автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.10, диссертация на тему:Модели и методы для управления процессом обучения с помощью адаптивных обучающих систем

На правах рукописи

Шабалина Ольга Аркадьевна

I

I МОДЕ ЛИ И МЕТОДЫ ДЛЯ УПРАВЛЕНИЯ ПРОЦЕССОМ ОБУЧЕНИЯ С

ПОМОЩЬЮ АДАПТИВНЫХ ОБУЧАЮЩИХ СИСТЕМ

Специальность 05.13.10 - «Управление в социальных и экономических

системах»

' АВТОРЕФЕРАТ

*

диссертации на соискание ученой степени кандидата технических наук

I

Астрахань - 2005

Работа выполнена на кафедре «Системы автоматизированного проектирования и поискового конструирования» Волгоградского государственного технического университета.

Научный руководитель доктор технических наук, профессор

заслуженный деятель науки РФ Камаев Валерий Анатольевич

Официальные оппоненты: доктор технических наук, профессор,

заслуженный деятель науки РФ Бершадский Александр Моисеевич.

доктор технических наук, профессор Халилов Абдурахман Исмаилович.

Ведущая организация Исследовательский центр проблем

качества подготовки специалистов (г. Москва).

Защита диссертации состоится 17 декабря в 11 часов на заседании диссертационного совета ДМ 212.009.03 при Астраханском государственном университете по адресу: 414056, г. Астрахань, ул. Татищева, д.20а.

С диссертацией можно ознакомиться в библиотеке Астраханского государственного университета.

Автореферат разослан 16 ноября 2005 г.

Ученый секретарь ^^

диссертационного совета /у Петрова И. Ю.

200£± 1114 №

Ш13 3

ОБЩАЯ ХАРАКТЕРИСТИКА 'РАБОТЫ

Актуальность темы. Изменение структуры и содержания высшего профессионального образования, направленное на увеличение разнообразия высшего образования и разработку нового содержания, обеспечивающего социальное, экономическое и культурное развитие, формирует новые потребности в информации и определяет структуру современной информационной среды. Появление новых форм обучения, связанных с развитием дистанционного образования, обусловило потребность в разработке обучающих систем и инструментальных средств для разработки таких систем.

В настоящее время формируется новый принцип построения обучающих систем: процесс обучения в них рассматривается как процесс управления знаниями обучаемого. В рамках этого подхода ведутся работы по разработке интеллектуальных систем управления обучением. Наиболее перспективным с точки зрения поддержки процесса обучения являются адаптивные обучающие системы, т.е. поддерживающие индивидуальный подход в обучении. Однако модели и методы, применяемые в системах, в недостаточной степени учитывают особенности уровня подготовки студентов в российских вузах. Поэтому актуальной является задача разработки принципов построения адаптивных обучающих систем, предназначенных для управления процессом обучения в российских технических вузах.

Цель и задачи работы. Целью диссертационной работы является повышение эффективности управления процессом обучения за счет использования адаптивных обучающих систем.

Для достижения поставленной цели были выделены следующие задачи:

1. Провести анализ современных подходов к персонификации процесса обучения, систем, реализующих эти подходы, анализ предметных курсов, изучаемых в технических вузах, и определить критерии выбора характеристик обучаемого, существенных с точки зрения изучения этих курсов.

2. Разработать модель предметной области, позволяющую учитывать специфику предметных курсов, изучаемых в технических вузах, и обеспечивать поддержку обучения за счет расширения информационными ресурсами из других предметных областей.

3. Разработать модель обучаемого, позволяющую учитывать индивидуальные характеристики, информацию об уровне подготовки в начале процесса обучения и изменение уровня знаний обучаемого в процессе обучения.

4. Разработать адаптационную модель и алгоритмы отображения электронных курсов на основе модели обучаемого, реализующие технологии адаптивного представления структуры и содержания курсов.

5. Реализовать предложенные модели и алгоритмы в системе для разработки адаптивных об

. НАЦИОНАЛ * < А БИБЛИОТЕК СОе «8

ЛИОТЕКл (

Методы исследования. Для решения поставленных задач были использованы методы системного анализа, искусственного интеллекта, проектирования интерактивных систем, теории вероятности, теории принятия решений, теории графов и теории множеств, проектирования систем баз данных, формализованного представления сложных структур данных.

Научная новизна результатов, выносимых на защиту, заключается в создании адаптационных моделей и методов для обеспечения функциональности адаптивных обучающих систем, а именно:

1. Разработана модель предметной области на основе семантической сети, дополненной узлами, позволяющими обеспечивать информационную поддержку процесса обучения, и оценивать уровень знания предметной области по результатам тестирования.

2. Разработана модель обучаемого, представляемая как наложение на модель предметной области, и интерпретируемая как байесовская сеть доверия, отображающая зависимости уровня знаний по всем узлам сети предметной области, позволяющая учитывать индивидуальные характеристики, информацию об уровне подготовки в начале процесса обучения, и изменение уровня текущих знаний обучаемого в процессе обучения на основе механизма байесовского вывода .

3. Разработана адаптационная модель, включающая набор алгоритмов и правил и реализующая технологии адаптации структуры и отображения курса на основе модели обучаемого.

Практическая ценность работы.

1. На основе предложенных моделей и алгоритмов разработана автоматизированная система, позволяющая создавать адаптивные обучающие курсы по различным дисциплинам. Разработана методика описания предметных курсов для использования в системе и созданы описания предметных курсов «Язык С» и «Теория автоматического управления». Использование адаптивных систем позволяет повысить эффективность процесса обучения в режимах дистанционного и самостоятельного обучения.

2. Реализованы дополнительные внешние модули тестирования и поддержки решения алгоритмических задач. Использование этих модулей для оценки уровня знаний обучаемого позволяет повысить достоверность модели обучаемого в системе.

Реализация результатов работы. Система внедрена в учебный процесс ВолгГТУ и использовалась при изучении по курсам «Язык С» и «Теория автоматического управления».

Апробация работы. Основные положения и материалы диссертации докладывались на X Международной конференции «Системные проблемы надежности, качества, информационных и электронных технологий» («Инноватика-2005», г. Сочи, 3-14 октября 2005 г.), XXXII Международной конференции и дискуссионном научном клубе «Информационные технологии в науке, образовании, телекоммуникации и бизнесе» (Украина, Крым, Ялта-Гурзуф, 20-30 мая, 2005г), на международной научно-методической конференции «Информационные технологии в образовании, технике и медицине» (Россия, Волгоград, 18-22 окт. 2004г.), на

международной научно-технической конференции «Системные проблемы надёжности, качества, информационных и электронных технологий в инновационных проектах» («Инноватика - 2004», г. Сочи, 3-14 октября 2004г.) и других международных научно-технических и научно-практических конференциях.

Публикации. По теме диссертации опубликовано 20 печатных работ, в том числе: 5 публикаций в изданиях центральной печати, 1 статья в сборнике научных трудов, 14 статей в сборниках российских и международных научных конференций.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложений. Работа содержит 139 страниц машинописного текста, 37 рисунков,5 таблиц и список литературы из 109 наименований.

Автор выражает глубокую признательность д. ф.-м. н. Жоге В. В. за помощь в разработке наполнения курса «Теория автоматического управления» для использования в адаптивной обучающей системе.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, дана общая характеристика работы.

В первой главе проведен анализ подходов к управлению процессом обучения и применимость этих подходов к решению поставленных задач, анализ современных адаптивных обучающих систем и инструментальных средств их разработки, применяемых в них моделей и алгоритмов, определена научная проблема, ее актуальность, цели и задачи исследования.

Для управления процессом обучения используются подходы, основанные на применении адаптивных систем управления обучением. Изучены работы по исследованию проблем создания адаптивных систем. Первые исследования в этой области относятся к работам Алена, Коена, Перо Элейн Рич. Большой вклад в область разработки методов обеспечения персонализации процесса обучения внесли П. Брусиловский, Бомон, Де Бра, А. Кобза, Г. Вебер, Фишер, Каплан, Кальви, Де Бра, Л.Растригин, Д. Кей, Василева Д. и другие.

Под адаптивными обучающими системами понимают системы, поддерживающие индивидуальный подход в обучении. Рассмотрены подходы к обеспечению процесса адаптации в таких системах, которые основаны на использовании следующих моделей: модель предметной области, модель обучаемого и адаптационная модель. В модели обучаемого информация о нем представляется набором характеристик. Для оценки знаний обучаемого в предметной области строится модель, которая отражает его знания в изучаемой предметной области.

Рассмотрены модели и методы, используемые в современных адаптивных системах, выявлены их достоинства и недостатки. Анализ показал, что модели обучаемого позволяют учитывать ограниченный набор характеристик, отсутствует единый подход к способам представления информации об обучаемых и механизмов оценки этих характеристик в модели обучаемого. Не разработаны

механизмы, позволяющие обеспечить поддержку процесса обучения в случае недостаточной подготовки к изучению выбранных предметных курсов. Адаптивное предел явление материала курса не зависит от его специфики. В адаптивных системах, доступных для пользования, нет возможности формирования новых электронных курсов. На основе анализа подходов к персонификации процесса обучения, моделей и методов адаптации и систем, реализующих эти методы, сформулированы цель и задачи работы.

