CC BY
52
Компьютерные инструменты в образовании, 2015 № 2:14-24 УДК: 004.81
http://ipo.spb.ru/journal
АЛГОРИТМИЗАЦИЯ РАЗРАБОТКИ ОНТОЛОГИЙ В СФЕРЕ ОБРАЗОВАНИЯ НА ОСНОВЕ ПРОМЕЖУТОЧНЫХ МОДЕЛЕЙ С ПРОЦЕДУРОЙ ИХ ОПТИМИЗАЦИИ
Артемова Галина Олеговна, Гусарова Наталия Федоровна, Коцюба Игорь Юрьевич
Аннотация
Рассматривается алгоритм разработки онтологии в сфере образования на основании промежуточных моделей — интеллект-карт и концептуальных карт. Для автоматизированной оптимизации концептуальных карт предлагается использовать метрики, в том числе, субъективные метрики исследования топологии графа.
Ключевые слова: образование, концептуальные карты, онтологии, метрики графа.
1. ВВЕДЕНИЕ
Онтология предметной области известна как средство, хорошо зарекомендовавшее себя в качестве метода построения баз знаний при создании интеллектуальных систем. Большое количество проводимых исследований связано с проблемами построения он-тологий в сфере образования, в том числе, онтологий управления процессами образовательных учреждений [1], онтологий учебного процесса [2], учебного плана [3], обучающих систем [2] и т. д. Отдельное внимание в целом ряде работ [2, 4-6] отводится использованию онтологий для поддержки решения проблем разработки индивидуальных маршрутов обучения. В работах [5, 6] отмечается, что необходимо автоматизированным образом динамически проектировать учебные траектории учащегося с учетом его предпочтений, нужд и возможностей, однако обучающиеся, как правило, не способны сами проектировать образовательный маршрут из-за небольшого педагогического опыта, поэтому целесообразно привлекать экспертов по упорядочиванию контента учебного плана. Для представления абстрактных точек зрения на упорядочивание контента учебного плана и материалов учебных курсов используется онтология. В статье [5] отмечается, что исследователи используют онтологии и метаданные учебных тем, чтобы вычислить наилучшую траекторию по учебному материалу. В работе проектируется онтология компетенций, а также словарь связности компетенций. Онтология содержит набор компетенций, которые раскладываются по субкомпетенциям, а те по своим субкомпетенциям более низкого уровня (5 уровней разложения в глубину). Описано, что существует перечень компетенций, описывающий текущее состояние знаний обучающегося, а также перечень компетенций, которые обучающийся хочет у себя сформировать. В работе [7] рассматривается онтология в системе управления знаниями вуза. Отмечается, что разработка цельной структуры знаний дает возможность приступить к построению онтологии вуза, сводящей воедино онтологии всех дисциплин, подготовка по которым ведется
в вузе. В такт случае онтология может создаваться учащимися и преподавателями в течение учебного процесса. В ходе наполнения онтологии данными будет формироваться множество междисциплинарных связей, в итоге давая возможность «организации индивидуальных обучающих траекторий учащихся» [7]. Таким образом, обзор показал, что онтологические модели находят широкое применение в области образования, как в России, так и за рубежом, в том числе, в вопросах разработки образовательных траекторий студентов, систем управления знаниями вуза и т. д. с учетом мнений различных экспертов. Специфическими особенностями онтологий в сфере образования является использование сетевых моделей, иерархий понятий и нескольких уровней разложения понятий в глубину. В рассмотренных работах не уделяется должного внимания инструментам поддержки разработки данных моделей (промежуточным моделям онтологий и метрикам их оценки), которые могут значительно облегчить процесс онтологического инжиниринга, что представляет собой актуальную задачу для проведения исследований.
