Jyväskylän yliopisto
Matematiikan laitos
Jyväskylä
Käsite älykäs opastus (intelligent tutoring) on syntynyt nimenomaan (yleensä jo olemassaolevien) tietojärjestelmien päälle toteutettavien, käyttöä ohjaavien järjestelmien teorian kehittymisen yhteydessä. Näiden järjestelmien perustavoite on helpottaa järjestelmien käyttöä ja tiedonsaantia. Tavoitteeseen pyritään systeemin toiminnan mukauttamisella, aktiivisella tiedonkeräämisellä ja käyttäjän mallinnuksella.
Älykkäillä opasjärjestelmillä tarkoitetaan tavallisesti sellaisia (tietokone)järjestelmiä, joissa yhdistyy koneälyn, simuloinnin ja tietokantojen, erityisesti asiantuntijajärjestelmien piirteitä. Älykkäiden opastusjärjestelmien tulkinta, toiminnan luokittelu ja muoto vaihtelevat kuitenkin suuresti. Yhteistä kaikille kuvasjärjestelmille on kuitenkin tavoite: tiedon älykäs ja joustava esittäminen käyttäjän tai suunnittelijan tarkoitusperien mukaisesti.
Tämä teksti käsittelee erityisesti älykkään opastusjärjestelmän toteuttamiseen vaikuttavia tekijöitä. Teksti jakautuu viiteen selvästi toisistaan poikkeavaan osaan. Aluksi pohditaan älykkään opastuksen ongelmaa yleisesti ja rajataan tavoitteita (Älykkään opastusjärjestelmän toteuttaminen). Sitten tarkastellaan oppimisen ja opettamisen ongelmaa sellaisenaan (Tieto, oppiminen ja opettaminen), esitellään yleisesti joitain tiedon esittämiseen käytettyjä menetelmiä (Tietokannat ja hypertekstiverkot) ja tarkastellaan älykkäiden opastusjärjestelmien toimintaa yleisesti (Älykkäät opastusjärjestelmät). Lopuksi valitaan yksittäinen lähestymistapa ongelmaan (Verkostoon pohjautuva lähestymistapa), muotoillaan ongelman rakenne ja tarkastellaan lyhyesti tämän mallin sisältöä ja toimintaa.
Teksti perustuu osittain allekirjoittaneen yleiseen mielenkiintoon, osittain työhön ja osittain aihetta sivuavaan keskeneräiseen pro gradu -aineistoon. Käytetty kirjallisuus on lueteltu olennaisemmilta osiltaan paperin lopussa. Luku 3 pohjautuu erityisesti lähteisiin [Ent88], [Onn91], [For86], [Lei88] ja [Lei90] ja luku 4 osin lähteisiin [Gon93], [Mcg89], [Lok91] ja [Mck91]. Luku 5 perustuu osin lähteisiin [Wen87], [Suu96], [Hyp90] ja [Hyv93] ja luvun 6 kappaleen 6.1. määritelmät esitetään lähteen [Ber91] merkintöjen mukaisesti. Suoria kirjallisuusviitteitä ei esityksen suoruuden takia esitelmän tekstiluvuissa käytetä.
Älykkään opastusjärjestelmän toteuttaminen vaatii käytännössä usean eri tieteenalan yhteensulautumista. Olemassaolevien menetelmien riittämättömyys pakottaa rajamaan yleistä ongelmaa tehtäväkentän mukaisesti. Tämä lähestymistapa johtaa käytännössä voimakkaasti erikoistuneiden järjestelmien toteutukseen.
Älykkään opastusohjelman toteuttaminen on helppoa. Tarvitsee vain kuvata ja toteuttaa käytännössä järjestelmä, joka mielekkäällä tavalla osaa ohjata tiedonhakua ja tehostaa oppimista. Järjestelmän tulee olla sellainen, että kuka tahansa osaa sitä käyttää ja niin mukautuva, että se kykenee toimimaan minkä aihepiirin parissa tahansa. Sen tulee pystyä tarjoamaan vaihtoehtoja ja ohjaamaan tiedonhakua täsmällisesti kuitenkaan käyttäjän omia tarkoitusperiä kahlitsematta. Järjestelmän pitää pystyä laatimaan tiivistelmiä käsiteltävästä aiheesta ja toimia koko ajan kärsivällisesti käyttäjän ja tämän määrittelemien tavoitteiden pohjalta. Järjestelmän tulee olla kannustava, motivoiva ja henkilökohtainen. Ja sillä pitää olla kiva nimi.
Tämä kaikki ei tietenkään vielä yksin riitä. Järjestelmän tulisi vielä olla niin nopea, siirrettävä ja halpa toteuttaa, jotta sillä olisi loppujen lopuksi jotain käytännön merkitystä. Suotavaa olisi myös, mikäli kyseisen järjestelmän toiminnasta olisi olemassa jo jotain seuranta- tai tutkimustuloksia, jotta siitä saatavaa todellista hyötyä voitaisiin kriittisen tieteellisesti arvioida.
On ilmeistä, ettei ylläkuvan järjestelmän toteuttaminen minkään oleellisen ylläannetun kriteerin valossa ole mahdollista. Yleisen opastusohjelman sisältö, sellaisena kuin se optimistisimpien arvioiden mukaan joskus on kuvattu, on niin laaja, että järjestelmän toteuttaminen vaatisi käytännössä ihmisenkaltaisen keinotekoisen järjestelmän rakentamista. Älykkäiden opastusohjelmien kehitys onkin kulkenut suurelta osin käsi kädessä nimenomaan tekoälytieteiden kehityksen kanssa. Tämä näkyy myös järjestelmien suosion vaihteluina eri aikoina. Vasta asiantuntijajärjestelmien aseman vakiintuminen (taloudellisesti kannattavana) tekoälyn sovellusalueena on antanut ensimmäisille opastusjärjestelmille niiden selkeästi tunnistettavan muodon. Nykyisten älykkäiden opastusjärjestelmien teorian pohja onkin pääosin muotoiltu juuri asiantuntijajärjestelmien ja niiden perusideologian keinoin.
Viime aikoina hypertekstin ja hypermedian käsitteet ovat tuoneet älykkäiden opastusjärjestelmien kysymykset uudelleen ajankohtaisiksi. Vapaasti jaetun informaation suuri määrä ja visuaalisuus tarjoavat luonnollisen käyttökohteen älykkään opastuksen (ja miksei yksin älykkäiden käyttöliittymien) toiminnalle. Hypertekstimuotoinen, löyhästi assosiatiivinen pieniin osiin jaettu tieto saattaa sellaisenaankin olla kohtuullisen hyvä lähtökohta tekoälyjärjestelmien toiminnalle.
On kuitenkin syytä huomata, että vaikka virhediagnostiikka ja tietokoneavusteinen opetus ovatkin kenties älykkään opastuksen tärkeimpiä sovellusalueita, kelpaa malli periaatteessa mihin tietojenkäsittelyyn tahansa. Älykäs tiedonhaku ja työohjaus puolustavat paikkaansa nykyään kaikkialla. Järjestelmien kehitys tulee todennäköisesti piilottamaan nykyiset näkyvät käyttöliittymät osaksi itse opastuksen kohdejärjestelmiä. Tieto ja tietämys sulautetaan osaksi laitteita ja työtehtäviä. Optimitilanne onkin järjestelmien luonnollinen käyttö juuri siellä missä niitä tarvitaan, siinä muodossa kuin se kulloinkin on tarkoituksenmukaisinta.
Rajoitteita ovat kuitenkin edelleen ihmisen toiminnan ymmärtämisen ongelma ja inhimillisen tiedon esittämisen vaikeus. Koska laajojen kokonaisuuksien sisällöllinen esittäminen ja tulkitseminen sellaisenaan tietojärjestelmissä on havaittu mahdottomaksi, on käytännössä päädytty tapauskohtaisiin älykkäiden opastusjärjestelmien toteutuksiin. Erikoistuminen on johtanut toisaalta usean eri tekoälyn osa-alueen rinnakkaiseen kehitykseen, toisaalta samalla tiedon pirstoutumiseen eri tieteentekijöiden piireissä.
Älykkäiden opastusjärjestelmien kohdalla tavoitteiden selkeä asettaminen on syytä tehdä kohtalaisen realistisin oletuksin. Koska ongelmanasettelussa järjestelmien käytännön rajoitteet tulevat usein merkitseviksi, on näiden rajoitteiden tiedostaminen tehtävän määrittämisen olennainen osa. Opastusohjelmien perusongelmana on aina annetun tiedon esittäminen järjestelmässä ja käyttäjän toimintojen ja tavoitteiden totuudellinen arviointi. Yleensä älykkäiden opastusjärjestelmien toteuttaminen onkin nimenomaan juuri näiden ongelmien parissa työskentelemistä.
"It is hard to be brave," said Piglet, sniffing slightly, "when you're only a Very Small Animal." Rabbit, who had begun to write very busily, looked up and said: "It is because you are a very small animal that you will be Useful in the adventure before us." Piglet was so excited at the idea of being Useful that he forgot to be frightened any more and when Rabbit went to say that Kangas were only Fierce during the winter months, being at other times of an Affectionate Disposition, he could hardly sit still, he was so eager to begin being useful at once.
"What about me?", said Pooh sadly. "I suppose I shan't be useful?" "Never mind, Pooh", said Piglet comfortingly. "Another time perhaps." "Without Pooh," said Rabbit solemnly as he sharpened his pencil, "the adventure would be impossible." "Oh!" said Piglet, and tried not to look disappointed. But Pooh went into a corner of the room and said proudly to himself, "Impossible without Me! That sort of Bear."
