close

Вход

Забыли?

вход по аккаунту

?

BessonovMamaev

код для вставкиСкачать
МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ
Федеральное государственное автономное
образовательное учреждение высшего образования
САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
АЭРОКОСМИЧЕСКОГО ПРИБОРОСТРОЕНИЯ
А. А. Бессонов, В. Я. Мамаев, П. П. Парамонов
ИНТЕЛЛЕКТУАЛЬНЫЕ
ОБУЧАЮЩИЕ СИСТЕМЫ
Учебное пособие
Санкт-Петербург
2016
УДК 004.8
ББК 32.97
Б53
Рецензенты:
доктор технических наук, профессор С. Н. Шаров;
кандидат технических наук, доцент П. Н. Неделин
Утверждено
редакционно-издательским советом университета
в качестве учебного пособия
Бессонов, А. А.
Б53 Интеллектуальные обучающие системы: учеб. пособие /
А. А. Бессонов, В. Я. Мамаев, П. П. Парамонов. – СПб.: ГУАП,
2016. – 172 с.
ISBN 978-5-8088-1089-1
Описывается типология систем обучения и оценивается роль моделей при разработке последних. Рассматриваются современные образовательные обучающие технологии. Дается классификация моделей
представления знаний в интеллектуальных обучающих системах, анализируются их преимущества и недостатки. В качестве основных моделей представления знаний изучаются продукционные и гибридные
модели и семантические сети. Приводятся классификации ИОС по
функциональным характеристикам и структуры, методы представления знаний и моделей обучаемого. Проектирование процесса обучения
трактуется как проектирование деятельности обучаемого, интеллектуального учебника и обучающей деятельности. Рассматриваются методы и модели диагностики, оценки знаний и управления обучением.
Издание предназначено для магистрантов, обучающихся по направлению 200100.68 «Приборостроение».
УДК 004.8
ББК 32.97
Учебное издание
Бессонов Алексей Александрович,
Мамаев Виктор Яковлевич,
Парамонов Павел Павлович
ИНТЕЛЛЕКТУАЛЬНЫЕ ОБУЧАЮЩИЕ СИСТЕМЫ
Учебное пособие
Редактор А. А. Гранаткина
Компьютерная верстка В. Н. Костиной
Сдано в набор 26.10.15. Подписано к печати 28.03.16. Формат 60 × 84 1/16.
Бумага офсетная. Усл. печ. л. 10. Уч.-изд. л. 10,32. Тираж 100 экз. Заказ № 126.
Редакционно-издательский центр ГУАП
190000, Санкт-Петербург, Б. Морская ул., 67
ISBN 978-5-8088-1089-1
©
©
Бессонов А. А., Мамаев В. Я.,
Парамонов П. П., 2016
Санкт-Петербургский государственный
университет аэрокосмического
приборостроения, 2016
СПИСОК УСЛОВНЫХ ОБОЗНАЧЕНИЙ
АК – авиационный комплекс
АТ – авиационный тренажер
БД – база данных
БЗ – база знаний
БНС – блок насыщения семантикой
БРЭО – бортовое радиоэлектронное оборудование
ГЗ – генератор задач
ГО – генератор ответов
ЕЯ – естественный язык
ИИ – искусственный интеллект
ИКТ – информационно-коммуникационная технология
ИМ – исполнительный механизм
ИН – искусственный нейрон
ИНС – искусственная нейронная сеть
ИОС – интеллектуальная обучающая система
ИТ – информационная технология
ИС – интеллектуальная система
КЗ – контроль знаний
ККК – компьютерные конференцкурсы
КСО – компьютерная обучающая система
КЭ – контрольный этап
ЛА – летательный аппарат
ЛСА – логическая схема алгоритма
ЛСД – логическая схема действий
МО – модель обучаемого
НЛ – навигационная линейка; нечеткая логика
НС – нейронная сеть
НТС – навигационный треугольник скоростей
ОБ – обучающий блок
ОИ – обучающая информация
ОП – обучающая программа
ОС – обучающая система
ОТ – обучающая технология
ОУ – объект управления; обучающее устройство
ПМ – программный модуль
ПрО – предметная область
ППП – пакет прикладных программ
ПППО – психолого-педагогическая подготовка обучаемого
ПР – принятие решения
3
ПФУ – процесс формирования умений
СДЗ – сеть динамки знаний
СНС – сверхточные нейронные сети
СОИ – средства отображения информации
СП – сеть Петри
СПППО – система психолого-педагогической поддержки обучаемого
СС – семантическая сеть
СЧМ – система «человек – машина»
ТЕД – типовая единица деятельности
ТСО – технические средства обучения
УД – учебная деятельность
УМ – учебный материал
УС – учебная ситуация; угол сноса
УУ – устройства управления
ФМ – фактическая структурная модель
УЭ – учебный элемент
ЭИ – электронный инструктор
ЭМ – эталонная структурная модель
ЭС – экспертная система
ЭУ – электронный учебник
4
Современный человек «живет в среде,
которая непрерывно изменяется», и потому
ныне «образованный человек – только тот,
кто научился учиться».
(Rogers C. R. Freedom tu learn. Columbus. 1969).
ВВЕДЕНИЕ
В.1. Этапы развития систем образования
История цивилизации прошла несколько этапов развития, определяемых характером различных систем и явлений, которые были
вовлечены в сферу главных интересов и потребностей людей. На каждом этапе создавались своя концепция мира, своя картина природы,
для описания которых формировался свой математический аппарат.
Выделяют три этапа развития цивилизации: аграрный – отражающий исторически определенные производственные отношения в сельском хозяйстве, связанные с системой землевладения и
землепользования, индустриальный – соответствующий зарождению и развитию промышленности, и информационный, связанный
с переходом к обществу, основанному на знании.
Еще на очень ранних ступенях исторического развития самые простые запросы хозяйственной жизни, сводившиеся к счету предметов,
измерению количества продуктов, площадей земельных участков,
определению размеров отдельных частей архитектурных сооружений, измерению времени, коммерческим расчетам, навигации и т. д.,
привели к созданию математических инструментов, способных обслуживать эти потребности. В этот период в математике появляются понятия «число», «геометрическая фигура» и т. п., формируются такие
ее разделы, как арифметика, алгебра, элементарная геометрия, тригонометрия, составляющие в целом элементарную математику.
Рост промышленности и торговли, потребность в новых источниках сырья способствовали расширению мореплавания и как результат созданию достаточно совершенных астрономических при5
боров, используемых для наблюдения за небесными светилами,
по которым моряки определяли местоположение судна. Научнотехническая революция сопровождалась чередой изобретений,
среди которых особое место занимает создание механических часов
и паровой машины. В этих системах происходит преобразование
энергии маятника, пружины, пара в механическую энергию.
Деятельность людей в разных сферах жизни стала определяться
динамическими системами, в которых происходят процессы преобразования энергии из одного вида в другой. Изменилась картина мира. Она дополнилась движением и стала энергетической картиной
мира. Наступил индустриальный период развития цивилизации.
В математике этого периода появляются новые понятия, и
в первую очередь, понятие «функция». Функциональная зависимость между параметрами динамических систем отражает законы
движения тел: законы движения планет (Кеплер), движения тел
в пустоте (Галилей), закон преломления света (Снелль – Декарт),
закон, выражающий связь между напряженным состоянием и деформацией упругого тела (Гук), и др. Для изучения динамических
систем потребовались методы исследования функций, в частности,
исследование связей между интегральными и дифференциальными их свойствами. В 60 – 70-е годы XVII в. трудами И. Ньютона и
Г. Лейбница были созданы дифференциальное и интегральное исчисление – математический анализ.
Наряду с математическим анализом появились аналитическая и
проективная геометрия, линейная алгебра, теория вероятностей, вариационное исчисление, обыкновенные дифференциальные уравнения и уравнения в частных производных и др. Все эти дисциплины
составляют основу высшей математики.
Классического совершенства высшая математика достигла к середине XX в. К этому времени люди посредством машин и механизмов во много раз увеличили свои энергетические (мышечные)
возможности. Появились разнообразные технические устройства
в быту, на транспорте, в промышленности, сельском хозяйстве, военном деле. Человек управляет этими системами, рассчитывает,
оптимизирует и создает новые машины с заданными свойствами.
С середины XX в. наступает новый период научно-технической
революции, который отмечен невиданным ростом производительности труда. В центре внимания оказываются автоматизированные интеллектуальные системы разного назначения. Такие системы называют системами искусственного интеллекта (ИИ). Они
строятся на широком применении ЭВМ.
6
Если технические устройства прошлого – динамические системы – расширяли энергетические возможности человека, то современные автоматизированные системы увеличивают его интеллектуальные возможности. В них происходят сбор, хранение и преобразование информации.
Эпоха интеллектуальной техники сопровождается и развитием
математики. В современной математике появились новые понятия,
методы и целые разделы, которые не укладываются в рамки классической математики. К неклассическим разделам относят математическую логику, теорию информации и математическую статистику, теорию нечетких множеств, теорию алгоритмов и рекурсивных
функций, методы вычислительной математики и решения некорректных задач, дискретную и конструктивную математику [15, 45].
Появление и развитие современной математики вызвано в основном потребностями математического моделирования интеллектуальных систем (ИС). Последние преобразуют один вид информации в другой. Таким образом, центральным понятием в современной математике является понятие «информация».
Отличие классической математики от неклассической кроется
в разных подходах к заданию точки. В классической математике
господствует принцип абсолютного задания точки, в неклассической – принцип информационного ее задания.
В первом случае всякая точка непустого множества, если ее выбирают, известна абсолютно, при этом она отождествляется со своим идентификатором (индивидуальным именем), во втором о всякой точке непустого множества известна лишь некоторая информация. При этом возможна максимальная информация о точке, когда
она задана абсолютно. Например, в вычислительной математике
всякое приближенное значение точки задается в форме некоторой
ее окрестности.
Развитие общества в целом, как и образования (обучение + воспитание + развитие), сопровождалось «революциями». Так, в развитии методов обучения К. Керр выделяет четыре такие «революции»:
1. Учителя-родители, служившие образцом, уступили место
профессиональным учителям.
2. Замена устного слова письменным.
3. В обучение введено печатное слово.
4. Частичная автоматизация и компьютеризация обучения.
Происходила и смена парадигмы учения. Учебная деятельность
ориентируется на все известные исторические типы организацион7
ной культуры. Однако, как отмечает А. М. Новиков [33], со вступлением человечества в новую постиндустриальную эпоху в течение
нескольких следующих десятилетий образование изменяется больше, чем за все триста с лишним лет, прошедших с момента появления книгопечатания.
Переход к индустриальному обществу в процессе промышленной революции потребовал большого числа хорошо обученных
работников. Задача массовой школы, готовившей учащихся к фабричному дисциплинированному труду, наряду с обучением основам грамотности (чтение, письмо, счет) предполагала обучение
основной дисциплине, пунктуальности, исполнительности. Доля
промышленных рабочих в общей численности населения до 50-х
годов XX в. постоянно возрастала, достигнув более 50 % занятого
населения. Но к началу 1970-х годов эта доля стала резко сокращаться и в настоящее время в США и Европе составляет всего около 20 % от общей численности занятого населения, а по прогнозам
в течение нескольких десятилетий она должна уменьшиться до
5–10 % от общего числа рабочих. Аналогичные процессы происходили в сельскохозяйственном производстве.
Таким образом, «синие воротнички» – ведущая экономическая и
политическая сила общества – по уровню образования не могут конкурировать с другими специалистами, начиная создавать для него проблемы с обеспечением их работой и средствами социальной защиты.
Как отмечает А. М. Новиков, подобная ситуация складывалась
и с классом капиталистов. Если в конце XIX в. 12 % наиболее состоятельных граждан США обладали 86 % национального дохода,
то сегодня всего совокупного дохода тысячи самых состоятельных
людей Америки едва ли хватило бы для работы только одной отрасли ее экономики в течение двух-трех месяцев.
В то же время стремительно растет новый класс высокообразованных «интеллектуальных служащих». Этот новый класс в США,
Японии и ряде других стран уже составляет более половины занятого населения. Каждый из них в отдельности не является капиталистом, но коллективно они владеют большей частью средств производства своих стран. Являясь подчиненными, они в то же время
могут быть руководителями. Они и зависимы, и независимы одновременно, поскольку уверены, что образование, которым они обладают, обеспечивает им свободу действий.
Отличительной особенностью работника нового типа является новое отношение к работе. Если для специалиста работа является способом получения средств к существованию, то отношение к труду,
8
формирующееся современной постиндустриальной культурой, определяется как отношение к процессу, дающему удовлетворение в ходе
осуществления деятельности. Таким образом, труд становится способом самовыражения. В работе человек находит смысл жизни.
Образование во всем мире испытывает трудности, которые характеризуются углублением фундаментальных противоречий
между традиционными методами и сроками обучения и постоянно растущим объемом новой информации и, следовательно, возрастающими требованиями к приобретаемым знаниям, навыкам и
умениям при сохранении практически постоянным времени получения образования. Такие высокие требования к обучаемому уже
сегодня находятся зачастую на пределе возможностей человека.
К тому же традиционная система образования в силу инерционности слабо приспособлена к условиям быстропротекающих технологических изменений в обществе. Поэтому ведущие мировые державы начинают широко привлекать в систему образования новые
информационные технологии (ИТ), методы и средства обучения.
Прогрессивная система образования должна быть способна не
только вооружать знаниями обучающегося, но и вследствие постоянного и быстрого обновления знаний формировать у него потребность в самостоятельной учебе в течение всей активной жизни.
Система образования должна в итоге стать открытой, способной
предоставлять человеку разнообразные образовательные услуги,
позволяющие учиться непрерывно, обеспечивающие возможность
получения высшего и дополнительного образования. Компоненты
парадигм (образцы) представлены в табл. В. 1.
Таблица В.1
Парадигмы учения
Компоненты
парадигм
Ценности
Мотивы
Нормы
Индустриальное общество
Учение для общественного производства
Учение обучающихся как
обязанность, деятельность
педагога как исполнение
профессионального долга
Ответственность за учение
обучающихся несет педагог;
авторитет педагога держится на соблюдении дистанции, от обучающихся
требуется усердие
Постиндустриальное
(информационное) общество
Учение для самореализации человека в жизни, для карьеры
Заинтересованность обучающихся
в учении; заинтересованность педагога в развитии обучающихся,
удовольствие от общения с ними
Обучающиеся принимают на себя
ответственность за свое учение;
авторитет педагога создается благодаря его личностным качествам
9
Окончание табл.
Компоненты
парадигм
Индустриальное общество
Постиндустриальное
(информационное) общество
Цели
Направленность учения
на приобретение научных знаний; учение в молодости как «запас на
всю жизнь»
Направленность учения на овладение основами человеческой
культуры и компетенциями; учение в течение всей жизни
Педагог создает условия для саПозиции Педагог передает знания;
мостоятельного учения; педагог
участников педагог над обучающимися
и обучающиеся – партнеры
Формы
и методы
Иерархический и авторитарный методы; акцент
на аудиторных занятиях
под руководством педагога, стабильная структура
учебного процесса
Средства
Основное средство учебник
Контроль
и оценка
Демократический (построенный
на равенстве) метод; акцент на
самостоятельной работе обучающихся; динамичная структура
учебных дисциплин; динамичные формы организации учебного
процесса
Учебник дополнен ресурсами
НИТ, СМИ
Производится преимуще- Смещение акцента на самоконтственно педагогом
роль и самооценку обучающихся
В.2. Этапы развития обучающих систем
Первый опыт создания обучающих машин был предпринят
в середине 1920-х годов в США психологом С. Пресси. Им были
использованы идеи «студентоцентрированного» обучения. Новый
этап разработки и применения технических средств обучения
(ТСО) начинается с опубликования в 1958 г. работы американского психолога Б. Ф. Скиннера «Наука об обучении и искусство обучения». Введенные им принципы до сих пор являются основными
принципами программированного обучении, а также эффективного использования технологий при дистанционном обучении.
В 1970 – 1980-е годы для программированного обучения, предложенного американским психологом Н. А. Краудером, стали применять компьютеры. В отличие от Б. Ф. Скиннера Н. А. Краудер включает в процесс обучения большие по объему и сложности задания,
сформулированные в виде некоторой проблемы.
При правильном выборе решения учащийся получает новые знания, в случае же допущения ошибки указывает ее причину, при этом
он может пользоваться рекомендациями и подсказками. Такой под10
ход называют адаптивным обучением, или тестированием, обучающим диалогом, индивидуально-ориентированным обучением. Оба
подхода относятся к поведенческим (бихевиористическим), при которых обучающийся пользуется заранее подготовленным учебным
материалом, выбирая из определенных баз вопросов и маршрутов.
Программа способна воспринимать ответы, определять выбранный
путь и обеспечивать обратную связь с обучающимся посредством его
запросов и ответов.
Совершенствование тестовой технологии и, как следствие, тестирующих программ позволило найти более действенные механизмы
контроля и оценки знаний и умений, а также управления учебным
процессом в целом (например, взаимодействие тестов-достижений
и тестов-способностей), семантического анализатора ответа, оценки
действий студентов и отслеживания их достижений. Данное направление программированного обучения продолжает развиваться в части аппаратно-программного обеспечения, визуализации и систематизации информации, дружественности интерфейса, приложений
искусственного интеллекта и относится к проблемам человеко-компьютерного взаимодействия (human-computerinteraction – HCI).
Анализ развития систем образования показывает, а официальная
статистика подтверждает, что происходит постоянный рост спроса и
предложений на рынке образовательных услуг. При этом соотношение штатного преподавательского состава и контингента обучаемых
постоянно меняется не в пользу последних. Поскольку качество подготовки кадров зависит от обратной связи «обучаемый–обучающий»,
напрашивается вывод, что опыт и знания экспертов-профессионалов
целесообразно тиражировать. В свете сказанного актуальной становится проблема создания интеллектуальных обучающих систем, ибо,
по одному из определений [28], искусственный интеллект (ИИ) есть
область компьютерной науки, занимающейся автоматизацией разумного поведения. Это определение наиболее точно отвечает цели, стоявшей перед авторами при написании данного пособия.
Интеллектуальными обучающими системами (ИОС) стали называть компьютерные системы обучения (КСО) после выхода в свет
работы Д. Слимана [48]. В тот период ИОС отождествляли с экспертной системой (ЭС). Действительно, если под ЭС понимать решение задач, ориентированных на использование знаний, то все
прикладные системы ИИ можно считать экспертными.
Классическими обучающими системами (ОС), разработанными в рамках экспертной парадигмы, можно считать системы
DEBUGGY, GUIDON, SOPHIE, в которых имеется интеллектуаль11
ная поддержка процесса обучения. Этот подход, пришедший на
смену парадигме программированного обучения, изменил взгляд
на роль и место компьютера в ОС. Если раньше его рассматривали
в качестве персонального электронного конспекта лекций и экзаменатора одновременно, то теперь он воспринимается как своего
рода индивидуальный репетитор, цель которого научить пользователя решать задачи.
Искусственная компетентность, применяемая для расширения
возможности рассуждения, имеет свои преимущества, так как не
подвержена эмоциям и в отличие от человеческой со временем не
ослабевает, не требует для воспроизводства сложной и длительной
подготовки специалистов, допускает достаточно простое копирование программ.
Рассуждения могут привести обучаемого к неправильному результату, если сама цепочка рассуждений построена верно, но в основе ее лежит ошибочная посылка, либо посылки верные, но неправильно построены цепочки рассуждений. Наконец, возможно и
то, и другое. Для выявления источника ошибки требуется воспроизвести рассуждение с учетом предполагаемых знаний обучаемого.
Отсюда следует необходимость в существовании модели этих знаний. Наличие модели обучаемого (МО) – характерная особенность
ИОС.
Для достижения целей обучения недостаточно выявить неправильные действия обучаемого и идентифицировать их причину,
требуется еще и устранить ее. Поэтому для ИОС необходимы знание как предметной области (ПрО) и возможностей обучаемого, так
и специальные педагогические знания.
Характерным для всех ИОС является также то, что все необходимые для организации процесса обучения знания выделены явно
и представлены с помощью различных методов и технологий ИИ.
В самом общем виде ИОС можно представить как несколько взаимодействующих модулей, связанных с решением задач в ПрО, построением модели обучаемого, выполнением педагогических функций.
Практически в любом процессе обучения можно выделить два
компонента: обучение понятиям и формирование умений и навыков. Поэтому обучающая программа включает в себя как знания
о понятиях ПрО, так и знания о характерных для данной области
проблемных ситуациях, в процессе разрешения которых у обучаемого формируются необходимые умения и навыки. Эти знания
целесообразно разделять, поскольку знания о ПрО, отражающие
научные представления о ее понятийной структуре, для большин12
ства учебных дисциплин являются постоянным и консервативным
компонентом. Содержание же знания о решаемых задачах может
варьироваться в зависимости от текущих учебных целей.
Известно множество формальных методов описания концептуальных моделей знаний [28]. База знаний (БЗ) о ПрО может включать в себя такие компоненты, как классы и экземпляры сущностей, задающие структуру модели отношения между ними. На объекты и процессы при описании конкретных ситуаций накладываются дополнительные ограничения.
Взаимодействие людей посредством компьютерных коммуникаций (в компьютерных сетях и Интернете) – компьютерно-опосредованная коммуникация (computer-mediatedcommunication – CMC),
т. е. освоение информационно-коммуникационных технологий (ИКТ)
в качестве научных и образовательных, стало предметом исследования с зарождением Интернета.
Уже на первом этапе освоения компьютерных сетей и применения ИКТ для научных и образовательных целей стало понятно, что
основная проблема состоит не только в техническом подключении
научных и образовательных учреждений к Интернету, что само по
себе проблематично, но в большей степени в теоретической и методической адаптации новых технических средств обучения к учебному процессу, изменении теории и методики обучения, подготовке и переподготовке педагогических кадров, повышении уровня их
профессиональной компетенции.
В.3. Перспективы информационно-коммуникационных
технологий следующего поколения
На пороге третьего тысячелетия инфокоммуникационные технологии и научные знания представляют собой важнейший ресурс
дальнейшего развития человечества. Одним из важнейших условий, влияющих на переход мирового сообщества от индустриального этапа к информационному, являются информатизация образования, смена и усовершенствование его концепции. Этим объясняется то внимание, которое руководство страны уделяет в последние
годы национальным и международным организациям, использованию новых ИКТ в сфере образования.
В области ИКТ наблюдается значительный прогресс. Цифровая
технология произвела своего рода революцию, она позволяет объединить в цифровой форме текст, графическое и видеоизображение,
речевое и музыкальное сопровождение. На основе этой технологии
13
создаются новые средства представления и передачи знаний, а также средства обучения.
Относительно низкая стоимость таких устройств и большая мощность в значительной степени способствуют их распространению.
Неуклонный рост распространения компьютеров как в сфере формального, так и неформального образования способствует росту понимания потенциала стратегий компьютеризации в качестве экономически выгодного решения проблем, связанных с обучением.
Существующие традиционные системы образования уже не в состоянии удовлетворить возникающие потребности, так как существует множество сфер, нуждающихся в различных образовательных услугах. Это и привычное среднее, высшее, общее и профессиональное образование, и переподготовка кадров, и различные
образовательные программы для детей и взрослых.
Решением многих проблем, возникающих на данном этапе, может стать создание интеллектуальной информационно-образовательной среды, которая позволит, во-первых, объединить знания
и опыт лучших преподавателей, во-вторых, сделать эти знания
доступными для миллионов желающих учиться, когда, где и как
им удобно. Подобная концепция организации информационно-образовательных услуг будет способствовать повышению уровня образованности населения и, как следствие, экономическому росту и
росту благосостояния.
Важнейшей особенностью такой среды является возможность
индивидуализации процесса обучения путем использования различных интеллектуальных методов и средств. Поэтому разработка
ИОС является актуальной задачей на современном этапе.
Появление компьютерных и сетевых технологий привело к возникновению термина «дистанционное обучение», или обучение
с использованием дистанционных образовательных технологий.
Развитием этих технологий стала концепция открытого образования. Уже существующие методы и разработки в системе открытого
образования достигли определенного уровня развития и могут рассматриваться как базовый уровень при организации образовательного процесса. Однако вопросы, связанные с методологией и технологией проектирования таких систем, а также задача обеспечения
качества, мониторинга обучения и контроля знаний обучаемого попрежнему остаются в большой мере нерешенными.
Развитие ИКТ вступило в фазу перехода к «электронному обществу». Ключевыми составляющими перехода являются смена базовой концепции и интеллектуализация.
14
Детерминированный императивный характер вычислительного
процесса и фон-неймановская архитектура компьютера становятся основной помехой развития, которое на следующем этапе будет
базироваться, как и все в окружающем нас мире, на естественной
децентрализованной самоорганизации. Новые ИКТ радикально изменят архитектуру компьютера и технологии программирования,
организацию данных и информационных потоков.
От формирующейся электронной среды обитания требуется все
более высокий уровень интеллекта: она должна научиться понимать массового пользователя «слету».
Подобно тому как человек умело пользуется левым и правым полушариями мозга, искусственному интеллекту следует поручить
анализ, упорядочение старых знаний, хранение их в памяти, поиск
и другую работу, а генерацию идей, синтез, творчество полностью
оставить человеку. В этом состоит задача ИОС, которые могут, сочетая в себе достоинства мыслительной системы как человека, так
и искусственного интеллекта, продемонстрировать свои лучшие
свойства.
15
1. ОБУЧАЮЩИЕ СИСТЕМЫ
И ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
Основное назначение обучающих систем – повышение уровня
знаний и интеллекта обучаемых. Приобретенные ими знания зависят от трех составляющих: информации (содержания учебного
материала), потребности обучаемого в их получении (наличие у него осознанной мотивации обучения) и его индивидуальная способность к накоплению этих знаний (рис. 1, а). Таким образом, знания – это та часть необходимой для решения задач информации,
которую обучаемый приобретает благодаря своим желанию и способности извлекать ее из огромного потока данных.
Способность индивидуума интерпретировать и применять полученные знания в практических целях отражает уровень его интеллекта (рис. 1, б). Поэтому для развития интеллекта (основная цель
обучения) кроме накопления знаний необходимо также формирование умений и привитие характерных навыков.
Существуют, по меньшей мере, две точки зрения на то, что следует называть искусственным интеллектом. Первую можно назвать
нейробиологической. Ее сторонники ставят перед собой цель воспроизвести искусственно те процессы, которые протекают в мозгу человека. Это путь изучения естественного мозга, выявления особенностей его работы, создания технических средств для повторения биологических структур и происходящих в них процессов [28].
Вторая (доминирующая) точка зрения на ИИ может быть названа информационной. Сторонники информационного подхода
считают, что основной целью работ, связанных с искусственным
а)
Потребность
в приобретении
знаний
Информация
Знания
Способность
к усвоению
знаний
б)
Усвоение
знаний
Интеллект
Способность
к применению
знаний
Рис. 1.1. Модели приобретения знаний (а)
и формирования интеллекта (б)
16
интеллектом, является не построение технического аналога биологической системы, а создание средств для решения задач, традиционно считающихся интеллектуальными.
Информационная точка зрения достаточно неоднородна. В ней
можно выделить три направления:
– возможность создания оригинального метода решения на ЭВМ
конкретной задачи, который либо даст результат, подобный получаемому человеком, либо даже превзойдет его. Примером реализации решения оригинальной задачи является создание программы для игры
в шахматы, которая «играет» лучше, чем большинство людей;
– искусственный интеллект должен демонстрировать не решение отдельных творческих задач, а способность при необходимости обучиться
тому или иному виду творческой деятельности. Значит, интеллектуальные программы должны быть ориентированы не на решение конкретных задач, а на разработку программ для автоматического их решения;
– создание программ, которые рассматривают возможности ИИ
сквозь призму своей цели, а именно, создание интеллектуального
программного обеспечения, т. е. комплекса средств, автоматизирующего деятельность самого программиста.
1.1. Типология систем обучения
Рассмотрим объекты, которые могут быть вовлечены в процесс
обучения (табл. 1.1).
Под машиной здесь понимается любая искусственная система,
в том числе компьютер:
– обучением «человек–человек» занимается педагогика. Этот
процесс происходит с начала зарождения человечества;
– случаю обучения «человек–машина» соответствует обучающая система, приведенная на рис. 1.2;
– обучение «машина–человек» отражает примитивный способ обучения, при котором человек приспосабливается к особенностям устройТаблица 1.1
Системы обучения
Субъекты процесса обучения
Обучающий
Обучаемый
Человек
Человек
Машина
Машина
Человек
Машина
Человек
Машина
17
Механизмы выводов
обучающей системы
База
знаний
Человек
Механизм выводов
пользовательской системы
Компьютер
Рис. 1.2. Структура систем обработки знаний
ства и вырабатывает навык работы с ним. В более общем случае осуществляется передача знаний от машины к человеку (пользовательская
система на рис. 1.2) – это и есть основной предмет нашего рассмотрения;
– обучение «машина–машина» – процесс из области фантастики, и к нему мы подойдем не очень скоро.
Возможен случай, когда в первой и второй колонках (см. табл. 1.1)
системы «машина–машина» и «человек–человек» содержится один и
тот же объект. Тогда речь идет о самообучении или самообразовании.
Такими системами занимается наука кибернетика, в которой основным
элементом, по мнению ее основателя Н. Винера, является обратная связь.
Несмотря на долгие попытки создания систем машинного преподавания, практический результат оказался весьма скромным.
Во многих случаях это обстоятельство является результатом слабой проработки формальных моделей, которые должны быть положены в основу обучающей системы.
Две стороны процесса обучения с помощью компьютера – преподавание (tutoring, instructing, teaching) и машинное обучение
(learning) – обычно рассматриваются изолированно, хотя полезно совместное изучение как процесса передачи знаний от учителя
к ученику, так и процесса усвоения знаний учеником.
1.2. Роль моделей при разработке систем обучения
Что же представляет собой обучение с помощью машины и машинное?
Итак, learning – это самообучение, обучение при помощи учителя, адаптация, самоорганизация и т. д. В области обучающихся систем исследуются модели, демонстрирующие способность к адаптации к окружающей среде путем накопления информации.
18
Направление teaching связано с вопросами: Как учить? Кого
учить? Чему учить? и т. д. В области обучающих систем исследуются модели передачи информации и знаний ученику от учителя
с помощью компьютера.
Если же преподаватель пытается смоделировать процесс «как обучается ученик», то оба толкования слова «обучение» смыкаются.
1.3. Обучающие и обучающиеся системы
Уже на первых порах существования искусственного интеллекта большой интерес вызвало создание систем, способных обучаться.
Именно на этом принципе была построена первая успешно действовавшая программа игры в шахматы. В дальнейшем П. Уинстон уделяет специальное внимание вопросу о том, как обучать искусственную
систему. При этом он выделяет следующие уровни обучения [43]:
I – путем самостоятельного открытия;
II – при наблюдении примеров;
III – путем объяснения;
IV – прямым программированием.
Предполагается, что в этой иерархии каждый верхний уровень включает в себя предыдущий. Следует отметить, что эта иерархия достаточно
точно отражает усилия, которые должен прикладывать преподаватель.
На уровне I он вообще ничего не должен делать – ученик учится
сам. На уровне II педагог должен разработать и предъявить ученику некоторую последовательность примеров, рассчитывая, что на
основании этой последовательности обучаемый поймет то, что хочет донести до него учитель. На уровне IV учитель должен просто
«вложить в голову ученику» сведения из изучаемой предметной области, снабдив его требуемыми знаниями или умениями.
С точки зрения минимизации усилий обучающегося (или минимизации требований к его интеллектуальным способностям), указанная иерархия имеет противоположную направленность. Так, на
уровне I от ученика требуется наличие творческих возможностей,
а в случае уровня IV – лишь умение безошибочно запоминать и
в дальнейшем строго выполнять запомненное.
Большинство обучающихся систем ориентировано на анализ механизма приобретения информации человеком и его воспроизведения в компьютере, а сложное эвристическое обучение, свойственное человеку, практически не реализовано.
Применительно к обучающейся системе общепринятый смысл
обучения можно выразить так: в процессе проведения однотипных
19
экспериментов с одной и той же совокупностью данных методом
проб и ошибок происходит модификация системы, которая на каждом этапе демонстрирует лучшие результаты, чем на предыдущем.
1.4. Стимуляторы процесса познания
Интеллектуальные обучающие системы открыли новые возможности, позволяя обращаться к уровням II, III, IV. При этом лидирующая роль в процессе обучения по-прежнему отводилась педагогу,
и, как следствие, собственно творческие возможности ученика слабо
использовались и не развивались. Так, система PROUST располагает
механизмами не только обнаружения ошибок, допускаемых учеником в процессе написания программы, но и выделения той неверной
концепции, которая сформировалась у него и привела к характерным
ошибкам. Система даже помогает ученику избавиться от ложной концепции, предъявляя ему специально подобранные упражнения.
Однако важно отметить, что учащемуся при этом не предоставляется возможность самостоятельно поработать со своей (пусть «ложной») концепцией, проследить, как иначе скорректировать процесс
обучения. Иными словами, рассмотренные ИОС не выходят на уровень I в иерархии обучения. Попытка выйти на этот уровень предпринята
П. Л. Брусиловским в рамках «стимуляторов процесса познания». К этому классу стимуляторов процесса познания можно отнести интеллектуальные среды, гиперсреды (гипермедиа), микромиры, специальные очки.
1.4.1. Интеллектуальные среды
В литературе отмечается различие свойств человека и машины [29]:
хорошо решает творческие, нестандартные задачи, обладает широким кругозором, имеет хорошо организованную долговременную память, НО у него маленькая
кратковременная память, он часто ошибается в решении алгоритмических задач.
КОМПЬЮТЕР: хорошо решает алгоритмические задачи, у него большая кратковременная память, НО плохо организована долговременная память, отсутствует кругозор,
почти не справляется с творческими задачами.
ВЫВОД:
определенный симбиоз человека и машины может
превосходить по возможностям и человека, и машины при разделении их труда.
ЧЕЛОВЕК:
20
В интеллектуальных средах используются мультисреды (мультимедиа), когда общение машины с учеником происходит с использованием сразу многих модальностей (изображение, музыка, речь
и т. д.). Мультисреды обычно сочетаются с гиперсредами.
Гиперсреда – это обобщение понятия гипертекста – нелинейного способа выражения текстовой информации. Она представляет собой сеть, в узлах которой могут находиться тексты, картинки, видео, анимации, звук или исполняемые программные
модули, более подробно раскрывающие содержание вершины,
чем ее имя в сети.
Психологи считают, что гиперсреда напоминает организацию
долговременной памяти у человека. Поэтому ученик, пользуясь
ею, усваивает знания в виде тех гиперструктур, которые использует и сам учитель. Эта мысль указывает на возможность построения теории обучения, цель которой создание в мозгу обучающегося структуры знаний, аналогичной той, которой пользуется
учитель.
В настоящее время используются стандартные средства создания гиперсред. Однако технологические трудности (большие объемы памяти, высокое разрешение экранов, звукосинтезаторы и
многое другое) пока сдерживают развитие этого направления.
Создание с помощью компьютера искусственных реальностей
позволяет ученику, пребывая в искусственном мире (микромире),
менять его параметры в допустимых пределах и, видя результаты
своего воздействия, прочувствовать свойства такого мира. Это прямой способ обратиться к уровню обучения I.
Так, ученые высказывают предположение, что микромир, позволяющий играть в бейсбол на Луне, дает ученику гораздо более
глубокие представления о свойствах гравитации, чем трудно воспринимаемые уравнения, их описывающие.
Проблемы обучения на всех уровнях связаны между собой.
Для выработки навыка при недостаточно глубоко усвоенной теории необходима система генерации большого числа примеров,
имеющих непосредственное отношение к реальности (уровень II).
Кроме того, часто и после завершения обучения желательно иметь
сопровождение в лице учителя, что возможно в случае использования компьютера.
Обе эти задачи одного класса применения помогут решить специальные очки, позволяющие как бы не разделять мнимую и настоящую реальность. Например, при ремонте авиатехники использование таких очков позволит «накладывать» технический чертеж
21
непосредственно на аппаратуру, поддерживая их постоянное соответствие при любых перемещениях наблюдателя.
Усилители процесса познания без направляющего воздействия учителя малоэффективны при усвоении учебного материала. Для того чтобы ученик не только усваивал сумму знаний, но чтобы у него вырабатывались надежные навыки и развивалось мышление, необходимы руководство учителя, тщательно подобранный дидактический материал.
Таким образом, отличительной особенностью интеллектуальной обучающей среды является большая роль, которая в процессе обучения отводится собственному интеллектуальному
потенциалу учащегося. Достигается это объединением ИОС и
стимуляторов познания. По существу в интеллектуальной обучающей среде происходит обучение, учитывающее обе стороны этого процесса, – с помощью машины (tutoring) и машинного обучения (learning). Примером таких сред могут служить ReGIS,
LispTutor, «Остров».
Интеллектуальная обучающая среда позволяет обращаться сразу ко всем уровням обучения и может быть использована педагогом
широкого профиля.
1.4.2. Уровень применения ИИ в образовании
Для ИОС в англоязычной литературе используется множество
разных названий, означающих примерно одно и то же: computer
aided instruction (CAI) – машинное обучение, intelligent computer
aided instruction (ICAI) – интеллектуальное обучение с помощью
компьютера, intelligent instructional systems (IIS) – интеллектуальные обучающие системы, intelligent tutoring systems (ITS) –
интеллектуальные системы наставничества, intelligent learning
environment (ILE) – интеллектуальная среда обучения.
К числу недочетов современных интеллектуальных обучающих
систем, касающихся ИИ и образования, Р. Мидзогути относит, например, следующие:
– между авторскими системами и авторами существует глубокая концептуальная пропасть;
– авторские средства не являются ни интеллектуальными, ни
дружественными относительно пользователя;
– построение IIS требует много времени, поскольку всегда начинается с нуля; содержащиеся в них сведения редко допускают повторное их использование другими специалистами;
– трудно провести сопоставление существующих систем;
22
– многие системы IIS не знакомы с результатами IS (Instructional
Science) и LS (Learning Science);
– планирование учебных рекомендаций с целью предметной организации знаний и стратегия обучения для динамической адаптации IIS имеют существенные различия.
Другими словами, ни строгие логические методы ведения рассуждений, ни теоретический формализм не могут улучшить сложившуюся ситуацию. Для преодоления этих недочетов необходимо использовать онтологическую инженерию.
Он предлагает рассматривать три уровня онтологий.
Уровень 1. Онтология – структурированная совокупность терминов. При создании онтологии наиболее важным элементом является четкая артикуляция мира интересов, т. е. выявление понятий и
их иерархии вида «являться примером». Примером онтологий этого
уровня служат предметные иерархии, используемые в машинах поиска в Интернете, и теги, применяемые для описания метаданных.
Уровень 2. В дополнение к содержимому онтологии уровня 1
можно добавить формальные определения, чтобы избежать непредсказуемой интерпретации понятий, а также необходимые отношения и ограничения, задаваемые в виде некоторого множества аксиом. Определения носят декларативный и формальный характер,
позволяющий интерпретировать их с помощью ЭВМ.
Интероперабельность (способность к взаимодействию) некоторой онтологии на этом уровне позволяет разным компьютерам отвечать на вопросы, касающиеся моделей, построенных на этом уровне.
Уровень 3. Онтологии этого уровня допускают использование моделей с помощью модулей, задаваемых формальными онтологиями.
Транзакционный анализ в ИОС позволяет рассматривать поэтапный ход педагогического процесса систематически, классифицировать различные ситуации обучения и обнаруживать нарушения, ведущие к снижению его результирующего качества.
Транзакционный анализ в психологии предполагает, что большинство психологических ситуаций, возникающих в отношениях между
людьми, может объясняться как взаимодействие личностей, представляемых в виде триад 〈Р – В – Д〉, в которых указанными символами обозначены три разные возможные «состояния души» человека.
1.5. Современные образовательные обучающие технологии
Реализация любых образовательных концепций и систем требует определенной системы действий. Если эта система вариативна и
23
гибка, ее чаще всего называют методической, если же она задается
в алгоритмической последовательности с расчетом на получение гарантированного результата, то технологией. Технологии, применяемые в учебном процессе, называют обучающими (ОТ) [1, 4, 6, 8, 9].
Важнейшие признаки ОТ и соответствующие показатели их реализации представлены в табл. 1.2.
Сущность поисково-исследовательской технологии обучения состоит в построении учебного познания как системы задач и разработке
средств (предписания, приемы) с целью, во-первых, помочь учащимся
в осознании проблемности предъявляемых задач (сделать ее наглядной), во-вторых, найти способы сделать разрешение проблемных ситуаций лично-значимым для учащихся и, в-третьих, научить их видеть и
анализировать проблемные ситуации, вычленять проблемы и задачи.
При решении задачи деятельность можно разделить на репродуктивную, алгоритмическую, трансформирующую и творческопоисковую. В первом случае проблемность близка к нулю, а каждый последующий вид деятельности должен обладать более высоким уровнем проблемности.
Репродуктивные задачи решаются на заданной в словесной форме программе выполнения всех элементарных шагов с указанием
условий их применения.
Алгоритмические задачи решаются по алгоритму, заданному
в виде формулы, правила. Для решения необходимо трансформировать этот алгоритм в программу.
В трансформированных задачах, когда необходимо использовать известные формулы в новых ситуациях, эвристические шаги
играют ведущую роль.
Таблица 1.2
Обучающие технологии
Признаки
обучающих технологий
Показатели реализации
обучающих технологий
Системность (гармонизация Научная психолого-педагогическая осноцелей, содержания и дидак- ва (в виде целостной теории или набора оттического процесса)
дельных научных положений)
Диагностические цели, логически связанВоспроизводимость и гаранная система предписаний (этапов), ведутированность результата
щая от целей к задачам и результатам
Система контрольных заданий, адекватНаличие системы обратной
ных целям. Алгоритм контроля (вид,
связи
цели, частота), способы контроля
24
Основой решения творческо-поисковых задач является сочетание логического анализа и интуиции. Интуиция связана как с накопленным опытом и знаниями, так и с врожденными задатками,
которые в совокупности определяют способность человеческого
мозга процесс познания совершать скачками. Она является бессознательной формой психической деятельности, которая использует
неосознаваемую, исключенную из активной работы сознания информацию. При этом сам процесс обработки информации не осознается человеком, а проявляется в сознании в виде результата.
Интуитивное познание характеризуется, во-первых, неосознанностью, нерасчлененностью процесса и продукта. Во-вторых,
для того чтобы интуиция являлась целенаправленным процессом,
чтобы вызвать подсознательную деятельность, необходимо предварительное сознательное усилие. В-третьих, интуитивные решения
сопровождаются эмоциональной реакцией, так как преодоление
затруднений в проблемной ситуации устраняет эмоциональный
дискомфорт.
Структура деятельности при решении задач такова:
1) анализ состава задачи:
– осознание сложности задачи, выяснение состава информации,
представленной в явном виде, т. е. выделение элементов, выявление структурных связей и отношений;
– актуализация и организация знания (приспособление извлеченной информации к конкретным условиям задачи): поиск
информации (привнесенные знания); распознавание вида задачи;
выделение отдельных элементов и их изучение; перегруппировка
элементов;
– перекодирование задачи (чертеж, схематическая запись и т. д.);
– переформулирование задачи;
2) осознание проблемности: нахождение противоречивости условий;
3) поиск плана решения: выдвижение гипотезы о возможном
пути решения, т. е. ее доказательство и составление развернутого
плана решения;
4) осуществление решения: установление последовательности
шагов реализации плана, доказательство того, что результат удовлетворяет требованиям задачи;
5) ретроспективный анализ (рефлексия): установление и закрепление в памяти приемов, которые привели к решению.
Технологизация обучения решению задач предполагает четкое
понимание педагогом тех умений, которыми должны овладеть уча25
щиеся, чтобы научиться решать задачи. Если учащиеся участвуют
в решении задач, не осознавая последствий своих действий, причины своих затруднений или удач, то педагогу трудно осуществить
адресную помощь тому или иному учащемуся, так как он не знает,
какие именно умения отсутствуют у каждого из них.
Для решения задач, каждый учащийся должен обладать умением:
– анализировать состав задачи (выявление совокупности элементов и описание структурных связей-отношений между ними);
– расшифровывать условия (определение явных и неявных приведенных данных);
– переформулировать задачу: на основе приведенных данных
выявляется новое требование, при этом работает механизм анализа
через синтез, т. е. выделение (анализ) новых свойств объекта происходит путем соединения (синтез) исследуемого объекта (задачи)
с другими явлениями. В объекте (задаче) как бы выявляется новое
содержание, он будто бы поворачивается каждый раз другой своей
стороной, в нем выявляются неизвестные ранее свойства;
– расширять диапазон эвристик – специальных приемов организации мышления, направленных на создание оптимальных условий
проявления интуиции. Знание эвристик развивает способность находить подход к задачам, методы решения которых еще не известны (выходить за пределы собственных знаний). В качестве эвристик
могут выступать эвристические правила, содержащие рекомендации по выбору возможного действия, направленного на достижение
цели (индукция, аналогия, сравнение, обобщение и т. д.);
– составлять план решения;
– аргументировать действия;
– выделять обобщенный алгоритм решения, если это возможно;
– проводить ретроспективный анализ.
Для того чтобы учащиеся приобрели умения, отвечающие за корректность решения задач, на разных этапах обучения (до начала решения, в ходе его, после решения нескольких задач) можно предложить либо технологическое описание их действий, либо подсказку:
1) внимательно прочитайте условие задачи и выполните требуемое;
2) продумайте задаваемые условия (элемент за элементом) и
определите, как они помогут ответить на поставленный вопрос;
3) посмотрите, не противоречат ли одни данные в условиях задачи другим и как одни из них помогают понять другие;
4) если в условии не хватает каких-либо данных, постарайтесь
вспомнить, что вы знаете по рассматриваемой теме, и подумайте,
какие из них могут помочь при решении задачи;
26
5) предложите свою версию решения задачи;
6) составьте план ее решения по этапам;
7) докажите справедливость своего решения;
8) проверьте, является ли ваше решение ответом по существу поставленного вопроса;
9) проверьте, нет ли в условии задачи данных, противоречащих
вашему решению;
10) проверьте, все ли данные вы учли, все ли возможные выводы
по существу задачи сделали и доказали.
Каждую тему любого предмета можно представить в виде системы познавательных задач, которая должна отвечать следующим
требованиям:
– содержать задачи, соответствующие разным по уровню усвоения учебным целям: первому – знакомство – различение, второму – алгоритмическому, третьему – творческому;
– учитывать все основные виды структурных связей, возможных в данной области знаний;
– представлять собой последовательность задач, выстраиваемых по возрастанию сложности, которая определяется числом познавательных шагов, необходимых для решения, и их сочетанием,
а также сочетанием репродуктивных, алгоритмических, творческих шагов;
– определять типологию методов познания, характерную для
соответствующей науки. Например, для навигации это методы
аналогий, статистический, определения причины по следствиям,
реконструкции целого по части, и наоборот, и т. д.;
– обеспечивать полноту процедур творческой деятельности, что
предусматривает самостоятельный перенос ранее усвоенных знаний и умений в новую ситуацию, способность распознать новую
проблему в знакомой ситуации, осознание новой функции ответа,
видение структуры объекта, поиск алгоритмических способов решения, трансформирование ранее известных способов действия
в новые.
27
2. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПОСТРОЕНИЯ
ИНТЕЛЛЕКТУАЛЬНЫХ ОБУЧАЮЩИХ СИСТЕМ
2.1. Общие положения психологии, педагогики
и требования к обучающей системе
Последовательность и систематичность обучения. Обучающая
система обычно создается для работы в определенной предметной
области. Каждая область имеет свою специфику. В данной работе
будем предполагать, что пользователем ОС является будущий представитель летного состава (летчик, штурман, оператор прицельной
системы и др.), обучающийся воздушной навигации, иными словами, оператор-навигатор.
Целью теоретического и практического обучения является приобретение знаний, умений и навыков, достаточных для полноценной профессиональной деятельности.
Научно-технический прогресс и информационная революция
влияют на профессиональную подготовку двояко. С одной стороны,
усложняется традиционная профессиональная подготовка вследствие неуклонного усложнения осваиваемых комплексов при практически неизменных интеллектуальных и психофизиологических
возможностях человека, с другой, создаются новые уровни автоматизации и информатизации, позволяющие разрешить этот кризис.
Наиболее эффективная последовательность обучения: знания –
умения – навыки. Это связано с иерархической структурой концептуальной модели и модели деятельности человека вообще, на
верхнем уровне которой находятся знания, на среднем – умения,
на нижнем – навыки. Курс теоретического обучения, формирующий знания, умственные возможности и навыки, должен предшествовать практическому обучению, закрепляющему теоретические
знания и формирующему практические умения и навыки.
Четкой границы между теоретической и практической подготовкой не существует, и первая должна плавно переходить во вторую. Однако между тренажерной и летной практической подготовкой летного состава и традиционной теоретической их подготовкой наблюдается разрыв [29]. Компьютеризация теоретического
обучения и внедрение ИОС предназначены для ликвидации этого
разрыва. Последние и используются для предтренажерной подготовки летного состава. Они позволяют проигрывать сценарии выполнения полетных заданий и тем самым сокращать объем занятий
на тренажерах.
28
Сознательность и активность обучаемых. Интеллектуализация
обучения – необходимое требование, приобретающее особое значение при компьютеризации и автоматизации обучения, так как
при внедрении ИОС роль преподавателя (инструктора) изменяется
или исключается вовсе из процесса обучения. Высококачественные
ИОС активизируют творческую мысль обучаемого, глубина усвоения сущности процессов возрастает, обучение становится проблемным и в то же время более предметным. Активность проявляется
в том, что обучаемый сам распознает и анализирует ситуации, сам
принимает решения, сам осуществляет действия и анализирует их
результаты.
Мотивация и цель, наглядность и доступность в процессе обучения. При обучении очень высоки роль мотивации и цели обучения. Обычная система мотивации вводится в процесс подготовки
в виде контроля знаний, умений, навыков и оценок. Более высокой степенью мотивации является демонстрация обучаемому применения теоретических знаний при решении профессиональных
(в данном случае полетных) задач, их необходимости как основы
дальнейшей практической деятельности. Использование компьютера в ИОС позволяет повысить наглядность и доступность обучения. Демонстрация полетных кадров и пояснений к ним может повторяться любое число раз по желанию обучаемого, процессы могут
ускоряться, замедляться или «замораживаться». Это создает возможность адаптации обучаемого.
Создание информационного поля, наилучшим образом способствующего формированию образа полета, правильной концептуальной
модели обучаемого, – важная составная часть оптимизации ИОС.
Информационные потоки при традиционном обучении и использовании ИОС. При традиционном обучении преподаватель,
используя устную речь, записи и графические изображения на доске, может формировать поток обучающей информации. Однако
без обратной связи с обучаемыми она не усваивается.
Обратная связь осуществляется в виде ответов обучаемых на
контрольные вопросы преподавателя и вопросов обучаемых к преподавателю. Этот поток информации ограничен и обычно не превышает 1 байт/мин, что объясняется дефицитом времени, затруднениями с формулировкой вопросов обучаемыми, разным уровнем их
знаний и способностей и другими факторами. Применение компьютера и обучающих программ (ОП) в ИОС позволяет организовать
по-настоящему интерактивный режим. Обучаемый посредством
клавиатуры, мыши или речевыми сигналами формулирует вопро29
сы, ответы на контрольные вопросы ОП, управляет процессами и
демонстрируемыми на дисплее образами, останавливает и повторяет кадры. Важным элементом обучения является поиск обучаемым
совместно с ОП причины непонимания узлового вопроса, которая
мешает правильному суждению об изучаемом предмете.
Оценка трудности решения и сложности задач. В качестве существенных признаков задачи психологи называют необходимость
преодоления субъектом тех или иных трудностей. Ограничимся
рассмотрением количественного аспекта трудности задач, иначе
говоря, их уровнем. Введем предварительно понятие ресурсов решателя.
Под решением задачи обычно понимают воздействие на ее предмет, обусловливающее переход из исходного состояния в требуемое. Воздействующую систему, которая обеспечивает решение задачи, в кибернетике называют решателем. В качестве решателей
могут выступать и люди. В дальнейшем к их числу будем относить
и находящееся в распоряжении субъекта средство решения задачи,
а также время, в течение которого эти средства могут функционировать.
Для количественной оценки трудности решаемых задач психологи используют разные показатели – субъективные и объективные [7, 41].
Субъективные показатели можно разделить на две группы.
Показатели первой группы отражают мнение самих субъектов, решающих задачи, их трудности, вызванное ими утомление, а показатели второй – мнение экспертов. Субъективные показатели обеих
групп используются для характеристики трудности тестов.
На две группы делятся и объективные показатели. К первой
группе относятся те из них, которые характеризуют расходование
ресурсов субъекта. В их число входят:
а) физиологические показатели (частота пульса, артериальное
давление);
б) продолжительность процесса решения;
в) дискретные поведенческие показатели, характеризующие
объем расходования ресурсов (объем затраченного труда, например, число попыток решения задачи).
Показатели «б» и «в» являются показателями интегральной
трудности, хотя не всегда адекватно отражают ее. Объективные
показатели второй группы характеризуют степень успешности
процесса решения задачи или качество достигаемого результата.
Таковы, в частности, вероятность того, что субъект решит зада30
чу, число допускаемых им ошибок, обращений за помощью, подсказок.
В ряде случаев уровень трудности задания оценивают по вероятности правильного его выполнения и по числу испытуемых,
успешно справившихся с ним. Более адекватной является оценка
интегральной трудности, например, по числу ошибок и времени
выполнения задачи. Значительно большая определенность в установлении меры трудности достигается при использовании следующего метода: интегральная трудность j задачи М определяется
объемом ресурсов, который должен израсходовать субъект для
достижения эталонного значения показателя успешности g (число
упражнений, необходимых испытуемому для достижения критерия).
Уровень сложности задания. Различают два вида сложности
задания – реальную и нормативную, т. е. сложность процесса ее
решения нормативным способом. Сложность трактуют как объективную категорию в отличие от трудности, которую оценивают
как субъективную.
Реальную сложность задачи оценивают по числу эффективных
операций в реально осуществляемом алгоритмическом процессе ее
решения, а нормативную – по числу таких операций, выполняемых нормативным способом.
2.1.1. Информационная система
психолого-педагогической поддержки обучаемого
Психолого-педагогическая поддержка обучаемого (ПППО) заключается в том, что на основе диагностики психофизического
состояния обучаемого выбираются подходящие методы обучения,
средства адаптации и индивидуального подхода, выдаются рекомендации по составлению индивидуального учебного плана и принятию решений (ПР) в проблемных ситуациях [24, 38]. Структура
системы ПППО (СПППО) представлена на рис. 2.1.
Связь обучаемого и преподавателя с СПППО осуществляется
через блок «Администратор», функции которого сводятся к координации совместного функционирования блоков системы. При
возникновении проблемной ситуации администратор связывается
с преподавателем или соединяет последнего со студентом.
Блок тестирования предназначен для выявления уровня знаний
обучаемых, определения их психофизического состояния (информация об уровне мотивации, тревожности, стрессах).
31
Преподаватель
Система
образования
Обучаемый
Администратор
Тестирование знаний
и психофизического
состояния
Анализ
психофизического
состояния
Моделирование
ситуаций
Анализ
ситуаций
Принятие
решения
База данных
обучаемых
Механизм
вывода
База
знаний
Представление
решений
Рис. 2.1. Структура системы ПППО
В базе данных об обучаемых содержатся общие сведения о них,
результаты соответствия текущих дел обучаемого индивидуальному плану обучения, результаты тестирования, информационная
модель обучаемого.
В блоке моделирования строится системная модель возможных
проблемных ситуаций, оценивается эффективность принятого решения в конкретной ситуации.
В блоке анализа психофизического состояния обучаемого содержится информация с рекомендацией по преодолению возникающих психофизических проблем (задач, критических ситуаций),
возможных последствиях критических ситуаций (неусвоение учебного материала, отставание от группы, несдача лабораторных и
курсовых работ, зачета или экзамена).
В блоке анализа ситуации проводится классификация возможных проблем (психологических, учебных и организационных, возникающих в процессе обучения).
32
Методика СПППО
Обучаемые
Зарегистрировать
обучаемого
Данные
обучаемого
Тестовые
задания
Результаты
первоначального
тестирования
Выявить
Рекомендуемые
особенности
методы
обучаемого
обучения
Результаты
обучения
по СПППО
Выдать
рекомендации
Методы
обучения
Обучить
студента
СПППО
Текущие
результаты
тестирования
Преподаватель
Рис. 2.2. Фрагмент функциональной модели СПППО
В базе знаний хранятся знания обо всех возможных проблемных
ситуациях, которые могут возникнуть в процессе обучения, и вариантах принимаемых решений.
В блоке представления решений рекомендации по их принятию
преобразуются в рекомендации в форме, удобной для обучаемого.
При разработке функциональной модели СПППО особое внимание уделяется основным ее функциям: зарегистрировать обучаемого, выявить его особенности (начальный уровень подготовки,
начальное психологическое состояние), контролировать эмоциональное состояние (текущее тестирование), успеваемость обучаемого (текущее тестирование), обучать студента (курсанта) согласно
выданным рекомендациям, заносить данные по всем обучаемым
в базу данных. Фрагмент функциональной модели СПППО представлен на рис. 2.2.
2.2. Знаниевая действительность
как основа интеллектуальных обучающих систем
2.2.1. Виды знаний
Знания определяются как основные закономерности предметной области, позволяющие человеку решать конкретные научные
33
и другие задачи, т. е. факты, понятия, взаимосвязи, оценки, правила, эвристики (фактические знания), а также стратегии принятия
решений в этой области. Они позволяют человеку решать конкретные научные и другие задачи.
Некоторые исследователи делят знания на две большие категории – факты и эвристики. Факты указывают на хорошо известные
в той или иной ПрО обстоятельства. Эвристики основываются на
индивидуальном опыте эксперта в предметной области, накопленном в ходе многолетней практики (например, способы использования нечеткой информации, разрешения противоречий и т. п.).
Различают также знания:
– декларативные – знания типа «А это В», характерные для баз
данных, например, «ветер – горизонтальное движение воздуха относительно земной поверхности»;
– процедурные – сведения о способах оперирования декларативными знаниями или их преобразования;
– интенсиональные – знания о связях между атрибутами (признаками) объектов данной ПрО. Они оперируют абстрактными объектами, событиями и отношениями;
– экстенсиональные – данные, характеризующие конкретные
объекты, их состояния, значения параметров в пространстве и времени;
– жесткие – позволяют получать однозначные, четкие рекомендации при заданных начальных условиях;
– мягкие (нечеткие) – допускают множественные, размытые решения и различные варианты рекомендаций;
– глубинные – отражают понимание структуры ПрО, назначение и взаимосвязь отдельных понятий (в фундаментальных науках – это законы и теоретическое основание);
– поверхностные – касаются внешних эмпирических ассоциаций с каким-либо феноменом ПрО.
Большинство экспертных систем основано на применении поверхностных знаний. Характеристика различных ПрО по глубине
и жесткости дает возможность проследить тенденции развития интеллектуальных систем (рис. 2.3).
Как видно из рис. 2.3, область практического применения интеллектуальных систем все больше смещается в сферу задач, требующих
преобладания глубинных и мягких знаний. Такие задачи называют
трудноформализуемыми. Их отличают следующие особенности:
– задача не может быть описана в числовой форме (требует символьного представления);
34
Психодиагностика
Мягкость
Медицина
Управление
Обучение
Планирование мягких
предвычислений
Поверхностные
Диагностика
неисправностей
Глубинные
Жесткость
Проектирование
устройств
Рис. 2.3. Тенденция развития интеллектуальных систем
– алгоритмическое решение ее не известно (хотя, возможно, и
существует) или не может быть использовано из-за ограниченных
ресурсов памяти и(или) быстродействия компьютера;
– цели задачи не могут быть выражены в терминах точно определенной целевой функции или математической ее модели не существует.
2.2.2. Навигационная интеллектуальная обучающая система
В навигационной интеллектуальной обучающей системе имитируемые системы можно представить как разные виды действительности (рис. 2.4) [32, 46]:
– имитируемый летательный аппарат (ЛА) можно рассматривать как управляемую динамическую систему, в основе математической модели которой лежит система дифференциальных уравнений, описывающих движение ЛА;
– авиационный комплекс (АК) – ЛА, бортовое и наземное оборудование – необходимо представлять как информационную систему, взаимодействующую с другими информационными системами
(на земле и в воздухе). В этом участвуют другие предметные знания
(радиолокация, радиосвязь и др.);
– данный комплекс можно представить как комплекс бортового
радиоэлектронного оборудования (БРЭО). Область знаний: кибернетика, теория информации, теория конечных автоматов;
– авиационный комплекс является системой «человек–машина», поскольку от того, как организована деятельность человека,
35
–
специалист по
комплексированию
а
Систем –
ек
«челов а»
машин
Динамическая
действительность
..
..
..
я ..
на
рад Бор
он ость
и
т
и
ац льн
обо оэле овое
м
к
р те
р
о
у
дов трон
ф ви
ани ное
Ин йст
е
е
д
..
Рис. 2. 4. Разные виды действительности в ИОС
зависят почти все показатели функционирования АК. Так, обучающие качества ИОС во многом определяются деятельностью инструктора.
До сих пор совершенствование таких обучающих средств, как
авиационный тренажер (АТ), производилось в каждой действительности отдельно, не было единой онтологической картины. При
этом в разработках преобладали два подхода: теоретический и эмпирический.
При теоретическом подходе анализ и синтез структуры АК выполнялись в соответствии с той или иной математической теорией:
теорией динамических систем, конечных автоматов, иерархических систем (например, при построении пилотажно-навигационного комплекса) и т. п. При этом синтез выполнялся в каждой действительности отдельно (например, человек-оператор описывается
той или иной передаточной функцией).
Эмпирический подход связан с созданием комплексов полунатурного моделирования. Недостатком такого подхода является
то, что комплекс создается, как правило, под конкретное изделие.
Имитация на комплексе процессов функционирования изделия может лишь показать неудовлетворительность его работы. Поскольку
изделие уже реализовано аппаратно, то несоответствие может быть
ликвидировано не путем принципиально новых решений, а лишь
методом «заплат».
Таким образом, разработка АТ, происходящая в четырех разных действительностях, не может привести к созданию целостного
описания АК, что заставляет говорить о нем как о сложном объекте. Роль теоретического базиса (онтологии) в естественных науках
36
3
..
M∑
..
1
2
4
Будущее
состояние
Прошлое
состояние
5
Рис. 2.5. Знаниевая действительность в ИОС
состоит в том, что он задает единую действительность, объясняющую сущность и причины тех или иных классов явлений.
Вследствие недостатков традиционных технологий разработку
ИОС будем вести в знаниевой действительности (рис. 2.5). В данной
действительности работают такие дисциплины, как теория искусственного интеллекта.
2.2.3. Основы знаниевой теории моделей в навигационной ИОС
Первый принцип теории моделей – проектирование ИОС следует начинать с представления тех знаний, на которые должны
опираться мышление и деятельность оператора-навигатора, работающего в ИОС. Для создания ИОС необходимо использовать все
имеющиеся в современной теории управления модели. Проблема
состоит в том, как их связать между собой в рамках процесса управления обучением. Решение проблемы состоит в комплексировании
в знаниевой действительности, при этом каждая модель должна
быть представлена как один из типов знаний. Для этого система
управления обучением, включающая в себя человека, должна рассматриваться как система деятельности, т. е. как организационнотехническая система, представление которой задает пространство
для формирования моделей разных типов (см. рис. 2.5).
37
Схема управления обучением, взятая из современной литературы, определяет понятие управления для широкого класса социально-экономических и технических систем. В нижней части схемы
изображены прошлое и будущее состояния объекта управления
(ОУ) (в рассматриваемом случае обучаемого). Состояние ОУ может
меняться как в результате процессов естественной трансформации,
присущих ОУ (стрелка 5), так и вследствие управляющего воздействия на ОУ (двойная стрелка 4) и осуществляется устройством
управления (УУ), показанным в верхней части рис. 2.5. Таким образом, схема на рис. 2.5 разделена на три области: «настоящее»,
«прошлое» и «будущее». Настоящее состояние обеспечивается УУ,
а прошлое и будущее есть исходное и конечное состояния ОУ.
Устройство управления включает в себя модель человека, выбирающего и осуществляющего управляющее воздействие (доля
обучающей информации), комплекс моделей М обеспечивает получение и представление знаний об ОУ. Стрелками 1 и 2 показаны
соответственно связь замещения реального ОУ его моделью и связь
отнесения знаний, полученных на модели, к реальному ОУ.
Устройство управления выполняет две группы функций:
– описание и анализ текущей ситуации и ОУ;
– выработку управляющего воздействия, которое должно обеспечить перевод ОУ в заданное состояние.
Функции первой группы реализуются процедурами анализа
ситуации с использованием комплекса моделей М, а функции второй – специальными процедурами поиска решений, также работающими с комплексом моделей.
Среди многих причин ошибочных действий операторов наиболее важное – недостаточная эффективность их подготовки. Это
обусловливает необходимость создания математических моделей
динамики подготовки и переподготовки кадров. В связи с тем, что
обучение многоэтапно, речь должна идти о сети этапов усвоения и
обработки знаний.
В процессе обучения происходят как усвоение, так и забывание, т. е. уровень подготовки обучаемого изменяется. Для оценки
динамики знаний по отдельным положениям, темам или учебным
курсам используют следующие характеристики [36, 44, 47, 49]:
интенсивность усвоения (забывания или восстановления) знаний,
потоки учебного материала П1 и восстановления знаний П2, вектор
вероятности усвоения УМ и др.
Пусть в некоторой учебной дисциплине выделено N типовых
единиц деятельности (ТЕД), подлежащих изучению. С i-й ТЕД
38
можно связать жизненный цикл Ti – интервал времени, который
необходим обучаемому для освоения ТЕД. В пределах этого цикла
циркулируют два потока: поток П1i и поток восстановления знаний
П2i. Потоки УМ П1 и П2 образуются путем суперпозиции потоков
П1i и П2i, i = 1, N :
=
Xji
N
=
Xji , j
∑
1, 2.
i =1
Динамика знаний по курсу определяется в первую очередь потоками П1 и П2, числом N ТЕД в нем и режимом усвоения r. На основе этих потоков можно путем решения интегродифференциальных
уравнений прогнозировать изменение уровня знаний обучаемых.
Анализ количественных характеристик динамики знаний позволяет оптимизировать управление учебным процессом.
Задача оптимизации ставится следующим образом.
Процессы усвоения, забывания и повторения УМ образуют некоторый случайный процесс. Для пространства его реализаций
может быть сформулирована вероятностная мера. Имеется также
некоторая совокупность управлений этим процессом. Каждая комбинация из реализаций случайного процесса и соответствующего
управления имеет функционал качества. Таким образом, задача
оптимизации управления учебным процессом сводится к синтезу
стратегии управления случайным процессом, которая экстремизирует значения выбранного функционала качества.
Исходными данными для синтеза могут выступать интенсивности усвоения и забывания, экономические показатели (затраты на
обучение, «цена» ошибок и т. п.), риск оценки при компьютерном
контроле знаний и др. На основе этих данных для обучаемых определяются периодичность проведения проверок и повторений УМ, а
также объемы УМ. В качестве критериев оптимальности могут использоваться максимум коэффициента профессиональной готовности обучаемого, минимум средних удельных затрат на организацию
обучения и др. Под коэффициентом профессиональной готовности
обучаемого понимается вероятность того, что он находится в состоянии знания в произвольный момент времени за исключением
планируемых интервалов, в течение которых его работа не предусматривается.
Возможные стратегии могут быть, например, такими [36]:
1. Повторение УМ и восстановление знаний в случае забывания
проводятся в календарные сроки.
39
2. Повторение УМ проводится в календарные сроки, а восстановление знаний – в случае забывания.
3. Планирование повторения УМ осуществляется по объему усвоенного материала Q(t). В этом случае при уменьшении величины
Q(t) до Qmin организуется повторение УМ.
4. Повторение УМ в группе из N обучаемых по одному положению или одного обучаемого по N ТЕД. При этом вводится показатель эффективности использования времени каждым обучаемым
группы
k
,
ν (k) =
 k

