02 VSEBINA UPORABNA INFORMATIKA 2021 ŠTEVILKA 2 APR/MAJ/JUN LETNIK XXIX ISSN 1318-1882 Strokovni prispevki Tomaž Dular, Julija Lapuh Bele, Rok Pirnat Odkrivanje prevar z orodji poslovne inteligence 67 Simona Samida Cerk Sodobni izzivi izobraževanja na daljavo v okviru medpredmetnega povezovanja in inovativnih ucnih okolij 76 Znanstveni prispevki Tim Poštuvan, Semir Salkic, Lovro Šubeljj Learning-based link prediction analysis for Facebook100 network 83 Elena Osrajnik, Sašo Karakatic Temni vzorci na slovenskih spletnih straneh 95 Milena Košak Babuder, Blažka Korun, Ema Štarkl, Gaja Nenadovic, Dušica Boben, Erika Stankovic, Sara Jakop, Luka Vranješ, Karmen Javornik, Jure Žabkar Racunalniško podprto prepoznavanje zgodnjih znakov disleksije 113 Razprave Katarina Puc, Niko Schlamberger, Vladimir Batagelj, Tomaž Turk, Ivan Kanic Pogovor sodelavcev ob 20-letnici Islovarja 129 Informacije Iz slovarja 140 UPORABNA INFORMATIKA 65 UPORABNA INFORMATIKA 2021 ŠTEVILKA 2 APR/MAJ/JUN LETNIK XXIX ISSN 1318-1882 Ustanovitelj in izdajatelj Slovensko druptvo INFORMATIKA Litostrojska cesta 54, 1000 Ljubljana Predstavnik Niko Schlamberger Odgovorni urednik Saša Divjak Uredniški odbor Andrej Kovaci, Evelin Krmac, Ivan Rozman, Jan Mendling, Jan von Knop, John Taylor, Jurij Jaklic, Lili Nemec Zlatolas, Marko Hölbl, Mirjana Kljajic Borštnar, Mirko Vintar, Pedro Simőes Coelho, Saša Divjak, Sjaak Brinkkemper, Slavko Žitnik, Tatjana Welzer Družovec, Vesna Bosilj-Vukšic, Vida Groznik, Vladislav Rajkovic Recenzentski odbor Alenka Kavcic, Aljaž Košmerlj, Andrej Brodnik, Andrej Kovacic, Bor Plestenjak, Borut Werber, Borut Žalik, Boštjan Žvanut, Božidar Potocnik, Ciril Bohak, Danijel Skocaj, David Jelenc, Dejan Georgiev, Dejan Lavbic, Denis Trcek, Dobravec Tomaž, Domen Mongus, Eva Krhac, Evelin Krmac, Franc Solina, Gregor Weiss, Igor Kononenko, Inna Novalija, Irena Nancovska Šerbec, Ivan Gerlic, Janez Demšar, Jurij Jaklic, Jurij Mihelic, Katarina Puc, Lovro Šubelj, Luka Pavlic, Luka Cehovin, Marina Trkman, Marjan Hericko, Marjan Krisper, Marko Bajec, Marko Hölbl, Martin Vodopivec, Matevž Pesek, Matija Marolt, Mihaela Triglav Cekada, Mirjana Kljajic Borštnar, Mojca Indihar Štemberger, Monika Klun, Peter Trkman, Sandi Gec, Saša Divjak, Slavko Žitnik, Tomaž Erjavec, Uroš Godnov, Uroš Rajkovic, Vida Groznik, Vladislav Rajkovic, Vlado Stankovski, Živa Rant Tehnicni urednik Slavko Žitnik Lektoriranje angleških izvleckov Marvelingua (angl.) Oblikovanje KOFEIN DIZAJN, d. o. o. Prelom in tisk Boex DTP, d. o. o., Ljubljana Naklada 200 izvodov Naslov uredništva Slovensko druptvo INFORMATIKA Uredniptvo revije Uporabna informatika Litostrojska cesta 54, 1000 Ljubljana www.uporabna-informatika.si Revija izhaja Ëetrtletno. Cena posamezne ptevilke je 20,00 EUR. Letna naroËnina za podjetja 85,00 EUR, za vsak nadaljnji izvod 60,00 EUR, za posameznike 35,00 EUR, za ptudente in seniorje 15,00 EUR. V ceno je vkljuËen DDV. Revija Uporabna informatika je od ptevilke 4/VII vkljuËena v mednarodno bazo INSPEC. Revija Uporabna informatika je pod zaporedno ptevilko 666 vpisana v razvid medijev, ki ga vodi Ministrstvo za kulturo RS. Revija Uporabna informatika je vkljuËena v Digitalno knjićnico Slovenije (dLib.si). ź Slovensko druptvo INFORMATIKA Vabilo avtorjem V reviji Uporabna informatika objavljamo kakovostne izvirne Ëlanke domaËih in tujih av-torjev z najpirpega podroËja informatike v poslovanju podjetij, javni upravi in zasebnem ćivljenju na znanstveni, strokovni in informativni ravni; pe posebno spodbujamo objavo interdisciplinarnih Ëlankov. Zato vabimo avtorje, da prispevke, ki ustrezajo omenjenim usmeritvam, popljejo uredniptvu revije po elektronski popti na naslov ui@drustvo--informatika.si. Avtorje prosimo, da pri pripravi prispevka upoptevajo navodila, objavljena v nadaljeva­ nju ter na naslovu http://www.uporabna-informatika.si. Za kakovost prispevkov skrbi mednarodni urednipki odbor. »lanki so anonimno recen­zirani, o objavi pa na podlagi recenzij samostojno odloËa urednipki odbor. Recenzenti lahko zahtevajo, da avtorji besedilo spremenijo v skladu s priporoËili in da popravljeni Ëlanek ponovno prejmejo v pregled. Uredniptvo pa lahko pe pred recenzijo zavrne objavo prispevka, Ëe njegova vsebina ne ustreza vsebinski usmeritvi revije ali Ëe Ëlanek ne ustreza kriterijem za objavo v reviji. Pred objavo Ëlanka mora avtor podpisati izjavo o avtorstvu, s katero potrjuje original-nost Ëlanka in dovoljuje prenos materialnih avtorskih pravic. NenaroËenih prispevkov ne vraËamo in ne honoriramo. Avtorji prejmejo enoletno naroËnino na revijo Uporabna informatika, ki vkljuËuje avtorski izvod revije in pe nadaljnje tri zaporedne ptevilke. S svojim prispevkom v reviji Uporabna informatika boste prispevali k pirjenju znanja na podroËju informatike. Ćelimo si Ëim veË prispevkov z raznoliko in zanimivo tematiko in se jih će vnaprej veselimo. Uredniptvo revije Navodila avtorjem Ëlankov »lanke objavljamo praviloma v slovenpËini, Ëlanke tujih avtorjev pa v anglepËini. Bese­dilo naj bo jezikovno skrbno pripravljeno. PriporoËamo zmernost pri uporabi tujk in ‡ kjer je mogoËe ‡ njihovo zamenjavo s slovenskimi izrazi. V pomoË pri iskanju sloven-skih ustreznic priporoËamo uporabo spletnega terminolopkega slovarja Slovenskega druptva Informatika Islovar (www.islovar.org). Znanstveni Ëlanek naj obsega najveË 40.000 znakov, strokovni Ëlanki do 30.000 zna­ kov, obvestila in poroËila pa do 8.000 znakov. »lanek naj bo praviloma predloćen v urejevalniku besedil Word (*.doc ali *.docx) v enojnem razmaku, brez posebnih znakov ali poudarjenih Ërk. Za loËilom na koncu stav­ka napravite samo en prazen prostor, pri odstavkih ne uporabljajte zamika. Naslovu Ëlanka naj sledi za vsakega avtorja polno ime, ustanova, v kateri je zaposlen, naslov in elektronski naslov. Sledi naj povzetek v slovenpËini v obsegu 8 do 10 vrstic in seznam od 5 do 8 kljuËnih besed, ki najbolje opredeljujejo vsebinski okvir Ëlanka. Pred povzetkom v anglepËini naj bo pe anglepki prevod naslova, prav tako pa naj bodo doda­ne kljuËne besede v anglepËini. Obratno velja v primeru predloćitve Ëlanka v anglepËini. Razdelki naj bodo naslovljeni in optevilËeni z arabskimi ptevilkami. Slike in tabele vkljuËite v besedilo. Opremite jih z naslovom in optevilËite z arabskimi ptevilkami. Vsako sliko in tabelo razloćite tudi v besedilu Ëlanka. »e v Ëlanku uporab­ljate slike ali tabele drugih avtorjev, navedite vir pod sliko oz. tabelo. Revijo tiskamo v Ërno-beli tehniki, zato barvne slike ali fotografije kot original niso primerne. Slik zaslonov ne objavljamo, razen Ëe so nujno potrebne za razumevanje besedila. Slike, grafikoni, organizacijske sheme ipd. naj imajo belo podlago. EnaËbe optevilËite v okle­pajih desno od enaËbe. V besedilu se sklicujte na navedeno literaturo skladno s pravili sistema APA navajanja bibliografskih referenc, najpogosteje torej v obliki (Novak & KovaË, 2008, str. 235). Na koncu Ëlanka navedite samo v Ëlanku uporabljeno literaturo in vire v enotnem seznamu po abecednem redu avtorjev, prav tako v skladu s pravili APA. VeË o sistemu APA, katerega uporabo omogoËa tudi urejevalnik besedil Word 2007, najdete na strani http://owl.english.purdue.edu/owl/resource/560/01/. »lanku dodajte kratek ćivljenjepis vsakega avtorja v obsegu do 8 vrstic, v katerem poudarite predvsem strokovne dosećke. StrokoVNI prISpEVkI Odkrivanje prevar z orodji poslovne inteligence Tomaž Dular1, Špela Povrženic1, Julija Lapuh Bele1 , 2, Rok Pirnat1 1B2 BI d.o.o., 2Visoka šola za poslovne vede tomaz.dular@b2-bi.com, spela.povrzenic@b2-bi.com, julija.bele@b2.eu, rok.pirnat@b2-bi-com Izvlecek Sistem poslovnega obvešcanja mora uporabnikom zagotavljati vrhunsko uporabniško izkušnjo, biti mora prilagodljiv in temeljiti na zanesljivih podatkih. Uporabnikove zbirke podatkov pogosto niso precišcene, kar je lahko posledica nekonsistentnih poslovnih proce­sov, napak pri beleženju podatkov ali prevar. Z orodjem Power BI in SQL strežnikom smo pripravili rešitev, ki s pomocjo Benfordove­ga zakona doloci sporne podatke in jih prikaže na graficno všecen nacin. Interni revizorji tako dobijo odlicen pripomocek, s katerim si pomagajo pri analizi poslovanja in odkrivanju napak in prevar. Kljucne besede: odkrivanje prevar, Benfordov zakon, poslovna inteligenca, poslovna analitika Abstract Business intelligence systems must be flexible, based on reliable data while providing users with a premium user experience in data analysis. A user’s databases are often unrefined, which can be the result of inconsistent business processes, errors in data logging or fraud. Using Power BI and SQL Server, we have developed a solution that, based on Benford’s law, determines conflicting infor­mation and renders graphically pleasing presentations. Internal auditors are thus provided an excellent tool to help them analyze their operations and detect errors and fraud. Keywords: Fraud detection, Bedford’s law, business intelligence, business analytics UVOD Odkrivanje prevar z metodami strojnega ucenja je v razlicnih financnih institucijah v uporabi že vrsto let (Horan, 2020). S pomocjo naprednih racunalniških tehnologij se specializirane skupine strokovnjakov prebijajo skozi milijone transakcij na racunih upo­rabnikov – podjetij in fizicnih oseb. Naložbe v strojno opremo in cloveške vire se bankam povrnejo v krat­kem casu. Z uvedbo spletnih storitev, kot sta na primer Microsoft Azure AI ali Google Cloud AI Platform, pa za vstop v svet umetne inteligence (AI) niso vec potrebne velike investicije. Poleg orodij umetne inte­ligence obstaja še nekaj drugih možnosti za prever­janje podatkov. Vec avtorjev se je lotilo preverjanja racunovodskih izkazov (Amiram idr., 2015). Niso pa samo knjigovodski izkazi predmet podrobnih analiz. Holz (2014) je na primer prouceval kvaliteto podat­kov kitajskih državnih statistik o rasti bruto domace­ga proizvoda in ni potrdil domnev o potvorjenih re-zultatih. Zakljucuje, da nacionalni zavod za statistiko ne potvarja rezultatov ali pa rezultate prireja skladno s statisticnimi zakoni. V prispevku smo se teme prevar lotili na dru-gacen nacin, z uporabo empiricnega Benfordovega zakona in brez zahtevnih modelov strojnega ucenja. Cilj je bila priprava informacijske rešitve z orodji poslovne inteligence za odkrivanje prevar, ki bi no-tranje revizorje v podjetju usmerila na »problematic­ne« podatke. Revizorji namrec ne morejo pregleda-ti celotne množice podatkov, ki jih letno zberejo ali ustvarijo zaposleni v raznih poslovnih procesih. Na osnovi izkušenj podrobno preverijo le podmnožice »problematicnih« podatkov. Naš cilj je bil pripraviti Tomaž Dular, Špela Povrženic, Julija Lapuh Bele, Rok Pirnat: Odkrivanje prevar z orodji poslovne inteligence testne podmnožice s pomocjo rešitve v analiticnem okolju Power BI, ki za teoreticno podlago prikazuje pojavnost števk (cifer) v primerjavi z napovedjo Ben-fordovega zakona. BENFORDOV ZAKON Benfordov empiricni zakon (Benford, 1938) obravna­va verjetnost pojavitve posameznih števk v množici števil. Po obcutku bi trdili, da se vse števke pojavljajo enako verjetno. Benford pa trdi, da se nizke števke (1, 2,..) pojavijo pogosteje kot visoke števke (7, 8 in 9). Zakon potrjujejo analize mnogih podatkovnih zbirk, ki ji najdemo v statisticnih letopisih. Benford (1938) je svojo domnevo potrdil na dvajsetih zelo raznovr­stnih zbirkah podatkov. Zanimivi primeri so analiza casovnih intervalov med zaporednimi potresi, mol­ske mase kemicnih spojin, kolicina vode v recnih tokovih, populacija v obcini ali državi, rezultati vo­litev po mestih, analiza vseh dohodkov gospodinj­stev znotraj neke države ali mesta, velikost datotek v megabajtih na poljubnem racunalniku (Povrženic, 2019). Za nas so posebej zanimive zbirke racunovod­skih podatkov, ki prav tako sledijo zakonu, kar je do-kazal Nigrini (2012). Na osnovi Benfordovega zakona lahko postavimo trditev: ce podatki ne potrjujejo Benfordovega zako­na, potem lahko podvomimo v njihovo pravilnost in poštenost. Benfordovega zakona seveda ne moremo uporabljati brez omejitev in na vsaki množici podat­kov. Razen tega se moramo zavedati, da je sumljive podatke treba še podrobneje pregledati z drugimi metodami. Zakon je v bistvu odkril Simon Newcomb (1881). Zato ga imenujemo tudi Newcomb-Benfordov za­kon. Ob listanju logaritemskih tabel je opazil, da so vse knjige na zacetnih straneh veliko bolj obrablje­ne in umazane, kakor strani pri koncu (Kossovsky, 2014). V casu pred racunalniki so bile logaritemske tablice glavni pripomocek za racunanje – predvsem za množenje in deljenje vecjih števil. Logaritemske tablice so urejene po števkah na prvem mestu - zace­tne strani vsebujejo logaritme za števila, ki se zacnejo z 1, 2. Zaradi umazanih zacetnih strani je Newcomb (1881) dobil idejo, da se uporabniki veckrat srecujejo s števili z manjšimi vodilnimi števkami, kakor pa z velikimi. Pojasnimo najprej izraze. Predznaka števila ne upoštevamo. Prva vodilna števka (cifra) v številu je prva nenicelna števka na levi strani števila. Za na­slednje števke velja podobno: druga vodilna števka je druga levo ležeca števka (njene vrednosti so lahko od 0 do 9), … Zakon temelji na empiricnih dokazih. Benford (1938) je ugotovil, da je na proucevanih podatkih iz realnega življenja (npr. hišne številke, število prebi­valcev po krajih) kar 30,0% verjetnost, da je na prvem mestu števila števka 1. Števka 2 se pojavlja na prvem mestu z verjetnostjo 17,6%, števka 3 pa z verjetnostjo 12,5%. Verjetnosti z rastjo števke padajo. Ce bi bile števke porazdeljene enakomerno, bi imela vsaka od njih verjetnost 11,11%. Frekvenco pojavitve števke na prvem mestu oz. verjetnost, da se števka d pojavi na prvem mestu v številu je mogoce izracunati po naslednji formuli Tabela 1: Benfordov zakon Zakon Oznaka števke Verjetnost pojavitve Pogoji Zakon 1. vodilne števke 1.števka=d d . Z, log (1 + 1) d d . [1, 9] Zakon 2. vodilne števke 2. števka = d 9 1 d . [0, 9] S log (1 + ) k= 1 10k + d Zakon 3. vodilne števke 3. števka = d 1 d . [0, 9] SS log (1 + ) m = n n = 0 100m + 10n + d Zakon n-te vodilne številke n. števka = d 10n – 1 - 1 1 d . Z, S log (1 + ) 10k + d d . [0, 9] k = 10n – 2 Kombinacija prvih dveh števk 1. števka = p, 1 p = 0 in log (1 + ) 2. števka = q 10p + q q = 0. Kombinacija prvih treh števk 1. števka = p, 2. števka = q, 1 log (1 + 100p + 10q + r ) p = 0 in q = 0 in 3. števka = n r = 0. Kombinacija zadbjih dveh števk 1 oz. 1% -enakomerna porazdelitev 100 Tomaž Dular, Špela Povrženic, Julija Lapuh Bele, Rok Pirnat: Odkrivanje prevar z orodji poslovne inteligence P(d) = log (1 + d1 ) V tabeli 1 so navedene verjetnosti pojavitve za prve tri vodilne števke in posplošena formula verjetno­stne porazdelitve za n-to vodilno števko. Benfordov zakon lahko posplošimo in prevede-mo tudi na drug številski sistem in posledicno upo­rabimo drugo logaritemsko osnovo. Empiricno lahko pokažemo, da ima veliko podat­kovnih zbirk iz vsakdanjega življenja logaritemsko porazdeljene vodilne števke pod pogojem, da imajo širok interval podatkov oz. velik red velikosti podat­kovne množice. Red velikosti izracunamo iz nasle­dnje formule. Red velikosti = log(XMax) - log(XMin) Podatkovne zbirke, ki imajo razliko logaritmov skrajnih podatkovnih vrednosti vecjo kot 3, imajo ponavadi logaritemsko porazdeljene vodilne števke. Nacelo invariantnosti Nacelo invariantnosti (scale invariance) pravi: ne glede na to, v katerem merskem sistemu enot ima- mo dane podatke, je nakljucna spremenljivka enako porazdeljena. Ce torej prvotni podatki ustrezajo Ben-fordovemu zakonu in podatke pretvorimo v katero koli drugo mersko enoto in porazdelitev, bo še ve­dno ostala Benfordova. Enako velja tudi za podatke, ki niso logaritemski in tudi po pretvarjanju ne bodo. Za testiranje odmikov v podatkih od Benfordove po­razdelitve uporabljamo vec testov. S standardni stati­sticnim testom Z testiramo skladnost za posamezno števko, s testom hi-kvadrat pa za celotno podatkovno množico. Zelo dobra mera je tudi odstopanje vsote kvadratov (SSD), s katero za vodilne števke ali kom­binacije ugotovimo, ali se zbirka podatkov popolno, sprejemljivo, mejno prilega, ali ne prilega Benfordovi porazdelitvi. Test ponavljajocih se vrednosti Test ponavljajocih se vrednosti je dopolnilni test, ki preveri, kolikokrat se v podatkovni množici po­javi dolocena vrednost. Ta test je bistven pri analizi nepravilnosti v podatkih, saj nam pomaga pri pre­poznavanju znacilnih kolicin, ki povzrocajo skoke na grafih. V testu se osredotocimo na zelo pogosto ponavljajoce se podatke v podatkovni zbirki in sku­šamo odkriti razloge za odstopanja. Pogosto pona­vljanje posameznih števil lahko kaže na posebnosti v zbirki. Odkloni od Benfordove porazdelitve nakazujejo možnosti prevare. Odstopanje od porazdelitve ni do-kaz, da je do prevare res prišlo, temvec le usmeritev revizorju, kje naj išce. Ponarejevalec pri navajanju la-žnih številk ne sledi Benfordovemu zakonu, temvec nezavedno veckrat uporabi iste kombinacije števk. Takšne kombinacije z uporabo Benfordovega zako­na hitro odkrijemo, še posebej, ce je izmišljenih števil veliko. Test prvih vodilnih števk ni zadosten pri odkriva­nju prevar. Nujno moramo preveriti tudi teste višjih stopenj in teste kombinacij prvih nekaj in zadnjih ne­kaj števk. Preveriti moramo tudi test ponavljajocih se vrednosti in odkriti razvojni vzorec števk. Carslaw (1988) je ugotovil, da veliki presežki ali pomanjkanja deleža števke 0 v testih višjih redov pomenijo golju­fiva zaokroževanja. Pri analizi vedno loceno obravnavamo pozitivne in negativne vrednosti in pri tem pogosto negativne vrednosti izpustimo. To pocnemo le zaradi vsebin­ske interpretacije. Negativni dokumenti so navadno samo stornacije dokumentov in kvarijo porazdelitev. Lahko pa loceno obravnavamo stornacije in išcemo morebitne prevare. Loceno obravnavano tudi podat­kovne zbirke glede na vrsto podatkov. Na primer po­datke iz glavne knjige analiziramo loceno po kontih prihodkov, stroškov, prilivov, odlivov. Paziti pa moramo, da v analizi obravnavamo samo surove, neobdelane podatke. Vse vsote, zmnožke in druge agregacije odstranimo iz analize. Prav tako ne smemo analizirati mešanice surovih in agregiranih podatkov. PRIMERA ANALIZE Pripravili smo dva primera analize na isti racuno­vodski zbirki podatkov, ki je vsebovala približno štiri milijone zapisov. Zbirka je vsebovala podatke na rav­ni postavke racuna, brez seštevkov. Tako smo izpol­nili zgoraj navedeni pogoj za analizo, da ne smemo analizirati surovih podatkov skupaj z agregati. Ana-lizirali smo vrednost zaracunane prodaje in zneske avansov. Podatke smo analizirali v Power BI in dobili analiticno orodje, s katerim bodo revizorji preverjali skladnost podatkovne zbirke z Benfordovim zako­nom. S preprosto dosegljivimi filtri lahko omejujejo Tomaž Dular, Špela Povrženic, Julija Lapuh Bele, Rok Pirnat: Odkrivanje prevar z orodji poslovne inteligence podatke po vec dimenzijah: obdobje, države, kupci, stroškovna mesta, referenti, skupine artiklov…Z analizo prodajnih vrednosti smo želeli preveriti veljavnost zakona na resnicni racunovodski zbirki podatkov. Rezultate analize vidimo na grafih od 1 do 4. Stolpce na vseh grafih smo obarvali s štirimi barvami, skladno s štirimi razredi napak, navedeni- Tabela 2: SSD – razredi klasifikacije z velikostjo odstopanj (Kossovsky, 2014) mi v tabeli 2. Z zeleno barvo sta obarvana »popolni« in »sprejemljivi Benford«. Naslednja dva razreda sta obarvana rjavo in rdece. Rdeca barva oznacuje po­polno neskladje z Benfordovim zakonom. Benfor­dova porazdelitev je kot referencna crta narisana z modro barvo. SSD (%) Popolni Benford Sprejemljiv Benford Mejni Benford Ni Benford Zakon prve vodilne števke <2 2-25 25-100 >100 Zakon druge vodilne števke <2 2-10 10-50 >50i Kombinacija prvih dveh števk <2 2-10 10-50 >50 Kombinacija zadnjih dveh števk <4 4-10 40-100 >100 Barve na slikah Analiza neto zaracunanih vrednosti delite po zakonu so zapisane v tabeli 1. Ujemanje je Analiza neto zaracunane vrednosti pokaže skoraj skoraj popolno pri prvi števki (slika 1). idealno ujemanje z Benfordovim zakonom. Poraz-Tudi na drugi števki je ujemanje zelo dobro (slika 2). Slika 1: Delež prve vodilne števke pri neto zneskih racunov Slika 2: Delež druge vodilne števke pri neto zneskih racunov (izsek) Tomaž Dular, Špela Povrženic, Julija Lapuh Bele, Rok Pirnat: Odkrivanje prevar z orodji poslovne inteligence Tudi kombinacija prve in druge števke kaže sko-vecja odstopanja, vendar ta ne presegajo sprejemljive raj idealno porazdelitev. Na sliki 3, ki prikazuje po-vrednosti (sprejemljivi Benford).gostnost kombinacij prve in druge števke, opazimo Slika 3: Delež kombinacije prve in druge vodilne števke pri neto zneskih racunov (izsek) Na sliki 4 je porazdelitev zadnjih dveh števk. Za mezne vrednosti vidno odstopajo, vendar nobena razliko od logaritemske porazdelitve vodilnih števk vrednost SSD ne preseže meja »sprejemljivega Ben-je tu pricakovana enakomerna porazdelitev. Posa-forda«. Slika 4: Delež kombinacije zadnjih dveh števk pri neto zneskih racunov (izsek) Analiza avansov Obvladovanje tveganj v poslovanju podjetja zahteva, da kupci iz slabših bonitetnih razredov pred prevze-mom blago placajo vnaprej - avansirajo. V drugi ana­lizi smo zajeli samo skupino kupcev, ki so zavezani k placilu avansa. Takšni kupci imajo posebno oznako v šifrantu. Prva hipoteza: ce poslovna politika podjetja zah­teva od vseh kupcev enak avans (npr. 50% od zneska racuna), bi zaradi pravila invariantnosti dobili Ben-fordovo porazdelitev kot pri racunih. V drugi hipotezi smo predpostavili, da bi Benfor­dovo porazdelitev dobili tudi, ce bi deleže avansov delili v vec razredov (na primer v razrede 50%, 75% in 100% avans). Rezultati, ki so vidni na slikah od 5 in 6, nobene od hipotez ne potrjujejo. Analizo smo predstavili re-vizorju, ki bo s pregledom dokumentov odgovoril na naslednja vprašanja. Ali je neujemanje z Benfordovo porazdelitvijo posledica kršenja poslovnih pravil? Ali se dogaja to pri vseh kupcih iz slabših bonitetnih razredov, ali je morda kakšen kupec neupraviceno v privilegiranem položaju? Tomaž Dular, Špela Povrženic, Julija Lapuh Bele, Rok Pirnat: Odkrivanje prevar z orodji poslovne inteligence Slika 5: Delež prve vodilne števke pri avansih Slika 6: Delež druge vodilne števke pri avansih Slika 6: Delež kombinacije zadnjih dveh števk pri avansih (izsek) Pri analizi zadnjih dveh števk na sliki 7, pri kom-mo lahko, da je razlog odstopanja pri 00 v napacnem binaciji cifer v dveh primerih opazimo precejšnje od-zaokroževanju (Carslaw (1988). Razlog odstopanja stopanje od Benfordove porazdelitve. Predpostavi-pri cifrah 21 ni pojasnjen. Tomaž Dular, Špela Povrženic, Julija Lapuh Bele, Rok Pirnat: Odkrivanje prevar z orodji poslovne inteligence Benfordov test lahko uporabimo v razlicnih zbirkah podatkov. Na spletu najdemo algoritme v vec pro-gramskih jezikih (npr. https://rosettacode.org/wiki/Benford%27s_law#SQL). Spodnja koda je prirejena za TSQL - jezik za Microsoft SQL strežnik. Analizirali smo znano testno podatkovno zbir­ko AdventureWorks2014, ki je splošno dostopna na spletu. Predpostavili smo, da bomo z Bendfordom dokazali, da ne gre za dejanske podatke. S progra-mom Koda 1 smo analizirali vrednost vrstice Line-Total v tabeli SalesOrderDetail. Program vrne prvo števko (digit), delež ponovitev (actual), pricakovano vrednost (expected) in kvadrat razlike obeh (SSD). Slika 8: Rezultati Benforda po prvi števki v zbirki AdventureWorks2014 Rezultat poizvedbe, prikazan na sliki 8, potrjuje S Kodo 2 smo analizirali še prvi dve števki. Zaradi hipotezo. Rdece obarvani SSD pokaže, da števka 1 nekaj vrednosti manjših od deset, smo vse vrednosti ne sledi Benfordovi porazdelitvi. Števke od 2 do 4 so pomnožili s sto, kar ne vpliva na rezultat analize [9]. mejni Benford. Tomaž Dular, Špela Povrženic, Julija Lapuh Bele, Rok Pirnat: Odkrivanje prevar z orodji poslovne inteligence Koda 2: Izracun Bedforda po prvi in drugi številki Rezultat analize na sliki 8, po prvih dveh števkah, Analiza po dveh števkah torej ni le potrditev analize nas je presenetil. Na osnovi analize po prvi števki po prvi števki. Primer ponazarja, da je analizo podat­smo pricakovali najvecje odstopanje (SSD) pri vo-kov treba narediti po vec števkah. Skupna interpreta­dilni števki 1. Najvecja napaka pa je pri števkah 49, cija vec kazalcev nam šele poda celovito sliko.ceprav tudi števke med 10 in 19 ne sledijo Benfordu. Slika 8: Rezultati analize v zbirki AdventureWorks2017 po prvih dveh števkah Analizo smo nadaljevali za prve tri števke in ugo­tovili najvecjo napako pri števkah 499 in 349. Podatkez najvecjo napako smo izolirali in našli približno desettisoc zapisov s kolicino 1 in ceno 4,99 in 49,9. Analizi­rali smo tudi zadnji dve števki in dobili najvecja odsto­panja pri 99 in 98. Odstopanja bi lahko pojasnili z za­okrožitvijo cen na 99 centov in dejstvom, da ima 61%pozicij kolicino enako ena. Na osnovi opravljene ana­lize trdimo, da ne gre za dejansko zbirko podatkov. ZAKLjUceK Pri iskanju prevar so sicer zelo popularne metode strojnega ucenja. S prevarami se lahko uspešno spo­pademo tudi s preprostejšim matematicnim orod­jem. Benfordov empiricni zakon porazdelitve števk je uspešen kazalnik nepravilnosti v zbirkah podat­kov, kar so dokazali številni avtorji in tudi naši pri­meri. Uporaba zakona ni omejena samo na financna porocila. Med clanki smo zasledili tudi rabo zakona za locevanje resnicnih fotografij od generiranih slik [12]. Avtorji so v zadnjem casu z Benfordom prever­jali COVID-19 porocila [13] iz Kitajske in vsaj tako potrdili njihovo verodostojnost. Z analitskim orodjem, kot je Power BI, ali s pro-cedurami SQLje mogoce izdelati racunalniškega pomocnika, ki je v rokah revizorjev mocno orožje za odkrivanje nepravilnosti v podatkovnih zbirkah. Analiza podatkov z Benfordom ne da dokoncne sod-be, ali je podatkovni vir potvorjen. Za dokoncno sod-bo je treba poznati vsebino podatkov. So pa analize odlicen pomocnik, ki usmerja revizorjevo iskanje in tako skrajša cas revizije. Tomaž Dular, Špela Povrženic, Julija Lapuh Bele, Rok Pirnat: Odkrivanje prevar z orodji poslovne inteligence VIRI IN LITERATURA [1] Amiram, D., Bozanic, Z., Rouen, E. (2015). Financial state­ment errors: Evidence from the distributional properties of financial statement numbers- Review of accounting studies, Springer [2] Benford, F. (1938). The law of anomalous numbers. Proc. Am. Philos. Soc. 78 (4): 551–572, JSTOR 984802. Pridoblje-no 15. 4. 2020, s [3] Carslaw, C. (1988). Anomalies in Income Numbers: Evidence of Goal Oriented Behavior, The Accounting Review (1988), 321–327. [4] Holz, C. A. (2014). The quality of China's GDP statistics – Chi­na Economic Review, Elsevier [5] Horan, T. J. (2018). 5 Keys to Using AI and Machine Learning in Fraud Detectionhttps. Pridobljeno 6. 2. 2020, https://www. fico.com/blogs/5-keys-using-ai-and-machine-learning-fra-ud-detection [6] Kossovsky, A. E. (2014). Benford's Law: Theory, The Gene­ral Law Of Relative Quantities, And Forensic Fraud Detection Applications, World Scientic, New Jersey. [7] Newcomb, S. (1881). Note on the frequency of use of the diffe­rent digits in natural numbers. American Journal of Mathema­tics. 4 (1/4), 39–40. . JSTOR 2369148. Pridobljeno 6.2.2020, s: https://www.jstor.org/stable/2369148?seq=1#metadata_ info_tab_contents (potrebna registracija) [8] Nigrini, M. (2012). Benford's Law : Applications for Forensic Ac­counting, Auditing, and Fraud Detection, Wiley Corporate F&A [9] Povrženic, Š. (2019). Analiza Benfordovega zakona, magistrsko delo, Univerza v Ljubljani, Fakulteta za matematiko in fiziko. [10] Jeffrey Irwin, (2015) The Effective Use of Benford's Law to Assist in Detecting Fraud in U.S. Environmental Protection Agency (EPA) Toxics Release Inventory (TRI) Data. [11] Heng Qu, Richard Steinberg, Ronelle Burger, (2002), Abiding by the Law? Using Benford’s Law to Examine the Accuracy of Nonprofit Financial Reports, https://journals.sagepub.com/ doi/abs/10.1177/0899764019881510?journalCode=nvsb [21] Nicolň Bonettini, Paolo Bestagini, Simone Milani, Stefano Tubaro, (2020) On the use of Benford's law to detect GAN­-generated images , Cornell University, https://arxiv.org/abs/ 2004.07682 [13 ]Koch, Christoffer, Okamura, Ken, Benford's Law and CO­VID-19 Reporting (April 28, 2020). Available at SSRN: https:// ssrn.com/abstract=3586413 or http://dx.doi.org/10.2139/ ssrn.3586413 [41] Aamo Iorliam, Anthony T.S. Ho, Norman Poh, Santosh Tiruna­gari, Patrick Bours; (2015), 3rd International Workshop on Bio­metrics and Forensics (IWBF 2015), Data forensic techniques using Benford’s law and zipf’s law for keystrokedynamics [15] Aldwin T. Miranda, World’s Distribution of Covid-19 Cases and The Benford’s Law, (2020), Cape Comorin, An Internati­onal Multidisciplinary Double-Blind Peer-reviewed Research JournalSpecial Issue, Volume II Issue V June 2020, ISSN: 2582–1962 [16] Lucas Silva, Dalson Figueiredo Filho, (2020), Using Benford’s law to assess the quality of COVID-19 registerdata in Bra­zil, Journal of Public Health | pp. 1–4 | doi:10.1093/pubmed/ fdaa193 • Tomaž Dular je po izobrazi elektro inženir in magister znanosti, s podrocja racunalništva in informatike. Ukvarja se s poslovno analitiko, analizo podatkov, umetno inteligenco, bazami podatkov, poslovnimi informacijskimi sistemi in podatkovnimi integracijami. Deloval je kot inovator v svo­bodnem poklicu, zasebni raziskovalec. Trenutno deluje kot arhitekt sistema v podjetju MIT informatika in specialist za podatkovno integracijo ter analitik v B2-BI. • julija Lapuh Bele je diplomantka uporabne matematike, magistrica racunalništva in informatike ter doktorica znanosti. V zadnjih letih je njeno raziskovalno podrocje informatika v poslovnih financah in poslovna analitika, pred tem pa je raziskovala podrocje uporabnosti programske opreme in sodelovala v razvoju metod in sistema za e-izobraževanje, kjer se je njeno delo navezovalo na implementacijo poslovne analitike v LMS sistem, izboljševanje uporabniške izkušnje in razvoj interaktivnih e-gradiv za podrocje poslovne matematike ter racunalništva in informatike. • Rok Pirnat, magister poslovnih ved vodi podjetje B2 BI d.o.o., katerega osnovna dejavnost je izvedba projektov s podrocja poslovne analitike in raziskovalno razvojna dejavnost. Ukvarja se z razvojem analiticnih modelov v vseh segmentih poslovanja, s cimer pomaga podjetjem, da se razvijajo v pametne organizacije. Rok je predavatelj na številnih poslovnih konferencah in tudi višji predavatelj na visoki šoli. • Špela Povrženic je po izobrazbi magistrica financne matematike. Je poslovna analiticarka. Skozi analitiko podjetjem odkriva vrline, pomanjkljivosti in priložnosti za izboljšave, s tem pa jim pomaga pri rasti in razvoju. Specializirana je na podrocju analiziranja financ, terjatev in obveznosti. Pohvali se lahko tudi s certifikatom MCSA: BI Reporting, ki potrjuje njeno znanje in izkušnje na podrocju analiziranja in vizualiziranja podatkov z Excelom in Power BI. StrokoVNI prISpEVkI Sodobni izzivi izobraževanja na daljavo v okviru medpredmetnega povezovanja in inovativnih ucnih okolij Simona Samida Cerk OŠ Franceta Bevka Ljubljana, Pohorskega bataljona 1, SI-1113 Ljubljana simonasamida@gmail.com Izvlecek Prispevek predstavlja sodobne izzive izobraževanja na daljavo, ki temeljijo na medpredmetnem povezovanju in inovativnih ucnih oko­ljih. V središce postavljamo ucenca, ki samostojno razmišlja in raziskuje ter v okviru aktivnih metod znanje povezuje, ga osmišlja in poglablja. Medpredmetni pristop je pomemben element sodobnih pogledov na vzgojno-izobraževalni proces, saj predstavlja poglobljeno in sistematicno nacrtovanje ucenja, s katerimi povezujemo vsebine, procese in konceptualno znanje. Pomeni horizontalno in vertikalno povezovanje vsebin, znanj in ucnih spretnosti, s katerim vsebino obravnavamo celostno, osvetljeno z razlicnih vidikov in z razlicnih predmetnih podrocij. Še posebej je medpredmetni pristop pomemben pri pouku na daljavo, kjer je potrebno ucne vsebine racionali­zirati, ucence pa motivirati za samostojno in kriticno delo. Inovativna ucna okolja podprta z informacijsko-komunikacijsko tehnologijo predstavljajo kontekst, znotraj katerega se odvija ucenje v skladu s sodobnimi smernicami didaktike, ki omogocajo celostno ucenje, individualizacijo in personalizacijo ucnega procesa. Pri izo­braževanju na daljavo je inovativno okolje tisto, ki se je sposobno odzvati na razvijanje in spreminjanje izobraževalne prakse z neneh­nim razvojem in prilagajanjem. Kljucne besede: informacijsko-komunikacijska tehnologija, inovativno ucno okolje, izobraževanje na daljavo, medpredmetni pristop, šola 21. stoletja Abstract he paper presents the modern challenges of distance education based on interdisciplinary connections and innovative learning en­vironments. We focus on the student, who thinks and researches independently and, within the framework of active methods, inter­connects knowledge, giving it meaning and depth. The interdisciplinary approach is an important element of modern views on the educational process as it represents the in-depth and systematic planning of learning which is used to connect content, processes, and conceptual knowledge. It enforces the hori­zontal and vertical integration of content, knowledge and learning skills that are used to handle content holistically, exposed from different aspects and from different subject areas. The interdisciplinary approach is particularly important in distance learning where it is necessary to rationalize the learning content and motivate students for independent and critical work. Innovative learning environments supported by information and communication technology represent the context within which lear­ning takes place in line with modern guidelines on didactics. It enables integrated learning, individualization and personalization of the learning process. In distance education, an innovative environment is one that can respond to the development and changes in educational practice through continuous development and adaptation. Keywords: Information and communication technology, innovative learning environment, distance learning, interdisciplinary approach, 21st century school Simona Samida Cerk: Sodobni izzivi izobraževanja na daljavo v okviru medpredmetnega povezovanja in inovativnih ucnih okolij 1 UVOD Izobraževanje na daljavo je zaradi pandemije postalo povsem nov in globalen pojav svetovne razsežnosti, ki zahteva nujno dostopnost do racunalnika in inter-neta. Vendar pa materialni pogoji, ceprav nujni, niso zadostni. Pri tem je pomembna racunalniška in di­gitalna pismenost tako uciteljev kot ucencev. Ko sta zagotovljena ta dva pogoja, je pricakovati, da bo to-vrsten pouk imel rezultate (Kodelja, 2020). Šola 21. stoletja v ospredje postavlja kompetencokriticnega mišljenja, reševanja problemov, sodelovanjain ustvarjalnosti, ki je podprto z digitalno pismenostjo. Vse bolj postajajo pomembni višji spoznavni procesi, skaterimi nauceno in osmišljeno znanje uporabljamo vrazlicnih situacijah na prožen in ustvarjalen nacin. Medpredmetno povezovanje predstavlja pomem­ben del ucenja in poucevanja, saj stremi k povezova­nju znanj in doseganju ciljev znotraj enega predmeta in med razlicnimi predmeti. Ucenci pri medpred­metnem pristopu razvijajo interes in motivacijo za ucenje ter dosegajo višji ucni uspeh. Pri izobraževa­nju na daljavo se medpredmetni pristop še posebej obrestuje, saj ucenje po ucnih in tematskih sklopih omogoca racionalizacijo ucnega procesa ter sledenje in spremljanje napredka. Inovativna ucna okolja podprta z informacijsko--komunikacijsko tehnologijo so kljucna za kakovo­stno izvedbo pouka na daljavo. Pri tem je na eni stra­ni pomembna racunalniška in digitalna pismenost ucitelja, ki v digitalno podprtem ucnem okolju pri svojem delu premišljeno uporablja sodobne in inova­tivne didakticne pristope, na drugi strani pa digital-na kompetentnost ucenca, da zna in zmore digitalna orodja uporabljati in mu le-ta pomagajo pri dosega­nju višjih oblik ucenja in znanja. 