Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Гіпермедійні та нейромережеві методи і моделі в комп'ютерно-орієнтованих дидактичних системах

Автореферат

дисертації на здобуття наукового ступеня кандидата технічних наук

Загальна характеристика роботи

Актуальність теми. Становлення України як самостійної держави, динамічні суспільно-економічні процеси та бурхливий науково-технічний прогрес висувають завдання виходу вітчизняної освіти на світовий рівень. Одним з пріоритетних напрямків вирішення цього завдання є забезпечення розвитку освіти на основі нових прогресивних концепцій з впровадженням в навчальний процес сучасних інформаційних технологій. Діючим механізмом підвищення гнучкості освіти, поряд з багатоступеневою системою, варто визнати розвиток індивідуальної або частково індивідуальної організації навчального процесу. З наданням студентам права вибору альтернативних навчальних дисциплін виникла проблема індивідуалізації навчання на основі технологій дистанційної освіти. Можливим виходом зі сформованої ситуації є впровадження комп'ютерно-орієнтованих дидактичних систем (КОДС) для організації навчання всіх бажаючих за будь-якою дисципліною.

Застосування КОДС для організації дистанційного навчання дозволить підвищити якість і знизити вартість підготовки і перепідготовки фахівців в умовах багатоступеневої системи освіти в Україні. Тому створення надійних КОДС, що дозволяють індивідуалізувати процес навчання й активізувати самостійну роботу студентів, є актуальним. Завдяки КОДС можна підвищити якість підготовки фахівців, як при традиційному навчанні, так і при дистанційній освіті, що є важливим для реформування вищої школи України в процесі реалізації положень Болонської декларації. Побудова КОДС являє собою досить складну задачу. КОДС є складними програмними комплексами, що вимагають для своєї побудови залучення фахівців з таких галузей науки, як математичне моделювання, штучний інтелект, дидактика, психологія, ергономіка та ін.

На сьогоднішній день не існує загальновизнаного підходу до розробки КОДС. Великий внесок у розвиток проблеми розробки подібних систем внесли вчені: С.В. Астанін, Г.А. Атанов, В.П. Беспалько, М.Ф. Бондаренко, П.Л. Брусиловський, В.М. Глушков, Д. Кантер, Є.І. Машбіц, Є.Г. Петрушин, І.Н. Пустиннікова, Н.Ф. Тализіна, Н.В. Шаронова.

Відомі методи і підходи до розробки КОДС ґрунтуються на різних формальних моделях. Сукупність таких моделей і заснованих на них алгоритмах має мозаїчний характер, що пов'язано з відсутністю базових концепцій, на яких би вони ґрунтувалися. Таким чином, ця задача ще далека від свого розв'язання.

Нині у штучному інтелекті інтенсивно розвивається напрямок, що являє собою нову методологію досліджень, орієнтовану на моделювання поведінки людини в процесі навчання. Проблема застосування методів штучного інтелекту в навчанні привернула увагу вчених усього світу, про що свідчить тематика багатьох міжнародних конференцій. На жаль, теоретичний характер значної більшості досліджень та їх орієнтація виключно на комп'ютерні науки унеможливлюють застосування розроблених методів, моделей та алгоритмів до інших предметних областей. Спроби використання штучного інтелекту в навчанні в некомп'ютерних предметних областях нечисленні.

Таким чином, в Україні на сьогоднішній день дослідження в галузі штучного інтелекту в навчанні перебувають на початковій стадії. Однак застосування методів штучного інтелекту для реалізації навчального процесу відкриває широкі перспективи перед усіма навчальними дисциплінами. Тому ця галузь досліджень тепер є найбільш актуальною, а пріоритетним напрямком досліджень стала розробка КОДС, що забезпечують індивідуалізацію процесу навчання.

Зв'язок роботи з науковими програмами, планами, темами. Дисертаційна робота виконана згідно з планом науково-технічних робіт Харківського національного університету радіоелектроніки (ХНУРЕ) в рамках держбюджетних тем: №101-4 «Розробка концепції, методик і моделей дистанційного навчання в умовах багатоступеневої системи освіти в Україні» (№ДР 0100U001337) та №157-6 «Створення програмно-апаратних засобів реалізації інформаційно-освітнього середовища в інтересах соціально-економічного розвитку України» (№ДР 0103U001571), у яких автор брав участь як виконавець.

