Содержание к диссертации
Введение
Глава 1. Автоматизированные средства обучения, использующие игровые элементы 12
1.1. Цели и задачи автоматизированных средств обучения на современном этапе 12
1.2. Особенности использования автоматизированного игрового обучения 21
1.3. Краткая классификация игровых обучающих систем 31
1.4. Проблемы создания игровых автоматизированных обучающих систем с адаптивными сценариями и элементами искусственного интеллекта 43
Основные результаты 48
Глава 2. Исследование автоматизированных обучающих игр на основе алгебраических систем 49
2.1. Цель и принципы функционирования сценариев автоматизированных обучающих деловых игр 49
2.2. Базовый алгоритм композиции сценариев 53
2.3. Алгебра для описания и анализа сценариев 57
2.4. Свойства операций и отношений алгебраической системы, влияющие на структурность и оптимизацию сценариев 63
2.5. Модели предметной области и обучаемого 68
2.6. Исследование надежности элементов автоматизированных обучающих игр 72
2.7. Автоматизация проектирования обучающих игр на основе алгебраических систем 77
Основные результаты 80
Глава 3. Адаптивные обучающие игры, ориентированные на продукционные системы 82
3.1. Постановка задачи создания адаптивных автоматизированных игр на основе продукций 82
3.2. Автоматизация проектирования моделей предметной области и обучаемого 87
3.3. Автоматизация построения сценариев игрового обучения 92
3.4. Адаптивные сценарии обучения 97
3.5. Игровые системы обучения, использующие алгебраический метаязык для управления продукциями 102
3.6. Использование семантической метрики для планирования содержательной части обучения 105
3.7. Вопросы практического программирования элементов концепции игрового обучения 110
Основные результаты 114
Глава 4. Игровая автоматизированная обучающая система для освоения навыков объектно-ориентированного программирования в алгоритмическом языке C++ 115
4.1. Требования, предъявляемые к игровой автоматизированной обучающей системе 115
4.2. Формирование моделей предметной области и обучающегося для игровой автоматизированной обучающей системы ESCOOPv.1.10 119
4.3. Проектирование сценария обучения, ориентированного на методику обучения языку C++ 123
4.4. Алгоритмы работы с базой данных в ИАОС ESCOOPv. 1.10 127
4.5. Основные программно-технические характеристики ИАОС ESCOOPv. 1.10 136
Основные результаты 138
Заключение 139
Основные обозначения и сокращения 141
Список литературы 142
- Проблемы создания игровых автоматизированных обучающих систем с адаптивными сценариями и элементами искусственного интеллекта
- Свойства операций и отношений алгебраической системы, влияющие на структурность и оптимизацию сценариев
- Использование семантической метрики для планирования содержательной части обучения
- Формирование моделей предметной области и обучающегося для игровой автоматизированной обучающей системы ESCOOPv.1.10
Введение к работе
Актуальность проблемы Почти 30-летняя практика внедрения автоматизированных обучающих систем (АОС) в учебный процесс показала постоянно растущую эффективность усвоения учебного материала пользователями таких систем. АОС прошли путь от простейших однопользовательских программ и электронных учебников, рассчитанных на изучение одной дисциплины или ряда ее разделов, до сложнейших унифицированных многопользовательских систем. Все большая роль в автоматизированном обучении отводится индивидуальному подходу к обучающемуся, внедрению технологий, основанных на специализированных методиках и психологии учебы. Появились и активно развиваются инструментальные программные комплексы, с весьма простым пользовательским интерфейсом, позволяющим использование систем не имеющим специальной компьютерной подготовки экспертами-учителями (для ввода и коррекции учебных курсов) и обучающимися (для усвоения материала). К таким системам можно отнести БИЗНЕС-КУРС 3.0 разработанный в МГУ НИВЦ ООО "ВККБ", STELLA, "Профессор Хиггинс" фирмы "ИстраСофт", АИСТ, LTGameDesigner.