Во второй главе сформулированы требования и описана модель обучаемого для адаптации процесса обучения в обучающих системах. Проведен анализ требований к подготовке специалистов и контингента студентов, обучающихся в технических вузах, их различий с точки зрения начальной подготовки, форм и способов обучения, и сформулированы требования к модели обучаемого. Разработана модель обучаемого, представленная кортежем:

Learner _ Model = (Knowledge, Goals, Pr eferences, Language _ Comprehension, lnd _ Type)), где Knowledge- знания обучаемого, Goals - цели обучения, Pr eferences - предпочтения, Language_Comprehension — уровень понимания русского языка, lnd_Туре- тип обучаемого, определяющий его индивидуальные свойства с точки зрения обучения.

Характеристика Knowledge включает три множества знаний обучаемого: Knowledge - (Active _ Knowledge, Initial Knowledge, Background), где Active _ Knowledge -текущие знания изучаемого предметного курса; Initial _ Knowledge - начальные знания изучаемого предметного курса; Background - знания в других предметных областях, влияющие на процесс изучения . Для оценки характеристики Knowledge разработана модель предметной области, представляемая семантической сетью, в которой узлы являются концептами, а дуги определяют связи между концептами (рисунок 1). Под концептом при этом понимается абстрактное представление информационного элемента. Модель представляется кортежем вида: DM = iy,R\где V- множество концептов предметной области, R- множество связей.

V = Knowledge _ Domain и Test _ Domain kj Support _ Domain ,где Knowledge Domain = {C,,C2.....С J - множество концептов изучаемой предметной области; Support Domain - {S_C,,S_C2, ~,S_C„}- множество концептов предметных областей, обеспечивающих поддержку процесса обучения; Test_ Domain = {Г _ С,, Г _ С2,...,Г _ С„}- множество концептов тестирования, добавленное для расчета модели обучаемого. Множество концептов тестирования включает в себя два множества:Test_Domain = ?reT Domain\jT Domain,где Pr e Г _ Domain -IN _?reT _ Domain kj В _?reT _ Domain . IN _Pr eT _ Domain- множество тестов для оценки начальных знаний (характеристика initial Knowledge) и BJPreT Domain - для оценки «параллельных знаний» (характеристика Background)-, Т Domain- множество тестов для оценки текущих знаний (характеристика Active ^Knowledge ).

R- множество отношений между концептами. Определены четыре типа отношений Л между узлами сети предметной области:

Л = { "dependence",if(c„CJ inclusion", if (s _С„С)

"belonging",if(r_C,,Cj ^;join",if(child_C„parent_C, ^ }.

Для оценки знаний обучаемого выбрана вероятностная оверлейная модель, которая представляет знания обучаемого, как наложение на разработанную модель предметной области. Для каждого концепта предметной области в модели знаний определена переменная, которая определяет уровень знания этого концепта и рассчитывается на вероятностной шкале.

Рисунок 1 - Семантическая сеть предметной области

Для расчета переменных модель знаний обучаемого интерпретируется как байесовская сеть доверия (рисунок 2). Определены причинно-следственные связи между переменными с точки зрения зависимостей знаний соответствующих концептов. Параметр Knowledge в модели обучаемого называется моделью знаний обучаемого и представляется множеством вида: Knowledge = {KLt,KL2, .,KLn }, где KLi- переменная, определяющая уровень знания концепта С' сети предметной области на вероятностной шкале. Используется дискретная шкала с четырьмя значениями: KL-{E','G','S','N' }, где: '£" - «отличные знания»; - «хорошие знания»; 'S' - «удовлетворительные знания»; 'N' - «неудовлетворительные зна-

ния». Значение каждой переменной № определяется таблицей условных вероятностей (СРТ) состояний переменной Р(КЬ,) вида:

KL

'Е' 'G' 'S' 'N'

P(KL, ='£') P(KL, ='G') P(KL, ='S') P(KL, ='N')

Характеристика Goals содержит цели обучения. Характеристика Preferences представляет собой привычки обучаемого к конкретному интерфейсу, которые определяются им самим, ind_Туре- тип обучаемого, определяющий его индивидуальные свойства. Для оценки типа используется подход, основанный на стереотипном моделировании. Ind _Туре = {" Stereotype^ Stereotype^', .,Stereotype„} , где "Stereotype"- стереотип обучаемого, определяемый по результатам тестирования.

I СРТ таблица условных вероятностей состояний переменной KU

Рисунок 2 - Байесовская сеть для оценки знаний обучаемого

Для оценки текущих знаний используются концепты тестирования множества Test Domain, которые являются узлами-потомками концептов множества Knowledge _ Domain. Таблицы априорных вероятностей для этих узлов определяют априорные зависимости результатов тестирования от знания соответствующего концепта из Knowledge Domain. Распределения вероятностей переменных Kli в узлах С, рассчитываются на основе свидетельств о результатах тестирования, передаваемых узлам Т_С, . Свидетельства могут передаваться Г_С, из внешних

источников, или рассчитываться по результатам тестирования в системе. Для этого к узлам Т_С, добавляются узлы-потомки Т_С, ~ тесты с таблицами условных вероятностей с булевой шкалой оценки переменных КЫ (рисунок 3). Такой механизм позволяет проводить адаптивное тестирование, т.е. вопросы могут генерироваться для Г_С, , пока не будет достигнут приемлемый уровень изученности концепта.

KL,.,(Ci) KL,(T_CJ

Е G s N

Е P(KU ='Е)/Р(КЦ, P(KU .'G'J/РГЮц -El PIKU ='S w, , ='£') P(KU , *E1

G P(KU ^EVPIKlf, * GJ P(KU » G УР(К1^, ='G'J PIKU »'SVPtKL,, ='G7 PfKU =Ю/Р1<%_,

S PIKU ='Е)/Р(КЦ , »'SJ PfKU »GWK1,., =S!) P(KU -'S'J/PfKI, , x'S) PIKU = N')/P(Kli t = S)

N P/KLi E')/P(KL, ,-N) P(KLi =в)/Р(КЦ., ''N') P(KU = SyPfKL,, = N-) P(KU = N'yP(KL,

KL,(C,)

£ в s N

Е P(KL, *'EyP(KL„ •T) Р(ки =ада„ ••£■) PIKU '-syPIЮ.и 'VI PIKU •'NyPIKLi.1 -'£5

в PIKU *'£')/Р(Ю.и p(Kh =-c'j PIKU 'SyPtKLi_, -GJ PfKU ='G'J

S P(KU *'EyP(KLh1 PfKU ='S'>P|KLh1 ='SV PIKU -фРуО-и -'S') P(KU *WVP(KL^ *■$■>

N P(KU ''EyP(KLht -WJ PfKU ='GWKLM =wi P(KU -'S'yPIKL^ -wi PIKU ■ИУРСЮ.-W)

Ю, (Г.С„)

Yes

Р(КЬ • Yes'yPiKb'^l

P(KLfVmmKL,°Gt)

PIKU = Yes = S)

P(KU=YesyP(Kj,'N)

Wo

Р1кп=ш)л>1к1,*0)

PfKL'-NayPtKbiS)

Cf кончили мноакти \ Knowtedgc Domam

T Cj. концепт

множества

TDommin

T_C| -тесты для оценки знаний концепта Ci

Рисунок 3 - Фрагмент сети для оценки текущих знаний обучаемого

В оверлейной вероятностной модели априорные вероятности для всех узлов сети задаются экспертом в предметной области, т.е. вероятностная оверлейная модель не позволяет идентифицировать обучаемого в начале процесса обучения. Разработанная модель предметной обласга позволяет использовать байесовский механизм вывода для инициализации модели обучаемого. В модель предметной области добавляются концепты тестирования Pr еТ_ Domain для оценки характеристик Background И Initial _ Knowledge И определяются концепты предметной области, знания которых зависят от Background и Initial _ Knowledge. При этом узлы тестирования являются узлами-причинами, определяющими априорный уровень знания в выбранных узлах предметной области Knowledge Domain. Для более тонкой инициализации модели обучаемого можно декомпозировать критерии характеристик, и строить дерево тестов для их оценки (рисунок 4).

Предложенный подход позволяет использовать Байесов механизм вывода как для инициализации модели обучаемого, так и для обновления модели. При этом можно выбирать требуемую точность оценки начальных и текущих знаний обучаемого за счет изменения количества уровней в дереве узлов тестирования с корнем Т_С, и количества узлов Т С, (на каждом уровне.

Рисунок 4 - Фрагмент сети для инициализации модели обучаемого

Для обеспечения адаптации курса каждому концепту модели обучаемого соотнесен набор атрибутов, определяющих состояние обучаемого относительно этого концепта. Значения атрибутов хранятся в профиле обучаемого вида:

LP = {с, /State ,С2 /State , ..,С„ /State }, где С,/State - состояние обучаемого State по концепту С,, определяемое из набора значений. Множество состояний State имеет вид: State - (if Open,R,L,,k),где if Open- признак посещения концепта С,; R- готовность к изучению концепта, L- изученность концепта, К- знание концепта S С,. Для каждого атрибута определено свое множество значений. Таким образом, профиль обучаемого хранит информацию о состоянии обучаемого в процессе его работы с обучающей системой.

В третьей главе разработаны адаптационная модель и алгоритмы построения адаптивных электронных курсов на основе разработанной модели обучаемого.

