Электронная библиотека диссертаций и авторефератов России
dslib.net
Библиотека диссертаций
Навигация
Каталог диссертаций России
Англоязычные диссертации
Диссертации бесплатно
Предстоящие защиты
Рецензии на автореферат
Отчисления авторам
Мой кабинет
Заказы: забрать, оплатить
Мой личный счет
Мой профиль
Мой авторский профиль
Подписки на рассылки



расширенный поиск

Алгоритмы автоматизированного формирования баз знаний для систем дистанционного обучения Медведев, Роман Евгеньевич

Диссертация - 480 руб., доставка 10 минут, круглосуточно, без выходных и праздников

Автореферат - бесплатно, доставка 10 минут, круглосуточно, без выходных и праздников

Медведев, Роман Евгеньевич. Алгоритмы автоматизированного формирования баз знаний для систем дистанционного обучения : диссертация ... кандидата технических наук : 05.13.11 / Медведев Роман Евгеньевич; [Место защиты: Рязан. гос. радиотехн. акад.].- Рязань, 2013.- 140 с.: ил. РГБ ОД, 61 13-5/2629

Содержание к диссертации

Введение

Глава 1. Проблематика дистанционного обучения 12

1.1. Адаптивные системы дистанционного обучения 20

1.2. Архитектура современных адаптивных интеллектуальных обучающих систем 23

1.3. Модели представления знаний в автоматизированных обучающих системах 31

1.4. Использование онтологического подхода при проектировании автоматизированных обучающих систем 38

1.5. Недостатки существующих адаптивных интеллектуальных обучающих систем 40

Глава 2. Онтологическое накопление учебных знаний на основе сервиса информационных сетей 48

2.1. Web-сервисы как информационные ресурсы глобальных сетей или информационных хранилищ 48

2.2. Онтологические модели знаний для систем дистанционного обучения 49

2.3. Описание Web-сервисов с применением языковых конструкций WSDL и OWL-S 57

2.4. Понятие изоморфизма в онтологических моделях знаний 62

2.5. Использование тезауруса для автоматического формирования раздела АВох онтологических моделей знаний 67

2.6. Алгоритм унификации для выбора тестового и учебного материала на основе онтологической модели знаний предметной области 69

Глава 3. Автоматизированное проектирование индивидуальных трасс обучения 74

3.1. Постановка задачи синтеза обучающих ресурсов, ориентированных на психологическую модель обучаемого 74

3.2. Теоретико-множественное описание принципов подбора материала 75

3.3. Семантическая метрика при подборе материала для индивидуальных трасс обучения 85

3.4. Идентификация психологического типа личности 87

3.5. Взаимосвязь индивидуальных трасс обучения с онтологической системой представления знаний о предметной области 90

Глава 4. Реализация программного комплекса автоматизированного формирования базы учебных материалов 98

4.1. Требования к программному комплексу SSSIDL 98

4.2. Архитектура системы 100

4.3. Настройка программного комплекса SSSIDL 102

4.4. Взаимодействие с базой данных 103

4.5. Визуализация контента ПК SSSIDL 106

4.6. Модуль контента 106

4.7. Тезаурус 107

4.8. Модель обучаемого 107

4.9. Модель учебного курса 108

4.10. Работа модуля «Тип личности» 117

4.11. Индивидуальная трасса обучения 117

4.12. Оценка эффективности программного комплекса 121

5. Заключение 127

6. Библиографический список 128

7. Приложение 1 137

Введение к работе

Актуальность темы. В настоящее время во всем мире наблюдается непрерывный рост интеллектуализации технологий во всех отраслях человеческой деятельности, порождающий спрос на высококвалифицированные кадры, которые в кратчайшие сроки могут повысить свою квалификацию или переквалифицироваться (пройти специализированные курсы или переподготовку). В связи с этим, всё большую ценность стал приобретать специалист, способный при необходимости получить дополнительные знания без отрыва от производства, с минимальными временными и материальными затратами, тем самым повысить свои профессиональные навыки. Растет число людей, которые в силу таких причин, как инвалидность, нехватка времени, удаленность учебного заведения, высокая стоимость образования и т.д., не могут реализовать свои потребности в образовании. Перечисленные факторы заставляют прибегнуть к поиску новых путей получения образования и обратить внимание на дистанционное обучение (ДО), основанное на широком применении компьютерных и сетевых технологий.

