ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Публикационная активность

(сведения по итогам 2017 г.)
2-летний импакт-фактор РИНЦ: 0,500
2-летний импакт-фактор РИНЦ без самоцитирования: 0,405
Двухлетний импакт-фактор РИНЦ с учетом цитирования из всех
источников: 0,817
5-летний импакт-фактор РИНЦ: 0,319
5-летний импакт-фактор РИНЦ без самоцитирования: 0,264
Суммарное число цитирований журнала в РИНЦ: 6012
Пятилетний индекс Херфиндаля по цитирующим журналам: 404
Индекс Херфиндаля по организациям авторов: 338
Десятилетний индекс Хирша: 17
Место в общем рейтинге SCIENCE INDEX за 2017 год: 527
Место в рейтинге SCIENCE INDEX за 2017 год по тематике "Автоматика. Вычислительная техника": 16

Больше данных по публикационной активности нашего журнале за 2008-2017 гг. на сайте РИНЦ

Вход


Забыли пароль? / Регистрация

Добавить в закладки

Следующий номер на сайте

1
Ожидается:
16 Декабря 2018

Использование сценарных примеров знаний при построении индивидуальной учебной траектории

The use of script examples of educational knowledge at individual learning trajectory construction
Статья опубликована в выпуске журнала № 2 за 2011 год.[ 11.06.2011 ]
Аннотация:В работе исследовано применение сценарных примеров учебных знаний для построения индивидуальной траек-тории в адаптивной системе дистанционного обучения. Описан матричный метод обработки библиотеки сценарных примеров, использование которого позволяет усилить адаптивный эффект и улучшить скорость усвоения обучаемыми учебного материала.
Abstract:The article describes the use of script examples of educational knowledge for construction of individual trajectory in adaptive system of distance learning. Matrix method for calculation of the library of script examples is described the use of which let us intensify the adaptive effect and improve the speed of mastering of the lesson by a student.
Авторы: Федорук П.И. (pavlo@pu.if.ua) - Прикарпатский национальный университет им. Василия Стефаника, г. Ивано-Франковск, Украина, , , доктор технических наук, Пикуляк М.В. (pavlo@pu.if.ua) - Прикарпатский национальный университет им. Василия Стефаника, г. Ивано-Франковск, Украина, ,
Ключевые слова: матричный метод, сценарные примеры, адаптивное обучение
Keywords: matrix method, script examples, adaptive learning
Количество просмотров: 7531
Версия для печати
Выпуск в формате PDF (5.35Мб)
Скачать обложку в формате PDF (1.27Мб)

Размер шрифта:       Шрифт:

Учебные образовательные программы, разработанные на основе современных информационных технологий, играют все более значимую роль в образовательном процессе. Их актуальность особенно усиливается с развитием идей Болонского процесса, появлением открытого дистанционного образования и возрастающим их внедрением как в высшей школе в соответствии с учебными программами, так и для самообразования.

Подобные учебные продукты могут отличаться друг от друга различными параметрами: целью, представлением знаний, аудиторией, на которую они рассчитаны. Основная задача разработчиков – использовать наиболее эффективные методы для максимальной адаптации программы к поведению пользователей.

Специалисты в области интеллектуальных систем начали заниматься данным вопросом еще с середины прошлого столетия. Сегодня пользователям предлагаются экспериментальные адаптивные обучающие системы [1], разработанные на основе различных методов и научных методик, каждая из которых позволяет по-своему адаптироваться к обучаемому. Поэтому разработка новых механизмов для адаптивного представления знаний актуальна и важна.

Цель данной работы – разработка и практическая реализация сценарных примеров для построения адаптивного урока с помощью матричного метода [2]. Использование этого метода дает возможность за счет оптимизации вычислений числовых параметров, характеризующих уровень усвоения учебного материала, усилить адаптивный эффект и повысить скорость прохождения обучаемым учебного курса. Разрабатывается динамическое индивидуальное представление учебного материала с учетом конкретных целей обучения и начального уровня знаний студента.

