Информационные технологии и сетевые ресурсы в образовании

«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.

1.2.3 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].

Размещено на http://www.allbest.ru//

Размещено на http://www.allbest.ru//

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.

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

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

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

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

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

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

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

Построение индивидуальных планов (стратегий) обучения для обучаемых.

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:

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

алгоритм предъявления обучаемому учебного материала и алгоритм накопления результатов освоения;

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;

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

алгоритм подбора подходящей учебной стратегии;

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

В ходе обучения экспертная система должна протоколировать следующие события:

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

допущенные при выполнении упражнений ошибки с квалификацией класса ошибки;

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

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

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).

Алгоритмы обеспечения вариативности траекторий обучения и логический вывод экспертной системы

Для удобства задания автором алгоритмов обучения выбран продукционный тип базы знаний экспертной системы, в котором применяется кодирование динамики события Е на протяжении всего обучения тройкой:

СЕ = (.FE,NE,RE), (1.1)

где FE - тип кривой-описание динамики частоты события на интервале элементами конечного алфавита: часто; редко; сначала редко, потом чаще и т. д.; NE - длина кривой-отношение длины протокола к запланированному времени обучения ТО; RE - вес кривой-отношение числа произошедших событий к числу возможных или, как в случае пользования справочной информацией, к числу ожидаемых (в этом случае оно может быть больше 1).

Более подробный протокол обучения может быть получен, если хранить тройки CEi (Ij) для нескольких наиболее важных интервалов Ij: учебная цель, урок, а так же временных интервалов (сегодняшнее занятие, последние части т.п.) [2, 55].

Ниже опишем некоторую формализацию процесса обучения, лежащую в основе работы системы логических выводов экспертной системы. Структурная схема модуля экспертной системы обучения имеет вид, показанный на рисунке ниже (рисунок 5.2).

Рисунок 1.6 Структурная схема модуля экспертной системы

Для реализации корректной выборки информационных ресурсов из базы знаний экспертной системы необходимо обеспечить декомпозицию образовательного контента, представив его в виде информационной модели, имеющей большое количество характеристик и свойств. Тем самым предметная область конкретного курса обучения будет более структурирована за счет деления исходного образовательного контента на фрагменты, имеющие законченный смысл, четкую нотацию и набор логических связей (за основу взята модель «Дублинского ядра»).

Далее необходимо обеспечить алгоритм выборки и логического вывода фрагментов образовательного. Ниже опишем подход к декомпозиции информационного ресурса, сущность которого заключается в представлении его в виде набора деревьев, имеющих перекрёстные ссылки. Данный подход позволяет обеспечить иерархичность структуры обучающего материала и формирование различного рода ссылок, создающих первичные, вторичные и другие структуры учебного материала, отражающие взаимосвязи различных учебных целей, задач компетенций и управляющих воздействий.

В зависимости от типа модели обучаемого, и его индивидуальных подходов к обучению (в общем виде подходы могут быть индуктивный, дедуктивный и гибридным) предлагается использовать три вектора обучения (быстрый, нормальный и медленный). На рисунке ниже (рисунок 1.7) изображены линейные стратегии обучения, соответствующие процессам освоения образовательной единицы в соответствии с эталонной моделью учебной программы дисциплины.

Рисунок 1.7 ? Линейные стратегии обучения

В процессе формирования алгоритмов логического вывода экспертной системы необходимо реализовывать возможности выбора стратегий обучения. В качестве анализа способностей к той или иной стратегии система должна предложить вариант повторно упражнения того же типа. В случае допущения обучаемым ошибок локального характера, необходимо вернуть пользователя к ранее пройденному материалу. Используя подготовленную преподавателем (инженером базы знаний экспертной системы) систему оценочных шкал уровня освоения дисциплины, поэтапно проконсультировать пользователя по способам ликвидации ошибок. В случае большого количества разнородных ошибок или изменения качества ошибок система должна отследить траекторию прохождения узлов графа обучаемым, реализующего эталонные алгоритмы обучения, зафиксировать весовые коэффициенты и ссылки на фрагменты перекрестного (смежного) контента для последующей генерации нового алгоритма поэтапного логического вывода и представления образовательного контента.

Управление логическим выводом компонентом «РЕШАТЕЛЬ»

Для реализации интерактивного обучения студента в режиме on-line необходимо выбрать соответствующий алгоритм и программную реализацию формирования правил логического вывода хранящегося в рабочей области образовательного контента в момент консультации с экспертной системой. Правила экспертной системы - это продукции вида: «Если условие, то действие».

Для экспертной системы автором был разработан специальный механизм логического вывода фактов и фрагментов образовательного контента (например, локальная верификация и оценка качества учебного процесса на основе сравнения выбранной стратегии прохождения учебного материала и эталонной). Реализовать алгоритмы логического вывода и обучения можно в виде достаточно большого набора кривых, допускающих естественную интерпретацию типа: «прогресс», «единичная ошибка».

Механизм логического вывода необходимо реализовать при помощи отдельного модуля «РЕШАТЕЛЯ» экспертной системы, который должен поддерживать следующие возможности:

*поддержка прямой и обратной (дедуктивной, индуктивной) стратегии вывода на основе «просмотра» узлов графа учебной дисциплины;

*поиск решения «в глубину» (просмотр фрагментов базы знаний формальных XML - структур электронно-образовательных ресурсов);

*поиск и разрешение конфликтов правил на основе интервьюирования преподавателя и верификации имеющихся правил;

*сохранение состояний и типов фрагментов и типов метазнаний (на основе модели Dublin Core) и правил (активное, неактивное) в рабочей памяти экспертной системы.

Процедуры «РЕШАТЕЛЯ» экспертной системы можно представить с помощью системы общепринятых процессов в виде:

I=<V,S,K,W>, (1.2)

где V - процесс выбора, осуществляющий выбор из Р и R подмножества активных продукций и подмножества активных данных; S - процесс сопоставления, определяющий множество пар: правило р, данные {dj} (процесс первичной выборки и сопоставления правила и данных из активной области экспертной системы, в соответствии с целями запроса), где , причем каждое рi применимо к элементам множества {dj}; К - процесс разрешения конфликтов (или процесс планирования), определяющий, какой из идентификаторов будет выполняться; W - процесс осуществляющий выполнение выбранного идентифицированного правила (то есть выполнение действий, указанных в правой части правила). Результатом завершения процедуры выборки является модификация данных в R или операция ввода/вывода. Механизм вывода должен реализовываться на основе семантических и синтаксических методов выборки фрагментов данных из базы знаний. Данный подход позволяет интегрировать подобные правила (метаправила) непосредственно в «РЕШАТЕЛЬ», так как они совершенно не зависят от рассматриваемой предметной области и способствуют декомпозиции сложных фрагментов метаинформации на подзадачи и методы их использования для генерирования исходного образовательного контента.

Ниже рассмотрим алгоритм реализации начальной выборки. Данный подход основан на списке имеющихся целей, большее количество которых позволяет сократить предметную область выборки и логического вывода предварительной информации и способствует более детальному понимания рекомендаций экспертной системы пользователю. В случае, если набор целей существует - используется режим обратного вывода (от более детальных целей), в случае, если список целей отсутствует - используется метод прямого ввода (например, текста запроса).

В процессе пробного тестирования данных алгоритмов было выявлено, что число конфликтов прямо пропорционально степени неточности искомой информации. Для разрешения данных противоречий и конфликтов правил в базе знаний экспертной системы используется нотация метаописания правил (метаправила). Ниже приведем их формальное описание:

(1.3)

где: N - количество не идентифицированных атрибутов в правилах;

D - количество не идентифицированных атрибутов в действии правил; R - набор всех активных правил.

Таким образом, для начальной выборки необходимо выполнить расчет приоритетов правил, который выше для правил, имеющих меньшее число не идентифицированных атрибутов, большее число не идентифицированных атрибутов в действии и высокую вероятность появления. Формирование подобной выборки зависит от того, какая стратегия вывода используется в данном рабочем цикле.

Естественно, для корректного логического вывода необходимо применять алгоритмы сопоставления правил начальной выборки и метаправил в рабочей области активного цикла. Данный алгоритм осуществлен в виде рекурсивной функции, описанной ниже:

F(R,A,O,K), (1.4)

где R - набор активных правил, А - список текущих целевых атрибутов (параметры запроса), О - список идентифицированных атрибутов, К - список идентифицированных правил. Ниже рассмотрим алгоритм работы рекурсивной функции сопоставления правил:

правила начальной выборки заново сопоставляются с набором атрибутов в рабочей памяти - R в порядке приоритета;

в процессе выполнения одной копии функции F производится ее повторный запуск для внесения вновь внесенных изменений в базу правил.

