Содержание к диссертации
Введение
1. Анализ подходов к созданию обучающих систем 9
1.1. Классификация обучающих систем 9
1.2. Особенности интеллектуальных обучающих систем 17
1.3. Обзор существующих интеллектуальных обучающих систем 29
1.4. Выводы 36
2. Разработка моделей рассуждений организации адаптивного управления процессом обучения 38
2.1. Особенности систем оценки уровня знаний 38
2.2. Особенности построения модели обучаемого на основе методов распознавания образов 46
2.3. Классификация обучаемых по уровням знаний на основе правдоподобных рассуждений 52 2.4 Разработка алгоритмов адаптации на основе модели обучаемого 65
2.5. Выводы 72
3. Методы представления и обработки знаний в интеллектуальных обучающих системах 73
3.1. Моделирование принятия решений на основе процедурного подхода 73
3.2. Методы обучения и оценки знаний в игровой обучающей системе 92
3.3. Ситуационная модель обучения в среде виртуальной реальности 103
3.4. Выводы 112
4. Программная реализация интеллектуальных обучающих систем 113
4.1. Особенности построения и верификация интеллектуальной системы адаптивного управления процессом обучения и оценки знаний 113
4.2. Реализация интеллектуальной системы передачи процедурных знаний 122
4.3. Разработка игровой обучающей системы 127
4.4. Разработка системы ситуационного обучения в среде виртуальной реальности 146
4.5. Выводы 149
Заключение 150
Список источников 151
Приложения 162
- Обзор существующих интеллектуальных обучающих систем
- Особенности построения модели обучаемого на основе методов распознавания образов
- Методы обучения и оценки знаний в игровой обучающей системе
- Реализация интеллектуальной системы передачи процедурных знаний
Введение к работе
Актуальность проблемы. Существующие на сегодня средства обучения можно отнести к двум противоположным полюсам: обучающие программы и комплексные тренажерные системы [1]. Первые достаточно просты и решают частные задачи подготовки. Вторые представляют собой сложные, закрытые и дорогие программно-аппаратные комплексы, ориентированные на профессиональную подготовку операторов в различных областях человеческой деятельности.
В последние годы, в связи с развитием ресурсов вычислительных средств и телекоммуникационных технологий наметилась тенденция к проектированию обучающих систем, занимающих промежуточное место между обучающими программами и комплексными тренажерными системами. Эти системы должны предоставить возможность свободного управления объектом, с информационным обеспечением процесса управления примерно такой же полноты, как и в комплексных тренажерах.
Основной проблемой при реализации таких систем является разработка механизмов рассуждений, обеспечивающих адаптивное обучение, контроль и оценку знаний. В этой связи задача создания моделей рассуждений, позволяющих организовать открытые системы обучения, является актуальной. Такого рода системы должны анализировать стратегии поведения обучаемого и выявлять области незнания.
Вопросы построения и использования экспертных обучающих систем рассматривались в работах Адамович И.М., Черевик Д.В., Бабанина Л.Н., Брусиловского П.Л., Баловнева О.Т, Казеннова А.Ю., Берестовой В.И., Заволович О.В., Рыбиной Г.В. Принципы построения систем диалога для обучающих систем рассмотрены в работах Машбиц Е.И., Андриевской В.В., Комиссаровой Е.Ю., Голицыной И.Н., Гофен A.M., Левина Н.А., Корниловой Т.В., Тихомирова O.K., Петровой Н.А., Сухининой М.А., Федорова Б.И., Джалиашвили 3.0. Подходы к построению архитектуры экспертных обучающих систем рассматривались Поповым Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д., Петрушиным В.А.
В представляемой диссертации разрабатываются вопросы, связанные с проектированием интеллектуальных обучающих и информационно-советующих систем. Данная работа является частью исследований в области наукоемких технологий обучения, проводимых в Таганрогском государственном радиотехническом университете.
Исследования выполнялись в рамках научно-исследовательских и хоздоговорных работ с образовательными учреждениями, а также согласно программам Министерства образования Российской Федерации: «Научное, 1i научно-техническое, материально-техническое и информационное обеспечение системы образования», «Создание системы открытого образования».
Диссертация посвящена решению научной проблемы, связанной с разработкой методов и моделей представления и обработки знаний в интеллектуальной обучающей многофункциональной среде, основанной на интеграции процесса обучения и современных информационных технологий.
Целью исследований является повышение эффективности средств обработки знаний в процессе обучения и тренинга, за счет использования интеллектуальных обучающих систем, обеспечивающих адаптивное обучение в среде Интернет.