Квантовое представление знаний

Квантование как метод представления теоретического материала является одним из важнейших направлений в практическом интернет-обра­зовании. Данная задача должна выполняться с соблюдением всех международных стандартов, разработанных комитетом IEEE LTSC (P1484 – Learning Technology Standard Committee), касающихся архитектуры технологий образовательных систем (Learning Technology Systems Architecture – LTSA) [3].

От качества и точности разбиения учебного материала на элементарные фрагменты – кванты (отдельный параграф, правило, теорема, формула, таблица и т.д.), а также от их правильной индексации зависит, насколько оперативно адаптивный модуль сможет их найти и при необходимости использовать повторно.

В некоторой завершающей точке курса осуществляется проверка усвоенных знаний, по ее результатам строится последовательность подачи следующих учебных квантов. Если обучаемый не в состоянии достичь положительного результата, необходимо разработать новый, более детальный план его действий. Учебный материал по данной тематике разбивается на более элементарные кванты, в максимальной степени адаптированные к текущему уровню знаний обучаемого. Такой учебный план должен по возможности упростить концепцию изложения материала программными средствами. Данную задачу в разработанной авторами адаптивной системе дистанционного образования и контроля знаний EduPro функционально реализует адаптивный модуль (рис. 1).

Функциональность модуля адаптации

Адаптивный модуль строит концепцию поведения студента, то есть составляет динамический план подачи учебного контента, тип его представления и последовательность подачи отдельных квантов в ответ на текущие потребности и запросы обучаемого.

Главный вопрос, на который он должен ответить, – какие учебные кванты подать на обработку в текущий отсчет урока. Причем такой динамичный план необходим студенту для восстановления взаимосвязи между изученными и неусвоенными квантами. Иными словами, основная его задача состоит в имитации поведения преподавателя при изучении курса.

Для реализации адаптивного поведения студента в учебной программе необходим синтез ожидаемых учебных ситуаций на всех шагах изучения курса. Сравнивая реальное и модельное состояния, можно отследить моменты их различий и уточнить модель учебной среды в соответствии с текущей моделью студента.

Выступая ключевым структурным компонентом системы, модель студента влияет на все этапы обучения. Она состоит из двух частей: статической, где представляется информация, редко изменяющаяся при проведении адаптивного курса (фамилия студента, номер группы, тема урока, цель обучения), и динамической, где информация изменяется в процессе прохождения курса в зависимости от степени усвоения материала (уровень знаний, затраченное время, скорость усвоения и тому подобное) [1].

Фактически в модели студента хранится информация о каждом его шаге, так как всякий раз, когда программа выдает обучаемому на изучение определенный квант, происходит обновление динамической части модели. При этом учитывается поведение студента в текущий момент. В общем, знания студента представлены в виде вектора, компоненты которого описывают уровень усвоенных знаний.

Базовый шаг модуля адаптации включает следующие функции:

1) мониторинг текущего уровня усвоения знаний и вычисления учебных параметров;

2) сравнение реального уровня усвоения знаний с ожидаемым согласно студенческой модели;

3) обработка процессов и принятие решения о необходимых действиях программы в случае несовпадения студенческой модели с входным паттерном знаний и активации соответствующих учебных режимов.

Программная реализация решения описанной задачи позволяет по значениям учебных параметров, которые отображают информацию о текущем уровне изучения урока, автономно реализовывать переключения между различными учебными ситуациями, используя при этом соответствующие методы обработки информации.

Согласно общей структуре учебной системы, при адаптивном обучении происходит взаимодействие нескольких модулей, начиная с учебного, в котором студенту выдается на обработку некоторая порция теоретического материала, и заканчивая адаптивным, который, используя результаты тестирования, сформированные студенческим модулем, выстраивает дальнейшую траекторию движения студента. Это достигается использованием заранее разработанных учебных ситуаций, составляющих библиотеку сценарных примеров учебных знаний (СПУЗ).

