CC BY
48
УДК 004.422.8+378.14
Е. Е. Котова, канд. техн. наук,
Санкт-Петербургский государственный электротехнический университет «ЛЭТИ»
Учет деятельности человека и проблемы автоматизации образования
Ключевые слова: интеллектуальные технологии в образовании, стратегии обучения, мониторинг, компетенции, модели пользователя
Рассматриваются вопросы современного состояния разработок систем автоматизированного обучения. Представлена структура комплекса интеллектуальной поддержки процесса обучения (ИППО «ОнтоМастер» ), включающая инструменты управления процессом обучения, мониторинга, формирования когнитивной модели пользователя.
Разработка прогрессивных технологий обучения и их внедрение в образовательные структуры относятся к важнейшим задачам инновационного развития образовательного процесса.
Современные средства информационных технологий позволяют значительно совершенствовать и реализовывать высокий уровень автоматизированного обслуживания процесса обучения. Проблемы автоматизации образования, образовательных технологий в настоящее время все больше ориентируются на доминирование роли человека (как разработчика, так и пользователя), что отмечается многими авторами. Например, авторы статьи [1] утверждают, что «темпы и направления перемен определяются сегодня уже не вычислительной техникой как таковой, не программными средствами, а людьми, их готовностью к переменам, их запросами и уровнем компетенций».
В основе, несомненно, лежит концепция психологического исследования личности в контексте ее социального бытия, включенности в систему общественных связей и отношений, идеи одного из создателей и ведущих специалистов в области отечественной инженерной психологии Бориса Федоровича Ломова, исследования когнитивной, регулятивной, коммуникативной функций в деятельности человека. Б. Ф. Ломов отмечал, что понятие «профессионализма» специалиста превращается в самостоятельную область исследования, наблюдается переход от исследования специалиста как фактора к изучению непосредственно его процессуальных характеристик на всех уровнях анализа — методологическом, теоретическом, конкретно-эмпирическом. В настоящее время в связи с новыми подходами к исследованиям в области становления профессионала, в частности в области обу-
чения и образования, проблемы автоматизации образования приобретают новую актуальность.
В круг задач автоматизации процессов обучения входят задачи управления процессом, оценки ресурсов знаний и информации, мониторинга и диагностики, заключающиеся в следующем: выявлении ресурсов знаний и имеющихся источников информации о предметной области; определении задач управления обучением; определении стратегий обучения (поведения обучающей программы); выявлении информационных потребностей пользователей; разработке моделей пользователей и моделей мотивации пользователей. Главное значение в этом аспекте приобретает рассмотрение моделей обучения, которые лежат в основе разработок автоматизированных систем с применением интеллектуальных технологий.
В результате обзора существующих работ можно выделить три класса направлений разработок с использованием интеллектуальных технологий в образовании: 1) интеллектуальные обучающие системы (ИОС), в основе которых лежат процессы коммуникации и передачи знаний преподавателями, перераспределение обучающих функций между преподавателем и компьютером; 2) эксперт-но-обучающие системы (ЭОС), в которых осуществляется программная поддержка содержания, стратегий и методик обучения; 3) интеллектуальные учебные среды (ИУС), т. е. комплексы программ, акцентирующие главную роль на взаимодействии студента с компьютерной системой [2]. П. Брусиловский отдельно выделяет интеллектуальные обучающие среды (ИОС), включающие специальный компонент для поддержки обучения, управляемого студентом [3].
До недавнего времени рядом исследователей отмечалось противоречие между растущими техническими возможностями аппаратно-программных средств современных компьютеров и низкой дидактической эффективностью построенных на их основе автоматизированных обучающих систем [4]. Проведенный Е. И. Машбицем анализ данных российских и зарубежных авторов в отношении эффективности АОС позволил сделать вывод, что «число неэффективных обучающих программ превышает 80 % всех программ, имеющихся в обра-
щении, а число высокоэффективных обучающих программ составило менее 5 %» [4].