(Benjamin Hoff: The Tao of Pooh & The Te of Piglet: That Sort of Bear.)
Kun tarkastellaan aloja, joissa useiden eri tieteenalojen ja näiden osa-aluiden osaaminen ja mielenkiinto yhtyvät, törmätään väistämättä tilanteeseen jossa käytetyn kielen merkitys korostuu. Tämä näkyy helposti jo esimerkiksi tieto- ja tietämystekniikan yhteydessä. Tiedon esitystavan valintaan vaikuttavan tietomallin muotoileminen saattaa aiheuttaa ongelmia käytännössä vakiintuneiden, toisistaan poikkeavien ja vivahde-eroja sisältävien näkemysten takia. Siinä missä tietokantasuunnittelija puhuu hierarkisista malleista, verkkomalleista ja relaatiomalleista, asiantuntijajärjestelmän suunnittelija näkee assosiatiivisia kehyksia, verkkoja ja objekteja. Kun tietokantasuunnittelja suorittaa relaatiotietokannan normalisoinnin, asiantuntijajärjestelmän vastaava hahmottelee jo opportunismiin perustuvaa blackboard-systeemiään. Ja matemaatikko, fyysikko, ohjelmoija ja opettaja seuraavat vierestä ja kiistelevät siitä, mitä vektorin käsite käytännössä oikein tarkoittaa.
Kuvattu tilanne on tietenkin kärjistetty esitys todellisuudesta, mutta vastaavantyyppistä alakohtaista kielilläpuhumista esiintyy kaikissa tieteenaloissa niin matematiikan, kasvatustieteiden kuin puhtaasti tietoteknisten tieteidenkin piirissä. Helppoa ratkaisua ongelmaan ei nähtävästi ole olemassa. Jo perustavaa laatua olevat erot tiedon ja tiedonhankinnan käsitteiden ymmärtämisessä heikentävät täydellisen käsitemaailman yhteensulautumisen mahdollisuutta.
Tarkoituksenmukaista on tarkastella alan kirjallisuutta kriittisin silmin olennaiseen keskittyen. Tekoälytieteiden painotukset vaihtelevat suuresti tulkitsijan omasta erikoisalasta riippuen. Alalle luonteenomaista on kuitenkin poikkitieteellisyys. Ihmisen kanssa vuorovaikuttavia tekoälyjärjestelmiä ei voi ymmärtää yrittämättä ymmärtää jotain niin ihmisestä, tietämystekniikasta kuin tietotekniikastakin.
Seuraavassa tarkastellaan ensin tietoa opetuksen ja ihmistieteiden näkökulmasta ja sitten läpikäydään lyhyesti joitain tiedon rakenteiseen esittämiseen liittyviä malleja.
Oppiminen on monimutkainen aikaan ja paikkaan sidottu tapahtuma. Oppimiseen liittyy aina suuri ja usein vaikeasti tunnistettavissa oleva joukko toisiinsa vaikuttavia tekijöitä. Yksilön aikaisempi tietämys, mieltymykset, mielentila sekä sosiaaliset suhteet vaikuttavat suuresti oppimiseen ja itse oppimistapahtumaan varsinaisen opetettavan asian ja opetusmenetelmiän lisäksi. Näiden tekijöiden luokittelu ja analysoiminen on yhdessä muistin toiminnan selittämisen kanssa yksi opetusjärjestelmien suunnittelun keskeisimpiä lähtökohtia. Koska oppimisen ongelma on muodoltaan ja sisällöltään erittäin laaja-alainen ja liittää yhteen useiden eri lähtökohtien ja tieteenalojen teoriaa, tyydytään seuraavassa kuvailemaan vain joitain yksittäisiä muistiin ja oppimiseen liittyviä peruskäsitteitä.
Yleisellä tasolla ihmisen toimintaa ympäristönsä informaation varastoijana voidaan muistin mekansimien näkökulmasta havainnollistaa kuvan 3.1. kaltaisella yksinkertaistetulla esityksellä.
Muistaminen on monien tekijöiden yhteisvaikutuksesta aiheutuva prosessi, jonka eri tekijöiden toimintaa ei kunnolla vielä tunneta. Muistamista ja mieleenpalauttamista tehostavia tekijöitä ovat tyypillisesti henkinen vireys, motivaatio ja vastaavantyyppisen tietämyksen aikaisempi osaaminen. Vaikka ihmisen muistin rakennetta ei täysin tunnetakaan, vallitsee kohtuullinen yksimielisyys siitä, että muisti on voimakkaasti assosiatiivinen järjestelmä, jossa tietoa prosessoidaan muiden muistiin talletettujen tietojen avulla. Tämä näkyy erityisesti oppimisessa opetettavan asian esillepanon ja järjestyksen merkityksen korostumisena.
On hyvä pitää mielessä, että oppimisessa on tavallisesti kyse suoraviivaista muistamista laajemmasta tapahtumasta. Oppiminen on nimenomaan kokonaisvaltainen prosessi, jossa tiedon muistamisen lisäksi tarvitaan monia tiedon yhdistämiseen, järjestämiseen, yleistämiseen ja lopulta toteuttamiseen tarvittavia toimintoja.
Ihminen hankkii tietoa ensisijaisesti vuorovaikuttamalla häntä välittömästi ympäröivän maailman ja ihmisyhteisönsä kanssa. Tämä jatkuva aistien tuottaman informaation ja omien toimintojen välinen vuorovaikutus muuttaa yksilön minä- ja maailmankuvaa. Puhtaiden astihavaintojen ja päälle rakentuva, monimutkainen tietoa järjestävä ja selittävä järjestelmä toimii kuitenkin eri yksilöillä eri tavoin. Maailmaa ja sen toimintoja ymmärretään eri tavoin. Eri yksilöiden kullekin ominaiset, toisistaan poikkeavat tavat tulkita annettua kaikille yhteistä informaatiota antavat aiheen jaotella tiedonhankintaprosesseja eri yksilöiden välillä.
Tietoteoriassa erotetaan kolme toisistaan selkeästi eroavaa tiedonhankinnan tapaa. Näitä ovat aistien välityksellä tapahtuva tiedonhankinta, järkeilyyn perustuva tiedonhankinta ja tunteeseen perustuva tiedonhankinta (taulukko 3.2.).
Lähestymistapa
|
Perusta
|
Menetelmä
|
| empiirinen
|
havainnot
|
induktio
|
| rationaalinen
|
etukäteinen
(a priori) tieto
|
deduktio
|
| metaforinen
|
subjektiivinen
intuitio
|
abduktio
|
Yleensä eri tiedonhankintamenetelmillle käytetään nimityksiä empiiriset, rationaaliset ja metaforiset (noeettiset) tiedonhankintamenetelmät. Perusero eri menetelmien välillä muodostuu siitä, miten tieto ymmärretään. Aistien ja konkreettisten toimintojen välityksellä suoritettava, maailman ja tiedon olemusta empiirisesti lähestyvät malli on tyypillisimmillään vallitseva kokeellisissa luonnontieteissä kuten fysiikassa ja biologiassa. Rationaalisia teoriaan ja etukäteisiin aksiomiin perustuvia tieteitä ovat esimerkiksi matematiikka ja teoreettinen fysiikka. Metaforiset mallit puolestaan ovat voimakkaasti esillä sellaisilla aloilla, joissa tiedon ja tiedonhankinnan täsmällinen esittäminen tai tietämyksen syy ja seuraus -ketjun osoittaminen on ongelmallista. Tällaisiksi aloiksi mielletään yleensä humanistiset tieteet ja erityisesti taiteet.
Tiedonhankinnan menetelmien valinnassa voidaan erottaa kolme pääsuuntausta. Näitä ovat positivistiset menetelmät, tulkitsevat menetelmät ja emansipatoriset menetelmät (taulukko 3.3).
Menetelmä
|
Tavoite
|
| positivistinen
|
Yleistettävä
objektiivinen tieto ilmiön kuvaamiseksi tai selittämiseksi.
|
| tulkitseva
|
Toimintojen
mielekkyyden ymmärtäminen (ja ihmisen itsensä
ymmärtäminen hänen nykyisessä
elämäntilanteessaan) joko yhteisöllisestä tai
yksilöllisestä näkökulmasta.
|
| emansipatorinen
|
Raivata
esteet uudistuksen tieltä käytännössä ja teoretisoida
käytäntöä sellaisenaan.
|
On syytä korostaa, ettei tiedon- ja tiedonhankinnan eri tietoteoreettisiin luokitteluihin sinänsä liity mitään arvottamista. Tiedon ja tieteiden arvostus on erityisesti kulttuuriin, arvoihin ja maailmankatsomukseen liittyvä ominaisuus. Teollistuneiden yhteiskuntien taloudelliset tehokkuuspyrkimykset tosin hämärtävät helposti ennakkoluulotonta suhtautumista tiedonhankintaan. Positivismi on käytännön hyötynäkökohtien kautta osoittautunut tehokkaaksi tavaksi ymmärtää ja hyväksikäyttää tietoa. Tämä ei kuitenkaan saisi nostaa positivismin arvoa sinänsä, koska kyse on nimenomaan arvojen valinnasta.
