Designing reusable rule-based architectures with design patterns

Souza, Matheus Augusto; Ferreira, Maria A. G. V.

doi:10.1016/s0957-4174(02)00075-1

Cited by 14 publications

(3 citation statements)

References 6 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Here, we will review and discuss some relevant ITS that have been proposed in the literature. Typically, an ITS involves four different components [3,49,50], as represented in Figure 6: i) a domain component to encode the expert knowledge, ii) a student component to represent student knowledge and behavior, iii) a tutor component to select the best pedagogical action, and iv) an interface to interact with the student. The domain component includes, among others, expert knowledge, databases of tasks, and databases of bugs.…”

Section: Intelligent Tutoring Systemsmentioning

confidence: 99%

A Classification of Artificial Intelligence Systems for Mathematics Education

Vaerenbergh¹,

Pérez-Suay²

2021

Preprint

View full text Add to dashboard Cite

This chapter provides an overview of the different Artificial Intelligence (AI) systems that are being used in contemporary digital tools for Mathematics Education (ME). It is aimed at researchers in AI and Machine Learning (ML), for whom we shed some light on the specific technologies that are being used in educational applications; and at researchers in ME, for whom we clarify: i) what the possibilities of the current AI technologies are, ii) what is still out of reach and iii) what is to be expected in the near future. We start our analysis by establishing a highlevel taxonomy of AI tools that are found as components in digital ME applications. Then, we describe in detail how these AI tools, and in particular ML, are being used in two key applications, specifically AI-based calculators and intelligent tutoring systems. We finish the chapter with a discussion about student modeling systems and their relationship to artificial general intelligence.

show abstract

Section: Intelligent Tutoring Systemsmentioning

confidence: 99%

A Classification of Artificial Intelligence Systems for Mathematics Education

Vaerenbergh¹,

Pérez-Suay²

2021

Preprint

View full text Add to dashboard Cite

show abstract

“…Tunstel et al [20] discussed the use of mobile robots to monitor health and safety issues in field operations. de Souza and Ferreira [21] proposed a reusable architecture for rule-based systems described through design patterns. The aim of these patterns is to constitute a design catalogue that can be used by designers to understand and create new rule-based systems.…”

Section: Introductionmentioning

confidence: 99%

Motion control and navigation of multiple mobile robots for obstacle avoidance and target seeking: A rule-based neuro-fuzzy technique

Pradhan

Parhi

Panda

2008

Proceedings of the Institution of Mechanical Engineers, Part I:

View full text Add to dashboard Cite

This paper describes a rule-based neuro-fuzzy technique for the navigation of 1000 robots in a cluttered environment. The planning and coordination between the mobile robots is extremely difficult. In the present analysis rule-based and rule-based neuro-fuzzy techniques are used to navigate multiple mobile robots in unknown and partially known environments. The aim of the robots is to reach a predefined goal. Based upon a reference motion, direction, distances between the robots and obstacles, and distances between the robots and targets, different types of rules are defined heuristically and refined later to find the steering angle. The control system combines a repelling influence related to the distance between robots and nearby obstacles and an attracting influence between the robots and targets. Then a hybrid rule-based neuro-fuzzy technique is analysed to find the steering angle of the robots. Simulation and experimental results show that the proposed rule-based neuro-fuzzy technique shows a better navigation performance in complex and unknown environments than the simple rule-based technique.

show abstract

“…To fulfill its objective, an ITS is organized by an architecture (Fig. 2) composed by (Shute & Psotka, 1996;de Souza & Ferreira, 2002):…”

Section: Intelligent Tutoring Systemsmentioning

confidence: 99%

Modeling the learner’s cognitive state transitions using fuzzy logic techniques for adaptive learning

