Аналитические и процедурные модели в интеллектуальной информационной системе адаптивного структурирования образовательного контента

Размещено на http://www.allbest.ru/

10

Размещено на http://www.allbest.ru/

Автореферат

диссертации на соискание учёной степени кандидата технических наук

Аналитические и процедурные модели в интеллектуальной информационной системе адаптивного структурирования образовательного контента

Специальность 05.25.05 - Информационные системы и процессы (технические науки)

Живенков Александр Николаевич

Тамбов 2011

Диссертационная работа выполнена на кафедре «Информационные системы и защита информации» Государственного образовательного учреждения высшего профессионального образования «Тамбовский государственный технический университет» (ГОУ ВПО ТГТУ).

Научный руководитель кандидат технических наук, доцент Иванова Ольга Геннадьевна

Официальные оппоненты: доктор технических наук, профессор Зайцев Александр Владимирович,

кандидат технических наук, доцент Саев Владимир Николаевич

Ведущая организация ГОУ «Военный авиационный инженерный университет», г. Воронеж

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность исследования. Информационные технологии в образовании играют всё более существенное значение. Современный учебный процесс сложно представить без использования компьютерных учебников, задачников, тренажёров, лабораторных практикумов, справочников, энциклопедий, тестирующих и контролирующих систем. Часто в качестве поддержки очного и заочного, основы дистанционного обучения используются информационные системы образовательного назначения (ИСОН). Однако при этом имеется ряд нерешённых проблем:

- ИСОН являются статическими с заранее заданной неизменной структурой информационных ресурсов;

- ИСОН ориентированы на целевую аудиторию без учёта меняющихся характеристик пользователей;

- отсутствуют эффективные средства адаптации контента в ИСОН, позволяющие сократить сроки и повысить эффективность обучения;

- ИСОН представлены готовыми программными продуктами без возможности гибкой настройки и дополнения желаемыми функциональными возможностями, что снижает степень масштабируемости архитектуры.

Тема разработки ИСОН достаточно подробно была представлена в работах отечественных и зарубежных учёных: А.И. Башмакова, И.В. Роберт,

В.И. Громыко, К.К. Колина, А.В. Соловова, А.Я. Соловьева, В.И. Овсянникова, Г.С. Осипова, А.П. Афанасьева, А.Н. Тихонова, А.И. Суббетто, Б.А. Сазонова, Г.А. Атанова, И.Л. Надточего, М. Минского, Д. Гилфорда, Дж. Блума,

Р. Аткинсона, В. Чапмана. Данными авторами были рассмотрены основополагающие моменты разработки информационных систем образовательного назначения. В монографиях А.И. Башмакова приводятся примеры решения задачи реализации отдельных интеллектуальных функций. В частности, представлены методы генерации учебно-тренировочных задач на основе текста учебного материала, информации, представленной на искусственных языках. Рассмотренные подходы хороши в плане простоты реализации, однако они исключают возможность адаптивного структурирования образовательного контента для конкретного пользователя. Адаптации к характеристикам пользователей приобретают первостепенную важность.

Актуальность исследования определяется тем, что в условиях интенсивного распространения информационных систем в мировом образовательном пространстве возрастает необходимость разработки интеллектуальной информационной системы образовательного назначения с возможностью адаптации контента.

Цель работы: повышение эффективности использования информационных ресурсов образовательного назначения путём создания интеллектуальной информационной системы адаптивного структурирования контента.

Задачи исследования:

1. Создание аналитической модели структуры образовательного контента.

2. Построение аналитической модели определения характеристик пользователя интеллектуальной информационной системы адаптивного структурирования образовательного контента (ИИС АСОК).

3. Создание процедурной модели адаптивного структурирования информационных ресурсов.

4. Обоснование и предложение интеллектуального ядра ИИС АСОК на основе построенных моделей.

Объектом исследования является интеллектуальная информационная система адаптивного структурирования образовательного контента.

Предметом исследования являются аналитические и процедурные модели ИИС АСОК.

Методы исследования основаны на использовании положений теорий нечётких множеств, графов, искусственных нейронных сетей, алгоритмов, сетей Петри, методов объектно-ориентированного анализа и проектирования, UML-моделирования.

Научная новизна работы определяется разработанными моделями, реализуемыми в созданной интеллектуальной информационной системе адаптивного структурирования образовательного контента:

- разработана аналитическая модель структуры образовательного контента, отличающаяся использованием нечётких цветных сетей Петри;

- построена аналитическая модель определения характеристик пользователя ИИС АСОК в виде кортежа лингвистических переменных, отличающаяся использованием нейронных сетей Кохонена;

- создана процедурная модель адаптивного структурирования информационных ресурсов, отличающаяся совместным использованием аналитической модели определения характеристик пользователя ИИС АСОК, логико-лингвистической модели коррекции весовых коэффициентов информационных ресурсов и аналитической модели структуры образовательного контента в виде нечёткой цветной сети Петри;

- синтезировано интеллектуальное ядро ИИС АСОК, основанное на предложенных моделях и использующее UML-шаблоны с возможностью документирования и дальнейшего представления в программном коде в независимости от платформы реализации.

Практическая значимость проведённого диссертационного исследования заключается в использовании полученной ИИС АСОК, позволяющей повысить эффективность использования информационных ресурсов образовательного назначения путём повышения индивидуализации, адаптации контента, а также достичь лучших учебных характеристик.

Работа выполнена при поддержке Государственного контракта № П292 в рамках ФЦП «Научные и научно-педагогические кадры инновационной России на 2009 - 2013 годы».

Реализация и внедрение результатов работы. Результаты диссертационного исследования используются: в Тамбовском государственном техническом университете внедрена в учебный процесс ИИС АСОК и используется для обучения студентов специальностей 230201 «Информационные системы и технологии» и 090105 «Комплексное обеспечение информационной безопасности автоматизированных систем» на факультете «Информационные технологии», что дало возможность повысить качество и эффективность учебного процесса; в ОАО «ПИГМЕНТ», г. Тамбов, в отделе АСУ внедрена информационная обучающая система, которая используется для обучения специалистов по курсам, направленным на повышение профессиональных навыков решения производственных задач; в ООО «Совтех», г. Воронеж, разработан программный комплекс, позволивший повысить эффективность использования информационных ресурсов образовательного назначения; в Межвидовом центре подготовки и боевого применения войск радиоэлектронной борьбы (РЭБ), г. Тамбов, при разработке многоцелевого многопользовательского специализированного тренажёрного комплекса для обучения специалистов РЭБ по различным направлениям подготовки.

Положения, выносимые на защиту:

- аналитическая модель структуры образовательного контента на основе использования нечётких цветных сетей Петри;

- аналитическая модель определения характеристик пользователя ИИС АСОК на основе модели нейронных сетей Кохонена;

- процедурная модель адаптивного структурирования информационных ресурсов;

- интеллектуальное ядро ИИС АСОК на основе построенных моделей.

Апробация работы. Основные результаты работы представлены и обсуждены на международных и Всероссийских научных конференциях «Повышение эффективности средств обработки информации на базе математического моделирования» (IX Всероссийская научно-техническая конференция, г. Тамбов, 2009 г.), «Актуальные проблемы инновационных систем информатизации и безопасности» (Международная научно-практическая конференция, г. Воронеж, 2009 г.), «Теория конфликта и её приложения» (VI Всероссийская научно-техническая конференция, г. Воронеж, 2010 г.), «Технологии электронного обучения в образовательном процессе» (Всероссийский конкурс научно-исследовательских работ, г. Белгород, 2010 г.).

Объём и структура работы. Диссертация, общий объём которой составляет 145 страниц (основной текст - 123 страницы) состоит из введения, трёх глав, заключения, списка использованной научной литературы, включающего 155 наименований научных трудов на русском и иностранном языках и 4 приложения. Диссертация содержит 24 иллюстрации и 6 таблиц.

Публикации. По теме диссертации опубликовано 15 работ, из них

3 статьи в изданиях, рекомендованных ВАК РФ, 2 тезиса докладов на международных и 4 тезиса докладов на Всероссийских и региональных научных конференциях. Получено свидетельство о государственной регистрации программы для ЭВМ. Автор награждён дипломом лауреата Всероссийского конкурса научно-исследовательских работ в области технологий электронного обучения в образовательном процессе в номинации «Разработка программного обеспечения организации электронного обучения».

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертации, сформулированы цель и задачи исследования, научная новизна, практическая значимость результатов работы, основные положения, выносимые на защиту, приведён краткий обзор содержания диссертации.

В главе 1 «Анализ существующих информационных систем образовательного назначения» рассмотрены основные понятия информационных систем образовательного назначения (ИСОН). Проведён обзор применения математического аппарата сетей Петри в моделировании систем, нейронных сетей Кохонена в классификации данных, объектно-ориентированного подхода в моделировании систем. Рассмотрены существующие реализации интеллектуальных систем обучения. Определены основные преимущества и недостатки ИСОН.