1
+ t (k)l ( N − k) 
 N∑


 i =1 N + 1 − i

−1
=
m 1=
/ t ( k ) 720ìåñ
,
где N – число обучаемых; k – число обучаемых, при забывании которыми некоторого положения организуется повторение УМ; t ( k ) –
среднее время повторения УМ; l – интенсивность забывания.
−1
Так, если l =0,3 ìåñ−1=
, m 1=
/ t ( k ) 720ìåñ
, N = 50, то
max ν ( k ) = 0,793 достигается при k = 10. При этом эффективность
использования времени каждым обучаемым уменьшается с ростом
численности группы.
Приведенные стратегии могут быть использованы для поддержания в необходимой профессиональной готовности операторов
ЛА и других сложных комплексов. На их основе для каждого оператора или пользователя с учетом характеристики динамики его
знаний, экономических показателей и риска оценки знаний могут
быть определены оптимальные периоды обучения.
Модели динамики знаний могут быть выражены формулой
Литтла.
Пусть W – среднее время ожидания восстановления знаний, а
T – среднее время пребывания ТЕД на этапе усвоения b, равное их
сумме:
T
= W + b.
Аналогично среднее число ТЕД на этапе усвоения равно сумме
среднего числа q положений в очереди и среднего числа r усваиваемых ТЕД:
T= q + p.
40
Указанные величины связаны следующими зависимостями:
L=
lT, q =
lW,
где l – интенсивность потока УМ.
Эти соотношения справедливы для любой дисциплины усвоения, когда обучаемый не простаивает, если некоторые положения
не усвоены.
2.2.4. Сетевые модели динамики знаний
Под сетью динамики знаний (СДЗ) понимают совокупность конечного числа этапов усвоения, контроля и диагностирования знаний, в которой циркулируют ТЕД учебной дисциплины в соответствии с матрицей перехода от одного этапа к другому [37].
Пример 1. Пусть обучаемый оператор должен знать N ТЕД. Модель
динамики знаний может быть представлена в виде замкнутой СДЗ
(рис. 2.6), содержащей два этапа: усвоение Э2 и забывание Э1.
Пусть b1i = b2i = const, i = 1, N (т. е. все ТЕД однородные), при
1/ b1 – интенсивность забывания ТЕД, время усвоения
этом m1 =
(восстановления) знаний распределяются по экспоненциальному
закону. Интенсивность усвоения
m2 =
1/ b2 ,
если обучаемый мгновенно переходит к усвоению (восстановлению) знаний по ТЕД, приведенной на рис. 2.6.
На рисунке b1i, i = 1, N , среднее время забывания i-й ТЕД, b2 –
среднее время усвоения (восстановления) знаний; D1 и D2 – дисциплины «обработки» ТЕД на этапах Э1 и Э2 соответственно; О2 – очередь ТЕД на входе этапа Э2.
λ
D1
b11
О2
b12
..
.
b1N
Э1
D2
Э2
b2
λ
p22
p21
Рис. 2.6. Сеть динамики знаний
41
Забытые ТЕД образуют очередь перед этапом Э2, причем знания по ним восстанавливаются по мере забывания (поступления
на этап Э2).
На рисунке представлены два варианта усвоения знаний: в первом случае обучаемый, приступив к усвоению (восстановлению
знаний) по некоторой ТЕД, усваивает ее до конца, не прерываясь,
во втором (пунктир) случае используется циклическая дисциплина
усвоения ТЕД. В соответствии с ней в усвоении ТЕД выделяются
фазы 1, 2, … По окончании каждой из них осуществляется одно из
следующих событий: с вероятностью p22 ТЕД ставится в конец очереди О2 для доусвоения, а с вероятностью p21 она переводиться на
этап Э1. Таким образом, данный режим отличается тем, что обучаемому выделяется «квант времени» для усвоения очередной ТЕД из
очереди О2.
Отметим одну особенность этапа Э1 – перед ним отсутствует
очередь. Такая дисциплина обработки ТЕД по аналогии с теорией
массового обслуживания обозначается IS (Immedialety Served – обработка без ожидания).
При сделанных предположениях процесс изменения знаний является марковским. Обучаемый может находиться в одном из N+1
состояний Si , i = 0, N, причем Si – состояние, в котором обучаемый
не знает (забыл) i положений. Интенсивность перехода из состояния S=
i , i 0, N − 1 , в состояние Si +1 равна m1(N – i), интенсивность
же перехода из Si , i = 1, N , в Si −1 равна m2. При этом стационарная
вероятность Pi пребывания обучаемого в состоянии Si , i = 0, N , записывается в виде
=
Pi
N ! ri / ( n − 1) !
=
, i 0, N,
N
N!
k
r
∑
k =0 ( N − k ) !
где ri =m1 / m2 – загрузка обучаемого по одной ТЕД.
Определим Pi .
Пусть для некоторого обучаемого (оператора) интенсивность за0,1 ìåñ−1 (т. е. среднее время сохранения знабывания знаний m1 =
ний по отдельной ТЕД равно b1 = 1/ m1 = 10 мес), а интенсивность
1 ÷ −1 (т. е. на усвоение (восих усвоения (восстановления) m2 =
становление) знаний по отдельной ТЕД в среднем затрачивается
b2 = 1 / m2 = 1 ÷ ). Тогда загрузка обучаемого поддержанием знаний
по отдельной ТЕД составляет r = 0,00014=0,014 %.
42
Для определения вероятности Pi , i = 0, N , можно использовать
таблицы распределения Пуассона, так как
Pi =
P ( N − 1, h )
Q ( N, h)
,
где h = 1/r,
=
P(m, n )
hm h
e=
, Q ( N, h)
m!
N
∑P ( i, h), N < ∞.
i =0
Зная вероятности Pi , i = 0, N , можно определить среднее число
забытых положений:
L2 (N=
)
N
∑ iP=i
i =0
N−
hQ(N − 1, h)
.
Q(N, h)
Можно определить и среднее время цикла V(N) для отдельной
ТЕД. Обозначим через l число ТЕД, усваиваемых в единицу времени (пропускную способность сети). Интенсивность поступления
ТЕД в сеть и выхода из нее также равна l.
Определим среднее время пребывания Т2(N) забытого положения на этапе Э2. Оно имеет две составляющие: среднее время усвоения b2 и среднее время ожидания усвоения w.
В соответствии с формулой Литтла имеем
l(b1+T2(N)) = N.
Следовательно, среднее время цикла для одной ТЕД в стационарном режиме
V1(N) = b1 + T2(N) = N/l.
Обозначим через P0 вероятность того, что ни одна из N ТЕД не
забыта (т. е. обучаемый как бы простаивает). При этом в стационарном режиме обучаемый в единицу времени может усвоить число
ТЕД, равное (1 – P0)/b2, или
1 − P0
l=
.
b2
43
На основе V1(N) и l получаем
T2=
(N)
Nb2
− b1.
1 − P0
Нормированное среднее время пребывания ТЕД на этапе усвоения
T2 (N)
= T2 (N)=
m2 N (1 − P0 ) − h,
b2
где h = 1/r = b1/b2.
С учетом среднего времени T2(N) пребывание ТЕД на этапе Э2
среднее время цикла V1(N) можно представить в виде
V1=
(N)
Nb2
N
=
.
1 − P0 m2 (1 − P0 )
Отношение T2(N)/V1(N) характеризует загрузку обучаемого
поддержанием знаний по N ТЕД. Она также равна средней доле забытых ТЕД:
T2 ( N ) L2 ( N )
,
=
V1 ( N )
N
где L2(N) – среднее число забытых ТЕД.
На основе формулы Литтла определяем среднее число ТЕД L2(N)
на этапе Э2:
L2(N) = lT2(N)
или с учетом значений V1(N), T2(N) и l получаем
L2(N) = N – (1 – P0)h.
Пример 2 (многоэтапная СДЗ). В модели, представленной на
рис. 2.6, не был раскрыт и детализирован процесс диагностики и
последующего усвоения знаний. Он был отображен обобщенным
этапом Э2. В качестве более адекватной сетевой модели обеспечения гарантированного качества подготовки специалистов рассмотрим СДЗ, приведенную на рис. 2.7.
Здесь этап Э1 по-прежнему соответствует забыванию N ТЕД,
и принято, что интенсивность их забывания постоянна и равна
m1i = m1 = 1/bi, i = 1, N . Этап с очередью О2 отражает процесс кон44
D1
1
2
N
Э1
b11
b12
..
.
b1
p33
О2
p12
D2
Э2
О3
λ
b2
D3 Э3
b3
О4
p34
p23
pэ
D4
Э4
b4
p41
Рис. 2.7. Сеть динамики знаний
троля знаний со средним временем контроля одной ТЕД, соответствующим b2. С выхода этапа Э2 ТЕД, которые приняты
в результате контроля неусвоенными, с вероятностью p23 попадают на этап усвоения Э3. Положения же, которые признаны усвоенными на этапе Э2, «отправляются» на этап Э1 с вероятностью p21. С выхода этапа Э3 неусвоенные ТЕД с вероятностью p33
возвращаются в очередь О3 для продолжения усвоения. С этапа
Э3 с вероятностью p34 ТЕД переводится на следующий этап Э4
диагностирования знаний с очередью О4 и средним временем диагностирования b4. С выхода этапа Э4 ТЕД, признанные неусвоенными, с вероятностью p43 возвращаются на этап Э3. Положения
же, признанные усвоенными, с вероятностью p41 возвращаются
на этап Э1.
В общем случае в многоэтапной СДЗ интенсивность усвоения,
контроля, диагностирования и других видов обработки знаний на
этапе Эi может зависеть от числа ТЕД ni, i = 1, N , которые находятся
на данном этапе, например,
0, Ai ,
 ni mi ïðè ni =
mi ( ni ) =