2. ИСПОЛЬЗОВАНИЕ КОНЦЕПТУАЛЬНЫХ КАРТ НА ЭТАПЕ РАЗРАБОТКИ ОНТОЛОГИЙ
Разработка онтологии представляет собой сложный трудоёмкий процесс, для облегчения которого могут быть использованы различные промежуточные модели и метрики оценки онтологий до этапа их использования. Большое внимание при разработке онтологий уделяется проблемам визуализации. В работах [8, 9] рассмотрены основные визуальные модели и методы в вопросах разработки онтологий и подобных структур. Одним из перспективных методов такого типа являются интеллект-карты и концептуальные карты, широко используемые в настоящее время для визуализации онтологий на стадии дизайна [10], при обсуждении структуры онтологии [11]. Интеллект-карты, предложенные психологом Т. Бьюзеном, широко используются в различных областях жизнедеятельности человека как средство визуализации, структурирования, классификации идей, для помощи в обучении, решении проблем, принятии решений [11]. При разработке онтологии больше возможностей для формализации дает другая промежуточная модель - концептуальные карты [9]. В работе [12] отмечается, что концептуальные карты могут быть использованы как первый шаг для построения онтологий, являясь средствами выражения для эксперта и помогая ему детализировать структуру знаний. Реализации обучающей системы на основе концептуальных карт посвящена также работа [13]. В ней отмечается, что концептуальные карты могут сократить познавательную нагрузку и упростить содержательное обучение. В работе [14] производится сравнение интеллект-карт и концептуальных карт. Отмечается, что они имеют сходство, ввиду представления иерархического «скелета» рассматриваемой темы и системы ее понятий. Характерным отличием между данными моделями является отсутствие на интеллект-картах названий типов отношений, присутствующих на концептуальных картах. Таким образом, только концептуальные карты дают возможность представить связи между понятиями, что приводит к углубленной концептуализации и является определенной сложностью их разработки.
3. ОЦЕНКИ КАЧЕСТВА ОНТОЛОГИЙ НА ОСНОВЕ МЕТРИК
В ряде работ проведен обзор существующих подходов к оценке качества онтологий. Поскольку существует множество вариантов выбора основания для классификации, могут быть предложены различные классификации методик оценки качества онтологий.
В таблице 1 представлен обзор работ, посвященных оценке качества онтологий, с выделением характеристик качества онтологий.
Таблица 1
Источник Характеристики качества
[15] соответствие структуры, надежности, функциональности, производительная эффективность; переносимость, совместимость, пригодность для обслуживания; удобство использования
[16] синтаксические, семантические, прагматические, социальные метрики
[17] авторизация, инкапсуляция, возможность многократного использования, масштабируемость, сцепление и т. д.
[18] метрики схемы и всей базы знаний онтологии: полнота классов, атрибутов, наследований, отношений
[19] функциональные, структурные, меры юзабилити
[20] в работе выделяется не только ряд целей существующих подходов к оценке качества онтологий, таких как: - полнота и точность словаря рассматриваемой области; - адекватность структуры с точки зрения таксономии, отношений; - производительность при реализации в приложениях; - выбор лучшей онтологии из набора имеющихся; - воспринимаемость с когнитивной точки зрения (рассмотрено в работах Гавриловой), но и варианты оценки онтологий на различных стадиях разработки и использования онтологий, классификация данных методов по степени автоматизации, объектам для анализа и средствам для определения качества и зрелости онтологий.
В настоящей статье рассматривается метод оценки концептуальных карт как промежуточных моделей разработки онтологий в сфере образования, который, в соответствии с существующими классификациями, можно трактовать следующим образом.
• Цель: воспринимаемость, производительность при реализации в приложениях.
• Объект анализа: структура промежуточных моделей разработки онтологий — концептуальных карт.
• Средство анализа: анализ топологии графа онтологии.
• Степень автоматизации: полуавтоматический (после автоматически вычисляемых значений метрик на этапе оптимизации промежуточных моделей эксперт завершает анализ самостоятельно).
• Стадия применения: разработка и прототипирование, тестирование перед выпуском и внедрением онтологии.
4. МЕТОД
Концептуальные карты являются промежуточной моделью разработки онтологии, поэтому их автоматизированная оптимизация позволит значительно сократить процесс онтологического инжиниринга, сократить время эксперта по их разработке, а именно:
- метрики вычисляются автоматически;
- в случае получения характерных значений метрик срабатывают триггеры, указывающие на проблемные места при разработке концептуальных карт с рекомендациями для эксперта по их улучшению.