Анализ последних исследований и публикаций, в которых рассматриваются использования информационных ресурсов образовательного назначения, показал, что совершенствование средств управления в ИСОН связано с объединением современных дидактических требований с достижениями информационных технологий, требует разработки математических моделей и методов для их целостного охвата, исследования и проектирования. Большой вклад в эту область внесли учёные М.З. Згуровский, В.И. Гриценко, С.П. Кудрявцева, А.Ф. Манако, Г.А. Атанов, А.А. Тимченко. Проблема поиска более прогрессивных математических методов анализа и проектирования ИСОН, как сложных систем, постоянно актуальна.

1. Анализ существующих информационных систем образовательного назначения

Информационная система образовательного назначения	Показатель, относительные единицы, шкала [0, 1]
	Функциональность	Надёжность	Стабильность	Стоимость	Средства разработки контента	Поддержка SCORM	Система проверки знаний	Удобство использования	Модульность	Обеспечение доступа	Адаптивность
Blackboard	1	0,9	0,9	0,9	1	1	1	1	0	1	0
e-College	0,8	0,9	0,8	0,8	0,9	1	1	0,6	0	1	0
Dazzler	0,3	1	1	0,5	0,7	1	0,7	0,7	0	0,8	0
HyperStudio	0,2	0,7	0,8	0,1	0,8	0	0,8	0,8	0	0,1	0,1
NeoBook Professional	0,3	0,8	0,8	0,1	0,5	0	0,1	0,9	0	0	0
Everest	0,1	0,2	0,3	0,6	0,6	0	0,2	0,2	0	1	0
Quest	0,4	0,6	0,5	0,7	0,9	0	1	0,1	1	1	0,2
Seminar	0,1	0,1	0,3	0,5	0,5	1	0,8	1	1	1	0,1
ToolBook Assistant	0,3	0,2	0,1	0,9	0,7	1	0,3	0,9	0	1	0
Moodle	1	1	1	0,1	1	1	1	1	1	1	0
Docent	0,6	0,8	0,7	0,9	1	0	1	1	0	1	0
Saba	1	1	1	0,9	0,5	0	1	1	0	1	0
Aspen	1	0,9	0,9	0,9	0,6	0	0,9	0,3	0	1	0
e-Lerning	1	1	1	0,8	1	1	1	1	0	1	0
ATutor	0,8	0,7	0,7	0,1	1	0	0,8	0,1	1	0,8	0
Дельфин	1	0,7	0,6	0,1	0,6	0	0,5	0,6	1	0,7	0
Пегас	1	1	1	0,3	1	1	1	1	1	1	0

В настоящее время разработано и постоянно совершенствуется большое количество ИСОН. Можно отметить такие системы как Blackboard, e-College, Dazzler, HyperStudio, Seminar, e-Learning Server компании ГиперМетод, ATutor, Дельфин, Пегас. По функциональным возможностям системы схожи. Они позволяют создавать информационные ресурсы образовательного назначения, создавать обучающие курсы, выполнять администрирование. В таблице 1 приведено сравнение наиболее распространённых ИСОН. Выделен перечень показателей, позволяющих в полной мере оценить существующие реализации ИСОН. Значение показателей варьируется от 0 (означает отсутствие данного показателя) до 1 (означает полное соответствие показателю).

Анализ существующих ИСОН показал, что наименее исследованными являются вопросы адаптации образовательного контента. Среди проанализированных систем обучения наилучшей платформой для решения поставленных в исследовании задач является LMS Moodle. Тот факт, что система распространяется под лицензией GNU GPL, т.е. является программным обеспечением с открытыми исходными кодами, позволяет на её основе построить собственную систему с требуемыми функциональными возможностями:

- контролировать выполнение заданий;

- формировать индивидуальные наборы учебно-тренировочных задач;

- адаптировать структуру информационных ресурсов в соответствии с характеристиками пользователей.

В главе 2 «Технология адаптивного структурирования образовательного контента» рассматриваются вопросы создания аналитических и процедурных моделей интеллектуальной информационной системы адаптивного структурирования образовательного контента.

Образовательный контент представляет собой набор информационных ресурсов, представленных в виде: текстовых страниц, веб-страниц, ссылок на файлы, тестовых заданий, вопросов.

