автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Технология разработки экспертно-обучающих систем, ориентированных на обучение точным дисциплинам

САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

На правах рукописи

Аксенов Максим Владимирович

Технология разработки экспертно-обучающих систем, ориентированных на обучение точным дисциплинам

05.13.01 —системный анализ, управление и обработка информации (по прикладной математике - процессам управления)

Автореферат диссертации на соискание ученой степени кандидата технических наук

Санкт-Петербург - 2004

Работа выполнена на кафедре Математической теории микропроцессорных систем управления факультета Прикладной математики — процессов управления Санкт-Петербургского государственного университета

Научный руководитель: Официальные оппоненты:

доктор физико-математических наук, профессор Братчиков Игорь Леонидович доктор технических наук, профессор Румянцев Игорь Андреевич

кандидат физико-математических наук, доцент Анисимова Ирина Николаевна

Ведущая организация:

Санкт-Петербургский институт информатики и автоматизации Российской академии наук

Защита состоится 27 октября 2004 года в 14 часов на заседании диссертационного совета Д-212.232.50 по защитам диссертаций на соискание ученой степени доктора наук при Санкт-Петербургском государственном университете по адресу: 199034, Санкт-Петербург, Университетская наб., 7/9.

С диссертацией можно ознакомиться в научной библиотеке им. М. Горького Санкт-Петербургского государственного университета по адресу: 199034, Санкт-Петербург, Университетская наб. 7/9.

Автореферат разослан 2004 г.

Ученый секретарь

диссертационного совета доктор физ.-мат. наук, профессор

Г. И. Курбатова

Общая характеристика работы

Актуальность темы. Разработка автоматизированных обучающих систем хотя и является относительно новой тематикой в научных исследованиях, имеет богатую историю. Первые попытки разработать теорию автоматизированного обучения относятся ко времени создания и эксплуатации электронно-вычислительных машин первого поколения. Примерно в это же время были созданы первые весьма примитивные обучающие системы. Однако наиболее активные усилия по созданию обучающих систем стали предприниматься в последние 10—15 лет. Связано это, прежде всего, с широким распространением и доступностью вычислительной техники. С развитием Internet возникло такое понятие, как дистанционное обучение, которое также способствует популярности исследований в области обучающих систем. Вместе с тем, данную область научных исследований нельзя назвать до конца изученной. Хотя к настоящему времени разработаны десятки обучающих систем, большинство из них создано в стенах университетов. Они являются типичными университетскими системами, которые предназначены для экспериментальных целей и никогда не использовались в образовательном процессе. Другие системы, такие как AHA и системы семейства ELM, применялись для проведения обучения по относительно небольшим темам. Коммерческие обучающие системы, в большинстве своем, являются обычными гипертекстовыми документами и не могут претендовать на то, чтобы называться полноценными обучающими системами.

Предметом исследования настоящей диссертации являются экспертно-обучающис системы (ЭОС). Объект исследования определяется как "Технология разработки ЭОС, ориентированных па обучение точным дисциплинам".

Цель диссертационной работы - разработка методов построения ЭОС, ориентированных на обучение точным дисциплинам, и реализация этих методов в конкретной ЭОС.

Логика достижения поставленной цели исследования предполагает решение ряда частных задач:

РОС. НАЦИОНАЛЬНАЯ БИБЛИОТЕКА

1. Создание концептуальной модели оболочки ЭОС, позволяющей моделировать процесс логических рассуждений, а также преобразования символьных выражений (в том числе упрощение и вычисление значений математических выражений).

2. Разработка методов и алгоритмов сравнения семантически эквивалентных математических выражений. Данные методы должны позволять разработчикам обучающих курсов описывать классы семантически эквивалентных математических выражений.

3. Разработка формальной модели, позволяющей создавать параметризованные задания, то есть задания, содержащие параметры, которые в процессе генерации заданий будут заменены конкретными значениями. Таким образом, каждый обучаемый получит индивидуальные задания.

4. Разработка методов адаптации системы к текущему уровню знаний обучаемого.

Научная новизна. В процессе работы были получены следующие основные результаты:

1. разработаны алгоритмы сравнения и преобразования математических выражений, представленных в памяти компьютера в виде бинарных деревьев;

2. разработаны методы преобразования математических выражений с помощью шаблонов, задаваемых разработчиком обучающего курса, что позволяет задавать классы семантически эквивалентных математических выражений;

3. предложена объектная модель описания предметной области для создания параметризованных заданий;

4. разработан метод использования аппарата формальных грамматик для параметризации заданий со сложными математическими выражениями;

5. предложен механизм адаптации ЭОС к текущему уровню знаний обучаемого и способ распределения обязанностей между адаптивным компонентом и другими компонентами ЭОС.

