Содержание к диссертации
Введение
Глава 1. Исследование научных школ и направлений в области интеллектуальных обучающих систем 11
1.1. Предпосылки возникновения электронных обучающих систем 11
1.2. История развития электронных обучающих систем 16
1.3. Интеллектуальные технологии в электронном обучении 25
1.4. Модели представления знаний в интеллектуальных системах 31
1.5. Выводы по главе 36
Глава 2. Разработка структуры ИОС для оценки компетенций учащихся вузов 38
2.1. Общая структура ИОС 38
2.2. Разработка модели предметной области 39
2.3. Отношения между дидактическими единицами предметной области 45
2.4. Разработка нечеткой оверлейной модели учащегося 50
2.5. Назначение и задачи модуля обучения 62
2.6. Выводы по главе 64
Глава 3. Разработка алгоритмов проверки знаний учащихся на основе когнитивной карты учебного курса 65
3.1. Тестирование как метод определения уровня учебных достижений 65
3.2. Алгоритм выбора порядка представления тестовых заданий 66
3.3. Адаптивный алгоритм тестирования с учётом возможных ошибок в оценке знаний учащегося 71
3.4. Перспективы использования пространства знаний для информирования о возможной недостоверности оценки знаний 83
3.5. Выводы по главе 85
Глава 4. Практическая реализация ИОС 86
4.1. Архитектура и пользовательский интерфейс веб-ориентированной ИОС ЭУЦ-ВУЗ 86
4.2. Технология использования SWI-Prolog в ИОС 106
4.3. Разработка механизма визуализации когнитивной карты 114
4.4. Выводы по главе 126
Заключение 127
Список сокращений 128
Библиографический список 129
- История развития электронных обучающих систем
- Отношения между дидактическими единицами предметной области
- Адаптивный алгоритм тестирования с учётом возможных ошибок в оценке знаний учащегося
- Технология использования SWI-Prolog в ИОС
Введение к работе
Актуальность исследований обусловлена необходимостью совершенствования электронных обучающих и тестирующих систем, в том числе благодаря использованию интеллектуальных технологий. Введение новых федеральных государственных образовательных стандартов высшего профессионального образования третьего поколения установило новый подход к контролю знаний учащихся, основанный на понятии «компетенция». Актуальна разработка интеллектуальных обучающих систем, позволяющих оценивать компетенции, полученные учащимися за время обучения в вузе.
Степень разработанности темы исследования
Исследованиями в области электронных обучающих систем занимались Башмаков А.И., Башмаков И.А., Петрушин В.А., Соловов А.В., Добряков А.А., Карпенко А.П., Попов Д.И., Попова Е.Д. и др.
Существенный вклад в изучение интеллектуальных обучающих систем внесли Атанов Г.А., Пустынникова И.Н., Карбонелл Дж. (США), Брусилов-ский П.Л. (США), Бурдо Дж. (Канада), Нкамбоу Р. (Канада), Вульф Б.П. (США), Граессер А.С. (США), Мизогучи Р. (Япония) и др. В их работах рассмотрены как теоретические, так и практические вопросы разработки интеллектуальных обучающих систем. Однако предложенные ими системы не позволяют в достаточной мере отразить специфику современной российской высшей школы.
Поставленная научная задача
Целью работы является разработка веб-ориентированной обучающей системы на основе концептуальной модели предметной области, представленной
в виде когнитивных карт учебных дисциплин, а также моделей и алгоритмов, необходимых для функционирования данной системы.
Для достижения поставленной цели в работе были определены следующие задачи исследования:
Провести анализ существующих электронных обучающих систем, в том числе интеллектуальных, а также моделей представления знаний в интеллектуальных обучающих системах.
Разработать для интеллектуальной обучающей системы модель предметной области, включающую понятие «компетенция».
Разработать на основе модели предметной области нечеткую оверлейную модель учащегося.
Разработать алгоритм адаптивного тестирования, учитывающий возможные угадывания правильных ответов учащимся и случайные ошибки.
Осуществить программную реализацию веб-ориентированной интеллектуальной обучающей системы ЭУЦ-ВУЗ.
