Содержание к диссертации
Введение
1. Анализ средств представления знаний винформавдонных обучающих системах 8
1.1 Анализ тенденций развития информационных обучающих систем 8
1.2 Исследование принципов разработки средств представления знаний в информационных обучающих системах 16
1.2.1 Анализ способов формализации знаний о процессе компьютерного обучения 17
1.2.1 Анализ современных методологий и технологий проектирования информационных обучающих систем 25
1.3 Выводы по главе 1 28
2. Математические модели представления знаний в информационных обучающих системах 29
2.1 Онтология базы знаний информационной обучающей системы на основе методологии IDEF5 29
2.2 Математическая модель предметных знаний на основе теории нечетких множеств и отношений 31
2.3 Математическая модель персональных знаний на основе теории нечетких множеств и отношений 39
2.4 Математическая модель методических знаний на основе нечеткой логики 47
2.4.1 Построение базы нечетких лингвистических правил сценария обучения 48
2.4.2 Построение базы нечетких лингвистических правил сценария контроля знаний 54
2.4.3 Разработка схемы нечеткого вывода на основе лингвистических правил 58
2.4.4 Разработка способа количественной оценки меры возможности оптимального представления методических знаний на основе теории нечеткой меры 63
2.5 Выводы по главе 2 66
3. Проектирование средств представления знаний в информационных обучающих системах 68
3.1 Построение функциональной модели компьютерного обучения с учетом лингвистической неопределенности знаний эксперта 68
3.2 Построение информационной модели компьютерного обучения с учетом лингвистической неопределенности знаний эксперта 77
3.3 Связывание функциональной и информационной моделей компьютерного обучения 93
3.4 Выводы по главе 3 98
4. Разработка программного обеспечения информационной обучающей системы 99
4.1 Разработка объектно-ориентированной модели информационной обучающей системы 99
4.2 Результаты апробации информационной обучающей системы «Educate» в учебном процессе 103
4.3 Выводы по главе 4 108
Основные результаты работы 109
Перечень принятых сокращений ш
Список литературы
- Исследование принципов разработки средств представления знаний в информационных обучающих системах
- Математическая модель предметных знаний на основе теории нечетких множеств и отношений
- Построение информационной модели компьютерного обучения с учетом лингвистической неопределенности знаний эксперта
- Результаты апробации информационной обучающей системы «Educate» в учебном процессе
Введение к работе
Актуальность темы. Настоящий этап развития системы образования связан с внедрением в учебный процесс информационных технологий, использование которых позволяет повысить доступность образования для широких слоев населения. Новые информационные технологии, постепенно входящие в практику обучения, предоставляют как преподавателю, так и учащемуся более широкие (по сравнению с традиционным обучением) возможности в преподавании и изучении дисциплин самых различных циклов. Информационная обучающая система (ИОС) представляет взаимосвязанный комплекс программно-технических и учебно-методических средств, предназначенный для автоматизации и индивидуализации обучения. Использование ИОС в системе образования позволяет выстроить для каждого обучаемого индивидуальную образовательную траекторию, независимо от того, где бы территориально он ни находился. Таким образом, разработка ИОС обусловлена потребностью их применения на различных этапах обучения в соответствии с современной концепцией открытого образования.
Методологической основой проектирования ИОС являются исследования Брусиловского П.Л., Савельева А.Я., Растригина Л.А., Соловова А.В., Лобанова Ю.И., Пака Н.И. и многих других. Среди зарубежных исследователей необходимо отметить работы D.Callear, A.Bork, D.Sleeman, J.Brown, G.Weber, M.Specht, E.Soloway и др. Однако, несмотря на заметные успехи в этом направлении, существует ряд причин, препятствующих широкому использованию подобного рода программ в школах, вузах и различных предприятиях. Главными среди них являются выполнение большинством ИОС лишь некоторых из основных функций процесса обучения, а таюке малая приспособленность для реализации основных учебных этапов и разнообразных методических приемов, применяемых педагогом при традиционной форме обучения. Это обусловлено применением точных количественных методов при исследовании процессов создания, накопления, обработки информации и разработке средств представления знаний о такой плохо структурированной и нечеткой предметной области, как процесс обучения. Использование подобных концепций не позволяет учесть лингвистическую неопределенность субъективных представлений эксперта и неточность категорий логики, что значительно ограничивает возможность отражения личного профессионального опыта преподавателя в ИОС. В связи с этим актуальной является задача разработки средств представления в ИОС знаний эксперта, отражающих аспект семантической неоднозначности знаний.
Целью диссертационной работы является научное обоснование, исследование моделей и средств представления в ИОС знаний эксперта о процессе обучения с учетом их лингвистической неопределенности.
Для достижения поставленной цели в диссертационной работе решаются следующие задачи: разработка математических моделей знаний эксперта о процессе обучения с учетом лингвистически неопределенного характера субъективных категорий; определение метода количественной оценки меры возможности оптимального представления знаний о процессе обучения, характеризующих способ адаптации электронного учебного курса, в базе данных ИОС; построение концептуальной модели процесса обучения с применением ИОС, учитывающей особенности архитектуры образовательной технологической системы LTSA и отражающей аспект семантической неоднозначности представлений эксперта о проведении учебных занятий; разработка информационной модели процесса обучения, учитывающей лингвистическую неточность знаний эксперта; разработка базы данных и приложений для представления в ИОС знаний эксперта о процессе обучения.
Методологическая основа работы. Для решения поставленных задач использовались положения теории нечетких множеств и отношений, теории нечеткой логики, нечеткой меры, теории реляционных баз данных, педагогики и методики преподавания, а также методологии структурного и объектно-ориентированного проектирования.
Научная новизна работы заключается в следующем:
Разработаны с использованием теории нечетких множеств, отношений и нечеткой логики математические модели представления знаний педагога в реляционной базе данных ИОС и алгоритм выборки данных, которые, в отличие от известных, учитывают аспект лингвистической неопределенности знаний.
Предложен способ количественной оценки меры возможности оптимального представления знаний эксперта о способах адаптации ИОС в форме нечеткого интеграла по нечеткой мере, что позволяет учесть размытость субъективных категорий рассуждений эксперта.
Разработана концептуальная модель процесса обучения с применением ИОС, которая, в отличие от существующих, отражает представления эксперта об учебной деятельности с учетом семантической неоднозначности субъективных категорий.
Разработана информационная модель процесса компьютерного обучения, которая, в отличие от известных, учитывает лингвистическую неопределенность знаний эксперта и позволяет извлечь информацию из базы данных с использованием качественных критериев.
Практическая ценность. На основе исследований, выполненных в рамках настоящей работы, разработана информационная обучающая система «Educate». ИОС «Educate» поддерживает формирование адаптивных педагогических программных средств (ППС) в естественных лингвистических категориях разработчика ППС, носящих расплывчатый характер, что обеспечивает максимально дифференцированную организацию учебного процесса и, следовательно, значительно повышает дидактическую эффективность компьютерного обучения.
Реализация и внедрение результатов. Информационная обучающая система «Educate» внедрена в Пензенском государственном университете,
Пензенском государственном педагогическом университете, ФГОУ ВПО Пензенской государственной сельскохозяйственной академии, Пензенском филиале Саратовского юридического университета, Пензенском государственном учебном комбинате AT, Пензенском областном совете ОСТО, что подтверждено актами внедрения.
Основные положения, выносимые иа защиту:
Математические модели знаний эксперта о процессе обучения, учитывающие лингвистическую неопределенность знаний, выраженную в субъективных категориях.
Метод количественной оценки меры возможности оптимального представления знаний эксперта о способах адаптации ИОС в форме нечеткого интеграла по нечеткой мере.
Концептуальная модель процесса обучения с применением ИОС, базирующаяся на лингвистически нечетком представлении процесса обучения.
Информационная модель процесса компьютерного обучения, учитывающая семантическую неопределенность знаний о процессе обучения.
Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях: Международная научно-методическая конференция «Университетское образование» (г.Пенза, 2003г.); Международный юбилейный симпозиум «Актуальные проблемы наукн и образования» (г.Пенза, 2003г.); VI Международная научно-техническая конференция «Новые информационные технологии и системы» (г.Пенза, 2004г.); Международная научно-техническая конференция «Открытое образование и информационные технологии» (г.Пенза, 2005).
Публикации. По теме диссертационной работы опубликовано 10 печатных работ, в том числе 8 статей и 2 тезиса доклада.
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы (135 наименований) и 4 приложений. Объем работы: 123 страницы основного текста, включающего 22 рисунка и 25 таблиц.
Исследование принципов разработки средств представления знаний в информационных обучающих системах
Главными характеристиками любой системы является ее структура и закономерности ее фушащонирования, а один из самых надежных путей исследования - формализация. Рассмотрим некоторые подходы к формализации знаний о процессе компьютерного обучения.
Формализованное описание знаний о процессе обучения на основе аналитических функций. Систематическими исследованиями проблем обучения впервые занялись психологи, изучая психофизиологические особенности обучаемых. В результате экспериментов психологов были получены различные коэффициенты и зависимости, на основе которых были созданы первые модели обучения. Наиболее распространенным методом описания процесса обучения стала так называемая «кривая обучения», то есть график, который изображает, как в условиях заданного эксперимента от пробы к пробе изменяются характеристики обучаемого или группы обучаемых. В качестве «функции обучения» предлагались разнообразнейший аналитические функции (Эббингауз, Щукарев, Робертсон, Терстоун), в том числе гипербола, функция экспоненциального роста, арктангенс. Однако, «ранние работы, связанные с моделированием процесса обучения, не опирались на какую-то теорию, а лишь интерпретировали имеющиеся эмпирические данные, полученные при обучении» [37]. Идея автоматизации проведения учебных занятий на данном этапе сводилась к использованию, главным образом, различных технических средств обучения (ТСО), дополняющих учебный процесс [72]. Постепенно исследователи переходили к идее применения ТСО не как дополнения процесса обучения, а как устройства, берущего на себя некоторые функции учителя.
Стохастические модели знаний о процессе обучения. В 40 - 50-е годы 20-го столетия объектом исследований стал процесс обучения, внутри которого находится обучаемый. При этом основной принцип построения учебных занятий заключался в системе последовательных, четко описанных действий, выполнение которых ведет к заранее запланированной цели. В это время Г.Бушем и Ф.Мостеллером [50] были сформулированы так называемые стохастические модели обученности. Для теории обучения особенно важным было сосредоточение внимания на вероятностях событий, последовательных эффектах и представлении данных в виде цепей Маркова. В.Эстес, ІС.Берк, Дж.Миллер и прочие [18] разрабатывали подобные стохастические модели, которые получили название «линейные модели обучения». Б. Ф. Скиннер [124] разработал в начале 50-х годов весьма технологичную модель обучения, названную в дальнейшем линейным программированием. Применение программированных пособий Скиннера в профессионально-технических училищах США оказалось успешным: существенно сократилось время обучения, повысилась квалификация обучаемых рабочих. Однако здесь же обнаружились и недостатки методики линейного программирования: нудность и механистичность программированных текстов; отсутствие системности, целостности в восприятии учебного материала; отсутствие адаптации (все ученики выполняют одну и ту же программу, идут по одной линии).
Использование методов статистической теории при формализации знаний о процессе обучения. Наиболее известны в этой области работы Свиридова А.П. [120, 121, 122]. Используя методы статистической теории, Свиридов устанавливает связь между потоком учебного материала, его усвоением и забыванием. В статистической теории обучения рассматриваются стандартизированные методы обучения и контроля знаний. В этом случае порядок работы учащихся в условиях автоматизированного обучения определяется либо жестким сценарием, заданным разработчиком ИОС, либо выбирается каждым учащимся из набора типовых сценарных схем. Главный недостаток стандартизированного компьютерного обучения состоит в том, что его методы не позволяют учесть индивидуальные особенности обучаемых.