При организации ДО важную роль занимает проблема выбора обучающей среды, так как в случае ошибочного выбора снижается эффективность обучения. Это происходит за счет неправильного понимания и не усвоения учебного материала, отсутствия интереса к обучению, неправильной оценки знаний и не достижению заявленных целей обучения. За время развития ДО были созданы и стали доступны тысячи учебных приложений и программ учебного назначения, наиболее распространенными из которых являются системы дистанционного обучения (С ДО). Под С ДО понимается сложная многокомпонентная система, представляющая собой совокупность организационных, телекоммуникационных, педагогических и научных ресурсов, а также технических средств, вовлеченных в создание и практическое осуществление программ с использованием дистанционных технологий обучения.

Проведенный анализ современных СДО, результатов научных исследований и публикаций показал, что на настоящий момент в СДО недостаточно автоматизирован процесс накопления знаний, учебных материалов и тестовых заданий, хранящихся на сторонних ресурсах. В системах отсутствует модель, позволяющая адекватно описывать знания о той или иной предметной области и использовать их при дальнейшем ДО. В системах недостаточно автоматизирован процесс формирования учебно-методического материала и контрольных тестовых заданий, в ходе которого учитывались бы знания об индивидуальных характеристиках обучаемых, накопленные за время работы обучаемого с системой. Структура учебного курса задается самим преподавателем, что снижает адаптивность ДО и вызывает неоднородность трактовки содержания учебного материала и поставленных целей обучения, если над курсом работают несколько преподавателей. В результате этого возникает необходимость в использовании новых методов и программных средств, позволяющих обеспечить

индивидуальный подход и квалифицированную помощь при автоматизированном подборе учебного материала.

Цель диссертационной работы состоит в разработке алгоритмов формирования баз знаний для СДО с целью осуществления автоматизированного накопления, подбора и организации последовательности единиц учебного материала, учитывающей индивидуальные характеристики обучаемого.

Для достижения поставленной цели в диссертационной работе решаются следующие задачи:

анализ принципов и технологий создания СДО;

разработка модели знаний, позволяющей адекватно описывать знания о предметных областях, предназначенные для последующего дистанционного обучения;

исследование способов отображения структурных элементов учебно-методического материала в соответствующие структурные элементы тестовых задач;

разработка алгоритма идентификации психологического типа личности обучаемого, на основе его опыта работы с СДО;

создание процедуры формирования последовательности учебных материалов и тестовых заданий с использованием разработанной модели знаний, учитывающей психологический тип личности обучаемого;

разработка программного инструментария для апробации предложенных моделей и алгоритмов.

Методы исследования. Для решения поставленных задач использовались методы общей алгебры, теории алгоритмов, теории множеств, объектно-ориентированного проектирования, теории унификации, теории графов и дескриптивная логика.

На защиту выносятся следующие научные результаты.

  1. Оригинальная онтологическая модель знаний, позволяющая адекватно описывать знания о предметных областях, предназначенные для последующего дистанционного обучения.

  2. Алгоритм унификации DL-выражений на основе онтологической модели знаний предметной области СДО для выбора тестового и учебного материала.

  3. Общие принципы подбора учебного материала, достаточного для эффективного усвоения понятий предметной области обучающимся.

  4. Алгоритм идентификации психологического типа личности, позволяющий классифицировать типы личностей обучающихся.

  5. Процедура формирования учебных материалов и тестовых задач, использующая онтологию как модель знаний о предметной области, и индивидуальную траекторию обучения, учитывающую особенности личности обучаемого.

Научная новизна.

1. Разработана оригинальная онтологическая модель знаний, адекватно описывающая знания о предметных областях СДО.

  1. Введено понятие изоморфизма подразделов онтологических описаний, а также приведено конструктивное доказательство изоморфизма задачной и содержательной частей предложенной прикладной онтологии.

  2. Показано, что изоморфизм содержательной и задачной составляющих онтологии является необходимым требованием для использования такой онтологии в обучении.

  3. Впервые создана семантическая метрика для контроля процесса обучения на основе формального анализа контрольных точек индивидуальных трасс обучения.

  4. Показана взаимосвязь индивидуальных трасс обучения с онтологической системой представления знаний о предметной области, дающая возможность разделить процессы формирования кластеров учебного материала и индивидуальные траектории обучения.

Практическая ценность. На основе методов, алгоритмов и подходов, предложенных в диссертационной работе, разработан программный комплекс поддержки индивидуализации дистанционного обучения SSSIDL v. 1.1, выполненный на входных языках программирования РНР и MySql. Разработанный программный комплекс позволяет структурировать учебный материал и на его основе строить индивидуальные трассы обучения. Комплекс может использоваться в СДО с целью повышения эффективности ДО, за счет: возможности экспорта готовых единиц учебного материала из описаний на языках разметки XML и OWL источников, автоматизации поиска учебного материала, учета психологических характеристик и уровня знаний обучаемого при формировании индивидуальной трассы обучения.

