Содержание к диссертации
Введение
Глава I. Математические модели обучения и тестирования знаний 15
1.1 Математические модели процесса обучения в адаптивных обучающих системах 15
1.2 Классификация компьютерных средств обучения 33
1.3 Современные представления о классификации психических типов личности 47
Глава II. Методы и инструменты исследования моделей обучающих систем 55
II. 1 Дискретные модели адаптивных систем обучения 55
П.2 АОС как система взаимодействующих конечных автоматов 58
П.З Символьный верификатор моделей NuSMV 60
П.4 Разработка методов графической обработки данных 62
Глава III. Разработка математической модели процесса обучения 82
III. 1 Исследование стандартной модели АОС в форме конечных автоматов 82
III.2 Модифицированная стандартная модель АОС со статической функцией обучения 85
III.З Модель, учитывающая психологический фактор заинтересованности учащихся 88
Ш.4 Модель с учетом влияния предыдущего уровня УЗ и падения заинтересованности 94
111.5 Модель, учитывающая структурированность учебного материала 96
111.6 Математическое моделирование психологических типов . 104
111.7 Математическая модель ДАОС в режиме e-learning . 117
Глава IV. Разработка и реализация дуальной адаптивной обучающей системы 131
IV. 1 Структура электронных учебных материалов для ДАОС . 131
IV.2 Разработка подсистемы тьютора для ДАОС 137
IV.3 Основные элементы базы данных ДАОС 153
IV.4 Архитектура дуальной адаптированной обучающей системы 157
IV. 5 Начальные условия тестирования 164
IV.6 Процесс обучения 169
IV.7 Итоговый результат 173
IV.8 Преимущества программного комплекса ДАОС 175
Заключение 177
Список литературы
- Классификация компьютерных средств обучения
- АОС как система взаимодействующих конечных автоматов
- Модель, учитывающая психологический фактор заинтересованности учащихся
- Архитектура дуальной адаптированной обучающей системы
Введение к работе
Ускорение темпов научно - технического прогресса, увеличение потоков информации, все большая дифференциация труда и появление новых специальностей наряду с одновременными высокими темпами развития информационно - коммуникационных технологий привели к необходимости кардинального переосмысления приоритетов, целей, задач и форм образовательного процесса, как в сфере общего, так и профессионального образования на всех его уровнях. При этом под образовательным процессом необходимо понимать не только его стандартные, очные формы обучения, но в первую очередь, именно заочные формы обучения, которые приобретают все больший вес благодаря неизбежному процессу все большей дифференциации труда и вследствие этого - необходимости получения дополнительной специализации, углубления профессиональных знаний и быстрого перепрофилирования специалистов в смежные, востребованные на данный момент времени, специальности. С одной стороны сказанное касается организации учебного процесса с привлечением информационных технологий: лекционных демонстраций, электронных форм заданий и источников информации, компьютерного тестирования, аттестации и обработки учебной информации. С другой стороны, но в еще большей степени, - самих продуктов вышеперечисленных факторов - информационно-коммуникационных форм обучения: обучения на основе электронных учебных материалов, обучения в сети, дистанционного обучения и т.п., объединенных общим понятием "электронного обучения", т.е., "e-learnin(j\ В связи с этим как сама проблема обучения в сети, так и связанная с ней проблема разработки
Введение
математических моделей процесса этого обучения являются актуальными научными проблемами.