2 ŠOLA 21. STOLETJA V zadnjem casu se postavlja vprašanje, kaj moramo storiti, da bomo ustvarili sodobno šolo, šolo, ki bo ucence pripravila na hitro spreminjajoco se družbo in sledila tehnološkim inovacijam ter napredku. V ospredje se postavlja ucenca, ki ga z inovativnimi pristopi pripeljemo k samostojnemu razmišljanju in raziskovanju. Pouk v sodobni šoli temelji na celo­stnem ucenju, bogatem ucnem okolju, samoregulaciji in samorefleksiji, aktivnih oblikah ter metodah dela, podprt s sodobno informacijsko-komunikacijsko teh­nologijo. Nove metode, oblike ucenja in poucevanja so za doseganje ciljev kljucne in neizbežne. Za zagotavljanje inovativnosti pri ustvarjanju ucnih okolij 21. stoletja je potrebno sodelovati in ko­municirati. Vsi deležniki izobraževanja bi se morali združiti, da bi se gonilo inovativnosti odražalo v ce­lotnem izobraževalnem sistemu in ne samo na posa­meznih podrocjih. Ustvarjati bi bilo potrebno pogoje, ki spodbujajo inovativnost ter vzpostaviti procese samoevalvacije, ki bi preko smiselnih raziskav, vklju-cevala svet politike in prakso. Z zagotavljanjem skla­dnosti splošnih izobraževalnih strategij, ki so osredo­tocene na ucenje in povezujejo partnerstva razlicnih izobraževalnih organov, bi ustvarjali odzivne ucne sisteme 21. stoletja (Schleicher, 2019). Pri poucevanju in ucenju v sodobni šoli se pou­darja interaktivni vidik. Ucitelji naj bi imeli vpogled v to, kako ucenci napredujejo, kakšne težave imajo z ucenjem, in temu prilagajali ucni proces, ki bi zago­tavljal zadovoljevanje razlicnih potreb. To lahko na­redi s pomocjo opazovanj, pogovorov in izkazanim delom v najrazlicnejših izvedbah (Rutar Ilc, 2014). 2.1 Novi pristopi pri izobraževanju Šola 21. stoletja upošteva sodobne koncepte znanja, ki poleg vsebinskega znanja v ospredje postavljajo spretnosti in vešcine, kot so sposobnost samostoj­nega iskanja informacij, sposobnost kriticnega pre­sojanja informacij, sposobnost kriticnega mišljenja, sposobnost uporabe informacij v razlicnih situaci­jah, sposobnost delovanja v skupini oziroma timu za doseganje skupnih ciljev, sposobnost uporabe infor­macijsko-komunikacijske tehnologije, ustvarjalnost, inovativnost itd. (Dumont, 2013). Za uresnicevanje sodobnih konceptov znanja po nacelih sodobne šole je potrebno zagotoviti vzgojno--izobraževalni nacrt, ki ima znacilnosti: • Usmerjenost na ucenca: ucno okolje v ospred­je postavlja ucenje kot primarno dejavnost in ne predstavlja alternative kljucni vlogi ucitelja in strokovnjakov za ucenje, temvec je odvisno od njih. • Strukturiranost in dobro nacrtovanje: nacrtova­nje je preudarno in zahteva visok nivo profesiona­lizma, hkrati pa pušca dovolj prostora za razisko­vanje in avtonomno ucenje. • Popolna personalizacija: ucno okolje je obcutlji­ vo za individualne in skupinske razlike iz kate­ rih izhajajo ucenci glede na njihovo predznanje, motivacijo in sposobnosti. Podana je natancna povratna informacija, ki je personalizirana. Simona Samida Cerk: Sodobni izzivi izobraževanja na daljavo v okviru medpredmetnega povezovanja in inovativnih ucnih okolij • Inkluzivnost: obcutljivost za razlike med posa­mezniki in skupinami, vkljucuje najšibkejše ucen­ce, opredeljuje inkluziven izobraževalni nacrt. • Socialnost ucenja: ucenje poteka v sodelovalnem vzdušju, kar pomeni, da je sodelovanje eksplicitni del ucnega okolja in ucenje povezano s skupno­stjo (Dumont, 2013) 2.2 Sodobne ucne metode in oblike dela Pouk je ucinkovit takrat, kadar so ucne metode in oblika takšne, da pri ucencih spodbujajo miselno aktivnost, samostojno ucenje in vkljucujejo informa­cijsko-komunikacijsko tehnologijo. Ucitelj s pomocjo ucnih metod in oblik dela povezuje ucne cilje, vse­bine, postopke nacrtovanja, izvajanja in vrednote­nje ucnega procesa, ob tem pa upošteva razvojne in individualne znacilnosti vsakega ucenca. V ucnem procesu je zagotovljena konstruktivna povratna in-formacija, znanje pa je preverjeno in ocenjeno na strokovno ustrezen nacin (Marentic Požarnik, 2007). Sodelovalno ucenje je v sodobni šoli nadgradnja skupinske ucne oblike pri katerem s strukturnim pri­stopom zagotavljamo uresnicevanje osnovnih nacel sodelovalnega ucenja, kot so: soodvisnost ucencev, njihova medsebojna interakcija, heterogenost supine, vkljucenost in odgovornost vseh clanov skupine ter uporaba ustreznih sodelovalnih vešcin (Johnson in Johnson, 1999; Peklaj, 2001) O sodelovalnem ucenju govorimo takrat, ko pouk poteka v manjših skupinah, z namenom doseci sku­pni cilj. Delo je organizirano tako, da vsak clan do-seže najvecji ucni ucinek in hkrati pomaga drugim, da tudi oni dosežejo kar najvec. Osrednje mesto ima interakcija v skupini. Ucitelj vodi in usmerja celoten proces, nudi pa tudi pomoc, ce jo skupine potrebuje­jo (Marentic Požarnik, 2010). Sodelovalno ucenje je v primerjavi z indivi­dualnim tako iz kognitivnega, socialnega kot tudi iz motivacijskega vidika, empiricno doka­zano bolj ucinkovita oblika ucenja kot pa zgolj individualno ucenje (Peklaj, 2001). meDPReDmeTNI DIDAKTIcNI PRISTOP Medpredmetno povezovanje v sodobni in inovativni šoli predstavlja pomemben del ucenja in poucevanja, saj je to celosten didakticni pristop, kjer se povezujejo znanja, vsebine in ucne spretnosti. Ucenci pri med-predmetnem povezovanju razvijajo interes in moti­vacijo za ucenje. Pri tem dosegajo visok ucni uspeh in kažejo vecjo radovednost za usvajanje interdisci­plinarnih znanj. Medpredmetno povezovanje je celosten didaktic­ni pristop s katerim horizontalno in vertikalno pove­zujemo znanja, vsebine in ucne spretnosti. Spodbuja samostojno in aktivno pridobivanje ucnih izkušenj, in poteka v celoviti dejavnosti ucenca, vkljucuje nje­gove spoznavne, custvene in telesne funkcije. Do medpredmetnega povezovanja pristopamo na dva nacina, in sicer ucno-snovno (osredotocanje na ucno snov) in procesno-ciljno (osredotocanje na proces ucenja). Pri procesnem vidiku medpredmetnega po­vezovanja se uveljavlja transfer miselnih strategij, kar omogoca aktivno reševanje problemov in upo­rabo višjih miselnih spretnosti. (Sicherl-Kafol, 2008) Medpredmetni pristop za ucence prinaša mnoge prednosti, kot so celostno dojemanje sveta, izkušenj­sko ucenje, prenašanje usvojenega znanja in proce­sov na druga podrocja, individualizacija in diferen­ciacija pouka. Tovrstno poucevanje in ucenje presega okvirje posameznega ucnega predmeta, saj omogoca povezovanje in združevanje razlicnih ucnih ciljev v smiselno celoto. Tako celostno ucenje zagotavlja po­vezavo in poenotenje znanja, ucence globoko motivi­ra k drugacnemu zaznavanju ustvarjalnemu povezo­vanju vsebin in oblikovanju novih in drugacnih mi-selnih modelov, struktur in sistemov (Krnel, Hodnik Cadež ind., 2008). Medpredmetno povezovanje upošteva ucencevo predznanje, stališca, pricakovanja, custva in socialno komponento. Uresnicuje nacelo celovitosti ucnega procesa, povezuje ucenje z življenjem ob spodbuja­nju izkušenjskega ucenja pri ucencih, priznava otro­kovo individualnost z upoštevanjem njegovih po­treb, interesov, zmogljivosti. Je odprt ucni model, ki omogoca ucitelju in ucencem fleksibilno prilagajanje sprotnim potrebam in situacijam. Od ucitelja takšen pristop dela zahteva prožnost, širino v znanju, em-patijo in posluh za potrebe, interese in sposobnosti ucencev (Kušcer, 2000). • Prednosti medpredmetnega povezovanja Zagovorniki medpredmetnega povezovanja se naslanjajo na dognanja o nacinu delovanja cloveških možganov in na osnove holizma. Kadar vsebino obravnavamo bolj celostno in z razlicnih vidikov, stvarnost doživljamo in zaznava-mo kot celoto, ne pa strukturirano po posameznih podrocjih. Ucenci se z medpredmetnim pristopom Simona Samida Cerk: Sodobni izzivi izobraževanja na daljavo v okviru medpredmetnega povezovanja in inovativnih ucnih okolij naucijo reševanja problemov v realnih situacijah, s kakršnimi se srecujemo skozi vse življenje. Prav s tega vidika se nekatere kljucne kompetence, ki jih potrebujemo za življenje in vseživljenjsko ucenje, po svoji naravi interdisciplinarne in jih je mogoce zago­tavljati prav s kroskurikularnostjo. Medpredmetni pristop tako doda vrednost obicajnemu pristopu, saj pouk postane problemski in razvija kriticno mišljenje (Pavlic Škerjanc, 2010). Medpredmetnega pristopa poucevanja se po­služujemo takrat, ko je to smiselno, ko je ucna snov primerna in imamo zadovoljive možnosti za izved­bo. Možnosti medpredmetnih povezav zasledimo v ucnih nacrtih posameznih predmetov. Iz njih lahko razberemo, kateri predmeti se najbolje vežejo med seboj in katere vsebine lahko povežemo, da uresni-cimo cilje iz ucnih nacrtov posameznih predmetov (Štemberger, 2008). • Medpredmetni pristop pri izobraževanju na da­ljavo Medpredmetno povezovanje v okviru izobraže­vanja na daljavo omogoca racionalizacijo ucnih vse-bin in osredotocanje na temeljne cilje posameznih ucnih predmetov. Ucenci pri pouku na daljavo za usvajanje in razumevanje znanja porabijo tudi do trikrat vec casa, zato je medpredmetni pristop z eko­nomicnega vidika obravnavanja ucnih vsebin toliko bolj pomemben. Pri tem je potrebno izpostaviti, da kljub racionalizaciji ucnih vsebin le-te obravnavamo celostno in poglobljeno, pri ucencih pa dosegamo višjo ucno motivacijo in interes za ucenje. Medpredmetni ucni pristop je lažje uresnicevati od prvega do petega razreda osnovne šole, ko ve-cino ucnih predmetov poucuje en ucitelj. V šestem razredu in v tretji triadi je za medpredmetni pristop potrebno vec skupnega usklajevanja in nacrtovanja med posameznimi ucitelji. Pri pouku na daljavo lahko medpredmetno pove­zovanje izpeljemo pri vseh dnevih dejavnosti, ki so del obveznega programa v osnovni šoli pri katerih je še posebej poudarjeno, da se medpredmetno povezu­jejo discipline in predmetna podrocja. Cilj dni dejav­nosti je ucencem omogociti utrjevanje in povezova­nje znanja pridobljenega pri posameznih predmetih in predmetnih podrocjih, uporabljanje tega znanja in njegovo nadgrajevanje s prakticnim ucenjem v kon­tekstu medsebojnega sodelovanja in odzivanja na ak­tualne dogodke v ožjem in širšem družbenem okolju. Možnosti medpredmetnih povezav je v prvem in drugem triletju zelo veliko, pri tem je pomembno, da povezave ucnih vsebin ne nastajajo na silo. Potreb-no je upoštevati tudi posebnosti specialno didaktic­nega nacrtovanja posameznih predmetov, saj lahko v nasprotnem primeru siromašimo proces ucenja. Medpredmetno povezovanje bo kakovostno takrat, ko bo smiselno vkljucevalo vsebine, procese, znanja, spretnosti itd., ki spodbujajo ucenje iz razlicnih zor­nih kotov posameznih predmetnih podrocij. Na pod-lagi tega nastane ucni transfer znanj in spretnosti, ki omogocajo razvijanje sistemskega mišljenja in mrežo znanja za ustvarjalno reševanje ucnih in življenjskih okolišcin (Sicherl-Kafol, 2008). • Možnosti medpredmetnega povezovanja pri po­uku na daljavo Ce želimo medpredmetne povezave ustrezno izvajati, je potrebno narediti nacrt, v katerem jasno opredelimo cilje povezovanja predmetov ter izdela-mo strategije za njihovo doseganje. Pri medpredmetnem povezovanju govorimo o treh uveljavljenih pristopih. Pri tradicionalnem pri­stopu sta znanje in razumevanje minimalno poveza­na tako znotraj predmetov kot med predmeti. Ucne poti takega tovrstnega pristopa so linearne in diver-gentne. Obogateni tradicionalni pristop temelji na vsebinskem oziroma tematskem pristopu povezova­nja predmetov, znanje in razumevanje sta povezana znotraj predmetov, ucne poti se v okviru ucnega pro-cesa združujejo in povezujejo. Integrativni kurikul pa temelji na konceptualnem pristopu. Ucni proces usmerja skupni problem oziroma iskanje odgovora na isto problemsko vprašanje. Prav tako sta znotraj in med predmeti povezana znanje in razumevanje, poucevanje in ucenje sta sodelovalna in potekata po krožnih in vijacnih konvergentnih ucnih poteh (Pa­vlic Škerjanc, 2010). Vzemimo primer medpredmetnega povezovanja družbe, slovenšcine, likovne umetnosti, glasbene umetnosti, matematike in gospodinjstva v 5. razredu. Z dnevi dejavnosti, ki so del obveznega progra-ma, medpredmetno povezujemo discipline in med-predmetna podrocja, ki so vkljucena v predmetnik osnovne šole. Dneve dejavnosti lahko izvajamo tudi na daljavo, pri cemer izhajamo iz ciljev, ki ucencem omogocajo utrjevanje in povezovanje znanja prido­bljenega pri posameznih ucnih predmetih in pred­metnih podrocij, uporabljanje tega znanja in nadgra­ Simona Samida Cerk: Sodobni izzivi izobraževanja na daljavo v okviru medpredmetnega povezovanja in inovativnih ucnih okolij Tabela 1: možnosti medpredmetnega povezovanja Družba Slovenšcina Likovna umetnost Glasbena umetnost matematika Gospodinjstvo Ljudje v prostoru: spoznavanje naravno­geografskih enot Slovenije, geografskih pojmov, orientacija na zemljevidu Obravnava umetnostnih in neumetnostnih besedil (razglednica, recept, književna besedila), spoznavanje narecij Risanje, slikanje, Spoznavanje s plesov Racunanje zracne Priprava jedi znacilnih grafika, kiparstvo, in pesmi slovenskih razdalje med kraji, za posamezno pokrajino, prostorsko oblikovanje pokrajin racunanje relativne spoznavanje, narodnih (izdelava razglednice, višine, zbiranje in noš Slovenije spominka, pustna obdelava podatkov maska, risanje idrijske cipke) Ljudje v casu: Obravnava Izdelava mozaika, Ustvarjanje ritmov Zbiranje in obdelava Priprava jedi umetnostnih in šcita legionarja, in glasbe s kamni podatkov, orientacija starodavnih ljudstev, kolišcarji, Rimljani, neumetnostnih besedil kolišc (kamena doba) na casovnem traku spoznavanje nacinov srednjeveška mesta (Decek Brin zgodovine tkanja kolišcarjev na domacem kolišcu, Bobri) dnjo s prakticnim ucenjem v kontekstu medsebojne­ga sodelovanja in odzivanja na aktualne dogodke v širšem in ožjem družbenem okolju. V okviru dni dejavnosti lahko izvedemo med-predmetni dan potep po Sloveniji, kjer ucenci preko interaktivnega gradiva oblikovanega v Google slides in Google forms in dela po skupinah preko konfe­rencnega sistema Zoom sodelujejo v skupinah, od­krivajo naravno-geografske in kulturne znacilnosti Slovenije, se ucijo slovenskih ljudskih pesmi, ustvar­jajo motive slovenskega ljudskega izrocila, spozna­vajo tradicionalne slovenske jedi, zapisujejo recepte, pretvarjajo kolicine, racunajo razdalje med kraji in se urijo v orientaciji na interaktivnem zemljevidu. 4 INOvATIvNA UcNA OKOLjA Inovativna ucna okolja podprta z informacijsko--komunikacijsko tehnologijo so v središcu politik in raziskav na podrocju sodobnega izobraževanja. Vicic Krabonja in Šverc (v Flogie in Aberšek, 2019) nava­jata, da se je v šolskem prostoru zaradi hitih spre­memb v družbi ter globalizacije na vseh ravneh veci­na držav clanic EU za eno izmed prednostnih nalog na podrocju izobraževanja postavila doseganje višjih taksonomskih stopenj znanja, doseganje digitalnih kompetenc in kompetenc 21 stoletja. Za ustvarjanje spodbudnih ucnih okolij izpostavljata, da potrebuje-mo multidisciplinarni pristop, ki predstavlja enega izmed pomembnih izzivov in je povezan z vlogo so-dobne informacijske tehnologije pri ustvarjanju ino­vativnih ucnih okolij in ucnih priložnosti za ucence. Uvajanje prožnih oblik ucenja in inovativnih uc­nih okolij podprtih z informacijsko-komunikacijsko tehnologijo podpirajo razvijanje kljucnih kompetenc, in sicer ucenje, poucevanje, vrednotenje, vsebina, ku­rikul, organizacija, vodenje in vrednote. Tehnologija pa predstavlja temelj vseh pedagoških sprememb v sklopu inovativnih ucnih okolij. Za doseganje vzgoj­no-izobraževalnih ciljev in kompetenc v sodobni šoli, potrebujemo tudi ustrezen prostor, dostop do izobraževalnih vsebin ter ustrezno didakticno uspo­sobljenost uciteljev. Izpostavljamo celostni pristop v izobraževanju, ki v veliki meri korelira z vzpostavlja­njem ustvarjalnih in inovativnih ucnih okolij (Flogie in Aberšek, 2019). Kompetenten ucitelj je z uporabo informacijsko--komunikacijske tehnologije uspešnejši, ustvarjalnej­ši in inovativnejši, saj uporablja veljavne in zanesljive podatke ter se zaveda pravnih in eticnih nacel varne in odgovorne uporabe tehnologije (Gerlic, 2000). Raz­licne študije uporabe informacijsko komunikacijske tehnologije v izobraževanju kažejo, da informacijsko--komunikacijska tehnologija olajša ucenje otrokom z drugacnimi sposobnostmi in nacini ucenja, omogoca ucinkovitejše ucenje in poucevanje z vkljucevanjem vec cutov ter daje možnost boljšega prilagajanja in sledenje pouku (Brecko in Vehovar, 2008). Orodja za ucenje in poucevanje na daljavo Vzpostavitev ustreznega digitalno podprtega uc­nega okolja je postala kljucna za kakovostno izvedbopouka na daljavo. Zelo pogosto uporabljeno orodje jespletna ucilnica. Moodle je eden izmed programskihpaketov za izvajanje e-izobraževanja. Ucitelj lahko vspletni ucilnici objavlja gradiva, daje domace naloge,pripenja videoposnetke z razlagami, objavlja fotogra­fije izdelkov, s svojimi ucenci klepeta v klepetalnici.Ucenci v spletni ucilnici odpirajo dokumente, ki jih je Simona Samida Cerk: Sodobni izzivi izobraževanja na daljavo v okviru medpredmetnega povezovanja in inovativnih ucnih okolij pripel ucitelj, oddajajo domace naloge, klepetajo v kle­petalnici, rešujejo kvize. Ucitelj lahko v spletni ucilnicispremlja in pregleduje aktivnost ucencev, pregledujedomace naloge in daje povratne informacije ucencem, spremlja uspešnost reševanja kvizov itd. Delo v spletni ucilnici je lahko zasnovano med-predmetno in v obliki sodelovalnega ucenja. Ucen­cem odpremo predmet z naslovom Rimljani. Temo medpredmetno povezujemo, in sicer z matematiko (spoznavanje rimskih števil), slovenšcino (neume­tnostno besedilo recepti za pripravo rimskih jedi), likovno umetnostjo (izdelava rimskega mozaika), gospodinjstvom (oblacila Rimljanov, priprava jedi). V okviru medpredmetnega povezovanja tako pripra­vimo mali razredni projekt na temo Rimljanov. Za spoznavanje te teme uporabimo razlicna orod­ja, ki jih nudi spletna ucilnica, in sicer spletna pove­zava do videoposnetkov, kviz, Wordove dokumente, datoteke v PowerPointu. Ucence razdelimo v skupi­ne in te opravljajo razlicne naloge podane v spletni ucilnici. Ucenci se po skupinah srecujejo v videokon­ferencnem sistemu Jitsi meet, ki ga omogoca spletna ucilnica. Ko ucenci spoznajo in rešijo vse naloge po­dane v navodilih za delo se preizkusijo v kvizu. Ucen­ci v galerijo pripnejo fotografije likovnih izdelkov, ki so nastale v okviru medpredmetnega povezovanja. Videokonferencne storitve so namenjene organi­zaciji sestankov, predavanj, pa tudi za vzpostavljanje stikov z ucenci ali za komunikacijo in sodelovanje med samimi ucenci. Konferencni sistem Zoom nam omogoca tudi delopo skupinah, in sicer tako, da ucence razdelimo po Slika 1: Odgovori ucencev o motivaciji za ucenje programiranja sobah in tam opravljajo razlicne naloge. Ucencem vorodju Google slides in Google forms pripravimo sobopobega, ki vsebuje namige iz razlicnih predmetnih po­drocij. Ucenci po skupinah rešujejo izzive in s svojimznanjem ter sodelovanjem poskušajo rešiti uganko oz.geslo, ki jih vodi do koncne rešitve. Ko uspešno rešijouganko se vrnejo v primarno Zoom sobo. Orodje Kahoot! je namenjeno izdelavi kvizov, razprav, vprašalnikov in je ena izmed atraktivnejših aplikacij za ponavljanje in utrjevanje znanja. Kaho­ot! omogoca sestavljanje lastnih kvizov ali uporabo že obstojecih, ki jih ustvarjalci delijo z drugimi upo­rabniki portala. Kviz je mogoce reševati individual-no, ali pa v obliki razrednega tekmovanja. Casovna omejitev reševanja posameznega vprašanja, tockova­nje in privlacna glasba pripomorejo k napetosti med reševanjem kviza in dvigajo ucno motivacijo. Padlet je storitev, ki omogoca skupno ustvarjanje in rabo. To je tabla, ki jo kreira ucitelj, povezavo pa pošlje ucencem, ki nato hkrati soustvarjajo – pišejo, delijo fotografije, posnetke in komentarje z drugimi. Vse kar ustvarimo, lahko vidijo vsi sodelujoci, tabla pa se lahko kadarkoli dopolnjuje. Pri pouku na dalja­vo jo lahko uporabimo za objavljanje likovnih izdel­kov, videoposnetkov, podajanju navodil za samostoj-no in skupinsko ucenje. Worldwall je spletno orodje, ki se lahko uporablja za ustvarjanje interaktivnih dejavnosti in dejavnosti za tiskanje. Orodje vsebuje predloge v katerih obli­kujemo svoje interaktivne kvize, in križanke, lahko pa uporabimo razlicico iger kot sta Maze Chase ali Airplane. Spletno orodje pri pouku na daljavo upo­rabimo za utrjevanje ucne snovi na interaktiven in privlacen nacin. Ucenci lahko pri pouku na daljavo za spoznavanje naravno-geografskih in kulturnih znamenitosti upo­rabijo mobilno aplikacijo Nexto. Ta nudi obogateno multimedijsko izkušnjo z elementi obogatene resnic­nosti. Ucenci se lahko virtualno podajo na izlet v raz­licne kraje po Sloveniji in preko aplikacije spoznavajo kulturne, naravne in zgodovinske znacilnosti dolo-cenih krajev. Pri spoznavanju Pirana poslušajo zvo­ke znamenite sonate skladatelja Tartinija, poslušajo zgodbo o Benecanki ter se preizkušajo v razlicnih iz­zivih. Na ta nacin spoznajo Piran interdisciplinarno. 5 SKLEP Sodobna šola 21. stoletja upošteva tiste koncepte znanja, ki poleg vsebinskega znanja v ospredje po­ Simona Samida Cerk: Sodobni izzivi izobraževanja na daljavo v okviru medpredmetnega povezovanja in inovativnih ucnih okolij stavljajo tudi spretnosti in vešcine, kot so samostojno iskanje informacij, kriticno mišljenje, timsko sodelo­vanje, ustvarjalnost, inovativnost ... Sodobno in inovativno izobraževanje na daljavo vkljucuje medpredmetno povezovanje in inovativna ucna okolja podprta s sodobno informacijsko-komu­nikacijsko tehnologijo. Medpredmetni pristop je pri izobraževanju na daljavo pomemben z vidika ekono-micnosti, celostne obravnave ucnih vsebin ter pove­zovanja znanja. Inovativna in sodobna ucna okolja podprta z upo­rabo razlicnih informacijsko-komunikacijskih orodij ucencem omogocajo poglobljeno usvajanje ucne snovi in jim pomagajo pri doseganju višjih oblik ucenja ter povezovanja znanja. Ucenci so pri ucenju motivirani, osredotoceni in željni sprejemati nova znanja. Prožne oblike ucenja in inovativna ucna okolja podprta z informacijsko-komunikacijsko tehnologijo podpira­jo razvijanje kljucnih kompetenc 21. stoletja, in sicer ucenje, poucevanje, vrednotenje, vsebino, kurikul, or-ganizacijo, vodenje in vrednote. Za ustvarjanje spod­budnih ucnih okolij potrebujemo multidisciplinarni pristop, ki predstavlja enega izmed pomembnih iz­zivov sodobne in inovativne šole. Za uresnicevanje sodobnih konceptov znanja je potrebno zagotoviti vzgojno-izobraževalni nacrt, ki je usmerjen na ucen-ca, vkljucuje personalizacijo, inkluzivnost in social-nost ucenja. Prav to slednje pa je še odprt problem pri izobraževanju na daljavo, kjer ucenci še zdalec nima­jo enakih možnosti za usvajanje znanja. 6 LITERATURA [1] Brecko, B. N., Vehovar, V. (2008). Informacijsko-komunikacij-ska tehnologija pri poucevanju in ucenju v slovenskih šolah. Ljubljana: pedagoški inštitut. [2] Dumont, H. (2013). O naravi ucenja: uporaba raziskav za nav­dih prakse. Ljubljana: Zavod RS za šolstvo. [3] Flogie, A., Aberšek, B. (2019) Inovativna ucna oko­lja – vloga IKT. Pridobljeno s https://en.calameo.com/ read/0058307531fae8501fad2 [4] Gerlic, I- (2000). Sodobna informacijsko-komunikacijska teh­nologija v izobraževanju. Ljubljana: DZS. http://proxima.si/sl/ project/nexto, pridobljeno 12. 2. 2021 [5] Izobraževanje na daljavo – Izkušnje za prihodnost. Prido­bljeno s https://www.pei.si/wp-content/uploads/2020/06/ OM_celota.pdf [6] Krnel, D., Hodnik Cadež, T., Potocnik, N., Medved-Udovic, V. (2008). Medpredmetno povezovanje v 1. razredu – vecpred­metni delovni ucbenik. Naravoslovna solnica letnik 12, št. 3, str. 6-9. [7] Kušcer, K. (2000). Integriran pouk: prirocnik za obravnavo tematskega sklopa Sadovnjak. Ljubljana: Zavod Republike Slovenije za šolstvo. [8] Marentic Požarnik, B. (2007). Cemu potrebujemo širši dogo­vor o temeljnih uciteljevih zmožnostih/kompetencah. Vzgoja in izobraževanje 38 (5), 44–53. [9] Marentic Požarnik, B. (2010). Psihologija ucenja in pouka. Ljubljana: DZS. [10] Pavlic Škerjanc, K. (2010). smisel in sistem kurikularnih po­vezav. V: Pavlic Škerjanc in Rutar Ilc (ur.), Medpredmetne in kurikularne povezave, prirocnik za ucitelje: Ljubljana: Zavod RS za šolstvo. [11] Peklaj, C. in sodelavke (2001). Sodelovalno ucenje ali Kdaj vec glav vec ve. Ljubljana: DZS. [12] Rutar Ilc. Z. (2014). Formativno spremljanje ali pogled v »crno škatlo«. V Z. Rutar Ilc (Ur.), Vzgoja in izobraževanje (str. 23 – 27). Ljubljana: Zavod RS za šolstvo. [13] Schleicher, A. (2019). Šole za ucence 21. stoletja: mocni vodje, samozavestni ucitelji, inovativni pristopi: mednarodno srecanje na vrhu o uciteljskem poklicu. Ljubljana: Šola za rav­natelje. [14] Sicherl-Kafol, B. (2008). Medpredmetno povezovanje v osnovni šoli. Didakta: letnik 17, št. 19, str. 7-9. [15] Štemberger, V. (2008). Nacrtovanje in izvajanje medpredme­tnih povezav. V Ucitelj v vlogi raziskovalca: akcijsko razisko­vanje na podrocjih medpredmetnega povezovanja in vzgojne zasnove v javni šoli, ur. Janez Krek , str. 112-130. Ljubljana: Pedagoška fakulteta. • Simona Samida Cerk je magistrica pedagoških znanosti, uciteljica razrednega pouka v OŠ Franceta Bevka v Ljubljani, kjer poucuje peti razred. V svojo pedagoško prakso vnaša inovativne in sodobne pristope poucevanja, vkljucuje se v projekte na državni in mednarodni ravni. Vkljucuje se v razlicne oblike izobraževanj, dejavna je predvsem na podrocju posodabljanja pouka in sodelovalnega ucenja. zNANStVENI prISpEVkI LEARNING-BASEDLINK PREDICTION ANALYSIS FOR FACeBOOK100 NeTWORK Tim Poštuvan1 , 2, Semir Salkic1, Lovro Šubelj1 1 University of Ljubljana, Faculty of Computer and Information Science, Vecna pot 113, 1000 Ljubljana, Slovenia 2 University of Ljubljana, Faculty of Mathematics and Physics, Jadranska ulica 19, 1000 Ljubljana, Slovenia tim.postuvan@gmail.com, ss9343@student.uni-lj.si, lovro.subelj@fri.uni-lj.si Izvlecek Facebook je ena izmed najzanimivejših in najširše uporabljenih socialnih in medijskih platform. Njegovi podatki so konkretno vplivali na raziskovanje socialnih omrežij in na tehnike napovedovanja povezav, ki so nepogrešljive pri analizi omrežij. Clanek prvi natancno analizira napovedovanja povezav na Facebook100 omrežju. Na razlicnih množic znacilk preucimo zmogljivost vecih algoritmov stroj­nega ucenja. Za pridobitev znacilk uporabimo vložitve omrežij in tehnike, ki temeljijo na topologiji omrežja, kot so node2vec in vektor metrik podobnosti. Poleg tega uporabimo tudi znacilke vozlišc, ki so na voljo za Facebook 100 omrežje, a le redko najdene pri drugih naborih podatkov. Razložimo tudi uporabljene pristope in nazorno predstavimo rezultate. Na koncu primerjamo naše modele, kjer podamo njihove koncne zmogljivosti in klasifikacijske natancnosti. Kljucne besede: napovedovanje povezav, socialna omrežja, klasifikacija, nadzorovano ucenje, izbira znacilk Abstract In social network science, Facebook is one of the most interesting and widely used social networks and media platforms. Its data has significantly contributed to the evolution of social network research and link prediction techniques, which are important tools in link mining and analysis. This paper gives the first comprehensive analysis of link prediction on the Facebook100 network. We stu­dy performance and evaluate multiple machine learning algorithms on different feature sets. To derive the features, we use network embeddings and topology-based techniques such as node2vec and vectors of similarity metrics. In addition, we also employ node­-based features, which are available for the Facebook100 network, though rarely found in other datasets. The adopted approaches are discussed and results are clearly presented. Lastly, we compare and review the applied models, where overall performance and classification rates are presented. Keywords: Link prediction, social networks, classification, supervised learning, feature selection INTRODUCTION Social networks became an important focus in our research. We are witnessing exponential user expan­sion on social platforms (e.g. Facebook, Twitter and LinkedIn). People are joining these platforms and generating substantial amounts of data, which can reveal interesting clues about user behavior, socie­ty and psychology. We can see significant increase in research on the topic of social networks and link prediction. In the last decade we are experiencing a rise in this overlapping topic of network science and data science, which is primarily used to analyze and understand social networks [Wang et al., 2014]. Ac­cording to Facebook estimations in March 2020, they have 1.73 billion DAU (Daily Active Users). Much work has been done to understand complexities and challenges of social networks, where considerable knowledge has been obtained ([Pow et al., 2012], [Scott, 1988]). In that manner we are using the Fa­cebook100 dataset (2005), which includes a complete set of people from Facebook networks for 100 diffe­rent colleges and universities in the USA. This paper Tim Poštuvan, Semir Salkic, Lovro Šubelj: LEARNING-BASED LINK PREDICTION ANALYSIS FOR FACEBOOK100 NETWORK is the first comprehensive study of link prediction te­chniques applied to the Facebook100 dataset. We are using a learning-based approach with local probabi­listic models such as logistic regression. Besides that, we are utilizing standardized link prediction classi­fication models such as: random forests, artificial ne­ural networks and kernel-based models (e.g. SVM). Having in mind that we have two main approaches to link prediction, we chose learning-based approa­ches instead of similarity-based approaches because we want to compare performance, stability and clas­sification accuracy of multiple classification models instead of showcasing different measures of node proximity. We are using standardized similarity-ba­sed methods to derive notable features, which are used as model input. The presented methods are no­de2vec graph embedding and an ensemble of topolo-gy-based metrics such as Jaccard Coefficient, Adamic Adar Coefficient and Preferential Attachment Index. Using these methods, we build classification models which are clearly presented, focusing on performan­ce and generalization, with appropriate discussion and results. The paper is structured as follows. In section 2 we present related work in the field of link prediction on social networks. Section 3 briefly describes the Face­book100 data. In sections 4 and 5 we present used feature sets and datasets, which are utilized for tra­ining and testing. Process and discussion of feature selection foreach dataset are stated in the section 6. Sections 7 and 8 give an overview of achieved results, while also providing comprehensive model analysis. Insightful discussion of results which explains intere­sting nature of the data is explained in section 9. We conclude the paper with an overview in section 10. 2 ReLATeD WORK Link prediction has recently become very popular for prediction of future relationships between indivi­duals of social networks. Consequently, a great varie­ty of different approaches were invented. In the past decade, many efforts have been made by psychologi­sts, computer scientists, physicists and economists to solve the link prediction problem in social networks. According to Wang et al. [Wang et al., 2014] there are two ways to predict links: similarity-based approa­ches and learning-based approaches. Similarity-ba­sed approaches calculate a similarity score for every pair of nodes, where higher score means higher pro­bability that the corresponding nodes will be connec­ted in the future. Learning-based approaches are treating the link prediction problem as a binary classification task [Hasan et al., 2006]. Therefore, typical machine le­arning models can be employed forsolving the pro­blem. These include classifiers like random forest [Bre­iman, 2001], multilayer perceptron or support vector machine (SVM) [Cortes and Vapnik, 1995], as well as probabilistic models. The learning-based approaches use non–connected pairs of nodes as instances with features describing nodes and the class label. Pairs of nodes which havepotential to become connected are labeled as positive and the others as negative. Their feature set consists of similarity features from the similarity-based approaches and features derived from domain knowledge (e.g. textual information about members of social networks). Using combina­tion of both can remarkably improve the link predic­tion performance. Scellato et al. [Scellato et al., 2011] considered social features, place features and global features in location-based social networks forlink pre­diction based on a supervised learning framework. Both types of approaches rely on various metrics, which use information of nodes, topology of network and social theory to calculate similarity between a pair of nodes. Metrics consist of three categories: node-ba­sed, topology-based and social theory-based metrics. Node-based metrics use the attributes and actions of individuals to assess similarity of node pairs. They are very useful in link prediction; however,it is usu­ally hard to get the data because of privacy issues. Most metrics are based on the topological infor­mation and are called topology-based metrics. They are most commonly used for prediction, because they are generic and domain independent. Topology­-based metrics are further divided into the following subcategories: neighbor-based, path-based and ran­dom walk-based metrics. Neighbour based metrics assume that people tend to form new relationships with people that are closer to them. The most famo­us are Common Neighbors [Newman, 2001], Jaccard Coefficient [Salton and McGill, 1986], Adamic Adar Coefficient [Adamic and Adar, 2003] and Preferenti­al Attachment Index [Barabási et al., 2002]. The first three all use the same idea that two nodes are more likely to be connected if they share a lot of common neighbours. On the other hand, Preferential Atta­chment Index assumes that nodes with higher de­ Tim Poštuvan, Semir Salkic, Lovro Šubelj: LEARNING-BASED LINK PREDICTION ANALYSIS FOR FACEBOOK100 NETWORK gree have higher probability of forming new edges. Neighbor-based metrics capture local neighbor­hood but do not consider how nodes are reachable from one another. Path-based metrics incorporate this information byconsidering paths between no­des. They are more suitable to small networks and are not scalable to big networks. Examples of path­-based metrics are Local Path [Lü et al., 2009] and Katz metric [Katz, 1953]. Local Path metric makes use of information of local paths with length two and three, while giving more importance to the paths of length two.Katz metric calculates the similarity bysumming all the paths connecting the two nodes, giving higher weight to shorter paths. Social interactions between members of social ne­tworks can also be modeled byrandom walk, which uses transition probabilities from a node to its neigh­bors to denote the destination of a random walker from the current node. Examples of random walk-ba­sedmetrics are Hitting Time and SimRank [Jeh and Wi­dom, 2002]. Hitting time metric calculates similarity based on the expected number of steps required for a random walk starting at a node to reach the other node. SimRank metric computes similarity according to the assumption that two nodes are alike if they are connected to structurally similar nodes. Social theory-basedmetrics take advantage of clas­sical social theories, such as community,triadic closu­re, strong and weak ties and homophily, improving performance by capturing additional social interacti­on information. Liu et al. [Liu et al., 2013] proposed a link prediction model based on weak ties and degree, closeness and betweenness node centralities. When designing a feature set, the choice of features tremendously influences the performance of link pre­diction. Sometimes is it hard to find appropriate fe­atures, hence it is desirable that an algorithm learns important features on its own. Network embedding methods aim at learning low-dimensional latent representation of nodes in a network. Embeddings should follow the principle that similar nodes in the network havesimilar embedding representations. The advantage of node embedding as a technique is enormous since it does not require feature enginee­ring by domain experts. Network embeddings me­thods can be broadly categorized into four classes: methods based on random walks, matrix factoriza­tion, neural networks, and probabilistic approaches. For the purpose of this paper methods based on ran­dom walks are the most relevant. Methods based on random walks determine si­milarities using random walks on the original net­work. The Skip–Gram model, described in Mikolov et al. [Mikolov et al., 2013], is then usually used to generate node embeddings from the random walks. Examples of such methods are DeepWalk [Perozzi et al., 2014] and node2vec [Grover and Leskovec, 2016]. DeepWalk was the first technique fornetwork em­beddings, inspired bydeep learning. It uses random walks with fixed transition probabilities to measure node similarity, while embeddings are derived using the Skip-Gram model. Node2vec is a generalization of DeepWalk which uses supervised random walks for node neighbourhood exploration. The random walk is controlled by a return parameter p and an in­-out parameter q.Then similarly Skip–Gram model is used, but this time approximated via negative sam­pling, for embedding generation. Evaluation of the methods plays the crucial role in machine learning task in general. Toestimate perfor­mance of the link prediction approaches more evalu­ation criteria exists. While some papers utilize Preci-sion@Np for a range of Np values [Zhang et al., 2018], others use AUROC[Grover and Leskovec, 2016]. 3 DATA We study the Facebook social network of friendships at one hundred American colleges and universities at a single moment of time in September 2005 ([Traud et al., 2012], [Traud et al., 2011]). The network con­sists of one hundred independent networks, where every network corresponds to one university. Frien­dships are recorded only between people from the same university. Besides the information about frien­dships, network also contains limited demographic information. The following information is available for each user: student/faculty status flag, gender, ma­jor, second major/minor (if applicable), dorm/house, year and high school. Network is unweighted and undirected. The whole network consists of 3.2 milli­on nodes with 23.7 million links between them [Ros­si and Ahmed, 2015]. Maximum degree of a single node is approximately 4900 and minimum degree is only 1, with an average of 15. According to statistics network appears to be disassortative but this is only the consequence of its size. It also has high average clustering coefficient 0.097, which is characteristic of social networks. Tim Poštuvan, Semir Salkic, Lovro Šubelj: LEARNING-BASED LINK PREDICTION ANALYSIS FOR FACEBOOK100 NETWORK Tabela 1: Structural information of train and unseen data Dataset n m dC Train 4943.5 206247.6 77.26787 0.2808 Unseen 3517.8 140793.2 80.3072 0.2689 Table1 contains structural measurements for used network sets. All of the presented measurements are averaged overall networks in the corresponding set. The presented values are: average clustering coeffici­ent (C), average degree (d), average number of nodes (n) and average number of edges (m). Wecan see by the number of nodes and edges that train set is larger than unseen dataset. Clustering coefficient and ave­rage degree are high, which is one of expected cha­racteristics of social networks. Because Facebook100 dataset is enormous, lack of computing power prevented us from considering the complete dataset for analysis. Therefore, we havede­cided that we would perform analysis only on a sub­set of networks. Weselected ten networks as seen data and five networks as unseen data. Seen data was used for standard train and test set, where training and te­sting edges came from the same ten networks. On the other hand, unseen data consisted of five networks, which were not shown to the models during training. Weused it to evaluate if our models are transferable to new data. Degree distribution of the analyzed networks is presented in figures 1 and 2. Degree distribution is plotted on a log-log scale for all networks in both sets respectively. For cleaner overview,we used interpo­lation (univariate spline) to showcase distribution of all networks. It is visible on both figures that all net­works follow power law,which is expected forsocial networks. Having in mind that we are using real life social networks, it can be concluded that they are sca­le-free networks bydegree distribution results. Howe­ver,it is interesting to point out existence of big hubs, nodes with very high degree. They are visible on right side of the distribution graph. This is one of the rea­sons why interpolation at the end of the plot has an unexpected minimum. 4 FEATURE SET Feature engineering probably plays the most im­portant role when coping with a machine learning problem. Informative features crucially effect model accuracy;hence the process of feature engineering is usually very time consuming. In learning-based link prediction each pair of nodes is described using a combination of node-based, topology-based and node embedding features, depending on approach. In this paper we are using three different feature sets, from which three datasets were constructed as it will be described in the section 5. 4.1 Node-based features Node-based features use domain-specific informati­on about individuals. Facebook100 dataset has alre­ady a basic set of features, however, not all of them are useful for link prediction task. Almost all features had to be transformed, in order to describe node pa­irs, instead of individuals. From some features, for example dormitory information, new features had to created, because otherwise model would not be transferable between networks. Problem arises from Tim Poštuvan, Semir Salkic, Lovro Šubelj: LEARNING-BASED LINK PREDICTION ANALYSIS FOR FACEBOOK100 NETWORK the fact that different universities use different nu­merations of their dormitories. Considering the abo­ve constraints, we derived the following features: • same_dorm: binary value, indicating whether the nodes live in the same dormitory.• same_year: binary value, indicating if the nodes started college in the same year . year_diff: numerical value, stating the absolu­te difference between the years, when the nodes started college . high_school_1, high_school_2: numerical values, stating indices of nodes’ high schools. major_1, major_2: numerical values, stating indi­ces of nodes’ majors.• same_faculty: binary value, indicating whether the nodes havethe same faculty status .• same_gender: binary value, indicating if the no­des havethe same genderSince networks are undirected, each pair of nodes must be uniquely represented using above features. Representation should not depend on order of the pair, thus major_1 and major_2 are ordered in a way that the value of major_1 is not greater than the value of major_2. The same holds for high_school_1 and high_school_2. Like the majority of datasets Facebook100 does not contain all information about all individuals. Therefore, missing values had to be handled. Wede­cided that imputing is reasonable only forthe featu­re year_diff, where missing values were substituted with the mean. Valuesof other features were left in­tact but as soon as one of the nodes in the pair had a missing value, the corresponding binary values was automatically zero. 4.2 Topology-based features The most commonly used features for link predicti­on are topology-based features. They are particularly useful, when you do not have any problem specific information, because they are generic and domain independent. Although Facebook100 dataset has ad­ditional domain specific data, topology-based featu­res still have great impact on model accuracy. In this paper we are using the following topology-based fe­atures: . Jaccard Coefficient [Salton and McGill, 1986]. Ja­ccard Coefficient normalizes the size of common neighbors. According to Jaccard Coefficient a pair of nodes is assigned a higher value when the no­des share a higher proportion of common neigh­bors relative to total number of their neighbours. |.(x) n .(y)| JC(x, y) = (1) |.(x) . .(y)| where G(x) is a set of neighbours of node x. . Adamic Adar Coefficient [Adamic and Adar, 2003]. Adamic Adar Coefficient measure is close­ly related to Jaccard Coefficient. It is calculated as a weighted sum of common neighbours, where common neighbours with fewerneighbours have greater impact. The rationale behind it is that high degree nodes are more likely to occur in common neighbourhood, thus they should contribute less than low degree nodes. 1 AA(x, y) = .(x) n .(y) (2) log|.(z)| . Preferential Attachment Index [Barabási et al., 2002]. The measure is based on the concept that nodes with higher degree havehigher probability of forming new edges. PA(x, y) = |.(x)|.(y)| (3) . Resource Allocation Index [Zhou et al., 2009]. Re­source Allocation Index metric is very similar to Adamic Adar Index. The only difference is that Resource Allocation Index punishes high degree nodes more. 1 RAI(x, y) = z . .(x) .(y) (4) |.(z)| 4.3 Node embedding features Network embeddings methods aim to learn low-di­mensional latent representation of the nodes in a net­work. Togeneratea dataset comprising of every node in a network we are able to use these representations as features. This can be used for a wide variety of tasks such as classification, clustering, link predicti­on, and visualization. Using node2vec [Grover and Leskovec, 2016] we were able to generate our embed­dings dataset. The key point is that node2vec is based on ran­dom node walks performed in a biased manner across the network. With this generic approach we are able to sample any network in a search for vec­tor representation of its structural properties. With Tim Poštuvan, Semir Salkic, Lovro Šubelj: LEARNING-BASED LINK PREDICTION ANALYSIS FOR FACEBOOK100 NETWORK the introduction of search bias a we are able to con­trol our search in breadth-first search or depth-first search manner. If we choose «in-out parameter” (q) , walks are more biased to visit nodes further from the start node, thus expressing the nature of exploration. Fixing «return parameter” (p = 1) ensures that we are less likely to visit same node twice, which in return adopts the strategy of modern exploration (avoids 2-hop redundancy in sampling). As stated in the case study by Grover & Lesko­vec [Grover and Leskovec, 2016] for social structures it is beneficial to tune node2vec hyperparameters to discover communities of nodes which are interac­ting with each other. Capturing this type of beha­vior using embedding representation significantly benefits the link prediction task. To find the best set of hyperparameters, we employed grid search over more than 80 different settings that deemed reasona­ble to us. Each setting was evaluated on network of Caltech using logistic regression and the best com­bination of hyperparameters was selected. It is im­portant to note here, that we did not consider only AUROC of the logistic regression model, but also the complexity of the embedding. The embedding dimension should be as small as possible while car­rying all relevant information. The hyperparameters that were most consistent with the two criteria: 64 dimensions, 50 walks per node, q = 0.8 and 20 nodes in each walk. Since node2vec approach yields em­beddings for nodes, we used Hadamard product to express vector representations for edges. 5 DATASETS Firstly,we had to preprocess all graphs (seen as well as unseen) to obtain train and test node pairs, which will be predicted by models and using which performance will be evaluated. Node pairs can be either positive or negative instances for link prediction task, depending on whether there is an edge between the nodes or not (the nodes are friends or not). For every graph we used the standard approach of generating an incomple­te train graph Gtrain = (V, Etrain) from the original graph G = (V, E).The connected node pairs {i, j} . E\ Etrain, which are present in the original graph but not inclu­ded in the train graph, are used as positive instances forlink prediction task. Positive instances were sam­pled randomly from the original graph’sedge set E. Wedecided to sample 2% of edges in original graph G. Since dataset should contain positive as well as nega­tive instances, we had to obtain also negative instances – pairs of nodes that are not connected byan edge. It is assumed that if two nodes are not connected byan edge, Figure 3: Correlation matrix of node-based and topology-based features Tim Poštuvan, Semir Salkic, Lovro Šubelj: LEARNING-BASED LINK PREDICTION ANALYSIS FOR FACEBOOK100 NETWORK they are not friends. Negative instances were obtained by randomly selecting node pairs {i, j} . E,which are not in the original graph’sedge set. Toget a balanced da­taset the number of negative instances is the same as the number of positive ones. The rest of the graph (Gtrain) was used to calculate topology-based and node em­bedding features. Positive train and test edges were not included in this graph from which features were derived, otherwise we would introduce unjust label informa­tion in features. In our experiments, all unseen data instances were used for testing models’ability to adapt to new graphs. However, seen data was further split into tra­in and test data. We used standard division: 80% of it was used as the train data and the remaining 20% was used as the test data. Within each of the them there is approximately the same number of positive and negative instances. Using this data three datasets were created: ba­seline, topological and embedding dataset. Each dataset represents node pairs using a different com­bination of features. Baseline dataset is the simplest one and contains only topology-based features. Abit more complex is topological dataset, which in addi­tion to the topology-based features makes use of no-de-based features as well. Node pairs in embedding dataset are described using node-based features and Hadamard product of the corresponding nodes’em­beddings. 6 FEATURE SELECTION Contemporary datasets usually haveabundance of data, which is not always relevant to the problem. Hence, datasets should be preprocessed before mo­dels are used on them. Preprocessing takes place mainly to reduce the size of the dataset and achieve more efficient analysis, as well as removing redun­dant features, which havenegative impact on the performance of the model. The aim of feature selec­tion is to maximize relevance and minimize redun­dancy of the features. Our feature sets are not enormous, thus feature selection was done solely for the sake of performance improvement of the models. Weare using recursive feature elimination with cross-validated selection (RFECV) in combination with linear kernel support vector machine (SVM) to get reduced feature sets. This method recursively considers smaller and smal­ler sets of features, while after every iteration prunes the least important features according to the chosen model. It belongs to wrapper methods for feature se­lection, since it appraises subsets of features based on performance of the modelling algorithm. According to Jovic´ et al. [Jovic et al., 2015] wrapper methods havebeen empirically proven to yield better results than other methods because subsets are evaluated using real models. 6.1 Baseline dataset The above feature selection method recognized Ada-mic Adar Coefficient, Jaccard Coefficient and Reso­urce Allocation Index as the most informative fe­atures. The most relevant feature is Adamic Adar Coefficient and the least relevant one is Preferential Attachment Index. This is completely coherent with random forest feature importance shown in figure 4. Adamic Adar Coefficient is the most relevant feature, although Jaccard Coefficient has higher correlation with labels, which can be observed in figure 3. All selected features are highly correlated with label, whereas Preferential Attachment Index is not. This is probably the reason why Preferential Attachment In­dex is the only feature which was not selected. From correlation matrix it is also evident that Adamic Adar Coefficient and Resource Allocation Index are almost perfectly correlated, which is expected because of the similarity in their definitions. Nonetheless, adding it results in a slightly better performance, thus the al­gorithm decides to keep it. Figure 4: Feature importance of baseline dataset according to random forest classifier Tim Poštuvan, Semir Salkic, Lovro Šubelj: LEARNING-BASED LINK PREDICTION ANALYSIS FOR FACEBOOK100 NETWORK 6.2 Topological dataset The advantages of feature selection are more evident on topological dataset, because it has more features. This time algorithm selected the following features: all four topology-based features, same year, samefacul­ty,same dorm, major_1 and major_2. On figure 5 it is clearly shown that topology-based features are far more important than other node-based features. This is also consistent with correlation matrix, since to­pology- based features havethe highest correlations with labels. They are so informative due to phenome­non called triadic closure. The triadic closure states that in social networks connections tend to form be­tween people who share common friends, which is precisely what these topology-based features are de­scribing. Among the node-based features same year, same faculty and same dorm were selected, all having relatively high correlation with label. Particularly high correlation has same year, which is expected, as college students often form friendships with their classmates. Because of this major_1 and major_2 are also relevant. Feature same faculty exploits the fact that students’and professors’social circles are rarely overlapping. 6.3 embedding dataset Feature selection on embedding dataset was espe­cially hard due to artificial features from node2vec. Because hyperparameters of node2vec were care­fully tuned, we assumed that node embeddings are optimal. Weselected the minimum embedding size which still performed well, while the quality of a set of hyperparameters was evaluated on the link pre- Figure 5: Feature importance of topological dataset according to random forest classifier diction task. This was the best we could do with avai­lable computational resources, since there were too many features to utilize the feature selection method described above. Hence, we filtered only node-based features [Liao et al., 2017] and are using only a few crucial ones: same year and same dorm. Wedid not select samefaculty,although it is more important than same dorm if considered on its own. Wedecided so, because same faculty has high correlation with same year and correlated features usually havenegative impact on performance of the model. 7 ReSULTS Evaluation of our datasets was conducted using an ensemble of classification models. We used simpler models like logistic regression and random forest, as well as more complex ones – support vector machi­nes (SVM) and neural networks (NN), which are ca­pable of modeling more complex non-linear functi­ons. Hyperparameters of all models were optimized as described in section 8. Link prediction task was tested on all three datasets, on test and unseen data, and all aforementioned models. Performance of the models was evaluated using Area Under the Rece­iver Operating Characteristics (AUROC), which is one of the most common evaluation metrics for link prediction. Tabela 2:AUROC values for logistic regression, random forest, support vector machine (Svm) and neural network (NN) on test data Dataset Logistic Random SVM NN regression forest Baseline 0.9401 0.9227 0.9628 0.9618 Topological 0.9570 0.9173 0.9639 0.9623 embeding 0.9365 0.9145 0.9412 0.9389 Table2 contains AUROCscores for all combinati­ons of the datasets and models on the test data. Si­milarly, table 3 states the same values, but on unseen data. These tables reveal that support vector machine (SVM) and neural network (NN) are the best models for the link prediction task. Their performance is al­most exactly the same, although they are based on completely different concepts. This is indicating that all relevant information from datasets is used for prediction. Only a little worse did logistic regression, which is very surprising, since it is much simpler than SVM and NN. Even more unexpected is that it outper­formed random Tim Poštuvan, Semir Salkic, Lovro Šubelj: LEARNING-BASED LINK PREDICTION ANALYSIS FOR FACEBOOK100 NETWORK Tabela 3: AUROC values for logistic regression, random forest, support vector machine (Svm) and neural network (NN) on unseen data Dataset Logistic Random SVM NN regression forest Baseline 0.9263 0.9031 0.9570 0.9560 Topological 0.9478 0.8901 0.9563 0.9538 embeding 0.9229 0.9047 0.9217 0.9218 forest, which is a non-linear model. Wehypothesize that this is a consequence of linear separability of the data, but more about this will be written in section 9. All models appear to be stable, since there is only a slight decrease in performance, when applied to unseen data. Difference is negligible for baseline and topological dataset, whereas noteworthy on embed­ding dataset. The models were able to extract more useful in­formation from topological dataset than baseline and embedding ones. Baseline dataset has only a bit worse results, showing that additional node-based features haveminimal influence on performance. Difference is visible forlogistic regression, whereas SVM and NN havethe same score on both datasets. Shockingly,em­bedding dataset gets the worst results. However,this might be the consequence of the chosen evaluation metric. For example, logistic regression on embedding dataset gets 0.87 F1score, while baseline and topologi­cal datasets get only 0.76 and 0.79. F1score reflects ba­lance between recall and precision, whereas AUROC does not consider the predicted labels, but only mea­sures whether predicted values of negative instances are smaller than predicted values of positive instan­ces. Consequently, metrics are not necessarily cohe­rent, however,we decided to trust AUROCsince it is a more standard link prediction metric. 8 MODEL ANALYSIS Here we used previously obtained data and results to optimize our models. Prior to that, data was standar­dized to havevariance 1.0 and mean 0.0. With this approach, we havedone model analysis to interpret best combinations of hyperparameters, which are useful to understand and discover patterns in data. 8.1 Logistic regression Using grid search cross-validation on logistic regressi­on we saw that different approaches require different configurations. In the case of the baseline approach features equally impact the decision process, which isreflected in features’coefficients. Forthis dataset we used ridge regularization (L2)with default regulariza­tion strength of 1. In the case of topological dataset, we noticed that regularization significantly influences performance. Weused lasso regularization (L1)regularization with immense regularization strength of 1000. In this case regularization is crucial forprevention of overfitting. Having in mind that our features are measurements which are not calculated in a fixed interval, we are be­nefiting from the L1property of data sparsity.Model coefficients are imbalanced, where major study featu­res (i.e. major_1 and major_2) are given low coefficient values, which shows that most of the information is contained in the rest of the features. In embedding dataset we noticed that addition of node-based data does not haveany benefits. This co­uld be the consequence of correlations within features of embedding dataset. Maybe node2vec features con­tain structural information, using which node-based feature can be well approximated. For embedding dataset L1regularization with strength 150 was used. Lasso regularization improves model performance on unseen networks. This is achieved with generalization of the obtained knowledge from social network onto new unseen networks. As expected, coefficients show that all features of embedding vectors are equally im­portant. 8.2 Random forest Random forest did not perform well on our datasets. We can justify that by the fact that this approach lacks mechanism for regularization. Higher number of di­mensions in respect to number of samples (unbalan­ced training and unseen data) is causing our decision tree models to overfit. Grid search in this case did not yield specific results, as well as tuning of parameters failed to find feature dependent information. This behavior is shown in our model comparison where it is expected to experience better benchmarks on dif­ferent linear models such as logistic regression and SVM. Wenoticed that unseen networks’AUROCsco­res are the lowest overall datasets, therefore we can conclude that random forest model did not respond well to our problem. 8.3 Support vector machine (Svm) For support vector machine (SVM) only kernels were carefully tuned. Best fit for each dataset was chosen Tim Poštuvan, Semir Salkic, Lovro Šubelj: LEARNING-BASED LINK PREDICTION ANALYSIS FOR FACEBOOK100 NETWORK using grid search. Grid search consisted of linear, polynomial and Gaussian kernel, so the model co­uld work with arbitrary dimensional data. It turned out that for baseline and topological datasets linear kernel was the best option, while embedding dataset required Gaussian kernel. 8.4 Neural network (NN) Choosing the right hyperparameters for neural net­works (NN) was very complicated and tedious task, since neural networks have a lot of different para­meters. Nevertheless, correctly setting them can yie­ld much better performance in comparison to other models. For some of the parameters like loss and op­timization functions default settings were selected. Because learning-based link prediction is a binary classification task, binary cross-entropy loss functi­on and Adam optimizer were utilized. Hidden and output activation functions were selected using ran­dom experimentation. The best results yielded ReLU as hidden activation function and sigmoid as output activation function. Lastly, architecture of neural ne­twork had to be defined, which was done using grid search. We tried a great variety of different depths and numbers of nodes per layer, but in the end ar­chitectures with only two hidden layer and small number of nodes were the best performing on all datasets. 9 DISCUSSION Embedding dataset yielded worse results than topo­logical and baseline ones. This could be so because of greater linear separability of topological and baseline datasets as SVM results from section 7 were implying. It is much easier to train models on linearly separable data than on complex one with a lot of non-linearity, such as node2vec. Baseline and topological data seem to be well li­nearly separable, because SVM works best on them when combined with linear kernel. Also, logistic re­gression performs considerably better than random forest. This is highly unusual fornon-linear datasets, but in this case random forest harder adjusts to linear data, while logistic regression is linear by default. Tryingto prove our hypothesis that topological dataset is more linearly separable than embedding one, we visualized data using linear discriminant analysis (LDA). If any linearity exists in the dataset, it should be visible in the low-dimensional space. To visualize data we uniformly sampled 200 samples from test data of both datasets and calculated LDAdecision boundary for binary classification. LDAanalysis seems to show that the data is approximately equally linearly separable in topolo­gical dataset (figure 6) as well as in embedding one (figure 7). Although, accuracy score of primitive LDAclassifier yielded slightly better results on topological test set 87%, in comparison to embedding one which had score of 86.5%. Amore concrete evidence of wor­se linear separability is probably the fact that SVM with Gaussian kernel performed better on embed­ding dataset than SVM with the linear kernel. Nonetheless, it appears that embedding dataset is still linearly separable to some degree. This is com­pletely unexpected as node2vec produces inheren­tly non-linear embeddings. These interesting results Figure 6: LDA on topological dataset Figure 7: LDA on embedding dataset Tim Poštuvan, Semir Salkic, Lovro Šubelj: LEARNING-BASED LINK PREDICTION ANALYSIS FOR FACEBOOK100 NETWORK pose a newresearch question that could be examined in future work. Besides assumed linearity, topological dataset co­uld also give better results due to small number of fe­atures (9 features), whereas embedding dataset was significantly more complex (66 features). It is harder to train models on data with a lot of features, becau­se models automatically require more parameters, so worse performance of embedding dataset could also stem from that. 10 CONCLUSION In the presented paper we conducted the first com­prehensive analysis of link prediction on the Face­book100 network. Wecan conclude that results are unexpectedly good for link prediction task of this nature. After all, we are predicting friendships on completely separated social networks. It is visible that models successfully generalized to unseen data, eventhough train set is only 50% bigger than unseen data set. Therefore, it is safe to say that our models succeeded in their task. Foroptimization of AUROCscore baseline and topological approaches are the best. It turns out that simplicity has benefits in terms of higher classificati­on scores. In these two cases node-based features did not really effect performance, except when combined with logistic regression. Although SVM and NN got better results, we recommend logistic regression in combination with topological approach because the model is easier to train and interpret. When very high AUROCscores are important (e.g. link predic­tion on medical data), we suggest SVM with linear kernel and baseline approach. It gets almost the same results on unseen data,eventhough it is simpler mo­del than NN. We have shown that collecting data from multiple social networks yields promising datasets, which can be used for modelling of various predictors in similar social structures. Besides that, in this paper we have shown that use of regularization can be a solution in the case of social networks, when lack of the training data is present. Using this approach, we can obtain data insights globally. For future work it would be interesting to show how much linearly separable is embedding dataset. Even more fascinating would be to find the true un­derlying cause of the observed behavior. 11 REFERENCES [1] [Adamic and Adar, 2003] Adamic, L. and Adar, E. (2003). Frien­ds and neighbors on the web. Social Networks, 25:211–230. [2] [Barabási et al., 2002] Barabási, A., Jeong, H., Néda, Z., Ra-vasz, E., Schubert, A., and Vicsek, T. (2002). Evolution of the social network of scientific collaborations. Physica A: Statisti­cal Mechanics and its Applications, 311(3-4):590–614. [3] [Breiman, 2001] Breiman, L. (2001). Machine learning, volume 45, number 1 - springerlink. Machine Learning, 45:5–32. [4] [Cortes and Vapnik, 1995] Cortes, C. and Vapnik, V. (1995). Support-vector networks. Mach. Learn., 20(3):273–297. [5] [Grover and Leskovec, 2016] Grover, A. and Leskovec, J. (2016). Node2vec: Scalable feature learning for networks. In Proceedings of the 22nd ACM SIGKDD International Conferen­ce on Knowledge Discovery and Data Mining, KDD ’16, page 855–864, New York, NY, USA. Association for Computing Ma­chinery. [6] [Hasan et al., 2006] Hasan, M. A., Chaoji, V., Salem, S., and Zaki, M. (2006). Link prediction using supervised learning. In In Proc. of SDM 06 workshop on Link Analysis, Counterterro­rism and Security. [7] [Jeh and Widom, 2002] Jeh, G. and Widom, J. (2002). Simrank: A measure of structural-context similarity. In Proceedings of the Eighth ACM SIGKDD International Conference on Kno­wledge Discovery and Data Mining, KDD ’02, page 538–543, New York, NY, USA. Association for Computing Machinery. [8] [Jovic et al., 2015] Jovic, A., Brkic´, K., and Bogunovic, N. (2015). A review of feature selection methods with applications. pages 1200–1205. [9] [Katz, 1953] Katz, L. (1953). A new status index derived from sociometric analysis. Psychometrika, 18(1):39– 43. [10] [Liao et al., 2017] Liao, L., He, X., Zhang, H., and Chua, T.-S. (2017). Attributed social network embedding. IEEE Transacti­ons on Knowledge and Data Engineering, PP. [11] [Liu et al., 2013] Liu, H., Hu, Z., Haddadi, H., and Tian, H. (2013). Hidden link prediction based on node centrality and weak ties. EPL (Europhysics Letters), 101:18004. [12] [Lü et al., 2009] Lü, L., Jin, C.-H., and Zhou, T. (2009). Simila­rity index based on local paths for link prediction of complex networks. Physical review. E, Statistical, nonlinear, and soft matter physics, 80:046122. [13] [Mikolov et al., 2013] Mikolov, T., Chen, K., Corrado, G., and Dean, J. (2013). Efficient estimation of word representations in vector space. Proceedings of Workshop at ICLR, 2013. [14] [Newman, 2001] Newman, M. E. J. (2001). Clustering and preferential attachment in growing networks. Physical revi­ew. E, Statistical, nonlinear, and soft matter physics, 64 2 Pt 2:025102. [15] [Perozzi et al., 2014] Perozzi, B., Al-Rfou, R., and Skiena, S. (2014). Deepwalk: Online learning of social representations. In Proceedings of the 20th ACM SIGKDD International Con­ference on Knowledge Discovery and Data Mining, KDD ’14, page 701–710, New York, NY, USA. Association for Compu­ting Machinery. [16] [Pow et al., 2012] Pow, J., Gayen, K., Elliott, L., and Raeside, R. (2012). Understanding complex interactions using social net­work analysis. Journal of clinical nursing, 21:2772–2779. [17] [Rossi and Ahmed, 2015] Rossi, R. A. and Ahmed, N. K. (2015). The network data repository with interactive graph analytics and visualization. In AAAI. [18] [Salton and McGill, 1986] Salton, G. and McGill, M. J. (1986). Introduction to Modern Information Retrieval. McGraw-Hill, Inc., USA. Tim Poštuvan, Semir Salkic, Lovro Šubelj: LEARNING-BASED LINK PREDICTION ANALYSIS FOR FACEBOOK100 NETWORK [19] [Scellato et al., 2011] Scellato, S., Noulas, A., and Mascolo, [23] «[Wang et al., 2014] Wang, P., Xu, B., Wu, Y., and Zhou, X. C. (2011). Exploiting place features in link prediction on loca-(2014). Link prediction in social networks: the state-of-the­tion-based social networks. In KDD, pages 1046–1054. ACM. -art. Science China Information Sciences, 58. [20] [Scott, 1988] Scott, J. (1988). Social network analysis. Socio-[24] [Zhang et al., 2018] Zhang, Z., Cui, P., Wang, X., Pei, J., Yao, logy, 22. X., and Zhu, W. (2018). Arbitrary-order prox- imity preserved [21] [Traud et al., 2011] Traud, A. L., Kelsic, E. D., Mucha, P.J., and network embedding. In Proceedings of the 24th ACM SI-Porter, M. A. (2011). Comparing community structure to cha-GKDD International Conference on Knowledge Discovery and racteristics in online collegiate social networks. SIAM Rev., Data Mining, KDD ’18, page 2778–2786, New York, NY, USA. 53(3):526–543. Association for Computing Machinery. [22] [Traud et al., 2012] Traud, A. L., Mucha, P. J., and Porter, M. [25] [Zhou et al., 2009] Zhou, T., Lü, L., and Zhang, Y.-C. (2009). A. (2012). Social structure of Facebook networks. Phys. A, Predicting missing links via local information. The European 391(16):4165–4180. Physical Journal B - Condensed Matter and Complex Sy­stems, 71:623–630. • Tim Poštuvan is in the final year of his bachelor’s degree study. He is studying Computer Science and Mathematics at Faculty of Mathematics and Physics and Faculty of Computer and Information Science, University of Ljubljana. His primary research interests lie in machine learning on graphs, however, he is fond of other areas of artificial intelligence as well. • Semir Salkic´ received a bachelor’s degree from the Faculty of Electrical Engineering, University of Sarajevo in 2018. He is currently studying Data Science Master Programme at Faculty of Computer and Information Science, University of Ljubljana. He is working as a lead software and embedded engineer at Research Center at Faculty of Applied Sciences Kiel, Germany. His research is focused on practical applications of IoT structures with machine learning. • Lovro Šubelj je docent na Fakulteti za racunalništvo in informatiko Univerze v Ljubljani. Diplomiral je leta 2008 na Fakulteti za matematiko in fiziko in Fakulteti za racunalništvo in informatiko ter doktoriral leta 2013 na temo analize velikih omrežij. Je avtor ali soavtor vec kot šestdeset znanstvenih prispevkov in patentov ter urednik prestižnih mednarodnih znanstvenih revij. Njegovo preteklo delo je bilo izbrano kot izjemen znan­stveni dosežek v Sloveniji ter predstavljeno na uglednih mednarodnih univerzah kot sta Stanford in UCSD. Sodeloval je že pri številnih uspešno zakljucenih raziskovalnih in razvojnih projektih v sodelovanju s podjetji Petrol, Celtra, Optilab, Iskratel in drugimi. zNANStVENI prISpEVkI Temni vzorci na slovenskih spletnih straneh Elena Osrajnik1, Sašo Karakatic1 1 Univerza v Mariboru, Fakulteta za elektrotehniko, racunalništvo in informatiko, Koroška cesta 46, Maribor, Slovenija elena.osrajnik@student.um.si, saso.karakatic@um.si Izvlecek Spletne trgovine poskušajo s številnimi novimi pristopi prepricati potrošnike v nakup izdelka, zato se ti vedno bolj poslužujejo temnih vzorcev, ki na manipulativen nacin spremenijo želje uporabnika. Temni vzorci so torej nacini manipuliranja potrošnikov v nakup izdel­kov. V prispevku je pregled sedmih kategorij temnih vzorcev, ki se delijo na nadaljnjih 15 tipov. Empiricni del raziskave vsebuje pre­gled 55 slovenskih spletnih trgovin in analizo uporabe temnih vzorcev v teh trgovinah. Iz zbranih podatkov sta bili narejeni analiza trenutnega stanja slovenskih spletnih trgovin ter primerjava stanja temnih vzorcev na tujih spletnih straneh. Ugotovitve kažejo, da je pojavnost temnih vzorcev na slovenskih straneh primerljiva s pojavnostjo vzorcev na tujih straneh in da se vecji del slovenskih spletnih trgovin poslužuje takšnega nacina manipulacije potrošnikov. Kljucne besede: manipulacija, oblikovanje spletnih strani, svetovni splet, temni vzorci Abstract Online merchants strive to convince consumers to buy their products and resort to the use of strategies for manipulating users’ choices. One of the most common strategies is the use of dark patterns, which involve different techniques for manipulating con­sumers to behave in a specific manner, such as purchasing products. The paper contains an overview of seven categories of 15 different types of dark patterns. We examined 55 Slovenian online shops and analyzed the use of dark patterns on the subject websites. More specifically, our goal was to determine the current state of dark pattern use and compare the results to the use of dark patterns on foreign websites. Our results show that dark patterns occur just as often on Slovenian websites as they do on foreign ones and that most Slovenian online merchants utilize several different dark patterns on their websites to influence consu­mer behaviour. Keywords: Manipulation, web page design, World Wide Web, dark patterns UVOD Izraz «temni vzorci” (angl. dark patterns) je leta 2010 ustvaril ameriški strokovnjak za oblikovanje uporab­niške izkušnje, dr. Harry Brignull. Ta je temne vzor­ce opredelil kot uporabniško izkušnjo (angl. user experience), oblikovano z namenom manipuliranja uporabnika, navadno tako, da uporabnika zavaja v doloceno odlocitev, za katero se morda brez uporabe temnih vzorcev ne bi odlocil (Moran, 2020; Naraya­nan idr., 2020; Monaco, 2020). Razmah takšnih vzor­cev na internetu je bil opazen predvsem po razcvetu spletne prodaje izdelkov, ceprav so se temni vzorci v podobnih oblikah pojavljali tudi izven spletnega omrežja. Spletne trgovine so zacele izrabljati temne vzorce v namene vecje prodaje, hitrejšega in enostav­nejšega pridobivanja narocnin, doseganja ciljnega števila transakcij ipd., s cimer so zavedno manipuli­rali s strankami za dobrobit poslovanja podjetja (Mo­ran, 2020; Moser, 2020). Z narašcanjem povpraševanja po izdelkih narašca tudi njihova ponudba, zato želijo spletni trgovci z iz­najdljivimi pristopi povecati prodajo. Takšni pristopi Elena Osrajnik, Sašo Karakatic: Temni vzorci na slovenskih spletnih straneh so med drugimi tudi temni vzorci, ki so ustvarjeni z namenom, da prepricajo potrošnika v nakup izdel­kov ali storitev (Gray idr., 2020; Maier in Harr, 2020). Z namenom odkritja, kateri vzorci in v kolikšni meri so prisotni na straneh slovenskih spletnih trgovin, smo raziskali 55 spletnih strani, ki smo jih razdelili v kategorije glede na izdelke, ki jih ponujajo. Pred rocnim pregledom spletnih trgovin smo si zastavili par raziskovalnih vprašanj, ki so nam bila v pomoc pri analizi in primerjavi s tujimi spletnimi stranmi. Zanimalo nas je, ali so v slovenskih sple­tnih trgovinah prisotni vsi tipi temnih vzorcev, ki jih lahko opazimo na tujih spletnih straneh. Prav tako nas je zanimalo tudi, ali je v slovenskih spletnih tr-govinah prisotnih vec temnih vzorcev, kot jih lahko opazimo na tujih spletnih straneh. Glavni prispevek raziskave je umestitev uporabe temnih vzorcev v slo­venskih spletnih trgovinah v primerjavi z mednaro­dnimi spletnimi stranmi. Prispevek služi raziskoval­cem uporabniške izkušnje kot osnovna predstavitev temnih vzorcev in pregled trenutne razširjenosti teh na trgu slovenskih spletnih trgovin. Hkrati pa je na­menjen ozavešcanju potrošnikov glede sodobnih pri­stopov manipulacije njihovega obnašanja na spletu, saj se le z zavedanjem in razumevanjem lahko pri­merno odzovejo na obstoj teh. V prispevku smo se glede klasifikacije vzorcev na­našali na mednarodno raziskavo (Mathur idr., 2019), po kateri smo najdene temne vzorce razdelili v kate­gorije. Po opravljenem pregledu slovenskih spletnih strani smo rezultate analizirali in jih primerjali s tujo študijo, na katero smo se opirali pri celotni raziskavi. Ugotovitve smo tudi vizualno predstavili s pomocjo posnetkov zaslona spletnih trgovin in vizualne pred­stavitve rezultatov v obliki grafov. Ugotovitvam raziskave je sledila diskusija glede deleža najdenih primerov temnih vzorcev in možnih razlogih, zakaj smo zaznali odstopanja v številu pri vzorcih, naj­denih na slovenskih straneh, v primerjavi z vzorci v tujih spletnih trgovinah. V zadnjem, sklepnem delu smo povzeli ugotovitve pregleda slovenskih spletnih trgovin in jih primerjali z obstojeco literaturo. 2 TEMNI VZORCI NA SPLETNIH STRANH Temni vzorci so uporabniški vmesniki, oblikovani tako, da nacrtno zavajajo uporabnika pri sprejema­nju dolocenih odlocitev. Vzorci izkorišcajo kognitiv­ne pristranskosti, s cimer spodbujajo uporabnike k nakupu nepotrebnih izdelkov ali storitev ter razkri­vanju osebnih informacij. S kognitivnimi pristran­skostmi oblikovalci vplivajo na nezavedne odlocitve potrošnikov in na njihovo nakupno vedenje, pri ce-mer izkorišcajo hevristicni nacin mišljenja (Di Gero­nimo idr., 2020; Maier in Harr, 2020;Narayanan idr., 2020; Monaco, 2020). Oblikovanje temnih vzorcev izhaja tudi iz dobrega poznavanja potrošniške psiho­logije, ki temelji na preucevanju nakupovalnih navad potrošnikov, torej kaj kupujejo, predvsem pa zakaj kupujejo dolocene izdelke (Moser, 2020). Namen temnih vzorcev je torej manipuliranje uporabnikov Slika 1: Shema temnih vzorcev Elena Osrajnik, Sašo Karakatic: Temni vzorci na slovenskih spletnih straneh k izvajanju dolocenih dejanj, ki so nekonsistentna z njihovimi preferencami (Mathur idr., 2019; Luguri in Strahilevitz, 2019; Maier in Harr, 2020). Za razvrstitev temnih vzorcev v razlicne kate­gorije smo uporabili klasifikacijo, ustvarjeno v širši raziskavi raziskovalne skupine Mathur s sodelav­ci (Mathur idr., 2019). V tej raziskavi so s pomocjo spletnega pajka preiskali vec kot enajst tisoc spletnih trgovin, da bi ugotovili, kateri temni vzorci se v njih pojavljajo. Z analizo pridobljenih vzorcev so te razvrstili v 7 širših kategorij ter podrobneje še v 15 vrst. Za vsako vrsto vzorcev so tudi dolocili, katero kognitivno pristranskost izkorišca pri uporabnikih, in jo opredelili glede na pet dimenzij oblikovanja. Na spodnji Sliki 1 je prikazana shema temnih vzorcev. S sivo barvo so oznaceni vzorci, ki jih nismo zaznali pri pregledu slovenskih spletnih trgovin. 2.1 Prikriti vzorci Kategorija prikritih vzorcev (angl. sneaking) se na­naša na temne vzorce, ki poskušajo napacno inter-pretirati uporabnikova dejanja ter skriti ali preložiti kljucne informacije, zaradi katerih bi uporabnik naj­verjetneje ravnal drugace ali nasprotoval dolocenim dejanjem. V tej kategoriji so bili temni vzorci razdelje­ni v tri vrste: skrij v košarico (angl. sneak into basket), prikriti stroški (angl. hidden costs) in prikrita naroc­nina (angl. hidden subscription) (Mathur idr., 2019). SKRIJ V KOŠARICO Za ta vzorec je znacilno, da se v nakupovalno košari-co potrošnika priloži dodaten izdelek brez njegovega dovoljenja, dodaten izdelek pa je promoviran v obli­ki bonusa ali kot neizogiben strošek. Vzorec izrablja ucinek samodejnosti pri potrošnikih, pri cemer pro-dajalci upajo, da bo uporabnik prezrl dodaten izde­lek in koncal nakup (Mathur idr., 2019). Takšni vzorci so glede na razdelitev v dimenzije delno varljivi, saj nepravilno predstavljajo idejo de­ janja dodajanja izdelka v nakupovalno košarico, terskrivajoc informacije, saj pred potrošniki nacrtno pri­krivajo nacin dodajanja dodatnega izdelka v košarico.Vendar pa ti vzorci niso prikriti, saj lahko potrošnik ta­koj opazi dodaten izdelek in spozna, da ga je v nakup vkljucila spletna trgovina (Mathur idr., 2019). Na Sliki2 je viden temni vzorec skrivanja izdelka v košarico, kismo ga zasledili v spletni trgovini gizzmo.si. Na slikije razvidno, da so bili zaradi dovolj visoke vrednostinakupa v košarico dodani trije izdelki, katerih kupecsam ni izbral in jih prav tako ni mogel odstraniti. PRIKRITI STROŠKI Vzorec pred nakupom razkrije dodatno in pogosto nenavadno visoko doplacilo, tik preden potrošnik zakljuci z nakupovanjem. Stroški se razkrijejo, tik preden potrošnik placa izdelek, torej zatem, ko je mo­ral vnesti vse informacije o pošiljanju in placilu ter ko se je strinjal s pogoji uporabe. Ta doplacila pogosto vsebujejo pristojbino za dodatne stroške storitve ali stroške ravnanja. Ta vrsta temnih vzorcev izkorišca kognitivno pristranskost zmote potopljenih stroškov, saj uporabniki navadno sprejmejo in placajo dodatne stroške, ker so v nakup izdelka vložili veliko casa, energije in volje (Mathur idr., 2019). Slika 2: Temni vzorcec skrij v košarico Elena Osrajnik, Sašo Karakatic: Temni vzorci na slovenskih spletnih straneh Vzorci prikritih stroškov so klasificirani kot vsaj delno varljivi, saj poskušajo pred potrošniki skriti ali minimizirati poslane informacije, prav tako pa jih opredelimo kot skrivajoc informacije, saj prikrivajo kljucne informacije pred potrošniki. Tako kot prej­šnja vrsta vzorcev tudi ti niso prikriti, saj lahko upo­rabniki natancno ugotovijo, kdaj so bili v nakupo­valno košarico dodani dodatni stroški (Mathur idr., 2019). Na Sliki 3 je prikazan vzorec prikritih stroškov s strani mojacokolada.si, kjer je bil kupec šele pri za­dnjem koraku nakupa seznanjen z dodatnimi stroški dostave, ki predhodno niso bili nikjer predstavljeni. PRIKRITA NAROCNINA Ta vrsta vzorcev naloži potrošniku ponavljajoco se pristojbino pod lažno krinko enkratne pristojbine ali celo brezplacnega poskusa. Ce se uporabniki zavejo takšne manipulacije, se teh dodatnih stroškov zavejo šele cez nekaj dni ali mesecev po nakupu (Mathur idr., 2019). Glede na klasifikacijo temnih vzorcev se lahko ta vrsta opredeli kot delno varljiva, saj zavaja uporab­nike o naravi prvotne ponudbe, ter kot skrivajoc in-formacije, saj pred uporabniki zadržuje informacije o ponavljajocih se dodatnih pristojbinah (Mathur idr., 2019). 2.2 vzorci nujnosti V kategorijo vzorcev nujnosti (angl. urgency) spada­jo tisti temni vzorci, ki potrošniku vsiljujejo skrajnirok prodaje izdelka ali storitve, s cimer pospešujejouporabnikov proces odlocanja in posledicno nakupa.Vzorci so ustvarjeni tako, da izkorišcajo kognitivnopristranskost pomanjkanja, saj uspejo uporabnikaprepricati, da je popust ali ponudba bolj privlacna, kotbi bila drugace, prav tako pa mu sporocajo, da bi z ne­dejavnostjo izgubil potencialen prihranek. Na stranispletne prodaje se navadno pojavljajo v obliki razpro­daj, kuponov ali prodaj dolocenih izdelkov, na stra­neh košarice pa se pojavljajo v obliki koncnega roka o rezervaciji produkta. Temni vzorci so v tej katego­riji razdeljeni na odštevalnike casa (angl. countdowntimers) in casovno omejena sporocila (angl. limited­-time message) (Mathur idr., 2019). Takšne vzorce nuj­nosti lahko vidimo na Sliki 4, kjer so vidni popusti zavsak izdelek v rdecem krogcu na desni strani izdelka. Odštevalnik casa je dinamicni indikator skrajnega roka nakupa dolocenega izdelka, saj odšteva cas, ki ga ima na voljo uporabnik do izteka dolocene po­nudbe. Takšni vzorci postanejo varljivi, ce se odšte­valnik ponastavi po izteku roka, pri cemer je enaka ponudba še vedno na voljo. Prav tako je varljiv, ce se odštevalnik iztece, pa je ponudba, ki naj bi potekla, po roku še vedno veljavna (Mathur idr., 2019). Po ustvarjeni klasifikaciji bi takšne temne vzorce lahko opredelili kot delno prikrite, saj umetno pove-cujejo obcutek neodložljivosti, ter kot vcasih zava­jajoce, saj zavajajo uporabnike o ponudbi, ki naj bi že potekla, pa je v resnici še vedno veljavna (Mathur idr., 2019). Na Sliki 5 je predstavljen vzorec odšte- Slika 3: Temni vzorec prikriti stroški Elena Osrajnik, Sašo Karakatic: Temni vzorci na slovenskih spletnih straneh Slika 4: Temni vzorec prikriti stroški vanja casa, ki smo ga zasledili na spletni strani po­stquam.org. Ta vzorec je sporocal o casovno omejeni ponudbi, kjer se je odštevalnik po preteklem casu malo vec kot 10 minut ponovno samodejno ponasta­vil na zaceten cas. CASOVNO OMEJENA SPOROCILA Ti vzorci predstavljajo staticna nujna sporocila brez dodanega skrajnega roka o izteku ponudbe. Brez po­datka, do kdaj velja ponudba, spletna stran zadržuje informacije pred potrošniki in s tem napacno prika­zuje naravo ponudbe, saj ni znano, do kdaj bo veljav­na (Mathur idr., 2019). Casovno omejena sporocila lahko opredelimo kot vsaj delno prikrita, pri cemer so zelo podobna odštevalnikom casa, ki v uporabniku spodbujajo nujnost nakupa, ter kot skrivajoca informacije, saj s tem, ko ne razkrijejo roka izteka ponudbe, ne pred­stavijo vseh informacij, na podlagi katerih bi si upo­rabnik lahko ustvaril realno mnenje o nakupu izdel­ka (Mathur idr., 2019). Na Sliki 6 je vidno casovno omejeno sporocilo, ki smo ga odkrili na strani hajdi.si. Ta najden vzorec prikazuje ponudbo, za katero pa ne vemo kdaj potece, torej zanjo ni napisan skrajni rok veljavnosti. 2.3 vzorci napacnega informiranja Vzorci napacnega informiranja (angl. misdirection)uporabljajo slikovno gradivo, manipulativne zapise svplivom na emocije za preusmeritev uporabnikov odnjihove prvotne odlocitve ali pa jim vsilijo drugo od­locitev. Delujejo z izkorišcanjem razlicnih dejavnikov Slika 5: Temni vzorec odštevalnik casa Elena Osrajnik, Sašo Karakatic: Temni vzorci na slovenskih spletnih straneh Slika 6: Temni vzorec casovno omwjwna sporocila manipulacije in kognitivnih pristranskosti, ne da bi de­jansko omejili izbire, ki so na voljo uporabniku. Kate-gorija je po klasifikaciji razdeljena v štiri vrste vzorcev,sramotno potrditev (angl. confirmshaming), vizualnovmešavanje (angl. visual interfence), zvijacna vpra­šanja (angl. trick questions) in prodajo pod pritiskom(angl. pressured selling) (Mathur idr., 2019). SRAMOTNA POTRDITEV Ta vrsta vzorcev uporablja nacin izražanja in custva tako, da vodi uporabnika stran od dolocene odlo-citve. Pogosto se pojavlja v prikaznih dialogih, kjer od uporabnika zahteva e-naslov v zameno za po­puste, kjer je možnost zavrnitve ponudbe predsta­vljena kot sramotna odlocitev. Takšna besedila so po navadi oblikovana kot: »Ne, hvala, rad bi placal polno ceno,« ali pa: »Ne, hvala, ne maram varcevati denarja.« S takšno predstavitvijo negativne možnosti ti vzorci izkorišcajo kognitivno pristranskost ucinka uokvirjanja in tudi obcutek sramu, ki je ucinkovito sredstvo za spreminjanje vedenja (Mathur idr., 2019). Glede na klasifikacijo se sporocila sramotne po­trditve razvršcajo kot nesimetricna, saj je možnost opustitve predstavljena tako, da v potrošnikih vzbu­ja obcutek sramu, ki se mu uporabniki želijo izogniti. Vzorci sramotne opustitve niso prikriti, ker lahko po­trošnik jasno vidi in dojame, da je vzorec oblikovan tako, da vpliva na odlocitve posameznika (Mathur idr., 2019). Na Sliki 7 je predstavljen vzorec sramot­ne potrditve, ki smo ga našli na spletni strani fenzy.si. Slika prikazuje nacin manipuliranja s stranko, saj ima potrošnik možnost predati svoje osebne podatke v zameno za darilno kodo, ali pa zavrniti ponudbo s klikom na gumb »Ne hvala, popusti me ne zanima­jo«. Tega vecina potrošnikov ne bo storilo rade volje, saj je besedilo napisano tako, da je klik na gumb za­stavljen kot sramotna izbira. Slika 7: Temni vzorec sramotna potrditev Elena Osrajnik, Sašo Karakatic: Temni vzorci na slovenskih spletnih straneh VIZUALNO VMEŠAVANJE Vzorci vizualnega vmešavanja z jezikovnim slogom in vizualno predstavitvijo vplivajo na odlocitev po­sameznika, in sicer z namenom, da bi se ta odlocil za drugo možnost, kot bi se odlocil sicer. Vzorec ustvar­ja videz, da je ena možnost izbire dosti pomembnej­ša od ostalih in zato bolj privlacna za potrošnika. V nekaterih primerih so ti vzorci oblikovani tako, da s posebnimi vizualnimi ucinki pritegnejo pozornost k besedilu, ki predstavlja popuste za dolocene izdelke. Nekateri vzorci so oblikovani tako, da je možnost za­vrnitve ponudbe prikazana z manjšim besedilom ali slabo vidno barvo pisave, s cimer se ustvari iluzija, da ta možnost ni na voljo ali je onemogocena, ceprav jo uporabnik lahko izbere (Mathur idr., 2019). To vrsto temnih vzorcev lahko opredelimo kot vcasih nesimetricno, saj vzorci v dolocenih primerih ustvarjajo neenako možnost izbire, pri cemer vodijo uporabnika k izbiri, ki morda ni v skladu z njegovimi željami. Prav tako pa jih lahko opredelimo kot prikri­te, saj potrošnik vecinoma ne ugotovi, da je vizualna predstavitev vseh možnosti vplivala na njegovo od­locitev (Mathur idr., 2019). Na Sliki 8 je viden temni vzorec vizualnega vmešavanja, ki smo ga odkrili na spletni strani malinca.si. Ta je viden na pojavnem okencu »Obvestilce«, kjer je možnost prijave na pre­jemanje obvestil vizualno bolj izpostavljena, kot za­vrnitev prijave, ki izgleda celo, kot da na gumb ni možno klikniti. ZVIJACNA VPRAŠANJA Zvijacna vprašanja uporabljajo nejasen in zapleten je­zik, s katerim zmanipulirajo uporabnika v odlocitev za tocno doloceno izbiro. S takšnim nacinom obliko­vanja želijo tržniki prepricati uporabnike, da se od­locijo za marketinška in promocijska sporocila, tako da s subtilnimi sporocili spremenijo celoten odjavni postopek. Najpogosteje so uporabljena dvojno zani­kana sporocila, kot recimo: »Ne izberite polja, ce ne želite prejemati novic,« ali pa je uporabljena negacija besedila, ki spreminja potek dolocene akcije, kot je potrditev polja za izkljucitev. Zvijacna vprašanja izkorišcajo kognitivno pristranskost ucinka samodej­nosti in uokvirjanja, saj uporabniki postanejo bolj do-vzetni za vsiljeno izbiro, za katero verjamejo, da je v skladu z njihovimi preferencami (Mathur idr., 2019). Te temne vzorce lahko opredelimo kot asimetric­ne, saj je izbira odjave bolj obremenjena kot pa izbira potrditve, prav tako pa so vzorci prikriti, saj upo­rabnik ne more ugotoviti ucinka, ki ga ima njegova odlocitev, kar je posledica zavajajoce uporabe jezika (Mathur idr., 2019). PRODAJA POD PRITISKOM Vzorec se nanaša na privzete nastavitve situacije ali pogoste taktike prodaje izdelka pod velikim priti­ skom, s cimer uporabnika vodijo do nakupa dražjega izdelka, kot ga je nameraval kupiti, ali pa k nakupu dodatnih, podobnih izdelkov. Temni vzorec izkori-šca številne kognitivne pristranskosti, kot so ucinek samodejnosti, kjer je izdelek izbran samodejno, uci­nek sidra, kjer je najdražja možnost predstavljena na zacetku kot osnova za nadaljnje primerjanje cen, ter pristranskost pomanjkanja, kjer je izdelek predsta­vljen kot redek ali da je po njem veliko povpraševa­nje (Mathur idr., 2019). Slika 8: Temni vzorec vizualno vmešavanje Elena Osrajnik, Sašo Karakatic: Temni vzorci na slovenskih spletnih straneh Glede na klasifikacijo vzorcev lahko vzorce pro-daje pod pritiskom oznacimo kot vcasih nesimet­ricne, saj pritiska na uporabnike, da kupijo dražje možnosti izdelka, ter kot vsaj delno prikrite, saj upo­rabnik ne ugotovi, da je kupil dražji izdelek, kot ga je nameraval, ker je bila njegova osnova za primerja­vo ostalih izdelkov postavljena zelo visoko (Mathur idr., 2019). Na Sliki 9 je predstavljen vzorec prodaje pod pritiskom, ki smo ga zasledili na spletni strani vitapur.si. Na sliki je razvidno, da je kot prvotna vi-zualno poudarjena in predstavljena dražja razlicica izdelka (cena 29,95€), cenejša (17,96€) je celo vizual-no predstavljena, kot da nanjo ni možno klikniti. 2.4 Vzorci socialnega dokaza Socialni dokaz (angl. social proof) je kategorija te­mnih vzorcev, ki zavaja uporabnike k nakupu do-locenega izdelka zaradi socialnega pritiska drugih potrošnikov, torej ker ostali kupujejo dolocen izde­lek, ga mora tudi potrošnik sam. Posamezniki bodo lastna dejanja presojali glede na odlocitve in vedenja drugih, zato ta kategorija vzorcev uporablja sporo-cila in komentarje drugih potrošnikov kot tehten ra­zlog prepricevanja. Takšni vzorci vplivajo na odloci­tve potrošnika in jih poskušajo pospešiti, pri cemer izkorišcajo ucinek pridružitve, saj se uporabniki pri odlocanju zanašajo na mnenja drugih ljudi. Kategori­ja se deli na dve vrsti, in sicer na obvestila o dejavno­sti (angl. activity notifications) in na priporocila neja­snega izvora (angl. testimonials of uncertain origin) (Mathur idr., 2019). OBVESTILA O DEJAVNOSTI Obvestila o dejavnosti so pogosto ponavljajoca se sporocila, ki privabljajo pozornost uporabnika in se pojavijo ob dolocenem izdelku z namenom sporoca­nja o aktivnostih drugih uporabnikov, ki si ogledu­jejo ta izdelek ali pa so ga že kupili. Razdeljena so v tri kategorije glede na njihovo vsebino. Lahko so dinamicna in ponavljajoca se sporocila, ki sporocajo, da je drug uporabnik ravnokar kupil izdelek, ki si ga je posameznik ogledoval. Lahko so staticna ali dina­micna besedilna sporocila, ki sporocajo, koliko ljudi je že dodalo tocno ta izdelek v svojo nakupovalno košarico (Mathur idr., 2019). Obvestila o dejavnosti postanejo zavajajoca, ce je predstavljena vsebina, ki vkljucuje imena, lokacijo in štetje uporabnikov, lažno ustvarjena ali vsebuje ne­resnicna dejstva in informacije. Takšna sporocila so temeljila na nakljucnih generatorjih, kjer so bili po­datki pridobljeni nakljucno in so se po osvežitvi stra­ni zamenjali, ali pa na vnaprej kodiranih podatkih, ki so po osvežitvi ostali enaki (Mathur idr., 2019). Po karakteristiki lahko takšne vzorce opredeli-mo kot delno prikrite, saj uporabnik težko ugotovi njihov ucinek na lastna dejanja, ce se sporocila poja­vljajo na celotni spletni strani. Prav tako pa jih lahko oznacimo kot vcasih zavajajoce, saj je lahko vsebina sporocila varljivo ustvarjena in zavajajoca (Mathur idr., 2019). Na Sliki 10 je vidno obvestilo o dejavno­sti, ki smo ga našli na spletni strani popolnapostava.com. V spodnjem levem kotu slike lahko vidimo te­mni vzorec, ki prikazuje kdo je kupil kateri izdelek in s tem spodbudi potrošnike k nakupu, saj ustvari navidezno veliko povpraševanje po izdelkih. PRIPOROCILO NEJASNEGA IZVORA Ta vrsta vzorcev temelji na uporabi priporocil upo­rabnikov, katerih izvor ali nacin pridobitve sporocila ni jasen in tocno naveden. Priporocila uporabnikov Slika 9: Temni vzorec prodaja pod pritiskom Elena Osrajnik, Sašo Karakatic: Temni vzorci na slovenskih spletnih straneh so navadno izmišljena, ce na spletni strani ni obrazca za vnos priporocila, ki bi ga potrošnik lahko vpisal, in ce se enako sporocilo, vendar z razlicnimi podat­ki o imenu in lokaciji, pojavi tudi na drugih spletnih mestih (Mathur idr., 2019). Na Sliki 11 je viden pri­mer priporocila nejasnega izvora na strani konoplja.net. Sicer so predstavljena mnenja strank, ki so nave-dena z imenom, vendar je nacin pridobitve teh mnenj nejasen, torej na spletni strani nimajo obrazca, kamor bi stranka sploh lahko vpisala svoje mnenje. 2.5 vzorci pomanjkanja V to kategorijo temnih vzorcev (angl. scarcity) spa-dajo vzorci, ki opozarjajo na omejeno zalogo ali ve­liko povpraševanje po produktu, s cimer se poveca njegova zaznavna vrednost in zaželenost. Takšni vzorci nakazujejo na omejeno razpoložljivost izdelka ali veliko povpraševanje po njem in da bodo zaloge izdelka hitro pošle. Kategorija se razdeli na dve vrsti vzorcev, na sporocila o majhni razpoložljivosti (angl. low-stock messages) in na sporocila o velikem pov­praševanju (angl. high-demand messages) (Mathur idr., 2019). SPOROCILO O MAJHNI RAZPOLOŽLJIVOSTI Takšna sporocila sporocajo uporabnikom o omejenih kolicinah izdelka, prikazujejo njegovo natancno ko-licino zaloge v spletni trgovini ali pa, ali je ta zaloga Elena Osrajnik, Sašo Karakatic: Temni vzorci na slovenskih spletnih straneh majhna oziroma velika. Njihov namen je povecati za­želenost izdelkov in zavesti uporabnike v impulziv-no nakupovanje zaradi obcutka negotovosti o kolicini izdelka. Sporocila o majhni razpoložljivosti postanejo zavajajoca, ko prikazujejo nakljucno število zaloge izdelka ali pa se ta številka po vsaki osvežitvi sple­tne strani zmanjšuje po dolocenem vzorcu ali nacrtu. Sporocila so prav tako zavajajoca, ce vsebujejo bese­dila o razprodanem izdelku, ceprav izdelka ni bilo vec na zalogi v prejšnjih dneh (Mathur idr., 2019). Po klasifikaciji lahko sporocila o majhni razpolo­žljivosti opredelimo kot delno prikrite vzorce, saj pri uporabniku ustvarjajo povecan vzgib nakupa, ne da bi se uporabniki tega zavedali. Vcasih so takšna spo-rocila lahko tudi zavajajoca, saj zavajajo uporabnike v mišljenje, da je kolicina izdelka na zalogi zelo majh­na, ceprav v resnici ni, s cimer ustvarjajo neresnicno pomanjkanje. Opredelimo pa jih lahko tudi kot skri­vajoca informacije, ce na spletni strani ni navedena tocna kolicina izdelkov, ki so na zalogi (Mathur idr., 2019). Na Sliki 12 je vidno sporocilo o majhni razpo­ložljivosti, ki smo ga zasledili na spletni strani mimo­vrste.com. Pod vsakim izdelkom je prikazano koliko kosov dolocenega izdelka je še na voljo. Cim nižja je prikazana številka, tem hitreje se bo potrošnik odlo-cil za nakup, saj je prikazano, kot da izdelek ne bo vec dolgo casa na voljo. SPOROCILO O VELIKEM POVPRAŠEVANJU Ta vrsta vzorcev nakazuje uporabnikom, da je po is-kanem izdelku veliko povpraševanje, s cimer sporo-cilo namiguje, da bo izdelek kmalu razprodan, zato mora potrošnik pohiteti z narocilom. Takšni temni vzorci se lahko pojavljajo konsistentno, ne glede na to, kateri izdelek si posameznik ogleduje, ali na pro- dukte, ki so že v nakupovalni košarici. Sporocila o velikem povpraševanju lahko, tako kot sporocila o majhni razpoložljivosti, opredelimo kot delno pri­krite vzorce, saj uporabniku ne predstavijo dejan­skega stanja, s cimer povecujejo željo po nakupu izdelka (Mathur idr., 2019). Na Sliki 13 je vidno spo-rocilo o velikem povpraševanju, ki smo ga odkrili na spletni strani aboutyou.si. V zgornjem desnem kotu je prikazano pojavno okno v obliki sporocila, ki kup-ca opozarja na veliko povpraševanje po izdelkih, ki jih ima sam v košarici. Takšna sporocila kupca spod­budijo k dejanskemu nakupu, saj mu sugerirajo, da je zanimanje za nakup veliko, kar pomeni, da željen izdelek zaradi povecanega povpraševnja kmalu ne bo vec na voljo. 2.6 Vzorci oviranja Temni vzorci, ki spadajo v kategorijo vzorcev ovi­ranja (angl. obstruction), naredijo dolocena dejanja zahtevnejša, kot dejansko so, z namenom odvrnitve uporabnikov od izvajanja tega dejanja. Vsi takšni vzorci spadajo v eno vrsto, in sicer težavno razvelja­vitev (angl. hard to cancel) (Mathur idr., 2019). TEŽAVNA RAZVELJAVITEV Pri teh vzorcih se uporabniki zelo enostavno naroci­jo na neko storitev, recimo prejemanje novic nekegaspletnega mesta ali placevanje narocnine, vendar sekasneje zelo težko odjavijo od prejemanja novic in me- Elena Osrajnik, Sašo Karakatic: Temni vzorci na slovenskih spletnih straneh secnega placila. Velikokrat spletne trgovine ne pred­stavijo predhodno, da bo odjava napornejša od prijaveoziroma da se uporabniki ne bodo mogli odjaviti naenak nacin, kot so se prijavili (Mathur idr., 2019). Glede na karakteristike lahko vzorce težavne raz­veljavitve definiramo kot restriktivne, saj omejujejo možnosti izbire, ki jih lahko uporabimo za preklic dolocenih storitev. V primerih, kjer nacin odjave od storitev ni vnaprej predstavljen, pa lahko vzorce oznacimo kot skrivajoc informacije, saj v sporocilu ni navedeno, kako je odjava težja od prijave (Mathur idr., 2019). 