Реализация результатов работы. Результаты диссертационной работы используются:

- в учебном процессе Рязанского государственного радиотехнического
университета при обучении студентов по специальностям 080801 - «Приклад
ная информатика (в экономике)» и 230106 - «Применение и эксплуатация ав
томатизированных систем специального назначения»; материалы диссертации,
модели, методы и алгоритмы формирования баз знаний, полученные в ходе
диссертационного исследования применяются при подготовке студентов по
следующим учебным курсам: «Информатика и программирование», «Объект
но-ориентированное программирование», «Предметно-ориентированные ин
формационные системы»,

в учебнике для ВУЗов «Предметно-ориентированные экономические информационные системы», рекомендованным УМО по образованию в области прикладной информатики в качестве учебника для студентов ВУЗов по направлению и специальности «Прикладная информатика»,

в программном обеспечении в рамках образовательного портала администрации г. Рязани,

в рамках научно-исследовательской работы с администрацией г. Рязани по теме «Создание математического обеспечения и программного инструмен-

тария информационной поддержки административных регламентов и единой базы данных системы общего образования» (муниципальный контракт № 1419).

Апробация работы. Основные положения диссертационной работы отраженны в докладах 17-ой всероссийской научно-технической конференции молодых ученых и специалистов «Новые информационные технологии в научных исследованиях» г. Рязань 2012 г., в научно-практической конференции «Наука и образование в 21 веке» г. Тамбов 2012 г., в 9-ой международной научно-практической конференции «Новости передовой науки» г. София 2013 г.

Публикации. Основные результаты диссертации опубликованы в 18 работах. В том числе: 3 статьи в изданиях, рекомендуемых ВАК, 9 статей в межвузовских сборниках научных трудов, 6 тезисов докладов на международных и всероссийских конференциях.

Структура и объем диссертации. Диссертация состоит из введения (7 с), 4-х глав (128 с. - 24 рисунка и 15 таблиц). Библиографический список включает 87 наименований (9 с).

Архитектура современных адаптивных интеллектуальных обучающих систем

При традиционном обучении преподаватель использует знания следующих типов: о предмете обучения, о стратегиях и методах обучения, об ученике, о методиках общения с обучаемым. Вследствие сказанного помимо компонентов, унаследованных от общей структуры интеллектуальных систем, АИОС содержат компоненты, характерные для области обучения, индивидуализирующие учебный процесс.

Основными отличительными чертами современных АИОС от традиционных автоматизированных обучающих систем являются наличие блоков, содержащих знания: о предметной области, об обучаемом, о стратегиях обучения, о правилах применения знаний, о стратегиях обучения при работе с отдельным обучаемым [81]. Указанные типы знаний представлены в виде математического обеспечения, состоящего из математических моделей объектов и субъектов обучения, технологий искусственного интеллекта, методов и алгоритмов выполнения используемых процедур. В результате обработки этих знаний АОС выполняет основные функции преподавателя: предоставляет учебный материал, контролирует степень усвоения этого материала, помогает в решении задач, определяет причины ошибок и на их основе формирует соответствующие учебные воздействия.

С точки зрения реализации гибкости учебного процесса для построения ИТО, в составе АИОС выделяют три базовых информационных модели: пользователя, предметной области, процесса обучения (рис. 1.4).

Модель пользователя (МП) - совокупность характеристик, измеряемых во время работы АИОС с обучаемым, а также определяющих степень усвоения им знаний по изучаемому предмету и способы представления учебной информации [24]. Для реализации принципов индивидуализации процесса обучения МП должна хранить разнообразную и наиболее полную информа цию об обучаемом. Содержание модели зависит от целей обучения, реализации задач, для которых была создана система, а также возможностей АИСО [81]. Исходя из ряда работ, посвященных проблематике моделирования МП, целесообразно выделить наиболее часто используемую в ней информацию [7,12,67,70]:

- информация, необходимая для идентификации обучаемого (имя, пароль, контактные данные и т.д.);

- предыстория обучения (интересы и знания, полученные в прошлом);

- информация о ходе учебного процесса (общий уровень подготовленности, результаты текущей работы, время эффективного обучения, оптимальный объем учебного материала, частота обращения за помощью);

- информация о психологических характеристиках обучаемого (его предпочтения, уровень концентрации, предпочтительная форма представления учебного материала);

- информация об используемых возможностях системы.

