На правах рекламы:
ISSN 0236-235X (P)
ISSN 2311-2735 (E)

Авторитетность издания

ВАК - К1
RSCI, ядро РИНЦ

Добавить в закладки

Следующий номер на сайте

2
Ожидается:
16 Июня 2024

Моделирование и оптимальное проектирование обучающих курсов

Статья опубликована в выпуске журнала № 2 за 1994 год.
Аннотация:
Abstract:
Авторы: Палюх Б.В. (pboris@tstu.tver.ru) - Тверской государственный технический университет (профессор), г. Тверь, Россия, доктор технических наук, Чохонелидзе А.Н. (444595@pochtf.ru) - Тверской государственный технический университет, г. Тверь, Россия, доктор технических наук
Ключевое слово:
Ключевое слово:
Количество просмотров: 12465
Версия для печати

Размер шрифта:       Шрифт:

Традиционные формы обучения — лекции, практические и лабораторные занятия, курсовые, дипломные работы и так далее - хорошо отработаны в течение длительного времени и имеют огромное значение в учебном процессе. Они доказали свою надежность при подготовке научных кадров [1]. Однако дальнейшее развитие нашего общества приводит к бурному росту количества информации и к ее качественному переосмыслению. В связи с этим необходима коренная перестройка всех учебных программ, компьютеризация всех звеньев образования [2]. Это позволит существенно повысить эффективность учебного процесса за счет улучшения управления процессами усвоения и использования знаний. Среди большого арсенала разнообразных форм и средств обучения особое место занимает обучение с использованием средств вычислительной техники. Данный подход дает следующие основные преимущества:

-    позволяет проводить обучение широкой аудитории слушателей;

-    ведет к сокращению затрат времени на внедрение новых учебных курсов;

-    позволяет наглядно иллюстрировать новые понятия;

-    развивает навыки работы со средствами вычислительной техники (СВТ);

-    позволяет восполнить нехватку достаточного количества квалифицированных преподавателей.

К сожалению, из-за несовершенства теории автоматизированного обучения сейчас трудно однозначно установить место обучающих систем в учебном процессе. Требуется проведение специальных исследований различных аспектов компьютерного обучения, в том числе их классификации.

Рассмотрим классификацию автоматизированных обучающих систем (АОС) по функциональному признаку (рис.1).

На базе предлагаемой классификации опишем основные преимущества и недостатки распространенных в наше время АОС и коротко остановимся на их функциональных характеристиках. .

Обучающие системы предназначены в основном для обучения понятиям и навыкам на базе информационно-справочных сред [2]. В основе систем подобного типа лежит интеллектуальный, учебный курс, обладающий широким языком запросов и богатым набором ассоциативных связей в базе данных. В качестве изъянов в подобных системах можно отметить их недостаточную гибкость и чувствительность к настройке.

Системы консультирующего типа чаще всего предназначены для оказания контекстной помощи или выдачи требуемой информации по запросу пользователя, при этом возможно демонстрационное решение задач с их последующим решением для каждого шага [3]. Чаще всего системы подобного типа включают в себя информационно-справочную подсистему, подсистему контекстной подсказки и модель обучаемого. К недостаткам можно отнести сложность наполнения подобных систем неквалифицированным пользователем.

Системы диагностирующего типа являются дальнейшим развитием систем консультационного типа. Они дополнены расширенным интерфейсом, фиксацией знаний и умений обучаемого и диагностикой ошибок обучаемого [4]. На практике эти системы часто называют интеллектуально-тренирующими или экспертно-тренирующими. В качестве слабого места в таких системах можно отметить невозможность генерации знаний самой системой. Обычно генерация осуществляется преподавателем при настройке системы, что усложняет индивидуализацию знаний.

Управляющие системы являются наиболее сложными из существующих типов АОС и предназначены в основном для управления процессом обучения с помощью средств вычислительной техники [5]. Она содержит в себе все компоненты рассмотренных ранее систем, но дополнена в свою очередь диагностирующей экспертной системой знаний о целях функционирования системы с учетом стратегии обучения. В качестве недостатков систем подобного типа можно отметить их громоздкость и сложность в эксплуатации.

Системы сопровождающего типа отслеживают деятельность обучаемого при работе в некоторой инструментальной среде, содержащей все компоненты реальной системы, с оказанием помощи при обнаружении ошибочных действий обучаемого [6]; сопровождающая система содержит все компоненты экспертной системы, но, в отличие от нее, не знает конечной цели деятельности пользователя и должна ее прогнозировать.