Дискретные математические модели представления знаний о процессе обучения. В работах Соловова А.В., Меньшиковой А.А. [125,126,127] предложен подход к моделированию знаний о компьютерном обучении с помощью взвешенных ориентированных графов. Вершинами графа являются различные характеристики исследуемого процесса (количество вопросов, которые получает учащийся в диалоге с ИОС, уровень обученности, уровень помощи, оказываемой учащемуся и т.д.). Ребра данного графа, кроме ориентации, определяются числовыми параметрами дуг, характеризующими влияния изменений значения одной вершины на величины других вершин. Предполагается, что каждая вершина графа иі в ходе импульсного процесса принимает значение v{(t) в дискретные моменты времени ґ. Алгоритм развития импульсного процесса представлен матричной формулой V(t) = V(ucx.) + (I + A + А2 + ... + А )Тр(0), где V(ucx.) - вектор исходных значений вершин; Р(0) - вектор начальных импульсов; V(t) - вектор значений вершин в момент времени t, 1 - единичная матрица размером пхп; А - матрица смежности орграфа размером пхп. Предлагаемый подход к моделированию знаний о процессе обучения позволяет наметить ряд направлений для применения результатов данной работы. Исследование подобных моделей, экспертный анализ и оптимизация их параметров позволяют более обоснованно подходить к проектированию сценариев учебной работы, формулировке требований к структуре учебного материала. С другой стороны, модели данного типа могут встраиваться непосредственно в ИОС и использоваться как средства интеллектуального управления.
Математическая модель предметных знаний на основе теории нечетких множеств и отношений
Исходя из определения, предметные знания представляют множество Е предметных элементов (ПЭ), на котором задано бинарное отношение S =ЕхЕ характеризующее структурную связь ПЭ. Под ПЭ будем понимать логически завершенный блок, внесенный в программу учебной дисциплины или раздела учебной дисциплины. При выделении состава и структуры предметных знаний, согласно современной концепции обучения, будем опираться на систему дидактических показателей Беспалько [42].
При разработке электронного учебного курса (ЭУК) базовыми ПЭ являются темы. Строение темы предполагает детализацию на более мелкие структуры - подтемы. Предел детализации определяется таким набором тем, который является неделимым в рамках изучения для выбранной специальности. Обозначим Т - строго упорядоченное дискретное конечное множество тем учебного курса, тогда базовую структуру предметных знаний определяет бинарное отношение St czTxT- «подтема темы», устанавливаемое экспертом (преподавателем), такое, что (titltj) ESn /є[1,л], j z[l,ri\, i j, если содержание темы t. раскрывает содержание темы /..
Среди всех тем курса можно выделить подмножество опорных тем TG CLT, степень освоения которых учащимся определяет успешность процесса обучения. При эталонном уровне знания опорных тем обучаемый получит набор умений, навыков, соответствующий специалисту в данной области. Множество TG назовем целью обучения. Исходя из анализа информационных обучающих систем, проведенного в гл.1, при формализации процесса компьютерного обучения, как правило, выделяется одна из следующих целей обучения, которые назовем необходимой и достаточной. Под необходимой целью обучения будем понимать множество тем, диагностика эталонного знания которых при прохождении курса необходима для допуска к продолжению изучения курса. Под достаточной целью обучения будем понимать совокупность тем, в случае не достижения по которым эталонного уровня данные темы предлагаются для повторного изучения, при этом обучаемый имеет допуск к любой теме учебного курса. Наличие цели обучения в ИОС определяет успешность учебного процесса. Выделение нескольких целей одновременно предоставляет педагогу более обширные возможности при конструировании электронного учебного курса. Таким образом, целесообразно сформировать как множество необходимой, так и множество достаточной цели обучения. Одним из способов задания множества является установление его функции принадлежности. Этот способ наиболее подходит в данном случае.
Функция принадлежности произвольного множества Y, являющегося подмножеством некоторого множества X, есть отображение /iY : X - М, где М - вполне упорядоченное множество, называемое множеством принадлежностей. Значения функции принадлежности отражают степень принадлежности элемента хєХ множеству Y. Для обычных (четких) множеств М - {0,1}. Степень принадлежности темы той или иной цели
обучения размыта, носит аспект лингвистической неопределенности, что определяет необходимость использования аппарата теории нечетких множеств. В этом случае удобно полагать, что множество принадлежностей М = [ОД]. На множестве Т преподаватель устанавливает степень принадлежности каждой темы t є Т каждой из целей обучения, формируя, таким образом, нечеткие множества N = {t,jUfi(t)} - «необходимая цель обучения» и D = {t, {t)} «достаточная цель обучения». Поскольку носитель данных нечетких множеств конечен, дискретен и относительно небольшой мощности, то нечеткие множества NaT и D сТ задаются преподавателем в форме списка с явным перечислением всех тем и соответствующих им значений функций принадлежно сти.
