Содержание к диссертации
Введение
Глава 1. Анализ существующих информационных систем образовательного назначения 10
1.1 Потребности и преимущества применения информационных систем в обучении 11
1.2 Критерии оценки существующих систем электронного обучения 13
1.3 Анализ существующих систем обучения . 15
1.4 Недостатки существующих информационных систем обучения 35
1.5 Моделирование систем математическим аппаратом сетей Петри 39
1.6 Применение нейронных сетей Кохонена в классификации данных 44
1.7 Объектно-ориентированный подход в моделировании систем 47
1.8 Существующие реализации интеллектуальных систем обучения 48
Постановка задач исследования 50
Глава 2. Технология адаптивного структурирования образовательного контента 53
2.1 Применение математического аппарата сетей Петри при моделировании работы интеллектуальной информационной системы адаптивного структурирования образовательного контента 53
2.2 Анализ работы интеллектуальной информационной системы адаптивного структурирования образовательного контента на безе нечетких сетей Петри 60
2.3 Процедурная модель адаптации структур курсов 77
2.4 Определение уровня подготовки пользователя на основе нейронных сетей Кохонена 81
2.5 Логико-лингвистическая модель коррекции весовых коэффициентов информационных ресурсов 90
Выводы 92
Глава 3. Построение моделей интеллектуальной информационной системы адаптивного структурирования образовательного контента с использование объектно-ориентированного подхода и реализация на базе LMS Moodle 94
3.1 Этапы построения модели предметной области с использованием UML.94
3.2 Определение объектов и понятий предметной области 96
3.3 Построение модели предметной области на основе UML 99
3.4 Построение основных диаграмм: прецедентов, последовательности, взаимодействия 100
3.5 Преимущества выбора объектно-ориентированного подхода по сравнению с методами структурного анализа и проектирования 108
3.6 Реализация интеллектуальной информационной системы адаптивного структурирования образовательного контента на основе LMS Moodle 110
3.7 Создание информационных ресурсов 111
3.8 Формирование банка вопросов 114
3.9 Анализ результатов тестирования 116
3.10 Реализация плагина формирования адаптивного контента и мониторинга активности пользователя на основе сетей Петри 119
3.11 Оценка эффективности использования интеллектуальной информационной системы адаптивного структурирования образовательного контента 120
Выводы 123
Заключение 124
Литература 125
Приложение А Акт внедрения в ГОУ ВПО ТГТУ 142
Приложение Б Акт внедрения в ООО «Совтех» 143
Приложение В Акт внедрения в Межвидовой центр подготовки и боевого применения войск РЭБ 144
Приложение Г Акт внедрения в ОАО «Пигмент» 145
- Анализ существующих систем обучения
- Применение математического аппарата сетей Петри при моделировании работы интеллектуальной информационной системы адаптивного структурирования образовательного контента
- Определение уровня подготовки пользователя на основе нейронных сетей Кохонена
- Оценка эффективности использования интеллектуальной информационной системы адаптивного структурирования образовательного контента
Анализ существующих систем обучения
Рассмотрим различные электронные системы, в зависимости от масштаба реализованных в них функций:
1. Авторские программные продукты (Authoring Packages) -авторские программные продукты представляют собой чаще всего некоторые локальные разработки, направленные на изучение отдельных предметов или разделов дисциплин. Преподаватель, используя какую-либо технологию (HTML, PowerPoint, TrainerSoft, Lectura) или просто создавая электронный документ, разрабатывает учебный контент [66]. Недостатком таких продуктов является невозможность отслеживать и контролировать во времени процесс обучения и успеваемость большого количества обучаемых [22]. Как правило, они разработаны для создания уроков с немедленной обратной связью с обучаемым, а не для хранения информации об учебном процессе за длительное время. Такие разработки являются незаменимым средством для активизации и интенсификации подачи учебного материала во время аудиторных занятий и для самостоятельной работы студентов [138]. С другой стороны отсутствие обратной связи студентов и преподавателя сильно снижает эффективность их использования.
2. Системы управления обучением (Learning Management Systems LMS) - эти системы обычно предназначены для1 контроля большого числа обучаемых. Некоторые из них ориентированы на использование в учебных заведениях (например, Blackboard, e-College или WebCT), другие - на корпоративное обучение (Docent, Saba, Aspen). Их общей особенностью является то, что они позволяют следить за обучением пользователей, хранить их характеристики, подсчитывать количество- заходов на определенные разделы сайта, а также определять время, потраченное обучаемым на прохождение определенной части курса. Эти системы позволяют пользователям регистрироваться для прохождения курса.