Возникновение феномена "e-learning" связано с распространением Интернета, так же, как и появление иных электронных систем коммуникаций в различных областях социальной жизни, прежде всего в экономике, например, e-commerce или e-banking. Однако, в отличие от упомянутых систем, e-learning не следует воспринимать как чисто технологическое явление - набор информационных и телекоммуникационных технологий в обучении, либо пакеты прикладных программ, системы оболочек, с помощью которых можно проводить обучение через Интернет. Более корректным является понимание e-learning как совокупности образовательных технологий, базирующихся на достижениях высоких технологий, и технологических инструментах, которые обеспечивают обучающие методики. При этом автоматически происходит смещение акцентов и в учебном процессе: преподаватели и обучаемые превращаются в партнеров по системе e-learning. Соответственно и инструменты e-learning превращаются в новые специфические организационные и методические элементы процесса обучения, а не просто новой технологической оболочкой традиционного учебного процесса
Но может ли автоматизированное обучение, даже с использованием всех инструментов e-learning, заменить преподавателя?1 При непосредственном взаимодействии опытный преподаватель фактически отслеживает психоэмоциональное и психофизиологическое состояние обучаемого, перестраивая многие параметры учебного процесса - степень углубленности изучения предмета, стиль и скорость подачи учебного материала, соотношение монолога и диалога, степень использования демонстрационных средств и т.п. Но в ситуации дистанционного взаимодействия возможности непосредственного изучения состояния учащегося существенно сокращаются, и особен-
хРечь идет о сравнении возможностей компьютерных средств и конкретного преподавателя только при обучении в автоматизированной сетевой системе.
но сильно это проявляется в дистанционном тестировании. В этом случае преподаватель практически лишен возможности гибкого реагирования, и это обстоятельство может послужить причиной существенного снижения эффективности учебного процесса в сети. Оптимальный выход из такой ситуации лежит в сочетании живого преподавателя и такого высокотехнологичного инструментария обучения, которым могли бы пользоваться, активизируя учащихся, другие преподаватели. Следовательно, существует проблема разработки инструментария, позволяющего преподавателю контролировать психоэмоциональное и психофизиологическое состояние обучаемого в процессе тестирования. Однако, в этом случае все субъекты образовательного процесса будут находиться в условиях плохо формализуемой ситуации, поскольку доля образной информации будет заведомо превосходить долю структурированной, а, значит, и алгоритмизуемой информации. Одним из путей разрешения этого противоречия является более глубокое внедрение информационных технологий в образовательный процесс и повышение интеллектуальных возможностей автоматизированных обучающих систем. Усилия многих исследователей в настоящее время как раз и направлены на создание интеллектуальных обучающих систем (Intelligent Tutoring Systems), опирающиеся на интегрированные методологии психологических, дидактических и педагогических исследований по моделированию поведения человека в процессе обучения, а также на методы инженерии знаний [2].
В настоящее время отмечается достаточно высокий уровень развития фундаментальных исследований в области образования, создания информационных технологий, методов и моделей оценки состояния объектов управления с использованием средств искусственного интеллекта. Большое число работ посвящено внедрению информационных технологий в образовательный процесс, разработке автоматизированных обучающих систем по различным областям знаний, организации дистанционного и сетевого обу-
Введение
чения, созданию информационной образовательной среды и электронных учебников. Этим проблемам в последние годы посвящено большое число конференций по применению информмационных технологий в образовании (см., например, [3, 4, 5, б, 7]), сборников научных трудов и т.п. (см„ например, [8]).
В ряде работ содержатся подходы к разработке методов и алгоритмов для решения анализа качества высшего образования и маркетинговых исследований. На российском рынке предлагается немало программных продуктов, относящихся к классу аналитических систем. Они различаются как по спектру задействованных показателей, так и по реализованным в них подходам к решению основных задач оценки деятельности учебных заведений. Однако, как показывают исследования, в данных разработках недостаточно полно используются современные методы и модели, позволяющие с гораздо большей точностью осуществлять функции интеллектуальной поддержки принятия решений в системах тестирования знаний обучаемых и управления качеством образования в вузе.
Следует особо отметить практическое отсутствие работ по созданию единого подхода к формированию иерархических гибридных моделей оценки качества образования и профессиональной пригодности, включающих различные методы представления знаний, в том числе: аналитические, ло-гико - лингвистические, нейросетевые. Поэтому разработка моделей, методов, алгоритмов и программных комплексов для решения задач оценки качества обучения является современной актуальной проблемой, достаточно далекой от своего окончательного решения.
Исследования компьютерных обучающих систем обнаруживает то обстоятельство, что многие из них не используют модели процесса обучения, что существенно снижает качество учебного процесса и не позволяет организовывать адаптивное обучение. Большинство же существующих систем автоматизированного обучения, основанных на моделях, реализованы, в
основном, на базе оверлайновых ( векторных и сетевых) моделей. Однако, эти модели не отображают всю необходимую в учебном процессе информацию, а, как правило, включают только контроль уровня знаний.
