German Research Center for Artificial Intelligence (DFKI GmbH) Saarbrücken, Germany Deutsches Forschungszentrum für Künstliche Intelligenz Kursgenerator

German Research Center for Artificial Intelligence (DFKI GmbH)Saarbrücken, Germany

Deutsches Forschungszentrum für Künstliche IntelligenzDeutsches Forschungszentrum für Künstliche Intelligenz

Kursgenerator für E-Learning Systeme als Kursgenerator für E-Learning Systeme als Web-Service (KELWICE)Web-Service (KELWICE)

Diplomarbeit an HTW Saarland bei DFKITianxiang Lu

German Research Center for Artificial IntelligenceTianxiang Lu - KELWICE

MotivationMotivation

• Großer Markt für E-Learning• Wichtige Rolle des Kursgenerators• Probleme:

– Geschlossen • Inhalte Standards für Austausch der Lerninhalte• Funktionalitäten ?

– Implementierung der Funktionalitäten ist teuer• Lösung: Bestehende Funktionalitäten von E-Learning

Systemen als Web-Service anbieten


Grundlagen – E-Learning SystemeGrundlagen – E-Learning Systeme

• Web-basierte E-Learning Systeme– Inhaltanbieter (Content Provider, CMS)– Learning Management Systeme (LMS)– Adaptierbar vs. adaptiv

• Repositories und Mediator-Architektur– Metadaten, Ontologien, Ontologien-Mapping

• Lernermodelle– Overlay Model, temporäre LM.



• Kursgenerator



• Probleme: – Einbinden eines fremden Repositorys erfordert

• Erweiterung des Mediator-Quelltexts• Neustarten des Servers

– Kursgenerator ist bisher nur innerhalb des Activemath Servers verfügbar

– Generierter Kurs ist proprietäres JDOM Dokument


Grundlagen: E-Learning StandardsGrundlagen: E-Learning Standards

• IMS-Manifest (SCORM Manifest)


SOA: Web ServiceSOA: Web Service


Anforderungen an KELWICEAnforderungen an KELWICE

• Fragebogen– Zeitraum: 1.April.2006 – 10. Mai. 2006– Zielgruppe:

• Entwickler (primär)• Autoren (sekundär)

– Mailinglist:• Adaptive Hypertext and Hypermedia• International Forum of Educational Technology &

Society• Internal Mailinglist of the European Network of

Excellence Kaleidoscope


Anforderung an KELWICEAnforderung an KELWICE

– Inhalt des Fragebogens (Überblick)• Allgemeine Interessen• mögliche Lernziele• Metadaten des Lerninhalts• Lernermodellierung• Format des Rückgabewertes des generiertes Kurses• Zusätzliche Information



• Auswertung des Fragebogens (Beispiel)– Frage: „Would a course generator be of use

for you“?



• Lastenheft (Services)– /WS10/ Generierung: kompletter Kurs– /WS20/ Generierung: einzelne LO– /WS30/ Überblick über pädagogischen

Lernziele– /WS40/ Überblick über Metadaten– /WS70/ Übersetzung zwischen verschiedenen

Format (z.B. JDOM <-> SCORM)– /WS80/ WS für Registrierung eines neuen

Repositorys


Design - SchnittstellenDesign - Schnittstellen

• KELWICE Schnittstellen– Kernschnittstelle von KELWICE

• getTaskDefinition() /WS30/– OUT: XML Stream von Definitionen aller Tasks

• generateCourse() /WS10/, /WS20/ und /WS70/– IN: task (pädagogisches, inhaltliches Lernziel),

userId/LearnerKnowledgeMap– OUT: Kurs in IMS-CP-(SCORM)-Manifest

– Schnittstelle: RepositoryRegistration• getMetadataOntology() /WS40/

– OUT: Ontologie Instructional Objects (OIO)• registerRepository() /WS80/

– IN: WS-URL (Id), name, testId,– OUT: (IN-Robust) OK/Error

• unregisterRepository() /WS80/– IN: Id (WS-URL)



• Client Schnittstellen– Repository: ContentAPI (gefordert vom Mediator)

• queryClass()– IN: contentId0– OUT: Typ (Klasse)

• queryRelation()– IN: contentId0, relation– OUT: Liste von contentId (die contentId0 als Relation

besitzt)• queryProperty()

– IN: contentId0, property– OUT: value

– Learner Model: LearnerPropertyAPI• queryLearner()

– IN: learnerId– OUT: property, value Map



• Interaktion zwischen Client und KELWICE– Registrierung eines Repositorys– Kursgenerierung mit Lernermodell– Kursgenerierung ohne Lernermodell