Зарегистрированным пользователям автоматически высылается различного рода информация о текущих событиях и необходимой отчетности. Обучающиеся могут быть организованы в группы. Кроме того, здесь присутствует возможность проверки знаний и онлайн общения.
3. Системы управления контентом (содержимым учебных курсов) (Content Management Systems - CMS) - управление контентом электронных курсов представляет возможности размещения электронных учебных материалов в различных форматах и манипулирования ими. Обычно такая система включает в себя интерфейс с базой данных, аккумулирующей образовательный контент, с возможностью поиска по ключевым словам. Системы управления контентом особенно эффективны в тех случаях, когда над созданием курсов работает большое число преподавателей, которым необходимо использовать одни и те же фрагменты учебных материалах в различных курсах.
4. Системы управления учебным контентом (Learning Content Management Systems - LCMS) - данные системы сочетают в себе возможности двух предыдущих и являются в настоящее время наиболее перспективными в плане организации электронного обучения. Сочетание управления большим потоком обучаемых, возможностей быстрой разработки курсов и наличие дополнительных модулей позволяет системам управления обучением и учебным контентом решать задачи организации обучения в крупных образовательных структурах.
Проведем краткий обзор авторских систем. Характерными представителями авторских систем длительное время являлись: за рубежом система PLATO, в нашей стране семейство АОС ВУЗ [127]. С начала 90-х годов в России и странах СНГ распространяются инструментальные среды для создания электронных курсов на ПЭВМ типа IBM PC зарубежного (Private Tutor, LinkWay, Costoc) и отечественного (АДОНИС, АСОК, УРОК, КАДИС и др.) производства [128]. В эволюции программного обеспечения учебного назначения можно выделить два этапа. Первый этап - это генерация идей, исследовательские разработки, апробация и первые внедрения. Этот этап обычно реализуется в учебных заведениях, как правило, в университетах. Далее, если разработанные компьютерные программы представляют коммерческий интерес, для их доводки до программного продукта и тиражирования организуется малое предприятие, которое в дальнейшем работает в тесном взаимодействии с альма-матер либо постепенно «отпочковывается» от него. Такой путь прошли многие зарубежные компьютерные фирмы, тиражирующие ныне технологические средства для электронного обучения. Иногда крупные компьютерные фирмы закупают «на корню» университетские идеи вместе с их разработчиками.
В России, как и в других сферах, свой путь развития. Большинство, даже успешных программных систем учебного назначения так и остаются в своем университете [6]. Лишь немногие компьютерные фирмы развивают университетские разработки [43]. Большинство из них вынуждено «паразитировать» на продаже многочисленных систем иностранного производства. Тем не менее, в 2000-е годы рынок программного инструментария предоставляет богатые возможности для выбора авторских j систем зарубежного и российского производства. Заметим, что ряд из t рассмотренных ниже систем развивается с начала 90-х годов прошлого века. ь Первые версии таких систем функционировали под управлением MS DOC, k где фрагменты курсов предъявлялись в виде так называемых экранов: Современные версии некоторых из этих систем и под Windows сохранили в своей основе представление ЭОР в виде совокупности экранов - сменяющих друг друга фрагментов оконного интерфейса. Dreamweaver (www.adobe.com/products/dreamweaver/). Это многоцелевой инструментальный программный продукт, один из наиболее известных и широко используемых программных инструментов для разработки различных, в том числе учебных, web-сайтов. Позволяет создавать сетевые страницы без каких-либо знаний HTML. Dreamweaver 8 (последняя версия системы) является частью интегрированной многоцелевой системы Studio 8 (http://www.adobe.com/products/studio/). В состав этой системы входят также известные инструментальные пакеты программ Flash Professional 8, Fireworks 8, Contribute 3, FlashPaper. Система Studio 8 разработана и развивается фирмой Macromedia, входящей ныне в корпорацию Adobe (http://www.adobe.com). Studio 8 имеет версии для IBM и MAC.