В то же время немаловажным фактом является тот факт, что при усвоении учебного материала большую роль играют и эмоции обучаемого. Эмоции обучаемого можно рассматривать как еще одну дополнительную сферу, которую необходимо учитывать при создании обучающих систем. В исследованиях Бима (см., например, [9]) установлено, что эмоции облегчают усвоение тех реакций, которые связаны с ними по содержанию. В частности, например, состояние тревоги способствует усвоению "тревожных" (опосредствованных тревогой) реакций. Об этой установленной зависимости свидетельствуют результаты, полученные при изучении и других эмоций. В качестве примера можно привести результаты исследований Смита (см., например, [9]), который установил, что в условиях неуспеха (фрустрации) у некоторых испытуемых наблюдается тенденция к более быстрому заучиванию пар слов, имеющих агрессивное содержание. Смит обнаружил также, что это относится, прежде всего к тем типам экзаменуемых, которые по вопроснику, предназначенному для выявления черт личности, получили высокие показатели параметра враждебности. Смысл этого результата заключается в том, что столкновение с неуспехом (фрустрация), чаще всего приводит к усилению эмоций агрессивного характера. Эти эмоции будут более сильными у лиц, характеризующихся высоким уровнем параметра враждебности. Повышение уровня эмоций и приводит к изменению эффективности научения [9].
При рассмотрении процесса обучения также важно разделять механическое заучивание и осмысленное обучение [10]. Механическое заучивание представляет собой запоминание информации без интеграции в систему знаний обучающегося. Заученная механически информация не может быть применена обучающимся на практике. Отсюда следует необходимость раз-
Введение
работки систем, способствующих осмысленному обучению.
Большинство применяющихся на практике систем обучения (таких как Blackboard 5, Прометей и др.) ориентированы на механическое усвоение знаний, а системы автоматизированного тестирования не способны различить механически усвоенные знания от осмысленных знаний.
В существующих системах автоматизированного обучения редко учитываются психоэмоциональные характеристики обучаемого. В настоящее время существует ряд обучающих программ по самым разным предметам, ориентированных на учет индивидуальных особенностей обучаемого. При этом для учета индивидуальных особенностей предлагается либо контроль памяти обучаемого, его уровень знаний, умений и навыков, либо учет его психоэмоционального состояния в данный момент обучения [11, 12]. Однако, существующие модели процесса обучения также не в полной мере учитывают факторы, необходимые для осмысленного обучения, такие, как взаимная зависимость семантических модулей и психологические особенности обучающихся, что, на наш взгляд, в первую очередь, связано с отсутствием разработанных математических моделей для отражения таких психоэмоциональных характеристик обучающихся.
Таким образом, мы приходим к выводу о необходимости создания адаптированной обучающей системы, учитывающей как познавательные (когнитивные), так и психоэмоциональные факторы. Такую систему мы будем называть в дальнейшем дуальной адаптированной обучающей системой, ДАОС. Ясно, что для разработки дуальной адаптированной обучающей системы в первую очередь необходимо построить математическую модель процесса обучения, учитывающую психоэмоциональные факторы.
Целью диссертационной работы является разработка дуальной адаптированной обучающей системы и соответствующего программного комплекса для организации учебного процесса в сети и оценки качества обучения с учетом как познавательных, так и психоэмоциональных факторов
обучающихся.
Поставленная цель достигается в диссертации посредством решения следующих задач:
Разработки инструментов имитационного моделирования автоматизированных обучающих систем с целью их исследования;
Проведения на основе разработанных инструментов имитационного моделирования различных моделей автоматизированных обучающих систем;
Разработки математической модели выбора форм учебных материалов и тестирования в зависимости от психологического типа обучаемых;
Разработки математической модели процесса обучения, учитывающую, как познавательные (когнитивные), так и психоэмоциональные факторы обучающихся;
Разработки в соответствии с требованиями полученной математической модели структуры электронных учебных материалов в виде системы дифференцированных тестов, учитывающих психоэмоциональные характеристики обучающихся;
Разработки принципиальной структуры дуальной адаптированной обучающей системы и обобщенного алгоритма функционирования ДАОС, структуры подсистем ДАОС и алгоритмов функционирования подсистем ДАОС;
Разработки программного комплекса, реализующего алгоритмы дуальной системы тестирования;
Проверки эффективности ДАОС в учебном процессе.
