1 UVOD
Učenje je eden temeljnih spoznavnih procesov, tako pri
ljudeh kot tudi pri strojih, v katere bi radi vgradili
osnovne spoznavne zmožnosti. V umetne sisteme, ki
naj bi s človekom sobivali in z njim sodelovali, je
namreč tako rekoč nemogoče vnaprej vgraditi celotno
znanje, ki ga potrebujejo pri svojem delovanju. Veliko
bolj primerno je to znanje postopoma usvajati in ga
nadgrajevati v procesu učenja.
Eden najbolj naravnih načinov prenosa znanja, tako
s človeka na človeka kot tudi s človeka na inteligen-
tni stroj, je interaktivno učenje v dialogu učenca z
učiteljem. Pri klasičnem pristopu učenje vodi učitelj.
Pri tem t. i. pasivnem učenju učitelj izbere ustrezne
učne primere, s katerimi učencu ponazori in ga nauči
Prejet 16. oktober, 2013
Odobren 10. december, 2013
določenih konceptov (kot je prikazano na sliki 1(a)).
Poznamo tudi primere aktivnega učenja, kjer proces
učenja vodi učenec. Učenec ima namreč neposreden
vpogled v svoje trenutno znanje, zato lahko oceni, kje
je le-to najšibkejše, in zahteva takšne učne primere, ki
bi učinkoviteje pomagali zapolniti luknje v njegovem
znanju (slika 1(b)).
(a) Pasivno učenje
(c) Vzajemno aktivno
učenje
(b) Aktivno učenje
Slika 1: Različne vrste učenja
Temeljni cilj aktivnega učenja je torej pohitritev
učnega procesa. V nadaljevanju se bomo omejili na
problem učenja konceptualnega znanja oz. učenja ka-
tegorizacije primerov v diskretne razrede, ki sovpadajo
s človeškim pojmovanjem teh kategorij (npr. kategoriza-
cija predmetov, razpoznavanje barv, razpoznavanje črk in
drugih simbolov ipd.). V tem primeru učenec sodeluje
pri aktivnem učenju tako, da izbira učne primere, ki
so predani učitelju v označevanje (t. j. v dodeljevanje
oznak razredov) in nato uporabljeni za učenje. Učenec
navadno oceni informativnost še neoznačenih učnih pri-
merov, torej oceni, koliko nove informacije mu bo učni
primer prinesel oz. koliko bo lahko na podlagi njega
190 MAJNIK, SKOČAJ
izboljšal svoje znanje. Obstaja več različnih strategij za
ocenjevanje informativnosti (t. i. strategij poizvedovanja,
angl. query strategies) [8], [5]. V našem predhodnem
delu [9], [4] smo proučevali in vrednotili razne pristope,
ki delujejo na podlagi teh strategij poizvedovanja in
se uporabljajo za končni izbor najprimernejšega učnega
primera, ki naj bi se ga označilo v vsakem koraku
aktivnega učenja.
Pri svojem delu predpostavljamo socialno interaktiven
scenarij, kjer človeški učitelj interaktivno komunicira z
inteligentnim sistemom. V tem scenariju je motivacija
za aktivno učenje v zmanjševanju časa in napora, ki ga
učitelj vloži v učenje, in sicer primarno z zmanjšanjem
števila učnih primerov, ki morajo biti označeni. Treba pa
se je zavedati, da se težavnost klasifikacije (t. j. prirejanja
primernih oznak razredov) med primeri razlikuje. Na
splošno velja, da so dvoumni primeri v bližini mej med
razredi (ki pa so pogosto najbolj informativni) lahko
za učitelja težavnejši, saj lahko njihovo označevanje
zahteva več napora in časa. Pri aktivnem učenju, kjer
učenec sam generira učne primere, so lahko posamezni
primeri tudi popolnoma nerazumljivi ali celo nesmiselni
v kontekstu danega učnega problema.
