автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Нейросетевая мультилингвистическая система адаптивного обучения терминологической лексике

На правах рукописи

Усачев Александр Владимирович

НЕЙРОСЕТЕВАЯ МУЛЬТИЛИНГВИСТИЧЕСКАЯ СИСТЕМА АДАПТИВНОГО ОБУЧЕНИЯ ТЕРМИНОЛОГИЧЕСКОЙ ЛЕКСИКЕ

05.13.01 —Системный анализ, управление и обработка информации (по отраслям: информатика, вычислительная техника и управление)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Красноярск— 2004

Работа выполнена в Красноярском государственном техническом университете

Научный руководитель:

доктор технических наук, профессор Ковалев Игорь Владимирович.

Официальные оппоненты: доктор технических наук,

профессор Доррер Георгий Алексеевич;

кандидат технических наук, доцент Вишневская Софья Романовна.

Ведущая организация:

государственный научно -

исследовательский институт информационных технологий и телекоммуникаций «Информика» (г. Москва).

Защита состоится " 14 " мая 2004 года в 14 часов на заседании диссертационного Совета Д212.098.04 при Красноярском государственном техническом университете по адресу: ул. Киренского, 26, Красноярск, 660074, ауд. Д 501.

Факс КТТУ: (3912) 43-06-92 e-mail: sovet@frontru

С диссертацией можно ознакомиться в библиотеке Красноярского государственного технического университета.

Автореферат разослан " 14 " апреля 2004 года. Ученый секретарь

диссертационного совета Сергей Александрович Бронов.

Доктор технических наук

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Информационные технологии и компьютерные интерактивные средства обучения занимают все более существенное место в образовании. Одной из областей, в большей мере приветствующих применение компьютерных обучающих технологий, является изучение иностранных языков.

Новые информационные технологии изучения иностранных языков, в частности, иностранной лексики, особенно востребованы в последнее время, в связи с расширением сотрудничества российских и зарубежных специалистов.

Развитие дистанционного образования и возросшие возможности подключения к сети Интернет расширили области внедрения компьютерных систем обучения иностранной терминологической лексике и обусловили повышение спроса на разработку новых информационных обучающих технологий.

При разработке аппарата алгоритмической поддержки компьютерных обучающих технологий проблеме построения модели обучаемого и модификаций ранее известных моделей в настоящее время уделяется значительное внимание. Методической основой данных разработок являются исследования Брусиловского ПЛ., Растригина Л.А, Слипченко В.Г., Харламова А.А. Среди зарубежных исследований необходимо отметить работы А.Борка (A. Bork), Д. Брауна (J.S. Brown), Д. Голдсмита (J. Goldsmith), С. Паперта (S. Papart).

Однако, во многих алгоритмах обучения, реализуемых в компьютерных обучающих системах, не всегда отражены индивидуальность подхода к обучаемому, учет конкретных параметров процессов запоминания и забывания и формирования ассоциативного поля вокруг запоминаемых понятий.

В настоящее время электронные словари существуют в различных формах, и, как правило, являются интерактивными, содержат комплексные структурированные объекты знаний, разнообразные системы классификаций. Но, тем не менее, все они имеют, по крайней мере, один или несколько из следующих недостатков: при их формировании не учитываются ассоциативные связи внутри языка; нет возможности динамической коррекции частотных характеристик лексем; отсутствует распознавание смысловой нагрузки у слов, имеющих одинаковое написание при разном значении.

Очевидно, что правильность составления словарей (выбор терминов) и определение мощностных (частотных) характеристик терминов существенно влияет на эффективность работы алгоритма обучения.

Диссертационное исследование направлено на решение следующих научных проблем: разработать мультилингвистическую модификацию адаптивного anmpimia pftynniTlj j-IIITIiinmnHIjin

J">oc. ИАЦи®1}£5д"АЯ |

генерацию ассоциативного поля вокруг запоминаемых понятий и нейросетевое определение их лексической однородности; разработать технологию динамического формирования информационно терминологического базиса (электронных мультилингвистических мощностных словарей)

Наличие указанных факторов в сочетании с возможностью представления ученика как сложного объекта управления дало простор для дальнейшего исследования этой темы и определило ее актуальность.

Объект исследования - адаптивные компьютерные программы учебного назначения, частотные словари лексики.

Предмет исследования - функционирование алгоритмов обучения, технологии компьютерной обработки информации при формировании частотных словарей.

Целью диссертационной работы является разработка комплекса программно-алгоритмических и информационных средств поддержки нейросетевой . мультилингвистической системы адаптивного обучения, самостоятельно формирующей обучающую информацию (информационно-терминологический, базис, мощностные словари), реализуемой в виде компьютерной системы.

Задачи исследования обусловлены поставленной целью и включают:

формализацию задачи обучения в виде задачи управления сложным объектом;

анализ структуры информационной базы нейросетевой мультилингвистической технологии адаптивного обучения; построение адаптивной модели обучаемого, учитывающей особенности мультилингвистического подхода; - . нейросетевую обработку информации для формирования мощностных словарей терминологической лексики;

нейросетевую модификацию алгоритма обучения, осуществляющую динамическую адаптацию параметров обучаемого с учетом, ассоциативных параметров мультилингвистической модели; программную реализацию и внедрение системы в практику.

Методы исследования. При выполнении работы использовались нейросетевые алгоритмы (нейроподобные элементы, сеть Хопфилда и т.п.) и элементы теории вероятностей.

Научная новизна исследования состоит в следующем: Модифицирован алгоритм адаптивного обучения с учетом параметров мультилингвистической модели на основе генерации ассоциативного поля вокруг запоминаемых понятий.

Разработана нейросетевая технология формирования мультилингвистического информационно-терминологического базиса с учетом ассоциативных связей слов в пределах одного языка; Реализована возможность динамического анализа информационно -терминологического базиса и коррекции параметров алгоритма при

сетей из нейроподобных элементов с

временной суммацией входных сигналов.

Значение для теории: теоретически обоснована возможность применения нейронных сетей из нейроподобных элементов для формирования мультилингвистического информационно -терминологического базиса системы адаптивного обучения терминологической лексике. Разработан метод анализа лексической однородности лексем различных языков.

Практическая ценность. Разработанная в диссертации нейросетевая мультилингвистическая система адаптивного обучения применена при разработке компьютерных интерактивных средств изучения профессионально-ориентированной иностранной лексики на базе системы "УГ 1.1й.

Использование системы позволяет:

интенсивно пополнять иностранный профессионально-ориентированный словарный запас при использовании мультилингвистического информационно-терминологического базиса и нейросетевых ассоциативных параметров мультилингвистической модели обучения.

формировать информационно-терминологический базис на основе нейросетевой технологии компьютерной обработки информации,

повысить эффективность обучения.

Достоверность полученных результатов подтверждается тестированием и оценкой результатов применения разработанной системы в реальных проектах, согласованностью расчетных и экспериментальных данных

Реализация результатов работы.

Основное назначение результатов работы - использование их в учебном процессе. Разработанная автором диссертации компьютерная система обучения принята в опытную эксплуатацию в Красноярском государственном техническом университете (КТТУ) и Красноярском филиале Московского государственного университета экономики, статистики и информатики (МЭСИ).

Положения, выносимые на защиту:

Нейросетевая технология формирования информационно-терминологического базиса мультилингвистической технологии адаптивного обучения учитывает ассоциативные связи внутри каждого из языков и позволяет более адекватно рассчитывать частотные характеристики лексем.

Мультилингвистическая модификация алгоритма адаптивного обучения Л.А.Растригина учитывает генерацию ассоциативного поля вокруг запоминаемых понятий и нейросетевое определение их лексической однородности, позволяя эффективно решать задачу интенсивного накопления иностранного профессионально-ориентированного словарного запаса.

Использование нейронных сетей из нейроподобных элементов позволяет динамически анализировать мультилингвистический

информационно - терминологический базис и корректировать параметры алгоритма обучения.

