LEGO Education módszertani képzés / Robotika Mindstorms EV3 robottal

„A LEGO® Education olyan, tanulást segítő megoldásokat fejleszt, melyek betekintést nyújtanak tudomány és technológia rövid történetébe, miközben a tanulás folyamatát egy élménnyé teszik. A termékeinket úgy terveztük, hogy a kísérletekben résztvevő diákok aktív közreműködésüknek köszönhetően első kézből, saját bőrükön szerzett tapasztalatokkal fejlesszék a szerkezetekkel, azok működésével valamint a programozási technikákkal kapcsolatos ismereteiket.” – írják a H-Didakt Kft. honlapján, a LEGO® MINDSTORMS® Education EV3 terméklapján. Az önálló felfedezés izgalmát így határozzák meg: „A LEGO® Education megoldásai olyan gyakorlati tanulási technikákon alapulnak, melyek segítik a gyerekeket, hogy elsajátítsák a dinamikus tanulás képességét. Ahelyett, hogy egyszerű memorizálásra bátorítana, a diákokat olyan kihívás elé állítja, melyek arra késztetik őket, hogy használják a képzeletüket, javítsák a problémamegoldó készségüket, valamint a másokkal való együttműködésre is késztet. A diákok átélhetik az önálló felfedezés izgalmát, valamit olyan létfontosságú készségekre tehetnek szert, mely jövőbeli sikerük záloga lehet.”

Élményalapú tanulás

A hagyományosnak tekinthető tanítási paradigmákat fokozatosan leváltják az alternatív pedagógia módszerei. A változás okai ismertek: a szakképzés sajátos igényei, a felnőttoktatás terjedése, a tudomány és a technika felgyorsult fejlődése, az informatika és a hírközlés átalakulása. Az alternatív tanulási stratégiák alapvető célja az, hogy a tanuló ne a passzív „elszenvedője” legyen az ismeretek elsajátításának, hanem aktív tevékenysége (vagy legalábbis annak szimulációja) alapján vonjuk be őt ebbe a folyamatba. Ennek hatására váljék számára élményszerűvé az új tudás elsajátítása és belsővé válása is. A fenti cél alapján nevezzük az ilyen módszereket összefoglalóan élményalapú tanulásnak.” Néhány pedagógiai módszer/eszköz a tanulási élmények elérésére: kooperatív tanulás, drámapedagógia, projektmódszer, médiapedagógia, felfedezéses tanulás, számítógépes tanulás.

Kolb négy lépésből álló tapasztalati tanulási ciklust javasolt: tapasztalat, reflexió, általánosítás, alkalmazás. „Minden összetevőben megjelenik a cselekvés, az önálló és az együttes munka. Így az élménypedagógiai alapokon nyugvó tanulási folyamat a cselekvés általi tanulás és fejlődés sajátos változata, multiszenzoros tanítási folyamat. Az élménypedagógia a helyzetek teremtésének nagymestere, ezáltal cselekvésre készteti a résztvevőt, provokál, sikert kínál. A résztvevők/tanulók próbára teszik tudásukat, képességeiket, kreativitásukat. Mindezek által feltárva a fizikai, és pszichikai képességeiket. Az élménypedagógia a személyes élményre, megélésre, tapasztalat-és ismeretszerzésre koncentrál. A saját tapasztalati tanulás lényege az önirányítás”, foglalta össze Molnár Katalin.

Módszertani képzés

2020. szeptember 21-én részt vettem a H-Didakt Kft. LEGO Education módszertani képzés / Robotika Mindstorms EV3 robottal című tanári felkészítésén. A helyszínt a győri Széchenyi Egyetem Apáczai Csere János Kar biztosította, amely saját Lego Robot laborral rendelkezik. A blog bejegyzésben látható fényképek ott készültek.

