Содержание к диссертации
Введение
ГЛАВА 1. Обзор методов, моделей и алгоритмов построения распределенных информационных систем 14
1.1. Программная поддержка информационных обучающих систем 14
1.1.1. Системные и инструментальные программные средства поддержки ИОС 14
1.1.2. Специальные программные средства ИОС для дистанционного обучения и основные типы организационных структур 17
1.1.3. Защита информации в телекоммуникационной обучающей среде 23
1.2. Средства искусственного интеллекта в ИОС 26
1.2.1. Развитие информационных обучающих систем 26
1.2.2. Интеллектуальные программы средства поддержки ИОС 33
1.2.3. Модели построения интеллектуальных систем 37
1.2.4. Применение интеллектуальных систем в обучении... 54
1.3. Методы обучения при использовании ИОС 58
1.4. Цель и постановка задачи исследований 62
Выводы по главе 1 64
ГЛАВА 2. Разработка структуры и математических моделей распределенной телекоммуикационнои обучающей системы 66
2.1. Процессы доставки и обработки пакетов информационных сообщений в телекоммуникационной среде распределенной системе 67
2.1.1. Системы обработки "запрос-ответ" 67
2.1.2. Основные показатели эффективности информационных процессов в телекоммуникационной обучающей среде 70
2.2. Принципы построения обучающего программного обеспечения распределенной системы 75
2.3. Модель и технология обучения в ИОС 75
2.3.1. Информационные технологии в ДО 76
2.3.2. Модель обработки данных в ИОС 80
2.4. Разработка методики динамического тестирования 86
2.5. Разработка математической модели динамического тестирования 88
2.5.1. Определение минимального значения функции 99
2.5.2. Определение общей оценки Т 101
Выводы по главе 2 103
ГЛАВА 3. Разработка моделей интеллектуальной обработки данных тестирующей системы для ИОС 105
3.1. Учет временных параметров принятия решений при динамическом тестировании 105
3.2. Автоматизация принятия решений тестирования с включением степени строгости 111
3.2.1. Определение минимального значения а 116
3.2.2. Определение максимального значения а 117
Выводы по главе 3 129
ГЛАВА 4. Структура и алгоритмы телекоммуникационной среды обучающей системы; исследование системы 131
4.1. Общая структура информационной обучающей системы 132
4.2. Описание и структурная схема системы (DLTestQenius 141
4.3. Примеры функционирования системы DLflestQenius 148
4.4. Расчет математической сетевой модели для оценки системы (DLVestgenius 160
4.4.1. Распределение времени для эксперимента (обработки "запрос-ответ") 160
4.4.2. Определение показателей использования каждого прибора в системе 161
4.4.3. Определение быстродействия системы при увеличении числа одновременно обрабатываемых заявок 164
4.4.4. Основные аналитические параметры зависимости системы 166
4.5. Оценка эффективности и сравнительные характеристики ПО (DLTestgenius 168
Выводы по главе 4 173
Заключение 174
Литература
- Специальные программные средства ИОС для дистанционного обучения и основные типы организационных структур
- Основные показатели эффективности информационных процессов в телекоммуникационной обучающей среде
- Автоматизация принятия решений тестирования с включением степени строгости
- Примеры функционирования системы DLflestQenius
Специальные программные средства ИОС для дистанционного обучения и основные типы организационных структур
Дистанционное обучение обычно определяется как форма обучения, основанная на компьютерных и телекоммуникационных технологиях (интернет, электронная почта, и др.). ДО [64,65,74,81,86,89-97,104-109,122,123] позволяет проводить обучение без контакта с преподавателем требуемого уровня квалификации.
Существует несколько способов построения программного обеспечения и организации учебного процесса, на различном уровне поддерживающего обучение по программам ДО:
1). Вся информация находятся на машинном носителе (CD-ROM) в виде гипертекста с рисунками. Материал включает перекрестные ссылки, которые могут указывать на связанный текст или изображения, и построен так, что его можно использовать только как учебник. Это самый простой способ построения программного обеспечения.