2.7 vzorci prisilnih dejanj Vzorci prisilnih dejanj (angl. forced action) zahtevajo od uporabnikov dodatna in izrazita dejanja, da lahko dokoncajo neko nalogo. Vecinoma se izražajo v obli­ki dodatnih informacij, ki jih mora uporabnik vnesti na spletno stran v zameno za dokoncanje dolocene­ga dejanja. Ta kategorija ima samo eno vrsto temnih vzorcev, to je prisilen vpis (angl. forced enrollment) (Mathur idr., 2019). PRISILEN VPIS Ti vzorci eksplicitno prisilijo uporabnike v strinjanje z marketinškim komuniciranjem spletne trgovine ali pa si morajo uporabniki ustvariti uporabniški racun in na spletno mesto vnesti dolocene osebne podatke, da lahko nadaljujejo z nekim dejanjem. Ker ti vzorci delujejo na sistemu vse ali nic, torej nadaljevanje z dejanjem je možno le z neko dodatno akcijo, spletne trgovine od potrošnikov pridobijo dodatne informa­cije in si ustvarijo bazo prejemnikov novic in oglasov (Mathur idr., 2019). Glede na klasifikacijo lahko vzorce prisilnega vpisa definiramo kot nesimetricne, saj potrebujejo za dokoncanje nekega dejanja dodatne naloge, kar ustvarja neenakost izbir. Prav tako so vzorci lahko restriktivni, saj od uporabnika zahtevajo strinjanje z marketinškim komuniciranjem ali ustvarjanje upo­rabniškega racuna potrošnika, ceprav ta kasneje ne bo nicesar kupil (Mathur idr., 2019). Na Sliki 14 je vi-den vzorec prisilnega vpisa, ki smo ga našli na splet­ni strani polomplus.si. 3 PREGLED TEMNIH VZORCEV V SLOVENSKIH SPLETNIH TRGOVINAH Sledi predstavitev pregleda uporabe temnih vzorcev v slovenskih spletnih trgovinah. Že v prejšnji sekciji smo vsak vzorec predstavili iz primerov slovenskih spletnih trgovin, kar pomeni, da so vzorci prisotni tudi na slovenskem spletu – raziskava v nadaljevanju pa je služila temu, da smo pregledali, v kolikšni meri so vzorci prisotni na slovenskem tržišcu in kako po­gosto v primerjavi z vzorci na tujih spletnih straneh. 3.1 Metodologija Pred zacetkom raziskovalnega dela smo izbrali vzo-rec slovenskih spletnih trgovin, v katerih smo ka­sneje preverjali prisotnost temnih vzorcev. Trgovine smo izbrali na podlagi njihove kvalitete in poznano­sti. Pri tem smo si pomagali z izborom tekmovanj Elena Osrajnik, Sašo Karakatic: Temni vzorci na slovenskih spletnih straneh za Spletnega trgovca iz let 2016, 2017, 2018 in 2019 (Shopper‘s Mind, 2016; Shopper‘s Mind, 2017; Gor­jan, 2018; Kovacevic, 2019), kjer so bile predstavljene najboljše spletne trgovine po izboru strokovne komi­sije. Prav tako smo pregledali seznam spletnih trgo­vin v društvu spletnih trgovcev in imenik slovenskih spletnih trgovin, bili pa smo tudi pozorni na mlada podjetja, ki so v zadnjih letih postala popularna in poznana ali pa to trenutno postajajo. Za lažjo in enostavnejšo analizo temnih vzorcev smo pregledanih 55 spletnih strani razvrstili v osem kategorij glede na vsebino, ki jo trgovine ponujajo. To smo storili tudi zato, da bi iz cim vec raznolikih spletnih trgovin pridobili ustrezen in reprezentati­ven vzorec. Te kategorije so oblacila in obutev, lepota in zdravje, šport, hišni ljubljencki, nakit, elektronika in tehnika, dom in družina ter drugo. Vse pregledane spletne strani in njihova kategorizacija so prikazane v Tabeli 1. Pregled slovenskih spletnih trgovin je bil izveden v obdobju treh tednov, med 14. 6. 2020 in 5. 7. 2020. Izveden je bil tako med tednom kot tudi med viken­dom. Spletne strani so bile pregledane s pomocjo spletnega brskalnika Google Chrome, verzija 83, pri cemer niso bili uporabljeni nobeni dodatni vticniki. 3.2 Proces pregleda spletnih strani Pregled spletnih strani se je zacel na zacetni strani spletne trgovine, kjer smo bili pozorni predvsem na temne vzorce, kot so odštevalniki casa, casovno omejena sporocila in prisilen vpis. Nadalje smo pre­gledali spletno stran s ponudbo izdelkov, kjer smo najprej preverili celotno ponudbo, pri cemer smo bili pozorni na temne vzorce, kot so sporocila o majhni razpoložljivosti in velikem povpraševanju ter pripo-rocila nejasnega izvora. Nato smo si ogledali doda­tne informacije o posameznem izdelku, torej stran, na kateri je bilo možno narociti izdelek, dolociti nje­govo velikost, barvo in kolicino oz. izvedeti podrob­nosti o storitvi. Na tej stopnji pregleda smo preverjali predvsem temne vzorce, kot so obvestila o dejavnosti drugih potrošnikov, vizualno vmešavanje, prodaja Tabela 1: Kategorizaija pregledanih 55 spletnih strani Kategorija spletne strani Spletne strani Oblacila in obutev aboutyou.si, alpinashop.si, bibloo.si, fenzy.si, lepsiful.com, papina.si, polomplus.si, ursanina.si Lepota in zdravje click2chic.si, ecco-verde.si, licila.si, popolnapostava.com, postquam.org, spleticna.si, vitalabo.si Šport bike-center.si, extremevital.com/sl, iglusport.si, intersport.si, optics-trade.eu/si, rossisport.si, tomassport2.si Hišni ljubljencki abc-zoo.si, mrpet.si, natis-shop.com/si, platinum.si, zoohit.si Nakit fatalka.si, irisimo.si, nakit-kamen.si, slowatch.si, spletna-zlatarna.si, zlatarnacelje.com Elektronika in tehnika anni.si, etuizamobi.si, qizzmo.si, outletshop.si, printink.si, sonusart.si, tehnox.si Dom in družina emundia.si, hajdi.si, najindom.si, pokolin.si, salonpohistva.si, vitapur.si Drugo 1nadan.si, cbd-slovenija.si, conrad.si, kmetijskaoprema.si, konoplja.net, malica.si, mimovrste.com, mojacokolada.si, silux.si Elena Osrajnik, Sašo Karakatic: Temni vzorci na slovenskih spletnih straneh pod pritiskom in odštevalniki casa. Ko smo izdelek dodali v nakupovalno košarico, smo opravili pregled košarice, kjer smo bili pozorni na prikrite stroške in vzorce skrivanja v košarico skozi vse faze nakupa, to-rej od narocila izdelka do vpisa osebnih podatkov in koncnega izracuna stroškov. Na tej tocki smo tudi za­kljucili s pregledom spletnih trgovin, saj nismo kupili nobenega izdelka ali se narocili na kakšno storitev. Slike temnih vzorcev smo zajeli s pomocjo funk-cije zajema slike zaslona ter jih kasneje razvrstili po kategorijah in vrstah, ki bile dolocene na zacetku. Ko smo naleteli na dolocen temni vzorec, smo torej zajeli sliko in jo shranili. Pri vzorcih odštevanja casa smo najprej zajeli sliko zaslona, nato pocakali, da se je na­pisan cas iztekel, in nato ponovno zajeli zaslon. Ce je bila ponudba še vedno veljavna po izteku casa, smo bili prepricani, da je odštevalnik casa zavajajoc temni vzorec. Podobno smo naredili tudi pri vzorcih obve­stil o dejavnosti drugih potrošnikov, kjer smo prav tako najprej zajeli sliko zaslona, nato pocakali par minut in cez nekaj casa ponovno pregledali stanje potrošnikov. Ce se stanje ni spremenilo, smo lahko trdili, da so bila ta obvestila o dejavnosti varljiva. Pri sporocilih o majhni razpoložljivosti pa smo pregled opravili nekoliko drugace, in sicer smo pri izdelkih, kjer je bila oznacena tocno dolocena kolicina omeje­ne ponudbe, v košarico dodali vec izdelkov, kot jih je bilo na voljo. Ce smo nakup lahko opravili, kljub temu da smo nakupili vec izdelkov, kot je bilo napi­sano, smo lahko takšne vzorce opredelili kot zavaja­joce temne vzorce o majhni razpoložljivosti. 3.3 Rezultati Po pregledu slovenskih spletnih trgovin smo temne vzorce razvrstili v njihove pripadajoce kategorije in ugotovili, da smo našli 17 prikritih vzorcev, 28 vzor­cev nujnosti, 22 vzorcev napacnega informiranja, 17 vzorcev socialnega dokaza, 26 vzorcev pomanjkanja, 10 vzorcev prisilnih dejanj in nobenega vzorca ovira­nja, kar je prikazano na Grafu 1. V kategoriji prikritih vzorcev smo zaznali en vzorec skrivanja v košarico, ki smo ga opredelili kot temni vzorec zato, ker se je v košarici pojavil brez vednosti potrošnika. Prav tako smo zaznali 16 pri­merov prikritih stroškov, navadno dodatnega placila poštnine, ki je bila za prevzem izdelka nujna. Vzor­cev prikrite narocnine nismo zaznali na nobeni pre­gledani spletni strani. V kategoriji vzorcev nujnosti smo zaznala 11 od­števalnikov casa, ki so odštevali cas do izteka ponud-be ali akcije. Štiri takšne vzorce smo opredelili kot varljive, saj so oznacevali cas izteka rezervacije izdel­ka v nakupovalni košarici, nakup katerega je bil mo­goc tudi po izteku zapisanega casa, ali pa so prika­zovali ponudbo za omejen cas, ki se je naslednji dan ponastavil. V tej kategoriji smo našli tudi 17 casovno omejenih sporocil, ki so prikazovala razlicna zniža­nja, vendar brez opredeljenega roka izteka akcije. V kategoriji vzorcev napacnega informiranja smo razkrili tri vzorce sramotne potrditve, torej sporoci-la, ki so bila jezikovno oblikovana tako, da potrošnik ni mogel zavrniti sporocila oz. ponudbe, saj je bila ta možnost predstavljena kot sramotna. Prav tako Graf 1: Razvrstitev temnih vzorcev po kategorijah Elena Osrajnik, Sašo Karakatic: Temni vzorci na slovenskih spletnih straneh smo našli 16 vzorcev vizualnega vmešavanja, kjer je bila predstavljena neenaka izbira možnosti, navadno z razlicnim oblikovanjem obeh gumbov. Opazili pa smo tudi tri vzorce prodaje pod pritiskom, kjer je bila vnaprej izbrana dražja verzija izdelka, torej vecja ko­licina izdelka. Med pregledom nismo opazili nobe­nega vzorca zvijacnih vprašanj. V kategoriji vzorcev socialnega dokaza smo našli šest obvestil o dejavnosti, ki so potrošnika informi­rale o aktivnostih drugih uporabnikov. Ta sporocila so se navadno prikazala v obliki pojavnih sporocil ali pa kot opozorilo ob izdelku. Opazili pa smo tudi 11 priporocil nejasnega izvora, torej sporocil potro­šnikov o nekem izdelku ali spletni strani, vendar pa nismo našli obrazca za vnos mnenja. V kategoriji vzorcev pomanjkanja smo odkrili 23 sporocil o majhni razpoložljivosti, ki so nakazovala omejeno kolicino zaloge ali pa so prikazovala zalogo izdelka. Tukaj smo opazili tudi en vzorec zavajajoce­ga sporocila o majhni razpoložljivosti, ki je prikazoval zalogo izdelka nekonsistentno. Ta se je konstantno zmanjševala, vendar se je ob kliku na osvežitev strani ponovno povecala. V tej kategoriji smo našli tudi tri sporocila o velikem povpraševanju, torej sporocila, ki so nakazovala, da bodo izdelki zaradi velikega števila potrošnikov, ki se zanimajo zanje, hitro pošli. V kategoriji vzorcev prisilnih dejanj smo zaznali deset vzorcev prisilnega vpisa, ki je od potrošnikov zahteval vpis e-poštnega naslova ali delitev nakupa izdelka na družbenih omrežjih v zameno za popust pri nakupu. Po zakljucenem pregledu smo ugotovili, da ima skoraj polovica preiskanih spletnih trgovin, torej 22 strani, na spletni strani zgolj en temni vzorec. Dvajset spletnih strani je vsebovalo po dva temna vzorca na stran, na šestih straneh smo zasledili po tri vzorce, na štirih straneh pa štiri. Na spletni strani vitapur.si smo opazil pet temnih vzorcev, na strani aboutyou.si smo jih zasledili osem, stran z najvec opaženimi temnimi vzorci pa je bila gizzmo.si, na kateri smo našli kar devet temnih vzorcev. 3.4 Primerjava Slovenskih strani s tujimi Pri pregledu temnih vzorcev smo se opirali na raziskavo avtorjev Mathur in sodelavci (Mathur idr., 2019), ki so s pomocjo spletnega pajka pregledali 11.286 strani spletnih trgovin. Spletni pajek je pro­gram, ki samodejno pregleduje spletne strani s sle­dnjem povezavam. Avtorji že sami izpostavijo pred­nosti in pomanjkljivosti takega pregleda – pregleda se lahko ogromna kolicina spletnih strani, hkrati pa je tak pregled zelo grob, saj se tudi zaznava temnih vzorcev mora avtomatizirati. Nekateri temni vzorci pa se ne razberejo enostavno s pregledom izvorne kode spletne strani. Z namen po vecji tocnosti, je naša raziskava izbrala rocni pregled spletnih strani, ce-sar posledica je manjše število pregledanih spletnih strani, hkrati pa vecje sigurnosti v najdenih temnih vzorcih. V nadaljevanju je predstavljena analiza pri­merjave temnih vzorcev, ki smo jih našli v slovenskih spletnih trgovinah, z odkritji temnih vzorcev v tujih spletnih trgovinah. Graf 2: Pojavnost temnih vzorcev na spletnih straneh. Elena Osrajnik, Sašo Karakatic: Temni vzorci na slovenskih spletnih straneh Ameriški raziskovalci so v kategoriji vzorcev nuj­nosti odkrili 481 temnih vzorcev, od tega 88 casovno omejenih sporocil in 393 vzorcev odštevalnika casa, ki pa jih niso natancneje opredelili kot zavajajoce ali ne. Sami smo odkrili 11 temnih vzorcev te vrste, od katerih so bili štirje varljivi, saj so omogocili nakup izdelka tudi po izteku ponudbe. Prav tako smo na­leteli na 17 casovno omejenih sporocil, ki so bila zelo podobna ameriškim primerom, torej opozorilo na skorajšnji iztek dolocene ponudbe. V kategoriji napacnega informiranja je bilo v tuji raziskavi odkritih 270 temnih vzorcev, v naši raziska-vi pa smo jih odkrili 22. Za vzorec sramotne potrdi­tve, torej jezikovnega preoblikovanja besedila, kjer je ena možnost predstavljena kot sramotna odlocitev, je bilo s spletnim pajkom odkritih 169 primerov. V naši raziskavi pa so bili trije taki primeri, ki so bili vizualno zelo podobni tistim s tujih spletnih strani, saj so z vplivanjem na emocije potrošnika želeli spre­meniti njegovo prvotno odlocitev. Prav tako je bilo v ameriški raziskavi odkritih 25 vzorcev vizualnega vmešavanja, torej neenake predstavitve dveh ali vec možnosti, medtem ko smo jih mi odkrili 16. Vzorcev zvijacnih vprašanj v lastnem pregledu nismo zaznali, zato primerjave te vrste temnih vzorcev ne moremo izvesti, je pa bilo v ameriški raziskavi odkritih devet takšnih vzorcev. Vzorcev prodaje pod pritiskom, to-rej prodaje dražje verzije dolocenega izdelka, je bilo 67, v tej raziskavi pa smo odkrili zgolj tri takšne vzor­ce, ki so bili v oblikovanju zelo podobni vzorcem s tujih spletnih strani, torej je bila dražja opcija že vna­prej izbrana. V kategoriji socialnega dokaza je bilo na tujih stra­neh spletnih trgovin odkritih 325 temnih vzorcev, v naši raziskavi pa 17 vzorcev. 313 vzorcev je spadalo v vrsto obvestil o dejavnosti uporabnikov, torej kaj so kupili oz. kaj so si drugi potrošniki ogledovali. V naši raziskavi je bilo 6 vzorcev, ki so bili zelo podobni vzorcem iz ameriške raziskave, torej v obliki pojavnih sporocil ali dodatnih obvestil ob izdelku. Tudi pri tej vrsti vzorcev ameriški raziskovalci niso navedli, ce in koliko zavajajocih obvestil o dejavnosti so zaznali, v naši raziskavi pa ni bilo nobenega zavajajocega. Ame-riška raziskava je razkrila tudi 12 priporocil nejasnega izvora, torej priporocil drugih uporabnikov o izdelku ali spletni trgovini na splošno, v lastnem pregledu pa smo zasledili 11 takšnih vzorcev, ki so bili prav tako podobne oblike kot vzorci iz izvirne raziskave, torej so bili vecinoma v obliki pojavnih sporocil. Kategorija vzorcev pomanjkanja je v raziskavi tujih spletnih strani zajemala 679 vzorcev, v naši raziskavi pa smo jih našteli le 26. Ameriški raziskovalci so od­krili 632 sporocil o majhni razpoložljivosti, torej vzor­cev prikaza kolicine izdelkov na zalogi ali pa omejene zaloge, medtem ko smo jih v slovenskih spletnih trgo­vinah zaznali 23. Pri tej vrsti vzorcev niso opredelili, koliko, ce sploh kaj varljivih vzorcev so odkrili, v naši raziskavi pa smo zaznali en takšen zavajajoc vzorec, kjer se je kolicina ponudbe spreminjala sorazmerno s pretecenim casom. V izvirni raziskavi so odkrili tudi 47 sporocil o velikem povpraševanju, torej pripis, da je za izdelek povpraševanje zelo veliko, zato naj po­trošnik pohiti z narocilom. Naš vzorec spletnih strani je vseboval tri takšne vzorce, kjer je bila vsebina zelo podobna vzorcem na tujih spletnih straneh. Ker nismo našli nobenega temnega vzorca iz ka­tegorije vzorcev oviranja, tukaj ni mogoce opravi-ti primerjave, v ameriški raziskavi pa so odkrili 31 vzorcev, kjer se je uporabnik z lahkoto narocil na do-loceno storitev, a je bila odjava zelo otežena. V kategoriji vzorcev prisilnih dejanj so ameriški raziskovalci odkrili šest vzorcev prisilnega vpisa, to-rej oblikovanja profila uporabnika le s predajo oseb­nih podatkov posameznika. Na slovenskih straneh smo takšnih vzorcev zaznali deset, vendar v malce drugacni obliki, saj smo kot temne vzorce upoštevali tudi primere, kjer je moral posameznik za pridobitev popusta vpisati osebne podatke ali pa nakup izdelka deliti na družbenih omrežjih. V kategoriji prikritih vzorcev smo v naši raziskavi našli 17 vzorcev, v tuji raziskavi pa je bilo odkritih 26 vzorcev iz te kategorije. V tujih spletnih trgovinah je bilo zaznanih 7 vzorcev skrivanja v košarico, sami pa smo našli zgolj en vzorec, kjer je ponudnik izdelkov v košarico dodal dodaten izdelek, ki ga potrošnik ni mogel odstraniti, je pa bil zastonj. Prav tako smo od­krili 16 vzorcev prikritih stroškov, ki so razkrili doda­tne stroške tik pred nakupom, na tujih straneh je bilo teh vzorcev 5. Sami pa nismo odkrili nobenega vzor-ca prikrite narocnine, medtem ko so na tujih spletnih straneh našli 14 takšnih vzorcev. 4 DISKUSIJA Graf 3 prikazuje primerjavo deležev strani z doloce­nimi kategorijami temnih vzorcev. Razlike med slo­venskimi in tujimi spletnimi trgovinami so hitro raz­vidne, saj nobenega od temnih vzorcev ni imelo vec kot 6% tujih spletnih trgovin. Po drugi strani pa je Elena Osrajnik, Sašo Karakatic: Temni vzorci na slovenskih spletnih straneh imelo kar 51% pregledanih slovenskih spletnih stra­ni vzorec nujnosti in 47% slovenskih spletnih strani vzorec pomanjkanja. Eden izmed razlogov, zakaj prihaja do takih raz­lik, je drugacen nacin iskanja temnih vzorcev. Pri raziskavi tujih spletnih strani je pregled potekal z avtomatiziranim pregledom in tako so se temni vzorci iskali z vnaprej napisanimi pravili iskanja bodisi niza besed bodisi HTML-elementov (Mathur idr., 2019). Pri naši raziskavi pa se je iskanje temnih vzorcev naredilo z rocnim pregledom in interakcijo z vsako spletno stranjo v raziskavi. Avtomatsko is-kanje temnih vzorcev je tako omogocilo mnogo vecji vzorec pregledanih spletnih strani, je pa potencialno bolj površno pri identifikaciji temnih vzorcev. Že z bolj širokim naborom pravil iskanja vzorcev v izvor­ni kodi spletnih strani bi se najverjetneje identifici­ralo vec temnih vzorcev. Atudi ce bi se nabor pravil temnih vzorcev razširil, je nekatere oblike temnih vzorcev avtomatsko težko odkriti. Doloceni elementi spletnih strani se prikažejo v svoji koncni obliki šele po graficnem prikazu spletne strani in v interakciji s spletno stranjo. Take elemente je težko identificirati s preprostim pregledovalnikom izvorne kode in je potrebno vsako spletno stran zagnati v graficnem brskalniku, ne pa le pregledati kodo. Prav tako je z avtomatskim pregledom nemogoce simulirati inte­rakcijo s spletno trgovino – izbiranje izdelka, doda­janje tega v košarico in sprožitev procesa nakupa. Po drugi strani sta rocni pregled in interakcija s spletno stranjo izredno zamuden proces, ki oteži pregled reprezentativnega vzorca spletnih trgovin. Kljub temu da je rocni pregled lahko bolj natancen pri identifikaciji temnih vzorcev, še vedno obstaja verjetnost, da so bili doloceni temni vzorci spregle­dani ob pregledu in interakciji s spletno stranjo. Ce-lovit pregled posamezne spletne strani bi zahteval celovito poznavanje in preizkus vseh funkcionalnos-ti vsake posamezne spletne strani. Drugi potencialni razlog za razlike v deležu sple­tnih strani s temnimi vzorci je drugacno casovno obdo­bje pregleda. V raziskavi tujih spletnih strani (Mathuridr., 2019) se je pregled izvršil avgusta 2018, pregledslovenskih spletnih trgovin pa smo izvedli junija 2020.Pricakovano je, da se prakse, ki lastnikom spletnihstrani prinesejo vec prometa, vec uporabnikov ali vecjostopnjo fluktuacije (angl. turn-over-rate), hitro razširi­jo. Spletni oblikovalci in razvijalci, ki v svoje produktevnesejo temne vzorce, ki pozitivno vplivajo na poslov­ne rezultate lastnika spletne strani, imajo prednost pri prodaji svojih storitev vzpostavitve spletnih strani.Pricakovano je, da se bodo zaradi tega prakse temnihvzorcev pojavile še na vec spletnih straneh. 4.1 Omejitev prakse temnih vzorcev na spletnih straneh Po definiciji temnih vzorcev so ti manipulativni in vplivajo na obnašanje uporabnikov na spletu. Z izpo- Graf 3: Primerjava deležev strani s temnimi vzorci. Elena Osrajnik, Sašo Karakatic: Temni vzorci na slovenskih spletnih straneh stavitvijo problematike takih manipulativnih praks lahko uporabnike spleta ozavestimo o njihovem obstoju. Šele ce se zavedajo obstoja manipulativnih temnih vzorcev, se lahko njihovih posledic izognejo ali jih vsaj zmanjšajo (Kozyreva idr., 2019). Do dolocene mere se lahko s temnimi vzorci spo­pademo s tehnologijo. Kot so protireklamni vticniki (angl. ad blocker) omejili ali v celoti odstranili prikaz reklamnih obvestil na spletnih straneh, se lahko s po­dobnimi pristopi izognemo temnim vzorcem, ki ne vplivajo na funkcionalnost (npr. vzorci pomanjkanja ali vzorci nujnosti). Raziskave potrdijo pricakovan­ja, da so uporabniki mnogo bolj zadovoljni z upora­bo spletnih strani, ce te ne vsebujejo reklam (Pujol idr., 2015; Shiller idr., 2018). Vpliv temnih vzorcev na zadovoljstvo uporabnikov je že bil pregledan v številnih raziskavah, ki kažejo povezavo med poja­vom temnih vzorcev in uspešnostjo prodaje (Moran, 2020; Narayanan idr., 2020). Vsekakor pa je pozitiven vpliv uporabe temnih vzorcev prisoten pri lastnikih spletnih strani – ti jih namrec ne bi uporabljali, ce po­zitivnega vpliva ne bi bilo. Kako velik ucinek imajo razlicni temni vzorci na razlicne metrike uspešnosti spletnih strani in trgovin, pa je potrebno ponovno preuciti z nadaljnjo raziskavo. S samoregulacijo lastnikov spletnih strani najver­jetneje ne bomo dosegli veliko, saj lahko doloceni temni vzorci tudi pritegnejo nove uporabnike (npr. z napacnim informiranjem prepricajo v kvaliteto ali uspešnost). Še vec, kot že prej omenjeno, je vse temne vzorce zelo težko identificirati s pomocjo tehnologije. Posledicno je za spopad s takimi praksami potreben sistematicni pristop tudi na drugih podrocjih (Wald-man, 2020; Moran, 2020). Z državnimi ali mednarod­nimi regulativami bi se do dolocene mere lahko ome­jila uporaba temnih vzorcev. Na nivoju Evropske unije že obstaja direktiva zašcite potrošnikov (Chiri­ta, 2012), ki zahteva izrecno potrditev potrošnika za spreminjanje pogojev poslovanja. V ta sklop spadajo temni vzorci skritih stroškov in skrivanja izdelkov v košarico, saj pri uporabi teh spletnih strani potroš­niki niso izrecno izrazili dovoljenja, ampak so bili o spremembi poslovanja (dodan izdelek v košarico ali dodaten skriti strošek) le obvešceni. SKLEP Po opravljenem pregledu slovenskih spletnih trgo­vin je temeljna ugotovitev ta, da so temni vzorci že zdaj v veliki meri razširjeni v Sloveniji, saj smo na vseh pregledanih straneh našli vsaj en temni vzorec. Vecinoma so v spletnih trgovinah prisotni po en ali dva vzorca na celotno stran, najvec vzorcev, ki smo jih opazili v posamezni spletni trgovini, je bilo de-vet. Na pregledanih straneh so se najveckrat pojavili vzorci iz kategorije vzorcev nujnosti, teh je bilo 28, najpogosteje opažena vrsta vzorcev pa so bila sporo-cila o majhni razpoložljivosti dolocenega izdelka, ki so se pojavili 23-krat. Na pregledanih spletnih straneh pa nismo zasledilpopolnoma vseh vrst temnih vzorcev iz predhodnoopredeljene kategorizacije, kar je verjetno posledicapremajhnega vzorca izbranih spletnih trgovin. Takonismo opazili vzorcev prikrite narocnine iz kategorijeprikritih vzorcev, katerih je bilo v primerjalni ameriškiraziskavi opaženih 14. Tudi vzorcev zvijacnih vprašanjiz kategorije vzorcev napacnega informiranja nismozasledili, ceprav so se na tujih spletnih straneh pojavilidevetkrat. Prav tako nismo zasledili nobenega vzorcatežavne razveljavitve iz kategorije vzorcev oviranja, kiso se na tujih straneh pojavili 31-krat. Stran, na kateri smo odkrili najvec temnih vzor­cev, je bila spletna trgovina gizzmo.si, v kateri smo opazili kar 9 temnih vzorcev. V njej smo zasledili en vzorec skrivanja dodatnega izdelka v košarico, kjer je trgovec dodal darilo k nakupu, in en vzorec prikritih stroškov, kjer je moral potrošnik za prejetje izdelka obvezno placati še poštnino. Odkrili smo tudi en vzo-rec zavajajocega odštevanja casa, kjer je bil po pote­ku dolocenega casa nakup izdelka še vedno možen, ceprav je odštevalnik nakazoval drugace. Prav tako smo našli en vzorec casovno omejenega sporocila, ki je opozarjal na popuste, vendar brez koncnega roka akcije, s cimer je zavajal k cim hitrejšemu nakupu. V tej spletni trgovini smo opazili tudi tri obvestila o dejavnosti drugih potrošnikov. Prvo obvestilo je pri­kazovalo število uporabnikov, ki si ogledujejo dolo-cen izdelek, drugi dve obvestili pa sta obvešcali po­trošnika, koliko izdelkov je bilo narocenih v zadnjih dveh dneh, eno obvestilo na zacetni strani in eno na predstavitveni strani izdelka. Zaznali smo tudi eno sporocilo o majhni razpoložljivosti, ki je prikazovalo kolicino izdelka, in eno sporocilo o velikem povpra­ševanju, ki je opozarjalo, da se izdelek hitro prodaja in bo kmalu pošel. Temni vzorci se na spletu ne pojavljajo zelo dolgo casa, zato se jih vecina potrošnikov ne zaveda oz. ne zna prepoznati manipulativnih sporocil in nezave­dno podleže njihovemu vplivu. Pregled slovenskih Elena Osrajnik, Sašo Karakatic: Temni vzorci na slovenskih spletnih straneh spletnih trgovin je pokazal, da slovenski trgovci vse raje uporabljajo temne vzorce kot oblike manipula­cije s potrošniki. Ceprav na slovenskih spletnih stra­neh nismo uspeli najti vseh vrst temnih vzorcev, ki se pojavljajo v tujih spletnih trgovinah, menimo, da so temni vzorci kar precej razširjeni na slovenskem spletnem trgu. Slovenski spletni trgovci najraje upo­rabljajo temne vzorce sporocil o omejenih kolicinah izdelka, s cimer želijo prepricati potrošnike, da je povpraševanje po njem izredno veliko in bo izdelek kmalu razprodan, zato naj potrošniki pohitijo z na­kupom. Najvec temnih vzorcev se pojavlja na stra­neh, ki so priljubljene in moderne, kar je vidno tudi na tujih straneh spletnih trgovin. V prihodnosti se bodo oblike temnih vzorcev ne­nehno spreminjale glede na potrebe trgovcev, ki bodo želeli ostati konkurencni na trgu. Prav tako se bodo ustvarjali vedno novi nacini manipulacije s potrošni­ki, katerih se ti ne bodo zavedali. Temni vzorci se tre­nutno pojavljajo tudi v igricarstvu (Zagal idr., 2013), predvsem pri spletnih nakupih dodatnih virtualnih predmetov v samih igrah. V prihodnje bi se lahko podobne raziskave izvedle tudi na podrocjih elek­tronskih sporocil in mobilnih aplikacij ter spletnih strani, ki omogocajo kakršnokoli obliko prodaje, kot so potovalne agencije in spletne prodaje vstopnic oz. prodaja raznih storitev. 6 LITERATURA [1] Chirita, A. D. (2012). The impact of Directive 2011/83/EU on consumer rights. Keirse, Samoy and Loos, Cambridge, Inter-sentia, 65-82. [2] Di Geronimo, L., Braz, L., Fregnan, E., Palomba, F., & Ba-cchelli, A. (2020, April). UI dark patterns and where to find them: a study on mobile applications and user perception. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1-14). [3] Gray, C. M., Chen, J., Chivukula, S. S., & Qu, L. (2020). End User Accounts of Dark Patterns as Felt Manipulation. arXiv preprint arXiv:2010.11046. [4] Kozyreva, A., Lewandowsky, S. and Hertwig, R., 2019. Citi­zens versus the internet: Confronting digital challenges with cognitive tools. [5] Luguri, J., in Strahilevitz, L. (2019). Shining a light on dark patterns. U of Chicago, Public Law Working Paper, (719). [6] Maier, M. in Harr, R., 2020. Dark Design Patterns: An End­-User Perspective. Human Technology, 16(2). [7] Mathur, A., Acar, G., Friedman, M. J., Lucherini, E., Mayer, J., Chetty, M., & Narayanan, A. (2019). Dark patterns at scale: Findings from a crawl of 11K shopping websites. Proceedings of the ACM on Human-Computer Interaction, 3(CSCW), 1-32. [8] Monaco, J. V. (2020, April). Bug or Feature? Covert Impa­irments to Human Computer Interaction. In Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems (pp. 1-15). [9] Moran, N. (2020). Illusion of safety: How consumers undere­stimate manipulation and deception in online (vs. offline) sho­pping contexts. Journal of Consumer Affairs, 54(3), 890-911. [10] Moser, C. (2020). Impulse Buying: Designing for Self-Control with E-commerce (doktorska disertacija). [11] Narayanan, A., Mathur, A., Chetty, M., & Kshirsagar, M. (2020). Dark Patterns: Past, Present, and Future. Queue, 18(2), 67-92. [20] Pujol, E., Hohlfeld, O., & Feldmann, A. (2015, October). An­noyed users: Ads and ad-block usage in the wild. In Proce­edings of the 2015 Internet Measurement Conference (pp. 93-106). [21] Shiller, B., Waldfogel, J., & Ryan, J. (2018). The effect of ad blocking on website traffic and quality. The RAND Journal of Economics, 49(1), 43-63. [22] Waldman, A. E. (2020). Cognitive biases, dark patterns, and the ‘privacy paradox’. Current opinion in psychology, 31, 105-109. [23] Zagal, J. P., Björk, S., & Lewis, C. (2013). Dark patterns in the design of games. [24] Shopper‘s Mind. (30. november 2016). Ecommerce Day 2016 – Zmagovalci tekmovanja Spletni trgovec leta. Prido­bljeno 24. februarja 2021 od https://smind.si/ecommerce--day-2016-zmagovalci-tekmovanja-spletni-trgovec-leta/ [25] Shopper‘s Mind. (28. november 2017). Zmagovalci tekmova­nja Spletni trgovec leta 2017. Pridobljeno 24. februarja 2021 od https://smind.si/zmagovalci-tekmovanja-spletni-trgovec--leta-2017/ [26] Gorjan, S. (14. november 2018). Kdo so zmagovalci tekmova­nja Spletni trgovec leta 2018? Pridobljeno 24. februarja 2021 od https://smind.si/zmagovalci-tekmovanja-spletni-trgovec--leta-2018/ [27] Kovacevic, A. (14. november 2019). Spletni trgovec leta 2019 – to so najboljše spletne trgovine v Sloveniji. Pridobljeno 24. februarja 2021 od https://smind.si/spletni-trgovec-leta-2019­-najboljse-spletne-trgovine-v-sloveniji/ • Elena Osrajnik je magistrska študentka na Fakulteti za elektrotehniko, racunalništvo in informatiko Univerze v Mariboru. Diplomirala je na študij­skem programu Medijske komunikacije, smer Medijska produkcija. • Dr. Sašo Karakatic je docent na Fakulteti za elektrotehniko, racunalništvo in informatiko Univerze v Mariboru. Raziskovalno se ukvarja s podrocjem umetne inteligence in strojnega ucenja ter aplikacijo optimizacijskih pristopov po vzoru narave na podrocjih transporta in rudarjenja podatkov. skovalno se ukvarja z ucno motivacijo, aktivnimi pristopi k poucevanju in psihosocialnimi znacilnostmi mladih. zNANStVENI prISpEVkI Racunalniško podprto prepoznavanje zgodnjih znakov disleksije Milena Košak Babuder1, Blažka Korun1, Ema Štarkl2, Gaja Nenadovic2, Dušica Boben3, Erika Stankovic4, Sara Jakop4, Luka Vra­nješ4, Karmen Javornik1, Jure Žabkar4 1Univerza v Ljubljani, Pedagoška fakulteta, Kardeljeva plošcad 16, 1000 Ljubljana, Slovenija 2Univerza v Ljubljani, Filozofska fakulteta, Aškerceva cesta 2, 1000 Ljubljana, Slovenija 3Center za psihodiagnosticna sredstva d.o.o., Litostrojska 44d, 1000 Ljubljana, Slovenija 4Univerza v Ljubljani, Fakulteta za racunalništvo in informatiko, Vecna pot 113, 1000 Ljubljana, Slovenija Milena.Kosak-Babuder@pef.uni-lj.si, Jure.Zabkar@fri.uni-lj.si Izvlecek Disleksija je nevrološko pogojena bralno-napisovalna motnja, ki izvira iz razvojnih posebnosti ali iz posebnosti delovanja osrednjega živcevja. Zanjo je znacilna šibka sposobnost branja in crkovanja, ki ni v skladu z drugimi sposobnostmi, ter pomanjkljivi avtomatiza­cija in tekocnost branja in crkovanja. Z namenom cim prejšnjega prepoznavanja disleksije pri otrocih smo razvili spletno aplikacijo, ki vsebuje štiri preizkuse za prepoznavanje zgodnjih znakov disleksije. Aplikacija je dostopna širši javnosti in v primerjavi s klasicnimi pristopi omogoca hitrejše in bolj množicno testiranje; primerna je za testiranje na daljavo, v otroku domacem okolju. V tem prispev­ku predstavljamo rezultate preliminarnega testiranja aplikacije na manjšem testnem vzorcu. Kljucne besede: disleksija, spletna aplikacija, testiranje Abstract Dyslexia is a specific learning disorder, which is neurological in origin. It stems from developmental peculiarities or from specific characteristics of functioning of the central nervous system. It is characterized by poor reading and spelling abilities, which are not in line with other abilities, and by impaired automatization as well as spelling and reading fluency. The purpose of developing this web application, which consists of four tasks, was to provide a freely accessible way of recognising dyslexia in children as early as possible. In comparison to traditional approaches, it makes possible the quicker and more extensive testing. In addition, it is suita­ble for remote testing in a familiar environment. In this paper, we present the results of preliminary testing of the application. Keywords: Dyslexia, web application, testing UVOD Disleksija je kot najpogostejša oblika motenj branja in pisanja ena izmed najbolj raziskanih motenj v skupi­ni specificnih ucnih težav. Za slednje velja, da se raz­prostirajo na kontinuumu od lažjih do izrazitih ter od kratkotrajnih do tistih, ki trajajo vse življenje. Di-sleksija je notranje (nevrofiziološko) pogojena bral-no- napisovalna težava in izvira iz razvojnih poseb­nosti ali iz posebnosti delovanja osrednjega živcevja. Vkljucuje skupino raznolikih, a medsebojno poveza­nih dejavnikov, ki so del posameznika, nanj ter na njegovo delovanje pa vplivajo vse življenje (Raduly Zorgo in sod., 2010). Obstaja kar nekaj vzrocnih teorij o disleksiji, a vecina raziskovalcev trdi, da je glavni Milena Košak Babuder, Blažka Korun, Ema Štarkl, Gaja Nenadovic, Dušica Boben, Erika Stankovic, Sara Jakop, Luka Vranješ4, Karmen Javornik, Jure Žabkar: Racunalniško podprto prepoznavanje zgodnjih znakiov disleksije razlog za težave pri disleksiji pomanjkljivo fonološko zavedanje, ki se kaže kot slabša sposobnost prepo­znavanja, razlikovanja in manipuliranja z glasovi ter slabša sposobnost nauciti se ujemanja glasov in crk. To poudarjajo tudi številne opredelitve disleksije, ki vsebujejo podobne komponente. Disleksijo opisujejo kot ucno težavo ali pa nevrološko motnjo, ki vpliva na razvoj zmožnosti branja in pisanja (Košak Babu­der, 2013). Zaradi znacilnih težav