Мета та задачі дослідження. Метою роботи є підвищення ефективності навчального процесу за рахунок розробки та впровадження гіпермедійних та нейромережевих методів та моделей комп'ютерно-орієнтованих дидактичних систем.

Поставлена мета роботи обґрунтовує такі задачі дослідження:

1. Провести аналіз підходів до побудови КОДС.

2. Розробити модель комп'ютерно-орієнтованої дидактичної системи, яка є інваріантною стосовно предметної області та такою, що дозволяє оформлювати навчальний матеріал відповідно до вимог гіпермедійних технологій.

3. Здійснити декомпозицію КОДС на складові підсистеми, які у свою чергу повинні бути декомпозовані на елементарні компоненти.

4. Обґрунтувати вибір методів для формалізації кожної зі складових підсистем і розробити відповідні математичні моделі.

5. На основі створених моделей розробити методи, що визначають найбільш доцільну для конкретного суб'єкта стратегію навчання й організації відповідно до неї навчального процесу.

6. Програмно реалізувати розроблені методи та моделі для проведення їх комплексного дослідження.

7. Здійснити експериментальне обчислення розроблених моделей та їх впровадження в навчальний процес.

8. Виконати дослідження проблеми автоматизації процесу створення КОДС.

Об'єктом дослідження в роботі є комп'ютерно-орієнтовані дидактичні системи, які створені для реалізації дистанційної форми навчання.

Предметом дослідження є гіпермедійні та нейромережеві методи, моделі й алгоритми, що використовуються в комп'ютерно-орієнтованих дидактичних системах.

Методи дослідження. В процесі розв'язання наведених вище задач були використані методи структурно-алгоритмічного моделювання для розробки моделі КОДС, методи адаптивної гіпермедіа для побудови моделі предметної області, методи нечіткої логіки та нейронних мереж для моделювання суб'єкта навчання та адаптації навчального матеріалу до його моделі.

Наукова новизна одержаних результатів. Одержані теоретичні та експериментальні результати дозволили розв'язати задачу розробки гіпермедійних та нейромережевих методів і моделей комп'ютерно-орієнтованих дидактичних систем для створення умов підвищення ефективності навчального процесу. В рамках розв'язання цієї задачі одержані такі наукові результати:

- вперше розроблено метод визначення стратегії вивчення навчального матеріалу суб'єктом навчання, що ґрунтується на застосуванні нейромережевої моделі розпізнавача схеми вивчення та дозволяє індивідуалізувати навчальний процес;

- вперше розроблено модель суб'єкта навчання на основі нейронних мереж, яка не потребує проведення попереднього тестування знань суб'єкта навчання;

- вперше використані штучні нейронні мережі при розробці метода керування поданням навчальної інформації суб'єкту навчання, що здійснює адаптацію до його рівня знань та інтересів;

- одержала подальший розвиток модель суб'єкта навчання на основі апарата нечіткої логіки, що дозволяє виділяти оптимальну для нього стратегію вивчення матеріалу предметної області;

- набула подальшого розвитку структурна модель комп'ютерно-орієнтованої дидактичної системи на базі методів структурно-алгоритмічного моделювання, яка є інваріантною стосовно предметної області і дозволяє оформлювати навчальний матеріал за допомогою гіпермедійних технологій.

Практичне значення одержаних результатів. Практичне значення результатів дисертації полягає в тому, що програмна реалізація КОДС на основі розроблених методів та моделей дозволяє підвищити ефективність навчального процесу. Так, упровадження результатів досліджень у навчальний процес Харківського національного університету радіоелектроніки дозволило підвищити ефективність навчання при проведенні лабораторних робіт, курсового і дипломного проектування, а також науково-дослідної роботи студентів за рахунок адаптації до їх рівня знань та інтересів.

Крім того, одержані результати можуть бути використані не тільки для побудови КОДС, але й при створенні будь-яких інформаційних систем, що здійснюють адаптацію до інтересів і потреб користувача. Впровадження розроблених методів та моделей КОДС у Науково-дослідному і проектно-конструкторському інституті автоматизованих систем управління транспортом газу Національної акціонерної компанії «Нафтогаз України» дозволило не тільки скоротити терміни розробки програмного забезпечення тренажерів операторів автоматизованих систем управління газоперекачувальних установок, але й реалізувати основні ідеї адаптивного навчання роботі на складному об'єкті.

