Einführung
In der modernen Welt von heute spielen Computer eine wichtige Rolle im Leben der Menschen. Entwickler aus aller Welt haben verschiedene Anwendungen erfunden, die den Benutzern helfen, Aufgaben mit Leichtigkeit zu erledigen. Die Anwendungen reichen von solchen im sozialen Bereich bis hin zu solchen, die für Bildungszwecke entwickelt wurden. Clark, Fox und Lappin (2010, S. 65) stellen fest, dass Lernsoftware eine Reihe von Funktionalitäten hat. Zu den Anwendungen gehören Fehlerdiagnose und -behandlung, Lerntutoring, Archivierung von Dokumenten und Sprachtests.
Eine der Software, die entwickelt wurde, um Schülern beim Lernen zu helfen, sind intelligente Sprachtutoring-Systeme (ILTS). Laut Kumar (2011, S. 2) handelt es sich bei ILTS um Computersysteme, die Lernenden in Abwesenheit einer Lehrkraft Feedback und Anweisungen geben sollen. Nach Durlach und Lesgold (2012, S. 55) gibt es zahlreiche Arten von ILTS. Jede von ihnen hat ihre Vor- und Nachteile. Die Anwendungen werden in verschiedenen Bereichen eingesetzt, z. B. in der beruflichen und formalen Bildung. Trotz der Tatsache, dass es eine Reihe von ILTS gibt, sind die Computersysteme so konzipiert, dass sie ein gemeinsames Ziel der Lernenden erfüllen. Der Hauptzweck der Software besteht darin, die übermäßige Abhängigkeit der Lernenden von Tutoren zu verringern. Graf (2012, S. 78) stellt fest, dass die Anwendungen jedem Schüler über den Cyberspace-Kanal Lernmaterial zur Verfügung stellen.
Um die freie Eingabe von Sätzen und Phrasen zu ermöglichen, wenden intelligente Sprachtutoring-Systeme Verfahren der natürlichen Sprachverarbeitung (NLP) an. NLP ist eine Komponente der künstlichen Intelligenz, der Informatik und der Computerlinguistik (Kumar 2011). Sie befasst sich mit den Beziehungen zwischen der menschlichen Sprache und der Computersprache. Folglich wird NLP als die Fähigkeit von Computeranwendungen definiert, gesprochene Sprache in natürlichen Sprachen wie Englisch und nicht in künstlichen Formen wie C++ zu verstehen.
In diesem Beitrag wird der Autor die relevanten Aspekte von intelligenten Sprachtutorensystemen und NLP im Detail diskutieren. Der Autor beleuchtet verschiedene Arten von ILTSs, wie z.B. den webbasierten Deutsch-Tutor, den Auto-Tutor und den CIRCSIM-Tutor. Darüber hinaus wird der Autor die Aspekte und Eigenschaften der arabischen Sprache in Bezug auf NLP diskutieren.
Der Rest dieses Papiers ist wie folgt gegliedert: Abschnitt zwei liefert Hintergrundinformationen zu natürlicher Sprachverarbeitung, intelligenten Sprachtutoring-Systemen sowie zu Merkmalen und Aspekten des arabischen Sprachgebrauchs. In Abschnitt drei wird die Entwicklung und der Fortschritt von arabischen ILTS im Vergleich zu anderen Sprachen diskutiert. Abschnitt vier befasst sich mit den Zukunftsaussichten der Studie. Der fünfte Abschnitt schließlich befasst sich mit der Diskussion und den Schlussfolgerungen aus der Literatur.
Hintergrund
Die Möglichkeit von intelligenten Maschinen wird seit Jahrhunderten diskutiert. Der Gedanke, intelligente Maschinen für den Unterricht einzusetzen, geht auf das Jahr 1924 zurück (Fulcher & Jain 2008). In diesem Jahr entwickelte Sidney Pressey von der Ohio State University einen Apparat, mit dem Schüler in Abwesenheit eines Lehrers unterrichtet werden konnten. Das Gerät, das einer Schreibmaschine ähnelte, war mit einer Reihe von Tasten und einem Fenster zur Anzeige von Fragen ausgestattet. Nkambou, Bourdeau und Mizoguchi (2010, S. 98) sind der Ansicht, dass die Lernmaschine den Schülern eine Antwort gab, indem sie ihre Punktzahl auf einem Zähler notierte. Trotz seiner großen Fortschritte und Fähigkeiten wurde Pressey’s Gerät nicht als intelligent bezeichnet. Der Grund dafür war, dass der Apparat mechanisch betrieben wurde. Außerdem konnte die Maschine immer nur eine Frage auf einmal beantworten. Dennoch eröffnete das Gerät Wege für zukünftige Projekte.
In den letzten Jahrzehnten gab es bedeutende Entwicklungen und Verbesserungen bei intelligenten Tutorsystemen. Laut Madureira, Reis und Marques (2013, S. 102) vermitteln hochentwickelte ITS den Studierenden Wissen auf eine interaktivere Art und Weise als die traditionelle Methode des Lernens. Um die Ergebnisse zu verbessern, setzen die Systeme eine Reihe von Techniken ein. Diese Techniken umfassen konsistente Erklärungen, Fehlererkennung und -korrektur. Darüber hinaus ist die Software so konzipiert, dass sie verschiedene Sprachen verwenden kann. Zu diesen Sprachen gehören Arabisch, Deutsch und Englisch. Lytras und Naeve (2006, S. 85) stellen fest, dass ILTS Erst- und Zweitsprachenlernern eine natürliche Sprache beibringt.
Natural Language Processing (NLP) ist ein Forschungsgebiet, das sich mit der Art und Weise befasst, in der Computer die natürliche menschliche Sprache interpretieren und verarbeiten. Die Geschichte des NLP reicht bis in die 1950er Jahre zurück. Die erfolgreichsten Systeme wurden jedoch in den 1960er Jahren entwickelt. Laut Indurkhya und Damerau (2010, S. 112) waren die damals weit verbreiteten NLP-Systeme SHRDLU und ELIZA. Ersteres arbeitete mit begrenzten Blöcken und Welten. Letzteres wiederum bot eine eher menschenähnliche Interaktion mit den Lernenden. Darüber hinaus bot das System eine Standardantwort. So konnte es beispielsweise auf die Frage “Mein Bauch tut weh” mit “Warum sagst du, dein Bauch tut weh?” antworten.