В целях повышения эффективности разрабатываемых систем все больше акцентируется внимание на индивидуализации обучения, особом отношении к пользователю-обучаемому, поддержке самостоятельной деятельности учащихся, разработках формализованных моделей, систем управления учебной деятельностью, что не обходится без привлечения к разработкам психолого-педагогических методов.
Цель нашей работы — разработка автоматизированного комплекса (инструментария) интеллектуальной поддержки процесса обучения, включающего систему мониторинга процесса управления контролем знаний и диагностики параметров пользователя. В основе разработки используются принципы онтологического инжиниринга и когнитивные модели пользователя.
Психолого-педагогические проблемы создания и применения компьютерных обучающих программ исследовались в работах многих зарубежных (Р. Аткинсон, Ф. Джордж, Н. Краудер, М. Линард, Б. Скиннер и др.) и отечественных (А. И. Берг, В. П. Беспалько, Т. В. Габай, В. Я. Ляудис, Е. И. Маш-биц, Н. Ф. Талызина, О. К. Тихомиров, Ю. А. Шрей-дер идр.) ученых.
Проведенный анализ существующих подходов к разработкам моделей пользователя позволил оценить параметры, которые используются для построения моделей. Предлагаемые подходы в построении моделей в основном учитывают параметры психофизиологической и познавательной сфер. В работах, например, Д. Колба, А. Б. Нокса, П. Хан-ни, А. Мамфорда, П. Жарвиса, А. Роджерса акцентируется внимание на важности учета когнитивных стилей в процессе обучения [5-7]. Предлагаются классификации обучаемых в зависимости от предпочитаемых стилей обучения. П. Жарвис исследовал возможное учебное поведение в процессе обучения и предложил категории параметров, сведенные в пары противоположностей, такие как: «активный — пассивный», «ассимилятор — акко-модатор», «конкретный — абстрактный», «фокусирующий — сканирующий» и др. Однако сам автор говорит о недостатках данного подхода, отмечая «размытость» границ. Также в существующих разработках так называемых «умных обучающих систем» [Intelligent Tutoring Systems (ITS)] акцентируется внимание на существовании значительных проблем, связанных с планированием диалога, учебным моделированием и обучающим руководством, на необходимости исследований моделей обучения внутри и для систем в основе технологий обучения с помощью методов искусственного интеллекта [Intelligent Computer Assisted Instruction (ICAI)]. Таким образом, обучающая система рассматривается как «система интеллектуального поведения» и должна обеспечивать отзывчивую сре-
ду и реактивные обучающие условия, ориентируясь на когнитивно-направленные модели обучения. Поставленные задачи позволяют сформировать требования к разработке модели пользователя (обучаемого) и входящим в нее параметрам.
В целях определения параметров модели проведены серии экспериментов по изучению характеристик пользователя, представляющих определенную значимость для работы в среде автоматизированной системы обучения. Это характеристики когнитивной познавательно-мыслительной сферы, касающиеся процессов восприятия, понимания и переработки информации. Экспериментальную выборку представили студенты санкт-петербургских вузов. Данные параметры изучались с помощью комплекса специально подобранных методик, после чего были проведены анализ и отбор параметров модели, уточнены способы их диагностирования. Результаты проведенных экспериментов позволили выполнить структурный анализ параметров модели. На основе этого анализа выделены и проранжированы по уровню значимости параметры модели пользователя (обучаемого).
При формировании параметров модели учитывались качества, которые принято уже сейчас называть «компетенциями». В быстро растущем объеме публикаций по данному направлению, как отечественных, так и зарубежных авторов, под компетенциями подразумеваются не только однозначно определяемые качества, а и интегральные. Это и профессионально значимые качества специалиста, формируемые в процессе изучения общих и специальных учебных дисциплин, и личностные качества, обеспечивающие успешность обучения и в будущем эффективность профессиональной деятельности.
В настоящее время в связи с ориентировкой на подготовку и обучение компетентного специалиста, что согласовывается и с требованиями работодателей, меняется и структура модели на компе-тентностно-ориентированную. Разработанная нами динамическая модель позволяет изменять и вносить необходимые параметры в соответствии с требованиями пользователей.