Recimo, da pri učenju dovolimo predpostavko iz
realnega sveta, in sicer, da človeški učitelji niso vsevedi
in se lahko motijo. Tedaj spoznamo, da izbira primerov
ne bi smela temeljiti le na informativnosti, temveč tudi
na razumljivosti, torej na tem, kako dobro učitelj razume
ponujene mu učne primere. V ta namen predlagamo nov
pristop k aktivnemu učenju, poimenovali smo ga vzaje-
mno aktivno učenje, ki naj bi težil k temu, da bi bili in-
formativni primeri, izbrani s pomočjo aktivnega učenja,
obenem tudi razumljivi človeškemu učitelju. Koncept
tovrstnega učenja na področju umetne inteligence, po
našem najboljšem vedenju, še ni bil raziskan. Izraz
“vzajemno” nakazuje, da ima pri predlaganem načinu
učenja tudi učitelj vpliv na izbiro učnih primerov, ki mu
jih v označevanje pošilja učenec, kot je ponazorjeno na
sliki 1(c). V tem članku je predstavljena idejna zasnova
novega pristopa s potrditvijo njene uporabnosti. Izve-
deno eksperimentalno vrednotenje je na primeru učenja
koncepta barv potrdilo, da je takšno učenje zanesljivejše
in uspešnejše kot osnovno aktivno učenje.
Zgradba članka je naslednja. V poglavju 2 najprej po-
vzamemo sorodno delo. V poglavju 3 nato predstavimo
predlagani pristop za vzajemno aktivno učenje. Sledi
poglavje 4, v katerem opišemo eksperimentalno vredno-
tenje, članek pa s končnimi ugotovitvami sklenemo v
poglavju 5.
2 SORODNO DELO
Eno izmed področij, ki bi z vzajemnim aktivnim
učenjem lahko veliko pridobila, je robotika osebnih
pomočnikov (angl. socially assistive robotics). Glavni
cilj robotike osebnih pomočnikov je gradnja robotov,
ki so skozi socialno interakcijo sposobni pomagati
človeškim uporabnikom in tako prispevati h kakovosti
njihovega življenja [10]. Tovrstni roboti naj bi bili
zmožni naravne komunikacije in socialne interakcije,
še zlasti pa bi prišli prav populaciji starostnikov in
ljudem s kognitivnimi, razvojnimi in socialnimi hibami.
Pri takšnih namenih uporabe je izjemno pomembna
razumljivost robotovih vprašanj, zagotavljanju katere pa
je, med drugim, namenjeno vzajemno aktivno učenje.
V našem scenariju interaktivnega učenja komunikacija
poteka v obliki izmenjevanja vprašanj in odgovorov na
ta vprašanja. Da bi učitelj lahko ustrezno odgovoril na
vprašanje, mora vprašanje razumeti. Lastnosti dobrega
vprašanja so s stališča strojnega in tudi človeškega
učenja proučene v [1]. Avtorji pri tem identificirajo tri
različne vrste poizvedb (oz. vprašanj) in jih ovrednotijo
v človeško-robotskem učnem eksperimentu. Rezultati
nakazujejo, da ljudje poizvedbe o značilkah (t. j., ali
je značilka pomembna za koncept, ki se ga učimo,
angl. feature queries) dojemajo kot najbolj inteligentne,
medtem ko je na splošno ljudem najlažje odgovarjati na
poizvedbe o oznakah razredov (t. j., kateremu razredu
pripada posamezen neoznačeni učni primer, angl. label
queries). Poizvedbe o oznakah razredov so tudi tip
poizvedb, ki jih uporabljamo v našem članku, po drugi
strani pa [1] ne vsebuje izrecne obravnave vzajemnosti,
t. j. učiteljevega vpliva na izbiro učenčevih vprašanj.
Ena glavnih predpostavk v našem članku, predpo-
stavka o šumnih človeških učiteljih, je bila v [8] na-
slovljena kot eden izmed izzivov pri praktični uporabi
aktivnega učenja. Problem je bil nadalje proučen v [2],
kjer avtorji obravnavajo obnašanje človeških strokovnja-
kov pri dogodkih v realnem svetu. Avtorji v svoji študiji
predpostavljajo, da naj bi tedaj, ko je strokovnjak zelo
prepričan o označevanih učnih primerih, tudi verjetnost
pravilnosti teh oznak bila visoka. Predstavljena je analiza
o tem, v katerih primerih in kako človeški strokovnjaki
posredujejo nepravilne odgovore. Na podlagi rezultatov
analize je predlagana nova metoda za iskanje ravnovesja
med izbiro primerov, ki so zelo informativni (vendar pa
bo strokovnjak nekatere izmed njih verjetno napačno
označil), in primerov z visoko verjetnostjo dodelitve
pravilne oznake (ki pa imajo majhno informativno vre-
dnost). To iskanje ravnovesja, čeprav naslovljeno z dru-
gega zornega kota, predstavlja tudi osnovno idejo našega
članka. Omenjeni problem je poznan tudi pod imenom
kompromis med raziskovanjem in uporabo (angl. explo-
ration/exploitation dilemma) in je nadalje obravnavan v
[6].
