Содержание к диссертации
Введение
1. Обзор методов и технологий компьютерных обучающих систем 9
1.1. Обзор и классификация компьютерных обучающих систем 9
1.2. Обзор современных технологий адаптивных и интеллектуальных обучающих систем 15
1.3. Обзор методов контроля и оценки знаний 22
1.4. Обзор технологий организации диалогового обучения 33
1.5. Выводы 38
2. Методы управления интерактивными процессами 40
2.1. Методы управления диалоговым режимом в обучающей системе 40
2.2. Методы поиска ключевых слов 44
2.3. Методы описания адаптивных сценариев 46
2.4. Методы обработки адаптивных сценариев 49
2.5. Выводы 52
3. Методы построения архитектуры системы, реализующей адаптивные обучающие диалоги 55
3.1. Требования и стандарты построения обучающих систем 55
3.2. Архитектура обучающей системы 59
3.3. Методы построения элементов системы 65
3.4. Выводы 74
4. Алгоритмы обработки адаптивных сценариев 76
4.1. Алгоритм работы элемента «Методический Материал» 77
4.2. Алгоритм работы элемента «Вопрос» 84
4.3. Алгоритм работы элемента «Анализатор ответа» 88
4.4. Алгоритм работы элемента «Тест» 92
4.5. Алгоритм работы элемента «Курс» 96
4.6. Выводы 100
5. Реализация разработанных методов 102
5.1. Область применения разработанных методов 102
5.2. Реализация алгоритмов 105
5.3. Объектная модель элементов обучающей системы 108
5.4. Система "Виртуальныйуниверситет" 109
Заключение 117
Библиографический список литературы
- Обзор современных технологий адаптивных и интеллектуальных обучающих систем
- Методы описания адаптивных сценариев
- Архитектура обучающей системы
- Алгоритм работы элемента «Вопрос»
Введение к работе
Актуальность темы. Необходимость автоматизации процесса обучения и проверки знаний, а также потребность в повышении качества образования учащихся привела к созданию и развитию различных автоматизированных обучающих систем (АОС), в которых большое внимание уделяется применению прогрессивных методов обучения с использованием новейших информационных технологий.
Обеспечение диалогового взаимодействия учащегося с компьютером является необходимой предпосылкой эффективного применения АОС. Однако в большинстве обучающих систем такое взаимодействие организовано не лучшим образом. Это обусловлено не только ограниченными возможностями компьютера, но и тем, что диалог строится с нарушением принципов построения диалога. В ряде отечественных и зарубежных университетах, таких как университет Питтсбурга, Пиреи, Мемфиса, Портсмунта, Дальневосточный университет, Санкт-Петербургский университет и др. ведутся исследовании и разработка различных методов и моделей адаптации в компьютерных обучающих системах. Наиболее известными исследователями в этой области являются Л.В. Зайцева, А.И. Стригун, 3.0. Джалиашвили, И.А. Морев, В.А. Капустин, А.А. Дзюбенко, P. Brusilovsky, D. Sampson, С. Karagiannidis, I. Zukerman, D. Litman, P. De Bra, D.A Kashy, D. Callear, K. Кабасси, M. Вирву, N.K. Person, A.S. Graesser, V Pomeroy и др.
Однако, несмотря на множество разработок в области адаптивных и интеллектуальных АОС, существует ряд недостатков, препятствующих эффективному использованию преподавателями естественного языка для диалогового режима обучения с применением АОС: использование упрощенных структур диалога, применимых для тестирования и неэффективных при организации активного обучения; подмена естественного языка выбором опций меню графического интерфейса пользователя; стремление ограничить учащегося при вводе данных небольшим набором реплик или использование специализированного ограниченного языка; использование программ, которые предлагаются разработчиками-программистами, не представляющими всей специфики работы преподавателя; использование сложных алгоритмов и структур данных при решении проблемы полного синтаксического и семантического анализа ответа учащегося, что приводит к:
? существенному ограничению предметной области;
? увеличению сложности программного продукта и невозможности его расширения и модификации без участия программиста и инженера знаний.