В предлагаемую модель пользователя включены когнитивные, регулятивные, социально-коммуникативные и психофизиологические параметры, составляющие основу структуры учебной деятельности учащегося [8].
Группа когнитивных параметров модели включает: познавательные стратегии (сенсорные предпочтения восприятия информации, умение анализировать и осуществлять выбор релевантной информации, организацию познавательных процессов, управление информационными потоками); характеристики мыслительных процессов (методы формирования умозаключений, аргументированность суждений); параметры сформированности понятийных структур (особенность организации метаког-
нитивного опыта, сформированность индивидуальных понятийных структур, метакогнитивную осведомленность); параметры когнитивных стилей («полезависимость-поленезависимость» и др.), индивидуальных стилей обучения [8].
Задачей диагностики модели является получение информации о текущем уровне когнитивной компетенции как интегральной характеристики учащегося и его потенциальных возможностей в целях предоставления информации рекомендательного характера для его дальнейшей обучения. В результате формируется интегрированный комплексный показатель уровня когнитивной компетентности с построением индивидуального когнитивного профиля.
Нами были проанализированы методологии проектирования обучающих систем, описанные в публикациях отечественных и зарубежных авторов: Агапонов С. В. и др., 2003; Алексеев А. Н., 2005; Башмаков А. И. и др.,2003; Моисеева М. В., 2004; Тавгень И. А., 2003; К. McNabb et al., 2007; S. Rüssel et al., 2006; C. Mehrotraet al., 2001; Linda К. Lau et al., 2000, а также реализуемые в системах дистанционного обучения, таких как: «Прометей» (www.prometeus.ru), Distance Learning Studio, eLearning Server (www.hypermethod.com), ОРОКС (Московский областной центр новых информационных технологий при МИЭТ), LearningSpace (Lotus Corporation), Web-CT (University of British Columbia), Blackboard, ToolBook (Sum Total Systems Inc.), Moodle (Open Source), Virtual-U (Virtual Learning Environments Inc.), FORUM (Forum Enterprises), Learning Server (Data Beam), Symposium (Centre Corporation), First Class (SoftArc Inc.), Top Class (WBT Systems 1м.)идр.
В настоящее время основные методологии интеграции информационных ресурсов основываются на следующих подходах.
1. Структурное проектирование (IDEF, SADT, ARIS и др.), основанное на алгоритмической декомпозиции системы на элементарные функции (функциональные подсистемы). Функциональные подсистемы, в свою очередь, делятся на подфункции, подразделяемые на задачи, и т. д. Разбиение продолжается вплоть до конкретных процедур. Создаваемая система сохраняет целостное представление, в котором все составляющие компоненты взаимоувязаны. Распространенные методологии структурного подхода базируются на общих принципах, базовыми среди которых являются: принцип решения сложных проблем путем их разбиения на множество меньших независимых задач, более легких для понимания и решения; принцип иерархического упорядочения, заключающийся в организации составных частей проблемы в иерархические древовидные структуры с добавлением новых деталей на каждом уровне.
2. Объектно-ориентированное проектирование, основанное на объектно-ориентированной деком-
позиции. Meтодология объектно-ориентированного проектирования на основе UML представляет собой результат обобщения и стандартизации OMG целого ряда методов, таких как рекурсивное проектирование С. Шлеера и С. Meллора, ориентированное на прототипирование метода П. ^уда, метод проектирования на основе ответственностей Вирса-Брока, метод OMT Д. Рамбо, метод вариантов использования A. Джекобсона и др. При объектной декомпозиции сокращаются сроки проектирования и снижается риск внедрения информационной системы за счет повторного использования общих компонентов, которые могут быть предварительно тщательно протестированы. В унифицированном языке моделирования UML определяются метамодель и нотация, которая представляет синтаксис языка моделирования в виде совокупности графических элементов. K минусам UML можно отнести недостаточную точность определения смысла понятий: ассоциации, кратности и даже класса. Поэтому у разработчиков возникает потребность в более строгом определении соответствующих понятий. K числу строгих языков для спецификации и проектирования в области формальных методов относятся исчисление предикатов, дескриптивная логика и др.
