Применение систем искусственного интеллекта при решении проблем автоматизации обучения и контроля знаний дистанционных студентов

Размещено на http://www.allbest.ru/

Применение систем искусственного интеллекта при решении проблем автоматизации обучения и контроля знаний дистанционных студентов

Мицель А.А., Молнина Е.В.

Traditionally a control and an estimation of remote knowledge learning is carried out by testing that creates the complex of problems at automation of training on the humanitarian. The problem of computer inspecting and learning system development is described in the article.

Ни у кого не вызывает сомнения наличие объективных предпосылок для ускоренного развития средств и методов автоматизированного обучения и контроля знаний. Наиболее важные среди этих предпосылок -- рост интереса к дистанционному обучению, становление системы государственного тестирования выпускников средних школ, тенденция к увеличению частоты и наполняемости процесса текущего контроля знаний на всех уровнях обучения, необходимость значительного снижения трудоемкости его организации, проведения и подведения итогов. Повышение объективности, результативности и эффективности промежуточного и итогового оценивания знаний рассматривается в качестве одной из целей проводимой в нашей стране реформы системы образования.

Традиционные способы контроля и оценивания знаний дистанционно обучаемых студентов путем тестирования сводятся к предъявлению к тестируемому фиксированного множества тестовых заданий и различных вариантов ответов на каждое из них. Задача обучаемого состоит в выборе одного или нескольких истинных, по его мнению, ответов на каждое тестовое задание. Основу этих способов составляет оценивание истинности предлагаемых вариантов ответов с позиции классической двоичной логики в категориях «правильно - неправильно», что требует от организатора тестирования признать абсолютную истинность одного или нескольких вариантов ответа и абсолютную ложность - всех остальных вариантов. Органический недостаток подобного подхода состоит в невозможности учитывать при тестировании неполные или не совсем точные ответы обучаемого, принимаемые во внимание преподавателем в ходе «живого» диалогового оценивания знаний.

Особенно остро эта проблема проявляется при попытке организовать автоматизированное тестирование знаний по дисциплинам, характеризующимся высокой диалектичностью (в частности, по предметам гуманитарного, социально-экономического и общественно-политического циклов). Степень формализации знаний по этим дисциплинам недостаточна для формулирования единственного абсолютного правильного ответа, а их контроль не может сводиться к проверке того, насколько хорошо помнит экзаменуемый отдельные факты, точные определения или конкретные формулы и правила их применения.

В то же время естественный и повсеместно практикуемый прием оценивания знаний преподавателем в процессе диалога с обучаемым состоит в определении степени истинности ответов и выявления итоговой оцени на основании того, насколько модель знаний обучаемого, реконструируемая на основании его ответов, близка к модели знаний преподавателя. Следует понимать, что истинность ответов - это субъективный фактор, поскольку каждый преподаватель, не обладая абсолютным знанием по конкретной дисциплине, способен оценивать правильность каждого варианта ответа, только исходя из того объема знаний, который он имеет на момент проверки знаний. Для «точных» дисциплин (в частности, физико-математического цикла) проблема соответствия частных моделей знаний отдельных преподавателей «абсолютному знанию» не является особенно острой.

Однако проблема субъективности знаний по дисциплинам, например, общественно - политического цикла, весьма актуальна, причем на признание истинности или ложности конкретного ответа могут оказывать влияние различные факторы, в том числе и политическая ориентация преподавателя. Диалектический характер проблем и вопросов, исследуемых в гуманитарных дисциплинах, в подавляющем большинстве случаев не позволяет давать на них абсолютно истинные ответы [1]. Наиболее целесообразными на сегодня считаются процедуры коллективной экспертной оценки степени правдоподобия ответов, однако и они при использовании категорий "правильно - неправильно" зачастую оказываются неэффективными из-за частого разделения экспертной комиссии на две группы, приводящего к недостаточной согласованности коллективного мнения.

Как же быть с проверкой сложных знаний, логических и комбинаторных возможностей интеллекта при решении нестандартных, творческих задач? Оценка ответа в методиках, обучающих сложным знаниям, представляет наибольшую трудность. Дело в том, что на сложные вопросы может быть дано очень большое число возможных ответов, среди которых могут быть неполные и не полностью правильные. Предварительная же оценка каждого из них бесперспективна и не представляется возможной.

Существует убеждение, что чисто технократический подход в выработке критерия оценивания сложного знания бесперспективен, что необходимо философское обоснование выбора критерия. К сожалению, в науке часто противопоставляются друг другу гуманитарные и естественно-научные методы и забывается, что предмет "философии" первоначально состоял из трех равноважных предметов: логики, физики и этики.