Eri yksilöt hankkivat tietoa eri menetelmin, jopa saman tiedonhankinnan jaotteluluokan (empiirinen, rationaalinen, metaforinen) sisällä. Tiedonhankinnan tyylillä tarkoitetaan sitä tavallisesti yksilölle rutiininomaista lähestymistapaa ongelmanratkaisussa ja tiedonhankinnassa. Tiedonhankinta voi olla systeemaattista tai näennäisen satunnaista.
Tiedonhankinnan tyylien lisäksi käytössä on myös oppimistyylin käsite. Oppimistyylien luokitteluun ja itse käsitteen tulkinnan peruslähtökohtien muotoilemisessa on käytössä useita eri kuvastapoja. Lähestymistavoiksi eri tyylijärjestelmille tunnistetaan episteemiset tyylit, oppimistyylit, kognitiiviset tyylit ja strategiat. Yleistäen voitaneen sanoa, että tiedonhankinnan tyylillä ja siten oppimistyylillä tarkoitetaan yksilön omakohtaista tapaa lähestyä ja jäsentää ja käsitellä oppimiskohdetta. Eri tyylien kuvausjärjestelmät tarkastelevat tätä samaa prosessia eri näkökulmista. Episteemiset tyylit kohdistuvat yksilön yleisiin tapoihin rakentaa maailmankuvaa, oppimistyylit liitetään tavallisesti nimenomaan kasvatustieteiden oppimisen lähestymistapohin, kognitiiviset tyylit tarkastelevat yksilöä.informaation prosessoijana ja strategiat tarkastelevat puolestaan rajatun ongelmakentän sisällä tapahtuvaa ongelmanratkaisua.
Tiedonhankinnan tyylin tiedostamisesta ja tunnistamisesta (metakognitio) voi olla merkittävää hyötyä käytännön oppimisen kannalta, koska oppiminen on tehokkainta jokaiselle ominaisen tyylin menetelmin. Tiedonhankinnan yksilöllisen tyylin merkityksen ymmärtäminen on siten tärkeää myös opettamisessa.
Opettamisella tarkoitetaan tavallisesti tiedonvälittämistä jonkin etukäteisesti valitun, harkitun lähestymistavan mukaisesti. Opetuksen keskeisimpiä komponentteja ovat sisältö ja muoto, eli mitä opetetaan ja miten tämä tehdään.
Opetusjärjestelmän muodon valinta heijastelee väistämättä opettajan tai opetusjärjestelmän suunnittelijan käsityksiä tiedosta ja sen välittämisestä. Opetuksen suunnittelua tarkastellaan tavallisesti ns. opetuksen mallien avulla. Yleisesti tunnustettuja opetuksen eri malleja ovat erilaiset informaation prosessointimallit, henkilökohtaiset mallit, sosiaaliset mallit ja behvioristiset mallit.
Informaation prosessointimallit tulkitsevat yksilöä voimakkaasti tiedon tarpeellisuuden kautta. Malleissa tiedonhankinnan motiivi ja taidot ovat korostuneessa asemassa. Henkilökohtaisissa malleissa painotetaan tiedon yksilöllisyyttä, sosiaalisissa malleissa yksilöä yhteisön osana. Aikaisemmin vallalla ollut ehdollistumisen ärsyke-vaste -ajatteluun perustuva behaviorismi on puolestaan jäänyt nykyaikaisessa opetuskäytännössä virallisesti jo hieman vanhentuneeksi. Erillisten opetusmallien sijaan nykyään puhutaan usein yleisemmistä kognitiivisista malleista, joissa opettaminen nähdään aikaisempaa vaikeammin jäsenneltävänä oppimisen, muistamisen ja ongelmanratkaisun kokonaisuutena.
Opetuksen mallin valinta, olipa se sitten tietoista tai ei, näkyy käytännössä myös opetukseen valitun vuorovaikutuksen muodossa ja saadun palautteen sisällön tulkitsemisessa. Siinä missä sosiaalisesssa mallissa painotetaan opetuksen ongelmanratkaisun ja siten oppimiseen liittyviä ryhmän ja yhteisön sosiaalisia suhteita, behaviorismissa keskeistä on yksilön saamien ärsykkeiden (opetuksen) huolellinen kontrollointi ja suoritusta seuraava, ennaltasovittuja tarkoitusperiä vahvistava palkitseminen.
Kasvatustieteessä keskeisimmiksi suuntauksiksi ymmärretään behaviorismi ja kognitiivinen psykologia. Kannustavan behaviorismin idea on nykyaikaisessa koulumaailmassa toistaiseksi ollut palautteenantamisen perusmalleja. Tämä näkyy erityisesti valitun arvosteluasteikon oikein/väärin -vastakkainasettelussa. Taustalla näkyy voimakas tiedon positivistinen tulkinta: tieto voidaan esittää jäsentyneessä muodossa ja tiedolla on aina jokin (tavallisesti taloudellinen vastine) todellisuudessa.
Nykyaikaisessa oppimiskäsityksessä korostetaan nimenomaan sitä, että oppiminen on aktiivista, opiskelijalähtöistä tiedon hankkimista. Tärkeää on se, mitä opiskelija tekee oppimistilanteessa. Termin opiskelija rinnalle onkin noussut yksilön opiskelemisen tiedostetusti aktiivisempaa roolia kuvaavan oppijan käsite. Tämä suuntaus näkyy erityisesti avointen oppimisympäristöjen perusperiaatteiden taustalla. Opetuksen tulee opetussuunnitelmassa annettujen tavoitteiden lisäksi nimenomaisesti huomioon myös opiskelija ihmisenä. Tämä korostuu erityisesti opetusmenetelmän ja opetuksen mallin valinnassa. On tärkeää kiinnittää huomiota siihen, miten oppija lähestyy tehtävää, toisin sanoen mitä tehtävä merkitsee hänelle ja missä tarkoituksessa hän pyrkii sen suorittamaan.
Automaattisen tietojenkäsittelyn perusidea on tiedon ja sen käsittelymenetelmien rakenteinen esittäminen. Periaatteessa kaikki tietotekniikan (ja miksei yleisemmin diskreetin matematiikankin) muodot voidaan pelkistää logiikkaan ja abstraktiin joukko-oppiin. Tämä ei sinänsä ole mikään ihme, onhan kaksiarvoinen logiikka (erityisesti lausekalkyylin syntaksi) osaltaan ollut nykyaikaisten tietokonejärjestelmien suunnittelun lähtökohtana.
Tietotekniikassa tiedon tallettaminen ja sen käsitteleminen suoritetaan perusmuodossaan tavallisesti jotain tunnettua, kohtuullisen yksinkertaista tiedon esitysmuotoa hyväksikäyttäen. Tiedon suoraviivainen taulukointi kaikessa yksinkertaisuudessaan on tehokas ja käyttökelpoinen tiedon esitysmuoto. Yleensä talletettava tieto ei kuitenkaan ole erillisten sirpaleiden kokoelma. Juuri talletettavan aineiston merkityksen huomioiminen onkin yksi älykkään tietojenkäsittelyn perusideoita.
Tietokanta voidaan esittää ositettuna, ennaltasovitun merkitsemistavan mukaisena rivimuotoisena taulukkona. Taulukon rivit muodostavat tietokannan tietueet ja riveillä esiintyvät kenttätiedot kunkin tietueen attribuutit. Jokaiseen tietueen kenttään liitetään myös kyseisen attribuutin arvoalue ja arvon puuttumisen symboli. Tietokannan tietueet ja näiden attribuutit nimetään sovellusalueen mukaisesti. Tietokantaan talletettu tieto sovitaan tietueiden attribuuttien arvoiksi.
Tietorakenne tulkitaan relaatiotietokannaksi silloin kun tietokantaan liitetään yksi tai useampia valideja relaatioita. Relaatiot yhdessä tietokannan osituksen kanssa mahdollistavat laajennettujen tietokantaoperaatioiden käytön tavanomaisten tietokantojen lisäys-, poisto-, ja hakutoimintojen lisäksi. Relaatiokäsitteen mukanaantuomia laajennettuja ominaisuuksia ovat valinta, projektio ja yhdiste.
Käytännössä hyvän relaatiotietokannan muodostaminen annetusta datasta voi olla hankalaa yksinkertaisen, suoran tietokannan kokoamiseen verrattuna. Koska relaatiotietokannat ovat kuitenkin osoittautuneet käyttökelpoisiksi tiedonkäsittelyn työvälineiksi, on relaatiotietokantojen muodostamisen avuksi kehitetty erilaisia tietokantojen normalisointimenetelmiä. Näissä tavoitteena on jakaa yksinkertainen, suora tietokanta relaatioihin siten, että systeemin ilmaisuvoima, kenties tietokannan osittelun komponenttien lukumäärän kustannuksellakin, lisääntyy.
Relaatiotietokannat ovat omimmillaan suurten, luettelomaisten tietomäärien varastoinnissa ja ylläpitämisessä. Tietokantojen käyttöliittymät pohjautuvat tyypillisesti paperiarkistoinnin analogioihin, mikä heijastuu myös tietokantojen käyttötekniikoissa.
Modernien tietokantaohjelmistojen teknisen suunnittelun taustalla ovat usein olleet avointen ohjelmointiympäristöjen ideat. Ohjelmointikäyttöliittymien ja erilaisten kyselykielien jatkuva kehitys on mahdollistanut relaatiotietokantojen joustavan yhteenliittymisen käytännössä lähes minkä muun sovellusohjelmatyypin kanssa tahansa. Suuntaus relaatiotietokantojen käyttöön ei tosin aina ole pelkästään positiivista. Relaatiotietokantojen yksioikoinen käyttö suoraviivaisten tietorakenteiden hallitsemisessa lisää usein sovelluksen mutkikkuutta ja siten tarpeettomasti hidastaa sen toimintaa.