Рис.1. Классификация АОС по функциональному признаку

Интегрированные обучающие системы (ИОС) в основном свободны от указанных выше недостатков и, несмотря на некоторую структурную сложность, позволяют значительно расширить функции АОС по диагностике ошибок и прогнозированию целей деятельности пользователя [5].

В плане генезиса интегрированные системы можно рассматривать как дальнейшее развитие систем управляющего, консультирующего и сопровождающего типов [1]. При этом интегрированной обучающей системой мы будем называть программную среду, реализующую ту или иную педагогическую цель на основе знаний в некоторой предметной области, в области диагностики знаний обучаемых и в управлении обучением и демонстрирующую поведение на уровне экспертов.

При этом в научном плане можно выделить следующие основные задачи:

-           анализ существующих в настоящее время обучающих систем с точки зрения возможности их использования в динамически изменяющейся структуре высшей школы;

-           разработка структуры интегрированных обучающих систем;

-           математическое моделирование процесса обучения в высшей школе;

-           представление и обработка знаний в предметной области, составляющей предмет обучения;

-           разработка методов контроля и диагностики ошибок обучаемого;

-           разработка методов управления процессами обучения.

В основе структурной организации интегрированных обучающих систем лежит математическая модель процесса обучения. На понятийном уровне ее можно сформировать следующим образом:

-           на основании текущего состояния обучаемого и методики обучения генерируется очередная задача, требующая ответных действий обучаемого;

-           ответ обучаемого сравнивается с эталонным решением, и на основании различий диагностируются ошибки обучаемого;

-           по результатам диагностики корректируются текущие характеристики обучаемого.

В соответствии с данной моделью процесса обучения ИОС можно рассматривать как совокупность трех взаимодействующих обучающих сред:

-           по решению задач в изучаемой предметной области;

-           по диагностике ошибок обучаемого;

-           по планированию процесса управления обучением.

На рисунке 2 представлена формализованная структурная схема ИОС подобного типа.

Введем основные предпосылки и упрощения, принятые при формализации модели. Будем считать объект обучения специфическим запоминающим устройством, обладающим рядом свойств, которые проявляются лишь в процессе его обучения [7]. Само обучение представим в виде процесса управления в обстановке неопределенности, для чего используем методы адаптации. Такой подход требует применения методов теории управления к процессу обучения и возможен лишь при условии формализации объекта обучения.

Рис.2. Структурная схема ИОС

где:

U, С - каналы управления, обучения и контроля соответственно;

Y - канал обратной связи в виде результатов контроля;

R - канал управления обучаемым;

A - алгоритм управления;

Z - цель обучения;

Q - относительный вес обучающей информации;

J - обучающая информация;

P - состояние обучаемого;

Fy, Fp - операторы состояния и результатов контроля обучаемого соответственно.

Поэтому начнем рассмотрение вопроса с обоснования необходимости разработки модели обучающего процесса. Пусть при этом предметом обучения являются п +1 заданных порций обучающей информации:

J = (j1, …, jn-1, jn. …, jn+1) (1)

у которых известны их относительные веса:

 

 Q = (q1, …, qn-1, qn. …, qn+1) (2)

причем:

где q1 - априорная мера частоты использования знаний в практической деятельности обучаемого, q = 0, 1.

На основании принципов декомпозиции сложной системы представим процесс обучения состоящим из двух повторяющихся этапов.

Первый этап: передача ученику порции обучающей информации

N= 1,2…n

Второй этап: контроль за обучением

Результаты контроля представлены в виде двоичного вектора для канала обратной связи:

Модель обучаемого, представленная на рисунке 2, задается в виде операторов Fp и Fy , а состояние обучаемого оператором Р:

P=Fp(U), (7)

Y= Fy(P,C).

Определим цель обучения исходя из состояния объекта обучения:

то есть необходимо знание порций информации с вероятностью не меньше заданной (1-εi).

С прикладной точки зрения наиболее важной оказывается другая цель:

 

где К - интегральный критерий эффективности знаний обучаемого;

Где Pi – вероятность незнания порции информации на N-том шаге обучения,

qi – частота использования знаний.

В Этом случае знание характеризует вероятность незнания, обнаруживаемого обучаемым а практической деятельности. Это цель задается числом ε.

Наилучшие результаты дает комбинация двух форм целей (9) и (10), например в виде

то есть заданное множество V порций информации следует знать с заданной вероятностью и одновременно с заданным ограничением на вероятность незнания в практической деятельности.

Алгоритм обучения должен обеспечивать минимум шагов обучения, необходимых для достижения цели Z. Для этого цель представим в виде:

K*(P,Q)<ε, (12)

где

α – коэффициент штрафа

 

ψ(х) - функция знаний,

х - значение аргумента в наперед заданном интервале.