Кроме того, у большинства преподавателей нет времени, возможностей или достаточного понимания программных и аппаратных технологий для разработки своих собственных АОС. Им необходимо "изначальное" программное обеспечение, которое они могли бы приспособить для своих потребностей. Поэтому возникает необходимость в разработке таких методов управления интерактивными процессами, которые бы позволили использовать естественный язык для взаимодействия с системой, простые декларативные методы расширения и модификации контента сценариев адаптивных многошаговых обучающих диалогов, что дало бы возможность преподавателям самостоятельно, без привлечения программиста, создавать и модифицировать эти сценарии. Основная задача таких обучающих диалогов — это помочь преподавателю автоматизировать выявление неусвоенных в процессе изучения учебного материала знаний и восполнение этих пробелов.
Цель и задачи исследования. Исследование механизмов управления интерактивными процессами в компьютерных обучающих системах и разработка методов синтеза адаптивных многошаговых обучающих диалогов. Поставленная цель определяет следующие основные задачи:
1) исследовать и разработать методы декларативного описания адаптивных сценариев обучающих диалогов;
2) разработать алгоритмы, позволяющие моделировать адаптивные многошаговые обучающие диалоги;
3) разработать архитектуру компьютерной обучающей системы, позволяющую объединять множество разноплановых диалогов в связные курсы обучения;
4) реализовать разработанные алгоритмы в конкретных обучающих системах.
Методология и методы исследования. В качестве аппарата исследований использовались: теория автоматов, теория графов, теория реляционных баз данных. Практическая реализация методов базируется на алгоритмах синтеза и оптимизации конечных автоматов, теории формальных грамматик.
Основные положения, выносимые на защиту:
- методы декларативного описания адаптивных сценариев обучающих диалогов;
- алгоритмы, позволяющие моделировать адаптивные многошаговые обучающие диалоги;
- архитектура обучающей системы. Научная новизна:
1) разработаны методы декларативного описания адаптивных сценариев обучающих диалогов, позволяющих использовать естественный язык для обучения с применением АОС. Сценарии составляются из унифицированных разделов, имеющих фиксированное количество значимых идентификаторов, что позволяет описывать структуры сценариев в виде грамматики, интерпретируемой автоматным преобразователем, а также задавать контент сценария декларативно, посредством экранных форм пользовательского интерфейса;
2) разработаны алгоритмы интерпретаторов адаптивных сценариев. Интерпретаторы используют автоматный принцип построения и позволяют на основе сценария создавать виртуальный активный ресурс, который реализует адаптивный многошаговый обучающий диалог. Виртуальный активный ресурс действует как реактивная система (автомат), преобразуя ответы учащегося в реплики и пояснения системы, и позволяет выявлять неусвоенные в процессе изучения учебного материала знания и восполнять эти пробелы;
3) предложена архитектура обучающей системы, позволяющая объединять множество разноплановых диалогов в связные, последовательные курсы обучения. Используя единообразие принципов построения элементов системы и структуры их взаимодействия, архитектура обеспечивает предметную независимость, многопользовательский режим доступа, декларативные способы наполнения и изменения контента, переносимость, гибкость при расширении и модификации, прозрачность логики работы для конечного пользователя.
Практическая значимость. Разработанные методы и алгоритмы могут использоваться учебными заведениями для создания собственных компьютерных интерактивных обучающих систем. Их внедрение в обучающую систему позволит:
— автоматизировать процесс обучения;
— индивидуализировать режим получения знаний учащимися, максимально приблизив его к режиму индивидуального обучения с преподавателем;
— повысить качество запоминания предмета за счет использования адаптивных и интеллектуальных методов обучения.
Созданное на основе разработанных методов и алгоритмов программное обеспечение, начиная с 2004 года, активно используется в учебном процессе на факультетах очного и заочного обучения Международного банковского института и на факультете переподготовки специалистов Санкт-Петербургского государственного политехнического института, о чем свидетельствуют имеющиеся акты внедрения. Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на следующих конференциях и семинарах:
1) Третья международная научно-практическая конференция "Актуальные проблемы экономики и новые технологии преподавания", МБИ, СПб., 2004 г.