Теоретическая ценность. В первую очередь, теоретическую ценность представляют п. 1,2, указанные в разделе «Научная новизна».

Практическая ценность. Практическую ценность представляют все пять пунктов раздела «Научная новизна». В процессе работы над диссертацией была разработана ЭОС "Formula Tutor", используемая в настоящее время в учебном процессе, в диссертационной работе описывается ее реализация, приведены диаграммы языка UML (Unified modeling language - Унифицированный язык моделирования), демонстрирующие реализацию компонентов системы и их взаимодействие.

Апробация работы. Основные результаты работы прошли апробацию: о на VIII международной конференции "Региональная информатика - 2002"

(Санкт-Петербург, ноябрь 2002); о на XXXIV научной конференции факультета ПМ-ПУ СПбГУ (Санкт-

Петербург, апрель 2003); о на XXXV научной конференции факультета ПМ-ПУ СПбГУ (Санкт-

Петербург, апрель 2004); о на IX Санкт-Петербургской международной конференции "Региональная информатика - 2004" (Санкт-Петербург, июнь 2004).

Публикации. Основные результаты работы опубликованы в работах [ 11-

[3].

Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, списка использованных источников из 56 наименований и приложения. Основной объем работы содержит 97 страниц, в диссертации содержится 25 рисунков.

Содержание работы

Во введении отражается актуальность, целевая установка задачи исследования, прикладная направленность работы, ее направленность на использование в компьютерных системах, приведено описание содержания диссертации по главам.

Первая глава посвящена обзору литературы по теме исследования. В первом разделе описываются теоретические основы процесса обучения и особенности этого процесса при его автоматизации. Сначала дается определение процесса обучения, подчеркивается, что он является одним из видов человеческой деятельности и обладает всеми ее характеристиками, приводятся свойства, отличающие обучение от других видов деятельности. Далее в данном разделе подчеркивается, что процесс обучения должен проводиться на основе деятельностной модели обучения, указываются преимущества такой модели. Затем рассматриваются дидактические принципы обучения. Компьютерное обучение строится на основе тех же дидактических принципов (принципы научности, системности и систематичности, принципы развивающего обучения, дифференциации и индивидуализации обучения), что и обычное обучение, но реализуются они специфичными способами, также обусловленными особенностями новой формы обучения, возможностями информационной среды, ее услугами.

Во втором разделе первой главы описывается современное состояние дел в области обучающих систем, рассматриваются два типа классификации обучающих систем. Первый тип, предложенный Питером Нрусиловским, основан на технологиях, используемых при разработке обучающих систем. Одновременно вместе с классификацией описываются и сами технологии. Все технологии, используемые в обучающих системах, можно разделить по их происхождению. Первая группа технологий, возникшая раньше, ведет свое происхождение от интеллектуальных обучающих систем и включает следующие технологии: построение последовательности курса обучения, интеллектуальный анализ ответов обучаемого, интерактивную поддержку в решении задач, поддержку в решении задач на примерах. Вторая группа технологий - адаптивная гипермедиа -

относительно новая область исследований. Системы адаптивной гипермедиа применяют различные виды моделей пользователя для приспособления содержимого и ссылок страниц гипермедиа для него. Можно выделить две основные группы технологий в адаптивной гипермедиа: адаптивное представление и адаптивная поддержка в навигации. Цель технологии адаптивной поддержки в навигации — поддержка обучаемого в ориентации и навигации в гиперпрострапстве посредством изменения внешнего вида ссылок. Тремя наиболее популярными путями реализации технологии адаптивной поддержки в навигации являются: прямое руководство, адаптивное помечивание ссылок и адаптивное сокрытие ссылок. Цель технологии адаптивного представления - приспособить содержимое страницы гипермедиа к целям и знаниям пользователя. Подавляющее большинство обучающих систем используют в своей работе технологии интеллектуальных обучающих систем и технологии адаптивной гипермедиа.

Кроме классификации обучающих систем, предложенной Питером Брусиловским, существует классификация, основанная на том, какие инструментальные средства система предоставляет преподавателю. Система может иметь некоторый набор встроенных обучающих курсов, при этом у преподавателя практически отсутствуют или значительно ограничены средства влияния на процесс обучения. Для внесения даже самых незначительных изменений в обучающий курс требуется привлечение разработчиков системы, которые, используя инструментальные средства, применявшиеся при разработке системы, вносят требуемые изменения. Такие системы называют просто обучающими системами, или конечными обучающими курсами. Кроме конечных обучающих курсов существуют еще оболочки обучающих систем, или, как их еще называют, инструментальные оболочки. Такие системы предоставляют преподавателям более широкий спектр возможностей, начиная от изменения уже имеющихся обучающих курсов до создания собственных.