Объектом исследования являются веб-ориентированные интеллектуальные обучающие системы и модели представления знаний, используемые в них.
Предметом исследования являются алгоритмы и методы оценки знаний учащегося на основе когнитивных карт предметных областей учебных дисциплин в веб-ориентированной обучающей системе.
Областью исследований являются веб-ориентированные интеллектуальные обучающие системы. Указанная область соответствует специальности 05.13.17 — Теоретические основы информатики, в частности, п.4 — «Исследование и разработка средств представления знаний. Принципы создания языков представления знаний, в том числе для плохо структурированных предметных областей и слабоструктурированных задач; разработка интегрированных средств представления знаний, средств представления знаний, отражающих динамику процессов, концептуальных и семиотических моделей предметных областей» и п. 9 — «Разработка новых интернет-технологий, включая средства поиска, анализа и фильтрации информации, средства приобретения
знаний и создания онтологии, средства интеллектуализации бизнес-процессов».
Решенные научно-практические задачи Научная новизна работы состоит в следующем:
Разработана предметно-независимая концептуальная модель предметной области интеллектуальной обучающей системы, отличающаяся от существующих аналогов тем, что она базируется на понятии «дидактической единицы» и включает когнитивные карты учебных дисциплин, что позволяет осуществлять интеллектуальную поддержку процесса обучения.
Разработана нечеткая оверлейная модель учащегося, отличающаяся от существующих аналогов тем, что в её основе лежит разработанная модель предметной области, что позволяет при оценке освоения дидактических единиц, учитывать не только их степень освоения, но и важность.
Разработан алгоритм адаптивного тестирования, отличающийся от аналогов тем, что он учитывает вероятность наличия ошибок при оценке знаний учащихся, что позволяет получить более достоверную оценку. Практическая ценность работы состоит в следующем:
разработана веб-ориентированная интеллектуальная обучающая система, основанная на модели предметной области, базирующейся на понятии «дидактическая единица», и позволяющая оценивать степень освоения как каждой отдельной дидактической единицы, так и учебной дисциплины, и компетенций в целом;
реализован механизм интеллектуального помощника, позволяющий в случае неуспешного выполнения тестового задания оценить какую дидактическую единицу учащийся не знает, а какие единицы стоит повторить, прежде чем приступить к изучению данной;
реализован адаптивный алгоритм, позволяющий менять количество тестовых заданий по тем дидактическим единицам, достоверность оценки которых вызывает сомнение.
Методология и методы исследования
Для достижения поставленных целей и решения задач использовались теория множеств, нечеткая логика, теория представления знаний, теория графов, а также логика первого порядка (исчисление предикатов).
Степень достоверности результатов исследования
Диссертация имеет четкую структуру, логически раскрывающую тему и отражающую последовательность решения поставленных задач, обеспечивших решение поставленной цели исследования. Достоверность и обоснованность научных результатов и выводов исследования обеспечены обоснованностью методологических подходов и принципов, использованием комплекса общенаучных и специальных методов исследования, тщательным и подробным анализом достаточного количества библиографических источников. Необходимое количество публикаций (в том числе в ведущих рецензируемых научных изданиях, рекомендуемых ВАК) с достаточной полнотой отражает содержание работы и позволяет оценить её новизну и практическую значимость.
Реализация результатов исследования
Научные результаты, полученные в работе, доведены до практической реализации и могут представлять интерес для образовательных учреждений. Полученные результаты внедрены в учебный процесс в Институте открытого образования Московского государственного университета печати имени Ивана Федорова.
Личный вклад соискателя
Основные результаты и положения, выносимые на защиту, получены автором лично.
Апробация работы проведена в виде докладов и обсуждений на двенадцати научных конференциях, в том числе международных: «Системы, методы, техника и технологии обработки медиаконтента» (Москва, МГУП имени Ивана Федорова, 2011), «Наука и образование XXI века» (Уфа, БашГУ, 2013), «Информационная среда вуза XXI века» (Петрозаводск, ПетрГУ, 2013), «Мобильные системы обработки медиаконтента» (Москва, МГУП им. Ивана Федорова,
2013 и 2014 гг.), «Актуальные проблемы современной науки» (Уфа, 2014), «Научно-образовательная информационная среда XXI века» (Петрозаводск, ПетрГУ, 2014); всероссийских и межвузовских: «Научно-образовательная информационная среда XXI века» (Петрозаводск, ПетрГУ, 2015), «Развитие сетевых технологий для создания образовательных кластеров с участием вузов УМО по образованию в области полиграфии и книжного дела» (Москва, МГУП имени Ивана Федорова, 2014), «Университетская книга: традиции и современность» (Ростов-на-Дону, ЮФУ, 2015); а также на научных конференциях аспирантов и молодых ученых МГУП имени Ивана Федорова в 2014 и 2015 гг.
Положения, выносимые на защиту:
концептуальная модель предметной области интеллектуальной обучающей системы на основе понятия «дидактической единицы», включающая когнитивные карты учебных дисциплин;
нечеткая оверлейная модель учащегося;
адаптивный алгоритм тестирования, учитывающий вероятность угадывания правильных ответов учащимся и случайные ошибки.
Публикации
По теме диссертационной работы опубликовано 19 научных работ, в которых отражены основные направления и результаты проведенных исследований, в том числе 3 статьи в ведущих рецензируемых научных изданиях, рекомендованных ВАК.
Объем и структура работы
История развития электронных обучающих систем
Информационные технологии, которые можно определить как технологии, связанные со сбором, хранением, обработкой, передачей и представлением информации с использованием вычислительной техники, нашли применение во всех сферах деятельности человека, поэтому естественно, что они используются и в сфере образования.
Обучение с применением информационных компьютерных технологий называется электронным обучением (англ. е-learning). Этот термин начал употребляться сравнительно недавно — только во второй половине 90-х годов XX века [18]. Некоторые авторы смешивают понятие электронного обучения или образования с термином дистанционное образование, однако данное объединение терминов не вполне корректно, так как последнее понятие обозначает образование, при котором субъект образования физически удалён от педагога. Дистанционное образование возникло задолго до появления вычислительных машин. Его родоначальником стал Исаак Питман, который в 1840 году в Великобритании начал обучать стенографии по почте [70].
С возникновением сети Интернет дистанционное образование перешло на новый уровень. Постепенно стала возможна мгновенная доставка разнообразного учебного материала (как текстового, так и аудио, и видео) огромному количеству учащихся по всему миру. Стало возможным организовывать видеолекции, семинары и конференции. Педагог может консультировать учащегося как по электронной почте, так и используя системы мгновенного обмена сообщениями и видеофоны. Контроль знаний может осуществляться автоматически с использованием различных тестовых систем. Компьютеры и Всемирная сеть значительно расширили возможности дистанционного образования, и именно поэтому термины дистанционного и электронного образования стали использовать как синонимы. Тем не менее, под электронным образованием более корректно понимать образование с применением информационных технологий, вне зависимости, осуществляется ли доставка электронного учебного материала учащемуся, территориально удаленному от преподавателя, или же этот материал используется в классе для поддержки учебного процесса в очном образовании.
В связи с наличием большого числа терминов и определений в области электронного образования [9], определим понятие электронная обучающая система (ЭОС) [29, 33, 34] следующим образом: это специальное программное обеспечение, предназначенное для поддержки образовательного процесса.
Появление обучающих машин и электронного образования было предсказано в 1912 году Эдвардом Ли Торндайком, известным американским психологом и педагогом, в его книге «Образование: первая книга» [97]. Он писал:
«Если, каким-то чудом механической изобретательности, книга могла бы быть устроена таким образом, чтобы только тому, кто сделал то, что было предписано на первой странице, стала бы видна вторая страница, и так далее, многим, что в настоящее время требует личных наставлений, можно было бы управлять с помощью печати» [97]. Первым устройством для автоматизации обучения считается «Автоматический педагог», изобретенный в 1924 году в Государственном университете Огайо профессором по педагогической психологии Сидни Пресси [87]. Оно было разработано для того, чтобы учащиеся могли самостоятельно упражняться и тестировать себя с помощью заданий с выбором одного правильного ответа из нескольких предложенных.
Обучающая машина, разработанная Пресси, напоминала пишущую машинку с окошком, в котором показывалось задание и четыре варианта ответа. Пользователь должен был нажать на кнопку, соответствующую правильному варианту ответа. Когда был дан правильный ответ, машина увеличивала значение на специальном счетчике на единицу и показывала следующее задание [79].
Пресси считал, что подобные машины могут упростить работу преподавателю. Он писал о тестировании: «Процедура … во многом проста и достаточно определена, чтобы позволить справляться с большей частью преподавательской рутины с помощью механических средств» [89].
Пресси показал, что подобная автоматизация способствует лучшему обучению, так как учащийся получает незамедлительный отклик устройства и может работать с ним, в подходящем ему темпе. Он писал: «Обучающие машины являются уникальными среди учебных пособий, так как учащийся не просто пассивно слушает, смотрит или читает, но и активно отвечает. И, как только он отвечает, он сразу узнает, правилен его ответ или нет» [89].
Большое влияние на Пресси оказал Торндайк. Пресси стремился реализовать в своём изобретении законы Торндайка. Например, в одной из версий его обучающей машины пользователь должен был дважды ответить на задание правильно, прежде чем оно было бы засчитано. Это попытка использовать закон упражнения и закон эффекта Торндайка. Согласно закону упражнения, ассоциации стимул-отклик укрепляются через повторение [92]. Закон эффекта, в свою очередь, утверждает, что вероятность повторения ответа, как правило, регулируется его следствием или эффектом в виде вознаграждения или наказания [92]. Таким образом, когда учащийся повторяет правильный ответ, он лучше запоминает материал, как благодаря самому механическому процессу повторения, так и благодаря тому, что осознание учащимся того, что он дал правильный ответ, приводит к положительным эмоциям и усиливает эффект запоминания.
Пресси был уверен, что его изобретение приведёт к «индустриальной революции» в образовании [90]. Однако этой революции помешала Великая депрессия. Разработки в области образовательных технологий были отложены вплоть до окончания Второй мировой войны. Американский психолог и изобретатель, профессор Гарвардского университета Беррес Фредерик Скиннер, который продолжил разработку обучающих машин, считал, что во времена Пресси мир был ещё не готов к подобным устройствам, поэтому большого успеха они не добились. Также он отмечал, что машины Пресси были не столько обучающими машинами, сколько тестирующими [92].
Другим пионером в области обучающих машин можно считать Мильтона Эзра ЛаЗертэ, директора Школы Образования Альбертского университета. В 1929 году он разработал план устройства, которое назвал «проблемный цилиндр» [82]. Это механическое устройство должно было предлагать учащемуся задачу и оценивать его ответ и предпринятые для решения задачи шаги.
Разработку обучающих машин продолжил упомянутый ранее Беррес Фредерик Скиннер. В 1954 году он начал проведение серии исследований, направленных на улучшение методов обучения орфографии, математике и другим школьным предметам с помощью механических устройств, которые бы превосходили по своим возможностям обычное обучение в классе. Скиннер считал, что у обучения в классе есть свои недостатки, так как скорость обучения у разных учеников разная, а помощь и поддержку со стороны преподавателя в процессе обучения ученики часто получают с задержкой, так как нет возможности уделять внимание сразу всем ученикам. Поскольку нельзя обеспечить каждому учащемуся индивидуального репетитора, Скиннер разработал теорию программированного обучения — метода обучения, которое должно было реализовываться обучающими машинами [104].
Отношения между дидактическими единицами предметной области
Помимо этого, можно отметить, что за последние 20 лет в развитии ИОС произошло смещение интереса от хорошо-определённых систем и задач к нечетким [78]. ИОС для систем первого типа были основаны на анализе процесса решения задач по определённым дисциплинам. База знаний подобных систем состояла в основном из декларативных знаний по конкретному предмету и описания возможных путей решения задач. Отклики систем на действия учащегося были точно определены. Подобные системы, используемые по сей день, очень полезны для обучения базовым дисциплинам, в которых типология проблем не меняется с годами и определена логическими основами данной дисциплины.