Основными задачами диссертации являются:
1. Исследование и разработка моделей и алгоритмов правдоподобных рассуждений при контроле и оценке знаний;
2. Разработка моделей представления и обработки знаний в интеллектуальных адаптивных обучающих и информационно-советующих системах;
3. Построение прикладных интеллектуальных обучающих систем на основе предложенных моделей и алгоритмов.
В диссертации разрабатываются, исследуются и защищаются следующие основные положения:
• модели правдоподобных рассуждений и методика адаптивного тестирования;
• .модели представления и обработки знаний в интеллектуальных обучающих системах;
• методы построения интеллектуальных обучающих систем в среде виртуальной реальности.
Метод исследований заключается в системном подходе к разработке принципов, методов и моделей представления и обработки знаний, базирующихся на использовании теорий адаптивного тестирования, нечеткой логики, искусственного интеллекта, объектно-ориентированного программирования.
Научная новизна. Основным научным результатом диссертации является разработка моделей представления и обработки знаний в интеллектуальных обучающих системах, функционирующих в среде Интернет. Вклад в развитие исследований в области наукоемких технологий обучения составляют:
•модели правдоподобных рассуждений при оценке уровня знаний; •методика адаптивного тестирования;
•методы представления и обработки знаний в интеллектуальных обучающих системах;
•технология построения игровых обучающих систем и информационно-советующих систем в среде виртуальной реальности. Достоверность полученных в диссертации результатов подтверждается теоретическими исследованиями математических методов и моделей адаптивного обучения и контроля знаний, экспериментальными данными при практическом использовании интеллектуальных обучающих систем в среде Интернет, выступлениями с докладами на российских и международных конференциях.
Практическая ценность и рекомендации по применению. Полученные в диссертации результаты позволяют повысить эффективность обучения за счет открытости, многофункциональности и адаптивности интеллектуальных обучающих систем. Предложенные математические методы и модели доведены до уровня алгоритмического и программного обеспечения. Научные и практические результаты, полученные в диссертации, представляют интерес при построении интеллектуальных обучающих систем и тренажерно моделирующих комплексов.
Разработанные программные средства используются в процессе дистанционного обучения Таганрогского государственного университета и применяются в циклах лабораторных работ по курсам «Методы распознавания образов», «Системы искусственного интеллекта», «Теория принятия решений», «Математическое моделирование на ЭВМ».
Результаты диссертации были внедрены в государственном университете печати (г.Москва), Российском государственном институте открытого образования (г.Москва), Донском государственном техническом университете (г.Ростов-на-Дону), НКБ «МИУС» (г.Таганрог), Центре дистанционного образования ТРТУ (г.Таганрог).
Апробация работы. Основные положения диссертационной работы докладывались и обсуждались на всероссийской научно-методической конференции «Развитие методов и средств компьютерного адаптивного тестирования» (г.Москва); на всероссийской научно-методической конференции «Телематика-2003», (г.Санкт-Петербург, 2003); на научной молодежной школе "Экстремальная робототехника ЭР 2003", (пос.Дивноморское, 2003); на VII всероссийской научно-технической конференции студентов и аспирантов (г.Таганрог, 2003), на всероссийской научно-практической конференции «Человеческое измерение в информационном обществе» (г.Москва, 2003).
Публикации. Результаты теоретических и экспериментальных исследований нашли свое отражение в 9 печатных работах, включая монографию, а также в 4 отчетах по НИР.
Объем работы. Диссертация содержит 161 страниц машинописного текста, включая введение, четыре раздела, заключение, приложение содержит 59 страницы, список источников из 107 наименований, 69 рисунков, 8 таблиц.
В первой главе рассматриваются классификация и особенности интеллектуальных обучающих систем, приводится анализ существующих подходов к их построению, формулируются требования к проектированию интеллектуальных обучающих систем, ориентированных на универсальность применения.
Во второй главе предлагаются модели правдоподобных рассуждений интеллектуальных систем, обеспечивающих мониторинг процесса обучения и тренинга. Данные модели основаны на алгоритмах нечеткой логики, распознавания образов, адаптивного тестирования рассуждений и планирования эксперимента.
В третьей главе рассматриваются методы представления и обработки знаний в интеллектуальных обучающих системах, ориентированных на адаптивную поддержку процесса управления обучением в среде виртуальной реальности.