Таким образом, алгоритм разрешения конфликтов в правилах основан на процедуре расчета приоритета, который выше для тех алгоритмов, которые имеют большее количество идентифицированных экспертом (преподавателем) атрибутов правил.

Ниже приведем общий вид правил адаптивного логического вывода экспертной системы:

Если {(событие1, тип кривой 1, интервал 1)и

(событие2, тип кривой 2, интервал 2)и…}

то {действие}

Троек (событие, тип кривой, интервал) может быть от 1 до 10.

Каждому событию (в протоколе активности пользователя) в процессе обучения ставиться в соответствие кривая определенного типа, заданная на некотором интервале.

Примеры событий (либо учебно-тематические заданий - УТЗ):

частота пользования словарем;

ошибки при выполнении упражнений;

превышение временных рамок, отведенных на выполнение УТЗ;

время обдумывания (ожидания, либо задержки) ответа на вопрос.

В процессе пользования объектами учебного назначения пользователь за счет протоколирования накапливает собственный стиль и траекторию изучения их фрагментов. К примеру, изучая раздел или тему курса лекций, пользователь периодически обращается к глоссарию понятий, фактов и терминов, в данном случае целесообразно во всем интервале времени собирать статистику пользования данным типом контента для её дальнейшего анализа и выработки решений экспертной системы. В данном случае речь идет об аналоговых величинах и отношениях. Некоторые виды кривых пользования глоссария учебного объекта (словаря понятий - фактов дисциплины), интерпретирующих динамику событий обучаемого, которые можно использовать в качестве эталонных моделей траекторий освоения учебного материала, показаны на рисунке ниже (рисунок 1.8).

Рисунок 1.8 - Примеры типов кривых ожидания событий

На кривых выше по вертикали отложена частота использования словаря (h), по горизонтали время (t) (время урока, время изучения темы и т.д.)

Главной целью разработки алгоритмов обучения для экспертной системы была задача проектирования такой системы логических выводов, которая моделировала бы всех участников образовательного процесса (учителя, ученика, учебный материал) и организовывала оптимальное их взаимодействие.

В проекте экспертной системы заложены алгоритмы формирования моделей обучаемого и преподавателя, введён определённым образом организованный учебный материал (формальная XML-структура) с элементами мультимедиа [51, 52]. На этой основе имитируется процесс реального обучения с учётом таких характерных его особенностей, как взаимная интеграция процессов верификаций моделей обучаемого, преподавателя и учебного курса, способности ученика, оптимальность стратегии дозировки знаний и упражнений учителем, скорость запоминания и забывания знаний учеником, продолжительность и устойчивость его активного состояния и т.п.

Самым важным моментом реализации алгоритма обучения является функция объяснения экспертной системы, которая должна быть основана на интеграции отдельно взятых графах (траектории обучения) и дерева решений.

Подсистемы логического вывода в экспертной системе обучения должны базироваться на многоуровневой фрагментарной выборке составляющих образовательного контента. Для более детальной декомпозиции алгоритмов обучения с помощью средств логического вывода производится выборка фрагментов образовательного контента. Количество этапов зависит от степени неопределенности того или иного атрибута базы знаний. Строятся алгоритмы логического вывода фрагментов образовательного контента либо по схеме фиксации деятельности пользователя, либо по схеме трассировки событий в рабочей области экспертной системы. В обоих этих случаях все множества событий, требующих объяснения, идентифицируются заранее, и каждый из них сопоставляется декларативно или процедурно с фрагментами образовательного контента. Для реализации подобного компонента в данной статье были предложены процедуры логического вывода и алгоритм консультации пользователя с экспертной системой, основанный на трассировке графа решений, в соответствии с выбранной траекторией обучения. Рассмотрены алгоритмы обучения, основанные на логическом выводе, важным моментом которого является способ управления данным процессом при помощи программного компонента «РЕШАТЕЛЯ», интегрированного в базу знаний экспертной системы.

В процессе работы экспертной системы информационной поддержки самообучения обучающий (учитель) и обучаемый (ученик) занимают централизованное место в силу того, что в основе их интерактивного взаимодействия строятся алгоритмы передачи знаний и обучение первого. При рассмотрении данного процесса более детально можно сделать вывод о том, что агрегирование процессов информационного обмена может быть обеспечено в случае их формализации в виде информационных моделей, которые могут быть интерпретированы как адаптивные автоматы [53, 54].