Розроблена модель суб'єкта навчання була впроваджена у торговельній діяльності комерційних компаній для побудови електронного магазину. Використання розробленої моделі суб'єкта навчання на основі апарата нечіткої логіки в сполученні з нейронними мережами уможливило адаптацію запропонованих потенційному покупцеві матеріалів до його потреб у масштабі реального часу. Як наслідок, це дало можливість підвищити зручність роботи клієнтів і збільшити кількість продажів товарів за допомогою комп'ютерної мережі Інтернет.

Усі наведені відомості підтверджені відповідними актами впровадження.

Особистий внесок здобувача. Усі основні результати дисертації отримані автором самостійно. У роботі [1] авторові належить розробка математичної моделі комп'ютерно-орієнтованої дидактичної системи та методи визначення стратегії вивчення матеріалу суб'єктом навчання і керування поданням йому навчальної інформації; у [2] - метод визначення стратегії вивчення навчального матеріалу й архітектура розпізнавача схем вивчення суб'єктом навчання предметної області на основі нейронних мереж; у [3] - рекомендації щодо проектування сценарію навчання комп'ютерно-орієнтованих дидактичних систем на базі психологічних теорій навчання; у [4] - відбір інформаційних технологій для програмної реалізації комп'ютерно-орієнтованої дидактичної системи при дистанційній формі навчання; у [5] - дослідження проблеми автоматизації побудови комп'ютерно-орієнтованих дидактичних систем; у [6] - удосконалення моделі суб'єкта навчання на основі нечіткої логіки, що дозволяє усунути необхідність залучення експертів на етапі прогнозування можливого способу вивчення матеріалу предметної області суб'єктом навчання; у [7] - рекомендації щодо застосування адаптивних гіпермедіа-систем для реалізації дистанційного навчання; у [8] - модель суб'єкта навчання на основі нейронних мереж і підхід до проектування комп'ютерно-орієнтованих дидактичних систем на базі технологій адаптивної гіпермедіа; у [9] - концепція побудови інтегрованого середовища розробника комп'ютерно-орієнтованих дидактичних систем, що підтримує технології дистанційного навчання; у [10] - модифікація моделі суб'єкта навчання, модель навчальної дисципліни та спосіб оцінки дидактичних характеристик навчаючих програмних систем; у [11] - комплексний підхід до розробки математичного забезпечення комп'ютерно-орієнтованих дидактичних систем; у [12] - вимоги до програмної моделі інструментальної системи підготовки навчально-методичних матеріалів для дистанційного навчання.

Апробація результатів роботи. Основні результати дисертаційної роботи доповідались та були схвалені на таких конференціях та форумах: 2, 3, 4-му та 5-му Міжнародних молодіжних форумах «Радіоелектроніка і молодь у ХХI столітті» (Харків, 1998-2001), 2-й Міжнародній науково-практичній конференції «Використання комп'ютерних технологій у навчальному процесі» (Харків, 1998), 6-й та 8-й Міжнародних конференціях «Теорія і техніка передачі, прийому й обробки інформації» (Туапсе, 2000, 2002), Міжнародній науково-методичній конференції «Інженерна освіта на межі століть: Традиції, Проблеми, Перспективи» (Харків, 2000), 3-й та 4-й Міських науково-практичних конференціях «Актуальні проблеми сучасної науки в дослідженнях молодих учених Харківщини» (Харків, 2000, 2001), 4 - 8-й Міжнародних конференціях Української асоціації дистанційної освіти «Освіта та віртуальність» (Харків-Ялта, 2000-2004), 5-й Міжнародній науково-практичній конференції «Дистанционное образование: опыт и перспективы» (Бєлгород, Росія, 2001), 5-й Міжнародній конференції «Интернет - среда новых технологий в информационном обществе» (Велико Търново, Болгарія, 2002), 6-й Міжнародній науково-технічній конференції «Фізичні та комп'ютерні технології в народному господарстві» (Харків, 2002).

Публікації. За результатами досліджень опубліковано 12 робіт, із них 5 статей в наукових виданнях, відповідно до переліків ВАК України, 1 - міжнародна та 6 доповідей на конференціях.

Структура та обсяг роботи. Дисертація складається зі вступу, п'яти розділів, висновків, списку використаних джерел та додатків. Загальний обсяг роботи складає 235 сторінок, у тому числі 150 сторінок основного тексту, 40 рисунків, 9 таблиць, 3 додатки, список використаних джерел, що включає 150 найменувань та займає 13 сторінок.

