spíše spadá do kategorie neautoritativních agentů, na které se za-

měřuje následující kapitola. Motivátor neoplývá vysokou úrovní znalostí, ale

spíše studentovi předkládá nápady a tipy, pokládá otázky a svou zapálenos-

tí a energetickou interakcí se snaží studenta motivovat k lepším výkonům.

Mentor představuje průvodce či kouče a svým designem je na rozmezí rolí

experta a motivátora. Poskytuje studentovi informace a zároveň s ním bu-

duje sociální vztah a motivuje ho. Co se týče pozitivního dopadu na učení,

role mentora ve studii dosáhla nejlepších výsledků (Kim a Baylor, 2016).

Obrázek č. 25 (Kim a Baylor, 2016): Specifický vzhled jednotlivých rolí pedagogic-

kých agentů. Vzezření experta budí dojem přísnosti, zatímco motivátor má ve tváři

milý výraz a mentor, co se výrazu týče, se nachází někde mezi nimi.

99

Shroeder a Gotch (2015) specifikovali méně obecnější role pedagogic-

kých agentů, které jsou typické pro autoritativní agenty, ale v některých pří-

padech je mohou zastávat i neautoritativní agenti:

● Demonstrátor – role, ve které agent studenty učí tím, že předvádí, jak

správně vykonávat určité úkoly – například chemické experimenty,

zdravotnické úkony apod.

● Kouč – role, při které agent může využívat umělé inteligence pro indi-

vidualizovanou zpětnou vazbu a poskytování tipů, které nejsou sou-

částí učebních materiálů, ale pomáhají studentovi v plnění studijních

úkolů

● Informační zdroj – agent studentům zprostředkovává studijní mate-

riál. Jedná se o nejběžnější roli.

● Tester – agent má roli testovacího administrátora a pokládá studen-

tům otázky za účelem zjištění jejich úrovně znalostí z dané oblasti.

Jako příklad lze uvést autoritativního agenta z virtuálního vzdělávacího

prostředí VCAT pro rozvoj kulturního povědomí, interkulturní komunikace

a jazykových schopností. Jedná se o sérii kurzů určených vojákům, kteří se

vydávají na mise na Blízký východ (Johnson, 2011). Agent zde uživatele

provádí studiem, zprostředkovává studijní materiál narativním způsobem,

poskytuje mu rady a motivuje ho. Agentova role by se tedy dala dle dělení

Bayler a Kim zařadit do kategorie mentor. V rámci rozdělení autorů Shroede-

ra a Gotcha představuje kouče a informační zdroj.

Agent kromě řady rolí v průběhu kurzu mění i své formy. V úvodu má

agent podobu animované postavy, když si uživatel zvykne na přítomnost

agenta, stáhne se do ústraní. Při prezentaci učebního obsahu není agent

vizuálně přítomný, přítomen je pouze jeho hlas. Při výuce prostřednictvím

hraní rolí (role-play) se objeví, jen když má uživatel nějaký dotaz, a to ve for-

mě statického obrázku. Tento systém se využívá ve více než 80 zemích

a kurzy prošlo více než 50 000 účastníků, kteří poskytli užitečné informace

100

vztahující se k tomu, co v rámci designování agenta funguje a co ne (Jo-

hnson a Lester, 2016).

Obr. číslo 26 (Johnson a Lester, 2016): Pedagogický agent v prostředí VCAT

ve formě animované postavy (vlevo) a ve formě statického obrázku při hraní rolí

(vpravo).

NEAUTORITATIVNÍ PEDAGOGIČTÍ AGENTI

Kromě inteligentních vzdělávacích systémů se pedagogičtí agenti po-

dobně aplikují do tzv. companion learning systémů (CLS); (Chou, Chan a Lin,

2003). Tyto systémy představují alternativu ke konceptu inteligentních vzdě-

lávacích systémů, navazují na něj a určitým způsobem ho obohacují. Hlav-

ními prvky v CLS pak kromě studenta a autoritativního pedagogického

agenta (učitele) je i neautoritativní pedagogický agent, obvykle nazývaný

jako společník (companion).

V této knize bude pojem společníci pojat jako zastřešující pro koncepty

neautoritativních agentů, kteří mají vizuální podobu a mají za úkol různými

způsoby podporovat studenta při učení a tento proces tím zefektivňovat. V

anglicky psané literatuře bývá koncept companions rovněž pojmenováván

například jako co-learner, artificial student či simulated student. Jeho vý-

znam se však někdy také liší a neshoduje se s pojetím společníků, kterého je

využito v této knize.

101

V jednom z prvních CLS Chan a Baskin (1988) prezentovali tři základní

role, které společníci při učení mohou mít: 1) společník jako konkurent –

student a agent pracují nezávisle na sobě a poté jsou jejich práce porovná-

ny; 2) společník jako inspirátor – pracuje buď student, nebo společník

a druhý pracujícího pozoruje a tím se inspiruje – tzv. zprostředkované učení;

3) společník jako spolupracovník – student se společníkem spolupracují

a sdílejí odpovědnost za jejich práci. Chan s Baskinem taktéž navrhli v rámci

CLS využití konceptu learning by teaching tím způsobem, že student učí

společníka.

Společník může hrát rovněž roli tzv. potížisty. Tento typ je využíván pro

to, aby u studenta vyvolal nesoulad mezi studentem již nabytými znalosti

tím, že mu agent záměrně předkládá matoucí informace. Účelem je, aby byl

student motivován k přemýšlení a hledání dalších informací, aby tento ne-

soulad redukoval. Tato strategie je nazvána learning by disturbing (Aimeur,

1997). Podobně mohou působit i agenti, kteří nemají zcela přesné nebo úpl-

né znalosti domény. Dle výzkumu se osvědčilo, když student měl možnost

spolupracovat s několika agenty, kteří měli různou úroveň znalostí (Hietala a

Niemirepo, 1998).

Pedagogické agenty lze využít taktéž v tzv. virtuálních role-play simula-

cích. To jsou interaktivní edukační simulace, ve kterých agenti a studenti

ztvární danou roli podobně, jako by to bylo ve skutečnosti. V poslední době

se jedná o důležitou aplikační oblast pedagogických agentů. Virtuální hraní

rolí se velmi dobře hodí pro nacvičování mezilidských dovedností – napří-

klad vyjednávání, cizích jazyků, motivačního interview apod. (Johnson,

2015).

V některých systémech hraje neautoritativní agent více rolí najednou ne-

bo je střídá. Důležité ale je, aby bylo zřejmé, jaké role to jsou. Pokud jsou

role agentů nejasné, může být využití těchto agentů kontraproduktivní (Jo-

hnson a Lester, 2016).

102

Koncept learning by teaching využili ve svém vzdělávacím systému

Biswas a kol. (2005; Biswas, Segedy a Bunchongchit, 2016), který nazvali

Betty’s Brain. Na rozdíl od předchozích studií zabývajících se učenlivými

agenty tento projekt cílil i na studenty, kteří mají velmi malé oborové znalos-

ti a zkušenosti s učením jiných. Studenti si mohou vzhled a jméno pedago-

gického agenta Betty uzpůsobit podle sebe. Student pak Betty učí

prostřednictvím pojmové mapy (concept map), která symbolizuje její mo-

zek. Proces konstruování této reprezentace u studenta vyžaduje studium

učebních materiálů a zlepšuje jeho chápání obsahu materiálů. Na základě

umělé inteligence může Betty z pojmové mapy vykonstruovat odpovědi na

otázky studenta či v rámci kvízů, kterých se agent účastní. Proces konstru-

ování je ztvárněn zvýrazněním vztahů a bodů v pojmové mapě, a když je

potřeba, student ji může následně upravit (viz obr. 27).

Obr. číslo 27 (Chase, 2009): Vzdělávací systém Betty’s Brain a příklad konceptuální

mapy na téma “horečka”.

Betty poskytuje studentovi zpětnou vazbu různými způsoby. Stejně tak

má pozitivní vliv na studentovu motivaci, když Betty projevuje emoce v zá-

103

vislosti na jejím úspěchu v kvízu. Studenti se za její výkon cítí být zodpověd-

ní, což je nutí více se při studiu snažit. Motivace je podpořena i možností

soutěžit s agenty jiných studentů prostřednictvím internetu.

AKTUÁLNÍ STAV A TRENDY

Oblast zájmu odborníků z oboru pedagogických agentů v poslední době

zaznamenala značné rozšíření. Mezi hlavní témata se dostaly sociální

aspekty a vztahy při interakci agentů se studenty. Do výzkumu proniká stále

více odborníků z oblastí jako je navrhování výuky (instructional design), roz-

hraní počítač-člověk, mediální komunikace a sociální psychologie (Kim a

Baylor, 2016). Tyto i další oblasti, zejména například počítačové zpracování

přirozeného, posouvá vývoj agentů stále dále díky novým pokrokům, které

jsou prezentovány na každoroční konferenci Intelligent virtual agents (Jo-

hnson a Lester, 2016).

V posledních letech jsou pedagogičtí agenti vybavováni technologiemi

pro počítačové zpracování emocí (viz kapitola „Počítačové zpracování emo-

cí“). To jim umožňuje rozpoznávat studentovy emoce a inteligentním způ-

sobem vyjadřovat emoce. Chen a kol. (2012) vyvinuli pedagogické agenty,

kteří při interakci se studenty využívají empatii a humor a také mohou stu-

denty motivovat či přimět je vypracovat více studijních úkolů.

Za účelem rozšíření využívání pedagogických agentů je stále potřeba vy-

víjet nástroje, jež budou umožňovat snadný vývoj agentů. Díky tomu pak

budou agenti standardní součástí repertoáru, který využívají designéři e-

learningových aplikací (Johnson a Lester, 2016).

V předcházejících kapitolách byly představeny různé role pedagogických

agentů. Zdá se však, že některé tyto role v posledních době převládají a ve

většině případů slouží agenti jako zprostředkovatelé učebního obsahu či

koučové. Agentů, kteří kupříkladu při učení využívají názorných ukázek, je

velmi málo (Johnson a Lester, 2016). Naskýtá se tak otázka, jak moc je při

tomto stavu využíváno možností, které tato oblast skýtá.

104

SWOT ANALÝZA

SILNÉ STRÁNKY

Simulace skutečného vyučujícího

Využití pedagogických agentů pomáhá překlenout řadu nedostatků, se

kterými se potýkají vzdělávací systémy při snaze dosáhnout úrovně stan-

dardního vzdělávání s lidským vyučujícím. Agenti obohacují interakci počí-

tače a studenta o aspekty, díky kterým se vzdělávací systémy přibližují

interakci člověka s člověkem. Mezi ně například patří vyjadřování emocí

pomocí neverbálních prostředků, jako je řeč těla, výrazy ve tváři, oční kon-

takt apod. To pomáhá dosažení věrohodnější simulace skutečného vyučují-

cího a lepšího navázání sociálního vztahu se studentem.

Dostupnost

Trendem poslední doby je zpřístupňovat rozličné služby prostřednictvím

internetu s dostupností kdekoliv a kdykoliv. Tuto tendenci podporují i peda-

gogičtí agenti. Ve velkých školních skupinách tráví vyučující velké množství

času řešením problémů, zodpovídání otázek studentů apod. Přítomnost

agenta v online vzdělávacím systému může být považována za určitou ná-

hradu učitele. Okamžitá a stálá podpora ze strany pedagogických agentů

může umožnit studentům pracovat efektivněji i v asynchronním prostředí

a mimo fyzické učebny bez dostupného lidského vyučujícího (Wang a kol.,

2012).

SLABÉ STRÁNKY

Smíšené výsledky studií

Jedním z hlavních cílů výzkumníků z oblasti pedagogických agentů je vy-

tvářet agenty, kteří zlepšují proces učení prostřednictvím počítačů. Nicméně

studie, které mají za úkol zjistit, jaký vliv skutečně mají, produkují rozporupl-

né výsledky a nelze tedy říci, jak moc jsou agenti pro vzdělávání prospěšní.

Zatímco některé studie (Moreno, 2005; Dunsworth a Atkinson, 2007) potvr-

105

dily pozitivní vliv na učení, některé vykazují malý, nebo dokonce žádný pozi-

tivní vliv.

Někteří výzkumníci tyto smíšené výsledky odůvodňují zahrnutím rozlič-

ných vlastností agentů, učebních charakteristik studentů a kontextuálních

proměnných výzkumu. Jedním z možných vysvětlení může být také to, že

otázka, zda jsou agenti pro vzdělávání obecně přínosní, je příliš široká.

Vhodnější je se zeptat pro koho a za jakých podmínek jsou pedagogičtí

agenti přínosní (Heidig a Clarebout, 2011).

Nejistá efektivita vložených prostředků

Vzhledem k tomu, že benefity pedagogických agentů nejsou

z empirického pohledu zcela vyjasněny, je obtížné rovněž určit výhodnost

jejich aplikace z hlediska finanční stránky. Své obavy nad touto záležitostí

poprvé vyjádřili Clark a Choi, nicméně jejich výzvy k empirickému objasnění

ještě nebyly zdaleka vyslyšeny. Je ale běžné, že se pro vývoj a integrování

pedagogických agentů využívá množství softwaru, které vyžaduje pokročilé

znalosti programování apod. Implementace pedagogických agentů je pak

mnohdy velmi nákladná (Schroeder a Gotch, 2015).

PŘÍLEŽITOSTI

Celoživotní pedagogičtí agenti

V rámci kapitoly modelování studentů bylo pojednáváno o potenciálním

uplatnění modelování v celoživotním vzdělávání v rámci autonodmního

vzdělávání – kontinuálně aktualizovaný model, který by usnadňoval

a zkvalitňoval celoživotní učení. Podobný scénář si lze představit i z pohledu

pedagogických agentů, kteří by doprovázeli jedince od jeho mládí až po stáří

s cílem zkvalitnit jeho učení (Schroeder, Adesope a Gilbert, 2013).

Nové technologie

Popularita robotiky v celém světě výrazně vzrostla. Dle mnohých odbor-

níků přináší řadu nových benefitů i pro vzdělávání (Johnson, 2003). Pro

agenty se tím naskýtá možnost využít nového typu reprezentace – ve fyzic-

106

ké formě robotů – a v budoucnu potenciálně i ve formě holografu. Učení

probíhá na základě sociální interakce a fyzická podoba robota dokáže obo-

hatit sociální vztah se studentem (Saerbeck, 2010). První kroky ve vývoji

robotů podobných člověku již byly uskutečněny, avšak stále je omezuje řada

faktorů. K těmto faktorům patří mimo jiné vysoká nákladnost, která je kupří-

kladu spojená s vytvářením mimiky robota.

HROZBY

Přílišná antropomorfizace

Obecnou tendencí v rámci oblasti pedagogických agentů je produkovat

agenty čím dál více podobné člověku – statické obrázky hlavy na jedné

straně, na detailně animované postavy druhé – což jak již bylo řečnou, při-

náší řadu benefitů. Navzdory tomu se však najdou autoři, kteří právě ve vy-

soké míře antropomorfizace vidí potenciálně negativní dopady. Dle

Normana (1994) může u uživatele vyvolat přehnaná očekávání o agento-

vých schopnostech, jež nejsou v jeho silách. Agent by podle něj měl být na-

vržen tak, aby úroveň toho, jak se podobá člověku, odrážela také úroveň

jeho schopností, čímž by uživatel nebyl klamán.

Další teorie týkající se antropomorfizace je tzv. uncanny valley, ve které

Mori (1970, cit. podle Mori, MacDorman a Kageki, 2012) popisuje vnímání

robota uživateli v závislosti na tom, jak se podobá člověku – čím více se

podobá člověku, tím ho uživatel považuje za přirozenějšího. V určitém bodě,

kdy se robot téměř podobá člověku, ovšem nastane prudká změna

a uživatel začne robota vnímat velmi negativně (viz obr. 28), což by se po-

tenciálně mohlo stát i v případě pedagogického agenta.19

19 Tento efekt si lze osobně vyzkoušet například na webu:

http://www.cubo.cc/creepygirl/ Tato webová stránka však nefunguje vždy.

107

Obr. č. 28 (Mori, MacDorman a Kageki, 2012): Graf představující vnímání robota

člověkem v závislosti na míře podobnosti robota člověku. Čím více se robot podo-

bá člověku, tím ho lidé považují za přirozenějšího (viz např. rozdíl mezi vnímáním

průmyslového robota a humanoidního robota na grafu). Když se ale podoba robota

blíží podobě člověka, začíná už lidem robot připadat nepřirozený. Mimo to graf

ukazuje rozdíl vnímání robota v závislosti na tom, zda je pohyblivý, nebo nepohybli-

vý. V případě, kdy je robot statický, jsou změny vnímání méně dynamické.

Kognitivní přetížení

Diskutovanou teorií je v této oblasti teorie o multimediálním učení s

animovanými pedagogickými agenty. Termín multimediální implikuje to, že

informace mohou být při učení prezentovány mnoha způsoby – například

jako text, obrázky, či videa (Woo, 2009). Při učení za pomocí agenta přibývají

další vizuální prvky, jako je jeho celkový vzhled, gesta nebo mimika,

a student tak musí zpracovat velké množství vjemů. Clark a Choi (2007)

upozorňují na to, že v takovýchto případech může být snadno přetížena

pracovní paměť studentů, což má poté za následek zhoršení kvality učení.

Nadměrné kognitivní zatížení také popisuje tzv. split-attention effect. Ten

vzniká, když studenti musí svou pozornost rozdělit na několik zdrojů infor-

mací a ty pak mentálně integrovat (Ayres a Sweller, 2014). U agenta může k

tomuto fenoménu dojít, když agent například zároveň využívá vizuální

a zvukovou prezentaci informací. Při návrhu agenta by měly být tyto hrozby

brány v úvahu.

108

ZPĚTNÁ VAZBA

V INTELIGENTNÍCH

VÝUKOVÝCH SYSTÉMECH

109

Vývoj efektivních inteligentních výukových systémů lze považovat za je-

den z ústředních zájmů komunity odborníků zabývajících se aplikací umělé

inteligence ve vzdělávání. Jak již bylo řečeno, řada autorů se shoduje na

tom, že klíčovým prvkem v tomto směru je snaha vyvinout nástroje umož-

ňující dosažení podobné úrovně výuky, jaké bývá dosahováno u individuali-

zované výuky vedené zkušeným učitelem (Luckin a Underwood, 2011;

Desmarais a Baker, 2012).

Pedagogický psycholog B. Bloom (1984) ve své významné studii porov-

nal efektivitu individualizované výuky a frontální výuky. Ve svém výzkumu

došel k závěru, že průměrný student, který je vzděláván individuálně, dosa-

huje o 98% lepších výsledků20. Bloom pátrání po dalších výukových meto-

dách dosahujících stejných výsledků nazval two sigma problem. Vize

dosažení této úrovně se pro vývojáře ITS stala významnou motivací (Kulik a

Fletcher, 2016). Poskytnout výuku s takovými výsledky pouze prostřednic-

tvím počítače je cíl, který vyžaduje spolupráci odborníků různého zaměření

z řady oborů. Poznatky z oblastí představených v této knize – modelování

studentů, pedagogičtí agenti, počítačové zpracování emocí a jazyka – jsou v

těchto systémech aplikovány a umožňují jim dosahovat lepších výsledků.

Kurt VanLehn (2011), jeden z nejvýznamnějších expertů na ITS, považuje

za jeden z aspektů, který činí výuku člověkem tak efektivní, zpětnou vazbu.

Učitelé jsou při výuce velmi interaktivní, poskytují zpětnou vazbu po téměř

každém kroku studenta, poskytují rady a podporu po jeho pochybeních.

Jedním z možných kroků při snaze vyvíjet výukové programy s co nejlepší-

mi výsledky je inspirovat se těmito procesy, díky kterým jsou učitelé tak

efektivní. Výzkumníci oblasti ITS proto zpětné vazbě věnují značnou pozor-

nost a v těchto systémech hraje zásadní roli.

20 Toto tvrzení však není příliš empiricky ověřeno a většina studií vykázala značně menší

pozitivní efekt individuální výuky (Kulik a Fletcher, 2016).

110

INTELIGENTNÍ VÝUKOVÉ SYSTÉMY

Počátky vývoje inteligentních výukových systémů se datují několik dekád

zpět. Již v roce 1970 představil J. Carbonell (1970) systém SCHOLAR, který

je považován za první ITS.

ITS je často popisován z pohledu jeho architektury, kterou obvykle tvoří

čtyři základní prvky (Sottilare, 2013):

1) Model domény – je tvořen reprezentací znalostí, dovedností

a strategií, kterým má být student naučen například ve formě

sémantické sítě či pravděpodobnostního modelu. Stejně tak

může obsahovat chyby a miskoncepce, které studenti často

vykazují.

2) Model studenta – skládá se z informací o kognitivním, emoč-

ním či motivačním stavu (viz kapitola „Modelování studentů“).

3) Model výuky – prvek systému, kterému slouží jako vstup in-

formace z předchozích dvou jmenovaných komponent, a jeho

výstupem jsou rozhodnutí o průběhu vzdělávacího procesu.

Obsahuje reprezentace výukových strategií.

4) Uživatelské rozhraní – slouží pro interpretaci vstupů studenta

(psaní, klikání, hlas) a produkuje výstupy systému (text, dia-

gramy, animace, agenti). Některé systémy pro interakci využí-

vají přirozený jazyk (kapitola „Počítačové zpracování

přirozeného jazyka“) či rozpoznávání emocí (kapitola „Počíta-

čové zpracování emocí“).

Jednotlivé komponenty ITS spolu spolupracují a výsledkem jejich čin-

nosti jsou rozhodnutí inteligentní povahy o tom, kdy a jaké akce je vhodné

učinit tak, aby to mělo co nejpříznivější efekt na průběh a výsledky učení

studenta. Díky aplikaci umělé inteligence ITS představuje adaptivní výukové

prostředí, které se přizpůsobuje specifickým nárokům a charakteristikám

jednotlivců z heterogenních skupin studentů. Na základě výpočetní repre-

111

zentace studenta uzpůsobuje výuku jejich znalostem a preferencím a bere

ohledy na jejich rozličné potřeby. Na základě toho Self (1999) popisuje ITS

jako jediné systémy, které “pečují” o studenty.

VanLehn (2006) pro popis ITS využil alternativní pohled a tyto systémy

nepopisuje z hlediska struktury, nýbrž chování. Jejich činnost rozděluje na

dvě hlavní části – vnitřní a vnější okruh. Ve vnějším okruhu probíhají akce na

úrovni jednotlivých cvičení, které studenti řeší. Hlavním úkolem systému v

tomto okruhu je výběr vhodného cvičení z předpřipravené sady, případně

systém musí cvičení vygenerovat, a poté je předložit studentovi. Vnitřní ok-

ruh zahrnuje akce systému na úrovni jednotlivých kroků řešení daného cvi-

čení. Těmito akcemi studentovi poskytuje podporu ve formě zpětné vazby,

která je ústředním tématem této kapitoly. VanLehn uvádí, že vnitřní okruh je

prvek, kterým se ITS odlišuje od ostatních druhů obvykle neinteligentních

výukových programů, které anglicky bývají nazývány například Computer-

Aided Instruction (CAI), Computer-Aided Learning, Computer-Based Trai-

ning nebo Web-Based Homework.

EFEKTIVITA ITS

Efektivita inteligentních výukových systémů byla zkoumána množstvím

studií a následně souhrnně analyzována řadou metaanalýz. Překvapující

závěry přinesla metaanalýza, ve které VanLehn (VanLehn, 2011) porovnal

efektivitu výuky v ITS s individuální výukou lidského vyučujícího. Nejlepších

výsledků, jak se očekávalo, dosáhla individuální výuka člověkem, nicméně

její efekt (0,79) byl výrazně nižší, než byl předpoklad (2,0). ITS dosáhly téměř

obdobných výsledků (0,76). To ale nebyl jediný zajímavý poznatek vzešlý

z této metaanalýzy.

VanLehn zkoumané ITS pro účely analýzy navíc rozdělil podle toho, zda

šlo o tradiční ITS, které podporují výuku na bázi jednotlivých kroků (step-

based), a novějších ITS interagující se studenty i uvnitř jednotlivých kroků

(substep-based). Překvapujícím závěrem bylo, že tyto novější ITS, které po-

skytují zpětnou vazbu i na akce studenta v rámci jedno kroku, vykázaly nižší

112

pozitivní efekt (0,40) než ITS s nižší granularitou interakce (0,76). Kulik

a Fletcher (2016) ve své metaanalýze tomuto výsledku věnovali pozornost

a uvedli, že jeho pravděpodobná příčina je zahrnutí studií s nestandardním

výzkumným vzorkem.

Kulik a Fletcher (2016) pro účel metanalýzy z 550 studií vybrali padesát,

které vyhovovaly jejich podmínkám. Nejdůležitější podmínkou pro výběr

studie bylo, aby opravdu zkoumala výuku prostřednictvím inteligentního

výukového systému. Další typy výukových programů, jako je kupříkladu CAI,

které jsou považovány za předchůdce ITS, jsou stále vyvíjeny a testovány

a někdy mohou být nesprávně zaměněny s ITS. Odlišit je lze na základě vý-

še zmiňované architektury nebo chování. Výsledkem metaanalýzy bylo, že

ITS mají relativně velký pozitivní efekt (0,66).

Metaanalýza Ma a kol. (2014) ukázala vyšší pozitivní efekt ITS v porov-

nání s výukou velké skupiny studentů učitelem (0,42), dalšími formami výu-

kových systémů (0,57) a učením z tištěných materiálů (0,35). Podobně jako

VanLehn (2011) Ma a kol. zjistili, že vliv ITS je dle analyzovaných studií pou-

ze nepatrně menší (-0,11) než při individualizované výuce s učitelem a téměř

totožný (-0,05) s výukou malé skupiny studentů vedenou učitelem. Ma a kol.

také zkoumali vlivy různých faktorů na výsledky analyzovaných studií, mezi

které patřily vlastnosti testovaných ITS a studentů zapojených ve výzkumu

a použité metodologie. Steenbergen-Hu a Cooper (2014) přišli s podobnými

závěry, ovšem pozitivní efekt ITS na studijní výsledky vysokoškolských stu-

dentů byl nižší (0,35). Mírně se lišil i efekt ITS (-0,25) v porovnání s individua-

lizovanou výukou s učitelem.