2). Электронный учебный материал, настраивающийся на начальный уровень подготовки пользователя. Он может содержать различные типы информации и включать материал разного уровня сложности по одной и той же теме с дифференциацией по качеству ответов пользователя на текущие контрольные вопросы.
3). Тестирующий электронный учебник с произвольным видом представления материала. После изучения темы система автоматически генерирует набор вопросов по данному материалу, пользователь отвечает на них и результаты в виде оценки сохраняются в базе данных; при положительной оценке дается доступ к следующим материалам, в противном случае процесс обучения повторяется до получения положительного результата.
4). Работа с электронным учебником в контакте с тьютором с использованием телекоммуникационных в режиме диалога off-line.
5). Построение программного обеспечения, использующее сетевое сопровождение обучения [116,117]. На современном этапе развития средств вычислительной техники и телекоммуникации процесс обучения может быть обеспечен системами теле- и видеоконференций, интерактивного тестирования, моделирования с использованием режима on-line, и др.
На рисунке 1.3 представлена возможная схема построения программного обеспечения ДО, которая позволяет настроить учебный процесс на реальные возможности имеющихся телекоммуникационных средств. В ней учитывается также объем передаваемых и принимаемых данных - от уровня обмена небольшими сообщениями до мультимедийных "on-line" режимов [139,140].
Одним из важнейших элементов информационной системы дистанционного обучения - электронный учебник. Развивающаяся в настоящее время компьютерная технология обучения, предназначенная, прежде всего, для поддержки самостоятельной работы обучаемого, должна подчиняться общим закономерность и процесса познания. Обучение есть информационный процесс формирования знаний у субъекта обучения под управлением преподавателя. В качестве субъекта обучения выступают индивидуум, группа индивидуумов или система ИИ.
Процесс обучения, построенный на основе электронного учебника (Табл. 1.1) является модульным: каждый модуль поддерживает соответствующий этап процесса обучения, имеет необходимый набор алгоритмов, реализующих отдельные операции и семантическое наполнение. Предметное наполнение модулей составляют семантические модели, описывающие цели соответствующих этапов обучения, процедуры и средства их достижения, а также тексты, являющиеся терминалами семантических моделей. [21,22,29,62,78,101,102,103].
Основные типы организационных структур университетского дистанционного образования включают в себя: о Подразделения заочного образования в традиционных университетах; о Консорциум университетов; о Открытые университеты; о Виртуальные университеты; Характерной тенденцией дистанционного образования является объединение организационных структур университетов. Так, в последние годы стал развиваться новый тип организационной структуры дистанционного университетского образования - консорциум университетов. Дистанционные образовательные услуги оказывает специальная организация, объединяющая и координирующая деятельность нескольких университетов. Консорциум университетов предлагает набор курсов, разработанных в различных университетах - от курсов для абитуриентов до курсов на получение ученых степеней.
В основе открытого образования - богатая и детально разработанная образовательная среда, в которой обучаемый ориентируется вполне самостоятельно, стремясь к достижению стоящих перед ним образовательных целей.
В основе новой системы образования лежит принцип открытости, который применительно к высшему образованию означает: - открытое поступление в высшее учебное заведение, т.е. отказ от любых условий и требований для зачисления, кроме достижения необходимого возраста (18 лет); открытое планирование обучения, т.е. свобода составления индивидуальной программы обучения путем выбора из системы курсов; - свобода в выборе времени и темпов обучения, т.е. прием субъектов обучения в вуз в течение всего года и отсутствие фиксированных сроков обучения;
Основные показатели эффективности информационных процессов в телекоммуникационной обучающей среде
Рассмотрим распределенной обучающей системы в некоторых требования на обслуживание появляются в случайные моменты времени. Распределение вероятностей времени между двумя следующими один за другим моментами появления требований и распределение вероятностей времени обслуживания требований, и распределение вероятностей времени обслуживания требований заданы. Применительно к сетям передачи данных требования представляют собой пакеты, предназначенные для передачи по линии связи (рис. 2.2). Время обслуживания соответствует времени передачи пакета и равно: %6сл=%- (2Л) где а - длина пакета в байтах а С - пропускная способность линии в бит/с.