Relaatiomalli ei tosin suuresta suosiostaan huolimatta ole ainoa tietorakenteiden hallintajärjestelmien muotoa kuvaavista tietomalleista. Muita yleisesti erotettavia tietomalleja ovat hierarkinen malli ja verkkomalli (kuva 4.1.).
Hirarkisessa mallissa tieto kootaan puumaiseksi rakenteeksi. Sisällöllisesti aineisto voidaan jaotella vaikkapa kehys- tai objektiajattelun mukaisesti toisiaan täydentäviksi osiksi, jossa puun alempi haara sisältää aina ylemmän haaran ominaisuuksia. Toinen vaihtoehto voi olla esimerkiksi yksinkertainen hierarkinen tulkinta: ylempi haara dominoi alempiaan.
Verkkomallissa tieto kootaan erillisiksi palasiksi ja palaset yhdistetään kokonaisuudeksi tätä tehtävää varten määritettyjen osoittimien avulla. Verkkomalli on tavallaan hierarkisen mallin yleistys. Tietoa voidaan myös jaotella osiin esimerkiksi erilaisten semanttisten ja syy ja seuraus -ketjujen perusteella. Verkkomalli tukee suoraan tiedon voimakasta hajauttamista. Useat käytännön laitejärjestelmät toimivat suoraan jo fyysisen sijoittelunsa takia verkkomallin mukaisesti.
Tietokantojen luokittelu täsmälleen tiettyä mallia mukaileviksi järjestelmiksi on tietenkin mahdotonta. Erityisesti on syytä huomata erot tietokantojen ulkoisen ja fyysisen tason välillä. Relaatiomallia toteuttava tietokanta voidaan hyvin toteuttaa (ja suurten tietomäärien tapauksessa tyypillisesti toteutetaankin) tiedostotasolla tiedon hierarkisen jaottelun periaatteen mukaisesti. Vastaavasti verkkomallissa tietoa tyypillisesti kehystetään tavalla tai toisella, mikä johtaa helposti relaatiotietokantaa vastaavaan tiedon tietueensisäiseen esitystapaan.
Hypertekstillä tarkoitetaan tavallisesti verkkomallin mukaisesti koottua tietokokonaisuutta. Hypertekstissä tiedon ajatellaan jakautuvan karkeasti kahteen osaan: runkotekstiin ja linkkeihin. Runkoteksti määrittää esitettävän asian sisällön, linkit eri asioiden välisen riippuvuuden (kuva 4.2).
Hypertekstin runkotekstin ja linkkien keskinäinen suhde on erittäin vapaasti määritetty. Linkit määritellään kuitenkin tavallisesti assosiatiivisesti siten, että "lähellä toisiaan" olevat asiat yhdistetään linkillä. Toinen vaihtoehto voi olla vaikkapa tiedon esityksen asteittainen tarkentaminen. Mitään yleistä sääntöä ei ole olemassa. Tämä on tiedon luokittelun kannalta ongelmallista, koska jokainen suunnittelija joutuu periaatteessa kehittämään tiedon järjestämiseen oman menetelmänsä.
Hypertekstidokumentti on muodoltaan usein tavallisen lineaarisen dokumentin kaltainen sillä erotuksella, että teksti sisältää linkkejä dokumentin muihin osiin tai kokonaan eri dokumentteihin. Linkit voivat olla käyttöliittymän kiinteä osa tai linkkejä voidaan korostaa sovitulla merkinnällä runkotekstin seasta.
Hypertekstin käsitteen luonnollinen laajennus, hypermedia laajentaa runkotekstin ideaa ottamalla mukaan kuvamateriaalia, ääntä ja vuorovaikutteisia komponentteja. Muutos kohdistuu tällöin nimenomaan tarjotun materiaalin valikoimaan, ei niinkään välitettävän aineston rakenteeseen.
Jaottelu perinteisten tietokantojen ja hypertekstiverkkojen välillä ei kuitenkaan ole täysin selkeä. Monipuolisten relaatiomääritysten avulla tavallisten tietokantojen tietoa voidaan muotoilla siten, että periaatteessa päädytään tiedon hypertekstimuotoiseen esitykseen. Vastaavasti hypertekstiverkko voidaan pelkistää puumaiseksi rakenteeksi, jolloin se oleellisesti vastaa yksinkertaista hierarkista tietokantaa. Toisaalta verkkomalli vastaa lähes sellaisenaan hypertekstin perusideaa. Tiedon esitystapojen erilaiset lähtökohdat eri malleissa ovat kuitenkin selkeät: siinä missä tietokantajärjestelmät luetteloivat tietoa erilaisten kehysten avulla, pyrkivät hypertekstiverkot eroon koko kehysajattelusta tavoitteenaan tiedon selkeä assosiatiivinen esitysmuoto.
Erot näkyvät tavallisesti eri järjestelmien toteutustekniikoiden ja käyttötapojen eroavaisuutena. Tietokannat toteutetaan tyypillisesti siten, että peruskäytön annettujen tietokantaoperaatioiden (erityisesti lisäys, haku ja raportointi) nopeus maksimoituu. Hypertekstiverkot nähdään puolestaan lähes pääsääntöisesti varsin staattisina, tietoa visuaalisesti esittävinä järjestelminä. Hypertekstiverkkojen suoraviivaisen toteutuksen yksinkertaisuuden takia varsinaiset, erityisesti datan assosiatiivisuuteen perustuvat toiminnot ovat, ehkäpä itse navigointia lukuunottamatta, jääneet lapsipuolen asemaan. Hyperteksin navigoinnin perusongelmat (tiedon merkitys, eksyminen, rinnakkainen tieto) ovat saaneet tietokoneverkkojen voimakkaan kehityksen ja samalla tapahtuneen popularisoitumisilmiön myötä runsaasti huomiota osakseen.
Tietojärjestelmien luokittelu tietokanta- ja hypertekstitoteutusten piiriin tehdään tavallisesti järjestelmän ensisijaisten käyttö-, erityisesti hakuominaisuuksien perusteella. Toteutuksia, joissa haku perustuu laajamittaisiin kyselykieliin ja automatisoituun hakuautomaattiin, nimitetään tietokantamuotoisiksi järjestelmiksi ja toteutuksia, joissa lopullisen haun verkon solmuja pitkin navigoimalla suorittaa ihmiskäyttäjä, hypertekstijärjestelmiksi. Hypertekstijärjestelmissä navigoinnin alkusolmu valitaan tavallisesti perinteisen asiasanahaun (opastusjärjestelmät) tai vaikkapa ulkopuolisen järjestelmän signaalin seurauksena (virhetilanteiden diagnosointi ja korjaaminen).
Tärkeänä erona erityyppisten järjestelmien välillä on järjestelmän suorittaman hakupolun näkyvyys (kuva 4.3.). Puhtaissa tietokantajärjestelmissä haun tulos on periaatteessa irrallaan muusta aineistosta, hypertekstijärjestelmissä haun lopputulokseen johtanut hakupolku liittää tuloksen ainakin osittain asiayhteyteensä. Juuri tästä syystä hypertekstijärjestelmät ovat saavuttaneet suuren suosion erilaisten opastus- ja diagnostiikkajärjestelmien alueella.
Pelkän taulukkomuotoisen tiedon ongelma on kuitenkin tiedon sisällöttömyys tietoa tarjoavan järjestelmän kannalta, olipa tieto esitettu sitten tietokantamallien tai hypertekstin ideologioiden mukaan. Pelkkä tiedon sijoitusvarasto on yleisessä tapauksessa varsin riittämätön apu tiedon tarvitsijalle, varsinkin jos tietoa on huomattavan paljon eikä käyttäjällä ole tiedon sisällön tulkitsemiseen vaadittavaa aikaa tai näkemysta.
Parannuksena tähän puutteeseen voidaan esittää järjestelmää, joka annetun tiedon lisäksi pyrkii taltioimaan ja esittämään jotain myös tiedon merkityksestä ja käytöstä. Tietämystekniikan käsitteen (knowledge engineering) yleistymisen myötä erilaiset asiantuntijajärjestelmät ovat osoittautuneet hyväksi menetelmäksi talletetun tiedon käytettävyyden parantamisessa.
Asiantuntijajärjestelmän idea perustuu käsiteltävän alan asiantuntijan, ekspertin tietämyksen hyödyntämiseen. Ekspertillä tarkoitetaan tässä ihmistä, jolla on yleensä johonkin varsin suppeaan alaan liittyvä vahva tietämys ja "näppituntuma" käytännön ongelmien ratkaisemisessa. Tarkasteltavalla alalla ei sinänsä ole tässä mitään merkitystä, olennaista on vain se että tietämys voidaan jollain sopivalla, rakenteisella tavalla.
Asiantuntijajärjestelmistä tunnistetaan tavallisesti toisistaan selkeästi eroavia komponentteja (kuva 4.4). Järjestelmän rungon muodostavat päättelykone ja tietämyskanta. Osaaminen talletetaan yleensä faktojen ja jos-niin -tyyppisten päättelysääntöjen avulla. Tämä mahdollistaa sen, että asiantuntijajärjestelmä pystyy tieto- ja tietämyskantansa perusteella vastaamaan yksinkertaisiin aihepiirinsä kysymyksiin miksi ja miten. Sääntöjen avulla järjestelmän pystyy periaatteessa myös tietokantansa faktoihin vedoten perustelemaan vastauksensa. Sääntöihin on mahdollista liittää myös epävarmuustekijöitä, joiden avulla vastausten oikeellisuutta voidaan epätäsmällisen informaation tapauksessa arvioida.