Metaanalýzy, beroucí si za úkol spojit výsledky studií zkoumajících efekt

patrně nejrozšířenějšího ITS Cognitive Tutor pro výuku matematiky, přinesly

výsledky odlišné od výše zmíněných metaanalýz. Analýza Slavina a kol.

(2009) zahrnovala sedm studií se studenty základních a středních škol. Pod-

le studie využívání systému Cognitive Tutor nepřineslo téměř žádný pozitiv-

ní efekt na jejich výsledky učení (0,12). Velmi podobných poznatků dosáhli

ve své další analýze Steenbergen-Hu a Cooper (2013). I v tomto případě

113

nemělo využívání ITS21 na výuku matematiky žáků základní a střední školy

téměř žádný vliv (0,01 až 0,09). Výsledky analýzy rovněž ukázaly, že na

průměrně si vedoucí žáky působí využívání ITS lépe, než na hůře si vedoucí

žáky.

Zpráva iniciativy What Works Clearinghouse (2013), spadající pod minis-

terstvo školství Spojených států amerických, která informovala o analýze

studií zkoumajících tentýž systém, přinesla smíšené výsledky. Z šesti analy-

zovaných studií vykázala pouze jedna statisticky významný pozitivní efekt

(0,76) a jedna dokonce statisticky významný negativní efekt (-0,19). Velikost

efektu ITS ve zbylých studiích se pohybovala od -0,18 do 0,07.

Shrnutí

Metaanalýzy, kombinující výsledky mnoha studií zkoumajících efekt výu-

ky za pomoci ITS, prokázaly, že ITS mohou být velmi efektivním výukovým

nástrojem a v některých případech výuka s jejich pomocí dosahuje úrovně

individualizované výuky vedené učitelem. Tyto závěry představují pro oblast

vývoje ITS zcela jistě pozitivní zprávy a jsou dobrým ukazatelem toho, že

vynakládané úsilí má smysl. I přesto, že efektivita těchto systémů je mnoh-

dy velmi vysoká, ITS nejsou vyvíjeny se záměrem nahradit lidského vyučují-

cího a nebylo by patrně vhodné v této době takto činit.

To zřejmě platí i v případě nahrazení ostatních výukových metod výukou

v ITS. Kupříkladu metaanalýza Ma a kol. (2014) vykázala vyšší pozitivní

efekt na učení v porovnání s řadou výukových metod, nicméně to samo o

sobě neznamená, že by bylo vhodné je nahrazovat výukou za pomoci ITS. V

analyzovaných studiích byly ITS hodnoceny více či méně ve vztahu k cílům

projektu, v rámci kterých byly systémy vyvinuty, a měly tedy výhodnější po-

zici než ostatní formy výuky.

21 Nejčastěji byly analyzované studie zaměřeny na ITS Cognitive Tutor.

114

Určité znepokojení u odborníků zabývajících se ITS mohou vyvolávat vý-

sledky studií zabývajících se efektivitou systémů pro výuku matematiky

(převážně systému Cognitive Tutor). Výsledky efektivity těchto ITS zřejmě

neodpovídají tomu, co tito odborníci od ITS očekávají. V nedávném rozhovo-

ru

Kenneth Koedinger (Koedinger a Aleven 2016) uvedl, že je nutné brát ohled

na to, že tyto analýzy zkoumají efektivitu ITS bez ohledu na to, zda jsou sys-

témy využívány tak, jak bylo při jejich vývoji zamýšleno. V tomto důsledku

může být jejich nulová efektivita misinterpretována jako efektivita těchto ITS

obecně, zatímco nepříznivé výsledky mohou být způsobeny jejich špatnou

implementací.

ZPĚTNÁ VAZBA

Zpětnou vazbu lze definovat jako informace poskytnuté agentem – uči-

telem, počítačovým programem, spolužákem, rodičem či samotným pří-

jemcem – které reagují na porozumění či výkon daného jedince (Hattie a

Timperley, 2007). Na základě analýzy témat objevujících se na konferencích

AIED a ITS je zpětná vazba velmi důležitým prvkem inteligentních výuko-

vých systémů. Do určité míry je to patrně dáno tím, že zpětná vazba je

obecně považována za jeden z nejvýznamnějších faktorů ovlivňujících výu-

ku a učení (Azevedo a Bernard, 1995), a to platí i při výuce s využitím ITS,

kde plní velmi důležité funkce při podpoře učebního procesu. Pokud je stu-

dentovi správně zprostředkována vhodná zpětná vazba, může značně zlep-

šit jeho učební proces a výsledky (Shute, 2008).

Informace poskytnuté prostřednictvím zpětné vazby mají za cíl modifi-

kovat studentovo myšlení, znalosti a chování za účelem zkvalitnění výuky

(Shute, 2008). Autoři se shodují, že zpětná vazba může plnit podpůrnou,

informační, řídící, regulační nebo nápravnou funkci. Mnohdy je záměrem

pomocí zpětné vazby motivovat studenta a taktéž ovlivňovat jeho metako-

gnitivní procesy (Narciss, 2008).

115

Tabulka č. 322: Základní typy zpětné vazby společně s jejich popisem

Typ zpětné vazby Popis

Informace o výkonu Sumativní zpětná vazba zprostředkovaná studentovi po dokončení sady úkolů. In-formuje o dosaženém výsledku kupříkla-du procentuální úspěšností.

Informace o řešení problému/o odpovědi

Zpětná vazba, která informuje studenta o správnosti jeho řešení/odpovědi.

Informace o správném řešení Zpětná vazba poskytující studentovi správné řešení úkolu.

Zpětná vazba v případech, kdy má student možnost odpovídat do té doby, než je jeho odpověď správná

Informuje o správnosti řešení/odpovědi a o možnosti odpovídat, dokud neodpoví správně.

Zpětná vazba při více pokusech Informuje o správnosti řešení/odpovědi a o možnosti využít ještě určitého počtu dalších pokusů.

Elaborovaná zpětná vazba Podává další informace týkající se speci-fické záležitosti.

KOGNICE

Jedním z hlavních zájmů ve výzkumu ITS je zpětná vazba na studentovy

chyby. V těchto situacích systém studenta upozorní a informuje o jeho

chybném postupu a poté studentovi poskytuje informace, které by mu moh-

ly pomoci problémová místa překonat (Boulay a Luckin, 2001, 2016). Na

počátcích vývoje ITS se odborníci zabývali téměř výhradně reakcemi na

chyby. Pramenilo to z přesvědčení, že pokud si student počíná správně

a nedělá chyby, není ho potřeba přerušovat a dávat mu nějaké pokyny (Mi-

trovic, Ohlsson a Barrow, 2013). S tímto přístupem souvisí závěry autorek

Conati a Manske (2009). Jejich zjištěním je, že nadměrná frekvence zpětné

vazby v ITS může proces učení narušit a působit kontraproduktivně. Stu-

denty zpětná vazba ruší a neberou ji pak příliš vážně.

Burton a Brown (1979) popisují tuto záležitost z konstruktivistického po-

hledu, kdy tvrdí, že vždy, když student dostane od vyučujícího nějaké infor-

22 Převzato a upraveno podle Narciss (2008).

116

mace, okrádá ho o možnost je objevit vlastními silami a příliš častá pomoct

může u studenta omezit vývoj důležitých kognitivních schopností. Je tedy

vhodné usilovat o optimální rovnováhu mezi nedostatkem pomoci, který

může způsobit, že se studenti začnou ztrácet a výuku nezvládat

a nadbytkem pomoci, který může narušit rozvoj strategií a postupů, které

studenti využívají k řešení problémů, a schopnosti kontroly nad učebním

procesem.

Butler a Winne (1995) formulují pět funkcí, které zpětná vazba může plnit

při reakci na stav znalostí a chápání studenta: 1) v případě, kdy studentovy

znalosti či přesvědčení jsou správná, zpětná vazba může tuto správnost

potvrdit; 2) pokud jsou studentovy znalosti neúplné, zpětná vazba studento-

vi pomůže jeho znalosti doplnit; 3) když jsou jeho znalosti chybné, zpětná

vazba poskytne informace pro jejich opravu; 4) pakliže je studentovo chá-

pání v zásadě v souladu s cíli výuky, nicméně mu například dělá problémy

rozlišovat mezi jednotlivými koncepty, je třeba jeho chápání doladit; 5) po-

mocí zpětné vazby mohou být restrukturovány studentovy teorie

a schémata, která nejsou kompatibilní s učebními materiály, které se má

student naučit.

Základní přístupy pro kognitivní zpětnou vazbu

Modelování založené na pravidlech

Významným přístupem pro kognitivní modelování je modelování založe-

né na pravidlech (rule-based modeling). Znalosti reprezentovány tímto pří-

stupem jsou ve formě pravidel, která představují jednotlivé kroky při řešení

problému, dle kterých by měl student při učení postupovat. Na tomto pří-

stupu jsou založeny nejúspěšnější inteligentní výukové systémy zvané Co-

gnitive Tutors (Anderson a kol., 1995) využívané nejčastěji pro výuku

matematiky, které jsou využívány na přibližně třech tisících školách více než

půl milionem studentů ročně (Koedinger a Aleven, 2016).

Systémy Cognitive Tutors jsou založeny na teorii ACTR-R (Anderson

a Lebiere, 1998). Teorie předpokládá, že jsou dva typy znalostí – deklarativní

117

a procedurální. Deklarativní znalosti se vztahují k záležitostem, kterých si je

jedinec vědom, zná je a dokáže je popsat ostatním. Naopak procedurálních

znalostí si jedinec není vědom a projevuje je až při svém chování. Proces

učení na základě této teorie tedy probíhá tak, že se jedinec nejprve naučí

explicitní deklarativní znalosti, které poté přemění na implicitní procedurální

znalosti během jejich praktické aplikace. Postup aplikování deklarativních

znalostí je vyjádřen pomocí tzv. produkčních pravidel (production rules), kte-

rá reprezentují procedurální znalosti.

ITS Cognitive Tutor má v sobě implementován kognitivní model využíva-

jící tzv. produkční systém reprezentující variace různých strategií, kterých

může při řešení problému student využít, a stejně tak zahrnuje i typicky

chybné strategie. Strategie je tvořena jednotlivými produkčními pravidly,

která jsou porovnávána s pravidly uplatňovanými studentem při řešení pro-

blému. Správnost každého kroku (produkčního pravidla), který student při

dosažení cíle (vyřešení problému) provede, je tedy systémem porovnán s

množinou správných kroků, které by provedl kognitivní model.

Cognitive Tutor tak může sledovat jednotlivé kroky studenta při řešení

daného problému a může mu podávat zpětnou vazbu na každý z nich a ne

pouze jen na konečné řešení. Pokud krok učiněný studentem při řešení pro-

blému odpovídá některému produkčnímu pravidlu modelu, označí systém

krok jako správný. Naopak pokud krok neodpovídá žádnému správnému

pravidlu, označí ho systém jako nesprávný. Mimo jiné je chybné pravidlo

aplikované studentem porovnáno s očekávanými chybnými pravidly produ-

kovanými modelem. Pokud je nalezena shoda, studentovi je zprostředková-

na zpětná vazba vztahující se ke konkrétní chybě. Pokud má student obtíže,

může požádat systém o kontextově senzitivní radu, kdy ITS zobrazí zprávu

připojenou k produkčnímu pravidlu, které by mělo následovat. Jak ITS moni-

toruje studentovo učení, vizualizuje jeho postup ve formě grafů a informuje

ho tak o jeho pokroku (Koedinger a Corbett, 2006).

118

Obr. č. 29 (Koedinger a Corbett, 2006): Obrázek představuje stav rovnice

“3(2x + 5) = 9”, ke kterému student došel, a ukázku čtyř různých produkčních pravi-

del spolu se zpětnými vazbami, které jsou připojeny ke konkrétním pravidlům.

Otazník značí, že systém již nebere v úvahu, jak se student k aktuálnímu stavu do-

stal.

Modelování založené na podmínkách

Jednoduchý a efektivní způsob poskytování zpětné vazby na studentovy

chyby je použit v ITS, které využívají modelování založené na podmínkách

(constraint-based modeling). Znalosti jsou v doménovém modelu reprezen-

továny principy, které zahrnují množinu podmínek. Pokud je při výuce využit

daný princip, musí studentovo řešení problému splňovat tyto podmínky, v

opačném případě systém vyhodnotí řešení jako chybné a poskytne studen-

tovi zpětnou vazbu, která ho informuje, které pravidlo porušil, a případně mu

zprostředkuje informace popisující daný princip. Pokud systém nezazna-

mená porušení pravidla, neprovádí žádnou intervenci a považuje řešení za

správné. Tímto způsobem lze modelovat nejen doménové znalosti, ale i ku-

příkladu metakognitivní znalosti (Mitrovic, Martin a Suraweera, 2007).

Známým systémem založeným na podmínkách je SQL-Tutor, který pod-

poruje studenty při učení dotazů v jazyce SQL. Model domény obsahuje

119

téměř 700 pravidel, která musí všechna studentova řešení splňovat. ITS na-

bízí zpětnou vazbu v šesti různých úrovních detailnosti. Při vložení prvního

řešení úkolu je student obeznámen pouze s tím, zda je řešení správné, či

nikoli. Pokud jsou další vložená řešení chybná, ITS vždy navýší úroveň de-

tailnosti zpětné vazby tak, aby student nakonec zvládl odpovědět správně.

Od třetí úrovně výše si musí student explicitně zažádat o vyšší úroveň po-

moci (Hull a Boulay, 2015; Mitrovic, Martin a Suraweera, 2007).

Srovnání přístupů

Stručně řečeno modelování založené na podmínkách vyžaduje, aby stav

aktuálního kroku při řešení problému neporušoval žádné stanovené pravidlo,

které se vztahuje na celou doménu výuky a tedy i na všechny řešené pro-

blémy v rámci ní. Pokud není stav řešení v rozporu s žádnou podmínkou,

respektive je v souladu s principy domény, považuje ITS krok za správný. U

druhého přístupu tzv. modelování založeném na pravidlech model simuluje

přemýšlení člověka a produkuje pravidla ve formě množiny vzorných akcí,

kdy studentem provedená akce musí odpovídat jednomu z těchto pravidel,

jinak je jeho krok považován za chybný.

Z pohledu modelování založeného na podmínkách se student může do-

pracovat k řešení prakticky jakýmkoliv způsobem, pokud není v průběhu

jeho práce identifikováno, že stav řešení je v rozporu s některým

z definovaných podmínek. Naopak u druhého přístupu musí kroky studenta

odpovídat krokům generovaným kognitivním modelem a v případě, kdy stu-

dent sejde z ideální cesty k vyřešení problému, je jeho akce označena jako

nesprávná.

Systémy, které fungují na bázi modelování založeném na pravidlech, ob-

vykle poskytují okamžitou zpětnou vazbu (často pouze označením nespráv-

ného korku), zatímco systémy s modelováním založeným na podmínkách

většinou nabízejí zpětnou vazbu na vyžádání. Díky schopnosti kognitivního

modelu založenému na pravidlech řešit problémy, může systém studentovi

poskytovat strategické rady ve formě informací o další potřebné akci. Větši-

120

nou jsou rady tohoto typu předloženy na vyžádání nebo po překročení pře-

dem definovaného počtu neúspěšných pokusů. Systémy založené na dru-

hém přístupu zprostředkovávat rady tohoto typu obecně nemusí být

schopny a také z důvodů absence reprezentace často se vyskytujících chyb

nejsou tyto systémy schopny dávat zpětnou vazbu popisující konkrétní

chybný postup, nicméně například dokáží informovat o chybějících elemen-

tech ve studentově řešení. Oproti modelování založenému na pravidlech je

tento přístup méně náročný na vývoj. Na základě výše zmíněného lze tedy

usoudit, že oba dva přístupy mají své silné i slabé stránky (Mitrovic, Koedin-

ger a Martin, 2003).

METAKOGNICE

Metakognice je zjednodušeně řečeno “přemýšlení o svém vlastním pře-

mýšlení”. Přesněji řečeno se výzkum metakognice zabývá třemi souvisejí-

cími avšak oddělenými kategoriemi: 1) znalosti jedince o vlastním procesu

myšlení; 2) kontrola či seberegulace; 3) přesvědčení a intuice (Schoenfeld,

1987).

Lin (2001) tvrdí, že na metakognitivní aktivity, které lze v rámci výuky

prostřednictvím ITS rozvíjet, by se nemělo nazírat jako na doménové do-

vednosti či způsoby, jak poznávat sebe samého. Měly by se spíše považo-

vat za určité návyky mysli přispívající k rozvoji kognitivně vyrovnaného

a sociálně kompetentního jedince.

Uvědomění si jedince například co a proč to právě dělá nebo v čem je

pro něj činnost přínosná, mu může zlepšit kontrolu nad učením a usnadnit

přemýšlení nad procesem řešení problémů a potažmo zlepšit výsledky uče-

ní (Schoenfeld, 1987). Ze studií je patrné, že mnoho studentů má problémy

spontánně vykonávat tyto a další metakognitivní aktivity, a proto je příhod-

né, aby měl ITS v sobě implementovány strategie pro podporu a motivaci

studentů k realizaci těchto aktivit. Tyto strategie řídí zpětnou vazbu systému

například ve formě pobídky k tomu, aby student vykonal určitou metakogni-

tivní aktivitu. Pobídky by měly studenta přimět zaměřit se na své vlastní

121

myšlení a reflektovat, monitorovat a revidovat svůj učební proces. Příznivý

efekt těchto pobídek na výsledky učení byl prokázán v řadě různých domén

(Lin a Lehman, 1999).

Mevarech a Kramarski (1997) ve své studii porovnali efekt dvou rozdíl-

ných forem zpětné vazby zprostředkovávané počítačem: metakognitivní

zpětné vazby a zpětné vazby poskytované na výsledný produkt učení (řešení

úlohy). Skupina, která dostávala metakognitivní zpětnou vazbu, dosáhla vý-

razně lepších výsledků. Autoři testovali zpětnou vazbu ve formě metakogni-

tivního dotazování, které je navrženo tak, aby podporovalo kontrolu studenta

nad procesem učení a efektivní využívání seberegulace. Navržené otázky

pro podporu metakognitivních procesů vždy následují po uvedení nových

konceptů a studenti jsou tázáni na otázky ohledně chápání problému

a vhodné strategie pro jeho vyřešení. Nakonec jsou otázky zaměřeny na

uvědomění si souvislostí, podobností či odlišností s dříve řešenými pro-

blémy.

Rawson a Dunlowksy (2013) navrhli strategii procvičováni znalostí s me-

takognitivními aktivitami čítající tři fáze. V první fázi je ve studentovi podní-

ceno vybavení si určitého konceptu a student má za úkol ho definovat či

popsat. V další fázi počítač studentovi zpětnou vazbou pomáhá při sebe-

hodnocení – představí základní myšlenky konceptu a student své řešení

z předchozí fáze hodnotí tím, že u každé myšlenky vybere, zda jeho vstup

tuto myšlenku obsahuje, či neobsahuje. V poslední fázi má student mož-

nost se koncept doučit z informací, které mu počítač poskytne.

ITS Wayang Outpost pro výuku matematiky podporuje u studentů sebe-

regulaci při učení řadou mechanismů. Pomocí otevřeného modelu u studen-

ta stimuluje seberegulační procesy a sebereflexi a může být využit i v

případech, kdy se u studentů dostaví nuda. Při práci se systémem dostávají

studenti v určitých intervalech zpětnou vazbu ve formě tipů prezentujících

vhodné učební návyky a ve formě grafu znázorňujícím jejich pokrok. Inter-

vencemi jsou také u studenta budovány dobré návyky pro využívání pomoci

122

(Arroyo, 2014), které patří mezi důležité atributy seberegulace (Pintrich,

1999).

Řada studií potvrdila, že studenti, kteří efektivněji hledají pomoc, dosahu-

jí lepších studijních výsledků. Mnoho studentů ale pomoc nabízenou ITS

využívá nesprávně a raději odpovědi hádají, než aby si nechali poradit, nebo

naopak využívají pomoci až příliš často. Aleven, McLaren a Koedinger

(2006) proto vyvinuli agenta nazvaného Help Tutor, jehož účelem je podávat

studentům zpětnou vazbu na jejich využívání pomoci v ITS.

Tutor má implementován model vzorného hledání pomoci tvořený pa-

desáti sedmi pravidly (viz obr. č. 30) a s jeho využitím monitoruje aktivitu

studentů a identifikuje nevhodné chování v rámci hledání pomoci a zpětnou

vazbou se toto chování snaží zlepšit. Při situaci, kdy například student pro-

chází rady příliš rychle, systém studentovi řekne: ,,Zkus si rady více promys-

let.”. Pokud student vloží špatné řešení několikrát v řadě bez zažádání o

pomoc, systém poskytne zpětnou vazbu, která může vypadat takto:

,,Vypadá to, že tento problém je pro tebe náročný, co takhle využít nápově-

dy?”. Autoři zjistili, že zpětná vazba od jejich agenta má dlouhotrvající pozi-

tivní efekt na chování studentů při hledání pomoci. Zlepšení celkových

výsledků učení ovšem nebylo zaznamenáno.

123

Obr. č. 30 (Aleven, McLaren a Koedinger, 2006): Vizualizace modelu dobrého cho-

vání při hledání pomoci v ITS, který je v systému Help Tutor reprezentován padesá-

ti sedmi pravidly. V případě porušení student dostane zpětnou vazbu s cílem

zlepšit své chování.

Hull a Boulay (2015) se pokusili studentům majícím obtíže při řešení cvi-

čení v ITS pomoci tím, že jim zobrazovali jejich úspěšné řešení dřívějšího

úkolu, který je podobný či jinak související s aktuálně řešeným. V mnoha

případech ale studenti odmítli využít této příležitosti poučit se ze svých

předchozích úspěšných řešení. Autoři v tomto ohledu citují z publikace S.

Robertsona (2001) věnující se řešení problémů, kde píše o tom, že lidé mají

obtíže si uvědomit potenciál právě vyřešeného problému pro pomoc při ře-

šení aktuálního problému.

124

MOTIVACE

Motivace patří mezi klíčové faktory ovlivňující učení. I přesto neexistuje

jednotná definice tohoto konstruktu, neboť se jedná o velmi složitý feno-

mén. Lze ho však přiblížit výčtem některých charakteristik, kterými oplývá

motivovaný jedinec. Motivovaný jedinec kupříkladu následuje své cíle, je

vytrvalý, vynakládá úsilí, prožívá pozitivní emoce, je bdělý, má očekávání

a pozitivně vnímá vlastní účinnost (Carrió-Pastor a Mestre, 2014).

Vhodně zvolená zpětná vazba může mít pozitivní efekt na studentovu

motivaci, potažmo na jeho přístup k učení. Pomocí zpětné vazby je možné

studenty po podání dobrého výkonu pochválit, nebo je naopak v opačném

případě pobídnout k lepším výkonům či dát najevo, že si v rámci učení ne-

počínají dobře. Zpětná vazba rovněž studenta informuje, že jeho aktivita je

systémem sledována, což by mohlo samo o sobě některé studenty motivo-

vat k tomu, aby vložil do učení více úsilí.

Orientace na cíl

Motivace je popisována řadou různých teorií, jednou z nich je i teorie ori-

entace na cíl. Orientace studenta na cíl je jedním z faktorů, který ovlivňuje

studentovo chování a motivaci (Pintrich, 2013). Možný způsob, jak zvýšit

studentovu motivaci, je poskytovat studentovi informace o jeho pokroku v

dosažení stanovených cílů (Shute, 2008) a podpořit jeho víru v dosažení

těchto cílů.

Dle studentova cíle je možné u motivace rozlišit, zda je orientována na to

se něco naučit, anebo podat výkon. Student s cílem se naučit vkládá snahu

ve zlepšování svých znalostí a schopností zvládnout nebo se naučit něco

nového, zatímco student orientován na výkon se snaží podat co nejlepší

výsledky a být v porovnání s ostatními lepší. Cíl naučit se bývá pro učení

obecně příhodnější (Kaplan a Maehr, 1999). Tito studenti vkládají do učení

více úsilí, jsou odolnější a nebojí se výzev a selhání. K učení využívají pokro-

čilejších postupů (Dweck, 1986) a dosahují lepších učebních výsledků

(Fisher a Ford, 1998).

125

Navzdory těmto tradičním pohledům se v poslední době objevují vý-

zkumy, které poukazují na korelace mezi pozitivními výsledky výuky a na

výkon orientovaných cílů a studie, které doporučují následovat oba druhy

cílů současně (Senko, Hulleman a Harackiewicz, 2011). Tradiční koncept

dvou základních kategorií cílů – orientace se něco naučit a orientace na vý-

kon – byl revidován a na každou z nich je nahlíženo dichotomicky na zákla-

dě toho, zda je cílem něčeho dosáhnout, nebo něco odvrátit (Wang, Biddle a

Elliot, 2007).

Hoska (1993) konstatuje, že student obvykle vstupuje do procesu učení

s predispozicemi pro to, aby byl zaměřen na určitý druh cíle, nicméně ve

většině případů je student z počátku svolný k následování cíle podat výkon i

něco se naučit. Pokud ale systémem není pobídnut k upřednostnění určité-

ho typu cíle, jedná dle svých predispozic. Vhodné je proces učení strukturo-

vat tak, aby podporoval určitý typ cíle, na což studenti obvykle reagují. Jejich

orientace může být dočasně, či permanentně ovlivněna prostřednictvím

zpětné vazby, která by měla studenty motivovat k učení a snižovat jejich

motivaci podávat výkon.

Hoska (1993) doporučuje tři ověřené přístupy, které mohou při ovlivňo-

vání orientace studenta pomoci: 1) modifikace nahlížení studenta na inteli-

genci; 2) úprava struktury učebních úloh z hlediska cílů; 3) řízení přidělování

odměn.