 Ai mi ïðè ni > 0, M.
2.3. Формирование знаний, умений и навыков
Дидактика рассматривает два основных аспекта понятия «знания»: знания как то, что должен усвоить учащийся, и знания как
то, что уже усвоено им, применено или соответствующим образом
использовано в вербальной и предметной практической деятельности, стало свойством его личности.
45
Знания в первом своем значении образуют содержание обучения. Они представляют собой адекватное отражение действительности, проверенное общественной практикой. Знания во втором
своем значении, т. е. как свойство личности, представляют собой
адекватно запечатленную в памяти человека в языковой форме познаваемую действительность.
Физиологическим механизмом знаний являются второстепенные рефлекторные связи, а психологической основой знаний служат процессы мышления и памяти.
Знания в психолого-педагогическом понимании представляют
собой адекватно запечатленную в памяти человека в языковой форме познаваемую действительность, в том числе способы (правила)
деятельности.
Умение человека означает проявленную (доказанную) им готовность к достижению цели в соответствующей деятельности путем
осуществления ее под более или менее строгим контролем со стороны мышления, с осознанием всей системы составляющих ее действий или части этой системы.
Навык человека означает проявленную (доказанную) им готовность к достижению цели в соответствующей деятельности путем
осуществления ее без строгого контроля со стороны мышления благодаря упражнениям, с осознанием из всей системы составляющих
ее действий только исходного.
Процесс обучения складывается из:
1) постановки учебно-познавательной задачи педагогом и ее
принятие учащимся;
2) передачи знаний педагогом и усвоения их учащимися;
3) учебно-продуктивной практики, которая обеспечивает перевод объекта в субъект;
4) педагогической проверки знаний, умений и навыков учащихся.
Cущность процесса обучения выражается в расширении способностей человека, отвечающих потребностям общества и личности.
Процесс преподавания включает в себя:
1) постановку учебно-познавательной задачи;
2) передачу знаний учащимся;
3) педагогическую проверку знаний, умений и навыков учащихся.
2.3.1. Формирование компетентности
Интеллектуальные обучающие системы позволяют не только
передавать знания, но и осуществлять в результате тренировки
46
процесс перехода от явного использования декларативного знания
к прямому применению процедурного.
Компетентность в естественных науках, как правило, ассоциируется с уровнем тренированности в выполнении операций,
необходимых для решения задач. Тренированность в выполнении
тех или иных умственных действий характеризует приобретенные
учащимися навыки.
В ИОС, формирующих компетентность, можно выделить следующие составляющие:
– генератор задач (ГЗ) – программный модуль (ПМ), оперирующий задачами;
– систему слежения (СС) – программный модуль, осуществляющий пооперационный контроль и запись действий обучаемого, а
также определяющий расстояние текущего состояния от целевого;
– механизм обратной связи, принимающий решение о том, сообщать или не сообщать обучаемому о текущем состоянии решения
задачи;
– интерфейс, включающий в себя виртуальное пространство,
содержащее математические объекты и интерактивную систему
управления ими;
– воспроизводящий модуль, который, используя записанную
системой слежения информацию, воспроизводит виртуальную картину деятельности обучаемого.
Для того чтобы эффективно формировать компетентность, ИОС
должна обладать определенными возможностями. Поскольку ее
формирование связано с формированием навыков, то необходима
программа, реализующая у обучаемого все три стадии приобретения навыков [18, 33]:
– когнитивная стадия предполагает наличие обучающей подсистемы, которая позволяет обучаемому осуществлять декларативное кодирование навыка, т. е. запоминание фактов, релевантных ему. Обучаемый всегда должен иметь доступ к декларативным
знаниям в активном и пассивном режимах (активный режим, при
котором обучаемый сам проявляет желание работать с декларативной информацией, в пассивном режиме ИОС сама напоминает
обучаемому декларативные знания, получив управляющее воздействие от механизма ОС);
– ассоциативная стадия предполагает наличие ГЗ. Решая последовательно одну задачу за другой, обучаемый, во-первых, обнаруживает и устраняет ошибки в исходном понимании проблемы, во-вторых, формирует связи между различными элементами,
47
необходимыми для успешного выполнения задания. В результате
реализации этой стадии появляется способность успешно применять навык. Программный модуль, формирующий навык, должен
включать в себя подсистему слежения за действиями обучаемого и
механизм ОС. В зависимости от успешности выполнения задания
механизм ОС вырабатывает управляющие сигналы, которые должны удовлетворять принципу необходимого разнообразия Эшби [1]
и помогать обучаемому в формировании продукционных знаний.
Результатами освоения ассоциативной стадии являются процедуры, которые можно описать правилами продукции;
– автономная стадия является завершающей. На этой стадии
подсистема слежения отключает механизм ОС, так как процедуры
выполняются за время, отвечающее нормативам.
Генератор задач, решение которых осуществляет обучаемый,
должен предоставить ему возможность использовать правила
продукции в материализованной форме. Для этого у ИОС должны быть развиты графические средства отображения информации (СОИ), иллюстрирующие процесс решения задачи. При
этом язык общения должен соответствовать предметной области.
Информация должна быть представлена в семиотических оппозиционных парах [5]. Например, решение задач преобразования
графика функции связано с необходимостью перевода описания
состояния задачи с континуального языка на дискретный, и наоборот. Базисом для графического интерфейса может служить
язык второго уровня, оснащенный графическими возможностями
(например, Visual Basic).
Наличие интерактивной подсистемы позволяет осуществлять
преобразования объектов или соответствующих параметров задач.
При этом обучаемому не сообщается напрямую, как поступить или
какое действие произвести. Он сам на основе своего опыта познает,
какие действия приводят к наибольшему поощрению. В качестве
такого поощрения выступает информация о расстоянии до цели,
которую ИОС выводит через механизм ОС. Действия обучаемого
определяются не только текущим результатом, но и промежуточным поощрением. Интеллектуальная обучающая система ставит
перед обучаемым две цели: тактическую – правильно решить текущую задачу с наименьшим числом ошибок и стратегическую –
достичь автономной стадии приобретения навыков.1
1
48
Данилюк А. П. Теория интеграции образования. Ростов-на-Дону: РГПУ, 2000.
2.3.2. Модель поддержки процесса формирования
интеллектуальных умений в области воздушной навигации
Существуют разные формы представления знаний. Среди наиболее
важных, находящих применение в навигации форм, назовем физическую модель или ее аналог, инструмент, систему навыков и умений,
структуру внутрипредметных связей, вербальную, задания (задачи).
Каждая из этих форм имеет достоинства и ограничения в применении. Тем не менее наиболее важной и профилирующей для операторанавигатора является форма задачи [10, 17, 19, 21, 23, 25, 26].
В соответствии с требованиями к навигационной подготовке
летных экипажей в структуре функциональных знаний будущих
специалистов должны присутствовать не только теоретические
знания, но и интеллектуальные умения и навыки. Для этого необходимо обеспечить формирование системы умений для изучаемого
вида деятельности, а не просто отдельных умений, причем без увеличений отводимого учебным планом времени обучения.
Концептуальной моделью учебной информации, предназначенной для формирования умения, является образец реализации умения выполнения задачи деятельности, согласованный с определением умения как сформированного плана решения этой задачи на
уровне действий. Под полным умением будем понимать умение выполнять задачу деятельности при всех выделенных для изучения
вариантах операций деятельности.�
На основе анализа дидактических технологий, используемых
в высшей школе, можно сделать вывод о целесообразности применения активных технологий обучения. Наиболее соответствующим задачам обучения умениям в области воздушной навигации
является метод активного обучения, основанный на имитационном
моделировании конкретных проблемных ситуаций изучаемой деятельности. Моделирование изучаемой деятельности осуществим на
основе выделенной экспертами-навигаторами системы взаимосвязанных, вложенных и взаимодополняющих учебных задач.
Принцип системности при моделировании структуры учебной
информации предполагает обеспечение:
– дедукции на основе содержательного обобщения знаний о проблемной ситуации задачи деятельности;
– необходимого многообразия конкретных вариантов решения
задач, обеспечивающих формирование полного умения;
– схемы доступа к учебной информации на основе соответствия
«ситуация → условия ее разрешения».
49
Принцип активности требует наличия интерфейса, реализующего активную роль пользователя в схеме взаимодействия «обучаемый – интеллектуальная навигационная тренажерно-обучающая
система» (ИНТОС). При решении проблемы поддержки процесса
формирования умения (ПФУ) следует различать следующие виды
задач: задачи деятельности обучения, задачи изучаемой деятельности и учебные задачи, моделирующие реальные задачи предметной
области.
В процессе обучения инструктор одновременно формирует
у обучаемого требуемое умение и осуществляет информационную поддержку умения, если такая потребность у последнего
возникает.
Рассмотрим возможную форму представления учебной информации, структура и содержание которой соответствуют типовым задачам деятельности в области воздушной навигации [13].
Типовую задачу определим как ситуацию S, для которой известна
схема решения на уровне действий и которая может быть декомпозирована на множество элементарных задач, удовлетворяющих и
поясняющих решения типовой задачи.
Выделенное множество типовых задач в структуре изучаемой
деятельности образует систему целей обучения умениям и может
выполнять роль контрольных задач.
Концептуальную модель учебной задачи представим кортежем
вида
Zó = Só , Có , Uó , Ió , (2.1)
(
)
где Sy – учебная ситуация, определяющая задачу; Cy – цель этой
задачи, совпадающая с целью типовой задачи деятельности; Uy –
условия решения указанной задачи деятельности; Iy – учебная информация о ее компонентах.
Учебная ситуация Sy характеризуется определенным составом
объекта ПрО и установленными отношениями между ними при заданной учебной цели Cy. Моделирование ситуации типовой задачи
и порождаемых ею элементарных задач деятельности позволяет
определить систему вариантов учебных задач. Условия задачи Uy
отражают, каким образом исходные данные преобразуются в результат. В общем случае они могут содержать описание метода Му,
алгоритм Ау, а также его программной реализации Ру и быть представлены кортежем
(
)
Uó = Mó , Aó , Pó .
50
Информация Iy о компонентах модели типовой задачи включает
в себя данные Dy и знания ZNy и представляется кортежем
Iу = (Dу, ZNу).
(2.2)
Данные и знания характеризуют проблемную ситуацию, цель,
метод, алгоритм, программу. Таким образом, совокупность компонентов концептуальной модели создает информационное обеспечение системы поддержки процесса формирования умений и может
быть представлена соответствующим кортежем:
(
)
Dy = DSó , DCó , DMó , D Aó , DPó ,
(
)
ZNó = ZNSó , ZNCó , ZNMó , ZN Aó , ZNPó .
Данные о ситуации DSó определяют исходные данные
DUó = DMó , D Aó , DPó в модели учебной задачи (УЗ). Компонент
DSó коррелирован с компонентом DCy и входит в описание учебной ситуации. Компонент ZNу является общетеоретической информацией (декларативными знаниями) об элементах проблемной ситуации и связях между ними.
Компонент ZNUó = (ZNMó , ZN Aó , ZNPó ) определяет блоки учебной информации, раскрывающей схему решения задачи, и представляет собой процедуральные знания.
Модель решения учебной задачи Ry предоставляет обучаемому
информацию об учебной ситуации на уровне данных DSó при заданной цели DCy и знания ZNUó об условиях решения, ведущих
к требуемому результату, и представляется в виде
(
)
ZNU = ( ZNM , ZN A , ZNP ),
Dy = ( DM , D A , DP ).
Ry = DSy , DCy , ZNUó ,
ó
ó
y
ó
y
ó
y
После подстановки выражения (2.2) в (2.1) результат обучения
можно записать в виде
(
)
Py = Sy , Cy , Uy , Dy , ZNy . (2.3)
51
На основании комбинированного анализа состава компонентов модели (2.3) все множество взаимосвязанных и взаимодополняющих задач может быть представлено элементами множества
Pó=
(Pó =
Pói , i 0,7 ) , которые являются классами учебных задач:
1) полная (общая) задача формирования умения, имеющая полный набор учебных компонентов, может быть описана в виде
{
}
Pó7 = Só , Có , Uó , Dó , ZNó ;
2) неполные задачи формирования умения, содержащие один из
компонентов учебной информации, необходимый для формирования умения (данные Dу или процедуральные знания ZNy для условий Uy отсутствуют) могут быть заданы моделями
=
Pó6
=
Pó5
Só , Có , Uó , Dó , − ,
Só , Có , Uó , −, ZNó .
Здесь символ «–» означает отсутствие компонента в моделях
классов учебной задачи или умения;
3) полная информационо-рецептивная задача формирования умения, содержащая только компоненты общетеоретической информации DSó , ZNS для ситуации Sy и определяемая моделью вида
y
=
Pó4
Só , Có , −, Dó , ZNó ;
4) неполная информационо-рецептивная задача формирования
умения, содержащая только один из компонентов общетеоретической
информации (декларативные знания ZNS или знания DSó ) при полy
ном отсутствии процедурных знаний, задается моделями вида
=
Pó3
Pó2
=
Só , Có , −, −, ZNó ,
Só , Có , −, Dó , − ;
5) вспомогательная задача, используемая при формировании
полного умения и содержащая компонент активных процедуральных знаний Uy. Она используется совместно с задачами Ру2, Ру3, Ру4
и определяется моделью вида
=
Pó1
52
Só , Có , Uó , −, − ;
6) нулевой задаче (соответствующей пустому множеству в описании задачи), модель которой не имеет компонентов Uy, Dy, ZNy,
соответствует описание
=
Pó0
Só , Có , −, −, − .
На основе указанных классов учебных задач элементарные их
структуры, ориентированные на формирование полного умения Y7,
могут быть представлены в виде и (или) графов.
Результат решения обучаемым каждой учебной задачи Рyi ∈ Py характеризуется одним из элементов множества умений Yi ∈Y, определяющим его состояние обученности. На основе элементарных структур задач могут быть построены схемы корректировки kni→t , i → t.
Здесь i – номер класса, сформированного на данном этапе обучения
умению Yi; n – номер корректирующей последовательности для данного класса умения, приводящий к формированию полного умения
Y7. На основе этих схем процесс формирования умения рассматривается как процесс перехода состояния обученности учащегося, определяемого моделью начального умения Y0, в состояние обученности,
обусловливаемое моделью полного умения Y7, с учетом промежуточного состояния Yi под воздействием учебных задач Руi. Моделью этого процесса является граф состояний обученности, представленный
на рис. 2.8.
Модель решения Ry учебной задачи Ру представляется системой
кортежей (Y). Для формализации представления данных об учебной ситуации используется описание учебной ситуации Sу при заданной учебной цели Су. С учетом требований к структуре умственных действий решение Ry задачи Ру представляется пространством
решений элементарных подзадач, полученных в результате введения на нем отношения типа «общее – конкретное». Для реализации
этого отношения определим следующие виды моделей решения
Ró = r, ZNUó .
Обобщенное решение Ryî учебной задачи предназначено для
î
формирования обобщенных знаний ZNM
о сущности метода М и
возможных способах его реализации для разрешения УС, представленной обобщенным описанием ρо. Оно задается моделью вида
Ryî =
î
где ZN
=
U
y
î
rî , ZNU
,
y
î
ZNM
, −, − .
53
Py1
Y0
Py2
P =〈Sy, Cy, Uy, –, –〉
Y1
Y2
P =〈Sy, Cy, –, –, –〉
Py6
Py3 P
Py5
y7 Py4
Y3
P
Y5
Y4
Py1
Py3
P =〈Sy, Cy, –, Dy, ZNy〉
Py4
Py5
Py6
Py1
Py2
Y6
P =〈Sy, Cy, Uy, Dy, –〉
Py2
Py3
Y7
Рис. 2.8. Граф-схема модели изменения состояний
при решении очередной учебной задачи
Частично конкретизированное решение Ry* учебной задачи предназначено для формирования частично конкретизированных знаний
*
ZNM
об общей схеме алгоритма А выполнения возможного варианта
решения, соответствующего УС, представленной отчасти конкретным описанием ρо. Такое решение выражается моделью вида
Ry* =
*
rî , ZNU
,
y
*
*
=
где ZNU
ZNM
, ZN*A , − .
y
Конкретное решение Róê учебной задачи предназначено для
ê
формирования конкретных знаний ZNU
о выполнении приема
ó
М, алгоритма А и образца Р выполнения действий, реализующих
конкретную учебную ситуацию С описанием ρк. Такое решение
представляется моделью вида
Ryê =
ê
rê , ZNU
y
,
ê
ê
где ZNU
= ZNM
, ZN êA , ZNPê .
y
Модель процесса обучений Ry задачи Ру имеет вид
M=
54
r, ZNUó , OS, OZN ,
где S – множество описаний учебных ситуаций в пространстве решения задачи Ру, задаваемое кортежем
S = Sî , S*, Sê ;
ZNUó – множество условий разрешений учебной ситуации S, задаваемое кортежем
î
ê
ê
ZNU = ZNU
, ZNU
, ZNU
ó
ó
ó
ó
;
OZN – множество отображений ozni: S → ZNUó , реализующих виды
моделей решения задачи Ру.
Описанная модель обучения сочетает в себе возможность планирования его в пространстве описаний ситуаций с возможностью представления учебной информации на основе модели решения учебной задачи.
Алгоритм взаимодействия «обучаемый – система ПФУ» приведен на рис. 2.9.
Начало
Определение
темы
Ввод названия УС
для шага плана
Поиск названия
учебной ситуации
в меню УС
Построение шага
плана достижения
цели
Название УС
найдено?
Выполнение
шага плана
Предоставление
учебной
информации
Цель учения
достигнута?
Цель учения
достигнута?
Конец
Рис. 2.9. Алгоритм взаимодействия «обучаемый – система ПФУ»
55
Доступ обучаемого к компонентам учебной задачи, содержащим
знание о процедуре решения, осуществляется на основе импликативной схемы:
– «описание ситуации→условия решения» i-й задачи;
– усвоение знаний;
– учебно-продуктивная практика.
2.4. Модели представления знаний
На этапе формализации базы знаний производится выбор модели их представления. В рамках выбранного формализма осуществляется проектирование логической структуры БЗ. На рис. 2.10
приведена классификация моделей представления знаний.
Декларативные модели содержат личные знания.
В процедурных моделях логическая модель реализует как объекты, так и правила с помощью предикатов первого порядка, является строго формализованной, использующей универсальный
дедуктивный и монотонный метод логического вывода «от цели
к данным».
Под предикатом понимается логическая функция на
N-аргументах (признаках), которая принимает истинное или ложное значение в зависимости от значений этих аргументов. Отличие
заключается в том, что для объектов соответствующие реляционные отношения задаются явно в виде фактов, а действия описыМодели представления знаний
Декларативные
Процедурные
Логические
Логика
высказываний
Исчисление
предикатов
Семантические
сети
Продукционные
Аппарат
семантических
сетей
Фреймовая
Условные
вероятности
Нечеткая
логика
Объектноориентированная
Рис. 2.10. Классификация моделей представления знаний
56
ваются как правила, определяющие логическую формулу вывода
фактов из других фактов. Механизм вывода осуществляет дедуктивный перебор фактов, относящихся к правилу, по принципу
«сверху – вниз», «слева – направо» или обратный вывод методом
поиска в глубину.
Для логической модели характерна строгость формального аппарата получения решения. Однако полный последовательный перебор всех возможных решений может приводить к комбинаторным
взрывам, в результате чего решение поставленных задач может занимать недопустимо много времени. Работа с неопределенностями
знаний должна быть запрограммирована в виде самостоятельных
метаправил, что на практике затрудняет разработку БЗ с помощью
логического формализма.
Продукционные модели используются для решения более сложных задач, которые основаны на применении эвристических методов представления знаний, позволяющих настраивать механизм
вывода на особенности ПрО и учитывать неопределенность знаний.
В такой модели основной единицей знаний служит правило в виде
«åñëè «ïîñûëêà» , òî «çàêëþ÷åíèå» »,
с помощью которого могут быть выражены пространственно-временные, причинно-следственные, функционально-поведенческие
(«ситуация–действие») отношения объектов. Эта модель предназначена, главным образом, для описания последовательности различных ситуаций или действий и в меньшей степени для структурированного описания объектов.
Продукционная модель предполагает более гибкую организацию работы механизма вывода по сравнению с логической моделью. Так, в зависимости от направления вывода возможны как прямая аргументация, управляемая данными (от данных к цели), так
и обратная, управляемая целями (от цели к данным). Прямой вывод используется в продукционных моделях при решении, например, задач интерпретации, когда по исходным данным необходимо
определить сущность некоторой ситуации, или в задачах прогнозирования, когда из описания некоторой ситуации требуется вывести
все следствия. Обратный вывод применяется, когда необходимо
проверить определенную гипотезу или небольшое множество гипотез на соответствие фактам, например, в задачах диагностики.
Отличительной особенностью продукционной модели является также способность осуществлять выбор правил из множества
возможных на данный момент времени (из конфликтного набора)
57
в зависимости от определенных критериев, например, важности,
трудоемкости, достоверности получаемого результата и других характеристик ПрО. Такая стратегия поиска решений называется поиском в ширину.
Семантическая сеть отображает разнообразные отношения объектов.
Фреймовая модель как частный случай семантической сети использует для реализации операционного знания присоединенные
процедуры.
Объектно-ориентированная модель как развитие фреймовой модели, реализуя обмен сообщениями между объектами, в большей
степени ориентирована на решение динамических задач и отражение поведенческой модели.
Для обработки неопределенностей знаний продукционная модель использует, как правило, либо методы обработки условных
вероятностей (байесовский подход), либо методы нечеткой логики.
Такой подход предполагает начальное априорное задание некоторых гипотез (значений достигаемых целей), которые последовательно уточняются. С учетом вероятностей формируются апостериорные вероятности.
Для байесовского подхода к построению продукционной БЗ
характерна большая трудоемкость статистического оценивания
априорных шансов и факторов достаточности и необходимости.
2.4.1. Логические модели
Одним из методов представления знаний является логический
метод, в основе которого лежит логика предикатов [28]. Удобство
его использования заключается в том, что свойственный ему механизм вывода, во-первых, допускает высокую степень формализации и обладает привычными математическими свойствами, и, вовторых, может быть непосредственно запрограммирован.
Одним из центральных вопросов логики предикатов является
вопрос о том, можно ли из нескольких исходных логических формул получить конечную. Например, можно ли из каких-либо предпосылок вычислить заключение.
Логика предикатов является обобщением и расширением логики высказываний, а высказывание является центральной категорией логики предикатов.
Высказыванием называют предложение, которое может принимать одно из двух значений – истина или ложь. Например, высказы58
ваниями являются предложения «Скорость ветра увеличивается»,
«Угол сноса увеличивается», «Угол сноса остается неизменным» и
т. п. Из нескольких высказываний можно образовать более сложные, или составные, высказывания. Например, из приведенных высказываний образуются следующие составные высказывания:
«Угол сноса увеличивается или угол сноса остается неизменным»,
«Скорость ветра увеличивается и угол сноса увеличивается»,
«Если угол сноса увеличивается, то угол сноса не остается неизменным».
Элементы «или», «и», «если..., то...», «не» являются логическими связками.
Многие высказывания могут быть разложены на несколько более простых, или частичных, высказываний. Если высказывание
не может быть разложено на частичные, то его называют элементарным. Примерами здесь могут быть упомянутые выше высказывания. С точки зрения логики высказываний, интересен не смысл,
или семантика, элементарных высказываний, а их истинность или
ложность. Поэтому элементарные высказывания играют роль переменных, принимающих одно из двух значений – истина или ложь.
Если известны значения элементарных высказываний (т. е. их истинность или ложность), входящих в состав какого-либо высказывания, то можно установить значение и этого высказывания.
Логика предикатов имеет свои синтаксис и алфавит. Алфавит
обычно состоит из символов шести типов, обозначаемых буквами
без индексов или теми же буквами с индексами:
1. Переменные: х, у, z, и, v, w.
2. Константы: а, b, с, d, e.
3. Функциональные символы: f, g, h.
4. Предикативные символы: р, r, s, t.
5. Логические символы: ∧, ∨, ¬, ⊃, $, ";
6. Вспомогательные символы: запятые, скобки, иначе символы, не входящие в первые пять групп.
Предикативные символы служат для описания свойств объектов предметной области и отношений между ними. Логические
символы играют роль, аналогичную роли знаков математических
действий. Четыре первых символа называют логическими, или
позиционными, связками. Они имеют следующий смысл: ∧ – «и»
(конъюнкция), ∨ – «или» (дизъюнкция), ¬ – «не» (отрицание), ⊃ –
«если..., то...» (импликация). Два последних символа являются
59
знаками кванторов: $ – квантор существования и " – квантор общности.
В простейшем случае составное высказывание состоит из двух элементарных (обозначим их A и В). Из них можно составить следующие
высказывания: A∧ В (A и B), A∨B (A или B), A ⊃ В (если A, то B).
Высказывание A∧B истинно только тогда, когда истинны и А,
и B. Высказывание A∨B истинно всегда кроме случая, когда и А, и
B – ложь. Высказывание A ⊃ B истинно всегда кроме случая, когда
A истинно, а B – ложь.
Высказываниями являются выражения ¬A и ¬B (не А и не В),
которые истинны при ложных исходных высказываниях, и наоборот. Зная эти правила, можно установить значения более сложных
высказываний.
Как уже отмечалось ранее, центральной задачей логики предикатов является вычисление заключения из предпосылок. Пусть,
например, в качестве предпосылок используются следующие факты: «Угол измеряется в градусах», «Тангаж является углом».
Из этих предпосылок следует заключение, что тангаж измеряется в градусах. Для получения этого заключения применяется логический метод представления знаний.
Как можно видеть, предпосылки являются элементарными высказываниями и между ними нет никакой логической связи. В рамках логики высказываний заключение получить нельзя. Однако
его можно получить, если разбить элементарные высказывания на
более мелкие элементы.
Рассмотрим, например, второе высказывание. Его можно разложить на части, при этом понятие «тангаж» играет роль субъекта,
а понятие «угол» – роль свойства этого субъекта. Таким образом,
«угол» является предикатом, и это обстоятельство можно передать
следующей записью:
«угол (тангаж)»,
где «тангаж» является именем угла. Но углов много, «тангаж» – это
только одно из возможных имен, в скобках могут стоять и другие имена, например, «крен», «снос», «скольжение», «курс». А это значит, что
запись «угол(тангаж)» является частным случаем более общей записи
«угол (х)»,
где х – переменная (использован символ первого типа). Первичную
запись «угол (тангаж)» можно рассматривать как результат подстановки вместо х одного из его конкретных значений – «тангаж».
60
Используя введенные обозначения, первую предпосылку можно
записать через импликацию в следующем виде:
" х (угол (х) ⊃ измеряется в градусах (х)).
Выражение во внешних скобках читается следующим образом:
«если х – угол, то х измеряется в градусах». Стоящий впереди квантор общности обобщает это свойство на все углы.
Значение «тангаж» представляет собой одно из значений переменной х. Обозначим его через а (символ второго типа). «Угол» как
предикат обозначим через р (символ четвертого типа). Еще одним
предикатом является свойство «измеряется в градусах», обозначим его через q. Тогда первая предпосылка примет вид
"x ( p ( x ) ⊃ q ( x ) ),
а вторая – вид р(а).
Подставляя значение х = а в предыдущее выражение, получаем
"x ( p ( a ) ⊃ q ( a ) ),
откуда следует искомое заключение q (a), что означает: «тангаж измеряется в градусах».
На основе рассмотренной трактовки исчисления предикатов строится последовательность проведения работ по преобразованию предметно-ориентированного языка в язык предикатов, т. е. демонстрируется сведение контекстно-зависимого (естественного языка человека) предметно-ориентированного языка к машинно-представимому, что является основой для построения ОС, в которых реализуется
возможность интеллектуального управления процессом обучения.
2.4.2. Продукционные модели
Продукционный метод является наиболее распространенной моделью представления знаний в экспертных системах [14, 28]. В его
основе лежат так называемые продукционные правила, или продукции, которые с помощью импликации связывают факты: «если
A, то B». Правила устанавливают связь между фактами (знаниями
вида «A это A»), содержащимися в условной части (А), и фактами,
находящимися в заключительной его части (В). Обычно правила
выражают общие знания о конкретной предметной области и используются в качестве порождающих правил.
61
Факт A, или условная часть, может принимать значение истина или ложь, конкретное его значение определяется путем сравнения этого факта с некоторым образцом. Факт B – это действие или
оператор, выполняемые при истинности условной части (они могут
быть промежуточными, выступающими далее как условия, и терминальными, или целевыми, завершающими работу системы).
Если заключительная часть правила содержит несколько действий (операторов), то говорят о кратном заключении. Пара А–В
может иметь разное смысловое наполнение, например, «условие–
действие», «посылки–заключение», «причина–следствие» [28].
Отсюда видно, что понятие «факт» трактуется довольно широко.
Часто конкретные факты описывают состояния (человек или
искусственная система формирования понятий). Объекты можно
различать по тем значениям, которые имеют характеризующие их
признаки, или атрибуты, т. е. те неотъемлемые свойства объекта
(предмета), без которого тот не может существовать. Факты могут
представляться в виде «атрибут пары–значение», или дуплета,
если мы рассматриваем, например, факт из физики «траектория –
линия, по которой движется материальная точка в пространстве».
Здесь объектом является механическое движение, траектория –
один из его атрибутов, а линия – одно из конкретных значений этого атрибута. Существенно при этом, что «механическое движение»
в контексте физики является единственным объектом, имеющим
атрибут «траектория».
Применительно к воздушной навигации определение траектории звучит следующим образом: «траектория полета – пространственная линия, описываемая центром масс летательного аппарата при движении». Возможны случаи, когда речь идет о движении нескольких объектов, например, самолетов в какой-нибудь
диспетчерской системе. Тогда понятие «траектория» становится
многозначным, так как каждый самолет имеет свою траекторию.
Другими словами, атрибут «траектория» требует привязки к объекту. Поэтому, если существует несколько объектов с одинаковыми атрибутами, факты представляются в виде тройки, или триплета, «объект–атрибут–значение» [28]. В описанном случае это
может выглядеть как «борт 34612 – траектория – глиссада».
Рассмотрим, например, пару «угол–тангаж» и определим, может ли она играть роль дуплета. Понятно, что «угол» здесь не атрибут, а объект, который сам может иметь различные атрибуты, например, единицу измерения, величину. Да и «тангаж» является
значением одного из атрибутов угла, а именно, названия. Для опи62
сания подобных фактов используются предикаты [28]. Подобные
особенности фактов свидетельствуют о том, что они, по сути дела,
не подпадают под общепринятое определение фактических знаний,
так как являются правилами преобразования.
Для пояснения этого положения рассмотрим определение материальной точки: «Материальная точка – это тело, размерами которого в данных условиях можно пренебречь». Это семантический
факт, который состоит из элементарных фактов:
1) размерами тела пренебрегают;
2) существуют некоторые условия;
3) некоторое тело (в большинстве случаев при решении задач
воздушной навигации ЛА считается материальной точкой) называется материальной точкой.
Эти факты разной природы. Первый факт по содержанию более
емкий, так как подразумевает внешнее действие на объект «размер». Элемент «пренебрегают» является предикатом и предполагает преобразование элемента «размер». Суть дела здесь заключается
в том, что материальная точка является моделью реальных тел, а
построение ее – всегда преобразование исходного объекта. Поэтому
через предикаты определяются все понятия, которые являются моделями.
Системы, основанные на продукционном методе представления
знаний, называют продукционными (рис. 2.11).
Эти системы включают в себя три обязательных компонента: базу правил, базу данных, или рабочую память, и интерпретатор, или
механизм вывода.
База правил (БП) является частью базы знаний и состоит из
набора продукций (правил вывода). База данных (БД) содержит
множество фактов, описывающих исходную ситуацию, заданную
пользователем системы, а также факты, выведенные из исходных
при срабатывании правил, т. е. являющиеся заключением этих
правил. Механизм вывода осуществляет просмотр фактов в базе
База правил
Механизм
вывода
(интерпретатор)
База данных
Пользователь
Рис. 2.11. Фрагмент продукционной системы
63
данных и сопоставление их с фактами из условной части правил,
находящихся в базе правил, а также определяет порядок просмотра этих правил. Если при просмотре какого-либо правила окажется, что все факты из его условной части имеются и в базе данных,
то условная часть правила считается истинной, в противном случае
она считается ложной. Так просматриваются все правила и факты.
Рассмотрим, как продукционная система производит вывод.
Пусть, например, база правил включает в себя следующие правила:
1. Если 〈модуль скорости постоянен〉 и 〈траектория – окружность〉, то 〈модуль ускорения постоянен〉.
2. Если 〈модуль скорости постоянен〉 и 〈модуль нормального
ускорения постоянен〉, то 〈траектория – окружность〉.
Пусть также в базе данных содержатся факты:
〈модуль скорости постоянен〉,
〈модуль нормального ускорения – постоянен〉.
Очевидно, что все факты представляют собой дуплеты.
Работа системы начинается с того, что механизм вывода проверяет первое правило, т. е. сравнивает факты из его условной части
с фактами из базы данных. Факт 〈модуль скорости постоянен〉 в БД
имеется, а факт 〈траектория – окружность〉 отсутствует. Поэтому
условная часть первого правила считается ложной. Легко проверить, что условная часть второго правила истинна, так как оба ее
факта присутствуют в базе данных. Это значит, что истинна и заключительная часть этого правила. Поэтому факт 〈траектория –
окружность〉 добавляется к фактам, уже находящимся в БД. В подобных случаях говорят, что правило сработало, и оно выбывает
из списка правил, которые необходимо применять к фактам из БД.
Таким образом, перебор правил закончен. Начинается новый
цикл просмотра, и так до тех пор, пока не сработают все правила или какое-либо другое условие остановки. В рассматриваемом
случае в базе правил осталось только первое правило, и оно снова
проверяется. Так как в БД уже добавлено правило 〈траектория –
окружность〉, то условная часть этого правила становится истинной, и в БД помещается еще один факт из заключительной его
части. И это, последнее, правило сработало. Больше правил нет, и
система останавливается. Таким образом, вывод завершен.
Описанный вывод называют прямым. Реализующие его системы являются системами, управляемыми данными.
Существует другой путь, называемый обратным выводом. Он
характеризуется тем, что на основании фактов, требующих под64
тверждения, чтобы выступить в роли заключения, исследуется
возможность применения правила, пригодного для этого подтверждения. Фактически в системах с обратным выводом вначале
выдвигается некоторая гипотеза, а затем отыскиваются факты,
подтверждающие эту гипотезу. Если с фактами, содержащимися
в БД, при прямом выводе сравнивались факты из условной части
правила, то при обратном выводе сравниваются факты из заключительной части. Системы, реализующие обратный вывод, называют
системами, управляемыми целями.
Проиллюстрируем на рассмотренном ранее примере, как работает обратный вывод. Допустим, что цель (гипотеза) – 〈модуль ускорения постоянен〉. Сначала используем возможность применения
первого правила как подтверждающего этот факт. Заключительная
часть данного правила как раз и содержит факт-цель. Она будет подтверждена, если условная часть будет истинной, т. е. подтвердятся
факты 〈модуль скорости постоянен〉 и 〈траектория – окружность〉.
При этом БД содержит те же факты, что и в предыдущем примере:
〈модуль скорости постоянен〉 и 〈модуль нормального ускорения постоянен〉. Следовательно, для достижения цели осталось подтвердить факт 〈траектория – окружность〉.
Для этого исследуем возможность применения второго правила.
Условная часть данного правила содержится в БД как истинная,
поэтому исполнение его приводит к помещению в БД недостающего
факта 〈траектория – окружность〉. Это значит, что появляется возможность исполнения первого правила (при повторном просмотре),
и цель подтверждается.
При обратном выводе система останавливается, если цель достигается или заканчиваются правила, применимые для достижения
цели в процессе вывода.
2.4.3. Семантические сети и графы
Любую ПрО можно характеризовать совокупностью объектов,
их свойств и отношений между ними. Постигая окружающий мир,
осуществляя в нем деятельность, человек должен уметь моделировать и описывать этот мир. При отображении внешнего мира, его
описании человек выделяет в нем конечный набор отношений. Эти
отношения связывают между собой отдельные элементы модели
внешнего мира.
Важным шагом на пути выявления структуры, присущей знаниям, является построение моделей, в которых в явной форме вы65
делены объекты, образующие ее структуру [14, 28]. В основе таких
моделей лежит понятие сети, состоящей из вершин, или узлов, соединенных дугами. С вершинами этой сети сопоставляются понятия (объекты, события, процессы, явления и др.), а с дугами – связи, или отношения, существующие между этими понятиями.
Графическое изображение элементов сети произвольное. Объекты могут изображаться точками, кружками, прямоугольниками и
другим образом, дуги могут быть прямыми, ломаными, кривыми
линиями.
Семантические сети (СС), с одной стороны, имитируют понимание естественного языка человеком, а с другой, придают фактическим знаниям графовую структурированную организацию, они
представляют собой так называемые ориентированные графы [14].
Построение СС как графа помогает осмыслению знаний, способствует их конкретизации, выявлению противоречий, обнаружению недостающей информации и т. п. Исходно семантические сети использовались в психологии для моделирования долговременной памяти
человека. И только затем они перешли в инженерию знаний в качестве одного из основных методов представления знаний в ИОС.
В качестве понятий СС обычно выступают абстрактные или
конкретные объекты. Тип отношений может быть самым разным,
что позволяет в достаточной мере обеспечить в них такой признак
знаний, как связность. В общем случае это означает, что в виде СС
можно отобразить знания, заключенные в текстах на естественном
языке.
Семантические сети легко передают такие отношения, как «абстрактное–конкретное», «целое–часть». В качестве примера рассмотрим, как с помощью СС представить следующее определение:
«Угловая скорость разворота w в горизонтальной плоскости – это
кинематическая величина, равная производной от угла курса y летательного аппарата, отсчитываемого от оси х, по времени» [31].
Соответствующая сеть показана на рис. 2.12.
В этом примере передаются отношения «абстрактное–конкретное» и свойства объектов, их функциональные связи.
Семантические отношения могут быть условно разделены на
четыре класса: лингвистические, логические, теоретико-множественные и квантификационные.
Лингвистические отношения подразделяются на глагольные (время, вид, род, число, залог, наклонение) и атрибутивные (модификация, цвет, размер, форма). Логическими отношениями являются
дизъюнкция, конъюнкция, отрицание и импликация. Теоретико66
Время
Угол курса
Производная
Кинематическая
величина
Физическая
величина
Угловая скорость
разворота
Рис. 2.12. Представление определения угловой скорости разворота
с помощью семантической сети
множественные отношения включают в себя подмножество и супермножество, отношения части и целого, элемент множества и др.
Квантификационные отношения делятся на логические кванторы:
квантор общности и квантор существования, нечеткие кванторы:
много, несколько, часто, вскоре и т. п., числовые характеристики.
Процессу построения СС, т. е. сети, в которой каждой дуге соответствует определенное отношение, предшествует процесс построения ассоциативной сети. В ассоциативной сети речь еще не идет
об отношениях, представляющих собой интерпретированные взаимосвязи. Дуги ассоциативной сети пока еще «безличны» и указывают лишь на факт, что те или иные понятия связаны между собой.
Семантическая сеть рождается из ассоциативной сети путем последовательного осмысления (интерпретации) «безличных» взаимосвязей [16]. Поэтому при рассмотрении ассоциативных сетей
возможно использование терминов, применяемых при описании
растущей СС, т. е. СС, в которой определены процессы формирования понятий и связей.
Как отмечалось ранее, СС представляет собой ориентированный
граф. При этом если дуга направлена от вершины ni к вершине nj,
то говорят, что вершина пj является преемником вершины ni, а вершина ni – родителем вершины nj.
При различных ограничениях на описание вершин и связей
имеем дело с сетями разного вида. Если вершины не имеют собственной внутренней структуры, то соответствующие сети называют сетями простого типа. Если же вершины сети сами обладают
некоторой структурой в виде сети, то такие сети называют сетями
иерархического типа. Если отношения между вершинами одинаковы, то сеть называют однородной, а если они имеют разный смысл,
67
то неоднородной. Если отношения связывают два объекта, то сеть
называют бинарной, если в ней есть отношения, связывающие более двух объектов, то п-арной.
Граф можно определить явно либо неявно. При явном определении графа вершины и дуги задаются таблицей, в которой перечисляются все вершины графа и их преемники. Неявное описание
дается с помощью начальной вершины S, представляющей собой
исходную базу данных и правил, изменяющих эту базу.
Частным случаем графа является дерево. Дерево содержит единственную выделенную вершину, называемую корневой, в которую
не входит ни одна дуга. В любую другую вершину такого графа входит ровно одна дуга. Циклы и петли (дуги, выходящие из какойнибудь вершины и входящие в нее же) запрещены. Вершины, из
которых не выходит ни одна дуга, называют концевыми (или листьями), вершины, имеющие и входящую, и выходящую дуги, называют внутренними. Вышележащие вершины являются потомками (преемниками), а нижележащие – предками (родителями).
Любая вершина дерева является корнем поддерева, состоящего из
этой вершины и ее потомков, т. е. можно говорить о поддереве, начинающемся из узла п. Говорят, что корневой вершине соответствует
глубина, равная нулю. Глубина любой другой вершины дерева определяется как глубина предшествующей вершины плюс единица.
В качестве примера дерева рассмотрим систему физических величин, фрагмент которой приведен на рис. 2.13 (пример призван
передать лишь смысл, но не полноту).
Пройденный
Оставшийся
Путь
Истиная
воздушная
Ветра
Курса
Скорость
Кинематическая
величина
Физическая
величина
Рис. 2.13. Пример дерева
68
Угол
Время
Крена
Корневой исходной вершиной дерева является понятие «физическая величина». Эта вершина является предком для вершин-потомков «кинематическая величина», «время». Потомки-вершины
«кинематическая величина» – это путь, скорость, угол. Скорость,
в свою очередь, имеет в качестве потомка «истинную воздушную
скорость» и «скорость ветра», угол – «угол курса» и «угол крена»,
а путь – «пройденный путь» и «оставшийся путь». Все вершины
этого дерева, кроме вершин «физическая величина», «кинематическая величина», «путь» и «угол», являются листьями.
Дерево используют в задачах анализа, когда необходимо представить декомпозицию, т. е. определить элементы, из которых состоит целое. Очень важным понятием в этом смысле является понятие «дерево целей», которое позволяет представить разные подцели, составляющие глобальную цель.
Разновидностью растущей СС является пирамидальная сеть –
ациклический ориентированный граф, в котором нет вершин, имеющих одну заходящую дугу (рис.2.14) [13].
Вершины, не имеющие заходящих дуг, называются рецепторами, остальные вершины – концепторами. Подграф пирамидальной
сети, включающий в себя вершину а и все вершины, от которых
имеются пути к этой вершине, называются пирамидой вершин.
Вершины, входящие в пирамиду с вершиной а, образуют ее субмножество. Множество вершин, к которым имеются пути от вершины
а, называют супермножеством. В субмножестве и супермножестве
вершин выделяют 0-субмножество и 0-супермножество, состоящие из тех вершин, которые связаны с ней непосредственно.
С помощью пирамидальной сети можно представлять структуру
предметных понятий (пирамиду понятий).
Рассмотрим понятие «траектория» в связи с определением
«Траектория полета – пространственная линия, описываемая центром
масс летательного аппарата при движении». Это определение устанавливает отношения между понятием «траектория», находящимся
в вершине пирамиды, с одной стороны, и понятиями «линия», «центр
масс летательного аппарата», «движение», с другой (см. рис. 2.14).
Траектория
Пространственная линия
Центр масс ЛА
Движение
Рис. 2.14. Пирамидальная сеть – пирамида понятия «траектория»
69
При этом понятия «центр масс ЛА» и «движение» являются предметными, а понятие «пространственная линия» – общеизвестным.
Поэтому на рис. 2.14 к вершинам «центр масс ЛА» и «движение» подходят дуги, что означает наличие связей с другими предметными понятиями и необходимость их предварительного определения. Понятие
«пространственная линия» в воздушной навигации определять не требуется. Таким образом, вершина «пространственная линия» является
рецептором, остальные же вершины – концепторы. Отметим, что понятия «пространственная линия», «центр масс ЛА», «движение» составляют 0-субмножество понятия «траектория». Для получения соответствующего субмножества к ним необходимо добавить понятия,
определяющие понятия «центр масс ЛА» и «движение».
Итак, пирамидальная семантическая сеть соответствует задаче
синтеза, она дает представление о связи какого-либо одного объекта с рядом других.
В общем случае СС должна обеспечивать:
– хранение сведений о понятиях и связях между ними;
– возможность поиска понятий по заданным характеристикам
(связям с другими понятиями);
– возможность пополнения и корректировки знаний системы
в процессе обучения (ввод новых понятий, установление новых связей, удаление существующих понятий и связей);
– возможность осуществления процедуры обобщения и конкретизации знаний; отражение иерархичности предметных знаний;
– понятность для эксперта – специалиста в ПрО [14].
Важным свойством растущих СС пирамидальной структуры является их иерархичность, которая позволяет естественным образом
отображать структуру составных объектов и родовидовые связи
между ними. Иными словами, одним из достоинств семантических
сетей является возможность отображать структуру, присущую знаниям, а также то, что они более других соответствуют современным
представлениям об организации долговременной памяти человека.
Характерной особенностью СС является наглядность знаний как
системы. Каждый отдельный элемент знания рассматривается как
некое отношение между понятиями, и существующие внутри системы структуры, или модули, знаний можно наращивать независимо
с сохранением их модульности. В то же время все знания, отвечающие одному понятию, могут быть изображены в виде отношений
между разными вершинами, относящимися к его пирамиде, и это
дает основание говорить о легкости понимания такого представления. Однако при увеличении номенклатуры понятий (объектов)
70