Сети Петри используются для анализа структуры динамических дискретных моделей сложных систем и логико-временных особенностей процессов и функционирования. Структурно они представляют собой граф специального вида с правилами, которые определяют динамику процесса их функционирования. Обобщённая маркированная сеть Петри - это упорядоченная пятёрка

интеллектуальный информационный адаптивный структурирование

, (1)

где - множество позиций; - множество

переходов; a, b - количество позиций и переходов соответственно; - входная функция переходов, являющаяся отображением, - выходная функция переходов, являющаяся отображением, - вектор начальной маркировки сети Петри, при этом и - компонент вектора начальной маркировки сети Петри, соответствующий позиции .

В связи с этим образовательный контент, состоящий из набора информационных ресурсов, удобно представить в виде модели сети Петри, где каждый информационный ресурс будет соответствовать позиции сети Петри, а работа внутренних приложений информационной системы будет представлена переходами.

Вводится в рассмотрение множество «присутствие информационного ресурса» и его нечёткие подмножества: «присутствует полностью», «присутствует возможно», «присутствует мало». Принадлежность информационного ресурса к каждому из нечётких подмножеств будем определять, исходя из весового коэффициента информационного ресурса , который вначале будет определён экспертом, а в процессе работы пользователей с ИИС АСОК будет корректироваться. На рисунке 1 изображены функции принадлежности нечёткого наличия информационного ресурса в структуре контента в зависимости от весового коэффициента.

Набор позиций для каждого пользователя индивидуален и будет определяться значением функции принадлежности информационного ресурса к множествам «присутствует полностью», «присутствует возможно», «присутствует мало». Информационные ресурсы, у которых значение функции принадлежности к нечёткому подмножеству «присутствует полностью» , будут присутствовать в структуре контента и будут отображены в модели сети Петри. Остальные информационные ресурсы будут присутствовать в модели неявно, так как что означает возможное их присутствие в последующих изменениях структуры контента. Модель в виде сети Петри, отражающая структуру контента и динамику функционирования ИИС АСОК, обладает нечёткостью в структуре, поскольку набор позиций и переходов с течением времени меняется, и степень наличия переходов и позиций в структуре курса обучения в каждый момент времени для конкретного пользователя будет различной. В описании структуры модели сети Петри используется лингвистическая переменная «присутствие», которая может принимать следующие значения: «полностью», «возможно», «мало».

Рис. 1. Функции принадлежности информационных ресурсов

В определении сети Петри часто выделяют первые четыре компоненты, которые задают её структуру: Данная структура будет определять набор информационных ресурсов для пользователя. В этом случае сеть Петри может быть записана в виде

. (2)

В связи с тем, что возникает неопределённость в описании структуры контента, обусловленная различными индивидуальными

характеристиками пользователей и соответственно различными наборами информационных ресурсов, аналитическую модель структуры образовательного контента представим нечёткой цветной сетью Петри, которая определяется следующим образом:

, (3)

где - нечёткая структура временной сети Петри, аналогичная структуре обобщённой маркированной сети Петри; - вектор начальной маркировки сети Петри, - функция цвета; - вектор временных задержек маркеров в позициях, - вектор времён срабатывания разрешённых переходов, - множество натуральных чисел; a, b - количество позиций и переходов соответственно; - совокупность правил, определяющих процесс запуска и функционирования, которые включают в себя условия активности и срабатывания переходов, доступности маркеров в позициях, изменения начальной и последующих маркировок.

Рассмотрим случай, когда разрешённые переходы осуществляются мгновенно, т.е. будем полагать , . В этом случаи нечёткая временная сеть Петри данного типа будет конкретизироваться нечёткой сетью Петри (НСП)

(4)

На рисунке 2 представлена структурная модель ИИС АСОК в виде цветной НСП. Маркер в позициях p10, p17 - p21, p24 отображает запросы к ИИС АСОК.

Допустимые в сети цвета определены следующим образом ID = (Id_group, Id_user, Id_req, Full, Id_app, Id_course, UL_Array, UTZ_Array), где

Id_group - целое неотрицательное число, определяющее принадлежность пользователя к группе;

Id_user - целое неотрицательное число, определяющее идентификатор пользователя;

Id_req - целое неотрицательное число, идентификатор запроса к ИИС АСОК;

Full - логический тип с набором значений {true, false}, отвечающий за полноту заполнения формы запроса к ИИС АСОК;

Id_app - целое неотрицательное число, определяющее внутренние приложения ИИС АСОК;

Id_course - целое неотрицательное число, определяющее идентификатор учебного курса;

UL_Array - массив пар (ID_UL, Fp), определяющих наличие или отсутствие позиций в структуре сети Петри, которым соответствуют информационные ресурсы в структуре контента;

UTZ_Array - массив пар (ID_UTZ, Fu), определяющих наличие или отсутствие позиций в структуре сети Петри, которым соответствуют учебно-тренировочные задачи;

Req = list of (key, value), где key - строкового типа; value - строкового типа;

Data = list of (key, value), где key - строкового типа; value - двоичный набор данных.