Основний зміст роботи

комп'ютерний автоматизація програмний

У вступі обґрунтовано актуальність дисертаційної роботи, сформульовано основну мету і завдання дослідження, наведено відомості про зв'язки обраного напрямку досліджень із планами організації, де виконувалась робота. Дано стислу анотацію одержаних у дисертації результатів, розкрито їх наукову та практичну цінність, наведено дані про використання результатів проведеного дослідження у народному господарстві.

У першому розділі дисертаційної роботи розглянуто сучасні вимоги багатоступеневої системи освіти при дистанційній формі навчання в Україні. Введено поняття комп'ютерно-орієнтованої дидактичної системи. Проаналізовано різні підходи до створення КОДС, вказані їх переваги та недоліки. Обґрунтовано необхідність пошуку альтернативних підходів до побудови КОДС, що дозволяють повною мірою використовувати всі можливості, які надають технології дистанційного навчання з подальшої індивідуалізації навчального процесу з метою підвищення ефективності багатоступеневої системи освіти в Україні. Саме дослідженню в цій галузі і присвячена подана дисертація. На підставі проведених досліджень сформульовані наведені вище мета і задачі дисертаційної роботи.

У другому розділі на підставі проведеного дослідження відомих методів і технологій створення навчаючих систем обґрунтовано вибір технології адаптивної гіпермедіа для побудови на її основі КОДС. Детально розглянуто методи адаптації, що використовуються в системах адаптивної гіпермедіа, та зроблена оцінка доцільності їх застосування в процесі розробки КОДС. Проаналізовано існуючі на ринку програмного забезпечення адаптивні гіпермедіа-системи, що реалізують ці методи, показано їх переваги та недоліки.

У цьому розділі зроблено декомпозицію КОДС на складові підсистеми (рис. 1). Запропоновано модель КОДС, що складається з моделі суб'єкта навчання, моделі предметної області та методу керування поданням матеріалу предметної області.

Модель предметної області та модель суб'єкта навчання були декомпозовані на елементарні компоненти нижнього рівня. Описано функціональність зазначених компонентів КОДС. Отримано математичний вираз моделі КОДС:

,

де - КОДС; - рівень підготовки суб'єкта навчання; R - база правил; - схема вивчення предметної області; - цілі та інтереси суб'єкта навчання; - навчальний матеріал; _а - авторські зв'язки; _s - зв'язки, що згенеровані системою; - семантична мережа об'єктів предметної області; - набір завдань для перевірки знань суб'єкта навчання; M - метод керування поданням навчального матеріалу.

У цьому розділі розроблена модель предметної області КОДС, в основу якої запропоновано покласти семантичну мережу об'єктів предметної області:

= <A, L, S>,

де А - множина об'єктів семантичної мережі; L - множина відношень; S - поточний стан семантичної мережі.

Поточний стан S семантичної мережі (1) являє собою кон'юнкцію такого виду:

де А_i^s - множина суб'єктів взаємодії, i=; L_k - відношення між ними, k=; А_j^o - множина об'єктів взаємодії, j=.

Предикат P у формулі (2) задається наступним чином:

Обґрунтовано доцільність цього підходу і визначені функції семантичної мережі об'єктів у складі моделі предметної області КОДС. Визначено вимоги до семантичної мережі об'єктів предметної області й указані способи їх виконання.

Розроблено метод керування поданням матеріалу предметної області, що здійснює адаптацію до рівня знань та інтересів суб'єкта навчання. Обґрунтовано зроблені припущення щодо кількості класів суб'єктів навчання _і та кількості зв'язків _і, яку варто пред'являти суб'єкту у процесі ознайомлення зі змістом предметної області. Розроблений метод, аналізуючи результати виконання суб'єктом навчання x (x_k) тестових завдань _i та використовуючи інформацію про класи суб'єктів навчання I(₁,₂,…,_p) і про зв'язки (₁, ₂,…, _p) між об'єктами предметної області, пред'являє суб'єкту навчання x тільки певний набір зв'язків _k та тестових завдань _k. Для розпізнавання класу суб'єкта навчання використовується самоорганізуюча карта ознак Кохонена, на вхід якої подаються результати розв'язання суб'єктом навчання тестових завдань _k у часовій послідовності. Відстань d_j від вхідного сигналу до кожного нейрону j визначається за формулою:

,

де x_i(t) - i-й елемент вхідного сигналу в момент часу t; w_ij(t) - вага зв'язку від i-го елемента вхідного сигналу до нейрону j в момент часу t.

