Informační systémy ve vzdělávání Michal Černý, @eduinteres VIKMB39 KISK 2017 http://kisk.phil.muni.cz/static/images/logo.png Informační systémy ve vzdělávání §ČERNÝ, Michal. Informační systém ve vzdělávání: Od matrik k sémantickým technologiím a dialogovým systémům. 1. vyd. Brno: Masarykova univerzita, 2016. 138 s. ISBN 978-80-210-8326-4. Knihovnička § Digitální informační kurátorství v pedagogickém kontextu §ČERNÝ, Michal. Digitální informační kurátorství v pedagogickém kontextu. Brno: Flow, 2015. 85 s. ISBN 978-80-88123-03-3. § Přebal knihy Digitální informační kurátorství v pedagogickém kontextu Koordinátor ICT §ČERNÝ, Michal. Koordinátor ICT. Brno: Flow, 2015. 87 s. ISBN 978-80-88123-06-4. § Přebal knihy Koordinátor ICT Metodik ICT §ČERNÝ, Michal. Metodik ICT. Brno: Flow, 2015. 181 s. ISBN 978-80-88123-05-7. § Přebal knihy Metodik ICT 12 trendů v české softwarové ekonomice §ČERNÝ, Michal. 12 trendů v české softwarové ekonomice: technologické, ekonomické, sociální a etické aspekty ICT. 1. vyd. Brno: Masarykova univerzita, 2014. 139 s. neuvedeno. ISBN 978-80-210-6803-2. § obálka Distanční vzdělávání pro učitele §ČERNÝ, Michal, Dagmar CHYTKOVÁ, Pavlína MAZÁČOVÁ a Gabriela ŠIMKOVÁ. Distanční vzdělávání pro učitele. 1. vyd. Brno: Flow, 2015. 176 s. ISBN 978-80-905480-7-7. § Přebal knihy Distanční vzdělávání pro učitele Informační systémy ve vzdělávání Michal Černý VIKMB39 KISK 2016 Základní pojmy §Data, informace, znalosti –Data – máme někde uložená, typicky v databázi –Informace – rádi bychom, aby systém dodal kontext –Znalosti – to si musí každý zařídit sám §Bertalanfy: „Systém je komplex prvků nacházejících se ve vzájemné interakci“ §Informační systém: soubor vzájemně propojených komponent schopných společně shromažďovat, získávat, zpracovávat, uchovávat a distribuovat informace za účelem usnadnění plánování, řízení, koordinace, analýzy a rozhodování. §Každá definice IS je ale neúplná. Upozornění §Informační systém není program! § §Informační systém je souborem technických a personálních prostředků §Jak lidé, tak technická stránka jsou „stejně“ (ať to znamená cokoli) důležití Další dvě definice §„Informačním systémem obecně nazýváme organizaci údajů vhodnou pro systémové zpracování dat: pro jejich sběr, uložení a uchování, zpracování, vyhledávání a vydávání informací o nich, to vše pro rozhodování v běžné praxi.“ §„Informačním systémem automatizovaným (realizovaným na počítači) rozumíme programový celek, řešící rozsáhlejší oblast aplikační, naprogramovaný obvykle v jednom SŘBD s vhodně navrženými datovými strukturami tak, aby všechny aplikační úlohy k nim měly optimální přístup. Řeší uložení, uchování, zpracování a vyhledávání informací a umožňuje jejich formátování do uživatelsky přívětivého tvaru.“ Základní pojmy §Systém budeme chápat jako soubor prvků, které jsou součástí nějakého uceleného obrazu skutečného světa, jenž je doplněný o informace o jejich vzájemné vazbě, uspořádanosti a struktuře. §Pro popis systému je třeba užít určité myšlenkové reprezentace, která se označuje jako model. Model zachycuje systém jen v tom ohledu, který je pro jeho autora důležitý a podstatný. §Systémy mohou být přirozené či umělé §Mohou mít vnitřní strukturu a mají okolí (které na ně působí a oni působí na něj) Základní problémy §Tacitní vs. explicitní znalosti §Kreativity management §Neúplná data §Špatná data §Uživatelské problémy – nevyužívají IS, používají jej špatně, dělají chyby §Chybný design §Technické problémy §… Informační systémy ve vzdělávání §Matrikové a manažerské systémy zachycují informace o objektivních strukturách ve školním prostředí. §LMS jsou informační systémy se vzdělávacím obsahem. Je ale každé LMS IS? §Lze tato dvě prostředí propojit? Proč to dělat a co to může přinést? §Ve formálním prostředí jsou do velké míry vázány legislativními omezeními. Úkoly §Sběr dat a informací §Archivace §Předávání informací v čas §Možnost napojení na systém řízení §Tvorba reportů §Podpora plánování §…. § §Vztah k řízení v nejširším slova smyslu Trojí vymezení §Funkcemi, které IS nabízí §Procesy, které podporuje §Daty a zdroji dat, se kterými pracuje Přístupy k tvorbě IS §Ad hoc, tedy „punks not dead“: –Žádná teorie –Žádné koncepty –Vycházíme z vlastní zkušenosti –Maximálně svobodný přístup §Fundamentalistický přístup: –Striktní dodržování postupů –Založený na výzkumech a teoriích –Ale neakcentuje konkrétní osoby, potřeby, situaci §Vyvážený přístup: –Kombinace výše uvedeného IS v hotelu x ve škole Co tvoří IS § § §Technologie: hardware, software, databáze, telekomunikace, …. §Lidé: uživatelé IS §Organisace: společné cíle, úkoly, procesy, spolupráce Kompetence designera IS § Kompetence Dvojí pohled na IS §Technologický §Organisační Architektura Informačních systémů § Jak navrhnout IS §Ad hoc řešení aneb punks not death – řeší se aktuální problém aktuálně dostupnými prostředky. §Systémový přístup – vybereme nějakou metodologii (ODP a OMA, DZ-SIMPROLOG, IAA,…) a postupujeme podle ní. §Kombinace obojího. §Participativní design + … Na co myslet §Pojetí sociální informatiky: –Ovlivňování chování uživatelů –Zlepšení efektivity práce a komfortu §Uživatel §Smysl toho celého – je daný problém skutečně tím, co se má řešit? § Co je architektura §Architekturou informačního systému chápeme většinou grafické a (nebo) písemné vyjádření o celkové koncepci informačního systému. Měla by zachycovat strukturu, funkční požadavky, bezpečnostní a provozní nastavení systému a vazbu systému na okolí. Dva modely návrhu §Ze shora dolů – od obecných zásad a požadavků k funkcím a modulům §Ze zdola nahoru – od jednotlivých funkcí a komponent k celkovému dílu § §Oba přístupy mají něco do sebe a běžně se kombinují. §Důležitá je možnost využívat již hotová otevřená řešení (frameworky, rozhraní, API, …) – byť nic není zadarmo. §Návaznost na OOP § §Modulární výstavba systému: –Systém je vytvořený z komponent, které mohou být různě aktivovány a deaktivovány. –Když je potřeba nová funkcionalita, dá se vytvořit vlastním modulem. –Výhodou je snadná replikovatelnost řešení. Funkční požadavky §Proč systém potřebujeme? §K čemu má systém sloužit? §Kdo bude se systémem pracovat? §Jaké budou vstupy? §Jaké budou výstupy? §Jaké bude okolí systému? Modely technické realizace §Definice jasných požadavků ze strany zadavatele, která je konečná a úplná. §Kooperativní model spočívá v tom, že systém je od začátku designovaný na to, aby do něj mohl objednavatel zasahovat. §Model dlouhodobé spolupráce vychází z toho, že tvůrce systému se o něj také dlouhodobě stará a pečuje o jeho rozvoj. Inovace IS Legislativa § Základní legislativní normy §Pro informační systémy, které mají na starosti správu školní agendy, představuje určité základní mantinely zákon č. 561/2004 Sb., o předškolním, základním, středním, vyšším odborném a jiném vzdělávání (běžně označovaný jako školský zákon), který v paragrafu 28 vymezuje povinnou dokumentaci škol a školských zařízení, jejíž součástí je také školní matrika, kterou z hlediska obsahu a struktury údajů upravuje vyhláška MŠMT č. 364/2005 Sb., o vedení dokumentace škol a školských zařízení a školské matriky a o předávání údajů z dokumentace škol a školských zařízení a ze školní matriky. Matrika musí obsahovat údaje (Vyhláška