Inovativni okvir za podučavanje kroz IoT i AI

Uvod u okvir studije

Zadovoljavanje potreba učitelja i učenika u suvremenom obrazovanju zahtijeva korištenje naprednih tehnologija. Ovaj članak slijedi okvir studije koji se temelji na modelu instruktivne scene, odnosno interakciji učenika i okruženja u kojem uče. Istraživanje se fokusira na model procjene govora koji je razvijen za specifične nastavno-metodičke pristupe.

Nastava dizajna modela scene

Arhitektura i komponente modela

Model scene podučavanja temelji se na četiri komponente koje su međusobno povezane kako bi se stvorila cjelovita usmena procjena. Ove komponente omogućuju da proces poučavanja ide dalje od tradicionalnog modela učionice, integrirajući suvremene tehnologije u interakciju između učenika i nastavnog sadržaja.

IoT sloj prikupljanja podataka

Sloj prikupljanja podataka kroz Internet stvari (IoT) koristi različite senzore za bilježenje jezičnih konteksta u stvarnom vremenu. Ovdje su uključeni:

• Audio senzori: Koriste mikrofonom za snimanje govora s brzinom uzorkovanja od 16 kHz.
• Senzori okoliša: Mjere razinu buke (dB), uvjete osvjetljenja (lux) i temperaturu (°C).
• Biometrijski senzori: Prate pokazatelje stresa učenika analize varijabilnosti otkucaja srca.
• Senzori interakcije: Bilježe razine angažmana učenika i trajanje vremena odgovora.

Modul za obradu konteksta okoliša

Ovaj modul analizira podatke iz IoT senzora kako bi regulirao optimalne uvjete učenja. Primjerice, kada buka pređe 40 dB, sustav automatski prilagođava osjetljivost prepoznavanja govora. Ovi podaci također utječu na udobnost učenika, čime se povećava preciznost izgovora.

Sustav za upravljanje profilom učenika

Sustav sadrži pojedinačne profile učenika koji se fokusiraju na:

• Povijesne uzorke pogrešaka u izgovoru.
• Mjerne vrijednosti tempa učenja zasnovane na podacima interakcije.
• Preferencije povratnih informacija (audio, vizualni, dodirni).
• Kulturni i jezični kontekst učenika.

Motor za generiranje prilagodljive povratne informacije

Ovaj motor analizira informacije o profilima učenika i okolinskim uvjetima kako bi prilagodio povratne informacije. Kada senzori prepoznaju visoke razine stresa, sustav pruža jednostavniju i ohrabrujuću povratnu informaciju. Optimalni uvjeti potiču izazovnije evaluacije.

Proces integracije podataka u stvarnom vremenu

Sustav neprekidno obrađuje IoT tokove podataka putem trostupanjskog cjevovoda:

Faza 1: Prikupljanje podataka i predobrada

• IoT senzori prikupljaju podatke brzinom uzorkovanja od 100 Hz.
• Neobrađeni podaci filtriraju šum i normaliziraju se.
• Klasificiraju se parametri okolišnog konteksta.

Faza 2: Analiza svjesna konteksta

• Analiziraju se čimbenici okoline pomoću strojnog učenja.
• Prepoznaju se obrasci ponašanja učenika kroz analizu interakcija.
• Određuju se razine angažmana i stresa.

Faza 3: Generacija adaptivnog odgovora

• Poteškoće u procjeni prilagođavaju se ovisno o okolini.
• Odabire se način povratne informacije na temelju konteksta.
• Formuliraju se ciljevi izgovora prema individualnom napretku.

Provedba učenja temeljena na scenarijima

Analiza korelacije između nastavnih zahtjeva i ishoda učenja pokazala je da su učenici u optimalnim uvjetima (buka <30 dB; temperatura 20–24 °C) imali 34% brže poboljšanje izgovora. Ovi podaci rezultirali su razvojem narativnih scenarija koji omogućuju značajne interakcije između učenika i sustava.

Model ocjenjivanja govora

Model procjene govora sastoji se od pet faza:

1. Snimanje i pretprocesiranje govora.
2. Automatsko prepoznavanje govora.
3. Fonetska analiza.
4. Otkrivanje i klasifikacija pogrešaka.
5. Generiranje korektivnih povratnih informacija.

Ispravak izgovora temeljen na transformatoru

Model djeluje na temelju mreže transformatora koja prevladava neka ograničenja tradicionalnih modela. Arhitektura se sastoji od više slojeva dekodera i kodera, omogućujući dinamičnu analizu interakcija učenika s ciljem poboljšanja izgovora.

Eksperimentalna validacija

Pokusna validacija koristi trofaznu strategiju:

1. Ocjena tehničke izvedbe: uključuje analizu podataka i performansi modela.
2. Ljudska stručna provjera: uključuje ocjenjivanje kroz prizmu pedagoške relevantnosti.
3. Procjena utjecaja na učenika: fokusira se na promjene u točnosti izgovora.

Svi ovi koraci imaju za cilj osigurati da sustav ne samo da pruža tehnički ispravnu obrada podataka, već i doprinosi obrazovnoj vrijednosti tijekom procesa učenja.

Na temelju ovih informacija, ovaj inovativni pristup omogućuje veću personalizaciju u nastavi engleskog jezika, čime se poboljšava učenje kroz kontinuirano prilagođavanje potrebama svakog učenika.