algoritamska vizualizacija vrijedi li slika, baš uvijek, tisuću riječi · 3 opisom izvršavanja...

1

dr. sc. Ivica Boljat, docent

Prirodoslovno-matematički fakultet

Split, Nikole Tesle 12

[email protected]

mag. Ivana Pletikosa - Grgić, asistent

Fakultet elektrotehnike, strojarstva i brodogradnje

Split, Ruđera Boškovića 32

[email protected]

Algoritamska vizualizacija

Vrijedi li slika, baš uvijek, tisuću riječi?

2

Algoritamska vizualizacija

Vrijedi li slika, baš uvijek, tisuću riječi?

dr. sc. Ivica Boljat, docent

Prirodoslovno-matematički fakultet

Split

mag. Ivana Pletikosa - Grgić, asistent

Fakultet elektrotehnike, strojarstva i brodogradnje

Split

Algoritamska vizualizacija - Vrijedi li slika, baš uvijek, tisuću riječi?

U ovom radu simuliran je tipičan scenarij kako predavači, koji u pravilu nisu i dizajneri,

upotrebljavaju algoritamske vizualizacije. Na temi BST i AVL stabala eksperimentalno su

uspoređeni učinci sljedeće tri metode: (1) vizualizacije u kojoj se moglo samo pratiti

izvođenje, (2) vizualizacije u kojoj je bilo moguće predviđati ponašanje algoritma i (3)

klasičnog predavanja popraćenog upotrebom statičnih slika. Analiza varijance pokazala je da

vizualizacijske grupe nisu postigle bolje rezultate od klasične. Predviđanje ponašanja

algoritma nije rezultiralo boljim rezultatima u odnosu na samo gledanje. Upitnikom su

ispitani stavovi studenata o vizualizaciji. Studenti su vrlo zadovoljni načinom i

jednostavnošću upotrebe vizualizacijskog alata, vizualizacija im je zanimljiva, žele je i u

drugim predmetima jer smatraju da im je pomogla u razumijevanju gradiva.

Ključne riječi: algoritmi; animacija; empirijska evaluacija; vizualizacija

Uvod

Algoritmi i strukture podataka veliki su izazov za studente, prvenstveno zbog apstraktnih

procesa koje opisuju. Oni otvaraju problem i predavačima: kako tradicionalnim metodama

poučavanja opisati apstraktne i dinamične procese? Intuitivno jasna poslovica „slika vrijedi

tisuću riječi“ potaknula je mnoge istraživače da pokušaju te procese učiniti opipljivijima

3

opisom izvršavanja algoritma kroz diskretnu ili kontinuiranu sekvencu grafičkih slika.

Dizajnirane su mnoge zanimljive vizualizacije algoritama koje su privlačile pažnju studenata.

Ubrzo se postavilo pitanje koliko vizualizacije zaista povećavaju učinkovitost učenja, da li

vrijeme i trud uloženi u izgradnju algoritamskih vizualizacija osiguravaju obrazovne koristi?

Rezultati većine studija sugeriraju da bolje rezultate na testovima imaju studenti koji su

koristili vizualizacije nego student kojih nisu koristili, ali razlike između tih grupa nisu

statistički značajne (Hundhausen i sur., 2004.). Neke studije izvještavaju o potpuno poraznim

rezultatima; studenti koji su koristili vizualizacije pokazali su manje znanja od studenata koji

nisu koristili vizualizacije (Jarc i sur., 2000.). Razlozi za ovakve rezultate mogu biti brojni,

istraživači ih najčešće opravdavaju nekakvom greškom u dizajnu provedenog eksperimenta i

raznim mjerama koje su neosjetljive na pozitivne učinke vizualizacija. Zaista, mnoge

provedene studije učinkovitosti testirale su učinke vizualizacije nakon što su studenti bili

izloženi takvom načinu učenja samo nekoliko desetaka minuta. Tako kratko vrijeme

interakcije studenta s vizualizacijom nije dovoljno da se pokažu pozitivni učinci vizualizacije.

Najuspješnije obrazovne upotrebe vizualizacije su one u kojima je tehnologija korištena kao

sredstvo aktivnog angažiranja studenata u procesu učenja algoritama. Sama prisutnost

vizualizacija ne garantira da će studenti naučiti algoritam, koliko god vizualne reprezentacije

bile dobro dizajnirane i informativne. Način angažiranosti učenika važniji je od forme

vizualizacije (Hundhausen i sur., 2004.).