3. Проектирование, ориентированное на бизнес-процессы. Meтодология, разрабатываемая консорциумом Business Process Management Initiative (BPMI) и Object Management Group (OMG), включает спецификации стандартов Business Process Modeling Notation (BPMN), Business Process Modeling Language (BPML) и Business Process Query Language (BPQL), предназначенных для управления бизнес-процессами.
Meтодология, развиваемая в стандартах OMG, включает создание метамоделей для описания бизнес-процессов (Business Process Definition Metamodel — BPDM), бизнес-правил (Business Semantics of Business Rules and Production Rule Representation) и онтологии (Ontology Definition Metamodel). Означение BPDM — интеграция и обеспечение взаимодействия между различными моделями, например UML и BPMN.
Meтодология, развиваемая консорциумом Organization for the Advancement of Structured Information Standards (OASIS), включает использование языка Business Process Execution Language (BPEL), который расширяет модель взаимодействия веб-служб и вводит в эту модель поддержку транзакций.
^алиция по управлению системами потоков работ WfMC разрабатывает единую терминологию и стандарты обмена данными между системами управления потоками работ и прикладными системами.
4. Проектирование, ориентированное на управление знаниями и создание базы знаний. Онтологический подход к проектированию позволяет со-
здавать системы, в которых знания становятся «видимыми» и доступными для большинства пользователей. На основе онтологий можно разрабатывать «карты знаний» (K-maps), которые указывают явно на источники знаний, т. е. где и у кого можно эти знания получить. Особенно это важно для создания автоматизированных систем обучения, сочетающих традиционые технологии обучения с новыми, ориентированными на интегрированные базы знаний.
Таким образом, в настоящее время актуальной является проблема интеграции информационных ресурсов и систем, которые создаются по представленным методологиям.
Развиваемая в нашем проекте методология объединяет ряд подходов на основе семантической интеграции и принципов онтологического инжиниринга для интеграции разнородных информационных ресурсов.
В качестве технологической основы реализации нами выбраны многоагентная технология и архитектурные стили Reprsentation State Transfer (REST). Агенты выполняют функции адаптеров и обеспечивают подключение к мнооагентной системе информационных подсистем с различными архитектурами [Service — Oriented Architecture (SOA), Common-Object-Request Brocker (CORBA), Java Remote Method Invocation (RMI), XML-RPC]. На рис. 1 представлены структура эталонной модели и информационно-логическая структура комплекса интеллектуальной поддержки процесса обучения (ИППО) ОнтоМастер.
В структуру программного комплекса входят: 1) инструмент процесса формирования онтологий (ОнтоМастер-Конструктор); 2) инструмент диагностики модели пользователя (ОнтоМастер-Диагности-ка); 3) инструмент мониторинга процесса обучения (ОнтоМастер-Мониторинг); 4) инструмент процесса администрирования (ОнтоМастер-Администратор).
Инструмент процесса формирования онтологий (ОнтоМастер-Конструктор) включает визуальный конструктор обучающих структур знаний и инструмент графической навигации. Развиваемая нами методология структурирования знаний основывается на многоуровневом онтологическом подходе и представляет собой основу семантической интеграции информационных систем, разрабатываемых в рамках следующих четырех методологий структурирования информационных массивов: 1) алгоритмическая декомпозиция систем на элементарные функции и функциональные подсистемы, реализуемая в рамках методологии структурного проектирования на основе стандартов IDEF, SADT, ARIS и др.; 2) объектно-ориентированная декомпозиция, реализуемая в рамках методологии объектно-ориентированного проектирования на основе стандарта языка UML; 3) декомпозиция, ориентированная на бизнес процессы, реализуемая в рамках методологии управления
потоками работ на основе стандартов BPMD, BPMN, OASIS, WfMC и др.; 4) декомпозиция на метаданные, модули управления последовательностями и навигацией, учебные модули, пакеты и ресурсы, реализованная в рамках методологии проектирования, ориентированного на управление знаниями и создание базы знаний организации на основе стандартов ADL, LOM, SCORM и др. В число функций инструментария онтологического инжиниринга входят:
• импорт онтологий, разработанных в программных средствах Prot^g^ и MindJet;
• средства автоматического создания и анализа словарей терминов из текстов нормативно-методических документов и учебных курсов (TextMining);
• средства автоматического поиска закономерностей в данных (DataMining);
• визуальное создание и редактирование онто-логий;
• хранение онтологических описаний в базе данных;
• разработка учебных модулей на основе онто-логий;
• генерация модулей учебных курсов и метаданных в форматах LOM, SCORM;
• визуализация, поиск и навигация с использованием онтологий в режимах off-line и on-line.