Во втором разделе также рассмотрены примеры обучающих систем (АИЛ, семейство ELM, ADE, VET, WITS, CyberProf, WLEM), указано их место и рассмотренной классификации. Данные обучающие системы подвергну! ы

критическому анализу, указаны их слабые и сильные стороны. Указано, что структура обучающей системы ELM-ART II является наиболее удачной, она включает учебную информацию, представленную в виде адаптивного гипертекста, сопровождающуюся контрольными вопросами и упражнениями Для перехода к следующей порции информации необходимо ответить на вопросы и выполнить упражнения. В данном разделе приведено описание разработанной нами ЭОС "Formula Tutor", приведены ее краткие характеристики и преимущества по сравнению с системами, включенными в обзор.

Основное содержание выполненною диссертационного исследования представлено во второй и третьей главах. Во второй главе описаны алгоритмы преобразования математических выражений. Здесь же описаны и некоторые другие алгоритмы, в частности алгоритм преобразования математических выражений, представленных в виде строк символов, во внутреннее представление системы. Действительно, от пользователей системы (обучаемых и разработчиков обучающих курсов) выражения могут поступать только в виде строк символов, однако использовать такое представление внутри системы неудобно и неэффективно. В качестве внутреннего представления матемагических выражений используется представление в виде бинарных деревьев. Для преобразования формул, представленных в виде строк символов в бинарные деревья, используется теория трансляции. При этом лексический анализатор выделяет из входной строки отдельные лексемы, а синтаксический формирует из них бинарное дерево. При этом оба анализатора осуществляют проверку корректности входной строки, Кроме того, на синтаксический анализатор возложена обязанность по интерпретации отдельных лексем, в частности, он определяет, является ли минус унарным или бинарным. При реализации синтаксического анализатора использовался , несколько модифицированный алгоритм преобразования математических выражений в польскую инверсную запись.

Поскольку одно и то же математическое выражение может быть представлено различными семантически эквивалентными выражениями, требуется преобразовать бинарное дерево к стандартному виду, для чего необходимо:

1. исключить все лишние скобки и унарные плюсы;

2. раскрыть скобки, относящиеся к бинарному и унарному минусу;

3. вынести унарный минус из-под знаков умножения и деления;

4. если возможно, раскры гь скобки, охватывающие делитель.

После приведения к стандартному виду бинарное дерево становится иерархически упорядоченным относительно своих операций. Иначе говоря, 'Корнями правых поддеревьев бинарных минусов и плюсов не могут являться бинарные и унарные минусы и плюсы. Корнями правых поддеревьев умножения и деления не могут являться узлы умножения, деления, унарный минус и унарный плюс.

Так как система является оболочкой, разработчику обучающего курса необходимо предоставить возможность задавать набор преобразований, которые осуществляет система. Преобразования задаются в виде обычных математических формул, кроме того, эти формулы могут содержать ключевые слова maskX и numberX, где вместо X может быгь подставлено любое натуральное число. Ключевое слово maskX было введено для описания классов преобразований. Преобразование maskl + masKl = 2* maskl интерпретируется следующим образом: сумма двух одинаковых подвыражений равняется произведению двойки и одного из подвыражений, в то время как преобразование а + а = 2 * а интерпретируется: сумма двух а равняется произведению двойки и а . Если ключевое слово maskX система интерпретирует как произвольное подвыражение, то ключевое слово numberX она интерпретирует как произвольное число. С помощью ключевого слова numberX можно задать, например, правило дифференцирования степенной функции:

D(mask\,mask\Л numberl) = number1 * mask 1А (numberl -1)

В третьей главе описываются технологии, разработанные для использования в обучающих системах, ориентированных на обучение точным • дисциплинам. Изложение технологий ведется на примере их использования в ЭОС "Formula Tutor". Каждый раздел главы соответствует одному из компонентов системы и содержит теоретический материал, на основе которого строился данный

компонент, а также описание программной реализации данного компонента в виде диаграмм UML и их неформального текстового описания.

Первый раздел главы содержит общее описание компонентов системы и их зависимостей.

