Современная гуманитарная академия



страница2/12
Дата15.05.2016
Размер3.43 Mb.
ТипРеферат
1   2   3   4   5   6   7   8   9   ...   12
, ПК 1 – это фундаментальные знания и умения в области разработки интеллектуальных систем (составляют основу образовательного процесса на первой стадии изучения предмета).

ПК 16 – знание современных методов моделирования и умение применять их для интеллектуальных систем (имитационное, эволюционное, нейросетевое, нечеткое и др.)

Этот раздел сетевого графа представляет основу для остальных.

ПК 2 – технологические знания и умения в области разработки интеллектуальных систем

ПК 11 – знания и умения использования методов системного анализа для оценки применимости/неприменимости технологии интеллектуальных систем

ПК 21 – знание основных архитектур статических, динамических, интегрированных и гибридных интеллектуальных систем и умение их проектировать и разрабатывать

ПК 12 – знания и умения выбирать модели представления знаний для построения конкретных интеллектуальных систем

ПК 22 – знание способов построения баз знаний для различных проблемных/предметных областей

ПК 13 – владение навыками моделирования рассуждений и построения современных решателей (средств вывода) для интеллектуальных систем

ПК 23 – знание состава и структуры основных инструментальных средств и умение обоснованно выбирать и применять их при реализации различных интеллектуальных систем

ПК 14 – знание основных типов неформализованных (НФ)-задач и умение строить модели и методы решения НФ-задач различных типов

ПК 24 – владение базовыми методами проектирования, разработки, тестирования и сопровождения конкретных классов интеллектуальных систем

ПК 15 – знание методов получения знаний из различных источников знаний (эксперты, естественно языковые тексты, БД) и умение применять их на практике

Для реализации данных моделей, в рамках экспертно-обучающей системы информационной поддержки может быть использован метод тестирования и процедуры ввода тестирующих вопросов в базу знаний, процедура формирования «идеальной» оценки, процедура подсчета неверных ответов и формирования итоговой, реальной оценки уровней знания студента. Ниже представлено поэтапное описание построения и функционирования экспертной системы информационной поддержки самостоятельной работы студентов.

1. Предварительный этап (Разработка ТЗ на проект, построение БЗ на, построение модели диалога, [проектирование БД], конфигурирование и др.)

2. Этап детального проектирования компонентов экспертной системы в (режим DesignTime для преподавателей-предметников).

2.1. Построение компонентов эталонной модели курса/дисциплины (выделение элементов курса/дисциплины, подготовка контрольных вопросов с коэффициентами сложности и т.д.);

2.2. Построение компонентов модели обучаемого (выбор алгоритма оценивания уровня знаний, компоновка набора тестов для выявления личностных характеристик и т.д.)

2.3. Построение компонентов модели обучения (конкретизация и построение обучающих воздействий)

3. Этап функционирования разработанной экспертной системы (режим RunTime для обучаемых)

3.1. Формирование моделей обучаемых (построение психологического портрета личности, выявление уровня знаний и умений путем проведения контрольных тестирований и т.д.)

3.2. Построение индивидуальных планов (стратегий) обучения для обучаемых.

3.3. Реализация текущего плана (совокупности обучающих воздействий) для конкретного обучаемого с последующим контролем знаний и умений.

Описанная выше концепция разработки экспертной системы информационной поддержки самостоятельной работы студентов, в общем случае способствует системной и комплексной методологии, что в свою очередь способствует достижению наибольшей эффективности.

Дополнительный эффект в рамках практических исследований достигается за счет связей с естественнонаучной областью (математические исследования и разработки).
1.2.2. Контент информационной системы для самообучения

Процессы формирования информационных ресурсов для целей самообучения в системе высшего образования происходят непрерывно и они параллельно связаны с традиционным образовательным процессом. С этой позиции можно сказать, что искомый образовательный информационный ресурс может быть несколько раз изменен и скорректирован в процессе самообучения с участием преподавателя и студента таким образом, чтобы его содержимое удовлетворяло требованиям учебного плана, в котором сосредоточены основные нормативы, качественные и количественные характеристики изучаемой предметной области. С точки зрения оценочных характеристик такого информационного ресурса можно судить о его социальной значимости в пределах преподаваемого курса и, как следствие, значимости получаемых умений и навыков предметной области будущей профессиональной деятельности студента [2].

При рассмотрении процесса ориентации информационного ресурса в процессе самообучения с точки зрения программной реализации можно выделить несколько основных пользователей и определить их форму участия в формировании базы знаний фрагментов образовательного контента.