Инструмент диагностики модели пользователя (ОнтоМастер-Диагностика) представляет программный комплекс диагностики когнитивных параметров специалиста, реализует девять модифицированных диагностических методик и позволяет диагностировать когнитивные параметры специалиста в виде комплексной модели. Оценка параметров когнитивной модели специалиста осуществляется на основе опроса и выполнения заданий по девяти модифицированным методикам с последующей обработкой результатов. В модели используются методы кластерного анализа, дискриминант-ного анализа, интеллектуального анализа данных, которые позволяют соотнести полученные индивидуальные когнитивные профили с соответствующими классами.
Инструмент мониторинга процесса обучения (ОнтоМастер-Мониторинг) осуществляет:
• контроль качества обучения студентов и определение путей его дальнейшего совершенствования (текущий тестовый контроль знаний, тренировочный контроль, итоговый контроль по дисциплине);
• предварительное тестирование знаний студентов в ходе занятий с выставлением окончательной оценки с учетом текущей успеваемости;
• контроль усвоения студентами практических умений и навыков и их самостоятельной работы;
• управление процессом обучения на основе обработки полученных в ходе мониторинга процесса обучения данных;
• отражение индивидуальных результатов освоения требуемых компетенций в соответствии с тре-
а)
Клиентские приложения
Серверы+агенты
Веб-браузер
Агент координации взаимодействия СА
Приложения (С, Java)
HTTP Клиент
OLAP-агент обработки и анализа данных в режиме on-line
Прикладные программные интерфейсы (SOAP, XML, RPC)
Агент обработки и анализа в режиме on-line
Агент обработки изображений (ISA)
Агент, доступа к базе данных (DBA.)
Агент выполнения сценариев (WSA)
xml-rpc
-С
Данные
Агент, преобразования протоколов (RXA)
Агент, преобразования протоколов (RSA)
Вызываемые приложения и данные
system
'Прикладные программные модули
system
■J N.
Данные
http
Общий интерфейс шлюза (CGI)
jni
Динамические jdbs библиотеки
(ImageMaglc)
jdbs
База данных xml-rpc
(Веб-сервис
........
soap
Рис. 1
Эталонная модель (а) и информационно-логическая структура (б) комплекса интеллектуальной поддержки процесса обучения (ИППО ОнтоМастер)
бованиями федерального государственного образовательного стандарта (ФГОС) по специальности;
• отражение рейтинговых результатов (по группе);
• анализ результатов в целях получения выводов (выявление слабоизученных модулей дисциплины, корректировка изучаемого материала).
Инструмент процесса администрирования (ОнтоМастер-Администратор) поддерживает традиционные функции управления правами доступа пользователей к системе, модификации или добавления новых компонент (учебных модулей, модулей тестирования и др.), мониторинг и бесперебойное функционирования системы.
Многоагентная архитектура позволяет интегрировать современные технологии (SOAP, CORBA,
RMI, GRID) на основе подхода REST передачи репрезентативных состояний.
В состав комплекса входят следующие программные агенты.
RXA — программный агент преобразования протоколов REST/XML-RPC, предназначенный для интеграции новых прикладных программных компонент и сценариев для комплексной обработки данных и изображений в соответствии с запросами по HTTP-протоколу.
WSA — программный агент (Web-browser to Scénario Agent) обработки запросов из веб-браузера на выполнение комплексных сценариев обработки и анализа пользовательских данных и изобра-
жений. WSA обеспечивает запуск сценариев на распределенное выполнение с использованием прикладного веб-интерфейса браузера с возможностью последующего просмотра результатов. Интерфейс пользователя представляет собой форму веб-браузера, из которой посылаются запросы с HTTP GET-и POST-командами.
