2021 ‹ številka 1 ‹ jan. Feb. maR. ‹ letnik XXiX ‹ iSSn 1318-1882 01 VSEBINA UPORABNA INFORMATIKA 2021 ŠTEVILKA 1 JAN/FEB/MAR LETNIK XXIX ISSN 1318-1882 Strokovni prispevki Matija Lokar, Maja Mujkic Racunalniško tekmovanje Pišek – oblika vzpodbujanje ucenja programiranja za vse 3 Mateja Bevcic, Jože Rugelj Coding4Girls -pristop za ucenje programiranja s snovanjem iger 16 Kratki znanstveni prispevki Žiga Pušnik, Miha Moškon Integracija strukturnih omejitev pri izpeljavi gensko regulatornih omrežij 25 Znanstveni prispevki Alenka Kavcic, Bojana Boh Podgornik, Ciril Bohak, Katja Depolli Steiner, Alenka Gril, Aleš Hladnik, Vid Klopcic, Luka Komidar, Žiga Lesar, Matija Marolt, Sonja Pecjak, Matevž Pesek, Tina Pirc, Anja Podlesek, Melita Puklek Levpušcek, Cirila Peklaj E-ucno okolje z oporami za samoregulacijo ucenja 30 Blaž Gašperlin, Mirjana Kljajic Borštnar Vpliv uporabe visokozmogljivega racunalništva v oblaku na inoviranje poslovnih modelov 47 Informacije Iz slovarja 62 UPORABNA INFORMATIKA INFORMATIKA 2021 ŠTEVILKA 1 JAN/FEB/MAR 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 Kovacic, Evelin Krmac, Ivan Rozman, Jan Mendling, Jan von Knop, John Taylor, Jurij Jaklic, Lili Nemec Zlatolas, Marko Hölbl, Mirjana Kljajic Borštnar, Mirko Vintar, Pedro Simões Coelho, Saša Divjak, Sjaak Brinkkemper, Slavko Žitnik, Tatjana Welzer Družovec, Vesna Bosilj-Vukšic, Vida Groznik, Vladislav Rajkovic Recenzentski odbor Alenka Kavcic, 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, Franc Solina, Gregor Weiss, Igor Kononenko, Irena Nancovska Šerbec, 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 knjiænico Slovenije (dLib.si). Ÿ 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 æivljenju 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. Æelimo si Ëim veË prispevkov z raznoliko in zanimivo tematiko in se jih æe 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 predloæen 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 predloæitve 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 razloæite 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 æivljenjepis vsakega avtorja v obsegu do 8 vrstic, v katerem poudarite predvsem strokovne doseæke. StrokoVNI prISpEVkI Racunalniško tekmovanje pišek – oblika vzpodbujanja ucenja programiranja za vse Matija Lokar1, Maja Mujkic2 1Univerza v Ljubljani, Fakulteta za matematiko in fiziko, Jadranska ulica 19, Ljubljana 2Osnovna šola Koseze, Ledarska ulica 23, Ljubljana matija.lokar@fmf.uni-lj.si, maja.mujkic@gmail.com Izvlecek Sodelovanje ucencev in dijakov na razlicnih oblikah tekmovanj v znanju je lahko zanje koristna ucna izkušnja, ki pripomore k lažjemu in uspešnejšemu ucenju. Tudi na podrocju racunalništva lahko v Sloveniji zasledimo kar nekaj racunalniških tekmovanj. Žal pa na preho­du iz osnovne v srednjo šolo zasledimo precejšen upad v številu udeležencev, še posebej, ce upoštevamo vodilni racunalniški tekmo­vanji: v osnovni šoli tekmovanje Bober in v srednji šoli ACM tekmovanje v znanju racunalništva RTK. Del tega upada lahko pripišemo temu, da gre pri prvem za tekmovanje v racunalniškem mišljenju in pri drugem za tekmovanje v algoritmih in programiranju. Ob upoštevanju upada in zaradi veckrat izkazane potrebe, da naredimo programiranje bolj privlacno prav za vse, smo v okviru tekmovanj ACM Slovenije pripravili novo tekmovanje imenovano Pišek, tekmovanje v programiranju z delcki. Gre za tekmovanje, ki je prilagojeno zacetnikom. Skupaj z uporabo programskega jezika, ki omogoca sestavljanje programov brez sintakticnih napak in uporabe takih nalog, ki se navezujejo na racunalniško mišljenje, kot ga razvija tekmovanje Bober, smo pripravili tekmovanje, v katerem se lahko preizkusijo tako zacetniki kot tudi tisti, ki so programiranja bolj vešci. Glavni cilj samega tekmovanja pa je predvsem v popularizaciji programiranja za vse, saj bodo tako naši ucenci in dijaki snovalci digitalne prihodnosti in ne le njeni uporabniki. Kljucne besede: Blockly, poucevanje programiranja, programiranje z delcki, racunalniško mišljenje, racunalniško tekmovanje Abstract Competing in different forms of programming and computer thinking can be a useful experience for students and can result in ea­sier and more successful learning. Even in the field of computer science, many competitions are held. But unfortunately, there is a large gap between the number of competitors in primary schools and secondary schools, especially if we look at the numbers of competitors in the two biggest computer science competitions, i.e. Bober in primary schools and RTK in secondary schools, both organized by ACM Slovenia. The reason is probably that the first is about computer thinking and the second is about algorithms and programming. Considering the gap and the need to make programming more likable for everybody, we have organized a new com­petition in the scope of ACM Slovenia dubbed Pišek – competing in a visual programming language. The competition is adapted for beginners. By combining a programming language that prevents syntactic errors and exercises about computer thinking that are also encouraged by Bober, we have created a new competition that is appropriate for complete beginners and also for those that already possess more programming skills. The main goal of the competition remains to popularize programming for everybody and to make students the designers of a digital future instead of merely its users. Keywords: Blockly, teaching programming, visual programming language, computer thinking, computer science competition UVOD s sodelavkama v knjigi Engaging children’s minds: Sodelovanje ucecih se na razlicnih oblikah tekmovanj The project approach (Katz, Chard, & Chard, 2000) v znanju so lahko zanje koristna ucna izkušnja, ki kjer proucujejo nacine motivacije otrok za ucenje, pripomore k lažjemu in uspešnejšemu ucenju. Obsta-pravijo, da lahko vsako tekmovanje naredi pouceva­jajo številne raziskave, ki to potrjujejo. Tako npr. Katz nje razlicnih predmetov bolj privlacno. Enako velja tudi za poucevanje in ucenje racunalništva. Valentina Dagiene v (Dagiene, Competition in Information Te-chnology-learning in an atrractive way, 2006) trdi, da so racunalniška tekmovanja lahko kljuc k polnemu izkoristku novo pridobljenega znanja in zanimiv na-cin za povezovanje tehnologije in izobraževanja. Tekmovanja, ki se v taki ali drugacni obliki nanaša­jo na znanje s podrocja racunalništva, lahko zasledimo v najrazlicnejših oblikah. Pokrivajo razlicna podrocja racunalništva od robotike, umetne inteligence do upo­rabe pisarniških orodij. Prav tako se izvajajo v razlic­nih oblikah (glej npr. (Pohl, 2006)). Lahko so enkratni dogodki, lahko vecstopenjska tekmovanja od šolske ravni pa vse do mednarodnega tekmovanja. Prav tako so to lahko enodnevna tekmovanja, lahko pa zasnova­na kot vecmesecna priprava in predstavitev izdelka, lahko kot reševanje dolocenega skupka nalog ... V strokovnih krogih se vodi živahna razprava, kakšna oblika racunalniških tekmovanj je najprimer­nejša v povezavi z ucnim procesom. Poleg oblike, ki jo razvija tekmovanje Bober (Bebras International Challenge on Informatics and Computational Thin­king, 2020), (ACM Tekmovanja, 2020), kot tudi ma­tematicno tekmovanje Kenguru (KSF, 2020), (DMFA, 2020) in še nekatera druga tekmovanja, kjer je pouda­rek na razvoju mišljenja in ob tem izbire ustreznega odgovora, je še vedno prevladujoca oblika racunalni­ških tekmovanj reševanje programerskih nalog, torej oblika, kot jo uporablja Mednarodna olimpijada iz informatike (International Olympiad in Informatics, 2020). Pri tovrstnih tekmovanjih tekmovalci rešujejo naloge, ki zahtevajo rešitev dolocenega algoritmicne­ga problema v obliki programov. Pravilnost teh pro-gramov se preverja samodejno in temelji na primer-javi izhodnih rezultatov. PROGRAMIRANJE, PROGRAMSKI JEZIKI IN ZACETNIKI Racunalniško razmišljanje številni strokovnjaki poj­mujejo kot eno kljucnih spretnosti 21. stoletja in jo po­stavljajo ob bok osnovnim ucnim spretnostim branja,pisanja in racunanja (Barr, Harrison, & Conery, 2011),(Astrachan, Hambrusch, Peckham, & Settle, 2009),(Wang, 2020) in mnogi drugi. Kot kažejo številne raz­iskave (za pregled glej npr. (Bers, 2020)) se racunalni­ško mišljenje ucinkovito razvija pri spoznavanju osnovprogramiranja. Po iSlovarju (http://www.islovar.org/)je programiranje »pripravljanje algoritma, zapisovanjealgoritma v izvorno kodo, prevajanje in povezovanjev izvršljiv racunalniški program«, programski jezik paje »umetni jezik za pisanje racunalniških programov«. Racunalniško mišljenje in algoritmicno mišljenje lahko zacnemo razvijati že zelo zgodaj. Otroci hitro razumejo zaporedje in pomembnost vrstnega reda. Težko pa jih ucimo programirati v »pravem« pro-gramskem jeziku. Pri tem si lahko pomagamo s pik­togrami in s slikami. Ce jih ucimo algoritmicnega mišljenja preko inte­raktivnih nalog, torej, da takoj dobijo povratno infor­macijo, bodo dobili obcutek, da igrajo igrico. Z zbi­ranjem tock si bodo želeli biti uspešni in bodo zato veckrat poskusili. Uspešni ucenci pa se radi preizkusijo tudi na tek­movanjih in s tem praviloma še nadgrajujejo svoja znanja in sposobnosti. Treba je »le« prilagoditi nacin tako, da se bodo znali izražati, da pri racunalniškem mišljenju ne bo ovira bralna pismenost. S tekmovanjem Bober smo že dosegli (tekmovanja se udeležuje preko 11 % vseh ucencev in dijakov), da ucence in dijake zanima racunalniško mišljenje in da radi sodelujejo na tem tekmovanju. S Tekmovanjem Pišek pa bi radi to dosegli tudi na podrocju osnovne­ga znanja programiranja, še posebej, ker smo prepri-cani, kot so zapisali avtorji študije RINOS (Brodnik, 2018), da morajo naši ucenci biti snovalci digitalne prihodnosti in ne le njeni uporabniki. In z osnovnim poznavanjem programiranja prav med vsemi ucenci in dijaki bomo to lažje dosegli. 3 RACUNALNIŠKA TEKMOVANJA V SLOVENIJI Racunalniška tekmovanja imajo v Sloveniji zavidlji­vo zgodovino. Vse se je zacelo že leta 1977 z idejo o organizaciji tekmovanja (Batagelj, et al., 1988), ki naj bi dopolnjevalo poucevanje racunalništva. Pouk ra-cunalništva se je na slovenskih šolah zacel v šolskem letu 1969/1970 na Šubicevi gimnaziji (danes Gimna­zija Jožeta Plecnika) v Ljubljani (Krapež, Rajkovic, Batagelj, & Wechtersbach, 2001). Racunalništvo se je poucevalo v okviru izbirnega predmeta Prakticna znanja. V naslednjem šolskem letu se je racunalništvo poucevalo še na dodatnih dveh gimnazijah (Gimna­ziji Bežigrad in Gimnaziji Škofja Loka), še bolj pa se je razmahnilo, ko je leta 1974 izšel ucbenik za ucence. Kot kažejo podatki v Tabela 1, povzeti iz (Batagelj, et al., 1988), je bilo tekmovanje zelo dobro sprejeto. Tabela 1: Število tekmovalcev v prvih letih 1977 47 1978 79 1979 92 1980 88 1981 101 1982 101 1983 137 1984 213 Kot pravi Grobelnik v (Brank, 2006) »se je na slo­venskih srednješolskih racunalniških tekmovanjih prekali-lo veliko generacij dijakov, ki dandanes po vecini predsta­vljajo okostje slovenske racunalniške skupnosti. Bivši tek­movalci so dandanes profesorji na univerzah, raziskovalci na institutih, predvsem pa si brez njih ni mogoce predsta­vljati slovenske racunalniške industrije.« V teh štirih desetletjih je poucevanje racunalni­štva dosegalo svoje vzpone in padce, pojavljala so se razlicna mnenja glede vsebine predmetnika in oblike izvedbe z racunalništvom povezanih predmetov. To je vsekakor vplivalo tudi na tekmovanja in danes lah­ko slovenski ucenci, dijaki in študenti sodelujejo na zelo razlicnih tipih racunalniških tekmovanj. Omejili se bomo na tekmovanja, ki potekajo v sklopu ACM Slovenija (Slika 2). Trenutno so uradna tekmovanja pod okriljem ACM Slovenija tri: • Bober – Mednarodno tekmovanje iz racunalni­škega razmišljanja • RTK – Srednješolsko tekmovanje ACM iz racu­nalništva in informatike • UPM – Univerzitetni programerski maraton Prvi dve tekmovanji sta namenjeni predvsem osnovnošolcem in srednješolcem, tretje pa univerzi­tetnim študentom. Vsa so po svoji osnovni obliki za­snovana in vpeta v mednarodna tekmovanja (Bebras, IOI in ACM ICPC). V Tabela 2 so zbrani podatki za­dnjih 10 let tekmovanj. Ker imajo tekmovanja razlicne nivoje, so podatki dani za prvi, najmnožicnejši, šolski nivo. Tam ni omejitve glede števila udeležencev. Tabela 2: Število tekmovalcev osrednjih tekmovanj ACM v zadnjih letih leto Bober RTK UPM 2011/2012 3380 273 174 2012/2013 8147 234 153 2013/2014 11653 278 159 2014/2015 16797 306 210 2015/2016 24714 309 186 2016/2017 29124 351 171 2017/2018 29561 310 156 2018/2019 33356 341 126 2019/2020 28803 306 123 Kot kažejo podatki, obstaja precejšen »prepad« med številom sodelujocih na tekmovanju Bober in na tekmovanju ACM RTK. Tako sta A. Brodnik in M. Lokar od leta 2015 dalje imela številne razgovore o tekmovanju za »vmesno stopnjo«, še posebej pa po uvedbi izbirnega predme- Slika 2: Tekmovanja v okviru ACM Slovenija ta Racunalništvo v drugi triadi OŠ. Primarna nalo­ga tega tekmovanja naj bi bila popularizacija ucenja programiranja. Skupna ugotovitev še z drugimi kolegi je bila tudi ta, da naj bi bilo to tekmovanje v reševanju proble­mov z zapisom algoritmov, kjer bi kot programski jezik uporabljali programski jezik z delcki, kot so na primer Scratch, Snap in podobni. Predvsem na po­budo J. Demšarja je bila sprejeta odlocitev, da pri tek­movanju ne bi uporabili jezika Scratch, pa ceprav je bil (in je še) ta po slovenskih šolah med vsem jeziki, ki omogocajo programiranje z delcki, najbolj razšir­jen. Podlaga za to odlocitev je bilo prepricanje, da Scratch prvenstveno ni programski jezik, namenjen reševanju problemov in zapisu algoritmov, ampak bolj jezik in okolje, namenjeno ustvarjalnemu izraža­nju ucencev. Prav tako je pri Scratchu velik pouda­rek na medsebojnem sodelovanju ucencev, deljenju izdelkov in njihovemu spreminjanju (Maloney, Re-snick, Rusk, Silverman, & Eastmond, 2010). Zelo smeli nacrti glede tekmovanja so bili taki, da bi poskusili zajeti med cetrtino in polovico sodelujo-cih na tekmovanju Bober. Ker to pomeni, da naj bi so-delovalo med 8 in 14 tisoc tekmovalci, je bilo ocitno, da je potreben sistem, ki bi omogocal avtomatsko preverjanje pravilnosti rešitev. Na sreco smo leta 2017 na mednarodni delavni­ci za pripravo nalog za tekmovanje Bober navezali stike s kolegi iz Francije. Spoznali smo njihov sistem Algorea (http://www.france-ioi.org). Ta izstopa med tistimi redkimi sistemi za preverjanje pravilnosti programskih rešitev, ki podpirajo jezike za progra­miranje z delcki. V sodelovanju s kolegi iz Francije smo njihov sis-tem priredili za uporabo tudi v slovenskem jeziku, ga poimenovali Pišek in postavili na spletni naslov https://pisek.acm.si/. Pri prevajanju in postavitvi sis-tema so sodelovali G. Jerše, M. Lokar in J. Vicic, G. Anželj pa je prispeval prevod jezika Blockly. Naslednjega leta, 2018, so v okviru ŠPIK projekta ProNALštudentje razlicnih fakultet Univerze v Lju­bljani pod vodstvom M. Lokarja in G. Jeršeta sestavili nekaj nalog za Piška in pokazalo se je, da bi na siste-mu Pišek lahko vzpostavili tekmovanje, ki bi bil most med Bobrom (tekmovanjem v racunalniškem mišlje­nju) in ACM RTK-jem (tekmovanju v algoritmih). Konec leta 2018 sta dva študenta (K. Špenko in Ž. Flajs) v sodelovanju z M. Lokarjem dodala vrsto nalog. Prav tako so se uvedli novi tipi nalog. Še bolj pa je Pišek postal uporaben spomladi 2019, ko so v okviru novega ŠPIK projekta Pišek študentje pod vodstvom M. Lokarja, G. Jeršeta in K. K. Ošljak v sam sistem dodali preko 300 razlicnih nalog. 4 PIŠEK – TEKMOVANJE V PROGRAMIRANJU Z DELCKI 4.1 Priprava poskusnega tekmovanja Ker smo s šol dobivali zelo pozitivna mnenja glede uporabe sistema Pišek in ker je želja, premostiti ome­njeni prepad v številu udeležencev res velika, smo se odlocili poskusiti s tekmovanjem. Slika 3: Spletišce tekmovanja Pišek Slika 4: Primer naloge za 4. in 5. razred Septembra 2019 je M. Lokar na sestanek pova­bil ucitelje z osnovnih in srednjih šol ter profesorje s fakultet, ki so že prej sodelovali pri tekmovanjih ACM. Odzvalo se jih je 19, iz zelo razlicnih ustanov – osnovnih šol, srednjih šol, z univerz, Zavoda RS za šolstvo. Decembra 2019 je ACM Slovenija formalno ustanovil Programski svet Tekmovanja Pišek. Razdelili smo se v skupine, dolocili vodje in zaceli priprave. Poleg najbolj ocitnega, torej nalog, smo po­trebovali še tekmovalce. 4.2 Izvedba prvega poskusnega tekmovanja V šolskem letu 2019/2020 smo nacrtovali tri poskusna tekmovanja, preko katerih bi lahko dobili cim vec iz­kušenj, na podlagi teh pa bi v šolskem letu 2020/2021 pripravili prvo »pravo« tekmovanje. Vecina sodelujocih pri organizaciji tekmovanja smo bili hkrati tudi mentorjih ucencem in dijakom. Povabili pa smo še nekaj uciteljev osnovnih in sre­dnjih šol, vendar smo pazili, da število ne bi bilo preveliko, saj nismo poznali zmožnosti francoske­ga strežnika. Vedeli smo tudi, da nas po tekmova­nju cakajo obsežnejše vsebinske analize. Zanimalo nas je predvsem, kako smiselno razdeliti tekmo­valce v kategorije in katere programske koncepte uporabiti. Tekmovanje smo izvedli v petih kategorijah glede na starost tekmovalcev: Slika 5: Naloga Parsonsovega tipa Slika 6: Naloga tipa »popravi kodo« • 4. in 5. razred osnovne šole, • 6. in 7. razred osnovne šole, • 8. in 9. razred osnovne šole, • 1. in 2. letnik srednje šole, • 3. in 4. letnik srednje šole. Tekmovalci so imeli na voljo 40 minut, naloge so lahko oddajali veckrat, sistem pa jim je takoj javil, ali je naloga rešena pravilno ali ne. Vecina nalog za osnovno šolo je bila v obliki nalo­ge na mreži, kjer se glavna figura premika in izvaja »naloge«. Pogosto smo uporabili tudi naloge z želvjo grafiko. Pri sestavljanju nalog se je pokazala tudi prednost uporabe jezika Blockly, saj ta omogoca, da v pro-gramsko okolje dodajamo delcke s cisto novimi uka­zi kot npr. poberi lešnik, naberi med, izvedi pirueto … Tako so delcki, ki so sicer konceptualno enaki (na primer naredi nekaj s predmetom, ki je na polju, kjer je trenutno lik), v razlicnih nalogah poimenovani raz-licno (poberi plastenko, pojej deteljico …). Prav tako pri sestavljanju naloge tvorimo nove delcke in tako v posamezni ukaz »skrijemo« doloceno kompleksnost (npr. v nalogi uporabimo delcek »nariši kvadratek« ali pa »preberi podatke v tabelo«). Prav tako smo sledili dolocenim dognanjem s podrocja didaktike racunalništva. Tako smo na tek­movanje vkljucili naloge Parsonsovega tipa (Ericson, Foley, & Rick, 2008) in med nalogami veckrat upora­bili tudi tipe nalog, kjer problem že vsebuje napisan program, ki pa ga je bilo potrebno ali popraviti ali pa le urediti (Slika 5 in Slika 6). Pri prvem poskusnem tekmovanju februarja 2020 je sodelovalo 10 osnovnih in 7 srednjih šol oz. 374 ucencev in 269 dijakov. Njihov odziv je bil odlicen. Tekmovalce in mentorje smo pozvali, da po tekmo­vanju izpolnijo anketo, s katero smo pridobili po­vratne informacije. Mentorji so pohvalili sistem, pri­pravljenost, obvešcanje, tekmovalci so bili vecinoma zadovoljni z nalogami in si takega tekmovanja želijo. 4.3 Priprava in izvedba drugega poskusnega tekmovanja Pri nacrtovanju drugega poskusnega tekmovanja smo upoštevali rezultate tekmovanja ter mnenja, ki smo jih dobili preko anket, ki so jih izpolnili tekmovalci in Tabela 3: Rezultati prvega poskusnega tekmovanja Povprecno št. Št. tekmovalcev z Št. tekmovalcev z 0 Kategorija Št. tekmovalcev Št. možnih tock doseženih tock vsemi tockami tockami 4. in 5. razred 179 600 417 92 24 6. in 7. razred 167 600 233 7 18 8. in 9. razred 48 6002521 10 1. in 2. letnik 203 500 59 4 131 3. in 4. letnik 66 500 59 0 42 mentorji po prvem poskusnem tekmovanju. Tako smo upoštevali dejstvo, da so bili tekmovalci v nekaterih kategorijah izjemno uspešni (npr. v kategoriji 4. in 5. razred je izmed 179 tekmovalcev kar 92 njih prejelo vse tocke), v nekaterih kategorijah pa so bili rezultati zelo slabi (v kategoriji 3. in 4. letnih dveh nalog ni rešil nihce od tekmovalcev, v kategoriji 1. in 2. letnik vec kot polovica tekmovalcev ni dosegla nobene tocke) – vec prikazuje Tabela 3. Prav tako smo imeli številne raz­govore glede primernosti starostne razdelitve v luci besedil nalog ter kako upoštevati zelo razlicno pred­znanje ucencev istih starostnih kategorij. Zato smo se odlocili, da spremenimo kategorije. Med tekmovalci v osnovni šoli so velike razlike, ki pa niso odvisne od njihove starosti, ampak predvsem od tega, koliko let so obiskovali izbirni predmet racunalništvo. Seveda je treba upoštevati tudi kognitivni razvoj otrok in ucni nacrt v šoli. Tako so nastale nove kategorije: • 4.-6. razred osnovne šole – zacetniki • 4.-6. razred osnovne šole – napredni • 7.-9. razred osnovne šole – zacetniki • 7.-9. razred osnovne šole – napredni • Srednja šola – zacetniki • Srednja šola – napredni • Srednja šola – poznavalci Tabela 4: Rezultati drugega poskusnega tekmovanja Drugo poskusno tekmovanje je bilo nacrtovano v mesecu aprilu 2020, vendar je prišlo do epidemije in smo morali najti novo rešitev. Izpeljali smo poskusno odprto spletno tekmovanje, ki pa žal ni bilo tako obi-skano, kot smo si želeli. Prav tako smo preko anket dobili precej manj povratnih informacij s strani men-torjev in tekmovalcev. Sodelovalo je 296 tekmovalcev, vecina med njimi se je preizkusila v vec kategorijah. Oglejmo si povzetek rezultatov tekmovanja po ka­tegorijah (vsi rezultati so objavljeni na spletni strani https://tekmovanja.acm.si/?q=node/618): Kot vidimo, je dalec najvec tekmovalcev sodelo­valo v kategoriji 4.-6. razred ZACETNIKI, kjer je tudi najvec tistih, ki so dosegli vse možne tocke. Nekoliko zaskrbljujoce je dejstvo, da v vec kategorijah polovica tekmovalcev ni dobila nobene tocke, v kategoriji 7.-9. razred – napredni pa je takih skoraj 70 %. Vendar je podrobnejša analiza zapisov tekmovalnega sistema pokazala, da velika vecina teh sploh ni poskusila na-log reševati »zares«, ampak so si naloge le ogledali. Možno je tudi, ker je tokratni nacin omogocal, da so se z istim uporabniškim imenom lotili reševati nalo­ge v vec kategorijah, da se med tekmovanjem v eni in drugi kategoriji niso odjavili in ponovno prijavili in jim je zato zmanjkalo casa. Kategorija Št. tekmovalcev Št. možnih tock Povprecno Št. tekmovalcev Št. tekmovalcev št. doseženih tock z vsemi tockami z 0 tockami 4.-6. razred zacetniki 170 500 269 35 17 4.-6. razred napredni 54 5001033 23 7.-9. razred zacetniki 80 6001367 40 7.-9. razred napredni 35 6001002 24 srednja šola zacetniki 63 500 198 12 29 srednja šola napredni 12 500 291 32 srednja šola poznavalci 10 6003004 4 Število doseženih tock je precej bolj enakomerno razporejeno kot pri prvem poskusnem tekmovanju, zato ustvarjalci tekmovanja ocenjujemo, da smo bolj primerno razvrstili kategorije in izbrali naloge, ki so omogocale realno razvrstitev. Zelo malo tekmovalcev se je odlocilo za reševanjenalog v najtežji kategoriji Srednja šola – poznavalci,zato smo se odlocili, da v prihodnjih tekmovanjih te ka­tegorije verjetno ne bo. Verjamemo pa, da, ko se bodoucenci, dijaki in mentorji sistema navadili, da se jih bovec opogumilo in se preizkusilo v najtežjih kategori­jah. Hkrati pricakujemo, da se bodo tisti najspretnejširaje udeležili tekmovanj, kjer se programira v »pravih«programskih jezikih, s tem pa bo naš cilj, da zapolnimovrzel med Bobrom in RTK tekmovanjem izpolnjen. 4.4 Tretje poskusno tekmovanje Tretjega poskusnega tekmovanja iz ocitnih razlo-gov nismo izpeljali. Kljub vsemu smo se odlocili, da bomo v šolskem letu 2020/2021 izpeljali pravo tek­movanje. Predvideni termin je februar 2021. Vse naloge z obeh poskusnih tekmovanj so dosto­pne na spletni strani https://pisek.acm.si, kjer obja­vljamo tudi naloge za pripravo na tekmovanje. 5 TEKMOVANJE V ŠOLSKEM LETU 2020/2021 Oglejmo si nekaj vodil, ki sestavljavce vodijo pri na-crtovanju in izbiri nalog za tekmovanje. 5.1 Kategorije in programski koncepti Ob dolocitvi sedmih tekmovalnih kategorij smo do-locili tudi, kateri programski koncepti bodo upora­bljeni v izbranih tekmovalnih nalogah za posame­zno kategorijo. Seznam je objavljen na spletni strani tekmovanja, na https://tekmovanja.acm.si/?q=pisek/tekmovalne-kategorije. Seveda ni nujno, da bodo v nalogah za posamezno tekmovanje pokriti vsi našteti koncepti. Tako bodo mentorji lažje svetovali svojim tekmo­valcem pri izbiri kategorije. 5.2 Naloge Posamezna kategorija vsebuje 5 ali 6 nalog. Naloge so razlicnih tipov. Tako dolocene naloge zahtevajo, da tekmovalci sestavijo program. Spet druge so nalo­ge Parsonsovega tipa, torej morajo tekmovalci dane ukaze urediti v ustrezno zaporedje, pri tretjih pa je potrebno v danem programu poiskati in odpraviti napake. Naloge vsebujejo razlicne programske koncepte in so razlicnih težavnostnih stopenj. Prakticno pri vseh kategorijah pazimo, da je vsaj ena naloga taka, da jo lahko rešijo vsi tekmovalci, Naloge za osnovno šolo so vecinoma naloge na mreži (Slika 7). Slika 7: Naloga na mreži z vec testi Pogoste so tudi naloge z želvjo grafiko (Slika 8). Slika 8: Naloga z želvjo grafiko Nekaj (predvsem med nalogami za srednjo šolo) pa je tudi »klasicnih« programerskih nalog, kot je na primer ta, prikazana na Slika 9. Slika 9: »Klasicna« programerska naloga Naloge lahko otežimo na razlicne nacine. Pred-Prav tako lahko nalogo otežimo, ce omejimo šte­vsem pri mlajših kategorijah se je pokazalo, da je vilo delckov, ki jih lahko uporabi program (glej poda­precejšnja razlika, ce pri nalogi ponudimo tudi ne-tek desno zgoraj pri nalogi na Slika 10).potrebne delcke (in jih morda še »skrijemo« v kate-Tako je naloga Pišek pospravlja smetirešljiva le z gorije – npr. naloga na Slika 7) ali pa so dani le delcki, uporabo delckov, ki se nanašajo na premikanje ter z potrebni za rešitev (npr. naloga na Slika 10).delckoma poberi plastenko in pospravi plastenko. Vendar bi v tem primeru tekmovalec potreboval 18 Prav tako pri nalogah, ki preverjajo zahtevnej­delckov. Apri tej nalogi piše, da je na voljo le 11 delc-še programske koncepte, pogosto uporabimo vec kov. Torej mora tekmovalec uporabiti zanko ponavljaj testov. Vsi so tekmovalcem vidni. Prav tako sistem in s tem zmanjšati število ukazov v svojem programu. oznaci, kateri testi so bili opravljeni in kateri ne (Slika Kakor hitro program porabi prevec delckov, sis-12). Z uporabo vec testov se izognemo temu, da bi tem rešitve ne sprejme, niti je ne »pregleda«. Takrat tekmovalci rešili nalogo, ki bi delovala izkljucno za le zapiše, »Uporabljaš prevec delckov!« (Slika 11).dane vhodne podatke. Primer take naloge je Pišek gre cez reko. Slika 15:Naloga z vec testi – opozorilo Na Slika 13 vidimo, kako bi tekmovalec lahko re-šil prvi test zgolj z osnovnim poznavanjem zaporedja ukazov. Vendar pa to zaporedje ne reši drugega testa. Ko program zaženemo, se izpiše opozorilo, da je ob izvajanju drugega testa prišlo do napake (Slika 15). Opozoriti velja, da je zasnova tekmovanja taka, da delne rešitve (in s tem del tock) niso predvidene. Na-loga mora biti rešena v celoti. 