С начала нового тысячелетия интерес исследователей переместился на нечеткие предметные области. Это вызвано необходимостью создания систем для обучения предметам, для которых нельзя построить системы первого типа и в которых не представляется возможным заранее определить все возможные пути решения задач.
Созданные в течение второго периода развития ИОС показали высокую эффективность в улучшении группового обучения учащихся [64]. Нет сомнений в том, что современные веб-ориентированные системы, также покажут себя с лучшей стороны. 1.4. Модели представления знаний в интеллектуальных системах
Задачи, связанные с формализацией знаний в интеллектуальных информационных системах, в том числе обучающих, решаются в рамках одного из направлений развития искусственного интеллекта — «представления знаний». Для этого разрабатываются специальные модели представления знаний и языки описания знаний [10]. Проблема представления знаний в интеллектуальных системах чрезвычайно актуальна, поскольку функционирование подобных систем опирается на знания о проблемной области, которая представляет собой совокупность предметной области и задач, решаемых в ней.
В отличие от данных, представляющих собой набор фактов о решаемой задаче, знания — это любая информация об общих свойствах и закономерностях предметной области. Можно выделить два основных типа моделей представления знаний (МПЗ): формальные и неформальные (рис. 1.1).
К формальным МПЗ относятся модели на основе исчисления высказываний и исчисления предикатов. Поскольку простота и небольшой набор выразительных средств исчисления высказываний делают данную МПЗ мало применимой для описания сложных систем знаний [10], наиболее используемой среди формальных
МПЗ является исчисление предикатов. Исчисление предикатов, или, иначе, логика первого порядка, чрезвычайно удобно использовать в интеллектуальных системах, так как свойственные ему механизмы логического вывода допускают высокую степень формализации, обладают привычными математическими свойствами и могут быть непосредственно запрограммированы [1], например, с помощью языков логического программирования, таких как Planner, Prolog, Visual Prolog и т.д.
Поскольку исчисление предикатов является обобщением и расширением исчисления высказываний, понятие «высказывание» остаётся ключевым понятием исчисления предикатов. Высказыванием называют предложение, которое может принимать значение истина или ложь. Предикатом является предложение, содержащие одну (одноместный предикат) или несколько (двуместный, трехместный и т.д.) переменных, при подстановке конкретных значений в которые данное предложение обращается в высказывание, то есть становится истинным или ложным.
Например, предикат СВЕТИТ(Х) станет истинным, если X = СОЛНЦЕ. В данном примере СВЕТИТ (то, что стоит перед скобками) является предикатной константой или символом. То, что стоит после предикатного символа в скобках называется термами. Предикатные символы могут быть предлогами, существительными, глаголами, прилагательными и т.п. Терм, как правило, существительное или то, что его заменяет [10]. Предикатный символ и термы вместе образуют предикатную формулу или, иначе, предикат.
Исчисление предикатов имеет свой синтаксис и алфавит, состоящий из: вспомогательных символов, таких как запятые, скобки и т.д. Логика предикатов позволяет осуществлять логический вывод, например, имеется следование x(ЧЕЛОВЕК(x) СМЕРТЕН(x)), то есть истинно, что каждый человек смертен. Если истинно ЧЕЛОВЕК(Сократ), то также истинным будет и СМЕРТЕН(Сократ). В данном случае проведена унификация предикатов, то есть подстановка вместо переменной x значения Сократ.
Механизм унификации является основным механизмом при выполнении инструкций в логическом программировании, основанном на теории и аппарате логики первого порядка.
Помимо названных формальных моделей, известны три наиболее популярных неформальных МПЗ: продукционные модели, семантические сети и фреймовые МПЗ.
Продукционный метод наиболее широко используется в качестве МПЗ в экспертных системах [1], в которых применяются языки символьного и логического программирования. Термин «продукция» был введен американским математиком Эмилем Леоном Постом в 40-х годах XX века. Продукционный метод основан на понятии «продукционного правила» («продукции»), которое устанавливает с помощью импликации связь между двумя фактами: «если А, то Б». Понятие факта трактуется достаточно широко, поэтому связь между фактами А и Б может иметь различное смысловое наполнение: «условие — действие», «причина — следствие», «посылка — заключение».
Адаптивный алгоритм тестирования с учётом возможных ошибок в оценке знаний учащегося
Для определения уровня учебных достижений разрабатываются специальные методы, которые разными авторами называются тестами учебных достижений, дидактическими тестами [54], педагогическими тестами и т.д. Педагогические тесты являются «одним из наиболее мощных, надежных и объективных методов определения уровня учебных успехов (достижений) учащихся» [51]. Поскольку тестовое задание обеспечивает четкий и корректный вывод тестируемого на требование тестового утверждения [51], можно реализовать автоматизированную проверку правильности ответов учащихся на тестовые задания.
Можно выделить следующие формы тестовых заданий [51]: 1) Закрытая форма, состоящая из неполного тестового утверждения и множества допустимых заключений, из которых одно или несколько являются верными; 2) Открытая форма, требующая дополнить неполное тестовое утверждение; 3) Форма на соответствие, состоящая из двух групп элементов и четкой формулировки критериев выбора соответствия между ними; 4) Форма на последовательность, состоящая из однородных элементов некоторой группы и однозначной формулировки критерия упорядочения данных элементов. Существуют как традиционные системы тестирования, представляющие тестируемому набор заданий в заранее определенном порядке или выбранные из банка тестовых заданий случайным образом, так и адаптивные системы, которые выбирают задания по алгоритмам, учитывающим предыдущие тестовые задания и ответы на них [48]. В адаптивных тестирующих системах каждому тестируемому представляются различные последовательности тестовых заданий, поскольку последующие задания выбираются с учетом продемонстрированного ранее уровня знаний учащегося. Теоретической основой адаптивного тестирования выступает теория IRT (Item Response Theory), которая является статистической теорией, выражающей возможность наблюдения определенного ответа на тестовое задание как функцию определенных характеристик задания (например, сложности) и характеристик тестируемого (например, уровня знаний). Адаптивное тестирование позволяет уменьшить время тестирования и в то же время увеличить качество оценки уровня знаний учащегося [100].
Таким образом, адаптация подразумевает переформирование последовательности вывода тестовых заданий в процессе прохождения тестирования. В ИОС ЭУЦ-ВУЗ, используется несколько иной подход к адаптации. Разработанная система позволяет экспертной группе или эксперту (например, преподавателю) строить когнитивные карты учебных курсов, которые могут использоваться для повышения качества тестовой оценки. Поскольку в данной системе каждое тестовое задание из банка заданий направлено на проверку знаний учащегося по конкретной ДЕ, можно решать задачи выбора последовательности представления тестовых заданий в порядке изучения ДЕ, с которыми они связаны, учета возможных угаданных верных и случайных неверных ответов учащихся в итоговой оценке за тест, а также адаптации количества тестовых заданий по каждой из ДЕ к степени уверенности в правильности оценки знаний учащихся по данным ДЕ.
В большинстве систем тестирования выбор следующего отображаемого тестового задания происходит либо случайным образом, либо на основе адаптивного алгоритма, выбирающего задания по уровню сложности. Однако ни в первом, ни во втором случаях не учитывается последовательность изучения тех или иных понятий, законов, теорем и прочих ДЕ в учебном курсе.
В то же время, учащийся, отвечая в начале тестирования о ДЕ, изученной в конце курса, может сразу не вспомнить необходимый материал. При устном опросе преподаватель мог бы задать наводящий вопрос и помочь тем самым обучающемуся ответить верно.
Например, при тестировании по дисциплине «Цифровая обработка аудио- и видеоинформации» учащийся не может ответить на вопрос о теореме Котельникова (Найквиста — Шеннона). Но если напомнить ему суть этой теоремы, спросив, что такое частота дискретизации и какое значение частоты дискретизации следует выбирать при оцифровке аналогового сигнала, он, вероятно, вспомнит необходимую формулу.