Минимизируем значение К* в рамках выделенного ресурса R на каждом шаге обучения:

где U - порция обучающей информации.

Ее решение образует порции информации, которые выдаются обучаемому за один шаг. Эту задачу целесообразно решать простой заменой для такого множества W, при котором значение минимально W€R, то есть

где W - множество обучающей информации.

Эта комбинаторная задача при линейной функции f1 решается упорядоченным перебором J1, то есть не зависит от n.

Эффективность такого решения прямо зависит от адекватности модели. Более того, в процессе обучения сама модель может изменяться. Неопределенность факторов заставляет обращаться к процедуре корректировки модели на базе получаемой при контроле информации.

Процесс адаптации осуществляется рекуррентным способом:

 FN+1 = FN + ∆FN+1 (15)

Где ∆ FN+1 – изменение функции на (N+1)-м шаге обучения, которое зависит от результатов контроля (8):

∆ FN+1 = J(YN, FN) (16)

В заключение следует отметить, что адаптация системы обучения к индивидуальным свойствам обучаемого дает возможность минимизировать время обучения.

Таким образом, использование интегрированных обучающих систем дает возможность с минимальными затратами преодолеть порог трудности обучения и приспособление процесса обучения к особенностям каждого конкретного обучаемого. При этом сначала определяется индивидуальный объем обучающей информации I. Ее можно пропустить, считая РNi =0, i=l, ..., n, то есть считать абонента полностью необученным (удлиняет обучение). Обучение состоит в том, что на каждом шаге система строит согласно алгоритму для каждого конкретного обучаемого информационное поле, по которому впоследствии определяются промежутки между сеансами обучения и коррекции вектора вероятностей незнания, а также время Тn, затраченное на заучивание предыдущей порции и свой ресурс, то есть время, планируемое на выполнение следующего задания Т N+1плановая.

Далее осуществляется контроль по критериям качества обучения К. Когда этот критерий достигает требуемого уровня Е, обучение заканчивается и обучаемый получает протокол с информацией о результатах тестирования.

Предлагаемый в работе подход к проблеме создания автоматизированных обучающих курсов доведен до логического конца: разработано программное средство универсального назначения (ПС "Экзамен").

ПС "Экзамен" состоит из трех независимых модулей - учебника, задачника и экзаменатора - интегрированных в рамках единой оболочки.

Объектная ориентация осуществляется самим пользователем путем наполнения системы конкретной предметной областью. Зависимость между знаниями обучаемых и численной оценкой, не имеющая явно выраженной закономерности, может быть скоррелироваина путем введения бальной оценки ответов экзаменуемых, зависящих в свою очередь от весовых коэффициентов, учитывающих сложность предлагаемого вопроса для респондентов с различной степенью подготовки.

ПС не накладывает никаких ограничений на объемы обучающих курсов, кроме как возможностей вашего компьютера.

Список использованной литературы

1.   Петрушки В.А. Экспертно-обучающие системы. - Киев: Наук, думка, 1992. - 196 с.

2.   Control for Intelligent Tutoring Systems: A Blackboard-Based Dynamic Instructional Planner // Blerman D., Breuker J., Sandberg J. Artificial Intelligence and Education. Proc. 4th Int. Conf. on AI and Education (24-26 May 1989, Amsterdam: IOS, 1989. - P. 150-168.

3. Программированное обучение (Анализ зарубежного опыта). - М.: Наука, 1992. - 208 с.

4. Основы статической теории обучения и контроля знаний. - М.: Высш.шк., 1981. - 262 с.

5.   Инструментальные средства для создания экспертно-обучающих систем // Интеллектуальные системы в задачах проектирования, планирования и управления в условиях Казань: НПО "Волга", 1990

неполноты информации. С. 112-115.

6. Свиридов А.П. Основы статистической теории обучения и контроля знаний. - М.: Высшая школа, 1986. — 176 с.

7.   Растригин Л.А. Обучение как управление // Методы школы. - Рига: Изд-во РПИ, 1985. - С. 13-36.

8. Тарасеико Т.С., Эренштейн М.Х. Исследование сходимости одного процесса обучения // Проблемы случайного поиска. - Рига, Г978, Вып. 6. - С.267-274.


Постоянный адрес статьи:
http://swsys.ru/index.php?page=article&id=1154&lang=
Версия для печати
Статья опубликована в выпуске журнала № 2 за 1994 год.

Возможно, Вас заинтересуют следующие статьи схожих тематик: