Beitrag zu dem Workshop auf der 22. Jahrestagung der Künstlichen Intelligenz (KI-98)

vom 15.-17.September in der Universität Bremen Workshop Intelligente Unterstützung in offenen Lehr/Lernumgebungen

Olaf Schröder (Hrsg.) TZI-Bericht Nr. 8, 1998

Intelligente Autorensysteme für
Computer Basiertes Training

Tina Reinhardt

Lehrstuhl für Künstliche Intelligenz und Angewandte Informatik

Universität Würzburg

Am Hubland 16, 97074 Würzburg

reinhardt@informatik.uni-wuerzburg.de

Computerbasierte Lehr- und Lernprogramme verbreiten sich immer mehr in der universitären Ausbildungslandschaft. Obwohl noch sehr häufig Prototypen entwickelt werden, die vollständig in einer Programmiersprache oder einem Multimedia-Programm (wie z.B. Toolbook) erstellt werden, sind bereits einige Autorensysteme in der Entwicklung, die speziell auf das Computer Basierte Training (CBT) abgerichtet sind. Diese Systeme unterscheiden sich in vielerlei Hinsicht und stellen unterschiedliche Anforderungen an den Benutzer, der schließlich ein fertiges CBT-System darin erstellen soll. In dieser Arbeit werden einige Autorensysteme, vor allem aus dem Bereich der "intelligenten" Systeme, vorgestellt und bezüglich verschiedener Dimensionen eingeordnet.

Keywords: Computer Basiertes Training, Intelligente Tutorsysteme, Autorensysteme

1. Einleitung

Immer mehr Bereiche der Aus- und Weiterbildung entdecken den Computer als Medium für Lernprogramme. Längst sind es nicht mehr nur die Universitäten, an denen mit hohem Aufwand Prototypen für verschiedenen Fachgebiete und Anwendungsbereiche erstellt werden. Während aber immer mehr Applikationen in der "freien Wirtschaft" entwickelt werden, steigen Faktoren wie Kosten, Entwicklungsdauer und Wiederverwendbarkeit in der Wichtigkeit bei der Entwicklung rapide an. Die Spezialisten, die ihr Fachwissen für Lernsysteme aufbereitet und formuliert haben, waren früher unentgeltlich aus Neugier und Begeisterung in ihrer Freizeit tätig, während im Moment und vor allem in zukünftigen Systemen das Motto "(Experten-) Zeit ist Geld" in den Vordergrund rückt. Denn sobald Firmen, bzw. Institutionen Mitarbeiter abstellen, um Lehrsystemen einen fachlichen Inhalt zu geben, kosten diese Personen Geld und fehlen in dem normalen Tagesgeschäft. Der Bedarf an Autorensystemen, mit denen schnell, gute Systemen entwickelt werden können, ist somit groß. Wie aber findet man das richtige Werkzeug für seine Anwendung? Die meisten existierenden Autorensysteme sind aus der Verallgemeinerung existierender Lernsysteme entstanden und deshalb sehr unterschiedlich in Design und didaktischem Hintergrund.

Nicht nur ökonomische Aspekte sprechen für die Verwendung von Autorensystemen, denn ein sehr guter Fachexperte muß nicht unbedingt ein guter Didaktiker sein. Durch didaktisch sinnvolle Einschränkungen des Autors kann auch ein pädagogischer Anfänger ein sehr gutes Lernsystem entwickeln. Viele Autorensysteme unterstützen diesen Ansatz, der allerdings von manchen Fachexperten, die pädagogische Erfahrungen besitzen, als Einengung empfunden werden kann.

Im weiteren werden jetzt beispielhaft einige Autorensysteme kurz vorgestellt, die dann anhand von verschiedenen Kriterien eingeordnet werden. In einer kurzen Zusammenfassung werden Ergebnisse und zu erkennende Trends aufgezeigt.

2. Intelligente Autorensysteme

In diesem Abschnitt werden beispielhaft einige Autorensysteme vorgestellt, die später in diesem Beitrag verglichen und eingeordnet werden. Diese Liste erhebt keinen Anspruch auf Vollständigkeit, sondern soll einen Eindruck von der Vielfalt von Autorensystemen für Intelligente Tutorsysteme vermitteln. Es werden nur Systeme betrachtet, mit denen entweder intelligente Tutorensysteme entwickelt werden können oder die den Anspruch erheben, auf intelligente Weise die Systementwicklung zu unterstützen. Universelle Systeme wie z.B. Toolbook oder Authorware werden hier nicht betrachtet. Bis auf die Systeme CASUS (2.1) und dem Dynamic Courseware Generator (2.3) wurden alle Systeme auf dem Workshop "Intelligent Tutor System Authoring Tools" des AAAI Fall Symposium 1997 in Boston vorgestellt. Die zwei anderen Systeme wurden dazugenommen, um zu verdeutlichen, daß die in Abschnitt 3 gefunden Kriterien auch auf andere Systeme passen. Die Ordnung der Systeme ist alphabetisch und hat keine inhaltliche Bedeutung. Die Beschreibungen der einzelnen Systeme sind möglichst kurz gehalten und sollen ebenfalls nur einen ersten Eindruck vermitteln, für detailliertere Informationen sei auf die angegebene Literatur verwiesen.