Немного пояснений, касающихся понятия сложного знания. К сожалению, еще имеют место представления о знании как о весьма абстрактном понятии, не имеющем под собой реальной материалистической почвы, как об объекте неосязаемом, чуть ли не мистическом, и поэтому не поддающемся объективным научным, особенно естественно-научным, исследованиям. Говорить об этом приходится потому, что такие представления, большей частью скрываемые их носителями, мешают появлению, развитию и внедрению современных идей в области современных информационных технологий, которые как раз и оперируют понятием сложного знания как специфическим материальным объектом, имеющим сложную структуру. По всей видимости, самыми революционными направлениями в области информационных технологий являются исследования сущности естественного интеллекта и работы по созданию интеллекта искусственного[2].

Возникающие в связи с этим проблемы автоматизации обучения студентов и контроля знаний по гуманитарному блоку (например, проверки контрольных и рефератов дистантных студентов) являются одной из причин наметившейся тенденции сокращения и даже исключения из учебных планов некоторых дисциплин данного блока. Со временем эта тенденция может перерасти в серьёзнейшую проблему: без фундаментальных знаний по гуманитарным дисциплинам невозможно развитие интеллектуальных способностей человека. Интеллект и его общественная направленность является главной ценностью человека и главной целью общественного развития. дистанционное обучение автоматизация контроль

Интеллектуальность индивидуума выражается в количестве имеющихся знаний и способности "производить " и усваивать новые знания, т. е. наращивать их количество. Отсюда следует вывод, что единым критерием ценности любых знаний является их объем, характеризующий сложность знаний. В соответствии с этим критерием оценки интеллектуальных возможностей индивидуума является максимально возможная для данного индивидуума сложность решаемых задач. Сложность, как действительно объективный числовой критерий, не должна быть привязана ни к качественным оценкам экспертов (метод экспертных оценок), ни к уровню знания каждого конкретного индивидуума, ни к вероятности забывания знаний (статистическая теория знаний). Как и любая числовая характеристика, сложность должна определяться относительно некоего "нулевого" уровня. Первоначальным уровнем подготовки для решения конкретной задачи или определенного круга задач можно определить уровень знаний, минимально необходимый для получения правильного решения [2,3].

Автор считает, что проблему автоматизации контроля знаний по гуманитарному блоку дисциплин, т.е. оценку сложных знаний, можно решить только с помощью систем искусственного интеллекта (ИИ).

На сегодняшний день распространение получили несколько моделей сложного знания:

- продукционная модель;

- семантические сети (предложена психологом Куиллианом);

- фреймы М. Минского -- модель, имеющая, как и семантические сети, глубокое психологическое основание;

- формально-логические модели, к которым, в частности, относятся модели определения предикатов 1-го порядка и др.

Проблема разработки компьютерных контрольно-обучающих систем требует глубокого исследования методов ИИ и интеллектуальных систем.

Исследования в области применения методов искусственного интеллекта и интеллектуальных систем при решении проблем автоматизации образования показывают, что системы ИИ используются в малом объёме. Это не позволяет освободить педагога от значительной степени рутинной работы. Подход, лежащий в основе интеллектуального компьютерного обучения, традиционно основан на имитации учителя, уделяющего индивидуальное внимание каждому обучаемому и обучающему очень узкой теме. Происходит смена ведущего субъекта образования: принцип преподавателя “следуй за мной” меняется на принцип учащегося “веди себя сам” с помощью средств обучения и консультаций преподавателей.

Выделяют следующие виды взаимовлияния ИИ и образования [4]:

- типология знаний и анализ возможностей их формализации для автоматизации обучения и контроля;

- подготовка и переподготовка инженеров по знаниям в России: анализ гуманитарной (психологической и лингвистической), математической и программистской составляющих, логистика;

- использование инженерии знаний: теоретические аспекты получения знаний, практические методы извлечения знаний;

- программные реализации (языки, оболочки и прикладные экспертные системы (ЭС) и нейросистемы, САПР обучающих курсов)

- интеллектуальные процедуры, реализованные в зарубежных и в отечественных интеллектуальных обучающих (агентные курсы-роботы), справочных, моделирующих, тренирующих и (самогенерирующихся) контролирующих системах.

Технология информационных обучающих систем (ИОС) имеет три главные составляющие: построение последовательности курса обучения, интеллектуальный анализ ответов обучаемого и интерактивная поддержка в решении задач.

Целью технологии построения последовательности курса обучения (также называемой технологией учебного планирования) является обеспечение обучаемого наиболее подходящей, индивидуально спланированной последовательностью блоков знаний для заучивания и последовательностью учебных заданий (примеры, вопросы, задачи и т.д.) для занятий. Другими словами, она помогает обучаемому найти "оптимальный путь" через учебный материал. Существует два существенно разных вида построения последовательностей: активные и пассивные

Большинство существующих систем могут провести своих студентов к фиксированной цели обучения - полному множеству понятий сферы обучения. В построении последовательности курса обучения в настоящее время наиболее популярная технология в Сетевых адаптированных информационных обучающих системах (АИОС). АИОС не являются новым видом систем в полном объеме. Исторически почти все Сетевые АИОС - наследники двух более ранних видов АИОС: интеллектуальных обучающих систем (ИОС) и адаптивных систем гипермедиа. Активная последовательность является преобладающим типом.