Нове значення w_ij(t) обчислюється за формулою:

w_ij(t+1) = w_ij(t)+(t) (x_i(t) - w_ij(t)),

де (t) - частота навчання нейронної мережі.

Кожному суб'єкту навчання x, який має рівень підготовки , пред'являються тільки тестові завдання _k з рівнем складності таким, що = , або = -1. Для розподілу завдань на нечіткі множини ₁, ₂,…, _p відповідно до їх рівня складності використовується така система нечітких правил:

,

Третій розділ дисертаційної роботи присвячено розробці моделі суб'єкта навчання КОДС. Підкреслено важливу роль, яку ця модель відіграє в складі КОДС. Проведено дослідження різних видів моделей суб'єктів навчання, реалізованих у сучасних інтелектуальних навчальних системах та системах адаптивної гіпермедіа. Виявлено переваги та недоліки кожного виду моделей. Наведено класифікацію відомих моделей суб'єктів навчання. Виявлено моделі та параметри суб'єкта навчання, що найчастіше використовуються у КОДС.

Удосконалено модель суб'єкта навчання на основі апарату нечіткої логіки, що дозволяє виділяти оптимальну для нього стратегію вивчення матеріалу предметної області. Ця модель являє собою нечіткий орієнтований зважений граф:

,

де T_i - множина результатів i-гo тесту, i I = {1,…, n}; N - множина можливих пар елементів T_i-1 T_i.

Кожна дуга нечіткого графа маркірована припустимими інтервалами часу на навчання t_j, j J = {1,…, m}. Тоді процес навчання можна декомпозувати на i послідовних за часом освоєння матеріалу предметної області етапів. У цьому випадку, переходи між етапами і стан знань суб'єкта навчання на кожнім етапі, що змінюються в реальному масштабі часу, можна інтерпретувати як нечіткі події на інтервалі t_l, (1<l<m).

Маркірування моделі (3) здійснюється шляхом розв'язання наступної системи рівнянь:

,

де (T_i)/M_i, (T_i-1)/M_i-1 - нечіткі оцінки ймовірності знаходження навчального процесу на етапах поточної перевірки знань T_i и T_i-1, після освоєння тем M_i и M_i-1 матеріалу предметної області; «є» - знак операції «композиція»; (T_i-1, T_i) - модифікована функція переходів; (M_i) - нечітка оцінка знаходження суб'єкта навчання на етапі вивчення матеріалу навчальної теми M_i.

Отримані оцінки групуються попарно, виходячи з умови . Для виділення стратегій вивчення матеріалу предметної області суб'єктом навчання з множини результатів підсумкового тестування вибираються результати, що відповідають цілі навчання. Після чого виробляється добір результатів тестування на (n-1) - м етапі процесу навчання, перехід з яких у цільові стани n-го етапу здійснюється за допомогою освоєння тем M_n-1 навчального матеріалу з оцінкою:

.

Ця процедура виконується на кожному етапі навчання, аж до кореневої вершини графа s₀. Застосування цієї процедури дозволяє виділити можливі стратегії поведінки суб'єкта навчання, що являють собою зважені шляхи на графі від вершини s₀ до вершин з множини T_n, з метою наступного формування індивідуальної стратегії навчання. Кожен q-й шлях становить зважену відносно тем навчального матеріалу послідовність виду:

,

де k_r, r {l, 2, …, n} - кількість можливих результатів r-го тесту.

З множини можливих результатів підсумкового тестування T_n, необхідно вибрати такі, котрі відповідають нечіткій цілі навчання g з функцією належності:

,

де p - розмірність множини T_n; , u{l, 2,…, p} - функція належності результату тестування нечіткої цілі g.

Тоді, з огляду на введені обмеження, кожну стратегію зі сформованого класу u можна оцінити в такий спосіб:

.

Очевидно, що стратегія, яка має оцінку

,

найбільше відповідає індивідуальному стилеві придбання знань суб'єктом навчання. Тому саме вона і має бути обраною для управління ходом навчального процесу.

В ході проведеного експериментального дослідження описаної моделі були визначені недоліки цього виду моделі: висока обчислювальна складність, що утруднює використання цієї моделі при дистанційному навчанні, необхідність проведення попереднього тестування суб'єкта навчання, що звужує галузь застосування створеної КОДС, висока трудомісткість підготовки навчального матеріалу предметної області.