Oleellista asiantuntijajärjestelmien tapauksessa on tietämys- ja tietokannan vaihtamisen mahdollisuus. Näin saman päättelykoneen ja käyttöliittymän avulla on periaatteessa mahdollista toteuttaa usean eri alan asiantuntijajärjestelmiä. Tämä on johtanut yleisten asiantuntijajärjestelmäkehittimien ilmaantumiseen minkä seurauksena asiantuntijajärjestelmien kehityskenttä on hiljalleen irronnut ohjelmointiteknisen ongelmanratkaisun piiristä abstraktimman tietämystekniikan ongelmanratkaisun pariin.
Ajatus tietämyksen muodostavan komponentin helposta vaihtamisesta on johtanut myös asiantuntijajärjestelmien tapauksessa työtauluarkkitehtuurien (blackboard systems) syntymiseen (kuva 4.5). Näissä samaa ongelmaa ratkomaan asetetaan periaatteessa useita rinnakkaisia eri alojen asiantuntijajärjestelmiä. Järjestelmät liittävät oman ehdotuksensa työstettävään ongelmaan parhaakseen katsomallaan hetkellä vieden työtä aina omalta osaltaan eteenpäin. Työn eteneminen perustuu työryhmän toiminnan ideaan: yhden asiantuntijan työpanos omalla erikoisalueellaan saattaa edistään toisen kykyä ratkoa samaa ongelmaa omalta osaltaan jne. Toimintaa ohjaa erillinen koordinaattori, joka sallii vain yhden asiantuntijajärjestelmän (tietämyslähteen) toiminnan kerrallaan.
Asiantuntijajärjestelmien suurimpia puutteita ovat selitysmekanismin jäykkyys ja toiminnan hidastuminen päättelysääntöjen lukumäärän ja tietokannan kasvaessa. Järjestelmät eivät myöskään mukaudu käyttäjän tietoihin, vaan vaativat yleensä kohtuullisen paljon vastaavan alan tuntemusta ennenkuin pätevien kyselyjen tekeminen on mahdollista.
Esitettävän tiedon käytettävyyden pararantamiseksi on käyttäjän merkitystä systeemin toiminnassa ilmeisesti entisestään korostettava. Seuraavan askeleen kohti optimaalista tiedon ja tietämyksen sisällöllistä esitysmekanismia tuovat älykkäät opastusjärjestelmät.
Yleisen, mielivaltaisessa tietoavaruudessa ja siten ongelmakentässä toimivan älykkään opastusjärjestelmän käytännön toteuttamista ei pidetä mahdollisena. Tämän seurauksena realistisen, toteuttamiskelpoisten järjestelmien rakenne riippuu välttämättä sovelluksen käyttöalueesta.
Asiantuntevaa ja kärsivällistä ihmisavustajaa voidaan jossain mielessä pitää luonnostaan optimaalisen älykkään opastusjärjestelmän mittana. Käytännössä tämä lähtökohta ei ole kuitenkaan aina ole tarkoituksenmukaisin. Usein paras mahdollinen hyöty asiantuntemuksesta saadaan silloin, kun tietämys liittyy suhteellisen persoonattomasti työtehtävään. Tällöin ongelmanratkaisuun sulautettu älykäs automaatti voi käyttäjän kannalta olla jopa ihmisopettajaa parempi apu: ihmisasiantuntija-opastettava -asetelman sosiaalinen paine voi joskus jopa heikentää työn tai opiskelun lopputulosta. Ihmisenkaltaisten tai edes luonnollisia kieliä hyväksikäyttävien järjestelmien toteutumista ei tosin ole odotettavissa vielä vähään aikaan. Ongelmat tekoälyn ja ihmisen toiminnan aloilla näkyvät selvästi myös älykkäiden opastusjärjestelmien alalla.
Opastusjärjestelmän rakenteen määrittävät lopulta käytön vaatimukset ja erilaiset teoreettiset ja toteutustekniset rajoitteet. On kohtalaisen yksinkertaista kuvata hyvän järjestelmän ominaisuuksia, mutta tällaisen, jo melko yksinkertaisenkin järjestelmän toteuttaminen saattaa osoittautua ongelmalliseksi. Sama ongelma koskee tietysti mitä tahansa vapaasti määritettävää tietoteknistä ongelmaa, mutta korostuu erityisesti sellaisilla tietotekniikan aloilla, joiden painopiste on ihmiskäyttäjän tavoitteiden ja toiminnan sisällön tulkinnassa. Toistaiseksi ihmis- ja tekoälytieteet eivät ole vielä kyenneet luomaan niin hyvää (yleistä mutta samalla voimakkaan deklaratiivista) mallia inhimillisestä toiminnasta, että tällaisten järjestelmien toteuttaminen olisi rutiiniluontoista.
Älykkään opastusjärjestelmän rakennetta voimakkaasti muovaavia reunaehtoja ovat tyypillisesti:
Eri reunaehtojen merkitys korostuu eri tilanteissa. Tehdasympäristöön suunniteltavan opastusjärjestelmän toteuttaminen poikkeaa suuresti puhtaasti toimistokäyttöön suunnattujen järjestelmien toiminnasta, vaikka itse systeemin runko pysyisikin samana. Tämä näkyy erityisesti systeemin käyttöliittymän toiminnassa. Yleisesti uskotaan, että luonnollisten kielten käyttöön perustuvien käyttöliittymien kehitys tulee voimakkaasti vaikuttamaan myös nimenomaan älykkäiden opastusjärjestelmien kehitykseen.
Vaikka älykkäiden opastusjärjestelmien käytännön toiminnasta ei ole mahdollista muodostaa yleispätevää mallia, voidaan järjestelmästä erottaa selvästi erilaisia, toisistaan poikkeavia rakenneosia. Eri osien merkitys näkyy niiden toiminnan erikoistumisena. Älykkään opastusjärjestelmän eri osat ovat tunnistettavissa tavallisesti kaikissa alan sovelluksissa.
Tavallisesti älykkäästä opastusjärjestelmästä erotetaan ainakin tietämyskanta ja asiantuntijan malli, käyttäjän malli, käyttöliittymä ja opastusmoduli (kuva 5.1).
Asiantuntija ja tietämyskanta muodostavat järjestelmän tietämysalueen ja siten myös sovellusalueen. Asiantuntijan mallin tehtävänä on toimia systeemin tietolähteenä. Käyttäjän malli pyrkii nimensä mukaisesti mallintamaan käyttäjää, mallin avulla järjestelmän on mahdollista mukauttaa toimiaan ihmiskäyttäjän tietotasoa vastaavaksi. Käyttöliittymä vuorovaikuttaa käyttäjän kanssa opastusmodulin huolehtiessa käyttäjän tietotasoa ja optimaalista tiedon esitysmenetelmää vastaavasta vuorovaikutuksen muodosta. Järjestelmän toiminnassa on otettava huomioon myös valittu lähestymistapa. Tiedon esittämisen strategia tunnustetaan joissain yhteyksissä kokonaan omaksi modulikseen, tosin liian usein strategia on sulautuneena tiedostamattomaksi osaksi jo toteutettua järjestelmää.
Älykkääseen opastusjärjestelmään sisältyy siis pohjimmiltaan aina neljänlaista tietämystä: tietämystä käsiteltävästä asiasta, tietämystä käyttäjästä, tietämystä opettamisesta ja tietämystä dialogista käyttäjän kanssa. Käyttöliittymän ohella tietämyksen esittäminen on älykkään opastusjärjestelmän suunnittelun kulmakivi.
Älykkään opastusjärjestelmän eri osia ja niiden toimintaa voidaan vieläkin täsmentää. Esimerkiksi käyttäjän malli voi edelleen jakautua useaan eri alakohtaan. Joissain järjestelmissä käyttäjän osaamistasoa kuvaavan mallin lisäksi pidetään kirjaa myös (havaituista) virheellisesti omaksutuista tiedoista. Käyttäjän mallin rinnalla voi olla myös ns. sisäinen oppija, joka käyttäjälle tarjotun tiedon perusteella muodostaa omaa "käsitystään" tiedosta. Virheellisen oppimisen ja sisäisen oppijan mallin avulla järjestelmän on edelleen mahdollista täsmentää käyttäjän malliaan oletettavasti realistisempaan suuntaan.
Käyttäjän mallintamisen perusvaikeus on kuitenkin käyttöliittymien kommunikointikanavien rajoittuneisuus (kuva 5.2.), mikä näkyy käyttäjän toimintojen tarkoitusperien tulkitsemisen vaikeutena. Älykäs opastusjärjestelmä on käytännössä kyvytön havaitsemaan useimmat niistä hienovaraisen viestinnän merkeistä, jotka ihmisohjaaja (kenties tiedostamattaankin) automaattisesti panisi merkille. Käyttäjän mallia täydennetään jatkuvasti järjestelmää käytettäessä. Mallin täydentäminen voi olla aktiivista tai passiivista, järjestelmä voi esimerkiksi jatkuvasti testata käyttäjän osaamista tai tyytyä toimintojen passiivisesta tarkkailusta saadun informaation hyödyntämiseen.
Asiantuntijan malli systeemissä paitsi määrittää älykkään opastusjärjestelmän tietämysalueen, toimii myös käyttäjän toimien oikeellisuuden ja osaamisen mittarina. Tästä syystä on tärkeää, että asiantuntijan malli löytää ongelmille useampia kuin vain yhden oikean ratkaisun, mikäli sellaisia on oletettavasti olemassa. Mikäli opastusjärjestelmä toimii opetuksen apuna, määrittää malli usein myös käytännössä opetustavoitteen. Toisaalta opetustavoite voidaan edelleen irrottaa systeemistä vaikkapa erillisiksi oppitunneiksi tai vaihtoehtoisesti upottaa näkymättömiin tieto- ja tietämyskantaan.
Asiantuntijan malli voi järjestelmässä sen tarpeista riippuen toimia joko mustan laatikon tavoin tai näyttää kaikki päätelmäketjunsa. Päätöksentekomekanismin toiminnan näkyvyyden valinta vaikuttaa suuresti paitsi systeemin läpinäkyvyyteen ja toisaalta uskottavuuteen (ääripäissään vaikutelmat mekaanisesta automaatista ja toisaalta illuusio oikeasta asiantuntijasta). Näkyvyys vaikuttaa siten myös järjestelmän kommunikoinnin vakuuttavuuteen. Tällä saattaa olla käyttäjäkunnasta riippuen hyvinkin suuri merkitys opastusjärjestelmän käyttöhalukkuuden suhteen.
Opastusmodulin tehtävä on päättää ohjauksen taso. Modulin on päätettävä halutaanko käyttäjää ohjata tiettyyn suntaan vai onko systeemin toiminnan pääpaino käyttäjän hienovarainen opastaminen siinä tilassa missä hän kulloinkin sattuu olemaan. Jotta ohjaaminen olisi mahdollista, täytyy opastusmodulin tietää käyttäjän tietotaso ja toiminnan tavoite. Tätä tehtävää varten opastusmoduli hyödyntää jatkuvasti käyttäjän ja asiantuntijan mallien tarjoamaa informaatiota. Opetuskäyttöön suunnatuissa opastusohjelmissa opastusmodulin rinnalla tai sen korvaajana käytetään toisinaan oppikurssimodulia, joka määrä ongelmanratkaisuun saatavissa olevan tietämyksen ja oppimateriaalin laajuuden. Oppikurssimoduli voi sisältää myös seurantaan ja seurantatietojen jatkokäsittelyyn liittyviä toimintoja.
Käyttöliittymä on luonnollisesti älykkään opastusjärjestelmän näkyvin ja siten keskeinen osa sen toiminnassa. Käyttöliittymän tulisi olla samanaikaisesti sekä havainnollinen ja ilmaisuvoimainen että helppokäyttöinen. Järjestelmän käyttö ei saisi viedä huomiota sen esittämältä tiedolta.
Käyttöliittymän merkitys korostuu älykkään opastusjärjestelmän tapauksessa jo yksin siitäkin syystä, että se on käytännössä ainoa systeemin ja ihmiskäyttäjän vuorovaikutuksen kanava, jota systeemi voi omien päätelmiensä teossa käyttäjästä hyödyntää (kuva 5.2.). Näin esimerkiksi järjestelmän sisäisten mallien kehitys on täysin riippuvainen käyttöliittymän tasosta.
Myös käyttöliittymä voi pyrkiä toimimaan älykkäästi. Älykkäiden ja ihmisille luonnollisia kommunikointikeinoja tukevien käyttöliittymien kehitys tuleekin todennäköisesti tulevaisuudessa parantamaan huomattavasti myös älykkäiden opastusjärjestelmien käytön sujuvuutta.
Tiedon esittämisen strategian voidaan ajatella jakautuvan vuorovaikutuksen ja tiedon esittämisen eri tasoille. Strategian noudattaminen sisältää sellaisia valintoja kuin tiedon sisäisen ja ulkoisten esittämistapojen valinnan, käyttäjäkohtaisen mukautumisasteen, tiedonvälityksen ulkoisen jaottelun ja käyttäjän tilan arvioinnin aktiivisuuden. Opettavissa järjestelmissä strategian valinta pitää sisällään erityisesti käytettävien opetusmenetelmien ja tiedon keräämismallien valinnat, opastuksen tason ja esitettävän tiedon selitettävyysasteen. Strategian valinta yhtyy osittain sisällöltään opastusmoduliin, mutta ottaa aktiivisemmin kantaa järjestelmän yleiseen luonteeseen. Strategisen mallin valinta suoritetaan joka tapauksessa jokaisen älykkään opastusjärjestelmän toteutuksessa, olipa se sitten tietoista tai ei.
Vuorovaikutus älykkään opastusjärjestelmän ja käyttäjän välillä perustuu aina käyttöliittymän tarjoamiin kommunikointityökaluihin. Järjestelmän ilmiasu ja käyttämä kieli määräävät pääosin sen, kuinka ilmaisuvoimaista vuorovaikutus lopulta on.
Vuorovaikutuksen aggressiivisuus määrää paljolti myös opastusjärjestelmän pedagogisen luonteen. Passiivinen, käyttäjän toimia sivusta tarkkaileva, mukautettua tietoa suoraviivaisesti tarjoava järjestelmä poikkeaa käytännössä hyvinkin suuresti tieämystä aktiivisesti mittaavasta, välikokeita pitävästä järjestelmästä. Koska järjestelmän tulee tietää, mitä käyttäjä kulloinkin osaa, täytyy hänen osaamistaan kuitenkin tavalla tai toisella mitata. Käyttäjän tietotason mittaamiseen voidaan käyttää hienovaraista käyttäjän toimien arviointia, aihepiiriin liittyviä harjoituksia tai suoranaista dialogia. Opastusjärjestelmän rooli ja sen näkyvyys voi siten vaihdella paljonkin.
Käyttäjän ja asiantuntijan mallin rakenne riippuu suuresti valitusta tietämyksen esitysmuodosta. Mallit voivat olla esimerkiksi päättelysääntöjä, painokertoimia, vapaamuotoisia (redusoidun) tietämyskielen lauseita, semanttisia verkkoja tai näiden yhdisteitä. Sisäisen rakenteensa perusteella älykkäät opastusjärjestelmät voidaan jakaa karkeasti kahteen luokkaan: sääntöpohjaisiin ja verkkopohjaisiin järjestelmiin.
Sääntöpohjaiset järjestelmät voivat käyttää tietämyksen esittämiseen esimerkiksi päättelyketjujensa osien hallinan merkitsemistä. Näin järjestelmillä on periaatteessa koko ajan käsitys siitä tietämyskannan osasta, jonka käyttäjän voi jo olettaa hallitsevan. Sääntöpohjaiset järjestelmät tukevat suoraan myös keskustelua käyttäjän tietotason arvioinnissa. Systeemi voi esittää suoria kysymyksiä käyttäjälle ja päinvastoin. Sääntöpohjainen tiedon esitystapa helpottaa myös vastausten selitysten tulkintaa: päättelyketju on periaatteessa suoraan päättelykoneen hakupolusta osoitettavissa. Vapaamuotoisen, erityisesti epätäsmällisen tiedon esittäminen systeemissa on sen sijaan ongelmallista. Tämän rajoituksen poistamiseksi jotkut järjestelmät sallivat tietyissä rajoissa tapahtuvan tietämyskannan päivittymisen myös opastuksen aikana.
Verkkopohjaisten älykkäiden opastusjärjestelmien ideanan on nimensä mukaisesti tiedon hajautettu assosiatiivinen esitysmuoto. Tämän lähestymismuodon etuna on periaatteessa tietämyksen suoraviivaisempi visualisoiminen ja relaatioiden ja yhteyksien kohtuullisen vapaa määrittäminen. Verkkoesityksessä tietämys voidaan kuvata esimerkiksi tasograafina tai verkostona, jonka teiden ja solmujen painotukset ja relaatiot kuvaavat asioiden yhteyksiä ja merkitystä. Verkkopohjaisissa järjestelmissä asiantuntijan ja käyttäjän mallit voidaan sulauttaa yhdeksi dynaamiseksi kokonaisuudeksi, jonka päivittäminen vastaa periaatteessa sääntöpohjaisen tietämyskannan lausekielisen mallin täydentämistä. Esitystavan etuna saattaa olla täsmällisestä tiedon esitystavasta luopuminen: siinä missä diskreetti asiantuntijajärjestelmä epätäsmällisen kysymykseen saatuaan lakkaa toimimasta, sumea verkko osuu vastauksessaan parhaassa tapauksessa vain hieman harhaan.
Sääntö- ja verkkopohjaisten älykkäiden opastusjärjestelmien merkittävä yhteinen tekijä on kuitenkin opastuksen muodon ja sisällön etukäteinen suunnittelu. Koska tietämyksen muotoileminen ja oppimisen ohjaus ovat käytännössä vaikeasti määritettäviä ongelmia, saattaa ratkaisujärjestelmän hakeminen olla mielekästä myös puhtaasti laskennallisin keinoin. Laskennallisesti älykkäiden järjestelmien käyttö mallinnuksessa on viime aikoina voimakkaasti lisääntynyt, minkä seurauksena menetelmien käytön voidaan olettaa tulevaisuudessa yleistyvän myös opastusjärjestelmien suunnittelussa. Käyttäjän ja asiantuntijan mallit saattavat olla ainakin osin laskennallisesti mallinnettavissa formaaliin kieleen puetun oppituntiseurannan kautta. Tämän lähestymistavan edut ovat ilmeiset, koska tällöin tietämyksen mallintamisen vaikeus voidaan jättää osittain automaattisesti oppivan järjestelmän huoleksi. Tosin samalla saatetaan menettää tuntuma opastusjärjestelmän toimintaan, mutta toisaalta näinhän asianlaita ihmisasiantuntijan tapauksessakin on.
Toteutustavasta riippumatta älykkään opastusjärjestelmän tavoite pysyy kuitenkin aina samana. Tavoitteena on ennenkaikkea tarjota tietoa käyttäjän tarpeiden mukaisesti, eikä totetuksen tekniikka tätä tavoitetta saa muuttaa.
Valitaan sitten älykkään opastusjärjestelmän toteutustekniseksi lähestymistavaksi tiedon hypertekstimuotoinen esittäminen. Vaaditaan, että tieto on jaettu tasapuolisesti osakokonaisuuksiin ja edelleen pieniin, määritelmänkaltaisiin osiin ja oletetaan, että meillä on riittävän ilmaisuvoimainen vuorovaikutusmenetelmä systeemin ja käyttäjän välillä. Oletuksena siis on, että meillä on menetelmä totuudellisen kuvan luomiseen käyttäjän osaamisesta. Asetetaan sitten jokaiseen pieneen tiedonosaan sopivaksi katsomallamme tavalla koodattu reaaliluku kuvaamaan käyttäjän ko. osatiedon hallitsemista.
Valitaan mallin lähtökohdaksi käyttäjän kohtuullisen passiivinen ohjaaminen. Systeemin käyttäjän mallin mukautumisen lähtökohtana toimivat käyttäjän aiheuttamat muutokset järjestelmän sisällä. Jätämme järjestelmässämme toistaiseksi huomioimatta sellaiset, käytännössä lopullisen systeemin toimintaa voimakkaasti määrittelevät osat kuin käyttöliittymän ulkoasun ja kielen, tiedon ja tietämyksen tarkan aihepiirin ja käyttöympäristön ja käyttäjäkunnan. Näiden reunaehtojen huomioiminen on lopullisen toteutuksen kannalta erittäin merkityksellistä, mutta joiden olemassaolo yleisen teoriankehittämisen kannalta ei tässä ole välttämätöntä.
Asetetaan tavoitteeksi nyt ylläkuvatun opastusjärjestelmän muotoileminen ja sisäisen rakenteen kuvaaminen. Tätä tehtävää varten tarvitaan avuksi verkostojen peruskäsitteitä. Tyydytään seuraavassa aluksi muotoilemaan graafiteorian peruskäsitteitä. Tämän jälkeen kuvataan hieman yhden yksinkertaisen verkostoon pohjautuvan mallin rakennetta.
Suunnattu graafi G määritellään tavallisesti solmujen joukon N ja suunnattujen teiden joukon A yhdistelmänä G = < N, A >. Graafin solmujen ja teiden lukumäärä ilmaistaan vastaavilla symboleilla N ja A ellei sekaannuksen vaaraa käsitteissä ole. Äärellisen graafin tapauksessa oletetaan 1 N < ja tavallisesti 0 < A < . Mikäli graafin solmuihin tai teihin liitetään lisäinformaatiota, puhutaan tavallisesti graafin sijaan verkostosta.
Teiden joukko A määritellään yleensä teiden alku- ja loppusolmut ilmaisevina järjestettyinä solmupareina (i, j), missä i on tien alkusolmu ja j tien loppusolmu. Solmujen i ja j sanotaan olevan tällöin naapureita keskenään. Solmuun liittyvien teiden lukumäärää sanotaan solmun asteeksi. Solmun saapuvien teiden lukumäärää sanotaan erityisesti solmun sisäiseksi, ja solmusta lähtevien teiden lukumäärää solmun ulkoiseksi asteluvuksi.
Polku P määritellään järjestettynä kokoelmana solmuja P = (n1, n2, ..., nN), missä jokainen P:n pari (nk-1,nk) (k=2,3,...,N) kuuluu annettujen teiden joukkoon A. Polun suunnan määrää sen yksittäisten teiden suunta. Solmujen läpikäymistä P:n ilmaisemassa järjestyksessä (n1, n2, ..., nN) sanotaan polun positiiviseksi suunnaksi (positiiviseksi poluksi) P+ ja läpikäymistä järjestyksessä (nN, nN-1,... n2, n1) polun negatiiviseksi suunnaksi (negatiiviseksi poluksi) P-. Polku P- on polun P+ vastapolku ja päinvastoin.
Polun P ilmaisevan kokoelman ensimmäistä solmua n1 sanotaan polun alkusolmuksi ja kokoelman viimeistä solmua nN polun loppusolmuksi. Polku, jonka alku- ja loppusolmut ovat samat, määritellään renkaaksi. Polku P on yksinkertainen, mikäli sen sisäsolmut (n2, n3, ..., nN-1) ovat kaikki eri solmuja. Niiden solmujen joukkoa {mk}, joihin johtaa polku annetusta solmusta m0 {mk}sanotaan olevan saavutettavissa solmusta m0.
Suunnatun graafin G vahvaksi komponentiksi sanotaan graafin G solmujen maksimaalisia alijoukkoa T G, kun joukon T jokaiseen solmuun johtaa polku jokaisesta T:n solmusta. Vahvan komponentin T kaikki solmut ovat siis saavutettavissa kaikista T:n muista solmuista.
Koska järjestelmän tehostetun toiminnan perusideana on nimenomaan ihmiskäyttäjän ja tämän toimintojen jonkintasoinen mallintaminen, täytyy meillä olla tietoisesti valittuna se käyttäytymis- ja oppimismalli, jonka puitteissa haluamme järjestelmämme toimivan. Valitaan seuraavassa lähestymistavaksi tiedon verkostopohjainen esitys.
Jotta voisimme tarkemmin muotoilla tiedon esittämistä ja hakustrategioita verkostossa ja valintojen vaikutuksia probleemanratkaisussa, on meidän aluksi esitettävä joitain ongelmaan ja erityisesti ihmiskäyttäjän ja systeemin vuorovaikutukseen liittyviä oletuksia.
Koska käyttäjän henkisen kasvun ja sosiaalisten käyttäytymismallien rakentaminen pelkästään annetun ongelmakentän piirissä on ymmärrettävistä syistä käytännössä mahdotonta tai ainakin erittäin vaikeaa, on nyt esitettävän tietoteoreettisen käyttäjämallin positivistinen ja taloudellinen lähtökohdan valinta perusteltua.
Mukautuminen käyttäjän tarpeisiin edellyttää välttämättä sitä perusoletusta, että meillä on jokin keino saada tietoa käyttäjän toimista ja muodostaa tästä totuudenmukainen kuva käyttäjän profiilista ja tavoitteista. Olkoon lisäksi annettuna sovellusalueen tietämysavaruus T (kuvassa Gamma) . Yksinkertaistuksen kautta tästä sitten tavalla tai toisella muotoillaan järjestelmän tietoavaruuden määrittävä pelkistetty malli, joka oleellisesti on järjestelmän käyttäjän tietämyksen mallin kaikkien mahdollisten tilojen joukko, tila-avaruus U (kuvassa Omega) (kuva 6.2.).
Muotoillaan sitten ongelmaa täsmällisempään suuntaan. Tavoitteena on kohtuullisen tarkasti kuvata käyttäjän ja asiantuntija mallien sisältöä tätä tehtävää varten erityisesti muotoiltavan semanttisen verkoston avulla. Systeemin tieto ja käyttäjän malli sulautetaan oleellisesti samaan tietorakenteeseen.
Olkoon meillä annettuna tietoavaruutta kuvaava äärellinen suunnattu graafi, siten, että graafin solmut kuvaavat aina yhtä pientä erillistä osatietoa ja graafin tiet kuvaava tämän tiedon ymmärtämiseksi tarvittavia solmuja. Jos solmusta A johtaa tie solmuun B, tulkitaan se siten, että solmun B ymmärtämiseksi tarvitaan (ainakin osin) solmun A ymmärtämistä.
Vaaditaan, että naapurisolmujen välillä ei ole rinnakkaisia yhdensuuntaisia teitä. Graafin mutkikkuuteen, vahvoihin komponentteihin, solmujen saavutettavuuteen tai graafin kuvallisen esityksen hankaluuteen ei oteta tässä vaiheessa kantaa.
Liitetään sitten graafin jokaiseen solmuun ja tiehen reaaliluku kuvaamaan kyseisen solmun tai tien painoa (kuva 6.3.). Sovitaan, että nämä painot kuvaavat solmua vastaavan tiedon hallintaa ja assosiatiivisen polun tärkeyttä tiedon semanttisessa esityksessä. Sallitaan lisäksi tilanne, jossa yksi tai useampi solmu tai komponentti on eristettynä muusta graafista. Näin muodostettu verkosto esittää nyt pelkistetysti käyttäjän tilaa yleisen tietoavaruuden suhteen jonakin ajanhetkellä t.
Yleistämällä voimme nyt kuvata yksikäsitteisesti N-solmuista verkostoa yhdistelmällä
< N, A, C, W >, (1)
missä N on solmujen joukko, A on teiden joukko, C on solmuihin liitetty painojen joukko ja W on teihin liitetty painojen joukko.
Merkintää (1) voidaan edelleen täsmentää asettamalla
u= u(t) = < Ct, W > kun valitaan (2)
Ct = { ci(t) | ci(t) kuuluu [0,1] kaikilla t, i kuuluu {1,2,...,N} }
ja
W = { wij | wij kuuluu [0,1] kaikilla i,j, i, j kuuluu {1,2,...,N}
},
missä Ct on solmujen tietämystä kuvaavien tunnuslukujen joukko ja W on teiden kiinteä painojoukko (sama kaikilla t).