Можно сделать вывод, что представление тестовых заданий в том порядке, в котором были изучены проверяемые ДЕ, заставляет обучающегося вспоминать материал последовательно, как если бы он отвечал на вопросы преподавателя.
Для представления тестовых заданий в порядке изучения ДЕ удобно использовать когнитивную карту учебной дисциплины, которая, с математической точки зрения, представляет собой ориентированный взвешенный граф. Рассмотрим когнитивную карту некой предметной области и для упрощения примем веса связей между ДЕ, равными 1. На рисунке 3.1 представлена когнитивная карта дисциплины, в рамках которой изучаются 7 ДЕ (a, b, c, d, e,
Когнитивная карта с ДЕ a, b, c, d, e, f, g Одними из наиболее известных алгоритмов обхода графов являются поиск в глубину и поиск в ширину. Для задачи вывода ДЕ в порядке их изучения удобно использовать обход когнитивной карты в глубину.
Технология использования SWI-Prolog в ИОС
Пароли и логины пользователей могут состоять только из латинских букв и цифр, поэтому для обеспечения защиты системы от атак с внедрением SQL-кода, который может быть введён в поля для ввода логина и пароля при авторизации, перед тем как осуществлять запрос к базе данных, в переменных, хранящих логин и пароль, все символы кроме латинских букв и цифр заменяются на символ «-», так как некоторые символы, например, кавычки, могут использоваться злоумышленниками для внедрения вредоносного кода, так называемой SQL-инъекции. Также для обеспечения безопасности пароли хранятся в базе данных не в открытом виде, а в виде хеш-кодов, полученных с использованием криптографического алгоритма SHA-256.
При вызове сценария auth.php происходит подключение к базе данных и выборка из таблицы Users кортежей (записей), с атрибутами Login и Password соответственно равными введённым пользователем логину и хеш-коду пароля (SELECT FROM Users WHERE Login= ".$_POST[ login ]." AND Password= ".$password." ). Если в результате этого запроса будет возвращена одна запись, значит, пользователь с такими логином и паролем существует. В этом случае проверяется, к какой группе относится пользователь, после чего он перенаправляется в соответствующий модуль (Header("Location: create.php"), Header("Location: study.php") или Header("Location: adminmod.php")). Если количество записей будет отлично от одной, пользователь возвращается на стартовую страницу и выводится сообщение об ошибке.
Если пользователь ввел правильные данные для авторизации, логин и хеш-код пароля сохраняются в сессионные переменные $_SESSION[ login ] и $_SESSION[ pass ], которые используются на всех остальных страницах сайта для повторной проверки. Если не авторизованный пользователь попробует открыть любую из страниц сайта, введя её адрес в адресной строке веб-браузера, он будет перенаправлен на стартовую страницу.
Также в сессионную переменную сохраняется номер цветовой схемы оформления сайта, установленный по умолчанию или выбранный данным пользователем ранее, который также храниться в таблице Users в атрибуте ColorScheme ($_SESSION[ color ] = $tmp["ColorScheme"]). Заголовок каждой страницы содержит небольшой фрагмент кода, который подключает ту или иную таблицу стилей, в зависимости от значения, содержащегося в переменной $_SESSION[ color ].
За создание учебного курса в модуле преподавателя отвечает страница newcourse.php. На ней имеются поля для ввода названия, описания курса и выбора профиля обучения, на котором изучается данный курс, а также формируемых компетенций. Также есть флажок, который необходимо отметить, если курс должен быть многоуровневым. В таком курсе позволяется создавать до трёх уровней сложности включительно, т.е. каждую лекцию можно разбить на простой, средний и сложный материал так, чтобы для ознакомления учащиеся могли прочитывать простой материал и, по мере необходимости, углублять свои познания по ДЕ, изучаемым в данной лекции.
При нажатии на кнопку «Создать курс» вызывается программный код, который проверяет, все ли поля заполнены, и ищет в базе данных в таблице Courses курс с таким же названием и для того же профиля обучения. Если такой курс существует в базе данных или если не все поля заполнены, выводится сообщение об ошибке.