Для расчета математической сетевой модели необходимо вычислить следующие основные показатели: - процесс поступления требований (пуассоновский процесс): число
моментов поступления в любом интервале длины X имеют пуассоновское распределение с параметром Хт , т.е. для любых 1(время поступления), Т 0 Р {A (t+T)-A(t) = п} = е Т. Т , (2.2) где п=0,1,...; X - интенсивность (поток); А - процесс; п - количество процессов; - распределение вероятностей длительности обслуживания (Р); - коэффициент использования пользователя:
Время ожидания в очереди измеряется с момента, когда заявка поступила в очередь, до момента, когда она покидает систему обслуживания. При этом время задержки включает в качестве компонента время ожидания, определяемое как время, в течение которого заявка ожидает обслуживания (t05K). Другим компонентом является само время обслуживания (to6(y,)- Поэтому время задержки (t3afl) равно: зад — іож """ ч бсл- {/ 1 / Среднее число требований в системе (N) и средняя задержка (Т) связаны простой формулой, которая дает возможность выражать одно через другое. Этот результат, известный как теорема Литтла, имеет вид: N = i T; (2.11) где X - средняя скорость поступления требования, определяющая средний трафик в сети.
Для повышения эффективности использования информационных обучающих систем в телекоммуникационной сети (рис. 2.3) необходимо с помощью организации алгоритмов операционной среды добиваться оптимальных значений перечисленных параметров математической сетевой модели, а также использовать эффективные способы организации учебного процесса, такие как динамический подход к построению систем удаленного сетевого тестирования и программные средства принятия решений распределенной тестирующей системы.
В главе 4 приведены количественные характеристики, вычисленные по приведенным формулам для телекоммуникационной распределенной обучающей системы, имеющей предлагаемую структуру.
Одна из основных задач программного обеспечения распределенной ИОС - задача синтеза целенаправленной системы оптимального управления учебными действиями, при выполнении которых состояние знаний и умений учащегося приближается к требуемому. Эффективное обучение в ИОС ведется в форме диалога между системой и пользователю без существования третьего лица. Во время обучения система и пользователь попеременно становятся инициаторами обмена сообщениями. Каждый из них стремится достигнуть поставленной цели; для системы - это информационное обслуживание в управлении; а для пользователя - это получение максимума знаний за отведенное время или достижение требуемого уровня знаний за минимальное время.
Множество текущих целей партнеров учебного диалога определяется возникающими перед ними задачами и проблемными ситуациями. Если цель -не множество возможных целей системы, а множество целей пользователя или учащегося, то структура диалога может быть представлена отношением: D = (Uc Un)U(Un Uc), (2.12) где Uc— цель системы и Un— цель пользователя или учащегося.
Формулировка задачи управления начинается с уточнением ее условий и требований (цели). Условия управления учебными действиями уточняются путем тестирования знаний субъекта обучения. Затем распознается с помощью математического аппарата нечетких методов класс полученной ситуаций.
Автоматизация принятия решений тестирования с включением степени строгости
Предположим, что субъект А хочет пройти обучение по конкретному направлению. Необходимо определить его уровень знаний и на основе этого сформировать план обучения. После входного тестирования субъект получает оценку Т, которая определить, к какому классу (например "низкий", "средний", "высший") он принадлежит.
Для решения данной задачи, будем применять такие понятия как нечеткие и лингвистические переменные. Нечеткой переменной будем называть тройку а,Х, С(а) , (3.5) где а- наименование нечеткой переменной, X = {х} - область ее определения (базовое множество), С (а) - нечеткое подмножества X, описывающее ограничения на возможные значения нечеткой переменной а. С (а) = { (х)/х } (хєХ) (3.6)
Формализация такого описания может быть проведена при помощи лингвистической переменной "уровень знаний", Y, [0, 5] , где Y = {"низкий", "средний", " высший"}. Значения лингвистической переменной "уровень знаний" из терм множества Y описываются нечеткими переменными с соответствующими наименованиями и ограничениями на возможные значения. Будем подробно рассматривать эту модель в следующем разделе. Оценка - одна из важнейших частей определения тестируемого, главный показатель, который позволяет распределить субъектов по классам. Получена диаграмма распределения уровня знаний субъекта в различных областях (рис 3.3). Она имеет вид непрерывных функций принадлежности (ФП) нечетких множеств, описывающих значения лингвистической переменной " уровень знаний ".