OnViz и CourseBuilder. Это графические, основанные на объектах авторские системы. Они реализуют философию дизайна Macintosh (хотя имеют версии и для Windows компьютеров) и предоставляют среду для быстрого визуального проектирования, разработки и корректировки ЭОР. Структуру ЭОР проектируют на экране, используя пиктограммы. Переходы (ответвления) создаются автором с помощью стрелок с настраиваемыми атрибутами для связи пиктограмм. Получившаяся блок-схема может быть легко изменена автором по мере разработки электронного ресурса или в результате его проверки или оценки. Шаблоны тестов поддерживают тексты с пропусками, числовой ответ и множественный выбор. OnViz - это среда для онлайновых приложений, а ее предшественник - CourseBuilder предназначен для использования компакт-дисков. Фирма-разработчик Discovery Systems International поддерживает и развивает обе системы (www.discoverysystems.com).
Dazzler. и Dazzler Deluxe. Система Dazzler предназначена, прежде всего, для мультимедийных презентаций. Dazzler Deluxe — это усовершенствованная версия системы с дополнительными возможностями для поддержки интерактивного мультимедийного обучения. Обе системы ориентированы на IBM совместимые ПК. Основными инструментами разработчика являются наборы пиктограмм. Dazzler поддерживает обучение через Интернет/интранет, имеет Dazzler Java проигрыватель. Можно также добавлять Dazzler материалы в Web-страницы. Разработчику не требуется программирование на Java. Имеется два мастера: мастер «Question» позволяет легко и быстро создавать стандартные вопросы; мастер «Packager» упаковывает в единый файл все мультимедиа компоненты, чтобы они не могли быть расшифрованы. Файлы ЭОР могут быть настроены для предварительной загрузки, чтобы эффективность обучения не ухудшалась из-за задержки в низкоскоростных каналах. Можно также использовать опцию прогнозируемой предварительной загрузки и дать возможность Dazzler выбирать по ходу учебной работы, какие файлы должны быть загружены заранее. Имеется расширение для Dazzler Deluxe, которое позволяет разработчикам создавать ЭОР для запуска в системе управления учебным процессом Virtual Learning Network (www.aavln.com). Фирма-производитель Dazzlersoft (www.dazzlersoft.com) поддерживает разные версии Dazzler и Dazzler Deluxe и развивает их с учетом современных и перспективных тенденций электронного обучения. Так, в версии Dazzler Deluxe 5.5 появился упаковщик создаваемых электронных ресурсов в пакет SCORM.
Применение математического аппарата сетей Петри при моделировании работы интеллектуальной информационной системы адаптивного структурирования образовательного контента
Дадим формальные определения основных понятий сетей Петри, необходимые для правильного понимания процесса моделирования ИС АСОК.
Согласно [148] сеть Петри состоит из четырех элементов: множество позиций Р, множество переходов Т., входная функция / и выходная функция О. Входная и выходная функции связаны с переходами и позициями. Входная функция / отображает переход / в множество позиций /(/_,), называемых входными позициями перехода. Выходная функция О отображает переход t} в множество позиций 0(tj), называемых выходными позициями перехода. Структура сети Петри определяется ее позициями, переходами, входной и выходной функциями.
Сеть Петри S является четверкой, S=(P, Т, I, О). Р— {/?,,/?2,..../?„}— конечное множество позиций, п 0. T={tx,t2,...jm} — конечное множество переходов, т 0. Множество позиций и множество переходов не пересекаются, РпТ=0. I: Т -»Р является входной функцией — отображением из переходов в комплекты позиций. 0:Т Рх есть выходная функция — отображение из переходов в комплекты позиций.
Мощность множества Р есть число п, а мощность множества Т есть число т. Произвольный элемент Р обозначается символом /?,,/ = 1,2,...л, а произвольный элемент Т— символом г,,/ = 1,2,. ..т.
Позиция р, является входной позицией перехода /, в том случае, если р, &I(tj); pt является выходной позицией, если /?, еО( ). Входы и выходы переходов представляют собой комплекты позиций. Комплект является обобщением множества, в которое включены многократно повторяющиеся элементы — тиражированные элементы. Использование комплектов, а не множеств для входов и выходов перехода позволяет позиции быть кратным входом либо кратным выходом перехода [149]. Кратность входной позиции р, для перехода t есть число появлений позиции во входном комплекте перехода, #(/?,,/(/у)). Аналогично кратность выходной позиции р, для пе , рехода tj есть число появлений позиции в выходном комплекте перехода, #(p„0(tj)). Если входная и выходная функции являются множествами (а не комплектами), то кратность каждой позиции есть либо 0, либо 1.
