CC BY
219
tantsionnogo obucheniya: uchebno-metodiche-skoe posobie. Tomsk: TGU, 2003.
17. Samonenko Yu. A. Psihologiya i pedagogika. M., 2001.
18. Polat E.S., Buharkina M.Yu., Moiseeva M.V. Teoriya i praktika distantsionnogo obucheniya: ucheb. posobie dlya studentov vyssh. ucheb. za-vedeniy / pod red. E. S. Polat. M.: Izdat. tsent «Akademiya», 2004. 416 s.
19. Esipov B.P. Samostoyatel'naya rabota ucha-schihsya na urokah. Gosudarstvennaya uchebno-pedagogicheskoe izdanie ministerstva prosve-scheniya RSFSR. M., 1961. 239 s.
20. Pidkasistyj P.I. Samostoyatel'naya deyatel'nost' uchaschihsya (Didakticheskiy analiz protsessa i
struktury vosproizvedeniya i tvorchestva). M.: Pedagogika, 1972. 184 s.
DEVELOPMENT OF DISTANCE EDUCATIONAL TECHNOLOGIES IN THE COMPUTER SCIENCE STUDENTS IN HIGH SCHOOL
A.A. Skvortsov
Tambov State University named after G.R. Derzhavin, Tambov, Russia. e-mail: skvor_88@mail.ru
This article discusses the basic processes of development of distance learning technologies and information and communication tools that served as a continuous source of creation and innovation in education and training.
Key words: remote technology, innovation, education, information and communication technologies.
УДК 004.891
ИСПОЛЬЗОВАНИЕ ЭКСПЕРТНЫХ СИСТЕМ В СИСТЕМЕ ОТКРЫТОГО ОБРАЗОВАНИЯ
А.А. Молчанов
Тамбовский государственный университет имени Г.Р. Державина, Россия, г. Тамбов.
e-mail: ykdosto@gmail.com
В статье анализируется опыт использования экспертных систем в системе открытого образования. Обсуждаются направления развития экспертных систем в образовании. Делается вывод о необходимости применения аппарата нечеткой логики для разработки экспертных систем, используемых в открытом образовании. Рассматривается пример реализации прототипа экспертной системы для технологий дистанционного обучения.
Ключевые слова: база знаний, поле знаний, экспертная система, дистанционное обучение, система открытого образования.
Использование экспертных систем в традиционном образовании и системе открытого образования.
В начале восьмидесятых годов в исследованиях по искусственному интеллекту сформировалось направление «экспертные системы». Исследователи используют и термин «инженерия знаний» [1]. Экспертные системы - это набор программ, выполняющих функции эксперта при решении задач из некоторой предметной области. Название обусловлено тем, что они как бы имитируют людей, являющихся экспертами.
Каждая экспертная система состоит из трех частей: очень большой базы современных данных, подсистемы формирования вопросов и совокупности правил, позволяющих делать выводы. Некоторые экспертные системы могут рассказать о методе, который они используют при выработке своего заключения.
Современное состояние разработок в области экспертных систем можно охарактеризовать как период активизации интереса. В образовании условно можно выделить три группы направлений развития экспертных систем.
К первой группе представляется возможным отнести авторов, исследующих теоретико-педагогические аспекты применения экспертных систем в образовании (Н.Л. Югову [2], Н.М. Антипину [3], Н.Л. Кирюхину [4], И.В. Гречина [5], Н.А. Баранову [6], А.Б. Андреева, В.Б. Моисеева, Ю.Е. Усачева [7], Е.В. Мягкову [8], В.М. Московкина [9]).
Ко второй группе - авторов, которые разработали конкретные экспертные обучающие системы совместно с преподавателями на основе известных технологий (Е.Ю. Левину [10], М.А. Смирнову [11], Л.С. Болотову [12], О.Г. Берестневу и О.В. Марухину [13], Е.Ф. Снижко [14]).
К третьей группе - авторов, которые исследуют новые подходы к созданию экспертных систем в образовании (В.С. Тоиски-на [15], И.В. Солодовникова, О.В. Рогозина, О.В. Шуруева [16], И.В. Самойло, Д.О. Жукова [17], О.А. Мелихову [18], Д.И. Попова [19], В.М. Курейчик, В.В. Маркова, Ю.А. Кравченко [20]).
Анализ литературы по проблеме использования экспертных систем в системе открытого обучения показал, что данное направление мало изучено и только развивается, о чем свидетельствует небольшое количество публикаций исследователей-педагогов, работающих в указанном проблемном поле. Публикации по данному направлению носят, в основном, прогнозный характер. Отмечается интерес к распределенным интеллектуальным системам в системе открытого обучения, вместе с тем не совсем ясно, как можно эффективно организовать образовательный процесс с желаемым качеством. Видимо, речь должна идти, прежде всего, о построении педагогических образовательных моделей в системе открытого образования.
По нашему мнению, проблема обусловлена тем, что значительная часть исследователей в области технологий дистанционного обучения переносит известные в практике методы и приемы, наполняя ими дистанционное обучение. Вместе с тем совершенно очевидно, что новые технологии в образовании должны опираться на принцип «новых задач». Передовые технологии несут в себе новое решение, новые методы, новые подходы, новые возможности, еще не известные системе образования. Нужен организованный и направленный доступ к динамичным системам актуальной информации, нужны доступные в любое время «автоматизированные консультации», нужны новые способы и приемы организации совместной проектной деятельности и многое другое.
К настоящему времени накоплен определенный опыт в передаче части интеллектуальных функций по организации и проведению образовательного процесса в системе открытого образования средствам информатизации.
Так, Г.А. Самигулиной [21] приводится пример интеллектуальной экспертной системы дистанционного обучения на основе ис-
кусственных иммунных систем, которая позволяет в зависимости от принадлежности обучаемого к определенной группе оценить его интеллектуальный потенциал и предоставить индивидуальную программу обучения. На выходе - комплексная оценка знаний, дифференциация студентов и прогноз качества полученного образования. Группы определяются экспертами и соответствуют определенным знаниям, практическим навыкам, творческим способностям, логическому мышлению и т.д. Разработанная экспертная система подразумевает реализацию подсистем: информационной подсистемы; интеллектуальной подсистемы - обучение иммунной сети, обработка многомерных данных в режиме реального времени; обучающей подсистемы осуществляет разработку методов, средств и форм подачи обучающей информации; контролирующей подсистемы.