MŠMT č. 364/2005 Sb. §2) §a) Označení rámcového vzdělávacího programu a školního vzdělávacího programu, případně označení akreditace studijního oboru. §b) Označení pravidel hodnocení vzdělávání. §c) Označení třídy, do níž je žák či student zařazen, jméno třídního či vedoucího učitele, případné poznámky o specifickém charakteru třídy, jako je například sportovní třída. §d) Názvy povinných, povinně volitelných a volitelných předmětů nebo ucelených částí učiva a hodnocení žáka v těchto oblastech. §e) Pokud je hodnoceno chování, tak také výchovná opatření a toto hodnocení. §f) Počet splněných let školní docházky, pokud ji žák plní. §g) Údaje o docházce do školy, počty zameškaných hodin omluvených i neomluvených. §h) Údaje o případném přestupu žáka mezi školami nebo přeřazení do jiné třídy. §i) Údaje o vydání vysvědčení, výučního listu nebo diplomu o absolutoriu. Zákon č. č. 111/1998 Sb., § 88 §(1) Vysoká škola vede matriku studentů. Matrika studentů slouží k evidenci o studentech a k rozpočtovým a statistickým účelům. §(2) Do matriky studentů se zaznamenává jméno, příjmení, rodné číslo, stav a trvalý pobyt studenta, u cizinců též datum narození, pohlaví, bydliště v České republice a státní občanství. §(3) V matrice studentů jsou o jednotlivých studentech vedeny zejména údaje o –a) zápisu do studia, –b) předchozím vzdělání, –c) studijním programu, studijním oboru, formě studia, –d) zápisu do vyššího ročníku nebo dalšího bloku, –e) složené státní zkoušce a uděleném akademickém titulu, –f) přerušení studia, –g) ukončení studia. §Strukturu informační věty provozované databáze a její technické podmínky stanoví ministerstvo po projednání s vysokou školou. §(4) Záznamy do matriky studentů mohou provádět pouze zaměstnanci vysoké školy zvlášť k tomu pověření; záznamy podle odstavce 3 písm. a) a c) až g) se provedou neprodleně po rozhodné události. Matrika studentů a doklady o rozhodných událostech jsou archiválie; při jejich archivování a vystavování výpisů a opisů se postupuje podle zvláštních předpisů. §(5) Vysoká škola sdělí tomu, kdo osvědčil právní zájem, příslušný údaj z matriky studentů. § Ze souhrnných dat o VŠ - http://dsia.uiv.cz/vystupy/vu_vs.html Metodický pokyn MŠMT stanovující Standard ICT §Podle metodického pokynu Ministerstva školství, mládeže a tělovýchovy stanovující Standard ICT služeb ve škole se v bodě 2.8 uvádí, že „od počátku školního roku 2005/2006 mají pedagogičtí pracovníci, a od počátku školního roku 2006/2007 žáci, možnost z domova přistupovat k ICT službám poskytovaným školou. Při tomto se přihlédne k licenčním ujednáním a zajištění vhodné úrovně bezpečnosti.“ §Explicitně jsou jmenované – e-mail, soubory a dokumenty a informační systém. Další legislativa §Zákon č. 101/2000 Sb., o ochraně osobních údajů a o změně některých zákonů. §Zákon 499/2004 Sb., o archivnictví a spisové službě. §Vyhláška č. 646/2004 Sb., o podrobnostech výkonu spisové služby. §Vyhláška MŠMT č. 15/2005 Sb., o náležitostech dlouhodobých záměrů, výročních zpráv a vlastního hodnocení školy. § §U regionálního školství jsou důležité také vyhlášky či pokyny zřizovatelů (obcí a krajů). § Základní pedagogické teorie § Motivace §Pokud chceme vytvořit systém, který bude někoho vzdělávat, potřebujeme mít jasno o paradigmatu, tedy o tom, co to vzdělání je, jaký je jeho smysl a jakým způsobem ho dosáhnout. Pedagogické teorie §Jaká je role učitele? §Jaká je role žáka? §Co se má zkoušet? §Jak se má motivovat? §Jak se má učit? §Jak vypadají učební materiály? Behaviorismus §„Chování lze vědecky zkoumat bez odkazu na vnitřní duševní stavy“ §Spojení s I. P. Pavlovem – učení jako dril (opakovaná zkušenost) §Reflex – mozek reaguje na podnět §Výuka je přímo řízena učitelem. Ten kdo ví, učí ty co neví §Nacvičení postupu podle vzoru (instruktivní přístup) § §Kdybychom dokázali vhodným způsobem ovlivnit prostředí, v němž žijeme, hlavně vzdělávání, mohli bychom předem definovat chování člověka. John Broadus Watson. Behavior, 1914 Kognitivismus §Inspirovaný výpočetní technologií §Silný důraz na paměť a ukládání dat do paměti §Učí se opakováním §Výuka má jasný program, typicky jednotný – osnovy §Hodnocení probíhá výpočtem odchylky jednotlivce od stanoveného normálu §Klade se důraz na práci jednotlivce Konstruktivismus §Pedagogický konstruktivismus vychází z prací Piageta, Vygotského, Brunera a dalších §Učení je složitým psychologickým a sociálním procesem §Člověk si již v předškolním věku vytváří vlastní obraz o světě, ostatních lidech i sobě samém §Člověk si vytváří prekoncepty a na vše nové se dívá jejich optikou. §Učení je vlastně úpravou systematickou úpravou těchto prekoncepcí §Učitelé mají žáka vést k tomu, aby nad dosavadními zkušenostmi přemýšlel a aby je organizoval, prohloubil, obohatil a rozvinul §Podporuje se samostatné objevování světa §Studenti se učí sami, učitel jim jen vytváří vhodné prostředí Konektivismus 1.Učení je chápáno jako specifický proces, během kterého jsou propojovány jednotlivé uzly znalostí a vzniká tak jejich jedinečný kontext, který může být u každého člověka jiný. Můžeme říci, že uzel představuje v síti informaci a znalosti odpovídá spojení mezi uzly, tedy hrana obecného grafu. Učení je pak konstrukcí takového grafu jednotlivcem v informační společnosti. 2.Poznávání je založeno poznání rozdílných, často na první pohled protichůdných či nekompatibilních kultur, pohledů, postů či myšlenek. 3.Primární je schopnost poznávat. Vlastní znalosti jsou sice důležité, ale vzhledem k jejich dostupnosti méně, než analytické a kognitivní schopnosti. 4.Tvorba komunit a navazování sociální interakce (tedy tvorba sociálního kapitálu) je nezbytná. 5.Důležitou schopností je identifikace interdisciplinárních vazeb, hledání hraničních témat a nových oborů a přístupů. 6.Informace mohou podléhat změnám. Pravdivostní funkce poznání je časově závislá. 7.I neživá zařízení jsou schopna učení – viz neuronové sítě, učící se algoritmy, softwarový agenti atp. 8.Důležitá je schopnost vlastního rozhodování, posuzování toho, co je momentálně přínosné a důležité. S měnící se realitou je třeba se rozhodovat neustále znovu. § § Alternativní pedagogiky §Waldorfská škola §Montessori pedagogika §Daltonský plán §Freinetovská škola §Jenský plán Data, informace, znalosti a jejich organizace ve školním prostředí § Data, informace, znalosti, moudrost §Data jsou fakta či objekty, která jsou typicky nezávislá na uživateli v tom slova smyslu, že dokumentují stav reality v určitém časovém okamžiku. –Lze je verifikovat (někdy) –Lze je filtrovat §Aby mohla být informace považována za kvalitní musí a být srozumitelná, včasná, relevantní a přesná. §Znalosti jsou informace, které je možné chápat jako informace, které jedinec získá a začlení do kontextu a souvislost. §Moudrost je charakteristika člověka jako osoby. O moudrost nám ve vzdělávání jde především, přesto se nedá učit. § §Směrem dolů roste komplexnost a klesá počet jednotlivin a přesnost. Management dat ve školním prostředí §Ukládání dat §Volba struktury §Vzdálený přístup §Bezpečnost §Technologie §„management“ § §… přístup zjišťování uživatelských potřeb. Ukládání dat §Lokální disk + síťový disk §Cloudová řešení: –Proprietární: Google Drive, Dropbox, OneDrive –Otevřená ownCloud – §Osobní / institucionární účty §Osobní / institucionární data Volba struktury §Komu má složka sloužit? §K čemu je určená? §Má nějaký vztah ke zbytku datové struktury? §Je třeba nějak odstupňovat přístupová práva? §Obsahuje složka citlivé informace? Je třeba ji šifrovat? §Jakým způsobem je možné do ní připojovat další uživatele? Bezpečnost, technologie a vzdálený přístup §Zřejmě ideální možností jsou cloudové služby §Možnost šifrování (například Boxcryptor nebo užít přímo např. SpiderOak či Mega) §Dvoufázová autentizace §Bezpečnost na straně serveru, přenosu, klientské stanice a především u uživatele. §BYOD §Nutná podpora mobilních technologií §Je potřeba řešit interoperabilitu a migrovatelnost Informační management: Základní technické možnosti §Projektové systémy (Redmine, Basecamp, …) §Intranetové platformy §Komplexní řešení SharePoint či Delve §Vlastní informační systém §Komunikační platformy a kanály §LMS §… Nesouvislé poznámky §Méně je někdy (většinou) více §Je nutné řešit integraci §Vyplatí se pracovat s tradicí §Lze využívat API §Musí řešit jak obsahovou, tak komunikační linii §Je nutné se vyhnout duplicitním činnostem § Znalostní management §Typicky jak předávat znalosti o nějaké činnosti: –Jak zorganizovat konferenci, školní výlet, … –Často spojené s průvodci, například pro začínající učitele, poprvé třídním učitelem atp. – §Mohou obsahovat také širší informační bázy, která je spojená s osobním datovým managementem. §Může být realizována na vnitřní platformě instituce nebo lze užít externí služby, jako je Evernote či Wikidot. Osobní datový management a kurátorství § Základní pojmy §Curator – opatrovník, správce §Klurátor – ten kdo vytváří příběh, formu, překlad §Digitální kurátorství (digital curation) je souborem činností, které vedou k uchovávání digitálních materiálů a jejich zpřístupnění §Informační kurátorství (information curation), je pojmem velice obsáhlým a zahrnuje vlastně libovolnou kurátorskou činnost spojenou s informačními artefakty §Digitální informační kurátorství – kombinace obojího §Je rozdíl mezi světem pedagogickým a informačně vědním Do osobního datového managementu patří: §Informace, které člověk vlastní §Informace o člověku samotném §Informace směřující k člověku §Informace zaslané člověku či poslané člověkem §Informace významné pro člověka §Informace, se kterými člověk interagoval Informační kurátorství §Vychází a je determinováno informačním chováním §Obsahuje tři fáze: –Získávání dat (návaznost na EIZ) –Řízení a uchovávání (osobní wiki, Evernote, ZIM) –Využití, presentace, zpracování §Personal data management je kurátorstvím pro vlastní potřebu Kompetence podle Competencies Required for Digital Curation: An Analysis of Job Advertisements §Komunikační a presentační kompetence §Technologické kompetence §Oborově-orientační kompetence §Manažerské kompetence §Kompetence pro design objektů a služeb §Systémové a analytické kompetence Kompetence podle A Sample of Research Data Curation and Management Courses §Volba správného formátu pro ukládání dat §Vytváření sad objektů §Práce s citacemi a zdroji §Metadatický popis §Archivace §Strategie nakládání s daty § Učitel kurátor – ISSA kompetence §Komunikace §Rodina a komunita §Inkluze, rozmanitost a demokratické hodnoty §Plánování a hodnocení §Výchovně vzdělávací strategie ukázka §Učební prostředí §Profesní rozvoj § Učitel kurátor – Rámec profesních kvalit učitele §Plánování výuky §Prostředí pro učení §Procesy učení §Hodnocení práce žáků §Reflexe výuky §Rozvoj školy a spolupráce s kolegy §Spolupráce s rodiči a širší veřejností §Profesní rozvoj učitele Holandský standard profese učitele §kompetence interpersonální, §kompetence pedagogická, §kompetence odborná a didaktická, §kompetence organizační, §kompetence pro spolupráci s kolegy, §kompetence pro spolupráci s okolím, §kompetence k reflexi a sebezdokonalování Kurátorství ve škole §Jak ICT využívají učitelé pro svoji osobní potřebu a přípravu na výuku? Jaké služby a technologie využívají? §Jaké ICT využívají žáci? Jaké jsou jejich informační návyky? Jaký mají hardware, jakých služeb jsou zvyklí využívat? §Jakým způsobem ICT využívá management školy k předávání informací, ale také vzdělávacích objektů ve škole? Liší se vertikální a horizontální způsob komunikace? §Jak se ICT promítá do komunikace s rodiči? Strategie 2020 §„Kvalitní vzdělávání přitom předpokládá také průběžnou modernizaci vzdělávacích zdrojů a vzdělávací infrastruktury, v níž stále významnější místo získávají informační a komunikační technologie. Možnosti jejich těsnější integrace do výuky vytváří vynikající příležitosti nejen pro podporu efektivních procesů učení postavených na principu individualizace v rámci školního vzdělávání, ale také základ pro celoživotní učení a život ve společnosti, která bude dalším rozvojem digitálních technologií zásadně ovlivňována.“ Vztah ke konstruktivismu §Každý jedinec má jiný zájmy, znalosti, styl učení = každá sbírka je jiná §Každý má vlastní vzdělávací potřeby = možnost personalizace §V centru zájmu je osoba, nikoli učivo = důraz na znalost klienta §Přirozená potřeba se učit = škola hrou, heuristické učení, zábava §Přirozená touha po vědě a poznání = možnost snadného doručení vědeckých výsledků § Kurátorství jako výuková metoda §Možnost tvorby speciálních sbírek pro vzdělávací účely §Kontextualizace tématu, možnost přizpůsobení §N-roztměrná gridová struktura kurzů §Důraz na aktivní činnost studenta §Možnost spolupráce §Reflektivní prvky při učení § Dva směry komunikace §Směrem ke klientům, uživatelům, studentům,… §Směrem k okolí § §V čem je rozdíl? § Nástroje pro digitální kurátorství § Bibblo §Každý člověk si sám mixuje vzdělávací obsah §Možnost sledovat zajímavé lidi a jejich sbírky §Možnost komentování, sdílení, spolupráce, hodnocení §Spojování dat: –Video (YouTube a Vimeo) –Audio (SoundCloud, Audioboom) –Knihy (Amazon, Goodreads) –Články –Vizuální informace (Prezi, SlideShare, Imgur) § http://interes.blogy.rvp.cz/files/2015/05/bibblio_3.jpg § http://interes.blogy.rvp.cz/files/2015/05/bibblio_2.jpg Scoop.it §Tvoří se tematicky ucelená portfolia. §Lze vkládat odkazy na webové stránky, videa, presentace atp. §Materiál může obsahovat také komentář §S příspěvky lze libovolně manipulovat §Podpora spolupráce více tvůrců §Těsná návaznost na osobní portfolia § § Pinterest §Podpora různých multimédií, především obrázků §Uživatelé si tvoří nástěnky a na ně umísťují piny §Pin = jeden konkrétní objekt připojený k nástěnce (obrázek, video, text). Může obsahovat také další informace jako je popisek, klíčová slova, polohu atp. §Nová data lze na Pinterest nahrávat, avšak důraz je kladen na práci se stávajícím obsahem §Motto: Pinterest je jeden velký, polostrukturovaný inspiromat, ze kterého si může každý vybrat to, co se mu hodí. A dát cizím datům vlastní kontext. § § Tumblr §Jednoduchá blogovací platforma §Podpora tagů, vyhledání, … §Responsivní design §Kombinace se sociální sítí §Možnost tvorby také statických stránek § Další §Flipboard §Elmodo §Digitální knihovna (Greenstone, SimpleDL, …) – těsná návaznost na repozitáře. §… § Příklady nástrojů…. § Bibblo §Každý člověk si sám mixuje vzdělávací obsah §Možnost sledovat zajímavé lidi a jejich sbírky §Možnost komentování, sdílení, spolupráce, hodnocení §Spojování dat: –Video (YouTube a Vimeo) –Audio (SoundCloud, Audioboom) –Knihy (Amazon, Goodreads) –Články –Vizuální informace (Prezi, SlideShare, Imgur) § http://interes.blogy.rvp.cz/files/2015/05/bibblio_3.jpg § http://interes.blogy.rvp.cz/files/2015/05/bibblio_2.jpg Scoop.it §Tvoří se tematicky ucelená portfolia §Lze vkládat odkazy na webové stránky, videa, presentace atp. §Materiál může obsahovat také komentář §S příspěvky lze libovolně manipulovat §Podpora spolupráce více tvůrců §Těsná návaznost na osobní portfolia § Pinterest §Podpora různých multimédií, především obrázků §Uživatelé si tvoří nástěnky a na ně umísťují piny §Pin = jeden konkrétní objekt připojený k nástěnce (obrázek, video, text). Může obsahovat také další informace jako je popisek, klíčová slova, polohu atp. §Nová data lze na Pinterest nahrávat, avšak důraz je kladen na práci se stávajícím obsahem § Tumblr §Jednoduchá blogovací platforma §Podpora tagů, vyhledání, … responsivní design §Kombinace se sociální sítí §Možnost tvorby také statických stránek Medium §Aktuálně asi nejpopulárnější obsahová platforma §Vydavatelství, sociální síť a blog v jednom §Velké množství zajímavého obsahu s možností zvýraznění a ukládání §Možnost spolupráce více lidí na jednom časopisu §Možnost vést si snadno více časopisů současně FOLD.cm (ukázka) §Open source nástroj pro přidávání odkazů různého druhu k obsahu. §Jednoduché, ale zajímavé. Data a databáze § Motivace §Informační systémy musí pracovat s daty §Data jsou podkladem pro rozhodování §Je třeba je umět uložit, zpracovat, využívat §Pro návrh IS je třeba právě koncept práce s daty zásadním způsobem promyslet §Svět kolem nás není „data friendly“ ale komplexní a složitý Zpět k modelům §Realitu není možné datově popsat – je příliš složitá §Je třeba najít vhodný model, který bude svět (respektive jeho část) popisovat pro naše potřeby adekvátně §Model by měl být kvantifikovatelný, byť váha parametrů a jejich může být předmětem výzkumu §Dat nesmí být příliš mnoho §Nastavení sledovaných parametrů je klíčem k tvorbě databází a ukládání dat §Data je možná získávat buď automaticky nebo manuálně, obojí má své pro i proti Data mohou být… §Strukturovaná, jednoznačná, diskrétní, homogenní a čistá – nejlépe číselně a znakově popsatelná §Příliš velká §Heterogenní §Musí se zpracovávat v reálném čase §Plná chyb či šumu §Redundantní i obecně nadbytečná §V podivných formátech §Multimediální §Vzájemně provázaná §Nemusí být vůbec jasné, jaký je jejich význam Typický model Práce s daty §Získávání dat představuje primární krok. Za ním se skrývají všechny dotazníky, kamerové systémy, testy atp. Jestliže máme big data vizualizovat, musíme k tomu mít podklady v dostatečném množství a kvalitě. §Zpracování již pracuje se souborem konkrétních dat, která je obvykle potřeba převést do nějaké strojem snadno zpracovatelné podoby. Může obsahovat filtrování obsažené informace (například přepis rozhovoru do značek), a to především s ohledem na rychlost a snadnost následujícího zpracování. Jde opět o knihovnicky dobře zmapovaný a známý přístup, který může být ale u větších objemů dat řešen algoritmicky. §Filtrování navazuje na zpracování, když podle určitého filtru či kritéria omezuje data na ta, kterým se chceme věnovat, a která nepotřebujeme. V řadě případů je možné užít vícestupňové filtrování pro selekci pouze těch dat, která skutečně potřebujeme. Pojem informačního přetížení je znám především v psychologickém kontextu, ale hraje roli také zde. Pokud bychom nepoužívali filtry, těžko bychom se mohli v záplavě údajů zorientovat. §Dolování je fáze, která se zabývá získáváním informací z množiny předložených dat. Využívá přitom nástroje, jako je matematická statistika, regulární výrazy atp. Součástí zpracování je pak také filtrování šumu atp. Jde možná o nejzajímavější část celého procesu. Spadá sem vytváření algoritmů, které by umožnily identifikovat nějaké společné rysy dokumentů, snaha o automatické generování později analyzovaných struktur a řada dalších oblastí. §Reprezentace se věnuje zobrazení takto získaných dat do formy, která bude vizuálně snadno pochopitelná. Obvyklé pole či tabulku tak můžeme převést na graf, mapu či jiné formy reprezentace dat. Je nutné zde vidět návaznost například na systémy business intelligence, které slouží pro rychlé rozhodování a utváření strategií. Manažeři nepotřebují vidět jednotlivosti, ale trendy, důležité informace, které je třeba umět vytáhnout. §Čištění pracuje na vylepšování již vytvořeného výsledku. V této fázi se zamýšlíme nad tím, jaká barva na mapě bude reprezentovat jakou hodnotu. Celkově pečujeme o vizuální kvalitu celého výstupu. Opět dochází k odstranění šumu, nepotřebných dat, informací, které k výsledku nepotřebujeme. §Interpretace je poslední fáze, kdy hledáme cesty pro co možná nejlepší možnosti pochopení obsahu. Může jít například o přidání vrstvy, která zobrazí problém z jiného pohledu, animace v čase atp. Logicky se proto opět vrací k dolování dat. Jde o fázi, ke které by měl vždy mít možnost něco říci odborník, do jehož kompetence téma spadá. Zde se porovnávají výsledky s hypotézou či vstupními modely, vytváří se příběh, hledají se příčiny. Relační databáze a SQL §SQL databáze poskytují ACID ( A - Atomicity – atomicita, C - Consistency – konzistence, I - Isolation – izolovanost, D - Durability – trvalost). To je ale pomalé. §SQL je jazyk sloužící pro práci s daty a dotazování –SELECT id, zakaznik, cena FROM smlouvy WHERE cena>10000 AND se_slevou=1 ORDER BY cena DESC –INSERT INTO telefonni_seznam SET jmeno='John Doe', cislo='555-1212'; §Podporuje výjimky a triggery §Jednoduché na používání §Databáze je vždy tabulka, musí mít primární klíč § E-R model §Klient… má účet E-R atributy Alternativy §Key‐value databáze §Grafově orientované databáze §Dokumentové databáze §XML databáze (XPath nebo Xquery) + RDF Co ukládat? Jak ukládat data? §Média mají omezenou životnost §Volba médií pro ukládání dat není jen technickou podružností, ale součástí komplexní úvahy nad systémem. §Různé vlastnosti za různou cenu §http://www.code42.com/crashplan/medialifespan/ § Business inteligence a school inteligence? §BI: z dat, která informační systém zpravuje, ale také z externích zdrojů, získávat analýzy, data, souvislosti… a pomáhat manažerům se rozhodovat. §Nové trendy: –Complex event processing –Práce s dashbord –Dolování dat –Práce s externími zdroji a databázemi § §Co má umět school inteligence? Daty řízené vzdělávání §Evaluace výuky (data pro učitele jak učí) §Adaptabilní a personalizované vzdělávání §Školská politiky, hodnocení škol (via PISA či TIMSS) § §„Je velký rozdíl mezi analýzou dat pro studenta a o studentovi.“ Martin Weller §„Naším ideálním cílem by mělo být, aby studující dostal informace pro své vlastní rozhodování a podporu učitele.“ Bořivoj Brdička Big data ve školství §Učení zažívá cestu od umění k inženýrskému přístupu §BI třetí generace řeší úspěšně práci s neúplnými daty. §Možnosti získávání – LMS, scenování testů, další data (knihovny, sociální sítě, speciální aplikace, kvantifikační systémy,…) § Rizika §Ochrana soukromí §Zkreslení dat §Dehumanisace §Chyby §Falešná kauzalita § Adaptabilní a personalizované systémy §Diferencované učení §Personalizované učení §Adaptivní učení § §Konec MOOC? Proč a jak (ne)využívat data o chování studujících Daty řízené vzdělávání §Evaluace výuky (data pro učitele jak učí) §Adaptabilní a personalizované vzdělávání §Školská politiky, hodnocení škol (via PISA či TIMSS) § §„Je velký rozdíl mezi analýzou dat pro studenta a o studentovi.“ Martin Weller §„Naším ideálním cílem by mělo být, aby studující dostal informace pro své vlastní rozhodování a podporu učitele.“ Bořivoj Brdička Adaptabilní a personalizované systémy §Diferencované učení §Personalizované učení §Adaptivní učení § §Konec MOOC? Vsuvka … MOODLE §Velké škaredé zvířátko §Existuje minimálně 7 miliónů kurzů, které prochází asi 70 miliónů unikátních uživatelů z 227 zemí světa. Nejvíce registrovaných webů s Moodle mají USA – 8600, následované Španělskem 4700, Brazílií 3700 a téměř třemi tisíci ve Spojeném království. § MOODLE MOODLE: Monitoring činností §Event monitoring §Souhrnné statistiky §Participation report §Activity report §Log soubory §Odznáčky §Externí nástroje: Piwik Analytics či SmartKlass,… Piwik Analytics https://piwik.org/wp-content/uploads/2013/09/front_page-700x361.png MOODLE §Detailní pohled na každého jednotlivého uživatele a na každou jednotlivou komponentu systému (pokud neembedujete) Dva směry §Data pro studenta: –Trackování činností –Zpětná vazba –Práce s testy –Adaptabilní učení –PLE –Kurátorství –… §Data pro druhé, tedy o studentovi – formálně mohou být podobná Příklad dat pro studenta § Withmya.com §Výběr obsahu na základě: –Preference tématu –Preference formátu (videa, audia, články, kurzy) –Podle triggeru –… – §Provázanost s Evernote (a PLE?) – §Doporučovat obsah jako u hudby? –Ale ani tam to moc nefunguje Withmya.com Withmya.com PLE §Osobní vzdělávací prostředí: –Místo, kam dáváme obsah, nástroje, lidi… s kterými se učíme. –Těsně navazuje na vzdělávací plán –Sebe-určené nebo sebe-řízené učení –Návaznost na kurátorství obsahu – §K čemu velká data? –Doporučování na základě podobnosti –Analýza potřeb –Strojové učení –Učební asistenti Výhody §Adaptabilita či personlisovatelnost obsahu §Respektování oblíbených forem a způsobů učení §Vyšší efektivita §Větší zábavnost (ale jak dlouho?) §Integrace do jednoho prostředí Možné problémy §Sebeverifikační teorie a „bubliny“ §Pouze lokální optima §Doporučovat obsah pořád moc neumíme §Problém s hledáním nových obzorů §Vzdělávání, učení a výchova § § §Co s tím může udělat AI a AC? Možné problémy II §Ochrana soukromí §Zkreslení dat §Dehumanisace §Chyby §Falešná kauzalita § §… Odkud bereme data? Jaká? Koho se vlastně ptáme? § Personalizované učení via FI MU § Umíme česky MatMat Big data v klasickém školství §Učení zažívá cestu od umění k inženýrskému přístupu (evidence based learning) §BI třetí generace řeší (úspěšně) práci s neúplnými daty. §Možnosti získávání – LMS, scenování testů, další data (knihovny, sociální sítě, speciální aplikace, kvantifikační systémy,…) –SCORM –xAPI § Velká data pro velké hráče § Informační systémy ve školství §Bakaláři §SAS §eTridnice §iŠkola §Škola OnLine §… §IS MU § §Primárně většinou vždy především shromaždiště dat – a to je málo Business inteligence a school inteligence? §BI: z dat, která informační systém zpravuje, ale také z externích zdrojů, získávat analýzy, data, souvislosti… a pomáhat manažerům se rozhodovat. §Témata jako: –Complex event processing –Práce s dashbord –Dolování dat –Práce s externími zdroji a databázemi § §Co má umět „school inteligence?“ Využití §Předmětové ankety, evaluace kurzů §Vzdělávací politika §Hodnocení institucí §Státní maturity §Standardizace čehokoliv (kohokoliv) §… ale „Je velký rozdíl mezi analýzou dat pro studenta a o studentovi.“ Martin Weller § Design, evaluace, inovace § Umělá inteligence § Zpracování přirozeného jazyka §Syntéza řeči §Rozpoznání řeči §Strojový překlad §Dolování dat, extrakce a získávání informací §Dialogové systémy §Korektura textu §Právnické aplikace §… § Vyzkoušejte si §https://www.projectoxford.ai/: –Detekce obličeje –Detekce emocí –Převod řeči na text a opačně –Ideální ořez obrázků –Rozpoznání nápisů na obrázcích –Kontrola pravopisu… Vyzkoušejte si II. §http://how-old.net/: –Detekce věku – softwarově + lidsky §http://www.iis.fraunhofer.de/en/ff/bsy/tech/bildanalyse/shore-gesichtsdetektion.html –Detekce emocí, genderu a věku v reálném čase §http://www.tensorflow.org/: –Nástroj na práci s umělou inteligencí od Google (Google Translator, vyhledávání obrázků, snění) § Co je umělá inteligence? § Symbolický funkcionalismus §„Inteligentní chování daného systému je dosaženo interakcí mezi jednotlivými komponenty, které disponují odlišnou funkcionalitou, což je dosaženo tím, že v rámci systému hrají odlišnou roli.“ §Existuje konečný automat (stroj), který posloupností kroků, která je jednoznačná dojde ke správnému výsledku (Turingův stroj) (podobnost s Carnotovým cyklem majícím ideální účinnost tehdy, když pracuje nekonečně pomalu) § §Tento přístup je klasickou formou AI Konekcionismus §Výpočty získáme spojením jednoduchých objektů s výpočetní silou do sítě §Představa sítě jako mozku – neurony a synaptický spojení §Pracuje se s tzv. neuronovou sítí – každý uzel má určitou (většinou všechny stejnou) množinu operací, které umí a dohromady tvoří umělou inteligenci §Příklad SyNAPSE – čip od IBM, který se umí sám učit (např. natáčet pálku v pin-pongu) – 265 neuronů a 65536 nebo 262144 synapsí § §. Inside IBM's cognitive chip. Nature. 2011-8-18, s. -. DOI: 10.1038/news.2011.486. Dostupné z: http://www.nature.com/doifinder/10.1038/news.2011.486 Robotický funkcionalismus §Jako inteligentní chování je zde chápána jako rozumná interakce mezi třemi entitami: systém, prostředí, úloha §Vychází tedy z myšlenek behaviorismu §Inteligence je chápána jako instrumentální dovednost řešit nějakou úlohu §Příklad: inteligentní umělí domácí roboti, zdravotnické systémy, výrobní linky a stroje…. Turingův test §Umíme rozeznat člověka od počítače v běžné řeči? § §Historicky známé přístupy: –ELIZA Josepha Weizenbaum –Chatterboot (v česku například Pokec) –Botnet na Facebooku z Vancouveru – –http://nlp-addiction.com/eliza/ a http://alice.pandorabots.com/ §Cena 100 000 dolarů pro první nerozpoznatelný počítač nebyla udělena. Problém čínského pokoje §Searl, jenž nerozumí ani slovo čínsky se usadí v uzavřené místnosti plné knih, a návodů jak reagovat na jakoukoliv otázku v čínštině. Dejme tomu že v libovolném okamžiku, když dostane Searl vzkaz napsaný čínsky, dokáže pomocí knih a návodů zareagovat v čínštině. Není problém si představit konversaci s Číňanem stojícím před pokojem a strkajícím si papírky na relativně velmi omezené téma. Toto téma lze samozřejmě nekonečně zobecňovat, až dojdeme k původnímu požadavku. Technická řešení § Turingův stroj §Na začátku výpočtu je Turingův stroj v počáteční konfiguraci a na pásce je zapsané vstupní slovo. Dále pracuje v jednotlivých krocích: §pokud je aktuální stav zároveň stavem koncovým, výpočet končí §čtecí hlava přečte jeden vstupní symbol z buňky, na které se právě nachází §pokud je v přechodové funkci pro aktuální stav a pro přečtený symbol definovaný přechod, provede se (v případě více možných přechodů u nedeterministických strojů se vybere jeden náhodně): –změní se stav –na aktuální pozici hlavy se zapíše příslušný symbol –hlava se příslušným způsobem posune (či neposune) § Logické programování §Neprogramujeme postup řešení ale jen logická pravidla §Program podle nich provádí jen logický důkaz §Používá se Prolog nebo Gödel –Fakt: dívka(monika). –Otázka: ?