Для усунення описаних недоліків запропонована модель суб'єкта на основі нейронних мереж, яка містить у собі розпізнавач схем вивчення матеріалу предметної області (рис. 2). Цей компонент моделі суб'єкта навчання дозволяє визначити стратегію вивчення матеріалу предметної області, яку він використовує, без необхідності попереднього тестування, що є безперечною перевагою цієї моделі в порівнянні з нечіткою моделлю. Обґрунтовано доцільність застосування штучних нейронних мереж для реалізації зазначеного компонента моделі суб'єкта навчання.

Задача побудови розпізнавача схем вивчення матеріалу предметної області суб'єктом навчання полягає у знаходженні розбивки множини M об'єктів {_i} на скінчене число класів _k, k=:

.

Об'єкти задаються значеннями ознак x_j, j=. Сукупність значень ознак x_j визначає опис об'єкта I()={x₁, x₂,…, x_m}. Значення ознаки x_j є випадковою величиною з деякою функцією розподілу P(x_j). Задача розпізнавання полягає в тому, щоб для цього об'єкта і набору класів _k за навчальною інформацією I₀(₁,₂,…,_p) і описом I() обчислити значення предикатів P(_k). Інформація про входження об'єкта у який-небудь клас представляється у виді інформаційного вектора €I()={I₁(), I₂(),…, I_p()}, де I_k() несе інформацію про належність об'єкта до класу _k:

Розв'язання цієї задачі здійснюється за допомогою штучних нейронних мереж у четвертому розділі роботи.

У четвертому розділі побудовано дві нейромережеві моделі розпізнавача схеми вивчення предметної області. Отримані моделі входять до складу моделі суб'єкта навчання КОДС. Перша модель має більшу кількість входів і не залежить від типів схем вивчення низького рівня, але розпізнає схеми з невеликою затримкою.

Друга модель вільна від вказаного недоліку, має меншу кількість входів, але прив'язана до типів схем низького рівня. Робота цих моделей описується за допомогою формул:

де S_jl - сигнал S_j-го нейрона в шарі l; w_ijl - ваговий коефіцієнт i-го входу нейрона номер j в шарі l; x_ijl - i-й вхідний сигнал j-го нейрона в шарі l; Y_jl - вихідний сигнал нейрона номер j в шарі l; F - функція активації, у якості якої використовується логістична функція; b_jl - пороговий рівень нейрона j в шарі l.

Розроблені моделі є інваріантними стосовно предметної області та можуть бути використані не тільки в КОДС, а також і в складі інформаційної системи, що адаптується до цілей та інтересів працюючого з нею користувача.

На основі указаних моделей у цьому розділі запропоновано метод визначення стратегії вивчення матеріалу предметної області суб'єктом навчання. Цей метод дозволяє визначити стратегію вивчення, яку використовує суб'єкт навчання, на підставі аналізу схеми вивчення матеріалу предметної області без необхідності залучення суб'єкта навчання у діалог з КОДС.

Суть цього методу полягає в застосуванні розпізнавача (4) схем вивчення матеріалу предметної області суб'єкта навчання для формування кортежів <d₀, d₁, d₂, d₃>, в яких d_i - коефіцієнт упевненості нейронної мережі в тому, що вхідна схема належить до i-го виду схем низького рівня. Уся сукупність кортежів <d₀, d₁, d₂, d₃> поділяється на сегменти за допомогою методу решітки, а отримані сегменти кодуються бінарними числами.

Для визначення стратегії суб'єкта навчання використовується нечітка база правил R, що пов'язує схему вивчення з рівнем знань суб'єкта навчання та набором тестових завдань _і, який він розв'язує. Кожне нечітке правило має такий вигляд:

If (<s₁, s₂, s₃, s₄>, ) Then () and {₁, ₂,…, _n}

де s_i - кодований номер сегменту для d_i; () - параметр, що характеризує ефективність схеми , () [0..99].

Навчання нечіткої системи (5) здійснюється за допомогою такого правила:

Wⁿ = (W^(n-1) + г (t-a) + W^(n-1))с(x),

де Wⁿ - вага правила на момент ітерації n; t - отримане значення; a - вірне значення;

- імпульсний параметр; с(x) - модифікатор; x - відстань поточного правила від активованого.

Модифікатор с(x) у правилі (6) дозволяє зменшити ступінь оновлення поточного правила, залежно від відстані між ним та активованим. У якості модифікатора с(x) використовується функція належності Гаусса:

,

де c - центр, а - ширина зони навчання.