In den späten 1980er Jahren wurden wichtige Entwicklungen im Bereich der NLPs vorgenommen. In dieser Zeit wurden Algorithmen für die Sprachverarbeitung entwickelt. Aus Berichten von Forschungsstudien geht hervor, dass NLP das Verstehen natürlicher Sprache (NLU) und die Erzeugung natürlicher Sprache (NLG) umfasst. Forscher haben im Laufe der Jahre eine Reihe von NLP-Funktionen erforscht. Die Aufgaben reichen von eigenständigen bis hin zu großen oder Entwicklungsumgebungs-Dienstprogrammen (Rutkowski 2008). NLP hat verschiedene Einschränkungen. Die Aufgaben sind jedoch nicht auf Tokenisierung, Parsing, Part of Speech Tagger und Segmentierung beschränkt.
Es gibt verschiedene NLP-Anwendungen, die unterschiedlichen Zwecken dienen. Zu den Funktionen gehören Spracherkennung, Tutoring, künstliche Intelligenz und maschinelle Übersetzung. Stankov, Glavinic und Rosic (2011, S. 105) sind der Meinung, dass die Benutzer Fachkenntnisse in NLP benötigen, um große Textmengen zu verarbeiten und zu analysieren. Darüber hinaus gibt es zwei primäre NLP-Techniken. Dazu gehören Latent Semantic Analysis und Entailment.
Die latente semantische Analyse (LSA) ist eine NLP-Technik, mit der die Korrespondenz zwischen zwei Textsegmenten ermittelt werden kann. Sie wird auch angewandt, um Korrelationen zwischen erwarteten kontextuellen Verwendungen von Wörtern im Diskurs abzuleiten. Im Laufe der Jahre ist LSA in einer Reihe von Anwendungen eingesetzt worden. Zu diesen Anwendungen gehören Auto-Tutor. Ein Autotutor wird verwendet, um die Antworten von Schülern während eines Gesprächs zu bewerten (Evens & Michael 2006). Einer der Hauptvorteile von LSA ist die Fähigkeit, das Niveau der Lernenden zu kategorisieren, z. B. in gut, vage und fehlerhaft.
Studien in LSA berichten, dass Latent verwendet wird, um zu beschreiben, was geschrieben wurde. Semantisch wiederum bezieht sich auf das, was beabsichtigt war. So haben beispielsweise einige Ausdrücke in verschiedenen Kontexten mehr als eine Bedeutung. Andererseits gibt es Fälle, in denen mehrere Wörter eine ähnliche Bedeutung haben. Als NLP-Technik wird LSA verwendet, um mit solchen Fällen umzugehen. Das System hat jedoch verschiedene Beschränkungen. So kann es beispielsweise die Wortstellung nicht kodieren und keine Negation erkennen (Woolf 2009).
Sie bezieht sich auf die Aufgabe, festzustellen, ob zwei Wörter in einem Satz miteinander verbunden sind oder nicht. So wird beispielsweise festgestellt, ob sich ein Satz auf einen anderen bezieht. Sie wird in verschiedenen Anwendungen eingesetzt, z. B. in der maschinellen Übersetzung, im Information Retrieval und in der Sprachübersetzung (Champaign 2012). Die Technik unterliegt jedoch einer Reihe von Beschränkungen. Eine der wichtigsten Einschränkungen ist die Bewertung der Antworten der Schüler in intelligenten Sprachtutoring-Systemen. Diese Einschränkung ergibt sich in Fällen, in denen es feste Antworten gibt. In solchen Fällen muss Entailment herausfinden, ob die Antwort des Lernenden mit den richtigen Antworten übereinstimmt. Die Lernenden können zum Beispiel Antworten wie (a) geben: Mary hat eine Leidenschaft für Poesie und Musik, und (b): Maria liebt beide Bereiche. In diesem Fall muss Entailment entscheiden, ob (a) mit (b) vergleichbar ist oder nicht. Um solche Herausforderungen zu lösen, wurden im Laufe der Zeit verschiedene Techniken entwickelt.
In der nachstehenden Tabelle sind einige der Mittel zur Lösung von Entailment-Problemen dargestellt:
Tabelle 1: Behandlung von Entailment-Problemen.
Arabisch ist sowohl anspruchsvoll als auch wichtig. Nach Versteegh (2009, S. 106) wird die Sprache aufgrund ihrer syntaktischen und morphologischen Komplexität als anspruchsvoll angesehen. Außerdem wird sie aufgrund ihrer reichen Geschichte und ihres Erbes als wesentlich angesehen. Die Sprache ist von Natur aus semitisch. Sie weist Ähnlichkeiten mit dem Hebräischen, Phönizischen, Aramäischen und Ugaritischen auf. Aktuellen Studien zufolge wird Arabisch von über 330 Millionen Menschen auf der ganzen Welt gesprochen (Thurlow & Mroczek 2011). Da es sich um eine komplexe Sprache handelt, spielt die Diskretisierung eine wichtige Rolle bei der Gewährleistung der korrekten Disambiguierung und Aussprache von Wörtern. So werden häufig kleine diakritische Zeichen verwendet, um drei kurze Vokale (a, i, u) zu kennzeichnen. Die Buchstaben (ݴ.ؼ.ى ) werden ihrerseits zur Darstellung der Vokallänge verwendet. Die diakritischen Zeichen befinden sich entweder über oder unter den Buchstaben. Der Grund dafür ist, dass sie die mit jedem Buchstaben verbundene phonetische Information hervorheben und den Sinn und die Bedeutung des Wortes verdeutlichen. Obaidi (2007, S. 96) stellt fest, dass es deutliche Diskrepanzen zwischen der gesprochenen und der geschriebenen Form von arabischen Wörtern gibt. In einigen Fällen können mehrere Wörter eine ähnliche Rechtschreibung haben. Zum Beispiel kann ابن صبي bedeuten
Arabisch ist eine alte Sprache, die dem Islam vorausgeht (Versteegh 2009). Diese Tatsache wird durch die Entdeckung von vorislamischen arabischen Schriften aus dem zweiten und vierten Jahrhundert bestätigt. Trotz des Aufkommens anderer Sprachen ist es dem Arabischen gelungen, seine Originalität in den letzten fünfzehn Jahrhunderten zu bewahren. Einige der Wörter, die unverändert geblieben sind, sind أمير amīr, الطوبة al-tūba und قند qand + قندي qandī. So können auch Personen mit minimalen Arabischkenntnissen 1500 Jahre alte Schriften mühelos lesen. Im Laufe der Zeit ist es den Forschern gelungen, die arabische Sprache in drei Typen zu unterteilen. Die erste ist klassisch oder koranisch. Die zweite ist die Umgangssprache. Schließlich gibt es noch das moderne Standardarabisch. Laut Kumar (2011) ist das moderne Standardarabisch “اللغة العربية المعيارية الحديثة al-lughah al-ʻArabīyah al-miʻyārīyah al-ḥadīthah” (S. 115) die fortschreitende Variante. Außerdem nimmt es viele Anleihen bei anderen Sprachen. Der Grund dafür ist, dass sie den modernen Herausforderungen gewachsen ist. Das klassische “اللغة العربية التراثية al-lughah al-ʻArabīyah al-turāthīyah” ist die formale Version des Jargon. Die Umgangssprache ihrerseits ist die informelle Version, die im Alltag gesprochen wird.
Im Laufe der Jahrzehnte hat sich das arabische NLP stark weiterentwickelt. Dieses Wachstum wird durch die Schaffung und Einführung zahlreicher Anwendungen in verschiedenen Bereichen wie maschinelle Übersetzung, Tutorsysteme, Informationsgewinnung und -extraktion sowie Text to Speech bestätigt. Um eine umfassende Entwicklung arabischer NLP-Systeme zu fördern, sollten sich die Forscher stärker auf die Merkmale und Herausforderungen der Sprache konzentrieren. Eines der Hauptprobleme für Lernende, die mit arabischem NLP arbeiten, ist Mehrdeutigkeit. Die Unsicherheit wird auf verschiedenen Ebenen erlebt. Eine Studie von Landauer (2011) zeigt, dass es in den meisten Sprachen durchschnittlich 2,3 Mehrdeutigkeiten pro Symbol gibt. Bei intelligenten Sprachtutoring-Systemen ist es wichtig, die richtige Bewertung der Eingaben des Schülers zu wählen. Der Grund dafür ist, dass die Wahl einer falschen Analyse zu einer fehlerhaften Erkennung von Fehlern führt. Außerdem kann eine fehlerhafte Prüfung den Lernenden ein falsches Feedback geben.
Bemühungen zur Entwicklung von ILTS
Intelligente Sprachtutoring-Systeme sind Anwendungen, die sich auf die natürliche Sprache der Schüler konzentrieren. Zemp (2010, S. 103) stellt fest, dass ILTSs die Fähigkeit haben, die Effizienz zu steigern. Die Systeme erreichen dieses Ziel durch die Automatisierung von Lernprozessen. Die Anwendung von NLP-Techniken in intelligenten Sprachtutoring-Systemen hat zahlreiche Vorteile. Einer der Vorteile, die mit der Einbeziehung von NLP in ILTS verbunden sind, ist die Entwicklung der richtigen Kanäle zur Analyse der Antworten der Lernenden. Die richtigen Auswertungen werden durch die Fähigkeit des ILTS ermöglicht, Fehler bei der Texteingabe zu erkennen und sofortiges Feedback zu geben.
Die Entwicklung intelligenter Sprachtutoring-Systeme ähnelt dem Prozess der Unterrichtsgestaltung. Die Weiterentwicklung ist in vier Hauptphasen unterteilt. Die Phasen sind Bedarfsermittlung, Bewertung der kognitiven Aufgaben, erste Ausführung des Tutors und Bewertung.
Eine Bedarfsanalyse ist die erste Phase der ILTS-Entwicklung. Diese Phase ist oft die erste in den meisten Prozessen der Unterrichtsgestaltung (Xhafa 2010). Diese Phase ist der erste Teil der Weiterentwicklung des Experten- und Lernbereichs. Das primäre Ziel dieser Phase ist es, eine Lehrplanstruktur zu erstellen. Der Plan wird entwickelt, indem die zu erledigenden Aufgaben und das mit den Aufgaben verbundene Verhalten der Schüler festgelegt werden. Um sicherzustellen, dass der beste Lehrplan entworfen wird, müssen drei wichtige Aspekte berücksichtigt werden. Zu diesen Faktoren gehören die Aussichten eines Lernenden, Fragen zu bewältigen, die Dauer, die benötigt wird, um das höchste Leistungsniveau zu erreichen, und die Möglichkeit, dass der Schüler das erworbene Wissen in der Zukunft anwenden wird.
Die zweite Stufe der ILTS-Entwicklung, die kognitive Aufgabenanalyse, konzentriert sich auf die Erstellung eines gültigen Berechnungsmodells für das obligatorische Problem des Verstehens. Die wichtigsten Methoden zur Erstellung eines Domänenmodells sind die Befragung von Experten, die Durchführung von Protokoll- und Think-Loud-Studien sowie die Untersuchung des Verhaltens von Tutoren und Lernenden. Die Beobachtung von Lehrenden und Lernenden hilft dabei, eine Dialogfunktion in intelligenten Tutorsystemen zu schaffen (Woolf 2009).
Die dritte Phase der ILTS-Entwicklung, die als anfängliche Implementierung des Tutors bezeichnet wird, beinhaltet die Schaffung einer Umgebung, in der Probleme angegangen werden. Ein solches Umfeld erleichtert einen authentischen Lernprozess.
Die Bewertung, die die letzte Phase des ITLS-Entwicklungsprozesses darstellt, ist durch Pilot- und Parameterstudien, formative Analysen und summative Bewertungen gekennzeichnet.