Kod vizualizacije primjećujemo četiri uloge: autor alata za vizualizaciju sadržaja, dizajner

specifičnih vizualizacija, predavač koji uvodi vizualizaciju u nastavu i učenik koji je koriste

(Naps i sur.,2002:2). Iako predavači ponekad mogu biti i dizajneri vizualizacija, prevladava

njihova uloga konzumenta gotovih proizvoda. Vizualizaciju češće koriste za pojedine

nastavne cjeline nego za cjelokupan kolegij. Upravo to krije opasnost od neadekvatne,

pedagoški nedovoljno osmišljene upotrebe vizualizacije u nastavnom procesu čiji ishodi

mogu biti razočaravajući.

4

Slika 1. Uloge povezane s vizualizacijom i njihovo međudjelovanje

U ovom radu simuliran je tipičan scenarij kako predavači upotrebljavaju algoritamske

vizualizacije kod poučavanja algoritama. Na primjeru dviju vrsta binarnih stabala

eksperimentalno su uspoređeni učinci vizualizacije u kojoj se moglo samo pratiti izvođenje,

učinci vizualizacije u kojoj je bilo moguće predviđati i učinci klasičnog predavanja

popraćenog upotrebom statičnih slika. Anketnim upitnikom ispitani su stavovi studenata o

primjerenosti, lakoći upotrebe, korisnosti i zanimljivosti vizualizacije. Neke druge tehnike

sumativne evaluacije poput analize učenikova razumijevanja korištenjem mentalnih modela

nisu primijenjene jer je istraživanje obuhvatilo samo jednu temu.

Eksperiment proveden na PMF-u Split

Istraživanje se pridržavalo općeg okvira kojeg je definirala Radna skupina kao sredstvo

poticanja konzistentnosti za sve eksperimente u vezi algoritamskih vizualizacija (Naps i sur.,

2002.). Ove smjernice pretpostavljaju da je istraživač odabrao hipotezu za testiranje,

algoritam kao središnju točku i vizualizacijski alat koji će poduprijeti željene razine

uključenosti: gledanje, odgovaranje, mijenjanje, konstruiranje vlastite animacije i

predstavljanje (Stasko i Hundhausen, 2004.). Kasnije su Myller i sur. (2009.) dodali još

5

nekoliko razina uključenosti: gledanje s kontrolom, npr. brzine, unos podataka za vrijeme

izvođenja, modifikacija npr. koda algoritma, osvrt i sugestije u vezi s vizualizacijom. Okvir

uključuje način odabira ispitanika, pripremu materijala koji će se koristiti u izvedbi zadataka,

proceduru koja definira organizaciju eksperimenta i opis mjernog instrumenta za sakupljene

podatke.

Opća procedura

Eksperiment je obuhvatio 61 studenta studijskih grupa Matematike i informatike (treća i

četvrta godina) te Informatike i tehničke kulture (treća i četvrta godina) PMF-a Split. Svi

studenti su odslušali kolegij Strukture podataka i algoritmi i donekle su bili upoznati s temom

eksperimenta: binarna stabla, BST (Binary Search Tree) i nešto složenija AVL (Adelson-

Velskii Landis) stabla kao primjer uravnoteženih stabala izvanrednih karakteristika. Tjedan

dana prije obrade BST i AVL stabala svim studentima dan je pre-test da bi se točno utvrdilo

koliko poznaju temu. Na temelju rezultata pre-testa studenti su razvrstani u tri podjednake

grupe, pri čemu se vodilo računa da se u što većoj mjeri sačuva prirodnost grupa. To je

postupku dalo elemente kvazieksperimenta, odnosno Kerlingerova kompromisna nacrta..

Grupe su radile na tri različita načina: (1) klasično predavanje, (2) predavanje i vizualizacijski

alat s mogućnošću predviđanja i (3) predavanje i vizualizacijski alat bez mogućnosti

predviđanja. Nakon obrade teme studentima je dan post-test na kojem su mogli raditi do 30

minuta i kratak upitnik o odslušanom predavanju u koji su mogli upisati svoje dojmove.

