Splošno je sprejeto, da je posamično poučevanje bistveno bolj učinkovito kot poučevanje v razredu učencev, vendar predrago v večini situacij. Za ekonomično izvedbo posamičnega poučevanja je zato zanimiva alternativa poučevanje z računalniki (CAI, computer aided instruction). Vendar je CAI poučevanje zelo togo, zato se za najbolj obetavno možnost smatrajo inteligentni poučevalni sistemi (ITS, intelligent tutoring systems). Vendar je ovira spet v visoki ceni razvoja ITS sistemov, saj njihov razvoj zahteva obsežno sodelovanje področnega eksperta za realizacijo inteligentne interakcije med učencem in računalnikom. Glavni namen tega projekta je razviti metode, s katerimi bi bilo mogoče vsaj delno avtomatizirati gradnjo ITS sistemov in s tem bistveno znižati stroške gradnje.

Glavni cilj projekta je razviti metode za avtomatsko konceptualizacijo učnih domen, kar je bistvena komponenta razvoja ITS sistemov. Izpeljali bomo tudi vrsto eksperimentalnih študij iz dveh tipov učnih domen: simbolično reševanje problemov, kot sta fizika in šah, ter domene motoričnih in kontrolnih spretnosti, kot jih najdemo pri pilotiranju, teku ali tenisu.

Pomen konceptualizacije domen je v naslednjem. V zahtevnih problemskih domenah je pot od osnovne teorije domene (aksiomi, zakoni, formule, pravila igre itd.) do rešitev problema pogosto zelo dolga in za človeka težko izvedljiva. Zato se značilno pojavi potreba po vmesni teoriji, konceptualizirani domenski teoriji, ki služi kot most med osnovno deklarativno teorijo in postopkovnim znanjem, potrebnim za reševanje konkretnih problemov. To pot lahko gledamo kot verigo izpeljav: iz osnovne teorije domene logično sledi konceptualizirana teorija, iz te pa naprej rešitev problema. Rešitev problema sledi tudi iz same osnovne teorije, vendar je ta pot veliko daljša. Tako je osnovna teorija tipično neoperativna za človeka (zahteva preveč računanja ali pa je preobsežna, da bi si jo učenec sploh lahko zapomnil), medtem ko konceptualizirano teorijo po definiciji človek lahko asimilira. Te relacije lahko ponazorimo takole:

osnovna teorija ------------------------------------------> rešitev problema

osnovna teorija ---> konceptualizirana teorija ---> rešitev problema

Tako je konceptualizirana teorija učinkovito orodje za človeško reševanje problemov, zato pa mora biti enostavna in kompaktna, da jo lahko učenec razume, si jo zapomni in uporabi pri reševanju konkretnih problemov. Poleg metod konceptualizacije se bomo posvetili tudi metodam avtomatskega generianja komentarjev rešitev v luči uporabljene knceptualizacije.

Kot tehnično osnovo za razvoj in implementacijo metod konceptualizacije nameravamo uporabiti nekatere novejše tehnike in paradigme umetne inteligence, ki jih nameravamo dopolniti oz. nadgraditi za potrebe konceptualizacije. Med temi so: argumentirano strojno učenje (ABML; Argument Based Machine Learning), kvalitativno sklepanje in modeliranje (QR; Qualitative Reasoning and modelling), Q2 učenje (Qualitatively faithful Quantitative learning), generalizacija in učenje z razlago (EBG, EBL; Explanation Based Generalisation and Learning), induktivno logično programiranje (ILP; Inductive Logic Programming), ter specifične tehnike za vedenjsko kloniranje (zajemanje človeških motoričnih/kontrolnih veščin).

Razvite metode konceptualizacije bomo eksperimentalno uporabili na izbranih domenah poučevanja z ITS kot sledi:

(1) simbolno reševanje problemov: fizika, medicinsko diagnostično sklepanje (diagnostika tremorjev) in šah;

(2) motorične spretnosti: tek, tenis in hoja pri bolnikih (multipla skleroza).

Raziskave iz umetne inteligence v tem projektu bo izvajal Laboratorij za umetno inteligenco Univerze v Ljubljani, medtem ko bo Laboratorij za motnje gibanja Kliničnega centra v Ljubljani sodeloval pri medicinskih aplikacijah. Pričakujemo, da bosta obe medicinski aplikaciji neposredno postali del klinične prakse.