Процесс формирования информационных моделей, методов и технических приемов создания баз знаний интеллектуальных информационных систем будем условно называть – инженерия знаний. В данном процессе основными фигурами являются инженер знаний (преподаватель), специалист предметной области (преподаватель, специалист организационной части учебной деятельности – методист) и пользователь (студент).

Инженерия знаний образовательной предметной области в силу своей слабой структурированности является сложной задачей. Для ее решения необходимо рассмотреть и решить следующие проблемы: проблема выбора источников информации, проблема оценивания результирующего (извлеченного знания) образовательного контента в процессе самообучения и проблема интеграции компонентов приобретения знаний экспертной системы самообучения. Ниже более подробно рассмотрим данные проблемы, а так же методы и используемые технологии для их решения.

Проблема выбора источников информации

Для решения данной проблемы необходимо определить так называемую предметную область преподаваемых курсов. Рассматривая конкретные курсы, данная предметная область описывается учебным планом, который является центральным инструментом (вместе с рабочей программой) управления образовательным процессом, содержащим необходимые наборы разделов, тем, понятий, навыков и умений, которыми должен обладать в результате обучения студент. Однако, для обеспечения необходимого качественного уровня результирующих знаний, необходимо так же рассматривать внешние источники информации, которые могут быть сосредоточены в виде баз данных (БД), электронных каталогах, файловых и web-серверах вуза.

Как правило, данные внешние источники информационных ресурсов имеют не только различные форматы представления информации, но и методы их программной обработки. Основной задачей проблемы выбора источников информации является выбор такой технологии их интеграции (подключения) с существующей системой управления базой знаний, которая позволит реализовывать их поэтапный анализ, структурирование (приведение к общему формату) и ориентацию под конкретные задачи конкретного этапа обучения. К примеру, по учебному плану необходимо организовать тестовый контроль уровня знаний обучаемого по результатам изучения раздела, который выявит его особенности и подходы к освоению будущих разделов. В данном случае необходимо помимо использования собственных информационных ресурсов подключать внешние сервисы самообучения (банк вопросов на web-сервере), что становиться возможным, имея унифицированную внутреннюю среду информационных ресурсов с единым форматом и системой управления контентом (метасистемой).

Таким образом, выбор источников информации сводиться к поэтапному подключению необходимых внешних сервисов поддержки самообучения по заданному преподавателем алгоритму. Программным способом это реализовано в виде хранилища файлов – компонентов курса в едином мета – формате с соответствующей структурой XML дерева, которая позволила на любом этапе самообучения осуществить выбор необходимого фрагмента образовательного ресурса.



Проблема оценивания результирующего (извлеченного знания) образовательного контента.

Данная проблема при детальном рассмотрении образовательного процесса по основным этапам самообучения сводиться к оцениванию основных фрагментов образовательного контента, хранящегося в базе знаний экспертной системы и во внешних источниках.

Как и в случае с выбором источников информации центральная и определяющая роль оценивания отдается по прежнему инженеру знаний – преподавателю, а оценочные характеристики результирующего образовательного контента складываются из весовых коэффициентов составляющих единиц, которые математически представлены в виде узлов математического направленного графа. Программным способом реализация подобного графа осуществляется при помощи объекта TreeView среды Visual Studio 2010 .Net. Узлы (nodes) данного дерева связаны с полями таблиц реляционной базы данных. Ключевые поля таблиц БД определяют основные уровни иерархии представления образовательных единиц (понятие, термин, раздел, подтема и т.д.), а остальные поля таблиц БД формируются из описательной информации в виде кортежа данных и имеет формат, описанный ниже:
<понятие предметной области нижнего уровня1> =<раздел предметной области верхнего уровня1 > + <оценочные характеристики образовательного контента1> + <базовые алгоритмы и условия поэтапного контекстного обучения1>
В рабочей памяти экспертной системы данная запись, состоящая из кортежа (выборки) данных представляется в виде правила (продукции). Программным способом данный функционал реализован в виде объектно-ориентированного класса RulSet.

Используя данный подход к построению соответствующей модели образовательного контента в виде графа и дерева преподавателю достаточно на начальном этапе формирования информационного ресурса ввести весовые коэффициенты его фрагментов в соответствующие узлы дерева и сформировать логические продукции вывода рекомендаций, опираясь на фактические шкалы, сохранив их в базе знаний экспертной системы. В дальнейшем преподавателю необходимо контролировать корректность автоматических решений экспертной системы, редактировать, добавлять и удалять необходимые смысловые единицы в результирующий общий (general) граф, описывающий предметную область конкретного курса.