natancnega in/ali tekocega prepoznavanja besed, šibkega crkovanja in šibke sposobnosti dekodiranja posamezniki težje usvajajo branje, bralno razumevanje in pisanje. Težave niso omejene le na branje in crkovanje; prisotne so tudi težave z vzdrževanjem pozornosti, avto- matizacijo novega znanja ter z grobo- in fino­motoricnimi spretnostmi. Ob nevrološko pogojenih razlikah so prisotne tudi kognitivne težave, ki lahko vplivajo na organizacijske spretnosti, zmožnost racu­nanja ter druge kognitivne in custvene sposobnosti. Posamezniki z disleksijo so lahko izjemno nadarjeni in izvirni pri reševanju razlicnih vrst problemov, po­gosto pa imajo tudi dobre vizualne sposobnosti (Ni­jakowska, 2016). V populaciji je približno 10 % otrok in mladostnikov z disleksijo. Raziskave navajajo, da je pogostost motnje enaka pri obeh spolih, z nekoliko vecjo pogostostjo pri deckih (Riddick in sod., 2002). Ponavadi disleksijo zaznamo pri osnovnošolskih otrocih, in sicer zaradi pocasnega napredka pri uce­nju branja in pisanja. Težave se pogosto odražajo v nižjem ucnem uspehu in posledicno slabši samopo­dobi, zato je pomembno, da jo cim prej prepoznamo in ustrezno obravnavamo. S tem preprecujemo sti­gmatizacijo otrok in mladostnikov z disleksijo, spod­bujamo pa njihovo lažje vkljucevanje v družbo in manjšamo težave v odrasli dobi. V Sloveniji so otroci z blago do zmerno izraže-no disleksijo po Zakonu o osnovni šoli («Zakon o osnovni šoli ZOsn-UPB3”, 2006) deležni prilagojenih metod in oblik poucevanja ter preverjanja znanja, ti-sti z izrazito disleksijo pa so po Zakonu o usmerjanju otrok s posebnimi potrebami («Zakon o usmerjanju otrok s posebnimi potrebami ZUOPP-1”, 2011) dele­žni intenzivnejših prilagoditev in dodatne strokovne pomoci. V procesu prepoznavanja in diagnosticnega ocenjevanja disleksije, za katerega je potrebna multi-disciplinarna skupina strokovnjakov (psiholog, spe­cialni in rehabilitacijski pedagog, logoped, ucitelj), locimo vec stopenj – od detekcije, klasifikacije, nacr­tovanja pomoci in spremljanja napredovanja do eval­vacije (Magajna, 2011). Prvo stopnjo prepoznavanja oseb z disleksijo (detekcija) predstavljajo presejalni preizkusi, katerih namen sta prednostna obravnava identificiranih oseb, ki potrebujejo diagnosticno oce­njevanje, ter informiranje posameznikov o verjetno­sti pojava disleksije pri njih (Pollak, 2009). Motnja se med posamezniki zelo razlikuje. Presejalni preizkusi omogocajo pri otrocih potrditev disleksije in izvaja­nje ustrezne obravnave, še preden se pri njih pojavi obcutek neuspeha (Snowling, 2013). Testi za odkriva­nje disleksije obsegajo testiranje spomina, crkovanja, razumevanja besedila, bralne naloge, hitro poimeno­vanje, pozornost idr. 1.1 Diagnosticno ocenjevanje disleksije Zgodnja detekcija disleksije je za zagotavljanje ustre­znih oblik pomoci in podpore otrokom z disleksijo kljucnega pomena. Zaradi vecdimenzionalne narave motnje se za ucinkovito odkrivanje disleksije upora­blja vec razlicnih testov, preizkušenj in baterij. Po-membno je dobro presejalno testiranje, ki loci otroke s tveganjem za nastanek motenj branja in pisanja od otrok brez tveganja. Za ugotavljanje težav na podrocju branja in pisa­nja, s katerimi preverjamo razlicne elemente branja in pisanja (fonološko zavedanje, hitrost in pravilnost branja, avtomatizacijo branja, bralno razumevanje, pisanje po nareku, pisno izražanje) v Sloveniji upo­rabljamo: . Test v motenosti branja in pisanja oz. Šalijev test (Šali, 1971) – test je le delno standardiziran za po­pulacijo otrok drugega razreda; . SNAP– profil ocene posebnih potreb (SNAPni test v psihometricnem smislu, temvec pripo­mocek za zbiranje informacij o otroku, ki so po­membne za ugotavljanje morebitnih težav pri do-loceni spretnosti) (Weedon in Reid, 2018); . Enominutni test glasnega branja (Gradišar in Pecjak, 1991);. Preizkus bralnega razumevanja (Elley in sod., 1995);. Bralni test (Pecjak, Magajna in Podlesek, 2012) – test je standardiziran merski instrument, ki ugotavlja splošno bralno zmožnost ob koncu prvega triletja; . Ocenjevalno shemo bralnih zmožnosti otrok od 1. do 3. razreda: OSBZ (Pecjak, Magajna, Podlesek in Potocnik, 2012) – test je standardiziran merski inštrument, podatki, zbrani z ocenjevalno shemo, Milena Košak Babuder, Blažka Korun, Ema Štarkl, Gaja Nenadovic, Dušica Boben, Erika Stankovic, Sara Jakop, Luka Vranješ4, Karmen Javornik, Jure Žabkar: Racunalniško podprto prepoznavanje zgodnjih znakiov disleksije pa dajo informacijo o tem, katere bralne zmožno­ sti je otrok že uspel razviti;. Preizkus tekocnosti branja po modelu, ki temelji na kurikulumu za 2., 3. in 4. razred (Košir, 2011), in . Test glasovnega zavedanja (Magajna, 1994). V svetu je racunalniško podprto testiranje postalo glavno sredstvo tako za odkrivanje disleksije s prese­ jalnimi testi kot tudi za intervencije, ki so prilagojene ucnim težavam in potrebam otrok ter mladostnikov. Uporaba racunalniškega sistema predstavlja izjemen dejavnik za izboljšanje obicajnih metod odkrivanja disleksije in sproža raziskovanja novih perspektiv v zvezi z identifikacijo posameznikov z disleksijo (Dri-gas in Politi- Georgousi, 2019). Rooms (Rooms, 2000) poudarja potencialne kori­sti uporabe IKT za osnovnošolske otroke z disleksijo in poudarja, da je lahko dostopna in na voljo, ne da bi se otroci z disleksijo pocutili drugacne ali izkljucene; vkljuceni so veccutni pristopi (slušni, ustni, vizual­ni, kinesteticni) in sistemi za izboljšanje težav otrok z disleksijo (Rooms, 2000). Diagnosticno ocenjevanje s pomocjo IKT psihologom in drugim strokovnim delavcem omogoca preprosto in hitro izvedbo pre­gleda kognitivnih sposobnosti in drugih vitalnih spretnosti (Singleton, 2001). Interaktivna multimedi­ja, navidezna okolja, nevronske mreže, programska oprema, mehka logika, tehnike, ki temeljijo na igrah, in mobilne aplikacije povecajo ucinkovitost obicajnih postopkov presejanja disleksije, vsak od njih pa ima sofisticirane funkcije, ki olajšajo postopke ocenjeva­nja (Menghini in sod., 2011). PROBLEM RAZISKAVE Z RAZISKOVALNIMI VPRAŠANJI V svetu je uporaba racunalniško podprtih sistemov za prepoznavanje otrok z disleksijo že dokaj dobro uveljavljena, saj je uciteljem na voljo vec razlicnih programov – od presejalne programske opreme do podrobnejših racunalniških ocenjevalnih baterij. Ve-cina racunalniških programov za odkrivanje disle­ksije se opira na ocenjevanje branja in crkovanja ter kognitivnih sposobnosti – kot sta na primer fonolo­ško zavedanje in verbalno pomnjenje – ki podpirajo razvoj pismenosti in ki so na splošno dobri napove­dniki disleksije (Singleton in sod., 2009). Tako klasicni testi kot aplikacije imajo svoje pred­nosti in slabosti. Prednost klasicnih testov je v pri­sotnosti strokovnjaka, ki izvaja test, hkrati pa otroka opazuje, sproti preverja njegovo razumevanje, prila­ gaja navodila, da jih otrok razume, opazuje otrokovo pozornost, morebitno utrujenost. Hkrati lahko oseba otroka spod- buja, mu nudi oporo. Slabost klasicnih preizkusov sta predvsem izpostavljenost posame­ znika in casovna zamudnost, ki ju lahko odpravimo s pomocjo aplikacije. To lahko namrec hkrati rešuje vec otrok, zato lahko v kratkem casovnem obdobju ocenimo veliko otrok in presejemo rizicne otroke od nerizicnih. Aplikacija ima prednosti tudi z motivacij­skega vidika, saj je bolj podobna racunalniški igri kot ocenjevanju. V Sloveniji imamo nekaj preizkusov za ugotavlja­nje težav na podrocju branja pri otrocih. Zelo pogosto uporabljamo preizkus SNAP(profil ocene posebnih potreb); gre za uveljavljen pripomocek, ki omogoca sistematicen in izcrpen pregled otrokovih specificnih ucnih težav, med katerimi je tudi disleksija. Vsebuje preizkuse za merjenje kognitivnih in jezikovnih spre­tnosti, na osnovi rezultatov katerih lahko ugotavlja-mo rizicnost za disleksijo. Aplikacija PKP– Disleksija je prvi poskus prever­janja zgodnjih znakov disleksije v elektronski obliki. Otrok dobi takojšnjo povratno informacijo o svojih dosežkih na podrocju fonološkega zavedanja, branja in bralnega razumevanja, delovnega spomina ter za­poredij. Zamišljena je kot presejalni preizkus, s kate-rim lahko prepoznamo posameznike, ki so rizicni za pojav disleksije. Ce se izkazujejo izrazitejša odstopanja, je predvidena poglobljena diagnostika otrokovih težav na podrocju branja in pisanja zaradi disleksije. V okviru tega prispevka smo aplikacijo testirali na neslucajnostnem priložnostnem vzorcu. Naš na-men je bil aplikacijo preizkusiti in pridobiti prve pre­liminarne podatke. Zanimalo nas je: . kakšni so osnovni parametri opisne statistike in kakšna je razporeditev rezultatov (percentilne vrednosti) pri posameznih preizkusih (fonolo­ škega zavedanja, branja in bralnega razumevanja, delovnega spomina in zaporedij) glede številno pravilno rešenih primerov;. kakšni so osnovni parametri opisne statistike in kakšna je razporeditev rezultatov (percentilne vrednosti) pri posameznih preizkusih (fonolo­ škega zavedanja, branja in bralnega razumevanja, delovnega spomina in zaporedij) glede na pov­ precen cas reševanja; Milena Košak Babuder, Blažka Korun, Ema Štarkl, Gaja Nenadovic, Dušica Boben, Erika Stankovic, Sara Jakop, Luka Vranješ4, Karmen Javornik, Jure Žabkar: Racunalniško podprto prepoznavanje zgodnjih znakiov disleksije . kakšna je težavnost vkljucenih besedil v preizku­su branja in bralnega razumevanja. METODA 3.1 Spletna aplikacija PKP – Disleksija Spletna aplikacija PKP– Disleksija deluje v okviru strežniškega sistema na Fakulteti za racunalništvo in informatiko; na ta nacin smo zagotovili ustrezne zmogljivosti aplikacije ob morebitnem hkratnem ve-cjem številu uporabnikov in poskrbeli za varnost po­datkov, ki jih aplikacija beleži. Zaledni del aplikacije smo razvili s pomocjo ogrodja Django. Za bazo smo uporabili PostgreSQL, za uporabniški vmesnik pa programski jezik Javascript. Ob vpisu starosti na za-cetni strani se v bazi ustvari nov zapis za uporabni­ka. Vsakic, ko uporabnik reši nalogo, se zanj ustvari nov zapis z rešitvijo, casom pricetka reševanja, traja­njem reševanja in morebitnimi drugimi podatki, npr. kolikokrat je popravil rešitev, ce je bilo popravljanje rešitev možno. Razen spola in starosti aplikacija ne beleži osebnih podatkov, kar uporabniku zagotavlja anonimnost. 3.2 Vzorec Za potrebe raziskave je bil oblikovan neslucajnostni priložnostni vzorec. V vzorec je bilo zajetih 43 otrok tretjega razreda osnovne šole. Starost vkljucenih otrok je 8 let (39 otrok) oziroma 9 let (4 otroci). Vklju-cena je bila splošna populacija otrok – zajeti so bili tako tisti, ki imajo bralno napisovalne težave, kot tudi tisti, pri katerih tovrstne težave niso bile prepoznane. Otroci so bili iz razlicnih delov Slovenije (osrednje­slovenska, gorenjska, dolenjska in severnoprimorska regija). Pri otrocih, vkljucenih v vzorec, nismo pre­verjali ali imajo potrjeno disleksijo ali ne, saj je bil namen raziskave ugotoviti, kako naloge rešuje splo­šna populacija osemletnih otrok. V prihodnje bodo v raziskave vkljuceni tudi otroci s potrjeno disleksijo. 3.3 Inštrument V okviru projekta PKP– Disleksija smo razvili apli­kacijo za prepoznavanje zgodnjih znakov disleksije, ki omogoca, da otroci sklope nalog oz. preizkuse sa­mostojno rešujejo. Preizkusi vsebujejo pisna in slu­šna navodila, ki so skrbno pripravljena tako, da za­nje predvidevamo, da jih bodo otroci razumeli, kljub temu pa je predvidena tudi možnost, da otrokom pri razumevanju navodil pomagajo starši. Navodilom sledi kratka demonstracija – predstavitev reševanja, pri kateri otrok dobi nazorno vidno predstavo o pre­izkusu, ki ga bo reševal. Sledi sklop vaj, med katerimi se odgovori ne tockujejo. Vaje so namenjene zgolj pre­verjanju otrokovega dojemanja navodil — preverjajo, ali je otrok razumel, kako se naloga rešuje. Med vaja-mi lahko kadarkoli ponovno pogledajo tudi navodila. Aplikacija vsebuje štiri preizkuse, vsak preizkus pa zajema sklop nalog. Pri oblikovanju preizkusov smo sledili protokolu razvoja psiholoških testov po mednarodnih smernicah (npr. razlicne smernice In­ternational Test Commission) in ameriških standar­dih za pedagoške in psihološke pripomocke (Stan­dards for educational and psychological testing, 2014) in vire, ki usmerjajo razvijalce racunalniških ali interne­tnih psiholoških testov. Kot velevajo standardi, so pri razvoju sodelovali strokovnjaki z razlicnih podrocij: za disleksijo in razvoj psiholoških pripomockov ter racunalniški programerji. Aplikacija je sestavljena iz štirih preizkusov, ki zahtevajo rabo kognitivnih in je­zikovnih spretnosti, kljucnih za uspešno branje in pi-sanje: preizkus koncepta zaporedja, preizkus branja in bralnega razumevanja, fonološkega zavedanja ter delovnega spomina. Otroci z disleksijo imajo pogosto težave z razu­mevanjem koncepta zaporedja in posledicnosti, kar se kaže v težavah pri urejanju elementov v zaporedje, priklicu abecede, vrstnega reda dni v tednu in mese­cev (Žagar, 2012). Preizkus, ki smo ga oblikovali, pre­verja otrokovo zmožnost urejanja števil, mesecev in dni v tednu v pravilnem in obratnem vrstnem redu. Bralno razumevanje zahteva rabo višjih miselnih procesov, kot sta delovni spomin in inhibicija, okr­njeno bralno razumevanje pri otrocih z disleksijo pa dosledno dokazujejo izsledki številnih raziskav (Chen in sod., 2016; Chung in sod., 2020; Lauterbach in sod., 2017). Na podlagi vnaprej izbranih kriterijev, ki pri otrocih napovedujejo kasnejšo pismenost in sposobnost branja, ter upoštevanja tekocnosti in hi-trosti branja otrok z disleksijo smo v preizkus vklju-cili štiri besedila. Besedila se razlikujejo po dolžini (dve besedili sta krajši in dve daljši) in po težavnosti (pri vsaki dolžini je eno besedilo preprostejše, eno pa zahtevnejše), predstavljena pa so v obliki zgodbe s temami iz vsakdanjega življenja. Otrok po prebra­nem besedilu odgovarja na dihotomne postavke tipa da/ne in postavke izbirnega tipa. Fonološko zavedanje obsega zavedanje, da je go-vor sestavljen iz besed, besede pa iz razlicnih zlogov Milena Košak Babuder, Blažka Korun, Ema Štarkl, Gaja Nenadovic, Dušica Boben, Erika Stankovic, Sara Jakop, Luka Vranješ4, Karmen Javornik, Jure Žabkar: Racunalniško podprto prepoznavanje zgodnjih znakiov disleksije in glasov, kar posamezniku posledicno omogoca po­vezovanje crk s pripadajocimi glasovi (Peklaj, 2012). V klasicnih preizkusih tipa papir-svincnik nalogo navadno izvajamo tako, da testator prebere besedo, iz katere je treba izlociti dolocen glas ali pa dolociti prvi ali zadnji glas v njej, testiranec pa ustno poda odgovor. Za namene spletne aplikacije smo nacin odgovarjanja prilagodili, saj nismo imeli dostopa do tehnologije, ki bi omogocala zanesljivo avtomatsko prepoznavanje govora, pisno podajanje odgovorov pa bi prineslo še kopico drugih težav, ki bi lahko pri­spevale k manjši veljavnosti preizkusa. Zato smo se odlocili za razlicico postavk izbirnega tipa. Številni posamezniki z disleksijo izkazujejo pri­manjkljaj v delovnem spominu in imajo težave s po­mnjenjem informacij, ki niso smiselno povezane (Pe­klaj, 2012). Izsledki raziskav so najbolj dosledni gle­de primanjkljajev v verbalni komponenti delovnega in kratkorocnega spomina (Jeffries in Everatt, 2004; Menghini in sod., 2011; Palmer, 2000; Pham in Has-son, 2014; Schuchardt in sod., 2013; Siegel in Linder, 1984; Smith-Spark in sod., 2003). Preizkus, ki smo ga oblikovali, predstavlja razlicico klasicnega preizku­sa preverjanja obsega delovnega spomina s slušnimi verbalnimi dražljaji (besedami). Ponovno smo prila­godili nacin podajanja odgovorov tako, da je omo-goceno avtomatsko preverjanje njihove pravilnosti, zato otrok ne podaja odgovorov ustno. Da bi bil pre­izkus za otroke cim bolj privlacen, smo ga postavili v kontekst hranjenja živali v živalskem vrtu. V nalogi otrok zasliši zaporedje živali, ki jih mora nahraniti, nato pa mora s kliki na slicice živali nahraniti v ena­kem vrstnem redu, kot so bile predhodno naštete. V splošnem je struktura preizkusov enotna: vsak preizkus je sestavljen iz navodila, prikaza reševanja, vaj in nalog, ki se tockujejo. Pri oblikovanju navodil smo bili posebej pozorni, da niso predolga, da vklju-cujejo preproste stavcne strukture, a da hkrati zaja­mejo vse informacije, ki so potrebne za jasnost zahtev naloge. Prikaz reševanja služi seznanitvi z nalogami, vaje pa preverjanju, ali otrok nalogo razume, saj je to za veljavnost meritve kljucno. Pri vajah so otro­ci obvešceni o napacnih odgovorih, pri morebitnem ponovnem reševanju zaradi napake pa se prikaže na­mig. Pri vsakem sklopu ima otrok pred reševanjem dela, ki se tockuje, možnost veckratnega poslušanja navodil in reševanja vaj. Uporabniški vmesnik smo oblikovali tako, da je za otroke privlacen, da posa-micen prikaz ne vsebuje nepotrebnih in motecih dra­žljajev ter veliko elementov naenkrat, da se informa­cije prikazujejo zaporedoma in da je barvni kontrast med besedilom in ozadjem ustrezen in nemotec v skladu s specificnimi lastnostmi vidnega procesira­nja otrok z disleksijo. 3.3.1 Preizkusi Aplikacija vsebuje naslednje štiri preizkuse: . preizkus koncepta zaporedja: naloge preverjajo otro­ kovo sposobnost razvršcanja besed in števil v za­ poredja. . preizkus bralnega razumevanja: otrok najprej pre­ bere krajše besedilo; sledijo vprašanja, s katerimi naloga preverja otrokovo razumevanje besedila; . preizkus fonološkega zavedanja: preverja ali otrok ra­ zume enostavna slušna navodila in pravilno izlo- ci glas iz besede;. preizkus delovnega spomina: preizkus sposobnosti otroka, da si zapomni slišana zaporedja besed. V tem razdelku bo vsebina preizkusov podrobne­je predstavljena. Pri tem preizkusu smo uporabili dve splošni obliki nalog; prvo za preverjanje koncepta zaporedja besed, drugo pa za preverjanje koncepta številskih zapore­dij. Prva splošna oblika naloge je: »Razporedi x od y a.«, pri cemer x doloca elemente, ki jih je treba ure­diti, vrstni red razporejanja pa je dolocen z y in a, tako da je y zacetni element zaporedja, apa beseda naprej ali nazaj. Ta oblika naloge velja za elemente, ki so dnevi v tednu in meseci v letu. Primer naloge iz preizkusa: Razporedi dneve v tednu od torka naprej. Predvidena rešitev: torek, sreda, cetrtek, petek, sobota Druga splošna oblika naloge je: »Razporedi x a.«, pri cemer x doloca elemente, ki jih je treba urediti, a pa predstavlja besedno zvezo od najvecjega do naj­manjšega ali od najmanjšega do najvecjega. Ta oblika na-loge velja za elemente, ki so števila. Primer naloge iz preizkusa: Razporedi števila od najvecjega do najmanjšega.Predvidena rešitev: 12, 10, 8, 6 Milena Košak Babuder, Blažka Korun, Ema Štarkl, Gaja Nenadovic, Dušica Boben, Erika Stankovic, Sara Jakop, Luka Vranješ4, Karmen Javornik, Jure Žabkar: Racunalniško podprto prepoznavanje zgodnjih znakiov disleksije Slika 1: Preizkus za preverjanje koncepta zaporedja v nizih Ob zacetku reševanja se na zaslonu prikaže navo­dilo posamezne naloge in predvaja se njegov zvoc­ni posnetek, nato pa se v pomešanem vrstnem redu prikažejo elementi (Slika 1). Vsak element je izpisan in opremljen z zvocnim posnetkom. Med reševanjem je na ekranu izpisano navodilo naloge, s pritiskom na ikono zvocnika pa lahko otrok zvocni posnetek navodila veckrat posluša. Preizkus vsebuje osem tockovanih nalog, od ka­terih štiri vsebujejo zaporedja besed (pri dveh so to dnevi, pri dveh meseci), štiri pa zaporedja števil. Pri polovici nalog, tako pri besedah kot številih, je elemente treba razporediti v pravilni vrstni red, pri polovici pa v obratni vrstni red. Vrstni red prikaza elementov pred razvršcanjem je dolocen in enak za vse posameznike. Pri nalogah s števili si ta ne sledijo po vrsti kot naravna števila, temvec so izbrana v ko­rakih po dve, v korakih po dve pri vsakem drugem številu ali v razlicnih korakih. V preizkusu otrok prebere štiri besedila in odgovarja na vprašanja, ki preverjajo bralno razumevanje be-sedil. Besedilo se prikaže na levi polovici zaslona, otrok pa, ko ga je prebral, s klikom na gumb nada­ljuje z odgovarjanjem na postavke (Slika 2). Takrat se zabeleži cas, ki je minil od prikaza besedila do klika na gumb. Nato se na desni polovici zaslona za­poredoma prikazujejo vprašanja, ki so opremljena z zvocnimi posnetki, pri cemer besedilo ves cas ostane vidno. Pod vprašanjem so hkrati prikazani vsi možni odgovori, od katerih je pravilen le eden. Od štirih vkljucenih besedil sta dve krajši (35 be-sed), dve pa daljši (80 besed). Dolžini besedil smo izbrali glede na že obstojece norme hitrosti branja besedil dolžine 80 besed v slovenšcini za osemletne otroke. Pri posamezni dolžini besedila smo obliko­vali po eno besedilo, za katero smo predvideli, da bo preprostejše, in eno, za katerega smo predvideli, da bo zahtevnejše. Bralno razumevanje vsakega od besedil prever­jamo s petimi vprašanji, tremi z odgovori izbirnega tipa in dvema z odgovori tipa da/ne, ki so med posa­meznimi besedili primerljiva in prilagojena tako, da ustrezajo vsebini dolocenega besedila. Prva naloga pri vsakem besedilu vsebuje odgovore v obliki sli-cic. Otrok izbere tisto, ki se najbolj ujema z vsebino besedila, pri cemer se izbrani motivi vseh možnih odgovorov skladajo s širšo tematiko besedila. Dru-go vprašanje sprašuje, o cem govori besedilo, le da so tokrat podani odgovori besedilni. Tretje vprašanje podrobneje sprašuje, kaj je pocel subjekt v besedilu, pri cetrtem in petem vprašanju pa je treba oceniti pravilnost oz. napacnost trditve. Preizkus dopušca možnost vkljucitve naprave za sledenje pogledu, s katero bi bilo preverjanje hitro­sti branja natancnejše, hkrati pa bi lahko bralce raz­vršcali v skupine po podobnosti vzorcev branja na podlagi strojnega ucenja. Epidemiološke razmere v casu izvajanja raziskave žal niso dopušcale testiranja v laboratoriju z opremo za sledenje ocesnim gibom; te raziskave bomo opravili takoj, ko bo mogoce. Milena Košak Babuder, Blažka Korun, Ema Štarkl, Gaja Nenadovic, Dušica Boben, Erika Stankovic, Sara Jakop, Luka Vranješ4, Karmen Javornik, Jure Žabkar: Racunalniško podprto prepoznavanje zgodnjih znakiov disleksije Slika 2: Preizkus za preverjanje hitrosti branja in bralnega razumevanja Preizkus fonološkega zavedanja Splošna oblika nalog je: »Beseda je x, x. Kaj dobiš, ko re­ceš x brez y?«, pri cemer je x beseda, iz katere je treba izlociti glas y. Primer naloge iz preizkusa: Beseda je dres, dres. Kaj dobiš, ko receš dres brez d? Pri vsaki nalogi se zaporedoma zaslišijo trije mo-žni odgovori, od katerih je en pravilen. Otrok mora za vsak odgovor dolociti, ali je pravilen ali napacen. Ko dolocen odgovor oznaci kot pravilnega, nadaljuje z naslednjo nalogo, za vse morebitne preostale, neoz­nacene odgovore pa se šteje, kot da jih je oznacil za napacne. Med podajanjem odgovorov pri doloceni nalogi lahko s pritiskom na ikono zvocnika na zaslo-nu ponovno posluša postavko. Preizkus vsebuje 12 tockovanih nalog. Besede, iz katerih je treba izlociti glas, so štiricrkovne besede z enim soglasniškim sklopom. Soglasniški sklop se v enakomernih deležih besed pojavi na zacetku, v sre­dini in na koncu besede. Glas, ki ga je treba izlociti, je v polovici besed prvi v soglasniškem sklopu, v po­lovici besed pa drugi. Polovica besed je izmišljenih, polovica pa pravih. Vrstni red nalog je nakljucen, a pri vsakem reševanju preizkusa isti. Vsaka naloga vsebuje tri možne odgovore, pravilni odgovor pa je v enakomernih deležih števila nalog prvi, drugi ali tretji izmed podanih. Preizkus delovnega spomina Splošna oblika naloge je: »Nahrani x«, pri cemer je x zaporedje živali. Primer naloge iz preizkusa: Nahrani konja, kozo, miš. Zaporedje je podano v obliki zvocnega posnetka ob praznem zaslonu, na katerem se nato pojavi šest slicic razlicnih živali, ki so enakomerno razporejene v dve vrsti (Slika 3). Živali so prebrane v ritmu ena žival na sekundo. Otrok nato nahrani živali z zapo­rednimi kliki na slicice živali v istem vrstnem redu, kot jih je slišal. Ko zakljuci s hranjenjem, klikne na pušcico, živaliizginejo in po treh sekundah se zasliši novo zaporedježivali. Posamezne živali se pojavljajo pri vseh zapored­jih v približno enakomernih deležih, v posameznemzaporedju pa se ista žival ne pojavi vec kot enkrat. Pri­kazane živali so nakljucno izbrane tako, da nikoli niprikazanih vec vizualno ali semanticno podobnih živa­li (na primer koza in ovca) hkrati. Pred prikazom reše­vanja naloge je otrok seznanjen z vsemi živalmi tako,da se prikažejo vse slicice iz naloge, opremljene pa so zzvocnim posnetkom in izpisom imena prikazane živali. V testnem delu se dolžina zaporedja živali sto­pnjuje. Najkrajša dolžina je dve enoti, najdaljša pa šest enot. Za vsako dolžino preverjamo tri zapored­ja, skupaj torej 15 zaporedij. Pred vsako spremembo dolžine zaporedja se predvaja zvocni posnetek, ki otroka na to spremembo opozori. Predvidevali smo, da bo poleg dolžine zaporedja k vecji težavnosti na-log prispevala tudi dolžina enot (besed) v posame­znem zaporedju. Tako smo pri zaporedjih znotraj ene dolžine in razlicnih dolžin vkljucili cedalje vec cedalje daljših besed. Najdaljša dolžina imena živali je šest crk, najvecje število zlogov v imenu pa tri. Milena Košak Babuder, Blažka Korun, Ema Štarkl, Gaja Nenadovic, Dušica Boben, Erika Stankovic, Sara Jakop, Luka Vranješ4, Karmen Javornik, Jure Žabkar: Racunalniško podprto prepoznavanje zgodnjih znakiov disleksije Slika 3: Preizkus za preverjanje delovnega spomina 3.4 Potek raziskave Za pridobivanje vzorca otrok smo se obrnili na rav­natelje, šolske svetovalne delavce in ucitelje osnov­nih šol po vsej Sloveniji, ki so staršem otrok tretjega razreda posredovali naše vabilo ter pripravljeno so-glasje za sodelovanje v raziskavi. Vabilo k sodelova­nju so šolski strokovni delavci posredovali tudi med svojie kolege in znance na sosednjih šolah. Ob pre­jetju izpolnjenega soglasja smo staršem posredovali navodila za uporabo in dostop do aplikacije. Otroci so v aplikacijo s preizkusi dostopali z racunalnikom. Aplikacija je pripravljena tako, da so lahko otroci pri izpolnjevanju cim bolj samostojni. Starši ali skrbni­ki so ob posredovanju soglasja dobili dovolj navodil za pomoc otroku, ce bi jo ta potreboval. Sodelovanje otrok v raziskavi je bilo prostovoljno. Podatki oz. re-zultati so se zbirali anonimno 12 dni (od 17. 11. do 29.11.2020). Za predhodno dolocanje težavnosti besedil v preizkusu branja in bralnega razumevanja smo uporabili spletno aplikacijo berljivosti besedila, ki je nastala v okviru projekta Za kakovost slovenskih ucbenikov (KaUc ). Za posamezne preizkuse smo izra-cunali percentilne vrednosti, za opis kljucnih znacil­nosti pa smo uporabili opisno statistiko. REZULTATI Z RAZPRAVO Otroci so reševali štiri preizkuse, s katerimi smo preverjali uspešnost na podrocjih, ki so pri disleksiji pogosto ovirana. Preizkusi so preverjali razumeva­nje koncepta zaporedij, hitrost branja in bralno razu­mevanje, fonološko zavedanje ter delovni spomin, kar so nekatera od kljucnih podrocij, na katerih ima­jo osebe z disleksijo težave (Magajna in sod., 2015). V raziskavi je sodelovalo 43 otrok tretjega razreda, starih osem in devet let. Zanimalo nas je, kakšni so osnovni parametri opisne statistike in kakšna je razporeditev rezultatov (percentilne vrednosti) pri posameznih preizkusih a) glede na število pravilno rešenih primerov in b) glede na povprecen cas reše­vanja ter kakšna je težavnost besedil, vkljucenih v preizkus branja in bralnega razumevanja. 4.1 Število pravilno rešenih primerov Zanimali so nas osnovni parametri opisne statistike in razporeditev rezultatov (percentilne vrednosti) pri posa- meznih preizkusih glede na število pravil-no rešenih primerov. Otroci, ki imajo svoj rezultat na posameznem preizkusu pod 25. percentilom v po­pulaciji, spadajo v skupino otrok, za katere obstaja tveganje za obstoj izrazitejših ucnih težav (Weedon in Reid, 2018). Ker nizki rezultati na teh preizkusih nakazujejo tveganje za pojav disleksije, je pri teh otrocih smiselna poglobljena diagnosticna ocena. Pri preizkusu zaporedij je bilo možnih 8 tock (4 tocke za del, ki se je nanašal na besedna zaporedja, 4 tocke za del, ki se je nanašal na številska zaporedja), pri preiz­kusu branja in bralnega razumevanja 20 tock (5 tocka za vsako od štirih besedil), pri preizksu fonološkega zavedanja je bilo možnih 12 tock, pri preizkusu de­lovnega spomina pa 15 tock. Na podrocju zaporedij so otroci z najvišjim rezul­tatom dosegli vseh 8 tock, tisti z najnižjim rezultatom pa polovico možnih tock. Otrokov napredek je gle­de na vzorec ustrezen, ce se njegov rezultat nahaja Milena Košak Babuder, Blažka Korun, Ema Štarkl, Gaja Nenadovic, Dušica Boben, Erika Stankovic, Sara Jakop, Luka Vranješ4, Karmen Javornik, Jure Žabkar: Racunalniško podprto prepoznavanje zgodnjih znakiov disleksije Tabela 1: Opisna statistika pri posameznih preizkusih glede na število pravilno rešenih primerov Zaporedja Besede Števila Skupaj Bralno Fenološko Delovni spomin razumevanje zavedanje Skupno št. primerov 4 4 8 201215 minimum 1 2 4 114 0 25. percentil 4 7 149 5 Mediana (50 percentil) 4 4 8 17107 75. percentil 4 4 8 19119 maksimum 4 4 8 201213 Aritmeticna sredina 3,63 3,79 7,42 16,36 9,73 6,95 Standardni odklon 0,72 0,51 1,02 2,80 1,87 2,74 blizu mediane (8 tock) oz. se nahaja najvec 1 tocko pod tem rezultatom. Pri preizkusu branja in bralnega razumevanja so otroci z najvišjim rezultatom dose-gli vseh 20 tock, otroci z najnižjim rezultatom pa 11 tock. Otrokov napredek je glede na vzorec ustrezen, ce se njegov rezultat nahaja okoli mediane (17 tock) oz. se nahaja najvec 3 tocke pod tem rezultatom. Pri preizkusu fonološkega zavedanja so otroci z najviš­jimi rezultati dosegli vseh 12 tock, tisti z najnižjimi pa 4 tocke. Otrokov napredek je glede na naš vzorec ustrezen, ce se njegov rezultat nahaja blizu 50. percen­tila (mediane) oz. se nahaja najvec 1 tocko pod temrezultatom. Na podrocju delovnega spomina so otrocidosegli najvec 13 od skupno 15-ih tock, eden otrok pani dosegel nobene tocke. Otrokov napredek je glede navzorec ustrezen, ce se njegov rezultat nahaja okoli me-diane (7 tock) oz. najvec 2 tocki pod tem rezultatom. Na sliki 4 je prikaz rezultatov tock predstavljen graficno. Glede na to, da je bil vzorec otrok, ki so re-ševali preizkuse, zelo majhen, v njem pa so bili tako otroci, za katere njihovi starši menijo, da imajo bral-no napisovalne težave, ki bi lahko bile povezane z disleksijo, kot tudi otroci brez težav, nismo pricako­vali normalne porazdelitve rezultatov, ki je znacilna za populacijo. Prav tako tudi težko sklepamo, ali so naloge dovolj težke in dovolj obcutljive, da lahko na osnovi rezultatov zakljucimo, ali so otrokovi nizki rezultati povezani z disleksijo. Pri preizkusu zapo­redja (slika 4, preizkus 1) je vec kot polovica otrok dosegla vse možne tocke, 10 jih je doseglo le eno toc­ko manj, medtem ko je le pet otrok doseglo 4 do 5 tock. Preizkus je bil glede na rezultate za otroke na­šega vzorca lahek, kar pa ne pomeni, da ne bi dobro locil otrok z disleksijo od otrok brez nje. Enako ve­lja tudi za druge preizkuse, za katere je iz graficnih prikazov razvidno (slika 4, preizkusi 2, 3 in 4), da je pri reševanju le majhno število otrok doseglo malo tock. Najvecjo razpršenost rezultatov lahko vidimo pri preizkusu delovnega spomina (slika 4, preizkus 4), ki ga je reševalo 41 otrok. Najvec (9) jih je doseglo 7 tock, 16 otrok je doseglo manj in 16 otrok vec kot sedem tock. Le en otrok med njimi ni dosegel nobene tocke, dva, ki sta dosegla najvec tock, pa sta od sku­pno 15-ih dosegla 13 tock. 4.2 Povprecen cas reševanja Zanimali so nas osnovni parametri opisne statistike in razporeditev rezultatov (percentilne vrednosti) pri posameznih preizkusih glede na povprecen cas reševanja. Rezultati v preglednici 2 prikazujejo povprecen cas, ki so ga otroci porabili za reševanje posamezne naloge vsakega preizkusa. Pri preizkusu koncepta zaporedja je najhitrejši otrok za rešitev posamezne naloge v povprecju potreboval 13,38 sekunde, najpo-casnejši pa 59,42 sekunde. Pri preizkusu fonološkega zavedanja je otrok, ki je hitro reševal naloge, pora­bil za odgovor v povprecju 1,15 sekunde, otrok, ki je bil najpocasnejši pa je za odgovor povprecno po­treboval 12,69 sekunde. Pri preizkusu, s katerim smo preverjali delovni spomin, povprecen cas reševanja prikazuje cas, v katerem je otrok rešil nalogo tako, da je kliknil na vse živali v zahtevanem vrstnem redu. Najhitrejši otrok je potreboval za posamezno nalogo v preizkusu v povprecju 3,11 sekunde, najpocasnejši pa 72,38 sekunde. Ker je preizkus aplikacije potekal samostojno v domacem okolju, otrok med reševanjem nismo mo-gli nadzirati, kot bi jih lahko na primer pri preizkusu v ucilnici. Zato moramo biti pozorni na morebitno Milena Košak Babuder, Blažka Korun, Ema Štarkl, Gaja Nenadovic, Dušica Boben, Erika Stankovic, Sara Jakop, Luka Vranješ4, Karmen Javornik, Jure Žabkar: Racunalniško podprto prepoznavanje zgodnjih znakiov disleksije Slika 4: Histogrami prikazujejo število pravilno rešenih primerov za vsak preizkus. napacno razlago nekaterih casov reševanja. Glede na zelo nizke minimalne case reševanja pri posameznih preizkusih bi lahko sklepali, da so nekateri otroci re-šitve potrdili, ne da bi se trudili za pravilnost rešitev (npr. nakljucno potrdili ali zavrnili ponujeni odgovor, potrdili odgovor, ne da bi prebrali besedilo). Hkrati ne moremo vedeti razloga za dosežen nadpovprecno dolg cas branja besedil iz drugega preizkusa. Razlog so lahko izrazito pocasno branje, pocasno procesira­nje in obdelava informacij (kar so tudi simptomi di­sleksije), lahko pa je otrok za reševanje porabil veliko casa, ker je med reševanjem za nekaj casa prenehal brati besedilo, ni pa prekinil povezave z aplikacijo. Vpogleda v to, kaj je otrok pocel med reševanjem nalog nimamo, lahko pa preverimo pravilnost odgo­vorov pri otrocih, ki so reševali zelo hitro. Ce je otrok reševal nadpovprecno hitro in dosegel dober rezul-tat, lahko sklepamo, da je naloge reševal korektno, ce pa se nadpovprecno hitremu casu pridružijo še zelo slabi rezultati, lahko sklepamo, da je otrok naloge reševal nekorektno. Individualnega reševanja posa­meznikov na podlagi primerjave hitrosti reševanja Milena Košak Babuder, Blažka Korun, Ema Štarkl, Gaja Nenadovic, Dušica Boben, Erika Stankovic, Sara Jakop, Luka Vranješ4, Karmen Javornik, Jure Žabkar: Racunalniško podprto prepoznavanje zgodnjih znakiov disleksije Tabela 2: Opisna statistika pri posameznih preizkusih glede na povprecen cas reševanja nalog (v sekundah) Zaporedja Bralno razumevanje cas reševanje cas branja Fenološko zavedanje Delovni spomin minimum 13.38 2.54 4.05 1.15 3.11 25. percentil 23.17 35.70 14.96 2.12 14.57 Mediana (50 percentil) 29.04 62.36 20.06 3.17 18.19 75. percentil 38.47 90-88 28.57 4.25 25.87 maksimum 59.42 229.15 63.98 12.69 72.38 Aritmeticna sredina 32-07 70.43 22.25 3.56 21.38 Standardni odklon 12.46 49.63 12,06 2.05 12,18 in pravilnosti odgovorov v okviru tega prispevka ni­ smo ocenjevali, saj to ni njegov namen. Pri nadaljnji uporabi aplikacije bo to eden od nacinov preverjanja korektnosti reševanja preizkusov. Dobljeni rezultati kažejo, da bi bilo koristno, da je pri izvajanju reševanja preizkusov za ugotavljan­je zgodnjih znakov disleksije z aplikacijo PKP– Di-sleksija prisotna odrasla oseba, ki nadzoruje potek reševanja (na primer šolska knjižnicarka, osebje zdravstvenega doma ali pri domacem reševanju eden izmed staršev, ki je prejel primerna navodila za spremljanje otroka pri reševanju). Ker je predvideni primarni namen koncne aplikacije ocena tveganja pri individualnih testirancih in ne statisticno zbira­nje podatkov, je tudi problem kratkih in dolgih casov reševanja nekoliko lažje obvladljiv; kratek cas skupaj s slabim rezultatom lahko kaže na neustrezno reše­vanje nalog, dolg cas reševanja pa je lahko tudi od dobrem rezultatu pokazatelj morebitnega tveganja za disleksijo. Ce je aplikacija namenjena domaci upo­rabi, moramo tudi na podlagi dobljenih rezultatov pricakovati, da nekateri uporabniki ne bodo sledili navodilom, kar pa bo imelo za posledico tudi napac­no oceno tveganja za disleksijo, kar pa ne bo vplivalo na uporabnost aplikacije za tiste, ki jo bodo ustrezno uporabljali v skladu z njenim namenom. 