Функция цвета позволяет математически описать параметры маркера, который полностью соответствует данным пользователя.

Описано решение задачи построения оптимального набора информационных ресурсов на основе аналитической модели структуры образовательного контента в виде сети Петри и аналитической модели определения характеристик пользователя. Введём условные обозначения для описания характеристик пользователя: - требуемая оценка уровня знаний пользователя, - требуемая оценка уровня умений. Характеристики пользователя представим моделью: где - лингвистические переменные, которым соответствуют оценки успеваемости знаний и умений соответственно; - количество лингвистических переменных.



Рис. 2. Структурная модель ИИС АСОК в виде нечёткой цветной сети Петри

При первом прохождении пользователем промежуточного контроля набор информационных ресурсов формируется, исходя из опыта эксперта, и является статическим. Предлагается использовать следующую процедурную модель адаптивного структурирования информационных ресурсов на текущий момент работы пользователя с ИС, состоящую из следующей последовательности шагов:

1. Задать требуемые значения оценок успеваемости пользователя.

2. Построить модель характеристик пользователя после промежуточного контроля .

3. Если значения параметров модели характеристик пользователя не равны требуемым, то перейти к пункту 4, иначе перейти к пункту 10.

4. Выбрать информационные ресурсы связанные с промежуточным контролем.

5. Произвести корректировку весовых коэффициентов на основании построенной модели и логико-лингвистической модели коррекции весов.

6. Занести в вектор информационные ресурсы, у которых

7. Добавить к вектору набор учебно-тренировочных задач, связанных с промежуточным контролем.

8. Определить степень нечёткого наличия позиций сети Петри, информационные ресурсы значения будут присутствовать в структуре модели, остальные элементы будут присутствовать неявно.

9. Сформировать адаптированный образовательный контент, состоящий из набора информационных ресурсов, представленных вектором , т.е. позициями сети Петри, и перейти к пункту 2.

10. Закончить работу с системой.

В результате пользователь работает с контентом, состоящим из элементов вектора , т.е. позиций сети Петри. Получаем изменённую структуру образовательного контента, построенную в соответствии с характеристиками пользователя, уже с другим набором информационных ресурсов, отличным от первоначального.

Для определения текущих характеристик пользователя служит искусственная нейронная сеть Кохонена. Данная нейросеть имеет один входной слой с числом нейронов, равным числу ответов от подсистемы тестирования и единственный скрытый (выходной) слой нейронов, образующий одномерную (линия) или двухмерную решётку, когда нейроны расположены на плоскости. Размер этой решётки будет определён количеством лингвистических переменных и их термов, которые выделил эксперт. Таким образом, будет определено количество нейронов по ширине и количество нейронов по высоте. Нейронные сети Кохонена относятся к классу искусственных нейронных сетей обучаемых «без учителя». Перед данной нейросетью ставится цель - выявление закономерностей между входными данными, которые подаются на входы сети.

Рассмотрим случай применения нейронной сети Кохонена для случая входного вектора размерностью m, где m - количество вопросов в промежуточном рубежном контроле знаний. На рисунке 3 представлен увеличенный фрагмент нейронной сети Кохонена, используемой для анализа результатов от подсистемы тестирования (вектор ответов пользователя ИИС АСОК), где введены следующие обозначения:

- входной вектор ответов пользователя ИИС АСОК после прохождения рубежного контроля, , , если i тестовое задание решено верно, если тестовое задание не решено или решено неверно; принимает значения в диапазоне если тестовое задание решено частично (для типа вопросов «множественный выбор»);

- выходной вектор, соответствующий лингвистическим переменным характеристик пользователя ИИС АСОК (знаний, умений); n - количество термов лингвистической переменной;

- входной слой нейронов, который служит лишь точками разветвления и не выполняет никаких действий;

- выходной слой нейронов Кохонена, который функционирует в духе «победитель забирает всё», т.е. для данного вектора один и только один нейрон Кохонена выдаёт на выходе логическую единицу, а все остальные выдают 0;

- вес нейронов Кохонена, где ;

, или - вектор весов нейронов Кохонена.

Рис. 3. Нейронная сеть Кохонена

Подобно нейронам большинства сетей, выход каждого нейрона Кохонена является просто суммой взвешенных входов. Аналитическая модель определения характеристик пользователя имеет следующий вид:

(5)

где - это выход нейрона Кохонена j соответствующей лингвистической переменной, или в векторной записи где - вектор выходов слоя Кохонена.