5.3 Termin tekmovanja V koledarju je že veliko tekmovanj. Dolociti prime-ren termin je precej zahtevno. Poleg tekmovanj so tu obdobja, ko so ucenci, dijaki in ucitelji dodatno obremenjeni z ocenjevanjem, nacionalnimi poskusi znanja, maturo, ali pa so celo odsotni zaradi obvezne prakse. Po obširnem usklajevanju smo se odlocili, da bomo izvajali tekmovanje v februarju. Glede na to, da bo tekmovanje potekalo (tako kot tekmovanje Bo-ber) vsaj teden dni (posamezen mentor bo sam izbral enega ali vec terminov v sklopu odprtosti tekmova­nja) menimo, da bodo vsi, ki jih sodelovanje zanima, lahko tekmovali. Pri dolocitvi datuma smo upošte­vali, da bomo v prihodnjih letih tekmovanje morda nadgradili tudi s tekmovanjem na državni ravni. ZAKLJUCEK Želja ustvarjalcev Piška in organizatorjev ACM tek­movanja v programiranju z delcki ni organizirati še eno tekmovanje, ki bi le preverjalo poznavanja pro-gramiranja, temvec ta, da bi se cim vec ucencev in dijakov sploh srecalo s programiranjem in ugotovilo, kako zabavna dejavnost je to lahko. Celotna organizacija tekmovanja poteka na pov­sem prostovoljni osnovi. Sodelujejo študentje, ucitelji in profesorji, ki verjamejo, da je programiranje vešci­na, ki nam pride prav na vseh podrocjih in ki želijo, da bi stavek »Programiranje je težko.« zamenjal sta­vek »Programiranje je zabavno.«. Vse, ki vas sodelovanje pri tekmovanju na kakr­šen koli nacin zanima (sestavljanje nalog, prispeva­nje idej za naloge, sodelovanje pri organizaciji, pri tehnicnem razvoju portala Pišek, pri razgovorih o primernosti dolocene naloge…), vabimo, da nam pi-šete na naslov pisek@acm.si. Prav vsak sodelavec je resnicno dobrodošel! LITERATURA [1] ACM Tekmovanja, . (2020). Mednarodno tekmovanje iz racu­nalniskega razmišljanja. Retrieved from ACM Tekmovanja – Bober: https://tekmovanja.acm.si/?q=bober [2] Astrachan, O., Hambrusch, S., Peckham, J., & Settle, A. (2009). The present and future of computational thinking. ACM SIGCSE Bulletin, 549-550. [3] Barr, D., Harrison, J., & Conery, L. (2011). Computational thinking: A digital age skill for everyone. Learning & Leading with Technology, 20-23. [4] Batagelj, V., Dolenc, T., Martinec, M., Mohar, B., Reinhardt, R., Tvrdy, I., & Vitek, A. (1988). Enajsta šola racunalništva. Lju­bljana: DMFA Založništvo. [5] Bebras International Challenge on Informatics and Computati­onal Thinking. (2020). Retrieved from https://www.bebras.org/ [6] Bers, M. U. (2020). Coding as a playground: Programming and computational thinking in the early childhood classroom. Routledge. [7] Brank, J. (2006). Rešene naloge s srednješolskih racunalni­ških tekmovanj: 1988-2004. Ljubljana: Institut Jožef Stefan. [8] Brodnik, A. (2018). RINOS: Snovalci digitalne prihodnosti ali le uporabniki? . Retrieved from https://redmine.lusy.fri.uni-lj. si/documents/267 [9] Dagiene, V. (2006). Competition in Information Technology­-learning in an atrractive way. In W. Pohl (Ed.), Perspectives on Computer Science Competitions for (High School) Stu­dents. Retrieved from http://www.bwinf.de/competitionwor­kshop/papers.html [10] Dagiene, V. (2009). Supporting computer science education through competitions. Proc. 9th WCCE 2009. [11] Daginene, V. (2010). Sustaining informatics education by contests. International Conference on Informatics in Secon­dary Schools-Evolution and Perspectives (pp. 1 – 12). Berlin, Heidelberg: Springer. [12] DMFA. (2020). Tekmovanje Kenguru. Retrieved from https:// www.dmfa.si/Tekmovanja/Kenguru/ [13] Ericson, B. J., Foley, J. D., & Rick, J. (2008). Evaluating the efficiency and effectiveness of adaptive parsons problems. Proceedings of the 2018 ACM Conference on International Computing Education Research (pp. 60-68). ACM. [14] International Olympiad in Informatics. (2020). Retrieved from IOI Offcial Website: https://ioinformatics.org/ [15] Katz, L. G., Chard, S. C., & Chard, S. (2000). Engaging children’s minds: The project approach. Greenwood Publis­hing Group. [16] Krapež, A., Rajkovic, V., Batagelj, V., & Wechtersbach, R. (2001). Razvoj predmeta racunalništvo in informatika v osnovni in srednji šoli. Zbornik posvetovanja Dnevi slovenske informatike. Portorož. Retrieved from https://www.drustvo--informatika.si/fileadmin/dsi2001/sekcija_e/krapez_rajkovic_ batagelj_wechtersbach.doc [17] KSF. (2020). Association Kangourou sans Frontières. Retrie­ved from http://www.aksf.org/ [18] Maloney, J., Resnick, M., Rusk, N., Silverman, B., & East-mond, E. (2010). The scratch programming language and environment. ACM Transactions on Computing Education (TOCE), 1-15. [19] Pohl, W. (2006). Computer Science Contests for Secondary School Students: Approaches to Classification. Informatics in education, 125–132. [20] Wang, P. S. (2020). Understanding Computational Thinking and Its Importance—An Overview. Retrieved from http:// www.cs.kent.edu/~pwang/m/ctblog/JAMC-20090701.pdf • Matija Lokar je višji predavatelj na Fakulteti za matematiko in fiziko Univerze v Ljubljani. Vso svojo poklicno pot sodeluje pri razlicnih dejavnostih v povezavi z uvajanjem racunalništva v šolski sistem, pa naj bo to pri racunalniškem izobraževanju uciteljev, racunalniških tekmovanjih, študentskih projektih in podobno. Je eden od idejnih avtorjev tako Univerzitetnega programerskega maratona kot tekmovanja Pišek – tekmovanje z delcki. Je tudi avtor vec knjig in clankov s teh podrocij. • Maja Mujkic je uciteljica matematike in racunalništva, ROID in knjižnicarka na OŠ Koseze v Ljubljani. Kot uciteljica racunalniških izbirnih pred­metov najvec casa nameni navduševanju osnovnošolcev nad vsakodnevnimi novostmi na podrocju racunalništva in nad uporabnostjo osnovnih racunalniških znanj. V organizacijskem odboru tekmovanja Pišek skrbi predvsem za obvešcanje šol. Coding4girls – pristop za ucenje programiranja s snovanjem iger Mateja Bevcic1, Jože Rugelj2 1Univerza v Ljubljani, Kongresni trg 12, Ljubljana 2Univerza v Ljubljani, Pedagoška fakulteta, Kardeljeva pl. 16, Ljubljana mateja.bevcic@uni-lj.si, joze.rugelj@pef.uni-lj.si Izvlecek Cilj projekta Coding4Girls v programu Erasmus+, ki ga izvajamo s partnerji iz šestih evropskih držav, je zasnova in izdelava inovativ­nega pristopa k poucevanju racunalniškega programiranja v osnovni in srednji šoli. Poseben poudarek je na spodbujanju deklet za ucenje programiranja in nadaljevanju njihovega izobraževanja ter njihovemu zaposlovanju na podrocju racunalništva. Številne študije namrec ugotavljajo, da ucenci in še posebej dekleta v zadnjih letih osnovne šole izgubijo zanimanje za to podrocje, ceprav je na trgu dela v vseh evropskih državah veliko pomanjkanje strokovnjakov s tega podrocja. V clanku predstavljamo inovativen pristop za ucenje programiranja s snovanjem iger z uporabo blokovnih vizualnih programskih jezikov ter pripravljene ucne scenarije, gradiva za ucence in ucitelje in razvito spletno okolje za ucenje z elementi igrifikacije, ki jih lahko ucitelji uporabijo pri pouku. Predstavili smo tudi rezul­tate testiranja razvitih didakticnih pristopov in ucnih gradiv, ki smo ga izvedli skupaj s projektnimi partnerji. Kljucne besede: algoritmicno razmišljanje, blokovni vizualni programski jeziki, ucenje programiranja, ucenje s snovanjem iger Abstract The goal of the Coding4Girls project within the Erasmus+ programme, which we are implementing with partners from six European countries, is to design and develop an innovative approach to teaching computer programming in primary and secondary schools. Particular emphasis is placed on encouraging girls to learn programming and to continue their education and employment in the field of computer science. Numerous studies show that pupils and especially girls lose interest in this field during the last years of primary school, although there is a great lack of experts in this field on the labour market in all European countries. The article presents an innovative approach to learning programming by designing games using visual block programming languages and pre­pared learning scenarios, materials for students and teachers and a developed online learning environment with gamification ele­ments that can be used by teachers in the classroom. We also presented the results of testing the development of didactic approaches and learning materials that we have carried out with project partners. Keywords: Algorithmic thinking, visual block-based programming language, learning programming, learning by designing games 1 UVOD Poucevanje programiranja z izdelavo racunalniških iger je inovativna ucna metoda z uporabo IKT, ki ima pozitiven vpliv na motivacijo in ucinkovitost ucenja, zasnovan pa je na osnovi konstruktivisticne teorije o ucenju. Pri programiranju enostavnih iger je ucenec postavljen v aktivno vlogo, v kateri se odloca, izbira in rešuje probleme ter ustvarja nove vsebine. Pomen igre za otrokovo ucenje so izpostavljali že vodilni psihologi prejšnjega stoletja in ji pripisovali eno naj­pomembnejših vlog pri razvoju življenjsko pomemb­nih vešcin, ne glede na starost ali razvojno stopnjo otroka. Otrok se hitro prilagaja novim okolišcinam, z lahkoto obvladuje spremembe in odkriva osnovne koncepte iz resnicnega sveta (Rugelj in Lapina, 2019). Na podrocju izobraževanja prihajajo vedno bolj vospredje aktivne oblike ucenja, kjer se korenito spre­menita vlogi ucitelja in ucenca. Pri tem je naloga uci­telja, da pripravi primerno ucno okolje in izzive zaucence ter jih pri aktivnih oblikah ucenja usmerja injim podaja povratne informacije. Ucenec pa v ucnemprocesu razmišlja, vrednoti predstavljene informacijeter samostojno gradi znanje. Pri tem mu je lahko v veli­ko pomoc tudi informacijsko-komunikacijska tehnolo­gija (Rugelj idr., 2018), ki ima v tem kontekstu mnogovecji pomen kot pri transmisivnih oblikah poucevanja. UCENJE S SNOVANJEM IN IZDELOVANJEM IGER Wu in Wang (2012) opredeljujeta ucenje s snovanjem in izdelovanjem iger (angl. game design based learning) kot ucni pristop, pri katerem ucence spodbujamo k snovalskim odlocitvam pri razvoju svojih lastnih ali pri spreminjanju obstojecih iger na osnovi izbranega okolja z orodji za razvoj iger. Z ustreznimi orodji za razvoj iger in ob premišljeni izbiri obsega in zahtev­nosti iger se ta pristop lahko uporablja za vse starosti in stopnje razvoja. Ucinkovitost omenjenega pristopa za poucevanje in ucenje so prepoznali tudi številni drugi razisko­valci na tem podrocju. Kafai (2012) trdi, da je ucenje najbolj ucinkovito, v kolikor so ucenci vkljuceni v postopek snovanja, saj le-to spodbuja njihovo razmi­šljanje in ucenje, zlasti ce snujejo nekaj osebnega in smiselnega. Rieber s sodelavci (1998) ter Zapušek in Rugelj (2014) pa so celo ugotovili, da je ucenje pro-gramiranja z izdelovanjem iger lahko ucinkovitejše od tradicionalnih metod. Pristop z snovanjem in izdelovanjem iger predpo­stavlja, da je gradnja igre sama po sebi pot do ucenja, ne glede na to, ali se potem izdelana igra izkaže za za­nimivo drugim. Pomembna je aktivna udeležba ucen­cev v procesu nacrtovanja in razvoja, saj na tak nacin ohranjamo motivacijo ucencev in njihovo pripravlje­nost za ucenje novih programskih konstruktov in konceptov, ki so potrebni za izdelavo igre s programi­ranjem. Ta pristop postaja vedno bolj uporaben tudi zaradi vedno vecje ponudbe ustreznih racunalniško podprtih orodij za oblikovanje iger z relativno eno­stavnimi uporabniškimi vmesniki (Rugelj, 2015). Integracija ucenja s snovanjem iger v procese uce­nja se uspešno uporablja v številnih disciplinah (Ru-gelj in Zapušek, 2018). Ceprav je pristop najbolj raz­širjen na podrocju racunalništva, zlasti pri progra­miranju, konceptualnem razmišljanju, pridobivanju kompetenc za delo z IKT in pri umetni inteligenci, pa lahko najdemo tudi primere z drugih podrocij, kot so jezikovna pismenost, oblikovanje ter tudi umetnost (Wu in Wang, 2012; Spieler in Slany, 2018; Carbonaro idr., 2010). Za ucitelje pa je bistvenega pomena, da je pristop dokazano ucinkovit pri poucevanju za prido­bivanje digitalnih kompetenc (Rugelj, 2016). V okviru projekta Coding4Girls (C4G) je naš cilj tudi promocija ucnih okolij, ki so dobra za ucenje in kjer med igralcem in oblikovalcem ni nobene stroge meje in ucenec vidi ti dve vlogi kot komplementarni. 2.1 Ucne teorije V tem poglavju si bomo ogledali številne ucne teo­rije, ki podpirajo uporabo ucenja s snovanjem iger v izobraževalnih okoljih. 2.1.1 Konstruktivizem Piagetova konstruktivisticna teorija ucenja pravi, da morajo biti ucenci aktivni ustvarjalci v procesu pridobivanja znanja ter poudarja pomen razumeva­nja in znanja o svetu in okolju, kjer naše izkušnje in ideje sodelujejo pri oblikovanju tega znanja (Piaget, 1976). Duffy in Jonassen (1991) kot bistvem pojem konstruktivizma navajata še sodelovanje in socialna pogajanja, saj ponujata možnosti za razvijanje nove­ga razumevanja s pomocjo razprav, kjer lahko ucenci spoznajo še stališca. Ucenci v procesu snovanja iger komunicirajo s svojimi ucitelji, vrstniki in konte­kstom, zato takšno ucno okolje zagotavlja ustrezna pogoje za proces oblikovanja znanja (Gee, 2003). 2.1.2 Obmocje bližnjega razvoja Koncept obmocja bližnjega razvoja je opredelil Vi-gotsky (1978), ki poudarja vlogo odraslega cloveka ali izkušenejšega vrstnika v razvoju ucenca. Pri sno­vanju iger imajo ucenci možnost sodelovanja v sku­pinah, kjer si lahko pomagajo, skupaj oblikujejo igre in razvijajo dodatne kompetence (Zapušek in Rugelj, 2014), pri cemer imajo tudi pomoc ucitelja za nasvete in usmeritev. 2.1.3 Konstrukcionizem Papertova konstrukcionisticna teorija poudarja, da se ucenci najvec naucijo, ko sami gradijo svoje znanje (Papert in Harel, 1991). Teorija zagovarja dve bistveni predpostavki – prva je miselna konstrukcija znanja, do katere pride preko izkušenj iz resnicnega sveta, druga pa zagovarja, da lahko ucenci ucinkoviteje ustvarijo novo znanje z izdelavo izdelka, ki je zanje osebno pomemben (Wu in Wang, 2012). Igra ima za ucence vlogo artefakta in je po mnenju Caportona (2010) primerna za konstrukcionisticno ucenje, saj so postale igre pri mladih zelo priljubljene, kar pomeni, da je postopek oblikovanja le-teh zanje vznemirljiv in pomemben. 2.1.4 Trialoško ucenje Za trialoško ucenje je bistvenega pomena interakcija, do katere pride med ustvarjanjem konkretnih arte­faktov. Aktivnosti so organizirane tako, da ucenci v obliki sistematicnega procesa med seboj sodelujejo in razvijajo nek artefakt na osnovi skupnega znanja, npr. ideje, pravila, cilje ali igro (Kafai, 1995). Vlogo artefakta ima lahko tudi racunalniška igra, saj jo ucenci oblikujejo od zacetne ideje ter jo skupaj izbolj­šujejo z upoštevanjem razlicnih pogledov. Razlicna IKT orodja (npr. Google Drive) omogocajo takojšnje deljenje idej in nadaljevanje dela, kar lahko izboljša ustvarjanje novega znanja in vpliva na nadaljnje delo drugih ucencev (Paavola idr. 2011). 2.1.5 Problemsko ucenje Problemsko ucenje poudarja uporabo problemov iz resnicnega sveta in proces skupinsega odkrivanja pri ucenju, pri cemer je vloga ucitelja zagotoviti ustre­zna ucna gradiva in vire (Zapušek in Rugelj, 2014), obenem pa je pomembno, da so ucenci cim bolj sa­mostojni. Pri snovanju iger gredo skozi razlicne faze – izdelava prototipa (faza izdelave), izvedba (faza konstrukcije) in evalvacija igre (prehodna faza) (Wu in Wang, 2012). Pristop ucenja s snovanjem iger, ki smo ga upo­rabili v okviru projekta Coding4Girls, zajema veli­ko elementov zgoraj omenjenih ucnih teorij in zato predstavlja odlicno izhodišce za ucenje programira­nja. Pri tem pomaga tudi dejstvo, da je igranje iger vedno bolj popularno in si veliko ucencev želi svo­jo igro tudi izdelati. Pri tem morajo skozi zahteven postopek od osnovne ideje do razclenitve na manjše dele in povezave v smiselno celoto. Za pomoc imajo na voljo ucitelja in vrstnike, vseeno pa igro oblikujejo sami in imajo na koncu svoj lasten izdelek, kar jih še posebej motivira. 3 PROJEKT CODING4GIRLS Coding4Girls je projekt, ki ga financira Evropska uni-ja v programu Erasmus+. Zasnovali smo ga z željo, da bi vzbuditi vecje zanimanje za ucenje racunalniškega programiranja in racunalništva nasploh, saj je v naši družbi med mladimi za to podrocje zelo malo zanima­nja, kljub zelo hitri rasti uporabe digitalnih tehnologij na vseh podrocjih in s tem zelo velikimi potrebami za strokovnjake s podrocja racunalništva. Še posebej pa smo poudarili skrb za promocijo tega podrocja med dekleti, ki se zelo redko odlocajo za študij racunalni­štva in še bolj redko potem za zaposlitev na tem po­drocju, stanje pa se v zadnjih desetletjih še vztrajno poslabšuje. Z razlicnimi dejavnostmi se v projektu trudimo odpravljati stereotipe in napacne predstave o vlogi žensk na podrocju racunalništva in zmotno pre­pricanje o njihovih manjših sposobnostih za racunal­niško programiranje. Predvsem smo se osredototcili na razvoj sodobnih didakticnih pristopov z aktivnimi oblikami ucenja, ki še posebej pritegnejo ucence in di­jake iz tako imenovanih digitalnih generacij, ki imajo glede ucenja specificne potrebe in pricakovanja (Pren-sky, 2001; Sharpe, Beetham in de Freitas, 2010). Glavni cilj projekta je torej ozavešcanje ucencev in dijakov v osnovnih in srednjih šolah pri nas in v drugih evropskih državah o širokem naboru možno­sti, ki jih podrocje racunalništva in programiranja ponuja za profesionalni in osebni ravzoj ter priprava ucencev in dijakov na nadaljnje izobraževanje na tem podrocju. Pri tem z izborom ustreznih didakticnih pristopov in tematik pri snovanju in izdelovanju iger namenjamo posebno pozornost dekletom, pri kate­rih je zelo majhno zanimanje za programiranje in ra-cunalništvo še posebej zaskrbljujoce. (Coding4Girls – Newsletter 1, 2019). 3.1 Rezultati projekta V tem razdelku so predstavljeni rezultati projekta Coding4Girls. 3.1.1 Metodološki okvir za reševanje problemov Pripravili smo metodološki okvir, ki temelji na sno­valskem razmišljanju (angl. design thinking) in mlade spodbuja k izbiri poklicne poti na podrocju racunal­ništva. Okvir bo ucence spodbudil, da si pred obli­kovanjem podrobne rešitve problema ustvarijo širšo sliko ter razmišljajo o tem, kako lahko digitalna teh­nologija pomaga reševati probleme iz vsakdanjega življenja (Coding4Girls – Newsletter 1, 2019). 3.1.2 Spodbujanje razvoja programerskih spretnosti s pomocjo izobraževalnih iger Ucence in dijake med 10. in 16. letom starosti želimo spodbujati k sodelovanju v programerskih aktivnostih s pripravljenimi aktivnostmi. Le-te si sledijo po težav­nosti, od lažjih do težjih, ki so namenjene predvsem uspešnejšim ucencem (low entry – high ceiling approach) (Izobraževalne vsebine za ucitelje, 2020). Ucenci tako dobijo delno rešene naloge, ki jih morajo sami dokon-cati v vizualnem programskem jeziku Snap! 3.1.3 Izobraževalne vsebine za ucitelje Pripravili smo 22 ucnih scenarijev, ki omogocajo in-tegracijo predlaganega pristopa s snovalskim razmi­šljanjem in ucenja s pomocjo izobraževalnih iger v šolsko prakso (Coding4Girls – Newsletter 1, 2019). Ucni scenariji so v pisni obliki na voljo na spletni strani projekta1v angleškem in slovenskem jeziku ter v jezikih vseh ostalih partnerjev v projektu. Na YouTube kanalu2pa so objavljeni tudi videovodici s podrobnejšo razlago ucnih scenarijev v anglešcini. 3.2 Ucni scenariji Aktivnosti smo skušali povezati s problemi iz re-snicnega sveta kot so na primer zbiranje in locevanje odpadkov ter onesnaževanje zraka. Pred pripravo ucnih scenarijev smo tudi raziskali, kakšne so prefe­rence deklet pri igranju iger. Ugotovili smo, da imajo dekleta rada igre vlog (Krassmann idr., 2015) ter igre z raziskovanjem (Hamlen, 2011), rada svoj lik urejajo (Adams, 2013), motivira jih zgodba v ozadju (Abdul Jabbar, 2015), samo pripovedovanje zgodb (Carval-ho idr., 2020) in povratne informacije (McClarty idr., 2012), v igri pa so dekletom pomembni tudi izzivi in zabava med igranjem (Pourabdollahian idr., 2012; Van Reijmersdal idr., 2012). Pripravljeni ucni scenariji se delijo na dva dela: v prvem delu ucenci v enem scenariju spoznajo po en programerski koncept, v drugem delu pa se kon­cepti prepletajo. Ucitelji lahko uporabijo predlagani vrstni red scenarijev ali pa ga po želji priredijo. Prav tako lahko priredijo aktivnosti ali dodajo svoje na-loge. Scenariji vsebujejo specifikacijo pricakovanega predznanja, splošne ter specificne ucne cilje, koncep­te, pricakovane rezultate, navodila za izvedbo aktiv­nosti po korakih, vprašanja za spodbujanje razprave ter dodatne naloge za sposobnejše ucence (Izobraže­valne vsebine za ucitelje, 2020). Pripravili smo tudi navodila za ucence za posamezno aktivnost, ki ucen­cem pomagajo pri samostojnem reševanju nalog. 3.2.1 Vsebine ucnih scenarijev V pripravah na zasnovo ucnega pristopa in izdelavo ucnih scenarijev smo izbrali kljucne koncepte, ki jih je potrebno predstaviti ucencem v okviru tecaja uvo­dnega programiranja. Spodnji seznam predstavlja splošne in specificne ucne cilje za posamezen ucni scenarij. Pri enostavnejših aktivnostih so zapisani ci­lji, s katerimi se ucenec sreca prvic: 1 Spletna stran projekta Coding4Girls: https://www.coding4girls.eu/ 2 YouTube kanal projekta Coding4Girls: https://www.youtube.com/channel/ UC0DEdwkV9PsJ4Fb70MAJQrg 1)Seznanjanje z vizualnim programskim jezikom Snap! (dodajanje lika, obleke, dodajanje in ureja­nje ozadja). 2)Sestavljanje zaporedja delckov za premikanje lika in uporaba delcka reci (sestavljanje ustrezne­ga zaporedna delckov). 3)Sestavljanje smiselnega zaporedja delckov (po­stavljanje lika na doloceno mesto, premikanje v x in y smeri, uporaba zanke »ponovi x-krat«). 4)Sestavljanje smiselnega zaporedja delckov (me-njava obleke lika in izdelava animacije, obracanje lika). 5)Dodajanje, snemanje in predvajanje zvoka (upo­raba knjižnice, uvoz iz racunalnika oz. snemanje lastnega zvoka). 6)Premikanje preko dogodkov, zaznavanje barve, Boolean vrednosti (premikanje lika s tipkami, za­znavanje dotikanja barve, uporaba logicnih izjav za preverjanje dotikanja barve, uporaba pogojne­ga stavka »ce-sicer«). 7)Premikanje po koordinatah, risanje (nastavljanje koordinat, uporaba svincnika za risanje). 8)Uporaba zanke »ponovi«, obracanje lika, menja­va ozadja (uporaba zanke ponovi za ponavljanje istih korakov, obracanje za x stopinj, spreminja­nje ozadja z uporabo dogodka). 9)Spoznavanje spremenljivk, prikazovanje/skriva­nje/podvojevanje lika, podvojevanje kode, pogoj­ni stavek (uvod v spremenljvke, upraba pogojne­ga stavka za preverjanje prikazovanja lika). 10)Spreminjanje vrednosti spremenljivke, nastavlja­nje vrednosti spremenljivke znotraj in zunaj zan­ke, uvod v for zanko, nakljucna števila, združe­vanje nizov, uporaba logicnih operatorjev, vnos uporabnika (razlika med nastavljanjem vredno­sti spremenljivke znotraj in zunaj zanke, uporaba bloka vprašaj in pridobivanje uporabnikovega vnosa, uporaba operatorjev za izracunanje pra­vilnega odgovora). 11)Spoznavanje zanke »ponavljaj dokler« in opera-torjev za primerjavo vrednosti (uporaba zanke »ponavljaj dokler« in operatorjev za preverjanje pravilnosti vnosa, dokler vrednost ni pravilna). Pri naprednjših aktivnosti pa ucenec: 12)Združi znanje spremenljivk, pogojnega stavka, zanke, obracanja v smeri, nakljucnega števila (spozna uporabo nakljucnega števila za hitrost premikanja in premikanja na nakljucno pozicijo). 13)Spozna pošiljanje in prejemanje obvestil, struktu­ro zgodbe (uporaba pošiljanja obvestil za sinhro­nizacijo dialogov). 14)Spoznava koncepta paralelizma (uporaba sporo-cil za paralelno izvajanje dogodkov, risanje kro­ga). 15)Združi znanje neskoncne zanke, nakljucnih šte­vil, števca in spozna casovnik (uporabi casovnik za konec igre). 16)Združi znanje spremenljivk, pogojnega stavka in operatorjev (uporaba operatorjev za spreminja­nje vrednosti spremenljivk). 17)Združi znanje spremenljivk, pogojnega stavka, zank, zaznavnih blokov, pošiljanja obvestil (upo­raba pošiljanja obvestil za spremembo lika in iz­racun koncnega rezultata). 18)Se nauci igro razdeliti na manjše dele in z njimi sestaviti celoto ter ustrezno prilagoditi del kode. 19)Ucitelj uporabi scenarij 1) ali 2): 1)Združi znanje spremenljivk, pogojnega stavka, zanke, pošiljanja obvestil, zvoka ter spozna se­stavljanje kode za melodijo. 2)Združi znanje pogojnega stavka in spremenljivk (uporabi zanko za predvajanje melodije). 20)Igro razdeli na manjše dele in z njimi sestavi celo-to (uporabi pošiljanje obvestil in menjavo ozadja za postavljanje vprašanj). 21)Se spozna s klonirajnjem objektov, definiranjem klona (uporabi kloniranje lika za sestavo igre Pa-cman) (Izobraževalne vsebine za ucitelje, 2020). 3.3 Coding4Girls okolje Spletno okolje za ucenje z elementi igrifikacije je bilo izdelano kot dodatek k ucnim scenarijem. Sestavlje-no je iz platforme za ucitelje ter igre za ucence3. Uci­telj v platrofmi izdela tecaj (ucni predmet) ali upora-bi že narejenega (tecaji so na voljo za vsako aktivnost v Snap!-u v vseh jezikih), postavi ucencem izzive, kjer lahko vkljuci dodatne elemente igrifikacije, doda nalogo v Snap!-u. Ucenci potem znotraj tecaja pro-gramirajo in igrajo mini igre iz spletnega okolja, ki so elementi igrifikacije v ucnem procesu. 3.4 Potek ucenja Ucitelj na zacetku predstavi glavni problem tako, da ucencem poda pisno navodilo. Nato lahko postavi ucencem vprašanja in pripravi oglasno desko z listki in vprašanji, na katera ucenci odgovarjajo (slika 2). Ucenci lahko vprašanja tudi sami postavljajo, prila­gajo slike, sodelujejo med seboj pri reševanju proble-ma in izmenjujejo mnenja. Ucitelj lahko nato v izziv vkljuci mini igro, torej element igrifikacije, ki je po­vezava z aktivnostjo v Snap!-u. Sledi programiranje v Snap!-u. Po oddaji naloge lahko ucitelj nastavi, da Slika 1: Oder in del kode iz ucnega scenarija 11 – Macje zavetišce Na spletni strani projekta sta dostopna tako platforma kot tudi igra. Uciteljem in ucencem so na voljo podrobna navodila v pisni in video obliki. Slika 2: Primer viharjenja možganov (angl. Brainstorming) ucenec oddano nalogo vidi, ucitelj pa na platformi dobi vse oddane naloge ucencev. 