2) Международная научно-методическая конференция "Управление качеством в современном вузе", Санкт-Петербург-Калуга, 2004 г.
3) 10-я международная открытая конференция "Современные проблемы информатизации в непромышленной сфере и экономике", Воронеж,
2005 г.
4) Четвертая международная научно-практическая конференция "Актуальные проблемы экономики и новые технологии преподавания", МБИ, СПб., 2005 г.
5) 2-я Международная научно-методическая конференция "Управление качеством в современном вузе", Санкт-Петербург-Калуга, 2005 г.
6) Модуль "Система тестирования с использованием свободного ответа" получил номер 4229 от 12.01.2005 г. регистрации в ОФАП (Отраслевом Фонде Алгоритмов и Программ) и номер государственной регистрации 50200500081 от 26.01.2005 г. в "Национальном информационном фонде неопубликованных документов".
Публикации. По основным положениям и результатам выполненных исследований опубликовано 9 печатных работ. Из них 1 монография, статей в материалах научных конференций и одна в научном журнале. Кроме того, материалы диссертации включены в 3 отчета НИР по теме "Разработка сетевой интегрированной информационно-обучающей системы для регионального ресурсного центра в сфере образования". Структура и объем работы: Диссертация состоит из введения, 5 разделов, заключения, библиографического списка (118 наименований), 6 приложений, имеет общий объем 162 машинописные страницы, содержит 2 таблицы и 69 рисунков.
В главе 1 рассматриваются современные методы и технологии реализации диалоговых режимов обучения в компьютерных обучающих системах, проводится их формализация, обобщение и сравнение.
Глава 2 посвящена теоретическому определению предлагаемых методов управления интерактивными процессами в обучающих системах.
В главе 3 определяется архитектура системы, количество элементов системы, правила их взаимодействия и крут решаемых задач. Описываются структуры декларативно задаваемых адаптивных сценариев для каждого элемента системы.
В главе 4 для каждого элемента, описанного в главе 3, строится математическая и имитационная модель, граф переходов, проверяется корректность работы на всех комбинациях входных сигналов.
Глава 5 посвящена практическому использованию предложенных в работе теоретических положений на примере разработанной обучающей системы.
Обзор современных технологий адаптивных и интеллектуальных обучающих систем
Технологии адаптивных и интеллектуальных обучающих систем находятся на стыке педагогики и кибернетики. Адаптация с точки зрения компьютерных технологий для решения педагогических задач имеет ряд аспектов: 1) приспособление к текущим потребностям конкретного учащегося; 2) приспособление к текущему состоянию учащегося; 3) приспособление к выбранной для изучения проблемной области; 4) приспособление к решаемой задаче.
Обзор, выполненный Питером Брусиловским [75], дает следующие виды технологий, разрабатываемых в рамках систем искусственного интеллекта (ИИ) и применяемых для создания адаптивных и интеллектуальных обучающих систем (рис. 3): адаптивные гипермедиа системы; информационный поиск; машинное обучение; компьютерная поддержка сотрудничества; интеллектуальные обучающие системы. Вышеперечисленные технологии ИИ реализуются в следующих технологиях адаптивных и интеллектуальных обучающих систем: построение последовательности курса обучения; интеллектуальный анализ ответов учащегося; поддержка в решении задач; адаптивное представление; адаптивная поддержка в навигации; адаптивная поддержка сотрудничества; интеллектуальный мониторинг класса. Рассмотрим каждую из названных групп более подробно.
Построение последовательности курса обучения. Целью технологии построения последовательности курса обучения является обеспечение учащегося наиболее подходящей, индивидуально спланированной последовательностью информационных блоков и последовательностью учебных заданий. Существует два вида построения последовательностей: активные и пассивные.