Отметим, что ряд метрик оценки онтологий может быть использован для анализа концептуальных карт. Поскольку данные промежуточные модели имеют графовую структуру и являются визуальными моделями работы со знаниями, к ним применимы метрики исследования топологии графа и субъективные метрики когнитивной эргоно-мичности [20], однако учет специфики концептуальных карт требует проведения содержательного анализа с выявлением перечня подходящих метрик для данных моделей. Основными характеристиками концептуальных карт как графовых структур являются следующие [21]:
- включают отношения между концептами;
- на этапе разработки требуют глубинного анализа структурных взаимодействий между определенными понятиями предметной области.
Также следует отметить, что в определенных случаях концептуальная карта может принимать вид дерева.
Содержательный анализ специфики концептуальных карт показал, что на этапе их оптимизации может быть использован следующий набор метрик:
• Метрики глубины, диаметра, высоты, высоты концепта (яруса), ширины графа, (в том числе, абсолютные, средние, максимальные). В случае, когда концептуальные карты принимают вид дерева, для них могут быть также рекомендуемы метрики для интеллект-карт, в которых количество дочерних понятий не должно превышать 7 ± 2; глубина ветви не должна превышать 7 ± 2.
• Метрики анализа деревьев, то есть метрики идеальной сбалансированности и сбалансированности по АВЛ дерева. Данные метрики могут быть применены в случае, когда концептуальная карта представляет собой дерево.
• Метрики полустепени захода и исхода, то есть если концептуальная карта принимает вид дерева, в каждый концепт, кроме центрального, входит только одно ребро, значимой является метрика полустепени исхода. В концептуальных картах, не представляющих собой дерево, полустепени захода и исхода могут принимать различные значения.
• Метрика циклов (необходима для определения, является ли концептуальная карта деревом или нет, наличие циклов также мешает восприятию [20]); определяется путем вычисления количества циклов в графе, количества вершин, входящих в циклы, делённого на количество вершин графа.
• Метрика измерения ветвистости графа (позволяет оценить «распределение» вершин графа, у которых есть листья и нелистовые ноды среди детей: вычисляется число вершин, у которых среди детей присутствуют и листья, и внутренние вершины, делённое на общее число вершин, у которых есть дети-листья, минимальное число детей-листьев у предпоследней вершины.
• Рёберная плотность, характеризующая близость графа к полносвязному графу (клике) [7]. Данная метрика позволит автоматически выявлять ошибки при построении концептуальной карты эксперта, поскольку клика не является характерной ситуацией при обозначении концептов-«родителей» и «детей».
• Метрики разнообразия количества связей - поскольку наличие разных типов отношений между концептами является одним из свойств концептуальной карты по определению; определяется путем вычисления количества типов связей в графе и отношения этого значения к количеству вершин.
• Метрика запутанности графа, включающая анализ отношения количества вершин с множественным наследованием к количеству всех вершин графа и анализ среднего количества родительских вершин у вершины графа -- также применима для оценки концептуальной карты ввиду наличия у нее данных характеристик.
• Решение проблемы глубинного анализа структурных взаимодействий между понятиями может быть поддержано использованием методов анализа связности графовых структур; в отличие от традиционных исследований связности графа, метод q-анализа [22, 23]] позволяет судить о связности системы более глубоко, устанавливая наличие взаимовлияния симплексов системы через связи между ними; при использовании q-анализа связности системы выявляются симплексы, более всего влияющие на процессы в системе, а также вершины, которые рациональнее выбирать в качестве управляющих; появляется возможность проследить влияние различных локальных изменений на остальные элементы системы и на структуру системы в целом путем вычисления эксцентриситета (есс).
• и т. д.
Сводная таблица метрик промежуточных моделей концептуальных карт, принимающих вид дерева или нет, представлена ниже (табл. 2).
Таблица 2. Перечень метрик для автоматизированной оптимизации промежуточных моделей концептуальных карт при разработке онтологий
Промежуточная модель Концептуальная карта Концептуальная карта
Метрика (дерево) (не дерево)
1 Глубина графа (абсолютная, средняя, максимальная) + +
2 Диаметр графа + +
3 Высота графа + +
4 Высота концепта (ярус) + +
5 Ширина графа (абсолютная, средняя, максимальная) + +
6 Сбалансированность дерева + -
7 Идеальная сбалансированность дерева + -
8 Полустепень захода - +
9 Полустепень исхода + +
10 Метрика циклов + +
11 Метрика измерения ветвистости графа + +
12 Рёберная плотность + +
13 Метрики разнообразия количества связей + +
14 Метрика запутанности графа + +
15 Симплициальный q-анализ связности графа - +
5. М1ГОРИТМ РАЗРАБОТКИ ОНТОЛОГИИ
В работах [9, 14] обращается внимание на некоторые алгоритмы построения интеллект-карт и концептуальных карт. Как отмечается в [9], интеллект-карты в основном используются на начальном этапе инженерии знаний с целью наглядного и быстрого представления знаний эксперта. Отмечается, что интеллект-карты могут применяться для объяснения идеи «срезов знаний» — множеств связей и относящихся к ним концептов онтологии, применяемой для упрощения процесса ее составления. Разделение онтологической схемы на подобные «срезы знаний» дает пользователю возможность обсуждать определенные вопросы с разных смысловых точек зрения. В статье [9] отмечается связь между построением интеллект-карт и концептуальных карт при построении онтологий. Постулируется также то, что данный алгоритм может быть использован в разных задачах построения онтологий, когда эксперт предметной области работает с абстрактными понятиями. Однако в статье не уделяется внимания пошаговому алгоритму построения интеллект-карт. В статье [14]] обращается внимание на то, что для построения интеллект-карты может быть использован модифицированный пятишаговый алгоритм визуального построения онтологий как модели, концептуально описывающей предметную область, однако не рассмотрены алгоритмы перехода от построения интеллект-карты к концептуальной карте при дальнейшей работе по разработке онтологии. Кроме того, в данных работах уделяется внимание непосредственной работе эксперта по оптимизации промежуточных моделей, а методы их автоматизированной оптимизации не обсуждаются. На основании алгоритмов, предложенных в рассмотренных выше работах, а также рассмотренных метрик автоматизированной оптимизации концептуальных карт, предлагаем алгоритм поддержки разработки онтологии (рис. 1), в который на этапе работы с концептуальной картой включен шаг «Оптимизация с использованием метрик». Этап «Оптимизация с использованием метрик» включает в себя анализ концептуальных карт с использованием метрик, рассмотренных в табл. 2. Для подробного рассмотрения данного этапа алгоритма (рис. 1) были проанализированы 2 существующие концептуальные карты из сферы образования — концептуальная карта "Е-1еагт^" [24], представляющая собой дерево, и концептуальная карта "Фотосинтез" [25], не принимающая вид дерева. Результаты вычислений предложенных метрик представлены ниже (табл. 3, табл. 4).
Таблица 3. Значения расчета метрик для концептуальной карты-дерева
Номер метрики 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Значение 146 9 6 1-6 67 Нет Нет - 0-6 0 0,35 0,03 21 0 есс:
3.24 11.18 0 1 0,31 1 те
5 36
Таблица 4. Значения расчета метрик для концептуальной карты (не дерево)
Номер метрики 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Значение 14 5 6 1-6 17 - - 0-2 0-3 1 0 0,17 14 0,29 есс:
4.67 2,83 0,24 1 0,83 1,24 0-2
5 5 те
Рис. 1. Алгоритм разработки онтологии на основе промежуточных моделей
В таблице 5 представлен перечень метрик с использованием шкалы приоритетов, значения которых в рассматриваемых примерах позволяют сравнить концептуальные карты рис. 2 и рис 3 . Знак «>» обозначает больший приоритет, «<» — меньший приоритет, «=» — равный приоритет.
Рис. 2. Концептуальная карта "Е-1еагт^" (дерево)
Таблица 5. Шкала приоритетов для метрик концептуальных карт на рис. 2 и рис. 3
Метрика Концептуальная Концептуальная
карта рис. 2 карта рис. 3
Средняя глубина графа > <
Метрика циклов > <
Метрика разнообразия количества связей (коли- > <
чества типов связей в графе по отношению к ко-
личеству вершин)
Метрика запутанности графа > <
Абсолютная глубина графа < >
Диаметр графа < >
Ширина графа (абсолютная, средняя, максималь- < >
ная)
Метрика ветвистости < >
Метрика разнообразия количества связей (коли- < >
чество типов связей)
Максимальная глубина графа =
Высота графа =
Высота концепта (ярус) =
Метрика исхода =
Рёберная плотность =
Рис. 3. Концептуальная карта "Фотосинтез" (не дерево)
В табл. 6 представлена интерпретация значений из табл. 2 по метрикам, специфичным для концептуальных карт в виде дерева и не в виде дерева.