2.1 CASUS

Das in der AG INSTRUCT in Zusammenarbeit mit anderen Universitäten entwickelte System CASUS [5] ist ein "fallorientiertes multimediales Lern- und Autorensystem für die Ausbildung von Medizinstudenten und Ärzten zur Verbesserung der Ausbildung in der Medizin durch die Realisierung problemorientierten Lernens". Dozenten der Medizin bringen mittels CASUS Fälle ihrer medizinischen Praxis, die ihnen für die Lehre relevant erscheinen, didaktisch sinnvoll strukturiert auf den Computer, ohne dabei über Programmierkenntnisse verfügen zu müssen. Bereits gesammelte Falldaten wie Bilder, Befunde und ähnliches werden in ein vorgegebenes, didaktisches Format gebracht. Es existieren mehrere Komponenten, die z.B. eine Anbindung an Datenbanken oder eine webfähige Ablaufversion ermöglichen. Das auf Toolbook basierte CASUS ist zwar alleine für medizinische Zwecke entwickelt worden, die Methodik kann aber durchaus auf andere Teilgebiete übertragen werden. Der Autor oder die Autoren müssen also multimediales Material zu einem Patienten sammeln und zusammen mit den Patientendaten in einer speziellen Form verknüpfen.

Eine Anwendung des CASUS Autorensystems ist das medizinische Lernprogramm Thyroidea [3].

2.2 D3Trainer

Das auf den Expertensystemshellbaukasten D3 [15] basierende Trainingssystem D3Trainer [16] orientiert sich ebenfalls an dem problemorientierten Ansatz. Dem Lernenden werden Fälle des Expertensystems präsentiert, die er durch Erkennen von Symptomen in Bildern, durch Auswahl von Untersuchungen, Tests, Diagnosen und Therapien lösen soll. Dabei werden die verschiedenen Aktionen des Studenten mit den Schlußfolgerungen des Expertensystem verglichen, wodurch alle Teilgebiete der diagnostischen Problemlösung (Symptome erkennen, Nachfragen, Schlußfolgern) kritisiert und erklärt werden. Ebenso wird auf ökonomische Aspekte wie entstehende Kosten, Zeitaufwand und Risiken eingegangen.

Der D3Trainer verfügt über eine hohe Flexibilität bezüglich Parameter, mit denen verschiedene didaktische Entscheidungen gefällt werden können. Die Autorenschaft eines solchen Trainingssystems kann durch die Bereichsexperten ohne Hilfe eines Wissensingenieurs erfolgen, da der gesamte Wissensakquisitionsprozess rein graphisch ist [4]. Ebenso können bereits existierende Wissensbasen, die der diagnostischen Konsultation dienen, für die Ausbildung genutzt werden, ohne daß zusätzliche Arbeit geleistet werden muß. So kommt zu dem Vorteil der Wiederverwendung von Wissen die Möglichkeit, weitere in dem Expertensystembaukasten integrierte Anwendungsoptionen (z.B. Second Opinion, Arztbriefgenerierung, Statistik, Fallsuche u.ä.) zu nutzen.

Der Authoring-Prozeß besteht aus der Eingabe oder Verwendung einer Wissensbasis, der Verwendung einer Fallsammlung und der ebenfalls vollständig graphischen Erstellung von multimedialen Patientenillustrationen. Der D3Trainer verfügt auch über eine webfähige Version [2], die sich allerdings im Moment noch in der Prototypphase befindet.

Mit dem D3Trainer wurde u.a. an der Poliklinik München ein medizinisches Lernsystem zur Diagnostik rheumatologischer Krankheiten [18] entwickelt, welches seit 1994 in der universitären Ausbildung eingesetzt wird.

2.3 Dynamic Courseware Generator

Mit Hilfe des Dynamic Courseware Generator (DCG) [20] lassen sich individuelle Kurseinheiten erzeugen, die sich nach den Zielen und Vorwissen des Lernenden richten. Die Grundidee liegt in der Trennung des Lehrmaterials und der expliziten Repräsentation des Domänen-Konzepts in einem Graphen. Gibt der Student ein bestimmtes Lernziel an, so wird anhand des vorliegenden Studentenmodells ein Subgraph generiert, der den Studenten von seinem aktuellen Wissenstand zum gewünschten Lernziel leiten soll. Sowohl Autorensystem wie auch die Studentenoberfläche ist über einen WWW-Client zugänglich. Das Lehrmaterial wird zuerst von den Autor als HTML-Dateien formuliert, die dann in einen Konzeptgraphen eingebunden werden. Lernabfragen sind durch Multiple choice, Worteingabe und Objektsortierung möglich, bei denen der Autor korrekte Antwort, Punktzahl und Schwierigkeitsgrad angeben muß. Bei der ersten Anmeldung eines Studenten an den Server wird ein einleitender Test benutzt, um ein vorläufiges Studentenmodell zu generieren.

Ein Beispiel für ein mit DCG entwickeltes Lernsystem ist ein Tutor an der Bundeswehrhochschule München, mit dem Studenten Wissen über das Computer Basiertes Lernen beigebracht werden soll.

2.4 RIDES, VIVIDS and DIAG

Die Rapid Intelligent Tutoring System DEvelopment Shell wurde an den Behavioral Technology Laboratories der Universität von Kalifornien entwickelt. RIDES [11] erlaubt es den Entwicklern, schnell eine graphische Simulation eines Systems oder Prozesses zu modellieren, Lehrübungen mit dieser Simulation als Basis der Interaktion mit den Studenten zu entwickeln, sowohl Simulation als auch Übungen leicht zu verändern und erweitern und die Lehrstrategie aufgrund des studentischen Verhaltens zu adaptieren. Die mit RIDES entwickelten Anwendungen können also zu den simulationsbasierten Systemen gezählt werden. Der Nachfolger von RIDES ist VIVIDS [12], welches folgende Schlüsselkonzepte beinhaltet:

DIAG [19] ist eine andere Weiterentwicklung von RIDES, die sich auf diagnostische Probleme beschränkt. Der Tutor sucht adaptiv Probleme aus und generiert alle Lehrdialoge aus seiner Analyse des bestehenden Modells. Der Lerner führt bei einem diagnostischen Problem (Fehlerzustand) Tests und Reparaturen durch und kann bei Bedarf DIAG zur Unterstützung aufrufen. Während einer Übung können Ratschläge gegeben werden, wie sich einzelne Aktionen auswirken können und ob es angebracht ist, diese Aktion in der momentanen Situation zu wählen.