В четвертой главе рассматривается программная реализация и результаты проектирования интеллектуальных обучающих и информационно-советующих систем. Особенностью систем является возможность организации обучения в среде Интернет.
Все результаты, представленные в диссертационной работе, получены автором лично. В совместных научных публикациях имеет место неделимое соавторство.
Данная многоплановая работа не претендует на исчерпывающую разработку всех рассмотренных вопросов.
Обзор существующих интеллектуальных обучающих систем
Основные задачи интеллектуальных обучающих систем состоят в оптимизации управления учебной деятельностью и адаптацией к обучаемому на всех этапах обучения [28]. Эти задачи решаются посредством различных средств: анализом действий обучаемого, реализацией обратной связи, обеспечением диалогового взаимодействия на языке, близком к естественному и т.д. По мере накопления данных интеллектуальная система может совершенствовать свою стратегию обучения. Однако существующие обучающие системы лишь частично обладают перечисленными выше свойствами.
Отсутствие критериев интеллектуальности обучающей системы создает трудности, как при общей классификации обучающих систем, так и при отнесении обучающей системы к классу ИОС. В этой связи выделим те зарубежные и отечественные обучающие системы, которые хотя в минимальной мере построены на методологии искусственного интеллекта.
Подход, лежащий в основе интеллектуального компьютерного обучения, традиционно основан на имитации преподавателя, уделяющего индивидуальное внимание каждому обучаемому и обучающему очень узкой теме [29]. И по настоящее время большинство ИОС, особенно отечественные, ориентированны на конкретную учебную дисциплину.
В [30] рассмотрен программный комплекс "AT - Технология", предназначенный для автоматизации процесса проектирования обучающих экспертных систем. Он может использоваться в ВУЗах и системе повышения квалификации для обеспечения эффективности подготовки студентов по общеинженерным и специальным дисциплинам путем создания и внедрения в учебный процесс обучающих экспертных систем для различных курсов и дисциплин. Программный комплекс является реализацией концепции автоматизированной технологии (AT - Технология) создания данного класса систем и представляет собой двухуровневое инструментальное средство, расширяющее традиционные инструментальные средства разработки экспертных систем (внутренний уровень) за счет специальных программных компонентов, реализующих требования и функции, характерные для обучающих систем, в том числе интеллектуальных обучающих систем (внешний уровень). Основные функциональные возможности AT - Технологии: - поддержка компьютерного интервьюирования экспертов; - поддержка создания гипертекстового электронного учебника; - поддержка формирования модели обучаемого по результатам предварительного тестирования знаний; - поддержка формирования модели обучения по конкретной дисциплине; - поддержка формирования расширенной модели объяснения; - интерфейс с инструментальными системами GURU (ИНТЕР-ЭКСПЕРТ) и ЭКО для создания экспертных систем; - интерфейс с пакетами прикладных программ расчетного и графического характера; - поддержка тестирования созданного прототипа обучающей ЭС. Программный комплекс функционирует под управлением операционной системы MS DOS версии 5.0 и выше. Поэтому у него существенные ограничения по графическому интерфейсу, удобству работы, совместимости с популярным программным обеспечением. Достоинством системы является ее совместимость с традиционными инструментальными средствами для создания экспертных систем. Но это вряд ли нужно эксперту-преподавателю, который, в общем случае, не знаком с ними. Таким образом, AT - технология морально устарела, она не удовлетворяет многим требованиям современного программного обеспечения, а также требованиям автоматизированных обучающих систем. Ее применение оправдано, только в случае вынужденного использования устаревших компьютеров и операционной системы DOS. На кафедре дифференциальных уравнений Алтайского государственного университета в течение ряда лет в рамках программы "Университеты России" ведется разработка и внедрение в учебный процесс универсальной экспертно-обучающей системы UNIMATH по курсам математических дисциплин [31], в которой сделана попытка соединить технологии экспертных систем и традиционных обучающих программ. Каждый обучаемый, отвечая на запросы системы, самостоятельно извлекает необходимые в данный момент знания. Попутно у него вырабатываются навыки классификации задач, встречающихся в данной математической дисциплине.
Рассматриваемая экспертно-обучающая система предназначена для обучения студентов физико-математических и инженерных специальностей по дисциплинам: математический анализ, обыкновенные дифференциальные уравнения, уравнения математической физики и др.
Основным назначением системы является помощь студентам в обучении решению задач по указанным выше дисциплинам, как на практических занятиях, так и при самостоятельной работе над индивидуальным семестровым заданием. Эта помощь заключается в классификации задач по типам, осуществляемой на основе ответов студента на вопросы системы; напоминании при необходимости основных понятий и определений, используемых при классификации; в подборе и разъяснении на примерах соответствующих методов решения задач.