Анализ использования экспертных систем в области дистанционного образования позволил прийти к выводу о том, что это актуальное направление мало изучено.
Зачастую под экспертной системой педагогами понимается реализация тестирования студентов в той или иной системе дистанционного образования и экспертиза их знаний. Так, А.В. Зубовым [22] и Т.С. Денисовой разработаны комплексные экспертные интернет-системы для дистанционного обучения. В системе имеется возможность проводить обучение и аттестацию и анализировать эффективность обучения на основе тестов, созданных экспертами.
В.Г. Никитаевым и Е.Ю. Бердникови-чем [23] разработаны мультимедийные курсы дистанционного обучения врачей по гистологической и цитологической диагностике с применением экспертных систем на базе системы управления контентом Moodle. Система позволяет добавлять курсы в контент и на основе тестирования проверять уровень усвоения материала в зависимости от ответа студентов.
Таким образом, в системах дистанционного обучения имеется возможность произвести экспертную оценку знаний на основе разработанных специалистами тестовых заданий. Вместе с тем, по нашему мнению, технологии дистанционного обучения требуют использования множества подсистем
для снятия рутинной нагрузки с организаторов и тьюторов. Эта нагрузка увеличивается в связи с тем, что человек выбирает для себя свой ритм, темп и время обучения. Индивидуализация требует развитой автоматизированной системы «интеллектуальных» подсказок, помощи, консультаций в течение всего периода дистанционного обучения и при использовании разных образовательных методов и приемов: лекции, практики, проектной деятельности, конференции и др. Только уникальные вопросы адресуются преподавателю-эксперту. На основе анализа публикаций и личной практики организации дистанционного обучения мы пришли к выводу о том, что указанные выше интеллектуальные подсистемы могут быть организованы на разной теоретической и программной основе в виде подключаемых к системе отдельных модулей. Это связано с тем, что подсистемы несут разную интеллектуальную «нагрузку»: где-то достаточно использовать традиционную логику при проектировании конкретной подсистемы, а в другом случае удобно создавать подсистему с использованием аппарата нечеткой логики.
Использование методов и алгоритмов нечеткой логики в экспертных системах для системы образования.
Математическая теория нечетких множеств (fuzzy sets) и нечеткая логика (fuzzy logic) являются обобщениями классической теории множеств и классической формальной логики [24], впервые предложены американским ученым Лотфи Заде: «Чем глубже мы анализируем реальную задачу, тем неопределеннее становится ее решение». Причина появления новой теории «нечетких множеств» заключалась в наличии нечетких и приближенных рассуждений при описании процессов, систем, объектов человеком [25]. Так, при оценке различной ситуации, в отличие от «машинного», человеческий разум оперирует нечеткими категориями. Поэтому при принятии решений, где необходимо оценивать ситуацию в условиях неточной информации или при наличии нечетких целей и ограничений, используют нечеткий подход.
Представление и оперирование знаниями в интеллектуальных (экспертных) системах является актуальной проблемой в области
искусственного интеллекта. Она тесно связана с задачей моделирования правдоподобных рассуждений для интеллектуальных (экспертных) систем и, в частности, систем поддержки принятия решений [26]. Так, в своей работе П.Р. Варшавский и А.П. Еремеев [27] предполагают, что для моделирования правдоподобных рассуждений активно используется аппарат нетрадиционных логик - индуктивных, абдуктивных, нечетких, а также методы на основе аналогий и прецедентов.
И.В. Хлебалкин [28] рассматривает модели представления нечетких знаний, которые используются для формализации человеческих знаний. Они описывают качественные характеристики объектов предметной области, которые интерпретируются неоднозначно, но содержат важную информацию. Теоретической основой данного представления являются нечеткая (fuzzy) алгебра, нечеткая логика и теория нечетких множеств [29].
При разработке алгоритмов и методов теории нечетких множеств охватывается широкий круг математических и прикладных проблем, в решение которых значительный вклад внесли российские и зарубежные ученые: А.Н. Аверкин, А.В. Алексеев, Р.А. Алиев, А.Е. Алтунин, К. Асаи, И.З. Батыршин, Р. Беллман, Л.С. Бернштейн, А.Н. Борисов, В.В. Борисов, А. Заде, С.Я. Коровин, А. Коф-ман, О.А. Крумберг, Д.А. Поспелов, Р. Ягер, Т.Л. Саати и др. Вопросы реализации алгоритмов нечеткого вывода рассматриваются в работах Х. Ларсена, Е. Мамдани, М. Суге-но и др. [30].
В настоящее время большое внимание уделяется разработке гибридных подходов к многокритериальному анализу сложных систем, основанных на «мягких» вычислениях и реализующих совместное применение различных методов искусственного интеллекта, где формируется новая информационная технология [31-32]. Существенной особенностью высшего образования считают сложность количественного оценивания процессов обучения и управления. Акцентируется внимание на том, что нечеткость представления оценивания процессов обучения и управления заставляет искать решения классических задач образовательного процесса неклассическими методами [33].
Е.В. Нурматова [34] построила гибридную модель итоговой рейтинговой оценки обучающихся. Модель реализована в MatLAB с использованием в качестве нейронного эмулятора объекта гибридной технологии адаптивной нейро-нечеткой системы заключений ANFIS. Автор рассматривает нечеткие модели адаптивных систем нейро-нечеткого вывода, которые являются конструктивным инструментом технического анализа знаний и могут быть использованы для решения широкого круга задач в области интеллектуального анализа данных.
Работа А.А. Жданова и М.В. Караваева [35] посвящена исследованию возможностей объединения в одной управляющей системе двух технологий управления - нечеткой логики и метода «автономного адаптивного управления». Авторы приводят основные выводы, полученные в результате компьютерных испытаний разработанной системы - применение подсистемы нечетких исходных знаний повышает качество управления; блок корректировки нечетких правил формирует адекватные нечеткие правила управления объектом, которые затем могут использоваться экспертами для изучения поведения данного объекта.
