автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Алгоритмы автоматизированного формирования баз знаний для систем дистанционного обучения

На правах рукописи

Медведев Роман Евгеньевич

Алгоритмы автоматизированного формирования баз знаний для систем дистанционного обучения

Специальность 05.13.11 — Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей

Автореферат

диссертации на соискание ученой степени кандидата технических наук

17 ОКТ 2013

005535182

Рязань 2013

005535182

Работа выполнена на кафедре «Вычислительной и прикладной математики» ФГБОУ ВПО «Рязанский государственный радиотехнический университет» (ФГБОУ ВПО «РГРТУ»).

Научный руководитель:

Каширин Игорь Юрьевич,

доктор технических наук, профессор каф. ВПМ ФГБОУ ВПО «РГРТУ»

Официальные оппоненты:

Шибанов Александр Петрович

доктор технических наук, профессор каф. САПР ВС ФГБОУ ВПО «РГРТУ»

Чепайкин Алексей Олегович

кандидат технических наук, начальник отдела поддержки инфраструктуры ООО ТБ Информ г. Рязань

Ведущая ФГБОУ ВПО «Московский

организация: государственный университет печати

имени Ивана Федорова», г. Москва

Защита состоится 6 ноября 2013 года в 12.00 часов на заседании диссертационного совета Д 212.211.01 в ФГБОУ ВПО «Рязанский государственный радиотехнический университет» по адресу:

390005, г. Рязань, ул. Гагарина, д.59/1.

С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО «Рязанский государственный радиотехнический университет».

Автореферат разослан « Ц » октября 2013 года.

Ученый секретарь диссертационного совета

канд. техн. наук, доцент

В. Н. Пржегорлинский

Общая характеристика работы

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 (СДО). Под СДО 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 БЬ-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.

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

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

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

5. 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 PHP 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 - «Прикладная информатика (в экономике)» и 230106 - «Применение и эксплуатация автоматизированных 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», «Объектно-ориентированное программирование», «Предметно-ориентированные информационные 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 е.), 4-х глав (128 с. - 24 рисунка и 15 таблиц). Библиографический список включает 87 наименований (9 е.).

Краткое содержание работы

Во введении дается обоснование актуальности темы диссертационной работы, формулируются цели и задачи работы, указывается научная новизна и практическая ценность, определяются основные положения, выносимые на защиту, кратко излагается содержание диссертации.

Первая глава носит обзорный характер. В главе рассмотрены достоинства ДО, различные средства его поддержки, предложена их классификация. Рассмотрен результат процесса внедрения интеллектуальных технологий в дистанционное образование, нашедший свое отражение в появлении интеллектуальных систем дистанционного обучения (ИСДО). Определены основные принципы реализации ИСДО, приведены их отличительные особенности, преимущества, структура и методы взаимодействия с обучаемым. В главе рассмотрена архитектура ИСДО и выделены основные компоненты системы: модель обучаемого, модель предметной области, модель процесса обучения. Приведены методы построения каждой из моделей, рассмотрены их преимущества и недостатки. Рассмотрены достоинства и недостатки различных моделей представления знаний: логических моделей, фреймов, семантических сетей, продукционных моделей, онтологий. Выявлены и проанализированы методы адаптации ИСДО под нужды конкретного обучаемого, рассмотрены достоинства и недостатки каждого из методов. Выделена проблема представления знаний в ИСДО и определенны задачи для ее решения. Представлены результаты проведенного анализа существующих ИСДО, определенны и сформулированы их недостатки.

Вторая глава посвящена разработке оригинальной технологии накопления знаний в системах дистанционного обучения на основе онтологической модели представления знаний, с применением инструментария ОХУЬ-Б и \VSDL для повышения эффективности использования ШегпеЬресурсов.

В главе спроектирована прикладная онтология, позволяющая адекватно описывающая знания о предметных областях СДО. В рамках предложенной

прикладной онтологии (рис. 1) целесообразно сформулировать ключевую фразу заданного подхода: «для решения задачи студент должен усвоить все понятия, которые необходимы при ее решении».

Рисунок 1 - Семантическая сеть фрагмента онтологии «Problem, Subsection»

Для конструктивной работы с формулами дескриптивной логики определенны два раздела выражений: ТВох и АВох, описывающие абстрактную и конкретную составляющие прикладной онтологии. Нумерация формул прикладной онтологии обучения представлена в табл. 1.