Библиотека СПУЗ

Данная библиотека представляет собой базу знаний, сформированную из определенных педагогических решений, представленных математическими структурами, отражающими отношения между отдельными квантами. Каждый такой элемент индексируется с целью быстрого поиска нужного кванта.

Исходя из условий задачи, представим библиотеку в виде прямоугольной матрицы, каждый элемент которой – это СПУЗ, сформированный по формуле: «ЕСЛИ условие, ТО действие» (AÞB). Данные примеры – хорошо продуманные причинно-следственные связи между отдельными шагами адаптивного курса и результатами обработки квантов, начиная от вводного шага, промежуточных шагов, с возможным возвращением на предыдущий, до заключительного шага, по результатам которого формируется итоговая оценка уровня знаний студента [4].

Образец создания сценарного примера приведен в таблице 1.

Таблица 1

Сценарный пример

ЕСЛИ

ТО

P1

P2

Pi

Rj, j=1, 2, 3

С

Н

 

Н

R1®0,1

С

В

 

С

R2®0,4

В

С

 

В

R3®0,9

Примечание: P1, P2, Pi – параметры оценки усвоения знаний студентом; R1, R2, R3 – соответственно режимы переобучения, дообучения и обучения; В, С, Н – высокий, средний, низкий значения параметров Pi соответственно.

Каждая строка таблицы 1 представляет пример взаимосвязи между возможными значениями параметров Pi и соответствующими им значениями импликации Rj.

Приведенный сценарный пример целесообразно представить в форме терминального кванта 2-го уровня, что дает возможность дальнейшей удобной обработки с помощью уравнений алгебры предикатов [5]:

. (1)

Продукционные строки (1) формируют набор правил между объектами отдельного шага: БД объектов и БД правил. Получив ответы на тестовые вопросы в виде числовых значений учебных параметров (БД объектов), адаптивный алгоритм формирует дальнейшую траекторию обучения путем сочетания СПУЗ через объекты.

Таким образом, общая структура адаптивного курса включает следующие этапы:

1) формирование СПУЗ в форме матрицы;

2) обработка матрицы и конструирование алгоритма обучения;

3) выполнение всех вычислений и формирование индивидуальной адаптивной траектории с целью изучения или повторения определенного кванта.

Применение матричного метода для построения алгоритма обучения

На базе данного метода построим матрицу, по результатам анализа которой сможем определить дальнейшее направление адаптивной траектории движения студента при изучении курса.

Пусть известны m правил (заранее разработанных и представленных в библиотеке) и n переменных (учебных параметров, описывающих модель студента). Построив матрицу V(n´m), можно представить все взаимосвязи между правилами m и переменными n [2].

Для упрощения введем следующие обозначения: в каждой строке при описании отдельного сценарного примера все его входные переменные на соответствующих позициях матрицы обозначим символом xij; все выходные – yij; все переменные, полученные по результатам тестирования (студенческие параметры), – zk; все искомые переменные, то есть те, которые необходимо вывести для указания дальнейшего направления учебной траектории, через wl.

В соответствии с теорией матричного метода в матрицу V добавляют одну строку и один столбец для хранения служебной информации (с целью уменьшения количества операций процедуры поиска адаптивного решения).

Получим матрицу V размером (n+1)´(m+1), отражающую всю структуру, необходимую для применения матричного метода (табл. 2).