3.5 Mini igre V mini igrah se ucenec sprehaja po virtualnem 3D svetu. Vsaka igra se odvija v svojem okolju v naravi, na primer v gozdu, ob reki, na pešceni plaži, in vsaka izmed njih je povezana s programerskim konceptom. Slika 3 spodaj prikazuje mini igro, ki ucencem pri­bliža koncept pogojnega stavka. Ce je odgovor pra­vilen, bo ucenec pot nadaljeval po levi poti, sicer pa po desni. Ostale mini igre predstavljajo: • zvok, kjer mora ucenec pozorno poslušati oglaša­nje ptic; • nakljucna števila, kjer igralec proti racunalniku igra igro z igralnimi kockami; • operatorje, kjer ucenec izbira pravilna števila in operacijo, ki rešijo enacbo; • zaporedja, kjer ucenec stopa po crkah in tvori be-sedo; • zanke, kjer ucenec ponavlja isti korak in zlaga tri enake znake v vrsto; • spreminjanje videza; kjer ucenec igra igro kace, ki spremeni videz vsakic, ko poje hrano; • spremenljivke, kjer ucenec zbira žogice razlicnih barv in nato z združevanjem tvori žogice nove barve; • risanje, kjer ucenec na tabli povezuje pot med dvema tockama; • kviz, kjer ucenec odgovarja na uciteljeva vprašanja. 4 METODE IN REZULTATI Raziskava, s katero smo evalvirali novi didakticni pristop in izdelana ucna gradiva, je bila kvantitativ- Slika 3: Vnešeno uciteljevo vprašanje v platformi (levo) se ucencu prikaže v mini igri (desno) Slika 4: Odgovori ucencev o motivaciji za ucenje programiranja na in kvalitativna. Podatke smo zbirali z zacetnim in koncnim vprašalnikom za ucence ter s pomocjo zbranih opazovanj uciteljev in komentarjev ucencev, uciteljev in drugih strokovnjakov s podrocja racunal­ništva. V testiranju so sodelovali ucenci, dijaki, štu­denti, ucitelji ter drugi strokovnjaki s podrocja racu­nalništva iz sedmih držav: Bolgarije, Grcije, Hrvaške, Italije, Portugalske, Turcije in Slovenije. Testirali smo aktivnosti v Snap!-u ter spletno oko­lje Coding4Girls. Na testiranju je do sedaj sodelovalo vec kot 150 uciteljev in 900 ucencev iz vseh držav, testiranje pa še poteka. V nadaljevanju predstavljamo nekaj rezultatov testiranja v Sloveniji, kjer smo v letošnjem letu izve­dli zimsko šolo, krožek ter dve delavnici, na katerih je skupaj sodelovalo 50 ucencev. Mnenja uciteljev pa smo zbrali po spletnem dogodku projekta, kjer je do sedaj v anketi sodelovalo 12 uciteljev. Z zacetnim vprašalnikom, ki ga je izpolnilo 50 ucencev od 4. do 9. razreda osnovne šole (27 deklet in 23 fantov), smo zbirali podatke o tem, koliko casa na teden uporabljajo digitalne naprave, kakšno je njihovo predznanje programiranja, katere progra­merske koncepte že poznajo ter kaj jih motivira za Slika 5: Odgovori ucencev o zadovoljstvu s C4G metodologijo ucenje programiranja. Slika 4 prikazuje odgovore na vprašanje o motivaciji za ucenje programiranja. Najvec deklet uživa v reševanju logicnih problemov in ugank (48,15%), pri fantih pa je bil najpogostejši odgovor, da si želijo nadaljevati poklicno pot na po­drocju programiranja (43,48%). Pri tem vprašanju je prišlo tudi do najvecje razlike med spoloma, saj kari-era na podrocju racunalništva predstavlja motivacijo le za 14,81% deklet. Na vprašalnik po izvedenih ucnih aktivnostih je odgovorilo 43 ucencev od 5. do 9. razreda osnovne šole (22 deklet in 21 fantov). Od ucenev smo žele­li dobiti povratno informacijo o zadovoljstvu s C4G metodologijo, o uporabnosti spletnega okolja z ele­menti igrifikacije, ponovno pa smo jim zastavili tudi vprašanje o njihovem znanju programiranja. Zgornja slika (5) prikazuje povprecne odgovore ucencev, ki so odgovarjali na 5-stopenjski lestvici, kjer je 1 po­menilo, da se popolnoma ne strinjajo, 5 pa, da se po­polnoma strinjajo s trditvijo. Vidimo lahko, da so bili vsi odgovori zelo pozitivni, saj je bil najslabši rezul-tat pri dekletih 3,45 (Programiranje me motivira), pri fantih pa 3,48 (Pridobljeno znanje je pomembno za mojo prihodnosti). Trditev, da jih takšen nacin ucenja pritegne, pa je dosegel najvišjo povprecno oceno tako pri de­kletih (4,55), kot tudi pri fantih (4,62). O ustreznosti in ucinkovitosti ucenja z uporabo iger za gradnjo vešcin programiranja in specificnega C4G ucnega pristopa ter o primernosti aktivnosti v izdelanih ucnih scenarijih za dekleta smo spraševali udeležence spletnega dogodka Ucenje programiranja s snovanjem iger, ki je potekal novembra 2020. Predsta­vljamo odgovore 12 uciteljev, ki se jim takšen pristop zdi ustrezen, interaktiven, ucinkovit in motivacijski, kar je po njihovem mnenju pomembno, še posebej pri dekletih. Menijo, da je ucenje skozi igro bolj zani­mivo, saj se ucenci ucijo, ne da bi to opazili, hkrati pa od tega veliko odnesejo. Na vprašanje o primernosti iger za dekleta so ucitelji odgovorili, da so teme iger dobro izbrane, uporabne ter primerne tako za dekle­ta tudi za fante. ZAKLJUCEK Rezultati kažejo, da je bila C4G metodologija dobro sprejeta pri uciteljih in tudi pri ucencih. Novo razviti pristop ucenja s snovanjem iger se je izkazal za moti­vacijskega in zelo ucinkovitega, saj ucenci pridobijo veliko dragocenih izkušenj, izboljšujejo algoritmicno razmišljanje in usvajajo programerske koncepte. Pri­dobljeno znanje je zanje koristno, cetudi se ne odloci­jo za študij racunalništva, saj so ta znanja potrebna za življenje v digitalni dobi. Z izdelanimi ucnimi scena­riji tudi spodbujamo ucitelje racunalništva, da v ucne ure vkljucijo programiranje, saj so jim na voljo vsa potrebna navodila in gradiva lahko po želji prilago­dijo potrebam in možnostim v ucnem procesu. 6 ZAHVALA Delo je nastalo v okviru Erasmus+ projekta Codin­g4Girls (2018-1-SI01-KA201-047013). LITERATURA [1] Abdul Jabbar, A. I. And Felicia, P. (2015). »Gameplay enga­gement and learning in game based learning: A systematic review,« Review of educational research 85.4, pp. 1–40. [2] Adams, E. (2013). »Fundamentals of Game Design,« Design, Third Edit., New Riders, p. 576. [3] Caperton, I. H. 2010. Toward a theory of game-media litera­cy: Playing and building as reading and writing. International Journal of Gaming and Computer-Mediated Simulations (IJ­GCMS), 2(1), 1-16. [4] Carbonaro, M., Szafron, D., Cutumisu, M. and Schaeffer, J. (2010). Computer-game construction: A gender-neutral at­tractor to computing science. Computers & Education, 55(3), 1098–1111. [5] Carvalho, C. V., Cerar, Š., Rugelj, J., Tsalapatas, H., Heid­mann, O. Addressing the gender gap in computer pro­gramming through the design and development of serious games. IEEE-RITA. 2020, vol. 15, no. 3, str. 242-251. ISSN 1932-8540. Dostopno na: http://pefprints.pef.uni-lj.si/6429/. [6] Coding4Girls – Newsletter 1. (2019). Dostopno na: https://www.coding4girls.eu/upload/web_comp/add/ doc/000000333_1554129506.pdf [7] Coding4Girls – Newsletter 3. (2020). Dostopno na: https://www.coding4girls.eu/upload/web_comp/add/ doc/000000494_1585754616.pdf [8] Duffy, T. M. In Jonassen, D. H. (1991). Continuing the dialo­gue: An introduction to this special issue. Educational Tech­nology, 31(9), 9-11. [9] Gee, J. P. (2003). What video games have to teach us about learning and literacy. Computers in Entertainment (CIE), 1(1), 20-20. [10] Hamlen, K. R. (2011). »Children’s choices and strategies in video games,« Computers in Human Behavior 27.1, pp. 532-539. [11] Izobraževalne vsebine za ucitelje. Zbirka ucnih scenari­jev za ucenje programiranja na osnovi oblikovanja iger. (2020). Coding4Girls projektna dokumentacija. Dostopno na: https://www.coding4girls.eu/upload/web_comp/add/ doc/000000538_1595834682.pdf [12] Kafai, Y. (1995). Making game artifacts to facilitate rich and meaningful learning. Annual Meeting of the American Educa­tional Research Association, 1–20. [13] Kafai, Y. B. (2012). Minds in play: Computer Game Design As A Context for Children‘s Learning. Constraint Satisfacti­on and Debugging for Interactive User Interfaces. Doctoral Thesis. UMI Order Number: UMI Order No. GAX95-09398., University of Washington. [14] Krassmann, A. L., Paschoal, L. N., Falcade, A. in Medina, R. D. (2015). »Evaluation of game-based learning approaches through digital serious games in computer science hig­her education: a systematic mapping,« 2015 14th Brazilian Symposium on Computer Games and Digital Entertainment (SBGames). IEEE. [15] McClarty, K. L., Orr, A., Frey, P. M., Dolan, R. P. Vassileva, V. in McVay, A. (2012). »A literature review of gaming in educa­tion,« Gaming in education, pp. 1-35. [16] Paavola, S., Lakkala, M., Muukkonen, H., Kosonen, K. in Karl-gren, K. (2011). The roles and uses of design principles in a pro­ject on trialogical learning. Research in Learning Technology. [17] Papert, S. in Harel, I. (1991). Situating constructionism. Con-structionism, 36(2), 1-11. [18] Piaget, J. (1976). Piaget’s theory. In Piaget and his school (pp. 11-23). Springer, Berlin, Heidelberg. [19] Pourabdollahian, B., Taisch, M. in Kerga, E. (2012). »Serious games in manufacturing education: Evaluation of learners’ engagement,« Procedia Computer Science 15, pp. 256-265. [20] Prensky, M. (2001). »Digital Natives, Digital Immigrants«, On the Horizon. 9 (5): 1–6. [21] Rieber, L. P., Smith, L., in Noah, D. (1998). »The value of seri­ous play«. Educational Technology, 38(6), 29-37. [22] Rugelj, J. (2015). »Serious games design as collaborative le­arning activity in teacher education«. In: Busch, C. (ed.). Proc. of the 9th European Conference on Games Based Learning: Steinkjer, Norway 8-19 October 2015. Reading: Academic Conferences and Publishing International Limited, 456-460. [23] Rugelj, J. (2016). »Serious computer games design for active learning in teacher education«. In: Carvalho, C., Escudeiro, P., Coelho, A. (Eds.). Serious games, interaction, and simu­lation, Lecture notes of the institute for computer sciences, social informatics and telecommunications engineering, vol. 161. Dordrecht: Springer, 94-102. [24] Rugelj, J., Zapušek, M. (2018). »Innovative and flexible forms of teaching and learning with information and communication technologies«. In: Education and research in the information society: proceedings. Sofia: Institute of Mathematics and In­formatics Bulgarian Academy of Sciences, 11-20. [25] Rugelj, J. in Lapina, M. (2019). »Game design based learning of programming,« Proceedings of SLET-2019 – International Scientic Conference Innovative Approaches to the Applicati­on of Digital Technologies in Education and Research, Sta-vropol – Dombay, Russia, 20-23 May 2019. Aachen: CEUR workshop proceedings, vol. 2494. [26] Rugelj, J., Jedrinovic, S. in Bevcic, M. (2018). A comprehen­sive model of a cooperative role-playing game. Ljubljana: University of Ljubljana. http://game-it.net/images/results/A_ comprehensive_model_of_a_cooperative_role-playing_ game_UL.pdf [27] Sharpe, R., Beetham, H. in de Freitas, S. (2010). Rethinking Learning for a Digital Age: How Learners are Shaping their Own Experiences. Routledge. [28] Spieler, B. in Slany, W. (2018). Game Development-Based Learning Experience: Gender Differences in Game Design. arXiv preprint arXiv:1805.04457. [29] Van Reijmersdal, E. A., Jansz, J., Peters, O. in Van Noort, G.(2013). »Why girls go pink: Game character identification and game-players’ motivations,« Computers in Human Beha­vior 29.6, pp. 2640-2649. [30] Vygotsky, L. S. (1978). The development of higher psycholo­gical processes. Mind in society, 1-91. [31] Wu, B. in Wang, A. I. (2012). A guideline for game deve-lopment-based learning: a literature review. International Jo­urnal of Computer Games Technology, 8. [32] Zapušek, M., in Rugelj, J. (2014). Achieving teachers‘ com­petences in the serious game design process. V: Busch, C. (ur.). Proceedings of the 8th European Conference on Games Based Learning : Berlin, Germany October 2014. Vol.2. Re­ading: Academic Conferences and Publishing International Limited, 662-665. • Mateja Bevcic je magistrica profesorica matematike in racunalništva. V okviru Centra Univerze v Ljubljani za uporabo IKT v pedagoškem procesu visokošolskim uciteljem in sodelavcem svetuje pri uporabi razlicnih didakticnih pristopov ter pri uporabi informacijsko-komunikacijskih tehnologij v podporo kakovostnejšemu pedagoškemu procesu. Na podrocju raziskovanja se ukvarja z inovativnimi oblikami poucevanja, predvsem z ucenjem z uporabo iger. Po koncanem študiju na UL Pedagoški fakulteti je v zadnjih treh letih sodelovala v dveh nacionalnih projektih s podrocja uporabe IKT v izobraževanju ter v treh mednarodnih projektih s podrocja ucenja z uporabo iger. Rezultate svojega raziskovanja je predstavila v štirih clankih in na petih konferencah na nacionalni in mednarodni ravni. • Dr. Jože Rugelj je na Univerzi v Ljubljani redni profesor za racunalništvo v izobraževanju. Na Pedagoški fakulteti predava predmete s podrocja di­daktike racunalništva in uporabe IKT v izobraževanju na vseh treh bolonjskih stopnjah študija. Na raziskovalnem podrocju se ukvarja s podrocjem racunalniško podprtega sodelovalnega ucenja in z aktivnimi trialoškimi oblikami ucenja s posebnim poudarkom na ucenju s snovanjem in izdelavo racunalniških iger. V zadnjih 15 letih je bil nacionalni koordinator 11 mednarodnih projektov s podrocja uporabe IKT v izobraževanju in ucenja z igrami. Rezultate svoje raziskovanja je objavil v vec kot 20 clankih v mednarodnih revijah in v poglavjih v monografijah pri priznanih mednarodnih založbah, ki so bili citirani 90-krat v WoS in 204-krat v SCOPUS. krAtkI ZNANStVENI prISpEVkI Integracija strukturnih omejitev pri izpeljavi genesko regulatornih omrežij Žiga Pušnik, Miha Moškon Univerza v Ljubljani, Fakulteta za racunalništvo in informatiko, Vecna pot 113, Ljubljana ziga.pusnik@fri.uni-lj.si, miha.moskon@fri.uni-lj.si Izvlecek Inferenca gensko regulatornih omrežij (GRO) iz ekspresijskih podatkov je še vedno težak problem. Število genov je velikokrat vecje od števila poskusov, kjer gensko izražanje še dodatno spremlja dolocena mera šuma. Zato predlagamo uporabo strukturnih omejitev pri izpeljavi GRO na podlagi predhodnega znanja v obliki referencnih omrežij. Naša ideja izvira iz dejstva, da vsebujejo GRO vzorce, tako imenovane motive, ki se pojavljajo bistveno pogosteje, kot bi to pricakovali v nakljucno generiranih omrežjih. Uporabo predhodnega znanja dosežemo s spreminjanjem uteži posameznega gena v cenovni funkciji linearne regresije. Uteži spreminjamo iterativno z gradientnim spustom. Naš pristop temelji na že uveljavljeni parcialno korelacijski metodi SPACE. S spreminjanjem uteži na podlagi prisotnosti motivov, porazdelitve stopenj genov in pricakovanega števila regulatornih genov za odtenek izboljšamo tocnost, natanc­nost, priklic in F 1 oceno omrežij izpeljanih iz GRO bakterije E. coli. Kljucne besede: Gensko regulatorna omrežja, Inferenca omrežij, Integracija strukturnih podatkov, Refe-rencna omrežja Abstract The inference of gene regulatory networks (GRNs) from the gene expression data remains a challenging task. The number of genes is significantly larger than the number of experiments, where each experiment contains a noise component. We impose structural constraints on the inferred gene regulatory network based on the structure of reference GRNs. Our idea is motivated by the fact that GRNs contain a vast number of patterns, i.e. motifs, that are significantly more common than in randomized networks. We impose these constraints by modifying the weights of genes contributing to the joint loss function in the regression problem. We modify weights iteratively with gradient descent. Our approach is based on the already established partial correlation method dub­bed SPACE. By extracting the expected number of regulatory genes, gene degree distribution and motifs from the reference net­work, we have improved by a small margin the inference accuracy, precision, recall and F1 score in the inference of GRNs derived from the GRN of the E. coli bacteria. Keywords: Gene regulatory network, integrative data, network inference, reference network 1 UVOD Izpeljavo gensko regulatornih omrežij (GRO) iz eks­presijskih podatkov lahko umestimo v širši kontekst racunske biologije kot kljucen korak za odkrivanje zapletenih bioloških procesov. Metode za inferenco omrežij v splošnem delimo na (1) verjetnostne pristo­pe, (2) korelacijske in parcialno korelacijske pristope, ter (3) pristope na podlagi teorije informacij [Allen et al., 2012]. Rezultat teh metod je usmerjen graf, neu­smerjen graf, Bayesovska mreža ali Boolova mreža. Težava, s katero se srecujemo pri izpeljavi GRO iz ekspresijskih podatkov, je nizko število eksperimen­tov. Tipicno je število eksperimentov veliko manjše od števila vozlišc (genov) v omrežju. Slednje moc­no vpliva na pravilnost izpeljanega omrežja. Da bi zmanjšali velikost prostora rešitev, nekateri pristopi najprej združijo gene s podobno dinamiko v tako imenovane meta-gene [Martin et al., 2007]. Nekoliko naprednejše metode, kot je na primer metoda SPACE [Peng et al., 2009], ohranijo število ge­nov in so zato primernejše za inferenco omrežij z ve-cjo biološko relevanco. SPACE doloci povezave GRO na podlagi ocene parcialnih korelacij, pridobljenih z minimizacijo regularizirane cenovne funkcije. Problem obstojecih metod za inferenco omrežij je neupoštevanje predhodnega znanja o splošni struk­turi podobnih omrežij. Zaradi majhnega števila ek­sperimentov in prisotnosti šuma so lahko izpeljana omrežja nerealna, oziroma se prekomerno prilagodi­jo podatkom. V primerjavi z nakljucno generiranimi omrežji so GRO redko povezana in vsebujejo gene z velikim številom povezav. Ti imajo kljucno vlogo pri genski regulaciji, saj nadzirajo gene s skupno global-no funkcijo, kot je na primer celicni odziv. Poleg tega GRO vsebujejo pogosto ponavljajoce se vzorce voz­lišc oziroma fragmente, ki se pojavljajo pogosteje, kot bi pricakovali v nakljucnih omrežjih. Take fragmente imenujemo motivi. Zaradi evolucijskih prednosti, ki izhajajo iz nacina izvedbe razlicnih funkcij, so se mo-tivi razvili neodvisno v razlicnih organizmih. Pred­hodno poznavanje prisotnosti motivov in njihove strukture je moc uporabiti za izboljšanje rezultatov inference. Nekatere metode predhodno znanje v omejenem obsegu že upoštevajo. Parcialno korelacijski pristop ESPACE [Yu et al., 2017], ki izhaja iz metode SPA­CE, uvede dodatno kazen. Ta je nižja za gosto pove­zane gene z vec kot sedmimi povezavami [Yu et al., 2017]. ESPACE se na realnih omrežjih odreže bolje kot SPACE, ce predhodno vemo, katera vozlišca so gosto povezana. Ce to znanje ni na voljo, je ESPACE enaka metodi SPACE. Poleg tega metoda ESPACE ne upošteva dodatnega predhodnega znanja o omrežju, kot so motivi, povezanost omrežja in splošna struk­tura GRO. Naš pristop temelji na metodi SPACE, je konte­kstno odvisen in vkljucuje integracijo predhodnega znanja, ki ga podamo v obliki referencnih omrežij. Cilj takšnega pristopa je izpeljati GRO iz transkrip- Tabela 1: Primeri motivov organizma E. coli. Negativna avtoregulacija pripomore k povecanju robustnosti sistema. Naprej usmerjena zanka generira in zakasni pulz. Geni motiva bi-fan imajo skupno globalno funkcijo, kot je na primer odziv sistema na zunanje dražljaje. Vsebina tabele je povzeta po [Alon, 2006, Alon, 2007]. Motiv Struktura Z-vrednost Negativna avtoregulacija 32 Naprej usmerjena zanka 10 Bi-fan 13 tomskih podatkov in v omrežju ohraniti struktur­ne lastnosti referencnih omrežij, kot je povezanost omrežja in prisotnost motivov. Na tak nacin želimo zagotoviti izpeljavo pravilnih in biološko verodostoj­nih GRO. Integracijo predhodnega znanja dosežemo z iterativnim spreminjanjem uteži cenovne funkci­je. Uteži spreminjamo glede na pricakovano število povezav, porazdelitev stopnje vozlišc in prisotnostjo fragmentov s tremi vozlišci. Tak pristop lahko upora­bimo v razlicnih aplikacijah. V kontekstu sistemske biologije in medicine pogosto poznamo strukturo re­ferencnega omrežja (npr. zdrava celica), spremembe, ki pripeljejo do dolocene bolezni (npr. mutacije) pa so neznane ali poznane le delno. V kontekstu sin-tezne biologije lahko rešujemo podoben problem. Želen odziv sinteticnega sistema je poznan, pri ce-mer so spremembe referencnega omrežja, na primer omrežja gostiteljske celice, potrebne za pridobitev takega odziva, poznane le delno. Uporabo predlaga­nega pristopa v nadaljevanju ponazorimo na podlagi desetih referencnih omrežji in štirih testnih omrežij. Omrežja smo z orodjem GeneNetWeaver [Schaffter et al., 2011] izpeljali na podlagi GRO E. coli. 2 INTEGRACIJA STRUKTURNIH OMEJITEV Naj ima nakljucno generirano omrežje N vozlišc in E povezav. V nakljucnem Erdos-Renyi omrežju [Er­dös and Rényi, 1959] je verjetnost povezave enaka p = E/N 2. Ce primerjamo vzorce, ki se pojavljajo v biolo­ških GRO, lahko ugotovimo, da je pojavnost doloce­nih fragmentov bistveno vecja, kot bi to pricakovali v nakljucno generiranih omrežjih [Alon, 2007]. Tabela 1 prikazuje razlicne vrste motivov GRO E. coli in njihovo Z-vrednost [Alon, 2006]. V tem primeru predstavlja Z-vrednost število standardnih od- klonov pojavnosti motivov v bioloških GRO v primerjavi z nakljucnimi omrežji z enakim številom vozlišc in povezav[Alon, 2006]. Splošno strukturo GRO narekujejo motivi in re-gulatorni geni z velikim številom povezav. Podatke o motivih GRO lahko poleg same strukture omrežja v proces inference vkljucimo posredno preko referenc­nega omrežja. Referencno omrežje se lahko v tem primeru nanaša na omrežje sorodnega organizma, za katerega strukturo že poznamo, ali pa na omrežje pred izvedbo dolocene perturbacije (npr. pred poja­vom bolezni). Izhajamo iz parcialno korelacijske metode SPACE [Peng et al., 2009]. Parcialna korelacija je mera line­arne povezanosti dveh spremenljivk, pri cemer omi-na od nic. Parcialno korelacijo lahko izrazimo tudi limo vpliv vseh ostalih spremenljivk. Gena v GRO preko inverza kovariancne matrike oziroma matrike sta povezana, ce je njuna parcialna korelacija razlic-natancnosti S-1 z enacbo - sij .ij = sii sjj , (1) kjer je sij element i-te vrstice j-tega stolpca matrike kanja nenicelnih parcialnih korelacij [Peng et al., natancnosti. Peng in sodelavci reformulirajo problem 2009]. Zato predlagajo sledeco cenovno funkcijoiskanja povezav v omrežju v regresijski problem is­ S .ij L(T, s, Y ) = 1 · S m wi|| Yi - sjj Yj ||2· + . S | .ij|, (2) siiij 2 i = 1 i . 1 kjer je T = (.12, ..., .(p-1)p), s = diag(S-1) in . regulari-dr in prisotnost fragmentov s tremi vozlišci fr [Gal et zacijski parameter. Utež wipredstavlja prispevek na-al., 2020]. Pricakovano število povezav je skalar. Pri pake gena Yik skupni napaki. Regularizacija L1 do-porazdelitvi vozlišc opazujemo vozlišca, ki imajo od datno spodbuja k inferenci redko povezanih omrežij, 0 do vkljucno 10 povezav, pri cemer agregiramo vsa ki so v naravi pogostejša. Metoda SPACE deluje po vozlišca z vec kot desetimi povezavami v skupen korakih. V prvem koraku parameter sle ocenimo razred. Ker se ukvarjamo z neusmerjenimi grafi, sta 1/sˆ ii ˜ var(yi) in ga v sledecih iteracijah posodablja-možna samo dva razlicna fragmentka s tremi vozli-mo. Metodo ustavimo ob konvergenci ali po preteku šci, to sta trikotnik (angl. triangle) in pot (angl. path). maksimalnega števila iteracij. Nenicelne parcialne Želimo si izpeljati omrežje, ki je topološko podobno korelacije predstavljajo povezave izpeljanega omrež-referencnemu omrežju.ja [Peng et al., 2009, Yu et al., 2017]. Zaradi slednjega Naš pristop deluje iterativno. V prvi iteraciji topo­metoda SPACE izpelje neusmerjen graf.loške lastnosti izpeljanega omrežja še niso na voljo, Topološke znacilnosti referencnega omrežja v pri-zato utežimo vsak gen z enako utežjo wi = 1. Nato stop vkljucimo s prilagajanjem uteži cenovne funkci-apliciramo metodo SPACE. Na podlagi pricakovane­je. Vhodni argumenti našega pristopa so podatki gen-ga števila povezav pi, porazdelitve stopenj vozlišc di ske ekspresije Y ter matrike povezanosti referencnih in prisotnosti fragmentov fi izpeljanega omrežja mi-omrežij. Iz referencnih omrežij na zacetku izlušcimo nimiziramo cenovno funkcijopricakovano število povezav pr, porazdelitev vozlišc C (di ,fi ,pi ) = aS (||di -d||2) + bS (|| fi -f||2) + cS (pi -p).(3) rrr Zaradi razlicnih magnitud pri posameznih topo-lagajamo z gradientnim spustom in stopnjo ucenja loških lastnostih cenovno funkcijo še dodatno nor-a= 0, 1maliziramo s sigmoidno funkcijo S. Koeficiente a, b Naš pristop poleg iterativnega popravljanja uteži in c smo dolocili eksperimentalno, in sicer a = 0, 6, vnaša dodatno racunsko zahtevnost z numericnim b = 0, 2, c = 0, 2. Uteži iterativno v stotih iteracijah pri-odvajanjem. wi = wi - a dC. (4) dwi Tabela 2: prikazuje rezultate izpeljave inference omrežij z metodo SPACE brez modifikacij in z modificiranimi utežmi. Kljub nizki natancnosti in F 1 oceni naš pristop v doloceni meri izboljša rezultate inference. Omrežja Osnoven Prilagojene uteži Omrežje Tocnost Natancnost Priklic F1 Tocnost Natancnost Priklic F1 0,823 0,252 0,514 0,338 0,833 0,266 0,514 0,351 20,68 0,122 0,39 0,186 0,684 0,124 0,39 0,188 0,663 0,166 0,776 0,274 0,668 0,168 0,776 0,277 40,811 0,22 0,465 0,299 0,82 0,231 0,465 0,308 3 DISKUSIJA IN REZULTATI Pristop smo ovrednotili na sinteticnih podatkih štirih GRO, ki smo jih izpeljali iz vecjega GRO E. coli.Ta-kšna omrežja so za naš pristop še vedno obvladljiva, hkrati pa izhajajo iz realnega omrežja, ki vsebuje že omenjene lastnosti GRO, kot je prisotnost motivov. Izpeljana omrežja vsebujejo 40 vozlišc in imajo vsaj 20 regulatornih genov. Podatke genske ekspresije smo z orodjem GeneNetWeaver generirali na enak nacin kot v izzivu DREAM4[Marbach et al., 2009, Marbach et al., 2010, Prill et al., 2010] s stohasticnimi diferenci­alnimi enacbami. Za inferenco omrežij smo uporabili casovno serijo genskega izražanja in izražanje z utiša­nimi geni (t.i. knockout in knockdown geni). Tabela 2 prikazuje rezultate izpeljave inference omrežij z metodo SPACE brez modifikacij in z mo-dificiranimi utežmi. Kljub nizki natancnosti in F1 oceni naš pristop v doloceni meri izboljša rezultate inference. Omrežja izpeljana s prilagajanjem uteži imajo manj lažno pozitivnih povezav, kar je razvidno iz ocene natancnosti. Slika 1 prikazuje graf omrežja 1, izpeljanega z modifikacijami uteži. Zaradi pregle­dnosti lažno pozitivnih povezav ne prikazujemo. Že na manjšem grafu, kot je ta, so razvidne topološke lastnosti GRO. Opazimo lahko prisotnost gosto po­vezanih vozlišc, manjše število trikotnikov in vecje število vozlišc stopnje 1. Tabela 2: Primerjava rezultatov inference omrežij pridobljenimi z osnovno metodo SPACE in z metodo SPACE s prilagojenimi utežmi. Omrežja s štiridese­timi vozlišci smo iz GRO E. coli pridobili z orodjem GeneNetWeaver. 