Таблица 1 - Нумерация формул прикладной онтологии обучения

№ п/п Понятие / Концепт Формула

1 System = VhasElement.Element

2 Causa = 3hasConsequence.Consequence

3 Instrument = BhasActor.Person n BisApplied ".Problem

4 Solver = SisSolved.Problem n Student

5 SolvedProblem = 3isSolved " .Problem и 3isSolved.Solver

6 NotSolvedProblem = HhasSolver. ±

7 Problem = 3isSolved ~ .Problem и 3isSolved.Solver

8 SubjectMatter с System r\ Instrument

9 SubjectMatter = VhasElement. Subsection

10 Subsection q SubjectMatter

11 Problem g SubjectMatter

12 Subsection = VhasElement.Problem n VhasElement.Concept

13 Learned Subsection = Subsection n (3hasLearned". Subsection и 3hasLearned. Student)

14 Un Learned Subsection = Subsection ri 3hasLearned. ±

15 Concept a Instrument

16 Student a Person

17 Process = Dynamic

18 Learning с Process n 3hasConsequence. SolvedProblem

19 Learn theConcept = 3hasLearn.Concept

20 ProblemConcepts = Concept n VisApplied ".SolvedProblem

21 LearnProblemConcepts = Learning гл V hasLearn .ProblemConcepts

В главе выделена формальная составляющая процесса обучения, представляющая собой множество средств обучения: учебно-методические материалы, пособия, лабораторные работы, стенды, тестовые задачи. Без существенной потери качества эти средства можно свести к двум основным подмножествам: учебные материалы и тестовые задачи. От точности соответствия друг другу элементов этих множеств зависит качество процесса обучения. Оба множества имеют схожую структуру и опираются на базовые множества лежащих в их основе понятий. С точки зрения математики имеет смысл рассматривать различные отображения структурных элементов учебного материала в соответствующие структурные элементы тестовых задач. Наиболее качественным из отображений предлагается признать изоморфизм, предполагающий взаимнооднозначное соответствие элементов базовых множеств. Для математически строгого описания изоморфизма онтологий рассматривается множество правильно построенных формул (ППФ) этих онтологий как множество упорядоченных пар (С, , где С - множество концептов, Р - множество формул из раздела ТВох. Таким образом, с помощью универсума С х Т7 задается отношение дескрипции Л, с С х У7 .

Далее можно рассмотреть только правые части F этого отношения, как множество, представляющее собой проекцию на второй аргумент отношения. При этом выражения ППФ в части ^ можно представить как результат конечного множества операций композиции элементов {с,, с2 ,••->£*} из множества С. Эти выражения получаются го имен концептов 9 с помощью специальных знаков дескриптивной логики: {с, =, V, и, п, •, -}. Приведем семантику таких операций композиции О, учитывая замкнутость этих операций на множестве F (табл. 2).

Таблица 2 - Операции композиции ППФ

№ п/п Обозначение операции из П Семантика (результат операции)

1 со^ (И,, Р1) Рі о ъ

2 акЛ^) Ъ и Рі

3 Юзи ( С|) ЗЯІ . с(

4 ШУМ ( ) УЯІ . СІ

5 Юум- ( С| ) \/И.І с.

6 <эзм- () ЗЯі с.

7 СО: ( с* ) : СІ

В ППФ можно выделить два отношения { с, = }, которые связывают левую и правую части онтологических определений. В сделанных обозначениях на множестве ППФ онтологии можно задать алгебраическую систему А:

Л = {&=}).

В алгебраической системе А можно выделять подалгебры, замкнутые на своих множествах-носителях. Например, определим две подалгебры С и В для алгебры (7% □): в = , ) и Б = , О,). В них справедливы соотно-

шения Г с?,Огс О, .Р, Предположим также, что эти по-

далгебры имеют один и тот же тип.

Алгебры 6иО являются алгебрами одинакового типа. Алгебры в и I)

являются гомоморфными, так как существует отображение Г : -» А/,, удовлетворяющее условию:

Г(®, (/„,/„)) = ДЛ2)). О)

где /г1,/г2 £ ^ •

Независимо от того, выполнена ли сначала операция композиции в О и затем произведено отображение Г, либо сначала произведено отображение Г , а затем в О выполнена соответствующая операция композиции а,, результат будет одинаков.

Алгебры О и Б являются изоморфными или однозначно гомоморфными,

так как существует обратное отображение Г"1 : ^ -> ^, удовлетворяющее условию:

«дг-'адг-ч/^ г-'ка,,,/«))» (2)

где Л,,/,2 £ ^ .

Кроме того, потребуем для всех элементов множеств-носителей из С и С соответствие в алгебраических системах всех элементов множества носителя каждого определяемого концепта отношениям { с, =}. То есть, если концепт из б соединен в итоговое описание отношением с, то и соответствующий ему концепт из £> также должен быть описан с помощью отношения с. Если же при описании концепта из б было задействовано отношение =, то соответствующий концепт из В также должен быть описан с помощью равенства.

Равенство (2) приводится к равенству (1) следующим образом.

1. Заменим в условии (1) левые части на правые

2. Применим Г1 к обеим частям получившегося равенства

Г-'К(АЛ.)> Г(/„))) = Г"(Г(©,(/л, //2))) = ©,(/*,„

3. Так как Г(/;,) = /„ , /„, е ^, тогда /„ = следовательно,

(Л. ),/"•(/«)) = ^(Л,. /«))•

Мощности основных множеств изоморфных алгебр б и £> равны, т.е. изоморфизм алгебр б и £) называется изоморфизмом на себя или автоморфизмом.

Конструктивное доказательство изоморфизма двух локальных фрагментов онтологий может рассматриваться как полное структурное совпадение соответствующих ППФ с точностью до определения соответствия концептов. Изоморфизм прикладных онтологий позволяет применять пары («Материал», «Тест») в обучающих системах, и дает возможность использовать аналогичное доказательство при автоматическом подборе материала в раздел онтологии АВох.

