ADAPTIVE VIBE 

One of the more recent research output from the PAWS group [PAWS, 2011] (Personalized Adaptive  Webs Systems) is the ‘Adaptive VIBE’ project [Ahn and Brusilovsky, 2009][Brusilovsky et al, 2006]. This  uses  a  novel  visualization  approach  to  peruse  spatially  orientated  reference  points.  Using  this,  the  users can ‘see’ the relations between their own interests (which can be depicted through their user  profile  reference  points) and  the  material on  offer.  If  the  educational material  is  closely  related to  their interests, then the reference point for that material appears closer to their areas of interest. This  visualization technique is rather uncommon in AH systems but offers a very powerful navigation and  indexing technique.  2.2.3.9 GALE  In recent years, the rate of development of new AEH systems has slowed as the field has matured,  with fewer separate areas being developed, but with more effort put into each. Two main areas of  recent development have been in the expansion of extant LMSs such as Moodle, such as with APeLS 

above  [Tiarnaigh,  2005],  with  the  second  being  in  creating  a  single  AEH  built  using  the  expertise  gathered from previous efforts. 

GALE  (GRAPPLE  Adaptive  Learning  Environment)  is  one  such  AEH  system,  produced  as  part  of  the  GRAPPLE [Grapple, 2011] EU project, which brings experts in AEH development from across Europe.  Whilst the types of adaptation remain those described by Brusilovsky, this is not the main focus of the  GALE  effort.  As  with  the  APeLS  interaction  with  Moodle,  the  GALE  system’s  goal  is  to  act  as  an  adaptive  interface  for  extant  (and  non adaptive)  Learning  Management  Systems,  such  as  Moodle  [Moodle, 2011], Sakai [Sakai, 2011] IMS CLIX and Elex [GRAPPLE, 2009]. 

This integrative effort looks promising for the future. The advantage of integrating an AEH with the  extant LMSs is that it is an ideal way to bring adaptive learning to the mass market. Moodle is one of  the  largest  learning  management  systems  in  use  around  the  world,  with  over  72,000  active  sites  [Moodle Sites, 2011], compared to the AEH community penetration which has barely spread beyond  the academic community. 

The way forward for AEH systems would seem to be tied up with non adaptive systems, and GALE is  an example of this. 

2.2.3.10  ADE 

The Adaptive Display Environment (ADE)[ADE, 2011][Scotton and Cristea, 2010][Scotton et al, 2011] is  an  adaptation  delivery  engine  using  the  LAOS  framework  for  authoring  and  delivery  of  adaptive  hypermedia (AH). It builds on existing delivery engines, by extending the adaptation behaviours that  can  be  used  in  AH  systems,  as  well  as  increasing  the  reusability  of  adaptation  specifications  and  content. 

ADE  is  designed  to  be  a  modular  adaptive  hypermedia  system  which  supports  multiple  types  of  content formats and adaptation languages. It is based on the LAOS framework for AH systems, which  enforces a strict separation between the content and adaptation specifications, using the CAF content  format and the LAG adaptation language [Cristea 2007, 2009]. 

The  CAF  format  stores  adaptive  content  in  a  two layered  content  structure.  The  first  layer,  the  Domain  model,  contains  a  conceptual  hierarchy  and  the  actual  content  of  the  course.  The  second  layer, the Goal and constraints model, stores pedagogical information about the course contents and  groups the concepts from the Domain model in “lessons”, which correspond to pages in an adaptive  system.  

Additionally to previous adaptive delivery systems, ADE has a compiler module, which can compile, in  principle,  any  adaptation  language,  into  an  internal  representation  format.  Also,  ADE  has  preview  functionality, a self explanatory user interface, the possibility to display external variables, and, due  to  a  modular  structure,  a  great  variety  in  allowing  for  adaptation  types  beyond  the  Brusilovsky  taxonomy (e.g., adaptation to bandwidth [Hava Muntean et al, 2007] or device, to name but a few). 

2.2.3.11 WHICH AEH? 

As can be seen from the above sample of AEH systems, there has been a wide ranging research effort  over the last  decade and a half expanding into areas that initially were not considered part of the  traditional  AEH  remit.  However,  with  the  expansion,  acceptance  and  desire  for  personalisation  in  online  systems  (be  they  educational  or  not,  for  example  a  system  like  Amazon  [Amazon,  2011]  is  incorporating adaptive collaborative filtering) AEH systems have continued to expand their research  horizons  until  they  are  now  approaching  the  stage  where  they  could  break  out  of  their  traditional  academic environments.  Hence ADE was the chosen [Scotton 2010, 2011] AEH system, as it has the potential to be of wide  ranging use, allowing the implementation of standard adaptive techniques (such as presentation and  navigation), but also moving into areas that current research has barely scratched the surface of, such  as adaptive user interfaces. In implementing the results from this thesis, this flexibility was of great  importance.  It should be noted that another advantage was the close connection between this authors research  endeavours and those of the ADE creator. The ADE implementation efforts are not part of this thesis  as they were contributed by colleagues but my research findings were pivotal in the design criteria of 

the later developments of the ADE system. This close research effort between the research detailed in  this thesis and the ADE design has allowed the collaborative creation of a novel expansion to ADE. The  results of this collaboration are discussed and presented in Chapter 7.    2.3 CULTURE AND ELEARNING  As described earlier, there has been a great deal of research effort involved in the relatively new field  of  AH  and  AEH,  but  little  of  this  has  focused  on  the  learner’s  cultural  background,  with  few  exceptions. One of them is the ALEKS system [Doignon and Falmagne, 1999]), which focuses more on  a culture as a collection of specific weights and measures, language and idioms, rather than a more  global approach to understanding the underlying learning preferences. 