Со стороны автомата-учителя на каждом шаге выбирается оптимальная с его точки зрения подача автомату-ученику обучающей информации на основе того, как усвоил на предыдущих шагах обучения такую информацию автомат-ученик.

База знаний и алгоритмы логического вывода экспертной системы в этом случае будут является достаточно универсальными инструментами для генерации фрагментов образовательного контента в заданных предметных областях, кроме того база знаний является открытой, она легко пополняется информацией во всех своих основных частях. На сегодняшний день моделирование информации о предметных областях происходит при помощи узкоспециализированных языков представления знаний, то есть обучающие системы после наполнения их конкретным содержанием становятся экспертными системами по конкретным узкоспециализированным областям.

В соответствии с вышеизложенным в проблеме синтеза адаптивного «компьютерного учителя» необходимо решить следующие задачи:

синтез автомата-учителя;

синтез автомата-ученика;

разработка информационной системы, аналогичной учебнику с упражнениями;

выработка оптимальной стратегии взаимодействия компонент (1)-(3);

создание интерфейса с широкими сервисными услугами для пользователя.

Решение этих задач сопряжено с рассмотрением целого ряда вопросов, к их числу относятся следующие:

разработка динамических баз данных и знаний, состоящих из больших массивов синтаксической информации со сложной семантикой и нечеткими логическими связями, эти базы должны быть компактными по объему занимаемой памяти и в то же время позволять достаточно быстро получать необходимую информацию из них;

разработка признакового пространства описания состояний автомата-учителя и автомата-ученика с указанием функционально-метрических зависимостей между ними, позволяющих задавать функционирование этих автоматов;

разработка оптимальных стратегий взаимодействия автомата-учителя с автоматом-учеником как средствами собственно теории автоматов и нечеткой логики, так и процедурами типа распознавания образов и пр.

Теоретическое и математическое обоснование возможной архитектуры экспертной системы

Теоретическим фундаментом модели может быть автоматная модель гибридного вида.

Ниже рассмотрим более детально процесс формализации компоненты обучения (консультации с экспертной системой) с точки зрения системы взаимодействующих автоматов.

Процесс обучения может быть представлен в виде двух взаимодействующих автоматных моделей: модели управляемого A0 (ученик) и модели управляющего A (обучающая программа-учитель). Выходом D автомата A и входом автомата A0 является учебный материал: упражнения, пояснения, справочные материалы и т.п. Выходом B автомата A0 и входом автомата A являются события, произошедшие в процессе обучения. Задача обучающей программы (управляющего автомата A) - управлять с помощью выхода D автоматом A0 таким образом, чтобы за минимальное время привести его в заданное состояние (достичь заданного учебного результата).

Другим вариантом постановки задачи может быть достижение максимального результата за заданное время. Формально это может быть описано как минимизация числа ошибок в выходе B автомата A0 на некотором отрезке времени Tfin, завершающем процесс обучения.

Эта задача управления может быть разбита на следующие подзадачи:

предъявление ученику учебного материала, накопление результатов урока;

составление протокола обучения, хранящего в сжатой форме историю всех событий выхода B автомата A0. Составление на основании протокола обучения моделей ученика (определение типа ученика) и учебной ситуации;

анализ ситуации: определение действий, которые целесообразно предпринять в данной учебной ситуации для данного типа ученика;

подбор подходящей учебной стратегии;

составление плана следующего урока: наполнение выбранной стратегии учебным материалом.

В соответствии с этим автомат A может быть представлен в виде суперпозиции автоматов A1-A5, как это показано на рисунке 5.5.

Автомат A1 представляет собой преобразователь входов B5 и B в выходы D и B1 соответственно. В простейшем случае это может быть автомат с одним состоянием.