Апробация работы. Основные положения и результаты работы прошли всестороннюю апробацию на всероссийских и международных конференциях, научных семинарах и научно-практических конференциях. В том числе:

на XI Международной школе-семинаре «Новые информационные технологии», Украина, г.' Судак , 2003 г.; Работа награждена дипломом I степени.

на Международных научных конференциях

«Студент и научно-технический прогресс», Новосибирск, 20012003г.; Работы награждены дипломами I (2001г.), II (2002г.), и I (2003 г.) степеней.

на IX Международной научно практической конференции «Современные техника и технологии», Томск, 2003г.; Работа награждена дипломом III степени.

Диссертационная работа в целом обсуждалась на научных семинарах кафедры информатики Красноярского Государственного Технического Университета в 2001-2004 гг.

Основные результаты исследований были отмечены следующими научными фондами:

Благотворительный фонд поддержки науки и образования МГИЭМ "Фонд Арменского" (индивидуальные гранты для молодых ученых, 2003 г.).

Красноярский краевой фонд науки (индивидуальные гранты для молодых ученых, 2002 г.).

Публикации. Основные результаты диссертационной работы опубликованы в 13 работах автора (3 - статьи), список которых помещен в конце автореферата.

Структура и объем работы. Диссертационная работа состоит из введения (9 стр.), четырех глав (35 стр., 39 стр., 29 стр., 22 стр.), заключения (1 стр.), списка литературы (11 стр., 116 источников) и приложения (8 стр.). Общий объём -154 стр.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы диссертационной работы, сформулированы цель и решаемые задачи, выдвигаются основные защищаемые положения, определена научная новизна результатов и их практическое значение.

В первой главе рассмотрена история развития средств компьютерной поддержки процесса обучения, современные компьютерные средства обучения иностранным языкам, проведен их анализ. Сделан обзор трудов различных организаций и независимых исследователей в области информационных технологий обучения.

В результате анализа проблемной области удалось выявить следующие группы проблем:

- Отсутствие единого подхода к анализу предметной области. Данная проблема выражается в отсутствии единых параметров, которые бы характеризовали автоматизированный процесс обучения. Имеется огромное количество различных показателей, имеющих одинаковую смысловую нагрузку, и наоборот. Чтобы избежать этого недостатка в работе были рассмотрены существующие проблемы терминологии.

- Отсутствие индивидуализации процесса обучения. Как правило, компьютерные обучающие системы являются простым переложением бумажных учебников в электронный вид. Такой подход не, учитывает индивидуальные особенности обучаемого и тем самым процесс обучения является неэффективным.

- Отсутствие единой методологии компьютерной обработки информации при формировании частотных словарей. Каждый исследователь, как правило, предлагает использовать свою методологию, иногда сильно отличающуюся от других. В итоге качество и адекватность частотных словарей очень сильно отличаются друг от друга. Одной из основных проблем является отсутствие учета ассоциативных параметров связей слов в пределах исследуемого языка

Отмечено, что компьютерные средства обучения, могут использоваться как при самостоятельном освоении языка, так и в рамках организованного учебного процесса по какой-либо образовательной программе.

В диссертационной работе вводится понятие информационно-терминологического базиса, который играет важную роль при изучении языка специальности. Рассматривается организация этого информационно-терминологический базиса таким образом, чтобы автоматизированные средства могли работать с ним через современные компьютерные системы. Наиболее важное значение для информационно -терминологического базиса имеют электронные мультилингвистические частотные словари. Далее будет использоваться понятие мощностные словари, так как их формирование происходит с учетом мощности связей между понятиями, таким образом, учитывая ассоциативные лексические связи внутри языка.

Вторая глава посвящена анализу и компьютерной обработке информации для формирования мультилингвистического информационно-терминологического базиса, в частности, электронных мощностных словарей, т.к. мощностной словарь - это именно та информация, порции которой выдаются ученику. Согласно принципам мультилингвистической адаптивно-обучающей технологии, обучаемый должен быстрее и лучше усвоить те слова и словосочетания, которые чаще всего встречаются в текстах узкой предметной области, т.е. технология учитывает частотные свойства текстов.

При формировании мультилингвистического базиса предложено' использовать методы анализа текстовой информации и автоматического формированию языкового семантического представления, основанные на рассмотрении текста как единого целого, обладающего иерархической

структурой с повторяемостью своих элементов и связей.

При формальном рассмотрении текста как структуризованного набора символьной информации становится ясно, что основные элементы его многоуровневой структуры — флективные и корневые морфемы, общеупотребимые слова, а главное — односложные и многосложные понятия предметной области со своими взаимосвязями — могут быть выделены на основе статистического анализа. Проведение структурного статистического анализа на базе большого множества текстов позволяет автоматически сформировать декларативное представление грамматики языка, а на множестве текстов, описывающих предметную область, автоматически построить описание ее семантики в виде сети понятий и их связей (семантической сети). Отображение нового анализируемого текста на сформированную семантическую сеть позволяет выделить в нем значимые понятия и их связи, расклассифицировать участки текста по темам на основе отнесения к соответствующим понятиям семантической сети и, таким образом, определить структуру содержания текста и мощность входящих в него элементов.

На основе представлений лингвистики организацию языковых знаний и механизм анализа связного текста можно проиллюстрировать на Рис. 1.

Рис. 1 Механизм анализа связного текста

В структуре языковой семантики выделяют две взаимосвязанные составляющие целостных значений языковых единиц— грамматические и лексические значения (соответственно слева и справа на рисунке). Лексические компоненты значений представляются корневыми морфемами и их цепочками, а грамматические — флективными морфемами на уровне поверхностного синтаксиса и классами флективных морфем, эквивалентных с точки зрения передачи основных аспектов значения, а также их цепочками, на уровне семантического синтаксиса. Объединяясь на верхнем уровне, лексические и грамматические значения образуют семантическую сеть. Элементы семантической сети соответствуют лексическим значениям, связи между элементами отражают смысловые взаимосвязи, а грамматические значения определяют характер связей.

Анализ языкового сообщения, представляющего связный текст, реализуют как динамический процесс его отображения на семантическую сеть, в ходе которого лексические и грамматические компоненты значений языковых единиц актуализируют соответствующие элементы и связи в семантической сети.

Отображение информации в сигнальное пространство динамических ассоциативных запоминающих устройств (ДАЗУ) проводят с помощью статистического анализа. Динамические ассоциативные запоминающие устройства представляют собой множество нейронов W имеющих общий вход и общий выход, и моделирует ^мерное сигнальное пространство. Выход ДАЗУ замыкается на дополнительный общий вход всех нейроподобных элементов (НЭ) через механизм управления, называемый механизмом внимания (MB), что реализует обратную связь. Общим входом всех НЭ является регистр сдвига (PC), сканирующий входную последовательность окном длины п элементов, представленный на Рис.2.

Рисунок 2. Регистр сдвига

Нейроподобный элемент реализуется в виде элемента памяти и содержит адресную часть — вектор весов интерпретируемый как координаты точки в СП. Общим входом всех НЭ является PC с размерностью, равной размерности адреса НЭ. На каждом такте работы сети содержимое PC

сдвигается и в освободившиеся позиции добавляется очередной символ обрабатываемой последовательности Л^а^. Преобразование, осуществляемое РС, разбивает последовательность Л на последовательность п-грамм а ь сдвинутых одна относительно другой на один символ: Р(А)=Р(..., а^а^-Н--^ пА-^ь-.а , (а^а,.,^, ...,а,)П|...)=(—.аА1-1 .а^ ...у^ъ^А", где А* — последовательность точек семантического пространства (СП) — траектория.

При обучении ДАЗУ запоминает образ А"={аЛ() входной последовательности А в СП во множестве НЭ выделяемых

динамически, причем повторяющиеся точки запоминаются один раз: ш+1 = а ь если не существует г. , =а ь ¡=1,..т, где т — число НЭ, уже задействованных к моменту I

Далее формируется класс последовательностей А*, в которых в разных комбинациях встречаются последовательности {А|, Аг, А] }, и, отображая все последовательности в СП и применяя к ним пороговое преобразование, мы сформируем множество элементов последовательностей класса А* — словарь.

Использование многоуровневой ДАЗУ, где выход ДАЗУ каждого уровня соединен со входом ДАЗУ следующего, позволяет сформировать представление текста в виде многоуровневой иерархии словарей, где элементы словаря более высокого уровня представляются сочетаниями элементов словаря более низкого уровня.

ДАЗУ первого уровня хранят все возможные сочетания символов входных последовательностей, встретившихся при обучении, в виде запомненных в своих адресах п1-грамм (п-г^амм первого уровня) : 1 = (а'ми+ь аАц, а',), лу*'^, = (аА,_„1+2,а*,, а и т. д., которые образуют словарь элементов 1кк» хр<рвшв (м^'Д АДЗ У вьщает на выход последовательность индексов НЭ

ДАЗУ следующего уровня содержит все возможные сочетания п1-грамм первого уровня, встретившиеся при обучении, в виде п2-грамм

и и г, (гНа2+1, ..., г,.ь О, W1+1 = (т,«2>2, Г„ Г,и), т . д.,

образуя словарь элементов второго уровня {\у,*2}. Аналогично происходит

обучение всех остальных уровней ИС ДАЗУ.

Такое представление позволяет автоматически выделить повторяющиеся участки текста различной длины и отобразить их в один элемент сети, а контекст представить как связи с другими элементами.

Для реализации распознавания в ДАЗУ определяется уровень

Л

активации х, элемента в момент времени 1:

х,(о=х.а-1)+х,,

а)

м

где — постоянная торможения, а связей, определяемые далее.

, если МО; I в противном случае,

веса элементов и

у,(0 =

= Г'

(2)

где значение у,(1) определяет отсутствие/наличие распознавания в НЭ, а значение порога Ь,(1) — чувствительность НЭ к уровню активации х,(0-

При включении сети в распознавание (I = значения всех х,(1) и у,^) равны нулю, а значения порогов Ь,(1) устанавливаются в некоторое начальное Ьо, общее для всех НЭ. Это соответствует отсутствию распознавания и генерализации внимания на всех НЭ. При поступлении на вход сети информации начинает происходить активизация некоторых НЭ, уровень активации {х,(0} в целом возрастает и по истечении некоторого интервала времени превышает значение порога на одном из НЭ уу, : х,(0 > 11,(1), что означает распознавание: у,(1) ^0. После этого наступает этап локализации внимания на НЭ \у, , что реализуется уменьшением его порога и порогов связанных с ним }„; = Рас (\0, а также увеличением порогов на всех остальных НЭ

Локализация внимания означает подстройку сети под восприятие входной информации, относящейся к ранее распознанной, и уменьшение чувствительности к другой. Уменьшение порога на распознающей НЭ позволяет устойчиво (без прерываний) сохранять распознавание в нем, если содержание входной информации изменяется не сильно.

Уменьшение порога на ассоциативно связанных НЭ (признаках элемента) актуализирует функции предсказания информации на входе и подстройку сети под наилучшее восприятие ожидаемой. Прекращение распознавания во всех НЭ означает сильное отклонение входной информации от ранее распознаваемой и ожидаемой. В этом случае сеть переходит в фазу генерализации внимания. МВ реализует понижение порога на НЭ и а также повышение порога на всех остальных НЭ

позволяя им включиться в распознавание. Распознавание в многоуровневой ИС ДАЗУ под управлением МВ реализуется аналогичным образом с тем отличием, что перемещение локализации внимания происходит не только внутри ДАЗУ уровня, но и между ДАЗУ разных уровней.

Описанные алгоритмы позволяют реализовать представление языковой семантики и анализ текстовой информации в соответствии со схемой, приведенной на Рис. 1. Далее рассматривается формирование семантического представления.

Первый уровень информационной системы ДАЗУ представляют словари флективных и корневых морфем, с использованием которых на более высоких уровнях ИС в двух параллельных подсистемах строятся описания грамматической и лексической составляющих семантического описания.

Словарь флективных морфем формируется в ДАЗУ, обученном на основе большого корпуса текстов из различных предметных областей. При необходимости предусмотрена возможность коррекции словаря морфем экспертом.

При формировании словаря корневых морфем в ДАЗУ на его вход подключается выход ДАЗУ словаря флективных морфем, работающего как фильтр и отсекающего распознанные морфемы. Применением

порогового преобразования из элементов данного словаря выделяются и записываются в отдельное ДАЗУ общеупотрсбимые и специальные грамматические слова. Пропуская текст через словари флексий и общеупотребимых слов, можно получить разделение грамматической и лексической составляющих текста

Словари флексий и общеупотребимых слов работают как фильтры, пропуская нераспознанную информацию на вход лексической ДАЗУ (на рис. 1 справа)

Применение порогового преобразования позволяет выделить в обученной информационной системе словари элементов всех уровней — терминологические словосочетания, соответствующие основным понятиям предметной области текста

Объединение лексической и грамматической компонент семантического представления двух ИС ДАЗУ позволяет реализовать на их основе целостное семантическое представление — семантическую сеть в отдельном ДАЗУ. Для определения ассоциативных связей между элементами семантической сети (понятиями в лексической ИС ДАЗУ) используется критерий их вхождения в одно предложение. Такая связь может быть представлена в НЭ ДАЗУ 2-граммой (или ^граммой для п понятий) индексов соответствующих НЭ из лексической ИС ДАЗУ.,

Каждому элементу семантической сети ставится в соответствие числовая величина, отражающая вероятность появления соответствующего понятия в текстах предметной области — вес элемента Каждая связь между парой элементов характеризуется величиной, отражающей условную вероятность появления одного понятия в смысловой связи с другим — весом связи Оценка весов понятий и связей проводится на основе оценки всех связанных с ними понятий. В результате наибольший вес приобретают понятия, обладающие разнообразными и мощными связями, находящиеся в центре "семантических сгущений".

Такая оценка проводится по итерационному алгоритму:

+0=л±"„{/КС')).V+=/<£ чококоь ' (3)

где \у;(0)=1п г,; хг/О^/г,и сг (з)=1/СИ-е"к*).

Здесь г, — частота встречаемости понятия в тексте, г,, — частота совместной встречаемости понятий в предложениях текста.

Значение представляет собой совокупную характеристику

] |

мощности связей понятия с другими понятиями V/}, а значение уу^ (/)уу* (<) учитывает косвенные связи понятия с через

все промежуточные понятия Введение сигма-функции

осуществляет нелинейнгую нормировку значений весов после каждой итерации алгоритма, что обеспечивает его сходимость к установившемуся

состоянию: аналогично

процессу в^ рекуррентной нейронной сети Хопфидца. Установившиеся значения и принимаются за окончательные оценки.

Таким образом, в данной работе, схематически лексические связи в пределах одного языка предложено представлять в следующем виде, РисЗ.

Nuclear reaction (98) Temperature (95)

Рисунок 3. Схема лексических связей для английского языка.

В третьей главе рассматривается модификация алгоритма адаптивного обучения, учитывающего параметры мультилингвистической модели.

Мультилингвистическая адаптивно-обучающая технология предполагает изучение терминологической лексики иностранного языка с учетом связи ее элементов с элементами терминологии ранее изучавшихся языков. Генерация ассоциативного поля вокруг запоминаемых терминов путем использования ассоциаций между элементами различных иностранных терминологий на практике достигается предоставлением терминов-подсказок на выбранном пользователем системы языке и дает возможность интенсивно пополнять словарный запас.

Процесс обучения рассматривается с точки зрения системы управления. Здесь объект управления является объектом обучения (назовем его условно "ученик"), а управляющее устройство - обучающим устройством (назовем его условно "учитель"). "Учитель" подает на вход "ученика" порцию обучающей информации и, У - состояние "ученика", подаваемое на датчик, V - информация о состоянии "ученика", получаемая "учителем". "Учителю" сообщаются цели обучения и ресурсы Я, которыми он располагает для обучения.

Далее происходит обучение I), изменяющее состояние У ученика таким образом, чтобы выполнялись поставленные цели обучения 2*: где - алгоритм обучения. Обучающая система представлена как система управления сложным объектом - обучаемым с его моделью.

Процесс обучения формализуется в виде последовательности

сеансов (уроков), начинающихся в моменты времени ^ , ^,..., ^ , в общем случае не равноотстоящие. В начальный момент времени объект (обучаемый) находится в некотором состоянии У0. Требуется построить последовательность обучающих воздействий {Ц,}, п=0, 1, которая переведет ученика в заранее заданное конечное состояние У*, причем процесс перевода должен быть, в определенном смысле, оптимальным.

Для определения эффективности вводится функция качества С? обучения, которая зависящая от состояния объекта У, <3(У*)=(3*=1ШП, где уровень (}* будет соответствовать абсолютной обучегаюсти. Цель обучения 2'.*, таким образом, состоит в минимизации функции качества

с помощью и:(}(У)

тт.

ие.и

Обучение заканчивается, когда критерий

качества достигает некоторого заданного порога: <)„ < 8.

В качестве модели обучаемого предлагается модификация адаптивной модели обучаемого Л.А. Растригина применительно к мультилингвистической адаптивно-обучающей техпологии.

Состояние обучаемого на п-ом сеансе описывается вектором вероятностей незнания каждого из элементов ОИ: Уп=Ра-(Р|П, Рг"» •••• Р№)> где р," - вероятность незнания 1-го элемента в п-й момент времени ^

Вероятности незнания элементов ОИ изменяются по правилу

Р.П = Р,(С)= 1-е-«<П; (4)

где а," - скорость забывания 1-го элемента ОИ на п-м сеансе с учетом его связи с элементами ранее изучавшихся иностранных терминологий; ^ - время с момента последнего заучивания 1-го элемента ОИ.

В данной работе коррекция скорости забывания производится при помощи п-грамной нейросетевой модели, следовательно:

1 + Я

(5)

где - скорость забывания 1-го элемента ОИ на п-м сеансе; коэффициент лексической однородности, который предложено определять следующим образом:

£

я = <

(6)

2>/> + -

ПЕ

/-1 4-1

п Е

где W| И - все возможные сочетания символов, входящих в

■ п-фаммы Е п-граммы английской лексемы),

лексему, в виде п-грамм всех доступных уровней (№1 немецкой лексемы, однородные п-граммы, одновременно входящие в лексемы обоих языков, т.е. рассчитывается отношение общего количества п-грамм всех уровней, образующих лексемы исследуемых языков к количеству одинаковых п-грамм, входящих в лексемы.

Критерием качества обучения <3,, необходимо выбрать такой, который характеризует уровень обученности обучаемого. Для рассматриваемой задачи данный уровень характеризуется вероятностью незнания элемента ОИ, наугад выбранного из текста:

(7)

б. =2>,(</")а -*тЬ'>

ы

где р'СС) - вероятность незнания i-ro элемента ОИ; ¡Л , -мощность (частота) лексической единицы в тексте, учитывающая внутриязыковые лексические связи, 0</Л ,<1. Учитывая аспект

мультилингвистичности, получаем: у

б. £'=тах м 1м и. р «г, ц

(8)

где ^ и, Ц а> // »з - частоты из информационно -терминологического базиса соответственно при английском, немецком и русском языке.

В данном случае мультилингвистический информационно-терминологический базис состоит из трех мощностных словарей с установленными взаимооднозначными соотношениями между лексемами.

Результатом решения задачи является локально-оптимальная порция обучающей информации и*„, которая выдается обучаемому на п-м сеансе обучения.

Четвертая глава посвящена практическим вопросам разработки нейросетевой мультилингвистической системы адаптивного обучения.

Приведены модели бизнес процессов системы, модели спецификации пользовательского интерфейса, также отражены технические вопросы, связанные с проектированием системы и её архитектуры. Архитектура системы представлена на рис. 4.

рис 5.

Спецификация пользовательского интерфейса представлена на

Рис 5. Спецификация пользовательского интерфейса

Дальнейшая вложенность пользовательского интерфейса подробно рассмотрена в диссертации.

Помимо этого в качестве результатов диссертационного исследования прилагается информационно-терминологический базис, сформированный системой в результате обработки текстов по системному анализу, далее был составлен список слов объемом в 2500, адекватность которых была установлена для всех трех языков.

Информационно-терминологический базис организован как англонемецко-русский мощностной (частотный) словарь, однако принцип его построения в виде мультилингвистической. базы данных обеспечивает возможность использования его как двуязычного в любом выбранном варианте.

В завершении четвертой главы приводится модель бизнес процессов системы, представленная на рис. 6, которая отражает работу системы обучения.

Рис 6. Модель бизнес процессов системы обучения

В заключении сформулированы основные выводы и результаты, полученные в диссертационной работе.

В приложении приводятся экспериментальные и теоретические результаты, описание технологии проведения экспериментов, акты о внедрении результатов диссертационной работы.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Реализован нейросетевой алгоритм обработки информации для формирования мощностных словарей терминологической лексики с учетом ассоциативных связей слов в пределах одного языка, тем самым позволяя более адекватно рассчитывать частотные характеристики лексем.

2. Разработана мультилингвистическая модификация алгоритма адаптивного обучения Л.А.Растригина, учитывающая генерацию ассоциативного поля вокруг запоминаемых понятий и нейросетевое определение их лексической однородности, позволяя эффективно решать задачу интенсивного накопления иностранного профессионально-ориентированного словарного запаса.

3. Реализована возможность динамического анализа информационно - терминологического базиса и коррекции параметров алгоритма при использованием нейронных сетей из нейроподобных элементов с временной суммацией входных сигналов.

4. Система обучения спроектирована, реализована и внедрена в практику.

Основные результаты диссертационной работы опубликованы в

следующих работах:

1. Ковалев И. В. Мультилингвистический метод изучения иностранной терминологической лексики на базе мнемотехнического подхода / И.В. Ковалев, А.В. Усачев // Социально - психологические проблемы развития личности: Материалы 1 Всероссийской научной Internet конференции / Издательство ТГУ им. Г.Р. Державина, Тамбов, 2001.- С. 43-44.

2. Усачев А.В. Повышение эффективности обучения иностранным языкам при использовании мультилингвистического подхода метода Л.А. Растригина с применением частотных словарей. // Студент и научно-технический прогресс. Информационные технологии: Материалы XXXIX Международной научной студенческой конференции.- Издательство ИГУ, Новосибирск, 2001.-С. 131-132.

3. Усачев А.В. Проблемы информационно-алгоритмической поддержки мультилингвистической образовательной технологии // Красноярский край: освоение, развитие, перспективы: Материалы Всероссийской научной студенческой конференции.-Издательство КГАУ, Красноярск, 2001.- С 56-57.

4. Усачев А.В. Повышение эффективности обучения иностранным языкам с использованием мнемотехники мультилингвистического подхода // Молодежь Сибири - науке России: Материалы Всероссийской научной конференции,- Издательство ГУПП "Сибирь", Красноярск, 2001.-С. 81-82.

5. Усачев А.В. Искусственная нейросетевая мнемотехнология // Студент и научно-технический прогресс. Информационные технологии: Материалы XL Международной научной студенческой конференции.- Издательство НГУ, Новосибирск,

2002.-С. 170-171.

6. Усачев А.В. Мнемотехника мультилингвистического подхода // Студент и научно-технический прогресс. Информационные технологии: Труды XL Международной научной студенческой конференции.- Издательство НГУ, Новосибирск, 2002.- С. 97-103.

7. Усачев А.В. Адаптивная технология управления качеством образования // Влияние образовательных технологий на развитие регионов: Материалы III Всероссийской научно-практической конференции.- Издательство КФ МЭСИ, Красноярск, 2003.- С. 29-31.

8. Усачев А. В. Нейросетевая кластеризация множественных значений терминологии с учетом лингвистической избыточности // Вестник НИИ СУВПТ: сборник научных трудов.- Издательство НИИ СУВПТ, Красноярск, 2003.- С. 140-150.

9. Усачев А.В. Нейросетевая мнемотехнология обучения // Студент и научно-технический прогресс. Информационные технологии: Материалы XLI Международной научной студенческой конференции.- Издательство НГУ, Новосибирск, 2003.- С. 159160.

10. Усачев А.В. Адаптивная технология управления качеством образования // Современные техника и технологии: Материалы IX международной научно-практической конференции студентов, аспирантов и молодых ученых.- Издательство ГПУ, Томск,

2003.- С. 67-68.

11. Усачев А.В. Адаптивная информационная технология управления образованием // Новые информационные технологии: Материалы IX Международной студенческой школы-семинара.- М.: НИИ МЭИИТ МГИЭМ, 2003. -С. 366-368.

12. Усачев А.В. Компьютерная лингводидактика в информационных технологиях обучения // Влияние образовательных технологий на развитие регионов: Материалы III Всероссийской научно-практическиой конференции.- Издательство КФ МЭСИ, Красноярск, 2003,- С. 40-42.

13. Усачев А.В. Мультилингвистический алгоритм мнемотехнической интенсификации обучения с учетом лексической лакунарности // Научно-инновационное сотрудничество. Научная сессия МИФИ-2002. Всероссийская научно-техническая конференция: Сборник научных трудов. В 3-х частях. 43.- М.: МИФИ, 2002.- С. 139-140.

70 7:5

Усачев Александр Владимирович Нейросегевая мультилингвнстнческая система адаптивного обучения терминологической лексике.

Автореферат

Подписано в печать 09.04.04 Формат 60x84/16. Бумага писчая. Уч. изд.л.1. Тираж 100 экз. Заказ №

Отпечатано на ротапринте КГТУ, 660074, г. Красноярск, ул. Киренского, 26

Введение

Глава 1. Компьютерные обучающие среды и их системная архитектура

1.1 Программное обеспечение обучения и его жизненный цикл

1.2 Системная архитектура нейросетевой мультилингвистической адаптивно-обучающей технологии.

1.3 Специфика компьютерных средств обучения

1.4 Классификация компьютерных программ обучения языку

1.5 Формирование компьютерной обучающей среды интегрированного средства изучения языка

1.6 Современные проблемы развития информационных технологий обучения иностранным языкам 32 Выводы по главе

Глава 2. Нейросетевая технология формирования информационно -терминологического базиса мультилингвистической системы адаптивного 45 обучения

2.1 Электронные мощностные (частотные) профессионально-ориентированные словари

2.1.1 Терминологические стандарты и международная регламентация терминологии

2.1.2 Многокомпонентные термины и процедуры их анализа

2.2 Анализ текстов для формирования электронных мощностных (частотных) словарей

2.3 Формирование структуры информационно-терминологического 67 базиса

2.3.1 Языковая семантика и структура текста

2.3.2 Обработка информации на основе иерархических структур из 70 динамических ассоциативных запоминающих устройств

2.3.3 Структурное представление информации в ИС ДАЗУ

2.3.4 Распознавание информации в обученной ИС ДАЗУ

2.3.5. Анализ текстовой информации в ИС ДАЗУ

Выводы по главе

Глава 3. Модификация алгоритма адаптивного обучения

3.1 Специфика построения модели обучения

3.2 Генерация ассоциативного поля терминологических компонентов

3.3 Алгоритм обучения

3.3.1 Обучение как управление сложным объектом.

3.3.2 Расчет коэффициента лексической однородности

3.3.3 Оценка параметров модели и анализ алгоритма 102 Выводы по главе

Глава 4. Реализация предложенного подхода в компьютерной обучающей 113 системе

4.1 Структура компьютерной обучающей системы

4.2 Модель бизнес - процессов системы

4.2.1 Модель спецификации пользовательского интерфейса

4.2.2 Реализация системы

4.3 Требования к аппаратному и программному обеспечению

4.3.1 Установка программы

4.3.2 Отображение процесса работы системы обучения. 125 Выводы по главе 4 132 Заключение 134 , Список использованной литературы 135 Приложение

Информационные технологии и компьютерные интерактивные средства обучения занимают все более существенное место в образовании. Одной из областей, в большей мере приветствующих применение компьютерных обучающих технологий, является изучение иностранных языков. Новые информационные технологии изучения иностранных языков, в частности, иностранной лексики, особенно востребованы в последнее время, в связи с расширением сотрудничества российских и зарубежных специалистов. Развитие дистанционного образования и возросшие возможности подключения к сети Интернет расширили области внедрения компьютерных систем обучения иностранной терминологической лексике и обусловили повышение спроса на разработку новых информационных обучающих технологий.

При разработке аппарата алгоритмической поддержки компьютерных обучающих технологий проблеме построения модели обучаемого и модификаций ранее известных моделей в настоящее время уделяется значительное внимание. Методической основой данных разработок являются исследования Брусиловского П.Л., Растригина Л.А, Слипченко В.Г., Харламова А.А. Среди зарубежных исследований необходимо отметить работы А.Борка (A. Bork), Д. Брауна (J.S. Brown), Д. Голдсмита (J. Goldsmith), С. Паперта (S. Papart). Однако, во многих алгоритмах обучения, реализуемых в компьютерных обучающих системах, не всегда отражены индивидуальность подхода к обучаемому, учет конкретных параметров процессов запоминания и забывания и формирования ассоциативного поля вокруг запоминаемых понятий.

В настоящее время электронные словари существуют в различных формах, но все они имеют, по крайней мере, один или несколько из следующих недостатков: при их формировании не учитываются ассоциативные связи внутри языка; нет возможности динамической коррекции частотных характеристик лексем; отсутствует распознавание смысловой нагрузки у слов, имеющих одинаковое написание при разном значении. Очевидно, что правильность составления словарей (выбор терминов) и определение мощностных (частотных) характеристик терминов существенно влияет на эффективность работы алгоритма обучения.

Диссертационное исследование направлено на решение следующих научных проблем: разработать мультилингвистическую модификацию адаптивного алгоритма обучения, учитывающую генерацию ассоциативного поля вокруг запоминаемых понятий и нейросетевое определение их лексической однородности; разработать технологию динамического формирования информационно терминологического базиса (электронных мультилингвистических мощностных словарей).

Наличие указанных факторов в сочетании с возможностью представления ученика как сложного объекта управления дало простор для дальнейшего исследования этой темы и определило ее актуальность.

Объект исследования - адаптивные компьютерные программы учебного назначения, частотные словари лексики.

Предмет исследования - функционирование алгоритмов обучения, технологии компьютерной обработки информации при формирований частотных словарей.

Целью диссертационной работы является разработка комплекса программно-алгоритмических и информационных средств поддержки нейросетевой мультилингвистической системы адаптивного обучения, самостоятельно формирующей обучающую информацию (информационно-терминологический базис, мощностные словари), реализуемой в виде компьютерной системы.

Задачи исследования обусловлены поставленной целью и включают:

- формализацию задачи обучения в виде задачи управления сложным объектом; анализ структуры информационной базы нейросетевой мультилингвистической технологии адаптивного обучения;

- построение адаптивной модели обучаемого, учитывающей особенности мультилингвистического подхода;

- нейросетевую обработку информации для формирования мощностных словарей терминологической лексики;

- нейросетевую модификацию алгоритма обучения, осуществляющую динамическую адаптацию параметров обучаемого с учетом ассоциативных параметров мультилингвистической модели;

- программную реализацию и внедрение системы в практику.

Методы исследования. При выполнении работы использовались аппарат теории управления, нейросетевые алгоритмы (сеть Хопфилда и т.п.) и элементы теории вероятностей.

Научная новизна исследования состоит в следующем: Модифицирован алгоритм адаптивного обучения с учетом параметров мультилингвистической модели на основе генерации ассоциативного поля вокруг запоминаемых понятий.

Разработана нейросетевая технология. формирования мультилингвистического информационно-терминологического базиса с учетом ассоциативных связей слов в пределах одного языка;

Реализована возможность динамического анализа информационно -терминологического базиса и коррекции параметров алгоритма при использованием нейронных сетей из нейроподобных элементов с временной суммацией входных сигналов.

Значение для теории: теоретически обоснована возможность применения нейронных сетей из нейроподобных элементов для формирования мультилингвистического информационно терминологического базиса системы адаптивного обучения терминологической лексике. Разработан метод анализа лексической однородности лексем различных языков.

Результаты,. полученные при выполнении диссертационной работы, создают теоретическую основу как для повышения эффективности функционирования адаптивных систем обучения, так и для улучшения качества компьютерной обработки информации при формировании информационно-терминологического базиса данного класса систем.

Практическая ценность. Диссертационная работа выполнялась при поддержке программами грантов: Красноярского краевого фонда науки (2002г); фонда поддержки науки и образования МГИЭМ им. Армейского (2003г).

Разработанная в диссертации нейросетевая мультилингвистическая система адаптивного обучения применена при разработке компьютерных интерактивных средств изучения профессионально-ориентированной иностранной лексики на базе системы " УТ 1.1".

Использование системы позволяет:

- интенсивно пополнять иностранный профессионально-ориентированный словарный запас при использовании мультилингвистического информационно-терминологического базиса и нейросетевых ассоциативных параметров мультилингвистической модели обучения.

- формировать информационно-терминологический базис на основе нейросетевой технологии компьютерной обработки информации, повысить эффективность обучения.

Достоверность полученных результатов подтверждается тестированием и оценкой результатов применения разработанной системы в реальных проектах, согласованностью расчетных и экспериментальных данных.

Реализация результатов работы.

Основное назначение результатов работы - использование их в учебном процессе. В частности, разработанная автором диссертации компьютерная система обучения принята в опытную эксплуатацию в Красноярском государственном техническом университете (КГТУ) и

Красноярском филиале Московского государственного университета экономики, статистики и информатики (МЭСИ). На защиту выносятся:

Нейросетевая технология формирования информационно-терминологического базиса мультилингвистической технологии адаптивною обучения учитывает ассоциативные связи внутри каждого из языков и позволяет более адекватно рассчитывать частотные характеристики лексем,

Мультшшнгвистическая модификация алгоритма адаптивного обучения Л.А.Растригина учитывает генерацию ассоциативного поля вокруг запоминаемых понятий и нейросетевое определение их лексической однородности, позволяя эффективно решать задачу интенсивного накопления иностранного профессионально-ориентированного словарного запаса.

Использование нейронных сетей из нейроподобных элементов позволяет динамически анализировать мультилингвистический информационно -терминологический базис и корректировать параметры алгоритма обучения. ' Апробация работы. Основные положения и результаты работы прошли всестороннюю апробацию на всероссийских и международных конференциях, научных семинарах и научно-практических конференциях. В том числе:

- на XI Международной школе-семинаре «Новые информационные технологии», Украина, г. Судак , 2003г.; Работа награждена дипломом 1 степени.

- на. XXXIX-XXXXI Международных научных конференциях «Студент и научно-технический прогресс», Новосибирск, 2001-2003г.; Работы награждены дипломами I (2001г.), II (2002г.), и I (2003г.) степеней.

- на IX Международной научно практической конференции «Современные техника и технологии», Томск, 2003г.; Работа награждена, дипломом 111 степени.

Диссертационная работа в целом обсуждалась на научных семинарах кафедры информатики Красноярского Государственного Технического Университета в 2001-2004 гг.

Основные результаты исследований были отмечены следующими научными фондами:

- Благотворительный фонд поддержки науки и образования МГИЭМ "Фонд Армейского" (индивидуальные гранты для молодых ученых, 2003 г.).

- Красноярский краевой фонд науки (индивидуальные гранты для молодых ученых, 2002 г.).

Публикации. Основные результаты диссертационной работы опубликованы в 13 работах автора, список которых помещен в конце автореферата.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложения.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ.

1. Реализован нейросетевой алгоритм обработки информации для формирования мощностных словарей терминологической лексики с учетом ассоциативных связей слов в пределах одного языка, тем самым позволяя более адекватно рассчитывать частотные характеристики лексем.

2. Разработана мультилингвистическая модификация алгоритма адаптивного обучения Л.А.Растригина, учитывающая генерацию ассоциативного поля вокруг запоминаемых понятий и нейросетевое определение их лексической однородности, позволяя эффективно решать задачу интенсивного накопления иностранного профессионально-ориентированного словарного запаса.

3. Реализована возможность динамического анализа информационно -терминологического базиса и коррекции параметров алгоритма при использованием нейронных сетей из нейроподобных элементов с временной суммацией входных сигналов.

4. Система обучения спроектирована, реализована и внедрена в практику.

5. Разработанная в диссертации нейросетевая мультилингвистическая система адаптивного обучения применена при разработке компьютерных интерактивных средств изучения профессионально-ориентированной иностранной лексики на базе системы "УТ 1.1". Использование системы позволяет интенсивно пополнять иностранный профессионально-ориентированный словарный запас при использовании мультилингвистического информационно-терминологического базиса и нейросетевых ассоциативных параметров мультилингвистической модели обучения, формировать информационно-терминологический базис на основе нейросетевой технологии компьютерной обработки информации, повысить эффективность обучения.

Заключение.

1. Агапова О.И., Кривошеев А.О., Ушаков А.С. О трех поколениях компьютерных технологий обучения //Информатика и образование. №2, 1994. -с.34-40.

2. Азимов Э.Г. К типологии обучающих компьютерных программ по русскому языку как иностранному //Современные технические средства в обучении русскому языку как иностранному. М., 1990. - с. 136-143.

3. Александров Г.Н. Программированное обучение и новые информационные технологии обучения //Информатика и образование. №5, 1993. - с.7-19.

4. Алексеев П.М., Турыгина JI.A. Частотный англо-русский словарь-минимум газетной лексики. М.: Воениздат, 1984.

5. Алексеев П.М. Частотный англо-русский словарь-минимум по электронике. -М.: Воениздат, 1971.

6. Атанов Г.А. Моделирование учебной предметной области, или предметная модель обучаемого. //Educational Technology & Society, 2001 № 4(1), http://ifets.ieee.Org/russian/depositoiy/v4il/html/4.html

7. Атанов Г.А., Локтюшин В.В. Организация вводно-мотивационного этапа деятельности в компьютерной обучающей системе. //Educational Technology & Society, 2000 №1(1), http://ifets.ieee.org/periodical/voll00/informalsumma rykatyluchini.html

8. Атанов Г.А., Пустынникова И.Н. Структурирование понятий предметной области с помощью методов представления знаний. //Искусственный интеллект, №2, 1997. с.29-40.

9. Башмаков А.И., Башмаков И.А. Технология и инструментальные средства проектирования тренажерно-обучающих комплексов для профессиональной подготовки и повышения квалификации. Часть 1. //Информационные технологии. №6, 1999. - с.40-45.

10. Башмаков А.И., Башмаков И.А. Технология и инструментальные средства проектирования тренажерно-обучающих комплексов для профессиональной подготовки и повышения квалификации. Часть 2. //Информационные технологии. №7, 1999. - с.39-45.