СС, расширении объема знаний снижается ее однородность и исчезает основное преимущество семантических сетей – наглядность.
Отметим также, что высокая степень произвольности структуры и
наличие большого числа типов вершин и связей требуют большого
разнообразия процедур обработки информации, что усложняет программное обеспечение систем, основанных на представлении знаний
методом семантических сетей, однако представление предметных
знаний данным методом может быть эффективным видом учебной
деятельности (УД) и широко использоваться при разработке ИОС.
2.4.4. Фреймовые модели представления знаний
Как уже отмечалось, высокая степень произвольности получаемых структур и многообразие типов вершин и связей при представлении знаний методом семантических сетей требуют большого
разнообразия процедур обработки информации, что существенно
усложняет программное обеспечение. Это обстоятельство обусловило появление особых типов семантических сетей – фреймов.
Термин «фрейм» (от англ. frame – рамка) был предложен
М. Минским, который описывает его следующим образом: «Фрейм
является структурой данных для представления стереотипной ситуации. С каждым фреймом ассоциирована информация разных
видов. Одна ее часть указывает, каким образом следует использовать данный фрейм, другая – что предположительно может повлечь за собой его выполнение, третья – что следует предпринять,
если эти ожидания не подтвердятся» [29].
Любое представление человека о предмете, объекте, стереотипной ситуации всегда обрамлено (отсюда «рамка») характеристиками и свойствами объекта или ситуации. В таких фреймах информация размещается в так называемых слотах.
Фрейм, как и семантическая сеть, является набором понятий
и отношений между ними. Но в системе, основанной на фреймах,
в отличие от системы, построенной на семантических сетях, понятие в каждой вершине определяется набором атрибутов и значениями. Указанные атрибуты как раз и являются слотами.
Под фреймом обычно понимают некоторую структуру вида
N  n1, g1, p1 , n2 , g2 , p2 , …, nk , gk , pk  ,
где N – имя фрейма; тройка n1, g1, p1 – его i-й слот; ni – имя слота; gi – его тело; pi – имя процедуры. Схематично это можно представить следующим образом (табл. 2.1):
71
Таблица 2.1
Схематическое изображение фрейма
Имя фрейма
Слот 1
Слот 2
..
.
Слот k
Имя
слота
Указатель
Указатель
наследования атрибутов
слота
Указатель
типа
данных
Значение Присоединенная
слота
процедура
Именем фрейма может быть любой идентификатор, и оно должно быть единственным в данной системе фреймов. Имя слота также
идентификатор, но единственный в данном фрейме. Таким образом, по сути дела, фрейм – это имеющий имя набор слотов, которые
и содержат все необходимые знания. В общем случае слот имеет
указанную ранее структуру, в частных случаях некоторые элементы этой структуры могут не учитываться.
Указатель наследования служит для передачи иерархических
отношений (как отношений последовательности, так и «абстрактное–конкретное») и содержит имя фрейма, находящегося в иерархической структуре на следующем верхнем уровне. Фрейм, расположенный на более высоком уровне, называют фреймом-родителем.
В свою очередь фрейм, расположенный на более низком уровне, называют дочерним фреймом. Слоты фреймов раскрывают их содержание.
В качестве атрибутов слотов могут выступать тексты, числа,
процедуры, указатели (метки) на определенные блоки информации
из общей базы знаний системы (т. е. компьютерной программы) и
др. По сути дела атрибуты слота составляют инструментальные
знания компьютерных систем. Указатели типа данных описывают
типы переменных, используемых в слоте.
Обязательным компонентом слота является его значение. Как
правило, значение слота – это предметное знание, благодаря которому данный слот присутствует в данном фрейме.
Значением слота могут быть такие же элементы, как и в случае
его указателей атрибутов. В качестве значения слотов могут выступать ссылки на другие фреймы или другие слоты того же фрейма, а
также система имен слотов фреймов более низкого иерархического
уровня, называемые свойством вложенности. Указание на другие
фреймы устанавливает тем самым связь между двумя фреймами.
72
Так образуются сети фреймов. Значение слота – единственный его
элемент, который может изменяться в процессе работы системы.
С каждым слотом фрейма можно связать любое число присоединенных процедур. Они могут работать как безусловно, так и
по какому-либо условию. Безусловную процедуру называют демоном, она выполняется всегда, когда слот становится активным,
т. е. когда при работе системы на этот слот передается управление.
Условные процедуры чаще всего бывают трех типов: «если – добавлено», «если – удалено», «если – нужно». Как правило, в состав
слота они входят вместе.
Процедура «если – добавлено» выполняется, когда в слот помещается новая информация, т. е. путем добавления информации
изменяется значение слота. При этом возможна ситуация, при которой слот изначально является пустым, не имеющим значения.
В этом случае фрейм, которому принадлежит данный слот, называют фреймом-прототипом, или фреймом-образцом. Фреймыпрототипы служат для описания классов подобных ситуаций.
Добавление информации в этом случае означает, что слот получил
значение, и фрейм-прототип превращается во фрейм-экземпляр.
Такие фреймы создаются для отображения реальных фактических
ситуаций на основе поступающих от пользователя системы данных.
Фрейм-экземпляр и фрейм-прототип с его связями в известной мере
соответствуют экстенсиональным и интенсиональным знаниям.
Процедура «если – удалено» выполняется, когда информация
удаляется из слота. При этом его значение также изменяется.
Процедура «если – нужно» выполняется, когда из слота запрашивается информация, а он пуст.
Фрейм-прототип «истинная воздушная скорость» представлен в
виде табл.2.2.
Можно видеть, что конструкция фрейма проста, его слоты состоят всего лишь из имени, значения и присоединенных процедур. Слоты «Объект» и «Значение» пусты и имеют стандартный
набор присоединенных процедур, уже описанный ранее. Слот
«Размерность» имеет демон, или безусловную присоединенную
процедуру, «Печать». Наличие фрейма «Скорость» в системе ознаТаблица 2.2
Фрейм-прототип «истинная воздушная скорость»
Объект
Если – добавлено Если – удалено
Значение
Размерность км /ч
Печать
Если – нужно
73
Таблица 2.3
Фрейм-экземпляр «истинная воздушная скорость»
Объект
Самолет
Если – добавлено Если – удалено Если – нужно
Значение
600
Размерность км/ч
Печать
чает, что она имеет дело с движущимися объектами, однако конкретные ситуации будут возникать в ходе ее работы.
Соответствующий этому фрейму фрейм-экземпляр может выглядеть, как показано в табл. 2.3. Значением слота «Значение» является модуль вектора истинной воздушной скорости.
Система могла бы работать следующим образом.
Пользователь запросил информацию о движении. Система обнаруживает, что в этот момент движущимся объектом является
самолет, и проверяет значение слота «Объект». Слот оказывается
пустым, и выполняется процедура «если – нужно», которая вносит
слово «самолет» в качестве значения слота. Поскольку в слот добавлена новая информация, выполняется процедура «если – добавлено», которая запускает программу вычисления истинной воздушной скорости самолета. После этого запрашивается информация из
слота «Значение», который оказывается пустым. Выполняется процедура «если – нужно», которая вносит значение истинной воздушной скорости в слот «Значение». Снова срабатывает процедура «если – добавлено», и на печать выводится сообщение: «Движущийся
объект – самолет, истинная воздушная скорость 600 км/ч». Демон
«Печать» слота «Размерность» обеспечивает печать размерности.
Процедуры «если – удалено» работают при замене объекта движения и изменении значения истинной воздушной скорости.
Свойство вложенности, возможность иметь в качестве значений
слотов ссылки на другие фреймы и другие слоты того же фрейма
обеспечивает фреймовому методу представления знаний возможность удовлетворять требованиям структурированности и связности знаний. Наличие имен фреймов и имен слотов означает, что знания, хранимые во фреймах, имеют характер отсылок и тем самым
внутренне интерпретированы. Возможность размещения в слотах
указателей процедур (значение слота) либо присоединенных процедур обеспечивает отсылку к этим процедурам и позволяет активизировать программы на основе имеющихся знаний. Таким образом,
фреймы удовлетворяют четырем основным признакам знаний – интерпретируемости, структурированности, связности и активности.
74
В системах, основанных на фреймовом представлении знаний, главной операцией является поиск по образцу [14]. Образец представляет
собой фрейм-прототип, в котором заполнены не все структурные единицы, а только те, по которым среди фреймов, хранящихся в памяти компьютера, будут отыскиваться нужные фреймы. Образец может содержать, например, имя фрейма, а также имя некоторого слота во фрейме
с указанием значения слота. Процедура поиска по образцу должна обеспечить выборку из памяти компьютера всех фреймов, в которых содержится слот с таким именем и таким же его значением, как у образца.
При этом важную роль играют упомянутые ранее присоединенные процедуры «если – добавлено», «если – удалено», «если – нужно».
Основными преимуществами фреймов как модели представления
знаний являются ее гибкость и наглядность, а также то, что она отражает
концептуальную основу организации памяти человека. Использование
фреймов в фундаментальных науках дает возможность формировать
более строгий понятийный аппарат. Для описательных наук фреймы –
это один из немногих способов их формализации, создания понятийного аппарата. При этом фреймы могут не только обозначать объекты и
понятия, но и выполнять более сложные функции. Возможно создание
фреймов-ролей, фреймов-сценариев, фреймов-ситуаций и т. д.
В общем случае модель представления знаний в виде фреймов
строится в форме сети, т. е. системы определенным образом взаимосвязанных фреймов. Тип связи имеет характер переходов, иначе говоря, подобен гипертексту. На рис. 2.15 представлена сеть из
трех фреймов. В формализованном виде ее можно записать так:
NetisN1 N2 N3N1,
где Net – знак сети.
Значениями слотов могут быть имена систем, в памяти которых
хранится разнородная семантическая информация, т. е. информация,
представленная во всех формах, характерных для естественного языка.
N2
N1
Имя
слота
Сл1
Сл2
..
.
Значение
X11X12
X21X22
..
.
Имя
слота
Сл1
Сл2
..
.
Слn
N2
Слn
N3
Значение
Z11Z12
Z21Z22
..
.
N3
Имя
слота
Сл1
Сл2
..
.
Слn
Значение
L11L12
L21L22
..
.
N1
Рис. 2.15. Сеть фреймов
75
Сл1
X12
O1
O1
O1
X12
X21 X22
O2
O1
Сл2
O2
N1
Z11
Z12
Сл2
O2
O1 O2 N2
Сл1
O1
O1
O1
Сл1 O1 L11
Z21
N3
Z21
O1
L21
L22
O1
L12
O1 Сл2
Рис. 2.16. Иерархическая семантическая сеть фреймов
Таким образом, в моделях представления знаний на основе
фреймов выделяют две составляющие: набор фреймов, образующих библиотеку внутреннего представления знаний, и механизм
их преобразования, иначе связывания между собой.
Важной особенностью фреймов является наличие незаполненных слотов. Слоты могут заполняться в процессе активизации
фрейма в соответствии с определенными условиями. Это придает адаптивность модели представления знаний как на модульном
уровне, так и на уровне всей сети фреймов.
С помощью иерархических сетей можно представить любые сущности и отношения без какого-либо ограничения. В формализованном
виде иерархическую семантическую сеть можно представить как
NetisP,
где P = {P1, P2,…, Pk,…,Pn} – множество пространств сети; P = {S, R} –
i-е пространство множества P; S = {S1, S2, …, Sk, …, Sn} – множество
сущностей пространства Pi; R = {R1, R2, …, Rl, …, R} – множество отношений этого пространства
Необходимым условием является PiPj.
На рис. 2.16 представлена иерархическая семантическая сеть,
в которой в качестве узлов с собственной внутренней структурой выступают фреймы N1, N2 и N3, изображенные на рис. 2.15, где R1 является предикатом (отношением) «is – a», а R2 – отношением «part –of».
Слоты Сл1, Сл2,…, Слk представляют собой отношения между узлами N1, N2, N3 (пространство). Структура узлов N1, N2 и N3 представлена соответственно подсетью в пространствах.
76
3. КЛАССИФИКАЦИЯ И АРХИТЕКТУРА
ИНТЕЛЛЕКТУАЛЬНЫХ ОБУЧАЮЩИХ СИСТЕМ
Рассмотрим классификацию интеллектуальных обучающих систем, руководствуясь несколькими признаками:
– функциональными характеристиками (архитектурой);
– структурным построением;
– принципом алгоритмического построения;
– методом представления знаний (см. разд. 2.4);
– методом организации их контроля;
– методом оценивания знаний.
Три первых признака являются достаточно общими, последние
три строятся на использовании различных математических моделей, позволяющих формализовать знания и осуществлять их контроль и оценку на основе проведенной формализации.
3.1. Классификация ИОС
по функциональным характеристикам
Архитектура ИОС основывается на концепции использования
баз знаний для генерации алгоритмов решения задач обучения.
Для ИОС характерно умение решать сложные плохо формализованные задачи, способность к самообучению, адаптивность, развитая коммуникативность.
По функциональным характеристикам ИОС можно разбить на
четыре класса (рис. 3.1), выделяя в отдельную группу мультимедиа-пособия: информационные, контролирующие, моделирующие
системы, тренажеры.
Системы обучения и контроля занятий
Мультимедиапособия
Лекторские
Информационные
Контролирующие
Ассистентские
Моделирующие
Репетиторские
Тренажеры
Справочноконсультирующие
Рис. 3.1. Классификация ИОС по функциональным характеристикам
77
Информационные системы в зависимости от характера учебных
занятий можно подразделить на лекторские, ассистентские, репетиторские и справочно-консультирующие. Каждый тип систем отличается способом представления предмета обучения и формой обучения, которые имитируют подобную деятельность преподавателя.
Лекторская система представляет собой традиционную ИОС
и имитирует лекционную форму обучения, доставляя обучаемому
знания о ПрО по жесткому плану. Контроль основывается на тестировании обучаемых путем сравнения ответов с заранее подготовленными эталонами.
Ассистентская система представляет собой упрощенный вариант лекторской системы, так как в ней отсутствуют учебные материалы в электронной форме.
Справочно-консультирующая система предназначена для оказания помощи обучаемому в виде предоставления справочной информации по его запросу или подсказки по решению предложенной ему задачи с последующим объяснением в случае необходимости того, как были получены предоставляемая информация или решение. Она состоит
из учебной среды информационно-справочного или решающего типа и
подсистемы объяснения, а также, возможно, модели обучаемого.
Контролирующие системы содержат минимальный по объему
обучающий материал или же вообще его не содержат. Как правило,
система поддержана печатным методическим обеспечением.
Репетиторская система приближается к интеллектуальной
ОС. При этом обучение ведется индивидуально, с наибольшей адаптацией к запросам обучаемого.
В соответствии с целями функционирования интеллектуальные
ОС, в свою очередь, делятся на справочно-консультирующие, диагностирующие, управляющие и сопровождающие, причем этот
порядок отражает среднюю сложность разработки системы и ее
возможный генезис (табл. 3.1) [34].
Модель обучаемого (если она имеется) применяется для выбора стиля общения с обучаемым и регистрации его деятельности
(например, фиксирует, какие типы задач он решал с помощью
системы или о каких понятиях предметной области запрашивал
информацию). Если в основе системы лежит учебная среда информационно-справочного типа, то она называется вопросно-ответной
системой, и ее интеллектуальность определяется широтой языка
запросов и богатством ассоциативных связей в базе знаний.
Диагностирующая система предназначена для указания обучаемому на его неправильные представления о предметной области,
78
Таблица 3.1
Функциональные характеристики обучающих систем
Тип системы
Справочно-консультирующая
Состав системы
Назначение системы
Учебная среда
Объяснительный модуль
Консультации при
решении задач и поиске
учебной информации
Решатель задач
Диагностика ошибок
Диагностирующая Диагностический модуль
при решении задач
Модель обучаемого
Решатель задач
Обучение понятиям
Диагностический модуль
и умениям (навыкам)
Управляющая
Модуль управления учением на основе моделирования
Модель обучаемого
знаний обучаемого
Слежение за поведением
Инструментальная система
пользователя и помощь
Диагностический модуль
Сопровождающая
при ошибочных
Модуль управления учением
или нерациональных
Модель пользователя
действиях
вследствие чего он допускает ошибки при решении задач определенного типа. Такая система состоит из интерфейса, экспертной
системы по решению задач, экспертной системы по диагностике
ошибок и модели обучаемого.
Диагностирующую систему можно рассматривать как дополнение к консультирующей, состоящее в:
– расширении интерфейса средствами, позволяющими учащемуся использовать компьютер для самостоятельного решения задач (контроль за использованием этих средств со стороны системы
позволяет определить путь, или план, решения задачи учащимся и
сравнить его с планом решения системы);
– разработке модели обучаемого, фиксирующей его знания и
умения при решении задач данного типа;
– разработке и реализации в виде экспертной системы методов диагностики ошибок обучаемого. Часто системы данного
типа называют интеллектуальными тренирующими, или экспертно-тренирующими, системами, так как они применяются
для тренировки в решении задач, когда последовательность задач предлагается преподавателем или генерируется системой на
основе параметров, задаваемых преподавателем или самим обучаемым.
Управляющая система предназначена для управления познавательной деятельностью обучаемого. Данная система содержит
79
Экспертная система по управлению обучением
Экспертметодист
Подсистема
приобретения
знаний
Учебная
база знаний
База знаний
по процессу
обучения
Механизм вывода
Экспертная система
по диагностике ошибок
База знаний
по ошибкам
Механизм
вывода
Подсистема
приобретения знаний
Модель
обучаемого
Рабочая
память
Экспертная система
по решению задач
База знаний
Механизм
по решению
вывода
задач
в предметной
области
Подсистема
приобретения знаний
Интерфейс
обучаемого
Обучаемый
Экспертпсихолог
Задача
Экспертпредметник
Рис. 3.2. Архитектура интеллектуальной обучающей системы
все компоненты, представленные на рис. 3.2. Она является расширением диагностирующей системы знаниями о целях еe функционирования, содержащимися в учебном материале и стратегии
обучения.
Различают обучение понятиям и умениям (навыкам), а соответствующие программы называют обучающими и тренирующими.
При всей относительности этого различия основным отличием обучающих программ от тренирующих является наличие в первых цели ознакомления обучаемых с новым материалом.
Сопровождающая система предназначена для слежения за деятельностью пользователя при работе в некоторой (инструментальной) системе и оказания ему помощи при обнаружении ошибочных
или нерациональных действий. Такая система как бы «заглядывает» через плечо пользователя на экран, пытается понять, что он делает, оценить, как он это делает, и решить, стоит ли ему помочь, а
если стоит, то как эту помощь предоставить.
80
Такая система содержит все компоненты ИОС, но в отличие от
управляющей системы она:
– не знает цели деятельности пользователя и должна ее прогнозировать, что расширяет функции экспертной системы по диагностике ошибок;
– является менее коммуникабельной, чтобы не отвлекать пользователя от работы.
С позиции генезиса сопровождающую систему можно рассматривать как расширение диагностической, состоящее в:
– расширении функций экспертной системы по диагностике
ошибок на прогнозирование целей деятельности пользователя;
– сопоставлении ошибочным ситуациям учебной информации;
– разработке экспертной системы по управлению учением, содержащей стратегии оказания помощи пользователю при обнаружении ошибочных или нерациональных действий.
Как видно из изложенного, наиболее сложными являются ИОС
последних двух типов. Часто именно с ними связывают название интеллектуальных обучающих или экспертно-обучающих систем.
В основе архитектуры ИОС лежит модель процесса обучения, которая содержит цель обучения, выраженную в терминах текущих
характеристик обучаемого. Пока цель не достигнута, повторяется
определенная последовательность действий:
– на основании текущего состояния обучаемого и методики обучения генерируется очередная задача (здесь задача понимается широко,
как любая информация, требующая ответных действий обучаемого);
– ответ обучаемого сравнивается с эталонным решением и на основании различий производится диагностика его ошибок;
– по результатам диагностики корректируются текущие характеристики обучаемого.
В соответствии с данной моделью процесса обучения ИОС можно рассматривать как совокупность трех взаимодействующих экспертных систем (см. рис. 3.2) по:
– решению задач в изучаемой предметной области;
– диагностике ошибок обучаемого;
– планированию процесса управления учением.
Экспертная система по решению задач (ЭС РЗ) предназначена
для выработки их эталонного решения. Данный компонент ИОС
может представлять собой:
– собственно ЭС, построенную на знаниях эксперта по решению
задач в данной предметной области, если эта область плохо формализуема;
81
– решатель задач в некоторой хорошо формализуемой предметной области;
– программы поиска или выбора решения задачи из конечного
(возможно, большого) набора решений, если обучение ведется на
заранее заготовленной совокупности задач.
Экспертная система по диагностике ошибок обучаемого (ЭС ДО)
предназначена для выявления неправильных его представлений
об изучаемой предметной области путем сравнения полученного
ответа с эталонным. Парадигма ЭС ДО – диагностика. Симптомы
выводятся на основании различий в ответах обучаемого и ЭС РЗ,
а результатами являются изменения текущих его характеристик
(модели обучаемого). Данная система формализует знания эксперта-психолога.
Экспертная система по управлению процессом учения (ЭС УУ)
представляет собой экспертную систему по планированию в ограничениях, накладываемых имеющимся учебным материалом.
Такая система формализует знания эксперта-методиста о методиках обучения.
Взаимодействие ИОС с обучаемым происходит следующим образом. Экспертная система по управлению процессом обучения формирует в соответствии с текущей целью очередное задание для обучаемого, которое передается одновременно и ЭС РЗ. Далее ЭС ДО сравнивает
решение обучаемого с решением, полученным ЭС РЗ, и на основании
различий пытается установить, какие неправильные его представления о предметной области могли привести к расхождениям.
В результате диагностики меняется представление ИОС об обучаемом, отраженное в его модели, и управление снова получает ЭС
УУ, которая уточняет текущую цель и формирует новое задание.
Взаимодействие с обучаемым происходит через интерфейс, который может содержать средства текстового, графического или речевого ввода-вывода, лингвистический процессор и т. п.
В структуре ИОС можно выделить следующие базы знаний:
– учебную для данной предметной области;
– модель обучаемого;
– о возможных его ошибках;
– о процессе обучения.
Учебная база знаний описывает не только основные понятия и
методы решения задач в предметной области, но и содержит определения понятий, описания методов, примеры, упражнения и задачи. В отличие от базы знаний экспертной системы по решению
задач учебная БЗ должна явно отражать структуру предметной об82
ласти и стратегические знания о методах их решения. Вместе с тем
учебную БЗ можно рассматривать как представление ограничений,
в рамках которых ЭС УУ планирует обучение.
Модель обучаемого содержит информацию о состоянии его знаний:
как общие, интегрированные характеристики, так и те, которые отражают усвоение им текущего учебного материала. Первоначально
модель обучаемого формируется во время предварительного его тестирования. В терминах модели обучаемого выражается цель обучения.
База знаний об ошибках обучаемого содержит каталог возможных ошибок и правила выдвижения и проверки гипотез о неправильных его представлениях, приведших к данной ошибке, на основе различий между решениями, предложенными обучаемым и
ЭС РЗ, а также текущего состояния модели обучаемого.
База знаний о процессе обучения содержит знания о его планировании и организации, общих и частных методиках.
3.2. Классификация ИОС
в зависимости от структурного построения
Каждая ИОС имеет определенную структуру, состоящую из
группы элементов с указанием связей между ними и дающую представление о системе в целом. Поэтому структура системы может
быть охарактеризована имеющимися в ней типами связей.
По структурным признакам взаимодействия с пользователем
ИОС подразделяются на два базовых класса (рис. 3.3): разомкнуСистемы обучения и контроля знаний
Замкнутые
(с обратной связью)
Разомкнутые
(с обратной связью)
Имитационные
Презентационные
Тестирующеобучающие
Тестирующие
Без игровых
элементов
С игровыми
элементами
Рис. 3. 3. Классификация ИОС
в зависимости от структурного построения
83
тые и замкнутые системы, которые различаются принципиальным
подходом к процессу обучения.
В разомкнутых системах не учитываются отклики обучаемых
на поставленные вопросы и не корректируется последовательность
предъявления учебного материала в зависимости от степени усвоения или изучаемой темы. В них лишь выполняется определенная, заранее заданная программным путем последовательность
изложения урока или контрольных вопросов. При этом наиболее
простыми из числа разомкнутых ИОС являются системы с презентационной структурой, поскольку информационная связь между
системой и обучаемым, которому последовательно предоставляется визуальная информация с монитора ЭВМ, присутствует только
прямая. При этом обучаемый находится в режиме пассивного наблюдателя, от которого не требуется никаких откликов на взаимодействие с ИОС.
В контролирующих ИОС без обратной связи основной упор делается на выявлении уровня знаний обучаемых в определенный период учебного процесса. По результатам опроса выставляется некоторый балл, который служит критерием результирующей оценки по
степени усвоения обучаемым требуемого учебного материала.
Наиболее широкими функциональными возможностями и высокой эффективностью в учебном процессе обладают замкнутые
ИОС, в которых организована обратная связь между обучаемым и
обучающей системой. Процесс взаимодействия обучаемого с ИОС
может быть представлен в виде системы с внешней обратной связью, где ИОС направлена на повышение уровня заданий пользователя, и тем самым на уменьшение числа ошибок, им совершаемых.
Весьма распространенным типом замкнутых ИОС являются
имитационные системы. Функции ведущего их «элемента» выполняет фактор моделирования реальной ситуации в той или иной
сфере предметной области.
3.3. Классификация ИОС
по принципу алгоритмического построения
Классификация ИОС по принципу алгоритмического построения представлена на рис. 3.4.
При использовании линейных алгоритмов ИОС (рис. 3.5) обучаемому согласно заложенной методике последовательно предъявляется учебный материал (электронный текст лекций, слайды
и т. д.). В качестве достоинств линейного алгоритма ИОС можно
84
Алгоритмическое построение систем обучения и контроля знаний
Системы обучения и контроля
знаний с обратной связью
Системы обучения и контроля
знаний без обратной связи
Нелинейные алгоритмы
Линейные алгоритмы
Циклические
Направленные
Комбинированные
Рис. 3. 4. Классификация ИОС
по принципу алгоритмического построения
отметить простоту разработки такой системы, а в качестве недостатков – трудоемкость раскрытия некоторых тем. Кроме того, построение ИОС на базе только линейных алгоритмов влечет за собой
невозможность организации обратной связи с пользователем.
В ИОС, построенных с использованием нелинейных алгоритмов, появляется возможность изменять последовательность предъявления информационного воздействия.
Нелинейные алгоритмы, в свою очередь, делятся на циклические, направленные и комбинированные.
Циклические алгоритмы (рис. 3.6.) предполагают повторный
возврат к учебному материалу, отражающему темы, которые обучаемый усвоил недостаточно.
Направленные алгоритмы (рис. 3.7) предполагают наличие материала для тестирования, однако независимо от результатов те-
2
1
3
4
Обучаемый
Рис. 3.5. Линейный алгоритм ИОС
85
?
Если решение верно
Если решение неверно
Рис. 3. 6. Циклический алгоритм ИОС
?
Если решение верно
Если решение неверно
Рис. 3.7. Направленный алгоритм ИОС
?
Если решение верно
Если решение неверно
Рис. 3.8. Комбинированный алгоритм ИОС
стирования возврата к плохо усвоенному материалу не предполагается, а модифицируется продолжение учебного материала. В комбинированных алгоритмах (рис. 3.8) используются оба принципа.
Таким образом, каждая из представленных структур позволяет предъявлять учебный материал в последовательности, которая
86
обеспечивает приемлемое представление этого материала в соответствии с требованием предметной области. Поэтому в универсальной обучающей системе должны присутствовать механизмы,
гарантирующие возможность реализации электронных учебных
курсов с использованием всех перечисленных алгоритмов.
3.4. Классификация ИОС
по методу организации контроля знаний
Процесс контроля знаний состоит из трех этапов:
– формирования вопросов для контроля знаний на основе контрольных заданий, хранящихся в базе данных;
– выдачи их обучаемому и получения его ответа, возможно, с обратной связью;
– выставления оценки за контроль.
Два первых этапа относятся к организации процесса компьютерного контроля и при адаптивном контроле знаний обычно объединяются.
Методы организации контроля знаний ИОС можно разделить на
три класса [34] (рис. 3.9):
– неадаптивные;
– частично адаптивные;
– полностью адаптивные.
Система обучения и контроля знаний
Неадаптивные
Строгая
последовательность
Случайная выборка
Комбинированный
метод
Частично адаптивные
Адаптивные
Случайная выборка
с параметрами
модели обучаемого
Контроль по модели
обучаемого
Контроль по ответам
обучаемого
Контроль
по моделям обучаемого
и учебного материала
Контроль по модели
учебного материала
Модульнорейтинговый метод
Рис. 3.9. Классификация ИОС
по методу организации контроля знаний
87
К неадаптивным методам контроля относятся:
– строгая последовательность. Набор заданий для контроля заранее подготавливается преподавателем или разработчиком
контрольной работы и помещается в базу данных системы. Как
правило, это одна и та же последовательность вопросов для всех
обучаемых. Недостатки данного метода очевидны: отсутствие разнообразия (одно из требований педагогики), понижение самостоятельности выполнения заданий и др. Этот метод считается малоэффективным, поэтому и применяется крайне редко. Его можно
несколько улучшить, например, подготовив несколько вариантов
контрольной работы и (или) выдавая задания обучаемым в произвольной последовательности;
– случайная выборка. Набор заданий формируется непосредственно перед контролем на основе заданий, хранящихся в базе
данных, т. е. вариант контрольной работы – это n случайно выбранных заданий. Значение n может быть задано преподавателем (разработчиком контрольной работы) заранее или выбрано обучаемым
(например, в режиме «Самоподготовка»). Преимущество данного
метода состоит в том, что каждому обучаемому предлагается индивидуальная последовательность вопросов. Основной недостаток
его заключается в том, что вариант контрольной работы формируется без учета трудности заданий. Таким образом, набор заданий
для одного обучаемого может включать в себя лишь самые трудные
вопросы, а для другого – только легкие. Это часто приводит к искажению результатов контроля.
Существуют разные модификации данного метода, позволяющие учитывать метаданные вопросов. Например:
– могут быть заданы тема и общее время контроля, время ответа
на каждый вопрос, число попыток дать ответ и т. п.;
– дополнительно к предыдущему пункту устанавливается число
вопросов разной степени трудности и (или) из разных тем в каждом
варианте контрольной работы;
– комбинированный метод, в основе которого лежит случайная
выборка, дополненная строгой последовательностью. В этом случае
преподаватель (разработчик контрольной работы) задает один или
несколько вопросов, которые непременно должны быть включены
в каждый вариант контрольной работы. Остальные задания генерируются случайным образом, как во втором случае.
Общим для всех неадаптивных методов является то, что вариант контрольной работы для каждого обучаемого формируется до
контроля (заранее или непосредственно перед контролем знаний),
88
т. е. на подготовительном этапе контроля знаний, что, с одной стороны, ускоряет его (поиск задания в базе данных и его загрузка),
с другой, позволяет выдавать задания двумя способами: по одному
или списком. В последнем случае обучаемый сам может выбрать
последовательность выполнения заданий.
Частично адаптивные методы контроля предполагают использование информации из модели обучаемого или учебного материала при формировании набора контрольных вопросов. К этому классу моделей относятся:
– случайная выборка по параметрам модели обучаемого. Метод
является развитием неадаптивных методов контроля знаний. Он
аналогичен случайной выборке и(или) комбинированному методу, т. е. набор заданий также формируется непосредственно перед
контролем, но при его составлении используются такие параметры
модели обучаемого, как общий уровень подготовленности, способность к обучению и, возможно, другие. Таким образом, для каждого обучаемого составляется набор заданий, соответствующий уровню его подготовленности и способностям, что является главным
преимуществом данного метода.
Другое достоинство метода: обучаемый, выполняя задания, соответствующие его способностям, не испытывает лишней психологической нагрузки во время контроля. В качестве недостатка
данного метода можно отметить, что обучаемые получают задания разной трудности (это, безусловно, должно быть учтено при
выставлении оценки), т. е. один выполняет только простые задания, а другой – только трудные. Поэтому, составляя вопросы для
обучаемого, соответствующие его способностям, целесообразно
включить в набор и одно-два задания повышенной трудности и
значимости;
– контроль по ответам обучаемого. В этом методе контроль
осуществляется по заранее составленному сценарию или, другими словами, по разветвленной контролирующей программе.
Предварительная подготовка сценария контроля знаний дает возможность включить в программу вопросы разной степени трудности и значимости, расположив наиболее значимые и трудные задания в основной ветви программы, а более простые – в разветвлениях. Таким образом, обучаемые получают разное число вопросов, а
следовательно, и время, затрачиваемое ими на контроль, различно,
что является достоинством данного метода.
Другое его преимущество – простота обеспечения обратной связи (выдача соответствующего комментария). Такой подход к прове89
дению контроля знаний в настоящее время встречается редко, так
как имеет существенный недостаток: всем обучаемым предлагаются одни и те же задания, однажды включенные в контролирующую
программу. Устранить этот недостаток довольно просто – достаточно отделить сценарий контроля знаний от набора контрольных заданий. Для этого необходимо подготовить комплект однотипных
вопросов для каждого тестового задания, включенного в сценарий,
а в процессе последующего случайным образом сформировать вопрос из комплекта тестовых заданий.
Ответы обучаемого как параметр проведения контроля знаний
используются и в другом методе, который основан на байесовском
подходе к принятию решений в условиях неопределенности. Метод
предусматривает вычисление вероятностей для оценки знаний обучаемого. Если рассчитанные вероятности не позволяют однозначно оценить проверяемые знания, то обучаемому предлагается еще
один вопрос. В противном случае контроль продолжается, причем
минимальное число вопросов n задается заранее.
Данный метод применяется и в современных системах;
– контроль по модели учебного материала. В данном методе
формирование набора заданий для контроля знаний происходит
на основе модели учебного материала (курс, тема, раздел темы),
которая представляет собой ориентированный граф: множество
вершин графа соответствует объектам изучения, а множество ребер – связям между ними. Изучение учебного материала, равно
как и организация контроля, осуществляются в соответствии
с оптимальной последовательностью изложения учебного материала, которая обычно есть не что иное, как линейная последовательность объектов изучения. Таким образом, сначала формируется задание для проверки знаний первого учебного объекта,
затем – второго и т. д., т. е. последовательность выдачи заданий
аналогична последовательности изучения учебного материала
по его модели. При этом если планируется проверить и знания,
и умения, то одному учебному объекту могут соответствовать несколько вопросов.
Возможна модификация данного метода, предусматривающая
подбор контрольных заданий с учетом уровня подготовленности
обучаемого;
– модульно-рейтинговый метод. Этот метод во многом аналогичен предыдущему. Учебный материал делится на отдельные составляющие – модули, для каждого из которых заранее подготавливается комплект контрольных заданий. В процессе контроля знаний
90
обучаемому сначала предлагается вопрос из первого модуля. При
этом после каждого ответа вычисляется его рейтинг. Переход к вопросам следующего модуля осуществляется при достижении определенного, заранее установленного рейтинга, причем обучаемый
с целью повышения своего рейтинга, а следовательно, и оценки,
может продолжить выполнение заданий текущего модуля и лишь
затем перейти к заданиям следующего.
Методы данной группы так или иначе связаны со структурой
учебного материала, а также учитывают уровень подготовленности
студентов, т. е. налицо признаки адаптации.
Адаптивные методы максимально используют информацию из
моделей обучаемого и (или) учебного материала. К ним относятся:
– контроль по модели обучаемого. В этом методе учитываются
многие параметры модели обучаемого, а именно:
– уровень подготовленности влияет на трудность предлагаемых
заданий;
– вид репрезентативной системы обусловливает форму представления заданий (текст, визуальное изображение, использование
звука);
– направленность личности влияет на формулировку текста выдаваемого задания;
– уровень беспокойства-тревоги определяет как наличие обратной связи, так и форму и детальность комментариев;
– особенности памяти являются условием для определения времени выполнения задания и контрольной работы в целом;
– ответ обучаемого, точнее, правильность ответа влияет на выбор следующего контрольного задания.
Сценарий контроля обычно формируется динамически в процессе контроля знаний, хотя набор сценариев для разных групп обучаемых может быть создан и заранее аналогично методу контроля
по ответам обучаемого;
– контроль по моделям обучаемого и учебного материала.
Данный метод является развитием предыдущего, т. е. при формировании контрольных заданий используются приведенные ранее
параметры модели обучаемого, но процесс контроля знаний строится на основе модели учебного материала с учетом взаимосвязи
между проверяемыми понятиями.
Таким образом, существует множество методов организации
компьютерного контроля знаний, часть из которых в той или иной
мере можно считать адаптивными. В табл. 3.2. приведены основные характеристики методов проведения контроля.
91
Таблица 3.2
Основные характеристики методов проведения контроля
Метод контроля
Тип метода
Время
Используемые модели
формирования
и параметры
заданий
Строгая последовательность
Неадаптивный До контроля
Нет
Случайная выборка
Комбинированный
Неадаптивный До контроля
Неадаптивный До контроля
Нет
Нет
Случайная выборка
с учетом отдельных
параметров модели
обучаемого
Частично
адаптивный
До контроля
Контроль по ответам
обучаемого
Частично
адаптивный
До контроля
Модель обучаемого.
(и в процессе
Текущие ответы
контроля)
Контроль по учебному
материалу
Частично
адаптивный
В процессе
контроля
Модель учебного
материала, модель
обучаемого.
Уровень подготовленности
Модульно-рейтинговый
Частично
адаптивный
В процессе
контроля
Модель обучаемого.
Рейтинг обучаемого
Контроль по модели
обучаемого
Адаптивный
В процессе
контроля
Модель обучаемого
Контроль по моделям
обучаемого и учебному
материалу
Адаптивный
В процессе
контроля
Модель обучаемого,
модель учебного
материала
Модель обучаемого.
Уровень подготовленности
3.5. Классификация ИОС по методу оценивания знаний
Определение и оценка знаний представляют собой задачу распознавания, основанную на обучении. Решение проблемы оценивания состоит из трех этапов:
– определения параметров контроля (обучение), выполняемого
до начала контроля знаний;
– сбора, анализа и(или) преобразования данных, получаемых
в процессе контроля (распознавание);
– выставления оценки за контрольную работу по завершении
контроля (распознавание).
92
На первом этапе по результатам контрольного эксперимента
определяют метаданные заданий (трудность, значимость и т. д.) и
устанавливают параметры контроля знаний (число вопросов, время на ответ и др.). Метаданные и параметры помещают в репозиторий (хранилище) системы и используют на последующих этапах.
На втором этапе при выполнении обучаемым контрольных заданий
осуществляют сбор, анализ и, возможно, предварительную обработку полученных данных. На последнем этапе выставляют общую
оценку за работу.
В большинстве методов оценивания предусматривается вычисление некоторой величины, которая затем сравнивается с предварительно заданными граничными значениями. Методы оценивания используются в основном на втором и третьем этапах, хотя
существует ряд методов, которые применяют для выставления
оценки только на последнем этапе.
По методу оценивания знаний ИОС можно разделить на два
класса (рис. 3.10) – основанные на математических и классификационных методах.
К математическим моделям оценивания знаний относятся:
– простейшая модель. В этом типе модели ответ обучаемого на
каждое задание оценивается по двухбалльной (правильно или неСистема обучения и контроля знаний
На основе математических моделей
Простейшие модели
Классическая
На основе классификационных
моделей
Модели на основе алгоритма,
построенного на вычислении
ошибок
Классическая с учетом
сложности заданий
С возрастающей сложностью
Модели, учитывающие
параметры заданий
Учитывающая время
выполнения заданий
Модели на основе
вероятностных критериев
На основе уровней усвоения
С ограничением времени
выполнения заданий
Модели на основе
нечеткой логики
Рис. 3.10. Классификация ИОС по методу оценивания знаний
93
правильно) или многобалльной (например, пятибалльной) шкале.
Оценка выставляется путем вычисления значения R:
k
∑ Ri
R = i =1 ,
n
где Ri – правильный ответ обучаемого на i-е задание; k – число правильных ответов из n предложенных (k < n), которое затем обычно
округляется по правилам математики.
Простейшие модели, которые могут быть и комбинированными,
делятся на несколько типов [44]:
– классическая;
– классическая с учетом сложности заданий и времени ответа на
задание;
– с возрастающей сложностью и учетом времени ответа на задание;
– с возрастающей сложностью и ограничением времени на тест.
Классическая модель. Данная модель является самой первой и
самой простой. Имеется n заданий из определенной области знаний,
нескольких областей знаний или их части (раздел, тема и т. п.). Из
множества заданий случайным образом выбирается k заданий (k <
n), которые предлагаются обучаемому. Обучаемый выбирает или
вводит правильный, по его мнению, ответ. Результат ответа на каждое задание оценивается как «правильно» или «неправильно».
Результатом тестирования служит процент правильных ответов обучаемого. Достоинством модели является простота ее реализации,
а недостатком то, что из-за случайности выборки нельзя заранее определить, какие по сложности задания достанутся обучаемому. В итоге
одному обучаемому могут достаться k легких заданий, а другому –
k сложных.
Оценка зависит только от числа правильных ответов и не учитывает сложности заданий.
Классическая модель из-за недостатков имеет самую низкую
надежность, так как отсутствие учета параметров заданий часто
не позволяет объективно оценить знания обучаемого. В настоящее
время наблюдается уход от использования данной модели к более
совершенным и эффективным, например, к адаптивному тестированию.
Классическая модель с учетом сложности заданий содержит
n заданий из определенной области знаний, нескольких областей
94
знаний или их части (раздел, тема и т. п.). Каждое задание имеет
определенный уровень сложности Ti, i = 1,n . Из этого множества
заданий случайным образом выбирается k заданий (k ≤ n), которые
предлагаются обучаемому. Результат ответа на каждое из них оценивается как «правильно» или «неправильно».
При определении результата тестирования учитывается сложность вопросов, на которые обучаемый дал правильный ответ. Чем
выше сложность вопроса, тем выше результат тестирования. Для
вопросов, на которые был дан неправильный ответ, сложность не
учитывается.
Модели, учитывающие сложность заданий, позволяют более
адекватно подойти к оценке знаний. Но случайность выбора заданий не позволяет добиться одинаковости тестов по сложности, т. е.
одинаковости суммарных характеристик сложности заданий, что
снижает надежность тестирования.
Модель с возрастающей сложностью. Имеется n заданий из
определенной области знаний, нескольких областей знаний или их
части (раздел, тема и т. п.). Каждое задание имеет определенный
уровень сложности Ti, i = 1,n.
Имеются задания c m уровнями сложности. В тесте должны присутствовать задания всех уровней. Из этого множества заданий случайным образом выбирается k заданий (k ≤ n). Выбранные задания
сортируются по возрастанию сложности, после чего предлагаются
обучаемому. Число заданий по каждому уровню должно быть одинаковым либо распределение заданий по уровню сложности должно подчиняться нормальному закону.
Результат тестирования определяется аналогично результату
для модели, учитывающей сложность заданий.
Данная модель обеспечивает равнозначность тестов по сложности, т. е. надежность результатов тестирования гораздо выше, чем
в предыдущих моделях.
Модели, учитывающие параметры заданий. В этих моделях
при выставлении оценки используются характеристики контрольных вопросов.
Существуют различные модификации моделей данного типа:
– модель, учитывающая время выполнения задания (или общее
время выполнения контрольной работы). Для правильных ответов
рассчитывается значение Ri по формуле
1, t ≤ tmax ,
Ri = 
0, t > tmax ,
95
где t – время выполнения задания; tmax – время, отведенное на выполнение задания. Далее итоговую оценку вычисляют аналогично
вычислению по простейшей модели;
– модель на основе уровня усвоения. В этой модели характеристикой задания является уровень усвоения, для проверки которого
он предназначен. Таким образом, задания делятся на пять групп,
соответствующих уровню усвоения: понимание, опознание, воспроизведение, применение, творческая деятельность.
Для каждого задания определяется набор существенных операций. Под существенными понимают те операции, которые выполняются на проверяемом уровне. Операции, относящиеся к более
низким уровням, в число существенных не входят. Для выставления оценки используется коэффициент Ka :
K=
a
p1
, 0 ≤ Ka ≤ 1, p2
где p1 – число правильно выполненных существенных операций
в процессе контроля; p2 – общее число существенных операций в контрольной работе; a = 0, 1, 2, 3, 4 соответствуют уровням усвоения.
Оценка выставляется на основе заданных граничных значений
согласно соотношениям
Ka < 0,7 – неудовлетворительно,
0,7 ≤ Ka < 0,8 – удовлетворительно,
0,8 ≤ Ka < 0,9 – хорошо,
Ka ≤ 0,9 – отлично;
– метод линейно-кусочной аппроксимации. Алгоритм оценивания основан на классификации заданий (вопросов) по их дидактическим характеристикам (значимость (z), трудность (d), спецификация (s)). Число баллов, полученных студентом за выполнение n
заданий, определяется по формуле
n
y = ∑wi xi ,
i =1
где xi – оценка за выполнение i-го задания; n – число заданий;
W = {w1,w2,…,wn} – вектор весовых коэффициентов заданий, зависящий от их дидактических характеристик.
96
По завершении контроля определяется средний балл А, полученный студентом за выполнение n заданий:
A=
y
,
kï
где kп – число попыток выполнения n заданий (kп ≥ n), и уточненный средний балл A′:
A ′= A + a1r + a2
k
kï − n
k
+ a3 c + a4 â ,
n
n
n
где r – ранг обучаемого (1, 2 или 3); kc – число обращений к справочной информации; kв – число заданий, выполненных с превышением отведенного времени (kв < n); k1–k4 – коэффициенты. Далее
оценка выставляется по формуле
1, Q ≤ c1,
2, c < Q ≤ c ,