Для разработки алгоритмов действий системы по обеспечению адаптации выбраны технологии адаптации. Технические приемы, реализующие эти технологии, составляют адаптационную модель, представляемую видом: AM = {LP,RP,KP,NextCP,FLP), где LP алгоритм расчета атрибута «изученность»; RP - алгоритм расчета атрибута «готовность»; КР - алгоритм расчета атрибута «знание»; NextCP- алгоритм выбора следующего концепта для изучения; FLP -алгоритм генерации страницы. Алгоритмы расчета атрибутов концептов реализуют механизм интерпретации результатов вывода на байесовской сети. Входными данными являются значения соответствующих переменных KL, модели обучаемого. Для каждой переменной рассчитывается ее математическое ожидание M(KL,) по таблице распределения вероятностей. Для каждого атрибута определена дискретная шкала оценки и значения атрибутов на шкалах. До тех пор, не

имеется свидетельств о результатах изучения концепта, его состояние оценивается атрибутом Л После получения свидетельства в виде результатов тестирования рассчитывается значение атрибута I. Значения этих атрибутов визуализируются в процессе работы с системой в виде аннотированных ссылок (рисунок 5). Атрибут К сопоставлен только узлам поддержки и используется для генерации страницы представления концепта.

Алгоритм выбора следующего концепта для изучения используется для выбора стратегии обучения, которая определяет возможные пути перемещения в информационном пространстве. На каждом шаге обучения определяются концепты, готовые к изучению, и рекомендуется к изучению концепт, имеющий лучшее значение готовности. Для отображения используется технология прямого руководства.

Состояние концепта Отображение концепта Цвет отображения

"готов" синий

"не готов" X красный

"изучен* зеленый

"рекомендуется" синий

* О Концепт,

* О Конце

* О Концепт» И О Концепта ч/О Концепте О Концегтт7 ♦О Концепте О Конц епта

* Оконцепт10 М ОКонцепт,,

пример

Рисунок 5 - Представление структуры курса

Для обеспечения адаптивного представления страницы разработана структура информационного пространства в виде элементов, из которых будут генерироваться терминальные страницы курса (гиперпространство). Определены связи между гиперпространством и пространством предметной области (индексация курса). Выбран метод кластерной индексации концептов, который позволяет применить наиболее гибкие механизмы адаптации на основе модели обучаемого. Под кластерами понимаются элементы, из которых генерируются страницы представления изучаемых концептов курса.

Кластер представляется кортежем вида: Cluster = (id С, Attr,Des), где Id C-множество идентификаторов концептов предметной области, проиндексированных с кластером;; Attr- множество атрибутов кластера; Des- контент кластера. Attr = {InstrObject __ Type, Difficulty, Coal, Presentation _ Type}. InstrObject _ Type - ролевой тип кластера (значения типов соответствуют объектам учебной онтологии), Difficulty-уровень сложности кластера, Goal - назначение кластера, Presentation Туре - способ представления содержания. Атрибуты кластера используются для определения включения их в страницу.

Разработан алгоритм генерации страницы из кластеров. Страница генерируется из двух компонент: компонент представления изучаемой предметной области, и компонент, обеспечивающая информационную поддержку (рисунок 6).

Компонент представления концепта предметной области С/генерируется из кластеров, проиндексированных с этим концептом. Для выбора кластеров и определения последовательности их включения в страницу используются эвристические правила.

Формат правила определения последовательности кластеров для включения В страницу: select(Stereotype ¡Sequence), if (Ш .InstrObject _ Type = Stereotype_ i. Правила выбора кластера для включения в страницу определяют истинность включения кластера по соотнесению значений его атрибутов и значений характеристик в модели обучаемого. Формат правила выбора кластера для включения в страницу:

se¡ect(Cluster:), ifClusrert .Attr = value¡and (_ Learner _ Model.Language _ Comprehension = value t)

and ( Learner _ Model.Ind _ Type = value,).. mid(_ Learner _ Model.Goals = valuem) для всех значений из множества Attги множества Earner Model ДдЯ кажд0го стереотипа обучаемого задается своя последовательность типов кластеров для включения в страницу по правилу:

Stereotype _ t.Sequence = {InstrObject _ Type _Id 1, InstrObject _ Type _Id2, , InstrObject _ Type IdN)

Вариант 4

ГсГ) - концепт множества ч—Knowiedge_Domain

©- концепт множества Support_Domain

j -Cluster,

Cluster, Attr, rvalue,, Cluster, Attr2=value,2

Cluster, Attr„=value¡„

Рисунок 6 - Варианты представления страницы для концепта С,

Для добавления кластеров, обеспечивающих дополнительную информацию, необходимую для изучения С/, разработан механизм, основанный на выводе на байесовской сети. При выборе концепта для изучения С/ рассчитываются значения атрибута К для всех концептов множества S_ Domain, связанных с а связью типа «inclusion», и определяется по правилу включения необходимость добавления кластеров, проиндексированных с этими концептами в генерируемую страницу. Такой механизм позволяет выявлять проблемы обучаемого, связанные с недостаточными знаниями в других предметных областях, и обеспечивать обучаемого информационной поддержкой (рисунок 7).

Для оценки модели обучаемого определено понятие адекватности модели обучаемого как способности идентифицировать обучаемого в контексте предметной области, т.е. степени соответствия информации о нем в модели его реальным характеристикам, играющим важную роль при обучении. Для оценки адекватно-

сти модели использовался критерий чувствительности. Под чувствительностью модели знаний обучаемого по параметру Р понимается отношение изменения заключения системы о характеристике обучаемого, к изменению значения измеряемого параметра: = , где 8Р - чувствительность модели знаний обучаемого

по параметру Р, - изменение заключения системы о характеристике знаний обучаемого, АР - изменение значения измеряемого параметра модели.

▼ L<. изученность кончит i | KL ci - концолт прадматиой области

^«Отличные знания» (."«Хороши* знания»

Порог ициочиния

коицапта поддащкки Т

Ь=«Удовлотворнтмьныа

¡3-

L»*HeyrtO«Jwi»opHi«nb»b*a

С7 Концапты прадмотной области С,

Рисунок 7 - Зависимость включения в страницу концептов поддержки 5_С, от уровня знания концептов С,

Для расчета чувствительности разработанной модели обучаемого был смоделирован процесс обучения и проанализированы результаты адаптации системы для различных типов обучаемых. Была рассчитана чувствительность модели знаний обучаемого к колебаниям поступающих на вход модели данных о тестировании (рисунок 8).

Ъеяо псх^апоп оиеюк

-API АЯ>АИ> ДРЗ> АР4

— АР2 ЛР1 - нестабильный стиль обучения

4РЗ 4/>4 . стабильный стиль обучения -ли

Рисунок 8 - Зависимости чувствительности модели знаний обучаемого Knowledge от числа пройденных концептов предметной области С,

Анализ полученных зависимостей показал, что построенная модель адаптируется к процессу обучения с учетом стабильности показываемых результатов обучения. Чем выше стабильность результатов обучаемого, тем меньше отклонения от ожидаемых результатов влияют на оценку уровня знаний.

В четвертой главе сформулированы требования к автоматизированной системе для разработки адаптивных обучающих курсов, описана ее функциональная структура, показан алгоритм процесса адаптации, описана архитектура системы .

Разработанная система представляет собой клиент-серверную систему. Структурная модель системы включает три уровня: клиентское приложение, сервер приложений, сервер базы данных с ядром MySQL. Клиентская часть включает в себя пользовательский интерфейс к системе, работа с которым осуществляется с использованием Web-браузера. Второй уровень - сервер приложений, третий уровень - базы данных системы. Все компоненты, задействованные в процессе адаптации, располагаются на сервере. Архитектура системы представлена на рисунке 9. Подсистема «Расчет модели» использует алгоритмы расчета байесовских сетей, реализованные в Hugin API . Подсистема «Разработка курса» предоставляет возможность авторам курсов обеспечивать наполнение соответствующих баз данных.

Разработана методика описания курсов и показаны примеры наполнения, реализованные в системе по двум предметным курсам.

Подсистема ■Поддержке рецюиип 1ЩЯЧ»

Подсистема «Управление процессом обучения»

ZHZ

Рисунок 9 - Архитектура системы

Для оценки навыков, полученных в результате изучения предметных курсов, разработаны подходы, основанные на конструктивистской теории обучения. Такие подходы требуют учета специфики изучаемой предметной области и решаемых в этой области задач, т.е. они являются контентно-зависимыми. Для предметной области «Язык С» реализован модуль «Поддержка решения задач».

Результаты работы системы для двух групп обучаемых показаны на рисунках 10,11. На рисунке 10 показаны результаты процесса обучения, когда обучаемые не использовали рекомендаций системы, т.е. выбирали концепты, которые системой были определены как не готовые к изучению. В результате обучаемые демонстрировали низкий уровень знаний по всем изученным концептам предметной области, наблюдалась тенденция к снижению уровня полученных знаний в процессе обучения.

прадмтмой

С1 С2 СЗ С4 С5 С6 С7 С8 овме™

Рисунок 10 - Результаты обучения в режиме, определяемом обучаемым

На рисунке 11 показан процесс обучения, когда обучаемые следовали

Рисунок 11 - Результаты обучения в режиме адаптивного обучения рекомендациям системы, и в результате продемонстрировали достаточный уровень изученности всех выбранных концептов предметной области.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

Основные научные и прикладные результаты диссертационной работы заключаются в следующем:

1. Разработана модель предметной области на основе семантической сети, расширенной дополнительными узлами, что позволяет учитывать специфику предметных курсов и обеспечивать поддержку обучения информационными ресурсами из других предметных областей.

2. Разработана модель обучаемого, представляемая как расширение модели предметной области и интерпретируемая как байесовская сеть доверия, отображающая уровень знаний предметной области, позволяющая учитывать индивидуальные характеристики, информацию об уровне подготовки в начале процесса обучения и изменение уровня текущих знаний обучаемого на основе механизма байесовского вывода.

3. Разработана адаптационная модель, включающая набор алгоритмов и правил представления структуры и содержания курса, которые позволяют персонифицировать представление электронных обучающих средств на основе модели обучаемого, и реализовывать технологии высокоуровневой и низкоуровневой адаптации, необходимые для обеспечения требований к процессу управления обучением.

4. На основе предложенных моделей и алгоритмов адаптации разработана оболочка для создания адаптивных обучающих систем по различным дисциплинам.

5. Разработана методика описания предметных курсов для использования в системе и созданы описания предметных курсов «Язык С» и «Теория автоматического управления» на основе разработанной методики.

6. Реализованы дополнительные модули тестирования и поддержки решения алгоритмических задач для оценки уровня знаний на основе навыков в обучающей системе.

В целом, полученные результаты позволяют повысить качество и эффективность процесса обучения при дистанционном обучении и при самостоятельном изучении различных дисциплин с использованием адаптивной обучающей системы.

ОПУБЛИКОВАННЫЕ РАБОТЫ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Шабалина,0. А. Модели и методы адаптации для управления знаниями в обучающих системах //Системные проблемы надежности, качества, информационных и электронных технологий (Инноватика - 2005): Материалы ХМеждународной конференции и Российской научной школы//Науч. центр "АСОНИКА" и др.- М., 2005,- Ч.4.- С.86-89.

2. Шебалина,О. А. Модели и методы адаптации для управления знаниями с помощью адаптивных обучающих систем /Открытое образование и информационные технологи: Материалы Всероссийской научно-

методической конференции (приложение к журналу "Открытое образование" )/ Пенза, октябрь 2005, с. 306 - 310.

3. Воробкалов,П.Н. Критерии оценки качества адаптивных систем / П.Н.Воробкалов, О.А.Шабалина //Технологии Microsoft в теории и практике программирования, Москва, 17-18 февр. 2005 г. (к 175-летию МГТУ им.Н.Э.Баумана): Тр. Всерос. конф. студ., аспир. и мол. ученых, Центр, регион /МГТУ им. Н.Э.Баумана и др.- М., 2005.- С.112.

4. Жданов,И.С. Интеллектуальное управление процессом разработки учебных проектов / И.С.Жданов, О.А.Шабалина //Высшее профессиональное образование в современной России: перспективы, проблемы, решения: матер, ме-ждунар. н.-мет. конф.: в рамках Междунар. науч. симпоз., посвящ. 140-лет. МГТУ МАМИ /МГТУ МАМИ и др.- М., 2005,- Секц.5.- С.40-41.

5. Жданов,И.С. Организация интеллектуальной поддержки решения учебных задач в автоматизированной обучающей системе /И.С.Жданов, О.А.Шабалина //Технологии Microsoft в теории и практике программирования, Москва, 17-18 февр. 2005 г. (к 175-летию МГТУ им.НЭ.Баумана): Тр. Всерос. конф. студ., аспир. и мол. ученых, Центр, регион /МГТУ им. Н.Э.Баумана и др.- М., 2005.- С,113.

6. Сычев,A.B. Разработка концепции адаптивной обучающей системы для обучения общепрофессиональным дисциплинам /А.В.Сычев, О.А.Шабалина //Технологии Microsoft в теории и практике программирования, Москва, 1718 февр. 2005 г. (к 175-летию МГТУ им.Н.Э.Баумана): Тр. Всерос. конф. студ., аспир. и мол. ученых, Центр, регион /МГТУ им. Н.Э.Баумана и др.-М., 2005.-С.121.

7. Шабалина,О.А. Интеллектуальная поддержка разработки учебных проектов на основе технологии структурного проектирования /О.А.Шабалина, И.С.Жданов //Технологии Интернет - на службу отечеству (Актуальные проблемы использования и развития Интернет / Интранет технологий): сб. статей по матер. Всерос. науч.-практич. конф. /Саратов, гос. техн. ун-т.- Саратов, 2005,- С.388-391.

8. Шабалина,О.А. Модели предметной области, обучаемого и адаптации для адаптивных гипермедиа обучающих систем /О.А.Шабалина, А.В.Сычев// Информационные технологии в науке, образовании, телекоммуникации и бизнесе (IT+S&E'05), майская сессия: матер. XXXII Междунар. конф. и III Международной конф. Молодых ученых/Украина, Крым, Ялта-Гурзуф, 2030 мая, 2005г.

9. Шабалина,О.А. Модель пользователя для изучения языков программирования в адаптивной обучающей системе /О.А.Шабалина //Вестник компьютерных и информационных технологий: Ежемесячный науч.-техн. и производ. журнал.-2005 .-№2.- С.36-39.

Ю.Жданов,И.С. Поддержка разработки учебных проектов в системе дистанционного обучения / И.С.Жданов, О.А.Шабалина //Технологии Интернет - на службу обществу: Сборн. статей по матер. Всероссийской научно-практич. конф. /Саратовский гос. техн. ун-т.- Саратов, 2004.- С. 124-123.

11 .Жукова,И.Г. Разработка модели обучаемого для создания адаптивных электронных курсов / И.Г.Жукова, М.Б.Сипливая, О.А.Шабалина// Информатика и общество. I&S'2004: Материалы Международного семинара, Словакия, Нижние Татры, 10-24 января 2004 г.- [Запорожье], 2004,- С.39-40.

12.Лащенов,В.С. Автоматизированная система для подготовки иностранных студентов к изучению предметных курсов /В.С.Лащенов, О.А.Шабалина, ЧанлиЧжао //Информационные технологии в образовании, технике и медицине: Матер, междунар. конф., Россия, Волгоград, 18-22 окт. 2004г. /ВолгГТУ и др.- Волгоград, 2004,- Т.1.- С.212-217.

13.Лащенов,В.С. Совершенствование учебного процесса по русскому языку за счет использования обучающей системы /В.С.Лащенов, ЧанлиДжао, О.А.Шабалина //Техническая кибернетика, радиоэлектроника и системы управления. КРЭС'04: Тез. докл. VII Всерос. науч. конф. студ. и асп., 14-15 окт. /Таганрог, гос. радиотехн. ун-т и др.- Таганрог,2004,- С.247.

14.Шабалина,О.А. Механизм инициализации оверлейной модели знаний пользователя для построения адаптивных электронных курсов / О.А.Шабалина, А.В.Сидоров //Информационные технологии в образовании, технике и медицине: Матер, междунар. конф., Россия, Волгоград, 18-22 окт. 2004г. /ВолгГТУ и др.- Волгоград, 2004.- Т.1.- С.312-315.

15.Шабалина,О.А. Модель пользователя для изучения языков программирования в адаптивной обучающей системе /О.А.Шабалина //Системные проблемы надежности, качества, информационных и электронных технологий (Инноватика - 2004): Матер. Международ, конф. и Российской науч. школы /Науч. центр "АСОНИКА" и др.- М„ 2004,- Ч.2.- С.112.

16.Шабалина,О.А. Модель пользователя для оценки знаний в адаптивной обучающей системе / О.А.Шабалина //Успехи современного естествознания: Науч.-теор. журнал: Приложение №1. Материалы XXXI Междунар. конф. IT+SF2004.- 2004.-№5.-С.281-283.

17.Шабалина,О.А. Проблемы разработки обучающих систем для системы дополнительного профессионального образования /О.А.Шабалина //Дополнительное профессиональное образование,- 2004.-№1,- С.35-37.

18.Жукова,И.Г. Концепции открытой адаптивной контрольно-обучающей системы на основе персонализации процесса обучения / И.Г.Жукова, М.Б.Сипливая, О.А.Шабалина //Системные проблемы качества, математического моделирования, информационных и электронных технологий: Матер. Междунар. науч.-техн. конф. и Рос. науч. школы /МИЭМ.- М., 2003,-Ч.10.-С.15-16.

19.Жукова,И.Г. Концепция открытой адаптивной контрольно - обучающей системы на основе персонализации процесса обучения / И.Г.Жукова, М.Б.Сипливая, О.А.Шабалина //Информационные технологии в проектировании и производстве: Научно - технический журнал.- 2003.-№3.-С.20-23.

20.Жукова,И.Г. Концепция открытой адаптивной контрольно - обучающей системы на основе персонализации процесса обучения / И.Г.Жукова, М.Б.Сипливая, О.А.Шабалина //Системотехника: Сетевой электрон, науч. журнал (http:// systech.miem.edu.ru).- 2003.-№1.- С.[6 е.].

Подписано в печать 12.02.2004. Формат 60x84 1/16. Бумага писчая. Печать плоская. Усл. печ. л. 1.1 Тираж 100 экз. Заказ 775 .

Волгоградский государственный технический университет. 4000131 Волгоград, просп. им. В. И. Ленина, 28.

РПК «Политехник» Волгоградского государственного технического университета.

400131, Волгоград, ул. Советская, 35.

122 6 55

РНБ Русский фонд

2006-4 23479

t

\

ВВЕДЕНИЕ.

ГЛАВА 1 СОВРЕМЕННЫЕ ПОДХОДЫ К УПРАВЛЕНИЮ ПРОЦЕССОМ ОБУЧЕНИЯ В ВЫСШИХ УЧЕБНЫХ ЗАВЕДЕНИЯХ.