Nezavisna varijabla bila je način učenja. Broj studenata za svaku grupu i njihovu strukturu

daje Tablica 1.

Tablica 1. Struktura eksperimentalnih grupa

NAČIN RADA BROJ

STUDENATA

STRUKTURA GRUPA

1. Klasično predavanje 16 1/3 studenata iz svih studijskih grupa

2. Vizualizacija s predviđanjem 22 2/3 M-Inf (3. g) +2/3 Inf-TK (3. g)+ 1/3 Inf-TK (4. g)

3. Vizualizacija bez predviđanja 23 2/3 M-Inf (4. g) + 1/3 Inf-TK (4. g)

6

Materijali

Studenti u Klasičnoj grupi odslušali su predavanje u trajanju 45 minuta, uz korištenje

PowerPoint prezentacije, te ploče i krede za objašnjenje složenijih primjera. Nakon toga

dobili su nekoliko primjera za vježbu koje su rješavali koristeći papir i olovku.

Studenti iz grupe „S predviđanjem“ odslušali su nešto kraće predavanje u trajanju 30 minuta.

Za pojašnjenje primjera koristio se on-line alat za algoritamsku vizualizaciju koji je imao

mogućnost predviđanja u obliku prozora koji „iskaču“ u trenutku kada student dodaje neki

element u AVL stablo. Tako se osiguravala povratna informacija o točnosti ponuđenih

odgovora. Slika 2. prikazuje screen-shot vizualizacije AVL stabala. Ovaj alat imao je

mogućnost pogleda na korak koji je prethodio trenutnom i kratka objašnjenja događaja u

glavnom prozoru (tzv. Tutor on način). Alat nije imao mogućnost vizualiziranja BST stabala.

Nakon odslušanog predavanja studenti su upućeni da sami konstruiraju vlastite unose

podataka i na taj način odrade vježbe koje su trajale 20 minuta. Korišteni alat bio je dostupan

na internet adresi http://sky.fit.qut.edu.au/~maire/avl/System/AVLVis.html.

Slika 2. Screen-shot vizualizacije AVL stabala u sustavu s mogućnošću predviđanja

Studenti iz grupe „Bez predviđanja“ također su odslušali kraće predavanje u trajanju 30

minuta uz pojašnjenje primjera. Koristili su on-line alat za vizualizaciju koji nije imao

mogućnost predviđanja, ali je imao detaljnija objašnjenja za umetanje i brisanje u BST i AVL

http://sky.fit.qut.edu.au/~maire/avl/System/AVLVis.html

7

stabla. I u ovom slučaju studenti su nakon predavanja unosili vlastite podatke te su tako

odradili vježbe u trajanju 20 minuta. Korišteni alat bio je dostupan na internet adresi

http://people.ksp.sk/~kuko/bak/.

Slika 3. Screen-shot vizualizacije AVL stabala u sustavu bez mogućnosti predviđanja

Sve tri grupe nakon vježbi rješavale su post-test koji se sastojao od pitanja s višestrukim

izborom, pitanja koja su tražila umetanje elemenata u BST i AVL stabla, te pitanja koja se

tiču općih definicija stabala i AVL stabala. Uz post-test podijeljen im je i upitnik.

Hipoteze

Četiri su hipoteze koje smo htjeli testirati:

H1. Vizualizacija više olakšava usvajanje proceduralnih nego deklarativnih znanja

Rezultat: H1 nije potvrđena

H2. Grupe studenata koje su, uz kratko predavanje, koristile vizualizaciju pokazat će veću

razinu znanja na post-testu u odnosu na grupu koja nije koristila vizualizaciju.


H3. Grupa studenata koja je koristila vizualizaciju s mogućnošću predviđanja pokazat će veću

razinu znanja na post-testu u odnosu na grupu koja je koristila vizualizaciju bez mogućnosti

predviđanja


8

H4. Vizualizacija čini gradivo pristupačnijim, povećava motivaciju studenata i sklonost da se

vizualizacija koristi i nakon eksperimenta, studenti su zadovoljniji nego kod klasičnog

predavanja..

Rezultat: H4 uglavnom je potvrđena.

Psihometrijske osobine post-testa

Sadržajna valjanost utvrđena je faktorskom analizom (metoda glavnih komponenata, varimax

rotacija). Iz matrice faktorskog opterećenja interpretirali smo značenje 5 faktora (Tablica 2).