1
2
I=


 M, Q > cM −1,
где I – оценка за контрольную работу; {c1, c2, …, cМ} – вектор граничных значений; M – максимально возможная оценка (например,
по пятибалльной шкале M = 5).
Аналогично определяется и уровень усвоения (ранг) обучаемого. Преимуществом данной модели является использование как четырех дидактических характеристик заданий, так и уровня подготовленности (ранга) из модели обучаемого, что позволяет повысить
надежность результатов контроля.
Основная идея классификационных моделей заключается в отнесении обучаемого к одному из устойчивых классов с учетом совокупности признаков, определяющих данного обучаемого. При этом используется специальная процедура вычисления степени похожести
(оценки) распознаваемой строки (совокупности признаков обучаемого) на строки, принадлежность которых к классам заранее известна.
Алгоритм, основанный на вычислении оценок, был впервые предложен Ю. И. Журавлевым и позднее использовался для классификации обучаемых по уровню подготовленности и для оценивания
знаний в качестве дополнительного метода в обучающих системах.
97
Данная модель предусматривает построение таблицы обучения Тоnm,
в которой каждая строка представляет собой набор признаков обучаемого, характеризующих его работу в процессе контроля знаний:
число предложенных заданий (n), средний балл (A), число попыток
выполнения заданий, число обращений к справочной информации,
ранг.
При выставлении оценки вычисляется степень похожести совокупности признаков конкретного студента I(S) = {b1, b2, …, bm} на
строки, входящие в таблицу обучения Тоnm, на основании чего осуществляется отнесение его к определенному классу Kj. Для этого
определяется число строк каждого класса Kj, близких по выбранному критерию классифицируемому объекту S. Строка таблицы
j
обучения ТоnmI(Sji) = { ailj , …, aim
} и распознаваемая строка I(S) =
= {b1, b2, …, bm} считаются похожими, если выполняются неравенства
|ajik – bk| < ek,
где ek, k =1, …, m, – точность сравнения. Обучаемый относится
к классу Kj, имеющему максимальную оценку
maxГj(S, Kj), j = 1, …, m.
Таким образом, для оценивания знаний обучаемых применяются
разные модели и алгоритмы – от самых простых, учитывающих лишь
процент правильно выполненных заданий при двухбалльной системе оценки отдельного вопроса, до сложных составных, в которых используются всевозможные параметры контроля и многобалльная система оценивания как отдельных заданий, так и работы в целом.
Модели на основе вероятностных критериев. Главным в данных математических моделях контроля знаний являются утверждения о зависимости вероятности правильного ответа обучаемого
от уровня его подготовленности и параметров задания. Суть этих
моделей состоит в том, что на основе известных априорных вероятностей рассчитываются апостериорные вероятности Р(Hi) гипотезы Hi, что обучаемый заслуживает оценки i.
При вычислении вероятности Р(Hi) учитываются сложность и
время выполнения заданий, число предложенных обучаемому заданий, число неправильно выполненных заданий и др. Рассчитанные
вероятности анализируются и(или) сравниваются с граничными
значениями с учетом рисков недооценки и переоценки выставления оценки. Если полученные результаты позволяют выставить од98
нозначную оценку, то контроль, как правило, завершается. В противном случае обучаемому выдается очередное задание.
Модели на основе нечеткой логики. Целью введения методов нечеткой логики является попытка математической формализации
нечетких, качественных явлений и объектов с размытыми границами, встречающихся в реальном мире. Нечеткое управление оказывается особенно полезным, когда описываемые процессы являются
слишком сложными для анализа с помощью общепринятых количественных методов или когда доступные источники информации
интерпретируются качественно, неточно или неопределенно.
Экспериментально показано, что нечеткое управление дает лучшие результаты по сравнению с получаемыми при общепринятых
алгоритмах управления. Нечеткая логика, на которой основано нечеткое управление, ближе по духу к человеческому мышлению и естественным языкам, чем традиционные логические системы. Нечеткая
логика обеспечивает в основном эффективные средства отображения
неопределенностей и неточностей реального мира. Наличие математических средств отражения нечеткости исходной информации позволяет построить модель, адекватную реальности [20].
Данная модель является развитием любой предыдущей модели,
в которой вместо четких характеристик тестовых заданий и ответов используются их нечеткие аналоги:
– сложность задания (легкое, среднее, выше среднего, сложное
и т. п.);
– правильность ответа (правильно, частично правильно, скорее
неправильно, неправильно и т. п.);
– время ответа (маленькое, среднее, большое, очень большое и т. п.);
– процент правильных ответов (маленький, средний, большой,
очень большой и т. п.);
– итоговая оценка;
– другие.
В качестве одного из методов нечеткой логики для оценивания
системы знаний обучаемого применяются правдоподобные рассуждения по аналогии. Для оценивания системы приобретенных обучаемым знаний модель системы знаний обучаемого сравнивается
с эталонной моделью структуры предмета с целью установления
аналогии (сходства) между ними. Если аналогия существует, то
для определения оценки системы знаний обучаемого в рамках этого предмета вычисляется степень аналогии.
При установлении аналогии может быть задано пороговое значение t , которое показывает степень соответствия системы приобре99
Таблица 3.3
Модели оценивания и используемые параметры
Модели
оценивания знаний
Используемые данные
Параметры задания
Контролируемые параметры
Простейшая
–
Учитывающая
время ответов
–
На основе уровней усвоения
Уровень
усвоения учебного
материала,трудность
и сложность этого
материала
Метод линейнокусочной аппроксимации
Значимость,
трудность,
спецификация
На основе вероятностных критериев
Сложность
На основе нечеткой логики
Сложность
На основе алгоритма, основанного на вычислении оценок
–
Число заданий и правильных ответов
Число заданий, правильно выполненных заданий без превышения отведенного времени
Число правильно выполненных
существенных операций, общее
число существенных операций
в заданиях
Число заданий, попыток выполнения заданий, обращений
к справке, заданий, выполненных с превышением отведенного
времени, граничные значения
Число заданий, время ответа,
априорная вероятность получения оценки, граничные значения,
риски недооценки и переоценки
Число заданий, время ответа,
правильность ответа, процент
правильных ответов
Число заданий, попыток, обращений к справке, точность сравнения
тенных обучаемым знаний эталонной системе знаний, определенной
в модели структуры изучаемого предмета. При этом граф H может
не совпадать полностью с графом G , а соответствовать его части, так
как при итоговом контроле знаний обучаемому могут быть предъявлены задания не по всем темам изучаемого предмета [11].
В табл. 3.3. приведены рассмотренные модели и методы оценивания знаний и используемые параметры. Все методы оценивания
предусматривают в процессе контроля знаний сбор данных о ходе
контроля. Метод линейно-кусочной аппроксимации и модели на
основе вероятностных критериев предполагают также вычисление
некоторых функций, которые обычно используются для определения дальнейшего хода контроля.
100
4. ПРОЕКТИРОВАНИЕ ПРОЦЕССА ОБУЧЕНИЯ
Процесс обучения складывается из постановки учебно-познавательной задачи педагогом и ее принятие учащимся, передачи
знаний педагогом и усвоение их учащимися, учебно-продуктивной
практики, которая переводит объект в субъект, педагогической
проверки знаний, умений и навыков учащихся. Сущность процесса обучения выражается в расширении способностей человека, отвечающих потребностям общества и личности.
Известно, что любой процесс обучения включает в себя два вида
деятельности: обучающую (деятельность преподавателя) и учебную
(деятельность обучаемого). Исходя из этого выделяют два основных этапа разработки обучающей системы: проектирование деятельности обучаемого и преподавателя. Каждый этап проектирования имеет учебную структуру знаний, с помощью которой можно
описать этот процесс.
4.1. Проектирование деятельности обучаемого
Данное проектирование связано, прежде всего, с проектированием содержания обучения, а именно, с разработкой модели предметной области и представлением учебного материала (УМ).
Отбор и подготовка УМ для ИОС осуществляются в соответствии
с целями обучения. Система целей отражает совокупность знаний и
умений, которыми должен овладеть обучаемый в результате работы с ИОС. Цели могут иметь как узко специальный, так и методологический характер.
При подготовке учебного материала необходимо определить,
какие понятия будут введены и объяснены в курсе, и установить логические связи между ними. Структура системы понятий
оформляется в виде концептуальной сети, которая представляет
собой граф с помеченными вершинами и дугами. Вершинам соответствуют понятия. Набор отношений между понятиями включает в себя отношения типа «род–вид», «часть–целое» и ассоциативные отношения (например, «быть свойством», «быть объектом
действия» и т. п.).
В виде графов представляются не только понятия объектов ПрО,
но система действий с ними (задачи). Действия описываются логическими схемами алгоритмов (ЛСА) или логическими схемами
действий (ЛСД). Последние используются при отсутствии точного
описания последовательности выполняемых операций в ЛСА.
101
Поскольку понятия об объектах и операциях над ними в изучаемой учебной дисциплине взаимосвязаны, их совместное описание
может быть представлено в виде
С = 〈М, R〉,
где М = Мп ∪ Мд, Мп – множество понятий; Мд – множество действий; R = {Rр–в, Rч–ц, Rо–д, Rд–р}; Rр–в, Rч–ц, Rо–д, Rд–р – соответственно отношения «род–вид», «часть–целое», «объект–действие»,
«действие–результат».
Действия удобно описывать в виде таблиц решений, включающих в себя описание ситуаций (условий) и действий, а также правила выбора действий:
Р1 : С22 < 1
1
0
0
Условия
P2 : (C22 ≥ 1) & (C22 < 3)
0
1
0
0
0
1
*
Действия
P2 : (C22 ≥ 3) & (C22 < 5)
Д1: выдать текст 1
Д2: выдать текст 2
Д3: выдать текст 3
*
*
Значения
Правила
выбора
Условия и действия могут иметь строгое формальное или расплывчатое описание. При заданном порядке проверки условий легко перейти от таблиц к описанию действий в виде ЛСД. Формализованные
языки описания действий позволяют проводить преобразование
схем действий с целью поиска оптимальной реализации.
Модели задач иногда целесообразно представлять в виде помеченного двудольного графа с двумя типами вершин: А (круги)
и В (прямоугольники), А ≠ ∅, В ≠ ∅, А ∩ В = 0, где А – вершины,
соответствующие переменным, а В – вершины, соответствующие
отношениям. В двудольном графе каждая вершина связана лишь
с вершинами другого типа.
Графовое представление объектов задачи более наглядно, чем
реляционное, и дает возможность путем формального анализа его
структуры выявить дополнительные внутренние ограничения значений переменных. Исследование графов задач помогает во многих случаях выявить существование относительно изолированных
подграфов – блоков, в которых значения переменных однозначно
определяются системой отношений этих блоков. Обнаружение изолированных блоков позволяет понизить размерность исходной задачи либо произвести ее декомпозицию. При этом поиск решения
задачи может свестись к локализации минимального блока отно102
шений. В качестве формального аппарата для описания двудольных графов может использоваться язык сети Петри (СП) [12, 16].
При семиотическом подходе совокупность понятий и суждений
изучаемой дисциплины представляется в виде
Z = 〈T, M, I〉,
где Т – теория ПрО; М – модель ПрО; I – интерпретация Т в М.
Под теорией Т понимается формальная система
Т = 〈L, A, p〉,
где L – язык теории; A = AL ∪ Aф – аксиомы теории (AL – логические
аксиомы, истинные в каждой модели M, Aф – фактографические
аксиомы); p – правила вывода формул теории.
Под моделью теории T понимается система
M = 〈S, F, R〉,
где S – множество объектов; F – множество n-местных функций,
соответствующих функциональным символам ƒn из T; R – множество n-местных отношений, соответствующих предикатным символам rn из T.
Под интерпретацией I теории T в модели М понимается соответствие между выражениями теории t ∉ T и объектами It ∉ S, между
функциональными символами ƒn ∉ T и функциями Iƒn: Sn → S, между функциональными символами rn ∉ T и отношениями Irn ⊂ Sn.
Интерпретация и модель в отличие от синтаксических отношений самой теории, в рамках которой делается заключение об истинности формул на основании их структуры, отражают семантику знаний. Примером подобного подхода к представлению знаний
может служить изложение исчисления высказываний [22].
Предметную область, содержащую информацию о предмете изучения (в рамках данного пособия такой ПрО является «Воздушная навигация» (см. гл. 6 [13]), можно представить в виде сети (графа), каждому узлу которой соответствует учебный элемент (тема, урок, понятие).
4.2. Проектирование модели представления учебного материала
4.2.1. Отбор и структурирование учебного материала
Показатели уровня представления учебного материала. Различают
четыре формы представления учебного материала, которые соответствуют разным ступеням абстракции в описании (рис. 4.1) [39, 40].
103
а)
Целевые показатели
Количественные
Качественные
Усвоение
Представление
Автоматизация Осознанность
материала
Сложность Трудность
α = 0,1,2,3,4 β = 0,1,2,3,4
K1
Kβ
Kα
б)
ν
β
1
2
3 4
Рис. 4.1. Целевые показатели (а)
и показатели уровня представления учебного материала (б).
1 – феноменологическое описание – ступень, на которой с использованием обычного естественного языка лишь описывают, констатируют факты, явления, процессы. Иногда дают их классификацию;
2 – аналитико-синтетическое описание (ступень качественных
теорий), в котором на естественно-логическом языке излагается теория
частных явлений, что создает предпосылки для предсказания исходов
явлений и процессов на качественном уровне; 3 – математическое описание (ступень количественных теорий), в котором на математическом
языке излагается теория частных явлений. Применение математических моделей создает при этом возможность для прогнозирования
исходов явлений и процессов на количественном уровне; 4 – аксиоматическое описание, в котором формулируются законы, обладающие
междисциплинарной общностью. Примеры таких описаний можно
встретить в кибернетике, философии, теории систем.
Уровень представления (иногда его называют уровнем научности) принято обозначать коэффициентом β , который может принимать значения β = 0, 1, 2, 3, 4 (см. рис. 4.1). Иногда вводят и так
называемый коэффициент научности
Kβ =
β1 / β8 ,
104
где β1 – уровень представления учебного материала; β8 – уровень
развития науки по теме проектируемого комплекса. Очевидно, что
Kβ ∈ [0,25; 1] .
Показатели уровня усвоения учебного материала классифицируют глубину проникновения в него и качество владения им учащимися. Такая классификация позволяет четко формулировать
дидактические цели при проектировании учебного комплекса и на
их основе определять его состав. Дело в том, что часть элементов
знания учащийся должен уметь применять при решении задач (для
этого необходимы тренажеры, учебные ППП), а с какими-то элементами ему достаточно лишь ознакомиться.
Различают пять уровней усвоения УМ:
– понимание;
– узнавание;
– воспроизведение;
– применение;
– творчество.
Нулевой уровень – это уровень, на котором учащийся способен
понимать, т. е. осмысленно воспринимать, новую для него информацию. Строго говоря, этот уровень нельзя называть уровнем усвоения УМ по изучаемой теме. Фактически речь идет о предшествующей подготовке учащегося, которая дает ему возможность воспринимать новый для него учебный материал. Деятельность учащегося на нулевом уровне называют пониманием.
Первый уровень – это узнавание изучаемых объектов и процессов при повторном восприятии ранее усвоенной информации о них
или действий с ними, например, выделение изучаемого объекта из
ряда предъявленных различных объектов. Деятельность первого
уровня условно называют опознанием, а знания, лежащие в ее основе, – знаниями-знакомствами.
Второй уровень – это воспроизведение усвоенных ранее знаний от
буквальной копии до применения в типовых ситуациях. Примером
их являются воспроизведение информации по памяти, решение типовых задач (по усвоенному ранее образцу). Деятельность второго
уровня условно называют воспроизведением, а знания, лежащие
в ее основе, – знаниями-копиями.
Третий уровень – уровень усвоения информации, на котором
учащийся способен самостоятельно воспроизводить и преобразовывать усвоенную информацию для обсуждения известных объектов и применения ее в разнообразных нетиповых (реальных) ситуациях. При этом учащийся способен создавать субъективно новую
105
(новую для него) информацию об изучаемых объектах и действиях
с ними. Примером служат решение нетиповых задач, выбор подходящего алгоритма из набора ранее изученных алгоритмов для решения конкретной задачи. Деятельность третьего уровня условно
называют применением, а знания, лежащие в ее основе, – знаниями-умениями.
Четвертый уровень (творческая деятельность) – такой уровень
владения УМ, на котором учащийся способен создавать объективно
новую информацию (ранее не известную никому).
Уровень усвоения УМ принято обозначать коэффициентом a. Он может принимать значения α = 0, 1, 2, 3, 4 в соответствии с приведенной нумерацией уровней. Для измерения степени владения учебным материалом на каждом уровне используют
коэффициент
Kα = p1/p8,
где p1 – число правильно выполненных существенных операций
в процессе тестирования; p8 – суммарное (общее) число существенных операций в тесте или комплекте тестов. Под существенными
понимают те операции, которые выполняются на проверяемом
уровне a. Операции, принадлежащие к более низкому уровню,
в число существенных не входят.
К другим показателям усвоения учебного материала относят целевые показатели (см. рис. 4.1, а).
Показатель степень автоматизации усвоения характеризует
умения как навыки в овладении осваиваемыми способами деятельности, что иногда требуется в процессе обучения. Степень автоматизации усвоения можно измерять коэффициентом
Kt = t1/t8,
где t1 – время выполнения теста профессионалом; t8 – время выполнения теста учащимся.
Осознанность учебной деятельности как показатель качества
усвоения всегда высоко ценилась преподавателями. Под осознанностью обычно понимают умение обосновать выбор способа действия и его план – ориентировочную основу деятельности.
Различают три степени осознанности: γ = 1, 2, 3. При степени
осознанности γ = 1 учащийся обосновывает свой выбор, опираясь
на информацию изучаемой дисциплины. При γ = 2 он обосновывает его, опираясь на информацию не только изучаемой, но и какойлибо смежной дисциплины. При γ = 3 учащийся обосновывает свой
106
выбор с привлечением информации из разных дисциплин с широким использованием междисциплинарных связей.
Сложность учебного материала – понятие относительное. Оно
связано с уровнем представления УМ. Если учащийся владеет аппаратом изложения материала на данном уровне (например, логикой на втором уровне, математическим аппаратом – на третьем), то
изложение материала ему не кажется сложным, и наоборот. Так,
человек с гуманитарной подготовкой, не владеющий математическим аппаратом, каким бы он ни был «сообразительным», не поймет изложения технического текста на третьем уровне. Принцип
«от простого к сложному» означает движение в ходе обучения от
низшего уровня (β = 1, 2) к высшему (β = 3, 4).
Трудность учебного материала – также относительное понятие.
Оно связано с уровнем его усвоения. Чем выше уровень усвоения,
тем выше трудность. При этом важна преемственность в усвоении.
Если учащийся владеет материалом на первом уровне, то переход
к усвоению на втором ему труден, но доступен. Если же ставится
задача сразу перейти от первого уровня усвоения к третьему, например, после прочтения учебного пособия – к решению нетиповых задач, то это более высокая степень трудности, которая может
оказаться не доступной учащемуся.
4.3. Структурная модель учебного материала
Планируемый для изучения УМ разбивают на отдельные учебные элементы (УЭ). Под УЭ понимают объекты, явления, понятия,
методы деятельности, выбранные из соответствующей науки и внесенные в программу учебной дисциплины или раздела учебной дисциплины для их изучения.
Совокупность УЭ представляют в виде структурной схемы – древовидного графа, который называют графом содержания учебного
материала и строят по иерархическому принципу. Узлами (вершинами) графа являются учебные элементы, ребрами – иерархические связи между ними.
Построим структурную модель учебного материала. Для этого введем в рассмотрение конечное множество M = (μ1, μ2,…, μi,…, μn), где
μi – обучающий блок (ОБ), который соответствует порции УМ и порции
отношений на множестве M, которые являются отображениями вида:
– μ = S(μ1, μ2, …, μi, …, μn) – отношение непосредственной связности по информации или выводимости блока μ из блоков (μ1, μ2,
…, μi, …, μn);
107
– μ = δ(μ1, μ2, …, μi, …, μn) – отношение детализации знания μ,
которое состоит из значений M = (μ1, μ2, …, μi, …, μn).
Тогда структурной моделью УМ назовем тройку M, S, d, где
M – множество учебных блоков; S – отношение информационной
связности; d – отношение детализации. Отношения информационной связности ОБ таковы, что знания имеют свои источники (μ0),
промежуточные, или выводимые (μs), и конечные, т. е. целевые
(μk), знания.
Обучающие μ-блоки можно связать в сеть знаний следующим образом. Каждой вершине сети сопоставляется единственный μ-блок,
а каждой ее дуге соотносится маркер, который является кодом
описания соответствующего значения (формулы), заключенного
в учебный блок. Далее маркеры (метки) будем обозначать большими буквами латинского алфавита.
Исходя из того, что μ-блок определяет отображение (преобразование множества X в множество Y), введем понятие формулы вывода.
Формулой вывода назовем выражение
µ(X1, X2,…,Xi,…,Xn)Y,
где (X1, X2, …, Xi, …, Xn) – поставляемые в μ-блок исходные знания,
а Y – целевые (конечные) знания, полученные в результате процедуры обучения (вывода), знак «→» обозначает некоммутативную
операцию «следует».
Каждый μ-блок должен иметь единственный выход, т. е. все
исходящие из μ-блока дуги должны иметь одинаковый маркер.
Формула вывода читается так: знание Y является следствием процесса научения из знаний X1, X2, …, Xi, …, Xn и может быть представлена в виде рис. 4.2.
X1
X2
..
.
Xi
µ
Y
..
.
Xn
Рис. 4.2. Логический блок обучения с формулой вывода
108
Граф на рис. 4.2. показывает, из каких составляющих и как
складывается целевое знание. Для его построения необходимо выполнить следующие процедуры:
– выделить множества M = (μ1, μ2, …, μk) возможных порций обучения, имеющих законченный смысловой характер;
– сгруппировать знания для каждого μ-блока в виде логических
формул вывода
m(X1, X2 , ..., Xi , ..., Xn ) → Y;
– связать μ-блоки в обучающие кластеры с помощью подстановки знаний в формулы вывода.
Обучающим кластером назовем направленный граф G〈X, M, Y〉,
вершины которого размечены μ-блоками, дуги Y – маркером знаний, каждой вершине соотнесена формула вывода, и каждая вершина (μ-блок) кластера выводима из начальных знаний либо является начальным знанием μ0.
Отсюда следует свойство полной выводимости целевого знания,
что является необходимым условием. При отсутствии полной выводимости невозможно построить процессы контроля знаний и
управления обучением.
Таким образом, в качестве модели предметной области будем рассматривать граф G〈X, M, Y〉, объектные вершины которого M = mij
n×n
есть фрагменты обучения. В конкретных случаях
ими могут быть параграфы теоретического материала, диалоговые
структуры, задачи или их фрагменты и т. д.
Для некоторых людей большую сложность составляет обучение
без непосредственного общения в аудитории. Для облегчения усвоения материала предлагается методика его адаптивного структурирования.
Ее суть состоит в разделении на темы порций учебной информации, представляющих собой раздел, который целесообразно
изучить в течение одного занятия. Каждая тема разбивается на
блоки. Каждый блок должен содержать законченную по смыслу
порцию учебной информации и ссылки на источники, по которым
можно получить необходимую информацию с точностью до параграфов или даже страниц, на которых представлен учебный материал (табл. 4.1).
Матрица адаптивного сценария структурирования учебного материала приведена далее (N – число блоков в теме).
109
Блок 1 Вопрос 1.1 Вопрос 1.2
Вопрос 1.3
Литературный
источник 1
Блок 2 Вопрос 2.1 Вопрос 2.2
Вопрос 2.3
Литературный
источник 2


Вопрос N.3
Литературный
источник N



Блок N Вопрос N.1 Вопрос N.2
Оценка
за блок
Отлично
Хорошо
Удовлетворительно Неудовлетворительно
Если учащийся отвечает на вопрос 1.1 блока 1, то переходит
к вопросу 2.1. В противном случае он переходит к следующему вопросу этого же блока, т. е. к вопросу 1.2. При неправильном ответе
на вопрос 1.3 ему предлагается еще раз ознакомиться с основным и
дополнительным учебным материалом.
В рассмотренной матрице по вертикали расположены вопросы по
принципу «от простого к сложному», что обеспечивает углубление
в изучаемый материал, а по горизонтали – «от сложного к простому». Для обучаемого, который знает правильные ответы на сложные
вопросы, нет необходимости предъявлять более простые. Однако
в случае, если знания по фрагменту в целом окажутся недостаточныТаблица 4.1
Учебный материал
Учебные элементы
Типы систем посадки
Схемы снижения и захода на посадку
Характеристики маневров снижения
и захода на посадку
Обязанности командира ЛА и штурмана
Правила визуального захода на посадку
Расчет элементов захода на посадку
Контроль выполнения четвертого
разворота
Использование систем посадки
Заход на посадку в условиях сдвига ветра
Правила распределения внимания между приборами при заходе на посадку
110
Изложение Усвоение Осознанность
β
α
γ
2
2
1
2
1
1
2
2
2
3
2
1
2
3
1
1
1
3
3
2
3
3
3
3
3
1
2
2
3
3
ми для того, чтобы ответить на самый простой вопрос, то необходимо
предъявить задания с указанием дополнительных литературных источников, предназначенных для самостоятельной проработки.
4.4. Модель содержания учебного материала
После структурирования и отбора содержания учебного материала формулируются требования по уровню представления, усвоения, осознанности, степени автоматизации (если это необходимо).
Будем называть совокупность графа содержания и таблицы
учебных элементов моделью содержания учебного материала темы. Такая модель позволяет:
– четко определить содержание учебного материала и цели обучения;
– представить содержание в наглядном и обозримом виде;
– привлечь экспертов для обсуждения полноты содержания и
целевых показателей уже на начальной стадии проектирования;
– обеспечить четкую преемственность учебных дисциплин;
– перейти к машинным формам представления модели содержания;
– определить состав учебного комплекса;
– сформировать системное (целостное) представление содержания учебного материала как у разработчиков, так и у пользователей комплекса (преподавателей и учащихся);
– сформулировать требования к типу, числу и последовательности упражнений для осмысления и закрепления теоретического
материала.
Содержание учебного материала рассмотрим на примере темы
«Заход на посадку» (см. табл. 4.1) и построим его граф (рис. 4.3)
1
8
2
3
7
4
5
10
6
9
Рис. 4.3. Граф содержания учебного материала
111
4.5. Модель освоения учебного материала
Модель содержания учебного материала не включает в себя ответы на вопросы, в какой последовательности должны изучаться
учебные элементы и каковы логические связи между ними. Данные
вопросы рассматриваются при формировании модели освоения
учебного материала. Проиллюстрируем построение этой модели на
фрагменте материала данного раздела.
В состав модели освоения входят матрицы отношений очередности
и логических связей учебных элементов, последовательность их изучения (рис. 4.4) и граф логических связей этих элементов (рис. 4.5).
Построение модели производят в четыре этапа:
– формирование матрицы отношений очередности УЭ;
– обработка этой матрицы и построение последовательности изучения учебного материала в виде списка УЭ;
– формирование матрицы логических связей УЭ;
– построение графа логических связей УЭ.
Первый и третий этапы являются неформальными и выполняются на основе анализа учебного материала. Матрицы отноше1
2
3
4
5
6
7
8
9
10
1
2
3
4
6
7
8
9
10
5
Рис. 4.4. Шаги обучения и порядок изучения учебных элементов
5
1
2
4
3
6
7
8
10
Рис. 4.5. Пример модели освоения учебного материала
в виде графа логических связей
112
9
ний очередности и логических связей УЭ являются квадратными.
Размер матриц равен числу УЭ.
Сначала строят ячейки матриц и нумеруют их строки и столбцы
в порядке возрастания чисел. Далее построчно заполняют ячейки
матриц нулями и единицами.
Матрица отношений очередности УЭ имеет вид
1
2
3
4
5
6
7
8
9
10
1
1
1
1
1
1
1
1
1
1
1
2
3
4
5
6
7
8
9
10
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Σ
1
2
3
4
5
6
7
8
9
10
8
9
10
Матрица логических связей УЭ имеет вид
1
2
3
4
5
6
7
8
9
10
1
1
1
1
1
2
1
1
1
1
1
1
1
3
4
1
1
1
5
6
7
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Подход к обучению как к последовательности обобщенных шагов организации учебного процесса предполагает:
– постановку проблемы, поиск ее формулировки с разных точек
зрения;
– поиск фактов, помогающих лучше понять проблему и найти
возможное ее решение;
– поиск идей с одновременной активизацией сферы бессознательного и подсознания; оценка идей откладывается до тех пор, пока они не высказаны и не сформулированы учащимися;
113
– поиск решения, при котором выказанные идеи подвергаются
анализу, оценке, для воплощения и разработки выбираются лучшие из них;
– поиск признания найденного решения окружающими.
В процессе традиционного обучения педагог и комплекс используемых им дидактических средств выступают в роли своеобразного
«фильтра» как содержания УМ, так и учебно-познавательных проблем. Схематически традиционное обучение может быть представлено рис. 4.6.
Традиционная схема существенно ограничивает свободу обучаемого в самостоятельном разрешении проблемной ситуации,
предлагаемой, как правило, преподавателем. Педагогу достаточно трудно реализовать в полной мере заключительный (пятый)
шаг, который призван обеспечить социально-психологическую
сторону учебного процесса. Возникает противоречие между необходимостью создания обстановки «признания окружающими» на
основе специально организованной коммуникативно-диалоговой
деятельности и малой эффективностью традиционных способов ее
организации.
Принципиальное отличие схемы проблемно-поискового обучения на основе телекоммуникационных технологий (рис. 4.7) позволяет устранить это противоречие. Одной из форм представления
данной схемы являются компьютерные конференц-курсы (ККК)
средствами Интернета.
Содержание
учебного
материала
Комплекс
дидактических
средств
Преподаватель
Студент
Студент
Студент
Студент
Рис. 4.6. Традиционное обучение
114
Содержание
учебного
предмета
Комплекс
дидактических
средств
Преподаватель
Студент
Студент
Студент
Студент
Рис. 4.7. Схема проблемно-поискового обучения
Анализируя методику обучения в форме ККК и традиционной
лекционной с позиций деятельностного подхода, можно отметить
следующие их различия:
– студенты ККК берут на себя ответственность за поддержание
дисциплины и поэтому много читают, хорошо готовятся; при традиционной форме они редко знакомятся с УМ;
– студенты ККК обычно отвечают друг другу на каждый вопрос,
объясняют основные понятия;
– необходимость кратко и конкретно в письменном виде выразить свои мысли;
– для многих студентов электронные диалоги даются с меньшей
психологической напряженностью, в то время как в аудиторной
дискуссии некоторые из них только присутствуют, не проявляя активности;
– в ККК студент публично обсуждает домашние задания на протяжении недели, а не выполняет работу «за одну ночь».
Однако ККК имеет ряд недостатков:
– предлагаемые методики проведения ККК не имеют специального обеспечения для повышения рефлексии «неторопливых» студентов, учета индивидуальных особенностей;
– структура курса не учитывает возможности разновременного
включения в занятия;
– отсутствуют ПО электронной почты для легкого восприятия
формул в привычном виде.
115
Этап 1 (составление графа содержания учебного материала)
(рис. 4.8). На основании литературных источников (например,
главы 5 [13]) при составлении графа содержания учебного материала учитываются следующие особенности его изложения: навигационный треугольник скоростей (НТС) рассматривается исходно как элемент, к которому сходятся все остальные учебные
элементы. Это связано с тем, что данное понятие включает в себя
все элементы навигационных характеристик ветра, которые используются при изучении соответствующих учебных элементов
общей темы. При этом предполагается, что каждый учебный элемент после его изучения включает в себя соответствующие задания для самоконтроля и тесты. Изучение всех учебных элементов
данной общей темы применяется при решении соответствующих
штурманских расчетов.
На рис. 4.8 приняты следующие обозначения: 1 – определение и учет ветра в полете; 2 – навигационный треугольник скоростей; 3 – навигационные характеристики ветра; 4 – изменчивость ветра; 5 – эквивалентный ветер; 6 – зависимость угла сноса
(УС) и путевой скорости (W) от угла ветра; 7 – зависимость УС и
W от изменения воздушной скорости; 8 – зависимость УС и W от
изменения скорости ветра и его направления; 9 – решение НТС;
10 – расчет УС и W на навигационной линейке (НЛ); 11 – определение ветра по УС и W на НЛ; 12 –расчет скорости и направления ветра по УС и W, измеренных с помощью оптического визира; 13 – решение НТС на ветрочете; 14 – определение ветра по
двум УС, измеренным на двух курсах, на НЛ;15 – определение
навигационных элементов полета на контрольном этапе (КЭ);
16 – порядок работы на КЭ.
1
2
3
4
5
6
7
10
11
8
12
9
13
15
14
16
Рис. 4.8. Граф содержания учебного материала
116
Формирование матрицы отношений очередности учебных
элементов [39]. Поскольку модель содержания учебного материала не содержит ответов на вопросы, в какой последовательности
должны изучаться УЭ и каковы логические связи между ними,
рассмотрим эти вопросы при формировании модели освоения
учебного материала.
Матрица отношений очередности YЭ имеет следующий вид:
1
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16
Σ
1 1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
16
15
1
2
3
4
5
6
12
7
8
9
10
11
14
13
1
1
1
1
1
1
1
1
1
При заполнении ячеек матрицы отношений очередности анализируют простое бинарное отношение очередности между двумя учебными элементами. Единицу ставят в ячейку, если этот элемент, указанный в номере строки, должен изучаться после УЭ, указанного в номере столбца. Противоположное отношение очередности обозначают
нулем или оставляют соответствующую ячейку матрицы пустой.
Все ячейки главной диагонали матрицы отношений очередности заполняют единицами. Ячейки матрицы, симметричные относительно
главной диагонали, должны иметь противоположные отношения (0
или 1). Поэтому неформальный анализ парных отношений очередности можно проводить лишь для левого нижнего или правого верхнего
треугольника матрицы, заполняя ее оставшуюся часть формально,
руководствуясь свойством антисимметрии (рис. 4.9).
117
Шаги обучения
1
2
3
4
5
6
7
8
3
4
5
6
7
8
10
11
16
15
14
13
12
11
10
9
1
2
15
16
9
14
13
12
Порядок изучения УЭ
Рис. 4.9. Обработка матрицы отношений очередности
и построение последовательности изучения учебного материала
в виде списка УЭ
Формирование матрицы логических связей УЭ. При заполнении
матрицы логических связей УЭ единицу ставят в ячейку, если учебный материал УЭ, указанного в номере строки, логически связан
с учебным материалом УЭ, указанного в номере столбца. Составление
матрицы логических связей удобно выполнять на основе матрицы
отношений очередности путем исключения единиц из тех ячеек, для
которых отсутствуют логические, опорные, связи между элементами. Процесс заполнения матриц целесообразно проводить, имея перед глазами таблицу УЭ и тексты с учебным материалом.
Матрица логических связей УЭ имеет следующий вид:
1
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
118
2
3
4
5
6
7
8
9
10 11 12 13 14 15 16
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Построение графа логических связей УЭ. Логические связи
УЭ представляют для наглядности в виде ориентированного графа
(рис. 4.10). Строят граф по матрице логических связей УЭ, которая является для него трансформированной матрицей смежности.
Ребра графа логических связей соответствуют опорным связям
между УЭ. На дугах указывают веса логических связей (берем все
веса равными единице), а в вершинах – номера УЭ.
Последовательность изучения единиц в течение периода обучения задает некоторую последовательность учебных единиц
π = (i1, i2, …, ik, …, in),
где ik – номер учебной единицы, занимающей в последовательности p k-е место слева, k = 1,n .
Этап 2 (определение объемов времени, отводимого на изучение
учебных единиц). Объемы учебных единиц задаются вектором объемов T:
T = ( t1, t2 , ..., tk , ..., tn ),
где tk – объем в часах учебной единицы k.
Вектор объемов учебных единиц T для графа, приведенного на
рис. 4.10, зададим в виде
T = (1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1 ),
где все учебные единицы имеют одинаковый объем, равный единице времени изучения.
1
2
3
4
5
7
6
8
9
15
16
10
11
12
13
14
Рис. 4.10. Граф логических связей УЭ
119
а)
3
5
4
6
8
7
10
11
12
13
14
1
2
15
16
9
б)
3
4
5
7
6
8
10
11
13
12
14
9
16
2 1
15
Рис. 4.11. Допустимая последовательность логических связей
а)
16
15
14
13
11
12
10
9
8
7
6
1
2
3
4
5
б)
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
Рис. 4.12. Допустимая последовательность логических связей
120
1
Расположим учебные единицы в течение периода обучения в виде допустимой последовательности относительно логических связей (рис. 4.11):
П1= (3, 4, 5, 6, 7, 8, 10, 11, 12, 13, 14, 9, 16, 15, 2, 1).
Общее число разрывов логических связей с учетом продолжительности изучения каждой учебной единицы на рис. 4.11, равно
1
⋅ 13 + 1 ⋅ 12 + 1 ⋅
11
+ 1 ⋅ 10 + 1 ⋅ 9 + 1
⋅ 8 + 1
⋅ 4 + 1 ⋅ 3 + 1 ⋅ 2 + 1 ⋅ 1 + 1
⋅2 =
75,

3, 4, 5, 6, 7, 8 → 2
9→2
10, 11, 12, 13 → 9
последовательность
П2 = (16, 15, 14, 13, 12, 11, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1).
Общее число разрывов логических связей на рис. 4.12 равно 43.
Для графа на рис. 4.10 число разрывов равно 90, для графа на
рис. 4.11 – 58. Разница значений разрывов равна 90 – 58 = 32.
Последовательность П2 лучше, чем последовательность П1, на 75 –
43 = 32 разрыва. Разница в числе разрывов для графов на рис. 4.12
и 4.13 составляет 90 – 75 = 15, для графов на рис. 4.13 и 4.14 она
равна 58 – 43 =15 разрывов.
Последовательность
П3 = (10, 11, 12, 13, 14, 9, 16, 15, 3, 4, 5, 6, 7, 8, 2, 1).
а)
11
10
12
13
14
9
16
15
3
4
5
1
2
8
7
6
б)
10
11
12
13
14
9
16
15
3
4
5
6
7
8
2
1
Рис. 4.13. Допустимая последовательность логических связей
121
а)
8
6
7
5
4
3
16
15
14
13
12
1
2
9
10
11
б)
8
7
6
5
4
3
16
15
14
13
12
11
10
9
2
1
Рис. 4.14. Допустимая последовательность логических связей
Общее число разрывов на рис 4.10 равно 39.
Последовательность
П4 = (8, 7, 6, 5, 4, 3, 16, 15, 14, 13, 12, 11, 10, 9, 2, 1).
Общее число разрывов логических связей для графа на рис. 4.14
равно 79. Для графа на рис. 4.8 оно составляет 54, для графа на
рис. 4.10 – 94. Разница в значении разрывов равна 94 – 54 = 40.
Последовательность П3 лучше последовательности П4 на 79 – 39 = 40
разрывов. Разница для графов на рис. 4.8 и 4.10 равна 54 – 39 = 15, а на
рис. 4.11 и рис. 4.12 составляет 94 – 79 = 15.
Этап 3.
K1 = – 1, K2 = – 7, K 3 = 1, K 4 = 1, K 5 = 1, K 6 = 1, K 7 = 1, K 8 = 1,
K 9 = – 4, K 10 = 1, K 11 = 1, K 12 = 1, K 13 = 1, K 14 = 1, K 15 = 0, K 16 = 1.
Этап 4.
П1 = (3, 4, 5, 6, 7, 8, 10, 11, 12, 13, 14, 9, 16,15, 2, 1),
F(П1) = 1+(1+1)+(1+1+1)+(1+1+1+1)+…=1+2+3+4+5+6+7+8+9+10+11+
+7+8+8+1+0 = 90,
П2 = (16, 15, 14, 13, 12, 11, 10, 9, 8, 7, 6, 5, 4, 3, 2, 1),
F(П2) = 1+1+2+3+4+5+6+2+3+4+5+6+7+8+1+0 = 58,
П3 = (10, 11, 12, 13, 14, 9, 16, 15, 3, 4, 5, 6, 7, 8, 2, 1),
F(П3) = 1+2+3+4+5+1+2+2+3+4+5+6+7+8+1+0 = 54,
П4 = (8, 7, 6, 5, 4, 3, 16, 15, 14, 13, 12, 11, 10, 9, 2, 1),
F(П4) = 1+2+3+4+5+6+7+7+8+9+10+11+12+8+1+0 = 94.
122
Этап 5.
3
4
5
6
7
8
10
11
12
13
14
9
16
15
2
1
3
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
4
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
5
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
6
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
7
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
8
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
10
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
11
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
12
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
13
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
14 9 16
0
5
0
0
5
0
0
5
0
0
5
0
0
5
0
0
5
0
0
5
0
0
5
0
0
5
0
0
5
0
0
5
0
–5 0 –5
0
5
0
–1 4 –1
–8 –3 –8
–2 3 –2
15
1
1
1
1
1
1
1
1
1
1
1
–4
1
0
–7
–1
2
8
8
8
8
8
8
8
8
8
8
8
3
8
7
0
6
1
2
2
2
2
2
2
2
2
2
2
2
–3
2
1
–6
0
Функция S(П1) = 180.
Этап 6.
С1= (2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16),
С2 = (1, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16),
С3 = (1, 2),
С4 = (1, 2),
С5 = (1, 2),
С6 = (1, 2),
С7 = (1, 2),
С8 = (1, 2),
С9 = (1, 2, 10, 11, 12, 13, 14),
С10 = (1, 2, 9),
С11 = (1, 2, 9),
С12 = (1, 2, 9),
С13 = (1, 2, 9),
С14 = (1, 2, 9),
С15 = (1, 2, 16),
С16 = (1, 2, 15).
Д1= 0,
Д2 = 0,
Д3 = (4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15,16),
Д4 = (3, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16),
123
Д5 = (3, 4, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16),
Д6 = (3, 4, 5, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16),
Д7 = (3, 4, 5, 6, 8, 9, 10, 11, 12, 13, 14, 15, 16),
Д8 = (3, 4, 5, 6, 7, 9, 10, 11, 12, 13, 14, 15, 16),
Д9 = (3, 4, 5, 6, 7, 8, 15, 16),
Д10 = (3, 4, 5, 6, 7, 8, 9, 11, 12, 13, 14, 15, 16),
Д11 = (3, 4, 5, 6, 7, 8, 9, 10, 12, 13, 14, 15, 16),
Д12 = (3, 4, 5, 6, 7, 8, 9, 10, 11, 13, 14, 15, 16),
Д13 = (3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 14, 15,16),
Д14 = (3, 4, 5, 6, 7, 8, 9,10, 11, 12, 13, 15, 16),
Д15 = (3, 4, 5, 6, 7, 8, 9, 10,11, 12, 13, 14),
Д16 = (3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14).
1
k0 =−
170
17 7
1
=−
= .
16 ⋅ 15
24 24
Этап 7.
S1 (Ï1 ) = a31 + a32 + a41 + a42 + a51 + a52 + a61 + a62 + a71 + a72 + a81 +
+a82 + a101 + a102 + a109 + a111 + a112 + a119 + a121 + a122 + a129 +
+a131 + a132 + a139 + a141 + a149 + a91 + a92 + a161 + a162 + a165 +
+a151 + a152 + a21 =
148,
S ( Ï1 ) − S1 ( Ï1 ) = 180 − 148 = 32.
3
4
5
6
7
8
10
11
12
13
14
9
16
15
2
1
124
3
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
4
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
5
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
6
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
7
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
8
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
10
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
11
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
12
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
13
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
14
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
9
5
5
5
5
5
5
×
×
×
×
×
0
5
4
–3
3
16
0
0
0
0
0
0
0
0
0
0
0
–5
0
–1
–8
–2
15
1
1
1
1
1
1
1
1
1
1
1
–4
×
0
–7
–1
2
×
×
×
×
×
×
×
×
×
×
×
×
×
×
0
6
1
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
0
Сумма наддиагональных элементов равна точно 32 условным
единицам:
Ï2 = (16, 1
5, 1
4, 1
3, 1
2, 1
1, 1
0, 9, 8, 7, 6, 5, 4, 3, 2, 1
).
16
16 15 14 13 12 11 10
0 ×
0
0
0
0
0
15
×
0
14
0
1
0
0
0
0
0
13
0
1
0
0
0
0
0
12
0
1
0
0
0
0
0
11
0
1
0
0
0
0
0
0
1
9
5
8
0
7
0
6
0
5
0
4
0
3
0
2
1
3
0
1
0
0
0
0
0
5
0
0
0
0
0
0
×
×
×
×
×
×
×
×
×
×
×
×
×
×
2
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
0
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
0
10
9
–5 –4
–1 –1 –1 –1 –1
4
–1 –1 –1 –1 –1 –1
0
0
0
0
0
×
×
×
×
×
×
×
×
×
×
0
0
0
0
0
0
5
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
–5 –5 –5 –5 –5 –5
8
0
1
0
7
0
1
0
0
0
0
0
5
0
0
6
0
1
0
0
0
0
0
5
0
0
0
0
0
0
0
0
0
0
0
0
0
0
5
0
1
0
0
0
0
0
5
0
0
0
0
0
0
4
0
1
0
0
0
0
0
5
0
0
0
0
0
0
1
Здесь сумма представимых наддиагональных элементов матрицы A равна –32 условным единицам, а значение функции составляет
S ( Π2 ) = S1 ( Π2 ) − 32 = 148 − 32 = 116,
где
S=
1 ( Ï2 ) S=
1 ( Ï1 ) const.
Исходная последовательность Ï1 и последовательность Ï2 для функций S ( Ï1 ) и S ( Ï2 ) дают разницу S ( Ï1 ) − S ( Ï2 ) = 180 − 116 = 64 условные единицы:
Π3 =
(10, 11, 12, 13, 14, 9, 16, 15, 3, 4, 5, 6, 7, 8, 2, 1).
125
0 10 11 12 13 14
10 0
0
0
0
0
11 0
0
0
0
0
12 0
0
0
0
0
13 0
0
0
0
0
14 0
0
0
0
0
9 × × × × ×
16 0
0
0
0
0
15 –1 –1 –1 –1 –1
3
0
0
0
0
0
4
0
0
0
0
0
5
0
0
0
0
0
6
0
0
0
0
0
7
0
0
0
0
0
8
0
0
0
0
0
2 × × × × ×
1 × × × × ×
9
×
×
×
×
×
0
5
4
5
5
5
5
5
5
×
×
16 15 3
4
5
6
7
8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
–5 –4 –5 –5 –5 –5 –5 –5
0
0
0
0
0
0
0
0
–1 –1 –1 –1 –1 –1 –1 –1
0
1
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
0
0
0
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
2
×
×
×
×
×
×
×
×
×
×
×
×
×
×
0
×
1
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
0
Сумма наддиагональных переставимых элементов матрицы А
равна –4 условным единицам:
Ï4 = ( 8, 7, 6, 5, 4, 3, 16, 15, 14, 13, 12, 11, 10, 9, 2, 1).
8
7
6
5
4
3 16 15 14 13 12 11 10
8
0
0
0
0
0
0
0
1
0
0
0
0
0
7
0
0
0
0
0
0
0
1
0
0
0
0
0
6
0
0
0
0
0
0
0
1
0
0
0
0
0
5
0
0
0
0
0
0
0
1
0
0
0
0
0
4
0
0
0
0
0
0
0
1
0
0
0
0
0
3
0
0
0
0
0
0
0
1
0
0
0
0
0
× 0 0 0 0 0
16 0
0
0
0
0
0
0
15 –1 –1 –1 –1 –1 –1 × 0 –1 –1 –1 –1 –1
14 0
0
0
0
0
0
0
1
0
0
0
0
0
13 0
0
0
0
0
0
0
1
0
0
0
0
0
12 0
0
0
0
0
0
0
1
0
0
0
0
0
11 0
0
0
0
0
0
0
1
0
0
0
0
0
10 0
0
0
0
0
0
0
1
0
0
0
0
0
9 –5 –5 –5 –5 –5 –5 –5 –4 × × × × ×
2 × × × × × × × × × × × × ×
1 × × × × × × × × × × × × ×
126
9
5
5
5
5
5
5
5
4
×
×
×
×
×
0
×
×
2
×
×
×
×
×
×
×
×
×
×
×
×
×
×
0
×
1
×
×
×
×
×
×
×
×
×
×
×
×
×
×
×
0
Здесь сумма переставимых наддиагональных элементов матрицы А равна 40 условным единицам. Значение функции составляет
S ( Π 3 ) = S1 ( Π 3 ) − 40 = 148 − 40 = 108.
Исходная Ï1 и оптимальная Ï3 последовательности представляют собой разницу функций
S ( Π1 ) − S ( Π 3 )= 180 − 108= 72.
Значение функции составляет
S ( Π 4 ) = S1 ( Π 4 ) + 40 = 148 + 40 = 188.
127
5. МЕТОДЫ И МОДЕЛИ ДИАГНОСТИКИ, ОЦЕНКИ ЗНАНИЙ
И УПРАВЛЕНИЯ ОБУЧЕНИЕМ
5.1. Модели информационной технологии
педагогической диагностики
Неотъемлемым компонентом образовательного процесса является диагностика, с помощью которой определяется достижение
поставленных целей. Без диагностики невозможно эффективное
управление дидактическим процессом.
Диагностика – это точное определение результатов дидактического процесса. В понятие «диагностика» вкладывается более широкий смысл, чем в понятие «проверка знаний, умений и навыков
обучаемого». Если проверка знаний, умений и навыков лишь констатирует результаты, не объясняя их происхождения, то диагностика рассматривает результаты с учетом способов их достижения,
выявляет тенденции, динамику дидактического процесса.
В концепции информационной технологии педагогической диагностики можно выделить инвариантную и вариативную части ее
реализации (рис. 5.1). Роль внешней нормы (социального заказа)
выполняет государственный образовательный стандарт, в котором
описаны цели и содержание образования.
Цели и задачи информационной технологии педагогической
диагностики подвергаются декомпозиции, конкретизации и в конечном итоге могут быть сформулированы как требования к содержанию и форме этой диагностики.
Цели диагностики неразрывно связаны с целями обучения. К инвариантной ее части относится ориентация на внешние нормы, прежде всего, образовательный стандарт. Данная часть включает в себя также подготовку целей и содержание обучения для создания
средств информационных технологий педагогической диагностики.
Вариативность обусловлена возможностью построения различных моделей информационных технологий педагогической диагностики, в основе которых лежат разные ее цели и задачи, например,
корректировочной, прогностической и рефлексивной моделей.
В разработке средств и методов реализации этих моделей участвуют вариативная часть, обусловливающая особенности мониторинга, тестирования и электронного учебника (ЭУ), и инвариантная,
основу которой составляет обращение к целям и содержанию обучения, что в общей теории диагностики характеризуется как семиотический компонент диагностики.
128
129
Критерии
эффективности
Задачи
Мониторинг
Средства и методы
обработки информации:
математические модели
Средства и методы сбора
информации: диагностика
в составе электронного
учебника, компьютерное
тестирование
Уровневый
подход
Диагностическая
постановка целей
обучения
Цели обучения
Структура
содержания
обучения:
трудность
и сложность
Содержание
обучения
Государственный образовательный
стандарт
Рис. 5.1. Инвариантная и вариативная части реализации
информационных технологий педагогической диагностики
Диагноз: уровень
обученности
и уровень трудности
обучения
Обработка
диагностической
информации
Сбор
диагностической
информации
Предмет
диагностики:
обученность
и трудность
обучения
Принципы
Критериями эффективности используемой модели информационной технологии педагогической диагностики являются:
– соответствие результатов корректировки модели информационной технологии педагогической диагностики результатам, полученным традиционным способом;
– соответствие диагностического суждения, сформированного
с помощью данной корректировочной диагностики, результатам
обучения учащегося;
– сокращение затрат труда преподавателя при улучшении (или
неизменности) результатов обучения.
При дидактических ограничениях диагностика в составе ЭУ
способна выявлять недостатки усвоения именно его содержания.
При построении экспертной системы, предназначенной для диагностики текущего состояния знаний (умений) обучаемого, возможны два подхода:
– подчиненный логике раскрытия темы или раздела. При этом
подбираются задачи (вопросы), суммарный спектр которых, т. е.
совокупность всех знаний (умений), необходимых для решения исходной задачи, соответствует части предметной модели обучаемого
по диагностируемой теме;
– заключающийся в том, что предметная модель обучаемого
ограничивается спектром какой-либо задачи или набора задач, т. е.
данный подход подчинен логике решения определенной задачи.
Этот так называемый задачный подход вытекает из деятельностной природы обучения.
Как известно, механизмом осуществления деятельности является решение задач. Если обучаемый правильно решает задачу, то
текущая его модель совпадает с локальной предметной моделью,
при этом не требуется никаких корректировок учебного процесса.
Если допущена ошибка, то задача диагностирующей системы заключается в определении тех необходимых для решения знаний
(умений), которыми обучаемый не обладает.
Для построения диагностирующих экспертных систем В. А. Петрушин [34] предлагает методику, которая заключается в следующем: сформулировать гипотезы вида «обучаемый не знает (не умеет)», а для оценки влияния симптома S на гипотезы этого вида означить этот симптом, используя шкалу «Да – Не знаю – Нет». Если
обучаемый выполняет действие неправильно (при этом значение
симптома S – «Нет»), то апостериорная вероятность гипотезы возрастает. Эта гипотеза может быть принята, и система выдаст сообщение, позволяющее диагностировать знания (умения) обучаемо130
го. Если обучаемый отказался отвечать на вопрос, предложенный
экспертной системой (при этом значение симптома S – «Не знаю»),
то методика предполагает, что апостериорная вероятность гипотезы равна ее априорной вероятности, и траектория вычислений приводит к неопределенности гипотезы.
Описанный подход имеет существенные недостатки. Во-первых,
ответ «Не знаю» в данном случае имеет двоякий смысл. Он возможен: а) если обучаемый действительно не знает ответа и б) если
обучаемому не хватает времени для обдумывания. Методика фактически реализует лишь случай б), поскольку в случае а) гипотеза
«обучаемый не знает (не умеет)» должна быть принята, а она остается актуальной. Во-вторых, в случае правильного решения задачи
обучаемым (при этом значение симптома S – «Да») гипотеза вида
«обучаемый не знает (не умеет)» отвергается, а другой гипотезы не
существует.
Указанные недостатки приводят к тому, что система, построенная согласно данной методике, как при правильном решении обучаемым задачи, так и в случае отказа его от ответа выдает одно и то же
сообщение: «Нет данных для принятия решения или нет проблем!».
Но это сообщение двусмысленно. Первая часть сообщения означает,
что гипотезы остались актуальными, но их апостериорные вероятности не превысили верхнего порога и не могут быть приняты, вторая
же часть утверждения, что все гипотезы отвергнуты.
Как отмечалось ранее, причины, вызывающие это сообщение,
могут быть принципиально разными. Сообщение, выдаваемое
экспертной системой, не позволяет преподавателю, не обращаясь
к подсистеме объяснения принятия решения или протоколу экспертизы, определить, какие действия обучаемого привели к данному результату. Обращение к подсистеме объяснения позволяет
восстановить ход его рассуждений, однако этот способ очень громоздок и требует больших затрат времени.
Для того чтобы исключить подобную ситуацию, методика построения экспертной системы должна быть модернизирована. Во-первых,
необходимо исключить показатель нехватки времени для обдумывания. Желаемого можно достичь, определяя время, необходимое для
работы с системой, экспериментально. С этой целью составляются
тестовые задания, включающие в себя те же тесты и задачи, которые
входят в состав базы знаний экспертной системы. С помощью таких
заданий проводится тестирование обучаемых, причем на ответы дается неограниченное время. Устанавливается время, за которое все
обучаемые справятся с заданием. Это время в дальнейшем считается
131
временем, достаточным для работы с экспертной системой. Поэтому
ответ «Не знаю» рассматривается только как неспособность обучаемого ответить на вопрос, предложенный экспертной системой. Иными
словами, означивание симптома происходит по шкале «Да – Нет».
Во-вторых, неадекватность реакции системы на правильные
действия обучаемого устраняется путем включения в базу знаний
гипотез не только вида «обучаемый не знает (не умеет)», но и вида «обучаемый знает (умеет)». При этом сумма априорных вероятностей аналогичных гипотез равна единице, поскольку одно из
названных событий обязательно произойдет, т. е. обучаемый либо
умеет, либо не умеет что-либо делать, либо знает, либо не знает какое-либо положение учебного материала.
Правильное решение задачи приводит к уменьшению вероятности
гипотез вида «обучаемый не знает (не умеет)», зависящих от данного
положения, и увеличению вероятности гипотез вида «обучаемый знает (умеет)», и наоборот. Хотя гипотезы вида «обучаемый знает (умеет)» характерны для тестирования, система, построенная таким образом, остается диагностирующей, поскольку выявляет знание (незнание), (умение (неумение)) обучаемым отдельных вопросов, в то время
как тестирование предполагает интегральную оценку.
Экспертные системы могут выступать как инструмент обучения
методам и способам выделения главного в учебном материале. Они
могут использоваться, во-первых, для традиционной диагностики
знаний (умений) обучаемого по его ответам на предложенные системой вопросы, а, во-вторых, и это гораздо важнее, для диагностики
его знаний (умений) по тем вопросам, которые он составляет сам
при разработке базы знаний экспертных систем.
Этот способ диагностики позволяет проверить не просто формальное знание материала обучаемым (т. е. что обучаемый помнит
материал), но и степень его понимания.
5.2. Метод диагностирования ошибок оператора
Предлагаемая процедура диагностики ошибок обучаемого оператора заключается в анализе характеристик целевого знания Y
эталонной (ЭМ) и фактической (ФМ) структурных моделей умения,
проводимых электронным инструктором (ЭИ) с целью выявления
причин несоответствия вершин и дуг графа, в которых эти несоответствия наблюдаются [31].
Задачу диагностики можно решить, используя методы дедукции
(составлением плана в обратном направлении, т. е. продвижением
132
от конца к началу) или индукции (составлением плана в прямом направлении, или продвижением от начала к концу). Решение задачи
методом дедукции соответствует случаю, когда обучаемый, заработав
оценку за решение задачи или полет в целом, хочет получить объяснение своих ошибок. Решение задачи методом индукции предполагает,
что обучаемый хочет знать свои ошибки на каждом шаге [30].
Модель диагностики деятельности обучаемого по решению последовательности задач при обучении теории или в маршрутном
полете методом дедукции в виде орграфа представлена на рис. 5.2.
а)
1
...
p
dji
б)
Y1
Y2
Y3
Y4
Y5
Y6
Y7
Рис. 5. 2. Диагностика деятельности обучаемого дедуктивным (а)
и индуктивным (б) методами
133
В данной ситуации учитывается возможность существования разных вариантов развития событий вследствие изменения условий
(например, исходных на полет), и, следовательно, продвижения
обучаемого от начала к концу по той или иной ветви графа.
Как видно из рис. 5.2, дедуктивный метод обеспечивает исключение из процесса диагностики всех не содержащих ошибок ветвей (содержащие ошибки вершины заштрихованы). Недостатком этого метода является возможность достоверного определения ошибки лишь
на нижнем (начальном) уровне. Для надежной идентификации всех
ошибок на ветвях вышестоящих уровней иерархии необходимо неоднократно предъявлять обучаемому его фактическую модель после
применения процедуры исправления ошибки на нижестоящем уровне. В обучающих системах такая процедура недопустима, так как сопровождается отрицательным переносом навыка.
В качестве предлагаемого метода диагностики деятельности обучаемого во избежание названных ранее недостатков будем применять индуктивный метод, для чего в случае обнаружения ошибки
на нижестоящем уровне как эталон для сравнения на следующем
уровне используем фактическую модель.
Модель коррекции эталонной модели по фактической на каждом шаге процедуры диагностики dj можно представить в следующем виде:
 åñëè dj = 1, òî Xjý = Yjý+1,