Običajno pri učenju umetnih inteligentnih sistemov
sodelujejo učitelji, ki se na tematiko učenja spoznajo.
Rečemo lahko, da je učitelj v tem primeru strokovnjak
za dano tematiko. Predlagano vzajemno aktivno učenje
naj bi bilo pri učenju s strokovnjaki uspešnejše od osnov-
nega aktivnega učenja. Prednosti vzajemnega aktivnega
učenja pa naj bi se v še večji meri kot pri strokovnjakih,
ki (bolj ali manj dobro) razumejo učenčeva vprašanja in
(praviloma) sorazmerno suvereno (pravilno, natančno)
AKTIVNO UČENJE IN VZAJEMNOST MED UČITELJEM IN UČENCEM 191
odgovarjajo na vprašanja, pokazale pri učiteljih – nestro-
kovnjakih. Enega izmed scenarijev, kjer robota poučujejo
nestrokovnjaki, proučujejo avtorji v [7]. Obravnavani
so štirje različni tipi dodatne informacije o robotovem
stanju, ki naj bi bila v pomoč učitelju – nestrokovnjaku.
Velika razlika v primerjavi z našim pristopom pa je
v tem, da mi predpostavljamo, da ima učitelj dejavno
vlogo pri sporočanju, katere informacije so zanj osebno
bolj razumljive (učenec se tako lahko prilagodi znanju
posameznega učitelja).
3 VZAJEMNO AKTIVNO UČENJE
Vodilo pri razvoju predlaganega pristopa so ugotovljene
pomanjkljivosti osnovnega aktivnega učenja. V razdelku
3.1 primerjamo lastnosti osnovnega aktivnega učenja
in vzajemnega aktivnega učenja s stališča splošne mo-
tivacije, želja človeškega učitelja in nalog umetnega
inteligentnega učenca. V 3.2 nato orišemo predlagani
pristop k vključevanju “vzajemnosti” v aktivno učenje.
Postavljene hipoteze so navedene v razdelku 3.3.
3.1 Osnovno in vzajemno aktivno učenje
1) Aktivno učenje (AU):
a) splošna motivacija: Prenos znanja z učitelja
na učenca s pomočjo najmanjšega mogočega
števila učnih primerov.
b) človeški učitelj: “Učenec, prosim, uči se kar
se da hitro, moj čas in napor sta dragocena.”
c) umetni inteligentni učenec: “Učitelj, prosim,
podaj mi primere, ki mi bodo omogočili, da
se čim hitreje naučim.”
2) Vzajemno aktivno učenje (VAU):
a) splošna motivacija: Kot v AU + s čim manj
učiteljevega umskega napora.
b) človeški učitelj: Kot v AU + “Učenec, pro-
sim, zastavljaj vprašanja, ki so čim manj ne-
prijetna/težavna (da bom tako lahko na vsako
vprašanje odgovoril čim bolj zanesljivo in
čim hitreje).”
c) umetni inteligentni učenec: Kot v AU.
3.2 Upoštevanje učiteljevega odziva
V tem delu smo učiteljev odziv upoštevali na naslednji
način. Namesto enega samega učenec v vsaki posamezni
interakciji z učiteljem le-temu v označevanje ponudi
množico neoznačenih učnih primerov. Učenec vedno
ponudi množico primerov, ki so zanj posamično čim
bolj koristni. To množico učenec sestavi tako, da oceni
informativnost vseh razpoložljivih primerov in izbere
tiste z najvišjo vrednostjo informativnosti. Učitelj nato
izmed ponujenih izbere in označi tisti primer, ki je zanj
najbolj razumljiv. Ta (sedaj že označeni) primer se zatem
uporabi za učenje v dani interakciji.
Pri sami implementaciji smo uporabili usmerjeno
vzorčenje negotovosti (angl. directed uncertainty sam-
pling), ki temelji na izračunu aposteriorne verjetnosti
preko vseh mogočih razredov. To vzorčenje je izvedeno
v metodi tipa Monte Carlo, ki je bila opisana v [4].