Ako pogledamo proporcije varijance koju faktori objašnjavaju, možemo reći da post-test

mjeri predviđene elemente.

Tablica 2. Faktori post-testa

FAKTORI % OBJAŠNJENE VARIJANCE

Balansiranost AVL stabla 21,8

Definicije BST i AVL stabla 16,9

Umetanje u BST i AVL stabla 12,0

Inorder, postorder, preorder obilasci 10,1

Brisanje elemenata iz BST 8,4

Pouzdanost testa je relativno skromna (Cronbach-ov Alpha koeficijent iznosi 0,651) jer se test

sastojao samo od 12 pitanja koja su pokrivala BST i AVL stabla.

Rezultati post-test

Grupa koja je koristila vizualizaciju imala je veći prosjek točnih odgovora za proceduralna

znanja samo kod drugog i trećeg pitanja, dok joj je za sva ostala pitanja prosjek bio niži nego

klasičnoj grupi (Tablica 3). Pitanje koje je nosilo najviše bodova odnosilo se na AVL stabla

mnogo bolje riješila je klasična grupa (prosjeci su 2,44 nasuprot 1,49 u korist klasične grupe,

p=0,063).

Pitanja 1, 4, 6, 7 i 11 ispitivala su deklarativna znanja i odnosila su se na osnovne definicije

stabala i AVL stabla. Vizualizacijska grupa je imala značajno viši prosjek točnih odgovora

samo za 1. pitanje (p=0,016), dok je klasična grupa bolje riješila ostala pitanja.

9

Možemo zaključiti da naša prva hipoteza H1 nije potvrđena, odnosno vizualizacija nije više

pomogla usvajanju proceduralnog znanja u odnosu na deklarativno znanje.

Ako usporedimo klasičnu i vizualizacijsku grupu s obzirom na njihov ukupan uspjeh na post-

testu opet vidimo da nema značajne razlike između grupa (p=0,499).

Dakle, ni druga hipoteza H2 nije potvrđena. Grupe koje su koristile vizualizaciju nisu bile

uspješnije od grupe koja je poučavana klasičnim predavanjem.

Tablica 3. Rezultati klasične i vizualizacijske grupe za proceduralno i deklarativno znanje

A. PROCEDURALNO ZNANJE Sig. Bolja grupa

Zad2 Preorder - Inorder – postorder obilazak BST ,119 Vizualizacija

Zad3 Brisanje elemenata s dva podstabla iz BST ,270 Vizualizacija

Zad5 Brisanje elementa s jednim podstablom iz BST ,409 predavanje

Zad8 Dodavanje elementa u AVL koji narušava ravnotežu ,917 Predavanje

Zad9 Dodavanje elementa i jednostruka rotacija u AVL ,169 Predavanje

Zad10 Dodavanje niza elemenata u BST ,098 Predavanje

Zad12 Dodavanje niza elemenata i rotacije u AVL 2,44:1,49 ,063 Predavanje

B. DEKLARATIVNO ZNANJE Sig. Bolja grupa

Zad1 Definicija Inorder obilaska BST ,016 Vizualizacija

Zad4 Definicija AVL stabla ,652 Predavanje

Zad6 Visina BST – najgori slučaj, dodavanje sortiranih elemenata ,472 Predavanje

Zad7 Kriterij ravnoteže AVL – faktor ravnoteže ,328 Vizualizacija

Zad11 Pojam visine stabla ,193 Predavanje

C. UKUPNO POST-TEST Sig. Bolja grupa

Klasična grupa 10,63 : Vizualizacijske grupe 9,84 ,499 Predavanje

ANOVA analiza pokazala je da nema značajnih razlika (p > 0,05) između grupa „S

predviđanjem“ i „Bez predviđanja“, a potvrđeno je da nema značajnih razlika između te dvije

grupe i klasične grupe. Tvrdnje vrijede za ukupni rezultat post-testa, za dio koji se odnosi na

AVL stabla i za dio koji se odnosi na BST. Sveukupno, klasična grupa je bila nešto uspješnija

od vizualizacijske grupe „S predviđanjem“, a gotovo izjednačena s vizualizacijskom grupom

10

„Bez predviđanja“ (Tablica 4). Time je i naša treća hipoteza H3 odbačena, odnosno grupa

koja je koristila alat s mogućnošću predviđanja nije bila bolja od grupe koja je samo

gledala vizualizaciju uz popratna tekstualna objašnjenja.