В современных АОС используются последние фундаментальные достижения в областях теории программирования, систем представления зна-
ний и в области искусственного интеллекта вообще, а также в теории сетей, в психологии и педагогике.
Наиболее существенные результаты были получены известными учеными: Савельевым А.Я., Тихоновым А.Н., Садовничим В.А., Чепегиным В.И., Поповым Э.В., Краудером Н.А., Кашириным И.Ю., Самойловым В.Д. и др.
В настоящее время удалось выделить класс новых обучающих систем, приближающих процесс получения базовых навыков в различных областях к компьютерным или автоматизированным деловым играм. Такие автоматизированные системы получили название игровых АОС. Наиболее известными системами этого класса могут, например, считаться тренажерные обучающие комплексы.
Использование игровых АОС позволяет существенно повысить следующие факторы обучения, сказывающиеся на его качестве и стоимости:
заинтересованность обучаемого,
привитие навыков самостоятельного решения практических задач,
снижение затрат на преподавание,
усвоение связей между основными теоретическими понятиями и их практическим использованием,
закрепление знаний по опорным точкам и проблемно-ориентированным схемам мышления за счет внедрения наилучших отечественных и зарубежных методик обучения.
В силу изложенного, проблематику исследования и разработки принципиально новых игровых АОС можно считать актуальной.
В то же время, известные реально работающие системы игрового обучения пока несвободны от недостатков, которые можно свести в следующий список.
Отсутствие адекватного математического аппарата, позволяющего производить анализ и синтез сценариев обучающих игр с возможностью выявления и исправления методических и семантических ошибок или не-согласованностей в сценариях.
Весьма малые возможности применения использованных в проектировании обучающих систем математических основ для автоматизированного или автоматического построения и изменения содержательной части главных составляющих обучающих систем: сценариев игры, моделей пользователя и подсистем контроля усвоенных навыков и знаний.
Существующие системы располагают либо одной обобщенной моделью обучающегося, либо имеют несколько несогласованных между собой моделей, что не дает возможности коллективного обучения.
В игровых обучающих системах не используются различные начальные условия и конфигурации обучения в зависимости от уровня подготовленности и состава участников обучения.
В реальных автоматизированных системах разработчики пренебрегают известными результатами в теории построения и анализа продукционных систем, хорошо зарекомендовавших себя в экспертных интеллектуальных системах и продукционных языках программирования.
Настоящая диссертация посвящена преодолению этих недостатков, а именно созданию и применению наиболее адекватного математического аппарата для исследования, проектирования и эксплуатации игровых АОС, разработке новой архитектуры систем этого класса с использованием средств искусственного интеллекта, а также конкретным практическим проектным решениям при программировании игровых интеллектуальных АОС.
Целью работы является разработка и исследование способов проектирования игровых АОС высокой надежности, позволяющих настраиваться
на различные предметные области и обучающихся на основе теории уни-версальных алгебр.
Методы исследования Исследования осуществлялись на основе теории универсальных алгебр, теории множеств, теории графов, методов структурного и объектно-ориентированного программирования.
Научная новизна
1. В диссертации предложена прикладная алгебраическая система
Щ для исследования и разработки игровых АОС, ориентированных на адап
тивные продукционные сценарии обучения.
2. Разработан комплексный алгоритм обнаружения ошибок, позво
ляющий существенно повысить надежность программного обеспечения иг
ровых АОС, а также снизить трудоемкость проектирования таких систем.
3. Рассмотрено использование модифицированных семантических
(
метрик Ч.Осгуда для планирования содержательной части игрового обуче
ния.
ф 4. Предложены способы автоматизации проектирования сценариев
обучения для различных сложных ситуаций, дающие возможность снизить трудоемкость разработки сценариев.
5. Разработана оригинальная технология проектирования игровых обучающих систем, обладающих повышенной надежностью и возможностями адаптации к различным пользователям и предметным областям.