С.А. Федосин и Д.А. Фролов [36] рассматривают нечеткую экспертную систему, которая «может быть гибко адаптирована для решения задачи в любой GSM сети». Авторы для определения расстояний между базовыми станциями с учетом их зон обслуживания применили кластеризациию при помощи нейронной сети Кохонена и рассмотрели решение задачи путем построения нечеткой экспертной системы, ядром которой является система нечеткого вывода по Мам-дани. В заключении они делают вывод, что применение математического аппарата нечеткой логики позволило получить решение поставленной задачи с достаточно высоким уровнем достоверности при минимальных затратах вычислительных ресурсов.
Е.В. Казаченко и А.М. Фонотов разработали систему проверки знаний по результатам тестирования с применением аппарата нечеткой логики для реализации экспертной системы оценки знаний [37]. Целью разрабатываемой системы является снижение трудоемкости составления адаптивных тестов за
счет внедрения системы автоматической генерации тестов; повышение качества оценивания; снижение трудоемкости за счет автоматизации процесса проверки результатов тестирования и выставления оценки. Практическая значимость такой системы определяется тем, что усовершенствованная методика создания адаптивных тестов и выставления оценки высокой степени точности представляет интерес для экспертных систем обучения. Авторы приводят примеры разработанных на Западе теорий создания тестов (Item Response Theory - IRT [38, 39]), которые предназначены для оценки латентных (скрытых) параметров испытуемых и заданий теста. Основным принципом IRT является установление вероятностей связи между наблюдаемыми результатами тестирования и латентными параметрами испытуемого и заданий теста [40]. Система реализована в двух уровнях. На первом уровне производится оценка знаний студента по каждой теме в отдельности, на втором уровне формируется итоговая оценка. В ходе анализа существующих методов решения поставленной задачи принято решение использовать адаптивные методы тестирования как наиболее точные и нацеленные на всестороннее оценивание знаний тестируемого в совокупности с экспертной системой, основанной на теории нечеткой логики.
В работе О.А. Мелиховой и З.А. Мелиховой [18] рассматривается создание интеллектуальных систем контроля качества знаний с учетом степени обученности каждого или группы. Отсутствие усреднения при определении степени обученности позволяет оценить реально достигнутые результаты и эффективность деятельности преподавателя. Авторы уточняют, что нечеткий алгоритм можно определить как упорядоченную последовательность нечетких инструкций или операторов, приводящих к решению поставленной задачи. Нечетким оператором считается тот, который содержит хотя бы одну нечеткую или лингвистическую переменную, нечеткую функцию или нечеткое отношение. В работе при построении системы мониторинга выявлена основная проблема: создание базы знаний, которая содержит информацию о целях обучения, уровне требований преподавателя, степени обученности каждого уча-
щегося и эффективности деятельности преподавателя. В качестве моделей представления знаний (количественного и качественного характера) используют систему нечетких импликативных правил (продукций). Предполагается построение базы знаний на основе композиции нечетких метаимпликаций, которая позволяет хранить и обрабатывать как четкую, так и нечеткую информацию мониторинга учебного процесса, исключая при этом субъективизм оценки работы образовательного учреждения при определении его статуса. Результаты работы внедрены в учебный процесс Южного федерального университета.
Т.Б. Брейкин и др. [41] рассматривают вопросы проектирования экспертных систем медицинской диагностики с применением методов системного моделирования для описания предметной области и эффективного анализа необходимости построения таких систем. Авторы предлагают использовать математический аппарат нечеткой логики, позволяющий формализовать нечеткие понятия и отношения, предоставленные экспертом. Они описывают системный проект создания экспертной системы диагностики астмы на базе CASE-технологий. Акцентируют внимание на то, что подобные экспертные системы позволят врачам-терапевтам при диагностике и лечении больных астмой сократить время на обучение молодых врачей и студентов, сократить время самой диагностики больных, что является актуальным для данной предметной области.
Авторами статьи «Использование нечеткой математики при моделировании систем искусственного интеллекта» [18] была разработана система мониторинга образовательного процесса, использующая аппарат нечеткой математики, который позволяет формализовать и преобразовывать количественно-качественные (нечеткие) понятия. Они приводят отличительные черты нечеткого подхода к моделированию интеллектуальных систем: использование так называемых лингвистических переменных; простые отношения между переменными описываются с помощью нечетких высказываний; сложные отношения описываются нечеткими алгоритмами.
В работе [42] рассматривается следующий ряд особенностей нечетких моделей по сравнению с традиционными: они являются более гибкими; являются более адекватными моделируемой реальности; требуют меньше времени для получения результата; позволяют увеличить скорость обработки качественной информации; создаются в тех случаях, когда построение четких затруднительно.
По мнению В.С. Тоискина, использовать аппарат нечеткой логики рекомендуется [15]: для сложных процессов при отсутствии простой математической модели; для нелинейных процессов высоких порядков; если должна производиться обработка (лингвистически сформулированных) экспертных знаний.
Таким образом, можно сделать вывод, что в настоящее время целесообразно использовать язык нечетких множеств и алгоритмов при разработке приложений (оболочек) для создания экспертных систем [18].
Привлекательность нечеткой логики для проектировщиков экспертных систем состоит в ее близости к естественному языку. Таким терминам, как «быстрый», «немного» чаще всего дается интерпретация на основе повседневного опыта и интуиции. Это упрощает процесс инженерии знаний, поскольку подобные суждения человека-эксперта можно непосредственно преобразовать в выражения нечеткой логики [43].
По мнению Л.Г. Зартеновой [44], нечеткий подход позволяет максимально сократить переход от вербального словесного качественного описания объекта, которое характеризует человеческое мышление, к численным количественным оценкам его состояния и сформулировать на этой основе простые и эффективные алгоритмы, т.е. позволяет моделировать человеческие размышления и человеческую способность решения задач.
Практический опыт разработки систем нечеткого логического вывода свидетельствует, что сроки и стоимость их проектирования значительно меньше, чем при использовании традиционного математического аппарата, при этом обеспечивается требуемый уровень работоспособности и прозрачности моделей. Помимо этого нечеткие системы позволяют повысить качество продукции при уменьшении ресурсо- и энергозатрат и обеспечивают более высокую устойчивость
к воздействию случайных факторов по сравнению с традиционными системами [42].