Диссертация состоит из Введения, четырех глав, Заключения, Списка литературы, включающего 154 наименования, и четырех Приложений.
Введение
Объем диссертации с Приложениями составляет 226 страниц, диссертация содержит 94 рисунка и 16 таблиц.
Первая глава имеет вводный характер и посвящена обзору существующих математических моделей процесса обучения, в том числе и адаптивных систем обучения и тестирования знаний, а также изложению основных понятий классификации психологических типов личности. В этой главе содержится также классификация основных компьютерных методов обучения.
Вторая глава диссертации посвящена разработке методов исследования моделей адаптированных обучающих систем (АОС) и соответствующего инструментария обработки результатов исследования. В этой главе на основе метода построения моделей адаптированных обучающих систем с помощью средств дискретной математики и теории графов, предложенного в работе [13], и теории конечных автоматов [14] строится математическая модель адаптированной обучающей системы, в которой каждой вершине графа сопоставляется конкретный параметр АОС, снабженный своими связями. В качестве программного средства исследования математических моделей обучающих систем используется символьный верификатор моделей, NuSMV. Необходимость графической обработки результатов имитационного моделирования моделей АОС и отсутствие графического интерпретатора в пакете NuSMV привели к необходимости разработки специальных компьютерных инструментов обработки данных имитационного моделирования. Эти инструменты разработаны в диссертации на основе В-сплайновой интерполяции данных в системе компьютерной математики (СКМ) и описаны во второй главе.
Третья глава диссертации посвящена исследованию адаптированных обучающих систем с помощью созданных методов и инструментов исследования на основе имитационного моделирования процесса обучения и разработке математической модели дуальной адаптированной обучающей систе-
мы. Представлены результаты имитационного моделирования стандартной модели АОС, соответствующей трехвершинному графу. Обнаруженные в процессе моделирования недостатки стандартной модели АОС привели к необходимости ее модификации, с точки зрения теории графов выражающейся в добавлении вершин к графам модели и новых связей, соответствующих учету индивидуальным особенностям обучаемых. Эти модифицированные модели АОС также подверглись имитационному моделированию. В результате выбрана оптимальная модель АОС, соответствующая пятивершинному графу, в котором две дополнительные вершины соответствуют учету уровня накопленных к данному моменту знаний и формам подачи учебного материала и организации тестов. Далее в третьей главе на основе методологии Айзенка строится математическая статистическая модель выбора указанных форм в зависимости от психологического типа экзаменуемого. Наконец, в разделе III.7 с помощью алгебры процессов [15], разработанной на основе 7г - исчисления Милнера [16], строится математическая модель дуальной адаптированной обучающей системы в режиме e-learning.
Четвертая глава диссертации посвящена разработке и реализации дуальной адаптивной обучающей системы. Здесь представлены разработанные для каждого психологического типа образцы учебных материалов и тестов. Далее разрабатывается подсистема тьюторов в форме общего алгоритма выполнения тестов и алгоритмов предварительного, текущего, рубежного и экзаменационного тестов. В разделе IV.3. описаны результаты разработки базы данных ДАОС на основе программы Visual Basic 2005 на вычислительной платформе .NET Framework и системы управления базы данных на основе объектно-ориентированной система управления базами данных, db40. В разделе IV.4. описаны архитектура дуальной адаптированной обучающей системы и организация учебного процесса на основе ДАОС. В разделах IV.5. - IV.7. описаны результаты реализации ДАОС на
Введение
базе Татарского государственного гуманитарно-педагогического университета по предмету "Информационные системы". В разделе IV. 8. описаны преимущества дуальной адаптированной обучающей системы, выявленные в процессе ее реализации.
В Заключении кратко перечислены основные новые результаты работы диссертационной работы.