Registrierung eines Repositorys an KELWICERegistrierung eines Repositorys an KELWICE


Kursgenerierung mit LernermodellKursgenerierung mit Lernermodell


Design: Komponenten von Design: Komponenten von KELWICEKELWICE

• ServiceController• LearnerModelAPI• RepositoryRegistrationAPI• CourseGeneratorServiceAPI


Design - ServiceControllerDesign - ServiceController

• Komponenten– CourseGeneratorWebServiceAPI– Preprocessor– Translator

• Funktionalitäten– Kursgenerierung mit Lernermodell– Kursgenerierung ohne Lernermodell


LearnerModelAPI: LearnerModelAPI: Kursgenerierung mit temporärem LernermodellKursgenerierung mit temporärem Lernermodell


Design – Erweiterung für MediatorDesign – Erweiterung für Mediator

• Web-Service Wrapper• RepositoryManagement (RM)

RM Client


KELWICE: ImplementierungKELWICE: Implementierung

• Grundlegende Technologien– Objekt-Modelle (OM) und Parser– Web Applikation

• Tools für Web-Services– Apache Axis vs. Axis2

• Erstellen von KELWICE mit Hilfe des Werkzeugs Axis2– Java API XML-RPC Web Service

• Standard-Client


Implementierung – KELWICE und Axis2Implementierung – KELWICE und Axis2

• Java-API XML-RPC Web-Service• Java Klassen Axis2 Services

– Definition aller benötigen OMElement (≠ OpenMath!)

– Java Klassen für Web-Service implementieren– Java2WSDL– Services.xml– WAR Datei (.aar) in Axis2 Treiber (Verzeichnis)(! ActiveMath muss im Hintergrund laufen)

ClientClient KELWICEKELWICE LMS (ActiveMath)LMS (ActiveMath)


Implementierung – Dummy Standalone Implementierung – Dummy Standalone ClientClient

• Java-Klassen– ClientUtil– GenerateCourseWithLKMapClient– GenerateCourseWithLMIdClient– MetadataOntologieClient– RepositoryRegisterClient– RepositoryUnRegisterClient– TaskDefinitionClient


Implementierung – Dummy Standalone Implementierung – Dummy Standalone ClientClient

• View (Ergebnis)– Imsmanifest.xml– manifestSimple.xsl (in Firefox und IE getestet)

• benötigte Bibliotheken– Alle für AXIOM, WSDL and AXIS2


Anwendung - MathCoachAnwendung - MathCoach

• HTW – Saarland• Professor Dr. Grabowski• Intelligente Content – Anbieter für Mathematik• Generator von Interaktionen wie Übung,

Experimente• Lerninhalte

– LaplaceScript – Format



Anwendung – Erweiterung von Anwendung – Erweiterung von MathCoachMathCoach

• Typen der Lernobjekten– Kapitel (Seite) Definition– Einzelne Übungsgenerator (.ls) Übung

• Verwendete Metadaten– Identifier, Title, For, Requires, Type,

LearningContext, Difficulty…• MathCoach–Ontologie und deren Mapping auf OIO


Anwendung – Erweiterung von Anwendung – Erweiterung von MathCoachMathCoach

• MathCoach Repository– Indexing (Lucene) vs. relationale Datenbank – Java-Objekt-Stil (Hibernate) vs. SQL-Stil (JDBC)– mySQL vs. DerbyDB– Entscheidung: Relationale Datenbank mit

DerbyDB + JDBC



ZusammenfassungZusammenfassung

• Beitrag– Kursgenerator als Web-Service

• Anforderungen durch Fragebogen• SOA Design für Architektur• Implementierung mit Axis2• Anwendung in ActiveMath und MathCoach

– Repository Registration Web-Service• Ontologie und deren Mapping auf OIO• Dynamische Bindung

– Dynamische Repository basiert auf XML-Dokument– Berücksichtigung auf Standard (IMS-CP-Manifest)


AusblickAusblick

• Erweiterungsmöglichkeit für KELWICE– Lernermodelle-Schnittstelle– Austausch der Lerninhalte als IMS-CP

• Erweiterungsmöglichkeit für MathCoach– Benutzerfreundlichere Darstellung des Kurses– Vertiefung der verwendeten Metadaten


DanksagungDanksagung

• HTW Saarland– Professor Dr. Grabowski– Professor Dr. Lehser

• DFKI – Carsten Ullrich (besonders)– ActiveMath Gruppe

• KorrektorInnen– Kerstin Borau, Min Ye, Haichao Guan

Documents

German Research Center for Artificial Intelligence (DFKI GmbH) Saarbrücken, Germany Deutsches Forschungszentrum für Künstliche Intelligenz Kursgenerator