1.1 Модели высшего образования.

1.2 Управление процессом обучения с использованием адаптивных обучающих систем.

1.3 Анализ педагогических теорий обучения.

1.4 Этапы разработки адаптивных систем.

1.5 Характеристики обучаемых, используемые в современных адаптивных системах.

1.6. Оценка знаний обучаемого.

1.7 Адаптационные модели.

1.8 Анализ адаптивных обучающих систем и оболочек для их разработки

1.9 Выводы.

1.10 Постановка задачи.

ГЛАВА 2 МОДЕЛЬ ОБУЧАЕМОГО.

2.1 Требования к модели обучаемого.

2.2 Выбор параметров модели обучаемого.

2.3 Выбор способов сбора информации об обучаемом.

2.4 Оценка знаний обучаемого.

2.4.1 Модель предметной области.

2.4.2 Модель знаний обучаемого.

2.4.3 Расчет параметров модели обучаемого.

2.5 Профиль обучаемого.

2.6 Выводы.

ГЛАВА 3 МЕХАНИЗМЫ АДАПТАЦИИ ЭЛЕКТРОННОГО КУРСА.

3.1 Выбор технологий и приемов адаптации.

3.2 Адаптационная модель.

3.2.1 Расчет атрибутов профиля обучаемого.

3.2.2. Механизм формирования стратегии обучения.

3.3 Структурирование гиперпространства.

3.3.1 Индексация курса.

3.3.2 Описание кластера.

3.3.3 Алгоритм генерации страницы.

3.4 Оценка качества модели обучаемого.

3.5 Выводы.

ГЛАВА 4 АВТОМАТИЗИРОВАННАЯ СИСТЕМА ДЛЯ РАЗРАБОТКИ АДАПТИВНЫХ ЭЛЕКТРОННЫХ КУРСОВ.

4.1 Методика разработки электронных курсов.

4.2 Архитектура системы.

4.3 Подсистема оценки знаний обучаемого по результатам решения задач.

4.4 Анализ механизмов адаптации.

4.4.1 Анализ эффективности процесса обучения в режиме адаптации.

4.4.2. Оценка механизмов обеспечения информационной поддержки

4.5 Выводы.

4.6 Основные результаты работы.

Изменение структуры и содержания высшего профессионального образования, направленное на увеличение разнообразия высшего образования и разработку нового содержания, обеспечивающего социальное, экономическое и культурное развитие, формирует новые потребности в информации и определяет структуру современной информационной среды. Появление новых форм обучения, связанных с развитием дистанционного образования, обусловило потребность в разработке обучающих систем и инструментальных средств для разработки таких систем.

В высшей школе есть большой потенциал для развития новых форм и методов обучения на основе новых информационных технологий: наличие соответствующей материальной базы, квалифицированных инженерно-педагогических и научно-педагогических кадров, оперативная разработка новых учебных планов и курсов, развитие коммерциализации в образовательной деятельности и т.п. С другой стороны, современные условия быстрого технологического развития диктуют новые подходы и методы поддержки высокого профессионального уровня руководящих и инженерных кадров. Непрерывный процесс повышения квалификации и обновления профессиональных знаний стал неотъемлемой частью работы менеджеров и технических работников всех уровней в большинстве крупных корпораций и банков мира, что является необходимым условием выживания коммерческой организации при существующей жесткой конкуренции.

Оснащение инфраструктуры системы высшей школы России средствами вычислительной техники, программным обеспечением, видеоаппаратурой, телекоммуникационными средствами и другой информационной техникой является одной из основных проблем информатизации обучения на основе дистанционных технологий образования. Однако, максимальная эффективность их использования достигается разработкой специального программнометодического обеспечения для внедрения и использования новых технологий обучения в образовании.

В настоящее время формируется новый принцип построения обучающих систем: процесс обучения в них рассматривается как процесс управления знаниями обучаемого. В рамках этого подхода ведутся работы по разработке интеллектуальных систем управления обучением. Наиболее перспективным с точки зрения поддержки процесса обучения являются адаптивные обучающие системы, т.е. поддерживающие индивидуальный подход в обучении. Однако модели и методы, применяемые в системах, в недостаточной степени учитывают особенности уровня подготовки студентов в российских вузах. Поэтому актуальной является задача разработки принципов построения адаптивных обучающих систем, предназначенных для управления процессом обучения в российских технических вузах.

Цель и задачи работы. Целью диссертационной работы является повышение эффективности управления процессом обучения за счет использования адаптивных обучающих систем.

Для достижения поставленной цели были выделены следующие задачи:

1. Провести анализ современных подходов к персонификации процесса обучения, систем, реализующих эти подходы, анализ предметных курсов, изучаемых в технических вузах, и определить критерии выбора характеристик обучаемого, существенных с точки зрения изучения этих курсов.

2. Разработать модель предметной области, позволяющую учитывать специфику предметных курсов, изучаемых в технических вузах, и обеспечивать поддержку обучения за счет расширения информационными ресурсами из других предметных областей.

3. Разработать модель обучаемого, позволяющую учитывать индивидуальные характеристики, информацию об уровне подготовки в начале процесса обучения и изменение уровня знаний обучаемого в процессе обучения.

4. Разработать адаптационную модель и алгоритмы отображения электронных курсов на основе модели обучаемого, реализующие технологии адаптивного представления структуры и содержания курсов.

5. Реализовать предложенные модели и алгоритмы в системе для разработки адаптивных обучающих курсов.

Методы исследования. Для решения поставленных задач были использованы методы системного анализа, искусственного интеллекта, проектирования интерактивных систем, теории вероятности, теории принятия решений, теории графов и теории множеств, проектирования систем баз данных, формализованного представления сложных структур данных.

Научная новизна результатов, выносимых на защиту, заключается в создании адаптационных моделей и методов для обеспечения функциональности адаптивных обучающих систем, а именно:

1. Разработана модель предметной области на основе семантической сети, дополненной узлами, позволяющими обеспечивать информационную поддержку процесса обучения, и оценивать уровень знания предметной области по результатам тестирования.

2. Разработана модель обучаемого, представляемая как наложение на модель предметной области, и интерпретируемая как байесовская сеть доверия, отображающая зависимости уровня знаний по всем узлам сети предметной области, позволяющая учитывать индивидуальные характеристики, информацию об уровне подготовки в начале процесса обучения, и изменение уровня текущих знаний обучаемого в процессе обучения на основе механизма байесовского вывода.

3. Разработана адаптационная модель, включающая набор алгоритмов и правил и реализующая технологии адаптации структуры и отображения курса на основе модели обучаемого.

Практическая ценность работы состоит в следующем:

1. На основе предложенных моделей и алгоритмов разработана автоматизированная система, позволяющая создавать адаптивные обучающие курсы по различным дисциплинам. Разработана методика описания предметных курсов для использования в системе и созданы описания предметных курсов «Язык С» и «Теория автоматического управления».

2. Реализованы дополнительные внешние модули тестирования и поддержки решения алгоритмических задач. Использование этих модулей для оценки уровня знаний обучаемого позволяет повысить достоверность модели обучаемого в системе.

3. Использование адаптивных систем позволяет повысить эффективность процесса обучения в режимах дистанционного и самостоятельного обучения.

Реализация результатов работы.

Система внедрена в учебный процесс ВолгГТУ и использовалась при изучении по курсам «Язык С» и «Теория автоматического управления».

Апробация работы. Основные положения и материалы диссертации докладывались на X Международной конференции «Системные проблемы надежности, качества, информационных и электронных технологий» («Инноватика-2005», г. Сочи, 3-14 октября 2005 г.), XXXII Международной конференции и дискуссионном научном клубе «Информационные технологии в науке, образовании, телекоммуникации и бизнесе» (Украина, Крым, Ялта-Гурзуф, 20-30 мая, 2005г), на международной научно-методической конференции «Информационные технологии в образовании, технике и медицине» (Россия, Волгоград, 18-22 окт. 2004г.), на международной научно-технической конференции «Системные проблемы надёжности, качества, информационных и электронных технологий в инновационных проектах» («Инноватика - 2004», г. Сочи, 3-14 октября 2004г.) и других международных научно-технических и научно-практических конференциях.

Публикации. По теме диссертации опубликовано 20 печатных работ, в том числе: 5 публикаций в изданиях центральной печати, 1 статья в сборнике научных трудов, 14 статей в сборниках российских и международных научных конференций.

4.6 Основные результаты работы

Основные научные и прикладные результаты диссертационной работы заключаются в следующем:

1. Разработана модель предметной области на основе семантической сети, расширенной дополнительными узлами, что позволяет учитывать специфику предметных курсов и обеспечивать поддержку обучения информационными ресурсами из других предметных областей.

2. Разработана модель обучаемого, представляемая как расширение модели предметной области и интерпретируемая как байесовская сеть доверия, отображающая уровень знаний предметной области, позволяющая учитывать индивидуальные характеристики, информацию об уровне подготовки в начале процесса обучения и изменение уровня текущих знаний обучаемого на основе механизма байесовского вывода.

3. Разработана адаптационная модель, включающая набор алгоритмов и правил представления структуры и содержания курса, которые позволяют персонифицировать представление электронных обучающих средств на основе модели обучаемого, и реализовывать технологии высокоуровневой и низкоуровневой адаптации, необходимые для обеспечения требований к процессу управления обучением.