Таким образом, имею подобную гибкую систему описания образовательного контента с использованием моделей графа и дерева, можно организовать совокупные оценочные характеристики образовательного контента по всем смысловым параметрам и единицам электронного образовательного ресурса, а алгоритм оценивания реализовать автоматически путем хранения данных картежей в виде продукций экспертной системы. Причем каждая составная единица информационного ресурса четко определена и идентифицирована с точки зрения программной реализации и учебного плана за счет иерархии и декомпозиции.

Проблема интеграции компонентов приобретения знаний экспертной системы самообучения.

Данная проблема является следствием описанных выше проблем в силу отсутствия необходимого программного инструментария и интерфейсов преобразования компонентов образовательного контента на всех этапах его жизненного цикла внутри базы знаний экспертной системы. Для того чтобы ее решить опишем основные этапы жизненного цикла электронного образовательного ресурса:



  1. Выбор источника информационного ресурса на конкретном этапе изучения – результат – подключение (интеграция) внешнего сервиса хранения.

  2. Декомпозиция образовательного ресурса на фрагменты, имеющие смысловую суть в рамках интересующей предметной области – результат – построение математического графа – дерева с иерархией основных единиц предметной области.

  3. Разработка правил логического вывода фрагментов образовательного ресурса в виде рекомендаций по самообучении. – результат – набор кортежей данных, описывающих предметную область с различных аспектов, весовых коэффициентов и степеней интеграции от верхнего уровня.

  4. Предоставление доступа к базе знаний пользователям студентам – результат – интерфейс доступа к базе знаний предметной области.

Для решения данной проблемы необходимо разбить фрагмент образовательного ресурса на уровни его представления, начинаю с первого этапа и заканчивая его предоставлением в пользование. Последний этап жизненного цикла образовательного ресурса представляет в данном случае верхний уровень – уровень пользователя, а первый этап – нижний уровень – уровень языка представления знаний экспертной системы. Ниже опишем используемые технологии объектно-ориентированного программирования и функциональные особенности языка CLIPS для построения интерфейсов представления информации в базе знаний экспертной системы.

1 этап. Реализуется за счет стандартного инструментария среды Visual Studio 2010.Net DataSource, который предоставляет доступ к базам данных.

2 этап. Реализуется за счет использования языка представления знаний Knowledge.Net, в котором используется следующие модели представления знаний: продукционная, фреймовая, сетевая, иерархическая.

3 этап. Реализован с использованием средств и функционал языка CLIPS и библиотеки Mommosoft.ExpertSystem, в которой представлены классы основных функций программирования базы продукционных правил и реализованы основные компоненты работы классической экспертной системы, такие как: база знаний, рабочая база знаний, набор фактов, набор фреймов и т.д.

4 этап. Реализован с использованием портальных решений и клиент- серверных технологий доступа к базе знаний за счет использования машины логического вывода кортежей данных, описывающих этапы самообучения и выдачи рекомендаций.

Общий принцип работы программных компонентов экспертной системы представлен на рисунке ниже (рисунок. 1.3).


Рисунок 1.3 – Общий принцип работы программных компонентов

экспертной системы
Таким образом, язык представления знаний экспертной системы состоит из статических атрибутов и методов, которые предоставляют интерфейс для доступа к фреймам, концептам и наборам правил, позволяют сохранить и загрузить данные в/из базы знаний.

Для решения описанных проблем использовано сочетание методов программной инженерии и методов инженерии знаний с преобладанием первой.



Обзор существующих информационных систем поддержки самостоятельной работы студентов.

Ниже рассмотрим несколько систем для организации самостоятельной (тьюторской) поддержки самообучении, такие как: Moodle, «Прометей», «1С:Образование». С помощью системы дистанционного обучения (СДО) «Прометей» можно построить в Интернет или Интранет виртуальный университет. Эта система предоставляет множество функций для организации учебного процесса и общения пользователей. Основные функции системы рассчитаны на тестирование, обмен файлами, чат, форум, но данная система не предоставляет учебный материал. Еще несколько недостатков:



  • требования к конфигурации сервера и базового программного обеспечения;

  • необходимость установки программного обеспечения и базы данных на сервере заказчика;

  • привязка к продуктам Microsoft.

С другой стороны пользователю разрабатываемой информационной системы необходимо иметь только браузер и подключение к Интернету.