Um eine eingehende Analyse zu ermöglichen, werden in diesem Abschnitt einige ILTS besprochen, die im Laufe der Zeit für verschiedene Lingos geschaffen worden sind.
Ein Auto-Tutor ist ein Computer-Lehrer, der die Kursmuster und pädagogischen Ansätze eines echten menschlichen Lehrers imitiert (Stankov, Glavinic & Rosic 2011). Das System funktioniert, indem es einen Diskurs mit dem Studierenden unter Verwendung natürlicher Sprache initiiert. Autotutoren wurden in verschiedenen Einrichtungen auf dem ganzen Kontinent eingesetzt, um Studierende beim Lernen zu unterstützen. Eines der bemerkenswerten Institute ist die Universität von Memphis. Der Tutor wurde als Tutoring-Forschungsgruppe eingesetzt, um die Studenten beim Erlernen eines Computerkurses zu unterstützen. Champaign (2012, S. 104) stellt fest, dass das Gerät die Aufgaben eines menschlichen Lehrers übernimmt, indem es versucht, die von den Studierenden getippten Eingaben zu verstehen. Sobald eine Eingabe getätigt wurde, erstellt der Auto-Tutor einen Dialog und gibt Korrekturen, Rückmeldungen und Hinweise. Seit der Einführung des ersten Auto-Tutor hat sich die Technik stark weiterentwickelt. Das moderne Gerät ist mit einer interaktiven 3D-Schnittstelle ausgestattet.
Um effektives Lernen zu gewährleisten, stellt ein Auto-Tutor dem Schüler eine Reihe komplexer Fragen, die lange Texte mit richtigen Antworten erfordern. Der Computer-Tutor ist so konzipiert, dass jede Frage mit einer bestimmten Anzahl von richtigen und falschen Antworten verknüpft ist (Durlach & Lesgold 2012). Um für die Lernenden nützlicher zu sein, ist das Gerät so konstruiert, dass es falsche Antworten korrigiert und den Lernenden die richtigen Antworten liefert. Die Fähigkeit, Erwartungen und Fehlvorstellungen zu unterscheiden, wird durch den Einsatz der LSA-Mustervergleichstechnik ermöglicht. Zahlreiche Experimente haben jedoch gezeigt, dass LSA mit einer Reihe von Einschränkungen verbunden ist. Um diesen Einschränkungen entgegenzuwirken, empfehlen Experten den Einsatz des lexiko-syntaktischen Ansatzes. Diese Technik konzentriert sich auf syntaktische Informationen, während sie die Antworten der Schüler analysiert.
CIRCSM-Tutor ist ein intelligentes Sprachtutoring-System, das im medizinischen Bereich eingesetzt wird. Das System nutzt den natürlichsprachlichen Diskurs mit den Schülern durch die Anwendung einer Reihe von Tutorenplänen (Evens & Michael 2006). Die Trainingstaktiken sollen den Unterricht von Mensch zu Mensch imitieren. Einer der Orte, an denen CIRCSIM-tutor ausgiebig genutzt wird, ist das Illinois Institute of Technology. Das System wird für die Ausbildung von Medizinern im ersten Jahr eingesetzt. CIRCSIM verwendet natürliche Dialoge sowohl für die Ausgabe als auch für die Eingabe. Das Hauptmotiv für die Entwicklung des Systems war die Formulierung pädagogisch und sprachlich fundierter Formulierungen. CIRCISM als ILTS setzt sich aus verschiedenen Komponenten zusammen. Zu den Modulen gehören ein Schülermodell, ein Eingabeerkenner, ein Problemlöser und ein Bildschirm-Manager. Weitere Bausteine sind die Wissensbasis und der Textgenerator. Darüber hinaus arbeiten die CIRCSIM-Tutoren mit vier primären Ansätzen (Clark, Fox & Lappin 2010).
Die nachstehende Tabelle veranschaulicht die vier primären CIRCSIM-Tutorentaktiken
Umfrageberichte zeigen, dass die Funktionalitäten von CIRCSIM-Tutor nicht durch Hinweise auf Mängel oder Einschränkungen beeinträchtigt werden.
Eines der webbasierten intelligenten Sprachtutoring-Systeme, die Lernenden helfen sollen, ist der Deutsch-Tutor. Die Anwendung ist so konzipiert, dass sie eine Syntaxübung für das Angebot eines Deutschkurses in einer webbasierten Umgebung bildet. Nach Fulcher und Jain (2008, S. 82) ist das System so programmiert, dass es die deutsche Grammatik und einen Parser verwendet, der die Eingaben der Lernenden auswertet. Um die Effektivität zu gewährleisten, verwaltet das webbasierte ILTS die Profile aller Schüler und liefert korrekte Antworten und Rückmeldungen. Darüber hinaus hat das System die Möglichkeit, Übungen zuzuweisen. Graf (2102, S. 97) stellt fest, dass einer der Gründe für den Erfolg des webbasierten ILTS in seinem robusten Design liegt. Der Webserver steht über Java und CGI-Skripte mit den Lernenden in Verbindung. Darüber hinaus verfügt das System über einen anderen Server, dessen Hauptfunktion die Verarbeitung von Antworten ist.
Die folgende Abbildung zeigt die Architektur eines deutschen Lehrers.
Um die Wirksamkeit des Systems bei der Unterstützung der Schüler zu bestätigen, wurde eine Studie mit 25 Schülern während einer einstündigen Unterrichtssitzung durchgeführt. Die Ergebnisse zeigten, dass 86 % der Lernenden das webbasierte System als robust bezeichneten (Zemp, 2010). Der Grund dafür ist, dass es ihnen sofortiges Feedback gab, was ihre Syntaxpraxis verbesserte.
Autorensysteme sind ILTS, die es tatsächlichen Tutoren ermöglichen, ihr Wissen in natürlicher Sprache zu präsentieren. Die Lehrkräfte können Informationen hinzufügen, Fehler erkennen und korrigieren, ohne dass die Aufgabenstellung automatisiert wird. Um die maximale Effektivität von Autorensystemen zu gewährleisten, haben Forscher verschiedene Techniken entwickelt und vorgeschlagen.