Целенаправленная система должна достигать цели управления при любых условиях, относящихся к некоторым допустимым классам. Для каждого допустимого класса состояний в системе должна порождаться эффективная последовательность управляющих воздействий.
При использовании обычных методов (например, статистической модели), при недостатке данных для достоверной классификации состояния учащегося сбор данных продолжается до тех пор, пока его состояние не будет отнесено к одному из допустимых классов. Это может привести систему к отказу.
После входного тестирования система автоматически формирует учебный план в зависимости от способа обучения или выбранной цели; далее начинается процесс обучения до достижения цели.
Прежде всего, решение задачи автоматизации принятия решений тестирования с включением степени строгости начинается с определения возможности типа класса и их базовых элементов, (см. таблица 3.1 - базовые элементы в пятибалльной системе) [148,149].
Базовый элемент - это значение класса, по которому функция принадлежности является максимальной, т.е. JLls (х) = 1. Функция принадлежности определяется так: Рисунок 3.4 показывает распределение функции принадлежности для каждого класса при Xj оценки без применения степени строгости.
Пусть Xj є [1, 5]; нечеткое подмножество S множества X характеризуется функцией принадлежности JLls: Х- [0, 1], которая ставит в соответствие каждому х є X действительное число в интервале [0; 1]. Число Ц5(х) называется степенью принадлежности х нечеткому множеству S. Чем ближе Lls(x) к единице, тем выше степень принадлежности оценки х к S, которая является базовым элементом. Предположим, a = b и b меньше минимальной оценки (Т=1), т. е. b Т и меньше предыдущего значения, тогда получим рисунок 3.5.
Здесь неопределенная область означает, что субъект обучения, который получает оценку Xj є [1,с], с 1; никакому классу не принадлежит.
Предположим, то же а = d и d больше максимального значения (Т=5), т.е. d Т, тогда получим рисунок 3.6. Видно, что для Щ(х) є [1, t], у субъекта обучения, который получает оценку Xj, нет возможности попасть в этот интервал. Это приведет к тому, что J-ls(x) є [t, 1] Ф [О, 1]; так как t 0.
Для нашего примера по пятибалльной системе, получим таблицу 3.1, содержащую значение функций принадлежности. Теперь можно, используя формулу (3.7), не только распределить всех субъектов обучения по категориям (классам), но и определить для каждого субъекта, функцию принадлежности JLls(x), показывающую, насколько он принадлежит к данной категории. В таблице 3.2 легко видно, что субъект обучения А, который получил оценку Т=3,60, принадлежит к категории " неудовлетворительно" на 20%, к категории "удовлетворительный" на 70%, к категории "хороший" на 80% и к категории "отличный" на 30%. И субъект обучения В, который получил оценку Т=3,90, принадлежит к категории "неудовлетворительно" на 5%, к категории "удовлетворительный" на 55%, к категории "хороший" на 95% и к категории "отличный" на 45%. Обоих субъектов можно отнести к категории "хороший", хотя они обладают различной степенью знаний. Рисунок 3.7 отражает результаты, которые находятся в таблице 3.2. Эти параметры получены после вычисления функции принадлежности субъекта обучения к категории, без учета степень строгости оценки результатов тестирования.
Примеры функционирования системы (DLflestQenius
Когда пользователь первый раз подключается в систему, он регистрируется и получает свою персональную страничку, где он может исправлять свои данные (обновить свои личные данные, добавить предмет для изучения- это приведет к подписанию нового контракта).