Активное построение последовательности подразумевает наличие цели обучения (подмножество понятий изучаемой предметной области, которыми надо овладеть). Большинство существующих систем имеют жесткую цель обучения — полное множество понятий учебного курса. Несколько систем с приспосабливаемой целью позволяют учителю или учащемуся выбирать подмножества понятий учебного курса как текущую цель. Примеры систем с активной последовательностью: ELM-ART-II, AST, ADI, ART-Web, АСЕ, KBS-Hyperbook и ILESA, DCG и SIETTE [74].
Пассивная (коррективная) последовательность является технологией обратной связи и не требует активной цели обучения. Она начинает действовать, когда учащийся не способен решить задачу или ответить на вопрос правильно. Коррективная технология в этом случае предлагает учащемуся подмножество доступного информационного материала, которое может заполнить пробел в знаниях студента для разрешения заблуждения. Примеры систем построения пассивной последовательности: InterBook, PAT-InterBook, CALAT, VC Prolog Tutor, and Remedial Multimedia System [85].
Интеллектуальный анализ ответов учащихся имеет дело с ответами учащихся на образовательные задачи (несмотря на то, как эти ответы были получены). Цель интеллектуального анализатора ответов — определить, верно решение, предложенное учащимся, или нет; найти то, что конкретно неправильно или неполно в ответе; и, по возможности, определить какие недостающие или неправильные знания могут указывать на ошибку. Интеллектуальные анализаторы могут предоставлять учащимся далеко идущую обратную связь и обновлять модель учащегося. Классическим примером являются ELM-ART, ИОС для программирования на LISP [74] и WITS, ИОС для дифференциального исчисления [104].
Поддержка в решении задач - технология, которая вместо ожидания конечного решения предоставляет учащемуся интеллектуальную помощь на каждом этапе решения задачи. Уровень помощи может быть разным: от оповещения о неправильно сделанном шаге до выдачи совета и выполнения следующего шага за учащегося. Системы (часто называемые интерактивными тренажерами), в которых реализуется эта технология, могут наблюдать за действиями учащегося, понимать их и использовать это понимание для предоставления помощи и обновления модели учащегося. Классический пример — LISPUTOR.
Технология поддержки в решении задач на примерах помогает учащимся решать новые задачи, не выделяя их ошибки, а предлагая примеры из успешно решенных ранее схожих задач. Эта технология реализована в ELM-ART и ELM-ART-II, AlgeBrain, ADIS [94, 112].
Адаптивная гипермедиа - это относительно новая область исследований. О первом использовании адаптивного гипермедиа в обучающих системах сообщалось в 1996 г. [73]. Системы адаптивной гипермедиа применяют различные виды моделей пользователя для приспосабливания под его индивидуальные характеристики содержимого и ссылок страниц гипермедиа.
Методы описания адаптивных сценариев
Программа, понимающая естественный язык, должна использовать большое количество исходных знаний, чтобы понять даже простейший разговор. Согласно экспериментальным данным люди, организуют это знание в структуры, соответствующие типовым ситуациям [37]. Слабоструктурированный текст тяжело понимается из-за того, что его сложно связать с какой-нибудь структурой знаний.
В качестве основного элемента для создания таких структур предлагается использовать сценарии. Сценарий (script) — это структурированное представление, описывающее стереотипную последовательность событий в частном контексте [37]. Сценарии первоначально были предложены Schank и Abelson [112] как средство для организации структур концептуальной зависгшости в описаниях типовых ситуаций.
Сценарий включает в себя следующие компоненты: начальные условия, которые должны быть истинными при вызове сценария; результаты или факты, которые являются истинными, когда сценарий завершается; предположения, которые поддерживают контекст сценария. Множество предположений описывают принятые по умолчанию условия реализации сценария; роли являются действиями, которые совершают отдельные участники; сцены. Шенк [112] разбивает сценарий на последовательность сцен, каждая из которых представляет временные аспекты сценария.
Элементы сценария - основные "части" семантического значения -представляются отношениями концептуальной зависимости. Собранные вместе во фреймоподобной структуре они представляют последовательность значений или событий. Сценарии допускают рациональные предположения по умолчанию.