Chrysafiadi¹,

Χρυσαφιάδη²

View full text Add to dashboard Cite

Στη παρούσα διδακτορική διατριβή παρουσιάζεται μια καινοτόμος προσέγγιση της εξ’ αποστάσεως εκπαίδευσης, που επιτελεί εξατομικευμένη διδασκαλία, προσαρμόζοντας την παράδοση του γνωστικού αντικειμένου στις ανάγκες και τον ρυθμό μάθησης του κάθε εκπαιδευόμενου. Η προσέγγιση αυτή περιλαμβάνει τεχνικές ασαφούς λογικής για την αναπαράσταση του γνωστικού επιπέδου και της γνωστικής κατάστασης του εκπαιδευόμενου. Το παρουσιαζόμενο Ευφυές Διδακτικό Σύστημα περιλαμβάνει έναν μηχανισμό βασισμένο σε κανόνες ασαφούς λογικής για την παροχή εξατομικευμένης διδασκαλίας σε κάθε εκπαιδευόμενο, και μια καινοτόμο λειτουργική μονάδα, η οποία είναι υπεύθυνη για την παρακολούθηση των μεταβάσεων μεταξύ των γνωστικών καταστάσεων ενός εκπαιδευόμενου όσον αφορά στην πρόοδο ή μη του μαθητή. Η παρουσιαζόμενη προσέγγιση μοντελοποιεί τόσο την εξέλιξη της μάθησης όσο και την μείωση της γνώσης του εκπαιδευόμενου. Συγκεκριμένα, μοντελοποιεί τον εκπαιδευόμενο αναγνωρίζοντας και ενημερώνοντας δυναμικά το επίπεδο γνώσης του εκπαιδευόμενου για όλες τις επιμέρους έννοιες του γνωστικού αντικειμένου. Η λειτουργία της παρουσιαζόμενης προσέγγισης είναι βασισμένη στους Ασαφείς Γνωστικούς Χάρτες (Fuzzy Cognitive Maps – FCMs), οι οποίοι χρησιμοποιούνται για την αναπαράσταση των εξαρτήσεων μεταξύ των εννοιών του γνωστικού αντικειμένου. Το παρουσιαζόμενο μοντέλο μαθητή χρησιμοποιεί ασαφή σύνολα για την αναπαράσταση της γνώσης του εκπαιδευόμενου ως υποσύνολο του γνωστικού αντικειμένου. Επομένως, συνδυάζει την θεωρία της ασαφής λογικής (fuzzy logic) με το μοντέλο επικάλυψης (overlay model). Επίσης, διαθέτει ένα καινοτόμο μηχανισμό εξαγωγής συμπερασμάτων που ενημερώνει δυναμικά τα στερεότυπα των χρηστών χρησιμοποιώντας ασαφή σύνολα. Ο μηχανισμός αυτός ενεργοποιείται μετά από οποιαδήποτε μεταβολή του γνωστικού επιπέδου του εκπαιδευόμενου σε μια έννοια του γνωστικού αντικειμένου. Έπειτα, ενημερώνει το γνωστικό επίπεδο του εκπαιδευόμενου σε όλες τις επιμέρους έννοιες του γνωστικού αντικειμένου που σχετίζονται με την έννοια που ο εκπαιδευόμενος έμαθε ή ξέχασε. Η μετάβαση του εκπαιδευόμενου από το ένα στερεότυπο σε άλλο αποκαλύπτει την γνωστική του κατάσταση κάθε φορά. Συγκεκριμένα, αποκαλύπτει εάν ο εκπαιδευόμενος μαθαίνει ή όχι, εάν ξεχνάει και αιτιολογεί τις καταστάσεις αυτές.Η παρουσιαζόμενη καινοτόμος προσέγγιση υλοποιήθηκε, εφαρμόστηκε και αξιολογήθηκε πλήρως. Πιο συγκεκριμένα, αναπτύχθηκε ένα πρωτότυπο ολοκληρωμένο περιβάλλον, με το όνομα ELaC, για την εξατομικευμένη εξ’ αποστάσεως εκπαίδευση στον προγραμματισμό υπολογιστών και στην γλώσσα προγραμματισμού ‘C’. Επιλέχθηκε το συγκεκριμένο γνωστικό αντικείμενο λόγω του γεγονότος ότι στο πεδίο του προγραμματισμού ηλεκτρονικών υπολογιστών υπάρχουν πολλές διαφορετικές γλώσσες προγραμματισμού και οι εκπαιδευόμενοι έχουν ποικίλα διαφορετικά υπόβαθρα και χαρακτηριστικά. Ως