RSA — программный агент преобразования протоколов REST/SOAP, предназначенный для интеграции новых прикладных программных компонент и сценариев для комплексной обработки данных и изображений в соответствии с запросами по HTTP-протоколу.
OLAP — программный агент обработки и анализа данных и изображений (On Line Analytical Processing), обеспечивающий выполнение комплексного сценария по загрузке, визуализации, обработке, анализу, поиску и представлению пользовательских данных и изображений.
OLAP-агент является связующим звеном, который объединяет программные компоненты в процессе реализации пользовательского сценария обработки и анализа данных. Взаимодействие осуществляется на уровне сообщений, содержащих вызываемые функции и параметры, а также результаты обработки.
ISA — агент формирования и комплексной обработки данных и изображений (Image Server Agent), хранимых в реляционной базе данных или в файловой системе, по запросам в соответствии с HTTP-протоколом. Сообщения по протоколу HTTP(S) передаются по веб-интерфейсу (из прикладной программы или веб-браузера) с использованием команды HTTP/GET.
DBA — программный агент доступа к реляционным базам данных (Data Base Agent) по HTTP-протоколу. Многопользовательский доступ обеспечивается многопоточным Java-сервером, принимающим HTTP-запросы, преобразующим их в SQL-запросы на основе хранимых XML-шаблонов и передающим эти запросы на выполнение в реляционную СУБД по протоколу JDBC.
Реализуются операции поиска, извлечения данных и изображений (SELECT). Реализуется контроль доступа с правами отдельных пользователей и групп пользователей. Предусматривается возможность работы по защищенному протоколу HTTPS. Визуальный интерфейс пользователя представляет собой форму веб-браузера, из которой посылаются запросы с командами HTTP/GET.
CA (Monitor) — агент координации взаимодействия программных агентов комплекса. Прототип программы Monitor, выполняет мониторинг функциональности прикладных программных компонент и сценариев и обеспечивает управление и контроль над ходом исполнения сценариев конвейерной обработки данных.
Предусмотренная в процедуре регистрации агентов информация о тестах прикладных программ-
ных модулей используется для периодического (или событийного в случае обнаружения нефункциональности сервиса одним из его потребителей) мониторинга функциональности всех зарегистрированных сервисов. Монитор использует информацию о тестах в XML-формате. Реализован подход, основанный на использовании тестов, написанных на языке Java. После запуска на выполнение каждого теста полученные результаты сравниваются с эталонами. В случае несовпадения формируется сигнал False, присваиваемый переменной, соответствующей имени теста.
После выполнения всего перечня тестов, относящихся к зарегистрированному сервису, выполняется логическая программа, которая на основе результатов частных тестов формирует обобщенные выводы. Предусматривается возможность передачи администраторам e-mail-сообщений в случаях изменений функциональности (при возникновении нарушений и при восстановлении работоспособности) с диагнозом сложившейся ситуации и объяснением, как эти выводы были получены.
Реализованы модели базы знаний функциональности распределенного многоагентного программного комплекса на языках правил продукций и логического программирования (пролог). Прототипы программ реализованы с ^пользованием Java 2 и библиотек классов Java 2, JDBC, HTML и предназначены для работы на платформах Windows (XP) и Linux.
Целесообразность применения многоагентной архитектуры при создании систем автоматизированного обучения подтверждается также результатами анализа (Писарев А. С., 2008; Котова Е. Е. и др., 2008) их типичных характеристик (Рассел С., 2006) с применением методов ассоциативных правил, решающих деревьев и байесовских сетей.
Выводы
В работе представлена структура автоматизированного комплекса интеллектуальной поддержки процесса обучения (ИППО «ОнтоМастер») на основе применения новых интеллектуальных технологий разработок автоматизированных систем.