МП создается при первом входе обучаемого в систему и сохраняется на протяжении всего времени работы с системой, изменяясь во время каждого сеанса. Часть информации носит постоянный характер и вводится в систему с помощью анкет и диалоговых окон, другая часть формируется динамически из истории работы с АИОС и корректируется системой в процессе обучения. С помощью МП формируется профиль обучаемого - агрегация полученных от ученика данных, позволяющих вычислить покрытие совокупности тем предметной области, усвоенных учеником [26]. МП используется всеми компонентами АОС, на основе информации, содержащейся в МП. Происходит индивидуализация обучения, адаптация к текущему уровню знаний обучаемого, генерация наилучшего управляющего воздействия согласно целям обучения. Помимо рассмотренной МО в АИОС могут храниться еще два ее подвида: - нормативная МП содержит формализованные требования к личностным и профессиональным знаниям обучаемого; основные параметры данной модели определяет стандарт образования [5];

- прогнозируемая модель строится на основании МП и траектории обучении; она содержит прогнозируемую информацию об обучаемом на момент завершения каждого из этапов обучения.

Согласно исследованию, проведенному в работе [27], выделяют следующие модели отображения знаний об обучаемом:

- оверлейная модель, представляющая собой совокупность понятий предметной области, каждому из которых ставится в соответствие степень усвоения обучаемым, имеющая либо числовые характеристики, либо бинарное отношение "знает, не знает" [68];

- вероятностная модель на основе сетей Байеса, отображающая вероятность знания обучаемым каждого из понятий [68];

- сетевая модель, представленная в виде семантической сети, каждый узел которой соответствует понятиям предметной области, а отношение между узлами соответствует числовому уровню усвоения данного понятия [63];

- модель ошибок, отражающая как усвоенные знания обучаемого, так и совершенные им в процессе обучения ошибки [84];

- разностная модель, основанная на различиях между ответами обучаемого, данными в ходе учебного процесса, и соответствующими им знаниями АИОС (модель позволяет определить не только корректные и неверные знания обучаемого, но и их искажения).

Исходя из вышесказанного, целесообразно обозначить проблему моделирования обучаемого, как проблему сравнения знаний хранящихся в АИОС и информации о работе обучаемого с системой. Результатом такого сравнения является заключение о соответствии знаний обучаемого целям и задачам обучения. На основе заключения ИТО корректируется с целью адаптации учебного процесса под нужды обучаемого [53, 64, 81]. Модель предметной области (МПО) является ядром АИОС. Предметная область АИОС содержит формализованные знания об изучаемой области, используемые для организации процесса обучения. МПО рассматривает понятия с точки зрения их свойств, структуры, отношений между ними, методов и алгоритмов функционирования. МПО реализована в унаследованной от интеллектуальных систем базе знаний - специализированной базе данных, разработанной для оперирования знаниями и метаданными [56]. В качестве метаданных выступают параметры учебного материала, используемые в процессе адаптации для индивидуализации процесса обучения. Знания, хранящиеся в базе, могут быть статическими, отражающими концептуальную структуру предметной области, и динамическими, представляющими собой систему решающих правил вывода, поиска и обработки информации.

Связующим звеном между МП и МПО является модель обучения (МО), содержащая набор правил управления процессом обучения. МО содержит информацию о взаимосвязи всех учебных единиц и способах их отображения. Согласно информации, описанной в МП, МО взаимодействует с базой знаний, реализуя индивидуальную стратегию обучения. Среди основных функций МО необходимо выделить следующие:

- формирование блоков учебной информации;

- контроль знаний обучаемого (генерация проверочных заданий);

- корректировка МП согласно результатам контроля.

Задачи, реализуемые МО, целесообразно разделить на два класса: компоновка учебного материала и реализация контроля знаний обучаемого.

В АОС учебный материал делится на небольшие, относительно независимые структурные единицы, которые, объединяясь между собой, тем или иным образом, группируют необходимую информацию для формирования учебного курса. Разбиение учебного материала на структурные единицы является физическим делением информации на небольшие по объему порции. В первую очередь определяются минимальные структурные единицы, в разных работах носящие различные определения: квант [16], единица знаний [82], объект [72], учебный элемент [52], статья [18]. Набор наименьших структурных единиц тем или иным способом объединяются в более крупные структуры: тема [16], обучающий объект [82], модуль [18], кадр [72].