Таблица 6. Интерпретация полученных значений из табл. 2, специфичных для концептуальных карт в виде дерева и не в виде дерева
Концептуальная карта рис. 2 Концептуальная карта рис. 3
Метрика сбалансированности Метрика идеальной сбалансированности Метрика захода
Модель несбалансированная Модель не идеально сбалансированная Среднее значение полустепени захода попадает в интервал [0,1], что удовлетворяет требованиям когнитивной эргономики (соответствует одной из метрик запутанности графа [20]
На основании полученных расчетов можно дать рекомендации по автоматизированной оптимизации рассматриваемых концептуальных карт, а именно:
- удалять вершины концептуальной карты, если их количество чрезмерно увеличивается, облегчая восприятие;
- удалять/добавлять вершины концептуальной карты в виде дерева, что будет способствовать лучшей сбалансированности концептуальной карты;
- удалять/добавлять связи на концептуальной карте не в виде дерева, что будет влиять на связность симплексов графа в комплексе.
Таким образом, в данной статье обосновано использование метрик для автоматизированной оптимизации концептуальных карт при разработке онтологий в сфере обра-
зования, а также обосновано место этапа выбора и оптимизации в общем алгоритме разработки онтологии на основе данных промежуточных моделей.
Список литературы
1. Шахгельдян К.И. Теоретические принципы и методы повышения эффективности автоматизации образовательных учреждений на основе онтологического подхода: автореф. дис. ... доктора техн. наук. Москва, 2009.
2. Лаптев В.В. Модель предметной области и оценка ее сложности в обучающей системе по программированию // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2010. № 2. С. 35-44.
3. Фотеева В.Н. Онтология учебного плана как основа АИС проектирования образовательных программ // Инженерия знаний и технологии семантического веба. 2010. № 1. С. 64-68.
4. Норенков И.П., Соколов Н.К. Синтез индивидуальных маршрутов обучения в онтологических обучающих системах // Информационные технологии, 2009. № 3. С. 74-77.
5. Kontopoulus, E., Vrakas, D., Kokkoras, F., Bassiliades, N., Vlahavas, I. 2008. An ontology-based planning system foe e-course generation // Expert Systems and Applications, 2008. № 35. P. 398-406.
6. Yu-Liang Chi. Ontology-based curriculum content sequencing system with semantic rules // Expert Systems with Applications, 2009. № 36. P. 7838-7847.
7. Карпенко А.П. Меры важности концептов в семантической сети онтологической базы знаний. Наука и образование: электронное научно-техническое издание. 2010. № 7. С. 1-12.
8. Гаврилова Т.А., Гулякина Н.А. Визуальные методы работы со знаниями: попытка обзора // Искусственный интеллект и принятие решений. 2008. № 1. С. 15-21.
9. Муромцев Д.И., Баландин Е.А., Катков Ю.В., Починок И.Н. Опыт использования онто-логий верхнего уровня при проектировании базы знаний музея оптических технологий // Материалы второй Всероссийской конференции с международным участием «Знания-Онтологии-Теории» (З0НТ-09) 2009. Т. 1. С. 165-172.
10. Gavrilova T., Gladkova M. Big data structuring: the role of visual models and ontologies // Procedia Computer Science, 2014. № 31. P. 336-343.
11. Roussey, C. andPinet, F. andAhKang, M. and Corcho, Oscar (2011). An Introduction to Ontologies and Ontology Engineering. In: «Ontologies in Urban Development Projects». Springer-Verlag.
12. Starr, R.R., Oliveira, J.M.P. 2013. Concept maps as the first step in an ontology construction method // Information Systems, 2013. № 5. P. 771-783.
13. Kuo-Kuang, Chu, Chien-I, Lee, Rong-Shi, Tsai. Ontology technology to assist learners' navigation in the concept map learning system // Expert Systems and Applications, 2011. № 9. P. 11293-11299.