Suprotno očekivanjima, grupa „S predviđanjem“ slabija je od obje grupe i u ukupnom

rezultatu i po dijelovima testa. Naročito se ističe njen slabiji rezultat za dio AVL stabla u

odnosu na klasičnu predavačku grupu (p = 0,063) i rezultat za BST stabla u odnosu na grupu

„Bez predviđanja“ (p = 0,086).

Petoro studenata iz grupe „Bez predviđanja“ imalo je 15 ili više bodova od mogućih 20, a isti

rezultat je imao samo jedan student iz grupe „S predviđanjem“. Također 12 studenata iz grupe

„S predviđanjem“ imalo je 8 ili manje bodova na post-testu, dok je takav rezultat imalo pet

studenata iz klasične grupe i sedam studenata iz grupe „Bez predviđanja“. Iako je grupa „S

predviđanjem“ bila nešto lošija od grupe „Bez predviđanja“ niti ta razlika nije statistički

značajna.

Slika 4. Rezultati post-testa klasične i vizualizacijskih grupa

0

2

4

6

8

10

12

UKUPNO (20) AVL (9) BST (6)

10,63

5,19

3,44

8,95

3,64

2,64

10,7

4,35

3,43

Klasična (N=16)

„S predviđanjem“ (N=22)

„Bez predviđanja“ (N=23)

11

Tablica 4: Analiza varijance rezultata klasične i vizualizacijskih grupa (ANOVA, LSD post-hoc)

ZAVRŠNI TEST GRUPA GRUPA PROSJEČNA

RAZLIKA SIG.

UKUPNO 1 2 1,67 ,198

1 3 -,07 ,956

2 3 -1,74 ,140

AVL 1 2 1,55 ,063

1 3 ,84 ,305

2 3 -,71 ,343

BST

1 2 ,80 ,118

1 3 ,00 ,996

2 3 -,80 ,086

Analiza upitnika

Nakon odslušanog predavanja i post-testa, 81% studenata grupe „S predviđanjem“ izjavilo je

da bi voljeli koristiti vizualizaciju i u drugim kolegijima. Isto je odgovorilo i 73% studenata

grupe „Bez predviđanja“. Niti jedan student obiju grupa nije odgovorio negativno. Možemo

zaključiti da su studenti uglavnom zadovoljni načinom rada u kojem se koristi vizualizacija.

Najveći broj studenata iz grupe „Bez predviđanja“ smatra da bi vizualizaciju predavač trebao

integrirati u predavanje, dok bi grupa „S predviđanjem“ vizualizaciju prvenstveno koristila na

vježbama (Tablica 5).

Tablica 5. Preferencije studenata o načinima korištenja vizualizacije

KAKO KORISTITI VIZUALIZACIJU GRUPA

„S

predviđanjem“

„Bez

predviđanja“

Integrirati u predavanje 6 10

Koristiti na vježbama 10 9

Samostalno koristiti kod kuće 1 3

Koristiti kombinirano (predavanje, vježbe, kući) 5 1

12

Više od dvije trećine studenata slaže se s tvrdnjom da im je korištenje vizualizacije pomoglo u

savladavanju gradiva (Tablica 6). Samo jedan student iz grupe „Bez predviđanja“ izjavio je da

se uopće ne slaže s tom tvrdnjom, dok se pet studenata u potpunosti slaže s tvrdnjom. Četvoro

studenata je neutralno. Jedna je studentica iz grupe „Bez predviđanja“ napisala: „Svidjela mi

se mogućnost istovremenog praćenja predavanja na vlastitim računalima u danom programu

koji je bio jednostavan za korištenje. Također su mi se svidjela i dodatna objašnjenja na ploči

kroz primjere, iako mislim da je nedostajalo objašnjenja na malo težim primjerima“. Student

iz grupe „S predviđanjem“ je napisao: „Predavanje mi se svidjelo jer smatram da je ovakav

način puno bolji za razumijevanje od klasičnog predavanja“.