Z vzorčenjem prostora značilk se ustvarjajo učni pri-
meri, ki so nato ponujeni učitelju v označevanje. Proces
ustvarjanja učnih primerov je popolnoma introspektiven
(učenec torej analizira svoje modele in se ne sklicuje
na učne primere iz realnega sveta). Več informacij o
introspekciji lahko prav tako najdete v [4].
3.3 Naše hipoteze
Ker pri vzajemnem aktivnem učenju učenec v vsaki
interakciji učitelju ponudi le primere, ki so zanj pri-
bližno enako koristni, v splošnem ne bi smela obstajati
nevarnost, da bi predlagana metoda imela kakršenkoli
negativen vpliv na končno stopnjo uspešnosti (merjeno
npr. v obliki klasifikacijske točnosti). Naše hipoteze so
tako naslednje:
1) Stopnja uspešnosti naj bi se povečala, in sicer zato,
ker so učni primeri, ki so učitelju predstavljeni,
le-temu verjetno bolj razumljivi. Učitelj jih torej
lahko označi z večjo zanesljivostjo.
2) Skupni čas učenja naj bi se skrajšal, saj naj bi za
učitelja označevanje posameznih učnih primerov,
ki jih le-ta bolje razume (je z njimi bolj seznanjen
ali pa so bolj nedvoumni), bilo časovno manj
zahtevno. Ali se čas učenja tudi dejansko skrajša
pa naj bi bilo odvisno od domene, natančneje,
kako pomembno je za človeškega označevalca v
dani domeni, da se izogne morebitnim napačnim
klasifikacijam. Predpostavljamo, da naj bi se s
povečevanjem pomembnosti čas učenja skrajševal
v primerjavi s časom učenja pri osnovnem aktiv-
nem učenju.
3) Umska obremenitev človeškega učitelja naj bi se
zmanjšala, in sicer zaradi bolj razumljivih učnih
primerov.
4 EKSPERIMENTALNO VREDNOTENJE
V razdelku 4.1 najprej opišemo preizkusno domeno,
predstavimo primerjane načine učenja ter navedemo
in opišemo množice učnih primerov, ki so jih učitelji
označevali. V razdelku 4.2 sledi časovni potek poizkusa.
Prikazan je uporabniški vmesnik, predstavljena pa so
tudi navodila, ki so jih pred začetkom poizkusa dobili
učitelji. Mere, ki smo jih uporabili za subjektivno in
objektivno vrednotenje rezultatov, so podane v razdelku
4.3, rezultati poizkusa pa so na voljo v razdelku 4.4.
4.1 Zasnova poizkusa
Hipoteze so bile preizkušene na problemu razpozna-
vanja barvnih vzorcev, pridobljenih iz prostora HSL.
Prostor HSL je pri tem trirazsežni prostor, kjer značilke
H (barvni odtenek, angl. hue), S (nasičenost, angl.
saturation) in L (svetlost, angl. lightness) predstavljajo
po eno izmed razsežnosti. Naloga je bila dodeliti pred-
stavljenim vzorcem oznako ene izmed naslednjih osmih
192 MAJNIK, SKOČAJ
barv (razredov): rdeče, rumene, modre, oranžne, zelene,
rožnate, črne in bele. Ta domena ima naslednji dve
lastnosti, zaradi katerih ustreza našemu namenu:
• Pojmovanje barv je že po naravi, vsaj do neke mere,
subjektivno. Strogo določene meje med različnimi
barvami ne obstajajo.
• Oznake nekaterih tipičnih barv manjkajo (npr.
rjave, vijoličaste in sive). Učitelji se morajo
odločiti, katera od oznak, ki so na voljo, najbolje
opisuje dani barvni vzorec, lahko pa tudi izberejo
možnost “Nobena od razpoložljivih”.
Pri vrednotenju smo uporabili štiri načine učenja, med
njimi dva pomožna (naključni in večnaključni).
1) vzajemni – Vzajemno aktivno učenje. Pri vsaki
interakciji je več barvnih vzorcev pridobljenih s
postopkom, ki je opisan v razdelku 3.2. Ti barvni
vzorci so nato ponujeni v označevanje.
2) osnovni – Osnovno aktivno učenje. Pri vsaki in-
terakciji je pridobljen samo en barvni vzorec (s
pomočjo enakega postopka kot pri vzajemnem
načinu). Ta barvni vzorec je nato ponujen v
označevanje.
