algoritamska vizualizacija vrijedi li slika, baš uvijek, tisuću riječi · 3 opisom izvršavanja...
TRANSCRIPT
1
dr. sc. Ivica Boljat, docent
Prirodoslovno-matematički fakultet
Split, Nikole Tesle 12
mag. Ivana Pletikosa - Grgić, asistent
Fakultet elektrotehnike, strojarstva i brodogradnje
Split, Ruđera Boškovića 32
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
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.
Rezultat: H2 nije potvrđena
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
Rezultat: H3 nije potvrđena
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)
Je li gradivo teško ,249
Je li gradivo dobro objašnjeno ,893
Je li vizualizacija pomogla ,892
Gdje koristiti vizualizaciju ,409
Je li vizualizacijski alat jednostavan ,603
Bi li voljeli koristiti vizualizaciju u drugim predmetima ,180
Način rada
(“Klasično”,
„S predviđanjem“
i „Bez predviđanja“.)
Je li gradivo teško ,193
Je li gradivo dobro objašnjeno ,306
Je li vizualizacija pomogla ,269
Gdje koristiti vizualizaciju ,195
Je li vizualizacijski alat jednostavan ,524
Bi li voljeli koristiti vizualizaciju u drugim predmetima ,524
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
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.
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