Наиболее популярным способом разработки баз знаний АОС является модульный подход, нашедший свое отражение в стандарте SCORM [83]. Модуль представляется в качестве логического и организационно завершенного блока, содержащего необходимую для усвоения понятий информацию. Ограничений на объем и содержание модулей не накладывается, также не определены и способы связи модулей между собой. Наличие метаданных в каждом модуле, содержащих информацию о способах и условиях использования, а также позволяющих однозначно идентифицировать его в базе знаний АОС, является обязательным. Модуль связывается определенной ролью с понятиями предметной области, представляя информацию о глобальной связи между ними, а также может являться как простым, так и атомарным, т.е. состоять из более мелких модулей.

Онтологические модели знаний для систем дистанционного обучения

Онтологическая модель знаний для систем дистанционного обучения предполагает проектирование такой прикладной онтологии, которая была пригодной для адекватного описания предметных областей какой-либо отрасли знаний, например, программирования. Требованием адекватности является полное соответствие модели знаний основным технологическим принципам технологии. В нашем случае выбирается задачный подход, в котором структура подразделов изучаемой предметной области является изоморфной структуре тестовых примеров, задаваемых для контроля усвоения знаний.

Исходя из сказанного, спроектируем прикладную онтологию, в рамках которой можно было бы сформулировать ключевую фразу задачного подхода: "для решения задачи студент должен усвоить все понятия, которые необходимы при ее решении".

Для описания онтологии предметной области обучения студентов на множестве тестовых задач [37] воспользуемся концепцией дескриптивной логики SHOIN(D), семантика которой может быть задана табл. 2.1 [87], где обозначение ППФ читается как «правильно построенные формулы».

В качестве общей онтологии, как системы предельно абстрактных понятий примем общую ICF-онтологию, описанную в [31]. Эта онтология графически представлена на рис.1. В прикладной онтологической системе будем использовать следующие концепты: «Система», «Элемент», «Причина», «Следствие», «Инструмент», «Актор (Действующее лицо)», «Динамика», «Процесс».

Для конструктивной работы с формулами дескриптивной логики необходимо определить два раздела выражений: ТВох и АВох [33], описывающие абстрактную и конкретную составляющие прикладной онтологии.

Разработаем основные формулы концептуального раздела дескриптивной логики ТВох, адекватные цели получения абстрактной части базы знаний «Обучение». Приведем далее их описания в русской транскрипции. Система = УсодержатьЭлемент.Элемент, что соответствует концептуальному описанию «понятие Система в качестве всех своих составляющих содержит Элементы».

Причина = ЗиметьСледствием.Следствие, что аналогично предыдущему «Причина имеет хоть какое-нибудь следствие».

Инструмент = ЗИметьАктора.Человек п ЗПрименим ".Задача соответствует высказыванию «Инструмент в качестве использующего его имеет хоть какого-то Человека, этот Инструмент применим для решения хоть какой-то задачи».

Решивший = ЗужеРешивший.Задача п Студент соответствует тому, что «Решившим является Студент, у которого существует в активе уже решенная задача».

РешеннаяЗадача = ЗужеРешивший ".Задача и ЗужеРешив-ший.Решивший, НеРешеннаяЗадача = ЗужеРешивший ._1_ представляют собой соответственно «Решенная задача имеет хотя бы одного решившего ее» и «Нерешенная задача в качестве решивших ее студентов имеет пустое множество».

Задача = РешеннаяЗадача и НеРешеннаяЗадача трактуется, как «Задача является представителем объединения множеств решенных и нерешенных задач».

Учебная Дисциплина с Система п Инструмент, что по аналогии с предыдущим выражением означает «Учебная дисциплина является подмножеством Инструментов, рассматриваемых одновременно как сложные Системы».

Учебная Дисциплина = УсодержатьЭлемент.Подраздел Подраздел с Учебная Дисциплина Задача с Учебная Дисциплина эти выражения соответствуют толкованиям: «Учебная дисциплина содержит подразделы», «Подраздел входит в учебную дисциплину», «Задача входит в учебную дисциплину».

Подраздел = \/содержатьЭлемент.Задача п Х/содержатьЭле-мент.Понятие соответствует упрощенному пониманию того, что «Подраздел в качестве элементов содержит только Понятия и Задачи». УсвоенныйПодраздел = Подраздел п (ЗужеУсвоившийГ.Подраздел и ЗужеУсвоив-ший.Студент)

НеУсвоенныйПодраздел =Подраздел Г\ ужеУсвоивший. _1_ соответственно «Усвоенный подраздел относится к подразделам, для которых есть студенты, которые усвоили этот подраздел» и «Неусвоенный подраздел не имеет усвоивших его».