Второй раздел посвящен объектной модели описания предметной области. В нем предметная область рассматривается с точки зрения иерархии объектов. Каждый элемент предметной области при ее описании представляется в виде обьекта. Каждый объект имеет имя и набор полей. Каждое поле характеризуется именем, типом поля и списком допустимых значений. Поле может быть одного из следующих типов:

1. Int — 32-х разрядное целое число;

2. Double - 64-х разрядное число с плавающей точкой;

3. String - строка символов;

4. Object - ссылка на другой объект предметной области.

Поле Object используется для агрегации одним объектом другого, это позволяет создавать представление сложного из более простых, таким образом реализуется наследование, которое в объектно-ориентированном программировании (ООП) называется "part of (быть частью). Имя объекта является его дескриптором, оно должно быть уникальным, имя поля также является дескриптором, оно также должно быть уникальным в рамках объекта. Список допустимых значений зависит от типа поля. Так для типов Int и Double список допустимых значений может быть задан в виде некоторого диапазона или перечислением значений, если поле принимает только дискретные значения. Для поля String список допустимых значений задается в виде перечисления строк символов. Для поля типа Object список допустимых значений состоит из единственного имени объекта, на который ссылается данное поле. Объект может быть производным от другого объекта, в ООП пот тип наследования называется "is а" (является чем-либо). В этом случае объект наследует все поля своего базового объекта, и область допустимых значений для таких полей может быть разве что сужена.

Третий раздел посвящен продукционной базе знаний. Продукционная база знаний позволяет моделировать логические рассуждения, на ее основе происходит генерация заданий. Каждое продукционное правило в системе состоит из следующих элементов:

1. имя правила;

2. антецедент;

3. консеквент;

4. комментарий к правилу;

5. стоимость использования данного правила.

Первые три пункта имеют происхождение из классической продукционной модели. Оставшиеся два связаны со спецификой использования продукционных правил в обучении. Комментарий к правилу необходим для предоставления учащемуся информации о правиле: сфере его применения, методах использования и т. д. Стоимость правила отражает объективную сложность использования данного правила обучаемым, благодаря такой модели система генерирует задания, соответствующие текущему уровню знаний обучаемого. Антецедент состоит из списка условий. Каждое такое условие состоит из тройки: имя объекта, имя поля, значение поля. Правила продукционной базы знаний строятся на основе объектов предметной области. Имена объекта и поля должны в точности соответствовать описанию какого-либо объекта предметной области. Значение поля может быть либо из области допустимых значений поля, либо одним их двух ключевых слов: ValueX или GenerateX. Вместо символа X может быть. представлено любое натуральное число. Ключевое слово ValueX при генерации задания будет заменено произвольным значением из области допустимых значений данного поля. Ключевое слово GenerateX при генерации задания заменяется выражением, построенным грамматикой для генерации заданий. Консеквент состоит из списка заключений. Каждое заключение состоит из трех элементов: имени объекта, имени поля, допустимого значения данного поля или ключевого слова Calculate. Ключевое слово Calculate означает, что модуль символьных преобразований должен осуществить преобразования выражения, находящегося в скобках за ключевым

словом Calculate. Если в антецеденте находится ключевое слово ValueX или GcncrateX, оно может быть помещено в скобки после Calculate, тогда оно будет замещено выражением, полученным в антецеденте, при этом подставленное выражение будет подвергнуто символьным преобразованиям.

Грамматика для генерации заданий необходима для построения сложных формульных выражений, являющихся частью задания. Каждое правило грамматики для генерации задания является контекстно-свободным правилом по классификации Хомского. К каждому правилу относится параметр, определяющий стоимость использования данного правила. Стоимость использования правила отражает объективную сложность использования данного правила обучаемым. Благодаря такой модели система генерирует задания, соответствующие текущему уровню знаний обучаемого. Правая часть правила грамматики может состоять из нетерминальных и терминальных символов. Кроме того, в правой части правила могут быть ссылки на поля объектов предметной области, которые считаются особыми терминальными символами. При генерации задания все такие ссылки заменяются величинами из области допустимых значений данного поля.

Генератор заданий предназначен для генераций заданий, которые предлагаются для решения обучаемому. Генерация заданий производится на основе правил продукционной базы знаний и грамматики для генерации заданий. При генерации заданий, как на основе продукционной базы знаний, так и на основе грамматики используется одна и та же методика. Она состоит в том, чтобы составить множество наборов правил базы знаний или грамматики, при помощи которых можно создать задания для обучаемого, соответствующее его уровню знаний. Адаптивный компонент выбирает из этого множества один из наборов, основываясь на информации о предыдущей работе обучаемого в системе. При составлении множества наборов правил ключевую роль играет величина, определяющая уровень сложности задания и задаваемая адаптивным компонентом. Эта величина является ограничителем уровня сложности задания, выше которого система не должна генерировать задания. Для грамматики реализация этого требования выполнена следующим образом: строится граф и/или переходов между

символами грамматики. Перемещения по графу соответствуют выбору правил из грамматики. Таким образом, обходя граф, можно строить наборы правил, но при этом необходимо следить, чтобы сумма стоимостей правил не превысила величины заданной- адаптивным компонентом. Алгоритм построения множеств правил продукционной базы знаний тот же самый, однако вместо произвольного графа используется ациклический граф, поскольку, в отличие от грамматики, в базе знаний запрещены циклы. Действительно, наличие циклов в модели знаний говорит о том, что отдельные понятия данной предметной области определены через самих себя. В процессе построения графа роль нетерминальных символов грамматики игр'ают тройки {объект, атрибут, значение}.

