Содержание к диссертации
Введение
ГЛАВА 1 Анализ многовариантных распределенных информационных систем 12
1.1 Многовариантные распределенные информационные системы и области их применения 13
1.2 Организация многовариантных распределенных информационных систем 23
1.3 Задачи оптимизации формирования многоуровневых контентов распределенных информационных систем 34
1.4 Цель и задачи исследования 40
ГЛАВА 2 Математическое обеспечение процесса формирования ногоуровневых контентов распределенной информационной системы 43
2.1 Общая стратегия создания многовариантных РИС 44
2.2 Модели многовариантного выбора состава контентов РИС 46
2.3 Алгоритмические процедуры оптимального синтеза многоуровневых контентов РИС 53
ГЛАВА 3 Разработка математического обеспечения задач управления учебными контентами в РИС 66
3.1 Модели формирования тестовых и обучающих многоуровневых контентов 69
3.2 Алгоритмические процедуры многовариантного выбора состава учебных контентов 85
3.3 Алгоритмические процедуры информационного взаимодействия компонентов многовариантных РИС 101
ГЛАВА 4 Специальное программное обеспечение формирования учебных контентов РИС 110
4.1 Структуризация информации и информационная модель формирования учебных контентов РИС 112
4.2 Программно-инструментальный комплекс администрирования и управления БД 119
4.3 Программно-инструментальный комплекс формирования тестовых контентов 123
4.4 Программно-инструментальный комплекс формирования учебно-методических контентов 127
Заключение 135
Литература
- Организация многовариантных распределенных информационных систем
- Модели многовариантного выбора состава контентов РИС
- Алгоритмические процедуры многовариантного выбора состава учебных контентов
- Программно-инструментальный комплекс формирования тестовых контентов
Введение к работе
Актуальность темы. Оптимизации формирования многоуровневых контентов распределенных информационных систем (РИС) является одним из направлений автоматизации подсистем принятия решений в задачах многовариантного выбора.
Среди наиболее важных факторов, определяющих дальнейшее развитие подсистем принятия решений, являются следующие: актуализация и интеллектуализация исходной информации, используемой в процессе принятия решений в различных предметных областях с целью повышения уровня автоматизации подсистем принятия решений; разработка корректных математических моделей и методов моделирования информационных систем, позволяющих решать задачи их оптимизации.
Большинство задач принятия решений относится к классу задач многовариантного выбора, который требует соответствующей информационной поддержки, имеющей также многовариантный характер. Современные информационные системы в большинстве своем являются распределенными, что оказывает влияние на архитектуру и программное обеспечение подобных систем.
Совершенствование организации и управления распределенными информационными системами в задачах многовариантного выбора требует разработки специального математического и программного обеспечения, реализующего оптимальный синтез многоуровневых контентов распределенных информационных систем. Под контентом понимают структурированную единицу информации, имеющую разный формат отображения и многоуровневое содержание.
Актуальность данного исследования продиктована необходимостью повышения качества информационного обеспечения подсистем принятия решений в задачах многоальтернативного выбора за счет разработки специ- ального математического и программного обеспечения системы формирования контентов распределенных информационных систем.
Диссертационная работа соответствует научному направлению ВГТУ «Вычислительные системы и программно-аппаратные электротехнические комплексы» и выполнена в рамках Г/Б НИР 2004.48 «Разработка методов оптимального управления распределенными информационно- вычислительными системами».
Целью работы является разработка специального математического и программного обеспечения формирования оптимального состава контентов распределенной информационной системы в задачах принятия альтернативных решений на примере систем управления учебным контентом.
Исходя из данной цели в работе были определены следующие задачи исследования: системный анализ и классификация распределенных информационных систем, имеющих многовариантную реализацию; формирование требований к специальному математическому и программному обеспечению оптимального синтеза многоуровневых контентов РИС; разработка базовых моделей многовариантного выбора состава контентов РИС, обеспечивающих оптимизацию интегральных показателей качества исследуемых систем; определение алгоритмов синтеза контентов многовариантных РИС; создание специального программного обеспечения формирования состава контентов для подкласса многовариантных РИС - систем управления учебным контентом.