Shin, Lee a Seo (2017) zkoumali ve své nedávné studii efekt různých

druhů zpětné vazby na cíle studentů. Jejich záměrem bylo zjistit, jak u stu-

dentů vyvolat příznivější stav pro učení (cíl se něco naučit) a odvrátit nepříz-

nivý stav (cíl odvrátit dobrý výkon). Zjištěním bylo, že zpětná vazba

srovnávající studenta s ostatními přispívá k rozvoji cílů orientovaných na

podání výkonu a potenciálně i odvracení výkonu. Autoři uvádí, že tento efekt

může zmírnit pozitivní zpětná vazba, která bude informovat studenta o jeho

osobním postupu a úspěších v rámci učení.

126

Dvě výše zmíněné strategie zpětné vazby – 1) informace o výkonu pou-

ze v rámci jednotlivce a 2) o výkonu porovnáním s ostatními studenty – lze

představit na výukových systémech vyvinutých výzkumnou skupinou Adap-

tive learning group (2017) působící na Fakultě informatiky Masarykovy uni-

verzity.

První variantu využívá systém Slepé mapy23 pro výuku zeměpisu. Zpětná

vazba znázorňuje pokrok studenta prostřednictvím mapy světa, na které

jsou jednotlivé státy zbarveny barvou ze škály od červené po zelenou na

základě úrovně znalostí zeměpisu daného státu. Mapa studenta jednak in-

formuje o pokroku při dosahování jeho cílů a také může sloužit jako podpo-

ra metkognitivních procesů.

Dalším projektem této výzkumné skupiny je Problem solving tutor24, kte-

rý nabízí řadu různých typů interaktivních a propracovaných úloh z oblasti

matematiky, logiky či programování. Systém sleduje práci studenta

a doporučuje mu úkoly s optimální obtížností. Zpětná vazba je v případě

tohoto systému ve formě druhé výše zmíněné varianty – informace o tom,

jak si student vede v porovnání s ostatními.

Po dokončení cvičení je studentovi zobrazena zpětná vazba, která ho in-

formuje o čase stráveném řešením úkolu, na základě kterého je mu rovněž

sděleno, kolikáté místo v porovnání s ostatními řešiteli obsadil. Kromě tex-

tové formy je studentův čas znázorněn rovněž pomocí histogramu a rovněž

si může zobrazit detailní přehled, jehož ukázka je na obr. č. 31.

23 https://slepemapy.cz/

24 https://tutor.fi.muni.cz/

127

Obr. č. 3125: Vizuální přehled času, který daný student strávil řešením úkolu ve

srovnání s ostatními. V tomto přehledu představuje jeden řádek jednoho studenta

a sloupec konkrétní cvičení. Každé políčko je zbarveno barvou podle toho, kolik

času zabralo danému studentovi řešení konkrétního úkolu. Přehled tedy informuje

o tom, kolik který student vyřešil úkolů a kolik mu v porovnání s ostatními zabraly

času.

Vnímání vlastní účinnosti

Vynakládané úsilí studenta je ovlivňováno jednak jeho cíli, jednak i vní-

máním jeho vlastní účinnosti. Student je motivován k tomu, aby vložil ma-

ximální úsilí do naplnění výukových cílů jen tehdy, pokud mu jeho vlastní cíle

a vnímaná účinnost umožňují vidět užitek z tohoto úsilí (Hoska, 1993). Na

základě stavu vnímání vlastní účinnosti studenta lze předpovědět řadu růz-

ných atributů motivace, jako je výběr výukové aktivity, úsilí, vytrvalost

a emoční reakce, potažmo je to i prediktor učebních výsledků studenta

(Zimmerman, 2000). Studentovo vnímání vlastní účinnosti lze vhodnou

strategií poskytování zpětné vazby v průběhu učení v ITS zlepšit.

Zpětná vazba, která studenta úspěšně přivede ke správnému řešení, aniž

by mu poskytla explicitní informace o řešení problému, přináší větší pocit

úspěchu (mastery experience). Dle Bandury (1993, s. 3) je budování vědomí

vlastní účinnosti nejefektivnější právě pomocí tohoto pocitu a je tedy vhod-

25 Zdroj obrázku: Problem Solving Tutor (s. d.)

128

né se snažit tento pocit u studentů pomocí pozitivní zpětné vazby a dalších

technik vyvolávat.

Obr. č. 32 (Hull a Boulay, 2015): ITS SQL-Tutor* s rozšířenou architekturou o několik

modulů (oblast ohraničená tečkami) přinášející novou funkcionalitu týkající se mo-

tivační a metakognitivní zpětné vazby. Nově přidaný modul Feedback Rules Engine

generuje zpětnou vazbu fakticky relevantní ke konkrétnímu problému, který student

řeší, úrovni detailnosti pomoci, obtížnosti problému, počtu pokusů studenta

a úrovni vnímání jeho vlastní účinnosti.

Pokud ITS bude schopen pozitivně ovlivnit studentovo vnímání vlastní

účinnosti, je pravděpodobné, že se bude student aktivněji zapojovat do výu-

ky, vynaloží více úsilí a bude vytrvalejší. Pro efektivní reakci na studentovo

vnímání vlastní účinnosti by měl mít ITS co nejpřesnější představu o aktuál-

ním stavu vnímání vlastní účinnosti jednotlivých studentů. Jednou

z možností, jak zjistit tento stav, je žádání studentů, aby svůj stav ohodnotili.

V rámci rozšířené verze systému SQL-Tutor* (viz obr. č. 32) je student vy-

zván, aby vnímání své vlastní účinnosti vyjádřil na stupnici od 1 do 5. Na

základě poznatků z dotazování je studentovi poskytnuta motivační zpětná

vazba, která vypadá například takto (Hull a Boulay, 2015):

,,Vedeš si dobře, jen tak dál. Ne všechny problémy se dají vyřešit rych-

le. Nezapomeň, že máš k dispozici různé druhy nápovědy (kupříkladu ...). Měj

129

na paměti, že tento problém je vyšší úrovně obtížnosti než ten, který jsi vyřešil

naposledy.”

Periodické dotazování ale může působit rušivě a vhodnějším způsobem

je automatické odvozování. Architektura SELF (McQuiggan, Bradford a Les-

ter (2008) představuje automatické modelování vnímání vlastní účinnosti

založené na datech, které je možné zakomponovat do ITS. Pomocí technik

umělé inteligence (bayesovské sítě, rozhodovací stromy) a dat z tréninkové

fáze (interakce se systémem, senzory fyziologické aktivity) je SELF schopen

modelovat stav vnímání vlastní účinnosti studenta při učení. Autoři tento

přístup otestovali například v ITS Crystal Island, ve kterém SELF model roz-

poznal vnímání vlastní účinnosti studentů s 86% přesností.

Bandura (1993, s. 3) taktéž popisuje slovní přesvědčování studenta o je-

ho účinnosti. Tuto teorii lze aplikovat v rámci ITS pro ovlivnění studentova

vnímání vlastní účinnosti v kritických okamžicích a pozitivně tím ovlivnit

proces učení. Kupříkladu ve spojení s pedagogickými agenty, kteří v přípa-

dě, kdy je student blízko dosažení cíle a je u něho zaznamenán propad vní-

mání vlastní účinnosti, mohou využít technik verbálního přesvědčování, na

krátkou dobu zvýšit vnímání jeho účinnosti a pomoci mu překonat obtíže

(Hull a Boulay, 2015).

Soldato a Boulay (1995) dříve upozornili na to, že tehdejší ITS opomíjely

motivační aspekty a soustředily se na doménové znalosti. Tento problém se

autoři rozhodli řešit návrhem systému MORE (Motivational Reactive Plan),

který by byl opatřen modulem pro plánování motivačních intervencí. Zpětná

vazba v systému by byla řízena sadou pravidel, jejichž výběr by probíhal na

základě tří různých hledisek uložených v modelu studenta (tabulka č. 4). K

vývoji a evaluaci systému MORE nicméně nedošlo. Ve své nedávné publika-

ci autoři (Soldato a Boulay, 2016) svůj původní návrh zhodnotili a představili

nové pohledy na tento systém i problematiku motivace v rámci ITS obecně.

130

Tabulka č. 4: Příklady pravidel pro zpětnou vazbu pro motivaci studentů

Hledisko Stav modelu studenta

Cíl vyšší úrovně

Taktika Příklad zpětné vazby

Aspekt motivace studenta

Sebedůvěra < hranice

- Navýšení se-bedůvěry

Poskytnout specific-kou pomoc

Stav ře-šení aktu-álního problému

Stav řešení = neúspěch

Navýšení úsilí

Stimulace zvě-davosti

Zprostředkovat ko-mentář o zajímavosti výsledku

Akce stu-denta

Nabízená po-moc = odmít-nuta

- Respektovat samostatnost

Nezprostředkovávat pomoc

Vysvětlivky: Ukázka tří pravidel ze strategie pro tvorbu zpětné vazby pro ovlivňování

motivace studentů, kterých Boulay a Soldato (1995) navrhli celkem dvacet. Na

koncept sebedůvěry autoři nahlížejí podobným způsobem jako na vnímání vlastní

účinnosti. Dalšími aspekty motivace byla kontrola nad učením a míra úsilí.

AKTUÁLNÍ STAV

Ačkoliv zpětná vazba ve výukových systémech za poslední dobu za-

znamenala určitý pokrok, řada aspektů stále zůstává málo probádaná. Patří

mezi ně například personalizace a adaptace zpětné vazby či přístupy pro její

automatické generování (Goldin a kol., 2017).

V rámci adaptace zpětné vazby využívá systém informací, které již o

studentovi má, pro její přizpůsobení danému studentovi na míru. Tento pro-

ces pak může mít zásadní vliv na to, jakým způsobem bude zpětná vazba

přijata a využita. Názory odborníků na to, které vlastnosti studenta je vhod-

né využít pro adaptaci funkcí výukového systému včetně zpětné vazby, se

rozcházejí, stejně jako názory na to, jak jsou určité vlastnosti pro tento účel

důležité (Vandewaetere, Desmet a Clarebout, 2011).

Za poslední dobu lze ovšem najít řadu studií přínosných pro poznání, ja-

kým způsobem by se zpětná vazba měla přizpůsobovat. Kupříkladu

Vasilyeva, Pechenizkiy a De Bra (2008a; 2008b) ve svých studiích testovali

zpětnou vazbu přizpůsobující se různým učebním stylům studentů ve výu-

131

kovém systému. Výsledky poukázaly na pozitivní efekt této zpětné vazby na

výsledky učení.

Narciss a kol. (2014) na základě výzkumu doporučili do designu strate-

gie pro personalizovanou zpětnou vazbu zahrnout počáteční znalosti a mo-

tivační proměnné – zejména vnímání vlastních kompetencí a strach

z neúspěchu. Autoři dále zjistili, že při výuce matematiky má výrazný vliv na

zpětnou vazbu i pohlaví. Další výzkumníci se ve vztahu k personalizované

zpětné vazbě zabývali například pracovní pamětí (Stevenson, 2016), osob-

nostními rysy (Dennis, Masthoff a Mellish, 2016) či kognitivními styly (Chen

a Chia-Chi, 2017). Ačkoli je adaptabilita jednou z důležitých vlastností ITS,

z pohledu zpětné vazby je před výzkumníky ještě spousta práce.

V poslední době se v rámci zpětné vazby věnuje značná pozornost stro-

jovému učení, konkrétně kupříkladu dolování z dat. Paiva a kol. (2014) využili

metody dolování z dat pro rozpoznání toho, že student má potíže. Analyzo-

vali data z celkové aktivity studenta v systému (počet přístupů, splněných

úkolů, chybných úkolů či aktivita v chatu nebo diskuzním fóru). Dle objeve-

ného vzorce v datech jim byla poskytnuta příslušná zpětná vazba.

Techniky z oblasti strojového učení se mohou uplatnit při začleňování

didaktických teorií inspirovaných výukou učiteli do modelů poskytování

zpětné vazby v ITS. Nově vyvinuté přístupy pomáhají zpracovávat záznamy

komunikace mezi učitelem a studentem, interpretovat a následně reprezen-

tovat efektivní postupy pro účely podávání zpětné vazby v ITS. Z dat inter-

akce učitelů a studentů Porayska-Pomsta a Mellish (2013) vytvořili model

pro volbu vhodné zpětné vazby na základě kontextu dané situace. Model je

tvořen systémem strategií a metod, jak mohou být tyto strategie kombino-

vány. Při evaluaci se výběr zpětné vazby provedený modelem shodoval s

výběrem provedeným učitelem.

Na technikách strojového učení bývá rovněž založeno automatické ge-

nerování zpětné vazby. Jedním z příkladů je systém Hint Factory (Stamper a

kol., 2008) pro generování rad, který modeluje dříve sesbíraná data studentů

132

do Markovského rozhodovacích procesů. V modelu jsou reprezentovány

možné stavy a kroky pro úspěšné řešení úkolu. Z modelovaných stavů je

nalezen ten, který odpovídá aktuálnímu stavu, v němž se student nachází,

a je mu poskytnuta rada ohledně akce potřebné pro dosažení následujícího

stavu. Systém není závislý pouze na modelu znalostí vytvořeném experty,

jak to často bývá u systémů nevyužívajících strojového učení, ale má

schopnost model sám vytvořit a kontinuálně upravovat na základě nově

dostupných dat z interakce se studenty.

Tento systém byl v rámci vývoje implementován do systému pro výuku

logiky, později byl také adaptován pro účely výuky programování (Ped-

dycord Iii, Hicks a Barnes, 2014). Přestože tento přístup byl obecně úspěšný,

týkalo se to především systémů, v nichž studenti řeší pouze úkoly malého

rozsahu s dobře definovaným řešením. Opačný případ, kdy jsou úkoly složi-

té a rozsáhlé, bez explicitně dané posloupnosti kroků a vyžadující kupříkladu

kreativní postupy, je pro současné techniky automatického generování rad

stále problémem (Price a Barnes, 2015).

Populárním tématem ve vzdělávání je v poslední době analytika učení

(learning analytics); (Becker a kol., 2017), která se na úrovni jednotlivých

studentů či skupin zabývá sběrem a interpretací dat, která po sobě studenti

zanechají při používání systému. Výsledky analýz na této úrovni jsou často

využívány učiteli kupříkladu pro podporu rozhodování. Mohou ale být velmi

užitečné i pro samotné studenty (Juhaňák a Zounek, 2016). V poslední době

se začínají využívat vizualizované výsledky analytiky učení pro poskytování

zpětné vazby studentům ve formě graficky ztvárněných přehledů (dashbo-

ard), integrujících v sobě různá data o studentovi (Verbert a kol., 2013, 2014;

Kim, Jo a Park, 2016). Přehledy mohou zahrnovat vizualizace artefaktů vy-

produkovaných studenty (příspěvky v diskuzi, odpovědi na otázky, žádosti o

pomoc), využívání informačních zdrojů, stráveného času či výsledků hodno-

cení (Verbert a kol., 2014). Studie zkoumající efekt přehledů prokázala jejich

příznivý vliv na učení (Kim, Jo a Park, 2016).

133

SWOT ANALÝZA

SILNÉ STRÁNKY

Potenciál ITS pro poskytování zpětné vazby

Pro designéry ITS představuje výuka zkušenými pedagogy vzor. Mode-

lování a implementace postupů, které lidští učitelé při výuce využívají, je jed-

ním z možných způsobů, jak se kvalitě výuky učitelem přiblížit (Boulay a

Luckin, 2016). Na základě pečlivého sledování postupu studenta při řešení

problému učitel studentovi zprostředkovává velmi interaktivní zpětnou vaz-

bu. Například pokud student nejde správnou cestou nebo se zasekne, učitel

obvykle zasáhne a pomůže mu dostat se opět do správných kolejí. Student

je takto podporován téměř při každém kroku řešení (Merrill a kol., 1992).

Moderní ITS využívající pokročilých technik umělé inteligence představují

pevné základy pro designování inteligentní zpětné vazby, která se může v

mnoha směrech podobat zpětné vazbě učitelů. Díky detailní dynamické re-

prezentaci studenta a algoritmům vnitřního okruhu může ITS monitorovat

práci studenta ve vysoké granularitě a podobně jako učitel mu poskytovat

zpětnou vazbu na každý jeho krok.

Testovací platforma

Kromě potenciálu, který inteligentní výukové systémy poskytují pro zpro-

středkovávání zpětné vazby svým uživatelům, představují ITS platformu pro

její zkoumání. Při sledování práce studenta je systémy ukládáno velké

množství dat. Pomocí moderních metod jako je strojové učení, dolování

z dat či počítačové zpracování přirozeného jazyka, lze tato data modelovat

a analyzovat. To umožňuje testovat strategie poskytování zpětné vazby

a hledat odpovědi na důležité otázky, jako například kdy je zpětná vazba

efektivní, jaký efekt má daný druh zpětné vazby a zda u jednotlivců existují

rozdíly v hledání a používání zpětné vazby (Goldin a kol., 2017).

134

SLABÉ STRÁNKY

Náročnost vývoje

Vývoj výukových systémů je časově velmi náročný proces. Hrubým od-

hadem je při vývoji tradičního neintligentního výukového systému potřeba tří

set hodin práce pro vytvoření jedné hodiny výuky (Murray, 2013). Anderson

(1995) uvádí, že v rámci vývoje úspěšného systému Cognitive Tutor byl ten-

to poměr nejméně 200:1. Mnoho času v těchto systémech taktéž zabere

tvorba zpětné vazby, která musí být obvykle připravena pro jednotlivé kroky.

Automatické generování zpětné vazby, kupříkladu rad, které jsou pro ITS

esenciální, by mohlo být v tomto směru přínosné. Prozatím ale tyto postupy

nejsou příliš pokročilé (Price a Barnes, 2015). Podobně i využití konceptu

crowdsourcing, který je popsán níže, by mohlo vývojářům ušetřit čas.

Personalizace zpětné vazby

Charakteristickou vlastností ITS je, že o studentech a procesu učení

schraňují značné množství dat, ze kterých vytvářejí detailní modely vlast-

ností studentů (viz kapitola „Modelování studentů“) pro účely personalizace

výuky. Tomu, jak tyto informace o studentech využít pro adaptaci zpětné

vazby, však bylo věnováno velmi málo výzkumné pozornosti jak

z teoretického, tak i z empirického hlediska. Jedná se přitom o faktory, které

určují, jak bude student reagovat na zpětnou vazbu, potažmo kolik se toho v

konečném důsledku naučí. Někteří výzkumnicí představili rámce či metodo-

logie pro design adaptivní zpětné vazby, ty ovšem nebývají dostatečně

ukotveny v didaktických strategiích a nebývají důkladně otestovány

na studentech (Narciss, 2014).

135

PŘÍLEŽITOSTI

Nové technologie

Některé nové technologie zpětné vazbě vyvíjené v ITS přinášejí příleži-

tosti, jak se dostat do širšího využívání. Například MOOC26 kurzy prochází

velké množství různorodých uživatelů produkujících data. Data o využívání

zpětné vazby z MOOC by mohla pomoci objevit nové aspekty zpětné vazby

a celkově urychlit její vývoj a zdokonalování. Navzdory potenciálnímu vzá-

jemnému obohacení jsou tyto dva přístupy – ITS a MOOC – z technických

důvodů málokdy propojovány. První pokusy se ale začínají objevovat. Mezi

prvními se o to pokusil Aleven a kol. (2015, 2016a), kteří upravili systém pro

vývoj ITS tak, aby umožňoval integrovat ITS do MOOC. Vnitřní okruh, zodpo-

vědný za poskytování zpětné vazby, byl přesunut na stranu klienta pomocí

reimplementace v jazyce JavaScript.

Crowdsourcing

Heffernan a kol. představili svůj pohled na možnou budoucnost výuko-

vých systémů, ve které bude hrát důležitou roli crowdsourcing27. Jimi navr-

hovaná infrastruktura umožňuje studentům a učitelům mít podíl na

zlepšování zpětné vazby systému vkládáním jimi vytvořeného obsahu ke

konkrétním cvičením ve formě rad, vysvětlení, povzbuzení a podobně. Záro-

veň mají možnost v průběhu výuky hodnotit zpětnou vazbu vytvořenou

ostatními. Autoři tímto návrhem poukázali na možný směr, kterým se mo-

hou výzkumníci ITS ubírat (Heffernan, 2016). I v současné době je pro ITS

obtížné poskytovat zpětnou vazbu při řešení složitých problémů, které ne-

mají dobře definovaný postup a řešení. Crowdsourcing přináší alternativní

přístup pro poskytování zpětné vazby, který může pomoci s řešením po-

dobných nedostatků ITS (Easterday, Rees Lewis a Gerber, 2016).

26 Z anglického massive open online course – hromadný otevřený online kurz.

27 Systémy využívající crowdsourcing jsou takové, které využívají potenciál skupin (crowd)

lidí pro pomoc s řešením problémů definovaných vlastníky systému (Doan, Ramakrishnan a Halevy, 2011).

136

HROZBY

Nesprávná zpětná vazba

Předpokládá se, že studenti při učení očekávají, že jim bude dodávána

přesná a užitečná zpětná vazba. Implementace nových přístupů a aplikace

ITS do nových kontextů může zapříčinit to, že výše zmíněná očekávání stu-

dentů nebývají vždy naplněna. Kupříkladu v případech, kdy student řeší úko-

ly s otevřeným východiskem nebo v systémech, ve kterých probíhá

interakce v přirozeném jazyce, může být posouzení správnosti studentova

řešení obtížné. Známým příkladem ITS, který při výuce se studenty konver-

zuje v přirozeném jazyce, je AutoTutor (Nye, Graesser a Hu, 2014). Autoři

tohoto systému přiznávají, že studentova odpověď je systémem občas ne-

přesně posouzena (Graesser, D’Mello a Person, 2009). Některé studie pou-

kazují na to, že když student rozpozná, že mu byla poskytnuta špatná

zpětná vazba, tak to u něj vyvolá nepříznivé emoční stavy. Mimo jiné systé-

mu může přestat důvěřovat (Niraula, Rus a Stefanescu, 2013; Lehman,

D’Mello a Person, 2008; D’Mello a kol., 2008) což je jedním z důvodů, proč

studenti začnou využívat zpětnou vazbu nesprávným způsobem (Baker

a kol., 2008).

Nesprávné využívání zpětné vazby

Při zkoumání práce studentů s výukovými systémy bylo zaznamenáno

překvapivé množství různých způsobů, jakými studenti využívají zpětnou

vazbu, kdy některé z nich negativně ovlivňují výsledky učení (Aleven a kol.,

2006). Jedním z nevhodných způsobů chování je snaha obelstít systém, kdy

studenti pro dosažení úspěchu využívají vlastností systému místo toho, aby

k tomu využívali svých znalostí nabytých učením (Baker a kol., 2008). Čas-

tým způsobem, jak se studenti snaží obelstít výukový systém zneužíváním

zpětné vazby je, že opakovaně žádají o radu, dokud jim systém neprozradí

řešení (Aleven a kol., 2016b). Při návrhu strategií pro zpětnou vazbu je tedy

nutné brát v úvahu riziko, že někteří studenti pravděpodobně nebudou vyu-

žívat zpětnou vazbu tak, jak je zamýšleno.

137

ZÁVĚR

Tato kniha vznikla na základě přesvědčení autora o důležitosti aplikace

umělé inteligence z pohledu vzdělávání. Tuto důležitost lze také ilustrovat

například zmíněním umělé inteligence v nejnovější výroční zprávě Horizon

report (Becker a kol., 2017). Dalším podnětem byl stav poznání této proble-

matiky v českém prostředí, ve kterém není příliš často souhrnně popisová-

na, a některá témata dokonce nejsou řešena téměř vůbec. Proto byl pro

předkládanou publikaci stanoven cíl tuto pomyslnou mezeru zaplnit

a poskytnout zájemců o problematiku aplikace umělé inteligence ve vzdělá-

vání hodnotný úvod do této problematiky. Kniha do českého prostředí při-

náší pohled, kterým je na oblast umělé inteligence ve vzdělávání nazíráno

v zahraničí, přičemž se snaží využít poznatky významných autorů z této ob-

lasti. 28

28 Mezi významné autory oblasti AIED mohou být na základě analýzy literatury zahrnuti

kupříkladu Kenneth Koedinger, Kurt VanLehn, Rosemary Luckin, John Self, Yanghee Kim, Sidney D'Mello, Ryan Baker, Vania Dimitrova, Antonija Mitrovic, Beverly P. Woolf, Judith Kay, Arthur C. Graesser, Ivon Arroy, Richard Mayer, Vincent Aleven, Stellan Ohlsson či Cristina Conati.

138

Tabulka č. 5: Shrnutí SWOT analýz všech pěti hlavních témat knihy

SILNÉ STRÁNKY SLABÉ STRÁNKY

Zpětná vazba v ITS Potenciál ITS pro poskytování zpět-né vazby

Testovací platforma

Náročnost vývoje

Personalizace zpětné vazby

Modelování studentů Potenciál pro výukové teorie

Dlouholetá tradice

Nedokona-losti modelů

Nedostatky vý-zkumu

Počítačové zpracování emocí

Emoce jako pod-statná součást učebního procesu

Obohacení teorií

Nedostateč-né teoretické základy

Nízká dostupnost AC technologií

Počítačové zpracování přirozeného jazyka

Automatizace procesů

Zdroj inteli-gence

Malá dostup-nost NLP systémů

Komplikovanost přirozeného jazyka

Pedagogičtí agenti Simulace skuteč-ného vyučujícího

Dostupnost Smíšené výsledky studií

Nejistá efektivita vložených pro-středků

PŘÍLEŽITOSTI HROZBY

Zpětná vazba v ITS Nové technolo-gie

Crowdsourcing Nesprávná zpětná vazba

Nesprávné vyu-žívání zpětné vazby

Modelování studentů Dlouhodobé modelování

Nové techniky Informační bublina

Bezpečnost a ochrana sou-kromí

Počítačové zpracování emocí

Zvýšená pozor-nost

Nové nástroje Etické pro-blémy

Negativní půso-bení na studenty

Počítačové zpracování přirozeného jazyka

Dostupnost dat M-learning Účelovost Off-task aktivity

Pedagogičtí agenti Celoživotní pe-dagogičtí agenti

Nové technolo-gie

Přílišná antro-pomorfizace

Kognitivní přetí-žení

Vysvětlivky: Každému bodu analýzy (slabé stránky, silné stránky, příležitosti, hroz-

by) náleží dvě položky vztahující se k dané kapitole. Položky analýzy jsou koncipo-

vány tak, že se buď vztahují k tématu kapitoly jako celku, nebo se vztahují ke

konkrétnější záležitosti.