Среда дистанционного обучения Moodle является современной, прогрессивной, постоянно развивающейся средой. Разработчику учебно-методических комплексов она предоставляет возможности использовать все необходимые ресурсы и средства контроля. Большим достоинством является распространение системы по лицензии GPL, что позволяет, не нарушая ничьих авторских прав свободно использовать, распространять и модернизировать систему. Вместе с тем, Moodle имеет значительный недостаток: в системе не предусмотрены группы уровня сайта, что делает очень сложным учет студентов разных специальностей. Группы в Moodle существуют не для управления правами доступа к курсам, а для разделения групп слушателей в одном курсе. Чтобы одни слушатели не видели активность других. Группы создаются внутри курса и не могут быть перенесены в другие.

Кроме этого, оценками слушателя можно оперировать только внутри курса. Нет возможности составить итоговую ведомость, например, по всем дисциплинам семестра, да и само понятие семестра в базовой версии системы отсутствует. Из сказанного можно сделать вывод, что Moodle является системой, ориентированной на западную модель обучения.

«1С:Образование» является системой программ для поддержки и автоматизации образовательного процесса. С помощью системы программ «1С:Образование» можно создавать и использовать в учебном процессе различные образовательные комплексы. Образовательные комплексы могут содержать в себе разнообразные наглядные, справочные, тестовые и другие материалы. Данная система использует «Единую коллекцию цифровых образовательных ресурсов», отслеживает состояние работы учащихся в реальном времени, редактирование учебных материалов, организация общения внутри группы в реальном времени (чат) и обмен почтовыми сообщениями, контроль и самоконтроль учебной деятельности пользователей. Но «1С:Образование», в основном, рассчитана на организацию учебного процесса в школе.

Таким образом, хоть и существует множество систем для организации поддержки самостоятельной работы студентов, но ни одна из них не дает полного спектра функций для реализации экспертной оценки качества предоставляемого и формируемого знания, а так же алгоритмы и функционал, учитывающий индивидуальные особенности обучаемых.

Еще одним примеров решения проблем создания интеллектуальных обучающих систем является проект «IDEA» (создание экспертных систем в области обучения по различным предметным областям). Он был направлен на создание на основе автоматных моделей, моделей ученика и учителя, которые взаимодействуют друг с другом через пространство учебного материала, формализованного в виде, например, размеченных информационных деревьев или нагруженных графов более общего вида. Удалось построить удачные примеры обучающих систем в области изучения иностранных языков (в том числе и с применением экспертной системы), которые, однако, не были развиты до своего полного завершения из-за необходимости создания большого набора решающих правил, что требовало больших затрат ресурсов, которыми организаторы работ в то время не обладали.

Курс и система «IDEA» были продемонстрированы на выставке
CeBIT-93 (Ганновер, Германия) и получили хорошие отзывы специалистов. По результатам маркетинговых исследований было решено в первую очередь разрабатывать инструментальные средства для расширения возможностей проектирования дизайна курсов, реализации дополнительных презентационных возможностей и т.д.

Часть, связанная с экспертной системой, оказалась на тот момент невостребованной рынком образовательных услуг, финансирование этих разработок фирмой Link & Link GmbH было прекращено, однако в 1993-1995 гг. продолжались научные исследования в этой области, финансируемые программой «INTAS» (грант INTAS 94-0135). Эти исследования продолжаются и сейчас при поддержке РФФИ, федеральной целевой программы «Интеграция» и т. д. В то же время фирмой Link & Link GmbH с 1993 по 2001 г. было выпущено на рынок три различных версии «IDEA»; в настоящее время продается версия IDEA 4.0 Professional.

Проект «IDEA» возник в 1990 г. в результате научного сотрудничества сначала лаборатории проблем теоретической кибернетики, а затем и кафедры математической теории интеллектуальных систем механико-математического факультета МГУ им. М. В. Ломоносова (инициатор и руководитель работ-заведующий кафедрой академик, доктор физико-математических наук профессор В. Б. Кудрявцев) и Института русской и советской культуры Рурского университета (Бохум, Германия) (руководитель работ – заместитель директора института доктор К. Вашик).

Проект был одним из первых российско-германских научных проектов в этой области, давший мощный толчок для исследований по проблемам компьютерных систем обучения на высоком междисциплинарном уровне. Позднее к проекту подключилась немецкая фирма Link & Link GmbH, которая и финансировала разработку. Первая версия инструментальной систем для разработки интеллектуальных обучающих систем появилась примерно в середине 1992 г. Она включала в себя авторскую систему (средства разработки собственно курсов), систему ученика (средства отображения на экране учебного материала) и средства для создания экспертной системы. Был разработан демонстрационный курс «Итальянский язык для немцев-туристов» с простыми демонстрациями возможностей экспертной обучающей системы.