Методы исследования. В работе использованы методы системного анализа и проектирования, математических методов исследования операций, теории реляционных баз данных, теории объектно-ориентированного про- граммирования, теории вероятностей и методов стохастической оптимизации.
Научная новизна. В работе получены следующие результаты, характеризующиеся научной новизной: базовые модели формирования многоуровневых контентов обобщенной распределенной информационной системы, осуществляющие двухэтап-ную оптимизацию состава контентов и являющиеся оптимизационными задачами с булевыми переменными, определенными на конечном дискретном множестве допустимых решений; алгоритмы решения задач оптимального синтеза состава контентов РИС, отличающиеся автоматизированным направленным перебором на дискретном множестве альтернатив допустимых контентов информационной системы; модели и алгоритмы оптимального синтеза контентов РИС на примере систем управления учебным контентом, отличающиеся критериями оценки оптимального выбора, позволяющего формировать состав учебных контентов, сбалансированный по времени обучения, уровню базовых знаний, требованиям стандартов обучения конкретных специальностей и экспертных оценок важности и сложности многоуровневых контентов; функционально-модульная структура объектно-ориентированного специального программного обеспечения, реализующего интеллектуальную поддержку принятия решений по составу контентов информационной системы.
Практическая ценность. На базе диссертационного исследования разработаны специальные математическое обеспечение и специальный программный комплекс формирования состава многоуровневых контентов РИС, которые позволяют формировать согласованный набор учебно-методических контентов системы управления содержанием обучения, учитывающий базовый уровень знаний, требования образовательных стандартов, экспертные оценки важности и сложности учебных контентов и ограниченное время обучения.
Использование разработанного информационно-программного комплекса позволит повысить эффективность обучения, адаптировать его к базовому уровню знаний обучаемого, рационально сочетать многовариантность в формировании состава учебных контентов и государственные стандарты в изучении дисциплин.
Реализация и внедрение результатов работы. Основные теоретические и практические результаты работы апробированы в региональном центре дистанционного обучения (РЦДО) Воронежского института повышения квалификации и переподготовки работников образования. Результаты работы внедрены в учебный процесс Воронежского государственного технического университета при формировании структуры учебных курсов.
Апробация работы. Основные результаты работы докладывались и обсуждались на Международной открытой научной конференции «Системные проблемы качества, математического моделирования, информационных и электронных технологий» (Москва, 2003); 6-й региональной молодежной научной и инженерной выставке «Шаг в будущее. Центральная Россия» (Липецк, 2003); Всероссийской конференции «Новые технологии в научных исследованиях, проектировании, управлении, производстве» (Воронеж, 2004); XVIII Международной научной конференции «Математические методы в технике и технологиях» (Казань, 2005), Международной научной конференции «Современные сложные системы управления» (Воронеж, 2005), Всероссийской конференции «Интеллектуализация управления в социальных и экономических системах» (Воронеж, 2005), Всероссийской конференции «Интеллектуальные информационные системы» (Воронеж, 2005).
Публикации. Основные результаты диссертации опубликованы в 30 печатных работах, в том числе 2 без соавторов. В работах, опубликованных в соавторстве и приведенных а автореферате, лично соискателю принадлежат: в [3,5,10,12,13] - методика разработки информационной модели системы автоматизированного формирования состава контентов; [2,7,8,11] - анализ и разработка математических моделей многовариантного формирования контентов информационной системы; [1,4,14,15,16] - программная реализация управления и оптимального синтеза контентов; [6,8,9] - адаптивные алгоритмические процедуры генерации многоуровневых контентов информационных систем.
Структура и объем работы. Диссертация состоит из введения, четырех глав и заключения, изложенных на 137 страницах, списка литературы из 153 наименований и 4 приложений, содержит 23 рисунка и 7 таблиц.
Первая глава содержит анализ многовариантных распределенных информационных систем (РИС), областей и рамок их применения. Осуществлена классификация многовариантных РИС и произведен анализ подклассов систем данного класса. Рассмотрены особенности информационных систем проектирования технических объектов, систем поддержки принятия решений в интеллектуальных информационных системах, особенности корпоративных информационных систем и систем управления ресурсами, мультимедийных информационно-справочных систем и систем управления содержанием обучения.