Практическая ценность Результаты работы являются основой для
проектирования игровых АДИ, используемых в процессе обучения. Ис-
( пользуемые в диссертации формализм и методы позволяют на основе алго
ритма извлечения знаний для преподавателя-эксперта автоматизированно
создавать модели предметной области и обучаемого, а также проектиро-
Ь вать адаптивные сценарии, являющиеся основой игровых АОС.
Результаты диссертации нашли отражение в реальной программе ESCOOP v. 1.10 (Education System for C++ Object Oriented Programming), предназначенной для игрового обучения объектно-ориентированному программированию на алгоритмическом языке C++.
Разработанная методология и технологические средства могут быть приняты за основу при создании новых перспективных игровых АОС.
Положения, выносимые на защиту
Алгебраическая система для исследования и проектирования игровых АОС, ориентированных на адаптивные продукционные сценарии обучения.
Алгоритмы композиции и декомпозиции игровых сценариев обучения, использующих продукции и основанные на них способы повышения надежности игровых АОС.
Модифицированные семантические метрики Ч.Осгуда для обоснованного планирования содержательной части игрового обучения.
Способы автоматизации проектирования основных составляющих игровых АОС: моделей предметной области и обучающегося, а также адаптивных игровых сценариев обучения.
Структура диссертационной работы Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложения.
Во введении дается обоснование актуальности темы работы, сформулированы цели исследования, кратко излагается содержание диссертации.
Первая глава посвящена обоснованию темы диссертации. В главе определяются основные цели и задачи разработки и анализа игровых АДИ, приводится обзор работ по теме диссертации, вводятся основные понятия и определения. Приводится классификация обучающих систем. Выявлены недостатки существующих автоматизированных средств обучения.
Во второй главе формулируется цель и задачи проектирования адаптивных игровых АОС, приводится общая архитектура систем этого класса. Рассматриваются вопросы алгебраического исследования основных составляющих игровых АОС: моделей предметной области и обучаемого. Показывается эффективность применения предложенной методологии проектирования. Особое внимание уделяется автоматизации обнаружения ошибок в продукционных сценариях обучения, влияющих на надежность АОС.
Третья глава посвящена вопросам автоматизации проектирования всех составляющих игровых АОС. Исследуются способы композиции и декомпозиции игровых продукционных сценариев обучения. Предлагается использовать алгебраический метаязык для управления последовательностью вызова продукций сценария. Вводится понятие модифицированной семантической метрики Ч.Осгуда, которое далее используется для достоверного планирования содержательной части обучения.
В четвертой главе на примере программы ESCOOP v. 1.10 разрабатывается оригинальная технология проектирования игровых обучающих систем, обладающих повышенной надежностью и возможностями адаптации к различным пользователям и предметным областям. В технологии используются теоретические результаты предыдущих глав. Приводятся оригинальные проектные решения для объектно-ориентированного проектирования игровых АОС.
В заключении приводится обобщение основных результатов диссертационной работы.
Внедрение результатов
Разработанные в диссертации теоретические положения внедрены в учебный процесс Кабардино-Балкарского института бизнеса, а также в учебный процесс Рязанской государственной радиотехнической академии.
(
Апробация работы
По теме диссертации сделаны два доклада на VIII-ой Всероссийской научно-технической конференции молодых ученых и специалистов академии "Новые информационные технологии в научных исследованиях и в образовании НИТ-2003, г.Рязань, 2003г; доклад на 38-ой региональной научной конференции молодых ученых и студентов, г. Армавир, 1998г., доклад на Всероссийской научно-технической конференции "Влияние новых технологий на развитие регионов", 19 февраля 2003г., г. Москва; доклад на 11-ой Международной научно-технической конференции "Проблемы передачи и обработки информации в сетях и системах телекоммуникаций", г.Рязань, 26-28 ноября 2002г., а также на научных семинарах кафедры вычислительной и прикладной математики Рязанской государственной радиотехнической академии.
Публикации
По результатам диссертации опубликовано 12 печатных работ.