Розроблений метод також може бути застосований для створення адаптивних гіпермедійних систем, що функціонують у мережі Інтернет і позбавлені можливості прямого діалогу з користувачем. Застосування цього методу для створення систем адаптивної гіпермедіа дозволяє одержати додаткову психологічну інформацію про суб'єкта навчання, ґрунтуючись на передісторії його взаємодії з предметною областю гіпермедіа-системи. Отримана інформація згодом може бути використана в поєднанні з більш традиційними методами адаптації, такими, наприклад, як одержання ключових слів для надання підтримки користувачеві системи адаптивної гіпермедіа у процесі вибору гіперпосилань та пошуку релевантної інформації.

П'ятий розділ присвячений проблемі автоматизації побудови КОДС. У цьому розділі проведено аналіз методології побудови КОДС із чітким виділенням окремих етапів та дій, що виконуються на кожнім етапі. Підкреслено доцільність застосування мультимедійних технологій для створення психологічно адекватних КОДС. Здійснено виділення основних етапів, що підлягають автоматизації за допомогою інтегрованого середовища розробника КОДС.

Крім того, у цьому розділі здійснена розробка оригінальної методики створення інтегрованого середовища розробника КОДС та побудована його модель, а також наведена структурна схема КОДС, що генерується середовищем.

У цьому розділі зроблено вибір інформаційних технологій, прийнятних для програмної реалізації моделі інтегрованого середовища розробника КОДС. Описано структуру сценарію навчання КОДС, що створюється відповідно до рекомендацій щодо використання психологічних теорій навчання, які наведено у додатку Б.

У додатках наведено опис експериментів, проведених над програмною реалізацією розроблених методів та моделей КОДС, результати аналізу психологічних теорій навчання та рекомендації щодо їх застосування у процесі розробки КОДС, а також відомості про впровадження результатів цієї дисертаційної роботи.

Висновки

У дисертаційній роботі наведено теоретичне узагальнення і нове рішення наукової задачі розробки гіпермедійних та нейромережевих методів і моделей комп'ютерно-орієнтованих дидактичних систем для створення умов підвищення ефективності навчального процесу. Отримані методи і моделі реалізовані не тільки у вигляді математичного опису, але й програмно, що дозволяє виконати їх упровадження в навчальний процес. У результаті впровадження розроблених методів та моделей підвищиться якість навчання студентів, а отже і якість підготовки фахівців в умовах багатоступеневої системи освіти України та при дистанційній формі навчання. Виконані дослідження дозволяють зробити такі висновки.

1. Проведений аналіз видів моделей суб'єктів навчання, що використовуються у інтелектуальних навчальних системах і системах адаптивної гіпермедіа, дозволив теоретично обґрунтувати, систематизувати та узагальнити підходи і математичні моделі сучасних КОДС.

2. Розроблений метод визначення стратегії вивчення матеріалу предметної області, яку використовує суб'єкт навчання, має у своїй основі нейромережеву модель розпізнавача схеми вивчення. Поданий метод відносить суб'єкта навчання до одного з визначених класів за допомогою нечітких правил і з огляду на його поточний стан знань, що дозволяє індивідуалізувати навчальний процес.

3. Реалізація адаптивного навчального процесу потребує вирішення задачі розпізнавання схеми вивчення предметної області суб'єктом навчання. Для її рішення доцільним є застосування штучних нейронних мереж. Запропоновані нейромережеві моделі виконують розв'язання цієї задачі та входять до складу моделі суб'єкта навчання. Розроблена модель суб'єкта навчання на основі нечітких нейронних мереж не потребує проведення попереднього тестування знань суб'єкта, що вигідно відрізняє її від аналогічних моделей.

4. Запропонований метод керування поданням навчальної інформації суб'єкту навчання здійснює адаптацію до його рівня знань та інтересів. Наведено результати експериментального дослідження і визначено перспективні напрямки подальших досліджень у цій галузі.

5. Удосконалена модель суб'єкта навчання на основі апарата нечіткої логіки дозволяє виділяти оптимальну для нього стратегію вивчення матеріалу предметної області. Завдяки запропонованим модифікаціям можна уникнути необхідності залучення експертів для формування прогнозу способу вивчення суб'єктом навчання матеріалу предметної області.

6. Розвинута на базі методів структурно-алгоритмічного моделювання математична модель КОДС є інваріантною стосовно предметної області та дозволяє оформлювати навчальний матеріал за допомогою гіпермедійних технологій. Здійснена декомпозиція КОДС на складові підсистеми дала можливість встановити структуру її компонентів найнижчого рівня.