После того как учебный курс создан, в него можно добавлять лекции. Для этого необходимо зайти на страницу newlessons.php, на которой выводится список созданных данным преподавателем курсов. Этот список формируется на основании информации по курсам, извлечённой из базы данных, которая включает название, описание и идентификационный номер курса, а также флаги, определяющие является ли каждый из курсов многоуровневым или нет. В зависимости от этих флагов создаются гиперссылки на страницы для создания простой (newlesson.php) или многоуровневой лекции (newmllesson.php). Название каждого курса как раз и является такой ссылкой.
Страницы создания простой и многоуровневой лекции очень похожи. Отличаются они, главным образом, тем, что на странице создания многоуровневой лекции имеются три поля для ввода текста лекции, расположенные на трёх вкладках (рис. 4.3), между которыми можно переключаться.
Фрагмент страницы «Создание лекции в учебном курсе» Обязательными для заполнения являются поля: название, номер, текст лекции (хотя бы одного, любого уровня сложности), дидактические единицы. В поле номер лекции можно вводить только цифры, другие символы отсеиваются с помощью фрагмента программного кода, написанного на JavaScript. Также дополнительная проверка осуществляется при отправке данных на сервер при нажатии на кнопку «Создать лекцию». Проверяется, является ли введённое значение целым положительным числом и не создана ли уже лекция с таким номером. К лекции можно добавить изображение, видеофайл и аудиофайл, которые загрузятся на сервер. При этом накладываются определённые ограничения на размеры и форматы данных файлов, которые указываются в системе. К каждой одноуровневой лекции и к каждому уровню многоуровневой лекции можно добавить до 10 различных изображений. При этом новые поля input типа file для выбора изображений и их последующей загрузки на сервер появляются динамически. Это реализовано с помощью программного кода, написанного на JavaScript. Этот код вызывается при первом изменении значения каждого из полей выбора файла для загрузки и добавляет в DOM-модель (Document Object Model, в переводе с английского языка — «объектная модель документа») HTML-страницы новые элементы: поле для выбора файла, поле для ввода описания файла и подписи к ним. Таким образом, пока полей выбора файла для загрузки не станет десять, при выборе изображения будет появляться ещё одно пустое поле. Перезагрузки страницы при этом происходить не будет.
Для видеофайла или аудиофайла можно установить флаг «Автостарт», тогда при просмотре данной лекции они запустятся автоматически. При добавлении любого файла по нажатию на кнопку «Создать лекцию» запускается проверка на соответствие допустимому размеру и формату файла. Если в результате всех проверок ошибки не обнаружены, файлы загружаются на сервер, а лекция добавляется в xml-файл (листинг 4.2), соответствующий данному курсу.
Листинг 4.2. Пример xml-кода материалов многоуровневого курса ?xml version="1.0" encoding="utf-8"? course id="1" creator="lazola" lesson title="Название лекции" number="1" de="ДЕ1" de="ДЕ2" level1 Текст лекции первого (простого) уровня сложности img imgsrc="1_1_11.jpg" imgdescr="Описание изображения"/ /level1 level2 Текст лекции среднего уровня сложности /level2 level3 Текст лекции третьего (сложного) уровня сложности /level3 /lesson /course Переключение между вкладками с текстом лекции разных уровней сложности происходит без перезагрузки страницы. Для реализации этого используется JavaScript. Эти три вкладки расположены в разных блоках, два из которых всегда невидимы (это достигается использование css-свойства display:none). При переключении между вкладками (при нажатии на название соответствующей вкладки) вызывается JavaScript-код (листинг 4.3), который делает выбранную вкладку видимой и скрывает предыдущую выбранную вкладку. Также изменяется внешний вид названия вкладки (изменятся её класс, а каждому классу соответствует определённый стиль отображения, прописанный в каскадной таблице стилей). В частности, цвет фона вкладки и названия выбранной вкладки становится одинаковым, тогда как названия невыбранных вкладок имеют более тёмный фон.