Рисунок 1.9 Общий вид взаимодействия автоматов в процессе обучения

Множество состояний автомата A2 - декартово произведение множеств Q21, Q22 и Q23, описывающих соответственно протокол обучения, модель ученика и модель учебной ситуации. Для описания (потенциально неограниченной) истории событий элементами конечного множества Q21 целесообразно кодирование динамики события E на протяжении всего обучения тройкой CE == (FE,NE,RE), где FE - тип кривой, описывающий динамику частоты события на интервале элементами конечного алфавита; NE - длина кривой, определяющая отношение длины протокола к запланированному времени обучения T0 (очевидно, что длина кривой, представляющая собой вещественное число из интервала [0,Tmax/T0], может быть с некоторой точностью описана элементом конечного множества); RE - вес кривой (как и длина кривой, вес может кодироваться элементами конечного множества). Таким образом, компонента q21 состояния автомата A2 есть набор (CE1, . . . ,CEk) для всех протоколируемых событий Ei. Более подробный протокол обучения может быть получен, если хранить тройки CEi (Ij) для нескольких наиболее важных интервалов Ij: учебная цель, урок, а также временных интервалов (сегодняшнее занятие, последний час и т. п.). По входу B1(t) и текущему состоянию q21(t) автомат A2 вычисляет свое новое состояние q21(t + 1), если необходимо, уточняет тип ученика q22 и учебной ситуации q23.

Автомат A3 занимает центральное место в схеме автомата A. Его задача принять решение о действиях, которые целесообразно предпринять в данной учебной ситуации (предложить дополнительные упражнения, повторение, возврат к началу темы и т. п.). Для решения этой задачи возможно применение системы продукций, в левой части которых находятся условия на значения входа B2, а в правой - значения выхода B3. Однако на практике построение такой системы продукций представляет собой существенную трудность для автора учебного курса, не обладающего, как правило, навыками такого рода. Поэтому более предпочтительным оказывается другое, менее трудоемкое для автора курса решение. Для этого принимается гипотеза о том, что автомат A0 представляет собой вероятностный автомат из определенного класса M. Диаграмма Мура автомата A0 приведена на рисунке ниже (рисунок 1.10) [49].

Рисунок 1.10 - Диаграмма Мура для решения задачи самообучения

В зависимости от своего состояния q21 автомат A2 относит A0 к некоторому подклассу Mi класса M; этот подкласс Mi и представляет собой тип ученика. Характеристиками подкласса Mi являются длина цепочки состояний, функция перехода (q,D), определяющая вероятность перехода в следующее состояние при значении D входа автомата A0, и функция выхода ш(q,D,E), определяющая вероятность события E в состоянии q при значении входа D.

Зная значение Mi, автомат A3 может спланировать последовательность действий, переводящих A0 в состояние q0S, желательное для данной учебной ситуации. Если предположить, что функция ш линейно зависит от сложности L(D) упражнения D, (q,D)=_aiш(q,D,Ei), то подкласс Mi будет задаваться несколькими параметрами: длиной N цепочки состояний и коэффициентами линейных функций и ш.

Таким образом, автору курса достаточно определить набор типов учеников и описать, какое состояние q0S является желательным на каждом этапе обучения. После этого автомат A2 может решать задачу отнесения A0 к определенному подклассу Mi и определения его текущего состояния q0i, а автомат A3 может спланировать последовательность действий, переводящих A0 в требуемое состояние q0S.

Автомат A4 представляет собой базу данных учебных стратегий, для которой вход (B2,B3) является запросом, а выход B4 - результатом обработки этого запроса. Аналогично автомат A5 может быть описан как база данных учебного материала, задача которой - подобрать материал, отвечающий запросу B4.

Чтобы избежать ситуации, когда A4 и A5 не могут найти данных, удовлетворяющих запросам, следует представлять B3 и B4 как упорядоченные наборы запросов (B30, ... . ,B3S) и (B40, . . . ,B4L). Если запрос B30 не может быть удовлетворен, удовлетворяется запрос B31 и т.д. Более сложная модель может включать в себя обратную связь между автоматами A4 и A3, а также A5 и A3. Тогда, если запрос (B2,B3) или B4 не может быть удовлетворен, автомат A3 предлагает другой вариант действий B3 [50].

Ниже приведем некоторое описание рекомендаций для выработки стратегий управляющим автоматом (экспертной системой) для тестовой компоненты обучения.

В простейшем случае тест понимается как набор вопросов, оцениваемых по шкале да/нет (справился с упражнением или нет). В зависимости от количества ошибок ученика предлагается следующий набор реакций обучающей системы.

Ошибок меньше одной 3N ± Д - успешное прохождение теста, ученику предоставляется возможность быстрого просмотра ошибочных ответов, возможен (один) возврат в контрольную точку теста, разрешается движение дальше по обучающему материалу.