Исследованы особенности структурной организации информационных систем, имеющих многовариантную реализацию, и типовые элементы информационных систем, обеспечивающие поддержку принятия решений в условиях многоальтернативности. Проведен анализ состава информационных контентов и обосновано существование многоуровневых контентов в задачах многоальтернативного выбора. Многоуровневые контенты отличаются разным уровнем сложности, эксплуатационными характеристиками и показателями качества функционирования.
Показана актуальность задачи исследования и оценки различных вариантов состава контентов РИС, обеспечивающих информационную поддержку принятия решений в различных предметных областях. Каждый подкласс многовариантных РИС имеет свой специфический набор показателей оценки вариантов системы. Оценка состава контентов различных РИС может осуществляться с помощью технических, экономических и интегральных показателей.
Несмотря на наличие систематических исследований в области автоматизации систем принятия решений в различных предметных областях, представляется целесообразным разработка базовых оптимизационных моделей, алгоритмических процедур и практическая реализация специальных программно-математических систем управления оптимальным синтезом контентов РИС как основы принятия согласованных решений в задачах многовариантного выбора.
В конце главы сформулированы цели и задачи исследования.
Вторая глава посвящена созданию математических моделей формирования состава многоуровневых контентов РИС с перенастраиваемым содержанием. Разработаны базовые оптимизационные модели, позволяющие формализовать процесс согласованного выбора многоуровневых контентов РИС. Данные модели осуществляют двухэтапную оптимизацию содержания многовариантных контентов РИС.
На первом этапе в рамках математической модели происходит формирование допустимого множества контентов, удовлетворяющих различным эксплуатационным требованиям, конкретизация которых зависит от области применения информационной системы. Это множество является основой для согласованного выбора контентов на втором этапе, когда происходит генерация набора контентов, оптимальных по технико-экономическим или интегральным показателям качества.
Задачи формирования многоуровневых контентов РИС, выполняющие функции информационной поддержки процесса принятия решений, являются оптимизационными задачами с булевыми переменными, определенными на конечном дискретном множестве допустимых решений.
Для решения представленных выше задач выбраны алгоритмы многовариантного выбора, ориентированные на метод случайного поиска. Данные алгоритмы позволяют осуществить такое варьирование булевыми переменными, описывающими конечное множество допустимых альтернативных решений, которое привело бы к поиску комбинаций уровней переменных, обеспечивающих экстремальное решение поставленных задач. Учитывая комбинаторный характер решаемых задач, алгоритмическое обеспечение ориентировано на автоматизированный сокращенный перебор комбинаций уровней переменных на основе рандомизации поисковой области задач путем расширения множества решений до случайных векторов.
В третьей главе рассматриваются особенности применения базовых оптимизационных моделей и адаптивных алгоритмов в задачах управления содержанием обучения. Системы управления содержанием обучения являются тем подклассом задач с многовариантными РИС, где особенно актуально управление формированием многоуровневых учебных контентов.
Предложена модель формирования набора контрольно-тестовых контентов учебной системы, адаптированная к требованиям образовательных стандартов к уровню знаний конкретного предмета определенным специалистов и учитывающая экспертные оценки важности отдельных учебно-методических компонентов изучаемой дисциплины. Данная модель имеет самостоятельное значение и может использоваться для автоматизированного формирования перенастраиваемой структуры учебно-тестовой системы. В то же время результаты тестовых испытаний, реализованные в рамках сформированной учебно-тестовой системы, могут быть использованы в модели второго уровня при формировании состава контентов программы обучения.
Разработанные принципы создания оптимизационных моделей, позволяющих формализовать процесс согласованного выбора учебно-методических контентов системы управления содержанием обучения.
Алгоритмическое обеспечение задач синтеза многоуровневых учебных контентов характеризуется совмещением в едином процессе поиска решения учета экспертных оценок учебных контентов и автоматизированного режима направленного перебора на дискретном множестве допустимых альтернативных учебных компонентов.
Предложены общие алгоритмы построения информационной подсистемы ИОС, определены информационные потоки, циркулирующие между компонентами системы, а также информационное взаимодействие системы с внешними пользователями. Выбрана двухзвенная модель распределения функций в информационно-образовательной системе, построенной по архитектуре клиент-сервер, определена схема доступа к данным.