Tablica 6. Stavovi studenata o pomoći vizualizacije u usvajanju gradiva

KORIŠTENJE VIZUALIZACIJE POMAŽE U

RAZUMIJEVANJU GRADIVA

GRUPA

„S

predviđanjem“

„Bez

predviđanja“

uopće se ne slažem 0 1

ne slažem se 0 3

neutralan sam/nemam mišljenje 3 1

slažem se 16 16

u potpunosti se slažem 3 2

Najkritičniji prema pomoći vizualizacije (p=0,08) u savladavanju gradiva bili su studenti

četvrte godine studijske grupe Matematika i informatika (Tablica 7). Četvoro se studenata

“uopće ne slaže” ili “ne slaže” da im je vizualizacija pomogla u savladavanju gradiva. Neki

od njih u upitniku napisali su da je nedostajalo objašnjenja težih elemenata gradiva, da je

predavanje bilo nepregledno i da je teklo prebrzo, što je moglo dovesti do kognitivna

preopterećenja (Maher i Moreno, 2003.).

Troje studenata s manjim brojem bodova (6, 7 i 8 bodova) smatra da je alat za vizualizaciju

bio težak za korištenje, dok svi ostali misle da je bio lagan za korištenje (sig. za Pearsonov

2 = 0,249).

13

Samo jedan student ocijenio je gradivo vrlo teškim (4 boda na post-testu, klasična grupa), pet

ih je gradivo ocijenilo teškim dok većina studenata smatra da je gradivo bilo umjereno teško.

Zanimljivo je napomenuti i da je polovina studenata iz klasične grupe odgovorila da bi voljeli

da su koristili vizualizaciju u kolegijima u ranijim fazama obrazovanja iako s njom nikada

nisu radili.

Tablica 7. Rezultati 2 - testa o povezanosti studijske grupe i načina rada s pitanjima iz

upitnika

VARIJABLA 1 VARIJABLA 2

(Pitanje)

Persona

2

Sig.

Studijska grupa

(M-I, I-TK)

Je li gradivo teško ,855

Je li gradivo dobro objašnjeno ,080

Je li vizualizacija pomogla ,155

Gdje koristiti vizualizaciju ,105

Je li vizualizacijski alat jednostavan ,124

Bi li voljeli koristiti vizualizaciju u drugim predmetima ,801

B.

Uspješnost studenta na

post-testu

(Slabi: 1-6 bodova,

Srednji: 7-13 bodova,

Dobri: 14-20 bodova)







Način rada

(“Klasično”,

„S predviđanjem“

i „Bez predviđanja“.)







Je li vizualizacija pomogla Bi li voljeli koristiti vizualizaciju u drugim predmetima ,410

14

Ne postoji značajna povezanost uspješnosti studenta na post-testu s odgovorima na pitanja iz

upitnika. Također, odgovori studenata različitih studijskih grupa značajno se ne razlikuju iako

se prevladavajući stilovi učenja studenata matematike - apstraktni, promišljajući, teorijski

(prema Kolibu, Money & Mumfordu) vjerojatno razlikuju u odnosu na studente tehnike koji

su uglavnom konkretni, aktivni eksperimentatori, pragmatični.

Dakle, iz ovih rezultata možemo iščitati da su studenti uglavnom pozitivno ocijenili korištenje

vizualizacije i njenu pomoći u učenju, čime je potvrđena hipoteza H4. No, iako su studenti

bili motivirani za rad, to nije rezultiralo uspješnijim učenjem i boljim rezultatima

vizualizacijskih grupa nasuprot klasične.

Rasprava

Cilj istraživanja bio je utvrditi da li vizualizacija motivira studente i olakšava im učenje novih

sadržaja te da li mogućnost interaktivnog predviđanja pridonosi uspješnijem učenju u odnosu

na samo gledanje vizualizacije.

Odgovori na pitanja iz upitnika pokazali su zadovoljstvo studenata koji su radili s

vizualizacijom, ali oni nisu bili uspješniji od studenata koji su radili na tradicionalan način.

Razlozi mogu biti nepoznavanje vizualnog jezika koje su vizualizacije koristile, kratkotrajno

korištenje alata, individualne karakteristike studenata i kvaliteta održanog predavanja.