Адаптивные сценарии обучающих диалогов предлагается составлять из произвольного количества унифицированных разделов, соответствующих сценам в сценариях Шенка (рис. 9). Количество разделов сценария определяется логикой описываемого диалога. Раздел сценария является унифицированной структурой и использует фиксированное количество значимых идентификаторов, что позволяет применять фиксированный алгоритм для обработки сценариев произвольных размеров. Такой подход в организации адаптивных сценариев позволяет задавать контент сценария декларативно, посредством экранных форм пользовательского интерфейса, а также выполнить описание их структуры в виде грамматики, интерпретируемой автоматным преобразователем. Для удобства использования и переносимости сценариев предлагается описывать их грамматику с помощью языка XML.
Блок условий и действий состоит из алгоритма поиска определенных ключевых слов в ответе учащегося (синтаксический анализ) и связанных с ним набором реакций системы, в случае совпадения выражения поиска с ответом. В каждом разделе сценария может присутствовать неограниченное число блоков условий и действий. Нет необходимости описывать все возможные комбинации ответов, достаточно определить наиболее значимые, а остальные определить как неверные в действии по умолчанию. В любом случае, благодаря декларативному представлению контента сценариев преподаватель всегда может изменить или расширить его содержимое.
Индивидуализация обучения заложена в самой сути метода и заключатся в том, что каждый учащийся получает пояснения в соответствии с теми ошибками, которые он сделал.
Обработку адаптивных сценариев предлагается выполнять с помощью интерпретаторов, построенных по автоматному принципу.
Интерпретатор — это программа, которая воспринимает исходную программу на входном (исходном) языке и выполняет ее [40]. Основное отличие интерпретаторов от трансляторов и компиляторов заключается в том, что интерпретатор не порождает результирующую программу, а просто выполняет исходную программу.
Подавляющее большинство интерпретаторов действуют так, что исполняют исходную программу последовательно, по мере ее поступления на вход интерпретатора. Более того, он может вводить исходную программу и тут же наблюдать результат ее выполнения по мере поступления [18]. Далеко не все языки программирования допускают построение интерпретаторов, которые могли бы выполнять исходную программу по мере поступления команд. Для этого язык должен допускать возможность существования компилятора, выполняющего разбор исходной программы за один проход. Кроме того, язык не может интерпретироваться по мере поступления команд, если он допускает появление обращений к функциям и структурам данных раньше их непосредственного описания.
Унифицированный раздел сценария является довольно простой структурой, для обработки которой можно использовать столь же простой автоматный алгоритм. Данные раздела могут с одинаковым успехом храниться как в таблицах СУБД, так и в XML-файлах. Разделы сценария объединяются переходами, определяемыми логикой диалога, схема этих переходов может быть изображена в виде графа с сетевой топологией. Таким образом, сценарий задает не жесткую линейную последовательность сцен, а гибкую схему (переходов между разделами), адаптированную к ответам учащихся. Автоматный подход в построении интерпретатора сценариев позволяет обеспечить эффективный и надежный механизм обработки сценариев.
Архитектура обучающей системы
В предыдущем разделе были сформулированы требования для построения обучающей системы. Обучающая системы является сложным программным продуктом, из которого в данной работе рассматривается только небольшая часть, отвечающая за организацию адаптивного диалогового обучения.
Поскольку термин "архитектура вычислительной системы (ВС)" трактуется самым различным образом, необходимо точно определить, что под ним будет подразумеваться в данной работе. Под архитектурой ВС понимают общую логическую организацию вычислительной системы, определяющую процесс обработки данных и включающую ту совокупность ее характеристик, которая необходима пользователю, — это, прежде всего, основные устройства и блоки (программные модули), а также структуру связей между ними.
Применительно к вычислительным системам термин "архитектура" может быть определен как распределение функций, реализуемых системой по отдельным ее уровням и точное определение границ между этими 60-уровнями. Согласно этому определению, архитектура вычислительной системы предполагает многоуровневую организацию, а специфическим свойством архитектуры вычислительной системы является возможность выделения в ней набора уровней абстракции [18].