Проблемы создания игровых автоматизированных обучающих систем с адаптивными сценариями и элементами искусственного интеллекта
Во многих случаях, АДИ позволяют моделировать поведение отсутствующих игроков. Как видно из архитектурной схемы АДИ, приведенной на рис.1.8., такие системы дают возможность обучающемуся в процессе игры прибегнуть к изучению справочных и методических материалов на МЧН (машиночитаемых носителях). В то же время, главным направлением деловой игры является получение практических навыков работы на основе тестирования обучающихся. Для проектирования сценариев таких игр привлекаются специалисты различных отраслей, являющихся, по сути дела, экспертами в своих областях. Автоматизированная система базовой подготовки формирует накопительную базу данных информационных материалов (как правило, нормативно-справочных), которая всегда доступна всем участникам игрового обучения.
В качестве такой системы можно привести АДИ по изучению основ работы на рынке интеллектуальной собственности.
Обучающие-тестирующие ИАОС (см. рис.1.5. - "Классификация ИАОС") - в основе своей имеют широкий арсенал обучающих средств и предполагает использование тестирования с целью контроля усвоенных на основе электронного обучения знаний. Подразделение таких систем на замкнутые и разомкнутые, или, что то же самое, на системы с обратной связью и системы без обратной связи [93] основано на двух схемах работы таких ИАОС. В первом случае каждый сеанс игрового обучения заканчивается тестированием, после чего следует анализ результатов тестирования и, в случае неудачных результатов, предлагается коррекция знаний и навыков обучающегося по специальной методике. Таким образом, схема обучения носит циклический, или замкнутый, характер. Во втором случае сеансы обучения также заканчиваются тестированием, однако оценка, выведенная тестирующей частью системы, считается окончательной и сообщается преподавателю-администратору ИАОС. В этом случае обучающийся может лишь заново начать обучение выбранной тематике. Разделение обучающих систем по принципу замкнутости относится ко всем системам, поэтому на классификационной схеме и те и другие типы систем заново объединены символом "о . Дальнейшая типизация ИАОС осуществляется по принципу адаптивности на неадаптивпые и адаптивные системы обучения. Адаптивность принято относить к трем факторам адаптации[85]: - адаптация к особенностям и потребностям обучаемого, - адаптация к предметной области, - адаптация к решаемой задаче. В первом случае речь идет о формировании модели обучающегося с учетом его психологического образа личности. Во втором случае имеются в виду инструментальные программные средства, позволяющие накапливать и корректировать в ИАОС знания различных, возможно смежных, предметных областей. Третий случай предполагает создание информационно-образовательной среды, учитывающей направленность и взаимосвязь различных задач для формирования у обучающихся устойчивых схем мышления задач и получение практических навыков работы в среде. Не будем здесь приводить архитектурную схему адаптивных ИАОС, поскольку она во многом аналогична приведенным ранее. Отметим лишь, что в отличие от приведенных схем, адаптивные системы обязательно содержат модели конечных пользователей (обучающихся), инструментальную подсистему настройки на предметную область и хранилище решаемых задач, расположенных в гетерархии (нестрого иерархии) и содержащих ассоциативные связи между собой. Отсутствие перечисленных возможностей в ИАОС делает ее неадап-тивпой, что является существенным недостатком большинства современных реально работающих систем автоматизированного обучения. Адаптивные ИАОС можно условно разбить на два класса: - с элементами моделирования ситуаций, - с элементами искусственного интеллекта. В первом случае имеются в виду системы, содержащие модуль имитационного (компьютерного) моделирования проблемных ситуаций предметной области. Такие ситуации требуют от обучающегося оперативного принятия решений для достижения поставленной в решаемой задаче цели. Ситуации отличаются определенным уровнем нештатности и приводят обучающегося в дискомфортное положение из которого необходимо найти неординарный выход [45,56]. Наиболее перспективными на сегодняшний день считаются ИАОС с искусственным интеллектом или интеллектуальные ИАОС. Этим системам и посвящена настоящая диссертационная работа. В