4. На основе предложенных моделей и алгоритмов адаптации разработана оболочка для создания адаптивных обучающих систем по различным дисциплинам.

5. Разработана методика описания предметных курсов для использования в системе и созданы описания предметных курсов «Язык С» и «Теория автоматического управления» на основе разработанной методики.

6. Реализованы дополнительные модули тестирования и поддержки решения алгоритмических задач для оценки уровня знаний на основе навыков в обучающей системе.

В целом, полученные результаты позволяют повысить качество и эффективность процесса обучения при дистанционном обучении и при самостоятельном изучении различных дисциплин с использованием адаптивной обучающей системы.

включение

Рисунок 4.5 - Фрагмент сети предметной области «Язык С» Для формирования страниц представление предметной области информационное пространство разделено на кластеры. Идентификаторы кластера представляют собой нижние уровни иерархии классификации предметной области. Для каждого кластера определены значения атрибутов. Описание кластеров показано в приложении К. Примеры описания кластеров показаны в таблице 4.2

Для определения характеристики обучаемого IndТуре используются четыре стереотипа, выделенных по признаку стиля обучения в [16], т.е. множество стереотипов имеет вид:

Stereotype = {'Activist" "Pragmatist" "Re flactor" "Theorist" }, где значения стереотипов соответствуют классификации, предложенной Соломоном [] и определяются по результатам тестов. По умолчанию используется стереотип "Pragmatist". Для каждого стереотипа определена последовательность вывода кластеров в страницу.

Разработанные описания были использованы для наполнения адаптивной обучающей системы, описанной в следующем разделе.

4.2 Архитектура системы

Современные подходы к разработке адаптивных систем основаны на разделении процесса обеспечения адаптации приложения на три уровня [86]:

- уровень внешнего представления (интерфейс пользователя);

- уровень вывода адаптации (вычислитель);

- уровень баз данных, обслуживающих узлы и связи в системе.

Соответственно при разработке таких систем выделяют три подсистемы:

- подсистема представления (для обучаемого);

- машина вывода для обеспечения адаптации;

- базы данных для хранения и обеспечения доступа к сети.

Разработанная система основана на интернет-технологиях и представляет собой клиент-серверную систему. Система имеет трехуровневая структуру: клиентское приложение, сервер приложений, сервер базы данных с ядром MySQL. Клиентская часть включает в себя пользовательский интерфейс к системе, работа с которым осуществляется посредством web-браузера, позволяющего обучаемому работать с гипертекстовыми учебно-методическими материалами, и базами данных, находящимися на сервере. В качестве клиентского приложения может быть использован web-браузер Internet Explorer, Netscape Navigator, Opera др. Второй уровень — сервер приложений. Взаимодействие пользователя с сервером приложений осуществляется посредством технологии РНР. Третий уровень — базы данных системы.

Все компоненты, задействованные в процессе адаптации, располагаются на сервере. При этом пользователь системы может взаимодействовать с системой посредством любого Интернет-браузера из любой точки доступа к сети интернет.

Подсистема «Расчет модели» использует алгоритмы расчета байесовских сетей, реализованные в Hugin API. Подсистема «Разработка курса» предоставляет возможность авторам курсов обеспечивать наполнение соответствующих баз данных. Архитектура системы представлена на рисунке

Рисунок 4.2 - Архитектура системы

4.3 Подсистема оценки знаний обучаемого по результатам решения задач

В конструктивистской теории предполагается, что студенты должны обеспечиваться поддержкой при решении проблем, возникающих в реальной жизни. Обучающая среда должна моделировать контекст проблемы, в которой студент проявляет свою активность: он должен структурировать и разрешить проблему, собрать сопутствующий материал, выработать стратегии решения, т.е. решать реальные жизненные проблемы. Целью изучения любой предметной области, и в особенности, общепрофессиональных и специальных дисциплин, является не только получение знаний, но и приобретение навыков применения этих знаний для решения практических задач, как учебных так и реальных. Правильно (или неправильно) решенная задача очевидно является гораздо более адекватной оценкой знаний того или иного концепта предметной области. Обычно в обучающих системах наиболее адекватными являются два способа получения информации:

- информация получается по результатам тестирования обучаемого;

- информация об уровне знаний передается извне (тьютором, преподавателем);

Тем не менее оба варианта не могут считаться достоверными. В первом случае присутствует элемент случайности, и, возможно, «натасканности» на тесты. Во втором случае, достоверность оценки зависит от объективности преподавателя. Для учета полученных навыков необходимо обеспечить процесс обучения возможностью реализации полученных знаний для решения реальных задач и механизмами оценки этих навыков. Результаты решения задач при этом являются третьим, и наиболее значимым фактором для оценки текущих знаний обучаемого. Но для автоматизации такой поддержки уже, очевидно, нужна разработка подходов и механизмов, в которых необходимо учитывать специфику предметной области и решаемых в этой области задач, т.е. эти подходы и механизмы не могут быть контентно независимыми.

Для обучения по курсу «Язык С» реализован модуль расширения функциональности. Назначение модуля - поддержка решения алгоритмических задач. Модуль представляет собой самостоятельную систему, но он совместим с адаптивной системой, и может использоваться для оценки текущих знаний на основе решения задач в адаптивной обучающей системе. Такая оценка является наиболее значимой и адекватной.

Анализ курса «Язык С» показывает, что разработка алгоритмов задач является серьезной проблемой для многих студентов. Опыт автора показывает, что проблемы возникают как при разработке алгоритма задачи, так и при оформлении отчетных документов. Поэтому в системе реализована поддержка процесса решения задач, включающая интеллектуальную и техническую поддержку. Под интеллектуальной поддержкой понимается помощь в процессе разработки алгоритма с использованием технологии структурного проектирования. Обеспечение интеллектуальной поддержки реализуется с использованием экспертной системы. База знаний хранит признаки проблемных ситуаций, определенных для каждого этапа разработки задачи, а также варианты разрешения этих ситуаций. Для реализации выбрана продукционная модель. Для выявления признаков проблемной ситуации информация о задаче описывается в виде модели и хранится в рабочей памяти экспертной системы. На основе признаков, описанных в базе знаний, экспертная система определяет проблемную ситуацию, возникшую при разработке проекта, а затем предлагает возможные варианты решения проблемы. Для решения этой проблемы был разработан метод интеллектуальной поддержки. Метод основан на деятельностном подходе. Метод предполагает формализацию действий пользователя в виде модели, сравнении этих действий с образцом решения, экспертной оценкой и предложений по выбору дальнейших шагов проектирования. Техническая поддержка процесса решения основана на технологии структурного проектирования и включает в себя: контроль корректности описания словесного алгоритма, генерацию блок-схем на основе словесного алгоритма, генерацию отчетных документов в соответствии с предъявляемыми требованиями. Архитектура модуля показана на рисунке 4.3

Экспертная подсистема "Интеллектуальная поддержка" t

Подсистема "Менеджер проекта"

БД проектов

10

База Знаний

Подсистема "Техническая поддержка"

Адаптивная обучающая система

БД задач

1. Информация о поведении пользователя.

2. Информация о виде и содержании помощи.

3. Информация об алгоритме

4. Преобразованный алгоритм, сформированный документ.

5. Информация о проекте.

6. Множество оценок.

7. Информация о проекте.

8. Факты.

9. Правила.

10. Множество оценок.

11. Информация о пользователе.

Рисунок 4.3 - Архитектура подсистемы «Поддержка решения задач»

Подсистема имеет механизмы оценки результатов решения задач и структура описания задач соответствует структуре описания предметной области «Язык С».Поэтому по результатам решения задач по выбранному концепту предметной области можно сделать вывод об уровне знаний этого концепта. Использование этой подсистемы в составе адаптивной обучающей системы позволяет повысить надежность и достоверность оценки уровня концептов предметной области «Язык С».

4.4 Анализ механизмов адаптации 4.4.1 Анализ эффективности процесса обучения в режиме адаптации

Для оценки эффективности использования адаптивной системы проведен анализ процесса обучения в двух режимах работы: с учетом рекомендаций системы, и без учета рекомендаций. Расчеты атрибутов для обучения по десяти выбранным концептам предметной области «Язык С» приведен в приложении. Сценарии работы и результаты процесса обучения показаны в Приложении Д. Результаты расчетов процесса обучения для различных обучаемых в зависимости от их действий показаны на рисунках 4.4 и 4.5. Был проведен процесс обучения по восьми концептам предметной области. После изучения каждого концепта С, и тестирования на знание этого концепта в систему передавалось свидетельство о результатах тестирования в виде значения переменной KLi из набора { Е'G'S'N'}. После получения свидетельства пересчитывались таблицы условных вероятностей для всех узлов сети и рассчитывались атрибуты L и R . Значения атрибутов отображались для обучаемых. На основе этой информации обучаемые принимали решение о выборе следующего концепта для изучения. После изучения выбранного концепта и тестирования в систему поступало новое свидетельство, и т.д.

На рисунке 4.4 показаны результаты процесса обучения, когда обучаемые не использовали рекомендаций системы, т.е. выбирали концепты, которые системой были определены как не готовые к изучению. В результате обучаемые демонстрировали низкий уровень знаний по всем изученным концептам предметной области, наблюдалась тенденция к снижению уровня полученных знаний в процессе обучения.