В результате работы генератора задания формируется так называемый каркас задания. Каркас задания содержит неизвестную величину и все данные, необходимые для ее нахождения. Однако каркас формируется на внутреннем, не подходящем для обучаемого языке системы. Для того чтобы представить каркас задания в привычном обучаемому виде, можно использовать следующую технологию: создать некоторые особого вида структуры, состоящие из текста и специальных символов, каждая из которых характеризуется набором исходных данных и неизвестных величин. Тогда, сопоставляя каркас с этой структурой, можно преобразовать его в привычный обучаемому вид. Такие структуры получили название шаблонов заданий. Шаблоны заданий могут состоять из следующих элементов:

1. Тройки {Объект,Атрибут,Значение}. Такие тройки используются для сопоставления шаблонов и каркасов заданий, при этом происходит сопоставление всех трех параметров. При отображении шаблона обучаемому, тройки не отображаются. Если после тройки следует вопросительный знак - это означает, что значение этой тройки должен найти обучаемый.

2. Пары {Объект, Атрибут}. Пары также используются для сопоставления с параметризованными тройками каркаса, при этом происходит сопоставление имени объекта и имени поля. При отображении

обучаемому пара заменяется значением, построенным генератором заданий. Ксли после пары следует вопросительный знак - это означает, что значение этой пары должен найти обучаемый.

3. Инстанцированные объекты. Формат задания инстанцированного объекта: имя=instance(имя_o6ьeKTa). Инстанцирование объекта используется, если объект имеет производные объекты. При этом создается представление одного из производных объектов. Под представлением мы понимаем объект, у которого в списке допустимых значений каждого поля оставлено только одно значение. В дальнейшем имя инстанцированного объекта и имена полей могут быть использованы для доступа к этим значениям.

4. Текст. Текстом считается все, что не попадает в первые три категории. При отображении обучаемому текст выводится без изменений.

В заключении диссертации приводится краткий перечень основных результатов.

Основные результаты, выносимые на защиту

1. Модель и алгоритмы проведения символьных преобразований матемажческих выражений, использование шаблонов для задания наборов символьных преобразований.

2. Алгоритмы сравнения математических выражений, представленных в виде бинарных деревьев.

3. Модель, позволяющая создавать параметризованные задания, которая включает объектную модель предметной области и грамматику для генерации заданий.

4. Модель распределения обязанностей при генерации заданий между компонентами системы.

5. Методика разработки ЭОС, используемых для обучения точным дисциплинам, и ее применение при создании ЭОС "Formula Tutor".

Публикации

1. Аксенов MB., Братчиков И.Л. г)кспсртио-обучающая система "Formula Tutor". //Процессы управления и устойчивость: Труды XXXV научной конференции аспирантов и студентов факультета ПМ-ПУ. СПб.: Издательство Санкт-Петербургского университета, 2004. с. 352-356.

2. Аксенов М.В., Братчиков ИЛ. Окспертно-обучающая система FORMULA TUTOR// VIII международная конференция «Региональная информатика -2002» (РИ-2002), 26-28 ноября 2002 г. Труды конференции. СПб. СПИИРАН, 2003. с. 318-323.

3. Аксенов М. В. Экспертно-обучающая система "Formula Tutor 2.0": структура и назначение. //Процессы управления и устойчивость: Груды XXXIV научной конференции аспирантов и студентов факультета ПМ-ПУ. СПб.: Издательство Санкт-Петербургского университета, 2003. с. 305309.

Лицензия ИД № 05679 от 24.08.2001

Подписано в печать 16.09.2004. Формат 60x90/16. Бумага офсетная. Печать ризографическая. Усл. печ. л. 1,0. Тираж 100. Заказ 262.

Типография Издательства СПбГУ. 199061, С.-Петербург, Средний пр., 41.

fl 1696 4

Введение.

Глава 1. Обзор литературы по теме исследования.

1.1 Теоретические основы процесса обучения.

1.1.1 Обучение как вид деятельности.

1.1.2 Уровни усвоения знаний.

1.1.3 Деятельностный подход к обучению.

1.1.4 Дидактические принципы компьютерного обучения.

1.1.5 Обратная связь.

1.2 Классификация обучающих систем.