Důležitou součástí knihy jsou rovněž SWOT analýzy, jež jsou součástí

každé kapitoly věnující se jednomu z pěti hlavních témat. Ty popisují stav

v těchto oblastech z pohledu silných stránek, slabých stránek, příležitostí

a hrozeb. Výsledky těchto analýz shrnuje tabulka č. 5 výše. Na základě těch-

to analýz lze vyvodit i řadu úsudků z hlediska zkoumaných témat jako celku.

Ze silných stránek vyplývá, že aplikování umělé inteligence může přispět

k obohacení jak výukových technologií, tak teorií vzdělávání. V rámci výuky

za pomoci inteligentních systémů jsou vyvíjeny a testovány modely studen-

139

tů, výuky a učení, které mohou tyto modelované procesy pomoci lépe pro-

zkoumat a zjistit, jaké metody a postupy jsou nejúčinnější.

Slabé stránky naznačují, že oblast je stále ve fázi vývoje, ve které se vý-

zkumníci musí vypořádávat s překážkami, které vyplývají ze zatím ještě ne-

vyspělých technologií, a s problémy týkajícími se výzkumu. Využívané

technologie jsou však postupně zdokonalovány a jsou vyvíjeny nové, které

by v budoucnu mohly posloužit pro účely oblasti umělé inteligence ve vzdě-

lávání – například virtuální realita, přenosná a nositelná zařízení nebo robo-

tika.

Analýza taktéž poukazuje na to, že při vývoji a používání inteligentních

výukových technologií se objevují rizika v různých podobách a je potřeba na

ně brát zřetel – pojí se s nimi etické problémy, nesprávné používání těchto

technologií či jejich možná negativní působení na studenty.

140

SEZNAM POUŽITÉ LITERATURY

1) AI, Hua a kol. Using System and User Performance Features to Improve

Emotion Detection in Spoken Tutoring Dialog. In: Proceedings of Interspeech.

2006. Dostupné také z: http://d-scholarship.pitt.edu/23214/1/ICSLP2006.pdf

2) AIMEUR, Esma a kol. In: Proceedings of the Eighth World Conference on Arti-

ficial Intelligence in Education. 1997, s. 119-126. Dostupné také z:

https://www.researchgate.net/publication/242628563

3) ALEVEN, Vincent a kol. Toward Meta-cognitive Tutoring: A Model of Help Se-

eking with a Cognitive Tutor. International Journal of Artificial Intelligence in

Education [online]. 2006, 16(2), 101-128 [cit. 2017-04-22]. Dostupné z:

http://repository.cmu.edu/cgi/viewcontent.cgi?article=1007&context=hcii

4) ALEVEN, Vincent A.W.M.M. a Kenneth R. KOEDINGER. An effective metaco-

gnitive strategy: learning by doing and explaining with a computer-based

Cognitive Tutor. Cognitive Science [online]. 2002, 26(2), 147-179 [cit. 2017-

04-20]. DOI: 10.1207/s15516709cog2602_1. ISSN 03640213. Dostupné z:

http://doi.wiley.com/10.1207/s15516709cog2602_1

5) ALEVEN, Vincent, Kenneth R. KOEDINGER a Octav POPESCU. A Tutorial Dia-

log System to Support SelfExplanation: Evaluation and Open Questions. In:

Proceedings of the 11th International Conference on Artificial Intelligence in

Education, AI-ED 2003. Amsterdam: IOS Press, 2003, s. 39-46. Dostupné také

z:

https://pdfs.semanticscholar.org/585a/0b4629a442742ac36826e668f0e7d

1225f09.pdf

6) ALEVEN, Vincent, Bruce M. MCLAREN, Kenneth R. KOEDINGER a .Towards

Computer-Based Tutoring of Help-Seeking Skills. Help seeking in academic

setting: Goals, groups, and contexts. 2006, 259-296. ISBN 0805852190.

7) ALEVEN, Vincent, Octav POPESCU a Kenneth KOEDINGER. Towards Tutorial

Dialog to Support SelfExplanation: Adding Natural Language Understanding

to a Cognitive Tutor. In: AI-ED in the Wired and Wireless Future, Proceedings

of AI-ED 2001. Amsterdam: IOS Press, 2001, s. 246-255. Dostupné také z:

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.16.9561&rep=rep

1&type=pdf

8) ALEVEN, Vincent, Ido ROLL, Bruce M. MCLAREN a Kenneth R. KOEDINGER.

Help Helps, But Only So Much: Research on Help Seeking with Intelligent Tu-

toring Systems. International Journal of Artificial Intelligence in Education [on-

line]. 2016b, 26(1), 205-223 [cit. 2017-04-22]. DOI: 10.1007/s40593-015-

0089-1. ISSN 15604292. Dostupné z:

http://link.springer.com/10.1007/s40593-015-0089-1

9) ALEVEN, Vincent, Jonathan SEWALL, Octav POPESCU, Michael RIN-

GENBERG, Martin VAN VELSEN a Sandra DEMI. Embedding Intelligent Tuto-

ring Systems in MOOCs and e-Learning Platforms. Proceedings of the 13th

International Conference on Intelligent Tutoring Systems, ITS 2016 [online].

Springer International Publishing, 2016a, s. 409 [cit. 2017-04-22]. DOI:

141

10.1007/978-3-319-39583-8_49. Dostupné z:

http://link.springer.com/10.1007/978-3-319-39583-8_49

10) ALEVEN, Vincent, Jonathan SEWALL, Octav POPESCU, et al. The Beginning

of a Beautiful Friendship? Intelligent Tutoring Systems and MOOCs [online].

2015, s. 525 [cit. 2017-04-22]. DOI: 10.1007/978-3-319-19773-9_53. Dostup-

né z: http://link.springer.com/10.1007/978-3-319-19773-9_53

11) ALEXANDER, Samuel, Abdolhossein SARRAFZADEH a Stephen HILL. Easy

with Eve: A Functional Affective Tutoring System. In: Workshop on Motivatio-

nal and Affective Issues in ITS. 8th International Conference on ITS 2006.

2006, s. 38-45.

12) ALHASSAN, Riyadh. Mobile Learning as a Method of Ubiquitous Learning:

Students’ Attitudes, Readiness, and Possible Barriers to Implementation in

Higher Education. Journal of Education and Learning [online]. 2015, 5(1), 176-

[cit. 2017-04-20]. DOI: 10.5539/jel.v5n1p176. ISSN 19275269. Dostupné z:

http://www.ccsenet.org/journal/index.php/jel/article/view/54900

13) ANDERSON, John R., Albert T. CORBETT, Kenneth R. KOEDINGER a Ray.

PELLETIER. Cognitive Tutors: Lessons Learned. Journal of the Learning

Sciences [online]. 1995, 4(2), 167-207 [cit. 2017-04-22]. DOI:

10.1207/s15327809jls0402_2. ISSN 10508406. Dostupné z:

http://www.tandfonline.com/doi/abs/10.1207/s15327809jls0402_2

14) ANDERSON, John R. a Christian. LEBIERE. The atomic components of thou-

ght. Mahwah, N.J.: Lawrence Erlbaum Associates, 1998. ISBN 0805828176.

Dostupné také z: http://act-r.psy.cmu.edu/book/Chapter1/index.html

15) ARROYO, Ivon a kol. Emotion Sensors Go To School. In: Proceedings of the

2009 conference on Artificial Intelligence in Education: Building Learning Sys-

tems that Care: From Knowledge Representation to Affective Modelling. Am-

sterdam, The Netherlands: IOS Press, 2009, s. 17-24. ISBN 978-1-60750-

028-5.

16) ARROYO, Ivon, Beverly Park WOOLF, Winslow BURELSON, Kasia MULDNER,

Dovan RAI a Minghui TAI. A Multimedia Adaptive Tutoring System for

Mathematics that Addresses Cognition, Metacognition and Affect. Internati-

onal Journal of Artificial Intelligence in Education [online]. 2014, 24(4), 387-

426 [cit. 2017-04-21]. DOI: 10.1007/s40593-014-0023-y. ISSN 15604292.

Dostupné z: http://link.springer.com/10.1007/s40593-014-0023-y

17) ATKINSON, Robert K., Richard E. MAYER a Mary Margaret MERRILL. Foste-

ring social agency in multimedia learning: Examining the impact of an ani-

mated agent’s voice. Contemporary Educational Psychology [online]. 2005,

30(1), 117-139 [cit. 2017-04-21]. DOI: 10.1016/j.cedpsych.2004.07.001. ISSN

0361476x. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S0361476X04000414

18) ATKINSON, Robert K., Richard E. MAYER a Mary Margaret MERRILL. Foste-

ring social agency in multimedia learning: Examining the impact of an ani-

mated agent’s voice. Contemporary Educational Psychology [online]. 2005,

30(1), 117-139 [cit. 2017-04-21]. DOI: 10.1016/j.cedpsych.2004.07.001. ISSN

0361476x. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S0361476X04000414

142

19) ATTALI, Yigal a Jill BURSTEIN. AUTOMATED ESSAY SCORING WITH E-

RATER® V.2.0. ETS Research Report Series [online]. 2004, 2004(2), i-21 [cit.

2017-04-20]. DOI: 10.1002/j.2333-8504.2004.tb01972.x. ISSN 23308516.

Dostupné z: http://doi.wiley.com/10.1002/j.2333-8504.2004.tb01972.x

20) ATTALI, Yigal a Jill BURSTEIN. Automated Essay Scoring With e-rater® V.2.

Journal of Technology, Learning, and Assessment [online]. 2006, 4(3) [cit.

2017-04-20]. Dostupné z:

https://resources.oncourse.iu.edu/access/content/user/mikuleck/Filemana

ger_Public_Files/L750%20Electronic%20Lang%20and%20Lit/Automated%20

Essay%20Scoring%20With%20e-rater%20V%202.pdf

21) AYLETT, R. S., S. LOUCHART, J. DIAS, A. PAIVA a M. VALA. FearNot! – An

Experiment in Emergent Narrative. International Workshop on Intelligent Vir-

tual Agents [online]. 2005, s. 305-316 [cit. 2017-04-21]. DOI:

10.1007/11550617_26. Dostupné z:

http://link.springer.com/10.1007/11550617_26

22) AYRES, Paul a John SWELLER. The Split-Attention Principle in Multimedia

Learning. The Cambridge Handbook of Multimedia Learning [online]. 2014, 2.

vyd. [cit. 2017-04-22].

23) AZEVEDO, Roger a Robert M. BERNARD. A Meta-Analysis of the Effects of

Feedback in Computer-Based Instruction. Journal of Educational Computing

Research [online]. 1995-1-1, 13(2), 111-127 [cit. 2017-04-22]. DOI:

10.2190/9LMD-3U28-3A0G-FTQT. ISSN 07356331. Dostupné z:

http://jec.sagepub.com/lookup/doi/10.2190/9LMD-3U28-3A0G-FTQT

24) BAHREINI, Kiavash, Rob NADOLSKI a Wim WESTERA. Towards multimodal

emotion recognition in e-learning environments. Interactive Learning Envi-

ronments [online]. 2016, 24(3), 590-605 [cit. 2017-04-20]. DOI:

10.1080/10494820.2014.908927. ISSN 10494820. Dostupné z:

http://www.tandfonline.com/doi/full/10.1080/10494820.2014.908927

25) BAKER, Michael. International Journal of Artificial Intelligence in Education

[online]. 2000, 2000, 11(2), 122-143 [cit. 2017-04-19]. Dostupné z:

http://ijaied.org/pub/1006/file/1006_paper.pdf

26) BAKER, Ryan a kol. Why Students Engage in "Gaming the System" Behavior

in Interactive Learning Environments. Journal of Interactive Learning Re-

search [online]. 2008, 19(2), 185-224 [cit. 2017-04-22]. Dostupné z:

https://eric.ed.gov/?id=EJ789079

27) BAKER, Ryan S.J.d. Modeling and understanding students' off-task behavior

in intelligent tutoring systems. In: Proceedings of the SIGCHI conference on

Human factors in computing systems - CHI '07 [online]. New York, New York,

USA: ACM Press, 2007, s. 1059- [cit. 2017-04-20]. DOI:

10.1145/1240624.1240785. ISBN 9781595935939. Dostupné z:

http://www.cs.cmu.edu/~rsbaker/BakerCHI2007Final.pdf

28) BAKER, Ryan S.J.d., Sidney K. D'MELLO, Ma.Mercedes T. RODRIGO a Arthur

C. GRAESSER. Better to be frustrated than bored: The incidence, persistence,

and impact of learners’ cognitive–affective states during interactions with

three different computer-based learning environments. International Journal

of Human-Computer Studies [online]. 2010, 68(4), 223-241 [cit. 2017-04-21].

143

DOI: 10.1016/j.ijhcs.2009.12.003. ISSN 10715819. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S1071581909001797

29) BAKER, Ryan Shaun, Albert T. CORBETT, Kenneth R. KOEDINGER a Angela

Z. WAGNER. Off-task behavior in the cognitive tutor classroom. In: Procee-

dings of the 2004 conference on Human factors in computing systems - CHI

'04 [online]. New York, New York, USA: ACM Press, 2004, s. 383-390 [cit.

2017-04-20]. DOI: 10.1145/985692.985741. ISBN 1581137028. Dostupné z:

http://www.columbia.edu/~rsb2162/p383-baker-rev.pdf

30) BAKER, Ryan a Kalina YACEFOVÁ. The State of Educational Data Mining in

2009: A Review and Future Visions. Journal of Educational Data Mining.

2009, 1(1), 3-16.

31) BANDURA, Albert. Human agency in social cognitive theory. American Psy-

chologist [online]. 1989, 44(9), 1175-1184 [cit. 2017-04-21]. DOI:

10.1037/0003-066X.44.9.1175. ISSN 1935990x. Dostupné z:

http://doi.apa.org/getdoi.cfm?doi=10.1037/0003-066X.44.9.1175

32) BANDURA., Albert, ed. Self efficacy in changing societies: [papers based on

the proceedings of the third annual conference, held Nov. 4-6, 1993, at the

Johann Jacobs Foundation Communication Center, Marbach Castle, Germa-

ny]. Cambridge: University Press, 2002. ISBN 9780521586962.

33) BARBA, Ricardo, Ángel P. DE MADRID a Jesús G. BOTICARIO. Development

of an Inexpensive Sensor Network for Recognition of Sitting Posture. Inter-

national Journal of Distributed Sensor Networks [online]. 2015, 11(8), 969237-

[cit. 2017-04-21]. DOI: 10.1155/2015/969237. ISSN 15501477. Dostupné z:

http://journals.sagepub.com/doi/10.1155/2015/969237

34) BAREFOOT, John. Hostility, CHD Incidence, and Total Mortality: A 25-Year

Follow-Up Study of 255 Physicians. Psychosomatic Medicine:

http://journals.lww.com/psychosomaticmedicine/Abstract/1983/03000/Host

ility,_CHD_Incidence,_and_Total_Mortality__A.8.aspx. 1983, 45(1).

35) BARR, Avron. a Edward A. FEIGENBAUM, ed. The handbook of artificial in-

telligence. Stanford: Heuristech Press, c1982. ISBN 08-657-6006-3.

36) BECK, Joseph, Mia STERN a Erik HAUGSJAA. Applications of AI in educati-

on. Crossroads [online]. 2005, 3(1), 11-15 [cit. 2017-04-19]. DOI:

10.1145/332148.332153. ISSN 15284972. Dostupné z:

http://www.info2.uqam.ca/~nkambou_r/DIC9340/seances/seance1/aiedBe

ck.pdf

37) BECKER-ASANO, Christian. WASABI: affect simulation for agents with belie-

vable interactivity. Heidelberg: AKA, c2008. Dissertationen zur ku nstlichen In-

telligenz, Bd. 319. ISBN 9781586039110.

38) BECKER, Adams, M. CUMMINS, A. DAVIS, A. FREEMAN, C. HALL GIESINGER

a V. ANANTHANARAYANAN. NMC Horizon report: 2017 Higher Education

Edition. Austin, Texas: The New Media Consortium, 2017. ISBN 978-0-

9977215-7-7.

39) BECKER, Christian, Stefan KOPP a Ipke WACHSMUTH. Why Emotions

should be Integrated into Conversational Agents. Conversational Informatics

[online]. Chichester, UK: John Wiley, 2007, s. 49 [cit. 2017-04-21]. DOI:

144

10.1002/9780470512470.ch3. ISBN 9780470512470. Dostupné z:

http://doi.wiley.com/10.1002/9780470512470.ch3

40) BERNHARDT, Elizabeth B., Raymond J. RIVERA a Michael L. KAMIL. The

Practicality and Efficiency of Web-Based Placement Testing for College-

Level Language Programs. Foreign Language Annals [online]. 2004, 37(3),

356-365 [cit. 2017-04-20]. DOI: 10.1111/j.1944-9720.2004.tb02694.x. ISSN

0015718x. Dostupné z: http://doi.wiley.com/10.1111/j.1944-

9720.2004.tb02694.x

41) BISWAS, Gautam, Krittaya LEELAWONG, Daniel SCHWARTZ, Nancy VYE a

THE TEACHABLE AGENTS GROUP AT VANDE. LEARNING BY TEACHING: A

NEW AGENT PARADIGM FOR EDUCATIONAL SOFTWARE. Applied Artificial

Intelligence [online]. 2005, 19(3-4), 363-392 [cit. 2017-04-21]. DOI:

10.1080/08839510590910200. ISSN 08839514. Dostupné z:

http://www.tandfonline.com/doi/abs/10.1080/08839510590910200

42) BISWAS, Gautam, James R. SEGEDY a Kritya BUNCHONGCHIT. From De-

sign to Implementation to Practice a Learning by Teaching System: Betty’s

Brain. International Journal of Artificial Intelligence in Education [online]. 2016,

26(1), 350-364 [cit. 2017-04-21]. DOI: 10.1007/s40593-015-0057-9. ISSN

15604292. Dostupné z: http://link.springer.com/10.1007/s40593-015-0057-

9

43) BLOOM, B. S. The 2 Sigma Problem: The Search for Methods of Group In-

struction as Effective as One-to-One Tutoring. Educational Researcher [onli-

ne]. 1984, 13(6), 4-16 [cit. 2017-04-20]. DOI: 10.3102/0013189X013006004.

ISSN 0013-189x. Dostupné z:

http://edr.sagepub.com/cgi/doi/10.3102/0013189X013006004

44) BRNA, Paul. Artificial intelligence in educational software: has its time come?

British Journal of Educational Technology [online]. 1999, 30(1), 79-81 [cit.

2017-04-19]. DOI: 10.1111/1467-8535.00095. ISSN 0007-1013. Dostupné z:

http://doi.wiley.com/10.1111/1467-8535.00095

45) BROEKENS, Joost, Tibor BOSSE a Stacy C. MARSELLA. Challenges in Com-

putational Modeling of Affective Processes. IEEE Transactions on Affective

Computing [online]. 2013, 4(3), 242-245 [cit. 2017-04-21]. DOI: 10.1109/T-

AFFC.2013.23. ISSN 19493045. Dostupné z:

http://ieeexplore.ieee.org/document/6627904/

46) BRUSILOVSKY, Peter a Eva MILLÁN. User Models for Adaptive Hypermedia

and Adaptive Educational Systems. The Adaptive Web [online]. Berlin, Heidel-

berg: Springer Berlin Heidelberg, 2007, 3 [cit. 2017-04-19]. DOI: 10.1007/978-

3-540-72079-9_1. ISBN 978-3-540-72078-2. Dostupné z:

http://link.springer.com/10.1007/978-3-540-72079-9_1

47) BRUSILOVSKY, Peter, Elmar SCHWARZ a Gerhard WEBER. ELM-ART: An in-

telligent tutoring system on world wide web [online]. 1996, 261-269 [cit. 2017-

04-20]. DOI: 10.1007/3-540-61327-7_123. Dostupné z:

http://www.contrib.andrew.cmu.edu/~plb/ITS96.html

48) BRUSILOVSKY, Peter, Sibel SOMYÜREK, Julio GUERRA, Roya HOSSEINI a

Vladimir ZADOROZHNY. The Value of Social: Comparing Open Student Mode-

ling and Open Social Student Modeling [online]. 44 [cit. 2017-04-20]. DOI:

145

10.1007/978-3-319-20267-9_4. Dostupné z:

http://link.springer.com/10.1007/978-3-319-20267-9_4

49) BULL, Susan a Judy KAY. Student Models that Invite the Learner In: The

SMILI:) Open Learner Modelling Framework. International Journal of Artificial

Intelligence in Education [online]. 2007, 17(2), 89-120 [cit. 2017-04-20]. Do-

stupné z:

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.483.810&rep=rep

1&type=pdf

50) BURSTEIN, Jill. Opportunities for Natural Language Processing Research in

Education. Lecture Notes in Computer Science [online]. Berlin: Springer, 2009,

s. 6 [cit. 2017-04-20]. DOI: 10.1007/978-3-642-00382-0_2. Dostupné z:

http://link.springer.com/10.1007/978-3-642-00382-0_2

51) BURSTEIN, Jill, Lisa BRADEN-HARDER, Martin CHODOROW, et al. Computer

analysis of essay content for automated score prediction: a prototype au-

tomated scoring system for gmat analytical writing assessment essays.

ETS Research Report Series [online]. 1998, 1998(1), i-67 [cit. 2017-04-20]. DOI:

10.1002/j.2333-8504.1998.tb01764.x. ISSN 23308516. Dostupné z:

http://doi.wiley.com/10.1002/j.2333-8504.1998.tb01764.x

52) BURTON, Richard R. a John Seely BROWN. An investigation of computer

coaching for informal learning activities. International Journal of Man-

Machine Studies [online]. 1979, 11(1), 5-24 [cit. 2017-04-22]. DOI:

10.1016/S0020-7373(79)80003-6. ISSN 00207373. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S0020737379800036

53) BUTLER, Deborah L. a Philip H. WINNE. Feedback and self-regulated lear-

ning: A theoretical synthesis. Review of Educational Research [online]. 1995,

65(3), 245-281 [cit. 2017-04-22]. DOI: 10.2307/1170684. ISSN 00346543.

Dostupné z: http://www.jstor.org/stable/pdf/1170684.pdf

54) CALISKAN, Aylin, Joanna J. BRYSON a Arvind NARAYANAN. Semantics de-

rived automatically from language corpora contain human-like biases.

Science [online]. 356(6334), 183-186 [cit. 2017-04-21]. DOI:

10.1126/science.aal4230. Dostupné z:

http://science.sciencemag.org/content/356/6334/183.full

55) CALVO, Rafael A. a Sidney. D'MELLO. New perspectives on affect and lear-

ning technologies. London: Springer, 2011. Explorations in the learning

sciences, instructional systems and performance technologies, v. 3. ISBN

1441996249.

56) CALVO, Rafael A., Sidney. D'MELLO, Jonathan GRATCH a Arvid KAPPAS. The

Oxford handbook of affective computing. Oxford: Oxford University Press,

2015. ISBN 0199942234.

57) CANDIDO, Arnaldo Jr. a kol. Supporting the adaptation of texts for poor lite-

racy readers: a text simplification editor for Brazilian Portuguese. In: Procee-

dings of the Fourth Workshop on Innovative Use of NLP for Building

Educational Applications. Stroudsburg, USA: Association for Computational

Linguistics, 2009, s. 34-42. ISBN 978-1-932432-37-4. Dostupné také z:

http://dl.acm.org/citation.cfm?id=1609843.1609848

146

58) CARBONELL, Jaime. AI in CAI: An Artificial-Intelligence Approach to Compu-

ter-Assisted Instruction. IEEE Transactions on Man Machine Systems [onli-

ne]. 1970, 11(4), 190-202 [cit. 2017-04-20]. DOI:

10.1109/TMMS.1970.299942. ISSN 0536-1540. Dostupné z:

http://ieeexplore.ieee.org/document/4081977/

59) CARRIÓ-PASTOR, María Luisa a Eva M. Mestre MESTRE. Motivation in Se-

cond Language Acquisition. Procedia - Social and Behavioral Sciences [onli-

ne]. 2014, 116, 240-244 [cit. 2017-04-22]. DOI: 10.1016/j.sbspro.2014.01.201.

ISSN 18770428. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S187704281400202X

60) CARROLL, John a kol. Simplifying Text for Language-Impaired Readers. In: N

Proceedings of the 9th Conference of the European Chapter of the ACL

(EACL'99). 1999. Dostupné také z:

http://wing.comp.nus.edu.sg/~antho/E/E99/E99-1042.pdf

61) CLARK, D a SJ STUPLE. Developing for Microsoft Agent. Redmond, Wash.:

Microsoft Press, c1998. ISBN 1572317205.

62) CLARK, Richard E. a Sunhee CHOI. The questionable benefits of pedagogical

agents: Response to Veletsianos. Journal of Educational Computing Re-

search [online]. 2007, 36(4), 379-381 [cit. 2017-04-22]. DOI: 10.2190/2781-

3471-67MG-5033. ISSN 07356331.