Основные недостатки экспертных систем, основанных на нечеткой логике, выделяют О. Белослудцева и Ю. Беляева [45]: субъективность выбора набора правил и параметров функций принадлежности входных переменных, которая может серьезно сказаться на результате, сложность корректировки этих параметров на основе экспериментальных данных. По их мнению, с этими проблемами позволяют бороться нейро-нечеткие системы, объединяющие в себе лучшие качества нейронных сетей и нечетких систем [46].
На постсоветском пространстве существует развитая научная школа «общей теории нечетких множеств», вместе с тем очень немногие из известных авторов занимались
применением теории нечетких множеств в образовании. Перспективным, на наш взгляд, является использование аппарата нечеткой логики при разработке экспертных систем для дистанционного обучения.
Прототипирование экспертной системы для дистанционного обучения.
Структура систем, основанных на знаниях, может иметь следующий вид: извлечение знаний из различных источников; интеграция знаний; приобретение знаний от профессионалов; организация работы с экспертами; оценка и формализация знаний; базы знаний; обобщение знаний и др.
Проблемная область дистанционного обучения нами введена в традиционную схему (рис. 1).
Оболочка ЭС
с МЛВ \
ч У
Проблемная • область •
Рис. 1. Структура экспертной системы
Взаимодействие между МЛВ и базой знаний осуществляется специальной программой. Ее принято называть оболочкой экспертной системы. Пользователь приложения, передавая различные запросы к системе, «общается» с ней через оболочку. Оболочка ЭС дает толчок к работе машины логического вывода (МЛВ), которая выполняет следующие действия: обращается к базе знаний, извлекает знания, которые необходимы для достоверного ответа на вопрос, передает этот сформировавшийся ответ пользователю, например, в виде рекомендации, ответа или решения проблемы.
Проблемной (предметной) областью обычно называют совокупность взаимосвязанных сведений, которые необходимы и достаточны для решения некоторого класса задач. Знания о предметной области вклю-
чают в себя описания объектов, явлений, фактов, а также отношения между ними.
Прототипом системы обычно называют усеченную рабочую версию ЭС, которая спроектирована для правильности кодирования фактов, связей и стратегий рассуждений эксперта. В процессе его разработки участвуют различные специалисты: эксперт в той проблемной области, на которую ориентирована ЭС, инженер по знаниям - специалист по разработке экспертных систем, программист - специалист по разработке инструментальных средств.
Рассмотрим работу каждого участника коллектива, ответственного за создание системы.
Эксперт определяет знания, которые характеризуют проблемную область, обеспечивает полноту и правильность введенных в экспертную систему знаний, оценивает полученные системой решения в процессе разработки.
Инженер по знаниям помогает эксперту выявить и формализовать знания. Он выбирает инструментальные средства, которые наиболее подходят для представления знаний и реализации экспертной системы.
Программист разрабатывает компоненты ЭС. Деятельность ответственного за разработку системы, относится к программированию (которое называют интеллектуальным).
База знаний прототипа экспертной системы для дистанционного обучения должна состоять из различных подсистем (предмет-
ных областей), которые будут подключаться к системе.
На рисунке 2 представлена разработанная нами структура подсистем базы знаний прототипа экспертной системы для дистанционного обучения.
На основе анализа публикаций и личного опыта организации дистанционного обучения сделан вывод о том, что интеллектуальные подсистемы могут быть организованы на разной теоретической и программной основе в виде подключаемых к системе отдельных модулей (табл. 1).
Подсистема коммуникаций
...... Прототип ЭС в ДО
: Подсистема проектной деятельности
Подсистема бизнес
......
Общение с преподавателем, др. участниками проекта
Как связаться с ■ преподавателем? ^
Вы хотите воспользоваться системой ДО? Вы хотите воспользоваться другими системами? ■ Вы хотите воспользоваться другими системами? I
Сетевой этикет при общение участниками проекта
Можно ли использовать с^ои сообщения для рекламы?
Можноли использовать *
■ сокращения приобщении?
■ Как соблф^ть сетевой этикет?
4КЗкие существуют правил а ° этикета при общении в сети Интернет?
Учебный проект
НИРС
Что в'е^бя включает
- э к сперУндя оценка
проекта?
ВкакЬй сфере щржно созда вать п р о ектй? Персональные илр>фуппо-вьр проекты: что" эффективней? Ка^происхАдит мЬдели^ование проекта?
Какие^ели преследует — нцуФ-ю-техническая работа Студентов?
Что является решающим при выборе продукта проектной деятельности? Что такое Бизнес-план? „ Какие виды инновационной —Деятельности существуют?
Программные средства для общения в Интернет
Какусгановить скайп? Как создать почтовый ящик?
Ка к до б авить э л е ме нт кур са чат?
Как использовать для связи черезЗкуре гарнитуру, микрофон или динамики?
Финансовая научных
поддержка оток
Какие организации предоставляют гранты? Ка кая деяте л ьн о сть оплачивается грантами? Как начать общение с фондами?
Как получить финансирование для франшизы?
Осуществление платежей/покупок { Интернет]
Какие бывают безналичные платежи?
Как пользоваться электронным билетом? Как делать покупки на Ebay.com?
eBay, Paypal, интернет-магазины не принимают пл атежну ю ка рту S То дел ать?
Рис. 2. Структура подсистем базы знаний прототипа ЭС для ДО
Таблица 1
Соответствие применяемой интеллектуальной системы и элементов компонентов интерфейса СДО
№ п/п Название элемента системы Содержание элемента системы Применяемая интеллектуальная система Решение задач системы
1 Административный Регистрация в системе и настройка персонального интерфейса ЭС на основе четкой модели представления знаний с использованием скриптового языка PHP среды разработки Moodle, ЭС на основе нелинейной структуры системы (wiki-технология) Регистрация в системе, управление дизайном системы, создание страницы с личными данными в системе
2 «Деканат» Информационная поддержка по организационным вопросам обучения ЭС на основе нелинейной структуры системы (wiki-технология) Запись на курсы, знакомство с расписанием и журналом посещения и оценок
№ п/п Название элемента системы Содержание элемента системы Применяемая интеллектуальная система Решение задач системы
3 Информационно-знаниевая Содержательное наполнение ЭС на основе четкой модели представления знаний с использованием скриптового языка PHP среды разработки Moodle Обучение на дистанционных курсах в СДО
4 Контроля и самоконтроля Самоконтроль процесса обучения ЭС на основе четкой модели представления знаний с использованием скриптового языка PHP среды разработки Moodle Самопроверка успешности обучения
5 Лабораторные практикумы Выполнение виртуальных и реальных лабораторных практикумов ЭС на основе четкой модели представления знаний с использованием скриптового языка PHP среды разработки Moodle Знакомство с готовыми примерами лабораторных работ, опытов и экспериментов, выполнение виртуальных и реальных лабораторных работ и проведение экспериментов для ПД
6 Подсистема коммуникаций Общение со всеми участниками образовательного процесса ЭС на основе нелинейной структуры системы (wiki-технология) Получение консультаций, налаживание контактов, коммуникации внутри СДО, с внутренними и внешними партнерами
7 Подсистема проектной деятельности Выполнение учебных проектов,участие в научно-исследовательской работе ЭС на основе четкой модели представления знаний с использованием скриптового языка PHP среды разработки Moodle Определение содержания проекта, построение модели ПД, поиск путей решения задач, организация работы в команде, защита работы, продвижение результатов на рынок технологий
8 Библиотека учебных материалов Получение дополнительных учебных и научных материалов ЭС на основе четкой модели представления знаний с использованием скриптового языка PHP среды разработки Moodle Поиск учебной и научной литературы в университетской библиотеке, в сети Интернет
9 «Бизнес» Получение финансовой поддержки на научную разработку, оплата услуг через Интернет ЭС на основе нелинейной структуры системы (wiki-технология) Поиск партнеров для организации совместных исследований, финансовой поддержки исследований
10 Платежная Получение платных услуг и обеспечение финансовой поддержки процесса обучения ЭС на основе нелинейной структуры системы (wiki-технология) Оплата доп. расходов при проведении НИР и осуществлении проектной деятельности
Прототип экспертной системы для дистанционного обучения, внедренный в систему дистанционного обучения «MOODLE» по адресу http://93.186.104.71/expert, разрабатывался на основе четкой модели представления знаний с использованием скриптового языка PHP среды разработки Moodle.
Система позволяет получить консультацию по проблемным областям знаний: подсистема «Проектной деятельности», подсистема «Бизнес», подсистема «Коммуникации». Предоставляет возможность задавать вопрос специалисту и выбирать из вопросов, представленных в разделах.
Литература
Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. М.: Финансы и статистика, 2006. 424 с. Югова Н.Л. Конструирование содержания профильного обучения с применением экспертной системы: автореф. дис. ... канд. пед. наук. Ижевск, 2006. 19 с. Антипина Н.М. Технология формирования профессиональных методических умений в ходе самостоятельной работы студентов педагогических вузов с применением экспертной системы: дис. ... канд. пед. наук. М., 2000. 184 с.
Кирюхина Н.Л. Модель экспертной системы диагностики знаний студентов по психологии: дис. ... канд. психол. наук. М., 1998. 184 с. Гречин И.В. Новый подход к экспертной системе в технологии обучения // Известия ТРТУ. Таганрог: ТРТУ, 2001. № 4. С. 343-44.
6. Баранова Н.А. К вопросу о применении экспертных систем в непрерывном педагогическом образовании // Образование и наука. 2008. № 4. С. 24-28.
7. Моисеев В.Б., Андреев А.Б. Внутривузовская система обеспечения качества подготовки специалистов // Инженерное образование.
2005. № 3. С. 62-74.
8. Мягкова Е.В. Роль и возможность применения экспертных систем как информационных технологий в сфере высшего образования // Информационные технологии в проектировании и производстве. 2008. № 1. С. 13-15.
9. Московкин В.М. Имитационная экспертная система выбора университетов для обучения // НТИ. Сер. 2. 2009. № 10. С. 19-21.
10. Левина Е.Ю. Внутривузовская диагностика качества обучения на основе автоматизированной экспертной системы: автореф. дис. ... канд. пед. наук. Казань, 2008. 25 с.
11. Смирнова М.А. Применение экспертной системы для оценки качества педагогической подготовки будущего учителя: дис. ... канд. пед. наук. Тула, 1997. 186 с.
12. Болотова Л.С. [и др.] Адаптивное дистанционное обучение принятию решений на основе технологии экспертных систем ситуационного управления муниципальными образованиями и малым бизнесом // Научные исследования. Вып. 5. Ежегодный отчет об основных результатах научно-исследовательских работ, 2003. М., 2004. 48 с.
13. Берестнева О.Г., Марухина О.В. Компьютерная система принятия решений по результатам экспертного оценивания в задачах оценки качества образования // Современное образование: системы и практика обеспечения качества: мат-лы региональной научно-методической конференции (Томск, 29-30 янв. 2002 г.). Томск, 2002. С. 29-30.
14. Снижко Е.А. Методика применения экспертных систем для корректировки процесса обучения и оценки эффективности III 1С: дис. ... канд. пед. наук. СПб., 1997. 167 с.
15. Тоискин В.С. Интеллектуальные информационные системы: учебное пособие. Ч. 2. Ставрополь: Изд-во СГПИ, 2010. 188 с.
16. Экспертная система оценки эффективности обучения на основе математического аппарата нечеткой логики / И.В. Солодовников [и др.] // Качество. Инновации. Образование.
2006. № 1. С. 19-22.
17. Самойло И.В., Жуков Д.О. Информационные технологии в обеспечении нового качества высшего образования // Информационные технологии в обеспечении нового качества высшего образования: сборник научных статей. М.: Исследовательский центр проблем
качества подготовки специалистов НИТУ "МИСиС", 2010. Кн. 2. С. 89-95.
18. Мелихова О.А., Мелихова З.А. Использование нечеткой математики при моделировании систем искусственного интеллекта // Известия ТРТУ: в 2 т. Таганрог: Изд-во ТРТУ. 2007. С. 113-119.
19. Попов Д.И. Проектирование интеллектуальных систем дистанционного образования // Известия Южного федерального университета. Технические науки. 2001. Т. 22. № 4. С. 325-332.
20. Интеллектуальная образовательная среда дистанционного обучения / С.В. Астанин [и др.] // Новости искусственного интеллекта. М., 2003. № 1.
21. Самигулина Г.А. Интеллектуальная экспертная система дистанционного обучения на основе искусственных иммунных систем // Информационные технологии моделирования и управления. 2007. Вып. 9 (43). С. 1019-1024.
22. Зубов А.В., Денисова Т.С. Создание комплексных экспертных Интернет-систем для дистанционного обучения // Информатизация образования и науки. М.: Государственный научно-исследовательский институт информационных технологий и телекоммуникаций, 2010. 187 с.
23. Никитаев В.Г., Бердникович Е.Ю. Разработка мультимедийных курсов дистанционного обучения врачей по гистологической и цитологической диагностике с применением экспертных систем // Фундаментальные исследования. 2007. № 12. С. 334-334.
24. Zadeh L. Fuzzy Sets // Information and Control. 1965. P. 338-530.
25. Спицын В.Г., Цой Ю.Р. Представление знаний в информационных системах: учебное пособие. Томск: Изд-во ТПУ, 2006. 146 с.
26. Достоверный и правдоподобный вывод в интеллектуальных системах / Вагин В.Н. [и др.]; под ред. В.Н. Вагина, Д.А. Поспелова. М.: ФИЗМАТЛИТ, 2004. 704 с.
27. Варшавский П.Р., Еремеев А.П. Методы правдоподобных рассуждений на основе аналогий и прецедентов для интеллектуальных систем поддержки принятия решений // Новости искусственного интеллекта. 2006. № 3. С. 39-62.
28. Хлебалкин И.В. Представление знаний в экспертных системах [Электронный ресурс] // Математика, информатика, естествознание в экономике и обществе: тезисы Всерос. на-учно-практ. конф. URL: http://www.mfua.ru/ temp/file/konf_1/2_7.doc.
29. Кофман А. Введение в теорию нечетких множеств / пер. с англ. М.: Радио и связь, 1982. 432 с.
30. Демидова Л.А. Развитие методов теории нечетких множеств и генетических алгоритмов для задач поддержки принятия решений в условиях неопределенности: дис. ... канд. техн. наук. Рязань, 2009. 532 с.
31. Ершова Н.Ю. Нечеткие прикладные системы // Тезисы одиннадцатой науч.-техн. конф. МГТУ (Мурманск, 19-29 апреля 2000 г.). Мурманск: Изд-во МГТУ, 2000. С.85.
32. Ярушкина Н.Г., Афанасьева Т.В., Перфильева И.Г. Интеллектуальный анализ временных рядов: учебное пособие. Ульяновск: Ул-ГТУ, 2010. 320 с.
33. Нечеткие модели рейтинговых систем оценки знаний / В.Г. Домрачев [и др.] // Телематика. 2001: Труды Междунар. научно-метод. конф. СПб., 2001. С. 245-246.
34. Нурматова Е.В. Применение адаптивной ней-ро-нечеткой системы для моделирования рейтинговой оценки знаний // Интегрированные модели и мягкие вычисления в искусственном интеллекте: V Междунар. научно-практ. конф. (28-30 мая 2009 г.). Коломна, 2009. С. 4.
35. Жданов А.А., Караваев М.В. Применение нечеткой логики в имитационной системе автономного адаптивного управления // Труды Института Системного Программирования Российской Академии Наук. М.: ИСП РАН, 2002. Т. 3. С. 119-135.
36. Федосин С.А., Фролов Д.А. Применение системы нечеткого вывода по Мамдани с целью решения задачи прописки эстафетных передач в GSM сетях // Инфокоммуникационные технологии. 2007. Т. 5. № 1. С. 37-41.
37. Казаченко Е.В., Фонотов А.М. Структура экспертной системы проверки знаний по результатам тестирования [Электронный ресурс]. URL: http://masters.donntu.edu.ua/2010/ fknt/kazachenko/library/article_kazach.pdf.
38. Челышкова М.Б. Теория и практика конструирования педагогических тестов: учебное пособие. М.: Логос, 2002. 432 с.
39. Экспертные системы: структура и классификация [электронный ресурс]. URL: http://www. ssti.ru.
40. Rasch G. Probabilistic Models for Some Intelligence and Attainment Tests // Copenhagen, Denmark: Danish Institute for Educational Research, 1960.
41. Брейкин T.B., Камалова Л.З., Попкова С.Я., Карташевская А.А. Проектирование экспертных систем медицинской диагностики на базе нечеткой логики с применением методов системного моделирования // Управление в сложных системах: межвузовский науч. сборник. Уфа: УГАТУ, 1999. С. 127-134.
42. Никольский С. Нечетко едешь - дальше будешь // Компьютера. 2001. № 38.
43. Макеева A.B. Основы нечеткой логики: учебное пособие для вузов. Н. Новгород: BГИПУ, 2009. 59 с.
44. Использование нечеткой логики при построении экспертной системы / Зартенова Л.Г. [и др.] [Электронный ресурс] // Publishing house Education and Science s.r.o. URL: http://www. rusnauka.com/1б_NPRT_2009/Informatica/47500. doc.htm.
45. Белослудцева О., Беляева Ю. Нечеткие множества. Нечеткая логика. [Электронный ресурс]. URL: http://rain.ifmo. ru/cat.
46. Борисов B.B., Круглов B.B., Федулов A.C Нечеткие модели и сети. М.: Горячая линия. Телеком, 2007. 284 c.
References
1. Andreychikov A.V., Andreychikova O.N. Intel-lektual'nye informatsionnye sistemy. M.: Finansy i statistika, 200б. 424 s.
2. Yugova N.L. Konstruirovanie soderzhaniya pro-fil'nogo obucheniya s primeneniem ekspertnoy sistemy: avtoref. dis. ... kand. ped. nauk. Izhevsk, 200б. 19 s.
3. Antipina N.M. Tehnologiya formirovaniya pro-fessional'nyh metodicheskih umeniy v hode sa-mostoyatel'noy raboty studentov pedagogiche-skih vuzov s primeneniem ekspertnoy sistemy: dis. ... kand. ped. nauk. M., 2000. 184 s.
4. Kiryuhina N.L. Model' ekspertnoy sistemy diag-nostiki znaniy studentov po psihologii: dis. ... kand. psihol. nauk. M., 1998. 184 c.
5. Grechin I.V. Novyj podhod k ekspertnoy sisteme v tehnologii obucheniya // Izvestiya TRTU. Taganrog: TRTU, 2001. № 4. S. 343-344.
6. Baranova N.A. K voprosu o primenenii ekspert-nyh sistem v nepreryvnom pedagogicheskom ob-razovanii // Obrazovanie i nauka. 2008. № 4. S. 24-28.
7. Moiseev V.B., Andreev A.B. Vnutrivuzovskaya sistema obespecheniya kachestva podgotovki spetsialistov // Inzhenernoe. obrazovanie. 2005. № 3. S. б2-74.
8. Myagkova E.V. Rol' i vozmozhnost' primeneniya ekspertnyh sistem kak informatsionnyh tehnolo-giy v sfere vysshego obrazovaniya // Informat-sionnye tehnologii v proektirovanii i proiz-vodstve. 2008. № 1. S. 13-15.
9. Moskovkin V.M. Imitatsionnaya ekspertnaya sistema vybora universitetov dlya obucheniya // NTI. Ser. 2. 2009. № 10. S. 19-21.
10. Levina E.Yu. Vnutrivuzovskaya diagnostika ka-chestva obucheniya na osnove avtomatizirovan-noy ekspertnoy sistemy: avtoref. dis. ... kand. ped. nauk. Kazan', 2008. 25 s.
11. Smirnova M.A. Primenenie ekspertnoy sistemy dlya otsenki kachestva pedagogicheskoy podgo-
tovki buduschego uchitelya: dis. ... kand. ped. nauk. Tula, 1997. 186 s.
12. Bolotova L.S. [i dr.] Adaptivnoe distantsionnoe obuchenie prinyatiyu resheniy na osnove tehno-logii ekspertnyh sistem situatsionnogo upravle-niya munitsipal'nymi obrazovaniyami i malym biznesom // Nauchnye issledovaniya. Vyp. 5. Ez-hegodnyj otchet ob osnovnyh rezul'tatah nauch-no-issledovatel'skih rabot, 2003. M., 2004. 48 s.
13. Berestneva O.G., Maruhina O.V. Komp'yuter-naya sistema prinyatiya reshenij po rezul'tatam 'ekspertnogo ocenivaniya v zadachah ocenki ka-chestva obrazovaniya // Sovremennoe obrazova-nie: sistemy i praktika obespecheniya kachestva: mat-ly regional'noj nauchno-metodicheskoj kon-ferencii (Tomsk, 29-30 yanv. 2002 g.). Tomsk, 2002. S. 29-30.
14. Snizhko E.A. Metodika primeneniya 'ekspertnyh sistem dlya korrektirovki processa obucheniya i ocenki 'effektivnosti PPS: dis. ... kand. ped. nauk. SPb., 1997. 167 c.
15. Toiskin V.S. Intellektual'nye informacionnye sistemy: uchebnoe posobie. Ch. 2. Stavropol': Izd-vo SGPI, 2010. 188 s.
16. 'Ekspertnaya sistema ocenki 'effektivnosti obucheniya na osnove matematicheskogo appa-rata nechetkoj logiki / I.V. Solodovnikov [i dr.] // Kachestvo. Innovacii. Obrazovanie. 2006. № 1. S. 19-22.
17. Samojlo I.V., Zhukov D.O. Informacionnye tehnologii v obespechenii novogo kachestva vysshego obrazovaniya // Informacionnye tehnologii v obespechenii novogo kachestva vysshego obrazovaniya: sbornik nauchnyh statej. M.: Issle-dovatel'skij centr problem kachestva podgotovki specialistov NITU "MISiS", 2010. Kn. 2. S. 89-95.
18. Melihova O.A., Melihova Z.A. Ispol'zovanie nechetkoj matematiki pri modelirovanii sistem iskusstvennogo intellekta // Izvestiya TRTU: v 2 t. Taganrog: Izd-vo TRTU. 2007. S. 113-119.
19. Popov D.I. Proektirovanie intellektual'nyh sistem distancionnogo obrazovaniya // Izvestiya Yuzh-nogo federal'nogo universiteta. Tehnicheskie nauki. 2001. T. 22. № 4. S. 325-332.
20. Intellektual'naya obrazovatel'naya sreda distancionnogo obucheniya / S.V. Astanin [i dr.] // Novosti iskusstvennogo intellekta. M., 2003. № 1.
21. Samigulina G.A. Intellektual'naya 'ekspertnaya sistema distancionnogo obucheniya na osnove iskusstvennyh immunnyh sistem // Informacion-nye tehnologii modelirovaniya i upravleniya. 2007. Vyp. 9 (43). S. 1019-1024.
22. Zubov A.V., Denisova T.S. Sozdanie kompleks-nyh ekspertnyh Internet-sistem dlya distancionnogo obucheniya // Informatizaciya obrazovaniya i nauki. M.: Gosudarstvennyj nauchno-issledovatel'skij institut informacionnyh tehnolo-gij i telekommunikacij, 2010. 187 c.
23. Nikitaev V.G., Berdnikovich E.Yu. Razrabotka mul'timedijnyh kursov distancionnogo obucheniya vrachej po gistologicheskoj i citologiche-skoj diagnostike s primeneniem 'ekspertnyh sistem // Fundamental'nye issledovaniya. 2007. № 12. S. 334-334.
24. Zadeh L. Fuzzy Sets // Information and Control. 1965. P. 338-530.
25. Spicyn V.G., Coj Yu.R. Predstavlenie znanij v informacionnyh sistemah: uchebnoe posobie. Tomsk: Izd-vo TPU, 2006. 146 s.
26. Dostovernyj i pravdopodobnyj vyvod v intellektual'nyh sistemah / Vagin V.N. [i dr.]; pod red. V.N. Vagina, D.A. Pospelova. M.: FIZMATLIT, 2004. 704 s.
27. Varshavskij P.R., Eremeev A.P. Metody pravdo-podobnyh rassuzhdenij na osnove analogij i precedentov dlya intellektual'nyh sistem podder-zhki prinyatiya reshenij // Novosti iskusstvennogo intellekta. 2006. № 3. S. 39-62.
28. Hlebalkin I.V. Predstavlenie znanij v 'ekspertnyh sistemah ['Elektronnyj resurs] // Matematika, in-formatika, estestvoznanie v 'ekonomike i obsches-tve: tezisy Vseros. nauchno-prakt. konf. URL: http://www.mfua.ru/temp/file/konf_1/2_7.doc.