В четвертой главе рассматриваются особенности программной реализации разработанных базовых моделей и алгоритмов оптимизации состава контрольно-тестовых и учебно-методических контентов системы управления содержанием обучения. Рассмотрена организация информационного обеспечения и структура специального ПО. Для ряда дисциплин проведено автоматизированное формирование набора контрольно-тестовых и учебно-методических контентов информационной системы. Сделаны выводы о преимуществах предлагаемой методики моделирования и алгоритмизации для формирования многоуровневых учебных контентов, адаптированных к стандартной программе обучения, индивидуальному уровню знаний обучаемых и учитывающих экспертные оценки контрольно-учебных контентов и время обучения.
В заключении формулируются научные и практические результаты диссертационного исследования.
Организация многовариантных распределенных информационных систем
Организация информационного обеспечения задач многовариантного выбора в системах поддержки принятия решения требует специального исследования. При этом необходимо учитывать как общие принципы организации информационных систем, так и специфические особенности информационной поддержки систем принятия решений.
Современные информационные системы - это сложные интегрированные комплексы, представляющие собой совокупность механизмов, методов и алгоритмов, реализующих набор информационных технологий, направленных на поддержку жизненного цикла информации, включающего обработку данных, управление информацией и управление знаниями [28,134,135].
В зависимости от предметной области информационные системы могут весьма значительно различаться по своим функциям, архитектуре и реализации. Однако можно выделить ряд общих организационных свойств [6,58,116]: информационные системы предназначены для сбора, хранения и обработки информации, поэтому должны основываться на определенной среде для хранения и доступа к данным; информационные системы ориентированы на конечного пользователя, не являющегося специалистом в области вычислительной техники. Поэтому клиентские приложения информационной системы должны быть удобны, просты и легко осваиваемы.
Таким образом, при разработке информационной системы решают две основные задачи: проектирование базы данных и выбор СУБД для работы с ней; разработка графического интерфейса пользователя клиентских приложений.
Построение современных распределенных информационных систем напрямую связано с использованием реляционных и объектно-ориентированных СУБД [10,34,76]. Они в последнее время утвердились как основные средства для обработки данных в ИС различного масштаба. Чаще всего в качестве среды для хранения и доступа к данных выбираются реляционные базы данных и системы управления ими (СУБД). Несмотря на очевидную привлекательность и растущую популярность объектно-ориентированных СУБД, пока все же преобладают реляционные базы дан- -ных, которые хорошо отлажены, развиты и к тому же поддерживают стандарт SQL-92 (к таким системам относятся Oracle, Informix, Sybase, DB2, MS -SQL Server).
Таким образом, основой для построения информационной поддержки систем принятия решений являются реляционные базы данных, часть отношений которых имеет многовариантную реализацию. Возможные варианты решений рассматриваются как многоуровневые контенты информационной системы, обладающие разнообразными характеристиками, зависящими от специфики предметной области, для которой создается информационная система. При принятии решений о составе контентов информационной системы обычно используется информация не только об объекте и его параметрах, но и о критериальных оценках различных альтернативных решений. В ряде практических случаев решение принимается с использованием субъективных критерией в условиях обработки большого объема информации.
Средства разработки пользовательского интерфейса условно можно разделить на два класса [46]: специализированные средства, ориентированные на создание приложения для вполне определенной СУБД и не предназначенные для разработки обычных приложений, не использующих базы данных. Примером таких средств может служить система Power Builder фирмы Sybase; универсальные средства разработки информационных приложений, взаимодействующих с базами данных, которые также используются для разработки любых других приложений. Среди таких средств наибольшей известностью пользуются системы Delphi фирмы Borland и Visual Basic фирмы Microsoft.
В нашей стране наибольшей популярностью пользуется Delphi. Delphi базируется на объектно-ориентированном языке Object Pascal, что позволяет создавать гибкие и модифицируемые приложения [75,143].
Большинство современных информационных систем являются распределенными. По способу организации РИС (рис. 1.3) подразделяются на следующие классы [46]: системы на основе архитектуры файл-сервер; системы на основе архитектуры клиент-сервер; системы на основе многоуровневой архитектуры; системы на основе Интернет / интранет-технологий.