11. П.Беляков В.М. Разработка функциональной модели автоматизированной обучающей системы по русскому языку как иностранному. Автореф. дис. . канд.филол.наук. - М., 1996.

12. Бовтенко М.А. Компьютерная лингводидактика: Учеб. пособие. -Новосибирск: Изд-во НГТУ, 2000.

13. Брусиловский П.Л. Интеллектуальные обучающие системы. //Информатика. Информационные технологии. Средства и системы, 1990. №2. с.3-22.

14. Брусиловский П.Л. Модели обучения. //Техническая кибернетика, №5, 1992. с.97-119.

15. Василенко Н.В., Ковалев И.В., Суздалева Е.А. Информационно-алгоритмическое обеспечение мультилингвистической обучающей технологии //Телематика'2001: Труды международной научно-методической конференции. Санкт-Петербург, 2001. - с. 68-69.

16. Вендров A.M. CASE-технологии. Современные методы и средства проектирования информационных систем. М.: Финансы и статистика, 1998.

17. Вендров A.M. Один их подходов к выбору средств проектирования баз данных и приложений //Системы управления базами данных. №3, 1995. -с.75-86.

18. Власов Е.А., Юдина Т.Ф. и др. Компьютеры в обучении языку: проблемы и решения. М., 1990.

19. Гаврилова Т.А., Зудилова Е.В. Адаптивный диалог и модель пользователя //Диалог-95: материалы международного семинара по компьютерной лингвистике и ее приложениям. Казань, 1995. - с.88-97.

20. Гаврилова Т.А., Червинская K.P. Извлечение и структурирование знаний для экспертных систем. М.: Радио и связь, 1992.

21. Галеев И.Х. Модели и методы построения автоматизированных обучающих систем (обзор). //Информатика. Научно-технический сборник. Серия Кадровое обеспечение. Вып.1. - М.: ВМНУЦ ВТИ, 1990. - с.64-72.

22. Гак В.Г. О концепции учебного словаря //Иностранные языки в школе. №4. -М., 1991. -с.15-21.

23. Гутгарц Р.Д., Чебышева Б.П. Компьютерная технология обучения //Информатика и образование. №5, 2000. - с.44-45.

24. Данилин А.Р. Создание специализированных автоматизированных систем обучения на базе ACO общего назначения //Обучающие и контролирующие системы на базе ЭВМ. Сб. науч. трудов. Свердловск: СГПУ, 1982. - с.3-10.

25. Демушкин A.C. Компьютерные обучающие программы //Информатика и образование. №3, 1995. - с.72-76.

26. Джексон Г. Проектирование реляционных баз данных для использования с микро-ЭВМ. М.:Мир, 1991.

27. Довгялло A.M., Ющенко ЕЛ. Обучающие системы нового поколения //У сиМ. №1 - 1988. - с.83-86.

28. Домрачев В.Г., Ретинская И.В. О классификации компьютерных образовательных информационных технологий. //Информационные технологии, 1996. №2. с. 10-14.

29. Жарков И.В. Автоматизированные обучающие системы //Прикладное языкознание /Под ред. Гердт A.C. СПб., 1996. - с.59-68.

30. Калянов Г.Н. CASE структурный и системный анализ. Автоматизация и применение. -М.: Изд-во «ЛОРИ», 1996.

31. Калянов Г.Н. Консалтинг при автоматизации предприятий. Подходы, методы, средства. М.: СИНТЕГ, 1997.

32. Калянов Г.Н., Козлинский А.В., Лебедев В.Н. Сравнение и проблема выбора методов структурного системного анализа //PC WEEK/RE. №34, 1996.

33. Калянов Г.Н., Козлинский А.В., Лебедев В.Н. Сравнительный анализ структурных методологий //Системы управления базами данных. №5, 1997.-С.75-78.

34. Карберри С. Модели пользователя: проблема неадекватности //Новое в зарубежной лингвистике. Вып. 24. - М., 1989. - с.259-291.

35. Кириллов В.П. SSADM передовая технология разработки автоматизированных систем //Компьютеры + программы. - №2, 1994. - с.8-17.

36. Кирилова Г.И. Информационные технологии и компьютерные средства в образовании. //Educational TecKnology & Society, 2000 № 4(1), http ://ifets. ieee.org/russian/depository/v4i 1 /html/5 .html

37. Кларлащук В.И. Обучающие программы. M.: Солон-Р, 2001.

38. Кривицкий Б.Х. О систематизации учебных компьютерных средств. //Educational Technology & Society, 2000 № 3(3), http://ifets.ieee.Org/russian/depository/v3i3/html/3.html

39. Кривошеев А.О. Разработка и использование компьютерных обучающих программ //Информационные технологии, 1996. №2. с. 14-18.

40. Кривошеев А.О., Голомидов Г.С., Таран А.Н. Перспективные internet-технологии информационного обеспечения образовательных услуг Часть 1. //Информационные технологии. -№7, 1998. -с.38-44.

41. Кромер В.В. Подпорно-экспоненциальная модель генеральной лексической совокупности английского языка //Деп. в ИНИОН РАН 18.12.97, № 53134. - Новосибирск: НГПУ, 1997.

42. Кромер В.В. Ядерно-веерная модель вертикального распределения слов в русском языке //Деп. в ИНИОН РАН. 31.03.97, № 52458. - Новосибирск: НГПУ, 1997.

43. Кручинин В.В. Разработка компьютерных учебных программ. Томск, 1998.

44. Кудрявцева Е.В. Компьютерные технологии обучения. -http://www.bytic.ttk.ru/cue99M/cu849jujjO.html

45. Лаутербах Р., Фрей К. Программное обеспечение процесс обучения //Перспективы. Вопросы образования. №3, 1988. - с.70-79.

46. Манако В., Манако А., Синица К. Коллекции интерактивных словарей для непрерывного обучения индивидуала. //Educational Technology & Society, 2001 № 4(1), http://ifets.ieee.Org/russian/depository/v4il/html/2.html

47. Марка Д.А., МакГоун К. Методология структурного системного анализа и проектирования SADT. М.: Метатехнология, 1993.

48. Машбиц Е.И. и др. Диалог в обучающей системе. Киев, 1989.

49. Нелюбин J1.J1. Компьютерная лингвистика и машинный перевод. М., 1991.

50. Околелов Г.Н. Программированное обучение и новые информационные технологии обучения //Информатика и образование. №5, 1993. - с.7-19.

51. Перевозникова-Карасева М.В. Англо-русский частотный словарь по системному анализу. Красноярск: САА, 1994.

52. Позин Б.А. Современные средства программной инженерии для создания открытых прикладных информационных систем //Системы управления базами данных. -№1, 1995.-с. 139-144.

53. Растригин Л.А. Адаптация сложных систем. Рига: Зинатне, 1981.

54. Растригин Л.А., Эренштейн М.Х. Адаптивное обучение с моделью обучаемого. Рига: Зинатне, 1988.

55. Русскин В.М., Кириллов В.П. Информационная методология SSADM: методика моделирования информационных потоков при разработке автоматизированных систем //Компьютеры + программы. №3, 1995. - с.15-23.

56. Савельев А.Я., Новиков В.А., Лобанов Ю.И. Подготовка информации для автоматизированных обучающих систем. М.: Высшая школа, 1986.

57. Семенов В.В. Информационные основы кибернетической компьютерной технологии обучения //Информатика и вычислительная техника. №3, 1997. -с.37-40.

58. Соловов А.В. Проектирование компьютерных систем учебного назначения: учебное пособие. Самара: СГАУ, 1995.

59. Соловов А.В., Меньшикова А.А. Дискретные математические модели в исследовании процессов автоматизированного обучения. //Educational

60. Technology & Society, 2001 №4 (2), http://ifets.ieee.org/russian/depository/v4i2 /html/3.html

61. Сосновский C.A. ByHeart: система для самообучения иностранным языкам (обзор программного обеспечения). //Educational Technology & Society, 2000 № 3(3), http://ifets.ieee.Org/russian/depository/v3i3/html/6.html

62. Тихомиров В.П., Солдаткин В.И., Лобачев С.Л., Ковальчук О.Г. Дистанционное обучение: к виртуальным средам знаний. Часть 1 //Дистанционное образование. №2, 1999. - с.8-16.

63. Усачев A.B. Искусственная нейросетевая мнемотехнология. Материалы XL Международной научной студенческой конференции "Студент и научно-технический прогресс": Информационные технологии. Новосибирск, НГУ, 2002г. С. 170-171.

64. Усачев A.B. Мнемотехника мультилингвистического подхода. Труды XL Международной научной студенческой конференции "Студент и научнотехнический прогресс": Информационные технологии. Новосибирск, НГУ, 2002г. С. 97-103.

65. Усачев A.B. Адаптивная технология управления качеством образования. Материалы III Всероссийской научно-практической конференции "Влияние образовательных технологий на развитие регионов", КФ МЭСИ, Красноярск 2003г. С. 29-31.

66. Усачев A.B. Нейросетевая кластеризация множественных значений терминологии с учетом лингвистической избыточности. Вестник НИИ СУВПТ, сборник научных трудов, Красноярск, 2003г. С. 140-150.

67. Усачев A.B. Нейросетевая мнемотехнология обучения. Материалы XLI Международной научной студенческой конференции "Студент и научно-технический прогресс": Информационные технологии. Новосибирск, НГУ, 2003г. С. 159-160.

68. Усачев A.B. Адаптивная технология управления качеством образования. Материалы IX Международной научно-практической конференции студентов, аспирантов и молодых ученых "Современные техника и технологии", Томск, ТПУ, 2003г. С. 67-68.

69. Усачев A.B. Компьютерная лингводидактика в информационных технологиях обучения. Материалы III Всероссийской научно-практической конференции "Влияние образовательных технологий на развитие регионов", КФ МЭСИ, Красноярск 2003г. С. 40-42.

70. Филатова Н.Н., Ахремчик O.J1. Центр «Компьютерные технологии образования»: его место в учебном процессе технического университета. //Educational Technology & Society, 2000 № 3(2), http://ifets.ieee.Org/russian/depositorv/v3i2/html/5.html

71. Харламов А.А. Ассоциативный процессор на основе нейроподобных элементов для структурной обработки информации. // Информационные технологии, 1997, № 8, с. 40-44.

72. Чепегин В.И. Компьютерные технологии обучения проблемы классификации. //Educational Technology & Society, 2000* № 3(4), http://ifets.ieee.Org/russian/depository/v3i4/html/l.html

73. Штрик A. CASE: автоматизированное проектирование программного обеспечения //Монитор. №4,1992. - с.4-6.

74. Яблочкин Л.Б., Андриянова М.А., Каргин А.В. Гипертекст новая технология для создания систем тестирования знаний //Информационные технологии. - №3,2001. - с.25-27.

75. Eastment D. Technology-Enhanced Language Learning: Hype or Gold Mine? -http://www.kyotosu.ac.jp

76. Eisenreich, Günter und Sube, Ralf. Langenscheidts Fachwörterbuch Mathematik: Englisch-Deutsch-Französisch-Russisch. Langenscheidt, 1996.

77. Everett D. R., Ahern T.C. Computer-Mediated Communication as a Teaching Tool: a Case Study //Journal of Research on Computing in Education. Vol.26, Iss.3. - Spring, 1994. - Pp.336-357.

78. Ferretti, Vittorio. Wörterbuch der Elektronik, Datentechnik und der Telekommunikation: Deutsch-Englisch. Berlin: Springer, 1992.

79. Fluck H.-R., Karasyova M., Kovaleva Т., Souzdaleva E. Learner's Memory State Model in Informational Training Technology //Информатизация- региона: Тезисы докладов конференции с международным участием. Том 1. -Красноярск, 1999.-с.88-89.

80. Gay G., Grosz-Ngate М. Collaborative Design in a Networked Multimedia Environment: Emerging Communication Patterns //Journal of Research on Computing in Education. Vol.26, Iss.3. - Spring, 1994. - Pp.418-432.

81. Goodfellow R: CALL Programs for Vocabulary Instruction //Computer Assisted Language Learning Journal. Vol.8. - №2, 1995. - Pp.205-226.

82. Haberfeiler K., Daenzer W. Systems engineering: Methodik und Praxis. -Betr.Inst.d.ETH. Zürich: Verl.Industrielle Organisation, 1997.

83. Herdan G. Quantitative Linguistics. London, 1964.

84. Hoffmann L. Anwendungsmoeglichkeiten und bisherige Anwendung von statistischen Methoden in der Fachsprachenforschung//In: Languages for Special Purposes (Edited by L. Hoffmann). Vol. 1. - Berlin, 1999. - Pp. 241-249.

85. Hopfield J.J. Neural networks and physical systems with emergent collective computational abilities. Proc. Natl. Acad. Sei. 79, 1982. p. 2554-2558.

86. Ingraham B., Chanier T., Emery C. Language Training for Various Purposes in Several Languages on a Common Hypermedia Framework //Computer & Education. Vol.23, Iss. 1,2, 1994. - 107-115.

87. Jol,H., Petar,V. (ed.): Systems and Control Theory for Power Systems. New York: Springer, 1995.

88. Jones G. Computer Simulations in Language Teaching the Kingdom Experiment //System. - Iss. 17,1986. - Pp.35-47.

89. Kotik, Michail. Wörterbuch Luft- und Raumfahrttechnik: Russisch-EnglischDeutsch. Düsseldorf, 1986.

90. Legenhausen L., Wolff D. Call in Use Use of CALL: Evaluating CALL Software // System. - Iss. 18, № 1, 1990. - Pp. 1 -13.

91. Levy M. Computer Assisted Language Learning: Context and Conceptualization. Oxford: Clarendon Press, 1997.

92. Mueller Ch. Initiation a la statistique linguistique. Paris, 1978.

93. Nagata N. Computer vs. Wordbook Instruction in Second Language Acquisition //CALICO Journal. Vol.14, №1, 1996. - Pp.53-76.

94. Peterson M. Creating Hypermedia learning Environments: Guidelines for Designers. http://www.jaist.ac.jp

95. Plass J.L. Design and Evaluation of the User Interface of Foreign Language Multimedia Software: a Cognitive Approach //Language Learning and Technology. Vol.2, №1, 1998. - Pp.35-45.

96. Polezzi L. Concordances in the Design and Implementation of Foreign language Courses //Computers & Education. Vol.23, Iss.1,2, 1994. - Pp.89-96.

97. Reinhard D. Deutsch als Fremdsprache Projekte im Internet. - Stuttgart: Klett, 1998.

98. Roe P.J. User Modeling in CALL: Some Fundamental Issues //Computers & Education. Vol.23, Iss.1,2,1994. - Pp.27-33.

99. Souzdaleva E. Effective Information Training Technology Based on the Learner's Memory State Model //In: AMSE Periodicals, 2000 Vol.21, № 3. -Pp. 11-26.

100. Souzdaleva E.A. Modell- und Algorithmusversorgung von „Computer-Based"-System für das virtuelle Studium der Fachterminologie im Bereich der, Luft- und Raumfahrttechnik //Sachstadtsbericht Flughafen Frankfurt Main Stiftung, Oktober 1999.

101. Swah Ph. Computer Assisted Language Learning for English as a Foreign Language //Computers & Education. Vol.19, Iss.3, 1992. - Pp.251-266.

102. Teeler D., Gray P. How to use the Internet in ELT. Longman, 1999.

103. Warschauer M. Computer Assisted Language Learning: an Introduction. -1996. http://www.lll.hawaii.edu