Системы InterBook, PAT-InterBook, CALAT, VC Prolog Tutor, and Remedial Multimedia System могут предоставлять пассивные корректирующие последовательности. Системы с активной последовательностью (такие как ELM-ART-II, AST, ADI, ART-Web, ACE, KBS-Hyperbook и ILESA) способны интеллектуально вырабатывать последовательности как высокого, так и низкого уровней. Остальные, такие как Manic, оставляют пользователю выбор вида деятельности внутри темы. И наоборот, некоторые системы, такие как Medtec, оставляют выбор темы пользователю, но могут производить адаптивную последовательность задач внутри темы. Большинство систем поддерживают последовательности с фиксированными целями (равнозначными полному курсу). Только несколько систем поддерживают приспосабливаемые цели заучивания, позволяющие учителю (как в DCG) или обучаемому (как в InterBook и KBS Hyperbook) выбирать индивидуальную цель. Обучаемый может выбрать цель в виде подмножества понятий сферы обучения (InterBook) или программы (KBS Hyperbook) [5].

Интеллектуальный анализ решений обучаемого имеет дело с конечными ответами обучаемого на образовательные задачи. Чтобы считаться интеллектуальным, анализатор решений должен определить, верно решение или нет, найти, что конкретно неправильно или неполно, и, возможно, определить, какие недостающие или неправильные знания могут быть ответственны за ошибку. Интеллектуальные анализаторы могут предоставлять обучаемым далеко идущую обратную связь и обновлять модель обучаемого.

Существуют три технологии поддержки в решении задач: интеллектуальный анализ решений обучаемого, интерактивная поддержка в решении задач и поддержка в решении задач на примерах. Все эти технологии могут помочь студенту в процессе решения образовательной задачи, но делают они это разными способами.

Интерактивная поддержка в решении задач более современная и более мощная технология. Вместо ожидания конечного решения эта технология предоставляет обучаемому интеллектуальную помощь на каждом шаге решения задачи. Уровень помощи может быть разным: от оповещения о неправильно сделанном шаге до выдачи совета и выполнения следующего шага за студента. Системы (часто называемые интерактивными тренажерами), в которых реализуется эта технология, могут наблюдать за действиями студента, понимать их и использовать их понимание для предоставления помощи и обновления модели обучаемого.

Существует также технология адаптивной гипермедиа. Системы адаптивной гипермедиа применяют различные виды моделей пользователя для приспосабливания содержимого и ссылок страниц гипермедиа для него. Существуют две главные технологии в адаптивной гипермедиа: адаптивное представление и адаптивная поддержка в навигации. Образование всегда было одной из главных областей применения адаптивной гипермедиа. Цель технологии адаптивной поддержки в навигации - это поддержка обучаемого в ориентации и навигации в гиперпространстве посредством изменения проявления видимых ссылок. В настоящее время в эту группу входит технология, суть которой состоит в способности анализировать и подбирать модели многих обучаемых одновременно.

Ясно, что адаптивные и интеллектуальные технологии могут повысить качество разных сторон Сетевых образовательных систем. С другой стороны, адаптивные и интеллектуальные технологии еще не нашли себе место в "настоящей" виртуальной аудитории, т.е. в качестве части настоящих средств обучения, используемых сотнями дистанционно обучаемых. Большинство обсуждавшихся выше систем - это типичные "лабораторные" системы, которые никогда не использовались в настоящих дистанционных занятиях [5]. Не значит ли это, что исследования и практика в Сетевом образовании не сойдутся вместе?

Сетевое образование само по себе относительно молодо. До настоящего времени различные компании, производящие системы Сетевого образования, были способны конкурировать на рынке с их простыми не адаптивными системами. Однако количественное исследование уровня систем уже ясно показывает преимущества адаптивных и интеллектуальных технологий.

Проблема разработки компьютерных контрольно-обучающих систем, оперирующих сложными, составными знаниями требует глубокого исследования методов ИИ и интеллектуальных систем, методов психологического моделирования, вероятностной теории сложных знаний.

ЛИТЕРАТУРА

1. Рудинский И.Д. Модель нечеткого оценивания знаний как методологический базис автоматизации педагогического тестирования // Информационные технологии. №9-2003. - С 46-51.

2. Евграфов П. М. Анализ объективности методов оценивания сложных знаний о вероятностной методике оценивания знаний психологически понятийной структуры// Информационные технологии. №5 -2002. - С 34-38.

3. Демкин В.П., Можаева Г.В. Технологии дистанционного обучения и анализ их эффективности // Тезисы докладов всероссийской научно-методической конференции «Телематика-2002». С-Пб, 2002.

4. Мартынов Д.В., Смольникова И.А. Искусственный интеллект и образование// http://www.ito.su/1999/I/3/3103.html

5. Питер Брусиловски. Адаптивные и интеллектуальные технологии для Сетевого обучения// http://ifets.ieee.org/russian/depository/BrusKaz_1999IST.doc

Размещено на Allbest.ru