Модели многовариантного выбора состава контентов РИС
Многоуровневые контенты РИС являются информационной поддержкой задач многовариантного выбора в системах принятия решений.
Рассмотрим общую методику создания ИС поддержки принятия решений в задачах многовариантного выбора.
Задачи многовариантного выбора обеспечивают создание многокомпонентных систем. Общая задача выбора - это пошаговый процесс формирования компонентов системы. Обозначим многокомпонентную систему через S = {Si}, (1 = 1,...,1), (2.1) где Sj - і-й компонент системы S. Каждый компонент Sj имеет многовариантную реализацию. Информационная система поддержки принятия решения по составу компонентов системы S должна содержать одно или несколько отношений, описывающих возможные варианты решений, их параметры и показатели оценки. Возможные варианты решений рассматриваются как многоуровневые контенты ИС.
Представим описание ИС поддержки принятия решений в виде отношения, заданного на множествах BJ: B,={be}, (i = 1,...,1), G = W0, (2.2) где Bj (і = 1,.. .,1) - множества альтернативных контентов для і-го компонента системы, I - множество индексов вариантов формирования содержания отношений ИС, Jj - размерность массива Bj.
Оптимизацией, или оптимальным синтезом информационной системы поддержки принятия решений будем называть выбор такого варианта состава контентов отношений информационной системы U из множества альтернативных контентов ИС, для которого наилучшим образом обеспечивается выполнение заданных требований эксплуатации или интегральных показателей качества Тп (п = 1,... ,N).
Разнообразие множеств В, приводит к многовариантному заданию системы U. Показатели оценки каждого варианта отношений ИС определяются численными значениями некоторого набора показателей Tn (n=l,...,N). Поиск оптимального варианта приводит к необходимости такого решения многоальтернативной задачи, которое обеспечит выбор варианта состава контентов ИС поддержки принятия решений с наилучшими характеристиками и показателями Tn (n=l,...,N) при объединении элементов из множеств Bj вариантов контентов для каждого компонента создаваемой системы.
Многоальтернативная оптимизационная модель в этом случае представляет собой формализованную постановку задачи оптимального выбора в виде одной или нескольких целевых функций и ограничений, определенных на множестве альтернативных вариантов.
Каждое множество Bj (i= 1,...,1) должно быть ограничено до множества
і В І (i= 1,...,1), которое содержит допустимые альтернативные контенты для I го компонента системы. Компоненты системы характеризуются набором параметров Pk (к=1,...,К). Каждому контенту поставлено в соответствие множество значений параметров Рук (к=1,...,К) и показателей fyn (n= 1,...,N).
Ограничение разнообразия Bj до В; (i=l,...,I) может быть осуществлено разными способами: алгоритмически путем сравнения параметров Ру с пограничными значениями Р ук, которые задаются экспертами; множества В; формируются экспертами путем перечисления возможных значений контентов; в рамках оптимизационных задач выбора контентов.
Осуществим формализованную постановку оптимизационной задачи формирования допустимого множества контентов. В ходе решения данной задачи учитываются требования первого уровня, предъявляемые к создаваемой системе. Это требования к системе как объекту эксплуатации, что означает, что параметры контентов должны находиться в заданных пределах или иметь определенные значения.
Пусть В; (i= 1,...,1) исходное множество контентов для 1-го компонента системы S. Каждое множество Bj должно быть ограничено до допустимого множества Bj. Как отмечалось ранее Bj = {by}, j=l,...,Jj. Каждый контент by характеризуется множеством значений параметров Ру (к=1,...,К).
Алгоритмические процедуры многовариантного выбора состава учебных контентов
Алгоритмические процедуры формирования состава учебных контентов ориентируются на базовые адаптивные алгоритмы, рассмотренные во второй главе. Осуществим адаптацию предложенных алгоритмических процедур к задачам управления содержанием обучения.