Студент с Человек Понятие сг Инструмент Процесс = Динамика - выражения, соответствующие базовым элементам родовидовой таксономии [33], сопрягаемой с общей онтологией.

Обучение с Процесс п ЗиметьСледствием. РешеннаяЗадача, соответствует формуле «Обучение входит в Процесс, который имеет следствием решение хоть одной задачи».

Усвоение_понятия = ЗУсвоить.Понятие Понятия Задачи = Понятие п Х/Применим .РешеннаяЗадача. УсвоениеПонятийЗадачи = Обучение п УУсвоитьПоня-тие.ПонятияЗадачи соответственно: «Усвоение понятия значит, что хотя бы одно понятие усвоено», «Понятия одной задачи - это Понятия, применимые в решении этой задачи», «Усвоение понятия из какой-то задачи — это процесс Обучения, в результате которого усваиваются все понятия этой задачи».

Далее для нумерации формул и графического представления онтологии введем ее англоязычный эквивалент, представленный в табл. 2.2.

Разработаем вторую часть прикладной онтологии АВох [33, 79], предназначенную для описания конкретных знаний. В случае с предметной областью «Обучение» можно выбрать учебный материал и задачи дисциплины «Алгоритмизация и языки программирования» из раздела «Производные типы данных. Массивы». Приведем далее лишь один из кратких фрагментов АВох, в то же время достаточный для демонстрации основных возможностей описания разделов дисциплин, а также оперирования составляющих таких разделов (табл. 2.3).

Взаимосвязь индивидуальных трасс обучения с онтологической системой представления знаний о предметной области

Наполнение обучающей системы реальными учебными материалами и тестами для конкретной предметной области обучения должно основываться не только на индивидуальной трассе обучения, построенной соответствующим программным инструментарием с помощью рассмотренных в настоящей главе алгоритмов. Для этого необходимо учитывать тезаурус предметной области [77] и базу знаний из компонентов АВох и ТВох, рассмотренных в параграфе 2.2 настоящей диссертации.

С целью построения индивидуального плана обучения, насыщенного достаточной информационной поддержкой, необходимо выделить в индивидуальной трассе множество контрольных точек CortM(mx,m2,...,mt,...,mk) и CortP(pl,р2,...,р ,...,рт), рассмотренных в параграфе 3.2. Контрольная і-ая точка Rt, по сути дела, представляет собой пару (ml ,pt). Кроме того, каждой такой точке по содержанию учебного материала будет соответствовать определенное подмножество CRcC понятий, которые необходимо усвоить перед проведением тестовых испытаний. Множество всех контрольных точек можно обозначить через R

Таким образом, объективно существует соответствие ці, отображающее каждую контрольную точку Rt в некоторые подмножества понятийной базы С, что можно записать так: VR, c/?3QcC,\/:i?,- CR.

Соответствие ці является функциональным и семантически определяется простейшим табличным алгоритмом задания соответствия. Этот алгоритм является первым шагом процедуры выбора учебного материала и тестовых заданий, и должен реализовываться специальным модулем программного инструментария.

Вторым шагом процедуры выбора учебного материала является работа с OWL-выражениями [24], задающими компоненты АВох и ТВох онтологии предметной области. Такая онтология должна автоматизировано строиться программным инструментарием на основе предварительного опроса экспертов предметной области. Поскольку для любой контрольной точки Rt существует соответствующее ему множество понятий CR, то для идентификации учебного материала как подходящего ресурса для использования в обучении на контрольной точке R: необходимо доказать связность семантической сети [22] понятий CR относительно соответствующей онтологии.

Это означает, что если представить множество понятий как некоторый локальный тезаурус, достаточный для выбора материала и тестовых задач в контрольной точке, то семантическая сеть, образованная на основе этого тезауруса и соответствующего фрагмента онтологии, не должна иметь разрывов. Все вершины такой сети должны быть связаны в один единый граф (рис. 3.4а). Наличие же вершин или подграфов, расположенных графически отдельно от основной сети (рис. 3.46) свидетельствует либо о фрагментарности знаний, содержащихся в анализируемом материале, либо о том, что материал посвящен другой тематике, имеющей, впрочем, пересечения с изучаемой предметной областью. Однако в любом их этих случаев материал не может быть идентифицирован как пригодный для изученья в целях решения выбранной тестовой задачи на контрольной точке І?,.

Приведем далее краткую запись алгоритма SemanticAnalysis, анализирующего связность семантической сети с использованием тезауруса CR онтологии, содержащей концепты, соответствующие этому тезаурусу.

1. procedure SemanticAnalysis (ConceptsList CR, PairSet G);

2. do RegisterCR - NextFrom(CR);

3. begin

4. if not member (RegisterCR, Projection (G)) return NULL;

5. CR ail (CR);

6. Cluster.RegisterCR - ToCluster( RegisterCR, Projection (G));

7. AllClasters - AllClasters u Cluster.RegisterCR;

8. end;

9. while not empty (CR);

10. ClusterCR - NextFrom(AllClasters);

11. do ClusterCR r- NextFrom(AllClasters);

12. if not (HasAPairBefore(ClusterCR.RegisterCR)) return NULL;

13. while not empty (AllClasters);

14. return O k;

Приведенный алгоритм строит сначала одноуровневые кластеры для каждой из вершин, соответствующих в семантической сети онтологии понятиям тезауруса [11,42]. Затем проверяет возможность связывания всех кластеров [86] в единую сеть, добавляя их по одному к общей сети на основе существования общих вершин у кластера и предыдущей сформированной сети. Если при таком связывании множество рассматриваемых понятий наконец становится пустым, вьщается признак О к идентификации семантической подсети как связной. Этот факт, в свою очередь, свидетельствует об идентификации материала по своему содержанию как пригодного для изучения по выбранной тематике предметной области.

Таким образом, в настоящем параграфе формально разработана процедура формирования учебных материалов, содержащая все необходимые алгоритмы, достаточные для формирования материалов и тестовых заданий в индивидуальных трассах обучения, основанные на анализе контрольных точек этих трасс.

Основные результаты

1. Сформулирована постановка задачи синтеза обучающих ресурсов, ориентированных на психологическую модель обучаемого.

2. В новой постановке формально описаны принципы подбора учебного материала, достаточного для эффективного усвоения понятий предметной области обучающимся.

3. Впервые создана семантическая метрика для контроля процесса обучения на основе формального анализа контрольных точек индивидуальных трасс обучения. Метрика позволяет с достаточной математической строгостью определять основные характеристики, идентифицирующие текущий образовательный уровень личности.

4. Создан новый алгоритм идентификации психологического типа личности, позволяющий классифицировать типы личностей обучающихся в п-уровневой иерархии, где п заранее неопределенно.

5. Разработана процедура формирования учебных материалов и тестовых заданий, использующая онтологию, как модель знаний о предметной области, и индивидуальную траекторию обучения, учитывающую особенности личности обучаемого.

6. Показана взаимосвязь индивидуальных трасс обучения с онтологической системой представления знаний о предметной области, дающая возможность разделить процессы формирования кластеров учебного материала и индивидуальные траектории обучения. Такое разделение дает возможность не только поручать эти работы разным коллективам специалистов, но и уменьшает трудоемкость этих работ.

Оценка эффективности программного комплекса

Разработанный программный комплекс поддержки индивидуализации дистанционного обучения SSSIDL v. 1.1 (Software System to Support Individualization of Distance Learning) был использован для подготовки электронного учебного курса (ЭУК) "Разработка программ линейной, разветвляющейся и циклической структуры на языке Турбо-Паскаль. Массивы данных." дисциплины "Информатика". Основой для создания ЭУК послужил уже имеющийся адаптивный ЭУК "Основы программирования на языке Турбо-Паскаль", разработанный для СДО Moodle и дополненный материалами ЭУК "Турбо-Паскаль" СДО ATutor. Сам ПК SSSIDL v. 1.1 был добавлен в качестве надстройки к СДО Moodle. Информация из ЭУК "Турбо-Паскаль" была переведена в XML формат, после чего импортирована в разработанный ЭУК через средства предоставляемые ПК SSSIDL v. 1.1.

В состав разработанного ЭУК входят:

- теоретические учебно-методические материалы, оформленные в виде HTML-страниц, видео, аудио-фрагментов и презентаций;

- примеры выполнения программ;

- примеры выполнения программ с подробными комментариями;

- тестовые задачи;

- примеры решения задач;

- глоссарии с указанием требуемых, внутренних и усвоенных понятий для каждой из единиц учебно-методического материала и тестовой задачи.

Эффективность работы ПК необходимо оценивать с двух точек зрения: преподавателя и обучаемого.