Нейрон Кохонена с максимальным значением является «победителем». Его выход равен единице, у остальных он равен нулю. Прежде чем использовать данную нейронную сеть её необходимо обучить. Для обучения нейронной сети Кохонена использовался следующий алгоритм:

1. Задать равновероятные значения весов , .

2. Нормализовать входные значения .

3. Нормализовать весовые вектора .

4. Задать погрешность .

5. Начало цикла (последовательность коррекции узлов):

a) выбрать один из входных векторов . Вектор выбирается случайно из обучающей выборки на итерации t;

б) выбрать нейрон-победитель, чей весовой вектор наиболее похож на входной вектор Примечание: под похожестью в данной задаче понимается расстояние между векторами, вычисляемое в евклидовом пространстве:

где индексом с обозначен нейрон победитель, - вектор весов нейрона-победителя;

в) произвести коррекцию весов сети

где - коэффициент скорости обучения нейронной сети;

г) вычислить погрешность ;

д) ;

е) пока , перейти в пункт 5.

6. Закончить обучение нейронной сети.

Рис. 4. Определение характеристик пользователя

После обучения нейронная сеть Кохонена служит классификатором поступающих сигналов. Для группы схожих сигналов выдаёт один и тот же результирующий выход. Задачей данной нейронной сети является классифицировать результаты прохождения тестовых заданий к перечню лингвистических переменных, которые представлены на естественном языке (рис. 4).

Изменение весовых коэффициентов осуществляется на основе логико-лингвистической модели коррекции весовых коэффициентов позиций сети Петри или соответствующим им информационным ресурсам. На вход логико-лингвистической модели поступает кортеж лингвистических переменных (), на выходе - действия по коррекции весовых коэффициентов Ниже представлен фрагмент логико-лингвистической модели коррекции весовых коэффициентов информационных ресурсов:

Если (Znanie_1 = хорошее) И (Umenie_1 = удовлетворительное), ТО (увеличить вес на 0,2 всех информационных ресурсов U_p) И (уменьшить вес на 0,15 всех информационных ресурсов U_q);

Если (Znanie_2 = хорошее) И (Umenie_2 = хорошее), ТО (увеличить вес на 0,1 всех информационных ресурсов U_r) И (уменьшить вес на 0,3 всех информационных ресурсов U_s);

Если (Znanie_K = неудовлетворительное) И (Umenie_L = неудовлетворительное), ТО (увеличить вес на 0,5 всех информационных ресурсов U_t) И (уменьшить вес на 0,4 всех информационных ресурсов U_y), где , V - количество информационных ресурсов.

Глава 3 «Построение моделей ИИС АСОК с использованием объектно-ориентированного подхода и реализация на базе LMS Moodle» посвящена построению основных UML-диаграмм, отражающих сущность моделируемой системы в различных аспектах и реализации полученных моделей на базе системы организации обучения (LMS - learning management system) Moodle. В качестве платформы была выбрана операционная система Linux, Web-сервер Apache, СУБД MySQL. На рисунке 5 представлена структура разработанной ИИС АСОК.

Определение прецедентов является важным этапом унифицированного процесса проектирования системы. Будут присутствовать следующие основные прецеденты: авторизация, прохождение обучения, прохождение тестирования, формирование контента, обработка результатов тестирования. Прежде чем приступать к проектированию логики работы программного приложения, необходимо исследовать и определить её поведение как поведение «чёрного ящика».

Поведение системы (system behavior) представляет собой описание того, какие действия выполняет система, без определения механизма их реализации. Одной из частей такого описания является диаграмма последовательностей и диаграмма взаимодействия. Анализ диаграммы взаимодействия в ИИС АСОК приводит к диаграмме классов. В отличие от модели предметной области эта диаграмма не иллюстрирует понятие реального мира, а описывает программные классы (рис. 6). На основе диаграммы классов было синтезировано интеллектуальное ядро ИИС АСОК, которое является плагином LMS Moodle.

Рис. 5. Структура ИИС АСОК	Рис. 6. Диаграмма классов ИИС АСОК

Были построены основные диаграммы, модели прецедентов ИИС АСОК, модели предметной области, диаграмма классов. Использование UML упростило сложный процесс проектирования программного обеспеченья путём создания «чертежа» для построения системы, а так как ИИС АСОК довольно сложная система, то применение UML-шаблонов проектирования позволило описать фрагменты проектных решений, которые далее были использованы в процессе разработки.