Архитектура определяет, какие функции по обработке данных выполняются системой в целом, а какие возлагаются на "внешний мир" (пользователей, администраторов баз данных и т. п.). Система взаимодействует с внешним миром через два набора интерфейсов: языки (такие, как язык взаимодействия учащегося и системы, языки программирования, описания и манипулирования данными, управления заданиями и т. п.) и системные программы (прикладные программы, созданные разработчиком системы, например программы-утилиты, программы редактирования, сортировки, восстановления и обновления информации).
Интересные принципы объединения элементов в многоуровневые архитектуры предложил Родни Брукс [70] и, несмотря на то, что эти принципы создавались для построения разумных роботов, основные идеи его работ могут быть использованы при разработке архитектуры обучающей системы. Рассмотрим их более подробно.
Брукс выдвинул гипотезу о том, что интеллект является продуктом взаимодействия определенной многослойной системы со своим окружением. Он придерживается точки зрения, что интеллектуальное поведение возникает при взаимодействии архитектур, организованных из более простых сущностей - полуавтономных агентов или автоматов, и может быть реализовано без символьного представления, принятого в классическом ИИ. В этом состоит основная идея его категориальной архитектуры (subsumption architecture) [70, 71].
Архитектура, реализованная Бруксом в системе управления роботом, представляет собой многоуровневую совокупность объектов -61 обработчиков, предназначенных для решения отдельных задач. Каждый такой объект (элемент) является автоматом, который непрерывно преобразует воспринимаемую входную информацию в выходное управляющее воздействие. Каждый уровень строится на базе существующих. Нижние уровни никогда не основываются на существовании верхних.
Элементы не имеют какой-либо символьной внутренней модели мира и работают асинхронно, посылая и получая сообщения фиксированной длины. В системе нет глобальных данных или каких-либо динамически создаваемых коммуникационных связей. При получении сообщения или завершении временного периода ожидания состояние автомата изменяется. Зачастую вся логика работы такого автомата задается посредством декларативного описания множества простых продукционных правил типа условие —» действие [70]. Хотя отдельно взятый автомат генерирует инструкции для действий, исходя из своего текущего состояния, общее поведение системы является результатом взаимодействия всех ее системных уровней [71].
Построенная таким образом система не требует централизованного управления и генерирует все свои действия исходя, из текущей ситуации. При этом под ситуацией понимается потенциально сложная комбинация внутренних и внешних состояний.
Учитывая принципы построения обучающих систем и вышеперечисленные идеи, предлагается реализовывать диалоговый режим обучения посредством трехуровневой архитектуры (рис. 14). Уровни разграничивают определенные функции внутри программного обеспечения и в большинстве случаев не имеют каких-либо общепризнанных наименований.
Алгоритм работы элемента «Вопрос»
Элемент «Вопрос» реализует функции предъявления вопросов различного типа, анализа ответа, интерактивные механизмы взаимодействия с пользователем в виде реплик, подробных описаний ошибок и переходов к дополнительным вопросам, в случае неверных ответов.
В результате исследования работы автомата, как с помощью моделирования по уравнениям, так и с помощью имитационной модели, было получено 6 типов графиков. Текст моделирующей программы и полученные графики приведены в Приложении В (см. рис. 45—50).
Как видно из графиков (рис. 45), диапазон слов z0(0000000) -z63(0111111) соответствует петле в состоянии АО и пребыванию автомата в этом состоянии до поступления идентификатора вопроса (сигнал xl).
Диапазону слов z64( 1000000) - z79(1001111) (рис. 46) соответствует генерация ошибки в связи с окончанием работы таймера в состоянии A3, когда автомат не дождался ответа пользователя на предъявленный вопрос. В отличие от модели, в реальной системе работа таймера занимает некоторое время, и автомат остается в состоянии A3 п тактов, ожидая ответа учащегося, что отразится на графиках линией ожидания, соответствующей пребыванию автомата в состоянии A3. Последовательность прохождения состояний автомата {ао, аь а2, аз, as, а8}.