Рисунок 4.4 - Результаты процесса обучения в режиме, определяемом обучаемым

Рисунок 4.5- Результаты процесса обучения в режиме адаптации На графике 4.5 показан процесс обучения, когда в процессе обучения обучаемые следовали рекомендациям по выбору следующего шага обучения и в результате продемонстрировали достаточный уровень изученности всех выбранных концептов предметной области.

Анализ результатов показывают, что учет рекомендаций системы помогает выбирать лучшие концепты, с точки зрения подготовки к их изучению. Таким образом, разработанная модель адаптации является работоспособной. Результаты обучения, полученные при обучении в режиме адаптации предметной области, являются более высокими, чем при обучении в обычном режиме, т.е. применение адаптационной модели позволяет повысить эффективность процесса обучения.

4.4.2. Оценка механизмов обеспечения информационной поддержки

Для анализа разработанного механизма обеспечения информационной поддержкой был проведен процесс обучения по восьми концептам предметной области. На каждом шаге обучения при изучении концепта С, рассчитывалась необходимость включения кластеров, обеспечивающих информационную поддержку изучения С,. Расчеты приведены в Приложении Ж. Результаты процесса обучения показаны на рисунке 4.6.

Рисунок 4.6- Процесс обеспечения информационной поддержкой

Анализ процесса обучения показывает, разработанный механизм позволяет при обнаружении низкого уровня знаний изменять структуру представления страниц. В страницу дополнительно включаются кластеры, знание которых необходимо для изучения текущей страницы. Механизм позволяет выявлять проблемы обучаемого, связанные с недостаточными знаниями в других предметных областях, и обеспечивать информационной поддержкой, т.е. . система выявляет тенденции к ухудшению результатов обучения, и гибко реагирует на такие изменения.

Время реакции системы на недостаточный уровень знаний определяется заданным порогом включения концепта, определяемым значением атрибута К. Чем выше этот порог, тем быстрее система будет реагировать на низкий уровень знаний и подключать концепты поддержки.

1. Boyle, C. MetaDoc: an adaptive hypertext reading system /С. Boyle, A. Encarnacion //UserModels and User Adapted Interaction. 1994. - V.4. - p. 1-19.

2. Brusilovsky, P. An intelligent learning environment for CDS/ISIS users/L. Pesin, P. Brusilovsky //Proceedings of The interdisciplinary workshop on complex learning in computer environments (CLCE94).- May 16-19, 1994-Joensuu, Finland, EIC. pp. 29-33.

3. Brusilovsky, P., Karagiannidis, C., and Sampson, D. G. (2001). The benefits of layered evaluation of adaptive applications and services. In Weibelzahl, S., Chin, D. N., and 142 Bibliography.

4. Brusilovsky, P. Layered evaluation of adaptive learning systems / P. Brusilovsky, C. Karagiannidis, D.G. Sampson // Int. J. of Continuing Engineering Education and Lifelong Learning 2004.- Vol. 14, № 4/5- P. 402-421.

5. Chen, W. Hayashi, Y., Kin, L. Ikeda, M. and Mizoguchi, R. Ontological Issues in an Intelligent Authoring Tool/ Chen, W. Hayashi, Y., Kin, L. Ikeda, M. and Mizoguchi, R. // Chan T-W., Collins A. & Lin J. (Eds.), In Proc. of ICCE'98, 1,41-50.

6. Chin, D.N. Empirical evaluation of user models and user-adapted systems / D.N. Chin // User Modeling and User-Adapted Interaction 2001- 11(1-2), P. 181-194.

7. Chen, S. Y. Adapting Hypermedia to Cognitive Styles: Is it necessary? / Timothy Mitchell, Sherry Y. Chen, and Robert Macredie// Individual Differences in Adaptive Hypermedia. Proceedings of the AH 2004 Workshop.

8. Chua, B.B. Applying the IS09126 model to the evaluation of an e-learning system / B.B. Chua, L.E. Dyson // Beyond the comfort zone: Proceedings of the 21st ASCILITE Conference.- 2004 P. 184-190.

9. Cobern, W./ Contextual constructivism: The impact of culture on the learning and teaching in science/ W. Cobern //In The Practice of Constructivism in Science Education. K. Tobin, Ed. Lawrence Erlbaum Associates. 1993.

10. Cohen, P. R.Beyond question answering. Cohen, P. R., Perrault, C. R., Allen, J. F./ Strategies for Natural Language Processing, pp. 245-274.

11. De Bra, P. Creating Adaptive Textbooks with AHA! / P. De Bra. N. Stash, D. Smits.// Proceedings of the AACE ELearn,2004 Conference, Washington DC, November 1-5,2004, pp. 2588-2593.

12. De Bra, P. AHA! Adaptive hypermedia for all/ J.-P. Ruiter, P. De Bra // Proceedings of WebNet'2001, World Conference of the WWW and Internet.- October 23-27, 2001.- Orlando, FL, AACE. pp. 262-268.

13. Dix, A.J. Human-Computer Interaction / A.J. Dix, J.E. Finlay, G.D. Abowd, R. Beale Harlow England: Prentice Hall, 1998 - 656 p.

14. Felder, R.M. Learning and teaching styles in engineering education/ Felder R.M. and Silverman L.K.//Engineering education 78 (1988) 674-681

15. Finin, T. GUMS A General User Modeling System/ Finin, Tim and David Drager //Proceedings of the 1986 Canadian Society for Computational Studies of Intelligence (CSCSI-86), May 1986

16. Finin, T. Providing help and advice in task oriented systems/ T.Finin //In Proceedings of the International Joint Conference on Artificial Intelligence. Karlsruhe, West Germany, pp. 176-178.

17. Fischer, G. User Modeling in Human-Computer Interaction/ Gerhard

18. Fischer// Center for LifeLong Learning &Design (L3D), Department of Computer Science and Institute of Cognitive Science, University of Colorado ^ at Boulder, Boulder, CO 80309, U.S.A. Communications of the ACM,3l(7):856{861, 1988

19. Fischer, G.User modeling: The long and winding road/ G. Fischer //Proceedings of UM99:UserModellingConference (Banff, Canada), Springer Verlag, WienNew York, pp.349-355.

20. Fitzgerald, M. Toward a model of distributed learning:/ M. Fitzgerald // Философские проблемы образования, 2000.02

21. Furuta, The Trellis hypertext reference model /Furuta and P. D. Stotts.// In Proc. of NIST

22. Gong, Li. Project JXTA: A technology overview. Technical report, SUN Microsystems, April 2001, http://www.jxta.org/project/www/docs/TechOverview.pdf.

23. Halasz, M. The Dexter hypertext reference model: M. Halasz and M. 7 Schwartz Hypermedia. Communications of the ACM, 37(2):30{39, 1994.

24. Henze N.Modeling Constructivist Teaching Functionality and Structure in the KBS /Hyperbook System Nicola Henze, Wolfgang Nejdl and Martin Wolpers:// AIED99 Workshop on Ontologies for Intelligent Educational Systems, Le Mans, France, July 18-19, 1999

25. Henze, N. Adaptive hyperbooks for constructivist teaching/ N. Henze, K. Naceur, W. Nejdl// Kunstliche Intelligenz. 1999. - V.4. - p. 26-31.

26. Henze, N. Adaptive Hyperbooks: Adaptation for Project-Based Learning Resources. Hannover, 2000. pp. 51-68.

27. Henze, N. Bayesian Modeling for Adaptive Hypermedia Systems /Nicola Henze and Wolfgang Nejdl //Knowledge Based Systems Group University of Hannover, Lange Laube 3, 30159 Hannover, Germany

28. Hohl, H. Hypadapter: An adaptive hypertext system for exploratory learning and programming/ H. Hohl, H.-D. Bocker// User Modeling and User-Adapted Interaction.- 1996. -V. 6, №2,3. p. 131-156.

29. Howard, S. A taxonomy of evaluation techniques for HCI/Howard, S. and Murray, M. D. //In Bullinger, H.-J. and Shackel, B. (Eds.), Human-Computer Interaction Interact'87, pages 453-459.

30. Hypertext Standardization Workshop, Gaithersburg, MD, USA, pages 83 (93, January 1990.

31. IEEE P1484.1/D6. Draft Standard for Learning Technology Learning Technology Systems Architecture (LTSA) Электронный ресурс.- 2000-Режим доступа: http://edutool.com/ltsa.

32. Jameson, A. Numerical uncertainty management in user and student modeling/ A Jameson//An overview of systems and issues. User Modeling and User-Adapted Interaction, 5, 193-251.

33. Kahneman, D. Judgment under Uncertainty: Heuristics and Biases / D. Kahneman, P. Slovic, A. Tversky- Cambridge, UK: Cambridge University Press, 1982 544 p.

34. Karagiannidis, C. Layered evaluation of adaptive applications and services / C. Karagiannidis, D.G. Sampson // Proceedings of International Conferenceon Adaptive Hypermedia and Adaptive Web-Based Systems- 2000- P. 343-346.

35. V 48. Kay, J. Adaptive hypertext for individualized instruction/ J. Kay // Workshop on Adaptive Hypertext and Hypermedia at Fourth International Conference on UserModeling. Hyannis, MA. - 1996.

36. Kay, J. An Individualized Course for the С Programming Language/ J. Kay, M. Beaumont //Second International WWW Conference "Mosaic and the Web". Chicago, IL. - 1994 .

37. Kieras, D. E. An approach to the formal analysis of user complexity / D.E. Kieras, P.G. Poison, // International Journal of Human-Computer Studies.- 1999.-51(2).- P. 405-434.