В качестве примера построения ИИС АСОК рассматривается курс «Информатики» и курс «Основы Web-инжиниринга». Адаптация заключается в конструировании оптимального для пользователя набора информационных ресурсов. На рисунке 7 представлен пример работы ИИС АСОК и результат работы с системой.

Рис. 7. Пример работы ИИС АСОК

Все действия пользователя протоколируются системой. Анализируя протокол, есть возможность отобразить работу пользователей на основе нечётких сетей Петри (НСП). Так же был разработан плагин на основе рассмотренных выше моделей. Данный плагин позволяет генерировать структуру образовательного контента, состоящую из набора информационных ресурсов и рассчитанную на конкретного пользователя с его характеристиками.

При тестировании ИИС АСОК на группах студентов, одни из которых проходили электронный курс учебной дисциплины по обычной технологии, а другие - с применением разработанной ИИС АСОК, были получены следующие показатели успеваемости, представленные в табл. 2.

2. Показатели успеваемости при использовании ИИС АСОК

Группа	Учебный курс	(Количество человек, получивших соответствующие оценки) / (% отношение к общему количеству обучаемых в группе)	Всего чел.	% хороших и отличных оценок
		неудовл.	удовл.	хорошо	отлично
СИС11	Информатика	3 / 14%	9 / 43%	5 / 24%	4 / 19%	21	43%
СИС12	Информатика (ИИС АСОК)	2 / 8%	3 / 12%	11 / 44%	9 / 36%	25	80%
СИС21	Основы Web- инжиниринга	0 / 0%	10 / 48%	5 / 24%	6 / 29%	21	57%
СИС22	Основы Web- инжиниринга (ИИС АСОК)	1 / 5%	2 / 9%	7 / 31%	12 / 55%	22	86%

Результаты этого примера использования ИИС АСОК и других, приведённых в диссертационной работе, позволяют сделать вывод об эффективности ИИС АСОК. Приведем ещё раз таблицу сравнения существующих ИСОН, выделив лучшие реализации и дополнив строкой «Предложенная автором ИИС АСОК» (табл. 3).

3. Сравнение существующих ИСОН с ИИС АСОК

Информационная система образовательного назначения	Показатель, относительные единицы, шкала [0, 1]
	Функциональность	Надёжность	Стабильность	Стоимость	Средства разработки контента	Поддержка SCORM	Система проверки знаний	Удобство использования	Модульность	Обеспечение	Адаптивность
Blackboard	1	0,9	0,9	0,1	1	1	1	1	0	1	0
Moodle	1	1	1	1	1	1	1	1	1	1	0
Saba	1	1	1	0,1	0,5	0	1	1	0	1	0
e-Lerning	1	1	1	0,2	1	1	1	1	0	1	0
Пегас	1	1	1	0,7	1	1	1	1	1	1	0
Предложенная автором ИИС АСОК	1	1	1	1	1	1	1	1	1	1	1

В заключении сформулированы основные результаты работы:

· Создана аналитическая модель структуры образовательного контента на основе нечётких цветных сетей Петри, которая позволила описать работу ИИС АСОК и провести анализ структуры информационных ресурсов.

· Построена аналитическая модель определения характеристик пользователя на основе нейронных сетей Кохонена, позволяющая определять текущие характеристики пользователей в виде кортежа лингвистических переменных.

· Создана процедурная модель адаптивного структурирования информационных ресурсов на основе использования аналитической модели определения характеристик пользователя, логико-лингвистической модели коррекции весовых коэффициентов и аналитической структуры образовательного контента, что повысило эффективность использования ИСОН на 29%.

· Синтезировано интеллектуальное ядро ИИС АСОК на основе UML-моделей, описывающих фрагменты проектных решений, что позволило упростить и ускорить процесс создания программного кода, документировать, унифицировать структуру подобных информационных систем.

Таким образом, в работе решена актуальная научная задача повышения эффективности использования информационных ресурсов образовательного назначения путём создания интеллектуальной информационной системы адаптивного структурирования образовательного контента.

СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Живенков, А.Н. Реализация информационной адаптивной системы обучения на базе LMS Moodle / А.Н. Живенков, О.Г. Иванова // Вестник Воронежского государственного университета. Серия «Системный анализ и информационные технологии». - 2010. - № 2. - С. 88 - 92.

2. Живенков, А.Н. Формирование плагинов LMS Moodle для адаптивного построения структуры курса электронного обучения / А.Н. Живенков,

3. О.Г. Иванова // Научные ведомости БелГУ. Серия «История. Политология. Экономика. Информатика». - 2010. - № 19(90). - С. 150 - 156.