Входные и выходные функции используются для отображения позиций в комплекты переходов, а также их можно использовать для отображения переходов в комплекты позиций. Определим, что переход tj является входом позиции р,, если pt есть выход tj. Переход lj есть выход позиции р, если р, есть ВХОД tj.
Определим расширенную входную функцию / и выходную функцию/: Р - Г, О: Р - Г" таким образом, что Щ,ІШ=ЧР„О«,)), #(tJ,o(Pl))=HplJ(tJ)) В модели ИС АСОК рассматривается случай использования множеств, а не комплектов, что приводит к тому что позиция однозначно является либо входом либо выходом. Использование множеств также исключает понятие кратности перехода, что приводит к тому, что у каждого перехода только один вход и один выход.
Гораздо удобнее использовать графическое представление сети Петри, что позволяет наглядно отобразить используемые модели при разработке ИС АСОК. Теоретико-графовым представлением сети Петри является двудольный ориентированный мультиграф. Структура сети Петри представляет собой совокупность позиций и переходов. В соответствии с этим граф сети Петри обладает двумя типами узлов. Кружок о является позицией, а планка - переходом [150]. Ориентированные дуги (стрелки) соединяют позиции и переходы, при этом некоторые дуги направлены от позиций к переходам, а другие — от переходов к позициям. Дуга, направленная от позиции р, к переходу tjy определяет позицию, которая является входом перехода. Кратные входы в переход указываются кратными дугами из входных позиций в переход.
І Выходная позиция указывается дугой от перехода к позиции. Кратные, выходы также представлены кратными дугами.
Сеть Петри есть мулътиграф, так как он допускает существование кратных дуг от одной вершины графа к другой. Следует добавить, что так как дуги являются направленными, то это ориентированный мультиграф. Мы знаем, что вершины графа можно разделить на два множества (позиции и переходы) таким образом, что каждая дуга будет направлена от элемента одного множества (позиций или переходов) к элементу другого множества (переходов или позиций); следовательно, такой граф является двудольным ориентированным мультиграфом. В дальнейшем для простоты будем называть его просто графом сети Петри.
Граф G сети Петри есть двудольный ориентированный мультиграф, G = (V,A), где У = {щ,и2,...и } — множество вершин, а А = {ах,а2,...аг) — комплект направленных дуг, a, =(pj,uk), где Vj,vk =V. Множество V может быть разбито на два непересекающихся подмножества Р и Т, таких, что V = РиТ,РпТ = 0, и для любой направленной дуги а, є А , если а, =( ,,DJ, тогда либо Vj (ЕР и икєТ, либо v} є Т, a vk е Р.
Маркировка /л, есть присвоение фишек позициям сети Петри. Фишка -это примитивное понятие сетей Петри (подобно позициям и переходам). Фишки присваиваются (можно считать, что они принадлежат) позициям. Количество и положение фишек при выполнении сети Петри могут изменяться. Фишки используются для определения выполнения сети Петри.
Маркировка /л сети Петри S = (Р, Т, I, О) есть функция, отображающая множество позиций Р в множество неотрицательных целых чисел N. ju:P- N .
Маркировка /и может быть также определена как п-вектор // = (//,,ju2,...,jun), где п =\Р\ и каждое JuleN,i = \,...,n Вектор ju определяет для каждой позиции р, сети Петри количество фишек в этой позиции. Количество фишек в позиции /?, есть ju„i = l,...,n. Связь между определениями маркировки как функции и как вектора очевидным образом устанавливается соотношением ju(pl) = jul. Обозначение ее в виде функции является несколько более общим и поэтому употребляется гораздо чаще.
Маркированная сеть Петри м = (S,ju) есть совокупность структуры сети Петри N = (Р, Т, I, О) и маркировки ц и может быть записана в виде: M = (P,T,I,0,/j). (2.1)
На графе сети Петри фишки изображаются маленькой точкой в кружке, который представляет позицию сети Петри.
Так как количество фишек, которое может быть определено для каждой позиции, неограниченно, то в целом для сети Петри существует бесконечно много маркировок. Множество всех маркировок сети Петри, обладающей п позициями, есть множество всех n-векторов, N". Это множество, хотя и бесконечно, является счетным.