" dj ∈ D 
ô
ô
åñëè dj = 0, òî Xj = Yj +1,
где
1 ïðè Yjý+1 = Y ô ,
j +1

=
dj =
j 1,n.
ý
ô
0 ïðè Yj +1 ≠ Yj +1, В случае несовпадения результатов одиночной операции сравнения эталонной и фактической моделей на предыдущем уровне формирование операнда текущего уровня эталонной модели ( Xjý ) предлагается реализовать путем искусственного присвоения результата
этой операции предыдущего уровня фактической модели ( Yjô+1), а
не путем естественной трансформации результата операции данного уровня эталонной модели ( Yjý+1).
Рассмотрим в качестве примера задачу «Расчет направления и
скорости ветра по углу сноса и путевой скорости, измеренным на
контрольном этапе», решение которой обучаемым должно быть
134
проконтролировано. В этом случае объектными вершинами графа
будут отдельные ее действия, а дугами – направления последовательности выполняемых действий.
Важным компонентом диагностики является контроль. Контроль – это наблюдение за процессом усвоения знаний, умений и
навыков. По своей сути контроль обеспечивает установление обратной связи, т. е. получение информации о результате учебной деятельности обучаемых. Обучаемый устанавливает, какие, в каком
объеме знания он усвоил и готов ли к восприятию новых.
5.3. Модель адаптивного контроля знаний
Профессором Л. А. Растригиным [35] было предложено рассматривать процесс обучения как процесс управления сложной системой. Аналогично можно представить и процесс управления адаптивным контролем знаний (рис. 5.3).
Блок «Алгоритм контроля» выполняет следующие функции:
– анализ деятельности студента (проверка правильности его ответов и выполняемых действий);
– управление процессом контроля знаний на основе выбранного
метода;
– определение результатов контроля, которое обычно сводится
к выставлению оценки студенту.
Студент
Формировщик
вопросов
и задач
Dx
IK
R2
ZR1
База знаний
и база данных
Алгоритм контроля
Модель студента
Рис. 5.3. Модель адаптивного контроля знаний
135
База знаний содержит методы и(или) модели процесса контроля, а также совокупность знаний предметной области.
База данных включает в себя наборы вопросов и задач, предназначенных для проверки знаний студента и(или) данные для формирования заданий. Контрольные задания могут генерироваться также
автоматически на основе БЗ. База данных и база знаний совместно
с моделью студента образуют репозиторий системы контроля.
Модель студента содержит о нем самую разнообразную информацию: предысторию обучения, результаты текущей работы (тип
выполненных заданий, время выполнения заданий, число обращений за помощью и т. д.), личностные психологические характеристики (тип и направленность личности, репрезентативная система,
способность к обучению, уровень беспокойства-тревоги, особенности памяти и др.), общий уровень подготовленности и другие.
Формировщик вопросов и задач используется для формирования
и выдачи студенту очередного задания (вопроса или задачи).
Контроль знаний (КЗ) осуществляется следующим образом: студент
выполняет предложенное задание, и результат его работы помещается
в модель студента. Блок «Алгоритм контроля» на основе анализа ответа студента, целей контроля Z и используемого метода его проведения,
учитывая внешние ресурсы R1 (например, возможности системы контроля) и внутренние ресурсы R2 (например, время контроля), а также
состояние среды Dx, определяет параметры предлагаемого задания.
Формировщик вопросов и задач, получив от «Алгоритма контроля» данные о параметрах следующего задания, выбирает из БД
и(или) БЗ необходимую информацию I, формирует текст задания и
выдает его студенту. В простейшем случае работа этого блока сводится к выбору нужного вопроса или задачи из базы данных. При
некоторых видах контроля (например, при текущем КЗ или самопроверке) может быть предусмотрена обратная связь К, которая состоит в выдаче комментария на ответ студента.
Таким образом, для управления адаптивным контролем знаний
необходимо использовать:
– методы и модели организации (проведения) контроля;
– модели определения и оценки знаний, умений и навыков студента по результатам выполнения контрольных заданий.
5.4. Применение гибридных систем для оценки знаний
Под нейронной сетью (НС) подразумеваются вычислительные
структуры, которые моделируют простые биологические процес136
сы, обычно ассоциируемые с процессами человеческого мозга.
Адаптируемые и обучаемые, они представляют собой распараллеленные системы, способные к обучению путем анализа положительных и отрицательных воздействий. Элементарным преобразователем в НС является искусственный нейрон (ИН), названный
так по аналогии с биологическим прототипом.
Биологический нейрон имеет сому (рис. 5.4, б) – тело, дерево входов – дендриты, выход – аксон. На соме и дендритах располагаются окончания аксонов других нейронов, называемых синапсами.
Принятые синапсами входные сигналы стремятся либо возбудить нейроны, либо затормозить. Когда суммарное возбуждение
достигает некоторого порога, нейрон возбуждается и посылает по
аксонам сигнал другим нейронам. Каждый синапс обладает уникальной синаптической силой, которая пропорционально своему значению изменяет передаваемый на нейрон входной сигнал.
Таким образом, математическая модель нейрона представляет собой суммирующий пороговый элемент.
Входные сигналы искусственного нейрона умножаются на веса связи, суммируются и сравниваются с порогом (рис. 5.4, б).
Пороговые суммирующие элементы объединяются в сеть. При моделировании процессов в интеллектуальных системах используются упрощенные структуры в виде сетей прямого распространения
сигнала или специальные сети с обратными связями.
На рис. 5.4, а представлена трехслойная сеть прямого распространения. Внутренний слой нейронов называют скрытым.
Каждая связь обладает определенным весом W. Любой нейрон
характеризуется вектором входов X = ( x1, …, xn ) , вектором выа)
y1
б)
…
ym
Y = F  ∑ wi xi 


 i

∑ wi xi
x1
i
W1
Wik
F
Y
Wn
xn
Wij
x1
…
xn
Рис. 5.4. Многослойная (трехслойная) НС прямого распространения (а)
и искусственный нейрон (б)
137
Таблица 5.1
Активационные функции нейрона
Название функции
Линейная
«Знак»
Сигмоидальная
Гиперболический тангенс
Формула функции
ò
F ( w, x ) = w x
( )
F ( w, x ) = sgn wò x
=
y f=
(x)
f (x) =
1
1 + e−ax
eax − e−ax
eax − e−ax
ходов Y = ( y1, …, yn ) , вектором весов W = ( w1, …, wn ), порогом
срабатывания Ф, функцией активации F. В табл. 5.1 приведены
наиболее часто используемые активационные функции и формулы
срабатывания нейрона.
Каждый вид систем искусственного интеллекта имеет особенности, связанные, например, с возможностью обучения, обобщения
и выработки выводов, что делает ее более пригодной для решения
одного класса задач и менее пригодной для другого.
Например, нейронные сети хороши для распознавания образов,
но неудобны для ответа на вопрос, как они это делают. Они могут
автоматически приобретать знания, но процесс их обучения происходит медленно, а анализ обученной сети сложен. При этом какую-либо априорную информацию (скажем, знания эксперта) для
ускорения процесса обучения в нее ввести невозможно.
Системы с нечеткой логикой (НЛ), напротив, хороши для объяснения получаемых с их помощью выводов, но они не могут автоматически приобретать знания для использования их в механизмах
вывода [27].
В то же время теоретически системы с НЛ и искусственная НС
(ИНС) эквивалентны друг другу, но на практике им свойственны
собственные достоинства и недостатки. Это соображение легло в основу аппарата гибридных систем, в которых выводы делаются на
основе аппарата НЛ, но соответствующие функции и принадлежности подстраиваются с использованием алгоритмов обучения НС,
например, алгоритмы обратного распространения ошибки.
Для пояснения сущности нечетких НС рассмотрим нейронную
сеть, имеющую два входа и только один нейрон (рис. 5.5) [19].
138
x1
x2
w1
y = f(w1x1 + w2x2)
w2
Рис. 5.5. Простейшая нечеткая НС
Здесь выход нейрона образуется в результате преобразования
входов сети некоторой активационной функцией, например, функцией сигмоидного типа:
=
y f=
( net ) f (w1x1 + w2 x2 ).
Нечеткой НС называют сеть с четкими сигналами xi, весами
wi и активационной функцией f, но с объединением xi и wi с использованием t-нормы, t-конормы или других непрерывных операций.
Входы, выходы и веса гибридной НС – вещественные числа,
принадлежащие отрезку [0,1].
Примерами элементарных нечетких НС являются нечеткий
нейрон «И» и нечеткий нейрон «ИЛИ» с двумя входами.
Нечеткий нейрон «И». Входные сигналы xi и веса wi в данном
случае объединяются с помощью t-конормы (треугольной конормы):
=
pi s=
(wi , xi ), i 1, 2 ,
а выход образуется с применением t-нормы (треугольной нормы)
(рис. 5.6, а):
=
y T=
( p1, p2 ) T ( s (w1, x1 ), s (w2 , x2 ) ).
б)
x1
а)
x1
x2
w1
w2
y = T (s(w1, x1 ), s(w2 , x2 ))
x2
w1
w2
y = s(T (w1, x1 ), T (w2 , x2 ))
Рис. 5.6. Структура нечетких нейронов: а – «И»; б – «ИЛИ»
139
Если принять T = min, s = max, то нечеткий нейрон «И» образует
композицию minmax:
y = min {w1 ∨ x1, w2 ∨ x2 }.
Нечеткий нейрон «ИЛИ». Входные сигналы xi, веса wi объединяются с помощью t-нормы:
=
pi T=
(wi , xi ), i 1, 2,
а выход образуется с применением t-конормы (рис. 5.6, б):
=
y s=
( p1, p2 ) s (T (w1, x1 ), T(w2 , x2 ).
Если принять T = min, s = max, то нечеткий нейрон «ИЛИ» образует композицию maxmin:
y = max{w1 ∨ x1, w2 ∨ x2 }.
Алгоритмы обучения с использованием нечетких НС. Опишем
типовой подход к построению алгоритмов обучения и использования нечетких НС.
Предположим, что с помощью нечетких НС должно быть реализовано отображение
=
yk f (=
xk ) f (xk1 + xk2 +…+ xkn
=
, k 1, N, при обучающем множестве
{( x1, y1 ),…,( xN , yN )}.
Для моделирования неизвестного отображения функции f используем упрощенный алгоритм нечеткого вывода, применяя следующую форму записи предикатных правил:
Пi: если x1 есть Аi1 и x2 есть Аi2, и … xn есть Аin,
то y = zi, i = 1, m , где Aij – нечеткие числа треугольной нормы, а zi –
вещественные числа.
Степень истинности i-го правила определяется с помощью операций умножения:
n
a i =∏ Aij ( xik ).
j =1
140
Выход нечеткой системы определяется в соответствии с центроидным методом:
m
yk =
∑ ai zi
m
∑ ai .
=i 1=i 1
5.5. Нейронечеткий подход к оценке знаний1
Рассмотрим применение нейронечеткого подхода к оценке знаний. Такой подход позволяет использовать одновременно аппарат
ИНС и нечеткой логики. Сеть в данном случае используется как эффективное средство автоматизации процесса выставления оценок.
В качестве шкалы оценивания выбрана 12-балльная шкала.
Достоинством ее по сравнению с традиционной 5-балльной шкалой
является более высокая различающая способность.
Каждой из возможных оценок, которыми оперирует преподаватель (2, 3, 4, 5, единица не учитывается, так как обычно не используется), ставятся в соответствие три оценки по 12-балльной
шкале. Это позволяет описать результат с помощью нечетких понятий «менее чем...» и «более чем...», что отвечает оценкам типа
«5 с минусом», «3 с плюсом» и т. д., часто используемым преподавателями. Соответствие процента правильных ответов обучаемого оценкам по 12-балльной и 5-балльной шкалам приведено в табл. 5.2.
В изучаемой модели использован метод оценивания сложности
заданий с применением НЛ. Предлагается следующая нечеткая
шкала оценивания задания: легкое, среднее, выше среднего, сложное, очень сложное (табл. 5.3).
В качестве сценария обучения приняты адаптивные тесты.
Рассмотрим тест, состоящий из семи вопросов, причем каждый
из них отличается по уровню сложности. Первый вопрос теста оценивается в 25 баллов, второй – в 20, третий – в 15, и т. д., вплоть
до последнего вопроса (см. табл. 5.2). Структура статической ИНС
прямого распространения представлена на рис. 5.7.
Она состоит из входного слоя с семью нейронами, реализующими каждый из семи вопросов теста, скрытого (промежуточного) слоя
из семи нейронов и выходного слоя из 12 нейронов, реализующих
оценку по 12-балльной шкале. Все слои связаны друг с другом напрямую и последовательно – без обратных связей и линий задержки.
1 При написании подразделов 5.5, 5.6 использованы результаты работы аспиранта А. П. Григорьева.
141
Таблица 5.2
Шкалы оценивания обучаемого
Правильные
Группа
ответы, %
0–5
5–9
10–19
20–29
30–39
40–49
50–59
60–69
70–79
80–89
90–94
95–100
1
2
3
4
5
6
7
8
9
10
11
12
Оценка
по 12-балль- по 5-балльной шкале
ной шкале
Оценка
Нет знаний
Неудовлетворительно
Малоудовлетворительно
Почти удовлетворительно
Удовлетворительно
Более чем удовлетворительно
Почти хорошо
Хорошо
Более чем хорошо
Почти отлично
Отлично
Превосходно
2
2
2
3–
3
3+
4–
4
4+
5–
5
5+
2
3
4
5
Таблица 5.3
Оценка сложности тестового задания
Номер вопроса
1
2
3
4
5
6
7
Сложность
задания
Баллы
Очень
сложное
Сложное
Выше
среднего
Выше
среднего
Среднее
Среднее
Легкое
Число баллов
Максимальное Минимальное
25
20
15
100
0
15
10
10
5
Во входном и скрытом слое в качестве нелинейной функции одного
аргумента используется сигмоидальная функция активации (гиперболический тангенс). Эта функция описывается соотношением
=
a tan
=
sgn(n)
142
exp(n) − exp(−n)
.
exp(n) + exp(−n)
5+
5
5–
1
4+
2
4
4–
3
3+
4
3
5
3–
6
2
7
2
2
Рис. 5.7. Структура ИНС прямого распространения
В выходном слое используется линейная функция активации,
эта функция описывается соотношением
а = purelin(n) = n.
На базе программы MATLAB (пакет расширения Neural Network
Toolbox) командой net = newff([0 25; 0 20; 0 15; 0 15; 0 10; 0 10; 0 5],
[7, 7, 12],{‘tansig’,’tansig’, ‘purelin’}) создается статическая трехслойная ИНС прямого распространения, используются вектор входа с семью элементами, имеющими допустимые границы значений
[0…25], [0…20], …, [0…5], – диапазон возможных значений ответов
обучаемого на каждый из семи вопросов теста (см. табл. 5.2.), вектор выхода с 12 элементами для реализации оценки в 12-балльной
системе, функции активации tansig во входном и скрытом слое,
purelin – в выходном.
143
После того как сформирована архитектура, производятся моделирование и графическое представление сети командой gensim(net).
На третьем этапе должны быть заданы начальные значения весов и смещений, иными словами, сеть должна быть инициализирована. Данная процедура осуществляется с помощью оператора
net = init(net);
После инициализации ИНС необходимо выполнить процесс обучения с помощью команды net1 = train (net, P, T).
В качестве вектора входа P задаются обучающие выборки из произвольного числа статистик, реализующие все возможные оценки
по 12-балльной шкале с соответствующими значениями целей T
(желаемые результаты на выходе).
После завершения обучения проводится контрольное моделирование: на вход ИНС подаются другие обучающие выборки
(контрольные), реализующие те же оценки. Если сеть правильно
связывает типовое воздействие на входе с эталонными значениями сигнала на выходе (соответствующие определенной оценке),
то констатируется, что ИНС обучена и готова решать поставленную задачу. Нередко для дополнительной проверки качества обучения используют, кроме того, дополнительные статистики –
тестовые.
Процесс обучения происходит следующим образом: обучаемому
предоставляется возможность ответить на вопросы из предметной
области, его ответы поступают в нейронную сеть как вектор входных данных. Выполняется оценка и производится анализ полученных результатов. После прохождения тестирования обучаемому
выставляется оценка его знаний по 12-балльной шкале, которую
также можно рассматривать как нечеткую.
5.6. Использование специальных сверточных нейронных сетей
в обучении
Рассмотрим в качестве примера вопрос из теста открытого типа.
Предполагается непосредственное, прямое участие тестируемого.
Ответом на вопрос является некоторое размышление, представленное в рукописном виде. Это может быть изображение, формула или
ее элемент, фрагмент текста или текст целиком.
Использование при решении данной задачи нейросетевой парадигмы предполагает получение и последующее представление на
вход сети обучающих, контрольных, тестовых примеров с последующей заменой их на реальную информацию в виде некоторого
144
изображения. Таким образом, поставленную перед ИНС задачу
можно формализовать и описать следующим образом: нейронная
сеть должна распознавать входное изображение, детектировать его
(находить определенные признаки или их отсутствие на изображении) и классифицировать изображение по наличию тех или иных
признаков на правильное и неправильное.
Наиболее часто в задачах распознавания и идентификации изображений используют классические нейросетевые архитектуры
(многослойный персептрон, сети прямого распространения, рекуррентные, радиально-базисные и др.), но, как показывает практика,
применение классических топологий ИНС к данной задаче неэффективно по следующим причинам.
Во-первых, изображения, как правило, имеют большую размерность, соответственно вырастает размер нейронной сети (число
нейронов, слоев, синаптических связей и т. п.). К примеру, для изображения размером 28 × 28 необходимо 784 входа ИНС. Если принять во внимание, что само по себе преобразование из изображения
в индикатор класса довольно сложное и существенно нелинейное,
то необходимо использовать многослойную сеть. Так как число
нейронов в скрытом слое должно быть хотя бы на порядок больше
числа входов сети, то в скрытом слое необходимо иметь примерно
8000 нейронов. Таким образом, число настраиваемых и обучаемых
связей будет около 5 млн. Большое число параметров требует большей обучающей выборки, что увеличивает время и вычислительную сложность процесса обучения.
Во-вторых, недостаток полносвязной архитектуры состоит
в том, что топология ввода игнорируется. Входные параметры могут быть представлены в любом порядке, в то время как изображения имеют строгую структуру: переменные (пиксели), которые являются соседними, чрезвычайно зависимы друг от друга.
От данных недостатков свободны так называемые сверточные
нейронные сети (СНС), предложенные американским ученым
Я. ЛеКуном. Они обеспечивают частичную устойчивость к изменениям масштаба, смешениям, поворотам, смене ракурса и другим искажениям изображения. Идея сверточных нейронных сетей заключается в чередовании сверточных (C-layers), субдискретизирующих (S-layers) слоев и наличии полносвязных (F-layers)
слоев на выходе. Топология сверточной нейронной сети, изображена на рис. 5.8.
Локальное восприятие подразумевает, что на вход одного нейрона подается не все изображение (или выходы предыдущего слоя), а
145
Слой F2
Входное
изображение
Слой С1 Слой S1
Слой С2
Слой S2
Слой F1
Рис. 5.8. Структура сверточной нейронной сети
лишь некоторая его область. Такой подход позволил сохранять топологию изображения от слоя к слою.
Концепция разделяемых весов предполагает, что для большого
числа связей используется очень небольшой набор весов. Например,
146
если на входе СНС изображение размером 32 × 32 пикселя, то каждый нейрон следующего слоя примет на вход только небольшой участок этого изображения размером, к примеру, 5 × 5, причем каждый
фрагмент будет обработан одним и тем же набором. Необходимо отметить, что самих наборов весов может быть достаточно много (задается при обучении), но каждый из них применяется ко всему изображению. Такие наборы называют ядрами (kernels).
Можно взглянуть на этот подход с другой стороны. Большинство
систем распознавания изображений строится на основе двумерных
фильтров. Фильтр представляет собой матрицу коэффициентов,
обычно заданную вручную. Данная матрица применяется к изображению с помощью математической операции, называемой
сверткой. Суть этой операции состоит в том, что каждый фрагмент
изображения умножается на матрицу (ядро) свертки поэлементно,
и результат суммируется и записывается в аналогичную позицию
выходного изображения.
Основное свойство таких фильтров заключается в том, что значение их выхода тем больше, чем больше фрагмент изображения
похож на сам фильтр. Таким образом, изображение, свернутое с неким ядром, даст другое изображение, каждый пиксель которого будет означать степень похожести фрагмента изображения на данный
фильтр. Каждый фрагмент изображения поэлементно умножается
на небольшую матрицу весов (ядро), результат суммируется. Эта
сумма является пикселем выходного изображения, которое называется картой признаков, взвешенная сумма входов пропускается
через функцию активации (как в любой другой нейросети).
Следует отметить, что через ядро одновременно проходит все
изображение, а не разные фрагменты последовательно через идентичные ядра. Кроме того, число ядер (наборов весов) определяется
разработчиком и зависит от того, какое число признаков необходимо выделить. Еще одна особенность сверточного слоя: он немного
уменьшает изображение вследствие краевых эффектов.
Суть субдискретизации и S-слоев заключается в уменьшении
пространственной размерности изображения, т. е. входное изображение грубо (усреднением) уменьшается в заданное число раз,
чаще всего в два раза. Хотя возможно и неравномерное изменение, например, в два раза по вертикали и в три по горизонтали.
Субдискретизация необходима для обеспечения инвариантности
к масштабу. Чередование слоев позволяет составлять карты признаков из карт признаков, что на практике означает способность
распознавания сложных иерархий признаков.
147
Обычно после прохождения нескольких слоев карта признаков
вырождается в вектор или даже скаляр, но таких карт признаков
становится сотни. В подобном виде они подаются на один-два слоя
полносвязной сети. Выходной слой такой сети может иметь разные
функции активации.
Используемая НС состоит из шести слоев. Входными данными
нейронной сети являются изображения (в качестве примера выбрано изображение размером 36 × 32 пикселя), которые классифицируются как «Наличие объекта» или «Отсутствие объекта». Так как
задача, решаемая НС, – классификация, то для ее решения достаточно одного выхода. Выходное значение сети находится в интервале [–1, 1], что соответственно означает отсутствие или присутствие
объекта на классифицируемом изображении.
В качестве активационной функции используется гиперболический тангенс. Это обусловлено следующими причинами: симметричные активационные функции типа гиперболического тангенса
обеспечивают более быструю сходимость, чем стандартная логистическая функция. Данная функция имеет простую и непрерывную
первую производную, что позволяет использовать ее при обучении
по алгоритму с обратным распространением ошибки.
Для обучения описанной нейронной сети выбран алгоритм обратного распространения ошибки (backpropagation). Обучение ее
начинается с предъявления образа и вычисления соответствующей
реакции. Сравнение с желаемой реакцией дает возможность изменять веса связей таким образом, чтобы сеть на следующем шаге
могла выдавать более точный результат. Обучающее правило обеспечивает настройку весов связей. Информация о выходах сети является исходной для нейронов предыдущих слоев. Эти нейроны могут настраивать веса своих связей для уменьшения погрешности на
следующем шаге. Когда ненастроенной сети предъявляется входной образ, она выдает некоторый случайный выход.
Функция ошибки представляет собой разность между текущим
выходом сети и идеальным выходом, который необходимо получить. Для успешного обучения сети требуется приблизить выход
к желаемому выходу, т. е. последовательно уменьшать величину
функции ошибки. Это достигается настройкой межнейронных связей. Каждый нейрон в сети имеет свои веса, которые настраиваются, чтобы уменьшить величину функции ошибки.
В основе алгоритма обратного распространения ошибки лежит
методика, позволяющая быстро вычислять вектор частных производных (градиент) сложной функции многих переменных, если
148
структура этой функции известна. В качестве такой функции в алгоритме рассматривается функция ошибки сети и учитывается тот
факт, что структура данной функции полностью определяется архитектурой нейронной сети, которая считается известной.
Метод обратного распространения ошибки может быть очень
медленным особенно применительно к многослойным сетям, для
которых поверхность целевой функции является неквадратичной,
невыпуклой и высокоразмерной с множеством локальных минимумов или плоских областей. Начальная инициализация синапсов
нейронной сети имеет огромное влияние на число итераций обучения. От того, насколько удачно выбраны начальные значения синаптических коэффициентов, зависит, как долго сеть благодаря обучению
и подстройке будет искать их оптимальные величины и найдет ли.
В качестве учебного набора используется коллекция изображений, полученных из разных источников. Эта коллекция эффективно охватывает изменчивость и богатство естественных данных,
чтобы обучить данную систему для работы в реальных условиях.
В процессе подготовки обучающих, контрольных и тестовых статистик не выполнялась какая-либо нормализация изображений (выравнивание гистограммы или коррекция яркости). Для создания
большого числа примеров и увеличения инвариантности целесообразно применять ряд преобразований, включая отражение, вращение до ± 360°.
5.7. Методы и модели управления обучением
Процесс обучения обычно рассматривается как коммуникативный процесс передачи информации от преподавателя (обучающегося устройства) к ученику. В данной работе предполагается процесс
обучения, позволяющий использовать методологию, методы и алгоритмы теории управления для организации оптимального процесса обучения [42].
Между обучением и управлением имеется прямая аналогия: и
то, и другое связано с целенаправленным изменением состояния
объекта (обучение или управление), которое осуществляется воздействием (обучающим или управляющим). Представим процесс
обучения как управление состоянием памяти студента. Рассмотрим
специфику и отличие процессов обучения и самообучения [35].
Обучение. Под обучением понимают такое взаимодействие между
объектом обучения (студентом) и обучающим устройством (преподавателем), которое моделирует их взаимоотношения, отличающиеся
149
наличием двух чередующихся и четко определенных фаз: фазы передачи информации (рис. 5.9, а) и фазы контроля (рис. 5.9, б).
Обе фазы имеют разные цели и дифференцированы во времени.
Целью первой фазы является передача информации на основе имеющихся представлений преподавателя о студенте. Вторая фаза позволяет преподавателю уточнить эти представления.
Однако опыт использования схемы традиционного обучения настолько велик, что его целесообразно подвергнуть компьютеризации, разработав компьютерную технологию обучения. Общая схема управления приведена на рис. 5.10. Рассмотрим ее, чтобы далее
использовать введенные категории управления для оптимальной
организации процесса обучения.
Объект управления является трехполюсником, связывающим
состояние среды Х, управления U1′ и объекта Y:
Y = F î ( X, U1′ ),
а)
Обучающая
информация
Преподаватель
Студент
б)
Ответ
Преподаватель
Студент
Вопрос
Рис. 5.9. Фазы передачи информации (а) и контроля (б)
Среда
X
Y
Студент
U′1
Dx
Dy
ИМ
U3
U2
U1
УУ
X′
Z*
R
Y′
Ф
Рис. 5.10. Схемы управления обучением
150
Среда
где Fо – оператор реального объекта; Dx и Dу – управляемые системы сбора информации о состоянии среды и объекта соответственно, которые преобразуют эти состояния в информацию; U2 и
U3 – управления, с помощью которых изменяются системы сбора
информации (например, периодичность измерений, переключение
измеряемых каналов в многоканальной системе и т. д.).
Управляющее устройство вырабатывает управление U = (U1, U2, U3)
на основе полученной информации X′ и Y′, а также заданной цели выделенного на управление ресурса R и алгоритма управления, позволяющего синтезировать
U = Ф(X′, Y′, Z*, R),
где Ф – заданный алгоритм управления; Z* – öåëü óïðàâëåíèÿ.
Исполнительный механизм (ИМ) преобразует информацию об
управлении U1 в управляющее воздействие U1′ .
Цель управления Z* задается на состояниях среды (Х) и объекта (Y).
Самообучение отличается от обучения отсутствием преподавателя и, следовательно, этапа передачи информации (рис. 5.11).
Задача в виде вопроса генерируется средой. Ее решение (ответ
студента) сообщается среде, которая на него реагирует. Эта реакция может иметь самый разнообразный характер: от поощрения
или наказания (в зависимости от ответа) до подсказки, как следовало решать поставленную задачу.
Отличительной чертой самообучения является отсутствие декларируемых знаний общего характера – вся поступающая обучающая информация связана только с конкретно решаемой задачей.
Самообучение должно моделировать реальные взаимоотношения
студента со средой в процессе его профессиональной деятельности.
Компьютеризация самообучения не требует знания таких дидактических методов, как обучение, но заставляет генерировать задачи,
близкие к реальным.
Оба подхода нашли место в системе образования: режим обучения – для хорошо структурированных предметов, реализованных
Ответ
Среда
Студент
Вопрос
Реакция
Рис. 5.11. Фазы передачи информации при самообучении
151
в виде стандартных курсов общего образования (средняя школа), а самообучение – для плохо структурированных предметов.
Рассмотрим формальные модели обоих подходов [1, 3, 5].
Формальная модель обучения. Схема обучения как управления
[35] приведена на рис. 5.12. Здесь студент (обозначено пунктиром)
представлен памятью (Y – состояние его памяти) и генератором ответов (ГО), на выходе которого появляются ответы Y′ на вопросы U2′, заданные обучающим устройством (ОУ).
Обучающая информация (ОИ) представляет собой набор знаний, навыков, умений, т. е. порции информации, в определенной
предметной области. Моделью предметной области является граф
Г = {A, B},
узлами которого А = (а1,…,аn) являются его информативные единицы (элементы, предметы, понятия, приемы, навыки, умения), а ребрами B = ||bij||n × n – взаимообусловливающие связи между узлами.
Здесь bij – вид, характер и специфика связи между аi и аj. Целью
обучения является отображение графа предметной области в памяти студента и владение им этим графом для решения поставленных
задач.
В простейшем случае матрица В определяет бинарный граф,
ограничивающий подачу материала студенту. Его отличает лишь
отсутствие циклов. В частном случае этот граф определяется тем
курсом, который должен усвоить студент [7].
Студент
Х
Память
Y
ГО
U2′
U1′
ОИ
БНС
БНС
U1
ГЗ
U2
Y′
ОУ
Z*
R
Ф
Рис. 5.12. Схема обучения как управления
152
Процесс обучения заключается в выборе порции обучающей информации, которая необходима данному студенту. Для этого ОУ
вырабатывает U1 – номер порции ОУ, а блок насыщения семантикой (БНС) выдает U1′ – порцию аi из ОИ (если U1 = i ).
Для синтеза U1 необходимо иметь модель объекта обучения. Для
простоты будем считать, что она неизменна и благоприятна. Тогда
состояние среды можно исключить из рассмотрения, т. е.
Y ì = F ì ( U1 ), (5.1)
где F ì – оператор модели студента.
Идентификация модели F ì производится путем тестирования
состояния памяти Y студента задачами U2′ .
Решение Y ′ задачи U2′ студентом определяется его состоянием
Y ′ = D ( U2′ , Y ),
где D – оператор генератора ответа на вопрос U2′ при состоянии Y.
Зная состояния памяти Y студента, всегда можно определить,
как он решит Y ′ задачу U2′ . Именно это знание отражает оператор
D. Сами задачи U2′ генерируются генератором задач по команде
тестирования U2, указывающей, какую именно задачу следует выдать студенту.
Цель обучения Z* формируется в виде
hi ( Y ) ≥ 0, i =
1, k1,