1.2.1 Классификация, предложенная П.Брусиловским.

1.2.2 Инструментальные оболочки и конечные курсы.

1.3 Анализ известных обучающих систем.

Глава 2. Символьные преобразования математических выражений.

2.1 Внутреннее представление математических выражений.

2.2 Стандартный вид бинарных деревьев.

2.3 Неформальное описание алгоритма символьных преобразований.

2.4 Требования к алгоритму символьных преобразований.

2.5 Алгоритм символьных преобразований.

Глава 3. Принципы разработки обучающих систем.

3.1 Структура ЭОС "Formula Tutor".

3.2 Хранилище объектов предметной области.

3.3 Продукционная база знаний.

3.4 Грамматика для генерации заданий.

3.5 Генератор заданий.

3.6 Шаблоны заданий.

Анализируя развитие государств, которые принято относить к передовым, нетрудно предположить, что в экономической сфере XXI век будет ознаменован "экономикой знаний". Уже сейчас понятно, что роль любого государства в мире определяется не столько природными, сколько интеллектуальными ресурсами [М1]. Таким образом, подготовка высокообразованных специалистов приобретает все более важное значение. Однако ситуация в сфере образования далека от идеальной. Причем это относится не только к нашей стране [В 1], но и к странам с более стабильной и успешной экономикой [П1]. Проблема современного образования состоит в том, что оно на протяжении многих лет оставалось неизменным на фоне стремительных изменений в других сферах деятельности современного общества, эволюция образования отстает от эволюции общества [П1].

Одним из способов решения возникших проблем образования является вовлечение в образовательный процесс различных технических средств, и в первую очередь использование компьютерного обучения [П2].

Использование компьютерных обучающих систем предоставляет следующие возможности:

1. использование изобразительных возможностей, позволяющих сделать содержимое более наглядным, понятным, занимательным;

2. возможность снабдить учебный материал динамическими рисунками, использование которых позволяет учащемуся экспериментировать, рассматривать изучаемое явление с разных сторон;

3. возможность моделировать;

4. возможность быстро и эффективно тестировать или каким-либо другим образом проверять знания учащихся;

5. возможность организовывать самостоятельную работу учащихся в удобном для них темпе, давать подсказки, справки и многое другое;

6. использование гипертекстовых ссылок, позволяющее мгновенно отыскать нужное понятие, в считанные доли секунды "перелистать" многие страницы изучаемого текста;

7. организовать виртуальную лабораторную работу, которую по тем или иным причинам невозможно провести в реальной обстановке;

8. осуществлять индивидуальный подход к обучаемому.

Исследования в области обучающих систем являются в настоящее время чрезвычайно популярным и интенсивно развивающимся видом научной деятельности. На наш взгляд на это есть две причины. Во-первых, это интерес к использованию на практике технологий искусственного интеллекта, всегда существовавший в академической среде. Во-вторых, бурное развитие Internet-технологий, предоставившее разработчикам обучающих систем новые мощные средства разработки, которых не существовало раньше. Такая популярность этой области научных исследований привела к тому, что в настоящее время существует большое количество научных трудов по данной теме, разработаны десятки обучающих систем. Однако, несмотря на такое обилие информации и достаточно большое число разработанных систем, эту область знаний нельзя назвать полностью исследованной. Действительно, проведены исчерпывающие исследования процесса обучения, но касаются они в основном теоретических аспектов и мало помогают в разработке реальных обучающих систем. Большинство обучающих систем, разработанных в академической среде, - это типичные "лабораторные" системы, никогда не использовавшиеся в реальном процессе обучения. Остальные, такие как AHA и ELM-ART использовались для проведения в нескольких относительно небольших занятиях. Коммерческие обучающие системы являются, по сути, гипертекстовыми документами и не могут претендовать на то, чтобы называться полноценными обучающими системами.

Целью данной работы является разработка технологии создания обучающих систем, которые предполагается использовать при обучении дисциплинам, связанным с символьными преобразованиями математических выражений. Кроме того, данная технология должна позволять создавать оболочки обучающих систем, то есть пользователи таких систем должны получить возможность создавать собственные обучающие курсы и изменять имеющиеся.