а) Предположим, что в базе данных имеется М вопросов и субъект обучения должен ответить на N=15 из них (N M). Тест будет сдан только после того, как субъект получит удовлетворительную оценку по всем разделам изучаемого курса; то есть полный тест может содержать несколько частных тестов. После проведения тестирования необходимо определить предметы или разделы, по которым субъект имеет минимальные знания.
b) Сначала пользователь выбирает один предмет из тех, которые были выбраны из БД предметы системы (см. приложение 2).
c) После этого начинается процесс формирования или выдачи вопросов и вариантов ответов на экране (см. приложение 2). Кроме того, можно отметить, что каждый раз, когда появляется новый вопрос, так же появляется информация об остатке времени, имеющемся для выбора правильного ответа. После того как времени остается очень мало, система автоматически предупреждает о том, что пора делать выбор, так как до завершения осталось X - секунд.
d) Мы знаем, например, что субъект должен ответить на 15 вопросов, и каждый вопрос имеет свой вес:0.2;0.4;0.6; 0.8; 1; 1.2; 1.4;1.6;1.8;2 (общее количество веса или уровень i=10). Число задаваемых вопросов больше количества веса - это нормально. Необходимо начинать с вопроса, имеющего максимальный вес. Тогда: k =N(q) х max(veC)= 15x2 = 30 баллов, (4.1) где N(q) - количество вопроса и maX(VeC) - максимальный вес;
e) Определяем минимальное количество вопросов Т которое, должно быть в БД прежде, чем запустить систему для формирования теста. Согласно формуле 2.14 можно определить минимальное количество вопросов Nmin(Vmax-z) на каждом уровне и получить таблицу 4.1 содержащее минимальное количество вопросов на каждом уровне.
f) Мы определили минимальное количество вопросов которое должен быть в БД, теперь можно определить общее минимальное количество вопросов в БД с помощью формулы: к_У N_T Тв = X (N-J - (mod2 (——))Q) + N, j=2 2 где k_y - максимальное количество уровней Тв = (7+6+6+5+5+4+4+3+3) +15 = 43+15 = 58 Тв = 58 g) Разные субъекты могут по-разному отвечать на эти 15 вопросов. Итак, формирует таблицу (таб. 4.2) значение веса во время прохождения теста при использовании модели динамического тестирования описано во второй и третьей главе. N_q обозначает номер вопрос и Тп(х) результирующая функция субъекта.
После того, как они ответили на все вопросы, формируется график (рис. 4.11), показывающий как они прошли весь тест. Вид функции (Tlfy, Т2(х), Т3(х), Ф4(к), Т5(х), 76( ), F7(x) ...) отражает знания разных субъектов во время проведения, тестирования с учетом ответов на все вопросы;
Можно заметить, что функции (Fw($) не похожи друг на друга, так как принадлежат к разным субъектам, хотя некоторые функции могли бы быть похожи, если имели бы одинаковые параметры. h) Вычисление основных параметров алгоритма. Теперь, после того как субъект обучения прошел весь тест, можно определить общую сумму баллов Т получена. Если возьмем, например, функцию Tlfy, то Т = 1.6 + 1.2 + 1.4 + 1.6 + 1.8 + 1.6 + 1.8 + 2 = 13 баллов. Определяем все экстремум (минимальный) функции. Согласно алгоритму, который написан в главе 2, можно быстро решить уравнение (F 1( )=0, и найти значение ;функция Flfy. Тогда minf={1.2; 1.6} Функция принадлежности minf соответствующе равна: ц (xi) = 0.6 и ц (хг) = 0.8. Они обе выше 0.5. Если одна из них была меньше 0.5, то можно А было делать заключение о том, что субъект не прошел тест.
Определение области предмета, где тестируемый не имеет знаний; Согласно этому правилу:
Можно делать заключение о том, что тестируемый не знает раздела предмета который находится в интервале ]n, t[.
Тогда получим интервал ] 4, 6 [ показывающий область, по которой тестируемый не имеет достаточных знаний в соответствующим разделе. С помощью правила базы знаний получаем название раздела и ссылку на соответствующий материал в БД.
Процесс принятия решения после теста. Дело в том, что каждый раз, когда тестируемый завершает тест, надо, чтобы объект (ПК) принимал автоматическое решение без помощи человека и помещал субъект в одном из существующих подмножеств (классов) так, чтобы они были классифицированы по их уровню знания.
Определение возможных подмножеств множества классов и их знания: для этого надо сначала определить все значения (Mark) по которым субъект принадлежит подмножеству на 100%. Можно их определить без или с помощью следующей формулы:
