adaptivní vzdělávací systémy byly tradičně rozděleny do samostatných komponent nebo „modelů“. Zatímco byly prezentovány různé skupiny modelů, většina systémů zahrnuje některé nebo všechny následující modely (příležitostně s různými názvy):
- Expert model – model s informací, které mají být učil,
- Student model – model, který sleduje a učí se o studenta
- Instruktážní model – model, který vlastně vyjadřuje informace
- Instruktážní prostředí – uživatelské rozhraní pro interakci se systémem,
Expert modelEdit
Expert modelu jsou uloženy informace o materiálu, který je učil. To může být stejně jednoduché jako řešení pro sadu otázek, ale může také zahrnovat lekce a návody a, v sofistikovanějších systémech, dokonce i odborné metodiky pro ilustraci přístupů k otázkám.
adaptivní učební systémy, které nezahrnují expertní model, obvykle začlení tyto funkce do výukového modelu.
Student modelEdit
nejjednodušším prostředkem pro stanovení úrovně dovedností studenta je metoda používaná v CAT (computerized adaptive testing). V CAT, předmět je prezentován s otázkami, které jsou vybrány na základě jejich úrovně obtížnosti ve vztahu k předpokládané úrovni dovedností předmětu. Jak test pokračuje, počítač upravuje předmět skóre na základě jejich odpovědí, neustále dolaďování skóre výběrem otázek z užší škálou obtížnosti.
algoritmus pro hodnocení stylu CAT je jednoduchý na implementaci. Velká skupina otázek je nashromážděna a hodnocena podle obtížnosti, prostřednictvím odborné analýzy, experimentování, nebo jejich kombinace. Počítač pak provádí to, co je v podstatě binární vyhledávání, vždy což je předmětem otázka, která je na půli cesty mezi tím, co počítač již rozhodnuti být předmětem je maximální a minimální možnou úrovní dovedností. Tyto úrovně jsou pak upraveny na úroveň obtížnosti otázky, přiřazení minima, pokud subjekt odpověděl správně, a maximum, pokud subjekt odpověděl nesprávně. Je zřejmé, že určitá rezerva pro chyby musí být zabudována, aby umožnila scénáře, kde odpověď subjektu nesvědčí o jejich skutečné úrovni dovedností, ale jednoduše náhodná. Ptát více otázek z jedné úrovně obtížnosti výrazně snižuje pravděpodobnost zavádějící odpověď, a umožňuje řadu růst za předpokládali, že úroveň dovedností může kompenzovat možné misevaluations.
dalším rozšířením identifikace slabých stránek z hlediska konceptů je naprogramování studentského modelu pro analýzu nesprávných odpovědí. To platí zejména pro otázky s výběrem odpovědí. Zvažte následující příklad:
Q. Zjednodušte: 2 x 2 + x 3 {\displaystyle 2x^{2}+x^{3}}
a) nelze zjednodušit b) 3 x 5 {\displaystyle 3x^{5}}
c) … d) …
je zřejmé, že student, který odpovídá (b), přidává exponenty a nedokáže pochopit koncept podobných termínů. V tomto případě nesprávná odpověď poskytuje další vhled nad rámec prosté skutečnosti, že je nesprávná.
Instruktážní modelEdit
instruktážní model obecně vypadá začlenit nejlepší vzdělávací nástroje, které technologie nabízí (např. multimediální prezentace) s odborným učitelem poradenství pro prezentaci metody. Úroveň sofistikovanosti instruktážního modelu do značné míry závisí na úrovni sofistikovanosti studentského modelu. V modelu studenta ve stylu kočky, instruktážní model jednoduše zařadí lekce v souladu s řadami pro fond otázek. Když je úroveň studenta uspokojivě stanovena, instruktážní model poskytuje příslušnou lekci. Pokročilejší studentské modely, které hodnotí na základě konceptů, potřebují instruktážní model, který organizuje své lekce také podle konceptu. Instruktážní model může být navržen tak, aby analyzoval sbírku slabin a odpovídajícím způsobem přizpůsobil plán lekce.
Při nesprávné odpovědi jsou hodnoceny student model, některé systémy se poskytovat zpětnou vazbu na aktuální otázky ve formě ‚rady‘. Jak student dělá chyby, objevují se užitečné návrhy, například „podívejte se pozorně na znamení čísla“. To taky může spadnout v oblasti vzdělávací model, s generic concept-based rady jsou nabízeny na základě koncepce nedostatky, nebo rady mohou být otázky specifické v tom případě studenta, vzdělávací a expertní všechny modely překrývají.