4 ZAKLJUCEK Predlagali smo pristop integracije strukturnih ome­jitev pri izpeljavi GRO s spremembami uteži, preko Slika 1: Rezultati inference omrežja 1, pridobljeni z uporabo metode SPACE s prilagojenimi utežmi. Crne povezave so pravilno izpeljane, modre povezave so prisotne a niso izpeljane. Napacno izpeljanih povezav zaradi vecje preglednosti ne prikazujemo. katerih smo posredno opisali pricakovane lastnosti referencnih omrežij. Te smo dolocili na podlagi pri-cakovanega števila povezav, porazdelitve stopenj vozlišc in prisotnosti motivov s tremi vozlišci. Te in-formacije pristop avtomatsko pridobi iz podanih re­ferencnih omrežij. Predlagani pristop temelji na par-cialno korelacijski metodi SPACE [Peng et al., 2009]. Pokazali smo, da takšna integracija predhodnega znanja lahko izboljša tocnost izpeljanih omrežij, ce-tudi le za odtenek. Naša ideja je izhajala iz dejstva, da struktura GRO sledi dolocenim pravilom. Taka omrežja so redko povezana ter vsebujejo motive in regulatorne gene z velikim številom povezav [Alon, 2006]. Naš pristop zato lahko uporabimo v primeru izpeljave GRO na podlagi poznanega referencnega omrežja sorodne­ga organizma ali poznanega omrežja pred izvedbo sekvence dolocenih perturbacij omrežja. Pomanklji­vost našega pristopa je višja casovna zahtevnost. Ker naš pristop prilagaja uteži iterativno, s tem vpeljemo dodaten racunski cas. Naša druga skrb je prekomer-no prilagajanje strukture izpeljanega GRO omrežja k referencnemu omrežju. Slednji problem bi lahko na­slovili z vpeljavo dodatnega skalirnega faktorja. Ce bi nastavili vrednost skalirnega faktorja na 0, bi izpe­ljali omrežje brez omejitev referencnega omrežja. V nasprotnem primeru bi upoštevali topološke znacil­nosti referencnega omrežja sorazmerno z velikostjo skalirnega faktorja. V nadaljnjem delu bomo pristop uporabili na realnih omrežjih genske regulacije. Pri tem bomo kot referencna omrežja preizkusili omrež­ja sorodnih organizmov. Zanimalo nas bo predvsem, kako se pristop obnese pri vecjih omrežjih ter kakšna je obcutljivost metode na perturbacije referencnega omrežja. Zaradi nekoliko slabših rezultatov inferenc­ne metode SPACE se bomo osredotocili na drugacne pristope, kot so hevristicni algoritmi in multikriterij-ska optimizacija. LITERATURA [1] [Allen et al., 2012] Allen, J. D., Xie, Y., Chen, M., Girard, L., and Xiao, G. (2012). Comparing statistical methods for con­structing large scale gene networks. PloS one, 7(1):e29348. [2] [Alon, 2006] Alon, U. (2006). An introduction to systems biolo­gy: design principles of biological circuits. Chapman and Hall/ CRC. [3] [Alon, 2007] Alon, U. (2007). Network motifs: theory and expe­rimental approaches. Nature Reviews Genetics, 8(6):450. [4] [Erdös and Rényi, 1959] Erdös, P. and Rényi, A. (1959). On random graphs, i. Publicationes Mathematicae (Debrecen), 6:290–297. [5] [Gal et al., 2020] Gal, E., Perin, R., Markram, H., London, M., and Segev, I. (2020). Neuron geometry underlies univer­sal network features in cortical microcircuits. bioRxiv, page 656058. [6] [Marbach et al., 2010] Marbach, D., Prill, R. J., Schaffter, T., Mattiussi, C., Floreano, D., and Stolovitzky, G. (2010). Revea­ling strengths and weaknesses of methods for gene network inference. Proceedings of the national academy of sciences, 107(14):6286–6291. [7] [Marbach et al., 2009] Marbach, D., Schaffter, T., Mattiussi, C., and Floreano, D. (2009). Generating realistic in silico gene networks for performance assessment of reverse engineering methods. Journal of computational biology, 16(2):229–239. [8] [Martin et al., 2007] Martin, S., Zhang, Z., Martino, A., and Faulon, J.-L. (2007). Boolean dynamics of genetic regulatory networks inferred from microarray time series data. Bioinfor­matics, 23(7):866–874. [9] [Peng et al., 2009] Peng, J., Wang, P., Zhou, N., and Zhu, J. (2009). Partial correlation estimation by joint sparse regres­sion models. Journal of the American Statistical Association, 104(486):735–746. [10] [Prill et al., 2010] Prill, R. J., Marbach, D., Saez-Rodriguez, J., Sorger, P. K., Alexopoulos, L. G., Xue, X., Clarke, N. D., Altan--Bonnet, G., and Stolovitzky, G. (2010). Towards a rigorous assessment of systems biology models: the dream3 challen­ges. PloS one, 5(2):e9202. [11] [Schaffter et al., 2011] Schaffter, T., Marbach, D., and Florea-no, D. (2011). GeneNetWeaver: in silico bench- mark genera­tion and performance profiling of network inference methods. Bioinformatics, 27(16):2263– 2270. [12] [Yu et al., 2017] Yu, D., Lim, J., Wang, X., Liang, F., and Xiao, G. (2017). Enhanced construction of gene regulatory networks using hub gene information. BMC bioinformatics, 18(1):186. • Žiga Pušnik je asistent in doktorski študent na Fakulteti za racunalništvo in informatiko Univerze v Ljubljani. Njegovi raziskovalni interesi so ra-cunska in sintezna biologija, strojno ucenje in inferenca omrežij. Trenutno poucuje pri predmetih Osnove digitalnih vezij, Racunalniška arhitektura ter Brezžicna in mobilna omrežja. • Miha Moškon je izredni profesor na Fakulteti za racunalništvo in informatiko Univerze v Ljubljani. Raziskovalno se ukvarja z vzpostavitvijo in upo­rabo metod za racunsko-podprto modeliranje in analizo bioloških sistemov na podrocju sistemske biologije in medicine ter za racunsko-podprto snovanje bioloških sistemov na podrocju sintezne biologije. E-ucno okolje z oporami za samoregulacijo ucenja Alenka Kavcic1, Bojana Boh Podgornik3, Ciril Bohak1, Katja Depolli Steiner2, Alenka Gril4, Aleš Hladnik3, Vid Klopcic1, Luka Komidar2, Žiga Lesar1, Matija Marolt1, Sonja Pecjak2, Matevž Pesek1, Tina Pirc2, Anja Podlesek2, Melita Puklek Levpušcek2, Cirila Peklaj2 1Univerza v Ljubljani, Fakulteta za racunalništvo in informatiko, Vecna pot 113, Ljubljana 2Univerza v Ljubljani, Filozofska fakulteta, Aškerceva 2, Ljubljana 3Univerza v Ljubljani, Naravoslovnotehniška fakulteta, Snežniška 5, Ljubljana 4Pedagoški inštitut, Gerbiceva 62, Ljubljana alenka.kavcic@fri.uni-lj.si, bojana.boh@a.ntf.uni-lj.si, ciril.bohak@fri.uni-lj.si, katja.depollisteiner@ff.uni-lj.si, alenka.gril@guest.arnes.si, ales.hladnik@ntf.uni-lj.si, vid.klopcic@fri.uni-lj.si, luka.komidar@ff.uni-lj.si, ziga.lesar@fri.uni-lj.si, matija.marolt@fri.unilj.si, sonja.pecjak@ff.uni-lj.si, matevz.pesek@fri.uni-lj.si, tina.pirc@ff.uni-lj.si, anja.podlesek@ff.uni-lj.si, melita.puklek@ff.uni-lj.si, cirila.peklaj@ff.unilj.si Izvlecek E-gradiva in e-ucbeniki si pocasi utirajo pot v naše šole. Njihov pravi pomen se je pokazal tudi ob zadnji epidemiji, ko so bile šole zaprte, ucenci pa veckrat prepušceni sami sebi in angažiranosti svojih staršev. Za uspešno ucenje z uporabo e-gradiv mora ucenec uporabiti primerne strategije samoregulacije ucenja, ki mu omogocajo, da doseže zastavljene ucne cilje. Ucencem s slabše razvitimi samoregulacijskimi spretnostmi lahko pri ucenju pomaga umestitev ucnih opor med vsebino obravnavane snovi. V clanku je predsta­vljena pilotna raziskava na vzorcu 91 devetošolcev, v kateri smo preverjali delovanje ucnih opor. V ta namen smo razvili e-ucno okolje za prikaz ucne enote z vstavljenimi razlicnimi vrstami ucnih opor (kognitivne, metakognitivne in motivacijske), ki omogoca tudi beleženje aktivnosti ucenca. Rezultati so pokazali, da so po ocenah ucencev najboljša pomoc pri ucenju kognitivne opore. Kljucne besede: e-ucno okolje, samoregulacijsko ucenje, sledenje aktivnosti, ucne opore Abstract E-materials and e-textbooks are slowly making their way into our schools. Their true value was demonstrated during the last epide­mic, when schools were closed and students were often left to themselves and the engagement of their parents. For the success­ful learning with e-materials, students need to use appropriate self-regulated learning strategies that enable them to achieve the learning goals set. Students with less developed self-regulation skills can be helped in their learning by setting up learning scaffolds within the learning content. In the article, we present a pilot study on a sample of 91 ninth-graders on which the efficiency of learning scaffolds was tested. For this purpose, an e-learning environment was developed to present the content of the learning unit with different embedded types of learning scaffolds (cognitive, metacognitive and motivation), which also allowed for the tracking of student activities. The results showed that, according to the students, the evaluation cognitive scaffolds are recognized as the best learning support. Keywords: E-learning environment, self-regulated learning, activity tracking, learning scaffolds UVOD vaje, ponavljanje in preverjanje znanja, vsebina pa Tehnologija je lahko koristen pripomocek pri pou-je predstavljena z avdiovizualnimi in interaktivnimi cevanju in ucenju, predvsem kadar fokus ni na njej elementi, ki omogocajo oplemeniteno pridobivanje sami, ampak predstavlja le orodje, ki omogoca ko-znanja (Vidrih 2020).gnitivni proces pridobivanja znanja. E-ucbenik je E-ucno gradivo omogoca vkljucevanje razlicnih tako nadgradnja klasicnih ucbenikov, ki poleg pri-medijev (poleg besedila in slik, ki jih poznamo že iz dobivanja novega znanja omogoca tudi dodatne klasicnih ucbenikov, se uporabljajo tudi avdio in vi­ E-ucno okolje z oporami za samoregulacijo ucenja deo posnetki, animacije ter simulacije), najvecja do-dana vrednost pa je interaktivnost. S tem postavlja ucenca v aktivno vlogo in spodbuja razvoj kompe­tenc. Vse to pomaga pri kognitivni obdelavi gradiva, omogoca vizualizacijo odnosov med pojmi, osmišlja­nje vsebine ter konstrukcijo novega znanja (Mayer, 2014). Pri e-ucenju lahko predstavlja veliko težavo pred­vsem pomanjkanje samoregulacijskih vešcin pri ucencih. Te vešcine vkljucujejo postavljanje ciljev ucenja, spremljanje procesa svojega ucenja ter re-guliranje procesa ucenja glede na cilje in zahteve v okolju. Ker so pri e-ucenju ucenci manj vodeni in se lahko bolj samostojno premikajo skozi ucno enoto, to omogoca ucencu vecjo fleksibilnost in individualno prilagajanje spoznavanja snovi v takem zaporedju in s tako hitrostjo, kot mu to najbolj ustreza. Ravno zato je pomembno, da zna ucenec sam dobro voditi proces svojega ucenja, saj je tu potrebno veliko vec samonadzora in samoorganizacije (Azevedo, 2005). Ce ucenci teh samoregulacijskih spretnosti nima­jo dobro razvitih, jim lahko pomagamo z razlicnimi ucnimi oporami, ki jih vkljucimo v e-ucno enoto. Ustrezno pripravljeno e-ucno gradivo lahko spodbu­di samoregulacijske procese ucenja in s tem bistve-no vpliva na rezultate ucenja. Katere ucne opore v e-gradivih so ucinkovite in pomagajo pri pridobiva­nju in konstrukciji novega znanja, je odvisno tudi od individualnih znacilnosti ucenca (kot so kognitivne, motivacijske in osebnostne znacilnosti, poleg tega pa tudi od ucencevega predznanja, sposobnosti, pozna­vanje strategij ucenja, samoregulacijske kompetence in podobno). Za boljši vpogled v uporabljene strategije ucenja in samoregulacijske procese smo izdelali testno e-uc­no enoto, v kateri beležimo vse aktivnosti ucenca. V ucno enoto smo dodali tudi razlicne vrste opor, kar omogoca proucevanje vpliva opor na samoregulacij­ske procese in posledicno na rezultate ucenja. Razvi­ta enota bo služila za nadaljnje raziskave na podrocju samoregulacije ucenja v e-ucnem okolju. TEORETICNO OZADJE Za boljše razumevanje samoregulacije ucenja in ucin­kovitosti ucnih strategij je potrebno podrobneje pre­gledati nekaj osnovnih pojmov na tem podrocju. 2.1 Racunalniško podprto ucno okolje Racunalniško podprta ucna okolja so postala del vsakdana in ucenci jih uporabljajo tako doma kot tudi v šoli (Azevedo, 2005). Omogocajo uporabo no-vih, multimedijsko podprtih ucnih tehnologij, ki lah­ko predstavijo informacije na razlicne nacine glede na znacilnosti ucnega materiala in potrebe ucenca, ter lahko s tem hkrati podpirajo razlicne nacine uce­nja (Schar & Krueger, 2000). Vendar je tako okolje lahko ucinkovito le v pri­meru, ko ucenec regulira svoje ucenje, tj. uporabi metakognitivne in samoregulacijske procese, ki so potrebni za ucinkovito ucenje podane snovi (Aze­vedo, 2005). Ucenje naravoslovnih vsebin s pomocjo racunalniško podprtih ucnih okolij je še posebej zah­tevno, ker so te vsebine konceptualno bogate in zah­tevajo od ucenca, da analizira ucno situacijo, postavi pomembne ucne cilje, izbere ucne strategije, ki jih bo uporabil, oceni, ali so strategije ucinkovite za dosego ucnih ciljev, ter na koncu še evalvira svoje razumeva­nje snovi (Azevedo, 2005). Pri tem mora ucenec upo­rabiti vec metakognitivnih procesov, da ugotovi, ali razume, kaj se uci, in da po potrebi spremeni svoje nacrte, cilje, strategije in vložen napor. Racunalniško podprta ucna okolja nudijo po­membne priložnosti za samouravnavanje ucenja in ucencu omogocajo visoko stopnjo kontrole (Azeve-do, 2005). Zato so zelo primerna za razvijanje ucen­ceve zmožnosti za regulacijo ucenja. 2.2 Samoregulacija ucenja Samoregulirano ucenje je aktiven proces, v katerem si ucenec postavi cilje svojega ucenja in nato poskuša nadzorovati in uravnavati svoje znanje, motivacijo in obnašanje, pri tem pa ga vodijo in omejujejo posta­vljeni cilji in zahteve v okolju (Pintrich, 2000). Kompleksen in vecplastni znacaj samoregulacij­skega ucenja se kaže v treh kljucnih komponentah (Vandevelde et al., 2013): kognitivni, metakognitiv­ni in motivacijski. Metakognitivne aktivnosti, ki jih ucenci izvajajo ob razlicnih mejnikih tekom celo­tnega ucnega procesa, zajemajo nacrtovanje, posta­vljanje ciljev, organiziranje, samonadzorovanje in samoevalvacijo. Kognitivne komponente se nanaša­jo na razlicne ucne strategije in taktike, ki jih ucenci izberejo in uporabijo za ucenje, ter tudi na sam nacin, kako ucenci izberejo, strukturirajo in ustvarijo okolje za optimizacijo ucenja. Za uspešno uporabo (meta)kognitivnih strategij ucenec ne potrebuje le ustreznih vešcin, temvec je tu zelo pomembna tudi motivaci­ja. Tako je pri samoregulacijskem ucenju zelo po­ E-ucno okolje z oporami za samoregulacijo ucenja membna tudi motivacijska komponenta, ki vkljucuje notranjo motivacijo, samopodobo, zaupanje v svojo ucinkovitost, zanimanje za nalogo in tudi strategije za uravnavanje motivacije in emocij. Razlicne študije so že pokazale, da imajo opore za samoregulacijo ucenja v racunalniško podprtih ucnih okoljih pozitiven ucinek na rezultate ucenja (Zheng, 2016). Tudi razvita e-ucna enota, opisana v tem prispevku, bo služila za preucevanje razlicnih metod za spodbujanje samoregulacije ucenja. 2.2 Ucne opore Ideja o ucnih oporah izhaja iz poucevanja predšol­skih otrok, kjer ucitelj nudi otroku podporo, ki omo­goca, da otrok reši problem, izvede nalogo ali doseže dolocen cilj, ki ga brez pomoci ne bi zmogel (Wood et al., 1976). Ucne opore (Devolder et al., 2012) so orodja, stra­tegije in vodila, ki jih vkljucimo v eucno enoto in pomagajo ucencem, da dosežejo višji nivo znanja in razumevanja, kot bi ga brez opor. Brez takega vod­stva ucenci ne bi mogli doseci tega višjega nivoja ra­zumevanja. Opore imajo razlicne funkcije in razlicne nacine uporabe, pri ucenju pa zahtevajo in spodbu­jajo tudi razlicne psihicne procese. Lahko bi rekli, da je ucna opora strukturirana podpora ucencu pri uce­nju, ki mu omogoca, da doseže višjo raven znanja, kot bi ga brez nje, in na tej ravni tudi ostane, potem ko umaknemo podporo. Raziskave kažejo, da opore za samoregulacijo ucenja v splošnem pozitivno vplivajo na uspešnost ucencev (Zheng, 2016). Poleg tega se opore v spletnih ucnih okoljih izkažejo za bolj ucinkovite kot v ostalih ucnih okoljih. Rezultati raziskav tudi kažejo, da so splošne opore bolj ucinkovite kot opore, specificne za doloceno podrocje, vendar pa je najbolj ucinkovita prav kombinacija obeh vrst opor (splošnih in speci­ficnih). Opore pomagajo ucencem pri iskanju rešitev kompleksnih problemov in pozitivno vplivajo na ko­gnitivne rezultate (Belland, Walker, & Kim, 2017). V literaturi najdemo razlicne vrste opor (Devol­der et al., 2012), ki se locijo po svoji funkciji oz. po tem, katere procese spodbujajo (tj. kognitivne, me-takognitivne, motivacijske), po vsebini (tj. specific­ne za doloceno snov ali splošne, ki so neodvisne od trenutne ucne vsebine), po nacinu podajanja ali po orodju oz. mehanizmu, s katerim jih predstavimo (npr. namigi, opomniki, ekspertni nasveti, pedagoški agenti idr.). Glede na nacin podajanja so opore lahko vkljucene (vkljucene v ucno okolje tako, da jih uce­nec mora upoštevati, da lahko nadaljuje z ucenjem) ali nevkljucene (ucenec oporo uporabi na lastno po­budo), fiksne/staticne (ucencu nudijo nespremenlji­vo obliko smernic, postopkov in informacij) ali prila­godljive/dinamicne (omogocajo interaktivno ocenje­vanje ucencevega napredka in se prilagajajo glede na trenutno znanje ucenca) (Devolder et al., 2012). Meta-analiza uporabe opor pri reševanju odprtih problemov na podrocju naravoslovja (Belland, Wal­ker, Kim, et al., 2017) je pokazala, da so bili rezulta-ti spodbujanja ucnih dosežkov podobni pri uporabi specificnih in splošnih opor, na rezultate pa ni vpli­valo niti spreminjanje opor v casu ucenja (tj. odvze­manje ali dodajanje opor) niti nacin implementacije opor (tj. fiksne, prilagodljive, (ne)vkljucene). Tako se dajanje opor pri racunalniško podprtem ucenju lah­ko nacrtuje na zelo razlicne nacine. 3 PRIPRAVA E-UCNEGA OKOLJA Pri e-ucenju je zelo pomembna kakovost pripravlje­nih ucenih enot. Mayer (2014) v svoji kognitivni te­oriji ucenja z multimedijo in v e-ucnem okolju ugo­tavlja, da so pri multimedijskem oblikovanju trije najpomembnejši cilji: 1)Zmanjšanje procesiranja nebistvenih vsebin, ki je posledica neustrezno oblikovanih multimedijskih gradiv (npr. prevec slikovnega gradiva, ki se ne nanaša neposredno na ucno vsebino). 2)Uravnavanje procesiranja bistvenih vsebin (npr. ce je gradivo zelo kompleksno in presega kogni­tivno kapaciteto ucenca, je potrebno prepoznati in izlušciti najpomembnejše dele). 3)Spodbujanje generativnega procesiranja (npr. po­vezovanje vsebine slik z besedilom ali uporaba animacije za boljše razumevanje razlage). Navedene cilje smo upoštevali tudi pri pripravi naše testne e-ucne enote. Ucno vsebino zanjo smo izbrali med vsebinami, ki so nastale v okviru pro-jekta E-ucbeniki s poudarkom naravoslovnih predmetov v osnovni šoli,1in sicer iz interaktivnega ucbenika s podrocja kemije, ki pokriva vsebino kurikuluma za 9. razred OŠ.2Prednost izbire že obstojece enote je predvsem v tem, da je enota že preizkušena v praksi v razredu. Odlocili smo se za enoto Barve in vonj (po­ 1 Zavod Republike Slovenije za šolstvo (vodja projekta dr. Igor Pesek), ESS in MIZŠ, 2011 – 2014 (https://www.zrss.si/projektiess/default.asp?pr=9) 2 https://eucbeniki.sio.si/kemija9/index.html E-ucno okolje z oporami za samoregulacijo ucenja glavje Zaznava vonja in lastnosti dišecih spojin), ki jo v šolah obravnavajo v okviru izbirnega predmeta Kemija v življenju. S tako izbiro smo lažje preprecili situacijo, da bi ucenci v razredih, ki bodo sodelovali pri raziskavi, že poznali vsebino te ucne enote. Eno-to smo dodatno spremenili tako, da je bolj primerna za prikaz preko spleta, jo ustrezno prilagodili in jo pripravili za ucenje v e-obliki, obravnavane koncepte pa še dodatno dopolnili z multimedijskimi vsebina-mi, upoštevajoc tudi Mayerjeve principe oblikovanja multimedijskih vsebin (Mayer, 2014). Enoto smo vkljucili v spletno ucno okolje, ki smo ga namensko razvili za predvajanje (tj. prikaz) vse­bine e-ucnih enot. Ucno okolje omogoca tudi admi­nistracijo uporabnikov in dodeljevanje pravic za pri­kaz dolocenih e-ucnih enot ter hkrati tudi spremlja in sproti beleži aktivnosti ucenca pri ucenju z e-ucno enoto. Funkcionalnosti tega ucnega okolja so po­drobneje opisane v razdelku 3.2. 3.1 Vkljucitev ucnih opor V pripravljeno e-ucno enoto smo vgradili razlicne opore v obliki spodbud, opomnikov, namigov in vprašanj, ki pomagajo ucencu pri samoregulaciji uce­nja. Tako smo dobili vec razlicic e-ucne enote (vsaka razlicica z drugimi oporami), ki so bile pripravljene za uporabo pri izvedbi raziskave na podrocju samo­regulacije ucenja. Pregled raziskav o ucinkovitosti opor za samore­gulacijo ucenja v racunalniško podprtih ucnih okoljih pri naravoslovnih predmetih (Devolder et al., 2012) pokaže, da se vecina študij osredotoca predvsem na kognitivne opore, le malo raziskav pa se ukvarja z ne­kognitivnimi podrocji samoregulacije ucenja. Rezul­tati raziskav kažejo, da kognitivne in metakognitivne opore podobno spodbujajo ucne dosežke, medtem ko je bilo za motivacijske opore opravljenih zelo malo raziskav in njihovi rezultati niso bili enoznacni (Bel-land, Walker, Kim, et al., 2017). Zato je bilo pomemb-no, da pripravimo in v ucno enoto vkljucimo tudi ne­kognitivne opore, saj smo želeli preveriti ucinkovitost opor s širšega vidika. Tako smo pripravili tri skupine opor: kognitivne, metakognitivne in motivacijske. Pred pripravo konkretnih opor za našo e-ucno enoto smo morali poiskati še odgovore na vprašanja glede vsebine opor, nacina podajanja opor ter števila v ucno enoto vkljucenih opor. Rezultati meta-analize raziskav (Belland, Walker, Kim, et al., 2017) kažejo, da ni razlik v spodbuja­nju dosežkov ucencev, ce uporabimo splošne ali pa specificne opore. Podobno tudi ni razlik, ce so opo-re fiksne ali prilagodljive oziroma ce so vkljucene ali ne. Tako smo se odlocili, da v enoto dodamo nekaj splošnih in nekaj specificnih opor. Izbrali smo le fi­ksne opore, saj so prilagodljive veliko bolj zahtevne za pripravo in navadno zajemajo tudi modeliranje ucne domene in znanja ucenca. Nekatere opore v enoti so vkljucene, tako da ucenec ne more nadalje­vati, dokler opore ne odpre oz. uporabi, druge pa omogocajo, da jih ucenec lahko sam izbere ali nada­ljuje brez uporabe opore (nevkljucene). Glede mehanizma dajanja opor so predhodne raz­iskave pokazale (Zheng, 2016), da ni razlik ob upora-bi posameznih mehanizmov, vendar je najbolje, da so opore vkljucene v vse faze samoregulacijskega uce­nja (tj. nacrtovanje, spremljanje, uravnavanje). Sledili smo tem priporocilom in pri izbiri opor poskrbeli, da so bile vkljucene v vse tri faze samoregulacijskega ucenja. Pri številu opor smo izhajali iz obsega e-ucne enote. Ta je bila razdeljena na šest poglavij (po eno stran), zato smo se odlocili, da vkljucimo šest opor, predvidoma po eno v vsako poglavje. Opor ne sme biti prevec, da ne motijo procesa ucenja, pa tudi ne premalo, da se ne izgubi njihov ucinek. 3.1.1 Kognitivne opore Kognitivne opore so tiste, ki se nanašajo na zapo­mnitev informacij. To so vodila, ki ucenca usmerjajo k dolocenim kognitivnim procesom in ga vodijo pri tem, ko usvaja novo znanje oz. ko poskuša prenesti informacije v dolgorocni spomin tako, da jih bo ka­sneje lahko priklical in uporabil. Kognitivne opore torej lahko opredelimo kot orodja ali tehnike, ki pod-pirajo ucence pri razvoju konceptualnega in proce­duralnega znanja in razumevanja. Za uspešne rezultate ucenja so pomembni tri­je sklopi kognitivnih strategij: strategije ponavlja­nja, elaboracije in organizacije (Weinstein & Mayer, 1986). Strategije vsakega sklopa lahko razdelimo še na osnovne in kompleksne. Strategije ponavljanja pomagajo, da ucenci iz snovi razberejo pomembne informacije in jih ohranijo v spominu (npr. ponavlja­nje imen z urejenega seznama, prepisovanje, ozna-cevanje in podcrtovanje ucnega materiala). Strategije elaboracije uporabi ucenec za preoblikovanje infor­macij in odnosov med razlicnimi deli snovi (npr. vi­ E-ucno okolje z oporami za samoregulacijo ucenja zualna predstava dolocenega prizora, povzemanje, parafraziranje, analogije, povezovanje novih infor­macij z obstojecim znanjem). Strategije organizaci­je pomagajo ucencu iz obravnavane snovi izlušciti kljucne koncepte in jih organizirati na bolj smiseln nacin (npr. grupiranje in urejanje, ustvarjanje hierar­hij, sheme, miselni vzorci, iskanje podobnosti in raz­lik) (Zabret et al., 2006). Med kognitivnimi oporami se kot najbolj ucinko­vite izkažejo spodbude (Devolder et al., 2012). Opora lahko ucencu predlaga, naj oznaci ali izpiše kljucne besede v odstavku, našteje dejstva, razmisli o pove­zavi med koncepti, se vrne nazaj, še enkrat pojasni prikazan odnos, ponovi del snovi, napiše povzetek prebranega, poveže dva koncepta in podobno. V nadaljevanju je opisanih vseh šest kognitivnih opor, ki smo jih vkljucili v ucno enoto. Kognitivne opore so nazorno prikazane (v modrem okvircku je navodilo, temu pa lahko sledi še sivi del za reševanje naloge), tako da se locijo od ostalega besedila v ucni enoti. Slika 1 prikazuje izseke z oporami iz enote, kjer so opore prikazane po vrsti, kot se pojavijo v enoti, od zgoraj navzdol. Ucna enota vkljucuje tudi slovar s pojasnili manj znanih izrazov in novih pojmov iz enote. Slovar je do-segljiv kadarkoli tekom ucenja. Kot prvo kognitivno oporo (oznaka kog1) smo dodali navodilo, da si uce­nec pogleda slovar in kje lahko najde povezavo na slo-var (zgornja opora na sliki 1). Ta opora spodbuja stra­tegije ponavljanja. Druga kognitivna opora (z oznako kog2) se nanaša na prebrano besedilo z navodilom, da v besedilu ucenec oznaci kljucne besede. Opora spod­buja osnovne strategije elaboracije. Tretja kognitivna opora (kog3) je naloga, da ucenec postavi podane besede, ki sestavljajo obravnavan proces, v pravilno zaporedje. Opora spodbuja kognitivne strategije orga­nizacije. Cetrta kognitivna opora (kog4) se nanaša na ogled interaktivnega modela dveh molekul in ucenec mora zapisati razlike, ki jih je opazil med molekula-ma. Ta opora podpira strategije kompleksne organi­zacije. Pri peti kognitivni opori (kog5) mora ucenec razvrstiti podane besede v dve kategoriji. S tem opora spodbuja strategije elaboracije in organizacije. Zadnja kognitivna opora (kog6) od ucenca zahteva, da zapiše tri vprašanja, ki bi mu jih lahko o snovi zastavil ucitelj, in s tem spodbuja kognitivne strategije elaboracije. Slika 1: Uporabljene kognitivne opore. V e-ucno enoto smo vkljucili šest razlicnih kognitivnih opor. Na sliki so po vrsti prikazane opore oz. njihovi izseki, kot so bile predstavljene v enoti. Od zgoraj navzdol se nahajajo naslednje opore: uporaba slovarja (kog1), oznacevanje kljucnih besed (kog2), vrstni red v procesu (kog3), opis razlik (kog4), razvršcanje po lastnostih (kog5) in sestavljanje vprašanj (kog6). E-ucno okolje z oporami za samoregulacijo ucenja 3.1.2 Metakognitivne opore Metakognitivne opore so tista vodila, ki usmerjajo ucenca k razmišljanju o ucenju, torej k nacrtovanju, spremljanju in ovrednotenju procesa ucenja. Ucen-ca spodbujajo k razmisleku o tem, katero obstojece znanje mu lahko pomaga pri ucenju, kaj se je že na-ucil, ali razume prebrano in podobno. Lahko ga tudi spodbudi, da si postavi kratkorocne cilje in pregle­duje, kako napreduje pri ucenju. Metakognitivne strategije, ki nam pomagajo nad­zorovati razlicne vidike mišljenja in ucenja, lahko razdelimo na tri sklope (Zabret et al., 2006): nacrtova­nje, spremljanje in uravnavanje. Nacrtovanje vklju-cuje strategije, ki jih ucenec uporabi pred ucenjem, kot je na primer postavljanje ciljev. Na tem mestu mu lahko ponudimo opore v obliki opomnikov (npr. na­vodilo, kakšen je cilj naloge, ali vprašanje, kaj o snovi že ve ali kaj bi se rad naucil). Spremljanje se nanaša na sam proces ucenja ali reševanja problemov; s temi strategijami ucenec ocenjuje ucinkovitost uporabe razlicnih ucnih strategij. Tudi tu ucencu lahko poma­gajo ponujene opore v obliki opomnikov z vprašanji, ali je na pravi poti, ali razume pojme v snovi, ali gre morda prehitro skozi snov, ali je z mislimi še pri sno-vi oz. ali razmišlja o cem drugem. Strategije uravna­vanja ucenja uporabi ucenec po koncanem ucenju ali ob zaznavi problemov v procesu ucenja. Opore mu lahko nudimo v obliki opomnikov z vprašanji, ali je ponovno pogledal gradivo, ce necesa ni razumel, ali je dobro pogledal sliko oz. animacijo. V ucno enoto smo vkljucili tudi šest metakogni­tivnih opor, ki so prikazane v rdecih okvirckih, tako da se tudi metakognitivne opore locijo od ostalih opor in od besedila obravnavane snovi. Izseki z opo­rami iz enote so prikazani na sliki 2; opore so tudi tu razvršcene od zgoraj navzdol, kot se pojavijo v e­-ucni enoti. Prva metakognitivna opora (oznacena kot meta1) od ucenca zahteva, da na traku oznaci, kako ocenjuje svoje dosedanje znanje (tj. pred ucenjem s to e-ucno enoto) o obravnavani snovi. Glede na faze samoregu­lacijskega ucenja ta opora pri ucencu spodbuja stra­tegije nacrtovanja, medtem ko vse naslednje opore spodbujajo strategije spremljanja in uravnavanja. Pri drugi metakognitivni opori (meta2) mora ucenec od­govoriti (da ali ne) na vprašanje, ali je dovolj pozorno prebral, da razume snov. Tudi tretja metakognitivna opora (meta3) prikazuje trak, na katerem mora uce­nec oznaciti, kako dobro razume obravnavan proces. S cetrto oporo (meta4) ucenca opomnimo, da naj misli Slika 2: Uporabljene metakognitivne opore. V e-ucno enoto smo vkljucili šest razlicnih metakognitivnih opor. Na sliki so po vrsti prikazane opore oz. njihovi izseki, kot so bile predstavljene v enoti. Od zgoraj navzdol se nahajajo naslednje opore: ocena trenutnega znanja (meta1), razumevanje snovi (meta2), ocena razumevanja predstavljenega procesa (meta3), opomnik o fokusu na vsebino (meta4), ocena razumevanja prikazanega video posnetka (meta5) in ocena znanja po zakljuceni enoti (meta6). E-ucno okolje z oporami za samoregulacijo ucenja usmeri nazaj na vsebino, ce so mu medtem odtavale, in s tem spodbudimo njegovo uravnavanje pozorno­sti. Peta metakognitivna opora (meta5) je podobna tretji, le da ucenec ocenjuje svoje razumevanje vsebine video posnetka, ki si ga je pred tem ogledal. Zadnja metakognitivna opora (meta6) pravzaprav dopolnjuje prvo metakognitivno oporo, saj ucenec na traku oce­njuje svoje znanje o obravnavani snovi po zakljuce­nem ucenju. Ta opora se nanaša na evalvacijo nauce­nega, kar omogoca nadaljnje uravnavanje ucenja. 