Die Aufgaben des Autors sind also in allen drei Systemen die graphische Erstellung eines Modells zur Simulation, die Formulierung von Lehrübungen und bei DIAG die Angabe eines Fehlerbaums.

Beispiele für Anwendungen für RIDES, VIVIDS und DIAG finden sich in der militärischen Ausbildung an technischen Geräten.

2.5 EON

Im Gegensatz zu den bisher vorgestellten Systemen ist EON [13] darauf ausgerichtet, von einem Designteam benutzt zu werden, bei denen mindestens eines der Mitglieder für EON ausgebildet wurde. EON besteht aus vier Einzeleditoren:

Basierend auf diesen Editoren kann für jedes Thema ein Tutorsystem entwickelt werden. Das Domänenmodell besteht aus einem Netz von Einträgen (contents), welches auch für das Studentenmodell als Basis für ein Overlaymodell dient. Die Lehrstrategien sind in Ablaufplänen festgelegt. EON kann über sein Wissen nicht schließen, d.h. es besitzt kein "tiefes" Wissen über seine Inhalte, sondern kann nur über das Netz und die Lehrstrategien vorgehen.

Der "Refrigeration Tutor" [14] wurde mit EON erstellt und wird an der University of Massachusetts in dem Kurs "Engineering, the Human Enterprise" eingesetzt, um nicht-technischen Studenten ein Gefühl für Geschichte, Prozesse und soziale Aspekte des Ingenieurwesens zu vermitteln.

2.6 INTERBOOK

INTERBOOK ist eine domänen-unabhängige Shell, die den Erstellungsprozeß für adaptive Lehrbücher im WWW vereinfacht [1]. Der Benutzer erstellt im ersten Schritt speziell strukturierte Worddateien der Seiten des zukünftigen Lehrbuchs. Im zweiten Schritt werden diese Seiten bezüglich der Konzepte nachbearbeitet, d.h. zu jeder Seite wird in verstecktem Text die in diesem Textbereich verarbeiteten Konzepte (vorausgesetzte Konzepte, Ergebniskonzepte) definiert. Die Worddateien werden anschließend über verschiedene Konverter von rtf über html-Format in ein INTERBOOK-Format gebracht. Der INTERBOOK-Server analysiert alle Dateien in einen Textordner und erstellt daraus das Lehrbuch. INTERBOOK benutzt ein Overlay über den Konzeptgraphen als Studentenmodell, um sich adaptiv an den momentanen Wissenstand (gelernte Konzepte) anpassen zu können. Zum Beispiel werden die Kapitel, die bereits bearbeitet wurden, Kapitel, zu denen bereits Vorwissen vorhanden ist und Kapitel, für die noch kein Vorwissen erlangt wurde farbig gekennzeichnet.

2.7 PERSUADE

Am ILS geht man einen etwas anderen Weg: Man geht davon aus, daß ein durchschnittlicher Lehrer nicht die Fähigkeit besitzt, ein gutes und didaktisch sinnvolles Lernprogramm zu erstellen. Deshalb muß man Architekturen finden, die ihn so stark führen, daß er "nur" sein Fachwissen in das System einfließen lassen muß, um ein durchdachtes und sinnvolles Ergebnis zu erzielen. Dazu werden alle Systeme in momentan acht Lehrarchitekturen eingeteilt, die bestimmte Aufgabenbereiche vermitteln sollen.

In PERSUADE [7| spielt der Lernende eine Rolle in einer sozialen Simulation, d.h. er soll die anderen Charaktere verstehen lernen, um sie davon überzeugen zu können, ihre Meinungen zu ändern. Die technische Grundlage für dieses Autorensystem ist eine Videotechnologie, mit Hilfe derer das Autorenteam verschiedene Einzelvideos verknüpft und auf verschiedene Aktionen des Studenten unterschiedliche "Folgevideos" verknüpft. Da es kein richtig oder falsch gibt, gibt es auch keine Kritik durch das System, die einzige Wertung sind Expertenkommentare (Videos von Lehrern), die eine Einschätzung der Lage vornehmen. Das Autorenteam besteht also aus einem Drehbuchautor, einem Filmteam und einem Autor, der die Verknüpfungen der Videos in dem Autorensystem vornimmt.

Das Lernprogramm "French Revolution" [8] ist ein Beispiel für ein System der PERSUADE-Architektur, in der Studenten in die Zeit der französischen Revolution in das alte Frankreich versetzt werden, um mit den verschiedenen beteiligten Gruppen zu verhandeln, und so einen Ausbruch der Revolution zu verhindern. Ziel ist es natürlich nicht, die französische Revolution zu verhindern, sondern den Französischstudenten ein tieferes Verständnis für die Problematik und unterschiedlichen Sichtweisen zu vermitteln. Ein anderes Beispiel ist die Arbeit in einem Bürgerbüro, in dem der Student mit mehreren Gruppen über ein durchzuführendes Gemeindeprojekt diskutieren muß. Auch hier gibt es kein Falsch oder Richtig, sondern der Lernende muß abwägen, wie er seine Zeit nutzt, mit welchen Gruppen er Gespräche sucht, um später in der Gemeindesitzung zu einem guten Ergebnis zu gelangen.