3) naključni – Naključno učenje. Pri vsaki interakciji
je barvni vzorec ustvarjen naključno. Ta barvni
vzorec je nato ponujen v označevanje.
4) večnaključni – Večnaključno učenje. Pri vsaki
interakciji je več barvnih vzorcev ustvarjenih na-
ključno. Vsi ti barvni vzorci so nato ponujeni v
označevanje.
Pri poizkusu je sodelovalo osem učiteljev, pet jih je
pripadalo starostni skupini 20–30 let, preostali trije pa
starostni skupini 30–40 let. Tri osebe so bile ženskega
spola, pet moškega. Vsak izmed učiteljev je skupaj
dodelil oznake razredov 840 barvnim vzorcem, ki so
pripadali naslednjim množicam:
• začetna učna množica (L1) z 80 barvnimi vzorci
(uravnotežena porazdelitev po razredih s po 10
barvnimi vzorci na razred),
• interaktivne učne množice (L2) s po 50 barvnimi
vzorci za vsako izmed 3 ponovitev pri vsakem
izmed 4 načinov učenja, skupaj torej s 3× 4× 50
barvnimi vzorci (v splošnem neuravnotežena poraz-
delitev po razredih),
• in preizkusna množica (T ) s 160 barvnimi vzorci
(uravnotežena porazdelitev po razredih s po 20
barvnimi vzorci na razred).
Za zanesljivejšo primerjavo rezultatov so bili barvni
vzorci začetne učne množice in preizkusne množice za
vse učitelje enaki. Vsi učitelji so torej prejeli enake
barvne vzorce, oznake razredov pa je tem barvnim
vzorcem individualno priredil vsak učitelj posebej. Po
drugi strani pa je bila izdelana unikatna interaktivna
učna množica za vsako kombinacijo (učitelj, ponovitev,
način učenja). Skupno število takšnih interaktivnih učnih
množic je torej 8× 3× 4 = 96.
4.2 Izvedba poizkusa
Poizkus je bil izveden na zgoraj opisanem interaktiv-
nem učnem sistemu, ki je tekel na osebnem računalniku.
Kot temeljni učni algoritem smo uporabili odKDE [3].
Učni sistem je omogočal interaktivno komunikacijo in
človeški učitelji so odgovarjali na vprašanja, ki jih je
sistem zastavljal.
Učiteljem so bila podana naslednja navodila:
• Načina naključni in osnovni (tip A): Barvnemu
vzorcu dodelite oznako ene izmed 8 razpoložljivih
barv. Če se ne morete odločiti za nobeno od teh
barv, izberite možnost “Nobena od teh”.
• Načina večnaključni in vzajemni (tip B): Izbe-
rite enega izmed 15 ponujenih vzorcev, za kate-
rega se lahko odločite, katere barve je. Izbranemu
barvnemu vzorcu dodelite oznako ene izmed 8
razpoložljivih barv. Če ne morete nobene izmed
oznak dodeliti nobenemu izmed 15 vzorcev, izbe-
rite možnost “Nobena od teh”. Poizkusite naučiti
sistem razlikovati med koncepti vseh 8 barv (torej,
če je mogoče, težite k izbiri vzorcev različnih barv).
Slika 2: Uporabniški vmesnik pri tipu A
Najprej je vsak učitelj označil 240 barvnih vzorcev;
80 jih je bilo namenjenih začetni učni množici (L1),
160 pa uporabljenih za preizkusno množico (T ). Nato
se je vsak učitelj soočil z vsakim od štirih načinov
učenja (predstavljenih v razdelku 4.1) v treh zaporednih
ponovitvah. Načini učenja določajo, kako je (so) v vsaki
interakciji ustvarjen (-i) vektor (-ji) značilk, ki je (so)
nato učitelju prikazan (-i) v obliki barvnega (-ih) vzorca
(-ev). Učitelj je torej označil 12 unikatnih interaktivnih
učnih množic, kjer je vsaka množica ustrezala enemu
izmed 12 parov (ponovitev, način učenja). Učitelji niso
bili seznanjeni z nikakršnimi dodatnimi informacijami o
predpostavljeni kakovosti uporabljenih načinov učenja.
Nazadnje je vsak učitelj odgovoril na štiri vprašanja o
svoji interakciji s sistemom.
Uporabniški vmesnik, ki je bil učiteljem na voljo pri
načinih tipa A oz. B, je prikazan na slikah 2 in 3.