У преподавателя появилась возможность экспорта учебного материала и тестовых задач, хорошо зарекомендовавших себя за время работы с ними, но хранящихся в БД сторонних СДО, внешних XML и OWL репозиториях. Такая возможность существенно сокращает время, затраченное преподавателем на добавление новых данных в базу. При этом исключается возможность ошибки копирования, которую преподаватель может допустить в силу нарастающей усталости, вызванной монотонной работой.

Для проверки знаний обучаемого, преподавателю не придется просматривать весь банк вопросов дисциплины с целью выбора подходящего набора тестовых задач. ПК, на основе структуры требуемых, вспомогательных и рассмотренных понятий, выберет подходящий набор тестовых задач для конкретного раздела, предложит его преподавателю с целью корректировки и утверждения. Эта возможность позволяет автоматизировать часть труда педагога, связанную с установкой взаимосвязи между единицами учебно-методического материала и набором тестовых задач, в результате чего сокращается время и объем работы преподавателя.

Индивидуальный подход в обучении является важным инструментом взаимодействия с обучаемым. Реализация подхода делает процесс обучения намного эффективнее. Определение индивидуальных характеристик личности обучаемого и их учет при подборе учебно-методического материала отнимает у преподавателя немалую часть времени, которая увеличивается в несколько раз прямо пропорционально количеству студентов. Автоматизация процесса определения психологических характеристик типа личности обучаемого и их учет при выборе единиц учебно-методического материала позволяет преподавателю применять индивидуальный подход к каждому обучаемому при ДО.

Сложность учебного курса напрямую зависит от уровня знаний человека, поэтому курс, который кажется несложным преподавателю, для обучаемого может, напротив, оказаться весьма сложным. В ряде случаев высокий уровень знаний мешает преподавателю объективно оценить единицу учебно-методического материала или тестовую задачу. Эту проблему решает возможность определения мер сложности, важности единиц учебно-методического материала и тестовых задач, а также степень усвоения обучаемым понятий предметной области. Рассчитанные ПК показатели предоставляют преподавателю объективную информацию о сформированном учебном курсе.

Еще одной немаловажной задачей преподавателя является настройка последовательности изучения единиц учебно-методического материала. Разбиение учебного курса на разделы и их организация в логическую цепочку, не содержащую неизученных понятий, является довольно сложной задачей в рамках учебной группы. При индивидуальном подходе такая работа преподавателя требует большого количества сил и затраченного времени, из-за постоянного изменения знаний каждого из обучаемых. Возможность автоматизированного формирования ИТО на определенный момент времени, исходя из реальных знаний обучаемого, повышает эффективность образовательного процесса и уменьшает нагрузку на преподавателя.

При использовании ПК SSSIDL v. 1.1 обучаемый получает более структурированный и концептуально целостный учебно-методический материал. Сформированный материал не избыточен, в нем отсутствует информация о понятиях, которые обучаемый уже усвоил. Вследствие этого уменьшается объем предоставляемого материала, а вместе с ним и время, затраченное на обучение. Обучаемый не теряет интереса к учебному материалу из-за содержания в нем уже усвоенных знаний. Снижается усталость обучаемого из-за уменьшения объема курса. ПК позволяет предоставлять учебный материал в удобном для обучаемого формате (текст, мультимедиа и т.д.). Учет зависимости объема единиц учебно-методического материала и индивидуальных психологических особенностей обучаемого, определение оптимальной последовательности изучения практических и теоретических единиц учебно-методического материала, а также тестовых задач, позволяет создавать индивидуальный курс для каждого из обучаемых. Созданный курс учитывает психологические характеристики типа личность обучаемого, в результате чего у обучаемого повышается интерес к процессу обучения, а, следовательно, и эффективность всего образовательного процесса.

В ходе эксперимента, было выявлено, что среднее время, затраченное на обучение студентов группы, работающей с учебным материалом, структурированным согласно алгоритмам ПК SSSIDL v. 1.1, ниже на 16,6%, чем время, затраченное студентами группы, работающей со стандартным ЭУК.

График средних значений величин количества разделов, предоставляемых студентами обеих групп на изучение соответствующих курсов, приведен нарис. 4.11.

В ходе экспериментов было выявлено, что среднее количество выбранных согласно алгоритмам ПК SSSIDL v. 1.1 разделов, предоставляемых студентам группы, работающей с учебным материалом, ниже на 19,4%, чем количество разделов, предоставляемых студентами группы, работающей со стандартным ЭУК.

Похожие диссертации на Алгоритмы автоматизированного формирования баз знаний для систем дистанционного обучения