38. Kirakowski, J. Questionnaires in Usability Engineering Электронный ресурс. / J. Kirakowski// 2000.- Режим доступа: http://www.ucc.ie/hfrg/resources/qfaql.html.

39. Kobsa A.Generic User Modeling Systems / Alfred Kobsa, 200 lr.4 53. Lange, D. B. A formal model of hypertext/D. B. Lange.//In Proc. of NIST Hypertext Standardization Workshop, Gaithersburg, MD, USA, pages 145(166, January 1990.

40. Magoulas, G.D. Individual Differences in Adaptive Hypermedia/ G.D. Magoulas// Proceedings of the AH 2004 Workshop George D. Magoulas and Sherry Y. Chen

41. Manouselis, N. Agent-based e-learning course recommendation: matching learner characteristics with content attributes / N. Manouselis, D.G. Sampson, // International Journal of Computers and Applications-2003.-Vol. 25, №1.-P. 10-15.j i

42. Milosavljevic, M. Augmenting the user's knowledge via comparison/ M. „ Milosavljevic// 6th International Conference on User Modeling, UM971997.-pp. 119-130.

43. Mitsuhara, H.Open-ended Adaptive System for Facilitating Knowledge Construction in Web-based Exploratory Learning/ Mitsuhara, H., Ochi, Y.,

44. Yano, Y.// Open-ended Adaptive System for Facilitating Proc. of Adaptive Hypermedia. 2002

45. Murray W. World Wide Web Course Tool: An Environment for Building WWW-Based Courses/ W. Murray, Goldberg, Salari Sasan, Paul Swoboda // Fifth International World Wide Web Conference, May 6-10, 1996, Paris, France.

46. Paramythis, A. Adaptive Learning Environments and e-Learning Standards / A. Paramythis, S. Loidl-Reisinger // Electronic Journal on e-Learning-2004.-Vol. 2.,№ l.-P. 181-194.

47. Paramythis, A. Adaptive learning environments and e-learning standards/ Alexandras Paramythis and Susanne Loidl-reisinger // Johannes Kepler University, Linz, Austria

48. Perez, T. An adaptive hypermedia system/ T. Perez, J. Gutierrez, P. Lopisteguy// Proceedings of AI-ED'95, 7th World Conference on Artificial Intelligence in Education- 16-19 August, 1995. Washington, DC. - pp. 351-358.

49. Perrault, R. A plan-based analysis of indirect speech acts/ Perrault, R. and Allen, J.// American

50. Journal of Computational Linguistics 6(3-4), 167-182

51. Proceedings of Second International Conference on Adaptive Hypermedia and Adaptive Web-Based Systems. May 29-31, 2002. - Malaga, Spain. -p. 376-379.

52. Quality guide to the non-formal and informal learning processes Электронный ресурс.- 2004.

53. Режим доступа: http://www.educationobservatories.net/seequel.

54. Research-Based Web-Design & Usability Guidelines Электронныйресурс. 2001.

55. Режим доступа: http://www.usability.gov/guidelines/intro.html.

56. Rich, Е. Stereotypes and user modeling/ E. Rich //User Models in Dialog

57. Systems, Springer-Verlag, New York, pp. 35-51

58. Riddy, P. Evaluating e-Learning Resources Электронный ресурс. / P.Riddy, К. Fill.-2004. Режим доступа:http://www.shef.ac.uk/nlc2004/Proceedings/Individual Papers/Riddv Fill.ht m.

59. Saaty, T.L. The analytic hierarchy process: planning, priority setting, resource allocation / T.L. Saaty // London: McGraw-Hill International Book Co, 1980.-287 p.

60. Schwarz, E. World-wide intelligent textbooks / P. Brusilovsky, G. Weber, E. Schwarz//ED-MEDIA'96 World conference on educational multimedia and hypermedia - Boston, MA. - 1996.

61. National Conference on Artificial Intelligence, AAAI Press/The MIT Press: Menlo Park, CA, 574-579, August 2002.

62. Ullrich C. Description of an Instructional Ontology and its Application in Web Services for Education / Carsten Ullrich// German Research Center for Artificial Intelligence Saarbrucken, Germany

63. Ullrich, C. Description of an Instructional Ontology and its Application in Web Services for Education/ C. Ullrich // Proceedings of Berliner XML Tage 2003. -2003.- p. 467-473.

64. Ullrich, C. Description of an Instructional Ontology and its Application in Web Services for Education/ C. Ullrich // Proceedings of Berliner XML Tage 2003. -2003.- p. 467-473.

65. Weber, G. Developing adaptive internet based courses with the authoringsystem NetCoach// Weber, G., Kuhl, H.-C., Weibelzahl, S.// In Reich, S.,

66. Tzagarakis, M. M., and de Bra, P. (Eds.), Hypermedia: Openness, Structural

67. Awareness, and Adaptivity, pages 226-238. Berlin: Springer.

68. Weber, G. ELM-ART: An adaptive versatile system for Web-basedinstruction/ P. Brusilovsky, G. Weber// International Journal of Artificial1.telligence in Education 2001.-V. 12 - p. 351-384.

69. Weber, G. Empirical Evaluation of Adaptive Systems/ G. Weber

70. Proceedings of workshop at the Eighth International Conference on User

71. Modeling, UM2001, pages 1-8, Freiburg.

72. Wu, H. A reference architecture for adaptive hypermedia applications / Hongjing Wu// Eindhoven: Technische Universiteit Eindhoven, 2002. Proefschrift. ISBN 90-386-0572-2 NUR 983

73. Wu, H. Adaptation Control in Adaptive Hypermedia Systems / H. Wu, P. De Bra, A. Aerts, G.J. Houben//Proceedings of the International Conference AH 2000, Trento, Italy, August 2000

74. Беспалько, В.П. Программированное обучение (дидактические основы)/ / В.П. Беспалько// М.: Высшая школа, 1970

75. Беспалько, В.П. Слагаемые педагогической технологии/ В.П. Беспалько//М.: Педагогика, 1989.;

76. Будихин А.В., Разработка модели ученика в сетевой адаптивной обучающей системе /Будихин А.В., Пономарев А.А./Электронный ресурс.

77. Государственный образовательный стандарт высшего профессионального образования по направлению 552800 Информатика и вычислительная техника (бакалавр)" Москва, 2000г.

78. Жданов, И.С. Интеллектуальное управление процессом разработки учебных проектов / И.С.Жданов, О.А.Шабалина //Высшее профессиональное образование в современной России: перспективы, проблемы, решения: матер, междунар. н.-мет. конф.: в рамках

79. Междунар. науч. симпоз., посвящ. 140-лет. МГТУ МАМИ /МГТУ МАМИ и др.- М., 2005.- Секц.5.- С.40-41.

80. Кольцов, Ю. В. Добровольская Н. Ю. Нейросетевые модели в адаптивном компьютерном обучении / Ю. В. Кольцов, Н. Ю. Добровольская// Educational Technology & Society 5(2) 2002, ISSN 14364522, pp. 213-216.

81. Лащенов, B.C. Совершенствование учебного процесса по русскому языку за счет использования обучающей системы /В.С.Лащенов, Чанлил

82. Джао, О.А.Шабалина //Техническая кибернетика, радиоэлектроника и системы управления. КРЭС'04: Тез. докл. VII Всерос. науч. конф. студ. и асп., 14-15 окт. /Таганрог, гос. радиотехн. ун-т и др.- Таганрог,2004.-С.247

83. Нуждин, В.Н. Стратегия и тактика управления качеством образования Электронный ресурс.: метод, пособие / В.Н. Нуждин, Г. Кадамцева, Е.Р. Пантелеев, А.И. Тихонов; Иван. гос. энерг. ун-т; под ред.

84. Н.Б. Михалевой, Т.В. Соловьевой- 2003- Режим доступа: http://www.ispu.ru/library/lessons/qme/index.html.

85. Растригин, JI.A. и др. Адаптивное обучение с моделью обучаемого./ JI.A. Растригин и др.// Рига: Зинатне, 1988. -160 с.

86. Суходольский, Г.В. Основы психологической теории деятельности/ Г.В. Суходольский // Л.: Из-во Ленингр. ун-та. 1988.

87. Талызина, Н.Ф. Теоретические основы разработки модели специалиста/ Н.Ф. Талызина// М.: Знание, 1988.

88. Талызина, Н.Ф. Управление процессом усвоения знаний/ Н.Ф. Талызина// -М.: Изд-во МГУ, 1984.

89. Филиппов, Е.Н. Программная инженерия и педагогические программные средства./ Е.Н. Филиппов//В сб. Системы и средства информатики. Вып.8.-М.: Наука. Физматлит, 1992 г.

90. Шабалина, О. А. Модель пользователя для изучения языков программирования в адаптивной обучающей системе /О.А.Шабалина //Вестник компьютерных и информационных технологий. Ежемесячный науч.-техн. и произвол. журнал.-2005.-№2.- С.36-39.

91. Шабалина, О.А. Модель пользователя для оценки знаний в адаптивной обучающей системе / О.А.Шабалина //Успехи современного естествознания: Науч.-теор. журнал: Приложение №1. Материалы XXXI Междунар. конф. IT+SE'2004.- 2004.-№5.-С.281-283.

92. Шабалина, О.А. Проблемы разработки обучающих систем для системы дополнительного профессионального образования /О.А.Шабалина //Дополнительное профессиональное образование.- 2004.-№1.- С.35-37.