Situationsbasierte Bereitstellung von Lernobjekten mit Hilfe von Case Based Reasoning und Semantic Web Technologien

Diplomarbeit von Oliver Metzlaff

Einleitung:

Lernobjekte sind vielfältig einsetzbar. Ihre primäre Verwendung finden sie in Bereichen des E-Learning, in denen sie die Grundlage von Kursen oder Themenbereichen sind. Andererseits können Lernobjekte auch als Instrument der Wissensvermittlung innerhalb des eigenen Unternehmens eingesetzt werden. Mitarbeiter besuchen Schulungen und Weiterbildungen. Ein Unternehmen muss bestrebt sein, dort erworbenes Wissen im Unternehmen zu erhalten. Lernobjekte stellen ein mögliches Instrument dar, dieses Wissen auch Mitarbeitern zur Verfügung zu stellen, welche die betreffenden Schulungen und Weiterbildungen nicht besucht haben. Wichtigster Punkt ist aber, dass das in Form von Lernobjekten abgelegte Wissen zum einen überhaupt wieder gefunden wird und zum anderen auch in einem gewissen Kontext Anwendung findet.

Diese Arbeit soll Möglichkeiten aufzeigen, Lernobjekte mittels Case-Based Reasoning und Semantic Web Technologien auszuwählen. Schwerpunkt sind also Möglichkeiten der Identifizierung und Zusammenstellung von Lernobjekten unter Berücksichtigung verschiedenster Abhängigkeiten. Dabei soll eine technologische Themensicht vordergründig sein.

Zielsetzung der Arbeit ist die Klärung der nachfolgenden Fragen:

In welchem Umfeld wird eine situationsbasierte Bereitstellung benötigt? Dafür sind zum einen theoretische Lernhintergründe, praktische Einsatzszenarien sowie damit zusammenhängende technische Infrastrukturen zu betrachten. Hinzufügend wird ein Beispielszenario aus der Literatur entnommen, welches als praktischer Hintergrund für die gesamte Arbeit dienen soll.

Welche technischen Möglichkeiten bieten Lernobjekte und welche Ansätze existieren? An welchen Punkten können Lernobjekte technisch erfasst werden und wie erfolgt die aktuelle Auswahl für eine Bereitstellung.

Welche Möglichkeiten bieten sich durch Case Based Reasoning? Ausgehend vom grundlegenden CBR Konzept ist die Anwendung auf den Spezialfall Lernobjektbereitstellung zu überprüfen.

Welche Möglichkeiten bieten sich durch Semantic Web Technologien? In diesem Zusammenhang sind Semantic Web Technologien und deren Anwendung zur Verbesserung und Erweiterung bestehender Ansätze zu betrachten.

Gang der Untersuchung:

Im Anschluss an die Einleitung erfolgt mit Kapitel 2 ein Grundlagenkapitel. Dieses wird begriffliche Festlegungen der Arbeit, deren Einordnung in Lerntheorien und Lernprozesse sowie die technischen Umgebungen, in denen eine Bereitstellung von Lernobjekten von Bedeutung ist, betrachten. Den Rahmen schließt ein Resümee mit einer genauen Themenabgrenzung der Arbeit. In Kapitel 3 werden zum Einen das Konzept der Lernobjekte und zum Anderen der die situationsbasierte Bereitstellung betreffende Stand der Technik dargelegt. Letzteres umfasst sowohl das Aufzeigen von Möglichkeiten der situationsbasierten Bereitstellung über Lernobjekteigenschaften als auch über bestehende methodische Ansätze. Darauf aufbauend werden in Kapitel 4 und 5 die jeweiligen Grundlagen des Case Based Reasoning sowie des Semantic Web erarbeitet und Möglichkeiten zur Verbesserung bestehender Bereitstellungskonzepte identifiziert. Diese werden dann in Kapitel 6 als Ergebnis der Arbeit praktisch innerhalb eines Prototypen angewendet. Außerdem wird in Kapitel 7 ein Ausblick auf weitere Verbesserungen durch Kombination von Case Based Reasoning und Semantic Web Technologien gegeben.

Inhaltsverzeichnis:

	Zusammenfassung	II
	Abstract	II
	Inhaltsverzeichnis	III
	Abkürzungsverzeichnis	VI
	Abbildungsverzeichnis	VII
	Tabellenverzeichnis	VIII
	Listingverzeichnis	VIII
1.	Einleitung	1
1.1	Motivation und Zielsetzung	1
1.2	Systematik	2
2.	Themeneinführung und Einsatzmöglichkeiten	3
2.1	Thematische Begriffsabgrenzungen	3
2.2	Lerntheoretische Einsatzmöglichkeiten	5
2.2.1	Lerntheoretische Ansätze	5
2.2.2	Lernprozesse	8
2.3	Lernumgebungen	10
2.4	Modell des kontextgesteuerten Lernens	12
2.5	Resümee	13
3.	Theorien und Methoden	15
3.1	Einführung und Definitionen von Lernobjekten	15
3.2	Metadatenstandards	18
3.2.1	Generelle Standards	19
3.2.2	Metadaten	20
3.2.3	Lernerorientierte Standards	22
3.2.4	Inhaltsorientierte Standards	23
3.2.5	Managementorientierte Standards	26
3.2.6	Sharable Content Object Reference Model (SCORM)	27
3.2.7	Verwaltung von Metadaten	30
3.2.8	Resümee	31
3.3	Aggregation	32
3.4	Sequenzierungen	35
3.4.1	Theoretische Ansätze	35
3.4.2	Theoretisch orientierte Methoden	37
3.4.3	Praktisch orientierte Methoden	38
3.4.4	Resümee	42
3.5	Resümee zu den existierenden Theorien und Methoden	43
4.	Case Based Reasoning (CBR)	46
4.1	Grundlegende Begriffe des CBR	46
4.2	Funktionsweise von CBR-Systemen	47
4.3	CBR-Technologien	49
4.3.1	Suchtechniken und Ähnlichkeitsmaße	49
4.3.2	Adaption	53
4.3.3	Betrachtung zu Techniken in Revise und Retain	55
4.4	Anwendung von CBR auf die Lernobjektbereitstellung	56
4.4.1	Potentiale zur situationsbasierten Lernobjektbereitstellung	56
4.4.2	CBR im Modell für kontextgesteuertes Lernen	58
4.5	Resümee	59
5	Semantic Web	60
5.1	Grundlegende Begriffe des Semantic Web	60
5.2	Semantic Web Technologien	63
5.2.1	Extensible Markup Language (XML)	63
5.2.2	Ressource Description Framework (RDF)	64
5.2.3	Web Ontology Language (OWL)	66
5.2.4	Resümee	67
5.3	Anwendung von Semantic Web Technologien auf die Lernobjektbereitstellung	68
5.3.1	Potentiale zur situationsbasierten Lernobjektbereitstellung	68
5.3.2	Technische Umsetzungen	69
5.3.3	Ontologien für Lernobjektauswahl	71
5.3.4	Semantic Web Technologien im Modell für kontextgesteuertes Lernen	73
5.4	Resümee	75
6	LO-CBR Prototyp-Implementierung	76
6.1	Anforderungen	76
6.2	Implementierung	78
6.2.1	Bestimmung der Relevanz von Fällen	78
6.2.2	Beispielanfrage zur situationsbasierten Lernobjektauswahl	80
6.3	Resümee	82
7.	Fazit und Ausblick	83
8.	Referenzen	85

Textprobe:

Kapitel 4.3, CBR-Technologien:

Kern des CBR sind die Fälle innerhalb der Fallbasis und deren Anwendung auf aktuelle Situationen. Aus diesem Grund sind Technologien des CBR auch primär in den Phasen Retrieve und Reuse in Form von Suchtechniken und Ähnlichkeitsmaßen vertreten.

Suchtechniken und Ähnlichkeitsmaße:

Innerhalb der Fallsuche werden in kommerziellen Systemen in der Regel die zwei Techniken Nearest-Neighbor Retrieval und Inductive Retrieval verwendet.

Diese beiden Techniken sollen in erster Linie alle Fälle herausfinden, die überhaupt für die Bestimmung eines Ähnlichkeitsmaßes in Frage kommen. Wichtig wird dies unter dem Blickwinkel, dass Ähnlichkeitsbetrachtungen von Natur aus äußerst ineffizient sind, da zumindest bei flacher Fallbasisorganisation alle Fälle betrachtet werden müssen.

Nearest-Neighbor Retrieval. Bei dieser sehr einfachen Technik werden Distanzmaße für die Bestimmung der Ähnlichkeit zu bereits gespeicherten Fällen benutzt. So können beispielsweise zwei Attribute aus dem Index einer Datenbank problemlos als Graph abgebildet werden. Neighbor Methoden nutzen diesen Graph, um eine Liste potentieller Knoten innerhalb des Suchgraphen zu finden, indem sie die Abstände ermitteln.

Ein einfaches Beispiel ist das Abtragen der zwei Attribute in einem zweidimensionalen Koordinatensystem, indem jedes Attribut einer Achse zugeordnet wird. Bei Auftreten einer neuen Situation wird diese in Form ihrer spezifischen Attribute in das Koordinatensystem eingetragen. Durch einfache Distanzbestimmung zu bereits enthaltenen Eintragungen kann der ähnlichste Fall gefunden werden. Die Merkmale können bei Bedarf auch durch Gewichtungen beeinflusst werden.

Inductive Retrieval. Eine zweite Retrieve Technik ist das Inductive Retrieval. Bei dieser Methode wird die Fallbasis mittels induktiver Algorithmen durchsucht. Ziel ist der Aufbau eines Entscheidungsbaumes, der die vorliegenden Fälle klassifiziert.

Zuerst wird eine Baumstruktur anhand der vorliegenden Attribute eines Falles aufgebaut. Dies können im einfachsten Fall alle in einer Datenbank gespeicherten Attribute eines Falles sein. Die Zweige des aufgespannten Baumes bilden, in diesem Zusammenhang, die Attribute ab. Am Ende jedes Zweiges sind dann die zugehörigen Fälle zu finden. Zur Auffindung eines Falles wird der aufgebaute Baum von oben nach unten durchlaufen, und anhand der gewünschten Attribute erfolgt die Auswahl an den Verzweigungen.