Экспертно-обучающая система может работать в двух режимах: в режиме свободной консультации и в режиме тренажера. При работе в первом режиме система не обладает никакой информацией о задаче, имеющейся у пользователя. Естественно, что вся ответственность за правильность ответов на вопросы системы ложится на студента. Система не имеет возможности в этом режиме контролировать корректность ответов. Неправильные ответы приведут к неправильному результату консультации.
В режиме тренажера экспертно-обучающая система сама предлагает студенту задачи из имеющегося в базе знаний списка, тип каждой из которых известен.
По окончании консультации система сравнивает его результат с эталонным, и при несовпадении предлагает студенту повторить консультацию для той же задачи. При этом система протоколирует количество неправильных консультаций по каждой задаче, что дает преподавателю возможность оценить, насколько осмысленно работал студент с обучающей системой.
После правильно проведенной консультации система предоставляет пользователю возможность выбора просмотра описания метода и примера решения именно той задачи, которая предлагалась для консультации, а также начала консультации для следующей задачи. Этот режим предназначен для выработки у студента навыков осмысленной работы с экспертно-обучающей системой и последующего перехода к режиму свободной консультации по задачам из индивидуального задания.
Особенности построения модели обучаемого на основе методов распознавания образов
Разбиение тестовых заданий на уровни сложности будет более эффективно по отношению к качеству выявления уровня знаний, В основу разбиения можно положить уровень усвоения знаний [12], Тесты первого уровня усвоения подразделяют на тесты опознания, различения, соотнесения и тесты-задачи с выборочными ответами. Проверку усвоения на втором уровне можно проводить с помощью следующих тестов: воспроизведение информации, решения типовых задач. Выполняя тест по воспроизведению информации, учащийся должен вспомнить необходимые для ответа сведения и выполнить значительно более сложную, чем на первом уровне, деятельность по их воспроизведению. Ответа на вопрос в задании не содержится. Проверяющие усвоение тесты третьего уровня требуют применения усвоенных умений и навыков в новых условиях, в неизученной ситуации, в практической деятельности. К тестовым заданиям первого типа будем относить простые высказывания, причем задание формулируется в виде: "определить истинно или ложно утверждение А" или "определить какое из утверждений А,,А2,..., Ап (п 1) является истинным". Здесь задание направлено на мыслительную деятельность, связанную с дихотомическим выбором истинности одного или нескольких утверждений. К тестовым заданиям второго типа относятся сложные высказывания конъюнктивного или дизъюнктивного вида. Тестовое задание определяется следующим образом: "какие из утверждений А,, А2,..., Ап являются истинными?". Требуется составить конъюнкцию подмножества утверждений А,, А2,..., Ап или дизъюнкцию множества утверждений А,, А2,..., Ап, и показать их истинность. К таким заданиям относятся задания по выбору нескольких правильных ответов из некоторого заранее заданного множества. И, наконец, к третьему типу заданий отнесем задания, сформулированные в виде утверждений импликативного типа. Такие задания требуют применения рассуждений обучаемого в форме дедуктивного, индуктивного вывода и аналогии, причем для получения окончательного ответа, как правило, необходима некоторая последовательность умозаключений.
Для повышения эффективности адаптивного тестирования можно использовать предварительную классификацию возможностей испытуемого, основанную на правдоподобных рассуждениях. В том случае, если проведена предварительная классификация, тестирование начинается не с произвольного тестового задания, а с задания, расположенного в интервале, к которому отнесен выявленный на этапе рейтинговой оценки уровень знаний испытуемого. Во многих системах адаптивного тестирования задания разделены на темы. Если в ходе сдачи теста допущена ошибка, то вероятность вопроса по этой теме резко возрастает. Таким образом, опрос идет по тем темам, знания в которых у испытуемого не достаточно твердые. На наш взгляд, такой подход является некорректным, т.к. возможна ситуация, когда знания студента недостаточны по какой-то теме (вполне возможно, по уважительной причине) и, один раз попав в эту область, он не может из нее выйти, хотя в остальных вопросах его знания достаточно высоки. В этом случае его оценка будет неадекватна реальному уровню его знаний. Важнейшей частью любой ИОС является модель обучаемого, которая, по сути, представляет собой образ пользователя в системе, и данные из которой используются для построения стратегии обучения, в модуле общения и других частях обучающей системы.