3.1.3 Motivacijske opore Motivacijske opore ucenca motivirajo za ucenje in ga spodbujajo, da pri ucenju vztraja. Z njimi spodbuja-mo ucencev interes za ucenje, zaznavo pomembnosti in uporabnosti ucne snovi ali naloge, samoucinkovi­tost, ciljno naravnanost v odlicnost, pripadnost, re-gulacijo custev in avtonomijo. S tem se poveca aktiv-no vkljucenost ucencev v ucenje. Motivacijska opora na primer nudi pohvale pri ucenju ter spodbude o tem, kako ucenec napreduje skozi gradivo (kot je trak napredovanja pri ucenju ali število pravilnih odgovorov pri vprašanjih). Lahko so to provokativna vprašanja, podani razlogi za po­membnost snovi za sedanje in bodoce življenje, ali pa pri opisu vsebine ali naloge izhajamo iz vsakodnev­nih izkušenj. Dodatnih šest opor, ki smo jih vkljucili v ucno enoto, je prikazanih v zelenih okvirckih, ki predsta­vljajo motivacijske opore. Izseke z oporami iz enote, razvršcenimi od zgoraj navzdol, prikazuje slika 3. Motivacijske opore se zacnejo s provokativnim vprašanjem (opora mot1), ki je neposredno poveza-no z obravnavano snovjo. Druga opora (mot2) pri­kaže zanimivost iz našega življenja in hkrati poda razloge za pomembnost snovi. Tretja opora (mot3) obvesti ucenca, da je že na polovici in ga s tem spod­budi, da nadaljuje z ucenjem. Cetrta motivacijska opora (mot4) je vprašanje z vec možnimi odgovori, ki se nanaša na tik pred tem razloženo snov, hkrati pa izpostavi pomembnost snovi za sedanje in bodo-ce življenje. Ucenec lahko poskuša poiskati pravilen odgovor veckrat, a ce mu v treh poskusih ne uspe, se prikaže pravilen odgovor. Peta motivacijska opora (mot5) ponovno ponudi zanimivost iz življenja, to-krat iz manj znanega živalskega sveta. Zadnja moti­vacijska opora (mot6) pa je spodbuda pred opravlja­njem testa znanja po zakljucenem ucenju. Slika 3: Uporabljene motivacijske opore. V e-ucno enoto smo vkljucili šest razlicnih motivacijskih opor. Na sliki so po vrsti prikazane opore oz. njihovi izseki, kot so bile predstavljene v enoti. Od zgoraj navzdol se nahajajo naslednje opore: provokativno vprašanje (mot1), zanimivost iz življenja (mot2), spodbuda na polovici snovi (mot3), kviz iz vsakdanjega življenja (mot4), zanimivost iz živalskega sveta (mot5) in spodbuda pred testom (mot6). E-ucno okolje z oporami za samoregulacijo ucenja 3.1.4 Pripravljene razlicice e-ucnih enot Za pilotno testiranje smo pripravili štiri razlicice e­-ucne enote, ki so se razlikovale le po številu in vrsti vkljucenih ucnih opor: 1)e-ucna enota s kognitivnimi ucnimi oporami (vkljucuje 6 opor), 2)e-ucna enota z metakognitivnimi ucnimi oporami (vkljucuje 6 opor), 3)e-ucna enota z motivacijskimi ucnimi oporami (vkljucuje 6 opor), 4)e-ucna enota z vsemi tremi vrstami ucnih opor (vkljucuje 18 opor). Za nadaljnje raziskave smo dodali še dve razlici­ ci: brez dodanih ucnih opor ter z mešanimi ucnimi oporami, v kateri smo imeli po dve opori vsake vrste, smiselno porazdeljene po e-ucni enoti. Primer ene strani iz e-ucne enote, v katero smo vstavili vse tri vrste ucnih opor, je prikazan na sliki 4. 3.2 Spletno ucno okolje Za ustrezen prikaz vsebine e-ucne enote in vklju-cenih ucnih opor smo pripravili tudi spletno ucno okolje, v katerem smo izvajali vse aktivnosti ucenja. Okolje je bilo namensko izdelano za podporo našim raziskavam in ni namenjeno kot neko splošno okolje za prikaz e-ucnih vsebin oz. za vsakodnevno upora­bo doma ali v šoli. Specifika našega okolja je namrec sprotno beleženje interakcije ucenca s sistemom, kar nam daje vpogled tudi v dejansko aktivnost ucenca v postopku ucenja snovi iz e-ucne enote in v uporabo postavljenih ucnih opor. Spletno ucno okolje je izdelano z uporabo pro-gramskega jezika Python v spletnem ogrodju Djan-go. V ozadju uporablja relacijsko podatkovno bazo, v katero shranjuje vse podatke, zabeležene pri inte­rakciji uporabnika s sistemom. Na sliki 4, ki prikazuje e-ucno enoto z oporami, lahko vidimo, da je vsebina le-te prikazana znotraj aplikacije, ki se izvaja v spletnem brskalniku (poime­novali smo jo E-UCBENIK). Pri izdelavi aplikacije smo predvideli, da bo delo­vala na racunalnikih s HD-locljivostjo zaslona, zato smo ustrezno nastavili fiksno širino spletne strani; po potrebi se pri daljših straneh ob strani pojavi nav­picni drsnik. Slika 4: E-ucna enota z vkljucenimi vsemi tremi vrstami ucnih opor. Vsebina e-ucne enote je prikazana v spletnem brskalniku. Ucenec se mora prijaviti s svojo šifro (na sliki je šifra 0000), nato lahko pregleduje vsebino e-ucne enote. Slovar pomembnih pojmov iz obravnavane snovi se prikaže na zahtevo (klik na povezavo SLOVAR) v pojavnem oknu. Ucne opore so vkljucene v besedilo enote, oznacene pa so z barvnimi okvircki: na sliki vidimo modro kognitivno oporo oznacevanja kljucnih besed (kog2), rdeco metakognitivno oporo z opomnikom o fokusu na vsebino (meta4) ter zgornji del zelene motivacijske opore z zanimivostjo iz življenja (mot2). E-ucno okolje z oporami za samoregulacijo ucenja 3.2.1 Administratorski del Administratorski vmesnik potrebujemo za ustvar­janje prijavnih šifer za ucence, ki bodo uporabljali e-ucno enoto. Vsak ucenec se mora namrec prijavi-ti v enoto, da lahko spremljamo njegovo delo med ucenjem. Za prijavo smo uporabili posebne šifre, s katerimi smo poskrbeli za anonimnost ucencev (po­vezavo šifre z imenom ucenca je imel le ucitelj v ra­zredu tega ucenca). Šifre smo grupirali po šolah, kar omogoca lažjo organizacijo šifer in boljši pregled nad njimi. Vsaki šifri lahko dodelimo tudi ucne opore, ki se prikazujejo skupaj s snovjo enote. Opore lahko do-delimo že pri ustvarjanju skupine šifer za doloceno šolo ali naknadno pri urejanju posamezne šifre. Izbe­remo lahko razlicne kombinacije vrst opor: samo ko­gnitivne, samo metakognitivne, samo motivacijske, vnaprej dolocena kombinacija treh vrst opor (mešane opore), brez opor, ali pa vse tri vrste opor (slednja opcija prikaže vseh 18 opor v ucni enoti). Administratorski vmesnik omogoca tudi pregled podatkov, ki so zabeleženi za vsako šifro. Ker je teh podatkov zelo veliko (v bazi je 14 tabel), je ta opci­ja namenjena bolj posameznim primerom, ce bi bile potrebne intervencije na podatkih v bazi. Sicer smo za dostop do podatkov v bazi pripravili posebne skripte, ki ne poskrbijo le za izvoz teh podatkov v standardnem formatu, ampak hkrati izvedejo tudi ustrezno pretvorbo in agregacijo, da kot rezultat do-bimo želene mere, ki jih lahko uporabimo v nadalj­njih analizah. 3.2.2 Beleženje interakcije ucenca Za spremljanje ucenceve aktivnosti med potekom ucenja iz e-ucne enote smo v ucno okolje vgradili beleženje vseh aktivnosti, ki jih lahko zaznamo pre­ko interakcije uporabnika s sistemom, to je sledenje njegove aktivnosti z miško in tipkovnico. Tako sis-tem neprestano sledi premikanju miške (samodejno shranjevanje koordinat miške na dolocen casovni interval), beleži vse pritiske na miškine gumbe in premikanje kolešcka na miški, poleg tega pa beleži tudi vsak pritisk tipke na tipkovnici. Oboje se seveda beleži in shranjuje le v kontekstu dela znotraj e-ucne enote (tj. ne zanima nas pritiskanje miškinih gumbov na splošno, ampak nas zanima, kam v enoti je ucenec kliknil, npr. na kateri gumb, in ob katerem casu). Tako nas je pri ucencevem delu z e-ucno enoto za­nimalo predvsem odpiranje poglavij v e-ucni enoti, klikanje na posamezne gumbe, reševanje nalog, od­govori ucenca itd. Beležili so se predvsem naslednji dogodki: • nalaganje ali sprememba aktivne strani, • izbira povezave »Vec …«, ki odpre okno z doda­tno (izbirno) vsebino, • izbira stikala, • izbira iz spustnega seznama, • izbira izkljucujocega stikala, • izbira na drsniku,• oznacevanje besed v besedilu, • miškini dogodki (koordinate, kliki na gumbe, premik kolešcka), • zapisano besedilo (odgovori na vprašanja), • ogled video posnetka in interakcija z njim (zau­stavitev, ponovno predvajanje, se je posnetek od­vrtel do konca), • vlecenje besed v vec kategorij (npr. besedo pote­gni v ustrezen stolpec glede na lastnosti), • vlecenje besed v pravilni vrstni red. Poleg tega smo pri vseh zabeleženih dogodkih dopisali še cas, v katerem se je ta zgodil (timestamp), tako da lahko na koncu izracunamo, koliko casa je preteklo med dvema poljubnima dogodkoma. Pri vsakem uporabniku smo shranili še dodatne zabe­ležke glede njegove seje, kot so cas zacetka dela, cas zakljucka, ali je opravil doloceno aktivnost ali nalogo (npr. dokoncal kviz) in podobno. Pri vsakem ucencu smo shranili tudi vidnost posameznih opor, tj. katere ucne opore so bile ucencu prikazane. Vsi zabeleženi podatki se shranjujejo neposredno v podatkovno bazo, kjer so na voljo za nadaljnjo ob-delavo. 4 PILOTNO TESTIRANJE V predraziskavi smo na vzorcu 91 devetošolcev pi-lotno preverili relevantnost in razumljivost vsebin e-ucne enote in ucnih opor ter ustreznost delovanja platforme za beleženje ucenceve interakcije. Poleg tega smo ucence povprašali še za mnenje o vkljuce­nih ucnih oporah. Pripravljeno e-ucno enoto smo testirali v razredu na šoli v okviru rednega pouka. Ucenci so najprej dobili ustna navodila glede nacina dela, nato so sa­mostojno predelali e-ucno enoto in se poskušali kar najvec nauciti. Na koncu so imeli tudi test znanja, ki je vkljuceval 6 vprašanj odprtega tipa in 10 vprašanj izbirnega tipa. Ucenci so med ucenjem lahko prosi­ E-ucno okolje z oporami za samoregulacijo ucenja li tudi za pomoc, tako tehnicno kot glede navodil in izvedbe, niso pa dobili dodatne razlage ali pojasnil v zvezi z obravnavano snovjo. Za posamezno testiranje smo predvideli dve šol-ski uri (uro in pol), a naj bi predvideno ucenje z e-uc­no enoto trajalo približno eno uro. Za primerljivost rezultatov testiranj smo poskrbeli tako, da smo za vsako testiranje na šoli vzpostavili enako ucno oko­lje: prenosniki z HD-locljivostjo zaslona, zunanja mi-ška in slušalke. Za povezavo v internet smo poskrbe­li s postavitvijo lokalnega omrežja v ucilnici. Tako pri testiranju nismo bili vezani na racunalniške ucilnice na šolah, ki so lahko razlicno opremljene, razlicnih prostorskih kapacitet in morda tudi zasedene v žele­nem terminu. Ucna enota deluje v spletnem brskalniku Chrome. Pri vsaki izvedbi so bili prisotni dva testatorja, ki sta poskrbela za ustrezna navodila ucencem in izved­bo ucne ure, ter dva racunalnicarja, ki sta poskrbela za pripravo ucilnice in za tehnicno pomoc ucencem med izvajanjem ucne ure. Po koncanem ucenju z e-ucno enoto in po opra­vljenem testu so ucenci odgovorili še na vprašanje, kateri dve opori sta jim pri ucenju snovi najbolj po­magali in kateri dve najmanj. Ucencem smo opore predstavili kot spodbude za ucenje v rdecih/modrih/zelenih okvirckih poleg besedila. Ucenec je imel pri­kazan seznam s slikami vseh opor, ki jih je dobil v enoti (kot so prikazane na slikah 1, 2 in 3), in opore je s tega seznama potegnil v dve okenci, eno za najbolj­šo pomoc pri ucenju in drugo za najslabšo. Za vsako okence je moral ucenec izbrati natanko dve opori in iste opore ni mogel hkrati postaviti v obe okenci. Na podlagi ocen ucencev smo nato izbrali opore za eno-to s kombinacijo opor za nadaljnje raziskave. 4.1 Ocenjevanje opor Ucno enoto smo pilotno testirali na skupini 99 de­vetošolcev (štirje razredi) iz treh razlicnih slovenskih osnovnih šol. Vsak razred je predstavljal eno testno skupino, poimenovali smo jih A1, A2, B3 in C4, v njih pa je sodelovalo 27, 28, 23 in 21 ucencev. Testiranje je potekalo aprila in maja 2019. Vsaka testna skupina je dobila ucno enoto z dru-go vrsto vkljucenih opor: kognitivne opore, motiva­cijske opore, metakognitivne opore ter vse tri vrste opor. V skupini s kognitivnimi oporami je bilo 27 ucen­cev, a je le 22 ucencev odgovorilo na vprašanja o naj­boljših in najslabših oporah. V skupini z motivacij­skimi oporami je bilo 28 ucencev, od teh en ucenec ni odgovarjal na vprašanja o ucnih oporah, dva ucenca pa nista imela soglasja za sodelovanje v raziskavi, zato njunih rezultatov nismo beležili. Tako smo sku­paj zbrali odgovore 91 sodelujocih ucencev. Podatki o testiranju so združeni v tabeli 1. 4.2 Rezultati Za posamezno ucno uro, v kateri so ucenci predelali snov e-ucne enote, je bilo predvideno okoli 50 minut. Ucenci so zanjo v povprecju porabili 31,4 minute (najmanj 14 minut in najvec 69 minut, mediana 28 minut). Ta rezultat je povprecen cas, ne glede na upo­rabljeno razlicico e-ucne enote. Ucenci so v povpre-cju snov predelali precej hitreje, kot smo predvideli. Skupina s kognitivnimi oporami (A1) je v pov­precju za ucno enoto porabila 38,4 minute (od 14 do 59 minut, mediana 40 minut), skupina z motivacij­skimi oporami (A2) 26,0 minut (od 14 do 44 minut, mediana 24 minut) ter skupina z metakognitivnimi oporami (B3) 26,4 minute (od 15 do 48 minut, medi­ana 24 minut). Skupina z vsemi tremi vrstami opor (C4), ki je imela trikrat vec opor kot ostale skupine, ima povprecen cas 36,1 minuto (od 16 do 69 minut, mediana 40 minut). Glede na porabljen cas za e-ucno enoto lahko sklepamo, da so ucenci porabili najvec casa za kognitivne opore, saj imata razlicici s kogni­tivnimi oporami in z vsemi oporami zelo podoben povprecen cas in enako mediano. Metakognitivne in motivacijske opore so po drugi strani zahtevale manj Tabela 1: Sodelujoci ucenci v pilotnem testiranju e-ucne enote z razlicnimi vrstami opor. Skupina Število ucencev Število odgovorov Vrsta opor Število opor v e-ucni enoti A1 27 22 kognitivne opore 6 A2 28 25 motivacijske opore 6 B3 23 23 metakognitivne opore 6 C4 21 21 vse tri vrste opor 18 Alenka Kavcic, Bojana Boh Podgornik, Ciril Bohak, Katja Depolli Steiner, Alenka Gril, Aleš Hladnik, Vid Klopcic, Luka Komidar, Žiga Lesar, Matija Marolt, Sonja Pecjak, Matevž Pesek, Tina Pirc, Anja Podlesek, Melita Puklek Levpušcek, Cirila Peklaj: E-ucno okolje z oporami za samoregulacijo ucenja Tabela 2: Ocene posameznih kognitivnih opor v testni skupini A1. Oznaki ++ in – – pomenita število ucencev, ki so to oporo izbrali za najboljšo oz.najslabšo kot prvo izbiro, oznaki + in – pa kot drugo izbiro. Število ocen pove, koliko ucencev je to oporo izbralo kot tisto, ki jim je najbolj oz. najmanj pomagala pri ucenju (torej je vsota vseh štirih predhodnih stolpcev). Tocke skupaj za doloceno oporo pomenijo vsoto tock vseh ucencev skupine. V tabeli sta posebej oznaceni opori, ki sta v tej skupini izbrani kot najboljša (zelena) ali kot najslabša (rdeca) pomoc pri ucenju. opora skupina ++ + – – – število ocen tocke skupaj kog1 A1 2331 9 0 kog2 A110121 14 16 kog3 A1 9 702 18 23 kog4 A1 02610 18 –20 kog5 A1 1734 15 –1 kog6 A1 02 8 4 14 –18 casa (manj dela) in tudi ti dve razlicici imata podoben povprecen cas in enako mediano. Rezultat ni prese­netljiv, saj so kognitivne opore od ucenca zahtevale vec dela, ker so morali v okviru naloge iz opore de­jansko nekaj narediti, izvesti. S tem je bila daljša tudi njihova interakcija s sistemom (npr. zapis vprašanja ali oznacevanje kljucnih besed ob ponovnem branju odstavka). Vse opore smo tockovali glede na to, ali so jih ucenci izbrali kot najboljšo oz. najslabšo pomoc pri ucenju. Opori, ki jo je ucenec kot prvo potegnil v okence za najboljšo pomoc pri ucenju, smo dodelili 2 tocki. Druga izbrana opora v okencu najboljše pomo-ci je dobila 1 tocko. Podobno je opora, ki jo je ucenec kot prvo potegnil v okence za najslabšo pomoc pri ucenju, dobila -2 tocki, druga opora v tem okencu pa -1 tocko. Vse ostale opore so pri tem ucencu dobile 0 tock. Za vsako oporo smo nato sešteli tocke vseh ucencev v skupini. Rezultati so prikazani v tabelah 2, 3, 4 in 5, za vsako skupino posebej, pripadajoci stolp-cni grafi pa so na slikah 5, 6, 7 in 8. Pri kognitivnih oporah kot najboljša opora izrazi-to izstopa opora z oznako kog3, pri kateri mora uce­nec postaviti podane besede v pravilni vrstni red, kot si sledijo v obravnavanem procesu. Naloga zahteva razmišljanje o prebrani snovi, a je zanimiv izziv in zelo interaktivna. Kot najboljšo pomoc pri ucenju jo je izbralo 16 ucencev od 22 in le dva ucenca sta ozna-cila, da jima je bila ta opora najmanj v pomoc. Tudi oporo, ki zahteva oznacevanje kljucnih besed v bese­dilu (kog2), je polovica ucencev (11 od 22 ucencev) dolocila za najboljšo pomoc pri ucenju. Obe opori se nanašata na osnovno razumevanje snovi, kar zahte­va bolj enostavne miselne procese. Po drugi strani je kar 16 od 22 ucencev kot naj­slabšo kognitivno oporo izbralo oporo kog4, pri ka­teri so morali zapisati razlike, ki so jih opazili med molekulama (po ogledu interaktivnega modela mo- Slika 5:Stolpcni graf, ki prikazuje število ucencev, ki so posamezno kognitivno oporo (skupina A1) izbrali za najboljšo oz. najslabšo pomoc pri ucenju kot prvo oz. drugo izbiro (številcni podatki iz tabele 2). Alenka Kavcic, Bojana Boh Podgornik, Ciril Bohak, Katja Depolli Steiner, Alenka Gril, Aleš Hladnik, Vid Klopcic, Luka Komidar, Žiga Lesar, Matija Marolt, Sonja Pecjak, Matevž Pesek, Tina Pirc, Anja Podlesek, Melita Puklek Levpušcek, Cirila Peklaj: E-ucno okolje z oporami za samoregulacijo ucenja Tabela 3: Ocene posameznih motivacijskih opor v testni skupini A2. Oznaki ++ in – – pomenita število ucencev, ki so to oporo izbrali za najboljšo oz.najslabšo kot prvo izbiro, oznaki + in – pa kot drugo izbiro. Število ocen pove, koliko ucencev je to oporo izbralo kot tisto, ki jim je najbolj oz. najmanj pomagala pri ucenju (torej je vsota vseh štirih predhodnih stolpcev). Tocke skupaj za doloceno oporo pomenijo vsoto tock vseh ucencev skupine. V tabeli sta posebej oznaceni opori, ki sta v tej skupini izbrani kot najboljša (zelena) ali kot najslabša (rdeca) pomoc pri ucenju. opora skupina ++ + – – – število ocen tocke skupaj mot1 A27 3 5 4 19 3 mot2 A24445 17 –1 mot3 A2 8 1051 24 15 mot4 A23255 15 –7 mot5 A21445 14 –7 mot6 A22225 11 –3 lekule). Le dva ucenca sta to oporo prepoznala kot dobro pomoc pri ucenju. Opora zahteva vnos neko­liko daljšega besedila in pri tem mora ucenec dobro preuciti oba modela molekul ter razmisliti, kje so razlike med njima. Tudi opora kog6, pri kateri mora ucenec sestaviti tri vprašanja, ki bi mu jih o snovi lah­ko postavil ucitelj, je bila vec kot polovici ucencev (12 od 22 ucencev) najmanj v pomoc pri ucenju. Tudi ta opora zahteva razmislek o predelani snovi in vnos nekoliko daljšega besedila. Obe opori se nanašata na poglobljeno razumevanje snovi, zahtevata bolj kom­pleksne miselne procese in vec ucencevega napora. Pri motivacijskih oporah kot najboljša pomoc pri ucenju izstopa opora mot3, ki ucenca obvesti, da je že na polovici snovi, in ga s tem spodbudi k na­daljevanju. Kot najboljšo jo je izbralo kar 18 od 25 ucencev. Vendar je 6 ucencev to oporo izbralo tudi kot najslabšo pomoc pri ucenju. Opora od ucenca ne zahteva nobene interakcije, poda le spodbudo za na­daljevanje. Pri vseh ostalih oporah so bili ucenci precej raz­dvojeni: vecina opor je bila izbrana tako za najboljšo kot za najslabšo pomoc pri ucenju. Kljub precejšnji izenacenosti bi vseeno kot najslabšo pomoc pri uce­nju lahko oznacili opori mot4 in mot5. Prva je vpra­šanje z vec možnimi izbirami, ki povezuje obravna­vano snov s primerom iz vsakdanjega življenja in poda pozitivno podkrepitev za pravilni odgovor, druga pa napoveduje predstavitev zanimivosti iz ži­valskega sveta. Metakognitivne opore so, podobno kot kognitiv­ne, prinesle dva bolj izrazita favorita. Kot najboljša pomoc pri ucenju se je pokazala opora meta4, ki ucenca opomni, naj misli ponovno usmeri nazaj na vsebino. Kot najboljšo jo je prepoznalo 14 ucencev od skupaj 23. Slika 6: Stolpcni graf, ki prikazuje število ucencev, ki so posamezno motivacijsko oporo (skupina A2) izbrali za najboljšo oz. najslabšo pomoc pri ucenju kot prvo oz. drugo izbiro (številcni podatki iz tabele 3). Alenka Kavcic, Bojana Boh Podgornik, Ciril Bohak, Katja Depolli Steiner, Alenka Gril, Aleš Hladnik, Vid Klopcic, Luka Komidar, Žiga Lesar, Matija Marolt, Sonja Pecjak, Matevž Pesek, Tina Pirc, Anja Podlesek, Melita Puklek Levpušcek, Cirila Peklaj: E-ucno okolje z oporami za samoregulacijo ucenja Tabela 4: Ocene posameznih metakognitivnih opor v testni skupini B3. Oznaki ++ in – – pomenita število ucencev, ki so to oporo izbrali za najboljšo oz.najslabšo kot prvo izbiro, oznaki + in – pa kot drugo izbiro. Število ocen pove, koliko ucencev je to oporo izbralo kot tisto, ki jim je najbolj oz. najmanj pomagala pri ucenju (torej je vsota vseh štirih predhodnih stolpcev). Tocke skupaj za doloceno oporo pomenijo vsoto tock vseh ucencev skupine. V tabeli sta posebej oznaceni opori, ki sta v tej skupini izbrani kot najboljša (zelena) ali kot najslabša (rdeca) pomoc pri ucenju. opora skupina ++ + – – – število ocen tocke skupaj meta1 B33237 15 –5 meta2 B34114 1 20 10 meta3 B30424 10 –4 meta4 B3131 2 2 18 21 meta5 B31424 11 –2 meta6 B32 1105 18 –20 Najslabša pomoc pri ucenju je po mnenju ucencev(15 od 23) opora meta6, pri kateri mora ucenec po za­kljucenem ucenju oceniti svoje znanje, tudi v primer-javi z oceno tega znanja pred zacetkom ucenja. Trijeucenci so oporo meta6 izbrali kot najboljšo. Zanimivoje, da so ucenci oporo meta1, kjer morajo svoje znanjeoceniti pred zacetkom ucenja, ocenili precej bolje: le 10ucencev jo je oznacilo kot najslabšo in kar 5 ucencevkot najboljšo pomoc pri ucenju. Vendar rezultat to opo­ro še vedno uvršca na drugo mesto med najslabšimi. Pri vseh treh skupinah A1, A2 in B3 so imeli ucen­ci v e-ucni enoti le 6 razlicnih opor, med katerimi so morali izbrati po dve najboljši in dve najslabši pomo-ci pri ucenju. Ker so morali izbrati 4 opore, torej kar dve tretjini vseh, ki so na voljo, je prišlo pri rezultatih do vecjega prekrivanja. Vse posamezne opore so bile vsaj enkrat izbrane tako za najboljšo kot tudi za naj­slabšo pomoc pri ucenju. Zato smo posebej pogledali še rezultate pri skupini C4, pri kateri so bile v e-ucno enoto vkljucene vse tri vrste opor, tako da so imeli ucenci skupaj kar 18 ucnih opor. V tej skupini so lah­ko ucenci pri izboru najboljših in najslabših pomoci pri ucenju med seboj primerjali tudi razlicne vrste opor, predvsem pa so izbirali po dve opori iz vecjega nabora opor. Rezultati so prikazani v tabeli 5 in na diagramu na sliki 8. V skupini C4 se je kot najboljša pomoc pri ucenju izkazala kognitivna opora, pri kateri postavimo po­dane besede v pravilni vrstni red glede na sosledje v obravnavanem procesu (kog3). Skoraj polovica ucen­cev jo je izbrala kot najboljšo pomoc (10 od 21 ucen­cev), nihce pa je ni uvrstil med najslabše pomoci. Ta opora je kot najboljša izstopala že pri ocenjevanju ko­gnitivnih opor v skupini A1. Slika 7:Stolpcni graf, ki prikazuje število ucencev, ki so posamezno metakognitivno oporo (skupina B3) izbrali za najboljšo oz. najslabšo pomoc pri ucenju kot prvo oz. drugo izbiro (številcni podatki iz tabele 4). Alenka Kavcic, Bojana Boh Podgornik, Ciril Bohak, Katja Depolli Steiner, Alenka Gril, Aleš Hladnik, Vid Klopcic, Luka Komidar, Žiga Lesar, Matija Marolt, Sonja Pecjak, Matevž Pesek, Tina Pirc, Anja Podlesek, Melita Puklek Levpušcek, Cirila Peklaj: E-ucno okolje z oporami za samoregulacijo ucenja Tabela 5: Ocene vseh treh vrst opor v testni skupini C4. Oznaki ++ in – – pomenita število ucencev, ki so posamezno oporo izbrali za najboljšo oz. najslabšo pomoc pri ucenju kot prvo izbiro, oznaki + in – pa kot drugo izbiro. Število ocen pove, koliko ucencev je to oporo izbralo kot tisto, ki jim je najbolj oz. najmanj pomagala pri ucenju (torej je vsota vseh štirih predhodnih stolpcev). Tocke skupaj za doloceno oporo pomenijo vsoto tock vseh ucencev skupine. V tabeli sta posebej oznaceni opori, ki sta med vsemi oporami izbrani kot najboljša (zelena) ali kot najslabša (rdeca) pomoc pri ucenju. opora skupina ++ + – – – število ocen tocke skupaj kog1 C4 11114 0 kog2 C4 5111 88 kog3 C4 3700 10 13 kog4 C4 1051 7 –9 kog5 C4 22015 5 kog6 C4 0112 4 –3 mot1 C4 11013 2 mot2 C4 0220 4 –2 mot3 C4 31026 5 mot4 C4 1030 4 –4 mot5 C4 22026 4 mot6 C4 02013 1 meta1 C4 0032 5 –8 meta2 C4 0021 3 –5 meta3 C4 0002 2 –2 meta4 C4 21115 2 meta5 C4 0002 2 –2 meta6 C4 0021 3 –5 Kot boljše pomoci pri ucenju so ucenci prepozna­li tudi opore kog2, kog5, mot3, mot5 (glej diagram na sliki 8). Za opori kog2 in mot3 to ni presenetlji­vo, saj sta bili izbrani kot boljši pomoci pri ucenju že v skupinah A1 in A2 (mot3 je celo mocno izstopala kot najboljša v skupini A2). Drugace velja za kog5 in mot5. Za oporo kog5 je bilo mnenje ucencev sku-pine A1 precej deljeno, saj so jo uvršcali tako med najboljše kot tudi med najslabše pomoci. Razlog za tak rezultat v skupini A1 bi lahko iskali v tem, da je bilo število opor pri skupini A1 precej manjše in se je šele pri vecjem številu opor pri skupini C4 opora pokazala kot boljša pomoc pri ucenju (manj ucencev jo je izbralo kot najslabšo pomoc, saj so menili, da je bilo veliko drugih opor slabših). Opora mot5, ki je bila pri skupini A2 izbrana kot najslabša pomoc pri Slika 8: Stolpcni graf, ki prikazuje število ucencev, ki so posamezno oporo (skupina C4, vse tri vrste opor) izbrali za najboljšo oz. najslabšo pomoc pri ucenju kot prvo oz. drugo izbiro (številcni podatki iz tabele 5). E-ucno okolje z oporami za samoregulacijo ucenja ucenju, se tukaj izkaže precej bolje: ceprav jo je po­dobno število ucencev uvrstilo med najboljše opore (5 ucencev v skupini A2 in 4 v C4), sta jo v skupini C4 le dva ucenca uvrstila med najslabše (v skupini A2 9 ucencev). Razlog lahko poišcemo v tem, da je bilo v skupini C4 na razpolago vec vrst opor in ucenci so v splošnem prepoznali metakognitivne opore kot slab-šo pomoc pri ucenju, zato se motivacijske opore niso tolikokrat uvrstile med najslabše pomoci. Kognitivna opora, pri kateri so morali ucenci za­pisati razlike, ki so jih pri ogledu interaktivnega mo-dela molekul opazili med dvema molekulama (kog4), je bila tudi v skupini C4 prepoznana kot najslabša pomoc pri ucenju. Kot najslabšo jo je prepoznalo kar 6 ucencev (od skupaj 21) in le enemu ucencu se je ta opora zdela najboljša pomoc pri ucenju. Rezulta-ti niso presenetljivi, saj je bila ta opora prepoznana kot dalec najslabša pomoc pri ucenju tudi v skupini A1. Razlog za tak rezultat je verjetno v tem, da opora zahteva bolj kompleksne miselne procese in je za ve-cino ucencev v testni skupini prezahtevna, zato jim tudi ni bila v pomoc pri ucenju. Metakognitivne opore so se v skupini C4 uvrstile zelo slabo. Vse metakognitivne opore, razen meta4 (opomnik, da naj ucenec usmeri misli nazaj na snov), so se znašle le na seznamu najslabših pomoci pri uce­nju. To pomeni, da jih nobeden od ucencev ni prepo­znal kot najboljšo pomoc pri njegovem ucenju. Edina izjema pri metakognitivnih oporah je meta4 (»Ali si z mislimi še pri snovi…«), ki je tudi v skupini B3 moc­no izstopala kot najboljša pomoc pri ucenju. Poglejmo še primerjavo boljših in slabših pomo-ci pri ucenju glede na posamezno vrsto opore (torej skupen rezultat vseh šestih opor posamezne vrste), ki je prikazana na sliki 9. Analiza odgovorov skupine C4 pokaže, da ucenci na splošno smatrajo kot najboljšo pomoc pri ucenju kognitivne opore (te izrazito odstopajo od ostalih), sledijo pa motivacijske opore. Metakognitivne opore se zdijo ucencem najslabša pomoc pri ucenju. Vendar so pri vecini opor, razen nekaj izrazitih favoritov (kot je na primer kognitivna opora kog3 pri najboljših ali vecina metakognitivnih opor pri najslabših), mnenja ucencev precej deljena, saj so se opore pogosto zna­šle na obeh seznamih, tako med najboljšimi kot med najslabšimi pomocmi pri ucenju. V splošnem lahko recemo, da so opore, ki zahteva­jo od ucenca vec napora, manj priljubljene in prepo­znane kot slabša pomoc pri ucenju. Po drugi strani so kot bolj priljubljene in boljša pomoc pri ucenju ozna-cene opore, ki zahtevajo bolj enostavne miselne pro-cese, in tudi opore, ki so bolj zanimive, interaktivne in kažejo elemente poigritve (tj. uporabljajo mehanizme iger, kot je npr. vlecenje besed na pravo mesto). 