Для автоматического доказательства изоморфизма разделов онтологии АВох, формируемых из информационных хранилищ, необходимо воспользоваться двумя новыми механизмами, раскрываемыми посредством понятий «тезаурус» и «унификация».

Под тезаурусом понимается концептуальный словарь, содержащий для каждой из составляющих его лексем одно родовидовое отношение, отношение синонимии, возможно, отношение антонимии и другие отношения, которые могут задаваться администратором тезауруса. При этом родовидовое отношение описывает связь лексемы с более общим понятием в родовидовой таксономии. Определим структуру лексемы предлагаемого тезауруса: Наименование лексемы + [Нормальная форма] + [Корневая основа] + [Лексема предок] + {[Антоним]} + {[Синоним]}

Унификация онтологических описаний предполагает осуществление попытки привести два описания к единственному эквивалентному им описанию при выполнении реорганизации исходных описаний. Под термами понимаются ППФ дескриптивной логики, описывающие предметную область. Для унификации в онтологиях находятся классы эквивалентности и подобия всех составляющих. Алгоритм унификации (рис. 2) имеет целью поиск всех отношений, в которых находятся два онтологических описания. При этом прикладная часть описаний может быть унифицирована на множестве прикладных формул, в то время как для заданной онтологии для раздела АВох

АВох Unification (Initialization)

II InitAHTerms(Xl) І]

_1_

InitAllTerms(X2)

Extract by Thesaurus

II InitServInte rface(Xl,X2)||

1 |SubjK WForming(X 1 ,Х2) ||

||ProblKWFo -ming(Xl,X2j|

KeyWords Matching

||Match(SubjKW(Xl,X2))"H

I |Match(ProblKW(X 1 ,X2)) (|

Material forming by Service interface

L

Service Result

Send material to Knowledge Base

7

d

Епа

Рисунок 2 - Алгоритм унификации термов разделов онтологии

должен применяться алгоритм, использующий соотношения концептов с точностью до классов эквивалентности в лексемах тезауруса.

В начале алгоритма осуществляется проверка изоморфизма соответствующих разделов (XI, Х2) из ТВох. Для этого проверяются на симметричный гомоморфизм соответствующие описания, выполненные на основе операции объединения и пересечения термов, а также существования у концептов взаимоотображаемых свойств. В проверке используются вложенные циклы, реализующие перебор всех термов ППФ из XI и Х2. После проверки на унифицируемость подразделов ТВох реализуется унификация соответствующих {XI и XI) подразделов АВох, как доказательство изоморфизма ППФ конструкций.

Завершается алгоритм сопоставлением ключевых слов на их наличие в агрегации тех синтаксических связей, которые задаются соответствующими описаниями прикладной онтологии. Предложенный алгоритм унификации является достаточно эффективным и обладает свойствами адаптивности, поскольку дает возможность управлять точностью выбора содержательной части лексем, корректируя классы эквивалентности тезауруса.

В третьей главе рассматриваются алгоритмы проектирования индивидуальных трасс обучения на основе психологического типа личности обучающегося.

Цель теоретических исследований, проведенных в данной главе, может быть сформулирована следующим образом: «необходимо получить математический формализм и инструментальные программные средства, достаточные для адекватной классификации обучающихся по широкому спектру психологических свойств их личностей для выявления наиболее эффективных учебных ресурсов, пригодных обучаемым с конкретными психологическими особенностями». При этом в главе не ставится цели исследовать множество существующих психологических типов личностей.

Перед тем как предложить обучающемуся тестовую задачу, нужно обеспечить все основные элементы ситуации, в которой эта задача может быть решена, а именно:

- обучающемуся должен быть предоставлен учебно-методический материал, достаточный по своему содержанию для решения тестовой задачи,

' - учебно-методический материал должен соответствовать уровню подготовленности обучающегося, для того, чтобы материал мог быть правильно понят и усвоен,

- материал должен соответствовать по форме изложения, сложности и подробности психологическому типу личности обучающегося,

- тестовая задача на конкретный момент времени должна соответствовать уровню подготовленности с учетом психологического типа личности, ^

- последовательность предлагаемого материала и тестовых заданий должна соответствовать психологическому типу обучающегося.

Для подбора материала и формирования индивидуальной трассы обучения используются следующие функции:

- МСот{т1):т1 —> [0,1 ] и функция определения сложности учебного материала т,:

МСот(т,) = |М'(С„, )|/|Сс%;,|, где )| - мощность множества требуемых понятий единицы учебно-

методического материала; |Се,юя,|- мощность множества всех понятий курса,

- РСот{р1): р. ->[0,1], функция определения сложности задачи р1:

РС0Ш(/7,) = |РЧС„,)|/|С^(|, где |Р'(С„,)| - мощность множества требуемых понятий тестовой задачи,

- МТуре{т1, тк): т/ х тк -» [0,1 ], функция, ставящая в соответствие каждому элементу из множества единиц учебного материала ти , подмножество психологических типов, которые наиболее просто смогут усвоить этот материал:

1Н

МТуре(т], Шк) = £ МАсс(т], тк1) /|7тя|, где МАсс- функция определения соответствия учебного материала т) характеристике типа личности шк,; |7>и| - мощность множества характеристик единицы учебного материала, используемых при определении психологического типа личности обучаемого,