В настоящее время существуют два основных направления в области встраивания знаний в к гипер-текст (ГТ): извлечение знаний из документов, уже введенных в систему; введение знаний в процессе построения самой системы (from scratch), В рамках первого направления существует целый спектр подходов, начиная от автоматизированного построения ГТ из линейного текста с помощью методов семантической индексации и заканчивая построением новых связей, как в процессе навигации, производимой пользователем, так и в зависимости от предыдущих действий пользователя, его конечных целей, в зависимости от контекста и условий его вызвавших и т.п.

Что касается второго направления, то здесь большое распространение получили экспертекстовые системы, использующие отдельные методы и процедуры ЭС для управления навигацией в ГТ, например, известные коммерческие системы Knowledge Pro, INTERNIST, TIES, Oxford System of Medicine и отечественная КРЕДО. Большинство из этих систем значительно ускоряют доступ к информации и увеличивают возможности манипулирования ею, однако не осуществляют настоящего логического вывода, т.к. приобретенные и используемые в них знания не формализованы, (исключение здесь составляют системы типа SATELIT, в которой ввод знаний в ГТ-систему осуществляется в виде формализма концептуальных графов Sowa).

Другой аспект интеграционных процессов в искусственном интеллекте (ИИ) связан с технологией извлечения знаний из естественных языковых (ЕЯ) текстов, т.к. последовавший после возникновения Интернет информационный взрыв разнородной по содержанию и по форме поставляемой в Интернет информации, стимулировал интенсивные исследования в области трансформации пространства Web в пространство знаний. Поэтому одно из ведущих направлений в этом процессе принадлежит методам обработки ЕЯ, т.к. основная часть информации на Web представлена в виде ЕЯ-текстов, что является основанием для перехода к использованию методов и систем обработки ЕЯ в среде Интернет, в частности систем обработки связных ЕЯ-текстов, интерес к которым обусловлен значительным объемом ЕЯ-информации, циркулирующей в Интернет и Интранет.

В данной реализации инструментальной системы не предусмотрена возможность добавления в формальную XML-структуру новых концептов и связей между ними. Это позволило создать набор компонентов, каждый из которых предназначен объектно-ориентированного представления соответствующего концепта, регламентированного учебным планом. Такая реализация позволяет пользователю оперировать привычными понятиями «Учебный курс», «Специальность», «Учебная тема», «Учебный объект». Связи между концептами в формальной XML-структуре реализованы соответствующими атрибутами классов, хранящих множество ссылок на связанные объекты.

Большинство существующих экспертных систем используют в качестве базовых языков Prolog и Lisp. Такой подход мотивируется удобством использования данных языков в задачах искусственного интеллекта. На наш взгляд, такой выбор имеет ряд недостатков. Во-первых, нестандартность семантики этих языков требует специальной подготовки инженеров знаний. Например, на языке Prolog, выполнение программы это не последовательное исполнение команд, а вывод некоторой переменной исходя из начальных значений и правил, а в языке Lisp используется обратная запись для представления арифметических выражений. Соответственно, в этом случае, инженеры знаний должны иметь специальную подготовку для создания экспертных систем (ЭС) на базовых языках такого рода. Другой недостаток данного подхода, это плохая приспособленность этих языков к задачам разработки графического интерфейса. Удобный, интуитивно понятный графический интерфейс – это важная составляющая качественной экспертной системы, т.к. ЭС, прежде всего, ориентированны на обычных пользователей, без навыков программирования. Язык представления знаний С# Expert основан на языке C#. Такое решение имеет ряд преимуществ. Прежде всего, при разработке ЭС на С# Expert’е может быть применен объектно-ориентированный подход привычный большинству программистов (инженеров знаний), более того, C# популярный язык, на котором легко могут работать также специалисты использующие C++ или Java. Все это делает возможным использование C# Expert широким кругом специалистов (инженеров знаний). C# – это язык платформы .NET. Таким образом, еще одно значительное преимущество выбранного подхода, это возможность разрабатывать ЭС под .NET. На сегодняшний день, .NET – это наиболее современная и перспективная платформа для коммерческих приложений.

Существует множество уже готовых решений под .NET. Следует


также отметить, что .NET обеспечивает хорошую межъязыковую совместимость и широкие возможности использования программных компонент (Assembly, COM, DLL).

Основная сложность при создании экспертных систем это представление знаний экспертов в базе знаний наиболее подходящим образом для решения задач в заданной области. Для обеспечения такой возможности, базовый язык ЭС должен иметь четкий, хорошо структурированный способ представления данных и знаний.