Первая глава диссертации посвящена обзору литературы по теме исследования. В первом разделе описываются теоретические основы процесса обучения и особенности этого процесса при его автоматизации. В данном разделе показана важность построения процесса обучения на основе деятельностной модели обучения. Далее рассматриваются дидактические принципы обучения и то, как эти принципы трансформируются при переходе к компьютерному обучению. Особое внимание уделено диалогу обучаемого и обучающей системы. Второй раздел главы посвящен обзору работ, связанных с обучающими системами. В нем рассмотрена классификация обучающих систем, предложенная Питером Брусиловским и основанная на технологиях, используемых при разработке обучающих систем. В процессе описания классификации приводится и обзор самих технологий. Приведен также еще один способ классификации, построенный на том, какие инструментальные средства система предоставляет своим пользователям. В главе приведены примеры обучающих систем и проанализированы их слабые и сильные стороны (AHA, семейство ELM, ADE, VET, WITS, CyberProf, WLEM), более подробное описание систем приведено в приложении 1. В заключение приводится краткое описание построенной на изложенных в диссертации принципах экспертно-обучающей системы (ЭОС) "Formula Tutor".

Основное содержание выполненного диссертационного исследования представлено во второй и третьей главах. Во второй главе приведено описание моделей и алгоритмов символьных преобразований математических выражений. Рассмотрено представление математических выражений в виде бинарных деревьев, метод построения таких деревьев, алгоритмы их сравнения и преобразования, приведено описание стандартного вида бинарных деревьев и алгоритмы преобразования деревьев к стандартному виду. Задание набора символьных преобразований осуществляется с помощью шаблонов символьных преобразований, также рассмотренных в этой главе.

В третьей главе описывается технология разработки обучающих систем, ориентированных на обучение точным дисциплинам. Изложение технологии ведется на примере их использования в ЭОС "Formula Tutor". Каждый раздел главы соответствует одному из компонентов системы, при этом каждый раздел содержит теоретический материал, на основе которого строился данный компонент, а также описание программной реализации данного компонента в виде диаграмм UML (Unified modeling language -Унифицированный язык моделирования) и их неформального текстового описания.

В заключении сформулированы основные результаты, а также возможные пути дальнейшего развития разработанных методик.

Заключение

В результате диссертационного исследования была разработана методика построения обучающих систем для использования при обучении дисциплинам, связанным с преобразованиями математических формул. В процессе работы над диссертацией были получены следующие результаты:

1. разработана модель символьных преобразований математических выражений и алгоритмы, реализующие эту модель;

2. предложена модель, позволяющая разработчикам обучающих курсов задавать необходимые им символьные преобразования. Данная модель использует шаблоны символьных преобразований;

3. разработаны алгоритмы сравнения математических выражений, представленных в виде бинарных деревьев;

4. предложена технология создания параметризованных заданий, использующая объектную модель предметной области и механизмы формальных грамматик;

5. предложена модель распределения обязанностей при генерации заданий между компонентами системы;

6. на основе полученных выше результатов была реализована ЭОС "Formula Tutor". Система обладает следующими свойствами: a. позволяет разработчикам обучающих курсов создавать обучающие курсы, использующие символьные преобразования математических выражений, а также модифицировать уже имеющиеся курсы; b. для сравнения ответа, полученного системой, с ответом, введенным обучаемым, разработчик обучающего курса может задать классы эквивалентных математических выражений; c. при работе с системой каждый обучаемый получает индивидуальное задание; d. в случае возникновения затруднения в процессе решения задания или при неправильном решении задания обучаемый может обратиться за помощью к системе; e. система способна адаптироваться к текущему уровню знаний обучаемого.

Предложенные технологии могут получить дальнейшее развитие при проведении следующих исследований:

1. разработка более совершенных механизмов адаптации к уровню знаний обучаемого;

2. поиск наиболее оптимального представления учебного задания и учебной информации на экране компьютера;

3. исследования в области моделирования интерактивного взаимодействия обучающей системы и обучаемого.

1. А4. Андреев А. А. Дидактические основы дистанционного обучения. http://www.iet.mesi.ru/br/ogl-b.htm

2. А6. Ахо А., Сети Р., Ульман Д. Компиляторы: принципы, технологии и инструменты. М.: Издательский дом "Вильяме", 2003.

3. Б1. Беспалько В. П. Программированное обучение. Дидактические основы. М. 1970.

4. Б2. Богоявленский Д. Н., Менчинская Н. А. Психология усвоения знаний в школе. М.: Изд-во АПН РСФСР, 1959.

5. БЗ. Беспалько В. П. Элементы теории управления процессом обучения. Описание целей и способы их достижения в обучении. М. 1970. Б4] Буч Г., Рамбо Д., Джекобсон A. UML. Руководство пользователя. М.: ДМК Пресс, 2003.

6. Б5. Буч Г., Рамбо Д., Джекобсон A. UML: Специальный справочник. СПб.: Питер, 2002.

7. В8. Волкова И. А. Руденко Т. В. Формальные грамматики и языки. Элементы теории трансляции. М.: МГУ, 1999.