7. Розроблена модель предметної області КОДС на основі семантичної мережі дозволяє застосовувати гіпермедійні методи для керування поданням навчальної інформації суб'єкту навчання. Обґрунтовано доцільність цього підходу та визначені функції семантичної мережі у складі моделі предметної області КОДС.

8. Проведений аналіз сучасної методології побудови КОДС дозволив виявити основні етапи, що підлягають автоматизації. Розроблена на основі цього аналізу методика застосована при побудові інструментального засобу автоматизації створення КОДС, відповідні структурні моделі якого були програмно реалізовані на основі сучасних інформаційних технологій та впроваджені у навчальний процес у Харківському національному університеті радіоелектроніки. Крім того, розроблені в дисертаційній роботі гіпермедійні та нейромережеві методи і моделі впроваджені у Науково-дослідному і проектно-конструкторському інституті автоматизованих систем управління транспортом газу Національної акціонерної компанії «Нафтогаз України» та у торговельній діяльності комерційних компаній.

Публікації за темою дисертації

Выродов А.П., Шубин И.Ю. Методы и модели компьютерно-ориентированных дидактических систем // Восточно-европейский журнал передовых технологий. - 2004. - №6 (12). - С. 210 - 213.

Выродов А.П., Шубин И.Ю. Нейросетевые модели в компьютерно-ориентированных дидактических системах // Проблемы бионики. - Харьков: ХНУРЭ, 2004. - Вып. 60. - С. 110 - 117.

Белоус Н.В., Выродов А.П., Шубин И.Ю. Психологические основы построения обучающих систем // Проблемы бионики. - Харьков: ХНУРЭ, 2002. - Вып. 56. - С. 124 - 131.

Белоус Н.В., Выродов А.П., Шубин И.Ю. Проектирование интерактивной системы реализации дистанционного обучения на основе прогрессивных информационных технологий // Вестник Харьковского государственного политехнического университета. - Харьков: ХГПУ, 2000. - Вып. 93. - С. 169 - 173.

Белоус Н.В., Выродов А.П., Шубин И.Ю. Концепция построения интерактивной системы реализации образовательного процесса // Вестник Харьковского государственного политехнического университета. - Харьков: ХГПУ, 2000. - Вып. 79. - С. 20 - 22.

Выродов А.П., Шубин И.Ю. Математические модели компьютерно-ориентированных дидактических систем // Сб. науч. тр. по проблемам дополнительного профессионального образования. - М.: МАПДО, 2003. - Вып. 4. - С. 77 - 81.

Fadi Sabbah, Vyrodov O.P., Shubin I.Y. The application of adaptive hypermedia system for distance learning // Тр. Междунар. конф. «Образование и виртуальность - 2004». - Харьков-Ялта: УАДО, 2004. - С. 248 - 254.

Выродов А.П., Шубин И.Ю. Об одном подходе к текущему моделированию обучаемого в компьютерно-ориентированных дидактических системах // Тр. Междунар. конф. «Современные информационные технологии и инновационные методики обучения в подготовке специалистов: методология, теория, опыт, проблемы». - Киев-Винница: ГОВ Винница, 2004. - Вып. 6. - С. 682 - 688.

Белоус Н.В., Выродов А.П., Шубин И.Ю. Интегрированная среда разработчика учебных курсов для дистанционного образования // Тр. Междунар. конф. «Интернет - среда новых технологий в информационном обществе». - Велико Търново (Болгария), 2002. - С. 157 - 162.

Белоус Н.В., Выродов А.П., Шубин И.Ю. Математические аспекты проектирования интегрированной среды разработчика компьютерных обучающих систем // Тр. Междунар. конф. «Образование и виртуальность - 2001». - Харьков-Ялта: УАДО, 2001. - С. 335-341.

Белоус Н.В., Выродов А.П., Шубин И.Ю. Математические модели в интегрированной среде разработчика компьютерных обучающих систем // Тр. Междунар. молодежного форума «Радиоэлектроника и молодежь в XXI веке». - Харьков: ХТУРЭ, 2001. - Ч. 1. - С. 175-176.

Белоус Н.В., Выродов А.П., Шубин И.Ю. Инструментальная система подготовки учебно-методических материалов для дистанционного образования // Тр. Междунар. конф. «Образование и виртуальность-2000». - Харьков-Севастополь: УАДО, 2000.-С. 209-214.

Размещено на Allbest.ru