К примеру, хороший способ представления знаний обеспечивает ЭС GURU разработанная фирмой Micro Data Base Systems, США. Эта система ориентирована на разработку ЭС в области деловых расчетов. К полезным возможностям GURU следует отнести возможность описания массивов как элементов данных, поддержка работы с таблицами и базами данных. Более того, в отличие от многих других ЭС, GURU предоставляет интегрированный подход к обработке данных, позволяя совместное использование наборов правил (продукций) с таблицами и реляционными базами данных. В ЭС GURU реализована гибкая подсистема логического вывода, позволяющая осуществлять как прямой, так и обратный вывод на одних и тех же наборах правил, имеющая способ разрешения конфликтов правил (conflict resolution) с помощью указания их приоритетов и порядка выполнения. Также GURU позволяет работать с нечеткими знаниями и использовать нечеткий логический вывод на основе коэффициентов уверенности, поддерживается возможность использования различных формул для вычисления коэффициента уверенности. Тем не менее, в системе GURU содержится и ряд ограничений, к примеру, отсутствуют средства представления сложных структурированных объектов и понятий сложной структуры данных, не предусмотрена возможность описания процедурных знаний. По-видимому, эти ограничения объясняются спецификой области применения: деловые расчеты, а также, возможно, устарелостью системы в целом.

В качестве, примера другой удачной экспертной системы, можно упомянуть ЭС KEE (Knowledge Engineering Environment). Это фреймовая экспертная система, где основным элементом данных базы знаний является юнит (фрейм). Юниты состоят из слотов, а слоты в свою очередь могут содержать данные простых типов (число, строка и т.п.), таблицы, графику, указатели на другие юниты или процедурные знания, написанные на языке Lisp. В системе KEE также реализован механизм наследования, который позволяет организовывать юниты в иерархические структуры, обеспечивая логически связанное представление информации в базе знаний. Безусловно, фреймовая структура данных, реализованная в системе KEE, обеспечивает более широкие возможности представления данных, чем структуры данных ЭС GURU. Основным недостатком ЭС KEE является использование языка Lisp в качестве базового языка системы, и как следствие сложная семантика базового языка с достаточно нетрадиционной формой записи для большинства инженеров знаний.

При генерации результирующего кода слоты фрейма представляются в виде объектов класса Slot и содержаться в коллекции CSharpExpertAbstract.slots. Общая схема работы конвертора показана на рисунке ниже (рисунок 1.4).

Точка входа в C# Expert конвертор находиться в методе ExpComp.Main(string[] arg); Метод получает имя исходного файла и запускает метод Parser.Parse() который осуществляет синтаксический анализ и генерацию промежуточного кода. После этого вызывается метод OutputTextGenerator.generateOutputProgram (StreamWriter s) который проводит семантический анализ промежуточного кода, замену идентификаторов доступа к слотам и генерацию результирующей программы на C#.


Рисунок 1.4 – Общая схема компиляции проекта на языке C# Expert

Приведенные технологии позволяет описывать и строить экспертные системы самообучения общего вида на основе математических графов с использованием современных технологий программирования. Описанные выше проблемы решены за счет использования принципов декомпозиции исходного образовательного ресурса. В результате чего инженер знаний имеет дело с обособленными (имеющими конечный смысл в контексте самообучения) понятиями предметной области учебного курса. Интеграция базы знаний экспертной системы с внешними источниками реализована за счет использования промежуточных программных интерфейсов поэтапного преобразования информации сначала в виде, понятном ядру экспертной системы, а затем в виде, понятном конечному пользователю.

Положительным при использовании подобных информационных технологий (типа экспертных систем) в образовании является повышение качества обучения за счет:



  • большей адаптации обучаемого к учебному материалу с учетом собственных возможностей и способностей;

  • возможности выбора более подходящего для обучаемого метода усвоения предмета;

  • регулирования интенсивности обучения на различных этапах учебного процесса;

  • самоконтроля;

  • доступа к ранее недосягаемым образовательным ресурсам российского и мирового уровня;

  • поддержки активных методов обучения;

  • образной наглядной формы представления изучаемого материала;

  • модульного принципа построения, позволяющего тиражировать отдельные составные части информационной технологии;

  • развития самостоятельного обучения.

Итак, с учетом вышеизложенного определим основные задачи, решаемые экспертными системами в процессе самообучения:

  • управление процессом обучения с учетом индивидуальной подготовленности обучаемого, его индивидуальных особенностей;

  • диагностика и прогнозирование качества усвоения предметной информации и формирование изменений в последовательности представления учебного материала;

  • поддержание профессионального уровня обучаемого в данной предметной области.