Die folgende Tabelle zeigt einige der Techniken, Einschränkungen und Ansätze, die entwickelt wurden, um das ordnungsgemäße Funktionieren von Autorensystemen zu gewährleisten.
Das Automated Language Tutoring Framework arbeitet mit einem String-Suchalgorithmus, der entwickelt wurde, um Wortmuster aus Fragelisten zu extrahieren. Das Tutorensystem hilft Nicht-Muttersprachlern dabei, mit Leichtigkeit eine ausreichende Spracheffizienz zu erreichen (Graf 2012). Einer der Hauptgründe für die Entwicklung des Automated Language Tutoring Framework war es, die Probleme früherer Systeme wie REAP zu beheben. Umfragen haben ergeben, dass REAP keine angemessene Interaktion zwischen dem System und dem Lernenden ermöglichte. Um solchen Problemen entgegenzuwirken, hat das Tutoring Framework Funktionen wie sofortige und kohärente Antworten integriert. Die Facetten sind mit der Multimedia-Fähigkeit verbunden, um interaktives Sprachfeedback zu ermöglichen. Darüber hinaus ermöglicht das Feature die Auswertung von Texteingaben des Schülers. Die Funktionalität des Systems wird durch die Verwendung von automatisch generierten Texten ermöglicht, die mit Hilfe von Autorentools entwickelt wurden.
Laut Landauer (2011, S. 113) ist das Automated Language Tutoring Framework mit einem ANTLR-Parser ausgestattet. ANTRL wird verwendet, um Parse-Bäume in Übereinstimmung mit der grammatikalischen Organisation der Antworten der Schüler zu formulieren. Diese Technik ermöglicht die Analyse von syntaktischen, kontextuellen und semantischen Ungenauigkeiten in den Antworten. Das Automated Language Tutoring Framework hat eine durchschnittliche Bewertung von 94 %, basierend auf seinen Fähigkeiten (Madureira, Reis & Marques 2013).
Das Intelligence Learning System wurde entwickelt, um zwischen mathematischen Inhalten und Konzepten zu unterscheiden, die die Schüler lernen sollen. Das ITLS verwendet statistische Sprachtechniken und theoretische Kartenmodellierung, um einen Katalog der zu lernenden Konzepte zu formulieren. Der Hauptzweck des statistischen Sprachmodells besteht darin, die linguistischen Attribute eines natürlichen Sprachgebrauchs abzuleiten (Champaign 2012).
Um die Effektivität zu gewährleisten, besteht das Extracting Learning Concept aus zehn Korpora mit zwei unterschiedlichen mathematischen Themen. Das arithmetische Sprachmodell zielt darauf ab, die Verteilung der Wörter in einem Text zu schätzen. Damit soll ermittelt werden, wie regelmäßig eine Phrase in einem Satz korrekt erscheint.
Beetle II ist ein Tutorien-Diskurs-System, das die Eingaben der Lernenden ohne viele Einschränkungen erkennen und verstehen kann. Darüber hinaus ist das System so programmiert, dass es den Lernenden mehrere Lernmodelle und Diskurspläne zur Verfügung stellt. Forschungsstudien haben ergeben, dass die Schüler über eine interaktive Chat-Plattform mit Hilfe einer Tastatur mit Beetle II kommunizieren. Um Wörter mit ähnlichen Bedeutungen zu identifizieren, ist das System mit einem natürlichsprachlichen Dialogparser ausgestattet.
Laut Zemp (2010, S. 94) wurde Beetle II entwickelt, um herauszufinden, ob Computer, die mit NLP-Techniken ausgestattet sind, Selbsterklärungen unterstützen können. Darüber hinaus wurde das System so konzipiert, dass die Lernenden aufgefordert werden, ihre Antworten zu veranschaulichen, um detaillierte Antworten zu erhalten. Diese Funktionen stellen sicher, dass die Lernenden ein korrektes Feedback erhalten, ohne dass ihre Lehrkräfte davon erfahren.
In den letzten Jahrzehnten wurden zahlreiche Forschungsarbeiten durchgeführt, die sich mit der Entwicklung der arabischen Sprache in der natürlichen Sprachverarbeitung (NLP) befassten. Die Ergebnisse und Erkenntnisse aus diesen Studien haben zur Entwicklung und Implementierung von Arabic Intelligence Language Tutoring Systems geführt. Ursprünglich gab es zwei Vorschläge für die Architektur arabischer ILTSs. Die beiden waren Prototypen und Expertensysteme. Prototypische arabische ILTS sind Anwendungen, die mit einer Technologie entwickelt wurden, die in der Lage ist, die arabische Syntax zu lesen (Woolf 2009). Dadurch sind die Systeme in der Lage, syntaktische Fehler im Arabischen zu erkennen. Es werden Expertensysteme entwickelt und verwendet, um die Regeln der arabischen Grammatik zu formulieren. Auf diese Weise helfen die Expertensysteme bei der Entwicklung arabischer NLP-Anwendungen.
Das erste arabische Grammatikprüfprogramm wurde von Shaalan entwickelt. Die Anwendung wurde Arab GramCheck genannt. Nach der Entwicklung und dem Testen des Systems wurde gesagt, dass es effizienter ist als der arabische Syntax Checker, der in der Microsoft Word Version enthalten ist. Einer der Hauptvorteile des Systems ist seine Fähigkeit, komplexe grammatikalische Fehler zu erkennen und zu lösen. Darüber hinaus gibt die Anwendung den Nutzern ein sofortiges Feedback (Versteegh 2009). Die Antworten sind jedoch für Benutzer von arabischen Standard-Textverarbeitungsprogrammen gedacht.