- dívka(monika). –Odpověď: yes. §Podporované možnosti: seznamy, pole, proměnné, řetězce, složitější struktury §Základní myšlenka: musíme vytvořit databází faktů a pravidel, ze kterých se pak vyvozuje nějaká informace Prolog http://www.swi-prolog.org/xrefchatdep.gif http://www.solanum.org/prolog_2.gif http://fsteeg.files.wordpress.com/2010/01/literate-zest-prolog-screen.png Další technické možnosti §Genetické programování (Vytvoříme populaci entit a testujeme jejich chování. V druhém kroku vybereme ty nejlepší a snažíme se z nich vygenerovat novou nakříženou populaci. To opakujeme dokud nemáme dostatečně dobré řešení) §Expertní systémy §Dobývání znalostí (analýza obrazových a textových dat, získávání informací, které nejsou standardně dostupné přímo) §Strojové učení (založené na statistických metodách, často se kombinuje s dalšími formami) IBM Watson §1997 IBM Deep Blue poráží Garrima Kasparova v šachu §IBM Watson: –2880 procesorových jader architektury Power7 a 15 TB operační paměti svázaných linuxovým systémem –Celkový výkon odpovídá 80 teraflops –V paměti je zhruba 200 milionů stránek informací, tedy asi milion knih –Učí se z vlastních chyb: Pokud totiž zjistí, že odpověď byla mylná, příště sám upraví konfiguraci jednotlivých algoritmů v případě podobné otázky –Nehledá správné, ale nejpravděpodobnější odpovědi (podobně jako Popper) §Dnešní využití: –Práce pro pojišťovnu –Hledání talentů –Analýzy sportovní dat IBM Watson Dialogové systémy § Schéma § Schéma Principy užívané ve vývoji §Komunikace mluvenou řečí (někdy i psanou) §Multilingualita (ideální je vývoj pro více jazyků - Chomsky) §Inteligentní dialogové strategie (jak ověřit, zda si uživatel a počítač „myslí“ totéž) §Adaptace na uživatele (každý jsme jiný) §Schopnost učit se a přizpůsobovat (typicky neexistuje konečná množina informací, se kterými systém pracuje) §Zohledňují osobnost (učící se systémy) §Zohledňují emoce uživatel Výhody §Komunikace je přirozená v mluvené řeči §Můžeme mluvit, aniž bychom přerušili další činnosti (řízení, práce se stroji,…) §Snadné ovládání §Vazba na humanitární informatiku §Vazba na asistivní technologie Zpětná vazba §Snižuje riziko chyb nedorozumění: –Aktuální –Sumarizační §Možnost vzájemné interakce Řečový roboti C:\###_vyuka\prednasky_ds\holgerwir.jpg C:\###_vyuka\prednasky_ds\August.gif Modely dialogových systémů §Stavové automaty §Modely na bázi rámců §Modely na bázi agentů § §… gramatiky, regulární výrazy, HIT, SDL, sítě přechodů Mealyho automaty § A = (A, X, Y, l, d) § A, X, Y konečné neprázdné množiny § d : A ´ X ® A - přechodová funkce § l : A ´ X ® Y – výstupní funkce § A – množina stavů § X, Y – množiny vstupních a výstupních symbolů § Rámce §V rámci jednoho rámce se vyplňuje „formulář“. Jeden rámec odpovídá jednomu slotu. Sloty mohou být vyplňovány v různém pořadá. Agenti §Aplikace má vlastní inteligenci a strategie chování, může se učit, interagovat s okolím a mít vlastní „emoce“ §Využívá se umělé inteligence §Socialbot: –102 Socialbotů, které se během osmi týdnů pokusily navázat přátelství s celkem asi 8570 uživatelů Facebooku; –3055 jich přátelství potvrdilo; –46.500 e-mailových adres; –14.500 adres domů. –Yazan Boshmaf, Ildar Muslukhov, Konstantin Beznosov, and Matei Ripeanu. The socialbot network: when bots socialize for fame and money. In Proceedings of the 27th Annual Computer Security Applications Conference (ACSAC'11), December 2011. Onlinehttp://lersse-dl.ece.ubc.ca/record/264 Virtuální asistenti §Komponenty –Avatar –Dialogový systém –Znalostní báze –+něco navíc §Příklady: –Siri –Google Now –Cortana –Evi –Speaktoit assistant –Robin Speaktoit Robin Možnosti §Hledání informací §Komunikace hlasem §Jak se dostanu domů? §Kdy mám schůzku? §Kolik jsem dnes ušel kroků? §… § §Propojitelnost s nositelnou elektronikou http://www.lg.com/us/smartwatch/images/img-intro01.png http://www.androidcentral.com/sites/androidcentral.com/files/styles/xlarge_wm_brw/public/article_im ages/2014/10/gwar-26.jpg Limity §Limity dialogového systému: porozumění, jazykové bariéry §Hlasové ovládání se ne vždy hodí §Není to člověk §Stále omezené možnosti §Prostupnost dat mezi aplikacemi: –Sémantický web –Sémantický desktop Využití ve vzdělávání §Kurátorský přístup k obsahu §Expertní systémy pro opravu chyb §Odbourání modelu klasického LMS §Možnost dialogu §Učení odevšud §Prostojové učení §Integrace vzdělávacího obsahu do jednoho prostředí §Personalizovaný a individuální přístup Digitální pedagogika §Existují teorie jak má vypadat a pracovat živý učitel, ale ne digitální. §Existují teorie jak řešit strojové učení, ale ne učení strojů nebo stroji. §Jak se mění role vzdělání (co do obsahu i formy) v kontextu AI? §Jaká bude role virtuálního a fyzického učitele? Čím se budou lišit? §Jde o konkurenci nebo spolupráci? §Sociálně pedagogické problémy nejsou zanedbatelné. §Existují i problematická místa – digitální demence, psychologické problémy, technostres, možnost lehké manipulace s celým vzděláváním. §Neexistuje žádná standardizace. § Počítačové zpracování emocí § Co jsou emoce §Nikdo nemá jasnou definici §Hrají podstatnou roli v komunikaci, učení i pochopení §Existují emoce a racionalita? §Základní emoce: emoce, ze kterých lze poskládat celková emoce § §Příklady: –Descartes: Big six: Anger, Disgust, Happiness, Sadness, Fear, Surprise –Arnold: Anger, aversion, courage, dejection, desire, despair, fear, hate, hope, love, sadness –Izard: Anger, contempt, disgust, distress, fear, guilt, interest, joy, shame, surprise – – § Dva specifické pohledy §Software mající emoce §Emoce detekované strojem na lidech Detekce emocí §Pasivní: –Gesta rukou, chůze či obličej - https://is.mendelu.cz/eknihovna/opory/zobraz_cast.pl?cast=6149 –Emoce v hlase §Aktivní: –Galvanický odpor kůže –Měření tlaku –Měření teploty –Měření tepu –Měření mozkové aktivity –Měření hladiny hormonů –EEG, EKG, … Detektory emocí http://blog.pcnews.ro/wp-content/photo/gsr.jpg The BVP earring E:\coll\emouse3.jpg § http://i.iinfo.cz/images/661/pocitacove-zpracovani-emoci-1-prev.jpg Práce s herci http://i.iinfo.cz/images/572/pocitacove-zpracovani-emoci-1-prev.jpg Hněv nebo smutek? E:\coll\Ang_Gri_Day2.jpg Detekce emocí z obličeje §Práce s herci §Matematické modely – podobně jako rozpoznávání obličeje §Typicky zaměřené na ústa a oči. Dále se užívá obočí, celkový tvar obličeje… Emoce Návrh systému § § § Analýza potřeb a stávajícího stavu §Rozhovory §Cesta službou §Dotazníky §Pozorování §Kniha přání a stížností §… informační systémy nejsou jen technická řešení … Návrh řešení: UML §Standardizovaný způsob zápisu §Často se ale používá nestandardizovaně §Verze 2.4.1 byla schválena jako ISO/IEC 19505 §Teoreticky nabízí možnost navrhovat graficky systém od prvních idejí po zdrojový kód §Cca 14 různých forem diagramů dávajících komplexní pohled na IS §Grafické návrhy jsou často doprovázené texty Strukturní diagramy §Diagram tříd §Diagram komponent §Diagram složené struktury §Diagram nasazení §Diagram objektů §Diagram balíčků §Diagram profilů § Diagramy chování §Diagram aktivit §Stavový diagram §Diagram užití § Diagramy interakce §Diagram komunikace §Diagram interakcí §Sekvenční diagram §Diagram časování § Výhody a nevýhody §Pozitiva: –Jednoduchý standardizovaný návrh –Vede strukturu myšlení –Možnost standardizace –Možnost přímé implementace –Metoda krok za krokem –Velké množství softwaru pro tvorbu §Negativa: –Nic člověka nenutí jazyk dodržovat –Některé třídy jsou mírně redundantní –Při existenci popisu přirozeným jazykem –Přímá implementace je problematická –Existují hybridní modely a řešení Co to je? § Diagram užití §Actor a Use Case §Pomocí čárkované šipky a vazby <>, která říká, že daná aktivita se vykonává vždy jako součást Use Case, ze které vychází. §Další možnou vazbou je <>, která je spojená s podmínkou, jež musí být splněná, aby se daná činnost vykonala. §K diagramu užití se obvykle píší komentáře. Ty se váží k jednotlivým Use Case (proto se číslují) a obsahují: –Aktéry –Podmínky pro spuštění –Základní tok aktivity (aktivita většinou není atomická) –Případné další scénáře –Podmínky pro ukončení § Diagram tříd §Diagram tříd je specifickou formou zápisu vlastností chování jednotlivých objektů v systému. §Objektem, což je pro naše pojetí klíčový pojem, budeme rozumět určitou abstraktní entitu, která má korelát v reálném světě – tedy studenta, předmět, učitele, … Takový objekt může mít různé vlastnosti. Tou první je stav, což je charakteristika, která popisuje objekt v určitém časovém okamžiku. Například předmět může mít stav popsaný atributy: –Kód = VIKMB18 –Název = Informační systémy ve vzdělávání –Kredity = 4 –Vyučující = Michal Černý –Ukončení = zápočet Diagram tříd II §Graficky se třídy zakreslují jako obdélníky, které jsou rozdělené vodorovně na tři části. V první je zapsané jméno třídy, v druhé jsou její atributy a ve třetí části metody (tedy chování, co třída umí, co s ní lze dělat). §Dále lze mezi jednotlivými třídami zakreslovat různé druhy vztahů: –Asociace zakreslujeme plnou čarou bez šipek a označují rovnocenný vztah mezi dvěma (nebo třemi objekty), jako je například učitel a předmět. Všechny objekty na sebe odkazují, ale přitom existují nezávisle na sobě. –Agregace popisuje vztah mezi částí a celkem (například kurikulum se skládá z předmětů). Zapisuje se plnou čárou a u celku je malý kosočtverec. Lze popisovat také multiplicitu vazeb. –Kompozice je podobná agregaci, zapisuje se stejně, jen kosočtverec je vybarvený. Část je na celku zcela závislá, nemá bez něj smysl. Když celek neexistuje, neexistuje ani ona. –Generalizace je vlastnost, které jsme se již dotkli, a označuje nadřazenost či podřazenost pojmů (od podřazených pojmů jde k nadřazeným šipka). § Diagram aktivit §Aktivitou se v tomto diagramu chápe to, co je modelováno, tedy proces, workflow nebo procedurální logika. Aktivita může přebírat určité vstupy, mít výstupy a nějakou vnitřní strukturu, která je předmětem samotného modelování. Často se používá model, kdy relativně komplexní workflow navrhneme pomocí jednotlivých akcí, které jsou dále rozpracovány (tento druh aktivity se označuje jako vnořená akce). Každá aktivita má svůj počáteční bod (značí se plným kolečkem) a koncový bod (kolečko s puntíkem uprostřed). §Akcí se rozumí činnost, která má být vykonána a měla by mít v kontextu diagramu atomický charakter. §Aktivita se tedy skládá z akcí, mezi kterými se přechází pomocí šipek, které znázorňují tok aktivity. Na její hranu je možné umístit do hranaté závorky nějakou omezující podmínku pro vykonání příslušného „přepnutí akcí“. Pomocí kosočtverce je možné modelovat rozhodovací kroky, kdy typicky do něj vchází jeden tok a vychází toků více. § § § § i Prototypování §Prototypování lze v kontextu informačních systémů vnímat v několika jazykových i obsahových souvislostech, které na sebe určitým způsobem navazují: –Návrh struktury ovládání a grafického rozhraní je prvním krokem, který je s tvorbou prototypu spojen. Na tuto oblast se zaměříme dále. (Většinou se dá užít Storyboard – například v Pencil) –Tvorba nehotové části systému, která má ale všechny potřebné funkce pro to, aby mohla být testována. Není většinou spojená s daty, nemusí řešit interoperabilitu a další témata, která se vynořují až při samotné implementaci, ale měla by umožnit testování buď celého systému nebo jeho části uživatelem a ladění chyb. § Prototypování II §Lze rozdělit Lo-fi a Hi-fi prototypy §Součástí prototypování je také návrh GUI a HCI: –jednoduchost, –konzistence všech postupů, grafických prvků, dialogů, ovládání, –možnost se vrátit, –předcházení chybám, –snaha o předvídatelnost. §Lze využít systémy jako Proto.io, Marvel či InVision Testování §A/B testování §Eye tracking §Práce se scénáři §Myšlení nahlas §Analýza chování na stránce §Rozhovory §Validace a standardizace (přístupnost) Heuristické testování §Dvě kola testování (flow a jednotlivosti) §Stupnice chybovostí 1-5 (opačně než ve škole) §Ideálně 4-5 osob § § Deset funkčních heuristik podle Nilsena §Viditelnost stavu systému §Shoda mezi systémem a reálným světem §Uživatelova kontrola nad systémem §Konzistentnost systému §Prevence chyb §Minimalizace práce s pamětí uživatele §Flexibilita a uživatelský komfort §Estetický a minimalistický design §Návrh řešení problému §Přítomnost nápovědy či návodu Příklad LMS: Moodle a Google Classroom § Příklady otevřených prostředí §eFront Open Source LMS §Forma Learning Management System §BusinessLMS by LMS Global §ATutor's LMS by ATutor §Chamilo's LMS §Sakai OAE §ILIAS §Open edX §Moodle Moodle §Modular Object-Oriented Dynamic Learning Environment §Open source LMS Moodle §MOODLE = modular object-oriented dynamic learning environment §GNU-GPL §První verze 1999, doba podpory je dva roky na verzi, pak je třeba provést upgrade §„Existuje minimálně 7 miliónů kurzů, které prochází asi 70 miliónů unikátních uživatelů z 227 zemí světa. Nejvíce registrovaných webů s Moodle mají USA – 8600, následované Španělskem 4700, Brazílií 3700 a téměř třemi tisíci ve Spojeném království.“ §Problémem je velká fragmentace - největší podíl má verze 1.9 z roku 2008, která nemá již tři roky technickou podporu ani bezpečnostní úpravy. § Technické parametry §Moodle je vyvíjen v Apache a PHP, pro svůj chod potřebuje databázi (podporovány jsou PostgreSQL, MySQL a MariaDB a částečně Oracle) §HW : 160 MB místa na samotnou instalaci (k tomu je ale připočíst prostor pro materiály, vzhledy, pluginy, data o uživatelích atp.), požadavky §procesor s 1 GHz, ale doporučena je dvojnásobná §256 MB RAM, což je ale spíše symbolické. Pro reálný chod s více uživateli lze počítat přibližně s 1 GB na 20 osob pro rychlý a stabilní běh. Což u velkých kurzů není v součtu málo. §Instalace samotná probíhá téměř automaticky z prostředí webového prohlížeče. Před jejím spuštěním je třeba ručně vytvořit databázový záznam (čtyři prázdné tabulky s patřičnými přístupovými právy) a adresář na disku, ideálně mimo webově dostupnou část. Pak již stačí jen proklikat instalaci. §Moodle má také podporu lokální instalace Základní moduly §Slovníky a databáze §Ankety, průzkumy, dotazování §Diskusní fóra §Chat §Testy §Přednáška §Workshop §Wiki §… § Monitoring činností §Event monitoring §Souhrnné statistiky §Participation