Таблица 2

Пример обработки матрицы V размерности (n+1)´(m+1)

V

P1

P2

Pn

R1

R2

R3

n+1

1

x11

x12

 

x1n

y11

     

2

x21

x22

 

x2n

 

y22

   

   

         

m

xm1

xm2

 

xmn

   

ym3

 

m+1

               

В каждой ячейке матрицы будет находиться числовое значение параметра Pi. Тогда алгоритм поиска соответствующего направления учебной траектории для данного обучаемого будет состоять из следующих шагов:

1) в строку (m+1) заносим числовые значения zk, полученные программой по результатам прохождения студентом k-го теста, и вычисляемое значение wl (оно указывает на номер сценарного примера, который необходимо подключить для продолжения обучения):

m+1

z1

z2

 

zn

wl

     

2) осуществляем последовательно, например сверху вниз, поиск таких правил, которые могут быть активированы, то есть с совпадающими входными значениями xij и полученными zk. Будем считать, что такие правила в таблице существуют (в противном случае необходимо доработать таблицу сценарных примеров (табл. 1)). Отыскав эти правила, в соответствующем месте служебной строки необходимо поставить отметку, что правило может быть запущено (поставим в этих ячейках цифру 1, например, в ячейке (n+1)):

V

P1

P2

Pn

R1

R2

R3

n+1

1

x11

x12

 

x1n

y11

   

1

3) запускаем правило, найденное в предыдущем пункте, и активируем один из режимов Rj, направив учебную траекторию на обработку неосвоенных квантов, или переходим к изучению следующего урока;

4) для удобства дальнейшей работы отмечаем запущенное правило (в служебной строке в таблице 2 в колонке (n+1) вместо цифры 1 ставим, например, цифру 2);

5) после прохождения следующего уровня адаптивного курса по результатам тестирования вновь формируем строку (m+1) таблицы 2 и возвращаемся к выполнению пунктов 2–4 данного алгоритма.

Используя данный алгоритм, можно организовать матричным методом адаптивное изучение курса путем построения индивидуальной учебной траектории.

Отметим, что общее количество ячеек в матрице V определяется произведением (n+1)´(m+1). Однако в процессе адаптивного поиска размерность матрицы уменьшается, а значит, скорость ее обработки возрастает, ведь на каждом последующем шаге алгоритма строки матрицы, отвечающие за найденное правило учебной траектории, не обрабатываются, причем максимальное количество таких действий не может превышать n.

Когда нет возможности выполнить описанные сокращения вычислений, матричный метод поз- воляет решить задачу построения учебной траектории с вычислительной сложностью, которая пропорциональна произведению количества переменных на количество правил, то есть составляет количество клеток этой матрицы.

Апробация матричного метода в программе EduPro

Проверку эффективности применения описанного метода рассмотрим на примере изучения курса «Направления использования систем искусственного интеллекта» в программе EduPro.

Весь лекционный материал в программе разбит на кванты, построенные в виде иерархической структуры.

Уровень усвоения учебного материала определяется по результатам ответов на тестовые вопросы. Каждый вопрос теста имеет свой вес и соответствующую привязку к учебному кванту лекционного материала, что позволяет быстро отыскать его для повторного использования.

Кроме того, каждый квант как отдельный элемент лекционного материала привязан к соответствующим сценарным примерам (рис. 2).

Если обучаемый дал правильный ответ на некоторый вопрос теста, вес этого вопроса учитывается студенческим модулем при исчислении учебных параметров Pi. В случае неправильного ответа номер кванта, привязанный к такому вопросу, заносится в массив с целью дальнейшего его использования для построения учебной траектории по одному из сценарных примеров. Номер СПУЗ, который необходимо подключить на определенном этапе обучения, зависит от величины d, ее числовое значение вычисляется из продукционной строки

         (2)

где Pi – i-я характеристика; j(Pi) – числовое значение показателя достоверности i-й характеристики [4].

Таким образом, отдельный шаг учебной программы EduPro с применением матричного метода состоит из следующих этапов:

1) после прохождения k-го теста студенческий модуль вычисляет значения параметров Pi;

2) в соответствии с полученными неправильными тестовыми ответами модуль адаптации формирует набор неосвоенных квантов;

3) поскольку каждый квант привязан к сценарному примеру, модуль адаптации осуществляет анализ полученных значений Pi (используя функции булевой алгебры) и запускает на исполнение сценарный пример, найденный алгоритмом, описанным в предыдущем разделе.