2.8 REDEEM

Das REDEEM-Werkzeug (entwickelt mit Asymetrix Multimedia Toolbook) [10] besteht aus drei Hauptkomponenten: Die "Courseware" Kataloge, das Autorensystem und die Instruktionsshell. Ein Lehrender benutzt das Autorensystem, um Kurse zu beschreiben, Lehrstrategien zu entwickeln und Studenten zu identifizieren. "Courseware" Kataloge bestehen aus Seiten, die in einem Standard-Autorensystem (z.B. Asymetrix Multimedia Toolbook) entwickelt wurden. Das REDEEM-Autorensystem selbst besteht wiederum aus Teilen, die folgende Aufgaben unterstützen:

REDEEM entwickelt also aus fertigen CBT-Seiten ein seitenbasiertes Tutorsystem, welches verschiedene Lehrstrategien in verschiedenen Situationen anwendet und diese an eine veränderte Situation anpassen kann.

2.9 XAIDA

Der "eXperimental Advanced Instructional Design Advisor" (XAIDA) [9] besitzt zwei grundsätzliche Modi, den Develop (Autorensystem) und den Deliver (Studentenversion) Modus. Es können grundsätzlich vier verschiedene Aufgaben gelehrt werden:

Der Authoring-Prozeß ist rein graphisch und verlangt nur das Eingeben von Abläufen, Regeln oder Zuordnungen. In einigen Testanwendungen benutzten Highschool-Schüler das Autorensystem ohne ständige Anleitung, um kleine Beispiele zu erstellen.

Nach dieser kurzen Vorstellung einiger Systeme zeigt das nächste Kapitel Kriterien auf, an denen Unterschiede zwischen den Systemen fest gemacht werden können.

3. Vergleich und Vergleichskriterien

In dem folgenden Vergleich soll keine Wertung stattfinden, vielmehr wird versucht, eine Ordnung für das neue Gebiet der Autorensysteme für Computer Basierte Lernumgebungen zu finden. Die Kriterien basieren vor allem auf die Diskussionen, die im Rahmen des "ITS Authoring Tools" Workshops entstanden. Die Einteilung der Systeme in den Tabellen 1 bis 2 und in den Abbildungen 1 und 2 wurden von den Autorensystem-Entwickler selbst vorgenommen. Auch die verwendeten Begriffe wurden nur übersetzt und nicht verändert. Für die zusätzlich aufgenommenen Autorensystem CASUS und DCG gilt dies natürlich nicht, hier wurden die Einteilungen durch die Autorin dieses Beitrages vorgenommen.

3.1 Anwendungsbreite und Einordnung der entstehenden Systeme

Das erste Kriterium für einen Vergleich ist die Aussage, für welche Zwecke man ein Autorensystem verwenden kann. Geht man davon aus, daß man jedes System soweit "mißbrauchen" kann, daß es jedes Gebiet und jede Aufgabe lehren kann, ist dieses erste Kriterium hinfällig, widerspricht aber meist den hinter den Autorensystemen stehenden Konzepten. Deshalb soll hier eine Übersicht gegeben werden, für welche Aufgaben die Systeme erstellt wurden und diese deswegen besonders gut unterstützen. Weiterhin ist auch die Anwendungsbreite relevant, d.h. für welche Lehraufgaben machen die Systeme überhaupt Sinn.

In der Tabelle 1 werden die Systeme bezüglich dieser Kriterien aufgelistet. In der Spalte "speziell für.." stehen die Aufgaben, die von dem System besonders unterstützt werden, während in der Spalte "nebenbei.." die Bereiche stehen, die das System zwar kann, aber nicht durch eine besondere Unterstützung gekennzeichnet sind. Die Anwendungsmöglichkeiten werden in der Spalte "Anwendung für.." angegeben. Manche Systemen haben ein internes Modell, welches sie befähigt, die Aktionen des Lernenden nachzuvollziehen und deswegen weitaus flexibler darauf zu reagieren. Diese Systeme sind durch ein *IM* gekennzeichnet.

Autorensystem

*IM*

speziell für..

nebenbei..

Anwendung für..

CASUS

 

Diagnostisches

Problemlösen

Lehrbuchwissen

Medizinische

Patientenfälle

D3 Trainer

Ö

Diagnostisches

Problemlösen

Lehrbuchwissen

Diagnostische Probleme aller Bereiche

DIAG

Ö

Verhaltensweisen,

Operationen, Observationen, Fehler, Tests

Lehrbuchwissen

Fehlersysteme

DCG

     

alles Seiten- oder

Frame basierte

EON

   

Assoziationen, Kausales und Verhaltensweisen

kein regelbasiertes

Expertensystem

INTERBOOK

     

alles Seiten- oder

Frame basierte

PERSUADE

 

Verhaltensweisen

 

Soziale Simulation

REDEEM

   

Sequenzen

alles Seiten- oder

Frame basierte

RIDES

Ö

Verhaltensweisen,

Operationen, Observationen

Lehrbuchwissen

Operable Systeme

XAIDA

 

Verhaltensweisen, Kausale und prozedurale Systeme

tell&ask (templates)

Wartbare Systeme

Tab. 1: Autorensysteme und ihre Anwendungsfelder.

Betrachtet man die hier vorgestellten Autorensystemen, so lassen sich die aus den Autorensystem erstellten Lehrsysteme in drei Gruppen (Abb. 1) unterteilen. Die Systeme der ersten Sparte "Prozedurales Wissen" besitzt ausführbares, prozedurales Wissen über die Materie, die gelehrt werden soll. Von den vorgestellten Autorensystemen gehören der D3Trainer und XAIDA in diesen Bereich. In der mittleren Sparte "Seitenbasiert" finden sich Systeme, die seiten- bzw. framebasiert sind. Typische Autorensysteme dieser Art sind CASUS, DCG, EON, INTERBOOK und REDEEM. Ebenfalls Wissen über die zu vermittelnde Domäne haben die System der Sparte "Practice Environment", die oft auch als simulationsbasierte Systeme bezeichnet werden. RIDES, VIVIDS und DIAG können als Autorensysteme für Lernprogramme dieser Art zugeordnet werden. PERSUADE hat zwar kein Wissen, über das es schließen kann, die Tutorsysteme, die aus diesem Ansatz entstehen, sind aber ebenfalls am besten unter dieser Rubrik einzuordnen.