4.3 Težavnost vkljucenih besedil Težavnost besedil, vkljucenih v preizkus branja in bralnega razumevanja, je pomembna, saj morajo biti besedila dovolj enostavna, da so primerna za otroke tretjega razreda. Hkrati morajo besedila po težavnosti ustrezno narašcati, kot smo predvideli, in vsebovati dovolj specificnih znacilnosti, ki bi lahko pri branju povzrocile težave otrokom z disleksijo. Težavnost besedil smo ocenjevali z aplikacijo, ki je nastala v okviru projekta Za kakovost slovenskih ucbe­nikov (KaUc ). Pri oblikovanju besedil smo upoštevali naslednje kriterije, ki pri branju znacilno ovirajo osebe z disle­ksijo: . skupno število povedi,. število eno- in vecstavcnih povedi,. število stavkov v vecstavcnih povedih, • število besed s tremi ali vec zlogi,. število besed s soglasniškimi sklopi,. število soglasniških sklopov v besedi in. število soglasnikov v soglasniškem sklopu. Oblikovali smo štiri besedila, dve krajši (35 besed) in dve daljši (80 besed). Pri posamezni dolžini smo predvideli po eno preprostejše in eno zahtevnejše besedilo. V casu razvoja aplikacije PKP– Disleksija aplikacija za preverjanje težavnosti besedil v sloven-skem jeziku še ni bila na voljo. Zato smo s spletno aplikacijo, nastalo v okviru projekta Za kakovost slo­venskih ucbenikov (KaUc ), preverili že koncna obliko­vana besedila. Oblikovana besedila so se izkazala za preprosta in kot takšna primerna za mlajše otroke; tudi njihova težavnost narašca, kot smo predvideli. Glede na av-tomatski indeks berljivosti in indeks Coleman-Liau, ki kot kriterij upoštevata dolžino besed in povedi, se je izkazalo, da sta tako krajše kot daljše zahtevnejše besedilo dosegla višje vrednosti težavnosti kot obe enostavnejši besedili. Slika 5 prikazuje graficne pri­kaze berljivosti glede na avtomatski indeks berljivo­sti v aplikaciji KaUc. KaUc namrec še nima posebnega ocenjevanja za besedila, napisana za otroke, temvec ocenjuje besedila glede na vsa besedila v slovenskem prostoru, tudi za odrasle. Milena Košak Babuder, Blažka Korun, Ema Štarkl, Gaja Nenadovic, Dušica Boben, Erika Stankovic, Sara Jakop, Luka Vranješ4, Karmen Javornik, Jure Žabkar: Racunalniško podprto prepoznavanje zgodnjih znakiov disleksije Slika 5: Graficni prikazi berljivosti glede na avtomatski indeks berljivosti iz aplikacije KaUc za besedila iz preizkusa z branjem in bralnim razumevanjem. Pri prvem (krajšem in preprostejšem) besedilu je aplikacija izpostavila dve redki besedi, nobena beseda pa ni bila zunaj ucbeniškega besedišca. Pri drugem (daljšem in enostavnješem) besedilu je bilo izpostavljenih 17 redkih besed, šest pa jih je bilo zu­naj ucbeniškega besedišca. Pri tretjem (krajšem in zahtevnejšem) besedilu je bilo izpostavljenih sedem redkih besed, ena pa je bila zunaj ucbeniškega bese­dišca. Pri cetrtem (daljšem in zahtevnejšem) besedilu je aplikacija prav tako izpostavila sedem redkih be-sed, tri pa so bile zunaj ucbeniškega besedišca. Glede na ta dva kriterija je bilo drugo besedilo bolj težavno kot cetrto, ceprav je bil naš cilj ravno obraten. Pri analizi izpostavljenih redkih besed iz drugega besedila smo ugotovili, da je aplikacija kot redke iz­postavila nekatere besede, za katere tega nismo pri-cakovali (npr. muca, tacko, zunaj, macje, stekla (dele­žnik glagola steci), košata). Po drugi strani v cetrtem besedilu kot redke niso bile oznacene nekatere bese­de, ki smo jih v besedilo vkljucili namerno, da bi ga naredili zahtevnejšega (npr. dvorišca, prehitel, steza, cvetocega, skrbno, priklenila, se podala, pricakali). Ceprav redkost izbranih besed v besedilih nakazuje obratno od naših namer pri oblikovanju besedil, ta kriterij ni edini, ki otrokom z disleksijo otežuje bra-nje. Bolj pozorni smo bili, da smo v zahtevnejša be-sedila vkljucili besede z vec soglasniškimi sklopi, pri katerih lahko otroci z disleksijo pogosteje naredijo napako pri branju ne glede na pogostost pojavljanja te besede. Ceprav ostajamo kriticni do tega, da bi lah­ko imela redkost pojavljanja nekaterih oznacenih be-sed (npr. muca, tacko, macje) v splošnih slovenskih besedilih velik vpliv na berljivost in težavnost bese­dila pri otrocih,1 bi lahko v prihodnje pri oblikovanju novih besedil bolj upoštevali tudi ta kriterij. Da je drugo besedilo najzahtevnejše, bi lahko po­trdilo tudi dejstvo, da je to edino besedilo, pri kate-rem je aplikacija izpostavila eno možno težavo pri branju povedi. Izpostavljena je bila namrec poved z vec kot 10 besedami. Ob ponovnem pregledu besedil smo ugotovili, da drugo besedilo vsebuje dve povedi, daljši od 10 besed. Vredno se zdi izpostaviti tudi, da pri cetrtem besedilu, ki vsebuje štiri povedi, daljše od 10 besed, ni bila izpostavljena nobena. Preverili smo, ali katero od besedil znotraj povedi vsebuje stavke z vec kot 10 besedami, pri cemer se je izkazalo, da pri drugem besedilu najdaljši stavek šteje natancno 10 besed, vsi drugi pa so krajši, cetrto besedilo pa Milena Košak Babuder, Blažka Korun, Ema Štarkl, Gaja Nenadovic, Dušica Boben, Erika Stankovic, Sara Jakop, Luka Vranješ4, Karmen Javornik, Jure Žabkar: Racunalniško podprto prepoznavanje zgodnjih znakiov disleksije vsebuje en stavek znotraj daljše povedi, ki vsebuje 11 besed in en stavek znotraj druge povedi, ki vsebuje 10 besed. Zaradi teh netocnosti v aplikaciji KaUc smo se odlocili zahtevnosti oblikovanih besedil pri ana­lizi rezultatov posvetiti vec pozornosti in preveriti, v kolikšni meri se je težavnost besedil pokazala pri odgovorih otrok v neslucajnostnem vzorcu. Glede na število pravilnih odgovorov je iz slike 6 razvidno, da je bilo za otroke v populaciji prvo besedilo res najpreprostejše, saj je na vsa vprašanja pravilno odgovorilo 25 otrok, vsi pa so pravilno od­govorili vsaj na tri vprašanja. Drugo besedilo je od prvega daljše, a smo želeli ohraniti približno enako stopnjo težavnosti kot pri prvem besedilu. Res se šte­vilo otrok, ki so pravilno odgovorili na vsa vpraša­nja spusti na 14, najvec otrok je doseglo štiri pravilne odgovore, vsi pa so pravilno odgovorili vsaj na dve vprašanji. Otroci s samo dvema pravilnima odgovo­roma so bili trije. Tretje in cetrto besedilo sta se iz­kazala za besedili s podobno stopnjo težavnosti, kot smo predvideli pri oblikovanju, kar je razvidno iz na videz zelo podobnih histogramov, v katerih število pravilnih odgovorov približno eksponentno narašca. Pri obeh besedilih je najvec otrok doseglo vse pra­vilne odgovore, in sicer 17. Podobno število otrok je pravilno odgovorilo na štiri vprašanja, nekoliko bolje jim je šlo pri tretjem, med obema krajšem besedilu. Pri obeh besedilih po en otrok ni odgovoril pravilno na nobeno vprašanje, pri cetrtem pa je še en otrok odgovoril pravilno le na eno, kar se pri obeh eno- Slika 6: Histogrami prikazujejo število pravilno rešenih primerov pri vsakem besedilu v drugem preizkusu. Milena Košak Babuder, Blažka Korun, Ema Štarkl, Gaja Nenadovic, Dušica Boben, Erika Stankovic, Sara Jakop, Luka Vranješ4, Karmen Javornik, Jure Žabkar: Racunalniško podprto prepoznavanje zgodnjih znakiov disleksije stavnejših besedilih ni zgodilo. Pri cetrtem, daljšem besedilu je tri ali manj pravilnih odgovorov doseglo 10 otrok, pri tretjem, krajšem pa devet, vendar je bil med njimi delež tistih, ki so pravilno odgovorili na tri vprašanja, vecji pri cetrtem besedilu. Drugo besedilo najbolj izstopa tudi med prikazi v histogramih, saj je bilo to edino besedilo, pri katerem je najvecji delež otrok v populaciji pravilno odgovoril na štiri vprašanja, in ne na vseh pet, kot pri drugih besedilih. Prav tako je število otrok, ki so pravilno od­govorili na vsa vprašanja za tri manjše kot pri obeh predvidoma zahtevnejših besedilih. Odlocili smo se podrobneje preveriti, ali je bil slabo reševan celoten preizkus, kar bi potrjevalo tezo o zahtevnost tega be-sedila, ali je morda katero izmed vprašanj pretežko in razlog za slabše reševanje verjetno ni zahtevnost besedila. Izkazalo se je, da je na 1., 3., 4. in 5. vprašanje pravilno odgovorilo med 36 in 42 otrok, drugo vpra­šanje pa je zelo izstopalo, saj je bilo pravilnih odgo­vorov približno za polovico manj, in sicer 21. Drugo vprašanje je pri vseh besedilih enako: »O cem govori besedilo? Izberi odgovor, ki se najbolj ujema z vsebino bese­dila.« Pri vseh besedilih smo predvideli dva odgovo­ra, ki se ujemata z vsebino besedila (pri drugem be-sedilu je kot pravilen predviden odgovor: O mucinem nocnem sprehodu), le da se eden od njiju nanaša samo na dolocen motiv iz besedila in ne na celotno bese­dilo, zato je ta odgovor predviden kot napacen (O macjih prijateljih.). Tretji predvideni odgovor je sicer možno delno povezati z motivi iz besedila, a je glede na celotno besedilo popolnoma napacen (O spanju.), cetrti pa sploh nima povezave s tematiko besedila (O stavbah.). Glede na vsebino besedila smo bili pri obli­kovanju dveh podobnih odgovorov pri drugem vpra­šanju, ki se nanaša na drugo besedilo, glede na prido­bljene podatke prestrogi in bomo morali v prihodnje oblikovati nove odgovore, ki bodo tudi bolje razlocili med otroki s težavami in tistimi brez njih. Iz opisanega lahko sklepamo, da smo ne glede na nepredvideno oceno berljivosti iz aplikacije za oce-no berljivosti besedil v slovenskem jeziku, nastale v okviru projekta KaUc, besedila oblikovali v skladu s svojim namenom. Pri drugem besedilu je bil glede na rezultate razlog za slabšo reševanost nalog namrec v predvidenih odgovorih na eno izmed vprašanj in ne v neprimerni zahtevnosti samega besedila, ki jih bomo zato v prihodnje po potrebi prilagodili. Kljub temu je aplikacija za ocenjevanje težavnosti besedil odprla nove poglede na oblikovana besedila, ki jih nismo predvideli. V prihodnje bo lahko v pomoc pri oblikovanju besedil za otroke z disleksijo. 5 ZAKLjUceK Aplikacijo za zgodnje odkrivanje znakov disleksije smo razvili za hitrejše in bolj tocno prepoznavanje otrok, pri katerih je prisotno tveganje za pojav di­sleksije. Z njo želimo prispevati k hitrejšemu in zgo­dnejšemu prepoznavanju težav na podrocjih, ki so ti-picna za disleksijo, ter k pravocasnemu ukrepanju. Z zgodnjim ukrepanjem oz. usmerjeno ucno pomocjo lahko preprecimo, da bi se težave poglobile in raz­širile na vsa ucna podrocja otrokovega delovanja. V Sloveniji podobnih testov za prepoznavanje disleksi­je v elektronski obliki še ni; obstajajo klasicna testira­nja otrok ob prisotnosti strokovnjaka, vendar zaradi daljših cakalnih dob in težje dostopnosti (v primer-javi s spletno aplikacijo) obravnava otroka zamuja, s cimer izgubljamo dragocen cas za pomoc otrokom z disleksijo. Potrebo po elektronskem testiranju je pre­poznala tudi stroka, ki si ob aplikaciji za testiranje želi še razvoja locene aplikacije z vajami za tiste, pri katerih bi ugotovili znake disleksije. Ob analizi rezultatov raziskave opažamo, da vnekaterih primerih rezultati predvsem z vidika po­rabljenega casa izrazito odstopajo v obe skrajnosti. Vnekaterih primerih porabljen cas pri posamezni nalogiobcutno presega predviden cas, ki bi ga otrok porabilza nalogo tudi v primeru izrazitejših težav, v nekaterihdrugih primerih pa je porabljen cas izrazito kratek inmenimo, da ni sorazmeren z obsegom oz. z zahtevaminaloge. V obeh primerih so posledica rezultati, ki nedajejo nujno realnih informacij in jih zato ne moremouporabiti v prvotno predviden namen. Menimo, da bise opisanemu lahko izognili tako, da bi otrok nalogev aplikaciji reševal ob prisotnosti usposobljene osebe,ki bi mu pomagala pri morebitnih tehnicnih težavah,bi imela informacije o morebitnih prekinitvah reševa­nja in drugih nepredvidenih dejavnikih, o katerih v tejraziskavi nismo imeli informacij, hkrati pa ne bi bilacustveno vpletena v situacijo in otroku ne bi pomagalapri reševanju posameznih nalog. S preizkusom aplikacije v praksi na neslucajno­stnem vzorcu, v katerega nismo namensko vkljuce­vali otrok z diagnosticirano disleksijo, smo pridobili prve preliminarne statisticne podatke o aplikaciji, s cimer smo dobili vpogled v reševanje oblikovanih preizkusov in nalog. Na podlagi tega bomo ustre­zno prilagodili nadaljnje zbiranje podatkov in izpo­ Milena Košak Babuder, Blažka Korun, Ema Štarkl, Gaja Nenadovic, Dušica Boben, Erika Stankovic, Sara Jakop, Luka Vranješ4, Karmen Javornik, Jure Žabkar: Racunalniško podprto prepoznavanje zgodnjih znakiov disleksije polnjevanje ocene tveganja za disleksijo. Hkrati smo na podlagi pridobljenih podatkov opazili nekatere pomanjkljivosti pri oblikovanju nalog, kar nam bo v prihodnje koristilo pri preoblikovanju nalog tako, da bodo cim bolje diskriminirale med otroki s tvega­njem za disleksijo in tistimi brez njega. Analiza zbranih podatkov je odprla možnosti za nadaljnje raziskovanje, s katerim želimo podrobne­je preveriti tocnost aplikacije pri odkrivanju znakov disleksije pri splošni populaciji osemletnih otrok. V prihodnja testiranja v nenadzorovanem okolju bomo vkljucili vecje število otrok, nacrtujemo pa tudi testi­ranje v nadzorovanem okolju z uporabo tehnologije za sledenje ocesnim gibom, ki ga epidemiološke raz-mere v casu te raziskave niso dopušcale. K sodelo­vanju bomo povabili tudi otroke z diagnosticirano disleksijo, primerjava njihovih rezultatov z rezulati otrok brez disleksije pa bo kljucno pripomogla pri ugotavljanju uporabne vrednosti aplikacije. 6 ZAHVALA Aplikacijo smo razvili v okviru projekta PKP– Di-sleksija. Projekt sofinancirata Republika Slovenija in Evropska unija iz Evropskega socialnega sklada. 7 LITeRATURA [1] Chen, C., Schneps, M. H., Masyn, K. E. & Thomson, J. M. (2016). The effects of visual attention span and phonologi­cal decoding in reading comprehension in dyslexia: a path analysis. Dyslexia, 22(4), 322–344. [2] Chung, K. K. H., Lam, C. B. & Leung, C. O. Y. (2020). Con­tributions of executive functioning to Chinese and English reading comprehension in Chinese adolescent readers with dyslexia. Reading and Writing: An Interdisciplinary Journal. [3] Drigas, A. & Politi-Georgousi, S. (2019). ICTs as a Distinct De­tection Approach for Dyslexia Screening: A Contemporary View. International Journal of Online Engineering (iJOE), 15(13), 46–60. [4] Elley, W. B., Gradišar, A. & Lapajne, Z. (1995). Preizkus bral­nega razumevanja. Educa. Gradišar, A. & Pecjak, S. (1991). Enominutni test glasnega branja. Pedagoški inštitut. [5] Jeffries, S. & Everatt, J. (2004). Working memory: Its role in dyslexia and other specific learning difficulties. Dyslexia, 10(3), 196–214. [6] Košak Babuder, M. (2013). Dijaki z disleksijo v srednji šoli - pomoc in podpora. Šolsko svetovalno delo : revija za svetoval­ne delavce v vrtcih, šolah in domovih, 17 (1/2), 14–21. [7] Košir, J. (2011). Formativno ocenjevanje s preizkusom tekoc­nosti branja, ki temelji na kurikulu. (L. M. in M. Velikonja, Ur.). V L. M. in M. Velikonja (Ur.), Ucenci z ucnimi težavami: pre­poznavanje in diagnosticno ocenjevanje, Univerza v Ljubljani, Pedagoška fakulteta. [8] Lauterbach, A. A., Park, Y. & Lombardino, L. J. (2017). The roles of cognitive and language abilities in predicting decoding and reading comprehension: comparisons of dyslexia and specific language impairment. Annals of dyslexia, 67 (3), 201–218. [9] Magajna, L. (2011). Prepoznavanje in diagnosticno ocenjeva­nje ucnih težav: osnovna izhodišca in pristopi (L. Magajna & M. Velikonja, Ur.). V L. Magajna & M. Velikonja (Ur.), Ucenci z ucnimi težavami – prepoznavanje in diagnosticno ocenjevanje, Pedagoška fakulteta, Univerza v Ljubljani. [10] Magajna, L., Kavkler, M., Košak Babuder, M., Zupancic Dan-ko, A., Seršen Fras, A. & Rošer Obretan, [11] A. (2015). VII. Otroci s primanjkljaji na posameznih podrocjih ucenja (N. Vovk-Ornik, Ur.). V N. Vovk-Ornik (Ur.), Kriteriji za opredelitev vrste in stopnje primanjkljajev, ovir oziroma motenj otrok s posebnimi potrebami, Zavod RS za šolstvo. [12] Magajna, L. (1994). Razvoj bralnih strategij–vloga kognitivnega in fonološkega razvoja ter fonološke strukture jezika (Doktorska disertacija). Univerza v Ljubljani, Filozofska fakulteta. [13] Menghini, D., Finzi, A., Carlesimo, G. A. & Vicari, S. (2011). Working memory impairment in children with developmental dyslexia: Is it just a phonological deficity? Developmental ne­uropsychology, 36(2), 199–213. [14] Nijakowska, J. (2016). Grasping dyslexia: Bridging the gap between research and practice. Selected papers on theoreti­cal and applied linguistics, 21, 43–58. [15] Palmer, S. (2000). Phonological recoding deficit in working memory of dyslexic teenagers. Journal of Research in reading, 23(1), 28–40. [16] Pecjak, S., Magajna, L. & Podlesek, A. (2012). Ocenjevalna shema bralnih zmožnosti ucencev 1.-3. razreda: OSBZ. Znan­stvena založba Filozofske fakultete Univerze v Ljubljani. [17] Pecjak, S., Magajna, L., Podlesek, A. & Potocnik, N. (2012). Bralni test. Znanstvena založba Filozofske fakultete Univerze v Ljubljani. [18] Peklaj, C. (2012). Ucenci z ucnimi težavami v šoli in kaj lahko stori ucitelj. Znanstvena založba Filozofske fakultete Univerze v Ljubljani. [19] Pham, A. V. & Hasson, R. M. (2014). Verbal and visuospatial working memory as predictors of children’s reading ability. Archives of Clinical Neuropsychology, 29(5), 467–477. [20] Pollak, D. (2009). Neurodiversity in higher education: Po re­sponses to specific learning differences. John Wiley & Sons. [21] Raduly Zorgo, E., Smythe, I., Gyarmathy, É., Košak Babuder, M., Kavkler, M. & Magajna, L. (2010). Disleksija- vodnik za tu­torje. Univerza v Ljubljani, Pedagoška fakulteta. [22] Riddick, B., Wolfe, J. & Lumsdon, D. (2002). Dyslexia: A practical guide for teachers and parents. Routledge. Rooms, M. (2000). Information and Communication Technology and Dyslexia. V J. Towned & M. Turner (Ur.), Dyslexia in Practice: A Guide for Teachers (str. 263–272). Springer Science+Business Media. [22] Schuchardt, K., Bockmann, A.-K., Bornemann, G. & Maehler, C. (2013). Working memory functioning in children with lear­ning disorders and specific language impairment. Topics in Language Disorders, 33(4), 298–312. [23] Siegel, L. S. & Linder, B. A. (1984). Short-term memory pro­cesses in children with reading and arithmetic learning disa­bilities. Developmental psychology, 20(2), 200–207. [24] Singleton, C. (2001). Computer-based assessment in educa­tion. Educational and Child Psychology, 18(3), 58–74. [25] Singleton, C., Horne, J. & Simmons, F. (2009). Computerised screening for dyslexia in adults. Journal of Research in Rea­ding, 32(1), 137–152. [26] Smith-Spark, J., Fisk, J., Fawcett, A. & Nicolson, R. (2003). Inve­stigating the central executive in adult dyslexics: Evidence from phonological and visuospatial working memory performance. European Journal of Cognitive Psychology, 15(4), 567–587. [27] Snowling, M. J. (2013). Early identification and interventions for dyslexia: a contemporary view. Journal of Research in Spe­cial Educational Needs, 13(1), 7–14. Milena Košak Babuder, Blažka Korun, Ema Štarkl, Gaja Nenadovic, Dušica Boben, Erika Stankovic, Sara Jakop, Luka Vranješ4, Karmen Javornik, Jure Žabkar: Racunalniško podprto prepoznavanje zgodnjih znakiov disleksije [28] Standards for educational and psychological testing. (2014). (5–14 let) : prirocnik. Center za psihodiagnosticna sredstva. American Educational Research Association. Šali, B. (1971). [29] Zakon o osnovni šoli ZOsn-UPB3. (2006). Uradni list RS, št. Test motenosti v branju in pisanju (T–MBP). Zavod SR Slove-81/2006. nije za rehabilitacijo invalidov. Weedon, C. & Reid, G. (2018). [30] Zakon o usmerjanju otrok s posebnimi potrebami ZUOPP-1. SNAP-3 : profil ocene posebnih potreb, 3. izdaja : racunalniško (2011). Uradni list RD, št. 58/2011. Žagar, D. (2012). Drugacni podprto ocenjevanje in izdelava profila specificnih ucnih težav ucenci. Znanstvena založba Filozofske fakultete Univerze v Ljubljani. • Dr. milena Košak Babuder je docentka za podrocje specialne in rehabilitacijske pedagogike na Pedagoški fakulteti Univerze v Ljubljani. Na Oddelku za specialno in rehabilitacijsko pedagogiko predava predmete, povezane s prepoznavanjem in ocenjevanjem splošnih in specificnih ucnih težav v vseh življenjskih obdobjih, ter predmete, povezane s strategijami in modeli pomoci za njihovo preprecevanje in odpravljanje. Razi-skovalno se ukvarja z inkluzijo oseb s posebnimi potrebami, vplivom splošnih in specificnih ucnih težav na izobraževalno uspešnost ucencev, dijakov in štu­dentov ter z razvijanjem strategij in oblikovanjem modelov pomoci in obravnav na teh podrocjih, še posebej pa raziskuje vpliv disleksije na ucenje anglešcine kot tujega jezika. Je avtorica in soavtorica vec znanstvenih clankov oz. prispevkov v znanstvenih monografijah in študijah. • Dušica Boben je profesorica matematike in univ. dipl. psihologinja ter direktorica Centra za psihodiagnosticna sredstva – vodilne slovenske za­ložbe za psihološke in sorodne merske pripomocke. Njene izkušnje zajemajo tako razvojno delo in vodenje priredb razlicnih psiholoških merskih pripomockov ter usposabljanja zanje kot tudi njihovo uporabo pri otrocih, mladostnikih in odraslih. • ema Štarkl je študentka magistrske stopnje splošnega jezikoslovja na Filozofski fakulteti Univerze v Ljubljani. Diplomirala je na podrocju teoretic­nega jezikoslovja in geolingvistike oz. narecjeslovja na Oddelkih za primerjalno in splošno jezikoslovje ter za slovenistiko. Na podrocju odkrivanja znakov disleksije s pomocjo IKT je sodelovala na študentskih projektih ŠIPK in PKP. • Karmen javornik je magistrica profesorica specialne in rehabilitacijske pedagogike. Zaposlena je na oddelku za specialno in rehabilitacijsko pedagogiko Pedagoške fakultete Univerze v Ljubljani. Znanja in izkušnje s podrocja specificnih ucnih težav je poleg študija specialne in rehabilita­cijske pedagogike ter razlicnih dodatnih izobraževanj in izpopolnjevanj pridobivala v službi z izvajanjem dodatne strokovne pomoci, individualne in skupinske pomoci ter med prostovoljnim delom na tem podrocju. • erika Stankovic je magistrska študentka na Fakulteti za racunalništvo in informatiko v Ljubljani. Leta 2020 je zakljucila študij Racunalništva in matematike z diplomo z naslovom Prepoznavanje disleksije pri otrocih s pomocjo analize ocesnih gibov. Aktivna je na podrocju prepoznavanja disleksije, trenutno pa se zanima za metode strojnega ucenja in njihovo uporabo. • Gaja Nenadovic je leta 2020 diplomirala iz psihologije na Filozofski fakulteti Univerze v Ljubljani. Trenutno se zanima predvsem za umestitev psihološkega raziskovanja v širši družbeni kontekst • Blažka Korun je študentka 1. stopnje univerzitetnega študija Logopedija in surdopedagogika na Pedagoški fakulteti Univerze v Ljubljani. • Sara Jakop je študentka 1. stopnje visoko-strokovnega študija Racunalništvo in informatika na Fakulteti za racunalništvo in informatiko Univerze v Ljubljani. • Luka vranješ je študent 2. letnika magistrskega študija Podatkovne vede na Fakulteti za racunalništvo in informatiko Univerze v Ljubljani. • Dr. jure Žabkar je docent za podrocje racunalništva in informatike na Fakulteti za racunalništvo in informatiko Univerze v Ljubljani. Je clan Labo­ratorija za umetno inteligenco in predava predmete povezane s programira-njem in umetno inteligenco ter strojnim ucenjem. Raziskovalno se ukvarja s strojnim ucenjem in podatkovno analitiko, kvalitativnim sklepanjem ter razvojem racunalniških sistemov za prepoznavanje disleksije. Je avtor in soavtor vec znanstvenih clankov oz. prispevkov v znanstvenih monografijah in študijah. rAzprAVE Pogovor sodelavcev ob 20-letnici Islovarja Katarina Puc, Niko Schlamberger, Vladimir Batagelj, Tomaž Turk, Ivan Kanic Slovensko društvo INFORMATIKA puckatarina@gmail.com, niko.schlamberger@gmail.com, vladimir.batagelj@fmf.uni-lj.si, tomaz.turk@ef.uni-lj.si, ivan.kanic@gmail. com Izvlecek Prispevek predstavlja dragocen kronološki zapis nastanka in razvoja Islovarja. V pogovoru so podana izhodišca, ki so pred 20 leti privedla do vzpostavitve interaktivnega slovarja za podrocje racunalništva in informatike. Opisani so problemi z izrazoslovjem, na katere so naleteli nacrtovalci tega pomembnega spletnega orodja. Razvoj slovarja je v bistvu sledil uvajanju racunalništva in informa­tike v Sloveniji in hkrati doživljal tudi tehnološke spremembe. Iz prvih skromnih poskusov je prerasel v zrelega mladenica. Kljucne besede: Islovar, spletni slovar, racunalništvo in informatika, strokovna terminologija, prevajanje, interaktivnost Abstract The article presents an invaluable chronological record of the origin and development of Islovar. The discussion presents the starting points that led to the establishment of an interactive dictionary in the field of computer science and informatics 20 years ago. The problems with terminology encountered by the designers of this important online tool are described. The development of the dicti­onary essentially followed the implementation of computer science and informatics in Slovenia while at the same time experiencing technological changes. From its first humble attempts, Islovar has grown into a valuable tool. Keywords: Islovar, online dictionary, computer science and informatics, Slovenian terminology, translation, interactivity Letos praznuje Islovar 20 letnico svojega nastanka in delovanja. Navadnemu uporabniku se zdi tak slo-var nekaj samo po sebi umevnega, dejansko pa lahko pri tem išcemo odgovore na razlicna vprašanja. Kako se je porodila ideja o Islovarju? Kakšni so bili zacetki? Kakšni so bili zgledi? Kakšna je organiziranost ekipe, ki skrbi za Islo-var? Kako se soocajo sodelavci Islovarja z izzivi, ki jih prinaša buren razvoj IKT? Stalno se pojavljajo nove stvari, kaj pa morda tudi zastari ali se vsaj spreminja. Kako vpliva sama sprememba tehnologije na izvedbo Islovarja? Kako lahko primerjamo Islovar s sorodnimi apli­kacijami? Tudi v tujini? Kakšni so pogledi naprej? Odgovore na ta vprašanja lahko poišcemo kar v pogovoru s pionirji tega pomembnega orodja. Pogo-vora so se udeležili Katarina Puc, Niko Schlamber­ger, Vladimir Batagelj, Tomaž Turk in Ivan Kanic. Zabeležil ga je Saša Divjak Katarina Puc, Niko Schlamberger, Vladimir Batagelj, Tomaž Turk, Ivan Kanic: Pogovor sodelavcev ob 20-letnici Islovarja Slika 1: virtualni sestanek udeležencev pogovora Iz porocila o delu jezikovne skupine iz leta 2002 lah­ko preberemo, da smo v marcu 2000 poslali vabilo vsem clanom društva. Izvršni odbor društva je nato potrdil ustanovitev jezikovne sekcije in potem smo se sestali v avgustu v ožji skupini in se dogovorili, da bomo skrbeli za strokovni jezik in da bomo izdali ter­minološki slovar informatike. Spomnim se, da smo se spet sestali decembra. Takrat je bil zraven že Bata­gelj. Pred tem smo se zbrali na Sredinem seminarju in razpravljali, kakšen naj bi bil slovar. Na decembr­skem sestanku smo imeli dva predloga, kako naj bi izgledal. Batagelj je takrat že imel nekaj na internetu in sicer en matematicen in racunalniški slovarcek. Tam je bilo vse, kar je bilo vidno, že popravljeno. To kar se je delalo in urejalo, pa je bilo skrito za uporab­nike. Tomaž pa je prišel z drugo idejo in sicer, da bi bilo vse odprto in da bi bilo vse, kar se dela v Islovar­ju, javno dostopno in vidno. In smo glasovali. Takrat nas je bilo približno 10. Tomažev predlog je zmagal in sta nato z Jurijem Jaklicem delala naprej. Zanimi­vo je, da je tudi Wikipedija iz tistega casa, iz januar­ja 2001, in so tudi imeli 20 letnico, ki so jo svecano obeležili. Mislim, da bi bilo prav, da ob naši obletnici tudi mi opremimo Islovar s pasico z napisom »20 let Islovarja«. Leta 2001 sem za revijo Uporabna informatika napi­sal clanek o slovenskem racunalniškem izrazju [Riz], ki je nastal na osnovi mojega predavanja na konfe­renci Dnevi Slovenske Informatike 2001. Poskusi-mo na hitro povzeti pomembnejše korake v razvoju slovenskega racunalniškega izrazja. Vse skupaj se je zacelo z matematiko. Slovensko matematicno izrazje je zacelo nastajati v 19. stoletju z Mocnikom, ki je bil pisec matematicnih ucbenikov za celo avstro-ogrsko monarhijo, poskrbel pa je tudi za »domace« knjige. Za to, kar je povezano z racunanjem, so za ustrezne izraze poskrbeli matematiki. Matematicno termino­logijo je v 50 letih zbral in izdal Alojzij Vadnal, pro-fesor na Ekonomski fakulteti [MT]. Po drugi strani je v 50 letih v Moskvi študiral France Križanic in ko se je vrnil domov, je napisal knjigo Elektronski aritme­ ticni racunalniki [EAR], ki je najbrž prva slovenska racunalniška knjiga. V njej je vpeljal prve slovenske racunalniške izraze. S tega vidika je ta knjiga še ve­dno zanimiva. Sicer opisuje ruske racunalnike Strela, a tudi vrsto splošnih racunalniških pojmov. V tistem casu je zacela izhajati zbirka Sigma, ki jo izdaja DMFARS. V tej zbirki je bilo objavljenih vec knjig, ki prinašajo nova matematicna znanja, ki so potrebna v racunalništvu. Recimo: Teorija informa­ Katarina Puc, Niko Schlamberger, Vladimir Batagelj, Tomaž Turk, Ivan Kanic: Pogovor sodelavcev ob 20-letnici Islovarja cij (Rajko Jamnik), Osnove matematicne logike (Niko Prijatelj), Numericno reševanje enacb (Zvonimir Bohte) in Verjetnostni racun (Alojzij Vadnal). Tako so v 60 letih matematiki izdali kup knjig, ki so temeljne za racunalništvo. Univerzitetno in raziskovalno racunalništvo se je zacelo z racunalnikom Zuse (1962). Ob tem racunal­niku so nastale tri skupine. Ena je bila na Štefanu, druga na Matematiki, tretja na Fakulteti za elektro­tehniko. Ljudje, ki so delali na Zuseju, so o tem zaceli pisati tudi v slovenšcini. Tedaj je bila dokaj dejavna tudi terminološka komisija pri Elektrotehniški zvezi. Nekateri slovenski racunalnikarji so bili precej de­javni tudi mednarodno. Anton Železnikar in Silvin Leskovar sta uspela »pripeljati« v Ljubljano leta 1971 zelo pomembno konferenco mednarodnega zdru­ženja za informatiko IFIP. Konferenca je pomenila precejšnjo vzpodbudo nadaljnjemu razvoju racunal­ništva pri nas. Ob njej se je zgodilo marsikaj. Ena od pomembnih stvari je, da smo v Ljubljani dobili zelo zmogljiv racunalnik Cyber. Mislim, da v bližnji oko­lici ni bilo zmogljivejšega. Po drugi strani je IFIPvzpodbudil tudi druge de­javnosti. Ob IFIPu je izšla knjiga »Elektronski racu­nalniki«, v kateri so avtorji zbrali takratno racunal­niško znanje [ElR]. Sestavlja jo izbor poglavij iz ra-cunalništva. Za razvoj izrazja pa je zelo pomembno, da so v to knjigo vkljucili tudi štiri jezicni slovarcek racunalniških izrazov. Zdi se mi, da je tu glavno delo opravila terminološka komisija pri Elektrotehniški zvezi Slovenije. IFIPje premaknil marsikaj. Na Matematiki smo takrat bili navdušeni nad knjigami, ki jih je napisal D.E. Knuth: The Art of Computer Programming. Egon Zakrajšek je takrat prilagodil predavanja iz ra-cunalništva na te knjige, ki so prinašale cel kup novih tematik. Zanje je bilo potrebno najti primerne sloven-ske izraze. Leta 1971 se je zacel na Matematiki sestajati semi­nar za numericno in racunalniško matematiko, tako imenovani Sredin seminar [Sre]. Na tem seminarju so se zbirali matematiki in racunalnikarji od vsepo­vsod. Na njem smo pogosto odpirali nove teme in ob tem tudi razpravljali o terminologiji: Kako dolo-cenim stvarem lepo recemo po slovensko? Druga pomembna stvar je bila, da se je zacelo raz­mišljati o uvajanju racunalništva v šole. Po eni strani so na nekaterih fakultetah ob koncu 60-tih in zacetku 70-tih let že imeli posamicne racunalniške predmete, ampak to je bilo pretežno programiranje v fortranu. Po IFIPu pa se je zacelo racunalništvo razvijati v šir­šem smislu. Takrat smo bili kar v »špici« tudi v sve­tovnem merilu. Konec 60-tih let se je racunalništvo zacelo uvaja-ti kot izbirni predmet v nekaterih gimnazijah. Eden od zacetnikov je bil Izidor Hafner. Njegov oce je bil znan politik in je spodbudil direktorja Zavoda za šol­stvo, da so ustanovili skupino, ki naj bi zacela z uva- Slika 2: Naslovnica knjige elektronski racunalniki in delcek slovarcka racunalniških izrazov Katarina Puc, Niko Schlamberger, Vladimir Batagelj, Tomaž Turk, Ivan Kanic: Pogovor sodelavcev ob 20-letnici Islovarja janjem izbirnega predmeta v srednje šole. Uvajanje je usklajeval Branko Roblek. Najprej so pripravili tecaj za ucitelje racunalništva. Ob tej priliki je izšla knjiga, nekakšen prirocnik, ki naj bi uciteljem pomagal pri tem izbirnem predmetu. In seveda, ce se gre z neko snovjo v šole, mora to biti v slovenšcini. Tudi v tej knjigi je bilo zelo veliko narejenega na podrocju slovenskega racunalniškega izrazja. Po-memben rezultat teh prizadevanj je bil ucbenik Uvod v racunalništvo, ki sta ga napisala Ivan Bratko in Vla­dislav Rajkovic. Sredi sedemdesetih let se je kot programski jezik