4.3 Objektivne in subjektivne mere vrednotenja
Objektivno izmerjeni količini pri eksperimentalnem
vrednotenju (pri stalnem številu učnih primerov – barv-
nih vzorcev) sta bili čas učenja in uspešnost učenja.
AKTIVNO UČENJE IN VZAJEMNOST MED UČITELJEM IN UČENCEM 193
Slika 3: Uporabniški vmesnik pri tipu B
Čas učenja se je meril od trenutka, ko je bilo učitelju
zastavljeno prvo vprašanje, do trenutka, ko je učenec
prejel zadnji odgovor. Stopnja uspešnosti pa je bila
ugotovljena z izračunom klasifikacijske točnosti.
Subjektivno vrednotenje umske obremenitve
človeških učiteljev je bilo izvedeno na podlagi
naslednjega vprašalnika, ki so ga učitelji dobili, ko je
bil učni proces končan.
V osnovi ste se srečali z dvema tipoma načinov
za označevanje barvnih vzorcev:
• tip A: brez možnosti izbire (vedno na voljo
le en vzorec),
• tip B: z možnostjo izbire (vedno na voljo
15 vzorcev).
Prosimo, odgovorite z A ali B na naslednja
štiri vprašanja. Svoje odločitve na kratko ob-
razložite.
1) Kateri od obeh tipov vam je omogočil
hitejše odločanje o tem, katere barve je
(izbrani) vzorec? Zakaj?
2) Pri katerem izmed obeh tipov je bilo po
vašem mnenju učenje uspešnejše? Zakaj?
3) Kateri izmed obeh tipov se vam je zdel
umsko manj zahteven? Zakaj?
4) Pri katerem izmed obeh tipov ste ste
počutili (bolj) negotovo? Zakaj?
4.4 Rezultati in razprava
Na sliki 4 vidimo krivulje srednje klasifikacijske
točnosti, ki so bile izračunane iz posameznih rezultatov
vseh 8 učiteljev in vseh 3 ponovitev, ki jih je opravil vsak
izmed učiteljev. Najprej lahko opazimo, da je bil proces
interaktivnega učenja v vseh primerih uspešen. Klasifi-
kacijska točnost narašča s številom učnih primerov; ta
rast je najbolj izrazita na začetku učnega procesa, ko
se sistem uči novih konceptov, vendar v glavnem ostaja
pozitivna tudi v kasnejših obdobjih učenja, ko se naučeni
modeli izpopolnjujejo na osnovi novih učnih primerov.
V prvih fazah učnega procesa osnovno aktivno učenje
ni najbolj uspešno, ker se modeli, na podlagi katerih
učenec izbira učne primere, šele gradijo. Ko pa so mo-
deli dovolj zanesljivi, se proces učenja zelo pospeši, tako
da je ta način po pričakovanjih boljši kot naključni način,
pri katerem se učni primeri izbirajo naključno. Zaradi
vloženega človeškega napora je tudi večnaključni način
boljši od naključnega; v tem primeru namreč učenje z
izbiranjem med ponujenimi naključno izbranimi vzorci
vsaj deloma usmerja učitelj. Za najboljšega med vsemi
pa se je izkazal vzajemni aktivni način. Ta način na
koncu učenja doseže največjo klasifikacijsko točnost,
poleg tega pa tudi med samim učenjem visoko klasi-
fikacijsko točnost doseže prej kot drug načini učenja.
Ti rezultati torej potrjujejo našo prvo hipotezo, ki je
predvidevala, da se bo zaradi večje razumljivosti učnih
primerov klasifikacijska točnost povečala.