Ошибок больше одной 3N ± Д, но меньше 5 12N ± Д - среднее качество прохождения теста, необходим возврат на неправильные ответы (возможно с фиксированной скоростью просмотра), число возвратов в контрольную точку не более двух. При третьем возврате в контрольную точку ученик отсылается на учебный материал и только после его изучения повторяется тест.

Ошибок больше пяти 12N ±Д - неудачное прохождение теста, предполагается обязательный возврат на неправильные ответы с экспертным временем на просмотр и числом возвратов в контрольную точку не более одного раза. При повторном возврате в контрольную точку ученик отсылается на учебный материал и только после его изучения происходит повторное выполнение теста.

Приведенная выше концепция и примеры формализаций тестовой составляющей экспертной системы самообучения являются инструментами математического моделирования процесса обучения, которые получают дальнейшее свое развитие в рамках формализованных алгоритмов и программного инструментария для компьютерного моделирования реальных процессов обучения.

Приведенные формальные фрагменты модели позволяет описывать и строить экспертные системы самообучения общего вида на основе автоматных моделей. В некоторых случаях будет удобно разработать свою модель для отдельных компонент учебного процесса, а затем встроить ее в уже функционирующую систему.

Представленная концепция архитектуры интеллектуальной информационной системы в виде экспертной системы, обеспечивающей вариативность траекторий самообучения, в общем случае может обеспечивать достижение эффективности самообучения, благодаря возможностям реализации самостоятельного выбора траекторий, оперирования информацией о результатах самообучения и привлечению информационных ресурсов, создаваемых как самим обучающимся, так и поступающим из внешних источников информацией.

1.3 Мобильные рабочие интернет-группы для решения задач коллективного творчества

Педагогические технологии, основанные на активной роли обучаемого, требуют модернизации методов образования и развития информационной образовательной среды. Создание малых групп и динамика их развития - важный элемент в современном образовательном процессе. Человечество уже второй десяток лет осваивает информационное пространство Интернета. Интернет, в свою очередь, уже стал неотъемлемой частью образовательного пространства. В Интернет пришел не только бизнес, но и сама жизнь общества, что в значительной мере изменило структуру социальных коммуникаций.

Мобильные рабочие группы, создаваемые в виртуальном пространстве для решения конкретных практических задач, один из основных трендов развития современного общества. Становится очевидным, что мобильные рабочие группы в образовательном процессе - это не только информационная культура и реальная практика коммуникаций, но и важнейший паттерн ролевых функций в получении и воспроизводстве знаний участников.

Сверхбыстрое развитие и изменение современного образовательного пространства требует преобразования и пересмотра некоторых базовых парадигм всей системы образования. Особенно мощные и широкие возможности как для преподавателей, так и для обучающихся возникают в связи с развитием Интернет-технологий для мобильных рабочих групп. Однако имеющиеся сейчас возможности и потенциал современных информационных и коммуникационных технологий (ИКТ) используется в данном направлении лишь незначительно.

Эксперты дают такую оценку ситуации: не более 5% указанного потенциала ИКТ только начинает осваиваться вообще в области образования. Уже сейчас существует очевидный переизбыток неосвоенных возможностей ИКТ не только в образовании, но и в других сферах. И этот разрыв непрерывно растет. Это значит - развитие возможностей ИКТ стремительно опережает темп их освоения. Указанный факт совершенно не означает, что нужно прекратить развитие ИКТ. Дело совсем в другом. В реально существующей ситуации ничего нет удивительного. Такой разрыв естественен по причине особенности адаптации общества к изменениям. Проблема так называемого человеческого фактора многогранна и разнообразна во всех своих проявлениях. Следует также отметить проблемы с тенденцией ускорения социальной динамики развития общества.

В связи со сказанным возникает вопрос - как максимально быстро и эффективно освоить имеющийся потенциал ИКТ для нужд науки, образования, производства, управления, в быту и т.д.? Очевидно, что именно образование имеет особенное положение во всех этих сферах. Новые возможности ИКТ необходимо сначала освоить и обучить их использованию. Только после этого указанный потенциал ИКТ будет применяться повсеместно. Все новое приходит в общество только через обучение. И лидером в освоении таких инноваций являются малые рабочие группы. Поэтому освоение потенциала ИКТ в образовании является самым узким местом, которое следует преодолевать разработкой технологий и освоением инструментария малых рабочих групп.

...