* 
Z
=  gj ( =
Y ) 0=
, j 1, k2 , 
1, k3 .
ql ( Y ) → extr, l =
(5.2)
Интерпретируется эта цель следующим образом:
hi ( Y ) – уровень знаний i-го характера, который должен быть ху же заданного;
gj ( Y ) – уровень знаний j-го характера, обязательный для каждого студента;
ql ( Y ) – показатель эффективности процесса обучения l-й порции обучающей информации.
Эти функционалы определяют цели потребителя системы обучения и при их достижении удовлетворяют его потребности.
153
Подставив модельное представление о студенте (5.1) в (5.2),
с учетом выделенного ресурса R получим задачу
(
)
qj ( F ì ( U1=
, j 1, k2 , ) ) 0=
ql ( F ì ( U1 ) ) → extr, l =
1, k3 ,
hi F ì ( U1 ) ≥ 0, i =
1, k1,
(5.3)
решение которой позволяет синтезировать порцию обучающей информации U1, которую следует усвоить данному студенту. Выражение (5.3) является многокритериальной задачей оптимизации
(
)
q1 F ì ( U1 ) → extr, l =
1, k3 ,
U1∈Ω
где Ω – множество допустимых обучений.
Линейная свертка позволяет свести задачу к однокритериальной:
k3
j
⇒ U1* ,
( ( )) ∑a1qq ( F ì (Uq )) → Umin
∈Ω
Q=
F ì Uq
i =1
1
где a1 > 0 – вес i-го критерия.
Алгоритм оптимизации φ является алгоритмом обучения, с помощью которого определяется оптимальное обучение U1* .
Модель самообучения. Схема самообучения [3] представлена на
рис. 5.13. Здесь ведущим фактором являются вопросы U2, задаваемые студенту, а обучение происходит в виде подсказки U1 при неправильном его ответе.
Структура подсказки (П) имеет вид тройки
{
}
U1 = X, U2 , Y2′ ,
где X – состояние среды; Y2′ – правильный ответ на вопрос U2.
Это означает, что обучение при самообучении происходит путем
указания, как надо правильно отвечать ( Y2′ ) на вопрос (U2) в данной
ситуации (Х).
Алгоритм φ самообучения решает задачу выбора вопроса:
154
U2 = φ(Ŷ, Z*),
(5.4)
X
Память
Y
Студент
ГО
U′2
U′1
П
БНС
U1
U2
ГЗО
Y′
ОУ
Y′2
Ф
Z*
Рис. 5.13. Схема самообучения
где Ŷ – оценка состояния обучаемого, которая производится на основе его модели
 = F ( X, U , C ),
Y
1
где F – заданный оператор модели студента; С = (с1,…, сk) – его параметры.
Эти параметры изменяются адаптивно под воздействием двух
факторов – подсказки U1 и ответа Y ′ на заданный вопрос U2:
СN + 1 = CN + ΔСN + 1,
где ΔСN + 1 = ψ(U1, U2, Y′), а ψ – алгоритм адаптивной коррекции параметров модели студента по его ответам на заданный вопрос.
Решение задачи самообучения сводится к определению алгоритма φ (5.4) выбора вопроса U2 студентом и алгоритма адаптации ψ
параметров С его модели.
Алгоритм φ сводится к выбору такого вопроса, знание ответа на который максимально приблизит студента к цели обучения (Q → min),
например, в виде Q ≤ Q*, где Q* – заданный порог (допустимый уровень недоученности).
Пусть число вопросов ограничено:
U2 ∈ {u21, …, u2m}
и состояние студента определяется вектором
Y = (y1,…,ym),
1,
åñëè
ñòóäåíò
íå çíàåò îòâåòà íà âîïðîñ U2 ,

где y1 = 
0, åñëè îòâåò åìó èçâåñòåí,
(5.5)
т. е. Y – бинарный вектор.
155
Тогда выбор наилучшего вопроса U2* определяется выражением
U2* = u2j,
причем
j = arg min Q(Y i ),
i∈V
где Yi – вектор (5.5), у которого yi = 0, а множество номеров V соответствует значениям координат Y, т. е. тем вопросам, на которые
студент еще не отвечал.
Алгоритм коррекции ψ определяет правило изменения параметра С, характеризующее специфику памяти студента. Например,
оценку скорости забывания (усвоения) элементов информации, полученных в процессе обучения [2, 5].
156
Литература
1. Аванесов В. С. Научные проблемы тестового контроля знаний
М.: Исслед. центр проблем качеств. подгот. спец., 1994. 135 с.
2. Аванесов В. С. Композиция тестовых заданий: учеб. книга для
преподавателей вузов, учителей школ, аспирантов и студентов педвузов. М.: Адепт, 1998. 217 с.
3. Агеев В. Н. Электронные учебники и автоматизированные обучающие системы: лекция-доклад // Матер. 3-й Всерос. школы-семинара, 2001. 79 с.
4. Айсмонтас Б. Б. Теория обучения: схемы и тесты. М.: ВЛАДОСПРЕСС, 2002. 176 с.
5. Андерсон Дж. Когнитивная психология. СПб.: Питер, 2000.
496 с.
6. Апресян Ю. Д. Образ человека по данным языка: попытки системного описания // Вопросы языкознания 1995. № 1. С. 37– 67.
7. Балл Г. А. Теория учебных задач: психолого-педагогический
аспект. М.: Педагогика, 1990. 184 с.
8. Башмаков А. И., Башмаков И. А. Разработка компьютерных
учебников и обучающих систем. М.: Филинъ, 2003. 616 с.
9. Беспалько В. П. Основы теории педагогических систем.
Воронеж.: Изд-во Воронеж. гос. ун-та, 1977. 303 с.
10. Бессонов А. А., Мамаев В. Я. Спутниковые навигационные
системы: учеб. пособие. СПб.: ГУАП, 2006. 36 с.
11. Васильев В. В., Кузьмук В. В. Сети Петри, параллельные
алгоритмы и модели мультипроцессорных систем. Киев: Наукова
думка, 1990. 216 с.
12. Воздушная навигация и элементы самолетовождения: учеб.
пособие / В. Я. Мамаев, А. Н. Синяков, К. К. Петров, Д. А. Горбунов.
СПб.: ГУАП, 2002. 256 с.
13. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. СПб: Питер, 2000. 384 с.
14. Горбатов В. А. Фундаментальные основы дискретной математики. Информационная математика. М.: Наука, 1999. 544 с.
15. Горбунов Д. А., Мамаев В. Я., Петров К. К. Модель представления учебного материала и способ диагностирования ошибок оператора в автоматизированной обучающей системе // Информационноуправляющие системы. 2003. № 5. С. 51–58.
16. Есин Ю. Ф., Максимов В. А., Мамаев В. Я. Автоматизированное проектирование программного обеспечения бортовых систем
отображения информации. М.: Машиностроение, 1993. 240 с.
157
17. Загвязинский В. И. Теория обучения: современная интерпретация: учеб. пособие для студ. высш. пед. учеб. заведений. М.: Изд.
центр «Академия», 2001. 192 с.
18. Зигель А., Вольф Дж. Модели группового поведения в системе «человек–машина». М.: Мир, 1972. 264 с.
19. Змитрович А. И. Интеллектуальные информационные системы. Минск: ТетраСистемс, 1997. 368 с.
20. Интеллектуальные навигационные датчики в автоматизированных обучающих системах / Ю. Ф. Есин, В. Я. Мамаев, П. П. Парамонов, А. Н. Синяков // Датчики и системы. 2001. № 8. С. 27–29.
21. Интеллектуальные навигационные тренажерно-обучающие
системы: проблемы построения и пути их разрешения / А. А. Бессонов, Ю. Ф. Есин, В. Я. Мамаев и др. // Изв. вузов. Приборостроение.
2006. Т. 49. № 6. С 20 – 29.
22. Искусственный интеллект: в 3 кн.: справочник / под ред.
Д. А. Поспелова. М.: Радио и связь, 1990. Кн.2: Модели и методы. 304 с.
23. Качаровский Н. Б. Образ полета или приборный аналог //
Авиация и космонавтика. 1976. № 8. С.14 –15.
24. Кларин М. В. Инновационные модели обучения в зарубежных педагогических поисках. М.: Арена,1994. 222 с.
25. Козарук В. В., Ребо Я. Ю. Навигационные эргатические комплексы самолетов. М.: Машиностроение,1986. 288 с.
26. Колос В. В., Кудрявцева С. П., Сахно А. А. Разработка и реализация семейства интеллектуальных обучающих систем на основе
учебных структур знаний // Изв. РАН. Техническая кибернетика.
1993. № 2. С. 190 – 201.
27. Кофман А. Введение в теорию нечетких множеств / пер.
с франц. М.: Радио и связь, 1982. 432 с.
28. Люгер Дж. Искусственный интеллект: стратегии и методы
решения сложных проблем / пер. с англ. М.: Изд. дом «Вильямс»,
2003. 864 с.
29. Мамаев В. Я. Модели и алгоритмы для мониторинга и оценки знаний специалистов в компьютерной интеллектуальной обучающей системе // Научное приборостроение. 2001. Т. 11. № 4.
С. 84–87.
30. Мамаев В. Я. Адаптивное тестирование и диагностирование
знаний в электронном учебном пособии оператора-навигатора //
Авиакосмическое приборостроение. 2003. № 6. С. 57–61.
31. Мамаев В. Я. Модель представления учебного материала и
способ диагностирования ошибок оператора в автоматизированных обучающих системах // Мир авионики. 2003, № 1. С. 38–39.
158
32. Мамаев В. Я. Интеллектуальные обучающие системы: проблемы построения и пути их разрешения // Кибернетика и информатика: сб. науч. тр. к 50–летию секции кибернетики Дома ученых
им. М. Горького РАН. СПб.: Изд-во политех. ун-та. 2006. С. 318–337.
33. Новиков А. М. Развитие отечественного образования: полемические размышления. М.: Эгвес, 2005. 176 с.
34. Петрушин В. А. Интеллектуальные обучающие системы: архитектура и методы реализации: обзор // Изв. РАН. Техническая
кибернетика. 1993. № 2. С.164 – 189.
35. Растригин Л. А. Обучение как управление // Изв. РАН.
Техническая кибернетика. 1993. № 2. С.153–163.
36. Свиридов А. П. Основы статистической теории обучения и
контроля знаний. М.: Высшая школа, 1981. 262 с.
37. Свиридов А. П., Шалобина И. А. Сетевые модели динамики
знаний / под ред. Ю.Н. Мельникова. М.: Изд-во МЭИ, 1992. 88 с.
38. Солсо Р. Когнитивная психология: 6-е изд. СПб.: Питер,
2006. 589 с.
39. Соловов А. В. Проектирование компьютерных систем учебного назначения: учеб. пособие. Самара: СГАУ. 1995.138 с.
40. Соловов А. В., Меньшикова А. А. Авторские инструментальные
программные средства системы КАДИС // Современные проблемы высшего образования в России. Вып. 2. Самара: СГАУ. 2002. С.149–162.
41. Стефанюк В. Л. Введение в интеллектуальные обучающие
системы: учеб.-метод. пособие. М.: Изд-во РУДН, 2002. 58 с.
42. Талызина Н. Ф. Управление процессом усвоения знаний.
М., 1975.
43. Уинстон П. Искусственный интеллект. М.: Мир, 1980. 519 с.
44. Челышкова М. Б. Теория и практика конструирования педагогических тестов: учеб. пособие. М.: Логос, 2002. 432 с.
45. Чечкин А. В. Математическая информатика. М.: Наука,
1991. 416 с.
46. Чуич В. Г., Арсенова Е. Е., Мамаев В. Я. Системное проектирование приборных комплексов летательных аппаратов: учеб. пособие. Л.: ЛИАП,1983. 80 с.
47. Rasch G. Probabilistic models for some intelligence and aftainment
tests. Copenhagen: Danish Inst. for Educational Research, 1960.
48. Sleeman D., Brown J. S. Intelligent tutoring systems /
ed. B. R. Gaines. N. Y. Academic Press, 1982.
49. Taxonomy of educational objectives: the classification of
educational goals handbook / B. S. Bloom et al. N. Y: David Mckoy Co,
1956. Vol. 1: Gognitive Domain.
159
СПИСОК ОПРЕДЕЛЕНИЙ
Автоматизированная система обучения – ориентирована на
организацию взаимодействия преподавателя и студентов, включает в себя учебно-методические и дидактические материалы, систему обработки данных и предназначена для поддержки процесса
обучения, повышения его эффективности.
Адаптация – приспособление человека к условиям окружающей
среды. Процессы адаптации направлены на сохранение гомеостаза.
Выделяют биологическую, социальную и другие виды адаптации.
Адаптивная система обучения – компьютерная система, автоматически приспосабливающаяся к изменениям внешних условий,
действий пользователя для достижения эффективности дидактической цели обучения.
Анализ – метод научного исследования путем разложения предмета на составные части или мысленного расчленения объекта путем логической абстракции.
Архитектура (по отношению к вычислительной системе) – это
точно определенный интерфейс между программами и аппаратурой вычислительной системы.
Ассоциативные отношения – разновидность парадигматических отношений, отражающих представление пользователя о взаимосвязи понятий, которые они отражают.
Атрибут – закодированный признак, существенный признак,
свойство чего-либо.
База данных – независимая от прикладных программ совокупность данных, организованная по определенным правилам, которые предусматривают общие принципы описания, хранения и манипулирования данными.
База знаний – формализованная система сведений о некоторой
предметной области, содержащая данные о свойствах объектов, закономерностях процессов и правил использования в задаваемых
ситуациях этих данных для принятия новых решений; основная
часть экспертной системы, построенная на модели представления
знаний в определенной предметной области.
Бихевиоризм – направление в психологии. В основе бихевиоризма лежит понимание поведения как совокупность двигательных и
сводимых к ним вербальных и эмоциональных ответов (реакций)
на воздействие внешней среды.
Виртуальная реальность – компьютерно-генерируемая иллюзия трехмерного пространства.
160
Воспитание – целенаправленный, организованный процесс создания условий и стимулирования развития личности: ее убеждений, мировоззрений, идеалов, стремлений, интересов и желаний.
Воспитание в педагогическом смысле – разновидность педагогической деятельности, направленной на формирование убеждений,
умений, навыков и т. п.
Выставление отметки – форма оценки в виде определения балла.
Генезис – происхождение, возникновение, процесс образования.
Гипертекст – принципы организации информационно-поисковых массивов, при которых отдельные информационные элементы
(документографические, полнотекстовые, графические и др.) связаны между собой ассоциативными отношениями, обеспечивающими быстрый поиск необходимой информации и(или) просмотр
взаимосвязанных указанными отношениями данных.
Государственный образовательный стандарт – установленный Законом РФ документ, определяющий обязательный минимум содержания образовательных программ, максимальный объем
учебной нагрузки обучающихся, требования к уровню подготовки
выпускников.
Данные – отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства.
Дедуктивные методы – логические методы обобщения полученных эмпирическим путем данных, предполагающих движение
мысли от общего рассуждения к частному выводу.
Дедукция – логическое умозаключение от общего к частному.
Декларативное знание – описывает структуру данных о внешнем мире.
Деятельность – активность человека, направленная на достижение сознательно поставленной цели. В структуру деятельности
включают мотивы, средства, способы и условия ее существования,
цель, предмет и результат деятельности.
Дидактика – часть педагогики, разрабатывающая теорию образования и обучения, воспитания в процессе обучения. Предметом
исследования дидактики являются цели, содержание, закономерности и принципы обучения.
Дистанционное образование – педагогическая система, в которой реализуются способы дистанционного обучения с подтверждением образовательного ценза.
Дистанционное обучение – взаимодействие учителя и учащихся
между собой на расстоянии, реализуемое всеми присущими учебному процессу компонентами (цели, содержание, методы, органи161
зационные формы, средства обучения, а также специальные средства информационных и коммуникационных технологий).
Знание – системный опыт, передающийся от предков к потомкам, зафиксированный в вещественной форме в виде кодовых структур. В психолого-педагогическом понимании знание представляет
собой адекватно запечатленную в памяти человека в знаковой форме (символьной или языковой) познаваемую действительность (информацию), в том числе способы (правила) деятельности.
Знания – достоверный результат познания действительности,
адекватное отражение качеств и свойств объекта в сознании человека. В предметной области – это выявленные в ней закономерности (принципы, связи, законы), позволяющие ставить и решать задачи в этой области.
Идентификация – процесс уподобления, отождествления с кемлибо, с чем-либо; операция определения тождественности, отождествления объектов, опознавание.
Императив – общезначимое предписание, безусловный принцип поведения.
Импликация – двуместная логическая операция над высказываниями, вырабатывающая истинное значение «ложь», только если первый аргумент имеет значение «истина», а второй –
«ложь».
Индуктивные методы – логические методы обобщения полученных эмпирическим путем данных, предполагающие движение
мысли от частных суждений к общему выводу.
Индукция – логический метод, основанный на умозаключении
от частных, единичных, случаев к общему выводу, от отдельных
фактов к обобщениям.
Интеллектуальная обучающая система – программная система, реализующая ту или иную педагогическую цель на основе
знаний экспертов в некоторой предметной области (например, в области диагностики знаний обучаемых и управления учением) и демонстрирующая поведение на уровне экспертов.
Интеллектуальная система – искусственная система, моделирующая интеллектуальную систему, субъект которой обладает
естественным интеллектом.
Интенсионал – смысл знака, определяющий место обозначаемого в заданной системе объекта.
Интернет – глобальная информационная система, основанная на семействе протоколов TCP/IP, части которой логически
взаимосвязаны друг с другом посредством единого адресного про162
странства. Интернет обеспечивает удаленный доступ к компьютерам, электронной почте, архивам, чатам, веб-сайтам и прочим
сервисам.
Интерфейс – совокупность средств операционной системы для
взаимодействия с пользователем (пользовательский интерфейс).
Информационно-коммуникационные технологии – комплекс,
объединяющий информационные, компьютерные и телекоммуникационные технологии.
Информационная модель – параметрическое представление
процессов циркуляции информации (данных), подлежащей автоматизированной обработке в системе управления.
Информационная технология обучения – педагогическая технология, использующая специальные способы, программные и
технические средства (кино, аудио- и видеосредства, компьютеры,
телекоммуникационные сети для работы с информацией).
Информация – мера, характеризующая изменения, которые
происходят внутри системы в результате получения сообщения.
Искусственный интеллект – раздел информатики, изучающий возможность обеспечения разумных рассуждений и действий с помощью вычислительных систем и иных искусственных устройств.
Качество – свойство предмета, объекта, явления, определяемое
по совокупности не только количественных признаков, но и признаков самой произвольной природы. Качество – это норма.
Кластер – подмножество объектов с определенным набором
признаков, выявляемое при кластерном анализе. Кластерный
анализ – статистический метод выделения в множестве элементов
групп (кластеров) схожих между собой элементов на основе количественных или качественных измерений.
Когнитивные науки – науки, исследующие познавательные
процессы человека с позиций возможности их моделирования.
Количество – значение физической величины, найденное опытным путем с помощью специальных технических измерительных
средств и эталонов меры.
Коммуникация (общение) – передача информации от человека
к человеку (речевая, знаковая).
Компетенция – норма ментальных достижений личности, проявляющихся в ее целесообразных и гуманистических действиях
в значимых ситуациях.
Композиция – взятие произведения. Метод последовательного
объединения функций.
163
Контент – содержание учебного курса, совокупность текстовой, графической, аудио- и видеоинформации, представляемой обучаемому для освоения учебной дисциплины.
Контроль – операция сопоставления запланированного результата с эталонными требованиями и нормативами.
Концептуальная модель – описание (схема) понимания процесса (явления или объекта).
Концепция – определенный способ понимания, трактовка группы явлений, ведущий принцип анализа деятельности.
Кортеж – совокупность элементов, в которой каждый элемент
занимает определенное место. Число элементов кортежа называется его длинной. Кортеж длиной n называют n-кой.
Менеджмент – совокупность принципов, форм, методов, приемов и средств управления производством и персоналом с применением последних достижений науки управления. Главная цель
менеджмента – достижение высокой эффективности производства,
рациональное использование ресурсов, руководство предприятием. Компонентом такого управления является управление компетенциями, знаниями и опытом применительно к персоналу.
Ментальность – глубинные установки сознания, образ мыслей
и способностей, определяющих форму социального бытия и придающих целостность смысловому пространству личности.
Метод обучения – дидактическая категория, дающая теоретическое представление о системе норм взаимодействия преподавателя и обучающихся для достижения целей обучения.
Метод проблемного изложения – метод организации деятельности учащихся, состоящий в том, что преподаватель ставит проблему и сам ее решает, показывая тем самым путь решения в его
подлинных, но доступных для учащихся противоречиях, вскрывает ход мысли при движении по пути познания.
Методика учебного предмета (частная дидактика) – теория обучения определенному учебному предмету.
Методология – система принципов и способов организации и
построения теоретической и практической деятельности, а также
учение об этой системе, учение о структуре, логической организации, методах и средствах деятельности. Она – необходимый компонент всякой деятельности, ибо деятельность становится предметом
осознания, обучения и рационализации.
Множество – совокупность каких-либо объектов, обладающих характеристическим свойством, общим для всех этих объектов; множество считается заданным, если задано свойство
164
принадлежности, которым обладают элементы этого множества
и только они.
Модель – упрощенная схема какого-либо объекта или явления,
служащая для его познания, описания или преобразования.
Модель обучаемого – знания учителя или обучающей системы об
обучаемом, используемые для организации процесса учения.
Мышление – психический процесс, направленный на опережающее (обобщенное и опосредованное) отражение действительности,
т. е. создание новых или отбор уже имеющихся средств и способов
достижения цели, предвосхищение результата деятельности.
Навигация (серфинг) – процесс перемещения по документам
с помощью гипертекстовых ссылок, не требующий знания местонахождения документов.
Навигация воздушная – наука о точном, надежном и безопасном
вождении летательных аппаратов (ЛА) из одного пункта в другой
по оптимальной траектории в установленное время; наука о методах и средствах вождения ЛА.
Навык – частично автоматизированный способ выполнения
действий. Навык означает проявленную (доказанную) человеком
готовность к достижению цели в соответствующей деятельности
путем осуществления ее без строгого контроля со стороны мышления благодаря упражнениям, с осознанием из всей системы составляющих ее действий только исходного.
Образование – результат воспитания, обучения и развития личности.
Образовательный процесс – целенаправленный, систематический, организованный способ получения личностью знаний, умений, навыков. Это один из важнейших информационных процессов, направленный на освоение личностью информации и знаний.
Образовательные технологии – методы и средства реализации
образовательного процесса, т. е. процесса получения образования.
Обратная связь – влияние следствий на действующие причины.
Она бывает положительной, когда система выходит из состояния
равновесия, и отрицательной, когда система стремится к устойчивости.
Обучаемость – группа качеств личности, обеспечивающая овладение знаниями и развитие, способность к научению. Обучаемость
в широком смысле – способность человека к усвоению новых знаний, действий, словесных форм деятельности, в более узком значении – система интеллектуальных качеств, которые обеспечивают
успешность обучения.
165
Обучение – профессиональная деятельность преподавателя,
направленная на передачу знаний умений и навыков. Оно происходит в процессе взаимодействия учителя (преподавание) и учащихся (учение). Обучение – процесс, включающий в себя преподавание и учение, его суть – вооружение учащихся систематическим и научным знанием, приобщение к ценностям и традициям,
воспитание и развитие на основе достижений научного и технического прогресса.
Объект – элемент предметной области, данные о котором могут
быть помещены в базу данных.
Объяснение – подведение конкретного факта или явления под
некоторое обобщение.
Онтология – некоторое описание взгляда на мир применительно к конкретной области интересов, которое состоит из терминов и
правил использования этих терминов, ограничивающих их значение в рамках конкретной области. На формальном уровне онтология – это система, состоящая из набора понятий и утверждений об
этих понятиях, на основе которых можно строить классы, объекты, отношения, функции и теории. Онтология как пример общего
соглашения о семантике предметной области способствует установлению конкретных связей между значениями элементов области,
создавая тем самым условия для их совместного использования.
Операция – отдельное действие или ограниченная группа действий, направленная на получение частного (в рамках решения задачи) результата.
Открытое образование – образование, которое характеризуют
свободное (без вступительных испытаний) поступление в учебное
заведение, свобода выбора времени, ритма и темпа обучения (прием на обучение в течение всего года, отсутствие фиксированных
сроков обучения), открытое планирование обучения (свобода составления последовательности изучения модулей), свобода выбора
места обучения (территории обучения), преподавателей – того, кто
в наибольшей степени соответствует индивидуальным потребностям учащегося.
Отношение – форма связи между объектами, отражающая то
общее, что их объединяет. Оно представляет собой связь между
двумя и более сущностями.
Отношения – связи типа «часть–целое» (класс–подкласс, элемент–множество), функциональные (определяемые глаголами
«производит», «влияет» и т. п.), количественные (больше, меньше,
равно, …), пространственные (далеко от, близко от, за, под, …), вре166
менные (раньше, позже, в течение, …), атрибутивные (иметь свойство, иметь значение,…), логические (И, ИЛИ, НЕ), лингвистические и др.
Оценка знаний (квалиметрия) – фиксация результатов обучения.
Парадигма – система взглядов, исходная концептуальная схема, ведущая идея.
Педагогика – наука, изучающая сущность, закономерности,
принципы, методы и формы организации педагогического процесса.
Педагогический тест – набор взаимосвязанных тестовых заданий возрастающей сложности, позволяющих надежно и валидно
оценивать соответствие знаний обучаемого экспертной модели знаний предметной области и другие педагогические характеристики
личности.
Педагогический тест – система заданий возрастающей трудности, специфической формы, позволяющая качественно оценить
структуру знаний и эффективно измерить уровень знаний испытуемых.
Поле знаний – условное, неформальное описание основных понятий и взаимосвязей между понятиями предметной области, выявленное из системы знаний эксперта, в виде графа, диаграммы,
таблицы или текста.
Предикат – утверждение, высказывание.
Предметная область – совокупность объектов и понятий, а
также связей между ними, сведения о которых обрабатываются и
хранятся в базе данных. Предметной, или проблемной, областью
обычно называют совокупность взаимосвязанных сведений, необходимых и достаточных для решения некоторого класса задач.
Знания о ПрО содержат описание объектов, явлений, фактов, а также отношений между ними.
Преподавание – обучающая, развивающая и воспитывающая
деятельность педагога, включающая в себя информирование, стимулирование, инструктирование, коррекцию и контроль.
Проблемное обучение – обучение на основе выдвижения, поиска решения проблем и вытекающих из них задач, активизирующее интерес и мышление учащихся, помогающее развитию способности.
Программированное обучение – обучение по программе, рассчитанной на порционную подачу учебного материала, пошаговый
контроль усвоения и оперативную помощь обучающимся.
Процедурное знание (мышление) – описывает механизмы, способные выполнить некоторые операции (логический вывод, поиск
167
по аналогии, концептуальный анализ и синтез), используя знания
в качестве базы данных.
Развитие – приобретение способностей, новых личностных качеств.
Реляционная алгебра – язык описания операций над отношениями. Основные операции – проекция, соединение, пересечение и
объединение.
Семантика – наука, определяющая смысл знаков.
Семантическая модель – способ представления понятий в виде
графа, в вершинах которого расположены понятия, в терминальных вершинах – элементарные понятия, а дуги представляют собой отношения между понятиями (пример – семантическая сеть).
Семантическая сеть – способ представления знаний в виде орграфа, в котором вершины соответствуют семантическим (смысловым) единицам языка (понятиям, объектам, действиям и т. д.), а
дуги – свойствам или отношениям между ними.
Семиотика – наука, изучающая общие свойства знаков и знаковые системы.
Семиотическая модель – знаковая модель, отражающая свойства знаковой системы.
Сеть динамики знаний – совокупность конечного числа этапов
усвоения, контроля и диагностирования знаний, в которой циркулируют положения (типовые единицы деятельности) учебной дисциплины в соответствии матрицей перехода от одного этапа к другому.
Сеть фреймов – класс логико-лингвистических моделей, основанный на использовании фреймов для представления знаний
о предметной области, позволяющий эффективно моделировать
сложные разнородные системы.
Синтез – метод изучения предмета в его целостности, единстве
и взаимосвязи его частей.
Система – целостное образование, обладающее свойствами не
сводящимися к свойствам входящих в это образование взаимосвязанных (взаимодействующих) элементов (компонентов, частей,
объектов, подсистем и т. д.).
Система искусственного интеллекта – система, обладающая
возможностями накопления и обобщения информации о внешнем
мире и способная к целенаправленному поведению на основе «собственного опыта».
Система управления – система, состоящая из управляющей
подсистемы и объекта управления. При этом управляющая подсистема содержит подсистему мониторинга состояния объекта управ168
ления и подсистему формирования и реализации управляющих
воздействий.
Слот – ячейка фрейма, т. е. узел в подсети, представляющей собой фрейм.
Содержание обучения – включает в себя знания в тесной связи
с умениями, навыками, опытом творческой деятельности. Его характер и объем определяются социальным заказом образовательной системы. Основным документом, определяющим содержание
обучения, является Государственный образовательный стандарт.
Среда программирования – определяет языки программирования, протоколы, технологии и инструменты.
Структура (по отношению к вычислительной системе) – совокупность устойчивых связей между частями объекта, обеспечивающих его целостность и тождественность самому себе, т. е. сохранение характеристических свойств при внешних и внутренних изменениях.
Тестирование – процесс оценки соответствия личностной и педагогической моделей знаний.
Тестовое задание – четкое задание из конкретной предметной
области, требующее однозначно определяемого ответа или выполнения определенного алгоритма действий.
Технология обучения – новое направление в педагогике, которое
ставит целью повысить эффективность образовательного процесса,
гарантировать запланированные результаты обучения.
Трудность заданий – характеристика заданий теста, отражающая статистический уровень их выполнений в данной выборке
стандартизации.
Умение – проявленная (доказанная) человеком готовность к достижению цели в соответствующей деятельности путем осуществления ее под более или менее строгим контролем со стороны мышления, с осознанием всей системы составляющих ее действий или
части этой системы.
Учебная деятельность – активность человека, направленная
на овладение способами предметных и познавательных действий.
Обобщение по форме теоретических знаний.
Учение – специфическая форма индивидуальной активности,
проявляющаяся в регуляции собственной деятельности и направленная на усвоение знаний и навыков, а также на развитие самого
учения. Деятельность человека, направленная на научение.
Фрейм (скелет, рамка) – структура данных, предназначенных
для представления стереотипной ситуации; обычно это подсеть СС.
169
Цели обучения – организующие и направляющие начала учебного процесса, определяющие его содержание, методы и форму.
Цели обучения меняются, как и содержание обучения, по мере развития общества.
Цель – идеальное предвосхищение результата жизнедеятельности, на достижение которого направлена активность человека.
Человек-оператор – эргатическая система.
Шкала – средство фиксации результатов измерения определенных свойств эмпирических объектов путем их упорядочения
в определенной числовой форме. В процессе упорядочения каждому элементу совокупности наблюдаемых эмпирических данных
ставится в соответствие определенный балл, устанавливающий положение наблюдаемого элемента на шкале.
Эвристика – в широком смысле наука о творчестве, а в узком –
теория и практика поиска и решение сложных интеллектуальных
задач.
Экспертная система – система обработки данных, основанная
на знаниях.
Экстенсионал – класс всех допустимых денотатов знака.
Эргатическая система – система, составным элементом которой является человек-оператор.
Эффективность – комплексная характеристика результатов
использования системы с учетом степени соответствия этих результатов целям, стоящим перед системой.
170
СОДЕРЖАНИЕ
СПИСОК УСЛОВНЫХ ОБОЗНАЧЕНИЙ.......................................
3
Введение...................................................................................
В.1. Этапы развития систем образования..................................
В.2. Этапы развития обучающих систем...................................
В.3. Перспективы информационно-коммуникационных
технологий следующего поколения...................................
5
5
10
1. ОБУЧАЮЩИЕ СИСТЕМЫ И ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ.... 1.1. Типология систем обучения..............................................
1.2. Роль моделей при разработке систем обучения.....................
1.3. Обучающие и обучающиеся системы..................................
1.4. Стимуляторы процесса познания.......................................
1.4.1. Интеллектуальные среды.......................................
1.4.2. Уровень применения ИИ в образовании....................
1.5. Современные образовательные
обучающие технологии...................................................
16
17
18
19
20
20
22
2. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ПОСТРОЕНИЯ
ИНТЕЛЛЕКТУАЛЬНЫХ ОБУЧАЮЩИХ СИСТЕМ........................
2.1. Общие положения психологии, педагогики и требования
к обучающей системе......................................................
2.1.1. Информационная система психолого-педагогической
поддержки обучаемого..........................................
2.2. Знаниевая действительность как основа
интеллектуальных обучающих систем..............................
2.2.1. Виды знаний.........................................................
2.2.2. Навигационная интеллектуальная обучающая
система. .............................................................
2.2.3. Основы знаниевой теории моделей
в навигационной ИОС...........................................
2.2.4. Сетевые модели динамики знаний...........................
2.3. Формирование знаний, умений и навыков. .........................
2.3.1. Формирование компетентности...............................
2.3.2. Модель поддержки процесса формирования
интеллектуальных умений в области воздушной
навигации...........................................................
2.4. Модели представления знаний..........................................
2.4.1. Логические модели................................................
2.4.2. Продукционные модели.........................................
2.4.3. Семантические сети и графы...................................
2.4.4. Фреймовые модели представления знаний................
3. КЛАССИФИКАЦИЯ И АРХИТЕКТУРА
ИНТЕЛЛЕКТУАЛЬНЫХ ОБУЧАЮЩИХ СИСТЕМ........................
3.1. Классификация ИОС
по функциональным характеристикам..............................
13
23
28
28
31
33
33
35
37
41
45
46
49
56
58
61
65
71
77
77
171
3.2. Классификация ИОС
в зависимости от структурного построения.........................
3.3. Классификация ИОС по принципу
алгоритмического построения..........................................
3.4. Классификация ИОС по методу организации
контроля знаний............................................................
3.5. Классификация ИОС по методу оценивания знаний.............
4. ПРОЕКТИРОВАНИЕ ПРОЦЕССА ОБУЧЕНИЯ...........................
4.1. Проектирование деятельности обучаемого..........................
4.2. Проектирование модели представления
учебного материала........................................................
4.2.1. Отбор и структурирование учебного материала..........
4.3. Структурная модель учебного материала............................
4.4. Модель содержания учебного материала.............................
4.5. Модель освоения учебного материала.................................
5. МЕТОДЫ И МОДЕЛИ ДИАГНОСТИКИ, ОЦЕНКИ ЗНАНИЙ
И УПРАВЛЕНИЯ ОБУЧЕНИЕМ..................................................
5.1. Модели информационной технологии
педагогической диагностики............................................
5.2. Метод диагностирования ошибок оператора........................
5.3. Модель адаптивного контроля знаний................................
5.4. Применение гибридных систем для оценки знаний..............
5.5. Нейронечеткий подход к оценке знаний.............................
5.6. Использование специальных сверточных нейронных сетей
в обучении.....................................................................
5.7. Методы и модели управления обучением. ...........................
83
84
87
92
101
101
103
103
107
111
112
128
128
132
135
136
141
144
149
Литература............................................................................... 157
СПИСОК ОПРЕДЕЛЕНИЙ.......................................................... 160
172
Документ
Категория
Без категории
Просмотров
0
Размер файла
7 160 Кб
Теги
bessonovmamaev
1/--страниц
Пожаловаться на содержимое документа