63) COHN, Jeffrey a Paul EKMAN. MEASURING FACIAL ACTION. In: The New

Handbook of Methods in Nonverbal Behavior Research. Oxford: Oxford Uni-

versity Press, 2005, s. 9-65. Dostupné také z:

http://www.pitt.edu/~jeffcohn/biblio/Cohn%26Ekman2005.pdf

64) CONATI, Cristina a Mirela GUTICA. Interaction with an Edu-Game: A Detailed

Analysis of Student Emotions and Judges’ Perceptions. International Journal

of Artificial Intelligence in Education [online]. 2016, 26(4), 975-1010 [cit. 2017-

04-21]. DOI: 10.1007/s40593-015-0081-9. ISSN 15604292. Dostupné z:

http://link.springer.com/10.1007/s40593-015-0081-9

65) CONATI, Cristina a Samad KARDAN. Student Modeling: Supporting Persona-

lized Instruction, from Problem Solving to Exploratory Open Ended Activities.

AI MAGAZINE [online]. 2013, 34(3), 13-26 [cit. 2017-04-19]. Dostupné z:

https://vvvvw.aaai.org/ojs/index.php/aimagazine/article/view/2483/2376

66) CONATI, Cristina a Heather MACLAREN. Empirically building and evaluating

a probabilistic model of user affect. User Modeling and User-Adapted Intera-

ction [online]. 2009, 19(3), 267-303 [cit. 2017-04-21]. DOI: 10.1007/s11257-

009-9062-8. ISSN 09241868. Dostupné z:

http://link.springer.com/10.1007/s11257-009-9062-8

67) CONATI, Cristina a Micheline MANSKE. Evaluating Adaptive Feedback in an

Educational Computer Game. In: Proceedings Intelligent Virtual Agents, 9th

International Conference, IVA 2009 [online]. 2009, s. 146 [cit. 2017-04-22].

DOI: 10.1007/978-3-642-04380-2_18. Dostupné z:

https://pdfs.semanticscholar.org/bfe2/5586c90d4b94c9f0990df3a31cd402

708ad5.pdf

68) CRAIG, Scotty, Arthur GRAESSER, Jeremiah SULLINS a Barry GHOLSON.

Affect and learning: An exploratory look into the role of affect in learning with

147

AutoTutor. Journal of Educational Media [online]. 2004, 29(3), 241-250 [cit.

2017-04-21]. DOI: 10.1080/1358165042000283101. ISSN 13581651. Do-

stupné z:

http://www.tandfonline.com/doi/abs/10.1080/1358165042000283101

69) CSIKSZENTMIHALYI, Mihaly. Beyond boredom and anxiety. 25th anniversary

ed. San Francisco: Jossey-Bass Publishers, c2000. ISBN 9780787951405.

70) CUMMING, Geoff a Anne MCDOUGALL. Mainstreaming AIED into Educati-

on? International Journal of Artificial Intelligence in Education [online]. 11(2),

197-207 [cit. 2017-04-19]. Dostupné z:

http://iaied.org/pub/948/file/948_paper.pdf

71) ČERNÝ, Michal. 12 trendů v české softwarové ekonomice: technologické,

ekonomické, sociální a etické aspekty ICT. Brno: Masarykova univerzita, 2014.

ISBN 9788021068032.

72) D'MELLO, Sidney. Monitoring Affective Trajectories During Complex Lear-

ning. Encyclopedia of the Sciences of Learning [online]. Boston, MA: Springer

US, 2012, s. 2325 [cit. 2017-04-21]. DOI: 10.1007/978-1-4419-1428-6_849.

ISBN 9781441914279. Dostupné z:

http://www.springerlink.com/index/10.1007/978-1-4419-1428-6_849

73) D'MELLO, Sidney a Art GRAESSER. AutoTutor and affective autotutor. ACM

Transactions on Interactive Intelligent Systems [online]. 2012, 2(4), 1-39 [cit.

2017-04-21]. DOI: 10.1145/2395123.2395128. ISSN 21606455. Dostupné z:

http://dl.acm.org/citation.cfm?doid=2395123.2395128

74) D'MELLO, Sidney, Andrew OLNEY, Claire WILLIAMS a Patrick HAYS. Gaze tu-

tor: A gaze-reactive intelligent tutoring system. International Journal of Hu-

man-Computer Studies [online]. 2012, 70(5), 377-398 [cit. 2017-04-21]. DOI:

10.1016/j.ijhcs.2012.01.004. ISSN 10715819. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S1071581912000250

75) D’MELLO, Sidney a kol. I Feel Your Pain: A Selective Review of Affect-

Sensitive Instructional Strategies. Design Recommendations for Adaptive In-

telligent Tutoring Systems: Volume 2 – Instructional Management [online]. Or-

lando, FL: U.S. Army Research Laboratory, 2014, , 35-48 [cit. 2017-04-20].

Dostupné z: http://www.columbia.edu/~rsb2162/dmello-arl14-affect.pdf

76) D’MELLO, Sidney K., Scotty D. CRAIG, Amy WITHERSPOON, Bethany

MCDANIEL a Arthur GRAESSER. Automatic detection of learner’s affect

from conversational cues. User Modeling and User-Adapted Interaction [onli-

ne]. 2008, 18(1-2), 45-80 [cit. 2017-04-21]. DOI: 10.1007/s11257-007-9037-6.

ISSN 09241868. Dostupné z: http://link.springer.com/10.1007/s11257-007-

9037-6

77) D’MELLO, Sidney a Art GRAESSER. Dynamics of affective states during

complex learning. Learning and Instruction [online]. 2012, 22(2), 145-157 [cit.

2017-04-21]. DOI: 10.1016/j.learninstruc.2011.10.001. ISSN 09594752. Do-

stupné z: http://linkinghub.elsevier.com/retrieve/pii/S0959475211000806

78) D’MELLO, Sidney, Blair LEHMAN, Reinhard PEKRUN a Art GRAESSER. Con-

fusion can be beneficial for learning. Learning and Instruction [online]. 2014,

29, 153-170 [cit. 2017-04-21]. DOI: 10.1016/j.learninstruc.2012.05.003. ISSN

148

09594752. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S0959475212000357

79) DANINE, A., B. LEFEBVRE a A. MAYERS. TIDES - Using Bayesian Networks

for Student Modeling. Sixth IEEE International Conference on Advanced Lear-

ning Technologies (ICALT'06) [online]. IEEE, 2006, , 1002-1007 [cit. 2017-04-

20]. DOI: 10.1109/ICALT.2006.1652614. ISBN 0-7695-2632-2. Dostupné z:

http://ieeexplore.ieee.org/document/1652614/

80) DARWIN, Charles a Paul EKMAN. The expression of the emotions in man and

animals. 3rd ed. London: HarperCollins Publishers, 1998. ISBN 0002558661.

81) DE LA CHICA, Sebastian a kol. Pedagogically useful extractive summaries

for science education. In: COLING '08 Proceedings of the 22nd International

Conference on Computational Linguistics. USA: Association for Computatio-

nal Linguistics, 2008, s. 177-184. Dostupné také z:

http://dl.acm.org/citation.cfm?id=1599104

82) DEL SOLDATO, Teresa a Benedict DU BOULAY. Implementation of motivati-

onal tactics in tutoring systems. Journal of Artificial Intelligence in Education

[online]. 1995, 6(4), 337-378 [cit. 2017-04-22]. ISSN 10431020. Dostupné z:

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.104.8551&rep=re

p1&type=pdf

83) DENNIS, Matt, Judith MASTHOFF a Chris MELLISH. Adapting Progress Fee-

dback and Emotional Support to Learner Personality. International Journal of

Artificial Intelligence in Education [online]. 2016, 26(3), 877-931 [cit. 2017-04-

22]. DOI: 10.1007/s40593-015-0059-7. ISSN 15604292. Dostupné z:

http://link.springer.com/10.1007/s40593-015-0059-7

84) DESMARAIS, Michel C. a Ryan S. J. d. BAKER. A review of recent advances in

learner and skill modeling in intelligent learning environments. User Modeling

and User-Adapted Interaction [online]. 2012, 22(1-2), 9-38 [cit. 2017-04-20].

DOI: 10.1007/s11257-011-9106-8. ISSN 0924-1868. Dostupné z:

http://link.springer.com/10.1007/s11257-011-9106-8

85) DESMARAIS, Michel C. a Ryan S. J. d. BAKER. A review of recent advances in

learner and skill modeling in intelligent learning environments. User Modeling

and User-Adapted Interaction [online]. 2012, 22(1-2), 9-38 [cit. 2017-04-20].

DOI: 10.1007/s11257-011-9106-8. ISSN 0924-1868. Dostupné z:

http://link.springer.com/10.1007/s11257-011-9106-8

86) DI EUGENIO, Barbara a kol. Be Brief, And They Shall Learn: Generating Con-

cise Language Feedback for a Computer Tuto. International Journal of Artifi-

cial Intelligence in Education [online]. 2008, 18(4), 317-345 [cit. 2017-04-20].

Dostupné z: http://iaied.org/pub/1009/file/1009_DiEugenio08.pdf

87) DOAN, Anhai, Raghu RAMAKRISHNAN a Alon Y. HALEVY. Crowdsourcing

systems on the World-Wide Web. Communications of the ACM [online].

2011, 54(4), 86- [cit. 2017-04-22]. DOI: 10.1145/1924421.1924442. ISSN

00010782. Dostupné z:

http://portal.acm.org/citation.cfm?doid=1924421.1924442

88) DOMAGK, Steffi. Do Pedagogical Agents Facilitate Learner Motivation and

Learning Outcomes? Journal of Media Psychology [online]. 2010, 22(2), 84-97

[cit. 2017-04-21]. DOI: 10.1027/1864-1105/a000011. ISSN 18641105. Do-

149

stupné z: http://econtent.hogrefe.com/doi/abs/10.1027/1864-

1105/a000011

89) DRUZDZEL, Marek. SMILE: Structural Modeling, Inference, and Learning En-

gine and GeNIe: a development environment for graphical decision-theoretic

models DOI. In: AAAI-99: Proceedings of the Sixteenth National Conference on

Artificial Intelligence. AAAI Press, 1999, s. 342-343. ISBN 978-0262511063.

90) DU BOULAY, Benedict a Teresa DEL SOLDATO. Implementation of Motivati-

onal Tactics in Tutoring Systems: 20 years on. International Journal of Artifi-

cial Intelligence in Education [online]. 2016, 26(1), 170-182 [cit. 2017-04-22].

DOI: 10.1007/s40593-015-0052-1. ISSN 15604292. Dostupné z:

http://link.springer.com/10.1007/s40593-015-0052-1

91) DU BOULAY, Benedict a Rosemary LUCKIN. Modelling Human Teaching

Tactics and Strategies for Tutoring Systems. International Journal of Artifi-

cial Intelligence in Education [online]. 2001, 12, 235-256 [cit. 2017-04-22]. DOI:

10.1007/s40593-015-0053-0. ISSN 1560-4292. Dostupné z:

http://users.sussex.ac.uk/~bend/papers/final%20modelling.pdf

92) DU BOULAY, Benedict a Rosemary LUCKIN. Modelling Human Teaching

Tactics and Strategies for Tutoring Systems: 14 Years On. International

Journal of Artificial Intelligence in Education [online]. 2016, 26(1), 393-404 [cit.

2017-04-22]. DOI: 10.1007/s40593-015-0053-0. ISSN 15604292. Dostupné z:

http://link.springer.com/10.1007/s40593-015-0053-0

93) DUNLOSKY, John, Katherine A. RAWSON, Elizabeth J. MARSH, Mitchell J.

NATHAN a Daniel T. WILLINGHAM. Improving Students’ Learning With

Effective Learning Techniques. Psychological Science in the Public Interest

[online]. 2013, 14(1), 4-58 [cit. 2017-04-20]. DOI:

10.1177/1529100612453266. ISSN 15291006. Dostupné z:

http://journals.sagepub.com/doi/10.1177/1529100612453266

94) DUNSWORTH, Qi a Robert K. ATKINSON. Fostering multimedia learning of

science: Exploring the role of an animated agent’s image. Computers & Edu-

cation [online]. 2007, 49(3), 677-690 [cit. 2017-04-22]. DOI:

10.1016/j.compedu.2005.11.010. ISSN 03601315. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S0360131505001715

95) DWECK, Carol S. Motivational processes affecting learning. American Psy-

chologist [online]. 1986, 41(10), 1040-1048 [cit. 2017-04-22]. DOI:

10.1037/0003-066X.41.10.1040. ISSN 1935990x. Dostupné z:

http://doi.apa.org/getdoi.cfm?doi=10.1037/0003-066X.41.10.1040

96) EASTERDAY, Matthew W., Daniel REES LEWIS a Elizabeth M. GERBER. De-

signing Crowdcritique Systems for Formative Feedback. International Jour-

nal of Artificial Intelligence in Education [online]. 2016, , - [cit. 2017-04-22]. DOI:

10.1007/s40593-016-0125-9. ISSN 15604292. Dostupné z:

http://link.springer.com/10.1007/s40593-016-0125-9

97) ESTRADA, Carlos A, Alice M ISEN a Mark J YOUNG. Positive Affect Facilita-

tes Integration of Information and Decreases Anchoring in Reasoning

among Physicians. Organizational Behavior and Human Decision Processes

[online]. 1997, 72(1), 117-135 [cit. 2017-04-19]. DOI:

150

10.1006/obhd.1997.2734. ISSN 07495978. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S0749597897927345

98) FEDERICO, Pat-Anthony. Hypermedia environments and adaptive instructi-

on. Computers in Human Behavior [online]. 1999, 15(6), 653-692 [cit. 2017-

04-20]. DOI: 10.1016/S0747-5632(99)00044-8. ISSN 07475632. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S0747563299000448

99) FEIGENBAUM, Edward A. Some challenges and grand challenges for com-

putational intelligence. Journal of the ACM [online]. 2003, 50(1), 32-40 [cit.

2017-04-20]. DOI: 10.1145/602382.602400. ISSN 00045411. Dostupné z:

http://portal.acm.org/citation.cfm?doid=602382.602400

100) FESTINGER, Leon. A theory of cognitive dissonance. Stanford: Stanford Uni-

versity Press, 1962. ISBN 9780804709118.

101) FISHER, SANDRA L. a J. KEVIN FORD. DIFFERENTIAL EFFECTS OF LEAR-

NER EFFORT AND GOAL ORIENTATION ON TWO LEARNING OUTCOMES.

Personnel Psychology [online]. 1998, 51(2), 397-420 [cit. 2017-04-22]. DOI:

10.1111/j.1744-6570.1998.tb00731.x. ISSN 00315826. Dostupné z:

http://doi.wiley.com/10.1111/j.1744-6570.1998.tb00731.x

102) FLASIŃSKI, Mariusz, ed. Introduction to Artificial Intelligence. Cham: Springer

International Publishing, 2016. DOI: 10.1007/978-3-319-40022-8. ISBN 978-

3-319-40020-4.

103) FLESCH, Rudolph. A new readability yardstick. Journal of Applied Psychology

[online]. 1948, 32(3), 221-233 [cit. 2017-04-20]. Dostupné z:

http://psycnet.apa.org/journals/apl/32/3/221/

104) FLEUREAU, Julien, Philippe GUILLOTEL a Izabela ORLAC. Affective Ben-

chmarking of Movies Based on the Physiological Responses of a Real Audi-

ence. In: 2013 Humaine Association Conference on Affective Computing and

Intelligent Interaction [online]. IEEE, 2013, s. 73-78 [cit. 2017-04-21]. DOI:

10.1109/ACII.2013.19. ISBN 9780769550480. Dostupné z:

http://ieeexplore.ieee.org/document/6681410/

105) Assessment of interactive systems. FRASER, Norman. In Handbook of Stan-

dards and Resources for Spoken Language Systems. New York: Mouton de

Gruyter, 1997, s. 564–614.

106) GARNER, Ruth, Mark G. GILLINGHAM a C . Stephen WHITE. Effects of

'Seductive Details' on Macroprocessing and Microprocessing in Adults and

Children. Cognition and Instruction [online]. 1989, 6(1), 41-57 [cit. 2017-04-

21]. DOI: 10.1207/s1532690xci0601_2. ISSN 07370008. Dostupné z:

http://www.tandfonline.com/doi/abs/10.1207/s1532690xci0601_2

107) GHAHRAMANI, Zoubin. Probabilistic machine learning and artificial intelli-

gence. Nature. 2015-5-27, 521(7553), 452-459. DOI: 10.1038/nature14541.

ISSN 0028-0836. Dostupné také z:

http://www.nature.com/doifinder/10.1038/nature14541

108) GILBERT, John K. Models and Modelling: Routes to More Authentic Science

Education. International Journal of Science and Mathematics Education [onli-

ne]. 2004, 2(2), 115-130 [cit. 2017-04-19]. DOI: 10.1007/s10763-004-3186-4.

ISSN 1571-0068. Dostupné z: http://link.springer.com/10.1007/s10763-004-

3186-4

151

109) GOLDIN, Ilya, Susanne NARCISS, Peter FOLTZ a Malcolm BAUER. New Di-

rections in Formative Feedback in Interactive Learning Environments. Inter-

national Journal of Artificial Intelligence in Education [online]. 2017, , - [cit.

2017-04-22]. DOI: 10.1007/s40593-016-0135-7. ISSN 15604292. Dostupné z:

http://link.springer.com/10.1007/s40593-016-0135-7

110) GRAESSER, Art, Yasuhiro OZURU, a Jeremiah SULLINS. What is a good

question? In: Bringing reading research to life. New York, USA: Guilford Press,

2010, s. 112-141. ISBN 978-1606234747.

111) GRAESSER, Arthur a kol. Intelligent Tutoring Systems with Conversational

Dialogue. AI Magazine [online]. 2001, 22(4), 39-51 [cit. 2017-04-20]. Dostupné

z: https://www.aaai.org/ojs/index.php/aimagazine/article/view/1591/1490

112) GRAESSER, Arthur C. a Danielle S. MCNAMARA. Automated analysis of

essays and open-ended verbal responses. APA handbook of research met-

hods in psychology, Vol 1: Foundations, planning, measures, and psychome-

trics [online]. Washington: American Psychological Association, 2012, s. 307-

325 [cit. 2017-04-20]. DOI: 10.1037/13619-017. ISBN 1433810042. Dostupné

z: http://content.apa.org/books/13619-017

113) GRAESSER, Arthur, Sidney D’MELLO a Natalie PERSON. Meta-Knowledge in

Tutoring. In: Handbook of metacognition in education. New York: Taylor &

Francis, 2009, s. 361-382. ISBN 0-203-87642-3.

114) GWO-DONG CHEN, JIH-HSIEN LEE, CHIN-YEH WANG, PO-YAO CHAO, LI-

ANG-YI LI a TZUNG- YI LEE. An Empathic Avatar in a Computer-Aided Lear-

ning Program to Encourage and Persuade Learners. Journal of Educational

Technology [online]. 2012, 15(2), 62-72 [cit. 2017-04-21]. ISSN 14364522.

115) HABERNAL, Ivan, Johannes DAXENBERGER a Iryna GUREVYCH. Mass

Collaboration on the Web: Textual Content Analysis by Means of Natural

Language Processing. Mass Collaboration and Education [online]. Cham:

Springer International Publishing, 2016, s. 367 [cit. 2017-04-20]. DOI:

10.1007/978-3-319-13536-6_18. ISBN 9783319135359. Dostupné z:

http://link.springer.com/10.1007/978-3-319-13536-6_18

116) HARLEY, Jason. Measuring Emotions: A Survey of Cutting-Edge Methodolo-

gies Used in Computer-Based Learning Environment Research. In: Emotions,

Technology, Design, and Learning. London, UK: Academic Press, Elsevier,

2015, s. 89-114. Dostupné také z:

https://www.researchgate.net/profile/Jason_Harley/publication/294874820

_Measuring_Emotions_A_Survey_of_Cutting-

Edge_Methodologies_Used_in_Computer-

Based_Learning_Environment_Research/links/56c4eed508aeeeffa9e5dbec.

pdf

117) HASCHER, Tina. Learning and Emotion: Perspectives for Theory and Re-

search. European Educational Research Journal [online]. 2010, 9(1), 13-28

[cit. 2017-04-21]. DOI: 10.2304/eerj.2010.9.1.13. ISSN 14749041. Dostupné z:

http://journals.sagepub.com/doi/10.2304/eerj.2010.9.1.13

118) HATTIE, J. a H. TIMPERLEY. The Power of Feedback. Review of Educational

Research [online]. 2007, 77(1), 81-112 [cit. 2017-04-22]. DOI:

152

10.3102/003465430298487. ISSN 00346543. Dostupné z:

http://rer.sagepub.com/cgi/doi/10.3102/003465430298487

119) HEFFERNAN, Neil T., Korinn S. OSTROW, Kim KELLY, Douglas SELENT, Eric

G. VAN INWEGEN, Xiaolu XIONG a Joseph Jay WILLIAMS. The Future of

Adaptive Learning: Does the Crowd Hold the Key? International Journal of Ar-

tificial Intelligence in Education [online]. 2016, 26(2), 615-644 [cit. 2017-04-22].

DOI: 10.1007/s40593-016-0094-z. ISSN 15604292. Dostupné z:

http://link.springer.com/10.1007/s40593-016-0094-z

120) HEIDIG, Steffi a Geraldine CLAREBOUT. Do pedagogical agents make a diffe-

rence to student motivation and learning? Educational Research Review [on-

line]. 2011, 6(1), 27-54 [cit. 2017-04-22]. DOI: 10.1016/j.edurev.2010.07.004.

ISSN 1747938x. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S1747938X10000424

121) HERNANDEZ, Javier, Daniel MCDUFF, Xavier BENAVIDES, Judith AMORES,

Pattie MAES a Rosalind PICARD. AutoEmotive. In: Proceedings of the 2014

companion publication on Designing interactive systems - DIS Companion '14

[online]. New York, New York, USA: ACM Press, 2014, s. 53-56 [cit. 2017-04-

21]. DOI: 10.1145/2598784.2602780. ISBN 9781450329033. Dostupné z:

http://dl.acm.org/citation.cfm?doid=2598784.2602780

122) HERNANDEZ, Javier a Rosalind W. PICARD. SenseGlass. In: Proceedings of

the adjunct publication of the 27th annual ACM symposium on User interface

software and technology - UIST'14 Adjunct [online]. New York, New York,

USA: ACM Press, 2014, s. 77-78 [cit. 2017-04-21]. DOI:

10.1145/2658779.2658784. ISBN 9781450330688. Dostupné z:

http://dl.acm.org/citation.cfm?doid=2658779.2658784

123) HIETALA, Pentti a Timo NIEMIREPO. The competence of learning compani-

on agents. International Journal of Artificial Intelligence in Education [online].

1998, 9, 178-192 [cit. 2017-04-21]. Dostupné z:

http://iaied.org/pub/1086/file/1086_paper.pdf

124) HOLTGRAVES, Thomas M., Cindy K. CHUNG a James W. PENNEBAKER.

Using Computerized Text Analysis to Track Social Processes. The Oxford

Handbook of Language and Social Psychology [online]. Oxford University

Press, 2014, s. 219-230 [cit. 2017-04-20]. DOI:

10.1093/oxfordhb/9780199838639.013.037. Dostupné z:

https://books.google.cz/books?id=nWf0AwAAQBAJ&printsec=frontcover&hl

=cs

125) HOSKA, Dorthy. Motivating learners through CBI feedback: Developing a po-

sitive learner perspective. In: Interactive instruction and feedback. NJ, USA:

Educational Technology Publications Englewood Cliffs, 1993, s. 105-132.

ISBN ISBN:0877782601.

126) HUDLICKA, Eva. Affective Computing for Game Design. In: Proceedings of

the 4th Intl. North American Conference on Intelligent Games and Simulation

(GAMEON-NA). 2008, s. 5-12. Dostupné také z:

http://www.imgd.wpi.edu/speakers/0910/Hudlicka_GAMEON_TUT_01.pdf

127) HUDLICKA, Eva. To feel or not to feel: The role of affect in human–computer

interaction. International Journal of Human-Computer Studies [online]. 2003,

153

59(1-2), 1-32 [cit. 2017-04-20]. DOI: 10.1016/S1071-5819(03)00047-8. ISSN

10715819. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S1071581903000478

128) HULL, Alison a Benedict DU BOULAY. Motivational and metacognitive fee-

dback in SQL-Tutor*. Computer Science Education [online]. 2015, 25(2), 238-

256 [cit. 2017-04-22]. DOI: 10.1080/08993408.2015.1033143. ISSN

08993408. Dostupné z:

http://www.tandfonline.com/doi/full/10.1080/08993408.2015.1033143

129) HURST, Michael, Thomas W JACKSON a Mashhuda GLENCROSS. Emotion

recognition — Theory or practicality. In: Proceedings of the 18th International

Conference on Automation & Computing. 2012. ISBN 978-1-908549-00-6.

Dostupné také z:

http://ieeexplore.ieee.org/xpl/mostRecentIssue.jsp?punumber=6324000

130) CHAN YONG SHUN, Matthias a kol. Modeling Learner's Emotions with PAD.

In: IEEE 15th International Conference on Advanced Learning Technologies

(ICALT). Conference Publishing Services, 2015.

131) CHAN, Tak-Wai a Arthur BASKIN. Studying with the prince: The computer as

a learning companion. In: BASKIN, Arthur. Proceedings of the International

Conference on Intelligent Tutoring Systems. 1988. Dostupné také z:

http://chan.lst.ncu.edu.tw/paper2/img00655.pdf

132) CHAPELLE, Carol A. a Erik VOSS. 20 years of technology and language as-

sessment in language learning & technology. Language, Learning and Tech-

nology [online]. 2016, 20(2), 116–128 [cit. 2017-04-20]. Dostupné z:

http://llt.msu.edu/issues/june2016/chapellevoss.pdf

133) CHASE, Catherine C., Doris B. CHIN, Marily A. OPPEZZO a Daniel L.

SCHWARTZ. Teachable Agents and the Protégé Effect: Increasing the Effort

Towards Learning. Journal of Science Education and Technology [online].

2009, 18(4), 334-352 [cit. 2017-04-21]. DOI: 10.1007/s10956-009-9180-4.

ISSN 10590145. Dostupné z: http://link.springer.com/10.1007/s10956-009-

9180-4

134) CHEN, Min, Yin ZHANG, Yong LI, Mohammad HASSAN a Atif ALAMRI.