1.2.2. Архитектура интеллектуальной информационной системы, обеспечивающей вариативность траектории самообучения


Доминирующей тенденцией современного образовательного процесса является повышение роли самостоятельного обучения для осуществления заочного образования, в котором, главным образом, внимание уделяется современным прогрессирующим информационным технологиям. Поэтому существует необходимость в синтезе действующих в данный момент образовательных технологий для создания систем, способных давать экспертную оценку самостоятельной образовательной деятельности конкретного индивидуума, в том числе, поддерживать процесс выбора оптимальной образовательной траектории. Необходима экспертная система, интегрированная с внешними источниками образовательной информации.

В самостоятельной работе можно выделить компоненты, характерные для деятельности как таковой: мотивационные звенья, постановку конкретной задачи, выбор способов выполнения, исполнительское звено, контроль. В связи с этим можно выделить условия, обеспечивающие успешное выполнение самостоятельной работы:



  • мотивированность учебного задания (для чего, чему способствует);

  • четкая постановка познавательных задач;

  • алгоритм, метод выполнения работы, знание студентом способов ее выполнения;

  • четкое определение преподавателем форм отчетности, объема работы, сроков ее представления;

  • определение видов консультационной помощи (консультации – установочные, тематические, проблемные);

  • критерии оценки, отчетности и т.д.;

  • виды и формы контроля (практикум, контрольные работы, тесты т.п.).

Для более детального понимания проблемы построения подобной системы необходимо использовать классические методы и методологии разработки первоначальных информационно-программных решений. В данной статье рассмотрены требования к архитектуре такой интеллектуальной информационной системы, имеющей во многом характер экспертной системы, включая методы формирования ее архитектуры. Требования относятся к следующим типам самостоятельной работы студентов:

  • выполнение системы заданий и указаний, предусматривающих самостоятельные исследования в рамках изучаемого курса;

  • выбор темы рефератов и докладов, логично дополняющих и расширяющих область компетенции студента в рамках учебного курса;

  • использование соответствующих своей, так называемой «модели обучаемого» (модель обучаемого – это абстрактное представление студента в виде совокупности сетевой, векторной, имитационной и фиксирующей моделей формирования информационного объекта), инструкции и методических указаний к выполнению лабораторных работ, тренировочных упражнений, домашних заданий и т.д.;

  • написание курсовых и дипломных проектов (данный тип самостоятельной работы способствует достижению основной цели образовательного процесса – получению навыков самостоятельного решения специализированного круга задач).

  • организация работы со специальной, обязательной и дополнительной литературой;

  • самооценивание и самотестирование знаний для отслеживания текущего уровня собственного соответствия образовательным нормам и стандартам.

Образовательная деятельность по формированию перечисленных выше типов самостоятельной работы студентов на сегодняшний день осуществляется инструментально-программными и прикладными программными средствами типа Microsoft Word, Macromedia Dreamweaver и т.д. Однако единого подхода к управлению информационным содержанием и определению полезности получаемых в итоге ресурсов нет.

Рассмотрим некоторые составные компоненты возможной архитектуры экспертной системы информационной поддержки самостоятельной работы студентов:



  • модель обучаемого;

  • модель обучения (совокупность основных спецификаций электронного образовательного процесса);

  • модель объяснения (экспертной поддержки).

Простейшим вариантом модели обучаемого является векторная модель, которая каждому изучаемому понятию или умению ставит в соответствие некоторый элемент, принимающий значение «знает/не знает», в результате уровень знаний студента (уровень его компетентности) в изучаемому курсе определяется векторным набором значений элементов. Преимуществом векторного подхода является простота использования и реализации, а недостатком является то, что в случае ее использования недостаточно формализован уровень связности между простейшими, так называемыми, образовательными единицами (тема, вопрос, проблема, задача, понятие, списочные структуры информационных ресурсов, оказывающих конечный эффект на познавательный процесс студента).

Более универсальным подходом является использование сетевой модели, представляющей собой многослойный математический граф, в узлах которого содержатся образовательные единицы, а дуги соединяют их логично между собой. Каждому узлу и дуге сопоставляется некоторая величина или набор величин, характеризующие степень владения обучаемым данным понятием или умением, причем также допускается наследование величин, что формирует так называемый личный опыт работы студента с имеющимися образовательными единицами.