Под моделью обучаемого будем понимать уровень знаний, выявленный в процессе тестирования. Выбор метода классификации обучаемых по уровням знаний зачастую определяется исходя из общих свойств объектов классификации. Как известно, классификация - это система распределения объектов (предметов, явлений, процессов, понятий) по классам в соответствии с определенным признаком. Классификация позволяет сгруппировать объекты и выделить определенные классы, которые будут характеризоваться рядом общих свойств. В нашем случае классификация объектов - это процедура группировки на качественном уровне обучаемых, направленная на выделение однородных уровней их знаний. При классификации широко используются понятия классификационный признак и значение классификационного признака, которые позволяют установить сходство или различие объектов. . При оценке знаний в качестве классификационных признаков выделяют тип тестового задания, степень соответствия ответа эталону и число правильно выполненных тестовых заданий по каждому типу [62]. Очевидно, при классификации необходима интегральная оценка, учитывающая все классификационные признаки. В этой связи классификация предполагает решение следующих задач: выделение типов тестовых заданий, выбор метода классификации, построение интегральной оценки уровня знаний. Признаки объектов классификации подразделяются на [63]: детерминированные, недетерминированные, логические и структурные. К детерминированным признакам относятся такие характеристики объектов или явлений, которые имеют конкретные и постоянные числовые значения. Необходимо иметь в виду, что в задачах распознавания с детерминированными признаками ошибки измерения этих признаков не играют никакой роли. Априорное описание классов - наиболее трудоемкая из задач в процессе создания системы распознавания, требующая глубокого изучения свойств объектов распознавания, а также и наиболее творческая задача. В рамках этой задачи необходимо каждому классу поставить в соответствие числовые параметры детерминированных и недетерминированных, значения логических признаков и предложения, составленные из структурных признаков-примитивов. Если признаки распознаваемых объектов - детерминированные, то описанием класса может быть точка в n-мерном пространстве детерминированных признаков из априорного словаря, причем сумма расстояний данной точки от точек, представляющих объекты данного класса, минимальна. Если признаки распознавания - логические, то для описания каждого класса необходимо, прежде всего, иметь полный набор элементарных логических высказываний, входящих в состав априорного словаря. Для описания классов этого недостаточно. Еще необходимо установить соответствие между набором значений признаков и выделенными классами Wj, W2,...Wm. Если распределение объектов распознавания, представляемых числовыми значениями их признаков по областям соответствующего пространства вероятностное, то для описания классов необходимо определить характеристики этих распределений. Если признаки распознавания - структурные, то описанием каждого класса должен быть набор предложений (цепочек из непроизводных элементов с правилами соединения). Каждое из предложений класса - характеристика структурных особенностей объектов этого класса.
Методы обучения и оценки знаний в игровой обучающей системе
Обучающая система должна быть не эффектной, а эффективной [85]. Вопрос о том, насколько эффективна обучающая программа, может быть решен только после ее апробации. Качественная характеристика обучающей программы складывается из трех компонентов: а) техническое и операционное качество; б) педагогическая приемлемость; в) степень поддержки процесса обучения. Исходя из этого, в оценочную модель введены три категории критериев: а) технический уровень; б) дидактический уровень; в) степень интерактивности. В [86] выделены следующие факторы, способствующие возникновению игрового интереса: удовольствие от контактов с партнерами по игре; удовольствие от демонстрации партнерам своих возможностей как игрока; азарт ожидания непредвиденных игровых ситуаций; удовлетворение от успеха; корыстный интерес к денежному выигрышу и др.
Поэтому использование игрового подхода в обучении является вполне закономерным. Именно на игровые мотивы во многом опираются методы активного обучения [87].
Компьютерные игры с жесткой схемой, не представляют никакого интереса для работ по искусственному интеллекту, однако другой раздел компьютерных игр, а именно сценарные игры, для рассматриваемой области науки интерес представляют. В них используются сценарии развития игры, движение по которым определяется партнерами.
Эти же принципы используются и в таких типичных для искусственного интеллекта задачах, как организация диалога интеллектуальной системы с пользователем на ограниченном естественном языке. Интересны сценарии и для планирования целесообразной деятельности в интеллектуальных роботах и других системах искусственного интеллекта.
В настоящие время все большее число специалистов в области компьютерного обучения вынуждено признать, что основные проблемы при разработке обучающих программ - психолого-педагогические. По мнению многих специалистов, программирование обучающей программы - это лишь один этап ее разработки, который требует не более 10 - 20 % времени и усилий. Данный этап относится к наиболее изученным, его реализация при наличии опытных специалистов дело техники.