Выполнением сети Петри управляют количество и распределение фишек в сети. Фишки находятся в кружках и управляют выполнением переходов сети. Сеть Петри выполняется посредством запусков переходов. Переход запускается удаленней фишек из его входных позиций и образованием новых фишек, помещаемых в его выходные позиции.
Переход может запускаться только в том случае, когда он разрешен. Переход называется разрешенным, если каждая из его входных позиций имеет число фишек, по крайней мере равное числу дуг из позиции в переход. Кратные фишки необходимы для кратных входных дуг. Фишки во входной позиции, которые разрешают переход, называются его разрешающими фишками. Например, если позиции р, и р2 служат входами для перехода /4, тогда /4 разрешен, если /?, и р2 имеют хотя бы по одной фишке.
Определение уровня подготовки пользователя на основе нейронных сетей Кохонена
В рассмотренном выше алгоритме получение качественной оценки уровня подготовленности пользователя осуществляется на основе искусственной нейронной сетей Кохонена, которые зарекомендовали себя как универсальные классификаторы. По Кохонену нейросеть имеет один входной слой, с числом нейронов, равным числу входов и единственный скрытый (выходной) слой нейронов, образующий одномерную (линия) или двухмерную (прямоугольник) решётку. По аналогии с топографическими картами, такую нейросеть также называют картой Кохонена. Карты Кохонена дают визуальное отображение многомерных входных данных. У карты Кохонена анализируются не только выходы нейронов (как в случае обычной нейросети), но также веса нейронов и распределения примеров по нейронам. Так как карта Кохонена организована в виде двухмерной решетки, в узлах которой располагаются нейроны, то ее очень удобно отображать на плоскости в виде «карты» с раскраской, зависящей от величины анализируемого параметра нейрона. Именно за схожесть изображения этой парадигмы нейросети с топографическими картами они получили название карт Кохонена.
Определим архитектуру используемой искусственной нейронной сети., Архитектура нейронной сети Кохонена, в отличие от многослойной нейросети, очень проста и представляет собой один единственный слой нейронов, который организован в виде двухмерной матрицы. Размер этой матрицы будет определен количеством контрольных заданий, представленных пользователю, таким образом, будет определено количество нейронов по ширине и количество нейронов по высоте. Нейронная сеть Кохонена относится к классу искусственных нейронных сетей, обучаемых «без учителя». Входы нейросети, обучаемой «без учителя», определяются другим образом и перед такой нейросетью ставится иная цель — выявление закономерностей между любыми входными данными и индикаторами, которые и подаются на вход карты [154].
Рассмотрим случай применения нейронной сети Кохонена для случая входного вектора размерностью т, где т- количество вопросов в промежуточном рубежном контроле знаний. На рисунке 2.3 представлен увеличенный фрагмент нейронной сети Кохонена, используемой для анализа вектора ответов пользователя.
Проведем обучение ИНС Кохонена с целью классификации входных векторов X в группы схожих. Это достигается с помощью такой подстройки весов слоя Кохонена, что близкие входные векторы активируют один и тот же нейрон данного слоя. Обучение Кохонена является самообучением, протекающим без учителя. Поэтому не нужно предсказывать, какой именно нейрон Кохонена будет активироваться для заданного входного вектора. Необходимо лишь гарантированно добиться, чтобы в результате обучения разделялись несхожие входные векторы.[154]
Проведем нормализацию входных векторов перед тем, как предъявлять их сети. Операция выполняется с помощью деления каждой компоненты входного вектора на длину вектора. Эта длина находится извлечением квадратного корня из суммы квадратов компонент вектора. В алгебраической записи
Таким образом, входной вектор превращается в единичный вектор с тем же самым направлением, т.е. в вектор единичной длины в п -мерном пространстве.