Приложение А содержит авторскую библиотеку программных процедур для компьютерной обработки результатов имитационного моделирования с помощью В-сплайновых процедур и графического компьютерного представления результатов в системе компьютерной математики.
Приложение В содержит авторские программные процедуры для математического моделирования психологических типов, выбора форм учебного материала и тестов и графического представления результатов моделирования в системе компьютерной математики.
В Приложении С подробно описаны модули разработанной обучающей программы. В Приложении D содержится список аббревиатур, использованных в диссертации.
за предложенную тему исследования и помощь при формировании системного подхода и педагогического аспекта работы; Особые слова признательности своему научному руководителю д.ф-м.н., профессору Ю.Г. Игнатьеву за стимул в реализации настоящей работы, помощь в разработке математических моделей, оформление диссертации и профессиональное руководство.
В.Н.Галееву
Благодарности. Автор выражает благодарность всем ученым, оказавшим помощь на разных стадиях реализации диссертационной работы: к.п.н., доценту
Классификация компьютерных средств обучения
Приведем ряд общепринятых определений необходимых для дальнейшего изложения понятий.
Автоматизированная система, (АС), - это совокупность управляемого объекта и автоматических управляющих устройств, в которых часть функ Глава I. Математические модели обучения и тестирования знаний ций управления выполняет человек - оператор. Это также комплекс технических, программных, других средств и персонала, предназначенный для автоматизации различных процессов. В отличие от автоматической системы не может функционировать без участия человека.
Автоматизированная обучающая система, (АОС), - это комплекс программно - технических и учебно-методических средств, обеспечивающих активную учебную деятельность: обучение конкретным знаниям; проверку ответов учащихся; возможность подсказки; привлекательность изучаемого материала.
Автоматизированная обучающая система - это инструментальный комплекс, включающий математическое, методологическое и программное обеспечения и предназначенный для заполнения знаниями пользователем в целях создания обучающей системы и, в конечном итоге, реализации автоматизированного обучения.
Автоматизированная обучающая система - это комплекс программно-технических и информационных (учебно-методических) средств, предназначенных для повышения эффективности обучения и, в частности, его активизации за счет предоставления учащимся права самостоятельно решать учебные задачи в режиме диалога. Функционально АОС ориентированы на предоставление учащимся определенного объема знаний, навыков и умений, а также на контроль результатов обучения.
АОС подразделяются на узкоспециализированные, предназначенные для обучения одному какому-либо предмету (курсу, разделу дисциплины и т. п.), и универсальные, обеспечивающие возможность изучения нескольких связанных предметов (курсов, дисциплин и т. п.). Автоматизированное обучение - это обучение профессии с использованием автоматизированных обучающих систем.
Интеллектуальная (адаптивная) обучающая система - обучающая система с элементами искусственного интеллекта. Такая обучающая система позволяет не просто тренировать обучаемого и контролировать его знания, но и по результатам деятельности обучаемого может определить, какие знания недостаточны или ошибочны и вернуть обучаемого на соответствующий раздел теории или практики, либо дать дополнительные разъяснения. Т.е. она позволяет адаптировать процесс обучения под особенности каждого конкретного обучаемого, работающего с системой.
Адаптивная образовательная среда, обладая такими свойствами, как "гибкость, полиструктурность, открытость" [46], обеспечивает выход обучающегося на более высокий потенциально возможный уровень саморазвития, адаптируясь к его требованиям и запросам.
Простейший способ адаптации состоит в том, что размер образовательного фрагмента компьютерной обучающей программы выбирается в зависимости от количества ошибок, допущенных при выполнении нескольких учебных задач. Иногда каждой ошибке приписывается определенный вес и учитывается мера помощи, которая оказалась обучающемуся достаточной для устранения ошибки. Часто учитывается и время, затраченное на прохождение образовательного фрагмента компьютерной обучающей программы [47, 48].
Но, несмотря на то, что адаптивное образование является несомненным шагом вперед, по сравнению с коллективными формами образовательного процесса, его возможности по обеспечению каждого обучающегося индивидуальной образовательной траекторией принципиально ограничены. Поэтому необходимо усиливать индивидуализацию образовательного процесса.