В интеллектуальных ИОС содержание учебного курса должно адаптироваться под конкретного обучаемого. Следовательно, необходимо дополнить содержание каждой темы адаптивной частью - блоками теоретического материала, различающимися по степени подробности, глубине изложения темы, которые назовем изложениями темы.
Построение информационной модели компьютерного обучения с учетом лингвистической неопределенности знаний эксперта
Управление обучением на основе теории нечетких множеств и нечеткой логики позволяет обеспечить студента наиболее подходящей, индивидуально спланированной последовательностью тем, состав которых адаптирован под конкретного студента. На рисунке 3.6 представлена IDEF3 -диаграмма управления обучением на основе теории нечетких множеств и нечеткой логики.
На основе информации об успеваемости обучаемого устанавливается степень соответствия уровня знаний студента целям обучения на данном этапе обучения. На основе сценариев обучения и информации о текущем уровне знаний учащегося определяется адаптированное изложение тем учебного курса. Анализируя информацию об успеваемости обучаемого, система определяет темы, изучение которых необходимо. Корректируется система навигации и содержание учебного курса. В результате формируется курс, адаптированный к конкретному студенту. Таким образом, управление обучением на основе теории нечетких множеств и нечеткой логики позволяет на основе анализа текущей подготовки обучаемого выявить пробелы в знаниях, найти части курса, дополнительное изучение которых позволит устранить эти пробелы, и автоматически перестроить учебный процесс. Данная модель преобразована в имитационную модель (Приложение А), результаты проигрывания которой использовались для определения способа количественной оценки меры возможности оптимального представления методических знаний, рассмотренного в п. 2.4.4. Контроль знаний. «Процедура контроля завершает изучение отдельной темы курса либо всего курса и является одной из наиболее важных функций, выполняемых информационной системой, решая дидактическую задачу диагностики знаний обучаемого» [117]. Следовательно, основная функция данного блока - это предъявление диагностических знаний, обеспечение условий для поэтапного выполнения заданий, проверка и оценивание действий обучаемого. Исходя из этого, построена DFD-диаграмма декомпозиции контроля знаний, представленная на рисунке 3.7.
Нечеткое управление контролем. На основе нечеткой логики анализируется информации об успеваемости обучаемого, поступающая из хранилища «Персональные знания», причем в начале тестирования анализируется успеваемость по изученным темам, при дальнейшем контроле берется в рассмотрение рейтинг студента при текущем тестировании. На основании установленного уровня знаний и сценариев тестирования (хранилище «Методические знания») согласно нечеткому запросу определяется тестовое задание необходимой сложности по соответствующей теме. Контролируется количество вопросов и время тестирования (данная информация содержится в хранилище «Предметные знания»), фиксируется информация о начале и конце тестирования (хранилище «Событие»).
Предъявление диагностического материала. По запросу обучаемого происходит поставка диагностического материала из хранилища диагностических знаний студенту, выбранное тестовое задание выводится на экран, запускается счетчик времени. Студент наблюдается в процессе взаимодействия с диагностическими знаниями, фиксируется ответ обучаемого.
Нечеткая оценка знаний. Ответ обучаемого является входом в процесс оценки знаний. Ответ сравнивается с правильным ответом, поставляемым из хранилища диагностических знаний, на основе теории нечетких множеств и отношений формируется информация об оценке подготовки учащегося Информация о промежуточной нечеткой оценке направляется в блок управления контролем, итоговая нечеткая оценка поступает в хранилище информации об успеваемости объекта обучения - хранилище «Персональные знания». Обучаемому информации о результатах контроля может выводиться на экран как в ходе тестирования, так и только после его завершения.
Данная концептуальная модель процесса компьютерного обучения, разработанная на основе архитектуры LTSA и стандартов IDEF с учетом семантической неоднозначности представлений эксперта о проведении учебных занятий, позволяет более полно отразить знания эксперта в информационной обучающей системе.