Megismerkedtünk a LEGO MINDSTORMS Education EV3 szoftver alapfunkcióival. Kaptunk ötleteket arra, hogy a különböző életkorú diákok/tanulók/hallgatók számára milyen projektfeladatok az ideálisak. Bemutatták a hazai és nemzetközi versenyeket, ami a csoportmunkában megvalósuló kooperációt kiegészítendő kiváló megmérettetési lehetőséget jelenthet. Én magam is voltam már zsűritag FLL robotversenyen. Mindannyian átélhettük az élményt: milyen összeépíteni, beállítani egy robotot, elkészíteni majd rátölteni a problémát megoldó szoftvert, kipróbálni, finomhangolást végezni. Informatikatanárként nyilván triviális a szoftver használata és az egész folyamat, de újszerű megközelítésnek éreztem azt, hogy szinte minden tantárgyhoz összeállítható olyan projektfeladat, amelyhez felhasználható a robot. Persze át kell élni az első buktatókat is: például amikor nagyon vártam, hogy ugató vagy nyávogó hangot adjon a robot, ha piros vagy sárga színt érzékel, de ehhez nem ártott volna megfelelően összedugni a kábeleket sem. 😉 A robot programozásához szükséges az alapvető algoritmikus építőkockák és érzékelők ismerete. A többi a kreativitáson múlik, aminek a fejlesztését kiváló oktatóvideók és példatárak is segítik. A sok segédanyag közül kiemelem Kiss Róbert: Robotika feladatgyűjteményét.

Többször is elhangzott, hogy ugyanannak a feladatnak több – különböző szintű – jó/helyes/elfogadható megoldása is lehet/van. Matematika szakos tanárként rögtön a Pólya-féle problémamegoldás lépései jutottak eszembe: megértés, tervezés, megoldás, ellenőrzés.

Például: juttassunk el a robottal a Marsról a Földre szállítmányt!

Ha profi megoldást szeretnék, akkor a robotnak meg kell találnia a csomagot, tolnia kell, kanyarodik vele, tovább tolja, végül megáll. Persze a kereséshez érzékelők és tesztelős ciklus kell, a kanyarodáshoz ciklus induló- és célfeltétellel, a haladáshoz tesztelős ciklus, a megálláshoz célfeltétel. Például kanyarodni akkor kell, amikor a robot előtt „megjelenik az út közepén” a fekete pályán egy ferde fehér csík. Ha csalok, vagy csak egyszerűbben gondolkodom, akkor kezdetben a robot irányba áll, halad előre kb. 40 cm-t, fordul balra kb. 45°-ot, majd halad előre kb. 70 cm-t a célig. Ilyenkor 1-2-3 teszt/finomhangolás során 3 szekvenciával is megoldható a feladat. A fordulás is lehet profin tervezett, kiszámolt, vagy történhet tapasztalati úton is: ha balra kell fordulni, akkor a robot jobb oldali kerekének fél fordulatával lemérhető, hogy az hány fokos elfordulást jelent. Persze számíthat, hogy mekkora ívben kell fordulni: kis ív esetén a robot jobb kereke fordulhat előre felet, miközben a bal kereke is fordul (negyedet, felet), de hátrafelé. Izgalmasnak tűnt.

Rögtön eszembe jutott a Bloom-féle taxonómia négy gondolkodási/műveleti szintje is: ismeret, megértés, alkalmazás és magasabb rendű műveletek (analízis, szintézis, értékelés). Ezekre a szintekre tudatosan hivatkozunk Java SE szoftverfejlesztő tanfolyamunkon is, amikor egy-egy programozási feladatot többféleképpen is megoldunk. Ezeket evolúciós projekteknek tekintjük.

A tanári felkészítést Kállai Balázs Lego tréner tartotta. Biológia szakos tanárként több olyan példát is említett, amelyek interdiszciplináris jellegűek, így jól összefogják például a természettudományos és/vagy STEM alaptantárgyakat, alkalmasak tematikus napok/hetek megvalósítására. Vendégelőadóként Kövecsesné Dr. Gősi Viktória – az SZE oktatási dékánhelyettese – a módszertani és érzékenyítésről szóló részben ismertette A léleknek idő kell című tantárgyának tematikáját. A kollégák abszolút elhivatottak voltak, célorientáltan és bármilyen szakos tanár kollégák számára is közérthetően foglalták össze a gyakorlatban kiválóan használható ötleteiket, tapasztalataikat. A szemléletformáló tanári felkészítést ajánlom az érdeklődő kollégák számára!

 

Doktoranduszok programoznak

it-tanfolyam.hu adatok elemzése

it-tanfolyam.hu adatok elemzéseSaját doktorandusz csoporttársaimmal többször beszélgettünk már arról, hogyan tudnák/tudják használni a programozás eszköztárát, módszereit, lehetőségeit saját kutatási munkájukban, beépítve a kutatási folyamat egyes lépéseibe, illetve disszertációjuk elkészítésébe.

Mivel a 10 fős csoportban mindenkinek más az alapvégzettsége, így szoftverfejlesztéshez, programozáshoz közös szókincs és terminológia haladó szinten természetesen nincs, viszont közös bennünk, hogy mindannyian alkotunk különféle modelleket és elemzünk adatokat.

Például:

  • a mérnökök, fizikusok, geográfusok, biológusok többféle kísérletet végeznek el, szimulációkat terveznek és futtatnak, mérőeszközöket és műszereket használnak,
  • az informatikusok különböző matematikai eszközöket alkalmazva objektumorientált – vagy másféle – modellezést végeznek, szoftvereket terveznek, javítanak, újraírnak.

Adatokat is elemzünk, ki-ki előképzettségének megfelelően:

  • kérdőívező szoftverekből exportálva valamit,
  • Excel munkalapokon, függvényekkel, adatbázis-kezelő funkciókkal, kimutatásokkal (Pivot táblák),
  • különböző fájlformátumokkal (CSV, XML, JSON, egyedi) dolgozunk és konvertálunk A-ból B-be,
  • távoli adatbázisokhoz, felhőbeli adattárházakhoz csatlakozunk, lekérdezünk és kapunk valamilyen – többnyire szabványos – adathalmazt,
  • matematikai, statisztikai szoftvereket használunk, például: MATLAB, Derive, Maple, SPSS.

Önszerveződően összeállítottunk egy olyan két részből álló tematikát, ami mindannyiunk számára hasznos. A 64 óra két 32 órás modulból áll: Java programozás és SPSS programrendszer.

Java programozás modul

  • 1-8. óra: Objektumorientált modellezés, MVC rétegek, algoritmus- és eseményvezérelt programozás
  • 9-16. óra: Fájlkezelés és szövegfeldolgozás (XLS, CSV, XML, JSON formátumú adatok írása, olvasása, feldolgozása)
  • 17-24. óra: Adatbázis-kezelés JDBC alapon (SQL parancsok, CRUD műveletek, hierarchikus lekérdezések)
  • 25-32. óra: Komplex adatfeldolgozási feladatok megoldása programozási tételek használatával

SPSS programrendszer modul

  • 1-8. óra: Bevezetés az SPSS-be, interakciós eszközök, adatmátrix, menük: Transform, Analyze, szkriptek futtatása
  • 9-16. óra: Alapstatisztikák kérése, kereszttáblázatok készítése, hipotéziselmélethez kötődő funkciók, normalitásvizsgálat, minták összehasonlítása t-próbával
  • 17-24. óra: Regresszió-analízis: lineáris, nemlineáris, többváltozós; Idősorok elemzése: szűrés, periodogram, trendelemzés
  • 25-32. óra: Mesterséges neuronhálózatok: matematikai modell és működése

Mivel mindenki doktorandusz a csoportban, így a különböző MSc-s alapvégzettsége ellenére mindannyiunknak vannak strukturális programozáshoz kötődő alapismeretei, valamint adatok elemzéséhez szükséges elméleti matematikai/statisztikai alapjai. Az én részem a 32 órás Java programozás modul, ami 2018.10.28-tól 2018.12.09-ig tart hétvégi napokon. Ez nagyban lefedi a Java SE szoftverfejlesztő tanfolyamunk tematikáját. A koncepciót once-in-a-lifetime jelleggel dolgoztuk ki azzal a fő szándékkal, hogy hatékonyabban működjünk együtt a jövőben.