14. Гаврилова Т.А., Лещева И.А., Страхович Э.В Об использовании визуальных концептуальных моделей в преподавании // Вестник Санкт-Петербургского университета. Серия 8: Менеджмент. 2011. № 4. С. 124-150.
15. Duque-Ramos, A., Fernandez-Breis, J.T., Iniesta, M., Dumontier, M., Aranguren, M.E., Schulz, S., Aussenac-Gilles, N., Stevens, R. 2013. Evaluation of the OQuaRE framework for ontology quality // Expert Systems with Applications, 2013. № 40. P. 2696-2703.
16. Burton-Jones, A., Storey, V., Sugumaran, V., Ahluwalia, P. A semiotic metrics suite for assessing the quality of ontologies // Data & Knowledge Engineering, 2005. Vol. 55. № 1. P. 84-102.
17. Wang, Y., Bao, J., Haase, P. and Qi, G. Evaluating formalisms for modular ontologies in distributed information systems. Lecture Notes in Computer Science, 2007.
18. Tartir, S., Arpinar, I., Moore, M., Sheth, A., Aleman-Meza, B. OntoQA: metric-based ontology quality analysis. In: Proceedings of the Workshop on Knowledge Acquisition from Distributed, Autonomous, Semantically Heterogeneous Data and Knowledge Sources (KADASH), Citeseer, 2006.
19. Gangemi, A., Catenacci, C., Ciaramita, M., Lehmann, J. Modelling ontology evaluation and validation // Proceedings of the 3rd European conference on The Semantic Web: research and applications, June 11-14, 2006, Budva, Montenegro.
20. Гаврилова Т.А., ГоровойВ.А., Болотникова Е.С. Субъективные методы оценки онтологий // Материалы Всероссижкой конференции с международным участием. Знания — Онтологии — Теории (ЗОНТ-09), 2009. С. 178—187.
21. Гаврилова Т.А., Лещева И.А., Кудрявцев Д.В. Использование моделей инженерии знаний для подготовки специалистов в области информационных технологий // Системное программирование, 2012. Т. 7. № 1. С. 90-105.
22. КастиДж. Большие системы. Связность, сложность, катастрофы/ Дж. Касти. М.: Мир, 1982.
23. ГореловаГ.В., МельникЭ.В. О возможности анализа и синтеза структур отказоустойчивых распределенных информационно-управляющих систем, основанных на когнитивном подходе // Искусственный интеллект, 2008. C. 638-644.
24. ETEC 511: mapping foundations of ed-tech and e-learning. [Электронный ресурс]: https:// erinbgillespie.wordpress.com/theme/plants/etec-511-mapping-foundations-of-e-learning/ (дата обращения 15.04.2015).
25. Kinchin, I.M. 1998. Constructivism in the classroom: mapping your way through. In Proceedings of the British educational research association annual research student conference The Queen's University of Belfast, August 26th-27th 1998. [Электронный ресурс]: http://www.leeds.ac.uk/educol/ documents/000000811.htm (дата обращения 15.04.2015).
ALGORITMIZATION OF EDUCATIONAL ONTOLOGY' DEVELOPMENT BASED ON INTERMEDIATE MODELS WITH OPTIMIZATION
Artemova G. O., Gusarova N. F., Kotciuba I. Yu. Abstract
This article is about an algorithm of educational ontology's development based on intermediate models — mind maps and concept maps. It is offered to use different metrics such as subjective metrics and graph topology's metrics for automated optimization of concept maps.
Keywords: education, concept maps, ontology, graph metrics.
Артемова Галина Олеговна, кандидат технических наук, доцент кафедры информационных систем Университета ИТМО, glaya@inbox.ru
Гусарова Наталия Федоровна, кандидат технических наук, старший научный сотрудник, доцент кафедры интеллектуальных технологий в гуманитарной сфере Университета ИТМО, natfed@list.ru
Коцюба Игорь Юрьевич, аспирант кафедры интеллектуальных технологий в гуманитарной сфере Университета ИТМО, ассистент кафедры интеллектуальных технологий в гуманитарной сфере, преподаватель факультета среднего профессионального образования Университета ИТМО, igor.kotciuba@gmail.com
© Наши авторы, 2015. Our authors, 2015.
