Программные продукты и системы

Объем знаний, необходимых для успешного обучения и последующего карьерного роста, увеличивается с каждым годом. Сложность и количество изучаемого материала растут, при этом сроки обучения остаются неизменными или сокращаются. Обычной практикой в вузе стало использование систем дистанционного обучения (СДО) [1]. Последние десятилетия активно используются СДО, построенные на агентно-ориентированном подходе [2–4]. Для обеспечения индивидуального подхода в предоставлении материалов необходим агент определения психологического состояния обучаемого в СДО.

В связи с этим целесообразно исследовать возможности агента, определяющего психологи- ческое состояние обучаемого и предлагающего адаптированный материал для обучения. Гипотеза состоит в следующем: если дать обучаемому материал, который психологически лучше ему подходит, то обучение будет происходить быстрее и с лучшим усвоением, в результате на каждую тему обучения будет тратиться меньше времени. Вопросы оценки состояния рассматривались в других работах [5, 6], но применение такого агента к СДО не исследовано.

Объект работы – многофункциональная дистанционная агентно-ориентированная система обучения. Рассматриваемый агент является частью данной СДО [7]. Система позволяет вести базу образовательного материала, публиковать и принимать контрольные работы, проводить тестирование в рамках лекций, тем и дисциплин. Дополнительными возможностями системы являются учет посещаемости студентов на основе данных от нескольких независимых источников и отслеживание результатов их обучения. В систему интегрированы функции оповещения обучаемых и преподавателей о событиях, происходящих в ней.

Программная реализация СДО

Система представляет собой совокупность агентов различной направленности. Агенты анализируют собственное предметное поле, общаются между собой и дают пользователю то, что ему требуется в данный момент времени [8]. Комплекс состоит из следующих агентов: агент администрирования, агент учетных записей, агент обучаемого, агент преподавателя, агент процесса обучения, агент доступа к учебным материалам, агент кон-трольных работ, агент тестирования, агент посещаемости, агент оповещения, статистический агент, агент психологического анализа, функциональный агент и поисковый агент (рис. 1).

Система была апробирована в одном из государственных вузов, где использовалась при очном и заочном обучении.

СДО написана на языке PHP без использования различных фреймворков для ускорения работы. Благодаря этому система моментально генерирует HTML-страницы на скромном оборудовании: ОС CentOS 6, процессор уровня Celeron 2000 МГц, 512 МБ ОЗУ, 30 МБ HDD для установки СДО.

В качестве основной СУБД используется MySQL, обеспечивающая достаточную производительность для решаемых задач. Тем не менее есть возможность быстро конвертировать ее для работы с СУБД PostgreSQL. Схема с основными таблицами в БД размещена по ссылке http://www.swsys. ru/uploaded/image/2017_1/2017-1-dop/1.jpg.

Основная таблица – Пользователи, так как весь контент сосредоточен вокруг них. Пользователь может быть администратором, преподавателем, студентом, старостой, при этом уровни доступа можно комбинировать. В зависимости от уровня доступа пользователь располагает теми или иными функциями и возможностями. Сама БД является нормализованной, что исключает избыточность данных и потенциально исключает ошибки. Право записи в каждую из таблиц закреплено за определенными агентами. Например, агент преподавателя не может создавать пользователей, однако имеет возможность добавлять записи в таблицу дисциплин и изменять их. Для быстрой работы агентов требуются временные таблицы, которые они генерируют во время своей работы. Это обеспечивает обработку данных агентами независимо друг от друга, а также защиту основной БД от некорректных записей.

В качестве фронтенда используются HTML5, CSS3 и jQuery. Для реализации пользовательского интерфейса были применены фреймворк Bootstrap с некоторыми изменениями, а также интеграция с Google Docs (http://www.swsys.ru/uploaded/image/ 2017_1/2017-1-dop/2.jpg).

Система является кроссплатформенной как для серверной части, так и для клиентской, а поддержка современных технологий позволяет комфортно ею пользоваться и на стационарных компьютерах, и на смартфонах. СДО изначально создавалась с использованием идеологии MVC, поэтому имеет модульную архитектуру и возможность развиваться без изменения существующей кодовой базы.

За три года работы системы размер основной БД составил около 50 МБ: более 1 500 пользователей, более 500 дисциплин, 1 000 лекций, 750 контрольных работ, 1 000 вопросов для тестов. Размер файлового хранилища для лекций, контрольных работ и их решений – более 4 Гб при почти 19 тыс. загруженных файлов. Среднегодовое количество обучаемых – около 800 человек.

Исследование. Исследование проводилось на базе СДО. Рассматривалось влияние на успеваемость рекомендаций от агента определения психологического состояния обучаемого. Изучалось, насколько эффективно агент определяет тип восприятия обучаемого и может предложить для него подходящий материал. В СДО могут применяться следующие обучающие материалы: видеолекции, презентации, разбор примеров, аудиолекции, общение с преподавателем, текст, тест, обучение в виде игры, представления в виде слайдов, графиков и формул [9].

Для определения перцептивной модальности обучаемых использовались несколько методик, адаптированных для СДО. За основу взяты методики Н.Л. Васильевой [10] и С. Ефремцевой [11].

Для трех групп обучаемых, участвовавших в исследовании, были включены различные возможности и ограничения в СДО. Для первой группы были доступны материалы всех типов, и обучаемые могли самостоятельно выбирать материал для изучения. Это контрольная группа, на которую не оказывалось никакого влияния. Для второй группы агент анализировал тип восприятия обучаемого и выдавал рекомендацию по выбору типа материала. Другие типы материалов были также доступны. Для третьей группы агент, как и для второй группы, анализировал тип восприятия студента, но при этом он сам решал, какой материал следует изучать. Доступ к другим типам материала ограничивался. Разбор задач повышенной сложности и усложненные задачи были доступны всем студентам без ограничений.

Работа агента заключалась в сборе предварительной информации о студентах (определение типа восприятия обучаемого, выявление психологического состояния и мотивации в начале дистанционного обучения) и в предложении ему лучшего варианта обучения на основании его психологического состояния (рис. 2).

В систему изначально был заложен функционал сбора статистики всех происходящих в ней событий. К таким событиям можно отнести входы пользователей в систему и выходы из нее, открытие тем, лекций и контрольных работ, прохождение тестов, изучение различных типов материала, время, потраченное на изучение материала. Помимо этого, ведется подробная статистика достигнутых студентами результатов: быстрота сдачи контрольной работы, количество пересдач, количество пройденных тестов, количество успешно пройденных тестов, время, затрачиваемое на тесты (в том числе среднее).

Для проведения психологического тестирова-ния с требуемым количеством повторений требова-лось максимально точно предугадать частоту использования студентами СДО и предложить им требуемое количество прохождений тестов, определяющих модальность.

Так как в распоряжении авторов была статистика входов в систему исследуемых студентов за несколько лет работы в СДО, простым вариантом казался следующий: время регистрации в СДО (в днях) разделить на количество входов в систему за этот период, результат покажет средний интервал между входами в систему.

К сожалению, у данного подхода выявились недостатки. Полученные значения были слишком низкими, так как у студентов заочной формы обучения велики перерывы в обучении, когда они не учатся, а также праздничные дни и каникулы. Требовалось исключить эти периоды из расчетов. Также не каждый вход в систему ведет к учебной деятельности, например, вход произведен, но никакое учебное действие не зафиксировано, поэтому целесообразно определить весовые коэффициенты, оценивающие вход в систему в том или ином случае (табл. 1).

Коэффициенты могут складываться в пределах одного входа, но суммарно не более 1.

Далее с учетом всех показателей была выведена формула для подсчета среднего интервала (в днях) между входами в СДО:

,                                                                  (1)

где t – суммарное количество учебных дней, проведенных в системе СДО с момента первого входа (в днях); n – количество входов; k – суммарный коэффициент.

По итогам сбора первичной статистики агент вычисляет, сколько раз он сможет провести тестирование.

В СДО уже присутствовала полноценная система проверки знаний на основе тестов, обслуживаемая агентом тестирования, поэтому было принято решение сделать психологическое тестирование одним из вариантов обычного тестирования. Интерфейс, элементы управления и структура БД были использованы повторно (http://www.swsys.ru/ uploaded/image/2017_1/2017-1-dop/3.jpg).

Определение типа восприятия обучаемого проводилось методом предварительного прохождения психологического теста в системе. Студенты в течение 4 недель до начала эксперимента при входе в СДО получали тест на определение перцептивной модальности. Тест выдавался не чаще одного раза в день. Отказаться от его прохождения было нельзя, дальнейшая работа в СДО блокировалась (http://www.swsys.ru/uploaded/image/2017_1/2017-1-dop/4.jpg).

Если агент считал, что вход осуществляется до-статочно часто (не менее 1 раза в неделю), то предлагал тест один раз в неделю. Если же обучаемый заходил редко (менее 1 раза за 2 недели), агент использовал каждый возможный случай, чтобы заставить обучаемого пройти тест. Задача агента – провести не менее 2, но не более 5 тестов для каждого студента (рис. 3). В исследовании не ставилась задача подсчета погрешности агента в определении частоты входов.

После сбора статистической информации была включена основная функция агента – рекоменда-ция вида материала на основании типа восприятия обучаемого.

Усредненная оценка по совокупности тестов принималась агентом в качестве входного параметра. Алгоритм расчета усредненного параметра включает несколько формул: простую, учитывающую только суммарные результаты проведенных тестов, и усложненную, когда простая формула не дает точного результата.

Предположим, в начале эксперимента у агента имелись данные, приведенные в таблице 2. В каждом отдельном тесте результат рассчитывается по формуле наибольшего соответствия психологическому типу:

(2)

где V – результат модальности «визуал»; A – результат модальности «аудиал»; K – результат модальности «кинестетик»; D – результат модальности «дискрет»; x, y, z – сумма реакций, определяющих перцептивную модальность.

Рассмотрим случай первого студента – здесь во всех испытаниях преобладает оценка одной модальности, поэтому можно получить итоговую оценку по простой формуле

.                                            (3)

В случае со вторым студентом получены противоречивые данные, все контрольные измерения показали разные результаты, включая неопределенное состояние. Чтобы из этих данных получить результирующий показатель, обратимся к следующей формуле:

 (4)

В результате агент при должном количестве измерений может давать более точный результат измерения перцептивной модальности (http://www. swsys.ru/uploaded/image/2017_1/2017-1-dop/8.jpg).

По итогам проведенного исследования сделан вывод о целесообразности внедрения агента психологического анализа в СДО (табл. 3).

Студенты, изучавшие подходящий им материал, лучше его усвоили и прошли контрольный тест. Дополнительным фактором, указывающим на лучшее понимание основного материала, является самостоятельный переход студентов к изучению более сложных задач. Кроме того, эксперимент показал, что агент лучше помогает студентам, работая в рекомендательном режиме. Студенты, не имеющие возможности выбора, подготовились с более низким результатом, чем те, для кого система работала в рекомендательном режиме. С другой стороны, без использования рекомендаций студенты справились хуже, и в основном для изучения темы предпочтение отдавалось видеоматериалам (30 студентов из 33). Таким образом, не стоит применять запрет на выбор типа информации, так как это искусственно ограничивает обучаемых в их стремлении к знаниям.

Таблица 3

Результаты тестирования

Table 3

Test results

Исследование показало, что использование агента, определяющего тип восприятия студента, повышает эффективность СДО. Продолжение исследования направлено на повышение интеллектуальных свойств агента и поиск возможностей применения подобного подхода в системах корпоративного обучения.

Литература

1.     Швецов А.Н., Сибирцев Е.В., Андрианов И.А. Компьютерные обучающие системы: мультиагентный подход // XII Всеросс. совещание по проблемам управления (ВСПУ-2014): сб. докл. Изд-во ИПУ РАН, 2014. С. 4048–4059.

2.     Пашкин М.П. Многоагентная интеллектуальная система дистанционного обучения // Труды СПИИ РАН. 2006. Т. 1. Вып. 3. С. 126–137.

3.     Тарасов В.Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. М.: Эдиториал УРСС, 2002. 352 с.

4.     Андреев В.В., Виттих В.А., Батищев С.В. Методы и средства создания открытых мультиагентных систем для поддержки процессов принятия решений // Изв. РАН: Теория и системы управления. 2003. С. 126–137.

5.     Бакаева А.С., Компаниец В.С. Сравнительный анализ психометрических тестов для автоматизированной диагностики перцептивной модальности обучающихся // Новое слово в науке: перспективы развития: матер. II Междунар. науч.-практич. конф. (30 дек. 2014 г., Чебоксары). Чебоксары: Интерактив плюс, 2014. С. 32–34.

6.     Овчаренко О.М. Влияние перцептивной модальности на качество знаний и успеваемости. СПб: 2013. URL: http:// nsportal.ru/shkola/biologiya/library/2013/12/01/vliyanie-pertseptiv noy-modalnosti-na-kachestvo-znaniy-i (дата обращения: 10.07.2016).

7.     Хрянин Е.Л. Эффективная организация образовательного процесса в вузе с использованием системы дистанционного обучения // Вузовская наука – региону: сб. матер. XII Всерос. науч.-технич. конф. Вологда: Изд-во Вологодского гос. ун-та, 2014. С. 69.

8.     Стефанюк В.Л. Поведение многоагентных систем: парадигма координации // Новости искусственного интеллекта. 1997. № 4. С. 92–104.

9.     Кузьмина Е.С., Свенцицкий А.Л. Промышленная социальная психология. Л.: Изд-во ЛГУ, 1982. С. 285.

10.   Эйдемиллер Э., Юстицкис В. Психология и психотерапия семьи. СПб: Питер, 2008. С. 577–579.

11.   Фетискин Н.П., Козлов В.В., Мануйлов Г.М. Социально-психологическая диагностика развития личности и малых групп. М.: Изд-во Ин-та психотерапии, 2002. 490 с.