- РТуре(рг1рк): р) х1рк ->[0,1], функция, ставящая в соответствие каждому элементу из множества тестовых задач р], подмножество психологических типов 1рк, которые наиболее просто смогут их решить:

РТуре(р1,гр1)= ХРАсс(р„ф„)Щ

(=1

где РАсс- функция определения соответствия тестовой задачи р/ характеристике типа личности 1рк,; \Тр\ - мощность множества характеристик задачи, используемых при определении психологического типа личности обучаемого,

- М5ет{спт: с, х/яу -» [0,1 ], функция соответствия каждого понятия

с, учебно-методическому материалу т;:

А/Зет (с, т1) = 1 /|Мс^ |, с, е Мс^, где |Мси1,„| - мощность множества рассмотренных понятий единицы учебно-методического материала,

- Р3ет(с,, ру): с, х -» [0,1 ], функция соответствия каждого понятия

свыбираемой тестовой задаче р]:

Р5ет{с,, р,) = 1 /(¡Рси,„| + \Рс_|), с, е Рс_ V с, е Рс„„, где |-Рсй„,|- мощность множества рассмотренных понятий тестовой задачи; " мощность множества вспомогательных понятий тестовой задачи,

- MVal(m¡): m, [o,l], функция, определяющая меру важности единицы учебно-методического материала m¡:

MVal(m¡) = | Mc„q = Mc'vfe„|/|M|, где |Мс„, =Мс'_|- мощность множества единиц учебного материала, для которых рассмотренные понятия единицы учебного материала т, являются требуемыми; \М\ - мощность множества всех учебных материалов курса,

- РУа1{р,):р,-*[ 0,1], функция, определяющая меру важности задачи р,:

РГа1(р,) = \Мся,=Мс"«п\/\М\> где |Mcnq = Mc'\lew|- мощность множества единиц учебного материала, для которых рассмотренное понятие текущей тестовой задачи являются требуемым понятием,

- CSt(c,,s.): с,. Xsy -> [0,1 ], выражение, формализующие степень усвоения понятий предметной области обучающимся :

где\Pcvlew = С,| - мощность множества задач решенныху-ым обучаемым, в которых текущее понятие считается рассмотренным; |PcJ= с\ - мощность множества задач как решенных у-ым обучаемым, так и не решенных, в которых текущее понятие считается рассмотренным,

- TSt(t ,Sj): t, xsj [0,1 ], выражение, формализующие степень принадлежности обучающегося s, определенному типу личности:

I'w.JI 1 i

TSt{tnSj)= I PType(pk,tp,)l\Ps,udJ\,

где \P¡ná ¡\ - мощность множества всех решенных пользователем задач.

Цель выбора требуемого материала как подмножества ЛГ сЛ/ и тестовых задач как подмножества Гс? описывается следующим выражением:

{М\Р*:т„р, |Vw(eA/,Vp, еР, _

MType(ml,tmk)> min"J=¡(от)&PType(pv,tpt)>min_, (/>„)},

где операция min определяет порог принадлежности элементов множеств м и Р по соответствию определенному типу личности.

Следующим набором выражений описывает принцип, основанный на подготовленности обучаемого и сложности задач как подмножества Р' с Р и

материала как подмножества М'сМ:

{р-: p¡ | Ve,, е СУр, е P,3s, TSt(t„Sj) > min™ ,<Х) & CSí(c,.,'sy) > min"s|(c) & PSem(c,,p,) > min",(р,)Ь

{М': m, l Vc, e C, Vm, e M,3 j, TSt(tr,Sj)> min",(/,)& CSt(c„si) > min",,(c,)& MSem(c,,ml)> min "Дот,)}.

Для окончательного отбора итоговых множеств материала М" и задач Р°, необходимо вычислить пересечение полученных множеств:

М° = М' слМ*, Р" = Р' глР*. Полученные множества теперь содержат учебно-методический материал и тестовые задачи, выбранные специально для обучающегося определенного психологического типа, а также для предметной области, понятия которой должен усвоить этот обучающийся.

Заключительным этапом формирования выборки задач и материала должен стать этап упорядочения элементов множеств М°, Р" для формирования индивидуальной трассы обучения:

CortM{ml,m1,...,m„...,ml): \/т„тш МСот(т:) < МСот{тм),

CortP(р,,р2,...,Pj,...,р,): Vpy,ру+1 PCom(Pj) < РСот{р,Ч1), где CortM и CortP соответственно кортежи последовательности выбора материалов и последовательности предложения тестовых задач.

В главе рассмотрен геометрический смысл принципа формирования индивидуальных трасс обучения. Для графического представления динамики обучения по осям n-мерного пространства отложены метрические шкалы, соответствующие степени усвоения каждого из понятий некоторой предметной области. Такое представление даст возможность использовать семантические пространства Ч. Осгуда, точками которого можно характеризовать как задачи, предлагаемые на тестирование, так и материалы, необходимые для изучения (рис. 3, рис. 4).