Организация автоматизированной системы управления содержанием обучения, как отмечалось ранее, реализуется в два этапа. На первом этапе осуществляется формирование набора контрольно-тестовых контентов по дисциплине, разделу, теме для конкретной специальности, максимального по суммарной важности, и укладывающегося в расчетное время тестирования. Данная задача реализуется в рамках модели (3.1). Перейдем к вероятностному аналогу задачи (3.1) при соответствующих ограничениях м{р(х)}- тах, (3.9) XeQ, гдеХ=(хі,Х2 xz), х2єМ;
М — пространство случайных булевых величин, Q - область ограниче і ний, Z - количество булевых переменных; z = m = l
Варьируемые булевые переменные Ху заменяются случайными булевыми переменными xz, и осуществляется генерирование на ЭВМ комбинаций уровней булевых переменных в соответствии с законами распределения этих величин: P(xz =l) = Pz, P(xz =0) = QZ, (3.10) Pz+Qz=l z=l,...,Z.
Перейдем от задачи (3.1) к задаче без ограничений, введя штрафные функции Лагранжа [78]: где у - множитель Лагранжа, 5 - коэффициент сходимости. Таким образом, во всех алгоритмах вместо целевой функции F(x) присутствует штрафная функция Лагранжа (х у)» т.е. имеем м{цХ,У)}-»тах, (3.12) ХєМ.
Общий алгоритм решения задачи (3.12) рассмотрен в [29,78] и во второй главе. Движение в пространстве случайных булевых величин, обеспечивающих автоматизированный выбор тестовых вопросов в рамках задачи (3.12), определяется итеративной процедурой следующего вида [48,51 ]: xS + 1=f + 1( z.v + 1). (3.13) z = 1, Z, где Z - общее количество булевых переменных (соответствует количеству тестовых вопросов, из которых происходит выборка), х - случайная бу п+1 лева величина, полученная на предыдущей n-й итерации; Vz - случайная величина, играющая роль шага движения; х у єМ м - пространство случайных булевых величин; f - случайные булевы функции.
Управление движением в пространстве случайных булевых величин осуществляется за счет изменения законов распределения (ЗЛО) случайных булевых величин х , за счет настройки величины шага движения v и номера координаты случайного вектора X 9 по которой осуществляется движение. Эти параметры, влияющие на скорость и точность поиска, настраиваются в соответствии с определенными условиями локального улучшения (УЛУ). УЛУ, полученные в [29,150], позволяют определить объективные оценки на правления движения к экстремуму, различающиеся выбранной величиной приращения целевой функции в направлении движения к экстремуму.
Случайные величины, определяющие направление движения, можно находить в соответствии со следующим УЛУ [29]: М (Хп+1,у}-мьГхп,УІ 0, (3.14) где Xn+1 =(xi,X2»- Xz-bXz+1»xz+i,...,xzJ » Xn =f xi,X2.-.Xz-bXz,x2+i,...,xzl.
С учетом УЛУ, полученного в [29,150], движение (3.13) в вероятностных характеристиках выполняется по правилу: Р2П+1 =Pz" +PVnz+1[Q5r(A,jlzL).PznK-A,;zL)], (3.15) где ,z - первая реализация случайной величины А ьна n-м шаге. д=ь(хпх 2=і1-і/хп xg=0, (3.16) (z = l,Z). X" - вектор случайных булевых переменных на n-й итерации: Xn = jxj, (j = UZ,j z), fl,A 0, Pvnz+1=p(vS+1=l). vn
Пусть выполнены построения первого уровня и пусть z - случайная п X величина, играющая роль шага при получении случайной величины z . То гда вариации случайных величин z V / определяются аналогично (3.13) итеративными процедурами следующего вида: n + l=fn + l njn + lj5 (318) где z - случайная булева величина, играющая роль шага движения на втором уровне адаптивного алгоритма. Алгоритм изменения шага движением получается за счет более полного обучения свойствам функции L(») путем использования повторной реализации случайной величины (3.16). Для получения алгоритма изменения шага движения величина lz из (3.15) должна быть заменена величиной 2z - повторной реализацией случайной величины
Программно-инструментальный комплекс формирования тестовых контентов
Программно-инструментальный комплекс формирования контрольно-тестовых контентов выполняет следующие функции [111]: формирование списка тем тестирования; список формируется в диалоговом режиме, в ходе которого уточняется специальность обучаемого, дисциплина и список тем тестирования; при этом для тестирования может быть выбрана одна тема, несколько тем из одного или нескольких разделов, все темы дисциплины; определение времени тестирования, которое уточняется в ходе диалога с пользователем - преподавателем; настройка набора контрольно-тестовых контентов в соответствии с выбранными темами тестирования и с учетом заданного времени тестирования; настройка осуществляется в рамках оптимизационной задачи (3.1) и с использованием адаптивных вероятностных алгоритмов, определенных выражениями (3.20), (3.22), (3.23); сохранение сформированного набора контрольно-тестовых контентов в соответствующей таблице базы данных; тестирование обучаемого в соответствии со сформированным набором тестовых заданий и фиксирование результатов тестирования в соответствующей таблице базы данных.