реальной практике автоматизированного обучения таких систем сейчас весьма мало. Рассмотрим их особенности на примере известных АОС CALAT и CAIRNEY, основанный на технологии WWW [45,89]. Эти системы используют специальный сервер, к которому должен подключается обучаемый. При подключении для обучаемого создается (настраивается) модель конечного пользователя. Первый этап обучения заключается в предоставлении пользователю разнообразного по форме и содержанию учебного материала, который может в звуковой, графической, текстовой формах, а также в Jawa-атлетах и HTML-страницах. Возможны три типа вопросов системы: «Да/Нет», «выбор» и «описание». Вопросы связаны с подцелями изучения. Ответы на них анализируются с последующей модернизацией модели пользователя. Моделирование обеспечивает интерактивную модель среды для получения схем мышления с помощью заданной (смоделированной) системы. Среда моделирования реализуется комбинацией анимационных программ на клиентской части системы и машиной переходов (из одного состояния в другое) на сервере. Процесс обучения схематично представлен на рис. 1.9. Разбиение целей на подцели и задач на подзадачи в данном случае заимствовано из теории решения задач методами искусственного интеллекта [5].
Свойства операций и отношений алгебраической системы, влияющие на структурность и оптимизацию сценариев
Одной из задачей алгебраического исследования ИАОС является получение такой алгебраической системы, которая бы позволила адекватно описывать и анализировать основные элементы обучающих систем. Главным образом это будет касается игровых сценариев обучения.
Далее будут рассматриваться САОИ, представляющие собой сети для автоматизированных обучающих игр, в которых состояниями являются ситуации, требующие ответа обучающегося, а дуги являются сложными про-дукциями. Все множество продукций, используемых в сети, будет обозначаться буквой Р. Каждая из продукций р; ( р; є Р) представляет собой пару составляющих: р;= (с;, а; ), где с; . условие возможности применения продукции в некоторой текущей ситуации (все множество условий обозначается буквой С), а а, - действие по преобразованию текущей ситуации в новую ситуацию игрового обучения (все множество таких действий обозначается буквой А).
Условия и действия на дугах являются сложными конструкциями, определенными на введенных ранее множествах Q, S, W, т.е. соответственно множеств состояний МПО, состояний МО и действий обучающегося. Последнее множество дополняется возможными действиями ИАОС (множество А) и обозначено, как А. Иными словами, A = A u W.
Условие с; є С может быть сложным, т.е. представлять собой некоторое логическое выражение со связками -і, л, v ("не", "и", "или"). Действие а; є А как правило также является сложным, т.е. может представлять собой некоторую последовательность более простых действий, изменяющих текущую ситуацию игрового обучения.
Если все множество возможных ситуаций игрового обучения обозначить буквой I, то все возможные сценарии, как сети, составленные из продукций, можно описывать выражениями алгебры сетей AN . Алгебра сетей, или точнее, алгебра сценариев игрового обучения, является двойкой множеств: AN=(P(I), П), где Р(1) - множество-носитель алгебры, представляющее собой продукции, определенные на множестве ситуаций игры I (сложные продукции представляют собой сеть переходов из состояния в состояние, но имеют общую начальную ситуацию и общую конечную), a Q. - множество операций построения сети из элементарных продукций. Факт определения продукций на множестве ситуаций говорит об определении условий и действий, входящих в продукции, также на множестве ситуаций, или точнее, на множестве элементов ситуаций. Таким образом каждое условие применимости имеет в качестве своего аргумента элементы ситуаций, и каждое элементарное действие также изменяет в ситуации некоторые из ее элементов.
Множество возможных операций Сі над продукциями Р принято называть сигнатурой алгебры сценариев игрового обучения. От корректного выбора элементов этого множества зависит в дальнейшем функциональная мощность сценариев, получающихся с помощью операций построения сценариев. Здесь предлагается использовать следующую сигнатуру: Q = { 8 (0), т (0), .(2), (2) }, где є (0) - единица алгебры, х (0) - ноль алгебры, »(2) - бинарная операция последовательной композиции продукций, Ф (2) - параллельная композиция продукций.