АОС как система взаимодействующих конечных автоматов
Мы предлагаем рассматривать модель Рис. 4 как процесс взаимодействия трех конечных автоматов, "КА". Дуги графа будут соответствовать входам соответствующих КА, а диаграмма состояний каждого КА будет определять ответ (изменение) параметров в АОС.
В соответствии с [14] конечный автомат будем понимать как удобную математическую абстракцию, позволяющую описывать пути изменения состояния объекта в зависимости от его текущего состояния и входных данных, при условии что общее возможное количество состояний конечно.
Существуют различные варианты задания конечного автомата. Например, конечный автомат может быть задан с помощью пяти параметров: П.2. АОС как система взаимодействующих конечных автоматов где Q - конечное множество состояний автомата; qo - начальное состояние автомата; F - множество заключительных (или допускающих) состояний, таких что при достижении одного из этих состояний работа автомата прекращается; - допустимый входной алфавит (конечное множество допустимых входных символов), из которого формируются строки, считываемые автоматом; 5 - заданное отображение множества Е во множество подмножеств P(Q)1. Автомат начинает работу в состоянии s, считывая по одному символу входной строки. Считанный символ переводит автомат в новое состояние из Q в соответствии с функцией переходов.
Таким образом, мы моделируем поведение АОС как вычислительный процесс, реализующийся путем взаимодействия конечных автоматов. Для задания конечного автомата может также быть использована диаграмма состояний, таблица состояний, а также специальные языки задания конечных автоматов [91].
Такой подход позволяет: описать сложные зависимости между компонентами системы обучения; учесть дискретный характер процесса приобретения знаний; использовать средства проверки моделей, разработанные для верификации программных систем.
В литературе [92, 93, 94] отмечены случаи, когда исследование дискретных моделей, рассматривающих различные природные явления как вычислительные процессы, удавалось выявить закономерности и причины поведения, которые не удавалось установить другими средствами.
Для проверки свойств модели можно использовать анализ сети возможных переходов конечных автоматов. Но поскольку для рассматриваемого случая модель будет достаточно сложной с очень большим числом возможных состояний, предпочтительно использовать автоматические средства проверки свойств модели.
Для моделей систем конечных автоматов существуют развитые средства анализа, включая языки описания систем, средства выполнения и проверки свойств модели.
В данной работе используется широко распространенная программа проверки моделей NuSMV [95] - (новый)символьпый верификатор моделей, разработанный как совместный проект Formal Methods Group в подразделении Automated Reasoning System в ІТС- IRST, the Model Checking group в Carnegie Mellon University, the Mechanized Reasoning Group в University of Genova и Mechanized Reasoning Group в University of Trento. NuSMV -это реализация и расширение верификатора SMV, первого верификатора моделей, основанного на BDD (Binary Decision Diagrams).
NuSMV был разработан в качестве системы с открытой архитектурой для верификации моделей и может быть использована для верификации индустриальных разработок, как ядро составных верификационных инструментов и как основа для тестирования других технологий формальной верификации. NuSMV со второй версии- использует компонент, реализующий метод верификации моделей, основанный на BDD, и компонент, реализующий метод верификации моделей, основанный на SAT, также включающий верификатор моделей, основанный на RBC (RBC-based Bounded Model Checker) и подключенный к библиотеке SIMSAT.
Модель, учитывающая психологический фактор заинтересованности учащихся
В рассмотренной выше модифицированной стандартной модели учитывается только познавательный компонент, когда уровень обученности возрастает с увеличением числа вопросов. Ясно, такая модель является существенным упрощением реальной ситуации. Мы полагаем, что для более адекватного отображения реального процесса обучения необходим учет психологического фактора обучаемых. Психологический компонент процесса обучения можно учесть введением в модель уровня заинтересованности обучаемых, (УЗ). Учет психологического компонента приводит к необходимости изменения графа стандартной модели и переходу от трехвершин-ного к четырехвершинному графу процесса обучения (см. Рис. 21).