εκ τούτου, το συγκεκριμένο γνωστικό αντικείμενο είναι κατάλληλο για την εφαρμογή και την αξιολόγηση του θέματος που διαπραγματεύεται η συγκεκριμένη διατριβή. Το ELaC ενσωματώνει την παρουσιαζόμενη προσέγγιση της ασαφής μοντελοποίησης του εκπαιδευομένου. Με αυτόν τον τρόπο, αναγνωρίζει πότε μια νέα έννοια του γνωστικού αντικειμένου είναι εντελώς άγνωστη στον εκπαιδευόμενο, ή πότε είναι εν μέρει γνωστή λόγω του γεγονότος ότι ο εκπαιδευόμενος έχει προηγούμενη σχετική γνώση. Επιπλέον, αναγνωρίζει πότε ο εκπαιδευόμενος ξεχνάει πλήρως ή εν μέρει μία έννοια που ήταν προηγουμένως γνωστή. To σύστημα ELaC χρησιμοποιήθηκε από τους φοιτητές ενός μεταπτυχιακού προγράμματος Πληροφορικής του Πανεπιστημίου Πειραιά, προκειμένου να μάθουν πως να προγραμματίζουν στη γλώσσα προγραμματισμού ‘C’.Για την αξιολόγηση την προσέγγιση της ασαφής μοντελοποίησης του εκπαιδευομένου, επιλέχθηκαν δύο γνωστές και ευρέως χρησιμοποιημένες μέθοδοι αξιολόγησης: το μοντέλο του Kirkpatrick και η πολυεπίπεδη μέθοδος αξιολόγησης (layered evaluation model). Τα αποτελέσματα της αξιολόγησης ήταν πολύ ενθαρρυντικά. Απέδειξαν ότι το σύστημα μοντελοποιεί τη γνωστική κατάσταση του μαθητή και προσαρμόζεται δυναμικά στις ατομικές ανάγκες του εκπαιδευόμενου προγραμματίζοντας τη σειρά των μαθημάτων στη στιγμή, επιτρέποντάς του να ολοκληρώσει την πορεία της ηλεκτρονικής κατάρτισης στο δικό του ρυθμό και σύμφωνα με τις δικές του ικανότητες.Πρέπει να σημειωθεί ότι παρουσιαζόμενος καινοτόμος συνδυασμός του μοντέλου επικάλυψης (overlay model) και των στερεοτύπων με τα ασαφή σύνολα είναι σημαντικός, καθώς το επίπεδο γνώσης των εκπαιδευόμενων αναπαρίσταται με ένα πιο ρεαλιστικό τρόπο, μοντελοποιώντας αυτόματα την διαδικασία της μάθησης ή της λήθης ενός εκπαιδευόμενου σε σχέση με τους ασαφείς Γνωστικούς Χάρτες (FCMs). Η εφαρμογή αυτής της προσέγγισης δεν περιορίζεται στη προσαρμοσμένη εκπαίδευση, αλλά μπορεί επίσης να χρησιμοποιηθεί σε άλλα συστήματα με μεταβλητές καταστάσεις χρηστών, όπως είναι τα ηλεκτρονικά καταστήματα, όπου οι προτιμήσεις των καταναλωτών αλλάζουν με την πάροδο του χρόνου και επηρεάζουν η μία προτίμηση την άλλη. Συνεπώς, η συγκεκριμένη προσέγγιση αποτελεί ένα καινοτόμο γενικό εργαλείο ασαφής λογικής, το οποίο παρέχει δυναμική προσαρμογή στις ανάγκες και τις προτιμήσεις των χρηστών των προσαρμοστικών συστημάτων

show abstract

Designing reusable rule-based architectures with design patterns

Cited by 14 publications

References 6 publications

A Classification of Artificial Intelligence Systems for Mathematics Education

A Classification of Artificial Intelligence Systems for Mathematics Education

Motion control and navigation of multiple mobile robots for obstacle avoidance and target seeking: A rule-based neuro-fuzzy technique

Modeling the learner’s cognitive state transitions using fuzzy logic techniques for adaptive learning

Contact Info

Product

Resources

About