80 90 100 110 120 130
0.7
0.75
0.8
0.85
0.9
0.95
1
Število učnih primerov
K
la
si
fik
ac
ijs
ka
to
čn
os
t
naključni
več-naključni
osnovni
vzajemni
Slika 4: Srednja klasifikacijska točnost
Tabela 1 prikazuje srednji čas označevanja enega
barvnega vzorca, povprečen preko vseh učiteljev in
vseh ponovitev. Opazimo lahko, da je v nasprotju z
našo drugo hipotezo srednji kosmati čas označevanja
posameznega barvnega vzorca za približno 42 % višji
pri vzajemnem (4.4 s) kot pri osnovnem (3.1 s) aktivnem
načinu. Kosmati čas pri osnovnem načinu sestoji iz časa
odločanja o oznaki in časa klika. Po drugi strani pa pri
vzajemnem načinu kosmati čas vključuje čas odločanja o
izbiri barvnega vzorca, čas klika, čas odločanja o oznaki
in še čas drugega klika. Verjamemo pa, da bi v domenah,
kjer so posledice dodelitve napačne oznake učnemu
primeru lahko resne, npr. v varnostno-občutjivih in me-
dicinskih aplikacijah, kosmati čas praviloma moral biti
večji pri osnovnem kot pri vzajemnem načinu. Po našem
mnenju bi se težavnost označevanja tipičnega aktivno
pridobljenega primera odrazila v času, ki bi presegal
vsoto časa odločanja o izbiri primera in časa drugega
klika. Kakorkoli že, na osnovi rezultatov poizkusa, druge
hipoteze, ki je predvidevala skrajšanje skupnega časa
učenja, ne moremo potrditi.
Po drugi strani se je treba zavedati, da ima povečanje
194 MAJNIK, SKOČAJ
klasifikacijske točnosti za posledico skrajšanje časa
učenja, ki je potreben za dosego neke določene klasi-
fikacijske točnosti. Na primer, za dosego 92-odstotne
klasifikacijske točnosti mora učitelj označiti 119 barvnih
vzorcev v osnovnem načinu aktivnega učenja in le 97
barvnih vzorcev v vzajemni različici aktivnega učenja.
Tabela 1: Srednji čas označevanja enega barvnega vzorca
naključni več-
naključni
osnovni vzajemni
3.2 s 4.7 s 3.1 s 4.4 s
Rezultati subjektivnega vrednotenja so predstavljeni v
tabeli 2. Opazimo lahko, da je velika večina učiteljev pri
vprašanjih 1, 2 in 4 bolj naklonjena tipu B. Tip B ima
pred tipom A prednost tudi pri vprašanju 3, se pa pri tem
vprašanju mnenja učiteljev najbolj razlikujejo: medtem
ko se pri tipu A ni bilo treba odločati o tem, kateri
barvni vzorec izbrati za označevanje, pa je bilo pri tipu
B preprostejše sámo označevanje izbranega barvnega
vzorca. Iz rezultatov torej lahko sklepamo, da se je
umska obremenitev človeškega učitelja pri vzajemnem
aktivnem učenju zmanjšala, kar potrjuje našo tretjo
hipotezo.
Tabela 2: Subjektivno vrednotenje
vprašanje odgovor
A
odgovor
B
drugo
1 0 6 2
2 1 5 2
3 3 4 1
4 7 1 0
5 SKLEP
V tem članku smo predlagali nov koncept za izboljšanje
uspešnosti in učinkovitosti aktivnega učenja, ki smo ga
poimenovali vzajemno aktivno učenje. Glavna lastnost
predlaganega pristopa je, da pri izbiri učnih primerov
v procesu aktivnega učenja sodelujeta tako učenec kot
učitelj. Pri tej izbiri se tako poleg ocenjevanja infor-
mativnosti primerov omogoči tudi upoštevanje njihove
razumljivosti. Predstavili smo lastnosti predlaganega pri-
stopa in tudi njegove pričakovane prednosti. Empirično
vrednotenje pristopa na primeru učenja koncepta barv je
potrdilo dve naši hipotezi.
Ker je osnovna ideja vzajemnega aktivnega učenja
neodvisna od domene, je predlagani pristop primeren
tudi za uporabo na drugih področjih. Pri bodočem delu
bomo tako med drugim raziskali obnašanje in uspešnost
vzajemnega aktivnega učenja na drugih domenah (npr.
na problemu razpoznavanja ročno pisanih števk).
Vzajemno aktivno učenje se približuje predpostavkam
realnega sveta in naj bi pomagalo zmanjšati količino
časa in napora, ki ga mora učitelj vložiti v proces učenja
umetnega inteligentnega sistema. Pri praktični uporabi
takšnih sistemov bi bila predlagana izboljšava zelo do-
brodošla. Zavoljo hitrejšega in človeku bolj prijaznega
učenja lahko torej pričakujemo, da bodo tovrstni pristopi
igrali pomembno vlogo pri načrtovanju interaktivnih
socialnih aplikacij.
ZAHVALA
Zahvaljujemo se vsem, ki so v vlogi učitelja sodelovali
pri preizkušanju predlagane vzajemne metode in tako
omogočili njeno objektivno in subjektivno vrednotenje.