report §Activity report §Log soubory §Odznáčky §Externí nástroje: Piwik Analytics či SmartKlass,… Google Classroom: LMS pro blended learning E-learning x LMS §E-learning: forma vzdělávání (Piaget: vzdělávání jako obousměrná komunikace) §LMS: softwarová komponenta zajišťující komplexní správu vzdělávacích procesů, aktivit, studentů, testů, materiálů,… §Na první pohled ne nutně související vazba, ale "The medium is the message„ ‎Marshall McLuhan Blended learning §Blended learning: kombinace kontaktní a e-learningové výuky §E-learning typicky podpora presenčního vzdělávání §Škola21: dobrá škola by měla mít e-learning. Ale jaký? K čemu? Proč? Problémy s klasickými LMS §Příliš robustní architektura §Často jednosměrná komunikace (x participativní a kompetenční učení, P2P learning) §Nezakotvenost v pedagogických teoriích §Tvorba modulů vyžaduje určitý rozmysl, zabere čas a je třeba plánovat §Typicky odděluje komunikaci od učení Převrácená třída §Akcent na práci žáků §E-learning nese aktuální obsah pro práci a rozšiřujcí studium §Učitel v něm musí sledovat aktivitu žáků a jejich aktuální problémy §Snaha aktivizovat a mluvit stejným (vizuálním?) jazykem §Vícerychlostní model studia §Možnost práce s nadanými žáky §Typická je podpora samostudia ve výkladových pasážích §Jde o projev BL § Google Classroom Google Classroom II. Google Classroom III. §Pokus o LMS prostředí podobné Facebooku či Twitteru §Přímá podpora převrácené třídy (ale ne úplně dotažená) §Žádné týdny, témata, jen tok informací a možnost přímé diskuse §Dobré napojení na Google aplikace §Práce v rámci jedné Google Apps domény Alice Keeler: možnosti využití §Sdílení dokumentů a zdrojů se studenty §Užití aplikace Classroom jako informačního systému s upozorněními §Užití pro komunikaci žáků s učiteli. Odevzdaným úkolem nebo komentářem mohou dát najevo, že mají zadání hotové a čekají na další práci §Omezení podvodů – oproti odevzdávání do společné složky se zde hůře podvádí. Student také nemůže snadno (aniž by byl odhalen) nasdílet dokument spolužákovi §Posílání e-mailu studentům §Tvorba rychlého playlistu z videí na YouTube §Diskusní platforma k jednotlivým tématům §Získání dobrého přehledu o práci jednotlivých studentů ScORM, xAPI a Mozilla Open Badges §Aneb přenositelnost informací SCORM §Sharable Content Object Reference Model v roce 2000 §Všechna data pochází z LMS §Teoreticky umožňuje přenos vzdělávacích objektů i celých kurzů §Založené na XML §64 prvků, ale velká většina volitelných, nepovinných, slabý referenční model -> flexibilní využití, všestrannost,… ale prakticky problematický přenos dat mezi aplikacemi §Existují i nové verze jako je SCORM 2014 (4. generace) §Podporováno Moodle a řadou dalších LMS xAPI §Snaha nahradit SCORM §Velká část aktivit mimo LMS, ale v PLE §Založené na tripletu z RDF: –John Connor scored “90%” on “The War of 1812, Assessment” –John Connor satisfied objective “Battles of the War of 1812” –John Connor mastered objective “The War of 1812” to level “1” §Složeno z několika částí (hlavně API pro LMS či PLE) §Podpora mobilních zařízení a především hraní her §Za vývojem stojí Rustici Software Mozilla Open Badges §Open Badge Infrastructure: –Pro uživatele či sběratele (přes Perosna) – ochrana soukromí, možnost presentace, přehled o osobním pokroku –Pro poskytovatele –Otevřený kód –Snadná přenositelnost data –Transparentní data §Odznaky: –Obrázek ve formátu SVG či PNG a metadata v JSON. –Možnost tvorby závislostí –Možnost skrývání nebo presentování –Možnost ověřování – – Školní systémy § Základní funkce SAS §SAS umožňuje vedení školní matriky a předávání údajů ze školní matriky, vzájemnou provázanost dat, možnost práce v sítích, přístupová práva k modulům a funkcím pro každého uživatele, možnost výběru dat podle zvolených podmínek, tisky seznamů, karet, dopisů, vysvědčení, formulářů ve všech modulech. §Mimo matriku a její komplexní správu se nabízí také elektronická třídní kniha, práce s průběžnou klasifikací, tisk vysvědčení. Především větší školy uvítají možnost sestavování rozvrhů na základě předem zadaných parametrů s automatickou detekcí kolizí. Na tento systém je navázán systém správy suplování. Bakaláři §Bakaláři jsou druhým komplexním informačním systémem pro školy – od mateřských až po střední. V roce 2014 používalo v ČR systém Bakaláři více než 3500 škol. Systém je modularizovaný, takže některé školy využily jen práci s matrikou, avšak přes 2000 škol také tvorbu rozvrhu, 1400 škol internetovou žákovskou knížku a skoro 1200 škol vlastní licenci pro elektronickou třídní knihu. §Modulární výstavba, podpora mobilní aplikace. § Škola Online §Čistě cloudová aplikace. §Spíše jednodušší prostředí. §Učitelé mají přístup ke své části školní matriky, třídní knize, hodnocení žáků, školní knihovně na organizaciškolního klubu či družiny. Zajímavým je pak nástroj pro komunikaci, který umožňuje posílat e‐maily nebo SMS buď vybrané skupině osob, nebo jednotlivcům. Jestliže je zpráva poslána uvnitř systému, lze sledovat, kdo si ji přečetl, kdo ne. Dále je k dispozici prostředí pro jednoduchý e‐learning nebo organizaci osobního portfolia. §Prostředí je rozdělené podle rolí – rodiče, učitelé, administrátoři. §Integrace s Office 365. § Nástroje pro návrh vlastního IS §https://moqups.com/#!/ - bez registrace, pěkný, rychlý tradiční §https://ninjamock.com/ - jednodušší, finančně výhodný §https://creately.com/app/ - umí skoro vše, i UML, avšak není úplně přehledné, problém s menu s objekty §https://www.draw.io/ - jednoduché UML §https://www.gliffy.com/ - fajn věc na UML, ale také schémata libovolného druhu §https://www.lucidchart.com/ - něco mezi Gliffy a draw.io s ne úplně logickým ukládáním dat, RT spolupráce §https://marvelapp.com/# - pěkné, přehledné HiFi Další doporučená literatura §SIEMENS, George. Connectivism: A learning theory for the digital age. 2014. Dostupné z: http://er.dut.ac.za/bitstream/handle/123456789/69/Siemens_2005_Connectivism_A_learning_th eory_for_the_digital_age.pdf?sequence=1. §SIEMENS, George. Connectivism: Learning as network‐creation. ASTD Learning News, 2005, 10.1. §SMITH, Elizabeth A. The role of tacit and explicit knowledge in the workplace.Journal of knowledge Management, 2001, 5.4: 311‐321. §TONDL, Ladislav. Člověk ve světě techniky: nové problémy filozofie techniky. Vyd. 1. Liberec: Bor, 2009, 197 s. ISBN 9788086807645. §PIAGET, Jean. Psychologie inteligence. Vyd. 2., v nakl. Portál 1. Praha: Portál, 1999, 164 s. Studium. ISBN 80‐7178‐309‐9. §PETER BERNUS, Kai Mertins. Handbook on architectures of information systems. Berlin: Springer, 1998. ISBN 9783662035269. §HOLUBOVÁ, Irena a Jaroslav POKORNÝ. XML technologie: principy a aplikace v praxi. 1. vyd. Praha: Grada, 2008, 267 s. Průvodce (Grada). ISBN 978‐80‐247‐2725‐7. §ŠARMANOVÁ, Jana. Informační systémy a datové sklady. Ostrava: Vysoká škola báňská ‐ Technická univerzita, 2008, 1 CD‐ROM. ISBN 978‐80‐248‐1500‐8. §HRONEK, Jiří. Informační systémy [online]. Olomouc : Katedra informatiky. Přírodovědecká fakulta. Univerzita Palackého, 2007 [cit. 2016‐01‐02]. Dostupné z WWW: https://phoenix.inf.upol.cz/esf/ucebni/infoSys.pdf §FOWLER, Martin. Destilované UML. 1. vyd. Praha: Grada, 2009, 173 s. Knihovna programátora (Grada). ISBN 978‐80‐ 247‐2062‐3