29. Kofman A. Vvedenie v teoriyu nechetkih mno-zhestv / per. s angl. M.: Radio i svyaz', 1982. 432 s.
30. Demidova L.A. Razvitie metodov teorii nechetkih mnozhestv i geneticheskih algoritmov dlya zadach podderzhki prinyatiya reshenij v usloviyah neopredelennosti: dis. ... kand. tehn. nauk. Ryazan', 2009. 532 s.
31. Ershova N.Yu. Nechetkie prikladnye sistemy // Tezisy odinnadcatoj nauchno-tehn. konf. MGTU (Murmansk, 19-29 aprelya 2000 g.). Murmansk: Izd-vo MGTU, 2000. S.85.
32. Yarushkina N.G., Afanas'eva T.V., Perfil'-eva I.G. Intellektual'nyj analiz vremennyh ryadov: uchebnoe posobie. Ul'yanovsk: UlGTU, 2010. 320 s.
33. Nechetkie modeli rejtingovyh sistem ocenki znanij / V.G. Domrachev [i dr.] // Telematika. 2001: Trudy Mezhdunar. nauchno-metod. konf. SPb., 2001. S. 245-246.
34. Nurmatova E.V. Primenenie adaptivnoj nejro-nechetkoj sistemy dlya modelirovaniya rejtingo-voj ocenki znanij // Integrirovannye modeli i myagkie vychisleniya v iskusstvennom intellekte: V Mezhdunar. nauchno-prakt. konf. (28-30 maya 2009 g.). Kolomna, 2009. S. 4.
35. Zhdanov A.A., Karavaev M.V. Primenenie nechetkoj logiki v imitacionnoj sisteme avtonomno-go adaptivnogo upravleniya // Trudy Instituta Sis-temnogo Programmirovaniya Rossijskoj Akademii Nauk. M.: ISP RAN, 2002. T. 3. s. 119-135.
36. Fedosin S.A., Frolov D.A. Primenenie sistemy nechetkogo vyvoda po Mamdani s cel'yu resheniya zadachi propiski 'estafetnyh peredach
v GSM setyah // Infokommunikacionnye tehnologii. 2007. T. 5. № 1. S. 37-41.
37. Kazachenko E.V., Fonotov A.M. Struktura 'eks-pertnoj sistemy proverki znanij po rezul'tatam testirovaniya ['Elektronnyj resurs]. URL: http:// masters.donntu.edu.ua/2010/fknt/kazachenko/ library/article_kazach.pdf.
38. Chelyshkova M.B. Teoriya i praktika konstruiro-vaniya pedagogicheskih testov: uchebnoe poso-bie. M.: Logos, 2002. 432 s.
39. 'Ekspertnye sistemy: struktura i klassifikaciya ['Elektronnyj resurs]. URL: http://www.ssti.ru.
40. Rasch G. Probabilistic Models for Some Intelligence and Attainment Tests // Copenhagen, Denmark: Danish Institute for Educational Research, 1960.
41. Brejkin T.B., Kamalova L.Z., Popkova S.Ya., Kartashevskaya A.A. Proektirovanie 'ekspertnyh sistem medicinskoj diagnostiki na baze nechetkoj logiki s primeneniem metodov sistemnogo modelirovaniya // Upravlenie v slozhnyh sistemah: mezhvuzovskij nauch. sbornik. Ufa: UGATU, 1999. S. 127-134.
42. Nikol'skij S. Nechetko edesh' - dal'she budesh' // Komp'yutera. 2001. № 38.
43. Makeeva A.V. Osnovy nechetkoj logiki: uchebnoe posobie dlya vuzov. N. Novgorod: VGIPU, 2009. 59 s.
44. Ispol'zovanie nechetkoj logiki pri postroenii 'ekspertnoj sistemy / Zartenova L.G. [i dr.] ['Elektronnyj resurs] // Publishing house Education and Science s.r.o. URL: http://www.rus-nauka.com/16_NPRT_2009/Informatica/47500. doc.htm.
45. Belosludceva O., Belyaeva Yu. Nechetkie mno-zhestva. Nechetkaya logika. ['Elektronnyj resurs]. URL: http://rain.ifmo.ru/cat.
46. Borisov V.V., Kruglov V.V., Fedulov A.S. Nechetkie modeli i seti. M.: Goryachaya liniya. Telekom, 2007. 284 c.
USING EXPERT SYSTEMS IN THE PUBLIC EDUCATION
A.A. Molchanov
Tambov State University named after G.R. Derzhavin, Tambov, Russia. e-mail: ykdosto@gmail.com
The article examines the experience of using expert systems in open education system. The directions of development of expert systems in education. Conclusion about the necessity of application of fuzzy logic for the development of expert systems used in outdoor education. An example of the implementation of a prototype expert system for distance learning technologies.
Key words: knowledge base, a field of knowledge, expert system, distance learning, open education system.
УДК 004.056
РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ «КОНТРОЛЬ ЗА ДЕЙСТВИЯМИ СОТРУДНИКОВ ОРГАНИЗАЦИИ»
В.В. Борецкий
Тамбовский государственный университет имени Г.Р. Державина, Россия, г. Тамбов.
e-mail: ccs@tsutmb.ru
В статье рассмотрена разработка оригинального программного обеспечения по контролю за действиями сотрудников организации. Показаны структура программного продукта, функциональные особенности, методы и средства реализации.
Ключевые слова: программный продукт, разработка, контроль сотрудника, C#, NET Framework.
В настоящее время множество организаций терпит упущенную выгоду - неполученные доходы, которые лицо (руководство организации) получило бы при обычных условиях гражданского оборота, если бы его право не было нарушено [1, ст. 15]. Одной из причин упущенной выгоды являются неэффективные сотрудники. Такие сотрудники плохо выполняют или полностью не выполняют возложенные на них обязанности. Неэффективная деятельность сотрудников не только влияет на доходы организации, но и
способствует угрозам информации организации. Одним из решений по борьбе с данной проблемой является внедрение в систему безопасности организации программных продуктов по контролю за действиями сотрудников. Цель работы - разработка оригинального программного продукта по контролю за действиями сотрудников.
Программное обеспечение «Контроль за действиями сотрудников организации» содержит набор функций, помогающий контролировать деятельность сотрудников за