Рассмотрим далее компоненты новой системы и связи между ними. Пусть, подобно другим компонентам "УЗ принимает целочисленные значения на отрезке [0,10], где значение 0 отвечает полному отсутствию заинтересованности, а значение 10 - максимальной заинтересованности. Конечный автомат "УЗ получает информацию с двух входов, В и УО. Представляется разумным, что УЗ по мере увеличения В возрастает до определенного предела, после чего начинает уменьшатся. Уменьшение уровня обученно-сти вызывает уменьшение УЗ и наоборот. При увеличении УЗ возрастает также и УО. Поэтому формулу (ИІ.1) можно модифицировать следующим образом: УОт = (УО + НІ + ВІ - Т) + УЗ ky , (Ш.2) где УОі+i - новое значение уровня обученности, Т - порог, когда подсказки и вопросы начинают оказывать положительное влияние, ку - коэффициент отражающий степень влияния УЗ на У О.
На Рис. 22 представлена соответствующая алгоритму (III.2) NuSMV -программа имитационного моделирования. В начале исследования данной модели мы провели имитационное моделирование, с нулевым начальным значением каждого параметра, Т = 3 и ку — 1 (Рис. 23). Рассмотрим, какие изменения происходят с данной моделью в этом случае. В начале обучения отношение обучаемых к предмету было нейтральное (У3=0) и УО=0. Для того чтобы повысить уровень обученности система повышает количество вопросов. Далее на первом этапе (шаги №№0-5) происходит рост УО, за счет увеличения количества вопросов и роста уровня заинтересованности, который обусловлен увеличением числа вопросов и УО. При достижении шага №5 УО достигает максимума, и система перестает увеличивать число вопросов.
Наступает временная стабилизация УО. В дальнейшем, однако, в связи с прекращением роста УО начинает падать УЗ, которая в итоге приводит к снижению УО. Система отвечает на это повышением уровня вопросов и уровня помощи, что вызывает дальнейшее падение УЗ, что однако компенсируется ростом П и В. Именно по такому механизму происходит обучение при взаимодействии с живым преподавателем в школах и ВУЗах.
Данная модель же объясняет достижение высоких уровней обученности при отрицательных УЗ (негативном отношении к предмету), которое ком пенсируется высокими требованиями преподавателя (В). Этот механизм трудно однако назвать оптимальным, поскольку при таком раскладе повышается нагрузка как на преподавателя (значение П), так и на обучаемого (значение В). Кроме того, отрицательное отношение к предмету способствует формированию стресса у обучаемых и негативно сказывается на их здоровье.
Однако рассматриваемая модель достигает максимального УО не при всех значениях начальных параметров. Например при старте с УО=7, В=7, УЗ=-5, П=6 система переходит в режим осцилляции (Рис. 24). Кроме того, итоговый результат зависит от степени влияния УЗ на УО, ку, что является индивидуальным параметром. Также необходимо учитывать тот факт, что положительное и отрицательное влияние УЗ могут различаться, которое также является индивидуальным параметром.
Так в случае, если положительное и отрицательное влияние УЗ не отличается и является достаточно высокими {ку 2), то при начальном нейтральном отношении к предмету положительного влияния УЗ оказывается достаточно для достижения максимума У О (Рис. 25).
Основной проблемой в рассматриваемой ситуации является отсутствие средств эффективного управления УЗ со стороны обучающей системы. Это выражается в невозможности непосредственно получить информацию о значении УЗ, а также в отсутствии действенных средств влияния на его значение. Например, если преподаватель еще может как-то оценивать и влиять на УЗ, то АОС не обладает такой возможностью. Поэтому представляется необходимым разработка АОС, которая могла бы эффективно контролировать параметры УЗ.
Архитектура дуальной адаптированной обучающей системы
Удаленный учебный центр (УЦ) обеспечивает организацию учебного процесса и обучаемые используют ДАОС самостоятельно. Для этого им выделяется время в компьютерном классе (КК). ДСТ устанавливается на сервере УЦ и доступны с АРМ обучаемых через локальную вычислительную сеть (ЛВС) Рис. 60. Обучаемые, имеющие в своем распоряжении компьютеры, могут работать с ДАОС вне УЦ, обращаясь к серверу УЦ по Internet или применяя локальные версии ДАОС. В режиме удаленного доступа, обучаемые должны иметь в своем распоряжении компьютеры, подключенные к Internet [141, 142].