При формировании методологии структурирования знаний получены результаты, которые соответствует передовому мировому уровню:
• метод интеграции модульных объектов разнородных информационных ресурсов на основе многоуровневых онтологий, включающих нормативно-регламентирующие материалы ФГОС ВПО, учебно-методические планы, рабочие программы дисциплин, учебные модули;
• прототипы инструментальных средств, расширяющие функции визуального редактирования многоуровневых онтологий и концептуальных атласов предметных областей;
• прототипы агентов посредников основных сетевых архитектур SOA, XML-RPC, RMI, CORBA
№ 2(B)/20l0[
биотехносфера
на основе многоагентного подхода и архитектурных стилей REST.
Применен и развит в части создания адаптивных обучающих модулей современный подход иерархической модели-представления-контроллера [Hierarchical Model-View-Controller (HMVC)], заключающийся в представлении учебных модулей в виде трех моделей: модели пользовательского интерфейса, модели управления и модели данных.
| Л и т е р а т у р а |
1. Шмарион Ю., Неин М. и др. Социальное управление процессами информатизации образования: муниципальный уровень // Высшее образование в России. 2007. № 10. С. 61-69.
2. Голенков В. В., Емельянов В. В., Тарасов В. Б. Виртуальные кафедры и интеллектуальные обучающие системы // Новости ИИ. 2001. № 4.
3. Брусиловский П. Архитектура на основе модели студента для интеллектуальных обучающих сред // Материалы 4-й Междунар. конф. по моделированию пользователя. 15-19 авг., Hyannis, MA, США. User Modeling Inc, 1994. С. 31-36.
4. Печников А. Н. Теоретические основы психолого-педагогического проектирования автоматизированных обучающих систем. Петродворец: ВВМУРЭ им. А. С. Попова, 1995. 322 с.
5. Jarvis P. Adult and Continuing Education. Theory and Practice. London and New York, 1995.
6. Kolb D. A., Fry R. Towards an Applied Theory of Experiential Learning, in Cooper, C.L. (eds). Theories of Group Processes. London: John Wiley and Sons, 1975.
7. Rogers A. Teaching Adults. Buckingham and Philadelphia: Open University Press, 1998.
8. Котова Е. Е. Разработка адаптивной дистанционной среды обучения с учетом индивидуальных когнитивных особенностей пользователя // Изв. ЮФУ. Техн. науки. 2008.№ 6. С. 89-92.
УДК 378.1:681.3
С. И. Биденко, д-р. техн. наук,
Санкт-Петербургский государственный электротехнический университет «ЛЭТИ» А. И. Яшин, д-р техн. наук, НТЦ «ИНТЕЛТЕХ», Санкт-Петербург
Человеческий фактор в интеллектуальных системах
Ключевые слова: системы обработки информации (СОИ), искусственный интеллект, экспертный анализ, операторская деятельность, формирование операторской деятельности в СОИ
Работа посвящена определению и формализации деятельности человека-оператора в автоматизированных системах с элементами искусственного интеллекта.
В условиях резкого увеличения в современном мире объемов обрабатываемой информации переход к работе со знаниями на основе искусственного интеллекта (ИИ) является перспективным направлением прорыва к информационному обществу.
Система является интеллектуальной, если в ней реализованы следующие основные функции:
1) накапливать знания об окружающем систему мире, классифицировать и оценивать их с точки зрения прагматической полезности и непротиворечивости, инициировать процессы получения новых знаний, соотносить новые знания с ранее хранимыми;
2) пополнять поступившие знания с помощью логического вывода, отражающего закономерности в окружающем систему мире или в накопленных ею ранее знаниях, получать обобщенные знания на основе более частных знаний и логически планировать свою деятельность;
3) общаться с человеком на языке, максимально приближенном к естественному человеческому языку, и получать информацию от каналов, аналогичных тем, которые использует человек при восприятии окружающего мира, уметь формировать для себя или по просьбе человека (пользователя) объяснение собственной деятельности, оказывать пользователю помощь за счет тех знаний, которые хранятся в памяти, и тех логических средств рассуждений, которые присущи системе.
Перечисленные функции можно назвать функциями представления и обработки знаний, рассуждения и общения. На рис. 1 в общем виде представлена структура интеллектуальной системы.
биотехносфера
|№ 2С8)/201ю