CSt(CbSj) CSt(ci,sj)

Рисунок 3- Семантическая метрика Рисунок 4- Семантическая метрика для

планирования обучения (задачи) планирования обучения (материал)

Как следует из рисунков, существуют точки р. и т,, обозначающие изначальное состояние знаний обучающегося. Конечная цель курса обучения, определяемая точками рт и тт. Достижение конечной цели курса обучения возможно при использовании каких-либо промежуточных последовательностей изучения поэтапно новых учебных материалов и контролем с опорой на соответствующие тестовые задачи. Таких последовательностей может быть несколько, они могут не пересекаться или наоборот, иметь общие составляющие.

Задачей подбора учебного материала является выбор наилучшей последовательности, которая будет являться индивидуальной трассой обучения.

В главе описан (табл. 3) алгоритм идентификации психологического типа личности (рис. 5) с точки зрения обучающей системы. Алгоритм дает возможность не только определять схожесть обучающихся, но и их различия, а также выделять коллективы обучающихся.

d

Start

Таблица 3 - Пояснения к алгоритму идентификации

<f i=1 (1 >Со unt( S ub j ectsT^>—

| Getting Si from Subjects ||

-( j=l(l)Count(Problems"7"y-

II Select Pj from Problems Ц

_I_

—< k=l (1 )Count(Types) >-I

[| Select Tk from Types || || Process Tk (Pj) ~7I

Include Type(Pj) to Ts ||

II Search max from Ts || || Include max(Ts) to (S,T)||

|| Splitting(S.T) to (Sk,Tk) || I Retum(Sk.Tk) as result |

End

№ п/п Формальная запись Семантика выполнения конструкции

1 Getting Si from Subjects Получение очередного элемента из множества обучающихся.

2 Select Pj from Problems Выбор очередной решенной обучающимся 51 задачи из множества задач.

3 Select Tk from Types Выбор очередного типа задачи.

4 Process Tk(Pj) Определение степени принадлежности решенной задачи очередному типу задачи.

5 Type(Si)-Type(Pj) > min Определение разности мер уверенности для соответствующих типов задачи и предыдущего значения типа личности обучаемого.

6 Include Type(Pj) toTs Включение типа задачи в выделенное множество, на основе которого будет выделен идентифицируемый тип личности

7 Search max from Ts Определение тапа личности Тэ с максимальным значением уверенности.

8 Include max(Ts) to (S,T) Включение пар (обучающийся, его тип ) в соответствующее множество результирующих пар.

9 Splitting (S,T) to (Sk, Tk) Разбиение множества пар (обучающийся, его тип) на подмножества, выделяемые каждым новым типом личности.

10 Return(Sk, Tk) as result Возвращение результата работы алгоритма как множество полученных пар

Рисунок 5 - Алгоритм идентификации психологического типа личности

В главе рассмотрена взаимосвязь индивидуальных трасс обучения с онтологической системой представления знаний о предметной области. Предлагается выделить в индивидуальной трассе обучения множество контрольных точек Я,, представляющих собой пару (т„р,). Каждой такой точке по содержанию учебного материала будет соответствовать определенное подмножество понятий предметной области С я с С , которые необходимо усвоить перед проведением тестовых испытаний. Таким образом, объективно существует соответствие н/, отображающее каждую контрольную точку Л, в некоторые подмножества понятийной базы С, что можно записать так: УЛ, ей 3С.сС, ->СЙ.

Соответствие i|/ является функциональным и семантически определяется простейшим табличным алгоритмом задания соответствия. Этот алгоритм является первым шагом процедуры выбора учебного материала и тестовых заданий. Вторым шагом процедуры выбора учебного материала является работа с OWL-выражениями, задающими компоненты АВох и ТВох онтологии предметной области. Поскольку для любой контрольной точки R. существует соответствующее ему множество понятий Ск, то для идентификации учебного материала как подходящего ресурса для использования в обучении на контрольной точке 7? применяется алгоритм, доказывающий связность семантической сети понятий CR относительно соответствующей онтологии. Алгоритм реализуется следующей последовательностью шагов.

Шаг 1. Строятся одноуровневые кластеры для каждой из вершин, соответствующих в семантической сети онтологии понятиям тезауруса.

Шаг 2. Проверяет возможность связывания всех кластеров в единую сеть, добавляя их по одному к общей сети на основе существования общих вершин у кластера и предыдущей сформированной сети.

Шаг 3. Если при связывании множество рассматриваемых понятий становится пустым, выдается признак идентификации семантической подсети как связной, что свидетельствует об идентификации материала по своему содержанию как пригодного для изучения по выбранной тематике предметной области.

В четвертой главе рассматривается программный комплекс (ПК) поддержки индивидуализации дистанционного обучения SSSIDL v. 1.1 (Software System to Support Individualization of Distance Learning). В главе приведена архитектура ПК SSSIDL v. 1.1 (рис. 6) и схема взаимодействия с С ДО.

Рисунок 6 - Архитектура SSSIDL

В главе приведена структура, каждого из компонентов ПК и алгоритмы определения типа личности обучаемого и формирования индивидуальной трассы обучения.

Рассмотрена эффективность работы ПК, оцененная с двух точек зрения: преподавателя и обучаемого. Проанализированы результаты эксперементаль-

ных исследований, доказывающие эффективность применения на практике разработанных методов и алгоритмов, реализованных в ПК SSSIDL v.1.1.

В заключении приводится обобщение основных результатов работы.