К примеру, во время апробации данного метода обработки матрицы в программе EduPro после изучения теоретического материала лекции № 2 были получены тестовые результаты, представленные в таблице 3.

Таблица 3

Протокол выполнения теста

Результаты тестирования

Порядковый номер теста

ID вопроса

Вес вопроса

ID ответа

Вес ответа

Затрачен- ное время

1

43

50

144

100

15

2

53

60

182

100

9

3

71

70

243

100

10

4

83

80

277

100

6

5

85

90

284

100

4

6

98

100

322

100

7

7

104

100

341

100

13

8

95

100

313

100

15

9

97

100

319

100

6

10

103

100

339

100

10

В соответствии с результатами студенческим модулем были сформированы следующие значения параметров Pi, приведенные в университетской шкале:

P1 (уровень знаний студента) – С;

P2 (время прохождения теста) – Н;

P3 (степень усвоения) – С;

P4 (скорость прохождения) – Н;

P5 (качество усвоения занятия) – С.

Тогда матрица V приобретает вид, соответствующий таблице 4.

Таблица 4

Матрица V с занесенными данными

V

P1

P2

P3

P4

P5

δ

n+1

1

Н

Н

Н

Н

Н

0,01

 

2

Н

Н

Н

Н

С

0,015

 

   

       

t

С

Н

С

Н

С

0,35

1

   

       

m

В

В

В

В

В

1,0

 

m+1

С

Н

С

Н

С

   

По результатам проведенного анализа матрицы V адаптивным модулем может быть найден сценарный пример под номером t, который направит учебную траекторию на повторное изучение.

На основании изложенного можно сделать следующие выводы. Авторами получен новый механизм формирования индивидуальной учебной траектории с использованием сценарных примеров знаний, представленных в виде квантов. Содержательный подбор и подача на обработку порции учебных квантов достигаются за счет математических вычислений в модуле адаптации, а использование сценарных примеров дает возможность направить учебную траекторию согласно успехам, достигнутым обучаемым в процессе приобретения знаний. В случае неудовлетворительного усвоения знаний программой предусмотрено использование сценарных примеров, которые привязаны к более простым элементарным квантам. Это позволяет представить основной теоретический материал с применением наглядных примеров, подсказок, страниц помощи, что создает предпосылки для обоснованного повторного изучения необходимой части курса.

Применение описанного метода в адаптивной системе дистанционного образования и контроля знаний дает возможность достичь динамичного формирования индивидуальных курсов в соответствии с поставленной учебной целью и уровнем предварительной подготовки обучаемого.

Литература

1.   Brusilovsky P. Methods and techniques of adaptive hypermedia // User Modeling and User-Adapted Interaction. 1996. Vol. 6. № 3, pp. 87–129.

2.   Варламов О.О. Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных систем. Мивар- ное информационное пространство. М.: Радио и связь, 2002. 282 с.

3.   Стандарты и рекомендации по обеспечению качества в европейском пространстве высшего образования. М.: Ленвит, 2006. 35 с.

4.  Федорук П.И., Пикуляк М.В., Дутчак М.С. Интеллектуальный механизм построения индивидуальной учебной траектории // Искусственный интеллект. 2010. № 3. С. 668–678.

5.  Сироджа И.Б. Квантовые модели и методы искусственного интеллекта для принятия решений и управления. К.: Научная мысль, 2002. 427 с.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=2774
Версия для печати
Выпуск в формате PDF (5.35Мб)
Скачать обложку в формате PDF (1.27Мб)
Статья опубликована в выпуске журнала № 2 за 2011 год.

Назад, к списку статей

Хотите оценить статью или опубликовать комментарий к ней - зарегистрируйтесь