Die nächste Phase in der Entwicklung von Arabic ILTS war die Entwicklung von Arabic Intelligent Computer-assisted Language Learning (Arabic ICALL). Das System wurde entwickelt, um Grundschülern Arabisch beizubringen, indem komplexe NLP-Techniken wie Syntax- und morphologische Evaluatoren eingesetzt wurden. Clark, Fox und Lappin (2010, S. 110) stellen fest, dass ICALLs den Lernenden ein Feedback geben, indem sie ihre Antworten mit den in das System eingespeisten Erwiderungen abgleichen. Die Technik der ICALLs hilft den Lernenden, ihre Fehler zu erkennen und sie mit Leichtigkeit zu korrigieren. Trotz ihrer Vorteile hatten eine Reihe von ICALLs verschiedene Beschränkungen. Zu den Einschränkungen, die mit den Systemen verbunden sind, gehören die Unfähigkeit, eine tiefgreifende Fehleranalyse und komplexe Fehlerkorrekturen vorzunehmen, sowie das langsame Feedback. Die gefundenen Herausforderungen verstärkten den Wunsch der Experten, anspruchsvollere arabische Grammatiksysteme zu entwickeln. Die neuen arabischen NLP-Tools wurden mit fortschrittlicheren Fehler-, Morphologie- und Syntaxanalysatoren ausgestattet (Graf 2012). Im Vergleich zu den ursprünglichen Anwendungen ermöglichen die neuesten ICALLs den Online-Schülern, ihre Fehler ohne die Hilfe eines menschlichen Tutors zu erkennen und zu korrigieren.
Die Weiterentwicklung von Arabic ILTS muss zur Entwicklung von Systemen führen, die in der Lage sind, die Antworten sowohl von gut als auch von schlecht ausgebildeten Lernenden zu analysieren. Die Anwendungen erreichen das Ziel, indem sie jede Eingabe von Lernenden auswerten und eine Reihe möglicher korrekter Analysen bereitstellen (Kumar 2011). Alle generierten Auswertungen werden an die Disambiguierungsschnittstelle gesendet, um die korrekte Prüfung in Übereinstimmung mit den festgelegten morphologischen Attributen zu bestimmen. Die richtige Analyse wird verwendet, um mögliche Fehler der Lernenden zu ermitteln und sofortiges Feedback zu geben.
Im Laufe der Zeit haben Experten ein neues arabisches ILTS eingeführt, das als System zur Analyse und Rückmeldung von fehlerhaften arabischen Verben bezeichnet wird. Die neue Anwendung funktioniert durch die Verallgemeinerung der Ergebnisse des ICALL-Systems. Die umfangreichen Verbesserungen der Software zeigen, dass es erhebliche Fortschritte im arabischen NLP gibt. Laut Zemp (2010, S. 83) wurde das Wachstum durch die Bemühungen arabischsprachiger Gelehrter beeinflusst. Trotz der beträchtlichen Fortschritte gibt es verschiedene Bedenken, die noch nicht vollständig ausgeräumt sind. Einer der Hauptfaktoren, der den Fortschritt im arabischen NLP in Bezug auf eine gründliche Fehlerdiagnose beeinträchtigt, ist der Mangel an linguistischen Werkzeugen und Ressourcen.
In den letzten Jahrzehnten gab es bedeutende Entwicklungen im Bereich der intelligenten Sprachtutoring-Systeme. Die meisten der Systementwickler haben sich jedoch weniger auf das arabische ILTS konzentriert. Studien zeigen, dass es bei englischen und deutschen ILTS im Vergleich zu arabischen große Fortschritte gegeben hat. Nkambou, Bourdeau und Mizoguchi (2010, S. 102) sind der Ansicht, dass es zahlreiche Anwendungen gibt, die für die Betreuung von Schülern in der deutschen und englischen Sprache entwickelt wurden. Es gibt jedoch nur sehr wenige arabische ITLS. Darüber hinaus weisen die arabischen Systeme zahlreiche Einschränkungen auf, wie z. B. die Unfähigkeit, komplexe arabische Grammatikfehler zu erkennen.
Trotz des großen Entwicklungsgefälles zwischen arabischen, deutschen und englischen ILTSs dienen alle Systeme demselben Zweck. Das Hauptziel der Anwendungen besteht darin, das Lernen der Schüler ohne die Hilfe eines menschlichen Lehrers zu verbessern. Einige der Anwendungen, die den Schülern in den drei Sprachen helfen sollen, sind Arab Tutor, German Tutor und Web PVT.
Arab Tutor ist ein webbasiertes ILTS, das für den Unterricht in arabischer Sprache eingesetzt wird (Obaidi, 2007). Das System verbindet die Flexibilität und Eignung von ITS mit der Zugänglichkeit von World Wide Web-Anwendungen.
German Tutor ist ein ILTS, das für den Unterricht der deutschen Sprache entwickelt wurde. Das System nutzt das Wizard-Muster, um die Schüler durch die Aufgaben zu führen. “Weiter” in der Anwendung bezieht sich auf das Nächste.
Web PVT ist ein intelligentes Sprachtutoring-System, das für den Unterricht des englischen Passivs entwickelt wurde. Das System zeichnet die vom Schüler verstandenen Konzepte und den Grad der Beherrschung auf (Madureira, Reis & Marques 2013). Darüber hinaus zeichnet die Anwendung Fehler in vergangenen Interaktionen auf und bietet die beste Lösung für jede Ungenauigkeit.
Intelligente Sprachtutoring-Systeme bestehen aus vier Hauptkomponenten. Diese Komponenten sind der Bereich, der Tutor, der Schüler und das Modell der Benutzeroberfläche.
Das Domänenmodell wird auch als kognitive oder fachliche Wissensform bezeichnet. Die ILTS-Komponente wurde auf der Grundlage der ACT-R-Theorie entwickelt, die versucht, alle für die Bewältigung eines Problems erforderlichen Verfahren zu berücksichtigen. Das Modell umfasst Regeln, Begriffe und Lösungsfindungsstrategien der zu erlernenden Domäne (Stankov, Glavinic & Rosic 2011). Die primären Funktionen der Komponente sind die Analyse der Leistungen der Lernenden und die Funktion als Quelle für professionelles Wissen. Darüber hinaus wird die Komponente zur Erkennung von Syntaxfehlern eingesetzt.