AIWAC: affective interaction through wearable computing and cloud techno-

logy. IEEE Wireless Communications [online]. 2015a, 22(1), 20-27 [cit. 2017-

04-21]. DOI: 10.1109/MWC.2015.7054715. ISSN 15361284. Dostupné z:

http://ieeexplore.ieee.org/document/7054715/

135) CHEN, Min, Yin ZHANG, Yong LI, Shiwen MAO a Victor C.M. LEUNG. EMC:

Emotion-aware mobile cloud computing in 5G. IEEE Network [online]. 2015b,

29(2), 32-38 [cit. 2017-04-21]. DOI: 10.1109/MNET.2015.7064900. ISSN

08908044. Dostupné z: http://ieeexplore.ieee.org/document/7064900/

136) CHEN, Sherry Y. a Yeh CHIA-CHI. The Effects of Cognitive Styles on the Use

of Hints in Academic English: A Learning Analytics Approach. Journal of

Educational Technology [online]. 2017, 20(2), 251-264 [cit. 2017-04-22]. ISSN

14364522.

137) CHI, Min, Pamela JORDAN a Kurt VANLEHN. When Is Tutorial Dialogue Mo-

re Effective Than Step-Based Tutoring? In: Intelligent Tutoring Systems. ITS

2014 [online]. Springer, 2014, s. 210 [cit. 2017-04-20]. DOI: 10.1007/978-3-

154

319-07221-0_25. Dostupné z:

http://www.public.asu.edu/~kvanlehn/Stringent/PDF/14ChiJordan.pdf

138) CHOI, Duke Hyun, Jeoungkun KIM a Soung Hie KIM. ERP training with a

web-based electronic learning system: The flow theory perspective. Interna-

tional Journal of Human-Computer Studies [online]. 2007, 65(3), 223-243 [cit.

2017-04-21]. DOI: 10.1016/j.ijhcs.2006.10.002. ISSN 10715819. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S1071581906001662

139) CHOU, Chih-Yueh, Tak-Wai CHAN a Chi-Jen LIN. Redefining the learning

companion: the past, present, and future of educational agents. Computers

& Education [online]. 2003, 40(3), 255-269 [cit. 2017-04-21]. DOI:

10.1016/S0360-1315(02)00130-6. ISSN 03601315. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S0360131502001306

140) CHRYSAFIADI, Konstantina a Maria VIRVOU. Student modeling approaches:

A literature review for the last decade. Expert Systems with Applications [on-

line]. 2013, 40(11), 4715-4729 [cit. 2017-04-21]. DOI:

10.1016/j.eswa.2013.02.007. ISSN 09574174. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S095741741300122X

141) CHRYSAFIADI, Konstantina a Maria VIRVOU. Student modeling approaches:

A literature review for the last decade. Expert Systems with Applications [on-

line]. 2013, 40(11), 4715-4729 [cit. 2017-04-20]. DOI:

10.1016/j.eswa.2013.02.007. ISSN 09574174. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S095741741300122X

142) INUI, Kentaro, Atsushi FUJITA, Tetsuro TAKAHASHI, Ryu IIDA a Tomoya

IWAKURA. Text simplification for reading assistance. In: Proceedings of the

second international workshop on Paraphrasing -. Morristown, NJ, USA: As-

sociation for Computational Linguistics, 2003, s. 9-16. DOI:

10.3115/1118984.1118986. Dostupné také z:

http://portal.acm.org/citation.cfm?doid=1118984.1118986

143) ISEN, Alice M., Kimberly A. DAUBMAN a Gary P. NOWICKI. Positive affect

facilitates creative problem solving. Journal of Personality and Social Psycho-

logy [online]. 1987, 52(6), 1122-1131 [cit. 2017-04-20]. DOI: 10.1037//0022-

3514.52.6.1122. ISSN 00223514. Dostupné z:

http://doi.apa.org/getdoi.cfm?doi=10.1037/0022-3514.52.6.1122

144) JAQUES, Natasha, Cristina CONATI, Jason M. HARLEY a Roger AZEVEDO.

Predicting Affect from Gaze Data during Interaction with an Intelligent Tuto-

ring System. International Conference on Intelligent Tutoring Systems ITS

2014 [online]. 2014, s. 29 [cit. 2017-04-21]. DOI: 10.1007/978-3-319-07221-

0_4. Dostupné z: http://link.springer.com/10.1007/978-3-319-07221-0_4

145) JEŽEK, Karel a Josef STEINBERGER. Sumarizace textů. In: DATAKON 2010,

Mikulov. 2010, s. 1-20.

146) JIANG, Hong, Jose M. VIDAL a Michael N. HUHNS. EBDI. In: Proceedings of

the 6th international joint conference on Autonomous agents and multiagent

systems - AAMAS '07 [online]. New York, New York, USA: ACM Press, 2007, s.

1- [cit. 2017-04-21]. DOI: 10.1145/1329125.1329139. ISBN 9788190426275.

Dostupné z: http://portal.acm.org/citation.cfm?doid=1329125.1329139

155

147) JOHNSON, J. Children, robotics, and education. Artificial Life and Robotics

[online]. 2003, 7(1-2), 16-21 [cit. 2017-04-22]. DOI: 10.1007/BF02480880.

ISSN 14335298. Dostupné z: http://link.springer.com/10.1007/BF02480880

148) JOHNSON, Larry a kol. The NMC Horizon Report: 2016 Higher Education

Edition [online]. Austin, Texas: The New Media Consortium, 2016 [cit. 2017-

04-21]. ISBN 978-0-9968527-5-3. Dostupné z:

http://cdn.nmc.org/media/2016-nmc-horizon-report-he-EN.pdf

149) JOHNSON, Lewis a kol. The Virtual Cultural Awareness Trainer (VCAT): Joint

Knowledge Online’s (JKO’s) Solution to the Individual Operational Culture

and Language Training Gap. In: Proceedings of ITEC [online]. 2011 [cit. 2017-

04-21]. Dostupné z: http://www.alelo.com/wp-

con-

tent/uploads/2014/06/VCAT_ITEC_2011_Johnson_Friedland_Schrider_Vale

nte.pdf

150) JOHNSON, Lewis, Jeff W. RICKEL a James C. LESTER. Animated Pedagogi-

cal Agents: Face-to-Face Interaction in Interactive Learning Environments.

International Journal of Artificial Intelligence in Education [online]. 2000, 11(1),

47-78 [cit. 2017-04-21]. Dostupné z:

http://webpages.uncc.edu/tbarnes2/ITSFall04/papers/ped-agents.pdf

151) JOHNSON, Lewis. Constructing Virtual Role-Play Simulations. Design Re-

commendations for Adaptive Intelligent Tutoring Systems: Authoring Tools 3

[online]. Robert Sottilare, 2015, s. 211-226 [cit. 2017-04-21]. ISBN

9780989392372. Dostupné z:

https://www.researchgate.net/profile/Bob_Sottilare/publication/278620644_

Design_Recommendations_for_Intelligent_Tutoring_Systems_-

_Volume_3_Authoring_Tools_and_Expert_Modeling_Techniques/links/55a24

15c08aea815dffc1c70.pdf#page=233

152) JOHNSON, Matthew a Susan BULL. Belief Exploration in a Multiple-Media

Open Learner Model for Basic Harmony. In: Proceedings of the 2009 confe-

rence on Artificial Intelligence in Education: Building Learning Systems that

Care: From Knowledge Representation to Affective Modelling. Amsterdam,

Netherlands: IOS Press, 2009, s. 299-306. ISBN 978-1-60750-028-5.

153) JOHNSON, W. Lewis a James C. LESTER. Face-to-Face Interaction with Pe-

dagogical Agents, Twenty Years Later. International Journal of Artificial In-

telligence in Education [online]. 2016, 26(1), 25-36 [cit. 2017-04-21]. DOI:

10.1007/s40593-015-0065-9. ISSN 15604292. Dostupné z:

http://link.springer.com/10.1007/s40593-015-0065-9

154) JORDAN, M. I. a T. M. MITCHELL. Machine learning: Trends, perspectives,

and prospects. Science [online]. 2015, 349(6245), 255-260 [cit. 2017-04-23].

Dostupné z: http://science.sciencemag.org/content/349/6245/255

155) JOSHI, A. K. Natural Language Processing. Science [online]. 1991, 253(5025),

1242-1249 [cit. 2017-04-20]. DOI: 10.1126/science.253.5025.1242. ISSN

00368075. Dostupné z:

http://www.sciencemag.org/cgi/doi/10.1126/science.253.5025.1242

156) JUHAŇÁK, Libor a Jiří ZOUNEK. Analytika učení: nový přístup ke zkoumání

učení (nejen) ve virtuálním prostředí. Pedagogická orientace [online]. 2016,

156

26(3), 560–583 [cit. 2017-04-22]. Dostupné z:

https://journals.muni.cz/pedor/article/view/6139/5512

157) JUSLIN, Patrik N. a Klaus R. SCHERER. Vocal Expression of Affect. The New

Handbook of Methods in Nonverbal Behavior Research [online]. Oxford Uni-

versity Press, 2008, s. 65 [cit. 2017-04-21]. DOI:

10.1093/acprof:oso/9780198529620.003.0003. ISBN 9780198529620. Do-

stupné z:

http://www.oxfordscholarship.com/view/10.1093/acprof:oso/97801985296

20.001.0001/acprof-9780198529620-chapter-3

158) KAPLAN, Avi a Martin L. MAEHR. Achievement Goals and Student Well-

Being. Contemporary Educational Psychology [online]. 1999, 24(4), 330-358

[cit. 2017-04-22]. DOI: 10.1006/ceps.1999.0993. ISSN 0361476x. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S0361476X99909931

159) KAPOOR, Ashish, Winslow BURLESON a Rosalind W. PICARD. Automatic

prediction of frustration. International Journal of Human-Computer Studies

[online]. 2007, 65(8), 724-736 [cit. 2017-04-20]. DOI:

10.1016/j.ijhcs.2007.02.003. ISSN 10715819. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S1071581907000377

160) KASSNER, Moritz, William PATERA a Andreas BULLING. Pupil. In: Procee-

dings of the 2014 ACM International Joint Conference on Pervasive and

Ubiquitous Computing Adjunct Publication - UbiComp '14 Adjunct [online].

New York, New York, USA: ACM Press, 2014, s. 1151-1160 [cit. 2017-04-21].

DOI: 10.1145/2638728.2641695. ISBN 9781450330473. Dostupné z:

http://dl.acm.org/citation.cfm?doid=2638728.2641695

161) KAY, Judy a Susan BULL. New Opportunities with Open Learner Models and

Visual Learning Analytics. In: Artificial Intelligence in Education. AIED 2015

[online]. , 666 [cit. 2017-04-20]. DOI: 10.1007/978-3-319-19773-9_87. Do-

stupné z: http://link.springer.com/10.1007/978-3-319-19773-9_87

162) KIM, Jeonghyun, Il-Hyun JO a Yeonjeong PARK. Effects of learning analytics

dashboard: analyzing the relations among dashboard utilization, satisfaction,

and learning achievement. Asia Pacific Education Review [online]. 2016, 17(1),

13-24 [cit. 2017-04-22]. DOI: 10.1007/s12564-015-9403-8. ISSN 15981037.

Dostupné z: http://link.springer.com/10.1007/s12564-015-9403-8

163) KIM, Yanghee a Amy L. BAYLOR. A Social-Cognitive Framework for Pedago-

gical Agents as Learning Companions. Educational Technology Research

and Development [online]. 2006, 54(6), 569-596 [cit. 2017-04-21]. DOI:

10.1007/s11423-006-0637-3. ISSN 10421629. Dostupné z:

http://link.springer.com/10.1007/s11423-006-0637-3

164) KIM, Yanghee a Amy L. BAYLOR. Research-Based Design of Pedagogical

Agent Roles: a Review, Progress, and Recommendations. International Jour-

nal of Artificial Intelligence in Education [online]. 2016, 26(1), 160-169 [cit.

2017-04-21]. DOI: 10.1007/s40593-015-0055-y. ISSN 15604292. Dostupné z:

http://link.springer.com/10.1007/s40593-015-0055-y

165) KLEINGINNA, Paul R. a Anne M. KLEINGINNA. A categorized list of motivati-

on definitions, with a suggestion for a consensual definition. Motivation and

Emotion [online]. 1981, 5(3), 263-291 [cit. 2017-04-20]. DOI:

157

10.1007/BF00993889. ISSN 01467239. Dostupné z:

http://link.springer.com/10.1007/BF00993889

166) KOBSA, Alfred. Generic User Modeling Systems. User Modeling and User-

Adapted Interaction [online]. 2001, 11(1/2), 49-63 [cit. 2017-04-20]. DOI:

10.1023/A:1011187500863. ISSN 09241868. Dostupné z:

http://link.springer.com/10.1023/A:1011187500863

167) KOBSA, Alfred. Privacy-enhanced personalization. Communications of the

ACM [online]. 2007, 50(8), 24-33 [cit. 2017-04-20]. DOI:

10.1145/1278201.1278202. ISSN 00010782. Dostupné z:

http://portal.acm.org/citation.cfm?doid=1278201.1278202

168) KOEDINGER, Kenneth R. a Vincent ALEVEN. An Interview Reflection on “In-

telligent Tutoring Goes to School in the Big City”. International Journal of Arti-

ficial Intelligence in Education [online]. 2016, 26(1), 13-24 [cit. 2017-04-22].

DOI: 10.1007/s40593-015-0082-8. ISSN 15604292. Dostupné z:

http://link.springer.com/10.1007/s40593-015-0082-8

169) KOEDINGER, Kenneth R. a Albert CORBETT. The Cambridge handbook of:

The learning sciences. 2006, 61-77. ISBN 0521845548. Dostupné také z:

https://wiki.rice.edu/confluence/download/attachments/2765648/Koedinge

rCorbett05.pdf

170) KORT, Barry, Rob REILLY a Rosalind W. PICARD. An Affective Model of In-

terplay between Emotions and Learning: Reengineering Educational Peda-

gogy-Building a Learning Companion. In: ICALT '01 Proceedings of the IEEE

International Conference on Advanced Learning Technologies. Washington,

DC, USA: IEEE Computer Society, 2001, s. 43. ISBN 0-7695-1013-2.

171) KULIK, J. A. a J. D. FLETCHER. Effectiveness of Intelligent Tutoring Systems:

A Meta-Analytic Review. Review of Educational Research [online]. 2016, 86(1),

42-78 [cit. 2017-04-20]. DOI: 10.3102/0034654315581420. ISSN 00346543.

Dostupné z: http://rer.sagepub.com/cgi/doi/10.3102/0034654315581420

172) LAI, Meng-Lung, Meng-Jung TSAI, Fang-Ying YANG, et al. A review of using

eye-tracking technology in exploring learning from 2000 to 2012. Educational

Research Review [online]. 2013, 10, 90-115 [cit. 2017-04-21]. DOI:

10.1016/j.edurev.2013.10.001. ISSN 1747938x. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S1747938X13000316

173) LANDOWSKA, Agnieszka. Affective computing and affective learning - met-

hods tools and prospects. EduAkcja. Magazyn edukacji elektronicznej [online].

2013, 1(5), 16—31 [cit. 2017-04-21]. Dostupné z:

https://www.researchgate.net/profile/Agnieszka_Landowska/publication/26

2574205_Affective_computing_and_affective_learning_-

_methods_tools_and_prospects/links/557929f308ae75215870407a.pdf

174) LANDOWSKA, Agnieszka. Affective Learning Manifesto - 10 Years Later. In:

Proceedings of the European Conference on e-Learning. Academic Conferen-

ces and Publishing International Limited, 2014, s. 281. ISBN 978-1-910309-

67-4. Dostupné také z: http://search.proquest.com/docview/1680486144

175) LEE, Andrew, William COHEN a Kenneth KOEDINGER. A Computational Mo-

del of How Learner Errors Arise from Weak Prior Knowledge. In: Proc. of the

Annual Conference of the Cognitive Science Society. 2009. Dostupné také z:

158

http://www.cs.cmu.edu/afs/cs/Web/People/wcohen/postscript/cogsci-

2009.pdf

176) LEE, ANGELA Y. a BRIAN STERNTHAL. The Effects of Positive Mood on

Memory. International Journal of Plant Sciences [online]. 1999, 26(2), 115-

127 [cit. 2017-04-20]. DOI: 10.1086/321943. ISSN 00068071. Dostupné z:

http://www.journals.uchicago.edu/cgi-bin/resolve?id=doi:10.1086/321943

177) LEHMAN, Blair, Sdney D'MELLO a Natalie PERSON. All alone with your emo-

tions: An analysis of student emotions during effortful problem solving acti-

vities. In: Workshop on Emotional and Cognitive issues in ITS at the Ninth

International Conference on Intelligent Tutoring Systems. 2008.

178) LEIBBRANDT, Richard a kol. Smart collections: can artificial intelligence tools

and techniques assist with discovering, evaluating and tagging digital lear-

ning resources? In: Proceedings of the 12th Biennial School Library Associati-

on of Queensland, the 39th International Association of School Librarianship

Annual Conference incorporating the 14th International Forum on Research in

School Librarianship. 2010. Dostupné také z:

http://files.eric.ed.gov/fulltext/ED518554.pdf

179) LEPPER, Mark R. a Ruth W. CHABAY. Socializing the Intelligent Tutor: Brin-

ging Empathy to Computer Tutors. Learning Issues for Intelligent Tutoring

Systems [online]. New York, NY: Springer US, 1988, s. 242 [cit. 2017-04-21].

DOI: 10.1007/978-1-4684-6350-7_10. ISBN 9780387966168. Dostupné z:

http://link.springer.com/10.1007/978-1-4684-6350-7_10

180) LESTER, James C., Sharolyn A. CONVERSE, Susan E. KAHLER, S. Todd

BARLOW, Brian A. STONE a Ravinder S. BHOGAL. The persona effect. In:

Proceedings of the SIGCHI conference on Human factors in computing sys-

tems - CHI '97 [online]. New York, New York, USA: ACM Press, 1997, s. 359-

366 [cit. 2017-04-21]. DOI: 10.1145/258549.258797. ISBN 0897918029. Do-

stupné z: http://portal.acm.org/citation.cfm?doid=258549.258797

181) LI, Nan, Eliane STAMPFER, William W. COHEN a Kenneth KOEDINGER. Ge-

neral and Efficient Cognitive Model Discovery Using a Simulated Student. In:

Proceedings of the 35th Annual Meeting of the Cognitive Science Society.

2013, s. 894-899. ISBN 9781629930817.

182) LI, Wu, Yanhui ZHANG a Yingzi FU. Speech Emotion Recognition in E-

learning System Based on Affective Computing. In: Third International Confe-

rence on Natural Computation (ICNC 2007). 2007, 809 - 813. ISBN 0-7695-

2875-9. Dostupné také z:

http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=4344950

183) LIDDY, Elizabeth D. Natural Language Processing. In: Encyclopedia of Library

and Information Science. 2. vyd. New York: Marcel Decker, 2001. Dostupné

také z:

http://surface.syr.edu/cgi/viewcontent.cgi?article=1043&context=istpub

184) LIN, Xiaodong. Designing metacognitive activities. Educational Technology

Research and Development [online]. 2001, 49(2), 23-40 [cit. 2017-04-22]. DOI:

10.1007/BF02504926. ISSN 10421629. Dostupné z:

http://link.springer.com/10.1007/BF02504926

159

185) LIN, Xiaodong a James D. LEHMAN. Supporting learning of variable control

in a computer-based biology environment: Effects of prompting college stu-

dents to reflect on their own thinking. Journal of Research in Science Tea-

ching [online]. 1999, 36(7), 837-858 [cit. 2017-04-22]. DOI:

10.1002/(SICI)1098-2736(199909)36:7837::AID-TEA63.0.CO;2-U. ISSN

00224308. Dostupné z:

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.665.2269&rep=re

p1&type=pdf

186) LIPPI, MARCO a PAOLO TORRONI. Argumentation Mining: State of the Art

and Emerging Trends. Journal ACM Transactions on Internet Technology

(TOIT) [online]. 2016, 16(2), Článek 10 [cit. 2017-04-20]. Dostupné z:

http://lia.disi.unibo.it/~ml/publications/ACMTOIT2015.pdf

187) LIU, Bing. Sentiment Analysis and Opinion Mining. Synthesis Lectures on

Human Language Technologies [online]. 2012, 5(1), 1-167 [cit. 2017-04-20].

DOI: 10.2200/S00416ED1V01Y201204HLT016. ISSN 19474040. Dostupné z:

http://www.morganclaypool.com/doi/abs/10.2200/S00416ED1V01Y20120

4HLT016

188) LUCCI, Stephen. a Danny. KOPEC. Artificial intelligence in the 21st century: a

living introduction. 2. vyd. Dulles, Va.: Mercury Learning and Information,

c2016. ISBN 978-1-942270-00-3.

189) LUCKIN, Rosemary a Joshua UNDERWOOD. What is AIED and why does

Education need it? In: Technology Enhanced Learning [online]. 2011 [cit.

2017-04-22]. Dostupné z: http://tel.ioe.ac.uk/personalisation/artificial-

intelligence-in-education/what-is-aied-and-why-does-education-need-it/

190) LUNESKI, Andrej, Panagiotis D. BAMIDIS a Madga HITOGLOU-

ANTONIADOU. Affective Computing and Medical Informatics: State Of The

Art in EmotionAware Medical Applications. In: Proceedings of MIE2008 (Stu-

dies in Health Technology and Informatics). IOS Press, 2008, s. 517-522.

ISBN 978-1586038649. Dostupné také z:

https://www.researchgate.net/profile/Andrej_Luneski/publication/5362278_

Affective_computing_and_medical_informatics_State_of_the_art_in_emotion-

aware_medical_applications/links/00b4951e51a49bf6b2000000.pdf

191) MA, Wenting a kol. Intelligent Tutoring Systems and Learning Outcomes: A

Meta-Analysis. Journal of Educational Psychology [online]. 2014, 106(4), 901-

918 [cit. 2017-04-22]. DOI: 10.1037/a0037123. ISSN 00220663.

192) MAGLIANO, Joseph P. a Arthur C. GRAESSER. Computer-based assessment

of student-constructed responses. Behavior Research Methods [online].

2012, 44(3), 608-621 [cit. 2017-04-20]. DOI: 10.3758/s13428-012-0211-3.

ISSN 15543528. Dostupné z:

http://www.springerlink.com/index/10.3758/s13428-012-0211-3

193) MARSELLA, Stacy, Jonathan GRATCH a Paolo PETTA. Computational Mo-

dels of Emotion. In: A blueprint for an affectively competent agent: Cross-

fertilization between Emotion Psychology, Affective Neuroscience, and

Affective Computing. Oxford: Oxford University Press, 2010, s. 21-42.

160

194) MARTINHO, Carlos, Isabel MACHADO a Ana PAIVA. A cognitive approach to

affective user modeling. In: Affective interactions. New York: Springer-Verlag,

2000, s. 64-75. ISBN ISBN:3-540-41520-3.

195) MARTINS, Constantino a kol. User Modeling in Adaptive Hypermedia Educa-

tional Systems. Educational Technology & Society [online]. 2008, 11(1), 194-

207 [cit. 2017-04-20]. Dostupné z:

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.134.7965&rep=re

p1&type=pdf#page=199

196) MAYER, Richard E., ed. The Cambridge handbook of multimedia learning. Se-

con edition. New York: Cambridge University Press, 2014. ISBN

9781107610316.

197) MAYER, Richard E., Gayle T. DOW a Sarah MAYER. Multimedia Learning in

an Interactive Self-Explaining Environment: What Works in the Design of

Agent-Based Microworlds? Journal of Educational Psychology [online]. 2003,

95(4), 806-812 [cit. 2017-04-21]. DOI: 10.1037/0022-0663.95.4.806. ISSN

00220663. Dostupné z: http://doi.apa.org/getdoi.cfm?doi=10.1037/0022-

0663.95.4.806

198) MAYER, Richard. Principles Based on Social Cues in Multimedia Learning:

Personalization, Voice, Image, and Embodiment Principles. The Cambridge

Handbook of Multimedia Learning [online]. Cambridge: Cambridge University

Press, 2014, s. 345 [cit. 2017-04-21]. DOI: 10.1017/CBO9781139547369.017.

ISBN 9781139547369. Dostupné z:

http://ebooks.cambridge.org/ref/id/CBO9781139547369A022

199) MCCARTHY, John. The Inversion of Functions Defined by Turing Machines

[online]. 1956 [cit. 2017-04-20]. Dostupné z:

http://jmc.stanford.edu/articles/inversion/inversion.pdf

200) MCCONATHA, Douglas, Matt PRAUL a Michael J. LYNCH. Mobile Learning in

Higher Education: An Empirical Assessment of a New Educational Tool. Ur-

kish Online Journal of Educational Technology [online]. 2008, 7(3), 15-21 [cit.

2017-04-20]. ISSN 1301-6521. Dostupné z:

http://files.eric.ed.gov/fulltext/ED502236.pdf

201) MCNAMARA, Danielle S., Scott A. CROSSLEY a Rod ROSCOE. Natural lan-

guage processing in an intelligent writing strategy tutoring system. Behavior

Research Methods [online]. 2013, 45(2), 499-515 [cit. 2017-04-20]. DOI:

10.3758/s13428-012-0258-1. ISSN 15543528. Dostupné z:

http://link.springer.com/10.3758/s13428-012-0258-1

202) MCQUIGGAN, Scott W., Bradford W. MOTT a James C. LESTER. Modeling

self-efficacy in intelligent tutoring systems: An inductive approach. User Mo-

deling and User-Adapted Interaction [online]. 2008, 18(1-2), 81-123 [cit. 2017-

04-22]. DOI: 10.1007/s11257-007-9040-y. ISSN 09241868. Dostupné z:

http://link.springer.com/10.1007/s11257-007-9040-y

203) MCTEAR, Michael F. Spoken dialogue technology: enabling the conversatio-

nal user interface. ACM Computing Surveys [online]. 34(1), 90-169 [cit. 2017-

04-20]. DOI: 10.1145/505282.505285. ISSN 03600300. Dostupné z:

http://xyuan.myweb.cs.uwindsor.ca/references/SpokenTech02.pdf

161

204) MEHRABIAN, Albert. Pleasure-arousal-dominance: A general framework for

describing and measuring individual differences in Temperament. Current

Psychology [online]. 1996, 14(4), 261-292 [cit. 2017-04-21]. DOI:

10.1007/BF02686918. ISSN 07378262. Dostupné z:

http://link.springer.com/10.1007/BF02686918

205) MERRILL, Douglas C., Brian J. REISER, Michael RANNEY a J. Gregory

TRAFTON. Effective Tutoring Techniques: A Comparison of Human Tutors

and Intelligent Tutoring Systems. Journal of the Learning Sciences [online].