5 SKLEP Pri samostojnem ucenju iz e-ucnih gradiv in ucbe­nikov je za ucence najvecja ovira na poti do dobrih ucnih rezultatov ravno pomanjkanje samoregula­cijskih spretnosti pri ucenju. Primanjkljaj ucenca na tem podrocju skušamo premostiti z uporabo ucnih opor, ki ucenca spodbujajo k uporabi ustreznih ucnih strategij in mu pomagajo, da doseže višji nivo znanja in razumevanja. Rezultati izvedene pilotne raziskave o delovanju ucnih opor so pokazali, da so ucenci kot najboljšo pomoc pri ucenju oznacili tiste kognitivne E-ucno okolje z oporami za samoregulacijo ucenja opore, ki se nanašajo na osnovno razumevanje sno-vi, njihova uporaba pa je od ucencev zahtevala bolj enostavne miselne procese. Med boljše pomoci so se uvrstile tudi tiste motivacijske opore, ki od ucencev niso zahtevale dodatnih aktivnosti ali kompleksnih miselnih procesov. Po drugi strani so ucenci kot naj­slabšo pomoc pri ucenju oznacili vecino metakogni­tivnih opor. Te od ucencev zahtevajo bolj poglobljeno razmišljanje, da dosežejo primeren ucinek. ZAHVALA Clanek je nastal v okviru temeljnega raziskovalnega projekta J5-9437 Ucinkovitost razlicnih vrst ucnih opor pri samoregulaciji e-ucenja, ki ga financira ARRS – Jav­na agencija za raziskovalno dejavnost Republike Slo­venije – iz državnega proracuna. LITERATURA [1] Azevedo, R. (2005). Computer Environments as Metacogni­tive Tools for Enhancing Learning. Educational Psychologist, 40(4), 193-197. https://doi.org/10.1207/s15326985ep4004_1 [2] Belland, B. R., Walker, A. E., & Kim, N. J. (2017). A Bayesian Network Meta-Analysis to Synthesize the Influence of Con­texts of Scaffolding Use on Cognitive Outcomes in STEM Education. Review of Educational Research, 87(6), 1042­1081. https://doi.org/10.3102/0034654317723009 [3] Belland, B. R., Walker, A. E., Kim, N. J., & Lefler, M. (2017). Synthesizing Results From Empirical Research on Compu­ter-Based Scaffolding in STEM Education:A Meta-Analysis. Review of Educational Research, 87(2), 309-344. https://doi. org/10.3102/0034654316670999 [4] Devolder, A., van Braak, J., & Tondeur, J. (2012). Suppor­ting self-regulated learning in computer-based learning en­vironments: systematic review of effects of scaffolding in the domain of science education. Journal of Computer Assisted Learning, 28(6), 557-573. https://doi.org/10.1111/j.1365­2729.2011.00476.x [5] Mayer, R. E. (2014). Introduction to multimedia learning. In The Cambridge handbook of multimedia learning, 2nd ed. (pp. 1-24). Cambridge University Press. https://doi.org/10.1017/ CBO9781139547369.002 [6] Pintrich, P. R. (2000). Chapter 14 – The Role of Goal Ori­entation in Self-Regulated Learning. In M. Boekaerts, P. R. Pintrich, & M. Zeidner (Eds.), Handbook of Self-Regulation (pp. 451-502). Academic Press. https://doi.org/https://doi. org/10.1016/B978-012109890-2/50043-3 [7] Schar, S. G., & Krueger, H. (2000). Using new learning tech­nologies with multimedia [Article]. IEEE Multimedia, 7(3), 40­51. https://doi.org/10.1109/93.879767 [8] Vandevelde, S., Van Keer, H., & Rosseel, Y. (2013). Measu­ring the complexity of upper primary school children’s self­-regulated learning: A multi-component approach. Contem­porary Educational Psychology, 38(4), 407-425. https://doi. org/10.1016/j.cedpsych.2013.09.002 [9] Vidrih , M. (2020). E-ucbeniki v slovenskih šolah – kje se je zataknilo? Monitor, 30(2), 48-49. [10] Weinstein, C. E., & Mayer, R. E. (1986). The teaching of lear­ning strategies. In C. M. Wittrock (Ed.), Handbook of research in teaching (pp. 315–327). Macmillan. [11] Wood, D., Bruner, J. S., & Ross, G. (1976). THE ROLE OF TUTORING IN PROBLEM SOLVING*. Journal of Child Psychology and Psychiatry, 17(2), 89-100. https://doi. org/10.1111/j.1469-7610.1976.tb00381.x [12] Zabret, E., Pecjak, S., & Peklaj, C. (2006). Kognitivni in me-takognitivni procesi pri samoregulaciji ucenja [Cognitive and metacognitive processes in self-regulation of learning]. Psi-hološka obzorja, 1(15), 75-92. [13] Zheng, L. (2016). The effectiveness of self-regulated learning scaffolds on academic performance in computer-based lear­ning environments: a meta-analysis. Asia Pacific Education Review, 17(2), 187-202. https://doi.org/10.1007/s12564-016­9426-9 Alenka Kavcic je višja predavateljica na Fakulteti za racunalništvo in informatiko Univerze v Ljubljani. Raziskovalno se ukvarja z inovativno uporabo informacijskih tehnologij v izobraževanju, multimedijskimi in spletnimi tehnologijami, igrifikacijo ter racunalniško podprtem ucenju, predvsem s prilagodljivimi hipermedijskimi sistemi in modeliranjem uporabnika. • Bojana Boh Podgornik je redna profesorica za podrocje naravoslovnotehniške informatike na Naravoslovnotehniški fakulteti Univerze v Ljubljani. Njene raziskave se osredotocajo zlasti na informacijske metode v kemiji, naravoslovju in tehniki, informacijsko pismenost v visokem šolstvu, interaktivne sisteme ter tehnologije mikrokapsuliranja. • Ciril Bohak je asistent na Fakulteti za racunalništvo in informatiko Univerze v Ljubljani in podoktorski raziskovalec na King Abdulah University of Science and Technology. Njegovi raziskovalni interesi so na podrocjih interakcije clovek-racunalnik, e-ucenja, tehnologije iger in racunalniške grafike. • Katja Depolli Steiner je docentka na Filozofski fakulteti Univerze v Ljubljani, na Oddelku za psihologijo. Raziskovalno se zanima za proces ucenja in poucevanja, še zlasti z vidika (bodocih) uciteljev. Alenka Kavcic, Bojana Boh Podgornik, Ciril Bohak, Katja Depolli Steiner, Alenka Gril, Aleš Hladnik, Vid Klopcic, Luka Komidar, Žiga Lesar, Matija Marolt, Sonja Pecjak, Matevž Pesek, Tina Pirc, Anja Podlesek, Melita Puklek Levpušcek, Cirila Peklaj: E-ucno okolje z oporami za samoregulacijo ucenja • Alenka Gril je višja znanstvena sodelavka, vodja centra za preucevanje kognicije in ucenja na Pedagoškem inštitutu. Preucuje ucinke socialnih kontekstov na ucenje in razvoj mladostnikov. Raziskuje odnos do znanja mladih v družbi znanja, spodbudno ucno okolje za motivirano ucenje, participacijo mladih in medkulturne odnose v šoli. • Aleš Hladnik je zaposlen kot izredni profesor na Oddelku za tekstilstvo, grafiko in oblikovanje Naravoslovnotehniške fakultete Univerze v Ljubljani. Raziskovalno se posveca uporabi statisticnih metod v naravoslovju in tehniki, obdelavi in analizi slik, znanosti o barvah in razlicnim podrocjem informacijsko-komunikacijske tehnologije. • Vid Klopcic je raziskovalec na Fakulteti za racunalništvo in informatiko Univerze v Ljubljani, v Laboratoriju za racunalniško grafiko in multimedije. Ukvarja se s snovanjem in implementacijo uporabniških vmesnikov ter zalednih sistemov. • Luka Komidar je docent na Oddelku za psihologijo Filozofske fakultete Univerze v Ljubljani. Raziskovalno se ukvarja z razvojem in validacijo psiholo­ških testov, kognitivnimi treningi in alternativnimi pristopi k merjenju v psihologiji (igrifikacija merskih postopkov in uporaba navidezne resnicnosti za psihološke meritve). • Žiga Lesar je asistent in doktorski študent na Fakulteti za racunalništvo in informatiko Univerze v Ljubljani. Ukvarja se z racunalniško grafiko in visoko zmogljivim racunalništvom, raziskuje pa interaktivno upodabljanje volumetricnih podatkov s spletnimi tehnologijami. Za svoje delo je leta 2014 prejel univerzitetno Prešernovo nagrado. • Matija Marolt je izredni profesor na Fakulteti za racunalništvo in informatiko Univerze v Ljubljani. Je predstojnik Laboratorija za racunalniško gra­fiko in multimedije. Raziskuje na podrocju pridobivanja informacij iz glasbe s poudarkom na semanticnih opisih in razumevanju zvocnih signalov. • Sonja Pecjak je redna profesorica za pedagoško psihologijo na Oddelku za psihologijo Filozofske fakultete Univerze v Ljubljani. Raziskovalno in strokovno se ukvarja s preucevanjem procesov ucenja (samoregulacijskega ucenja in ucenja s pomocjo branja), z vprašanji zacetnega opisme­njevanja, problematiko medvrstniškega nasilja ter karierne orientacije v osnovni in srednji šoli. • Matevž Pesek je docent in raziskovalec na Fakulteti za racunalništvo in informatiko Univerze v Ljubljani, kjer je diplomiral leta 2012 in doktoriral leta 2018. Njegova raziskovalna podrocja so e-izobraževanje, biološko navdihnjeni modeli, globoke arhitekture, vkljucno s kompozicionalnim hierarhicnim modeliranjem in vecmodalnim zaznavanjem glasbe, kot tudi komunikacija clovek-racunalnik in vizualizacija za analizo zvoka in ustvarjanje glasbe. • Tina Pirc je docentka na Katedri za pedagoško psihologijo na Oddelku za psihologijo Filozofske fakultete Univerze v Ljubljani. Ukvarja se z raziskovanjem psihosocialnih odnosov v razredu, medvrstniškega nasilja, karierne orientacije v osnovni in srednji šoli ter samoregulacijskih procesov pri ucenju. • Anja Podlesek je izredna profesorica za psihološko metodologijo na Oddelku za psihologijo Filozofske fakultete Univerze v Ljubljani. Raziskuje na podrocju kognitivne psihologije, psihofizike, psihometrije in razvoja psiholoških testov, sodeluje pa tudi v raziskavah o samomorilnem vedenju in raziskavah s podrocja pedagoške psihologije. • Melita Puklek Levpušcek je redna profesorica za pedagoško psihologijo na Oddelku za psihologijo Filozofske fakultete Univerze v Ljubljani. Razi­skovalno se ukvarja z ucno motivacijo, aktivnimi pristopi k poucevanju in psihosocialnimi znacilnostmi mladih. • Dr. Cirila Peklaj je redna profesorica za pedagoško psihologijo na Filozofski fakulteti Univerze v Ljubljani. Od leta 1987 je zaposlena na Oddelku za psihologijo, na katerem predava razlicne predmete s podrocja pedagoške psihologije. Njeno raziskovalno delo je usmerjeno na podrocje ucenja. Ukvarja se s preucevanjem samoregulacije pri ucenju, sodelovalnega ucenja, ucenja v razlicnih kontekstih in z uciteljskimi kompetencami. ZNANStVENI prISpEVkI Vpliv uporabe visok ozmogljivega racunalništva v oblaku na inoviranje poslovnih modelov Blaž Gašperlin, Mirjana Kljajic Borštnar Univerza v Mariboru, Fakulteta za organizacijske vede, Kidriceva cesta 55a, 4000 Kranj blaz.gasperlin1@um.si, mirjana.kljajic@um.si Izvlecek Visoko zmogljivo racunalništvo rešuje kompleksne znanstvene in inženirske probleme, vse bolj tudi poslovne in družbene. V prispevku obravnavamo razvoj storitev visoko zmogljivega racunalništva v oblaku, v luci inoviranja poslovnih modelov, s posebnim poudarkom na malih in srednje velikih podjetjih. V ta namen smo analizirali 20 primerov poskusov, ki so bili izvedeni v okviru evropskih projektov za spodbujanje uporabe visoko zmogljivega racunalništva. Izsledki analize kažejo, da se uporaba širi iz tradicionalnih proizvodnih podjetij na storitveno industrijo ter vpliva na hitrejše prilagajanje zahtevam potrošnikov, oblikovanje novih izdelkov in storitev in obli­ke sodelovanja celotnega poslovnega ekosistema. Poleg tega prispeva k razvoju in uporabi metod umetne inteligence, procesiranju vele podatkov in dosegljivosti kompleksnih racunalniških storitev za vse deležnike na trgu. Kljucne besede: visoko zmogljivo racunalništvo, digitalna preobrazba, mala in srednje velika podjetja, poslovni modeli Abstract High Performance Computing solves complex scientific and engineering problems, and increasingly also business and social pro­blems. The paper discusses the evolution of High Performance Cloud Computing services in the light of business model innovation, with emphasis on small and medium-sized enterprises. We analysed 20 experiments carried out in the context of European projec­ts, which promote the use of High Performance Computing. The results showed that the use is expanding from traditional manu­facturing companies to a service-oriented industry and that it has an impact on the faster adaptation to consumer requirements, the creation of new products and services and the cooperation forms of the entire business ecosystem. In addition, it contributes to the development and use of artificial intelligence methods, big data processing and the availability of complex computer services for all the stakeholders in the market. Keywords: High performance computing, digital transformation, small and medium-sized enterprises, business models UVOD V zadnjih letih smo prica hitremu razvoju in rasti uporabe digitalnih tehnologij in storitev na vseh po­drocjih življenja in poslovanja. Tehnologije kot so na primer internet stvari, vele podatki (ang. Big Data), umetna inteligenca, robotika in visoko zmogljivo ra-cunalništvo, omogocajo nove nacine dela, reševanja problemov, poslovanja in ustvarjanje nove vrednosti v organizacijah in med njimi (European Commis­sion, 2018). Spreminjanje procesov in produktov iz analognega v digitalnega imenujemo digitalizacija. Kompleksnim spremembam, ki so rezultat procesov digitalizacije in prilagajanja organizacij hitrim spre­membam v okolju ob uporabi digitalnih tehnologij pa digitalna preobrazba. Rezultat digitalne preo­brazbe zaznamo kot spremembo v uporabniški izku­šnji, procesih in poslovnih modelih (Morakanyane, Grace in O’Reilly, 2017; Vial, 2019; Westerman, Bon­net in McAfee, 2014). Kljub temu, da digitalna tehno­logija ni edini dejavnik digitalne preobrazbe (Kane, Palmer, Phillips, Kiron in Buckley, 2015) se bomo v tem prispevku osredotocili na eno izmed tehnologij, ki je v preteklih desetih letih pomembno vplivala na uporabo ostalih tehnologij in s tem prispevala k raz­mahu digitalne preobrazbe (Borangiu, Trentesaux, Thomas, Leitão in Barata, 2019; European Commis­sion, 2020b). Visoko zmogljivo racunalništvo zagotavlja po­trebno infrastrukturo za izvedbo znanstvenih in industrijskih raziskav (Clarke in Larmour, 2016) in predstavlja nepogrešljiv vir v globalni podatkovni ekonomiji (European Commission, 2019). Evropska komisija prepoznava visoko zmogljivo racunalništvo kot kljucno tehnologijo pri naslavljanju družbenih izzivov, pri povecanju konkurencne prednosti indu­strije, vkljucno z malimi in srednje velikimi podjetji (MSP). Omogoca kompleksno modeliranje in simu­lacije ter odkrivanje znanja iz ogromnih kolicin po­datkov na razlicnih podrocjih (na primer: kibernet-ska varnost, napovedovanje vremena, molekularna kemija, financno trgovanje) (European Commission, 2019). Zaradi visokih stroškov uporabe je bil sprva dostopen raziskovalnim inštitutom in velikim podje­tjem (Kljajic Borštnar in Ilijaš, 2019). Kasnejši razvoj je s prehodom na oblak povzrocil pocenitev in omo­gocil uporabo tudi majhnim in srednjim podjetjem (MSP), ki si prej tega niso mogla privošciti (Gašper­lin, 2019). V literaturi se pogosto pojavlja in uporablja izraz »superracunalništvo«, ki predstavlja sinonim za visoko zmogljivo racunalništvo (Dongarra idr., 2008), v praksi pa se najpogosteje uporablja kratica HPC, zato bomo tudi sami uporabljali to kratico. Vecja dostopnost tehnologije visoko zmogljive­ga racunalništva je omogocila pospešeno uporabo nekaterih drugih digitalnih tehnologij (masovnih podatkov, umetne inteligence, idr.), posledicno se je spremenila tudi namembnost uporabe HPC. Ce je bil pred desetletjem HPC namenjen predvsem kom­pleksnim znanstvenim simulacijam (podnebne spre­membe, astrofizika, genetika), danes vse vecji delež uporabe HPC predstavljajo podatki in z njim poveza­ne metode umetne inteligence. Spreminjanje osnov­ne ponudbe vrednosti, segmentov strank, aktivnosti in virov za doseganje le-teh ter nacinov za dostavo vrednosti, kažejo na spremembo v poslovnih mode-lih. Vendar pa se spremembe v poslovnih modelih ne kažejo zgolj pri ponudnikih HPC rešitev, temvec s širitvijo na sektor MSPtudi v celotnem poslovnem ekosistemu. To pomeni, da se spremembe odražajo v mreži vseh deležnikov, ponudnikov HPC storitev, programskih rešitev, podjetij uporabnikov HPC sto­ritev, regulatornih institucij in koncnih potrošnikov (Souza, Wortmann, Huitema in Velthuijsen, 2015). Na podrocju spodbujanja uporabe storitev HPC v malih in srednjih podjetij je evropska komisija ak­tivna skozi razlicne iniciative, kar ni presenetljivo, saj evropsko gospodarstvo predstavlja kar 99,8 % mikro, malih in srednje velikih podjetij (Muller idr., 2019). Namen teh iniciativ je spodbuditi uporabo HPC in drugih digitalnih tehnologij v MSP, po drugi strani pa preveriti poslovne modele, ki jih uporaba HPC prinaša (i4MS, 2020; Kalbe, 2019). Dosedanje raziskave na podrocju HPC so se osre­dotocile predvsem na razvoj arhitekture, program-ske opreme in aplikacij (Artigues idr., 2017; Péréz--Sánchez, Fassihi, Cecilia, Ali in Cannataro, 2015; Wang, Kulkarni, Lang, Arnold in Raicu, 2016; Xie, Fang, Hu in Wu, 2010) ter uporabo v smeri tehno­loških izboljšav izdelkov in storitev, ki jih tovrstna tehnologija lahko prinese (Chiariello, Formisan in Martone, 2015; Keswani, 2008; Lowther, Ghorbanian, Mohammadi in Ibrahim, 2020). Priložnosti uporabe storitev HPC v oblaku, v MSP, so bile raziskovane v okviru razlicnih evropskih iniciativ (i4MS, 2020; Kal-be, 2019), vendar pa se je kmalu izkazalo, da je poten­cial za uporabo tovrstnih storitev izražen v manjšem naboru proizvodnih podjetij. V ta namen so (Kljajic Borštnar, Ilijaš in Pucihar, 2015) razvili veckriterijski model za oceno potenciala podjetij za uporabo stori­tev HPC v oblaku, ki je bil uporabljen v okviru pro-jekta Sesame.net. V ocenjevanju je sodelovalo 60 ma-lih in srednjih proizvodnih podjetij iz celotne EU, kar nakazuje na majhen interes podjetij za uporabo HPC. Analiza je pokazala, da vecina sodelujocih podjetij izkazuje šibak potencial za uporabo HPC storitev, hkrati pa se kaže pozitivna povezava med razvitostjo infrastrukture in pripravljenostjo podjetij (Gašperlin, Ilijaš in Kljajic Borštnar, 2019; Kljajic Borštnar in Ili­jaš, 2019). Analiza je odprla dve kljucni usmeritvi na­daljnjih raziskav. Prvo se nanaša na potrebo po širši empiricni študiji ocene potenciala uporabe storitev v posameznih segmentih MSP. Drugo pa na potrebo po razumevanju inoviranja poslovnih modelov v šir­šem kontekstu ponudnikov in uporabnikov HPC ter ostalih organizacij, ki tvorijo kompleksno strukturo poslovnega ekosistema (dobavitelji, velika in mala podjetja, banke, raziskovalne institucije, javna upra­va, konkurenti) (Moore, 1993). Podrocje inoviranja poslovnih modelov je v za­dnjih letih zelo aktualno, kar kažejo številne raziska­ve. Bouwman, Nikou in de Reuver (2019) so se osre­dotocili na vpliv deleža dodelitve virov na inoviranje poslovnih modelov. V ta namen so izvedli empiricno študijo 321 evropskih MSPpodjetij, ki za inoviranje poslovnih modelov uporabljajo digitalne tehnologije kot so vele podatki in družbena omrežja. Cilj študi­je je bil ugotoviti ali so podjetja pri tem uspešnejša, ce zato namenijo vec virov (casovnih in financnih). Rezultati so pokazali, da vecja dodelitev virov pripo-more k vecji zmogljivosti in povecanju casa za inovi­ranje. Bocken in Geradts (2020) sta raziskovala ovire in dejavnike, ki vplivajo na inoviranje trajnostnih po­slovnih modelov. Pri tem sta zajela velike korporacije kot so Philips, Johnson & Johnson, idr. Rezultati so pokazali, da so kljucna: sodelovanje, jasna strategi­ja, razvoj miselnosti zaposlenih ter sistematske in-stitucionalne spodbude. Veliko nedavnih raziskav zajema predvsem študije primerov (Franceschelli, Santoro in Candelo, 2018; Kukkamalla, Bikfalvi in Arbussa, 2020; Liu in Bell, 2019), kjer je podrobneje predstavljeno, kako so podjetja pristopila k inovira­nju poslovnih modelov. Študije, ki bi raziskala spre­minjanje poslovnih modelov v povezavi z uporabo HPC nismo zasledili. V prispevku analiziramo, kako so razvoj visoko zmogljivega racunalništva (HPC), možnost oddalje­nega dostopa do virov in evropske spodbude vpliva­li na spreminjanje poslovnih modelov posameznega podjetja, pa tudi širšega poslovnega ekosistema. Naj­prej predstavimo pregled razvoja visoko zmogljive­ga racunalništva in inoviranje poslovnih modelov. Sledita metodologija raziskave in rezultati analize izbranih primerov poskusov uporabe visoko zmo­gljivega racunalništva v malih in srednjih podjetjih. Na koncu podamo sklepne ugotovitve in priporocila za nadaljnje raziskave na tem podrocju. 