Модуль Тьютора предназначен для создания новых тестов и редактирования старых, а также для загрузки лекционных файлов данного предмета. Эта модуль обладает простым и эффективным механизмом для разработки новых тестов.
Модуль Сотрудника используется для выставления оценок за тестирование, составления отчетов по результатам тестирований.
Модуль Студента используется для чтения лекционных учебных материалов, проведения процесса тестирования и обмена сообщениями через внутреннюю электронную почту. Клиент - серверный режим работы пакета реализован с помощью протокола TCP/IP. Выбор именно этого протокола обусловлен широким его распространением благодаря INTERNET, а также стремлением максимальні но расширить границы применения ДАОС. Благодаря TCP/IP пакет программ автоматизированного тестирования можно применять в дистанционном обучении, реализуемом посредством Internet.
Но простая поддержка TCP/IP протокола далеко не всё, что нужно для создания хорошей системы дистанционного тестирования и обучения. Учитывая, что в России доступ к Internet, в подавляющем большинстве случаев, осуществляется через низкоскоростные телефонные каналы, нужно было решить две задачи: Минимизировать передачу данных через Internet между клиентом и сервером; Минимизировать время Internet-соединения между клиентом и сервером;
Эти задачи тесно взаимосвязаны друг с другом, и чем меньше данных передается по сети, тем меньше времени нужно на эту передачу.
Основные плюсы, которые проявляются после решения этих двух задач: Ускорение работы пакета программ автоматизированного тестирования при его использовании через Internet-соединение; Увеличение надежности связки клиент-сервер (при уменьшении времени работы в сети, уменьшается и вероятность сбоев); Существенное снижение нагрузки на сервер ("клиенты", уменьшая время Internet-соединения, будут реже обращаться к "серверу"); Как следствие п. 3, молено существенно повысить количество одновременно обслуживаемых "клиентов"; Удешевление эксплуатации ДАОС, в случае повременной оплаты за доступ в Internet. TV Л. Архитектура дуальной адаптированной обучающей системы
Минимизация передаваемых данных была решена путём сжатия данных для передачи и использования внутренней базы данных, которая не требует посредника для обмена данными. При этом объём данных, который необходимо передавать между клиентом и сервером, сокращается примерно в 10 раз.
Минимизация обращений к серверу, решается путем "перекачки" теста, который был выбран для проведения тестирования, на удаленный компьютер (клиент). После завершения передачи теста, клиенту больше не нужно обращаться на сервер и он отключается до момента, когда ему будет необходимо передать результаты тестирования на сервер. Запуск сервера и предварительная подготовка тестов для передачи их клиентам. Сервер производит анализ зарегистрированных профилей тестируемых и отбирает тесты, которые будут необходимы для проведения тестирований. Основная работа сервера.
Сервер "прослушивает" заранее определённый порт на наличие запросов со стороны клиентов. При запросе клиента на получение теста, сервер передает ему тест. При запросе клиента на сохранение результатов тестирования, сервер принимает ответы от клиента и сохраняет их базу данных результатов.
Необходимо отметить, что предварительная подготовка тестов для передачи их клиентам, существенно сокращает требования к мощности сервера.
Кроме того, данная программа позволяет использовать в качестве сервера маломощный компьютер (Pentium III 850 Мгц, оперативная память 256 МБ).
Представляют практический интерес результаты тестового эксперимента среди студентов пятого курса математического факультета Татарского государственного гуманитарно-педагогического университета (ТГГПУ) по предмету "информационные системы" [144].
В опыте участвовало 52 студента. Студенты были поделены на группу (которая проходила обучение по традиционной методике) и опытную группу, которая проходила обучение с помощью ДАОС. Предварительный тест состоял из 2-х частей (психологической и познавательной). В начале студенты сдают предварительный психологический тест (тест Айзенка), в результате они распределяются по 4-м вариантам, условно : 1- сангвиник, 2-холерик, 3-флегматик, 4- меланхолик.