Таким образом, модель обучаемого, в простейшем случае, включает следующие компоненты:

  • первичная учетная информация об обучаемом (может быть получена из существующей в вузе информационной системы) – Ф.И.О., номер группы, дата поступления, курс и т.д.;

  • вторичная информация о личности обучаемого (формируется последовательно в процессе работы экспертной системы) – начальный уровень знаний, заключительный уровень знаний, алгоритмы и траектории обучения и выявления уровней знаний обучаемого, и т.д.

Модель обучаемого определяет архитектуру экспертной системы (рисунок 1.5) [51].

группа 20540
Рисунок 1.5 − Архитектура экспертной системы
Для реализации моделей, в рамках экспертной системы информационной поддержки может быть использован метод тестирования и процедуры ввода тестирующих вопросов в базу знаний, процедура формирования «идеальной» оценки, процедура подсчета неверных ответов и формирования итоговой, реальной оценки уровней знания студента. Ниже представлено поэтапное описание построения и функционирования экспертной системы информационной поддержки самостоятельной работы студентов.

  1. Предварительный этап (разработка технического задания на проект, построение базы знаний, построение модели диалога, конфигурирование и др.).

  2. Этап детального проектирования компонентов экспертной системы в (режим DesignTime для преподавателей-предметников).

  1. Построение компонентов эталонной модели курса/ дисциплины (выделение элементов курса/дисциплины, подготовка контрольных вопросов с коэффициентами сложности и т.д.).

  2. Построение компонентов модели обучаемого (выбор алгоритма оценивания уровня знаний, компоновка набора тестов для выявления личностных характеристик и т.д.).

  3. Построение компонентов модели обучения (конкретизация и построение обучающих воздействий).

  1. Этап функционирования разработанной экспертной системы (режим RunTime для обучаемых).

    1. Формирование моделей обучаемых (построение психологического портрета личности, выявление уровня знаний и умений путем проведения контрольных тестирований и т.д.).

    2. Построение индивидуальных планов (стратегий) обучения для обучаемых.

    3. Реализация текущего плана (совокупности обучающих воздействий) для конкретного обучаемого с последующим контролем знаний и умений [50].

Экспертная система для самообучения, как интеллектуальная информационная система, должна обеспечить реализацию следующих алгоритмов:

  1. алгоритм подбора подходящего учебного плана в зависимости от результатов начального тестирования обучаемого (кроме его уровня знаний, могут быть выявлены и некоторые индивидуальные особенности);

  2. алгоритм предъявления обучаемому учебного материала и алгоритм накопления результатов освоения;

  3. алгоритм составления протокола обучения, хранящего в сжатой форме историю всех событий, и алгоритм составления на основании протокола обучения моделей обучаемого (определение типа обучаемого) и учебной ситуации;

  4. алгоритм анализа ситуации – определение действий, которые целесообразно предпринять в данной учебной ситуации для данного типа обучаемого;

  5. алгоритм подбора подходящей учебной стратегии;

  6. алгоритм составления плана следующего этапа самообучения – наполнение выбранной стратегии учебным материалом.

В ходе обучения экспертная система должна протоколировать следующие события:

  1. успешно выполненные упражнения и отдельные части упражнений (фрагменты формализованной структуры образовательного контента);

  2. допущенные при выполнении упражнений ошибки с квалификацией класса ошибки;

  3. обращения к справочной или иной дополнительной информации (храниться в рабочей области экспертной системы в виде репозитария фрагментов образовательного контента);

  4. существенные превышения запланированного автором упражнения времени или, наоборот, выполнение упражнения значительно ранее запланированного времени;

  5. предпринятые по инициативе обучаемого отклонения от учебной стратегии и другие вмешательства в ход обучения.

История событий накапливается во всех режимах самообучения, поэтому при переходе от режима свободной навигации к режиму обучения с экспертной системой учитываются предыдущие результаты (алгоритм верификации промежуточных результатов самообучения пользователя).

Каталог: data
data -> «высшая школа экономики»
data -> Программа дисциплины «Российский и мировой рынок pr»
data -> Программа дисциплины «Методы исследований в психологии и образовании»
data -> «высшая школа экономики»
data -> Методическая работа по аспектам Business English и Banking Transactions Список учебно-методических материалов 2007г
data -> «высшая школа экономики»
data -> Программа «Совершенствование преподавания социально-экономических дисциплин в вузах»
data -> Программа дисциплины теории личности для направления 030300. 62 «Психология»
data -> Программа дисциплины «Современные концепции личности»


Поделитесь с Вашими друзьями:
1   2   3   4   5   6   7   8   9   ...   12


База данных защищена авторским правом ©dogmon.org 2019
обратиться к администрации

    Главная страница