Summary Complexity metrics and machine learning (ML) models have been utilized to analyze the lengths of segmental genomic entities of DNA sequences (exonic, intronic, intergenic, repeat, unique) with the purpose to ask questions regarding the segmental organization of the human genome within the size distribution of these sequences. For this we developed an integrated methodology that is based upon the reconstructed phase space theorem, the non-extensive statistical theory of Tsallis, ML techniques, and a technical index, integrating the generated information, which we introduce and named complexity factor (COFA). Our analysis revealed that the size distribution of the genomic regions within chromosomes are not random but follow patterns with characteristic features that have been seen through its complexity character, and it is part of the dynamics of the whole genome. Finally, this picture of dynamics in DNA is recognized using ML tools for clustering, classification, and prediction with high accuracy.

Abstract-In Adaptive Educational Hypermedia Systems (AEHS), we expect that the learning content presentation should be appropriately retrieved from learning object repositories, and dynamically tailored to each learner's needs. Each learner has a profile, subject to continuous change. The basic components of the learner's profile include his/her cognitive characteristics, background of knowledge, previous experience, and current emotional situation. This paper proposes the architecture of a Petri net-based workflow engine -scheduled to be implemented in a AEHS -aiming to provide a reliable and efficient platform for the execution of learning course flows in a grid environment. Dealing with the question of adaptive management of learning content, the proposed p-timed Petri net is capable of presenting learning content adapted to the learner's Learning Style and knowledge background. The proposed schema is accurately tested using a p-timed Petri net simulator. The schema may now be extended to include other components of the learner's profile.