Ein mögliches praktisches Einsatzszenario mit Bezug zur hier vorliegenden Arbeit könnte sein, dass der Entscheidungsbaum verwendet wird, um beispielsweise anhand der Lernerwünsche, die die Zweige darstellen, das geeignete Lernobjekt zu einem Thema auszuwählen.

Bei der Baumerstellung ist immer grundlegend, dass es ein Zielattribut gibt, nach dem unterschieden werden soll.

Vorteil des Nearest Neighbor Retrieval ist die sehr leichte Implementierung. Jedem Fall kann ein genaues Distanzmaß zu den in der Fallbasis vorliegenden Fällen zugeordnet werden. Dies ist aber gleichzeitig auch einer der größten Nachteile. Um ein Ähnlichkeitsmaß zu berechnen, muss die Distanz des Zielfalles zu jedem Fall der Fallbasis ermittelt werden. Bei ausreichend großer Fallbasis kann dies sehr schnell ineffizient werden, da die Berechnungen proportional ansteigen. Hinzu kommt der Umstand, dass in der Regel nicht nur ein Attribut in die Berechnung eingeht. Bei 10 Attributen und 100 Fällen müssen somit schon 10x100 Berechnungen durchgeführt werden. Umgehen kann man dieses Problem, indem man einen n-dimensionalen Raum für alle in der Fallbasis gespeicherten Fälle berechnet und diesen als Index nutzt. Für die Zielfälle muss jetzt nur noch deren Position im Raum berechnet werden.

Dieses Vorindizieren, welches für jeden neuen Fall durchgeführt werden muss, benötigt seinerseits aber ebenfalls Rechenzeit.

Auf der anderen Seite muss das Indizieren auch beim Inductive Retrieval durchgeführt werden. Nämlich beim Aufbau des Entscheidungsbaumes, was vor dem eigentlichen Retrieval erfolgt. Allerdings ist der wesentlich größere Nachteil, das Inductive Retrieval nicht unbedingt zu einer Lösung führt. Dies kann eintreten, wenn Falldaten unbekannt oder gar nicht erst vorhanden sind.

Wenn der Faktor Zeit nicht vorrangig ist oder die Fallbasis eine überschaubare Größe hat, kann man durch Einsatz der Nearest Neighbor Technik auf eine Vorindizierung verzichten.

Nach der Vorauswahl kann gefundenen Fällen mittels Ähnlichkeitsmaßen eine Relevanz zugeordnet werden. Zur Bestimmung dieser Ähnlichkeiten werden im Prinzip Berechnungen durchgeführt. Allerdings muss beachtet werden, dass Ähnlichkeiten keine absoluten Maße, sondern immer im Kontext des neuen Falles zu betrachten sind.

Das heißt, dass neben den quantitativen Werten auch immer qualitative Aspekte beachtet werden müssen. Diesem Umstand wird in der Regel durch unterschiedliche Gewichtungen Sorge getragen.

Im Nachfolgenden sollen einige einfache Ähnlichkeitsberechnungen vorgestellt werden, da sie das grundlegende Konzept des CBR darstellen und innerhalb der Implementierung verwendet wurden.

Bei der formalen Repräsentation folge ich der von Beierle vorgeschlagenen. Die Fälle bestehen aus Attribut-Wert-Paaren, und durch Festlegung der Reihenfolge der Deskriptoren entspricht jeder Fall x einem Tupel x=(x1,…,xn) mit xi aus dem Wertebereich des i-ten Merkmals.

Grundlegend wird bei Ähnlichkeiten innerhalb des CBR davon ausgegangen, dass die Ähnlichkeit zweier Fälle durch einen Vergleich der einzelnen Merkmale bestimmt werden kann.

Formal lautet dieser Umstand sim(x,y)=func(sim1(x1,y1),…,simn(xn,yn)) mit x=(x1,…,xn) und y=(y1,…,yn) wobei x und y zwei Fälle darstellen, die simi reelle Funktionen sind, die die Ähnlichkeit des jeweiligen Merkmals bestimmen.

Zu beachten ist, dass die Ähnlichkeiten der einzelnen Merkmale auf einer für alle Deskriptoren einheitlich gültigen Skala gemessen und verglichen werden. Dass heißt, dass ein Ähnlichkeitsmaß von 0,8 für ein Merkmal 1 genau die selbe Ähnlichkeit, wie 0,8 für ein Merkmal 2, bedeuten muss. (In der Regel ist 0,8 eine hohe Ähnlichkeit, welche man bei Normierung zwischen 0 und 1 problemlos auch als prozentual 80% interpretieren könnte.) Hamming-Ähnlichkeit. Das erste Ähnlichkeitsmaß ist recht einfach und für binäre Merkmale grundlegend. Die Annahme ist, dass alle Merkmale nur binäre, also zweiwertige Werte besitzen können. (Also Wertepaare wie wahr/falsch, weiblich/männlich, gut/schlecht und ähnliche.)