Проведем настройку контрольно-тестовых контентов для реализации тестирования по дисциплинам «Информатика», «Базы данных». В п. 3.1 приведена базовая оптимизационная модель выбора контрольно-тестовых контентов ИОС. Согласно рекомендаций, изложенных в п.3.1, булевы переменные, описывающие альтернативы выбора тестовых вопросов, имеют вид: Г1, если j - й вопрос і - й темы задается ; хи = 1 л (4.1) I 0, в противном случае . где I - количество тем в дисциплине для конкретной специальности; mi - количество вопросов в і-ой теме; 1=1, Д;
Количество тестовых вопросов в теме колеблется от 15 до 60. Количество тем в дисциплине «Информатика» колеблется от 25 (например, для специальности «Экономика и управление на предприятии») до 42 (например, для специальности «Электромеханика»). Количество тем в дисциплине «Базы данных» зависит от времени обучения и может быть от 17 до 25. Таким образом, размер вектора X (вектора булевых переменных, описывающих альтернативы выбора) может быть от 15 до 2520 элементов.
Согласно п. 3.1 набор тестовых заданий по дисциплине в целом для конкретной специальности, максимальный по суммарной важности или суммарной сложности, и укладывающийся в расчетное время тестирования, может быть сформирован в рамках следующей оптимизационной модели: I т t I т , S Т, sjxU - max; Z Z b jxij - max (4.2) = 1/=1 /=1./=1 I m , при условии J] w j x н W . /=17=1 _ J1, если j - й вопрос і - й темы задается ; [ 0, в противном случае . где I - количество тем в дисциплине для конкретной специальности; mi - количество вопросов в і-ой теме; і = 1,...,I; W - максимальное допустимое время, отведенное на выполнение тестовых заданий; wj - среднее время ответа на j-й вопрос; Sj - сложность вопроса (степень сложности вопроса варьируется от 1 до 10); bj - степень важности j-ro вопроса (степень важности вопроса варьируется от 1 до 10). 125
Время тестирования W может колебаться в среднем от 20 минут до 90 минут; среднее время ответа на вопрос составляет от 10 до 60 секунд.
Информационная модель задачи представлена на рис. 4.3. Вероятностный алгоритм поиска решения задачи (4.2) изложен в п. 3.2 и определяется выражениями (3.20), (3.22), (3.23). Первоначальные значения основных параметров алгоритма решения задачи (4.2) представлены в табл. 4.1.
Результаты автоматизированного выбора тестовых вопросов (наборы контрольно-тестовых контентов) по каждому из четырех вариантов в соответствии с оптимизационной моделью (4.2) представлены в прил. 2.
Время поиска оптимального решения и результаты выбора контрольно-тестовых контентов показали, что разработанные оптимизационная модель и вероятностные алгоритмические процедуры являются эффективным средством автоматизированного выбора тестовых компонентов ИОС, имеющих максимальную суммарную важность для выбранных специальности и дисциплины и позволяющих провести тестирование за заданное время.
Программно-инструментальный комплекс формирования учебно-методических контентов реализуется либо после тестирования, либо сразу, если тестирования первоначального уровня знаний невозможно.
Программно-инструментальный комплекс формирования учебно-методических контентов выполняет следующие функции [112]: анализ результатов тестирования; в ходе анализа определяются темы, которые могут иметь многовариантное представление в программе обучения; генерация набора учебно-методических контентов; генерация осуществляется в рамках оптимизационных задач (3.7) или (3.8) и с использованием адаптивных вероятностных алгоритмов, определенных выражениями (3.36), (3.38), (3.39); сохранение сформированного набора учебно-методических контентов в соответствующей таблице базы данных.