pojavil pascal. Na Matematiki smo ga zaceli upora­bljati leta 1975. Zanj se je navdušil tudi Boštjan Vilfan. V tistih casih se je tudi zacel (leta 1973) študij racu­nalništva na Fakulteti za elektrotehniko [FRI]. Profe­sor Vilfan se je redno udeleževal Sredinega seminarja in se je odlocil, da bo za potrebe študija prevedel dve knjigi/ucbenika Nicholasa Wirtha - avtorja pascala. Pri tem je naletel na vrsto terminoloških problemov, o katerih smo veckrat razpravljali. Vecina teh stvari je tekla v okviru Sredinega seminarja. V osemdesetih letih so prišli mikroracunalniki. Z njimi so si lahko racunalnike privošcile tudi osnovne šole. Racunalništvo se je zacelo širiti tudi v osnovne šole. Takrat je pri Zavodu za šolstvo kolega Tomaž Skulj vzpostavil skupino ljudi, ki je zacela skrbeti za uvajanje racunalnikov v šole. V okviru teh prizade­vanj je potekalo vec projektov. Mogoce je za osemde­seta leta najbolj znan projekt »Racek«. Ime je okrajša­va za »racunalniška eksplozija«. V okviru teh projek­tov so pripravljali razna gradiva, pri cemer je bilo spet potrebno reševati razna terminološka vprašanja. Pred tem je bilo racunalništvo usmerjeno v »ta zaresno« ra-cunalništvo na velikih racunalnikih. Mikroracunalni­ke so v zacetku gledali bolj postrani. Po kakšnih dveh letih pa smo si nekateri kolegi nabavili Spectrume in smo sprevideli, da imajo te majhne zverinice obetav-no prihodnost. Tako smo zaceli za šole najprej upora­bljati in predavati programski jezik logo. Pri tem se je izkazalo, da ni literature za splošno populacijo. Mikroracunalniki so racunalnike iz racunskih centrov razširili na širšo populacijo – postali so hi-šni racunalniki. Imel si ga doma. Ljudje so želeli ne­kaj prebrati, nekaj izvedeti o teh stvareh. Pojavilo se je nekaj revij, kot so na primer »Bit«, »Moj mikro«, »Monitor« in podobne. Av zacetku gradiva ni bilo. Razne založbe so na hi-tro nekaj prevajale. ZOTKS (Zveza organizacij za teh­niško kulturo Slovenije) se je odlocila, da bo prevedla 4poljudne angleške knjige o racunalništvu. Izdala jih jev sodelovanju z založbo Društva matematikov, fizikovin astronomov. Založbo je takrat vodil Ciril Velkovrh,knjižnicar na Matematiki. Ko so bili narejeni prevoditeh štirih knjig, je Ciril prosil Bojana Moharja, JernejaKozaka, Toma Pisanskega in mene, ce vsak recenziraen prevod. Knjige so bile vsebinsko dobre, izkazalopa se je, da so bili prevodi »neužitni«. To smo tudi po­vedali. »Za kazen« smo morali knjige sami ponovno prevesti. Takrat smo se poglobili v vprašanja termino­logije, vezane na mikroracunalnike. Bolj z uporabamiin ne toliko s samim »drobovjem«. Knjige so prikazane Katarina Puc, Niko Schlamberger, Vladimir Batagelj, Tomaž Turk, Ivan Kanic: Pogovor sodelavcev ob 20-letnici Islovarja na sliki 4: Uvod v racunalništvo, Prvi koraki v Basicu,Ucenje z racunalnikom, Igre, grafika in zvoki. V eni od teh knjig je bil dodan terminološki slovar-cek z izrazi, ki so znacilni za to novo podrocje racu­nalništva. Košcek iz tega slovarcka prikazuje slika 5. Sredi osemdesetih let so izdelali laserski tiskalnik, ki je pomenil revolucijo v založništvu. Priprava knjig se je iz tiskarn selila na racunalnike in vsakdo je lah­ko pripravil svojo knjigo. V matematiki obstaja zelo dober sistem za stavljenje oziroma oblikovanje bese­dil. Rece se mu TeX. Najpogosteje se uporablja njego­va nadgradnja LaTeX. Uporabljati smo ga zaceli že sredi osemdesetih. Z Bojanom Golijem sva napisala knjigo o uporabi TeXa in LaTeXa (izšla 1990). Vecino terminologije sva povzela po izrazih, ki so jih že de­setletja uporabljali stavci v tiskarnah. Dopolniti jo je bilo potrebno z novimi sestavinami, ki jih je prineslo racunalniško oblikovanje besedil. Stran iz te knjige prikazuje slika 6. V tem obdobju je kolega Matjaž Gams z IJS zbral skupino ljudi, ki je pripravljala slovar racunalništva. Nekajkrat smo o vprašanjih, na katere so naleteli, razpravljali tudi na Sredinem seminarju – na samem seminarju ali zvecer »Pod lipo«. »Gamsov« slovar ali pojmovnik je izšel leta 1985 [RaS]. Košcek iz tega slo­varja prikazuje slika 7. Slika 6: Stran iz knjige o uporabi TeXa in LateXa Slika 7: Košcek iz »Gamsovega« racunalniškega slovarja. Katarina Puc, Niko Schlamberger, Vladimir Batagelj, Tomaž Turk, Ivan Kanic: Pogovor sodelavcev ob 20-letnici Islovarja Vzporedno so kolegi, ki se ukvarjajo s statisticno obdelavo in analizo podatkov, v osemdesetih zaceli s pripravo statisticne terminologije, ki se delno prekri­va z racunalniško. Prvo razlicico [Sta] so izdali leta 1987 in cez cas (2001) še izpopolnjeno razlicico. Stati­sticna terminologija je zgledno urejena. V zacetku devetdesetih let se je zacel projekt Ro (Racunalniško opismenjevanje), ki je v bistvu nada­ljevanje projektov, kot so Racek in podobni. Skupino je vodil Tomaž Skulj. Imeli smo »Šolski tolar« - ne­kaj vec se je vlagalo v izobraževanje in del tega je šel tudi za racunalniško izobraževanje. Pri programu Ro smo med drugim skrbeli tudi za terminologijo. Tako me je Tomaž povezal z ljudmi, ki so se odlocili, da bodo prevedli operacijski sistem OS7 za racunalnike Mac. Leto in pol smo delali na prevajanju besed iz tega operacijskega sistema. To je bila spet svoja izku­šnja, saj cela vrsta pojmov v tem sistemu še ni imela ustaljenih slovenskih izrazov. Je pa zelo pomembno, ce jih uporablja splošna populacija, da so v domacem jeziku. To posebej velja za operacijski sistem. Ena od težav je, da obstajajo velike razlike med izrazi, ki jih uporablja recimo Microsoft, in izrazi, ki jih uporablja­jo pri Applu. Istim stvarem pravijo cisto drugace. Ni neke enotne terminologije. Za to so razlicni razlogi. To je bila zanimiva izkušnja, ki pa ni najboljše iz­padla, ker orodja, ki so jih takrat imeli na razpolago za prilagajanje lokalnim okoljem in prevajanje, niso na primer podpirala sklanjatev in dvojine. Potreben je bil poseben trud, da so bile stvari tako prevedene, da so bile razumljive in pravilne. Ko je prišel cas za delo jezikovne sekcije na slovar­ju informatike, smo to, kar se je do takrat zbralo v na­šem racunalniškem slovarcku, ponudili komisiji, da na tem nadaljuje. Scasoma smo potem naš slovarcek ugasnili. Stvari so prešle na novo podporo, ki sta jo ustvarila Tomaž Turk in Jurij Jaklic. To je moj prispe­vek k pogovoru na vprašanje, kaj se je dogajalo pred zacetkom Islovarja. Tomaž se bo najbrž spomnil, ko smo izbrali 300 iz­razov in smo si jih nato on, Jure in jaz razdelili, cel slovarcek smo morali pregledati in dolociti, kaj bo šlo v naš novi slovar. To je bila koristna vsebina za slo-var, ki smo jo dobili kar podarjeno. Seveda pa ni bilo razlag. Bili so le pari slovenskih in angleških izrazov. Vlado: Takrat je bila stvar bolj igrackasto narejena in z Za­vršnikom nisva razmišljala o kakšni resni zadevi. Šlo je le za prevajanje med anglešcino in slovešcino (v obe smeri). O razlagah nisva razmišljala. Lahko bi jih dodala, a se tega nisva spomnila. Tomaž: Ce se malo navežem na to: To so bili še casi, ko smo bili mladostno navdušeni nad takimi stvarmi. Mo-ram pa reci, da so nam ta duh skrbi za slovenski je­zik predali ali nekako vcepili naši predhodniki. Ko sem sedaj poslušal Vlada, sem se spomnil na naše kopanje izpred nekaj let po arhivih glede razvoja in-formatike na Ekonomski fakulteti UL. Že leta 1971 smo imeli predmete s podrocja informatike, podrocje sta razvijala prof. Grad in prof. Resinovic, zlasti pa je pomembno to, da že takrat racunalnikov nismo razu­meli kot da so malo vecji kalkulatorji, ampak kot ne­kaj, kar je zelo pomembno za delovanje organizacij. Da bi razumeli organizacije, sta predlagala sistemski pogled na podjetja, kar so gojile ameriške šole, na pri­mer sistemsko analizo. Pripravljala sta tudi ustrezne ucbenike. Seveda tudi mi nismo mogli shajati brez fortrana. Imeli smo tudi sreco na naši fakulteti - ko je bila v 70-tih letih zgrajena nova zgradba za Bežigra­dom, je v njej namrec dobil svoje mesto tudi Racunal­niški center univerze. Bili smo dobro povezani. Ko smo se zaceli pogovarjati o slovarju, je bil internet že kar na resnem pohodu. Podjetja, ki so dala nekaj nase in na svojo vidnost, so si omislila spletne strani. To so bile v osnovi bolj ali manj predstavitve. Na splošno ni bilo še kakšnih zapletenih spletnih programskih rešitev, kakršne poznamo danes. HTMLsva z Jurijem bolje spoznala na enem od seminarjev pri kolegih na matematiki. S seminarja sva jadrno odšla domov na fakulteto in eksperimentirala, dobili smo prvo sple­tno stran fakultete, in tako dalje. Kar se tice rešitve za slovar nismo ravno tekmo­vali, obe ideji sta bili v redu, osnovna zamisel je bila ta, da tudi uredniki delajo s tem orodjem in da so se­stavki takoj objavljeni, brez cakanja na izdajo knjige. Šli smo naprej. Lahko si ogledamo, kako smešno za današnje pojme je izgledal naš prvi Islovar. Za tiste case je bil kar v redu. Z Jurijem nama programiranje takega slovarja ni predstavljalo problemov. Podatkovna baza je bila ta­krat zelo preprosta v primeri z današnjo, ki je veliko bolj kompleksna. Katarina Puc, Niko Schlamberger, Vladimir Batagelj, Tomaž Turk, Ivan Kanic: Pogovor sodelavcev ob 20-letnici Islovarja Kot informatika naju je z Jurijem zelo žulilo, kaj pravzaprav uporabniki potrebujejo. Lovila sva se okrog strukture clanka slovarskega zapisa. Zgledo­vali smo se po terminološkem slovarju statistike, ki je takrat nastajal tudi na naši fakulteti. Zadeve okrog tega slovarja je vodila prof. Košmelj, sodelovali pa so tudi drugi profesorji z naše in drugih fakultet: prof. Arh, prof. Ferligoj in drugi. Njihov slovar nam je bil vzor glede strukture clanka. Takrat še ne toliko glede nacina delovanja urednikov. Katarina bi lahko še kaj povedala, kako smo se lovili glede dela urednikov. Da, glede dela urednikov smo se tudi lovili. Zaceli smo zelo navdušeno, a smo spoznali, da stvar ni tako preprosta. V zacetku smo imeli majhno skupino, ki pa se je hitro vecala. Ko so ljudje slišali, da ta skupi­na nastaja, so se pridruževali. Ko smo seštevali, ko­liko ljudi je sodelovalo pri Islovarju od leta 2001 do danes, je to 46 ljudi, ki so sami strokovnjaki. Nismo vedeli, kako jih povezati. Delali smo po izkušnjah, nismo pa vedeli, kako se dela slovar. Vzorec nam je res bil Statisticni slovar, druga zadeva pa je bila, kako prideš do njega. Omenila bi temeljni kamen iz leta 2003, ko se nam je pridružila Zvonka Leder Manci­ni, ki je takrat ravno zakljucila delo pri Statisticnem slovarju in nam je povedala nekaj osnovnih pravil. Potem je naredila prva navodila za delo urednikov. Z njo smo se dogovorili, da smo se sestajali enkrat tedensko. To je bila skupina, ki smo jo poimenova­li Slovaropisna skupina. To je bila manjša skupina, ne vsi uredniki skupaj. Vsi, ki smo bili pripravljeni delati, smo se dobivali vsakih 14 dni v racunalniški ucilnici na Statisticnem uradu. Bilo nas je kakšnih 15­20, tako skupino pa je nemogoce poenotiti. Nekajkrat se nam je zgodilo, da smo se razšli brez nekega re-zultata, pri uredniškem delu pa je potrebno soglasje. Prej, v sami razpravi to ni nujno, na koncu pa se je treba odlociti, kako je. Uredniško delo se je s casom spreminjalo. V skupinah smo prišli do neke hierar­hije. Manjše skupine smo poimenovali strokovne skupine, ena pa je bila slovaropisna skupina. To je ostalo še do danes. Strokovna skupina se dobiva po svojem urniku. Pregleda oziroma sestavi neko zbir­ko. Slovaropisna skupina potem to zbirko dokoncno uredi. Zaradi pandemije v zadnjem casu delujemo na virtualnih sestankih, s cimer prihranimo precej casa.. V Islovar je doprinesel vsakdo, kar je pac mogel. Ni nujno, da je vsak prinesel 15 novih izrazov, lahko tudi le nekaj,3 do 4. In sestankov se je udeležil, ko je pac mogel. Na tak nacin je stvar toliko casa delovala. Ker, ce ti recejo, da moraš poleg službe še narediti to in to, ne bi šlo. Tega ne bi bilo, ker je vse delo bilo v glavnem ljubiteljsko. Toliko o delu urednikov. Nekaj bi še rekla o Zvonki. Zvonka je bila pomembna po­moc. Ne le, da je bila pripravljena delati z nami re-dno vsak teden. Ona je vse, kar smo mi naredili, prej pregledala, bila je zelo kriticna in nas vcasih okarala, kaj smo pripravili. Odkar je ni vec – žal nas je zapu­stila in umrla – jo zelo pogrešamo. Je pa delala vse na papirju. Ni znala delati z racunalnikom. Vcasih smo jo morali prepricevati, da je na papirju drugace, kot je na spletu. Mislim, da naj kaj pove še Niko, ki je bil med ustanovitelji in nas je ves cas podpiral. Društvo nas je ves cas podpiralo. Brez društva ne bi bilo Islovarja. Tudi v okviru društva smo imeli promocijske dogod­ke. Prvi poskusni snopic slovarja smo predstavili na konferenci v Portorožu. Katarina Puc, Niko Schlamberger, Vladimir Batagelj, Tomaž Turk, Ivan Kanic: Pogovor sodelavcev ob 20-letnici Islovarja Ker sem bil vprašan, se spodobi, da odgovorim. Moj oris ne bo tako zgodovinski in enciklopedicen kot ta prof. Batagelja, ampak bolj usmerjen na zacetke Islovarja v društvu. Prvic sem bil izvoljen za pred­sednika društva INFORMATIKAleta 1997, obcutek za jezik so mi privzgojili profesorji v srednji šoli, za kar sem jim hvaležen, zavest, da je treba na podrocju strokovnega jezika informatike kaj narediti, pa sem imel že precej pred nastankom Islovarja. Predsedni­ški mandat je omogocil, da ne ostane le pri zaveda­nju, temvec da bo mogoce tudi kaj narediti. Mimo­grede - omenjen je bil svetovni kongres informatike leta 1971 v Ljubljani. Letos bo 50 let tega kongresa. Upam, da se bo tega spomnil še kdo razen nas v dru­štvu. Z mojo intimno zaskrbljenostjo za strokovni jezik informatike se zacne, ko smo (kot se je temu takrat reklo) združevali delo v podjetju Intertrade, ki je imelo zastopstvo za IBM. Njegovega prispevka k strokovnemu izrazju informatike v slovenšcini in takratni srbohrvašcini predvsem v poslovnem delu nikakor ne bi smeli spregledati. Glede tega je imel veliko vlogo in pomen Izobraževalni center podjetja Intertrade v Radovljici, kjer so se usposabljali bodoci programerji in drugi bodoci racunalniški strokovnja­ki iz vse Jugoslavije. Zgodovino matematicno-znanstvenega izraz­ja informatike je skoraj enciklopedicno orisal prof. Batagelj in je zelo dobro urejeno. Za to gre zasluga verjetno predvsem fakultetama za matematiko in elektrotehniko. Poslovno-strokovno izrazje pa je bilo razmeroma slabše obdelano. To sem opazil, ko sem pisal skripta za tedanjo Višjo upravno šolo, ki je imela v študijskem programu tudi predmet Racunalništvo . Skripta so imela naslov »Uvod v programiranje«. V bistvu to niso bile osnove fortrana, kobola, PL/1 ali kakega drugega programskega jezika, saj je bilo jasno, da upravni delavci ne bodo programirali, ra­zumeti pa so morali pomen in namen racunalniške obdelave podatkov in okolja, da se bo lahko sporazu­meval z razvijalci programov. Vsebina so bile torej ra-cunalniške naprave, operacijski sistemi, podatkovne strukture in komunikacije, skratka okolje, v katerem se racunalniški programi razvijajo in delujejo. Mislim, da mi je takrat to razmeroma dobro uspelo s tem, da sem se dokaj namucil, ko sem iskal primerne sloven-ske izraze za vse te, takrat še razmeroma nove pojave. Možnost za sistematicni pristop za razvijanje stro­kovnega jezika je v društvu obstajala. Statut društva daje možnost ustanavljati razlicne sekcije. Ena, ki je že delovala, je bila Sekcija za operacijske raziskave. Prišlo mi je na misel, da bi bilo dobro narediti tudi nekaj na podrocju strokovnega jezika, ker se takrat s tem sistematicno ni še nihce ukvarjal, niti SAZU niti fakultete. Skratka, to je bila za društvo ocitno niša v smislu izpolnjevanja poslanstva društva. Takrat sva se zacela pogovarjati s Katarino. Ona je imela stro­kovno znanje, da je razumela cilj, a tudi težave in probleme. Jaz sem imel podobno razumevanje zaradi okolišcin, ki sem jih pojasnil. Takrat sva se dogovori-la, da bo Slovensko društvo INFORMATIKAzacelo razvijati strokovni jezik; na kakšen nacin, je bilo še razmeroma nejasno in odprto, vendar zacetek je bil. Jaz sem celo predlagal geslo, pod katerim naj bi se to dogajalo, in mi je zelo žal, da ni objavljeno v Islovar­ju, ker se mi še danes zdi primerno in ilustrativno za namen, za katerega smo Islovar sploh ustvarili. Ta-krat sem predlagal geslo «Odlicen strokovni jezik za strokovno odlicnost«. Eno brez drugega ni mogoce. Mislim, da to izhodišce velja še danes. Kakorkoli, s Katarino sva bila dovolj propulzivna, da sva animirala nekaj kolegic in kolegov. O tem je bilo povedanega že kar precej. Bi pa vendar spomnil še na nekaj stvari. V tistih prvih zacetkih nismo bili prav prepricani, kaj naj bi bil rezultat našega dela. Vedeli smo, da moramo strokovni slovenski jezik in-formatike razvijati in cistiti, ampak v kakšni obliki naj bi se to zgodilo, na zacetku ni bilo še jasno. Delo sekcije za jezik se je zacelo tako, da smo se sestaja­li in obravnavali izbrane izraze in se s konsenzom odlocili za pomen in definicijo vsakega izraza pose-bej. Verjetno smo se takrat odlocili tudi za osnovno zgradbo slovarja: za vsako iztocnico mora biti nave-dena izgovarjava, angleška ustreznica in definicija. Ta pristop se je izkazal kot dober, delo urednikov poteka v bistvu na ta nacin še danes in tudi zgradba Islovarja je še vedno taka. Pri našem delu nam je bil Statisticni urad Republike Slovenije zelo naklonjen in nam je omogocil uporabo racunalniške ucilnice za delo in sestanke. Seveda pa zgolj obravnavanje izra­zov ni mogel biti rezultat našega dela in vprašanje je bilo, v kakšni obliki naj bi delo predstavili. Strinjali smo se, da naj nastane terminološki slovar informa­tike, ki bi izšel v predvidoma v knjižni obliki in našli smo tudi podjetje, ki je izkazalo interes za sodelova­nje. Izkazalo pa se je, da je imelo drugacne ambicije in odlocili smo se, da gremo sporazumno narazen. Katarina Puc, Niko Schlamberger, Vladimir Batagelj, Tomaž Turk, Ivan Kanic: Pogovor sodelavcev ob 20-letnici Islovarja Odlocitve nismo obžalovali, saj je bila edina realna alternativa internetni slovar. Verjetno smo se takrat tudi dogovorili za njegovo ime – I(za internetni)slo-var, ki ga nosi še danes. Ce bi bila knjiga takrat izšla, bi pri tem ostalo, kot se s knjigami dogaja - za razliko od spletnega slovarja, ki je lahko tekoce posodabljan. Seveda pa je to pomenilo, da je moralo društvo najti financna sredstva za razvoj programja za internetni slovar. No, ta denar smo našli in ne le enkrat, danes je razpoložljiva že tretja verzija Islovarja. Ko se spominjam preteklih dogodkov in prispev­kov, ki so jih dali moji prijatelji in kolegi, ne bi smeli spregledati nekdanjih in sedanjih predsednikov sek­cije. Katarina Puc je bila prva predsednica, dr. Bata­gelj za njo, za njim pa dr. Turk. Vsem trem gre vsa pohvala in zahvala, da so prispevali dobršen del svo­jega casa in nemalo tudi svojega življenja za razvoj slovarja. Prof. Turk je že povedal, kako se je ideja pro-gramske podpore Islovarja razvijala in kako je napre­doval od prve do sedanje tretje verzije. Nisem edini, ki razmišlja tudi o cetrti verziji, ki jo bo treba prej ali slej spraviti v življenje. Upam, da bomo pri tem dele­žni pomoci, nasvetov in sodelovanja tudi v prihodnje. Ko že omenjam zgodovino, naj se rahlo dotaknem tudi prihodnosti. Na zadnjem sestanku sekcije je dr. Turk povedal, da se z mesta predsednika sekcije umi­ka in je predlagal, da ga na tem mestu zamenja mag. Jože Kranjc, ki je na to pristal, za kar se mu prijazno zahvaljujem. Kako sem jaz ugotovila potrebo po slovenskih izra­zih? Bila sem tehnicna urednica in lektorica revije Uporabna informatika od ustanovitve revije leta 1993. To je trajalo 10 let. Takrat sem dognala, da avtorji pri­znavajo, da bi veliko lažje pisali v anglešcini kot v slovenšcini. Velikokrat so bili v besedilu kar angleški izrazi. Tako sem iz prakse dognala, da kljub temu, kar je bilo do takrat narejeno, mnogih pravih slovenskih izrazov še ni, ker se tehnologija tako hitro spreminja. Multidisciplinarnost je že bila omenjena. Že pogled v Islovar pokaže jasno sliko povezave na razlicna po­drocja. V zacetku je že bila tendenca oziroma naša želja, da bi ob posameznih terminih imeli oznako, s katerega strokovnega podrocja izraz prihaja. Ugo-tovili smo, da je to po eni strani težko, ker je lahko neka zadeva zanimiva na dveh ali treh podrocjih. Še bolj pa zato, ker nikakor nismo mogli priti do neke sheme nekakšnega mini tezaura ali kakorkoli bi že rekli tej shemi. Drugi dokaz te multidisciplinarnosti je, kar ste že omenjali, prihod kolegice Zvonke. Ta-krat se je k izredno bogatemu znanju strokovnjakov s podrocja informatike dodalo še znanje terminologa in slovaropisca. Na ta nacin se je bistveno povecala kakovost oblikovanja izrazov tam, kjer še niso bili popolnoma dodelani, kjer smo jih nekoliko pilili in vcasih prilagajali ali si jih na novo »izmislili«. Bistve-no se je izboljšala kakovost strukture slovarskega ge­sla in slovarja v celoti. Pri tem ne smemo pozabiti, da je slovar postal zelo pogosto referenca pri strokov­nem delu. Zelo pogosto srecamo Islovar kot vir infor­macije ali kot priporocilo kot »pa poglej v Islovar«. Do tega, da tudi v družbenih omrežjih prevajalcev pogosto recejo: »no, saj to je pa tako ali tako lepo ra­zloženo v Islovarju«. Ta vrzel, ki je nastala z Zvonki-no smrtjo, je nenadomestljiva. Nekoliko pomoci smo vendarle dobili. Obrnili smo se na terminološko sek­cijo pri ZRC SAZU, kjer so bili prijazno pripravljeni pomagati na vec nacinov. Eden je bil ta, da so nam pripravili seminarcek o tem, kako naj se oblikuje ter­minološki slovar, kako izgleda terminologija in na katere pasti je treba paziti oziroma, kam se je treba bolj zazreti. Do tega, da lahko tudi pri njih pricaku­jemo pomoc v smislu dodatne redakcije gradiva, ki ga mi pripravimo, oni pa ga pregledajo in odpravijo najhujše napake. Pri ostalem pa svetujejo. Se mi zdi, da je tudi to pot v prihodnost, da bomo imeli tudi s terminološkega vidika vsaj manjšo pomoc. Dotaknil bi se še dveh stvari: prispevek dr. Turka je nesmrten v tem, da je izdelal metodo, kako priti do novega izraza. To je obsežen postopkovni blok dia­gram. Metoda je izvirna in je nisem zasledil nikjer drugje. Druga stvar je to, kar je sedaj omenil Ivan. V vec razpisih državnih organov s podrocja informati­ke in informacijske tehnologije je bilo navedeno, da je treba strokovne izraze razumeti tako, kakor so de­finirani v Islovarju. To je veliko priznanje, vendar pa, ko to vemo, ni mogoce razumeti, zakaj država ne naj­de denarja, da bi razvoj Islovarja podprla tudi financ­no. Veckrat smo se namrec prijavili na javne razpise ministrstva za kulturo za razvoj Islovarja s skromni-mi zahtevki reda nekje okoli dva do tri tisoc evrov, kar je dalec od tistih milijonov, ki jih sedaj država namenja za jezikovne tehnologije. Bili smo uslišani Katarina Puc, Niko Schlamberger, Vladimir Batagelj, Tomaž Turk, Ivan Kanic: Pogovor sodelavcev ob 20-letnici Islovarja mogoce dvakrat. Enkrat smo celo prejeli odgovor, da je naš zahtevek za financiranje presegel cenzus. To se pravi: dosegli smo dovolj tock za financiranje, v na­daljevanju sklepa pa je bilo povedano, da ministrstvo kljub temu na razpis prijavljenega projekta razvoja Islovarja ne bo financiralo . Ne razumem, od kod jim ta »pogum« in razlogi za takšno odlocitev. Mislim, da ima tu država do nas kar velik dolg. Tomaž: No, glede metode, kako priti do slovarskega se­stavka, sem bolj ali manj le narisal tisto, kar smo se skupaj dogovorili in naucili, posebej smo zapisali navodila urednikom. Nekako vzporedno s tem smo razvili novo programsko rešitev, to je drugo verzijo Islovarja, ki je še danes živ na naslovu http://stari.is­lovar.org, zdaj pa imamo Islovar 3.0, ki smo ga razvili v sodelovanju s Filozofsko fakulteto UL, bolj konkre­tno s prof. Špelo Vintar. Na podrocju slovaristike se je namrec v zadnjih desetletjih veliko spremenilo in • to je bilo treba upoštevati. Treba je tudi povedati, da Islovar ne nastaja v enem kabinetu, na eni katedri, na eni fakulteti, v enem podjetju, ampak nastaja s sode­lovanjem ljudi z razlicnih institucij v našem prostoru. vIRI: [Riz] Vladimir Batagelj: Razvoj slovenskega racunalniškega izraz­ja - osebni pogled. Uporabna informatika 9(2001/2)2, 95-99. [Sre] Vladimir Batagelj: Sredin seminar: Seznam predavanj 1971­2021. April 2021. Seminarji: 375, 376, 406, 568, 575, 582, 603, 610, 620, 623, 624, 672, 694, 790, 820, 824, 828, 891, 918, 922, 1021, 1025, 1069, 1115, 1117, 1126. http://vlado. fmf.uni-lj.si/sreda/sreda1300.pdf [RaS] Matjaž Gams: Racunalniški slovarcek. CZ, Ljubljana 1985. [Sta] Blaženka Košmelj s sodelavci: Statisticna terminologija. RSS, Ljubljana 1987. [EAR] France Križanic: Elektronski aritmeticni racunalniki. Knjižnica Sigma, MK, Ljubljana 1960. [MT] Alojzij Vadnal: Matematicna terminologija. DZS, Ljubljana 1953/1974. [ElR] Elektronski racunalniki. Uredil Spiller-Muys F. Elektrotehniška zveza Slovenije, Ljubljana 1971. [FRI] FRI 20 - 20 let Fakultete za racunalništvo in informatiko Univer­ze v Ljubljani. 29. junij 2016 http://eprints.fri.uni-lj.si/3655/1/ Zbornik_FRI20_web_100.pdf Katarina Puc diploma na Filozofski fakulteti s predmetov a)francoski jezik s književnostjo, b)angleški jezik s književnostjo. Magisterij poslovne politike in organizacije na Ekonomski fakulteti Univerze v Ljubljani, z delom: Ekonomski in organizacijski kriteriji za odlocanje o uporabi tehnologije v pisarniških sistemih. Pomembnejše delovne izkušnje: izobraževanje, uredništvo in tehnicno uredništvo knjig, revij, zbornikov, prevajanje književnih del in strokovnih besedil iz anglešcine, francošcine in nemšcine v slovenšcino, lektoriranje strokovnih besedil. Pobudnica ustanovitve jezikovne sekcije pri Slovenskem društvu Informatika. Urednica spletnega slovarja informatike Islovar. • Niko Schlamberger je diplomiral na Fakulteti za strojništvo v Ljubljani. Vecino poklicne poti deluje na podrocju informatike in racunalništva, delovne izkušnje obsegajo programiranje, sistemsko analizo in razvijanje racunalniških rešitev, predavanja (strokovna in na višji šoli), izvajanje usposabljanja na podrocju informatike, svetovanje, vodenje projektov, organiziranje in izvedbo nacionalnih in mednarodnih konferenc , vodenje in upravljanje ter mednarodno sodelovanje. Objavil je preko 60 strokovnih clankov s podrocja informatike, organizacije in upravljanja v državi in na mednarodnih konferencah v tujini, uredil in souredil je vec strokovnih publikacij s podrocja registrov in klasifikacij. Bil je podpredsednik svetovne­ga združenja informatikov International Federation for Information Processing (IFIP), sekretar in predsednik evropskega združenja informatikov Council of European Professional Informatics Societies (CEPIS), koordinator regionalnega združenja IT STAR. Je aktualni predsednik Slovenske­ga društva INFORMATIKA in eden od urednikov Islovarja. • vladimir Batagelj je zaslužni profesor Univerze v Ljubljani. Bil je profesor za diskretno in racunalniško matematiko na FMF. Raziskovalno se ukvarja predvsem s teorijo grafov, algoritmi na grafih in omrežjih, kombinatoricno optimizacijo, analizo podatkov (razvršcanje v skupine, analiza in prikaz velikih omrežij) in uporabo IT v izobraževanju. Z Andrejem Mrvarjem je soavtor svetovno uveljavljenega programa Pajek za analizo veli­kih omrežij. V mednarodnih revijah je objavil vecje število clankov in je soavtor nekaj knjig: Generalized blockmodeling (CUP 2005), Exploratory Social Network Analysis with Pajek (CUP 2005, 2011, 2018), Understanding Large Temporal Networks and Spatial Networks (Wiley 2014), Advances in Network Clustering and Blockmodeling (Wiley 2020). Za svoje dosežke je prejel vec priznanj. Je castni clan DMFA RS in izvoljeni clan ISI (International Statistical Institute). • Tomaž Turk je redni profesor na Ekonomski fakulteti Univerze v Ljubljani in predstojnik Katedre za poslovno informatiko in logistiko. Je nosilec predmetov na podrocju razvoja informacijskih sistemov in programskih rešitev, komunikacijskih omrežij, managementa informatike ter poslov­nih simulacij. Raziskovalno se ukvarja s privzemanjem informacijske tehnologije, z ekonomiko informatike, managementom telekomunikacijskih Katarina Puc, Niko Schlamberger, Vladimir Batagelj, Tomaž Turk, Ivan Kanic: Pogovor sodelavcev ob 20-letnici Islovarja omrežij, informacijsko družbo ter optimizacijskimi pristopi. Sodeloval je na vec nacionalnih in mednarodnih projektih. Objavlja predvsem v revijah Technological Forecasting & Social Change, Telecommunications Policy, Computer Standards and Interfaces, Mathematics and Computers in Simulation, International Journal of Industrial Ergonomics ter Computer Communications. Bil je podpredsednik raziskovalnega projekta COST Action 298 ‘Participation in the Broadband Society’, ki ga je financirala Evropska znanstvena fundacija. V letih 2013-2017 je bil na Ekonomski fakulteti prodekan za študijske zadeve. • Ivan Kanic je po osnovni izobrazbi jezikoslovec, vendar je celotno poklicno pot posvetil bibliotekarstvu in terminologiji, zaposlen je bil v Centralni ekonomski knjižnici EF UL in Narodni in univerzitetni knjižnici. Na Oddelku za bibliotekarstvo, informacijsko znanost in knjigarstvo FF UL je de­loval kot zunanji predavatelj za podrocje avtomatizacije knjižnic ter izgradnje in uporabe elektronskih virov. V razlicnih projektih je sodeloval pri snovanju, razvoju in vrednotenju informacijskih sistemov in uporabniških vmesnikov za bibliografske, kataložne in terminološke podatkovne zbirke ter izobraževanju njihovih uporabnikov. Je urednik in soavtor bibliotekarskih terminoloških slovarjev ter avtor in skrbnik terminološke podatkovne zbirke za podrocje bibliotekarstva. v Ljubljani. INForMACIJE Iz Islovarja Islovar je spletni terminološki slovar informatike, ki ga objavlja jezikovna sekcija Slovenskega društva IN­FORMATIKAna naslovu http://www.islovar.org. Slovar je javno dostopen za vpoglede in vnašanje novih izrazov. Tokrat objavljamo izbor novejših izrazov, ki smo jih uredili v tem letu. avtonómni robót m (angl. autonomous robot) robot, ki opravlja vedenje ali naloge z visoko stopnjo samostojnosti; prim. avtomatizacija vožnje, avtonomno vozilo digitálni dvójnik -ega -a m (angl. digital twin) navidezna klonirana predstavitev fizicnega predmeta ali procesa v realnem casu elektrónski racún -ega -a m (angl. electronic invoice) racun, ki je bil izdan, poslan in prejet v elektronski obliki; prim. E-racun É-racún -a m (angl. eInvoice) elektronski racun v Sloveniji, ki je v standardizirani obliki e-Slog; prim. elektronski racun e-Slóg -a m (angl. e-Slog) standard, razvit v okviru Gospodarske zbornice Slovenije in usklajen z evropskim standardom za izdajanje elektronskih narocilnic, potrditev narocil, izdajanje dobavnic in racunov goljufíva téhnicna podpóra -e -e -e ž (angl. technical support fraud) izvajanje lažne varnostne ali tehnicne podpore z namenom pridobitve podatkov od žrtve hektivízem -zma m (angl. hacktivism) hekersko gibanje, ki za promocijo svojih politicnih stališc uporablja informacijsko-komunikacijsko tehnologijo hekerska dejanja za promocijo stališc ali doseganje politicnih ciljev informacíjska várnost -e -i ž (angl. information security) varnost podatkov in informacijskih sistemov pred zlorabo, unicenjem; sin. kibernetska varnost; prim. varnost informacijskega sistema, INFOSEC skupno delovanje ljudi, ukrepov, procesov in tehnologij za zašcito podatkov in informacijske komunikacijske opreme; sin. kibernetska varnost; prim. varnost informacijskega sistema, INFOSEC kibernétska higiéna -e -e ž (angl. cyber hygiene) postopki, ki bi jih morali redno izvajati za zašcito racunalniških sistemov in podatkov, npr. arhiviranje podatkov, preprecevanje nepooblašcenih dostopov, osvešcanje uporabnikov nabirálni rob -ega -a (angl. harvesting bot, harvesting robot) racunalniški program za nabiranje naslovov; sin. nabiralni program ko grlo -ega -a s (angl. bottleneck) komponenta z najmanjšo zmogljivostjo v celotnem sistemu prestréznik gésel -a -- m (angl. password dumper) škodljiva programska koda, ki prestreza avtentikacijske podatke, npr. gesla; sin. kopirnik gesel, snemalnik gesel protokól oddáljenega namízja -a -- -- m (angl. remote desktop protocol, RDP) protokol, ki uporabniku omogoca povezavo z drugim racunalnikom prek omrežne povezave; sin. RDP; prim. navidezno zasebno omrežje upárjenje -a s (angl. pairing) vzpostavljanje brezzicne povezave med dvema združljivima enotama, npr. povezava Bluetooth, infrardeca povezava postopek, ki omogoca, da med seboj komunicirata dve napravi ali vec naprav zaradi neposredne izmenjave podatkov, npr. pametna ura in telefon Izpitni centri ECDL ECDL (European Computer Driving License), ki ga v Sloveniji imenujemo evropsko raËunalnipko spriËevalo, je standardni program usposabljanja uporabnikov, ki da zaposlenim potrebno znanje za delo s standardnimi raËunalnipkimi programi na informatiziranem delovnem mestu, delodajalcem pa pomeni dokazilo o usposobljenosti. V Evropi je za uvajanje, usposabljanje in nadzor izvajanja ECDL pooblapËena ustanova ECDL Fundation, v Sloveniji pa je kot Ëlan CEPIS (Council of European Professional Informatics) to pravico pridobilo Slovensko druptvo INFORMATIKA. V drćavah Evropske unije so pri uvajanju ECDL moËno angaćirane srednje in visoke pole, aktivni pa so tudi razliËni vladni resorji. Posebno pomembno je, da velja spriËevalo v 148 drćavah, ki so vkljuËene v program ECDL. Doslej je bilo v svetu izdanih će veË kot 11,6 milijona indeksov, v Sloveniji veË kot 17.000, in podeljenih veË kot 11.000 spriËeval. Za izpitne centre v Sloveniji je usposobljenih osem organizacij, katerih logotipe objavljamo. Strokovni prispevki Tomaž Dular, Julija Lapuh Bele, Rok Pirnat Odkrivanje prevar z OrOdji pOSlOvne inteligence Simona Samida Cerk SOdObni izzivi izObraževanja na daljavO v Okviru medpredmetnega pOvezOvanja in inOvativnih ucnih OkOlij znanstveni prispevki Tim Poštuvan, Semir Salkic, Lovro Šubeljj learning-baSed link predictiOn analySiS fOr facebOOk100 netwOrk Elena Osrajnik, Sašo Karakatic temni vzOrci na SlOvenSkih Spletnih Straneh Milena Košak Babuder, Blažka Korun, Ema Štarkl, Gaja Nenadovic, Dušica Boben, Erika Stankovic, Sara Jakop, Luka Vranješ, Karmen Javornik, Jure Žabkar racunalniškO pOdprtO prepOznavanje zgOdnjih znakOv diSlekSije razprave Katarina Puc, Niko Schlamberger, Vladimir Batagelj, Tomaž Turk, Ivan Kanic pOgOvOr SOdelavcev Ob 20-letnici iSlOvarja informacije iz iSlOvarja