Результаты апробации информационной обучающей системы «Educate» в учебном процессе
Клиентская часть системы представлена программой «client.exe», которая предназначена для автоматизации процесса подготовки и сопровождения электронного учебного курса и организации процесса обучения без присутствия преподавателя. Серверная часть ИОС представлена программой «server.exe».
Основные возможности ИОС «Educate» отражают выделенные в гл.З функциональные характеристики информационной обучающей системы: наличие средств администрирования учебного процесса; наличие средств формирования и представления педагогических знаний; наличие средств формирование и представление персональных знаний; адаптация к предметной области и обучаемому; создание учетных записей об активности действий пользователя в системе.
Программа реализована с помощью визуального средства разработки Delphi версии 7.0. Текст программы приведен в Приложении В.
Одним из естественных показателей количественного измерения пригодности применения информационной обучающей системы в учебном процессе является показатель адекватности оценки ИОС знаний учащихся. ИОС «Educate» апробировалась на группе студентов, состоящей из 27 человек. Было проведено два тестирования. В таблице 4.1 отражены результаты компьютерного тестирования.
В данном случае переменные являются порядковыми, поэтому для оценки тесноты связи следует ранжировать объекты анализа по степени выраженности измеряемого признака и оценить тесноту связи между признаками, основываясь на рангах, т.е. тесноту ранговой корреляции.
Проведено ранжирование средней успеваемости студентов по результатам семестра и средней успеваемости учащихся по итогам 2-х компьютерных тестирований, при этом было учтено наличие связанных объектов, для которых вычислены связанные ранги. Результаты ранжирования средней успеваемости приведены в таблице 4.3
Число групп неразличимых рангов по средней успеваемости студентов в течение семестра mr = 5; число групп неразличимых рангов по средней успеваемости учащихся по итогам 2-х компьютерных тестирований ms = 5. Коэффициент ранговой корреляции вычислен по формуле Спирмена с учетом наличия связанных рангов: 5 ,- ,)2 р = 1 - — = 0.926, (n3 n) {Trs) где п = 21 - число пар наблюдений; Tr= — ]( -?r) = S7; tr,i l,mr (=1 число рангов, входящих в 7-ю группу неразличимых рангов средней успеваемости студентов в течение семестра; Ts =— (i ,s )-100.5; 12 j=i J J ts,,j=l,ms - число рангов, входящих в у-ю группу неразличимых рангов средней успеваемости учащихся по итогам 2-х компьютерных тестирований Проверена значимость коэффициента ранговой корреляции Спирмена на уровне а = 0.05: t = Е1 = 12.264; 0.95,w-2 = 2.06. Т.к. t t 95 25 т0 ранговый коэффициент корреляции р значим на 5% ном уровне. Следовательно, оценка знаний учащихся ИОС согласуется с оценками педагога. Такая тесная связь обусловлена тем, что педагог сам разрабатывает базу данных информационной обучающей системы с учетом своего субъективного мнения.
1. При разработке приложений ИОС «Educate» в дополнение к структурному подходу использован объектно-ориентированный метод разработки, что позволило последовательно и постепенно проанализировать функции, выполняемые системой, облегчить дальнейшую их программную реализацию и значительно сократить время, отведенное на разработку программного обеспечения.
2. Применение ИОС «Educate» в учебном процессе позволяет разрабатывать различные педагогические программные средства: электронные учебные курсы, компьютеризированные учебники, тестирующие программы, справочники, энциклопедии и т.д. Система «Educate» является инструментальной средой и может быть наполнена знаниями, относящимися к различным учебным дисциплинам, в том числе слабоструктурированным. Возможно наполнение знаниями о нескольких учебных дисциплинах одновременно. Разработанная система позволяет максимальным образом автоматизировать процесс обучения, решая проблему организации индивидуализированного процесса обучения без присутствия преподавателя.
3. Результаты апробации ИОС «Educate» в учебном процессе показали, как следует из формул (4.2) и (4.3), тесную связь оценок, выставленных ИОС «Educate» учащимся при компьютерном тестировании, с оценками уровня подготовки обучаемых, полученных от педагога, что определяет возможность применения разработанной системы в системе как традиционного, так и дистанционного образования