Основные результаты работы

1. Определены недостатки существующих систем дистанционного обучения, дифференцированные по разновидностям этих систем.

2 Показана актуальность задачи создания автоматизированных средств формирования баз знаний на основе имеющихся хранилищ готовых учебных

материалов и тестовых примеров.

3. Разработана оригинальная онтологическая модель знаний, позволяющая адекватно описывать знания о предметных областях, предназначенные для последующего дистанционного обучения.

4. Впервые введено понятие изоморфизма подразделов онтологических описаний как двунаправленного гомоморфизма алгебраических термов, описывающих подразделы. Показано, что изоморфизм содержательной и тестирующей составляющих онтологии является необходимым требованием для использования такой онтологии в обучении.

5. Сформулирована постановка задачи синтеза обучающих ресурсов, ориентированных на психологическую модель обучаемого. В новой постановке формально описаны принципы подбора учебного материала, достаточного для эффективного усвоения понятий предметной области обучающимся.

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

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

8. Программно реализован ПК SSSIDL v.1.1, использующий основные результаты теоретической части диссертации.

Публикации по теме диссертации

Статьи в изданиях по списку ВАК

1. Каширии И. Ю., Медведев P.E. Онтологическое накопление учебных знании на основе сервиса информационных сетей // Научно-технические ведомости СПбГПУ. 2013. №174. С 75-85

2 Медведев Р Е Изоморфизм в онтологической модели знаний интеллектуальной системы дистанционного обучения // Вестник РГРТУ. 2013. № 45. С. 62-65.

3 Медведев P.E. Моделирование индивидуальной трассы изучения материала на основе базы знаний системы дистанционного обучения // Фундаментальные исследования. 2013. №10.

С. 1001-1004.

Статьи в сборниках научных трудов

4 Медведев P.E. Анализ существующих подходов организации систем дистанционного обучения // Математическое и программное обеспечение вычислительных систем: межвузовский сборник научных Трудов. Рязань: РГРТУ. 2010. С. 133-137.

Ключевые КритеР'ш выб°Ра платформы для системы дистанционного РГР™0П.СШМ04ИОННЫе ТеХН°Л0ГИИ: межв>'мвск,ш сборник научных трудов. Рязань:

* , МеДВеД;?^'Е- Модели прадставления знаний в интеллектуальных системах дистанционного обучения // Математическое и программное обеспечение вычислительных систем- межвузовски сборник научных трудов. Рязань: РГРТУ. 2011. С. 36-38.

7. Медведев P.E. Проблема выбора платформы для дистанционной обучающей среды // Математическое и программное обеспечение вычислительных систем: межвузовский сборник научных трудов. Рязань: РГРТУ. 2011. С. 108-110. 1

8. Медведев P.E. Стратегии проверки знаний в адаптивных системах дистанционного o6v-РГРТУ 2оТГсЫ4-6НфОРМаЦИОННЫе СИСТеМЫ: Межвутовск'ий сб°Рник ручных трудов. Ря-

МеДВеДеВ РЕ' МеТОДЫ КОтрОЛЯ Знаний в сисгемах Дистанционного обучения // Информационные технологии в учебном процессе и научных исследованиях- межву-

2012* С 28-3Р"ИК "аУЧНЫХ ТРУД°В М°Л0ДЫХ УЧеНЫХ' специалистов и студентов. Рязань: РГРТУ.

10. Медведев P.E. Модель обучаемого как ключевой инструмент адаптации в интеллектуальных системах дистанционного обучения // Информационные технологии в образовании- межвузовски сборник научных трудов. Рязань: РГРТУ. 2012. С. 106-109.

11. Медведев P.E. Способ организации знаний в интеллектуальных системах дистанционного обучения // Методы и средства обработки и хранения информации: межвузовский сборник научных трудов Рязань: РГРТУ. 2012. С. 125-128. р к

12. Медведев P.E. Структура современных интеллектуальных систем дистанционного обучения // Математическое и программное обеспечение вычислительных систем: межвузовский сборник научных трудов. Рязань: РГРТУ. 2012. С. 33-35.

Тезисы докладов на международных и всероссийских конференция*

13. Медведев P.E. Анализ существующих технологий построения систем дистанционного обучения // Проблемы передачи и обработки информации в сетях и системах телекоммуникаций-материалы 16-ои международной науч.-техн.конф. Рязань: РГРТУ. 2010 С 128-129

14. Медведев P.E. Интеллектуальные системы дистанционного обучения // Наука и образо-общТс^о" 2012 СяТ-вТ" Международной "аУч--»Рак. К0НФ- Тамбов: ТРОО "Бизнес - наука -

15. Медведев P.E. Использование open source платформы для построения интеллектуальной системы дистанционного обучения // Новые информационные технологии в научных исследава-РязаТ,ь-7г™ науч.-техн. конф. молодых ученых и специалистов.

16. Медведев P.E. Классификация программных обучающих сред // Наука и образование в в^зТ^Г МежДУ"ар0ДН0Й наУч--пРак- конф. Тамбов: ТРОО "Бизнес - наука - общест-

17. Медведев P.E. Онтологическая модель представления знаний в интеллектуальных обучающих системах//Новости передовой науки: материшты 9-ой международной научн-прает конф. София: ООД "Бял ГРАД-БГ" 2013. С. 27-29.

18. Медведев P.E. Применение internet технологий в системах дистанционного обучения // Новые информационные технологии в научных исследованиях: материалы 16-ой всероссийской

ЛТРГРТХУ. Йь^^Ж " СПеЦНаЛИСТ°В' п— празднованию к>би-

Медведев Роман Евгеньевич

Алгоритмы автоматизированного формирования баз знаний для систем дистанционного обучения

Автореферат диссертации на соискание ученой степени кандидата технических Наук

Подписано в печать 04.09.2013 г. Формат бумаги 60x84/16. Бумага офсетная. Печать трафаретная. Усл. печ. л. 1.0. Тираж 100 экз.

Рязанский государственный радиотехнический университет. 390005, г. Рязань, ул. Гагарина, 59/1. Редакционно-издательский центр РГРТУ.

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ

ОБРАЗОВАТЕЛЬНОЕ УЧЕРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ РЯЗАНСКИЙ ГОСУДАРСТВЕННЫЙ РАДИОТЕХНИЧЕСКИЙ

УНИВЕРСИТЕТ

На правах рукописи

пх -злч

и^и I ->и

Медведев Роман Евгеньевич

Алгоритмы автоматизированного формирования баз знаний для систем дистанционного обучения

Специальность 05.13.11 - Математическое и программное обеспечение вычислительных машин, комплексов и компьютерных сетей

Диссертация

на соискание ученой степени кандидата технических наук

Научный руководитель

доктор технических наук, профессор

Каширин И.Ю.

Рязань-2013

Оглавление

ВВЕДЕНИЕ..................................................................................4

1. 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

2. ГЛАВА 2. ОНТОЛОГИЧЕСКОЕ НАКОПЛЕНИЕ УЧЕБНЫХ ЗНАНИЙ НА ОСНОВЕ СЕРВИСА ИНФОРМАЦИОННЫХ СЕТЕЙ..........48

2.1. Web-cepвиcы как информационные ресурсы глобальных сетей

или информационных хранилищ...................................................48

2.2. Онтологические модели знаний для систем

дистанционного обучения...........................................................49

2.3. Описание ,\Л'еЬ-сервисов с применением языковых конструкций \VSDL и ОШ.-8......................................................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

3. ГЛАВА 3. АВТОМАТИЗИРОВАННОЕ ПРОЕКТИРОВАНИЕ ИНДИВИДУАЛЬНЫХ ТРАСС ОБУЧЕНИЯ........................................74

3.1. Постановка задачи синтеза обучающих ресурсов, ориентированных

на психологическую модель обучаемого.........................................74

2

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

4. ГЛАВА 4. РЕАЛИЗАЦИЯ ПРОГРАММНОГО КОМПЛЕКСА АВТОМАТИЗИРОВАННОГО ФОРМИРОВАНИЯ БАЗЫ УЧЕБНЫХ МАТЕРИАЛОВ.............................................................................98

4.1. Требования к программному комплексу 888ГОЬ.......................98

4.2. Архитектура системы.......................................................100

4.3. Настройка программного комплекса 888ГОЬ..........................102

4.4. Взаимодействие с базой данных..........................................103

4.5. Визуализация контента ПК 888ГОЬ......................................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!....................................................................137

ВВЕДЕНИЕ

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. Постоянно увеличивается 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.

Проведенный анализ современных систем дистанционного обучения (СДО), результатов научных исследований и публикаций показал, что на настоящий момент СДО не реализуют дифференцированный подход к каждому конкретному обучаемому, не принимая во внимание различный уровень знаний обучаемых. При изложении учебного материала в СДО также не учитываются индивидуальные характеристики обучаемых, влияющие на способности к обучению, а также требования к способам представления информации. В системах недостаточно автоматизирован процесс формирования учебно-методического материала и контрольных тестовых заданий, отсутствуют инструменты оценки их качества. Структура курса задается самим преподавателем, что 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 систем дистанционного обучения 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 анализа, теории унификации, теории графов и дескриптивная логика.

Научная новизна:

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

2. Введено понятие изоморфизма подразделов онтологических описаний, а также приведено конструктивное доказательство изоморфизма задач-ной и содержательной частей предложенной прикладной онтологии.

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

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

5. 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 PHP 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 дистанционного образования, за счет: возможности экспорта готовых единиц учебного материала из 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:

1. В учебном процессе Рязанского государственного радиотехнического университета при обучении студентов по специальностям 080801 - «Прикладная информатика (в экономике)» и 230106 - «Применение и эксплуатация автоматизированных систем специального назначения».

2. 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".

3. В программном обеспечении в рамках образовательного портала администрации г. Рязани.

4. В рамках научно-исследовательской работы с администрацией г. Рязани по теме "Создание математического обеспечения и программного инструментария 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 17 работах. В том числе: 2 статьи в изданиях, рекомендуемых ВАК, 9 статей в межвузовских сборниках научных трудов, 4 доклада на международных конференциях, 2 доклада на всероссийских конференциях.

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

Во введении обоснована актуальность темы диссертационной работы, изложены цель и задачи исследования, приведена структура работы.