Sovitaan lisäksi, että
wij <> 0, kun solmusta i johtaa tie solmuun j,
wij = 0, kun tietä ei ole.
Normitetaan vielä teiden painotus vaatimalla, että
summa yli i:n wij kuuluu {0,1} kaikilla j. (3)
Kuvausta kutsutaan jatkossa tietämysgraafin tilaksi ajanhetkellä t.
Merkitään edelleen u(t) kuuluu U kaikilla t ja sanotaan, että U on tietämysgraafin tila-avaruus, kaikkien mahdollisten tilojen joukko. Selvästikin jo äärellinen solmujen joukko synnyttää äärettömän tila-avaruuden U. Rajoittumalla solmujen painojen äärelliseen arvoalueeseen, muodostuu erityisesti äärellinen (joskin kenties käytännössä laskennallisesti edelleenkin hyvin suuri) tila-avaruus.
Jotta tietämysgraafi todella jotenkin vastaisi ihmiskäyttäjän kuvaa tietoavaruuden suhteen, täytyy graafin tilan muuttua käyttäjän toimien mukaisesti. Oletetaan, että on annettuna jokin vuorovaikutusmekanismi, joka tämän käytännössä suorittaa. Tieto käyttäjän tietämyksen muutoksista saapuu systeemiin nyt mielivaltaisen lyhytkestoisina purskeina erillisinä ajanhetkinä t1, t2, ..., tF.
Muutos aiheuttaa tietämysgraafin muutosketjun
u(t1) -> u(t2) -> ... -> u(tF) s.e. u(tk) kuuluu U kaikilla tk. (4)
Solmuissa muutos näkyy tietämystä kuvaavien mittalukujen ci(t) diskreetteinä muutoksina kullakin ajanhetkellä. Siihen, moneenko solmuun muutos kerralla saa vaikuttaa, ei oteta tässä vaiheessa kantaa. Jono (4) näkyy nyt solmujen painojen muutoksena muodossa:
ci(t0) = c0i,
ci(tk) = v( tk,ci(tk-1) ) , k=1,2,...,F. (5)
Kaavan (5) iteratiivisen termin v olemassaolo selittyy käyttäjän mallinnustavan valinnalla. Koska muutoksen on tarkoitus kuvata tietämyksen dynaamista muutosta, pohjautuu tämä muutos väistämättä solun aikasempaan painoarvoon. Tietämyksen lisääntyminen riippuu yleisessä tapauksessa aina aikaisemmasta tietämyksestä (oppimiseen liittyvä muisti).
Tietämyksen muutosta kuvaava kaava (5) tulisi oikeastaan vielä tarkemmin kirjoittaa muodossa
ci(tk) = v( tk,ci(tk-1) ) - d( t,ci(tk-1) ), k=1,2,...,F. (6)
missä jatkuva termi d( t, ci(tk-1) ) kuvaa aina ajan kuluessa tapahtuvaa inhimillistä unohtamisprosessia. Termin mukaanliittäminen ei kuitenkaan kaikissa käytännön sovelluksissa ole perusteltua systeemin yleensä oletetun (kohtuullisen lyhyen) käyttöajan ja väistämättä puutteellisen tiedonkeruumenettelyn takia.
Termien ja sopivaksi oletettua muotoa voidaan periaatteessa havainnollistaa kuvan 6.4. mukaisilla tietämyksen normitusalueeseen pakotetuilla (jatkuviksi funktioiksi laajennetuilla) kynnys- ja asymptoottifunktioilla. Funktion muotoa on arvoalueen kiinteällä valinnalla kuvan havainnollistamiseksi yksinkertaistettu.
Valitussa lähestymistavassa näkyy selkeästi ongelmakenttään läheisesti liittyvä massiivisen yksinkertaistuksen periaate. Mallin hyvyyttä voidaan lopulta objektiivisesti arvioida vasta sen toiminnan kautta. Tähän taas tarvitaan jo huomattavan paljon mallin pohjalta toteutettujen todellisten järjestelmien seurantatutkimusten kautta saatua tietoa.
Oppimisnopeuden, kynnyksen muodon ja tämän vuorovaikutusmekanismin ( ja ) valitsemisen ongelma muodostuu lopulta mallin totuudellisen vastaavuuden koetinkiveksi. Tämä rajaa lopulta myös mallin käytettävyyttä. Esimerkiksi kuvan 6.4. mukainen ajattelu ei tietenkään yleisessä tapauksessa mitenkään vastaa todellista oppimista, malli ei sisällä minkäänlaista aika- tai historiainformaatiota eikä se ota kantaa yksinkertaistetun tila-avaruuden konstruoinnin vaikeuden ilmeiseen ongelmaan.
Formaalin lähestymistavan edut ovat kuitenkin jo tässäkin vaiheessa ilmeiset. Käyttäjän tietämyksen ja osaamisen selkeä verkostopohjainen esitystapa antaa periaatteessa mahdollisuuden tiedon järkeistettyyn läpikäymiseen. Malli tukee sellaisenaan tavoitehakuista opiskelua, tiedon merkityksen esittämistä, numeerista ongelmanratkaisua ja tiedon merkityksen tiivistämistä. Näiden ominaisuuksien varaan on mahdollista puolestaan kehittää kohtuullisen monipuolista teoriaa jo esim. lineaaristen optimointimenetelmien keinoin. Malli toimii pienin täydennyksin myös toiseen suuntaan. Käyttäjän toimien seuraaminen ja toimintojen motiivien analysoiminen saattaa olla hyödyllistä myös puhtaan opiskelijaseurannan ja siten kasvatustiedeiden näkökulmasta.
Perinteisten tietokantojen rinnalle on aivan viime vuosina voimakkaasti noussut älykkään opastuksen ideaan perustuvia tietojärjestelmiä. Järjestelmien perusajatuksena on tiedon tarkoituksenmukainen esittäminen ja käyttäjän tarpeisiin ja tavoitteisiin mukautuminen käyttäjän mallinnuksen keinoin.
Älykkäiden opastusjärjestelmien toteutuksen perusongelmana on aina tietämyksen esittäminen ja käyttäjän toimintojen ja tietämyksen totuudellinen arviointi. Koska ylesen järjestelmän kehittäminen ei ole mahdollista, päädytään toteutuksessa yleensä tapauskohtaisiin järjestelmiin.
Esitetyssä verkostoon perustuvassa menetelmässä systeemin tieto ja käyttäjän malli sulautetaan yhteen. Menetelmä tarjoaa rakenteensa kautta hyödyllisiä menetelmiä tiedon esittämiseen, käyttökelpoisen tiedon hakemiseen ja käyttäjän toimien analysoimiseen. Mallin ilmeinen rajoitus on sen esittämän tietämyksen voimakkaasti yksinkertaistettu muoto.
[Gon93] Gonzalez A.J., Dankel D.D., The Engineering of Knowledge-Based Systems - Theory and Practice. Prentice Hall International Inc., USA 1993.
[Mcg89] McGraw K.L., Harbison-Briggs K., Knowledge Acquisition Principles and Guidelines. Prentice-Hall International Inc., USA 1989.
[Hyp90] Hypermedia Courseware: Structures of Communication and Intelligent Help - Proceedings of the NATO Advanced Research Workshop on Structures of Communication and Intelligent Help for Hypermedia Courseware, Espinho, Portugal, April 19-24, 1990.
[Suu96] Suutarinen I., Älykäs opastus opetusohjelmissa. Tietotekniikan lisensiaattityö, Matematiikan laitos, Jyväskylän yliopisto, 1996.
[Mck91] McKnight C., Dillon A., Richardson J., Hypertest in Context. Cambridge University Press, Cambridge1991.
[Lok89] Lokki h:, Haikala I., Linnainmaa S., Mattila S., Susiluoto O., Tietotekniikka. Gummerus Kirjapaino OY, Jyväskylä 1989.
[Ber91] Bertsekas D.P., Linear Network Optimization: Algorithms and Codes. The MITT Press, Massachusetts 1991.
[Wen87] Wenger E., Artificial Intelligence and Tutoring Systems - Computational and Cognitive Approach to the Communication of Knowledge. Morgan Kaufmann, California 1987.
[Hyv93] Hyvönen E., Karanta I., Syrjänen M. (toim), Tekoälyn Ensyklopedia. Gaudeamus, Hämeenlinna 1993.
[Onn91] Onnistuneita Opetusohjelmia - Tietokoneavusteisten ohjelmien suunnittelumalli.Valtion painatuskeskus, Helsinki 1991.
[For86] Forsyth R., Rada R., Machine Learning: Applications in Expert Systems and Information Retrieval.Ellis Horwood, New York 1986.
[Lei88] Leino A-L., Leino J., Kasvatustieteen perusteet. Gummerus, Jyväskylä 1988.
[Lei90] Leino A-L., Leino J., Oppimistyyli - teoriaa ja käytäntöä. Gummerus, Jyväskylä 1990.
[Ent88] Entwistle N., Styles of Learning and Teaching. David Fulton Publishers, Lontoo 1988.
[Day90] Dayhoff J.E., Neural Network Architectures. Van Nostrand Reinhold, New York 1990.
[Hof95] Hoff B., The Tao of Pooh & The Te Of Piglet. Methuen, Lontoo 1995.