2 VISOKO ZMOGLJIVO RACUNALNIŠTVO Pri pregledu literature smo naleteli na razlicne opre­delitve visoko zmogljivega racunalništva. Tomaševic in drugi (2020, str. 1) opredeljujejo HPC kot »racunal­niško arhitekturo visoke zmogljivosti, z zmožnostjo obde-lave velikih kolicin podatkov, v zelo kratkem casu«. Ezell in Atkinson (2016, str. 1) to opredeljujeta kot »sistem, sposoben hitrega reševanja kompleksnih racunskih proble­mov na razlicnih znanstvenih in poslovnih podrocjih«. Kljajic Borštnar, Ilijaš in Pucihar (2015, str. 23) pa HPC opredelijo kot »izjemno visoke racunalniške zmo­gljivosti za reševanje kompleksnih racunskih problemov, ki jih ni mogoce rešiti pravocasno, ob uporabi obicajnih na­miznih racunalnikov«. Ceprav se visoko zmogljivo racunalništvo ob ra­zvoju digitalnih tehnologij, kot so vele podatki (ang. Big Data), umetna inteligenca in strojno ucenje, kaže kot pomemben clen (Imran idr., 2019) in podpora to-vrstnim tehnologijam, njegovi zacetki segajo že v leto 1943 (Fernández-González, Rosillo, Miguel-Dávila in Matellán, 2015). V Tabeli 1 prikazujemo kronološki razvoj s kljucnimi dogodki, ki so zaznamovali razvoj visoko zmogljivega racunalništva. Najhitreje se raz­vijajo Amerika (ZDA), Japonska in Kitajska, medtem, ko Evropa zaostaja. Kot razlog (Gagliardi, Moreto, Olivieri in Valero, 2019) navajajo umanjkanje lokal­nih evropskih dobaviteljev opreme. Evropski trg se Tabela 1: Razvoj HPC racunalništva – povzeto po (Ferna´ndez-Gonza´lez idr., 2015; Imran idr., 2019; Sterling, Brodowicz in Anderson, 2018; Top500, 2020) Leto uvedbe Ime HPC sistema Namen 1943 Collosus (Prvi razviti HPC) Dešifriranje komunikacij (2. sv. vojna) 1964 CDC 6600 Prva uporaba v komercialne namene 1976 Cray-1 Uvedba vektorskih racunalniških sistemov 1985 Cray-2 Uvedba porazdeljenega pomnilnika 1994 Beowulf racunalniška gruca Osnova današnjih HPC sistemov 2008 Roadrunner (ZDA) Prvi HPC racunalnik »peta« zmogljivosti (1026 PF/s) 2009 Tianhe-1 (Kitajska) izboljšava »peta« zmogljivosti (1206 PF/s) 2020 HPC5 (Italija) izboljšava »peta« zmogljivosti (35,5 PF/s) 2020 Summit (ZDA) izboljšava »peta« zmogljivosti (148,6 PF/s) 2020 Fugaku (Japonska) izboljšava »peta« zmogljivosti (415,5 PF/s) od svetovnih velesil na podrocju HPC razlikuje tudi po strukturi podjetij. Kar 99,8 % vseh podjetij v EU pripada sektorju mikro, malih in srednjih podjetij. Le-ta prispevajo preko 66 % delovnih mest in so v letu 2018/2019 v povprecju ustvarila 56,4 % dodane vrednosti (Muller idr., 2019). Pri tem med clanicami obstajajo razlike v strukturi velikosti podjetij, ustvar­janju dodane vrednosti sektorja MSPter tehnološki razvitosti. Poseben primer so zagonska podjetja (ang. start-up companies), kjer pa je bilo v letu 2019 med najboljših 30 v svetovnem merilu uvršcenih 8 evrop­skih zagonskih podjetij. Pomembnejši mejnik na tem podrocju se je zgo­dil leta 2008, ko je bil razvit racunalnik, ki je dosegel hitrost na ravni »peta« zmogljivosti (ali 1015opera-cij/sekundo) (Fernández-González idr., 2015). Hitro­sti HPC sistemov so izražene in merjene s številom operacij s plavajoco vejico na sekundo (ang. FLOPS – Floating point per second) (Sadiku, Eze in Musa, 2018). Seznam najnovejših HPC sistemov in njihovih hitrosti podaja lista top500 (Top500, 2020). Razvoj se na ravni »peta« zmogljivosti ni ustavil (Tabela 1) in je trenutno usmerjen v doseganje zmogljivosti na »eksa« ravni (ali 1018operacij/sekundo) (Rean~o, Prades in Silla, 2019). Po ocenah evropske iniciative »EuroHPC Joint Undertaking« je pricakovati, da bo Evropa takšno raven dosegla okrog leta 2023 (Eu­ropean Commission, 2020a). Slovenija je k iniciativi pristopila leta 2018 in se zavezala, da do leta 2021 vzpostavi HPC racunalnik, z zmogljivostjo 6,8 pe­taflopov/sekundo (Institut informacijskih znanosti (IZUM), 2020) 2.1 Evropske iniciative in projekti Najvidnejša evropska iniciativa je »EuroHPC Joint Undertaking«(EuroHPC, 2020), ki spodbuja izme­njavo izkušenj in sodelovanje raziskovalnih centrov, malih in srednjih podjetij in zasebnih industrij (Be­cciani in Petta, 2019), ki skupaj tvorijo raznolik HPC ekosistem. Iniciativa je bila ustanovljena leta 2018, glavne aktivnosti pa so razvoj visoko zmogljive in-frastrukture ter podpora javnim in privatnim upo­rabnikom, kamor sodijo tudi mala in srednja podje­tja. Glavni cilj je krepitev znanj o HPC tehnologijah, kjer pomemben clen predstavljajo tudi HPC kompe­tencni centri, ki na lokalnem nivoju razlicnim indu­strijskim sektorjem nudijo dostop do HPC storitev (EuroHPC, 2020). Iniciativa je usmerjena k razvoju HPC sistemov na »eksa« ravni. V ta namen bodo do leta 2021 postavljeni trije HPC sistemi na prehodu na »eksa« ravni (ang. pre-exascale) in sicer v Španiji, na Finskem in Italiji. V tej smeri je bila ustanovljena tudi iniciativa EPI (ang. European Processor Initia­tive), katere namen je razvoj procesorjev za visoko zmogljivo infrastrukturo, kot je HPC (Gagliardi idr., 2019). Razvoj HPC sistemov se seli tudi na podrocje po­datkov, kjer se je v ta namen razvila Evropska inici­ativa odprtega oblaka, EOSC (ang. European Open Science Cloud), katere namen je ponuditi okolje za shranjevanje podatkov, njihovo izmenjavo in ponov-no uporabo (European Commision, 2019). Slednje bo podprla Evropska podatkovna infrastruktura (ang. European Data Infrastructure), ki bo malim in sre­dnjim podjetjem (MSP) zagotovila HPC zmogljivosti za dostop in obdelavo teh podatkov preko oblaka, s cimer se odpravi potreba po fizicni hrambi podatkov (European Commision, 2016). Iniciative prihajajo tudi iz raziskovalno-izobraže­valne sfere. Ena od teh je združenje ETP4HPC, (ang. European Technology Platform for HPC), ki pomaga pri oblikovanju prednostnih nalog raziskav in pro-gramskih vsebin na podrocju uporabe HPC (ETP4P­HC, b. d.). Pomembna iniciativa na tem podrocju je evropsko združenje PRACE (Partnerstvo za napre­dno racunalništvo v Evropi) (PRACE, 2020), ki skrbi za spodbujanje razvoja visoko zmogljivega racunal­ništva, z združevanjem vodilnih nacionalnih centrov za superracunalništvo v Evropi (Fakulteta za strojni­štvo UL, b. d.). Predstavniki 26. držav, med katerimi je tudi Slovenija, skupaj zagotavljajo HPC infrastruk­turo, za kompleksne znanstvene in inženirske apli­kacije. V okviru združenja je bil razvit tudi program SHAPE, ki pomaga malim in srednjim podjetjem pri uvedbi HPC v podjetje (PRACE, b. d.). V Evropi imajo države v vecini izdelano jasno strategijo razvoja visoko zmogljivega racunalništva in redno vlagajo v posodobitev tovrstne tehnologije. Prednjacijo predvsem države zahodne Evrope, ki nu-dijo zmogljivosti do 500 TF/s (Univerza v Mariboru, 2019a). S trenutno najhitrejšim HPC racunalnikom v Evropi razpolaga Italija (Tabela 1). Poglavitni delež uporabe HPC v Evropi, še vedno predstavljajo uni-verze in raziskovalni centri (90 %), preostalih 10 % pa uporabljajo podjetja, kamor sodi tudi segment malih in srednje velikih podjetij (Gigler, Casorati in Verbe­ek, 2018). Uporaba se pocasi širi tudi na podrocja, ki so tradicionalno manj tehnološka, kot sta na primer kmetijstvo in turizem (Misra, Kurkure, Das, Das in Gupta, 2011; Starc Peceny, Urbancic, Mokorel, Kuralt in Ilijaš, 2019). Tudi Slovenija nenehno vlaga v razvoj HPC siste­mov. Uporaba HPC v Sloveniji še vedno prevladuje v akademskem okolju, kjer se HPC uporablja pred­vsem za izvedbo simulacij in modeliranje (Gašperlin, 2019). Edino podjetje, ki ponuja HPC storitve tudi malim in srednjim podjetjem preko oblaka pa je, v vlogi evropskega kompetencnega centra, podjetje Arctur (ARCTUR, b. d.). V letu 2018 je bil na Univerzi v Mariboru vzpostavljen evropski projekt HPC RIVR(Univerza v Mariboru, 2019b), z namenom zagona HPC centra za izvajanje razvojnih in raziskovalnih aktivnosti in ciljem doseci zmogljivost 1,5 PF/s. S tem se bo Slovenija približala Poljski in Ceški, kjer je taka infrastruktura že vzpostavljena. Spodbudo za kori-šcenje HPC virov za mala in srednja podjetja, omo­goca tudi Slovensko nacionalno superracunalniško omrežje (SLING) - konzorcij za razvoj omrežja grid/HPC in upravljanje razpršenih racunskih infrastruk­tur v Sloveniji (SLING, b. d.). 2.2 Okvirji za oblikovanje in analiziranje poslovnih modelov Visoko zmogljivo racunalništvo se je ob razvoju di­gitalnih tehnologij (internet stvari, vele podatki (ang. Big Data), umetna inteligenca, idr.), razširil tudi na podrocje poslovnih modelov in na inoviranje le teh. Poslovni model opisuje nacin, kako podjetje poslu­je ter ustvarja vrednost za potrošnika in podjetje (Bouwman, Faber, Haaker, Kijl in de Reuver, 2008; Osterwalder in Pigneur, 2010; Teece, 2010). Za opis poslovnega modela uporabljamo razlicne ontologije, s katerimi predstavimo splošne komponente poslov­nega modela (Bouwman idr., 2008; Osterwalder in Pigneur, 2010). V tem prispevku sledimo najbolj raz­širjeni definiciji Osterwalderja in Pigneurja (2010, str. 14), ki pravi, da »poslovni model opisuje logiko, kako organizacija ustvarja, dostavlja in zajema vrednost«. Opis poslovnega modela se sicer nanaša na trenutno stanje, vendar le-ta ni staticen, saj se mora nenehno prilagajati trgu in se razvijati (Amit in Zott, 2012; Chesbrough, 2007; Teece, 2010; Zott, Amit in Massa, 2011)executives must first understand what it is, and then examine what paths exist for them to improve on it. This article aims to examine this issue. Design/methodology/approach - The article provides a prac­tical definition of business models and offers a Busi­ness Model Framework (BMF. Spremembe v logiki poslovanja, ki so nove za podjetje, vendar ne nujno novost na trgu in se odražajo kot opazne spremembe v poslovnem modelu pa imenujemo inoviranje po­slovnih modelov (Pucihar, Kljajic Borštnar, Heikkilä, Bouwman in de Reuver, 2015). Inoviranje poslov­nega modela lahko opazujemo z vidika vzrokov (kaj vpliva na inoviranje poslovnega modela – pri­tisk trga, tehnologija, zmanjšanje stroškov), z vidika sprememb v elementih poslovnega modela (kakšen je vpliv na posamezne elemente poslovnega modela) in z vidika tipa spremembe (postopno ali radikalno inoviranje). Inoviranje poslovnega modela je oprede­ljeno kot proces nacrtnega preoblikovanja kljucnih elementov podjetja in logike poslovanja, z namenom izboljšanja notranjih procesov podjetja in ustvarjanja vrednosti (operativni nivo) ter tržnih priložnosti in poslovne rasti (strateški nivo) (Morris, Schindehutte in Allen, 2005; Pucihar, Lenart, Kljajic Borštnar, Vid-mar in Marolt, 2019). Najbolj znani okvirji na tem podrocju so model STOF (Solaimani, Heikkilä in Bo-uwman, 2018)the concept of the business model (BM, iz katerega izhaja model C-SOFT (Heikkilä, Heikkilä in Tinnilä, 2008), ki naslavlja pet elementov (Stranka, Storitev, Organizacija, Finance in Tehnologija). Vec­krat omenjen je tudi VISORmodel (Guo, Nikou in Bouwman, 2020), ki se osredotoca na interakcijo med clovekom in racunalnikom. Poleg tega, obstajajo tudi razlicni pristopi k modeliranju poslovnih ekosiste­mov. Med najbolj znanimi sta model sistemske dina-mike in agentni model, iz katerega izhaja tudi vec­-agentni model (den Hartigh, Tol, Wei, Visscher in Zhao, 2005; Ma, 2019), s katerimi prikažemo stanje in relacije, ki obstajajo med deležniki ekosistema. Vsak agent predstavlja posamezno entiteto (deležnika) v poslovnem ekosistemu. V tej smeri so se razvili tudi razlicni okvirji kot sta BEAM (ang. Business Ecosy­stem Analysis and Modeling framework) (Tian, Ray, Lee in Cao, 2008) in TEAM (ang. The Ecosystem Ar­chitecture Management framework) (Wieringa, En-gelsman, Gordijn in Ionita, 2019). V raziskavi smo za analizo sprememb elementov poslovnega modela uporabili kanvas poslovnega modela, ker je najširše sprejet model. Osterwalder in Pigneur (2010) sta predlagala, da se model predstavi v obliki platna - kanvasa, na katerem je 9 elementov, s katerimi opišemo poslovni model podjetja (Slika 1). Pomen posameznih elemetov je naslednji (Lee in Jeong, 2020; Osterwalder in Pigneur, 2010): Slika 1: Kanvas poslovnega modela – povzeto po (Osterwalder in Pigneur, 2010) Kljucni partnerji predstavljajo mrežo partner-jev (dobavitelji, ponudniki, druga podjetja), s kate­rimi podjetje nadgradi omejitve lastnih virov, z viri partnerjev in tako optimizira svoj poslovni model. Kljucne aktivnosti opisujejo aktivnosti, ki so potreb­ne za ustvarjanje dodane vrednosti podjetja, dosega­nje novih trgov, ohranjanje odnosov s strankami in ustvarjanje prihodkov. Za delovanje teh aktivnosti so potrebni kljucni viri. Viri so lahko fizicni, financni ali cloveški, v lasti podjetja ali pa jih zagotovijo kljucni partnerji. Element ponudba vrednosti naslavlja pro-bleme in potrebe strank, z ustvarjanjem vrednosti, ki je lahko kvalitativna (na primer vrednost cene, hi-trost storitve) ali kvantitativna (na primer izboljšanje zasnove izdelka in uporabniške izkušnje). Vse sku­paj se odraža na odnosu s strankami, ki zajema tri razlicne tipe (pridobivanje strank, zadržanje strank in povecanje prodaje). Odnosi vplivajo na segment strank (skupino ljudi ali organizacij), ki jih podjetje želi zadržati ali ustvariti nov segment. Za komuni­kacijo s strankami se uporabljajo razlicni kanali, s katerimi podjetje naslavlja obstojece in nove stranke. Elementa v spodnjem delu platna pa zajemata stro­ške in prihodke, ki se ustvarjajo tekom poslovanja. METODOLOGIJA Osnovni raziskovalni pristop je študija primera, ki je vedno bolj priznan pristop na podrocju informacij­skih sistemov in ga umešcamo med kvalitativne pri­stope (Maimbo in Pervan, 2005; Yin, 2018). Obicajno jo izberemo, kadar želimo podrobno analizirati pojav v realnem okolju oziroma je raziskovalno vprašanje opisne narave in imamo na voljo primere, ki jih je mogoce poglobljeno raziskati. Raziskovalno vpraša­nje, ki vodi našo raziskavo je: »Na katere elemente poslovnega modela vpliva uporaba visoko zmoglji­vega racunalništva v oblaku, v malih in srednje ve­likih podjetjih?« Za povecanje veljavnosti rezultatov raziskave smo razvili protokol za izvedbo študije pri­mera (Yin, 2009). Primer oziroma enota raziskovanja se nanaša na posamezen poskus, ki je bil izveden v okviru evrop­skih projektov Fortissimo, Cloudflow, SesameNet in CloudiFacturing. Namen poskusov je bil testirati uporabnost storitev visoko zmogljivega racunalni­štva v oblaku v proizvodnih malih in srednje veli­kih podjetjih, s tem pa preuciti zrelost tehnologije in vzdržnost poslovnih modelov ter prispevati k spre­jetosti HPC v sektorju MSP. Podjetja, ki so sodelova-la v poskusih so bila izbrana na javnih razpisih, ki so enovito dolocali opis poskusa in merila za izbiro. Poskusi so bili v vseh projektih izvedeni na enak na-cin (zagotovitev HPC infrastrukture in storitev ter zagotovitev programske opreme s strani ponudni­kov -> testiranje uporabe HPC -> odraz sprememb v poslovnih modelih podjetij). To nam je omogoci-lo primerljivost izvedenih poskusov preko razlicnih gospodarskih panog. Podatke smo crpali iz javno dostopnih virov (Ta-bela 2), vecinoma iz porocil o izvedenih poskusih na spletnih straneh projektov ter iz raziskave o oceni potenciala uporabe visoko zmogljivega racunalni­štva v oblaku za mala in srednja proizvodna podjetja (Kljajic Borštnar in Ilijaš, 2019). V študijo smo izmed 156 izvedenih poskusov vkljucili tiste, ki so izpolnjevali naslednje kriterije: predstavljali razlicne industrijske panoge, razlicne geografske dele Evrope ter so bili dovolj podrobno dokumentirani. Izbranih 20 primerov smo opisali po elementih kanvas poslovnega modela (Osterwalder in Pigneur, 2010) ter analizirali spremembe v ele­mentih poslovnih modelov, ki so nastale kot posledi-ca poskusa uporabe HPC storitev v oblaku. Izsledke analize smo združili in pripravili zakljucke ter pri­porocila. V tabeli 2 podajamo seznam projektov, število vseh izvedenih poskusov pri posameznem projektu, panoge, ki jih je posamezen projekt naslavljal, število primerov, ki smo jih analizirali, leto izvedbe in po­datkovni vir. Vsi primeri so po definiciji mala in sre­dnje velika podjetja (European Commission, 2003), vecinoma proizvodna podjetja, ki so bili izbrani na javnem razpisu za dodelitev sredstev, za izvedbo po­skusov uporabe storitev HPC v oblaku z enim izmed sodelujocih ponudnikov HPC oblacnih storitev. 4 ANALIZA INOVIRANJA POSLOVNIH MODELOV V rezultatih predstavljamo analizo primerov posku­sov, ki so bili izvedeni v okviru evropskih projektov Fortissimo in Fortissimo 2 (Fortissimo, 2019b), Clo-udFlow (CloudFlow, b. d.) in Cloudifacturing (Clou-diFacturing, 2018). Pretekle raziskave so bile usmerje­ne predvsem v analizo ucinkov poskusov in so poka­zale, da se uporaba HPC v malih in srednjih podjetjih odraža v skrajšanih casih za izvedbo razvoja (simu­lacije) in prispeva k povecanju denarnih prihrankov na letni ravni (Gašperlin, 2019). V pricujoci raziskavi pa smo usmerjeni v analizo vpliva uporabe HPC v oblaku na posamezne elemente poslovnega modela. Iz zacetnega nabora 156 primerov eksperimentov (Tabela 2), ki so bili izvedeni med leti 2013 in 2020 smo jih za analizo izbrali 20, ki izpolnjujejo kriterije, ki smo jih opredelili v poglavju 3. Izmed dvajsetih primerov jih 6 prihaja iz Španije, po trije primeri iz Italije in Nemcije ter dva primera iz Slovenije. Preo­stali primeri prihajajo iz Nizozemske, Litve, Bolga­rije, Velike Britanije, Ceške in Srbije (iz vsake drža­ve po en). Primeri pokrivajo 6 panog: aeronavtiko, avtomobilsko industrijo, gradbeništvo, okolje in energijo, zdravstvo ter proizvodnjo. Pri vsaki panogi smo v analizo vkljucili po 3 primere, razen v primeru zdravstva (2 primera) in proizvodnje (6 primerov). V nadaljevanju podrobneje predstavimo pet izmed dvajsetih primerov, s katerimi želimo ponazoriti iz­vedene poskuse. Podjetje A Prvi primer predstavlja podjetje, ki deluje na podro-cju letalske industrije. Dejavnost podjetja zajema ra­zvoj in proizvodnjo lahkih in ultralahkih letal, kjer je kljucnega pomena poznavanje in obnašanje pretoka zracnih tokov med letom letala (Fortissimo, 2015). Podjetja v ta namen obicajno uporabljajo vetrovne tu­nele, ki pa so za majhna in srednja podjetja predraga. Zato to nadomešcajo s simulacijami. Te zagotovijo natancno simuliranje zracnih tokov in s tem primer-ljive možnosti testiranj, kot so pri vetrovnih tunelih. Kljub temu, da so v podjetju simulacije uporabljali že Tabela 2: Število izbranih primerov glede na projekt (Fortissimo, Cloudflow, SesameNet, CloudiFacturing) in leto izvedbe Projekt Št. vseh poskusov Panoga Izbrani primeri Leto izvedbe Podatkovni vir Aeronautika 3 Avtomobilska ind. 3 Fortissimo 79 Gradbeništvo (Splošno – civilno inženirstvo) Okolje in energija Zdravstvo 3 3 1 2013 – 2016 (Fortissimo I) 2015 – 2018 (Fortissimo II) https://www.fortissimo-project. eu/success-stories Spletne strani analiziranih podjetij Proizvodnja 2 https://eu-cloudflow.eu/ Cloudflow 20 Proizvodnja 1 2014 – 2015 experiments/third-wave.html SesameNet* 36 Zdravstvo 1 2015 – 2017 (Gašperlin, 2019)* https://www.cloudifacturing.eu/ CloudiFacturing 21 Proizvodnja 3 2017 – 2021 experiments/ * Spletna stran projekta SesameNet nazadnje dostopna 12.9.2019 – zato smo podatke povzeli iz lastne magistrske naloge prej, so se odlocili za uporabo HPC, zaradi prednosti, ki jo takšna rešitev ponuja. Uporaba HPC je prispeva-la k vecji natancnosti simulacij razvoja letal ter hitrej­šemu razvoju novih izdelkov. Sprememba se je po­kazala tudi na kljucnih aktivnostih, pri nacrtovanju procesa izdelave letala in izvedbi kompleksnih izra-cunov. Uporaba HPC je povzrocila tudi spremembo na virih podjetja, kjer so nadgradili lastne racunalni­ške vire. Prej so za celotno modeliranje potrebovali 1 mesec, ob uporabi HPC so ta cas skrajšali na 2 dni in pol. Kot posledica spremenjenega nacina dela, so se spremembe pokazale tudi na odnosu do strank, v smeri boljšega prilagajanja zahtevam strank in hi-trejši izdelavi letal. Podjetje je zmanjšalo tudi svoje stroške simulacij in sicer za 90 % (iz 300.000 EURna 3.000 EUR). Kot najvidnejši prispevek, je uporaba HPC spodbudila k sodelovanju v podobnih projek­tih, kot je Mikelangelo (MIKELANGELO, b. d.). Podjetje D Med vidnejšimi podrocji, kjer ima uporaba HPC ve­lik vpliv na spreminjanje poslovnih modelov, je tudi avtomobilska industrija. Kot primer izpostavljamo podjetje D, ki proizvaja elektromotorje za elektricna in hibridna vozila (Fortissimo, 2019a). Na tem podro-cju je pri razvoju poglavitni cilj optimizacija hrupa, vibracij in trdnosti, ki vplivajo na vožnjo vozila. Pod-jetje je želelo zmanjšati število fizicnih prototipov in s tem materiala ter fizicnih meritev. Uporaba HPC je v tem primeru prispevala k razvoju in avtomatiza­ciji vec fizikalnih izracunov, potrebnih pri dolocanju omenjenih karakteristik med razvojem in testira­njem elektromotorjev. HPC je pomembno prispeval k združitvi elektromagnetnih (EM) in strukturno akusticnih simulacij, kar se je odrazilo v optimizaci­ji razlicnih nivojev hrupa, z nespremenjenimi vplivi na zmogljivost elektromotorjev. V podjetju so s tem vpeljali nov koncept, kjer so za dosego cilja upo­rabili 3 razlicne programske opreme in sicer Altair Flux (za analizo magnetnih silnic pri vibracijah), Al­tair Hyperworks (za oblikovanje elektromotorjev) in GNU Octave (za numericne matematicne izracune). S tem se je sprememba odrazila tudi na virih podje­tja, saj so zaposleni z uporabo HPC dobili nova zna­nja. Za stranke je to pomenilo kvalitetnejši izdelek ter hitrejšo dobavo izdelka (za 80 %). Z uporabo HPC se je sprememba odrazila tudi na zmanjšanju stroškov (v povprecju 135.000 EUR/leto) in povecanju prihod­kov (20 % povecanje prodaje). Podjetje G Spremembe poslovnih modelov se ob uporabi HPC odražajo tudi na podrocju gradbeništva (splošnega - civilnega inženirstva), kamor deloma sodijo tudi sistemi in storitve za železniški sektor, ki jih nudi podjetje G. Ena od storitev, ki jih podjetje zagotavlja je popravilo železniških tirov. Podjetje je želelo kla-sicen nacin meritev posodobiti z modernejšim pri­stopom (Fortissimo, 2018). Uvodoma smo omenili, da je za uspešno spremembo pomembna vkljucitev zunanjih partnerjev (HPC strokovnjakov in ponu­dnikov programske opreme). Ponudnik programske opreme je kot partner zagotovil namensko aplikacijo, ponudnik HPC pa infrastrukturo in znanje pri upo­rabi HPC storitev. S sodelovanjem obeh, je podjetje zamenjalo klasicni nacin kontrole železniških tirov in nadgradilo proces, v obliki programske opreme in simulacij z uporabo HPC v oblaku. Programska oprema je prispevala k hitrejšemu odkrivanju napak in vizualizaciji, vpeljava simulacij pa je omogocila si­mulacijo obremenitev ob tranzitu visoko hitrostnih vlakov. Podjetje s tem ni spremenilo le osnovnega procesa. Pridobili so novo storitev v obliki orodja za diagnostiko in izboljšano nacrtovanje železniških ti-rov, kar posledicno vodi do vecje varnosti potnikov. Omenjene spremembe so povzrocile tudi zmanjšanje stroškov (280.000 EUR/leto). Spremembe se v tem primeru niso odrazile samo pri podjetju kot uporab­niku, vendar tudi pri ponudniku programske opre-me, ki je dobil dodatna inženirska znanja. Slednjemu je to omogocilo ponudbo novih storitev na podrocju racunalniško podprtih simulacij (CAE - ang. Com­puter Aided Engineering). Podjetje M Uporaba HPC je vse bolj prisotna tudi na podrocju zdravstva. HPC namrec izboljšuje natancnost izracu­nov na podlagi meritev, kot je to v primeru podjetja M, katerega dejavnost je diagnostika ocesnih bolezni (Fortissimo, 2017). S prilagoditvijo simulacijskega modela ocesne arterije za delo na HPC, se je omo-gocila bolj natancna analiza krvnega pretoka v oce­su in s tem lažje odkrivanje ocesnih bolezni. Skrajšal se je tudi simulacijski cas. Poleg tega je HPC z novo metodo omogocil razširitev dejavnosti in kot posle­dica omenjene spremembe, omogocil vstop na novo podrocje (diagnostika glavkomov in odkrivanje sle­pote). Podjetje zaradi tega pricakuje tudi povecanje prihodkov v višini 100 milijonov evrov na letni rav­ni. Pri prilagoditvi simulacijskega modela sta sode­lovala ponudnik programske opreme in HPC stro­kovnjak. Ponudniku programske opreme bo to omo-gocilo povezavo s partnerji na sorodnih projektih ter potencialni dostop do novih trgov in strank. HPC strokovnjaku pa se je s sodelovanjem odprl dostop na podrocje biomedicine. Podjetje S Kot zadnje izpostavljamo podjetje na podrocju pro-izvodnje, kjer je HPC vplival na spremembo klasic­nega nacina proizvodega procesa pri vodnem hla­jenju (znano tudi kot dušenje) jeklenih proizvodov (CloudiFacturing, b. d.). S pomocjo HPC je bil razvit podroben numericni simulacijski model celotnega stroja za hlajenje kovinskih izdelkov. Rezultati simu­lacijskega modela se potrdijo s fizicnimi preizkusi. Vpeljava HPC se je odrazila tudi na spremembi ak­tivnosti podjetja, v smeri novega procesa pri razvoju svojih izdelkov. Vpeljana rešitev je poleg tega pov­zrocila spremembo tudi na virih podjetja, kjer so s pridobitvijo novih znanj oblikovali novo generacijo vodnih šob, ki bolj ucinkovito hladijo tudi izdelke kompleksnejših struktur. To bo podjetju omogocilo pridobitev vecjega števila strank, pricakujejo pa tudi povecanje prihodkov (500.000 EUR/leto). Slika 2 pri­kazuje znacilnosti primerov po elementih poslovne­ga modela, povzetih v matriki. Pri nekaterih elemen­tih ni bilo izraženih sprememb, zato smo tista polja posivili. Na sliki 3 prikazujemo ugotovitve sprememb po elementih poslovnega modela za vseh dvajset podje­tij. V oklepaju je podano število podjetij, kjer je bila sprememba zaznana. Analiza je pokazala, da je uporaba HPC povzroci-la spremembe v vseh elementih poslovnega modela (Slika 3). Na podrocju kljucnih partnerjev so vsaj v casu poskusa vstopili ponudniki HPC storitev, v ne­katerih primerih tudi ponudniki programske opre-me, s cimer so posredno vplivali tudi na spremembe drugih elementov poslovnega modela podjetij. Pri tem so ponudniki HPC in ponudniki programske opreme, podjetjem ponudili nove digitalne kanale za dostavo storitev preko elektronske tržnice in dosto-pom preko oblaka, s cimer se je sprememba v poslov­nem modelu odrazila tudi pri njih. Po drugi strani pa so tudi ponudniki HPC storitev in programske opreme pridobili nova znanja na posameznih podro-cjih (4 primeri) ter priložnost za vstop na nove trge (6 primerov). Tako spremembe v poslovnem modelu vplivajo na širši poslovni ekosistem in niso omejene zgolj na analizirano podjetje. Spremembe so se pri ponudbi vrednosti (storitev in izdelkov) v najvecji meri odrazile v izboljšanju iz­delkov (8 podjetij) in možnosti vecjega prilagajanja strankam (4 podjetja) in s tem k ponudbi bolj pri­lagojenih rešitev za stranko (na primer podjetje S). Spremembe so se odrazile tudi v izboljšavi storitev (3 podjetja), kot je na primer hitrejše odkrivanje in vizualizacija napak na železniških tirih (podjetje G) ali podrobnejša analiza ocesnih bolezni (podjetje M) in hitrejši dobavi izdelkov (2 podjetji). Hitrejša doba­va zajema hitrejšo izdelavo in sprošcanje izdelkov na trg ter možnost obdelave vecjega števila narocil za stranke. Pri dveh primerih je bilo iz podatkov raz­vidno, da je uporaba HPC vplivala tako na hitrejšo dobavo izdelka kot tudi na vecje prilagajanje potre­bam strank. Pri kljucnih aktivnostih je analiza pokazala, da uporaba visoko zmogljivega racunalništva v oblaku ni vplivala le na hitrejšo izvedbo nacrtovanja in racu­nalniških izracunov in s tem k skrajšanju casa simu­lacij, ampak predvsem k skrajšanem ali novem pro-cesu razvoja in s tem izboljšavi izdelkov (14 podjetij). V štirih primerih pa je bilo iz analize zaznati oboje, tako skrajšanje casa simulacij kot izboljšave razvoj­nega procesa. Pri analizi kljucnih virov se je izkazalo, da je ve-cina podjetij že uporabljala programsko opremo (6 podjetij), v vecini primerov za simulacije, razen v štirih primerih, ko so programsko opremo v delovni proces uvedli na novo, v dveh primerih pa je HPC omogocil bolj enostavno uporabo programske opre-me in s tem povecal krog uporabnikov znotraj podje­tja. Z vidika tehnoloških virov je vpeljava HPC pov­zrocila spremembe z nadgradnjo racunalniških virov in zmogljivosti. Spremembe so se odrazile tudi pri pridobitvi novih znanj pri zaposlenih. Izboljšal se je odnos do strank v smeri bolj oseb­nega pristopa, prilagojenega strankam. Pri segmentu strank bodo podjetja s hitrejšo dobavo izdelkov in vecjo prilagoditvijo strankam dosegla vecje število novih strank ter širjenje na nove trge (5 primerov podjetij), medtem ko drugi vplivi niso jasno doloceni ali pa podatki niso bili na voljo. Omenjene spremem-be so vodile k zmanjšanju stroškov in povecanju pri­hodkov podjetij. Pri tem so znižanje stroškov v 60 % poskusih beležili takoj, 40 % podjetij pa le-to pricaku­ Slika 2: Povzetek analize opisanih poskusov po elementih poslovnega modela *spremembe so zaznane v poslovnem ekosistemu – pri kljucnih partnerjih Slika 3: Analiza sprememb elementov poslovnega modela Kanvas je v prihodnosti. Medtem, ko velika vecina podjetij, zajetih v poskuse, dvig prihodkov pricakuje šele v prihodnosti. 