4. Живенков, А.Н. Моделирование информационного процесса организации дистанционного обучения на основе нечётких сетей Петри / А.Н. Живенков, О.Г. Иванова // Вестник Воронежского государственного университета. Серия «Системный анализ и информационные технологии». - 2011. - № 1. - С. 119 - 124.

5. Живенков, А.Н. Разработка модели структуры курса обучения в условиях неопределенности / Живенков А.Н. // Вестник Воронежского института высоких технологий. - 2009. - № 5. - C. 123 - 127.

6. Живенков, А.Н. Анализ существующих и пути развития интеллектуальных обучающих курсов / А.Н. Живенков // Информационные системы и процессы: сб. науч. тр. / под ред. проф. В.М. Тютюнника. - Тамбов; М.; СПб.; Баку; Вена: Изд-во «Нобелистика». - 2009. - Вып. 8. - С. 31 - 37.

7. Живенков, А.Н. Алгоритм построения оптимального набора учебно-тренировочных задач при создании обучающего портала / А.Н. Живенков // Межвузовский сб. науч. тр. «Моделирование систем и информационные технологии». - Воронеж, 2010. - Вып. 7. - С. 148 - 152.

8. Живенков, А.Н. Применение объектно-ориентированного подхода при построении моделей на портале дистанционного обучения / А.Н. Живенков // Информационные системы и процессы: сб. науч. тр. / под ред. проф.

9. В.М. Тютюнника. - Тамбов; М.; СПб.; Баку; Вена: Изд-во «Нобелистика». - 2010. - Вып. 10. - С. 45 - 50.

10. Живенков, А.Н. Моделирование работы подсистемы проверки знаний на информационно-обучающем портале / А.Н. Живенков // Информационные системы и процессы: сб. науч. тр. / под ред. проф. В.М. Тютюнника. - Тамбов; М.; СПб.; Баку; Вена: Изд-во «Нобелистика». - 2010. - Вып. 10. - С. 41 - 45.

11. Живенков, А.Н. Формирование плагинов LMS Moodle для адаптивного построения структуры курса электронного обучения / А.Н. Живенков,

12. О.Г. Иванова // Всероссийский конкурс научно-исследовательских работ в области технологий электронного обучения в образовательном процессе (Белгород, 6 октября - 10 октября 2010 г.). - Т. 1. - С. 409 - 415.

13. Живенков, А.Н. Создание процедурной модели формирования оптимального набора учебно-тренировочных задач на основе нечётких сетей Петри / А.Н. Живенков, О.Г. Иванова // Всероссийский конкурс научно-исследо-

14. вательских работ в области технологий электронного обучения в образовательном процессе (Белгород, 6 октября - 10 октября 2010 г.). - Т. 2. - С. 376 - 380.

15. Живенков, А.Н. Моделирование работы информационно-обучающего портала сетями Петри / А.Н. Живенков // IX Всероссийская научно-техни-

16. ческая конференция «Повышение эффективности средств обработки информации на базе математического моделирования». - Тамбов, 2009. - Ч. 2. - С. 122 - 125.

17. Живенков, А.Н. Построение модели обучения на основе использования объектно-ориентированного подхода / А.Н. Живенков // Материалы международной научно-практической конференции «Актуальные проблемы инновационных систем информатизации и безопасности» (Воронеж, 11 марта 2009 г.). - Воронеж: «Научная книга 2009». - С. 461 - 467.

18. Живенков, А.Н. Моделирование работы информационно-обучающего портала сетями Петри // Материалы международной научно-практической конференции «Актуальные проблемы инновационных систем информатизации и безопасности» (Воронеж, 11 марта 2009 г.). - Воронеж: «Научная книга 2009». - С. 452 - 461.

19. Живенков, А.Н. Моделирование информационного процесса принятия решения о построении структур курсов электронного обучения в условиях неопределённости / А.Н. Живенков, О.Г. Иванова // Материалы VI Всероссийской научно-технической конференции «Теория конфликта и её приложения» (Воронеж, 11 ноября 2010 г.). - Воронеж, 2010. - Ч. 2.- С. 150 - 154.

20. Свидетельство о государственной регистрации программы для ЭВМ № 2011610178, Российская Федерация. «Мониторинг работы и конструирование контента информационной системы для дистанционного обучения», PK-MKDO / А.Н. Живенков; заявл. 11.10.10; зарегистрировано в реестре программ для ЭВМ 11.01.11.

Размещено на Allbest.ru

...