 

 

Prozedurales Wissen

Seitenbasiert

Practice Environment

D3Trainer

XAIDA

CASUS

DCG

EON

INTERBOOK

REDEEM

PERSUADE

RIDES

VIVIDS

DIAG

Abb. 1: Hauptströme bei der Entwicklung von Tutorsystemen

 

Im Folgenden werden drei der Komponenten eines Intelligenten Tutorsystems genauer betrachtet und diskutiert: das Domänenwissen, das Studentenmodell und die Lehrstrategien.

3.2 Führung und Unterstützung der Wissensakquisition

Die wohl wichtigste Frage bei der Untersuchung eines Autorensystems ist, wer das Wissen in die leere Hülle einfügt und ob er dabei Unterstützung anderer Personengruppen benötigt. Die Autoren für die vorgestellten Autorensysteme werden wie folgt angegeben:

Autorensystem

Autor

CASUS

Mediziner ohne Hilfe

D3Trainer

Domänen-Fachmann ohne Hilfe

DIAG

Domänen-Fachmann ohne Hilfe

DCG

Domänen-Fachmann ohne Hilfe

EON

Designteam mit Domänen-Fachmann, Designer, Pädagogen, von denen mindestens einer im Umgang mit EON geschult wurde.

INTERBOOK

Domänen-Fachmann ohne Hilfe

PERSUADE

Drehbuchautor, Filmteam und Autor zur Nachbearbeitung

REDEEM

Domänen-Fachmann ohne Hilfe

RIDES/VIVIDS

Domänen-Fachmann ohne Hilfe

XAIDA

Domänen-Fachmann ohne Hilfe

Tab. 2: Autoren der Autorensysteme

Bei den Systemen DCG, EON und REDEEM werden allerdings fertige Seiten vorausgesetzt, die in einem Fremdprogramm, wie z.B. Toolbook oder ein HTML-Editor, erstellt werden müssen. Inwieweit dies einem Domänen-Fachmann dies ohne Hilfe gelingt, sei hier nicht diskutiert.

Gibt der Fachexperte selbst das Wissen ohne Hilfe eines Wissensingenieurs ein, so muß die Wissensakquisition viel höheren Ansprüchen gerecht werden als bei der Umsetzung des Fachwissens durch einen Wissensingenieur, der meist informatischen Hintergrund besitzt. In Abbildung 2 ist dargestellt, wie der Unterstützungsbedarf mit der Bereitstellung mehrerer Wissensarten zunimmt. In Systemen, die nur wenige Wissensarten bereitstellen, wie z.B. der D3Trainer "nur" Objekte und Relationen zur diagnostischen Problemlösung benutzt, kann eine sehr hohe Unterstützung durch eine vollständig graphische Wissenseingabe erfolgen, die der Experte selbständig bedienen kann. Bei universellen Systemen, wie z.B. INTERBOOK kann keine spezielle Unterstützung des Wissenserwerbs gegeben werden.

Bei diesem Aspekt wird besonders klar, daß sich sowohl Autorensystementwickler wie auch die endgültigen Nutzer dieser Systeme entscheiden müssen, ob sie ihre Anwendungsmöglichkeiten einengen oder auf Unterstützung bei der Wissenseingabe verzichten.

Es gibt auch andere Dimensionen bei der Wissenseingabe, die nicht vernachlässigt werden sollten, die aber leider Aussagen verlangen, die bei den aufgezählten Autorensystemen oft nicht vorliegen. Wichtig ist z.B. die Zeit, die vergeht bis man in ansprechender Weise mit dem Autorensystem umgehen kann, genauso wie die Zeit, die man braucht, um aus einer eingegebenen Wissensbasis, Lerneinheiten generieren zu können. Bei seitenbasierten Systemen, wie INTERBOOK oder REDEEM sind die eingegebenen Daten natürlich sofort die Lerneinheiten, bei vielen Systemen mit internem Modell müssen allerdings Generierungsschritte durchgeführt werden, um diese Lehrinhalte zu gewinnen. Bei dem D3Trainer ist dies zum Beispiel die Erstellung einer Fallbasis, die der Studenten lösen muß. Bei DIAG ist ein längerer Generierungsprozeß notwendig, um aus dem Modell Erklärungen und Wahrscheinlichkeiten zu extrahieren. Die automatisch gewonnenen Daten müssen dann noch von dem Experten korrigiert und/oder angereichert werden. Bei RIDES und VIVIDS müssen die Lehreinheiten zusätzlich zu dem internen Modell eingegeben werden.

Abb. 2: Zusammenhang zwischen bereitgestellten Wissensarten und Unterstützung des Wissenserwerbs durch verschiedene Autorensysteme.

Ein weiterer Punkt, der hier aber nur erwähnt werden soll, ist die Realitätstreue der Wissensrepräsentation, d.h. wie hoch ist die Unterstützung von Mechanismen zur realitätsnahen Repräsentation des Bereichswissen. Auch sollte betrachtet werden, ob ein explizites Modell des Authoring&Design Prozesses vorliegt, mit dessen Hilfe eine stärkere Führung und auch Kontrolle eingeführt werden kann.

Im Zuge der Wiederverwendung und Mehrfachverwendung von Wissen ist natürlich auch wichtig, inwieweit das Wissen für andere Systeme verfügbar gemacht werden kann und Wissen aus anderen Systemen integriert werden kann. Offenheit und Zusammenarbeit werden in Zukunft noch viel wichtiger werden, als sie es jetzt bereits sind. Manche Systeme, wie z.B. CASUS, die eine Datenbank für ihre multimedialen Einträge benutzen, scheinen damit einen Weg gefunden zu haben, über diese Datenbanken und eine Beschreibungssprache für die Inhalte, Daten mit anderen Programmen zu teilen. Systeme wie der D3Trainer nutzen das eingegebene Wissen nicht nur für tutorielle Zwecke sondern auch im Rahmen des Expertensystemansatzes für Konsultation (Second Opinion), Arztbriefgenerierung und Dokumentationszwecke.

Die Wartung und Erweiterung von Lehrsystemen wird mit wachsenden Einsatz in der Praxis von immer stärkerer Bedeutung sein. Deshalb sollten die Autorensysteme auch Funktionalitäten vorsehen, um diese Wartungsprozesse zu unterstützen. Das expertensystembasierte Programm D3Trainer zum Beispiel beruht im wesentlichen auf der Wissensbasis und einer Fallsammlung. Wenn die Wissensbasis verändert wird, muß auch überprüft werden, inwieweit dies Auswirkungen auf die Fälle hat. Der D3Trainer bietet dazu ein Evaluationstool mit dem diese Überprüfung durchgeführt werden kann. Von den anderen Systemen ist eine Unterstützung der Wartung bisher nicht bekannt, allerdings kann man sich auch hier Techniken vorstellen, die diese Aufgaben übernehmen können.

3.3 Studentenmodellierungsmethoden

Zu intelligenten Systemen sollte auch ein Studentenmodell gehören, welches Wissen über den Lernenden speichert und die Lehrstrategien darauf abstimmen. Man benutzt Studentenmodelle beispielsweise, um unnötige Wiederholungen zu vermeiden, das Verhalten des Studenten vorauszusehen und Mißverständnisse zu umgehen. Manche der vorgestellten Systeme haben ein statisches Studentenprofil, welches entweder von dem Autor oder den Studenten selbst eingestellt wird. Die meisten der vorgestellten Autorensysteme benutzen ein Overlaymodell über die interne Wissenrepräsentation. Details finden sich in Tabelle 3.

Autorensystem

Studentenmodell

Typ

Autor?

CASUS

statisches Studentenprofil

 

Autor

D3Trainer

statisches Studentenprofil

 

Autor

DIAG

Overlay über Problem

Charakteristiken, History

Suche

generiert

DCG

Overlay über Konzeptgraph

indiziert

generiert

EON

Schichten Overlay

 

Autor

INTERBOOK

Overlay über Konzepte

indiziert, sequentiell

generiert

PERSUADE

statisches Studentenprofil

 

Autor

RIDES/VIVIDS

SMART Overlay [6]

alle

generiert

REDEEM

Overlay über Seiten (2-wertig)

indiziert

Autor

XAIDA

Fehlermodell, Overlay über Wissensbasis

indiziert

generiert

Tab. 3: Studentenmodellierung

Die wesentlichen Fragen zu der Studentenmodellierung sind die folgenden, die aber auch hier zum Großteil nicht beantwortet werden können:

Wie man in Tabelle 3 erkennen kann, finden sich nur in einigen der Autorensysteme überhaupt Möglichkeiten, in die Studentenmodellierung einzugreifen, indem gewisse Parameter gesetzt werden können. Generell erscheint dieser Bereich der Lehrsysteme noch nicht vollständig umgesetzt und ausgereift.

3.4 Lehrstrategien

In den meisten Lehrsystemen ist nur eine oder eine kleine Auswahl an Lehrstrategien vorgesehen. Systeme wie REDEEM oder der D3Trainer lassen sich soweit parametrisieren, daß verschiedenen Strategien damit modelliert werden können. Die Vorgabe von festen Lehrstrategien ohne die Möglichkeit, sie an einen individuellen Lehrer anpassen zu können, kann zur Folge haben, daß dieser das gesamte System ablehnt und sich weigert, es in seinen Unterricht einzubauen. Zwar können "sinnvolle" Lehrstrategien vorgegeben werden, die Möglichkeit zur Individualisierung durch die einzelnen Autoren, die so die von ihnen entwickelten Lehrsysteme von anderen mit dem Autorensystem entwickelten Lernprogrammen unterscheidbar machen können, sollte aber immer bis zu einem gewissen Grad unterstützt werden.

Wenn man Systeme für einen sehr eingeschränkten Bereich hat (special purpose tools) dann kann man sehr spezielle Lehrstrategien vorgeben. Ist das System überhaupt nicht eingeschränkt, sollte es auch die Lehrstrategie nicht sein. Stark eingeschränkte Systeme sind z.B. der D3Trainer, RIDES/VIVIDS, DIAG und PERSUADE. Diese Systeme sind für einen Einsatz in einer bestimmten Lernumgebung entwickelt worden, weshalb auch stärkere Aussagen über die Lehrstrategie gemacht werden. Mit Ausnahme des D3Trainers wird dies auch getan. Der D3Trainer basiert zwar auf der Lehrstrategie des problemorientierten Anwendens des vorhandenen Wissens auf neue Situationen, ist aber soweit parametrisierbar, daß noch genügend Möglichkeiten für eine individuelle Anpassung, vor allem bezüglich dem Kompromiß zwischen Realitätstreue und "praktisch orientierter" Abstraktion bleibt [17].

Die Personengruppen, die dafür ausgebildet wurden, Lehrstrategien zu entwickeln und die richtige Strategie für die aktuelle Situation auszusuchen, also aus den Bereichen Pädagogik, Kognition und Lehrpsychologie kommen, sind meist nicht bei der Entwicklung von Autoren- und Lernsystemen beteiligt. Sie werden erst bei der Evaluation existierender Systemen zu Rate gezogen. In der Realität werden Lehrstrategien von den Autoren, also den Fachexperten oder sogar von den Programmierern, festgelegt. Da diese Personengruppen meist keinen pädagogischen Hintergrund besitzen, sollte man auch deshalb diese Strategien später durch Parameter anpassen können.

3.5 Entwicklungsdauer, Wiederverwendbarkeit und Wartung

Der Gründe für den Einsatz von Autorensystemen sind stark durch die langen Entwicklungszeiten bei Neuprogrammierungen und deren schlechte Wiederverwendbarkeit und Wartungseigenschaften begründet. Deshalb sollen diese Aspekte für die hier vorgestellten Programme beleuchtet werden.

Autorensystem

Wiederverwendbarkeit

Wartung

CASUS

Austausch von Medienobjekten möglich

Wartung im Rahmen des Authorings möglich

D3Trainer

Mehrfachnutzung von Wissen innerhalb von D3, Möglichkeit der Nutzung von externen Mediamaterial

Einfach Wartung und Unterstützung durch Werkzeuge zum Konsitenzcheck

DIAG

kein Austausch mit anderen Systemen oder Wiederverwendung vorgesehen

Wartung im Rahmen des Authorings möglich, Konsitenzproblem

DCG

Austausch von HTML-Seiten möglich

Wartung im Rahmen des Authorings möglich

EON

Austausch von Medienobjekten möglich

Wartung im Rahmen des Authorings möglich

INTERBOOK

Austausch von HTML-Seiten möglich

Wartung im Rahmen des Authorings möglich

PERSUADE

kein Austausch mit anderen Systemen oder Wiederverwendung vorgesehen

Wartung wegen Videotechnologie schwierig

RIDES/VIVIDS

kein Austausch mit anderen Systemen oder Wiederverwendung vorgesehen

Wartung im Rahmen des Authorings möglich, Konsitenzproblem

REDEEM

Austausch von Medienobjekten möglich

Wartung im Rahmen des Authorings möglich

XAIDA

kein Austausch mit anderen Systemen oder Wiederverwendung vorgesehen

Wartung im Rahmen des Authorings möglich, Konsitenzproblem

Tab. 4: Entwicklungsdauer, Wiederverwendbarkeit und Wartung

Während bei allen Autorensystemen hohe Einsparung bei der Entwicklungsdauer genannt werden, zeigen sich deutliche Unterschiede bei Wieder- bzw. Mehrfachnutzung von Wissen und der Wartbarkeit der entstanden Systemen (Tab. 4). Die meisten seiten- und framebasierten Systeme können externes Mediamaterial benutzen und das bei ihnen verwandte Material externalisieren. Besonderheiten zeigen sich bei dem D3Trainer, der eine Mehrfachverwendung der Wissensbasis innerhalb des Expertensystembaukasten D3, z.B. als Second Opinion Programm, anbietet, während bei den anderen Systeme mit internen Modell eine Wieder- oder Mehrfachverwendung nicht möglich ist. Auch die Konzentration auf die Videotechnologie bei PERSUADE macht eine Mehrfachnutzung der Einzelvideos unmöglich, wie sie auch eine Wartung der entstanden Systeme undurchführbar erscheinen läßt, da die Personen, die in den Videos auftreten, bei spätere Veränderung der Abläufe meist nicht mehr zur Verfügung stehen oder sich auch äußerlich stark verändert haben können.

Die Wartung im Rahmen des Authoring-Prozesses ist bei den meisten anderen Systemen möglich. Probleme können bei den Systemen mit internen Modell (z.B. DIAG, RIDES) auftreten, da Veränderungen hier größere Auswirkungen auf das restliche Wissensmodell nach sich ziehen können. Das einzige System mit aktiver Unterstützung des Wartungsprozesses ist der D3Trainer, der Werkzeuge zum Konsitenzcheck nach Veränderungen in der Wissensbasis anbietet.

4. Zusammenfassung

Im letzten Kapitel wurden einige Kriterien dargestellt, mit denen man versuchen kann, die existierenden Autorensysteme einzuteilen. Auch kann bei der Entwicklung neuer Autorensysteme auf diese Liste Bezug genommen werden. Die wohl wichtigste Entscheidung eines Entwicklers oder Autors ist die, zwischen einem universellen oder einem speziellen Werkzeug wählen zu müssen. Die Vor- und Nachteile müssen für die jeweilige Anwendung abgewogen werden, um zu einen optimalen Authoring-Prozeß zu gelangen.

Ein Aspekt der in Zukunft viel stärker betrachtet werden muß, ist die Evaluation der Autorensysteme und nicht mehr nur der entstandenen Lernprogramme. Da die Wissenseingabe durch den Fachexperten immer mehr zum Nadelöhr bei der Erstellung von Lernprogrammen wird, verdient das Authoring viel mehr Beachtung als bisher.

Nicht außer Acht gelassen werden sollte der allgemeine Trend, daß Lernprogramme auch im WWW präsent sein müssen. Bei vielen, insbesondere kommerziellen Anwendungen bleibt es aber wichtig eine "Off-Line" Version zu haben, die z.B. über CD’s verkauft werden können.

Generell läßt sich feststellen, daß es für die meisten Anwendungen schon Autorensysteme gibt, von denen aber nur wenige frei erhältlich sind. In der Zukunft werden ausgereifte Autorensysteme mit hoher Unterstützung des Fachexperten auf den Markt kommen. Mehrere Gruppen sind um die Festlegung von Standards bemüht, was ein weiterer Schritt in Richtung offene Systeme und so zur möglichen Mehrfachnutzung von Wissen ist.

Literatur

[1] Brusilovsky P., Schwarz E.: Developing Adaptive Electronic Textbooks on WWW. In: Intelligent Tutoring System Authoring Tools, Papers from the 1997 AAAI Fall Symposium, Technical Report FS-97-01, AAAI Press, 1997.

[2] Faulhaber S., Reinhardt T.: D3-WWW-TRAINER Entwicklung einer Oberfläche für die Netzanwendung. In: Workshop der GI: Intelligente Lehr/Lernsysteme September 97 in Duisburg, Interner Bericht der TU München TUM-I9736,31-40, August 1997.

[3] Fischer M. R., Gräsel C., Gärtner R., Mandl H.: Thyroidea: Konzeption, Entwicklung und Evaluation eines fallbasierten Computerlernprogramms in der Medizin. In: Hypermedia in der Aus- und Weiterbildung. Dresdner Symposium zum computerunterstützten Lernen, 1995.

[4] Gappa U.: Graphische Wissensakquisitionsysteme. DISKI, 1995.

[5] Holzer M., Konschak J., Bruckmoser S., Fischer M.R.: Wissensdiagnostik in medizinischen Lernprogrammen am Beispiel des Autorensystems CASUS. In: Adler M., Dietrich J.W., Holzer M.F., Fischer M.R. (Hrsg.): Computer Based Training in der Medizin. Herzogenrath, Maastricht: Shaker; 1998.

[6] Horwitz. C.D., Shute V.J., Fleming J.L.: Creating an Adaptive Training System: Integration of the SMART Student Model in a RIDES Tutor. In: Intelligent Tutoring System Authoring Tools, Papers from the 1997 AAAI Fall Symposium, Technical Report FS-97-01, AAAI Press, 1997.

[7] Jona M., Kass A.: A Fully-Integrated Approach to Authoring Learning Environments: Case Studies und Lessons Learned. In: Intelligent Tutoring System Authoring Tools, Papers from the 1997 AAAI Fall Symposium, Technical Report FS-97-01, AAAI Press, 1997.

[8] Jona M., Kaas A.: Greater than the Sum of It’s Parts: A Fully Integrated Approach to Authoring Learning Environments. Internal Report at the Institute for the Learning Science, Northwestern University, USA 1997.

[9] Luckhardt Redfield C.: An ITS Authoring Tool: Experimental Advanced Design Advisor. In: Intelligent Tutoring System Authoring Tools, Papers from the 1997 AAAI Fall Symposium, Technical Report FS-97-01, AAAI Press, 1997.

[10] Major N., Ainsworth S.: Developing Intelligent Tutoring Systems Using a Psychologically Motivated Authoring Environment. In: Intelligent Tutoring System Authoring Tools, Papers from the 1997 AAAI Fall Symposium, Technical Report FS-97-01, AAAI Press, 1997.

[11] Munro A.: The RIDES Simulation-based Instructional Authoring System. USAF Armstrong Laboratory Technical Report.

[12] Munro A., Surmon S.S., Quentin A.P., Johnson M.C.: Collaborative Authored Simulation-Centered Tutor Components. In: Intelligent Tutoring System Authoring Tools, Papers from the 1997 AAAI Fall Symposium, Technical Report FS-97-01, AAAI Press, 1997.

[13] Murray T.: Knowledge Based Tutor Authoring Tools. In: Intelligent Tutoring System Authoring Tools, Papers from the 1997 AAAI Fall Symposium, Technical Report FS-97-01, AAAI Press, 1997.

[14] Murray T.: Authoring Knowledge Based Tutors: Tools for Content, Instructional Strategy, Student Model, and Interface Design. Submitted to the Journal of the Learning Science.

[15] Puppe F., Gappa U., Poeck K., Bamberger S.: Wissensbasierte Diagnose- und Informationssysteme. Springer, 1996.

[16] Reinhardt B.: Generating Case Oriented Intelligent Tutoring Systems. In: Intelligent Tutoring System Authoring Tools, Papers from the 1997 AAAI Fall Symposium, Technical Report FS-97-01, AAAI Press, 1997.

[17] Reinhardt T., Puppe F.: Didaktische Aspekte in fallorientierten intelligenten Trainingssystemen. In Conradi H., Kreutz R., Spitzer K. (Hrsg.): CBT in der Medizin - Methoden Techniken, Anwendungen, Proc. GMDS-Workshop in Aachen on Computer Based Training, Verlag der Augustinus-Buchhandlung, 157-168, 1997.

[18] Schewe S., Quak T., Reinhardt T., Puppe F.: Evaluation of a knowledge based tutorial program in rheumatology - a part of mandatory course in internal medicine. In Proc. of 3rd. Int. Conf. on Intelligent Tutoring Systems (ITS-96), Springer, 531-539, 1996.

[19] Towne D.M.: Intelligent Diagnostic Tutoring Using Qualitative Symptom Information. In: Intelligent Tutoring System Authoring Tools, Papers from the 1997 AAAI Fall Symposium, Technical Report FS-97-01, AAAI Press, 1997.

[20] Vassileva J., Deters R.: Dynamic Courseware Generation on the WWW. In: Herzog C. (Hrsg.): Beiträge zum 8. Arbeitstreffen der GI-Fachgruppe 1.1.5/7.0.1 "Intelligente Lehr-/Lernsysteme", TUM-I9736, August 97, Technische Universität München, 1997.