Das Schülermodell wird als eine Überlagerung des Domänenmodells betrachtet. Aus diesem Grund wird es als Hauptbestandteil der intelligenten Sprachtutoring-Systeme bezeichnet. Der Grund dafür ist, dass es sich auf die affektiven und kognitiven Aspekte der Lernenden konzentriert. Darüber hinaus konzentriert sich das Modell auf die Entwicklung der Lernenden im Laufe des Lernprozesses. Champaign (2012, S. 116) behauptet, dass ILTS einen Prozess einsetzt, der als Modellverfolgung bezeichnet wird, während die Studierenden ihre Probleme angehen. In Fällen, in denen das Schülermodell von der Domänenform abweicht, erkennt und signalisiert das System das Auftreten eines Fehlers.
Das Tutormodell erhält Informationen sowohl vom Fach- als auch vom Schülermodell. Die Komponente trifft dann Entscheidungen über Coaching-Strategien und Aktionen. Bei der Nutzung des Modells kann ein Schüler jederzeit um Rat fragen, was er als Nächstes in Angriff nehmen soll. Fulcher und Jain (2008, S. 118) behaupten, das Modell sei in der Lage, Fälle zu erkennen, in denen ein Lernender von den vorgegebenen Produktionsrichtlinien abweicht. Sobald das System die Abweichung erkannt hat, weist es den Lernenden sofort darauf hin, die richtigen Regeln zu befolgen. Ein weiteres Merkmal des Tutormodells ist die Fähigkeit, die Fortschritte der Lernenden auf zwei Arten zu kategorisieren. Jedes Mal, wenn ein Schüler eine Regel anwendet, um ein Problem zu lösen, bewertet das System, ob der Schüler die Verfahren gelernt hat oder nicht. Das Tutormodell leitet die Schüler so lange an, bis sie einen durchschnittlichen Lernstand von 95 % erreicht haben. Laut Nkambou, Bourdeau und Mizoguchi (2010, S. 78) verfolgt das Tutormodell mittels Wissensverfolgung den Fortschritt der Lernenden von einem Problem zum nächsten. Bei jedem Schritt erstellt das System eine Aufzeichnung der Stärken und Schwächen in Übereinstimmung mit den Produktionsregeln.
Das Modell der Benutzerschnittstelle umfasst drei Arten von Informationen, die für die Gestaltung des Diskurses wichtig sind. Diese drei Arten sind die Kommunikationsabsicht, der Inhalt des Dialogs und die Interpretationsmuster und das Handlungswissen.
Das ITLS hat sich im Laufe der Zeit erheblich weiterentwickelt. Der Fortschritt und Erfolg der Systeme wurde durch acht Schlüsselprinzipien erleichtert, die ihren Zweck bestimmen (Xhafa 2010). Zu den Leitlinien gehören die Fähigkeit, die für das Problemlösen wichtige Zielstruktur zu vermitteln, die Arbeitsbelastung des Gedächtnisses zu verringern, die Fähigkeiten der Schüler als Produktionsmenge zu erfassen und sofortige Rückmeldung über Fehler zu geben. Weitere Grundsätze sind die Fähigkeit, die Korndimension des Unterrichts mit dem Lernen zu verändern, den Schülern Anweisungen in Problemlösungskontexten zu geben und sukzessive Einschätzungen zur Zielfähigkeit vorzunehmen.
Intelligente Tutorsysteme haben sich als wirksame Instrumente zur Förderung des Lernens von Schülern erwiesen. Zahlreiche Studien zeigen jedoch, dass diese Systeme mit einer Reihe von Einschränkungen behaftet sind. Zu den Nachteilen, die ILTS betreffen, gehören
Intelligente Lerntutorensysteme sind teuer in der Entwicklung und im Betrieb (Woolf 2009). Es werden zahlreiche Studien durchgeführt, um sicherzustellen, dass die Entwickler erschwingliche intelligente Anwendungen entwickeln. Die Forschungsphase wird jedoch als die teuerste Phase angesehen. Der Grund dafür ist, dass in dieser Phase die Zusammenarbeit und Unterstützung von Menschen aus verschiedenen Bereichen wie Informatik, Schnittstellendesign, künstliche Intelligenz und kognitive Psychologie erforderlich ist. Darüber hinaus ist in dieser Phase der Beitrag von Experten aus verschiedenen Disziplinen erforderlich.
Praktische Fragen in Bezug auf Behörden und die Bereitschaft von Sponsoren sind eine große Einschränkung für ILTS. Bevor ein System entwickelt wird, sollte es Parteien geben, die bereit sind, es zu implementieren (Kumar 2011). Darüber hinaus müssen die Behörden oder Geldgeber die volle Unterstützung bieten, die erforderlich ist, um sicherzustellen, dass die Anwendung alle Entwicklungsphasen ohne Rückschläge durchläuft.
Die meisten intelligenten Lerntutorensysteme kosten mehr Geld und Zeit als erwartet. Die Programmierung einer Stunde Online-Unterricht kann bis zu 300 Stunden Entwicklungszeit für die Vermittlung von Inhalten in Anspruch nehmen (Zemp 2010). Die Erstellung eines kognitiven Tutors zum Beispiel erforderte eine Entwicklungszeit von 200:1 Stunden. Der Zeitfaktor begrenzt die Anzahl der ILTS, die innerhalb verschiedener Domänen entwickelt werden können.
Im Laufe der Zeit wurde die Pädagogik der sofortigen Antwort und der Hinweisreihen von den meisten Experten kritisiert. Die Pädagogik ist das Merkmal, das die Anwendung intelligent macht (Rutkwoski 2008). Menschliche Ausbilder führen jedoch an, dass diese Komponente das vertiefte Lernen der Schüler nicht fördert. Zahlreiche Beobachtungen zeigen, dass einige Lernende auf Hinweise zurückgreifen, bevor sie versuchen, die Aufgaben selbst zu lösen. In solchen Fällen sind die Schüler in der Lage, die Aufgabe schnell zu lösen, aber sie lernen nichts dabei.
Zahlreiche Forschungsergebnisse zeigen, dass einige Aspekte, die von menschlichen Tutoren durchgeführt werden können, nicht von intelligenten Lerntutorensystemen übernommen werden können. Einige der Bereiche, die unter ständiger Kritik leiden und verbessert werden müssen, sind Dialog und Feedback. ILTS besitzen im Vergleich zu menschlichen Lehrkräften nicht die Fähigkeit, affektive Zustände von Lernenden zu interpretieren. Die künftige Forschung sollte sich darauf konzentrieren, wie solche Fähigkeiten verbessert und die Systeme effektiver gemacht werden können.
Menschliche Tutoren sind in der Lage, die Tonfallvariationen der Schüler während eines Dialogs zu verstehen und zu differenzieren (Thurlow & Mroczek 2011). Die meisten intelligenten Systeme verfügen nicht über diese Fähigkeit. Die Entwickler sind jedoch bestrebt, Anwendungen zu entwickeln, die einen natürlichen Diskurs simulieren und einen kontinuierlichen Dialog aufrechterhalten können. Sofortiges Feedback und Kommunikation können das Stellen spezifischer Fragen erleichtern und die Schüler besser durch ihre Aufgaben führen.
Gegenwärtig konzentrieren sich Experten auf die Entwicklung von ILTS, die verschiedene emotionale Zustände verstehen und interpretieren können. Affektive Prozesse spielen eine wesentliche Rolle beim Lernen (Durlach & Lesgold 2012). Aus diesem Grund können zukünftige ILTS mit der Fähigkeit entwickelt werden, verschiedene Anzeichen von Affekten zu lesen und zu interpretieren. Diese Funktion wird Raum für effektiveres Lernen schaffen. Ein solcher Schritt kann jedoch verschiedene Nachteile mit sich bringen. Eine der größten Herausforderungen besteht darin, dass Affekte auf unterschiedliche Weise ausgedrückt werden. Daher wird es für die Systeme schwierig sein, alle Ausdrücke zu verstehen. Darüber hinaus können die ILTS-Entwickler interaktivere Systeme schaffen, die in der Lage sind, Ablenkung und Langeweile zu erkennen. Um den Schülern zu helfen, der Monotonie entgegenzuwirken, können die Anwendungen mit einer Wiedereinstiegs- oder Spaßfunktion ausgestattet werden.
Diskussion und Schlussfolgerung
Intelligente Lerntutorensysteme spielen nach wie vor eine wichtige Rolle bei der Replikation eines persönlichen Lernprozesses mit den Lernenden. Natürliche Sprachverarbeitung ist ein Bereich, der sich mit der Interaktion zwischen menschlicher Sprache und Computern beschäftigt (Clark, Fox & Lappin 2010). Durch die Integration von NLP-Techniken sind ILTS in der Lage, den eingegebenen Text der Schüler zu analysieren, zu verstehen und zu verarbeiten. Darüber hinaus sind die Systeme in der Lage, sofortiges und korrektes Feedback zu geben.
In dieser Umfrage wurde festgestellt, dass NLP zwei primäre Techniken hat, nämlich Latent Semantic und Entailment. Die arabischen intelligenten Sprachlernsysteme befinden sich im Vergleich zu den englischen und deutschen ILTS noch in der Anfangsphase der Entwicklung. Es werden jedoch große Anstrengungen unternommen, um Fortschritte zu erzielen und die Lücke zu schließen. Der Einsatz intelligenter Systeme im Bildungsbereich hilft den Schülern, eine bessere Lernerfahrung zu machen. Der Lernprozess wird durch die Fähigkeit der ILTS, Eingabefehler zu erkennen und sofortiges Feedback zu geben, verbessert (Grafs 2012).
Referenzen
Champaign, J 2012, Peer-based intelligent tutoring systems: a corpus-oriented approach, University of Waterloo, Waterloo, Ontario.
Clark, A, Fox, C & Lappin, S 2010, The handbook of computational linguistics and natural language processing, Wiley-Blackwell, Chichester, West Sussex.
Durlach, P & Lesgold, A 2012, Adaptive technologies for training and education, Cambridge University Press, Cambridge.
Evens, M & Michael, J 2006, One-on-one tutoring by humans and computers, Lawrence Erlbaum, Mahwah, New Jersey.
Fulcher, J & Jain, L 2008, Computational intelligence: a compendium, Springer, Berlin.
Graf, S 2012, Intelligent and adaptive learning systems: technology enhanced support for learners and teachers, Information Science Reference, Hershey, PA.
Indurkhya, N & Damerau, F 2010, Handbook of natural language processing, Chapman & Hall/CRC, Boca Raton, Florida.
Kumar, E 2011, Natural language processing, I.K. International Publishing House, New Delhi.
Landauer, T 2011, Handbook of latent semantic analysis, Routledge, New York.
Lytras, M & Naeve, A 2006, Intelligente Lerninfrastrukturen für wissensintensive Organisationen: eine semantische Webperspektive, Information Science Publishers, Hershey, PA.
Madureira, A, Reis, C & Marques, V 2013, Computational intelligence and decision making: trends and applications, Springer, Dordrecht.
Nkambou, R, Bourdeau, J & Mizoguchi, R 2010, Advances in intelligent tutoring systems, Springer, Berlin.
Obaidi, O 2007, Grammatik der arabischen Sprache, Shubhi Publications, Gurgaon, Indien.
Rutkowski, L 2008, Computational Intelligence: Methoden und Techniken, Springer, Berlin.
Stankov, S, Glavinic, V & Rosic, M 2011, Intelligent tutoring systems in e-learning environments: design, implementation, and evaluation, Information Science Reference, Hershey, PA.
Thurlow, C & Mroczek, K 2011, Digital discourse: language in the new media, Oxford University Press, Oxford.
Versteegh, C 2009, Die arabische Sprache, Edinburgh University Press, Edinburgh.
Woolf, B 2009, Building intelligent interactive tutors: student-centred strategies for revolutionising e-learning, Morgan Kaufmann/Elsevier, Amsterdam.
Xhafa, F 2010, Computational Intelligence für technologiegestütztes Lernen, Springer, Berlin.
Zemp, B 2010, Intelligentes Lernen, Spiraldynamik Akad, Zürich.