8. Г1. Гальперин П. Я. Основные результаты исследования по проблеме "Формирование умственных действий и понятий". М.: Педагогика, 1966. Г2] Гальперин П. Я. Методы обучения и умственное развитие ребенка. М.: Изд-во МГУ, 1985.

9. ГЗ. Гамма Э., Хелм Р., Джонсон Р., Влиссидес Дж. Приемы объектно-ориентированного программирования. Паттерны проектирования. СПб.: Питер, 2003.

10. Е1. Ельцов А. В., Степанов В. А., Федорова Н. Б. Оптимизация учебного процесса на основе использования современных средств обучения физике. Вестник Рязанского государственного педагогического университета им. С. А. Есенина. № 1 (7) 2002, с. 118-128.

11. Е2. Епишева О. Приемы учебной деятельности в обучении математике. Материалы газеты "Математика" (приложение к газете "1 сентября") № 38 1999.

12. J11. Леонтьев А. Н. Обучение как проблема психологии // Вопросы психологии. №1 1957, с. 17-26.

13. Ml. Микони С. В. Модели и базы знаний: Учебное пособие. СПб: Петербургский гос. ун-т путей сообщения, 2000. М2] Мышбиц Е. И. Психологические основы управления учебной деятельностью. М.: Педагогика, 1988.

14. HI. Нильсон Н. Искусственный интеллект. Метода поиска решений. М.: Мир, 1973.

15. Н2. Нильсон Н. Принципы Искусственного Интеллекта. М.: Радио и связь, 1985.

16. П1. Паперт С. Образование в просвещенном обществе. Новые технологии в школьном образовании в России. Компьютерные инструменты в образовании. № 1 2001 с. 3-8.

17. П2. Пасхин Е. Н. Автоматизировнные систамы обучения. М.: Издательство МГУ, 1987.

18. ПЗ. Полат Е. С. Дистанционное обучение. // Педагогические иинформационные технологии в образовании № 4,http://scholar.urc.ac.ru/pedjournal/numero4/pedag/polat.html

19. PI. Ренделл Б., Рассел Л. Реализация АЛГОЛа 60. М.: Мир, 1967.

20. С1. Соловьев В. А. Дидактический анализ проблематики электронногообучения. IEEE International Conference on Advanced Learning Technologies,

21. Казань: КГТУ, 2002, с. 212-216.

22. C2. Страуструп Б. Язык программирования С++. М.: Бином, СПб.: Невский диалект, 2001.

23. Т1. Талызина Н. Ф. Управление процессом усвоения знаний. М.: Издательство МГУ, 1984.

24. Э1. Эльконин Д. Б. Избранные психологические труды. М.: Педагогика, 1989.

25. A3. Assad A.M., Hubler A.W. CyberProf: An Intelligent Human-Computer Interface for Asynchronous Wide Area Training and Breakching. 4th International World Wide Web Conference.

26. B4. Brusilovsky P., Schwarz E., Weber G. ELM-ART: An intelligent tutoring system on World Wide Web// Intelligent Tutoring Systems. Lecture Notes in

27. Computer Science, Vol. 1086, Frasson C., Gauthier G., Lesgold A. (eds.), Berlin: Springer Verlag, p. 261-269.

28. D2. De Bra P., Stash N., AHA! A General-Purpose Tool for Adaptive Websites. Proceedings of the World Wide Web Conference, Poster Session, May 2002, p. 381-384.

29. Fl. Fukuhara Y., Ishiuchi S., Koike Y., Maruyama M., Nakabayashi K., Touhei H., An Intelligent Tutoring System on World-Wide Web: Towards an Integrated Learning Environment on a Distributed Hypermedia, Proc. of ED-MEDIA95, June 1995, p. 488-493.

30. J4. Johnson W.L., Rickel J. Task-Oriented Collaboration with Embodied Agents in Virtual Worlds// Embodied Conversational Agents, J. Cassell, J. Sullivan, and S. Prevost (eds.). Boston: MIT Press, 2000.

31. M3. Multisilta J., Pohjolainen S. Using Hypermedia in Teaching Linear Algebra. //Proc. of the fifth SIAM Conference on Applied Linear Algebra, Lewis J. (ed.), Philadelphia, 1994.

32. Okazaki Y., Watanabe K., Kondo H. WWW Based ITS for Guiding Differential Calculations: Individualized Tutoring Mechanism in the WWW Framework //Proc. of International Symposium on Educational Revolution with Internet (ERI'96), p. 65-71, December 1996.

33. SI. Specht M., Weber G. User Modeling and Adaptive Navigation Support in WWW-based Tutoring Systems // User Modeling, Jameson A., Paris C., Tasso C. (eds.), Wien: Springer-Verlag, p. 289-300.