Η καθημερινή χρήση των ηλεκτρονικών υπολογιστών ταυτόχρονα με τη ραγδαία ανάπτυξη του διαδικτύου έχουν φέρει στην επιφάνεια, εδώ και αρκετά χρόνια, το θέμα της ηλεκτρονικής, εξ’ αποστάσεως μάθησης. Την, όχι και τόσο καινούρια, επιστήμη της Εκπαιδευτικής Τεχνολογίας, έρχονται να ενισχύσουν νέες και γοργά αναπτυσσόμενες επιστήμες και τεχνολογίες όπως η «εξόρυξη γνώσης από δεδομένα» ή πιο απλά «εξόρυ-ξη δεδομένων» (data mining), η τεχνητή νοημοσύνη - όχι τόσο νέα αλλά συνεχώς αναπτυσσόμενη -, τα πολυπρακτορικά συστήματα (multi-agent systems) και οι τεχνολο-γίες που πηγάζουν μέσα από το διαδίκτυο όπως το web 2.0, web 3.0, τo σημασιολογικό διαδίκτυο (semantic web) κ.ά. Τα Προσαρμοστικά Συστήματα Διαχείρισης της Μάθη-σης (Adaptive Educational Hypermedia Systems – AEHS) προσπαθούν να εκμεταλλευτούν αυτές τις τεχνολογίες, με σκοπό την αντιμετώπιση των προβλημάτων που αφορούν την ασύγχρονη – εξ’ αποστάσεως διδασκαλία και μάθηση και την εξατο-μικευμένη παροχή εκπαιδευτικών υπηρεσιών υψηλού επιπέδου. Τέτοια προβλήματα (μεταξύ άλλων) είναι: • η δυνατότητα αναγνώρισης του μαθήτυπου – μαθησιακού στυλ του μαθητή. • η δυνατότητα ανίχνευσης της συναισθηματικής κατάστασης του μαθητή κατά τη διάρκεια του μαθήματος. • η ανάσυρση μαθησιακών αντικειμένων από ψηφιακά αποθετήρια ή η δημιουρ-γία νέων και ο εμπλουτισμός τέτοιων αποθετηρίων με βάση συγκεκριμένα πρότυπα. • η υποστήριξη και βοήθεια του μαθητή από το σύστημα κατά τη διάρκεια του μα-θήματος, με σκοπό την αποτελεσματικότερη κατανόηση και επίτευξη των μαθησιακών στόχων. H παρούσα διδακτορική διατριβή κινείται στην επιτομή των παραπάνω επιστημών – τεχνολογιών με σκοπό το σχεδιασμό και την ανάπτυξη νέων μεθόδων και τεχνικών που θα συμβάλουν στην ανάπτυξη των AEHS και στην λύση των προβλημάτων που αναφέ-ραμε παραπάνω. Στη διατριβή αυτή προτάθηκαν και αναπτύχθηκαν τεχνικές για την αναγνώριση του μαθήτυπου ενός μαθητή, για την ανίχνευση της συναισθηματικής του κατάστασης, την ανάσυρση μαθησιακού υλικού με σκοπό τη δημιουργία μαθησιακών αντικειμένων και την προώθηση της συνεργατικής μάθησης σε ένα ασύγχρονο περιβάλ-λον διαχείρισης της μάθησης. Πιο συγκεκριμένα: 1. Προτάθηκε και αναπτύχθηκε σε επίπεδο εφαρμογής ένας αλγόριθμος ανα-γνώρισης του μαθήτυπου ενός μαθητή με τη χρήση μιας μεθόδου κατηγοριοποίησης βασισμένης σε έναν Ασαφή Γνωσιακό Χάρτη τριών επι-πέδων. Σκοπός είναι να εφοδιαστεί ένα AEHS με ένα έμπειρο σύστημα που αφενός μεν αναγνωρίζει τον μαθήτυπο του χρήση, αφετέρου δε επιτρέπει στον εκπαιδευτή να συντονίσει τη λειτουργία του συστήματος αναγνώρισης ανάλογα με την ομάδα χρηστών που θα τι χρησιμοποιήσει. 2. Προτάθηκε και εφαρμόστηκε μια μέθοδος ανίχνευσης της συναισθηματικής κατάστασης του μαθητή βασισμένη στην παρακολούθηση των κινήσεων του ποντικιού. Προτάθηκαν συγκεκριμένες μετρικές οι οποίες σχετίζονται με την κίνηση του ποντικιού, βάση των οποίων μπορεί να εξαχθεί σαν συμπέ-ρασμα η συναισθηματική κατάσταση του μαθητή και συγκεκριμένα η κατάσταση της ανίας. 3. Προτάθηκε και αναπτύχθηκε μια μέθοδος ανάσυρσης μαθησιακού υλικού από το διαδίκτυο, με σκοπό τη δημιουργία νέων μαθησιακών αντικειμένων. Η μέθοδος βασίζεται στην τεχνική των εστιασμένων crawler και σε τεχνικές κατηγοριοποίησης κειμένων. 4. Τέλος προτάθηκε και δημιουργήθηκαν οι βάσεις για την υλοποίηση του «Εικονικού Συμμαθητή» (virtual co-learner) ο οποίος, σύμφωνα με τις τε-χνικές της Συνεργατικής Μάθησης, βοηθά τον μαθητή στην επίτευξη των μαθησιακών του στόχων. Η διατριβή αποτελείται από δύο μέρη. Στο πρώτο μέρος (κεφάλαια 1-3) παρουσιά-ζεται το απαραίτητο θεωρητικό υπόβαθρο των τεχνολογιών που χρησιμοποιήθηκαν στο ερευνητικό κομμάτι της διατριβής. Στο δεύτερο μέρος (κεφάλαια 4-7) παρουσιάζονται αναλυτικά οι ερευνητικές προτάσεις που αναφέραμε στα σημεία 1 έως 4 παραπάνω, καθώς και τα αποτελέσματα που προέκυψαν από τη μελέτη και την εφαρμογή τους.

Adaptation and personalization of the information and instruction offered to the users in on-line e-learning environments are considered to be the turning point of recent research efforts. Collaborative learning may contribute to adaptive and personalized asynchronous e-learning. In this chapter authors intend to introduce the Virtual co Learner (VcL) that is a system designed on a basis of distributed architecture able to imitate the behavior of a learning companion who has suitable to the user’s cognitive and learning style and behavior. To this purpose an asynchronous adaptive collaborating e-learning system is proposed in the sense of reusing digitized material which deployed before by the users of computer supported collaborating learning systems. Matching real and simulated learners who have cognitive characteristics of the same type, one can find that learning procedure becomes more efficient and productive. Aiming to establish such VcL, one faces a number of questions. An important question is related to the user’s cognitive or learning characteristics diagnosis. Other questions are examined too.

No abstract