Единицей алгебры считается продукция, применимая к любой ситуации в сети сценария игры, т.е. продукция, имеющая в качестве условия константу "Истина". В качестве действия такая продукция использует пустое действие "Пропустить без изменений" [3]. Нулем считается продукция с заведомо ложным условием, т.е. константой "Ложь". В этом случае не имеет значения, что записывать в действиях такой продукции, поскольку эти действия никогда не выполнятся в силу ложности условия применимости. В то же время, для большей конкретности будем считать, что действием этой продукции является также действие "Пропустить". Единица и ноль алгебры представляют собой константы, которые могут быть представлены как ноль-местные операции (в скобках после символа операции указывается число ее аргументов), и поэтому они включены в сигнатуру.
Операция "" последовательной композиции продукций синтезирует из двух продукций - одну, являющуюся последовательно выполняемыми продукциями-аргументами. Следуя такому определению, стоит заметить, что последовательность аргументов в этом случае сказывается на результате. Операция "" параллельной композиции синтезирует две продукции в одну, рассматриваемую как две альтернативы выбора: какой из двух продукций воспользоваться для перехода в следующее состояние. Заметим при этом, что заключительным состоянием этих альтернатив является одно и то же состояние. Такой смысл операции параллельной композиции можно было бы считать неудачным, поскольку в реальных сценариях чаще всего используются различные переходы из одного состояния в разные. Однако, если вспомнить, что одним из аргументов этой операции может стать продукция, составленная из двух последовательно соединенных продукций, нетрудно увидеть способы преодоления сложностей с результатами параллельной композиции.
Укажем также на то, что с помощью описанной алгебры можно конструировать не только сети, предполагающие отсутствие вершин-стоков, но и древовидные сценарии игры. Это определяется допущением, что заключительные состояния любого сеанса можно рассматривать как одно и то же состояние с названием "Сеанс игры завершен".
Серьезным недостатком существующих алгебр для описания функциональных сетей (например, сетей сценариев игрового обучения) является возможность функциональной зависимости различных продукций, что приводит к существенному ограничению гибкости использования операций сигнатуры при первоначальном проектировании или последующем изменении сети. Необходимо найти способ устранения этого недостатка путем введения в структуру элементов множества-носителя алгебры так называемых "охраняющих конструкций".
Использование семантической метрики для планирования содержательной части обучения
Дополнения сценария новыми возмоэ/сными сеансами игрового обучения должны гарантированно обеспечивать корректность результирующего сценария. Здесь аналогично предыдущему случаю рассматриваются на корректность сеансы, которые эксперт определяет как новые задачи обучения. В случае некоррекнтости производится диалог ИАОС с экспертом для исправления внесенных ошибок. ИАОС может с высокой степенью достоверности указать на конкретные продукции и используемые в них характе ( ристики моделей, которые повлияли на появление ошибки. При получении корректных сеансов ИАОС объединяет их в единую сеть и включает в итоговый сценарий, не преобразую его, а просто как дополнительную альтернативу обучающих игр. Это реализуется аддитивной операцией алгебры продукций. Такой подход позволяет ускорить дополнение сценария новыми возможностями. По истечении достаточного времени, когда вновь введенные сеансы апробированы в реальных условиях опытной эксплуатации, эксперт или администратор ИАОС может произвести реорганизацию сценария. Реорганизация выполняется во время планового простоя ИАОС и предполагает полный анализ сетевого сценария с последующей оптимизирующей сборкой по алгоритму из п.2.7.