Kehoe, Stasko i Taylor (2001.) smatraju da postoje tri moguća objašnjenja: (1) animacije ili

nemaju ili imaju vrlo malo pozitivnih učinaka na učenje; (2) pozitivni učinci postoje, ali su

mjere korištene u studijama neosjetljive na njih ili (3) nešto u dizajnu eksperimenta sprječava

ispitanike da prime te pozitivne učinke. Metodologija njihove studije razlikovala se od

metodologije većine do tada provedenih studija jer je simulirala scenarij domaće zadaće. Svim

studentima pitanja i nastavni materijali dani su na početku, mogli su ih koristiti tijekom

cijelog eksperimenta, čak i tijekom odgovaranja na postavljena pitanja, nije bilo nikakvog

vremenskog ograničenja za proučavanje materijala i odgovaranje na pitanja. Rezultati

pokazuju da je grupa koja je koristila animaciju bila uspješnija u odgovaranju na pitanja –

89% točnih odgovora naspram 69% ne-animacijske grupe. Razlika u rezultatima je značajna

(p< 0.029). Animacijska grupa učila je više vremena, dok su obje grupe podjednako dugo

15

odgovarale na pitanja. Pokazalo se da je pedagoška vrijednost algoritamskih animacija očitija

u otvorenijim, interaktivnim obrazovnim situacijama poput scenarija domaće zadaće i da

animacije nisu tako korisne kada se koriste izolirano. Čak i onda kada vizualizacija ne pomaže

boljem razumijevanju gradiva, ona poboljšava pedagogiju, povećava motivaciju, čini

algoritam pristupačnijim i manje zastrašujućim.

Rezultati su pokazali da mogućnost interaktivnog predviđanja nije proizvela očekivanu

dobrobit u našem eksperimentu. Ovakav rezultati slaže se s prethodnim istraživanjem Duane

J. Jarc-a [12] koji je ponudio objašnjenje da mnogi studenti tretiraju vizualizacijski alat kao

nekakvu igru. Umjesto da razmisle o postavljenim pitanjima oni pogađaju odgovor pa ne

iskorištavaju sve dobrobiti vizualizacijskog alata. Također, tijekom istraživanja iskristalizirali

su se neki problemi s vizualizacijskim alatom koji je koristila grupa „S predviđanjem“ kao što

su često „zamrzavanje“ ekrana i nemogućnost daljnjeg unošenja elemenata u AVL stabla.

Alat unošene elemente nije shvaćao kao integere već kao stringove što je dodatno zbunjivalo

studente. Na internetu postoji mnoštvo vizualizacijskih alata ali mnogi nemaju detaljna

objašnjenja operacija sa stablima ni mogućnost predviđanja. Većina alata neke operacije,

primjerice rotacije kod AVL stabla, obavi bez ikakva objašnjenja. Student koji nije bio od

prije upoznat s temom teško se može snaći u takvom okruženju i naučiti nešto novo. Na

http://www.ansatt.hig.no/frodeh/algmet/animate.html nalazi se popis mnogobrojnih

vizualizacija, među njima je i drugi alat korišten u ovom radu. One slijede, poglavlje po

poglavlje, popularni udžbenik “Algorithms in C++” Roberta Sedgewicka. Nažalost, iako

većina tih vizualizacija može biti jako korisna, pogotovo za samostalno učenje onih

algoritama koji se ne stignu obraditi na nastavi, dobar dio tih alata boluje od istih nedostataka

kao i vizualizacije iz našeg eksperimenta.

Zaključak

Ovo istraživanje pokazalo je da upotreba pedagoški neadekvatnog, zbunjujućeg alata koji ne

udovoljava temeljnim standardima za dizajn vizualizacijskih alata ili se koristi na

neodgovarajući način može odmoći studentima u postizanju dobrih rezultata.

Vjerodostojnije rezultate dobili bismo istraživanjem kroz nešto duži vremenski period, s

adekvatnim vizualizacijskim alatima, većim brojem ispitanika i dodatnim metodama

evaluacije pored kontroliranih eksperimenata. Također, zanimljivo bi bilo provjeriti bi li

http://www.ansatt.hig.no/frodeh/algmet/animate.html

16

motivacija studenata u tom slučaju ostala na istoj razini budući bi im vizualizacija postala

nešto svakodnevno.