1992, 2(3), 277-305 [cit. 2017-04-22]. DOI: 10.1207/s15327809jls0203_2.

ISSN 10508406. Dostupné z:

http://www.tandfonline.com/doi/abs/10.1207/s15327809jls0203_2

206) MEVARECH, Z. R. a B. KRAMARSKI. Improve: A Multidimensional Method

For Teaching Mathematics in Heterogeneous Classrooms. American Educa-

tional Research Journal [online]. 1997, 34(2), 365-394 [cit. 2017-04-22]. DOI:

10.3102/00028312034002365. ISSN 00028312. Dostupné z:

http://aer.sagepub.com/cgi/doi/10.3102/00028312034002365

207) MICHAUD, Lisa N. a Kathleen F. MCCOY. Empirical Derivation of a Sequence

of User Stereotypes for Language Learning. User Modeling and User-Adapted

Interaction [online]. 2004, 14(4), 317-350 [cit. 2017-04-20]. DOI:

10.1023/B:USER.0000043398.04349.b7. ISSN 0924-1868. Dostupné z:

http://link.springer.com/10.1023/B:USER.0000043398.04349.b7

208) MIKSATKO, Jan, Kerstin H. KIPP a Michael KIPP. The Persona Zero-Effect:

Evaluating Virtual Character Benefits on a Learning Task with Repeated Inter-

actions [online]. s. 475 [cit. 2017-04-21]. DOI: 10.1007/978-3-642-15892-

6_51. Dostupné z: http://link.springer.com/10.1007/978-3-642-15892-6_51

209) MINSKY, Marvin Lee. The emotion machine: commonsense thinking, artificial

intelligence, and the future of the human mind. London: Simon & Schuster

Paperbacks, c2006. ISBN 0743276639.

210) MINSKY, Marvin. The society of mind. New York: Simon and Schuster,

c1986. ISBN 0671607405. Dostupné také z:

http://www.acad.bg/ebook/ml/Society%20of%20Mind.pdf

211) MITROVIC, Antonija, Kenneth R. KOEDINGER a Brent MARTIN. A Comparati-

ve Analysis of Cognitive Tutoring and Constraint-Based Modeling [online].

2003, s. 313 [cit. 2017-04-22]. DOI: 10.1007/3-540-44963-9_42. Dostupné z:

http://link.springer.com/10.1007/3-540-44963-9_42

212) MITROVIC, Antonija, Brent MARTIN a Pramuditha SURAWEERA. Intelligent

Tutors for All: The Constraint-Based Approach. IEEE Intelligent Systems [on-

line]. 2007, 22(4), 38-45 [cit. 2017-04-22]. DOI: 10.1109/MIS.2007.74. ISSN

15411672. Dostupné z: http://ieeexplore.ieee.org/document/4287272/

213) MITROVIC, Antonija, Stellan OHLSSON a Devon K. BARROW. The effect of

positive feedback in a constraint-based intelligent tutoring system. Compu-

ters & Education [online]. 2013, 60(1), 264-272 [cit. 2017-04-22]. DOI:

10.1016/j.compedu.2012.07.002. ISSN 03601315. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S0360131512001613

214) MONACHES, Paola a Eline WESTERHOUT. What can NLP techniques do for

eLearning? In: 6th International Conference on Informatics and Systems (IN-

162

FOS 2008). Dostupné také z:

http://www.lt4el.eu/content/files/EgyptInfos.pdf

215) MOORS, Agnes a Klaus SCHERER. The Role of Appraisal in Emotion. In:

Handbook of cognition and emotion. New York: The Guilford Press, 2013, s.

135-155. ISBN 978-1-4625-0999-7.

216) MORENO, R. Multimedia learning with animated pedagogical agents. The

Cambridge handbook of multimedia learning [online]. New York, NY: Ca-

mbridge University Press, 2005, s. 507-523 [cit. 2017-04-22].

217) MORENO, Roxana, Richard E. MAYER, Hiller A. SPIRES a James C. LESTER.

The Case for Social Agency in Computer-Based Teaching: Do Students

Learn More Deeply When They Interact With Animated Pedagogical Agents?

Cognition and Instruction [online]. 2001, 19(2), 177-213 [cit. 2017-04-21]. DOI:

10.1207/S1532690XCI1902_02. ISSN 07370008. Dostupné z:

http://www.tandfonline.com/doi/abs/10.1207/S1532690XCI1902_02

218) MORI, Masahiro, Karl MACDORMAN a Norri KAGEKI. The Uncanny Valley

[From the Field]. IEEE Robotics & Automation Magazine [online]. 2012, 19(2),

98-100 [cit. 2017-04-22]. DOI: 10.1109/MRA.2012.2192811. ISSN 10709932.

Dostupné z: http://ieeexplore.ieee.org/document/6213238/

219) MORIDIS, C. N. a A. A. ECONOMIDES. Toward Computer-Aided Affective

Learning Systems: A Literature Review. Journal of Educational Computing

Research [online]. 2008, 39(4), 313-337 [cit. 2017-04-20]. DOI:

10.2190/EC.39.4.a. ISSN 07356331. Dostupné z:

http://journals.sagepub.com/doi/10.2190/EC.39.4.a

220) MORO, Robert a M'Ria BIELIKOV. Personalized Text Summarization Based

on Important Terms Identification. In: 2012 23rd International Workshop on

Database and Expert Systems Applications (2012). IEEE, 131-135n. l., s. 131-

135. ISBN 978-1-4673-2621-6. Dostupné také z:

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.299.5793&rep=re

p1&type=pdf

221) MOUNDRIDOU, M. a M. VIRVOU. Evaluating the persona effect of an interfa-

ce agent in a tutoring system. Journal of Computer Assisted Learning [onli-

ne]. 2002, 18(3), 253-261 [cit. 2017-04-21]. DOI: 10.1046/j.0266-

4909.2001.00237.x. ISSN 02664909. Dostupné z:

http://doi.wiley.com/10.1046/j.0266-4909.2001.00237.x

222) MULLIGAN, Kevin a Klaus R. SCHERER. Toward a Working Definition of

Emotion. Emotion Review [online]. 2012, 4(4), 345-357 [cit. 2017-04-21]. DOI:

10.1177/1754073912445818. ISSN 17540739. Dostupné z:

http://journals.sagepub.com/doi/10.1177/1754073912445818

223) MURRAY, Tom. An Overview of Intelligent Tutoring System Authoring Tools:

Updated Analysis of the State of the Art. Authoring Tools for Advanced Tech-

nology Learning Environments [online]. Dordrecht: Springer Netherlands,

2003, s. 491-544 [cit. 2017-04-22]. DOI: 10.1007/978-94-017-0819-7_17.

ISBN 9789048164998. Dostupné z: http://link.springer.com/10.1007/978-

94-017-0819-7_17

163

224) NAKONEČNÝ, Milan. Encyklopedie obecné psychologie. 2., rozš. vyd., v Aca-

demii vyd. 1. (1. vyd. v nakl. Vodnář pod náz. Lexikon psychologie). Praha:

Academia, 1997. ISBN 8020006257.

225) NARCISS, Susanne. Feedback Strategies for Interactive Learning Task. In:

Handbook of Research on Educational Communications and Technology. 3.

vyd. Mahaw: Lawrence Erlbaum Associates, 2008, s. 125-144.

226) NARCISS, Susanne, Sergey SOSNOVSKY, Lenka SCHNAUBERT, Eric AN-

DRÈS, Anja EICHELMANN, George GOGUADZE a Erica MELIS. Exploring fee-

dback and student characteristics relevant for personalizing feedback

strategies. Computers & Education [online]. 2014, 71, 56-76 [cit. 2017-04-22].

DOI: 10.1016/j.compedu.2013.09.011. ISSN 03601315. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S0360131513002662

227) NAVIGLI, Roberto a Paola VELARDI. Learning Domain Ontologies from Do-

cument Warehouses and Dedicated Web Sites. Computational Linguistics

[online]. 2004, 30(2), 151-179 [cit. 2017-04-20]. DOI:

10.1162/089120104323093276. ISSN 08912017. Dostupné z:

http://www.mitpressjournals.org/doi/10.1162/089120104323093276

228) NIRAULA, Nobal, Vasile RUS a Dan STEFANESCU. DARE: Deep Anaphora

Resolution in Dialogue based Intelligent Tutoring Systems. In: Educational

Data Mining 2013. 2013.

229) NORMAN, Donald A. How might people interact with agents. Communicati-

ons of the ACM [online]. 1994, 37(7), 68-71 [cit. 2017-04-22]. DOI:

10.1145/176789.176796. ISSN 00010782. Dostupné z:

http://portal.acm.org/citation.cfm?doid=176789.176796

230) NWANA, Hyacinth S. Software agents: an overview. The Knowledge Enginee-

ring Review [online]. 1996, 11(03), 205- [cit. 2017-04-21]. DOI:

10.1017/S026988890000789X. ISSN 02698889. Dostupné z:

http://www.sce.carleton.ca/netmanage/docs/AgentsOverview/ao.html

231) NYE, Benjamin D., Arthur C. GRAESSER a Xiangen HU. AutoTutor and Fami-

ly: A Review of 17 Years of Natural Language Tutoring. International Journal

of Artificial Intelligence in Education [online]. 2014, 24(4), 427-469 [cit. 2017-

04-20]. DOI: 10.1007/s40593-014-0029-5. ISSN 15604292. Dostupné z:

http://link.springer.com/10.1007/s40593-014-0029-5

232) OGDEN, Charles. Basic English: a General Introduction with Rules and Gram-

mar. London: Paul Treber, 1932. Dostupné také z: http://ogden.basic-

english.org/be0.html

233) ORTONY, Andrew, Gerald L. CLORE a Allan COLLINS. The cognitive structure

of emotions. New York: Cambridge University Press, 1988. ISBN

0521353645.

234) PAGE, Ellis. The Imminence of.. Grading Essays by Computer. The Phi Delta

Kappan [online]. 1966, 45(5), 238-243 [cit. 2017-04-20]. Dostupné z:

http://www.jstor.org/stable/20371545?seq=1#page_scan_tab_contents

235) PAGE, Ellis a Nancy PETERSEN. The Computer Moves into Essay Grading:

Updating the Ancient Test. Phi Delta Kappan [online]. 1995, 76(7) [cit. 2017-

04-20]. Dostupné z: http://search.proquest.com/docview/218533317

164

236) PAIVA, Ranilson Oscar Araujo, Ig Ibert BITTENCOURT SANTA PINTO, Alan

Pedro DA SILVA, Seiji ISOTANI a Patricia JAQUES. A Systematic Approach for

Providing Personalized Pedagogical Recommendations Based on Educational

Data Mining [online]. 2014, s. 362-367 [cit. 2017-04-22]. DOI: 10.1007/978-3-

319-07221-0_45. Dostupné z: http://link.springer.com/10.1007/978-3-319-

07221-0_45

237) PANKSEPP, Jaak. Affective neuroscience: the foundations of human and

animal emotions. [Neudr.]. Oxford: Oxford University Press, 2005. ISBN

9780195178050.

238) PARISER, Eli. The filter bubble: what the Internet is hiding from you. New York:

Penguin Press, 2011. ISBN 1594203008.

239) PARK, Ok-choon a Jung LEE. Adaptive Instructional Systems. In: Handbook

of Research on Educational Communications and Technology. 3. vyd. 2007,

s. 651-684. ISBN 9780203880869.

240) PEDDYCORD III, Barry, Andrew HICKS a Tiffany BARNES. Generating hints

for programming problems using intermediate output. In: Proceedings of the

7th International Conference on Educational Data Mining (EDM 2014). 2014,

s. 92-98. Dostupné také z:

http://educationaldatamining.org/EDM2014/uploads/procs2014/long%20pa

pers/92_EDM-2014-Full.pdf

241) PEJOVIC, Veljko a Mirco MUSOLESI. Anticipatory Mobile Computing: A Sur-

vey of the State of the Art and Research Challenges. Journal ACM Compu-

ting Surveys (CSUR) [online]. NY, USA: ACM, 2015, 47(3) [cit. 2017-04-21].

DOI: 10.1145/2693843. Dostupné z: https://arxiv.org/pdf/1306.2356.pdf

242) PEKRUN, Reinhard. Emotions and Learning. In: EDUCATIONAL PRACTICES

SERIES 24 [online]. International Academy of Education, 2014 [cit. 2017-04-

21]. Dostupné z:

http://www.ibe.unesco.org/fileadmin/user_upload/Publications/Educational

_Practices/EdPractices_24eng.pdf

243) PEKRUN, Reinhard a Lisa LINNENBRINK-GARCIA, ed. International handbo-

ok of emotions in education. New York: Routledge, 2014. Educational psy-

chology handbook series. ISBN 9780415895026.

244) PEKRUN, Reinhard a Paul A. SCHUTZ. Where Do We Go from Here? Implica-

tions and Future Directions for Inquiry on Emotions in Education. Emotion in

Education [online]. Elsevier, 2007, s. 313 [cit. 2017-04-21]. DOI:

10.1016/B978-012372545-5/50019-8. ISBN 9780123725455. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/B9780123725455500198

245) PEKRUN, Richard. Emotions at School. In: Handbook of Motivation at School.

UK: Taylor & Francis, 2009, s. 575-604. ISBN 0-203-87949-X.

246) PERSON, Natalie a Arthur GRAESSER. Instructional Design - Pedagogical

Agents And Tutors. In: StateUniversity.com [online]. c2017 [cit. 2017-04-21].

Dostupné z: http://education.stateuniversity.com/pages/2095/Instructional-

Design-PEDAGOGICAL-AGENTS-TUTORS.html

247) PETERSEN, Sarah a Mari OSTENDORF. Text Simplification for Language

Learners: A Corpus Analysis. In: Proceedings of the SLaTE Workshop on

Speech and Language Technology in Education. Farmington, USA: Carnegie

165

Mellon University and ISCA Archive, 2007, s. 69-72. Dostupné také z:

http://isca-speech.org/archive_open/slate_2007/index.html

248) PĚCHOUČEK, Michal. Úvod do filosofie umělé inteligence. [online]. 2004 [cit.

2017-04-06]. Dostupné

z http://www.kiv.zcu.cz/studies/predmety/uir/predn/P1/Pechoucek.pdf

249) PICARD, R W, S PAPERT, W BENDER, et al. Affective Learning — A Manifes-

to. BT Technology Journal [online]. 2004, 22(4), 253-269 [cit. 2017-04-20].

DOI: 10.1023/B:BTTJ.0000047603.37042.33. ISSN 13583948. Dostupné z:

http://link.springer.com/10.1023/B:BTTJ.0000047603.37042.33

250) PICARD, Rosalind W a Jonathan KLEIN. Computers that recognise and re-

spond to user emotion: theoretical and practical implications. Interacting

with Computers [online]. 2002, 14(2), 141-169 [cit. 2017-04-20]. DOI:

10.1016/S0953-5438(01)00055-8. ISSN 09535438. Dostupné z:

https://academic.oup.com/iwc/article-lookup/doi/10.1016/S0953-

5438(01)00055-8

251) PICARD, Rosalind W. Affective computing. Cambridge: MIT Press, c1997.

ISBN 0262661152.

252) PICARD, Rosalind W. Affective computing: challenges. International Journal

of Human-Computer Studies [online]. 2003, 59(1-2), 55-64 [cit. 2017-04-21].

DOI: 10.1016/S1071-5819(03)00052-1. ISSN 10715819. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S1071581903000521

253) PINTRICH, Paul R. The role of motivation in promoting and sustaining self-

regulated learning. International Journal of Educational Research [online].

1999, 31(6), 459-470 [cit. 2017-04-22]. DOI: 10.1016/S0883-0355(99)00015-

4. ISSN 08830355. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S0883035599000154

254) PINTRICH, Paul R. A Motivational Science Perspective on the Role of Stu-

dent Motivation in Learning and Teaching Contexts. Journal of Educational

Psychology [online]. 2003, 95(4), 667-686 [cit. 2017-04-22]. DOI:

10.1037/0022-0663.95.4.667. ISSN 00220663.

255) PON-BARRY, Heather a kol. Responding to Student Uncertainty in Spoken

Tutorial Dialogue Systems. International Journal of Artificial Intelligence in

Education [online]. 2006, 16(2), 171-194 [cit. 2017-04-21]. Dostupné z:

http://www.iaied.org/pub/1048/file/1048_Pon-Barry06.pdf

256) PORAYSKA-POMSTA, Kaśka a Chris MELLISH. Modelling human tutors' fee-

dback to inform natural language interfaces for learning. International Jour-

nal of Human-Computer Studies [online]. 2013, 71(6), 703-724 [cit. 2017-04-

22]. DOI: 10.1016/j.ijhcs.2013.02.002. ISSN 10715819. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S1071581913000219

257) POSNER, JONATHAN, JAMES A. RUSSELL a BRADLEY S. PETERSON. The

circumplex model of affect: An integrative approach to affective neuroscien-

ce, cognitive development, and psychopathology. Development and Psycho-

pathology [online]. 2005, 17(03), - [cit. 2017-04-21]. DOI:

10.1017/S0954579405050340. ISSN 09545794. Dostupné z:

http://www.journals.cambridge.org/abstract_S0954579405050340

166

258) PRICE, Thomas a TIffany BARNES. An exploration of data-driven hint gene-

ration in an open-ended programming problem. In: EDM (Workshops). 2015.

Dostupné také z:

http://www4.ncsu.edu/~twprice/website/files/GEDM%202015a.pdf

259) QAZVINIAN, Vahed, Dragomir R. RADEV a Arzucan ÖZGÜR. Citation summa-

rization through keyphrase extraction. In: COLING '10 Proceedings of the

23rd International Conference on Computational Linguistics. USA, 2010, s.

895-903. Dostupné také z: http://dl.acm.org/citation.cfm?id=1873882

260) RAWSON, Katherine A. a John DUNLOSKY. Retrieval-Monitoring-Feedback

(RMF) Technique for Producing Efficient and Durable Student Learning [onli-

ne]. 2013, s. 67 [cit. 2017-04-22]. DOI: 10.1007/978-1-4419-5546-3_5. Do-

stupné z: http://link.springer.com/10.1007/978-1-4419-5546-3_5

261) REEVES, Byron a Clifford Ivar. NASS. The media equation: how people treat

computers, television, and new media like real people and places. New York:

Cambridge University Press, c1996. ISBN 157586052x. Dostupné také z:

http://www-personal.umich.edu/~itm/688/wk10%20-

%20emotional%20design/_o/ReevesNass-MediaEquation-Ch1+2.PDF

262) RELLO, Luz, Horacio SAGGION a Ricardo BAEZA-YATES. Keyword

highlighting improves comprehension for people with dyslexia. In: Procee-

dings of the 3rd Workshop on Predicting and Improving Text Readability for

Target Reader Populations (PITR). 2014, s. 30–37. Dostupné také z:

http://aclweb.org/anthology/W14-1204

263) REYNOLDS, Carson a Rosalind PICARD. Affective sensors, privacy, and ethi-

cal contracts. In: Extended abstracts of the 2004 conference on Human

factors and computing systems - CHI '04 [online]. New York, New York, USA:

ACM Press, 2004, s. 1103- [cit. 2017-04-21]. DOI: 10.1145/985921.985999.

ISBN 1581137036. Dostupné z:

http://portal.acm.org/citation.cfm?doid=985921.985999

264) RICKEL, Jeff a W. Lewis JOHNSON. Integrating pedagogical capabilities in a

virtual environment agent. In: Proceedings of the first international conferen-

ce on Autonomous agents - AGENTS '97 [online]. New York, New York, USA:

ACM Press, 1997, s. 30-38 [cit. 2017-04-21]. DOI: 10.1145/267658.267664.

ISBN 0897918770. Dostupné z:

http://portal.acm.org/citation.cfm?doid=267658.267664

265) RICH, E. User modeling via stereotypes. Cognitive Science [online]. 1979, 3(4),

329-354 [cit. 2017-04-20]. DOI: 10.1016/S0364-0213(79)80012-9. ISSN

03640213. Dostupné z: http://doi.wiley.com/10.1016/S0364-

0213(79)80012-9

266) RICHARD S. LAZARUS. Emotion and adaptation. New York [u.a.]: Oxford Univ.

Press, 1994. ISBN 9780195092660.

267) ROBISON, Jennifer, Scott MCQUIGGAN a James LESTER. Evaluating the

consequences of affective feedback in intelligent tutoring systems. In: 2009

3rd International Conference on Affective Computing and Intelligent Interacti-

on and Workshops [online]. IEEE, 2009, s. 1-6 [cit. 2017-04-21]. DOI:

10.1109/ACII.2009.5349555. ISBN 9781424448005. Dostupné z:

http://ieeexplore.ieee.org/document/5349555/

167

268) ROGERS, Simon a Mark GIROLAMI. A first course in machine learning. 2. vyd.

Boca Raton: CRC Press/Taylor & Francis Group, c2017. Chapman &

Hall/CRC machine learning & pattern recognition series. ISBN 978-

1498738484.

269) ROMERO, C. Handbook of educational data mining. Boca Raton: Taylor,

c2011. ISBN 9781439804575.

270) ROMERO, Cristobal a Sebastian VENTURA. Data mining in education. Wiley

Interdisciplinary Reviews: Data Mining and Knowledge Discovery [online].

2013, 3(1), 12-27 [cit. 2017-04-19]. DOI: 10.1002/widm.1075. ISSN

19424787. Dostupné z: http://doi.wiley.com/10.1002/widm.1075

271) ROWE, Jonathan P. CRYSTAL ISLAND: A Narrative-Centered Learning Envi-

ronment for Eighth Grade Microbiology. In: Proceedings of Workshop on In-

telligent Educational Games - AIED 2009. 2009, s. 11-20.

272) RUSSELL, Stuart J., Peter NORVIG a Ernest DAVIS. Artificial intelligence: a

modern approach. 3rd ed. Upper Saddle River: Prentice Hall, c2010. ISBN

978-0-13-604259-4.

273) RYMASZEWSKI, Michael. Second life: the official guide. Hoboken, N.J.: John

Wiley [distributor], 2007. ISBN 978-047-0096-086.

274) S. IAN ROBERTSON. Problem solving. Reprint. Philadelphia, PA: Psychology

Press, 2001. ISBN 9780415203005.

275) SAERBECK, Martin, Tom SCHUT, Christoph BARTNECK a Maddy D. JANSE.

Expressive robots in education. In: Proceedings of the 28th international con-

ference on Human factors in computing systems - CHI '10 [online]. New York,

New York, USA: ACM Press, 2010, s. 1613- [cit. 2017-04-22]. DOI:

10.1145/1753326.1753567. ISBN 9781605589299. Dostupné z:

http://portal.acm.org/citation.cfm?doid=1753326.1753567

276) SALMERON-MAJADAS, Sergio, Olga C. SANTOS a Jesus G. BOTICARIO. An

Evaluation of Mouse and Keyboard Interaction Indicators towards Non-

intrusive and Low Cost Affective Modeling in an Educational Context. Pro-

cedia Computer Science [online]. 2014, 35, 691-700 [cit. 2017-04-21]. DOI:

10.1016/j.procs.2014.08.151. ISSN 18770509. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S1877050914011168

277) SALOMON, Gavriel. Distributed cognitions: psychological and educational

considerations. New York: Cambridge University Press, 1997. ISBN

9780521574235.

278) SAMUEL, Arthur. Some studies in machine learning using the game of chec-

kers. IBM Journal of research and development. 1959, 3(3), 210-229.

279) SANDER, David. a Klaus R. SCHERER. The Oxford companion to emotion and

the affective sciences. New York: Oxford University Press, 2009. ISBN

9780198569633.

280) SARRAFZADEH, A., CHAO FAN, F. DADGOSTAR, S. ALEXANDER a C. MES-

SOM. Frown gives game away: affect sensitive systems for elementary

mathematics. In: 2004 IEEE International Conference on Systems, Man and

Cybernetics (IEEE Cat. No.04CH37583) [online]. IEEE, 2004, s. 13-18 [cit.

2017-04-20]. DOI: 10.1109/ICSMC.2004.1398265. ISBN 0780385675. Do-

stupné z: http://ieeexplore.ieee.org/document/1398265/

168

281) SARRAFZADEH, Abdolhossein a kol. Eve : an affect-sensitive pedagogical

agent. In: Global Business and Technology Association Conference. 2014, s.

573-579.

282) SARRAFZADEH, Abdolhossein, Samuel ALEXANDER, Farhad DADGOSTAR,

Chao FAN a Abbas BIGDELI. How do you know that I don’t understand?”

A look at the future of intelligent tutoring systems. Computers in Human

Behavior [online]. 2008, 24(4), 1342-1363 [cit. 2017-04-21]. DOI:

10.1016/j.chb.2007.07.008. ISSN 07475632. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S074756320700129X

283) SEARLE, John R. Minds, brains, and programs. Behavioral and Brain Scien-

ces. 1980, 3(03), 417-. DOI: 10.1017/S0140525X00005756. ISSN 0140-525x.