5 ZAKLJUCKI V prispevku smo obravnavali vpliv razvoja visoko zmogljivega racunalništva (HPC) in njegove upora-be v oblaku na spreminjanje elementov v poslovnih modelih malih in srednje velikih podjetij. V ta na-men smo izvedli študijo dvajsetih izbranih primerov poskusov, izvedenih v okviru evropskih projektov Fortissimo, Cloudflow, SesameNet in CloudiFactu-ring. Analizirana podjetja so pokrivala 6 gospodar­skih panog: aeronavtiko, avtomobilsko industrijo, gradbeništvo, okolje in energijo, zdravstvo ter proi­zvodnjo. Spremembe elementov poslovnega modela smo analizirali skozi okvir kanvas poslovnega mode-la (Osterwalder in Pigneur, 2010). Omejitev raziska­ve je omejen nabor analiziranih primerov, saj vecina poskusov ni bila dovolj podrobno dokumentirana. Kljub temu smo v nabor primerov zajeli sektorsko in geografsko raznolike poskuse, ki zagotavljajo poglo­bljeno analizo posameznega primera, kot tudi med-sebojno primerjavo. Rezultati analize kažejo, da ima visoko zmoglji­vo racunalništvo pomemben vpliv na spremembe elementov poslovnega modela na nivoju posame­znega podjetja (novi ali izboljšani izdelki in storitve, skrajšan cas razvoja in dostave na trg, zmanjšanje stroškov). Glavni rezultat poskusov uporabe HPC se kaže v zmanjševanju stroškov in casa potrebnega za razvoj izdelkov in storitev, kar sovpada z ugo­tovitvami predhodnih raziskav (Kergroach, 2020). Zaznali smo tudi vpliv na širši poslovni ekosistem (ponudniki HPC storitev, programske opreme, ce­lotna dobavna veriga), predvsem na podrocju po­vezovanja v nova partnerstva in s tem pridobivanje kompetenc, novih trgov, novih izdelkov in storitev ter nacinov dostave le-teh strankam. Ker pa je kan­vas poslovni model namenjen analizi posameznega podjetja, tega vidika podrobneje nismo analizirali. Raziskava prispeva k razumevanju vloge storitev vi-soko zmogljivega racunalništva v oblaku k inovira­nju poslovnih modelov v proizvodnih malih in sre­dnje velikih podjetjih. V prihodnjih raziskavah velja podrobneje raziskati poslovne modele širših ekosi­stemov. Prav tako ostajajo odprta vprašanja poten­ciala uporabe visoko zmogljivega racunalništva na drugih podrocjih (npr. kmetijstvo, turizem) ter oceni ucinkov spodbud za uporabo visoko zmogljivega racunalništva in povezanih digitalnih tehnologij. Pomemben napredek na tem podrocju gre namrec pricakovati le ob natancno usmerjenih spodbudah in celoviti oceni ucinkov le-teh. LITERATURA [1] Amit, R., & Zott, C. (2012). Creating Value Through Business Model Innovation. MIT Sloan Management Review. Prido­bljeno od https://sloanreview.mit.edu/article/creating-value­-through-business-model-innovation/ [2] ARCTUR. (b. d.). Spletna stran podjetja ARCTUR. Pridobljeno 7. oktober 2020., od https://www.arctur.si/ [3] Artigues, A., Cugnasco, C., Becerra, Y., Cucchietti, F., Hou­zeaux, G., Vazquez, M., … Labarta, J. (2017). ParaView + Alya + D8tree: Integrating High Performance Computing and High Performance Data Analytics. V Procedia Computer Science (Let. 108, str. 465–474). doi: 10.1016/j.procs.2017.05.170 [4] Becciani, U., & Petta, C. (2019). New frontiers in compu­ting and data analysis – the European perspectives. Ra­diation Effects and Defects in Solids, 174(11–12). doi: 10.1080/10420150.2019.1683840 [5] Bocken, N. M. P., & Geradts, T. H. J. (2020). Barriers and dri­vers to sustainable business model innovation: Organization design and dynamic capabilities. Long Range Planning, 53(4), 1–23. doi: 10.1016/j.lrp.2019.101950 [6] Borangiu, T., Trentesaux, D., Thomas, A., Leitão, P., & Barata, J. (2019, junij 1). Digital transformation of manufacturing thro­ugh cloud services and resource virtualization. Computers in Industry. Elsevier B.V. doi: 10.1016/j.compind.2019.01.006 [7] Bouwman, H., Faber, E., Haaker, T., Kijl, B., & de Reuver, M. (2008). Conceptualizing the STOF Model. V Harry Bouwman, H. De Vos, & T. Haaker (Ur.), Mobile Service Innovation and Business Models (str. 31–70). Berlin, Heidelberg: Springer Berlin Heidelberg. doi: 10.1007/978-3-540-79238-3_2 [8] Bouwman, H., Nikou, S., & de Reuver, M. (2019). Digita­lization, business models, and SMEs: How do business model innovation practices improve performance of digita­lizing SMEs? Telecommunications Policy, 43(9), 1–18. doi: 10.1016/j.telpol.2019.101828 [9] Chesbrough, H. (2007). Business model innovation: It’s not just about technology anymore. Strategy and Leadership, 35(6), 12–17. doi: 10.1108/10878570710833714 [10] Chiariello, A. G., Formisan, A., & Martone, R. (2015). A high­-performance computing procedure for the evaluation of 3D coils inductance. COMPEL – The international journal for com­putation and mathematics in electrical and electronic engine­ering, 34(1), 248–260. doi: 10.1108/COMPEL-03-2014-0070 [11] Clarke, E., & Larmour, I. (2016). THE IMPACT OF NATIONAL HIGH PERFORMANCE COMPUTING – An analysis of the im­pacts and outputs of investment in national HPC. Pridobljeno 8. december 2020., od https://epsrc.ukri.org/newsevents/ pubs/impactofnationalhpc/ [12] CloudFlow. (b. d.). Spletna stran projekta CloudFlow. Prido­bljeno 27. december 2020., od https://eu-cloudflow.eu [13] CloudiFacturing. (b. d.). NUMERICAL MODELLING AND SI­MULATION OF HEAT TREATING PROCESSES. Pridobljeno 6. november 2020., od https://www.cloudifacturing.eu/expe­riment-4-numerical-modelling-and-simulation-of-heat-trea­ting-processes-2/?cookie-state-change=1604955347175 [14] CloudiFacturing. (2018). CloudiFacturing project home page. Pridobljeno 6. november 2020., od https://www.cloudifactu­ring.eu [15] den Hartigh, E., Tol, M., Wei, J., Visscher, W., & Zhao, M. (2005). Modeling a business ecosystem: An agent-ba­sed simulation. Pridobljeno 3. februar 2021., od https:// d1wqtxts1xzle7.cloudfront.net/31071213/den-hartigh-tol--wei-visscher-zhao_2005_modeling-a-business-ecosystem. pdf?1364857159=&response-content-disposition=inline% 3B+filename%3DModeling_a_business_ecosystem_An_ agent_b.pdf&Expires=1612351145&Signature [16] Dongarra, J., Graybill, R., Harrod, W., Lucas, R., Lusk, E., Luszczek, P., … Tikir, M. (2008). DARPA’s HPCS Program: History, Models, Tools, Languages. Advances in Computers, 72. Pridobljeno od https://www.icl.utk.edu/files/publicati­ons/2008/icl-utk-368-2008.pdf [17] ETP4PHC. (b. d.). EUROPEAN HPC EXASCALE EFFORT. Pridobljeno 7. oktober 2020., od https://www.etp4hpc.eu/ euexascale.html [18] EuroHPC. (2020). Spletna stran iniciative EuroHPC. Pridoblje-no 6. oktober 2020., od https://eurohpc-ju.europa.eu/ [19] European Commision. (2016). Communication: European Cloud Initiative – Building a competitive data and knowledge economy in Europe. Pridobljeno od https://ec.europa.eu/di­gital-single-market/en/news/communication-european-clo-ud-initiative-building-competitive-data-and-knowledge-eco-nomy-europe [20] European Commision. (2019). European Cloud Initiative. Pri­dobljeno 7. oktober 2020., od https://ec.europa.eu/digital­-single-market/en/european-cloud-initiative [21] European Commission. (2003). Commission Recommendati­on concerning the definition of micro, small and medium-sized enterprises. Pridobljeno od https://eur-lex.europa.eu/legal­-content/EN/TXT/PDF/?uri=CELEX:32003H0361&from=EN [22] European Commission. (2018). Digital Transformation Score­board 2018 – EU businesses go digital: Opportunities, outco­mes and uptake. doi: 10.2826/821639 [23] European Commission. (2019). High Performance Compu­ting, Cloud Infrastructures and Artificial Intelligence to better protect our planet. Pridobljeno 22. januar 2021., od https:// ec.europa.eu/digital-single-market/en/news/high-performan-ce-computing-cloud-infrastructures-and-artificial-intelligen­ce-better-protect-our [24] European Commission. (2020a). Call to acquire a new Euro­pean world-class supercomputer. Pridobljeno 12. april 2020., od https://ec.europa.eu/digital-single-market/en/news/call­-acquire-new-european-world-class-supercomputer [25] European Commission. (2020b). High Performance Compu­ting. Pridobljeno 9. november 2020., od https://ec.europa.eu/ digital-single-market/en/high-performance-computing [26] Ezell, S. J., & Atkinson, R. D. (2016). The Vital Importance of High- Performance Computing to U.S. Competitiveness. Pridobljeno od http://www2.itif.org/2016-high-performance­-computing.pdf [27] Fakulteta za strojništvo UL. (b. d.). Partnership for Advanced Computing in Europe (PRACE). Pridobljeno 11. april 2020., od http://hpc.fs.uni-lj.si/prace [28] Ferna´ndez-Gonza´lez, A., Rosillo, R., Miguel-Da´vila, J. A., & Matella´n, V. (2015). Historical review and future challenges in Supercomputing and Networks of Scientific Communica­tion. The Journal of Supercomputing, 71, 4476–4503. doi: 10.1007/s11227-015-1544-3 [29] Fortissimo. (2015). HPC-Cloud-based simulation of light­-aircraft aerodynamics. Pridobljeno 6. januar 2021., od https://www.fortissimo-project.eu/sites/default/files/docu­ments/stories/Fortissimo_SuccessStory_401_Pipistrel_1.pdf [30] Fortissimo. (2017). Cerebral blood flow simulations. Prido­bljeno 6. januar 2021., od https://www.fortissimo-project.eu/ sites/default/files/documents/stories/Fortissimo_Success­Story_603_Vittamed.pdf [31] Fortissimo. (2018). Cloud-based-HPC simulation of railway infrastructure for high-speed trains. Pridobljeno 6. januar 2021., od https://www.fortissimo-project.eu/sites/default/ files/documents/stories/Fortissimo_SuccessStory_713_Al­stom_Ferroviaria.pdf [32] Fortissimo. (2019a). HPC-Cloud-based simulation of coupled electromagnetic and structural-acoustics in in-wheel electric motors. Pridobljeno 6. december 2020., od https://www.for­tissimo-project.eu/sites/default/files/documents/stories/For­tissimo_SuccessStory_911_Elaphe.pdf [33] Fortissimo. (2019b). Spletna stran projekta Fortissimo. Prido­bljeno 4. december 2020., od https://www.fortissimo-project. eu [34] Franceschelli, M. V., Santoro, G., & Candelo, E. (2018). Bu­siness model innovation for sustainability: a food start-up case study. British Food Journal, 120(10), 2483–2494. doi: 10.1108/BFJ-01-2018-0049 [35] Gagliardi, F., Moreto, M., Olivieri, M., & Valero, M. (2019). The international race towards Exascale in Europe. CCF Transac­tions on High Performance Computing volume, 3–13. doi: 10.1007/s42514-019-00002-y [36] Gašperlin, B. (2019). ANALIZA PRILOZ.NOSTI ZELO-ZMO­GLJIVEGA RAC.UNALNIS.TVA ZA MALA IN SREDNJA PODJETJA. Faculty of Organizational sciences, Universi­ty of Maribot. Pridobljeno od https://dk.um.si/Dokument. php?id=134642 [37] Gašperlin, B., Ilijaš, T., & Kljajic Borštnar, M. (2019). OPPOR­TUNITIES OF CLOUD HIGH PERFORMANCE COMPUTING FOR SMES – A META-ANALYSIS. V U. of L. Zadnik Stirn, L., U. of M. Kljajic Borštnar, M., U. of L. Žerovnik, J., U. of L. Drobne, S., & U. of L. Povh, J. (Ur.), Proceedings of the 15th International Symposium on OPERATIONAL RESEARCH (str. 149–154). Bled, Slovenia: Slovenian Society Informatika, Section for Operational Research. Pridobljeno od http://fgg--web.fgg.uni-lj.si/~/sdrobne/sor/SOR’19 – Proceedings.pdf [38] Gigler, B.-S., Casorati, A., & Verbeek, A. (2018). Financing the future of supercomputing – How to increase investments in high performance computing in Europe. Pridobljeno 20. marec 2019., od https://www.eib.org/attachments/pj/finan­cing_the_future_of_supercomputing_en.pdf [39] Guo, J., Nikou, S., & Bouwman, H. (2020). Theoreti­cal framework for the study. V Information Resources Management Association (Ur.), Sustainable Business: Concepts, Methodologies, Tools and Applications (str. 272). IGI Global. Pridobljeno od https://books.google.si/ books?id=kJvLDwAAQBAJ&pg=PA272&lpg=PA272&dq=b usiness+model+stof+visor&source=bl&ots=4U-3E-eL99&s ig=ACfU3U1urs7cMBCLKunPY1vftMnccdU4kg&hl=en&sa =X&ved=2ahUKEwjcm8qZpKbuAhUhAhAIHYqDC1kQ6AEw EXoECBEQAg#v=onepage&q&f=false [40] Heikkilä, J., Heikkilä, M., & Tinnilä, M. (2008). The Role of Business Models in Developing Business Networks. V Elec­tronic Commerce: Concepts, methodologies, Tools, and Ap­plications (str. 221–231). doi: 10.4018/978-1-59140-629-7. ch016 [41] i4MS. (2020). i4MS. Pridobljeno 22. januar 2021., od https:// i4ms.eu/ [42] Imran, H. A., Wazir, S., Ikram, A. J., Ikram, A. A., Ullah, H., & Ehsan, M. (2019). HPC as a Service: A naïve model. V 2019 8th International Conference on Information and Communi­cation Technologies (ICICT). Karachi, Pakistan: IEEE. doi: 10.1109/ICICT47744.2019.9001912 [43] Institut informacijskih znanosti (IZUM). (2020). Atosov Bull-Sequana XH2000 izbran za EuroHPC superracunalnik Vega v Mariboru. Pridobljeno 9. november 2020., od https://www. izum.si/ [44] Kalbe, G. (2019). The European Approach to the Exascale Challenge. Computing in Science and Engineering, 21(1), 42–47. doi: 10.1109/MCSE.2018.2884139 [45] Kane, G. C., Palmer, D., Phillips, A. N., Kiron, D., & Buckley, N. (2015). Strategy, Not Technology, Drives Digital Transfor­mation. Pridobljeno 11. maj 2020., od https://sloanreview. mit.edu/projects/strategy-drives-digital-transformation/ [46] Kergroach, S. (2020). Giving momentum to SME digitaliza­tion. Journal of the International Council for Small Business, 1(1), 28–31. doi: 10.1080/26437015.2020.1714358 [47] Keswani, U. (2008). HIGH PERFORMANCE CLUSTER AND GRID COMPUTING SOLUTIONS FOR SCIENCE. The Uni­versity of Texas at Arlington. Pridobljeno od https://se­arch-proquest-com.ezproxy.lib.ukm.si/pqdtglobal/docvi-ew/304824796/fulltextPDF/CAD8467C69284112PQ/1?acco untid=28931 [48] Kljajic Borštnar, M., & Ilijaš, T. (2019). Assessment of High Performance Computing Services Potential of SMEs. V 42nd International Convention on Information and Com­munication Technology, Electronics and Microelectroni­cs (MIPRO) (str. 1414–1418). Opatija: IEEE. Pridobljeno od https://ieeexplore-ieee-org.ezproxy.lib.ukm.si/stamp/stamp. jsp?tp=&arnumber=8756681 [49] Kljajic Borštnar, M., & Ilijaš, T. (2019). Preliminarna analiza pripravljenosti malih in srednje velikih podjetij na storitve zelo zmogljivega racunalništva. V P. Šprajc, I. Podbregar, D. Male­tic, & dr. M. Radovanovic (Ur.), 38. mednarodna konferenca o razvoju organizacijskih znanosti-Ekosistem organizacij v dobi digitalizacije: konferencni zbornik (str. 419–430). Portorož, Slovenia: Univerzitetna založba Univerze v Mariboru, Slom­škov trg 15, 2000 Maribor, Slovenija. doi: 10.18690/978-961­286-250-3.34 [50] Kljajic Borštnar, M., Ilijaš, T., & Pucihar, A. (2015). ASSES­SMENT OF CLOUD HIGH PERFORMANCE COMPUTING POTENTIAL FOR SMES. V L. Zadnik Stirn, J. Žerovnik, M. Kljajic Borštnar, & S. Drobne (Ur.), Proceedings of the 13th International Symposium on Operational Research SOR 2015 (str. 23–28). Bled, Slovenia. Pridobljeno od http://fgg-web. fgg.uni-lj.si/~/sdrobne/sor/SOR%2715 – Proceedings.pdf [51] Kukkamalla, P. K., Bikfalvi, A., & Arbussa, A. (2020). The new BMW: business model innovation transforms an automotive leader. Journal of Business Strategy. doi: 10.1108/JBS-02­2020-0021 [52] Lee, S. M., & Jeong, S. C. (2020). A study on strategy for invigorating utilization of HPC in industry based on business building blocks model. Nonlinear Theory and Its Applications, IEICE (NOLTA), 11(1), 78–89. doi: 10.1587/nolta.11.78 [53] Liu, P., & Bell, R. (2019). Exploration of the initiation and pro­cess of business model innovation of successful Chinese ICT enterprises. Journal of Entrepreneurship in Emerging Econo­mies, 11(4), 515–536. doi: 10.1108/JEEE-09-2018-0094 [54] Lowther, D., Ghorbanian, V., Mohammadi, M. H., & Ibrahim, I. (2020). Design tools for electromagnetic- driven multi-physi­cs systems using high performance computing. COMPEL – The international journal for computation and mathematics in electrical and electronic engineering, 39(1), 198–205. doi: 10.1108/COMPEL-06-2019-0234 [55] Ma, Z. (2019). Business ecosystem modeling- the hybrid of system modeling and ecological modeling: an application of the smart grid. Energy Informatics, 2(35), 1–24. doi: 10.1186/ s42162-019-0100-4 [56] Maimbo, H., & Pervan, G. (2005). Designing a Case Study Protocol for application in IS research. V 9th Pacific Asia Conference on Information Systems: I.T. and Value Creation, PACIS 2005 (str. 1281–1292). Pridobljeno od http://www.pa­cis-net.org/file/2005/113.pdf [57] MIKELANGELO. (b. d.). MIKELANGELO project – OpenFoam use case. Pridobljeno 9. november 2020., od https://www. mikelangelo-project.eu/use-cases/openfoam/ [58] Misra, G., Kurkure, N., Das, A., Das, S., & Gupta, A. (2011). HPC – A Benediction for Agriculture. V 2011 International Conference on Information Communication and Management (str. 130–135). Pridobljeno od https://www.researchgate.net/ profile/Goldi_Misra/publication/264847357_HPC_-A_Bene­diction_for_Agriculture/links/5501cba00cf2d60c0e60ef33. pdf [59] Moore, J. F. (1993). Predators and Prey: A New Ecology of Competition. Harward Business Review. Pridobljeno od https://hbr.org/1993/05/predators-and-prey-a-new-ecology­-of-competition [60] Morakanyane, R., Grace, A. A., & O’Reilly, P. (2017). Concep­tualizing Digital Transformation in Business Organizations: A Systematic Review of Literature. V A. Pucihar, M. Kljajic Borštnar, C. Kittl, P. Ravesteijn, R. Clarke, & R. Bons (Ur.), 30TH BLED ECONFERENCE: DIGITAL TRANSFORMATION – FROM CONNECTING THINGS TO TRANSFORMING OUR LIVES (str. 427–444). Bled, Slovenia. doi: 10.18690/978-961­286-043-1.30 [61] Morris, M., Schindehutte, M., & Allen, J. (2005). The entrepreneur’s business model: toward a unified perspective. Journal of Business Research, 58(6), 726–735. doi: 10.1016/j. jbusres.2003.11.001 [62] Muller, P., Robin, N., Jessie, W., Schroder, J., Braun, H., Becker, L. S., … Cooney, T. (2019). Annual Report on Euro­pean SMEs 2018/2019. Pridobljeno od https://ec.europa.eu/ growth/smes/sme-strategy/performance-review_en#annual­-report [63] Osterwalder, A., & Pigneur, Y. (2010). Business Model Ge­neration. (T. Clark, Ur.). John Wiley & Sons, Inc. Pridoblje-no od https://profesores.virtual.uniandes.edu.co/~isis1404/ dokuwiki/lib/exe/fetch.php?media=bibliografia:9_business_ model_generation.pdf [64] Péréz-Sa´nchez, H., Fassihi, A., Cecilia, J. M., Ali, H. H., & Ca-nnataro, M. (2015). Applications of High Performance Com­puting in Bioinformatics, Computational Biology and Compu­tational Chemistry. V H. Perez-Sanchez, A. Fassihi, J. M. Ce­cilia, H. H. Ali, & M. Cannataro (Ur.), International Conference on Bioinformatics and Biomedical Engineering (IWBBIO 2015) (str. 527–541). Pridobljeno od http://kt.ijs.si/interno/Procee­dings/IWBBIO2015/papers/9044/90440051.pdf [65] PRACE. (b. d.). SHAPE Access For SMEs. Pridobljeno 27. av-gust 2020., od https://prace-ri.eu/prace-for-industry/shape­-access-for-smes/ [66] PRACE. (2020). Spletna stran združenja PRACE. Pridobljeno 11. april 2020., od https://prace-ri.eu/about/introduction/ [67] Pucihar, A., Kljajic Borštnar, M., Heikkilä, M., Bouwman, H., & de Reuver, M. (2015). Envision Case Study Protocol. Unpu­blished internal document-Envision project. [68] Pucihar, Andreja, Lenart, G., Kljajic Borštnar, M., Vidmar, D., & Marolt, M. (2019). Drivers and Outcomes of Business Mo­del Innovation—Micro, Small and Medium-Sized Enterprises Perspective. Sustainability, 11(2). doi: 10.3390/su11020344 [69] Rean~o, C., Prades, J., & Silla, F. (2019). Analyzing the perfor-mance/power tradeoff of the rCUDA middleware for future exascale systems. Journal of Parallel and Distributed Com­puting, 132(344–362). doi: 10.1016/j.jpdc.2019.04.021 [70] Sadiku, M. N. O., Eze, K. G., & Musa, S. M. (2018). High-Thro­ughput Computing. Pridobljeno 4. oktober 2020., od https:// www.researchgate.net/publication/327152859_High-Throu­ghput_Computing [71] SLING. (b. d.). Spletna stran slovenske iniciative SLING. Pri­dobljeno 11. november 2020., od http://www.sling.si/sling/ [72] Solaimani, S., Heikkilä, M., & Bouwman, H. (2018). Business Model Implementation within Networked Enterprises: A Case Study on a Finnish Pharmaceutical Project. European Mana­gement Review, 15, 79–96. doi: 10.1111/emre.12124 [73] Souza, A. D., Wortmann, H., Huitema, G., & Velthuijsen, H. (2015). A business model design framework for viability; a business ecosystem approach. Journal of Business Models, 3(2), 1–29. doi: 10.5278/ojs.jbm.v3i2.1216 [74] Starc Peceny, U., Urbancic, J., Mokorel, S., Kuralt, V., & Ilijaš, T. (2019). Tourism 4.0: Challenges in Marketing a Paradigm Shift. V Consumer Behavior and Marketing. IntechOpen. doi: 10.5772/intechopen.84762 [75] Sterling, T., Brodowicz, M., & Anderson, M. (2018). High Per­formance Computing: Modern Systems and Practices. Katey Birthcher. Pridobljeno od https://books.google.si/books?id= qOHIBAAAQBAJ&pg=PA30&lpg=PA30&dq=Chapter+1+-+In troduction++ThomasSterling+Matthew+Anderson+Maciej+ Brodowicz&source=bl&ots=rLDCDp-bC3&sig=ACfU3U2A­-vX_tE5JaV2hk0ZvvguPtRfp_g&hl=sl&sa=X&ved=2ahUKEwi s1or4jOPoAhXQs4sKHScYAegQ6A [76] Teece, D. J. (2010). Business Models, Business Strategy and Innovation. Long Range Planning, 43(2–3), 172–194. doi: 10.1016/j.lrp.2009.07.003 [77] Tian, C., Ray, B. K., Lee, J., & Cao, R. (2008). BEAM: A fra­mework for business ecosystem analysis and modeling. Pri­dobljeno 3. februar 2021., od https://www.researchgate.net/ publication/220353589_BEAM_A_framework_for_business_ ecosystem_analysis_and_modeling [78] Tomaševic, M., Lapuh, L., Stevic, Ž., Stanujkic, D., & Karaba­ševic, D. (2020). Evaluation of Criteria for the Implementation of High-Performance Computing (HPC) in Danube Region Countries Using Fuzzy PIPRECIA Method. Sustainability, 12(7). doi: 10.3390/su12073017 [79] Top500. (2020). top500. Pridobljeno 4. oktober 2020., od https://www.top500.org/lists/top500/2020/06/ [80] Univerza v Mariboru. (2019a). HPC RIVR v svetu. Pridobljeno 7. oktober 2020., od https://www.hpc-rivr.si/hpc-rivr-v-sve­tu/ [81] Univerza v Mariboru. (2019b). Projekt HPC RIVR. Pridobljeno 7. oktober 2020., od https://www.hpc-rivr.si/ [82] Vial, G. (2019). Understanding digital transformation: A review and a research agenda. The Journal of Strategic Information Systems, 28(2), 118–144. doi: 10.1016/j.jsis.2019.01.003 [83] Wang, K., Kulkarni, A., Lang, M., Arnold, D., & Raicu, I. (2016). Exploring the design tradeoffs for extreme-scale high-per­formance computing system software. IEEE Transactions on Parallel and Distributed Systems, 27(4), 1070–1084. doi: 10.1109/TPDS.2015.2430852 [84] Westerman, G., Bonnet, D., & McAfee, A. (2014). The Nine Elements of Digital Transformation. Pridobljeno 11. maj 2020., od https://sloanreview.mit.edu/article/the-nine-ele­ments-of-digital-transformation/ [85] Wieringa, R., Engelsman, W., Gordijn, J., & Ionita, D. (2019). A business ecosystem architecture modeling framework. V 21st IEEE Conference on Business Informatics (CBI) (Let. 1, str. 147–156). IEEE. doi: 10.1109/CBI.2019.00024 [86] Xie, X., Fang, X., Hu, S., & Wu, D. (2010). Evolution of su­percomputers. Frontiers of Computer Science in China, 4(4), 428–436. doi: 10.1007/s11704-010-0118-z [87] Yin, R. K. (2009). Case Study Research: Design and Me-[88] Yin, R. K. (2018). Case Study Research and Applications, De-thods. (L. Bickman & D. J. Rog, Ur.) (Fourth). SAGE Pu-sign and Methods (6. izd.). SAGE Publications. blications, Inc. Pridobljeno od https://books.google.si/ [89] Zott, C., Amit, R., & Massa, L. (2011). The business model: books?id=FzawIAdilHkC&pg=PA24&hl=sl&source=gbs_ Recent developments and future research. Journal of Mana­toc_r&cad=3#v=onepage&q&f=false gement. doi: 10.1177/0149206311406265 • Blaž Gašperlin je doktorski študent in mladi raziskovalec na Fakulteti za organizacijske vede, Univerze v Mariboru. Leta 2016 je diplomiral na Fakulteti za elektrotehniko, Univerzi v Ljubljani. Leta 2019 je magistriral na Fakulteti za organizacijske vede. Njegovo raziskovanje je trenutno usmerjeno na podrocje digitalne preobrazbe in raziskovanje vloge digitalnih tehnologij in podatkov na inoviranje poslovnih modelov v malih in srednje velikih podjetjih. Sodeluje tudi pri organizacijskih aktivnostih priprave Blejske e-konference in se udeležuje domacih in tujih mednarodnih konferenc. • Mirjana Kljajic Borštnar je izredna profesorica za podrocje informacijskih sistemov na Fakulteti za organizacijske vede, Univerze v Mariboru. Njeno raziskovalno delo je usmerjeno v sisteme za podporo odlocanju, odkrivanje znanja v podatkih in organizacijsko ucenje. Izsledke raziskav objavlja v mednarodnih znanstvenih revijah in konferencah, med drugim Expert Systems with Application, PLOS ONE, Industrial Management & Data Systems, System Dynamics Review. Sodelovala je v vec evropskih in domacih projektih. Je sovodja programskega odbora Blejske e-kon­ference in Simpozija o operacijskih raziskavah v Sloveniji ter clanica programskih odborov konferenc DSI, DataScience, WorldCist in drugih. V domacem okolju je aktivna kot predstavnica raziskovalnih organizacij v SRIP PMIS za podrocje HPC & Big Data, clanica izvršnega odbora pobude AI4Slovenia in clanica uredniškega odbora revije Uporabna informatika. 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. 3D-modelíranje -a s (angl. 3D modeling) izdelava 3D-modela z uporabo namenske programske opreme 3D-tískanje -a trídés (angl. 3D-printing) postopek izdelave tridimenzionalnih predmetov iz digitalnega modela s tiskalnikom; sin. aditivna proizvodnja digitálno modelíranje -ega -a (angl. digital modeling and fabrication) proizvodnja, ki pri 3D-tiskanju uporablja 3D-modeliranje ali racunalniško oblikovanje métapodátki -ov mn. m (angl. metadata) podatki o podatkih, o njihovem pomenu, odnosih in lastnostih modelíranje -a s (angl. modeling)postopek izdelave modela modelírnik -a m (angl. modeller) namenska programska oprema, namenjena izdelavi 3D-modelov podátkovni katalóg -ega -a m (angl. data catalog) podatkovni slovar, ki omogoca iskanje in poizvedovanje podátkovni modél -ega -a m (angl. data model) model, ki opisuje entitete in povezave med njimi v racunalniški obdelavi podatkov podátkovni slovár -ega -rja m (angl. data dictionary) zbirka, ki vsebuje metapodatke simulácija -e ž(angl. simulation) 1. ponazoritev delovanja sistema, 2. izvajanje eksperimenta z modelom simulácijski modél -ega -a m (angl. simulation model) model, na katerega vpliva simulacijsko okolje in je namenjen uporabi v simulaciji umestítev -tve ž(angl. deployment) izdaja, namestitev in prilagoditev programske rešitve za delovanje v produkcijskem okolju; sin. postavitev, uvedba; prim. vzpostavitev vzpostavítev -tve ž (angl. implementation) uresnicitev podrobnega nacrta razvoja racunalniškega programa ali informacijskega sistema, namestitev in uvedba v uporabo programja in podatkov, usposobitev uporabnikov; sin. implementacija, izvedba; prim. umestitev IzpitnicentriECDL 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 dræavah Evropske unije so pri uvajanju ECDL moËno angaæirane srednje in visoke pole, aktivni pa so tudi razliËni vladni resorji. Posebno pomembno je, da velja spriËevalo v 148 dræavah, ki so vkljuËene v program ECDL. Doslej je bilo v svetu izdanih æe 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 Matija Lokar, Maja Mujkic Racunalniško tekmovanje Pišek – oblika vzPodbujanje ucenja PRogRamiRanja za vSe Mateja Bevcic, Jože Rugelj Coding4giRlS - PRiStoP za ucenje PRogRamiRanja S Snovanjem igeR kratki znanstveni prispevki Žiga Pušnik, Miha Moškon integRaCija StRuktuRnih omejitev PRi izPeljavi genSko RegulatoRnih omRežij znanstveni prispevki Alenka Kavcic, Bojana Boh Podgornik, Ciril Bohak, Katja Depolli Steiner, Alenka Gril, Aleš Hladnik, Vid Klopcic, Luka Komidar, Žiga Lesar, Matija Marolt, Sonja Pecjak, Matevž Pesek, Tina Pirc, Anja Podlesek, Melita Puklek Levpušcek, Cirila Peklaj e-ucno okolje z oPoRami za SamoRegulaCijo ucenja Blaž Gašperlin, Mirjana Kljajic Borštnar vPliv uPoRabe viSokozmogljivega Racunalništva v oblaku na inoviRanje PoSlovnih modelov informacije iz iSlovaRja