При обучении слоя Кохонена на вход подается входной вектор и вычисляются его скалярные произведения с векторами весов, связанными со всеми нейронами Кохонена. Нейрон с максимальным значением скалярного произведения объявляется «победителем», и его веса подстраиваются. Так как скалярное произведение, используемое для вычисления величин NET, является мерой сходства между входными вектором и вектором весов, то процесс обучения состоит в выборе нейрона Кохонена с весовым вектором, наиболее близким к входному вектору, и дальнейшим приближении весового вектора к входному. Снова стоит отметить, что процесс является самообучением, без учителя. Сеть самоорганизуется таким образом, что данный нейрон Кохонена имеет максимальный выход для данного входного вектора. Уравнение, описывающее процесс обучения, имеет следующий вид: wH=wc+a{x-wc), (2.8) где wH - новое значение веса, соединяющего входную компоненту JC с выигравшим нейроном; wc- предыдущее значение этого веса; а коэффициент скорости обучения, который может варьироваться в процессе обучения. Каждый вес, связанный с выигравшим нейроном Кохонена, изменяется пропорционально разности между его величиной и величиной входа, к которому он присоединен. Направление изменения минимизирует разность между весом и его входом. Переменную а в начале обучения возьмем равной 7 и будем постепенно уменьшать в процессе обучения. Это позволяет делать большие шаги для быстрого грубого обучения и меньшие шаги при подходе к окончательной величине.
Обучающее множество будет включать много сходных между собой входных векторов, и сеть должна быть обучена активировать один и тот же нейрон Кохонена для каждого из них. В этом случае веса этого нейрона должны- вычисляться усреднением входных векторов, которые его активируют. Постепенное уменьшение величины а уменьшает воздействие каждого обучающего шага, и окончательное значение будет средней величиной от входных векторов, на которых происходит обучение. Таким образом, веса, ассоциированные с нейроном, примут значение вблизи центра входных векторов, для которых данный нейрон является «победителем».
Выберем начальные значения весовых векторов W. При обучении слоя Кохонена случайно выбранные значения весовых векторов следует нормализовать. Окончательные значения весовых векторов после обучения совпадают с нормализованными входными векторами. Поэтому нормализация перед началом обучения приближает весовые векторы к их окончательным значениям, сокращая, таким образом, продолжительность обучающего процесса. На начальной стадии обучающего процесса подстраиваются все веса, а не только связанные с выигравшим нейроном Кохонена. Тем самым, весовые векторы перемещаются ближе к области входных векторов. В процессе обучения коррекция весов начинает производиться лишь для ближайших к победителю нейронов Кохонена. Этот радиус коррекции постепенно уменьшается, так что в конце корректируются только веса, связанные с выигравшим нейроном Кохонена.
Оценка эффективности использования интеллектуальной информационной системы адаптивного структурирования образовательного контента
Согласно принятому в литературе определению, под эффективностью понимают свойство систем, характеризующее ее способность выполнять задачи по назначению. Задачей рассматриваемой информационной системы является обучение пользователей. Эффективность оценивается по соотношению полученных оценок к общему количеству обучаемых. В процентном соотношении определяется доля полученных плохих, удовлетворительных, хороших, отличных оценок по отношению к общему количеству пользователей, проходящих данный курс. Чем больше количество пользователей, получивших хорошие и отличные оценки, тем больше эффективность использования ИС.
В качестве критериев оценки целесообразно выбрать следующие:
- время выполнения контрольного задания;
- процентное соотношение количества пользователей, получивших хорошие и отличные оценки к общему количеству пользователей по данному курсу обучению.
В ходе проведения научного эксперимента по оценке эффективности использования ИС АСОК были выбраны два обучающих курса: курс «Информатика» и курс «Основы Вэб-инжиниринга». Были выбраны две группы первого курса СИСИ, СИС12 специальности 230201 «Информационные системы и технологии», которые изучали курс «Информатика», и две группы второго курса СИС21, СИС22, которые изучали курс «Основы Вэб-инжиниринга» специальности 230201 «Информационные системы и технологии». Группы СИСИ и СИС21 являлись экспериментальными, в них проводилось обучение с использованием разработанной ИС АСОК. Группы СИС12 и СИС22 являлись контрольными, в них использовалась обычная информационная система образовательного назначения (в данном эксперименте LMS Moodle). Для достижения цели занятий необходимо было обеспечить, чтобы за шесть часов занятий не менее 80% студентов могли выполнить задания промежуточного контроля. Результаты экспериментов представлены на рисунках 3.15 и 3.16
Рассмотренный подход построения информационной адаптивной системы обучения на базе Moodle обладает рядом преимуществ перед конкурентными системами и позволяет:
- адаптировать структуру курса обучения, рассчитанную на конкретного пользователя;
- осуществлять мониторинг прохождения курса обучения пользователями на основе модели в виде НСП;
- проводить дальнейшие исследования в данной области в целях улучшения качества автоматизации компьютерного обучения.