Первая глава носит обзорный характер. В главе рассмотрены достоинства дистанционного образования, различные средства его поддержки, предложена их классификация. Рассмотрен результат процесса внедрения интеллектуальных технологий в дистанционное образование, нашедший свое от-

ражение в появлении интеллектуальных систем дистанционного обучения (ИСДО). Определены основные принципы реализации ИСДО, приведены их отличительные особенности, преимущества, структура и методы взаимодействия с обучаемым. В главе рассмотрена архитектура ИСДО и выделены основные компоненты системы: модель обучаемого, модель предметной области, модель процесса обучения. Приведены методы построения каждой из моделей, рассмотрены их преимущества и недостатки. Рассмотрены достоинства и недостатки различных моделей представления знаний: логических моделей, фреймов, семантических сетей, продукционных моделей, онтологий. Выявлены и проанализированы методы адаптации ИСДО под нужды конкретного обучаемого, рассмотрены достоинства и недостатки каждого из методов. Выделена проблема представления знаний в ИСДО и определенны задачи для ее решения. Представлены результаты проведенного анализа существующих ИСДО, определенны и сформулированы их недостатки.

Вторая глава посвящена разработке базового формализма для представления и онтологического накопления учебных знаний в СДО с целью их последующей обработки. В главе рассмотрена задача автоматизированного или даже автоматического накопления знаний, в заданной тематической области для последующего обучения. Для ее решения предлагается использовать задачный подход, в котором структура подразделов изучаемой предметной области является изоморфной структуре тестовых примеров, задаваемых для контроля усвоения знаний. Для реализации задачного подхода спроектирована прикладная онтология, в рамках которой можно было бы сформулировать ключевую фразу подхода: "для решения задачи студент должен усвоить все понятия, которые необходимы при ее решении".

Для конструктивной работы с формулами дескриптивной логики определенны два раздела выражений: ТВох и АВох, описывающие абстрактную и конкретную составляющие прикладной онтологии.

В главе рассмотрена задача использования алгоритма унификации О'^'Ъ-выражений для случая полиморфических термов, как одного из сер-

висов накопления знаний в качестве учебных материалов, с помощью \¥80Ь-описания или 0\\*Ъ-8-описания сервиса для предметной области «Обучение».

Рассмотрена содержательная часть процесса обучения, как онтологическая составляющая, из которой выделены факторы, непосредственно влияющие на качество обучения.

В главе рассмотрен изоморфизм, предполагающий взаимнооднозначное соответствие элементов базовых множеств. Приведено конструктивное доказательство изоморфизма двух локальных фрагментов онтологий, как полное структурное совпадение соответствующих правильно построенных формул с точностью до определения соответствия концептов. Значение доказанной теоремы заключается не только в том, что изоморфизм прикладных онтологий открывает путь к их совместному применению как пары («Материал», «Тест») в обучающих системах, но и дает возможность использовать аналогичное доказательство при автоматическом подборе материала в раздел онтологии АВох. В то же время, для автоматического доказательства изоморфизма разделов онтологии АВох, формируемых из информационных хранилищ, необходимо воспользоваться двумя новыми механизмами, раскрываемыми посредством понятий двух понятий, рассмотренных в главе унификация и тезаурус.

В третьей главе рассматриваются алгоритмы проектирования индивидуальных трасс обучения на основе психологического типа личности обучаемого.

Цель теоретических исследований, проведенных в данной главе, может быть сформулирована следующим образом: «необходимо получить математический формализм и инструментальные программные средства, достаточные для адекватной классификации обучающихся по широкому спектру психологических свойств их личностей для выявления наиболее эффективных учебных ресурсов, пригодных обучаемым с конкретными психологическими особенностями».

Сформулированы условия, которые нужно решить, перед тем как предложить обучающемуся тестовую задачу. Для достижения сформулированных условий формализованы и рассмотрены основные понятия.

В главе формализована цель выбора требуемого материала и тестовых задач, описаны принципы выбора единиц учебного материала и тестовых задач на основе подготовленности обучаемого и сложности задач.

Рассмотрен процесс формирования выборки задач и материала специально для обучающегося определенного психологического типа, а также для предметной области, понятия которой должен усвоить этот обучающийся.

В главе описан новый алгоритм идентификации психологического типа личности с точки зрения обучающей системы и рассмотрена взаимосвязь индивидуальных трасс обучения с онтологической системой представления знаний о предметной области.

В четвертой главе рассматривается программный комплекс (ПК) поддержки индивидуализации дистанционного обучения SSSIDL v. 1.1 (Software System to Support Individualization of Distance Learning). В главе приведена архитектура ПК SSSIDL v. 1.1 и схема взаимодействия с СДО.

В главе приведена структура, каждого из компонентов ПК и алгоритмы определения типа личности обучаемого и формирования индивидуальной трассы обучения.

Рассмотрена эффективность работы ПК, оцененная с точки зрения преподавателя и обучаемого. Проанализированы результаты экспериментальных исследований, доказывающие эффективность применения на практике разработанных методов и алгоритмов, реализованных в ПК SSSIDL v. 1.1.

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 ЭЬ-выражений на основе онтологической модели знаний предметной области системы дистанционного обучения для выбора тестового и учебного материала.

3. Общи