Za uspješnu integraciju vizualizacije u nastavni proces treba je približiti nastavnicima tako da

ih se upozna s kriterijima koje moraju ispunjavati obrazovno učinkovite vizualizacije,

principima multimedijalnog učenja (Mayer i Moreno, 1998.) i alatima poput HalVis-a koji su

te principe ugradili (Hansen i sur., 2002.). Korisno je naglasiti ulogu nastavnika u korištenju

takvih alata kako bi se ublažio njihov osjećaj da im ti alati mogu ugroziti poziciju autoriteta

utemeljenog na monopolu u pristupu izvorima znanja (R. Ben-Bassat Levy i M. Ben-Ari,

2007.).

Literatura

Ben-Bassat Levy, R., Ben-Ari, M. (2007), We Work So Hard and They Don’t Use It:

Acceptance of Software Tools by Teachers, ITiCSE’07, June 23–27, 2007, Dundee, Scotland,

United Kingdom, p. 246-250.

Hansen, S., Narayanan, N. H., Hegarty M. (2002), Designing Educationally Effective

Algorithm Visualizations, Journal of Visual Languages and Computing, 13(3), Academic

Press, 2002., p. 291-317.

Hundhausen, C. D., Douglas, S. A. & Stasko, J. T. (2002), A meta-study of algorithm

visualization effectiveness, Journal of Visual Languages and Computing, 13(3), p. 259-290.

Jarc, D. J., Feldman, M. B. and Heller, R. S. (2000), Assessing the Benefits of Interactive

Prediction Using Web-based Algorithm Animation Courseware. ACM SIGCSE Bulletin,

32(1), p. 377 – 381.

Kehoe, C., Stasko, J. T. & Taylor, A. (2001), Rethinking the evaluation of algorithm

animations as learning aids: An observational study. International Journal of Human-

Computer Studies, 54(2), p. 265-284.

Mayer, R. E., Moreno, R. A. (1998), Cognitive Theory of Multimedia Learning: Implications

for Design Principles, http://www.unm.edu/~moreno/PDFS/chi.pdf, 15.12.2012.

http://www.unm.edu/~moreno/PDFS/chi.pdf

17

Mayer, R. E., Moreno, R. A. (2003), Nine Ways to Reduce Cognitive Load in Multimedia

Learning, Educational Psychologist, 38(1), p. 43-52

Myller, N., Bednarik, R, Sutinen E., Ben – Ari, M. (2009) Extending the Engagement

Taxonomy: Software Visualization and Collaborative Learning, ACM Transactions on

Computing Education (TOCE), 9(1): p. 1–27

Naps, T. L., Rößling G., Almstrum, V., Dann, W., Fleischer, R., Hundhausen, C., Korhonen,

A., Malmi, L., McNally, M., Rodger S. and Velázquez-Iturbide, J. Á..(2002), Exploring the

Role of Visualization and Engagement in Computer Science Education, Report of the

Working Group on ”Improving the Educational Impact of Algorithm Visualization”. In

Working Group Reports from ITiCSE on Innovation and Technology in Computer Science

Education, New York, USA, 2002. ACM Press, p. 131–152.

Pletikosa, I. (2008), Vizualizacija u nastavi informatike, diplomski rad, Fakultet

prirodoslovno - matematičkih znanosti, Split

Stasko, J. T.,Hundhausen, C. D. (2004), Algorithm Visualization in Fincher, S., Petre, M.,

Computer Science Education Research, Taylor & Francis, 2004, p. 199–228.

18

Algorithm visualization

Is a picture always worth a thousand words? In this paper we simulated a typical scenario of how teachers, who generally are not

designers, use algorithmic visualization. With regard to the topic of BST and AVL trees, the

following three methods were compared: (1) visualization in which you could only track the

performance, (2) visualization in which it was possible to predict the behavior of algorithm

and (3) classic lectures accompanied by the use of static images. The variance analysis

showed that the visualization groups did not have better results than the classical group. The

prediction of algorithm behavior using visualization has not resulted in better performance as

compared to simple viewing of visualization. The questionnaire examined students' attitudes

about visualization. The students are very satisfied with the ease of use of the visualization

tools, they found the visualization interesting and they want it use in other classes since they

consider the visualization very helpful in understanding the material.

Keywords: algorithms; animation; empirical evaluation; visualization

algoritamska vizualizacija vrijedi li slika, baš uvijek, tisuću riječi · 3 opisom izvršavanja...

Documents