Záznam z přednášky

Přednáška se zaobírala tématem Ontologie, metadat a emocí. Na úvod byly zmíněny emocionální aspekty vzdělávání včetně zdůraznění, že většina lidí vnímá vzdělávání jako „bezemoční“ záležitost. Následně byla zmíněna myšlenka, že lidé jsou schopni dávat pozor na výuku po omezenou dobu, ale poté dochází k únavě a snížení pozornosti.

Po úvodním slovu se přednáška zaobírala sémantizací obsahu, což je myšlenka, jak naučit „počítač“ (v tomto kontextu AI), aby byl schopný pochopit obsah. Pro tento účel byly vyvinuty modely umělé inteligence (AI), které se učí z dat, nebo-li „datasetů“. S tím byly spojeny i určitý komplikace, mezi které lze například zahrnout například, že popis dat, z kterých es AI může efektivně učit, jsou drahé. Běžné data jsou totiž nekvalitní a nekonzistentní. Dalším problémem mohou být i samotné datasety, že jsou příliš velké.

Dále zmíněný termín Ontologie je model světa, popisující jeho strukturu, entity a vztahy mezi nimi kdy platí, čím přesnější „popis“ tím lepší. Bavíme se o určitých charakteristických rysech určité entity. Dalším zajímavým blízkým tématem byly sémantické technologie, do kterých lze zahrnout například AI, či sémantické weby. Cílem je integrace dat z více zdrojů, umožnit kvalitnější vyhledávání informací, či provést popis vztahů mezi různými objekty. Programy, které z ontologicky popsaných datových struktur vyvozují některé informace se nazývají inferenční enginy, např. SPARQL (podobný SQL).

Aby bylo možné plnohodnotně inferenční engine, zásadním tématem jsou Metadata (SCORM, xAPI, LOM) představují klíčový prvek v oblasti správy a organizace dat v digitálním prostředí, zejména v kontextu e-learningu a správy vzdělávacích obsahů. SCORM (Shareable Content Object Reference Model) je standard, který umožňuje interoperabilitu mezi různými e-learningovými systémy a obsahem. Definuje způsob, jakým jsou vytvářeny, zpracovávány a distribuovány vzdělávací objekty. xAPI poskytuje pokročilejší způsob sledování a sběru dat o uživatelském chování a interakcích s digitálním obsahem, což zahrnuje i aktivity mimo tradiční e-learningové prostředí. Naopak, LOM (Learning Object Metadata) je standard zaměřený na popis vlastností a charakteristik vzdělávacích objektů, což usnadňuje jejich správu a sdílení. V pozdní části přednášky byla provedena polemika nad budoucností této problematiky, zejména že se bude rozšiřovat kombinace AI s metadaty.

Poslední část přednášky se zaobírala emocemi ve vzdělávacím procesu, včetně počítačového zpracování emocí. Byla položena otázka, co jsou to emoce a proč a jaké emoce potřebujeme k učení. Na základě experimentu, který proběl bylo zjištěno, že pozitivní emoce mají příznivější vliv na samotný vzdělávací proces. Existuje i řada katalogů emocí, například Big 6, který využívá AI ke zpracování emocí. Mezí AI nástroj, který je schopen zpracovat emoce uživatel lze zařadit například Visage Technologies, který je popsán v rámci domácího úkolu níže.

Zadání

Zkuste se podívat, co všechno se v oblasti vzdělávání a počítačového zpracování emocí nyní dělá (literatura). Navrhněte sami s konkrétním nástrojem (který ideálně vyzkoušíte) nebo postupem z literatury jejich uplatnění v edukační praxi.

Úvod

V rámci přednášky a materiálu v interaktivní osnově jsme byli seznámeni s různými technologiemi, které jsou schopny počítačově rozpoznávat emoce, či sémanticky pracovat s daty.

Visage Technologies

Mezi řadou dalších nástrojů a technologií jsem si pro popis využití v edukační praxi vybral právě on-line nástroj od společnosti Visage Technologies, která je světově uznávaným poskytovatelem specializovaných řešení pro sledování, analýzu a rozpoznávání obličejů a jejich emocí.

Online nástroje pro sledování obličeje analyzují video nebo obraz obličeje uživatele a na základě naučených vzorů, respektive algoritmů, identifikují a určují emocionální stavy. Tyto nástroje detekují různé obličejové rysy, jako jsou pohyby očí, úst a další změny ve výrazu obličeje, čímž následně interpretují tyto znaky jako konkrétní emoce, jako je například štěstí, smutek, hněv, strach a další. Tato technologie má široké využití, včetně oblastí jako edukace, marketing a zdravotní péče, a poskytuje cenné informace o emocionálním stavu uživatele.

Využití Visage Technologies v edukační praxi? V on-line výuce!

V první řadě by se dal tento nástroj využít pro emoční analýzu v průběhu online výuky, například z jejich mimik. Tím způsobem můžeme zjistit, jak se žáci během výuky cítí a následně by se tyto data/informace mohly využít k lepšímu porozumění a potřebám studentů pro přizpůsobení výuky.

V případě, že známe emoce studentů, lze tedy následně realizovat personalizaci výuky. V teoretické rovině by bylo možné navrhnout systém, který by využíval analýzu emocí k personalizaci výuky formou doporučení materiálů k nastudování. Například, pokud systém zaznamená, že student je frustrovaný nebo zmatený, může automaticky přizpůsobit materiály nebo doporučit další zdroje, které by mohly pomoci překonat problémy. K tomu by však byly potřebné i další technologie, například spojení přes Open AI API, kdy výstup ze zpracovaných emocí by zpracovával a interpretoval například podobný generativní AI model, jako je ChatGPT. Tento generativní textový model by mohl studentům poskytnout potřebné a doporučené materiály, či dokonce již přepravené fragmenty textů k nastudování.