Словам z80 (1010000), z82 (1010010), z83 (1010011) (рис. 47) соответствует нормальная работа автомата без вывода объяснений об ошибках учащегося. Последовательность прохождения состояний автомата { ао, аь а2, а3, а4, а7, а8}.
Слову z81 (1010001) (рис. 48) соответствует нормальная работа автомата с выводом объяснений об ошибках учащегося. Последовательность прохождения состояний автомата {ао, аь а2, а3, а4, аб, а8}.
Диапазону слов z84(1010100) - z95(1011111) (рис. 49) соответствует генерация ошибки в связи с невозможностью сохранения ответа или ошибки анализатора ответа в состоянии А4. Последовательность прохождения состояний автомата { ао, аь а2, а3, а4, as, а8}.
Диапазону слов z96(l 100000) - zl27(l 111111) (рис. 50) соответствует генерация ошибки из-за того, что невозможно найти вопрос в базе данных по поступившему идентификатору или соответствует ошибке при создании объекта дочернего класса Последовательность прохождения состояний автомата { ао, aj, as, а8}.
На графиках видно, что при всех входных словах автомат имеет один вход, начиная работу в состоянии ао, и один выход, т.е. обязательно возвращается в начальное состояние ао для ожидания следующего слова через tn тактов.
Отсутствие вершин незадействованных в работе ни при каких входных сигналах определяем, проводя объединение данных графиков и сравнивая полученное множество с заявленным — S = {ао, aj, а2, а3, а4, а5, а , а7, а8}.
Для автомата «Анализатор ответа» полный набор комбинаций входных сигналов при 7 символах входного алфавита будет состоять из 127 входных слов zO(OOOOOOO) — zl27(lllllll). Слову соответствует последовательность символов Х1Х2Х3Х4Х5Х6Х7, каждый из которых может принимать только значение из диапазона {0, 1}. В результате исследования было получено 6 типов графиков, как с помощью моделирования по уравнениям, так и с помощью имитационной модели. Текст программы и полученные графики приведены в Приложении Г (см. рис. 51—56). Граф переходов для структурного автомата «Анализатор ответа» показан на (рис. 28), а диаграмма автоматКак видно из графиков, диапазон слов zO(OOOOOOO) — z63(0111111) (рис. 51) соответствует петле в вершине АО и пребыванию автомата в этом состоянии до поступления идентификатора вопроса (сигнал xl). Последовательность прохождения состояний автомата {ао}.
Диапазону слов z64(1000000), z65(1000001), z68(1000100) -z75(1001011), z80(1010000), z81(1010001), z84(1010100) - z91(1011011), z96(l 100000), z97(l 100001), zl00(l 100100) - zl07(l 101011) (рис. 52) соответствует нормальная работа автомата, при которой не найдено совпадение ни с одной из масок правильных и неправильных ответов и выполняется действие по умолчанию. В состояниях А2 и A3 автомат может оставаться столько тактов, сколько соответствующих масок ему приходится проверять. В этих случаях графики изменятся, что отразится линией, соответствующей пребыванию автомата в состоянии А2 и/или A3. Последовательность прохождения состояний автомата {ао, аь а2, а3, а4, а7}.
Словам z66 (1000010), z82 (1010010), z98 (1100010) (рис. 53) соответствует работа автомата, при которой не найдено совпадение ни с одной из масок правильных и неправильных ответов, и параметры по умолчанию также не были получены. Обработка ответа была передана стандартному (аварийному) обработчику, предусмотренному в каждом классе вопроса для подобного случая. Последовательность прохождения состояний автомата {ао, аь а2, а3, а4, а5, а7}.
Словам z67 (1000011), z83 (1010011), z99 (1100011) (рис. 54) соответствует генерация ошибки, когда в ситуации, аналогичной предыдущей, даже в стандартном (аварийном) обработчике произошла ошибка. Последовательность прохождения состояний автомата { ао, аь а2, а3, а4, а5, ag, а7}. а, выполненная в Stateflow, на (рис. 29).