Объединение нескольких ранее спроектированных и апробированных сценариев представляет собой весьма сложную проблему. Сложность заключается в том, что исходные сценарии в этом случае проектируются разными экспертами. В этом случае изначально предполагается, что МПО и МО ИАОС для двух исходных сценариев различаются по названиям и возможным значениям характеристики. Сами же схемы сценариев могут быть вполне пригодны для объединения. В силу сказанного первым и главным этапом преобразования сценариев с целью их объединения является этап согласования (унификации) характеристик моделей обучающегося и предметной области. На этом этапе должны работать оба автора-эксперта. Они могут принять за основу вариант МПО и МО одного из авторов, изменив наименования и возможные значения характеристик, предложенных другим автором, а при необходимости дополнив модели новыми характеристиками. Этот этап становится менее трудоемким лишь в том случае, если группой экспертов перед проектированием наполнения ИАОС принимаются общие правила построения обучающих игр с точностью до наименований и значений всех характеристик рабочих моделей. Из сказанного становится ясным, что этот этап преобразования ИАОС весьма сложен для автоматизации. После проведения унификации моделей задача синтеза общего сценария сводится к решению предыдущей (дополнение сценария новыми возможностями).
Выделение из сценария какой-либо тематической выборки производится при отчуждении из ИАОС фрагмента сценария для получения более компактной обучающей игры, посвященной изучению какого-либо узкого вопроса предметной области обучения. Полезность такого выделения заключается не только в возможности экономической реализации наполнения ИАОС по частям, но и в возможности доработки отдельных задач обучения (тематик) другими авторами-экспертами. Положительным моментом в данном случае является опора эксперта на характеристики МО и МПО, заложенные в сценарий ранее. После такой доработки выделенный сценарий может быть возвращен в общую систему в уже обновленном переработанном виде. Первым этапом выделения тематической выборки является идентификация входной и выходной ситуации для необходимого класса задач. После получения из общего сценария эквивалентной дизъюнктивной нормальной формы из нее выделяются только те сеансы, которые соответствуют задачам выбранной тематики. Полученный список сеансов подвергается алгоритму сборки (п.2.7) для получения результирующего сценария. Для предложенного подхода допускается использовать усечение МПО и МО, ограничив их лишь теми характеристиками, которые необходимы для решения задач выбранной тематики. Вместе с тем, целесообразно рекомендовать полное сохранение этих моделей в отчужденной части ИАОС для того, чтобы оставить новым экспертам возможность построения новых сценариев игрового обучения с опорой на концепцию наполнения ИАОС в соответствии с оригинальным подходом ее первых авторов.
Предложенная здесь методология адаптации сетевых сценариев позволяет определить их как адаптивные игровые сценарии обучения. В то же время, сложностью программной реализации адаптивных сценариев является необходимость реализации алгоритмов построения нормальных форм и алгоритмов обратного синтеза. В реальности эти алгоритмы обладают комбинаторной сложностью, поскольку построены на основе переборного способа. При достаточной мощности компьютера (например, Репium-IV), на котором будет функционировать ИАОС с адаптивным сценарием, этапы адаптации могут занимать десятки секунд времени при наличии 500 вершин игрового сценария. Более производительные компьютеры позволят производить такие преобразования в реальном масштабе времени. Однако, сложные сетевые сценарии могут насчитывать тысячи вершин. В этом случае для адаптационных преобразований необходимо выделять специальное машинное время, свободное от обучения.
Формирование моделей предметной области и обучающегося для игровой автоматизированной обучающей системы ESCOOPv.1.10
Целью проектирования ИАОС является разработка замкнутой автоматизированной обучающей системы объектно-ориентированному программированию (ООП) на алгоритмическом языке C++. Рабочее название системы ESCOOP v. 1.10 (Education System for C++ Object Oriented Programming).