Dostupné také z:

http://www.journals.cambridge.org/abstract_S0140525X00005756

284) SEBE, Nicu. Multimodal Interfaces: Challenges and Perspectives. Journal of

Ambient Intelligence and Smart Environments [online]. IOS Press, 2009, 1(1),

19–26 [cit. 2017-04-21]. Dostupné z:

https://pdfs.semanticscholar.org/c2fc/51c79c70f5bdc155ed02cdcae29d3e

7145c4.pdf

285) SELF, John A. Student models in computer-aided instruction. International

Journal of Man-Machine Studies [online]. 1974, 6(2), 261-276 [cit. 2017-04-

19]. DOI: 10.1016/S0020-7373(74)80005-2. ISSN 00207373. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S0020737374800052

286) SELF, John. The defining characteristics of intelligent tutoring systems re-

search: ITSs care, precisely. International Journal of Artificial Intelligence in

Education [online]. 1999, 10(3), 350-364 [cit. 2017-04-22]. Dostupné z:

http://iaied.org/pub/984/file/984_paper.pdf

287) SELF, John. The Birth of IJAIED. International Journal of Artificial Intelligence

in Education [online]. 2016, 26(1), 4-12 [cit. 2017-04-19]. DOI:

10.1007/s40593-015-0040-5. ISSN 1560-4292. Dostupné z:

http://link.springer.com/10.1007/s40593-015-0040-5

288) SENKO, Corwin, Chris S. HULLEMAN a Judith M. HARACKIEWICZ. Achie-

vement Goal Theory at the Crossroads: Old Controversies, Current Challen-

ges, and New Directions. Educational Psychologist [online]. 2011, 46(1), 26-

47 [cit. 2017-04-22]. DOI: 10.1080/00461520.2011.538646. ISSN 00461520.

Dostupné z:

http://www.tandfonline.com/doi/abs/10.1080/00461520.2011.538646

289) SETHI, Geetika a Sidharath SINGLA. Role of Natural Language Processing in

Education. International Journal of Scientific Research And Education [online].

2016, 4(2), 5027-5031 [cit. 2017-04-20]. Dostupné z:

http://ijsae.in/ijsaeems/index.php/ijsae/article/viewFile/1143/797

290) SHAH, Sachin, J. Narasimha TEJA a Samit BHATTACHARYA. Towards

affective touch interaction: predicting mobile user emotion from finger stro-

kes. Journal of Interaction Science [online]. 2015, 3(1), - [cit. 2017-04-21]. DOI:

10.1186/s40166-015-0013-z. ISSN 21940827. Dostupné z:

http://www.journalofinteractionscience.com/content/3/1/6

169

291) SHAW, Erin, W. Lewis JOHNSON a Rajaram GANESHAN. Pedagogical

agents on the Web. In: Proceedings of the third annual conference on Auto-

nomous Agents - AGENTS '99 [online]. New York, New York, USA: ACM Press,

1999, s. 283-290 [cit. 2017-04-21]. DOI: 10.1145/301136.301210. ISBN

158113066X. Dostupné z:

http://portal.acm.org/citation.cfm?doid=301136.301210

292) SHERMIS, M.D., J. BURSTEIN, D. HIGGINS a K. ZECHNER. Automated Essay

Scoring: Writing Assessment and Instruction. International Encyclopedia of

Education [online]. Elsevier, 2010, s. 20 [cit. 2017-04-20]. DOI: 10.1016/B978-

0-08-044894-7.00233-5. ISBN 9780080448947. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/B9780080448947002335

293) SHERMIS, Mark D. a Jill C. BURSTEIN, ed. Automated Essay Scoring: A

Cross-disciplinary Perspective. Routledge, 2003. ISBN 1135643601. Dostup-

né také z:

https://books.google.cz/books?id=9qyPAgAAQBAJ&printsec=frontcover&hl=

cs

294) SHIN, Jongho, You-kyung LEE a Eunjin SEO. The effects of feedback on stu-

dents' achievement goals: Interaction between reference of comparison and

regulatory focus. Learning and Instruction [online]. 2017, 49, 21-31 [cit. 2017-

04-22]. DOI: 10.1016/j.learninstruc.2016.11.008. ISSN 09594752. Dostupné

z: http://linkinghub.elsevier.com/retrieve/pii/S0959475216302493

295) SHUTE, V. J. Focus on Formative Feedback. Review of Educational Research

[online]. 2008, 78(1), 153-189 [cit. 2017-04-19]. DOI:

10.3102/0034654307313795. ISSN 0034-6543. Dostupné z:

http://rer.sagepub.com/cgi/doi/10.3102/0034654307313795

296) SHUTE, Valerie J. Focus on Formative Feedback. Review of Educational Re-

search [online]. 2008, 78(1), 153-189 [cit. 2017-04-22]. ISSN 00346543. Do-

stupné z: http://myweb.fsu.edu/vshute/pdf/shute%202008_b.pdf

297) SHUTE, Valerie J. SMART: Student modeling approach for responsive tuto-

ring. User Modelling and User-Adapted Interaction [online]. 1995, 5(1), 1-44

[cit. 2017-04-20]. DOI: 10.1007/BF01101800. ISSN 0924-1868. Dostupné z:

http://link.springer.com/10.1007/BF01101800

298) SCHERER, K. R. Emotions are emergent processes: they require a dynamic

computational architecture. Philosophical Transactions of the Royal Society

B: Biological Sciences [online]. 2009, 364(1535), 3459-3474 [cit. 2017-04-20].

DOI: 10.1098/rstb.2009.0141. ISSN 09628436. Dostupné z:

http://rstb.royalsocietypublishing.org/cgi/doi/10.1098/rstb.2009.0141

299) SCHERER, Klaus R. Studying the emotion-antecedent appraisal process: An

expert system approach. Cognition & Emotion [online]. 1993, 7(3-4), 325-355

[cit. 2017-04-20]. DOI: 10.1080/02699939308409192. ISSN 02699931. Do-

stupné z:

http://www.tandfonline.com/doi/abs/10.1080/02699939308409192

300) SCHOENFELD, Alan. What's All the Fuss About Metacognition? In: COGNITI-

VE SCIENCE and MATHEMATICS EDUCATION. London: LAWRENCE ERL-

BAUM ASSOClA TES, PUBLISHERS, 1987, s. 189-215. Dostupné také z:

https://canvas.harvard.edu/files/3043273/download?download_frd=1.

170

301) SCHROEDER, Noah L., Olusola O. ADESOPE a Rachel Barouch GILBERT.

How Effective are Pedagogical Agents for Learning? A Meta-Analytic Review.

Journal of Educational Computing Research [online]. 2013-1-1, 49(1), 1-39

[cit. 2017-04-21]. DOI: 10.2190/EC.49.1.a. ISSN 07356331. Dostupné z:

http://jec.sagepub.com/lookup/doi/10.2190/EC.49.1.a

302) SCHROEDER, Noah L. a Chad M. GOTCH. Persisting Issues in Pedagogical

Agent Research. Journal of Educational Computing Research [online]. 2015,

53(2), 183-204 [cit. 2017-04-21]. DOI: 10.1177/0735633115597625. ISSN

07356331. Dostupné z:

http://jec.sagepub.com/lookup/doi/10.1177/0735633115597625

303) SCHUTZ, Paul A. a Sonja L. LANEHART. Introduction: Emotions in Education.

Educational Psychologist [online]. 2002, 37(2), 67-68 [cit. 2017-04-21]. DOI:

10.1207/S15326985EP3702_1. ISSN 00461520. Dostupné z:

http://www.tandfonline.com/doi/abs/10.1207/S15326985EP3702_1

304) SCHWARM, Sarah E. a Mari OSTENDORF. Reading level assessment using

support vector machines and statistical language models. In: Proceedings of

the 43rd Annual Meeting on Association for Computational Linguistics - ACL

'05 [online]. Morristown, NJ, USA: Association for Computational Linguistics,

2005, s. 523-530 [cit. 2017-04-20]. DOI: 10.3115/1219840.1219905. Dostup-

né z: http://portal.acm.org/citation.cfm?doid=1219840.1219905

305) SIEMENS, George a Ryan S. J. d. BAKER. Learning analytics and educational

data mining. Proceedings of the 2nd International Conference on Learning

Analytics and Knowledge - LAK '12 [online]. New York, New York, USA: ACM

Press, 2012, , 252- [cit. 2017-04-19]. DOI: 10.1145/2330601.2330661. ISBN

9781450311113. Dostupné z:

http://dl.acm.org/citation.cfm?doid=2330601.2330661

306) SILVA, Júlia. How Can the Affective Model be for Tutors on Moodle? In: Pro-

ceedings of Workshop held during ITS-2014 The 12th Annual Conference on

Intelligent Tutoring Systems. Berlin: Springer-Verlag, 2014, s. 34-40.

307) SLAVIN, R. E., C. LAKE a C. GROFF. Effective Programs in Middle and High

School Mathematics: A Best-Evidence Synthesis. Review of Educational Re-

search [online]. 2009, 79(2), 839-911 [cit. 2017-04-22]. DOI:

10.3102/0034654308330968. ISSN 00346543. Dostupné z:

http://rer.sagepub.com/cgi/doi/10.3102/0034654308330968

308) SOLIMAN, Mohamed a Christian GUETL. Intelligent Pedagogical Agents in

immersive virtual learning environments: A review. In: Procedings 33rd Inter-

national convention on information and communication technology, electro-

nics and microelectronics. IEEE, 2010, s. 827-832. Dostupné také z:

http://espace.library.curtin.edu.au/cgi-

bin/espace.pdf?file=/2011/07/14/file_1/154714

309) SOSNOVSKY, Sergey a Darina DICHEVA. Ontological technologies for user

modelling. International Journal of Metadata, Semantics and Ontologies [onli-

ne]. 2010, 5(1), 32- [cit. 2017-04-20]. DOI: 10.1504/IJMSO.2010.032649. ISSN

1744-2621. Dostupné z: http://www.inderscience.com/link.php?id=32649

310) SOTTILARE, Robert a kol. Preface. Design Recommendations for Intelligent

Tutoring Systems: Volume 1 - Learner Modeling [online]. 2013, , str. ii - xiii [cit.

171

2017-04-22]. Dostupné z:

https://gifttutoring.org/attachments/download/645/Design%20Recommen

dations%20for%20ITS_Volume%201%20-

%20Learner%20Modeling%20Book_errata%20addressed_web%20version.pd

f

311) STAMPER, John a kol. The Hint Factory: Automatic Generation of Contex-

tualized Help for Existing Computer Aided Instruction. In: Proceedings of the

9th International Conference on Intelligent Tutoring Systems Young Resear-

chers Track. 2008, s. 71-78. Dostupné také z:

http://dev.stamper.org/file.php/1/publications/jcsITS2008StudentPaper-

revised.pdf

312) STEEN, Lee Jonathan a Philip KIM. Affective Computing: Invasive Technolo-

gy and Legal Considerations to Protect Consumers. Issues in Information

Systems [online]. 2010, 11(1), 577-584 [cit. 2017-04-21]. Dostupné z:

http://iacis.org/iis/2010/577-584_LV2010_1463.pdf

313) STEENBERGEN-HU, Saiying a Harris COOPER. A Meta-Analysis of the

Effectiveness of Intelligent Tutoring Systems on College Students' Academic

Learning. Journal of Educational Psychology [online]. 2014, 106(2), 331-347

[cit. 2017-04-22]. DOI: 10.1037/a0034752. ISSN 00220663.

314) STEENBERGEN-HU, Saiying a Harris COOPER. A Meta-Analysis of the

Effectiveness of Intelligent Tutoring Systems on K-12 Students' Mathemati-

cal Learning. Journal of Educational Psychology [online]. 2013, 105(4), 970-

987 [cit. 2017-04-22]. DOI: 10.1037/a0032447. ISSN 00220663. Dostupné z:

https://dukespace.lib.duke.edu/dspace/bitstream/handle/10161/9536/ITS

k-12 Published.pdf?sequence=1

315) STEVENSON, Claire E. Role of Working Memory and Strategy-Use in Fee-

dback Effects on children’s Progression in Analogy Solving: an Explanatory

Item Response Theory Account. International Journal of Artificial Intelligence

in Education [online]. 2016, , 1–26 [cit. 2017-04-22]. DOI: 10.1007/s40593-

016-0129-5. ISSN 15604292. Dostupné z:

http://link.springer.com/10.1007/s40593-016-0129-5

316) SWARTOUT, William a kol. Designing a Personal Assistant for Life-Long

Learning (PAL3). In: Proceedings of the 29th International Florida Artificial In-

telligence Research Society Conference. AAAI Press, 2016, s. 491-496. ISBN

9781577357568.

317) TASKIR, C.M., Z. PIZLO, A. AMIR, D. PONCELEON a E.J. DELP. Automated vi-

deo program summarization using speech transcripts. In: IEEE Transactions

on Multimedia. 2006, 8(4), s. 775-791. DOI: 10.1109/TMM.2006.876282.

ISSN 1520-9210. Dostupné také z:

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.455.7473&rep=re

p1&type=pdf

318) TURING, A. M. I.—COMPUTING MACHINERY AND INTELLIGENCE. DOI:

10.1093/mind/LIX.236.433. ISBN 10.1093/mind/LIX.236.433. Dostupné také

z: https://academic.oup.com/mind/article-

lookup/doi/10.1093/mind/LIX.236.433

172

319) VAN DER ZWAAG, Marjolein D., Joris H. JANSSEN a Joyce H.D.M. WESTE-

RINK. Directing Physiology and Mood through Music: Validation of an

Affective Music Player. IEEE Transactions on Affective Computing [online].

2013, 4(1), 57-68 [cit. 2017-04-20]. DOI: 10.1109/T-AFFC.2012.28. ISSN

19493045. Dostupné z: http://ieeexplore.ieee.org/document/6290315/

320) VANDEWAETERE, Mieke, Piet DESMET a Geraldine CLAREBOUT. The con-

tribution of learner characteristics in the development of computer-based

adaptive learning environments. Computers in Human Behavior [online].

2011, 27(1), 118-130 [cit. 2017-04-20]. DOI: 10.1016/j.chb.2010.07.038. ISSN

07475632. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S0747563210002347

321) VANLEHN, KURT. The Relative Effectiveness of Human Tutoring, Intelligent

Tutoring Systems, and Other Tutoring Systems. Educational Psychologist

[online]. 2011, 46(4), 197-221 [cit. 2017-04-22]. DOI:

10.1080/00461520.2011.611369. ISSN 00461520. Dostupné z:

http://www.tandfonline.com/doi/abs/10.1080/00461520.2011.611369

322) VANLEHN, Kurt. The Behavior of Tutoring Systems. International Journal of

Artificial Intelligence in Education [online]. 2006, 16(3), 227-265 [cit. 2017-04-

22]. Dostupné z:

http://www.learnlab.org/opportunities/summer/readings/06IJAIED.pdf

323) Student Modelling. In: POLSON, Martha a Jeffrey RICHARDSON. Foundati-

ons of Intelligent Tutoring Systems. New Jersey: Lawrence Erlbaum Associ-

ates Publishers, 1988, s. 55-73. ISBN 0-8058-0053-0. Dostupné také z:

http://www.dtic.mil/dtic/tr/fulltext/u2/a222394.pdf

324) VASILYEVA, Ekaterina, Mykola PECHENIZKIY a Paul DE BRA. Tailoring of fe-

edback in online assessment: lesson learnt. In: E-Learn 2008 Conference.

2008b, s. 518-525. Dostupné také z:

http://wwwis.win.tue.nl/~debra/Metis226402.pdf

325) VASILYEVA, Ekaterina, Mykola PECHENIZKIY a Paul DE BRA. Adaptation of

Elaborated Feedback in e-Learning [online]. 2008a, s. 235 [cit. 2017-04-22].

DOI: 10.1007/978-3-540-70987-9_26. Dostupné z:

http://link.springer.com/10.1007/978-3-540-70987-9_26

326) VERBERT, K., E. DUVAL, J. KLERKX, S. GOVAERTS a J. L. SANTOS. Learning

Analytics Dashboard Applications. American Behavioral Scientist [online].

2013, 57(10), 1500-1509 [cit. 2017-04-22]. DOI:

10.1177/0002764213479363. ISSN 00027642. Dostupné z:

http://abs.sagepub.com/cgi/doi/10.1177/0002764213479363

327) VERBERT, Katrien, Sten GOVAERTS, Erik DUVAL, Jose Luis SANTOS, Frans

VAN ASSCHE, Gonzalo PARRA a Joris KLERKX. Learning dashboards: an

overview and future research opportunities. Personal and Ubiquitous Compu-

ting [online]. 2014, 18(6), 1499–1514 [cit. 2017-04-22]. DOI: 10.1007/s00779-

013-0751-2. ISSN 16174909. Dostupné z:

http://link.springer.com/10.1007/s00779-013-0751-2

328) VOLNÁ, Eva. Neuronové sítě 1 [online]. Ostrava: Ostravská univerzita v Ostra-

vě, 2008 [cit. 2017-04-19]. Dostupné z:

http://www1.osu.cz/~volna/Neuronove_site_skripta.pdf

173

329) WANG C, HUANG W, YING Y, LI S, SECCO D, TYERMAN S, WHELAN J a

SHOU H. Functional characterization of the rice SPX-MFS family reveals a

key role of OsSPX-MFS1 in controlling phosphate homeostasis in leaves.

The New Phytologist [online]. 2012, 196(1), 139-48 [cit. 2017-04-19]. DOI:

10.1111/j.1469-8137.2012.04227.x. ISSN 14698137.

330) WANG C, HUANG W, YING Y, LI S, SECCO D, TYERMAN S, WHELAN J a

SHOU H. Functional characterization of the rice SPX-MFS family reveals a

key role of OsSPX-MFS1 in controlling phosphate homeostasis in leaves.

The New Phytologist [online]. 2012, 196(1), 139-48 [cit. 2017-04-21]. DOI:

10.1111/j.1469-8137.2012.04227.x. ISSN 14698137.

331) WANG, C.K. John, Stuart J.H. BIDDLE a Andrew J. ELLIOT. The 2X2 achie-

vement goal framework in a physical education context. Psychology of Sport

[online]. 2007, 8(2), 147-168 [cit. 2017-04-22]. ISSN 14690292.

332) WANG, Ning, W. Lewis JOHNSON, Richard E. MAYER, Paola RIZZO, Erin

SHAW a Heather COLLINS. The politeness effect: Pedagogical agents and

learning outcomes. International Journal of Human-Computer Studies [onli-

ne]. 2008, 66(2), 98-112 [cit. 2017-04-21]. DOI: 10.1016/j.ijhcs.2007.09.003.

ISSN 10715819. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S1071581907001267

333) WEHRLE, Thomas. Motivations behind modeling emotional agents: Whose

emotion does your robot have. In: Grounding emotions in adaptive systems.

Zurich: 5th International conference of the society for adaptive behavior

workshop notes (SAB'98). 1998. Dostupné také z:

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.41.5467&rep=rep

1&type=pdf

334) WEINER, Bernard. An attributional theory of achievement motivation and

emotion. Psychological Review [online]. 1985, 92(4), 548-573 [cit. 2017-04-

21]. DOI: 10.1037/0033-295X.92.4.548. ISSN 19391471. Dostupné z:

http://doi.apa.org/getdoi.cfm?doi=10.1037/0033-295X.92.4.548

335) WINTER, Mike, Christopher BROOKS a Jim GREER. Towards Best Practices

for Semantic Web Student Modelling. In: 12th International Conference on Ar-

tificial Intelligence in Education Proceedings [online]. 2005 [cit. 2017-04-20].

DOI: 10.1.1.61.7424. Dostupné z:

https://www.researchgate.net/profile/Christopher_Brooks5/publication/221

297203_Towards_Best_Practices_for_Semantic_Web_Student_Modelling/lin

ks/0fcfd50e6653b924d8000000.pdf

336) WOO, H.L. Designing multimedia learning environments using animated pe-

dagogical agents: factors and issues. Journal of Computer Assisted Learning

[online]. 2009, 25(3), 203-218 [cit. 2017-04-22]. DOI: 10.1111/j.1365-

2729.2008.00299.x. ISSN 02664909. Dostupné z:

http://doi.wiley.com/10.1111/j.1365-2729.2008.00299.x

337) WOOLF P., Beverly. AI and Education: Celebrating 30 years of Marriage. In:

AIED 2015 Workshop Proceedings: Vol 4 [online]. 2015, s. 38-47 [cit. 2017-04-

19]. Dostupné z: http://ceur-ws.org/Vol-1432/ai_ed_pap5.pdf

174

338) WOOLF, Beverly. A Roadmap for Education Technology. 2010. Dostupné také

z: http://cra.org/ccc/wp-content/uploads/sites/2/2015/08/GROE-Roadmap-

for-Education-Technology-Final-Report.pdf

339) WU, Chih-Hung, Yueh-Min HUANG a Jan-Pan HWANG. Review of affective

computing in education/learning: Trends and challenges. British Journal of

Educational Technology [online]. 2016, 47(6), 1304-1323 [cit. 2017-04-20].

DOI: 10.1111/bjet.12324. ISSN 00071013. Dostupné z:

http://doi.wiley.com/10.1111/bjet.12324

340) ZECHNER, Klaus. Speech and Language Processing for Educational Applica-

tions. In: SLTC Newsletter [online]. Institute of Electrical and Electronics En-

gineers (IEEE) Signal Processing Society, 2012 [cit. 2017-04-20]. Dostupné z:

http://www.mkzechner.net/sltc-ieee-2012-nov.doc

341) ZEIDNER, Moshe. Test anxiety the state of the art. New York: Kluwer Acade-

mic Publishers, 1998. ISBN 0306471450.

342) ZIMMERMAN, Barry J. Self-Efficacy: An Essential Motive to Learn. Contem-

porary Educational Psychology [online]. 2000, 25(1), 82-91 [cit. 2017-04-22].

DOI: 10.1006/ceps.1999.1016. ISSN 0361476x. Dostupné z:

http://linkinghub.elsevier.com/retrieve/pii/S0361476X99910160

343) LEON, Simone a Alexander NIKOV. Intelligent Emotion-Oriented eCommerce

Systems. Emotion-Oriented Systems: The Humaine Handbook [online]. Verlag

Berlin Heidelberg: Springer, 2011, s. 202-207 [cit. 2017-04-20]. ISBN 978-3-

642-15184-2. Dostupné z: https://link.springer.com/book/10.1007%2F978-3-

642-15184-2

344) Gartner's 2016 Hype Cycle for Emerging Technologies. Gartner, Inc. [online].

2016 [cit. 2017-04-21]. Dostupné z:

http://www.gartner.com/newsroom/id/3412017

345) Umělá inteligence. In: wικι.matfyz.cz [online]. Praha: Univerzita Karlova Ma-

tematicko-fyzikální fakulta, 2016 [cit. 2017-04-19]. Dostupné z:

http://wiki.matfyz.cz/index.php?title=Um%C4%9Bl%C3%A1_inteligence#Bay

esovsk.C3.A9_u.C4.8Den.C3.AD_3

346) International Educational Data Mining Society [online]. Massachusetts, 2011

[cit. 2017-04-19]. Dostupné z: http://www.educationaldatamining.org

347) AIED 2015 [online]. IAIED, 2015 [cit. 2017-04-19]. Dostupné z:

http://perseo.lsi.uned.es/aied2015/

348) Affective robotics. University of Cambridge [online]. Cambridge, c2011 [cit.

2017-04-21]. Dostupné z:

http://www.cl.cam.ac.uk/research/rainbow/emotions/affrob.html

349) What Works Clearinghouse™: Carnegie Learning Curricula and Cognitive Tu-

tor. In: WWC Intervention Report [online]. U.S. DEPARTMENT OF EDUCATI-

ON, 2013 [cit. 2017-04-22]. Dostupné z:

http://files.eric.ed.gov/fulltext/ED539061.pdf

350) Výkladový slovník - kognitivní věda. Kognitivní server [online]. Univerzita Hra-

dec Králové - Fakulta informatiky a managementu [cit. 2017-04-19]. Dostup-

né z: https://fim2.uhk.cz/cogn/?Module=dictionary&Letter=H

175

351) ITS 2016: International Conference on Intelligent Tutoring Systems [online].

IJAIED, 2016 [cit. 2017-04-19]. Dostupné z: http://its2016.its-

conferences.com/.

352) Problem Solving Tutor [online]. [cit. 2017-04-22]. Dostupné z:

https://tutor.fi.muni.cz/index.php?p=article&id=250

353) Simple English Wikipedia. In: Wikipedia: the free encyclopedia [online]. San

Francisco (CA): Wikimedia Foundation, 2001- [cit. 2017-04-20]. Dostupné z:

https://simple.wikipedia.org/wiki/Simple_English_Wikipedia

354) Facial Action Coding System. Paul Ekman Group, LLC [online]. c2017 [cit.

2017-04-20]. Dostupné z: http://www.paulekman.com/product-

category/facs/

355) Adaptive Learning group [online]. Brno: FI MUNU, 2017 [cit. 2017-04-22]. Do-

stupné z: http://www.fi.muni.cz/adaptivelearning/?a=about

356) AI set to exceed human brain power. CNN.com [online]. 2006 [cit. 2017-04-

19]. Dostupné z:

http://edition.cnn.com/2006/TECH/science/07/24/ai.bostrom

357) The GII-GRIN Computer Science Conference Rating - The GII-GRIN

Computer-Science Conference Rating - About the Rating. Universitá degli studi della basilicata [online]. 2015 [cit. 2017-04-23]. Dostupné z: http://valutazione.unibas.it/cs-conference-rating/conferenceRating.jsf

176

VYBRANÉ KAPITOLY

Z UMĚLÉ INTELIGENCE

VE VZDĚLÁVÁNÍ

Autor: Mgr. Vítězslav Rathouz

Místo vydání: Brno

Rok vydání: 2017

Vydavatelství: Flow

ISBN: 978-80-88123-15-6

Publikace vychází z diplomové práce – RATHOUZ, Vítězslav. Vybrané ka-

pitoly z umělé inteligence ve vzdělávání. Brno, 2017. Magisterská diplo-

mová práce. Masarykova univerzita, Filozofická fakulta, Ústav české

literatury a knihovnictví.

Publikace podléhá licenci Creative Commons: Uveďte autora–Neužívejte

dílo komerčně–Zachovejte licenci 3.0 Česko