Разработка обучающих программ - это качественно иная, в сравнении с практической, деятельность педагога. Можно уметь решить задачу, но не уметь составить алгоритм. А ведь при разработке обучающей программы необходимо составить алгоритм работы компьютера, который отнюдь не копирует, а моделирует деятельность эксперта и даже те же самые функции реализует иными способами.
Одним из приложений игровых обучающих систем является их использование при тестировании знаний [88]. Во время игры могут задаваться вопросы, ответы на которые показывают уровень знаний обучаемого по изучаемому предмету (причем тема игры не обязательно должна совпадать с изучаемой темой).
На сегодняшний день наиболее распространена "классическая" схема тестирования с вопросом и несколькими вариантами ответов, которая имеет ряд существенных недостатков. В большинстве систем такого рода задаваемые вопросы выбираются из большого их набора в случайном порядке. В процессе тестирования подсчитывается сумма баллов за ответы.
В зависимости от полученных значений делается вывод о тестируемом субъекте. Однако такой подход не позволяет получить полной картины. Существенно повысить эффективность компьютерных тестов такого типа позволяет использование в них экспертных систем. Применение при тестировании экспертной системы позволяет выбирать задаваемые вопросы в зависимости от целей обучения, а также анализировать ответы не по одному, а по нескольким критериям, что позволяет получить более полную картину о тестируемом субъекте.
Для получения информации о субъекте может применяться система оценки по нескольким критериям [89]. Значения интересующих параметров оцениваются в баллах. При этом оценки параметров определяются как результат логического вывода, выполняемого экспертной системой.
Реализация интеллектуальной системы передачи процедурных знаний
Основным ограничением при выборе технологии реализации системы является требование возможности распределенного обучения и функционирования системы в сети Internet [102, 103]. Поэтому она должна быть совместима с основными Web-серверами и Web-браузерами.
База знаний и решатель должны находится на Web-сервере, а диалоговый компонент на удаленном компьютере обучаемого. Возможные подходы к выбору технологии под операционной системой Windows следующие: независимые приложения клиента и сервера, которые взаимодействуют друг с другом через протоколы Internet; CGI программирование; активные серверные страницы (ASP) и серверные объекты (ASO).
При первом подходе необходимо реализовать независимые приложения клиента и сервера, которые удаленны друг от друга. Для обмена информацией между собой могут использоваться протоколы транспортного и сетевого уровня Internet. На сервере лежит задача поиска знаний в БЗ и основные функции решателя, а на клиенте формирование пользовательского интерфейса и первичная обработка введенной учеником информации.
Информация, передаваемая по каналу, является минимальной. Преимущества первого подхода по сравнению с двумя другими: наивысшая скорость; работа системы распределена, что позволяет снизить нагрузку с сервера; наименьшая загруженность канала связи. Недостатки: клиент -независимое приложение, которое зависит от платформы и операционной системы; с точки зрения безопасности крайне опасный способ.
Второй подход является одним из самых старых, но по-прежнему широко используемым методом создания динамических Web-страниц. Но CGI-скрипт часто трудно установить и отладить, и он легко теряет синхронизацию с формой. Реализация больших проектов является довольно трудоемким и сложным занятием. Более новая технология ASP позволяет решить те же задачи, но гораздо проще, быстрее и надежнее.
Технологии ASP (Active Server Pages) является очень мощным и надежным средством, которое в частности позволяет писать серверные скрипты, генерирующие динамические HTML страницы.
На настоящий момент это основная технология для программирования Web-приложений. Ее преимущества: в качестве клиента используется Web-браузер, что влечет за собой независимость от операционной системы; можно не беспокоится о наличии клиента на компьютере обучаемого; можно обеспечить надежную защиту сервера и обмена. Недостатки: Web-сервер должен поддерживать ASP-технологию; практически всю работу выполняет сервер, а клиент только отображает готовые HTML страницы.
Минимальные недостатки технологии ASP послужили основой ее выбора для реализации ИОС. Рассмотрим содержание основных файлов системы.
Файлы с расширением nes хранят всю необходимую информацию для корректной работы системы. Для работы объекта TaskCom нужны именно они. Для работы компоненты приобретения знаний нужны файлы .nes и .ges. В этих файлах хранится дополнительная информация, необходимая для удобства работы эксперта.