При разработке ИАОС предлагается выделить три основные задачи: 1) разработка интерфейса пользователя, 2) проектирование базы данных учебных материалов, 3)разработка сценария игрового обучения объектно ориентированному программированию на алгоритмическом языке C++ на основе соответствующей методики, 4) разработка МПО, включающей перечень основных навыков (понятий), которые необходимо усвоить обучающемуся в процессе игрового обучения, а также разработка МО с характеристиками пользователя. Такой вариант ИАОС является несколько усеченным по сравнению с базовой архитектурой, приведенной в п.3.1, но, тем не менее, дает возможность апробировать основные результаты, касающиеся разработки сценариев, полученные в предыдущих главах. Интерфейс пользователя реализует средства аудио-визуального взаимодействия с обучаемым. Он обеспечивает удобное считывание информации и позволяет быстро выполнять необходимые действия. Диалоговый интерфейс определяющим образом влияет на эффективность процесса обучения. Удобный пользовательский интерфейс позволяет повысить интерес пользователя к обучающей игре. Чем проще обучающемуся освоить средства диалога с системой, тем больше времени остается у него для сосредоточения на решении игровой задачи. В соответствии со сказанным можно сформулировать основные требования к интерфейсу проектируемой системы: - удобное считывание информации, - минимизация количества действий обучаемого, - возможность получения контекстно-чувствительной справочной информации в любой момент диалога, - ограничение времени ожидания ответа от обучаемого, - удобное расположение элементов интерфейса, - возможность досрочного завершения сеанса обучения, - возможность многократного возобновления обучения. База данных необходима для хранения информации о предметной области и процессе обучения. Для проектируемой системы необходимо использовать реляционную модель данных, т.к. она является простейшей и наиболее привычной формой представления данных в форме таблиц. В качестве системы управления базой данных используется Paradox. Методика обучения для проектируемой ИАОС представляется в форме игрового сценария, а также справочной системой. На рис. 4.1 представлена схема методики обучения, используемой в ESCOOP v. 1.10. Продукции сценария ИАОС в соответствии с предложенной в п.3.1 типизацией (PSPS, PSSS, PES, РСТ) хранятся в базе данных. Вопросы ИАОС, адресуемые обучающемуся формулируются максимально простым языком. Предполагается, что каждый вопрос должен соответствовать задаче (подзадаче), требующей знания ограниченного множества основных понятий ООП на алгоритмическом языке C++. Ответными действиями обучающегося являются программы и их фрагменты, выбираемые из определенного заранее списка. Предполагается, что каждый вопрос будет содержать не менее четырех вариантов ответных действий обучающегося. Таким образом, постепенно отвечая на вопросы и осваивая основные понятия, обучаемый получит практические навыки ООП. Теоретические знания обучающегося могут формироваться из разных источников, в том числе лекционного материала, но, вместе с тем, в ИАОС существует возможность использования контекстно-чувствительной справочной системы. Это означает, что в течение времени, отведенного системой на принятие обучаемым решения для ответа на вопрос, требующий каких-либо знаний, ему предоставляется возможность получить теоретические сведения по этой тематике. Сценарии игрового обучения строятся на основе извлечения знаний[2], которое осуществляется совместно проектировщиком системы и преподавателем-экспертом. Возможные сеансы игры представляются в форме алгебраических выражений, после чего осуществляется их синтез согласно алгоритму, приведенному в п.2.2. Такая методика обучения позволит совместить закрепление теоретических знаний с получением практических навыков. Модель предметной области и модель обучающегося представляется в ESCOOP v. 1.10 соответствующим фрагментом схемы базы данных, который содержит наименования понятий ООП и значения индексов усвоения материала обучающимся. Модуль семантического контроля корректности реализуется в форме контроля информационных полей базы данных на набор возможных вводимых значений. В последующих версиях реализуется полнообъемный переборный алгоритм, представленный в п.2.6. Все перечисленные составляющие ИАОС используют средства актуализации данных, предоставляемые системой управления базами данных Paradox. Для этого реализованы специальные входные формы: - для работы с игровыми сценариями, - для коррекции полей МПО, - для коррекции полей МО. Выбор в качестве базового инструментария системы Paradox дает возможность организации коллективного обучения в рамках локальной сети или удаленного доступа к ИАОС посредством глобальной сети Internet.