There  have  also  been  several  projects  concerning  ‘eCulture’  (such  as  [DigiCULT,  2003]  and  [CHIP,  2008]),  but  these  are  focused  on  the  field  of  cultural  heritage,  specifically  the  gathering,  storage,  tagging  and  dissemination  of  cultural  information  (e.g.,  museum  data).  Using  a  learner’s  cultural  background as part of an AEH user model has yet to be investigated by this community. 

In  other  areas,  culture  has  been  considered  as  a  vital  part  of  the  development  cycle,  with  the  development of internationalisation [Internationalization, 2011] and localisation as growing areas in  software development [Sun, 2008][Chan, 2006]. Knowing who your user is, is vital, and their cultural  history is an important aspect of that background. 

Culture is a complex and broad concept, which can be defined in many ways. Most researchers agree  that culture involves at least three components: what people think, what they do, and the material  products  they  produce  [Boldley,  2004].  Culture  is  shared  among  society  members  consciously  and  unconsciously,  shapes,  values,  assumptions,  perceptions  and  behaviours  of  its  members.  Research  [Xu,  1991][Morrison  et  al,  2005]  in  e learning systems  has  shown  that  cultural  influences,  among  others,  have  a  significant  impact  on  a  learner’s  ability.  Some  of  the  important  attributes  affecting  cultures are identified, such as, emotion, learner preference for individual or collective work, anxiety  and reward allocation.  

Even such simple factors such as colour may have a significant effect on a student’s user experience.  [Barber and Badre, 1998] created a colour meaning chart (Table 2.1) to help guide website design.   

Colour  China  Japan Egypt France United States 

Red  Happiness  Anger Danger 

Death Aristocracy Danger  Stop  Blue  Heavens  Clouds  Villainy Virtue Faith  Truth  Freedom Peace  Masculine  Green  Ming  Dynasty  Heavens  Future Youth  Energy  Fertility Strength  Criminality Safety  Go  Yellow  Birth  Wealth  Power  Grace Nobility  Happiness Prosperity  Temporary Cowardice  Temporary  White  Death  Purity 

Death Joy Neutrality Purity 

Table 2.1: Colour meaning tables from [Barber and Badre, 1998] 

The  work  by  Emmanuel  Blanchard  is  one  of  the  few  to  address  culture  in  learning,  specifically  in  Intelligent  Tutoring  Systems.  In  [Blanchard  and  Frasson,  2005],  the  author  presents  a  “Culturally  AWAre System (CAWAS) which is centred on Culturally Intelligent Agents (CIA). The agents are able to  understand  and  adapt  to  the  cultural  specificities  of  learners.  CAWAS  considers  two  attributes  for  cross cultural  adaptation,  namely  emotions  and  learner  preference  for  individual  or  collaborative  work (this is linked to a single question in a questionnaire to the Hofstede IDV index, see the Section  2.4.1  for  more  details).  The  authors  also  present  an  authoring  tool  to  create  cultural  templates  of  multimedia documents.  

In  [Blanchard and  Mizoguchi,  2008]  the  author  lists  as  one  of  the  major  issues  of  Culturally Aware  Tutoring Systems: 

“Existing  cultural  data  is  not  always  reliable  for  educational  use.  Preeminent  cross cultural  studies  have  mainly  been  developed  for  and  within  the  context  of  leadership  or  business  researches  ….  Legitimate  concerns  can  be  raised  on  how  (and  if)  findings  can  be  transferred  and  used  within  educational settings.” [Blanchard and Mizoguchi, 2008] 

This issue is central to Chapter 3 of this thesis: can the previous studies into cultural stereotypes be  used within a domain that they were not designed to investigate? 

The  CATS  (Culturally Aware  Tutoring  Systems)  workshop  is  a  new  series  of  workshops  and  only  [Blanchard and Allard, 2008], [Blanchard et al, 2009] and [Blanchard et al, 2010] have been held so  far. Within these workshops, many subjects have been covered that are relevant to cultural studies in  eLearning; two of the most typical are: 

Computer  Assisted  Language  Learning  [Allard  et  al,  2008]  –  how  cultural  differences  can  affect 

language  learning.  This  is  one  of  the  more  traditional  areas  of  cultural  investigation  in  eLearning.  Here,  the  authors  map  the  knowledge  of  cultural  differences  to  second  language  learning,  when  considering the learner’s first language. Mapping these issues will allow for future learners with the  same mother tongue to avoid many of the same pitfalls. 

The  Culture  Based  Model  [Young,  2009]:  as  culturally aware  eLearning  systems  begin  to  become 

better known, these models are being incorporated into extant training systems, such as ELECT BiLAT  [Hill et al, 2006], Tactical Iraqi [Johnson et al, 2007] and Vector [Barba et al, 2006]. Using the results of  these integrations, the author (Young) extrapolates a Culture Based Model that can be used in the  future for further implementations. The focus here it should be noted is on computer based training  systems, which have different requirements to AEH systems (which are much more open), however  this model may be amenable to adoption in the AEH community with some modifications. 

Overall,  the  work  in the  Culturally Aware  Tutoring  Systems  workshops  is  very promising, but  many  major  issues  remain  (some  of  which  are  addressed  in  [Blanchard  and  Allard,  2010]).  The  research  presented here in this thesis expands on the use of prior cultural studies in eLearning.