CC BY
62АЛГОРИТМЫ ПЛАНИРОВАНИЯ ПРОЦЕССА ОБУЧЕНИЯ НА ОСНОВЕ СЕМАНТИЧЕСКИХ СЕТЕЙ ЗНАНИЙ
Т.А. Подружкина, кандидат педагогических наук, доцент. Санкт-Петербургский университет ГПС МЧС России. Д.Ю. Федоров.
Санкт-Петербургский государственный экономический университет
Предлагается подход к планированию процесса обучения на основе семантических сетей знаний, рассматриваются алгоритмы формирования сети знаний; распределения лекционных, практических и лабораторных занятий, требуемых для достижения цели обучения; планирования временных ресурсов, требуемых для достижения цели обучения; построения маршрута обучения.
Ключевые слова: автоматизация планирование процесса обучения, структуризация знаний, семантическая сеть
SCHEDULING ALGORITHMS BASED ON PROCESS SEMANTIC KNOWLEDGE NETWORKS
T.A. Podruzhkina. Saint-Petersburg university of State fire service of EMERCOM of Russia. D.Yu. Fedorov. Saint-Petersburg state university of economics
The article provides an approach to the planning of the learning process on the basis of semantic knowledge networks, examines algorithms networking knowledge; distribution of lectures, practical and laboratory classes, required to meet the learning objectives; planning time resources required to meet the learning objectives; route planning studies.
Keywords: automation of the planning of the learning process, structuring knowledge, semantic network
В мире произошел «информационный взрыв», который затронул все сферы деятельности человека, в том числе и образование. Ежегодное обновление образовательных стандартов указывает на то, что реформаторы не справляются с вызовами современности. Основная тенденция образовательных стандартов нового поколения - предоставление вузам свободы (точнее, передача ответственности) выбора и формирования содержимого учебных планов и рабочих программ. Таким образом, вузам предстоит решать задачу формирования у обучающихся знаний за ограниченный промежуток времени в быстро меняющихся условиях современного информационного общества.
В вузе используется два вида управления: административное управление и управление процессом обучения. Административное управление обеспечивает организационную, материальную и финансовую поддержку процесса обучения. Управление процессом обучения устанавливает способы организации взаимодействия обучающих с обучающимися для достижения целей обучения.
Рассмотрим модель управления процессом обучения в вузе [1]. Объектом управления (ОУ) в данном случае выступает процесс обучения, включающий систему взаимодействия между обучающим (преподавателем) и обучающимся (студентом). Внутри процесса обучения преподаватель выполняет роль педагога, который воздействует на студента и контролирует его действия по средствам проверочных работ (тестирования), то есть решает педагогические задачи.
Планированием процесса обучения в вузе занимается субъект управления (СУ). В роли СУ выступает, чаще всего, сам обучающий (преподаватель). СУ выполняет ряд задач по управлению (планированию) процессом обучения:
- постановка цели для ОУ, то есть формирование набора требований к знаниям, которыми должен обладать учащийся на выходе процесса обучения;
- оценка ресурсов для достижения цели: количество требуемых занятий и время, необходимое для их проведения;
- оценка и распределение имеющихся ресурсов для достижения поставленной цели обучения.
С учетом внешнего воздействия, которое выражается, например, в требованиях, поступающих от работодателей (через профессиональные стандарты [2]), СУ производит управление и корректировку процесса обучения. Таким образом, в вузе наблюдается перекос в сторону возросшей нагрузки на преподавателей, которые выполняют большую часть функций СУ по отношению к процессу обучения.
На взгляд авторов, управление процессом обучения частично необходимо передать автоматизированной системе, то есть снять эту нагрузку с преподавателей, что в итоге должно привести к освобождению их ресурсов для занятия педагогической и научной деятельностью.
Одним из путей решения данной задачи может являться перевод системы обучения в автоматизированную среду (АСО), которая позволит управлять процессом обучения.
Автоматизация любого процесса заключается в его предварительной формализации, поэтому в первую очередь для автоматизации процесса обучения необходимо формализовать знания (предметную область) и процесс их усвоения.
Остановимся на формализации знаний. Этой областью занимается такое направление искусственного интеллекта, как инженерия знаний и данных [3, 4].
До настоящего времени предложен целый ряд методов представления знаний: правила, семантические сети, фреймы, сценарии, логика, концептуальные схемы и др. [5]. Каждый из методов имеет собственную область применения.
На взгляд авторов, наиболее подходящей формой представления знаний в АСО являются семантические сети знаний (сети знаний), предложенные профессором В.Я. Розенбергом [6]. Рассмотрим базовые положения данной теории.
В каждой учебной дисциплине (в каждой науке) количество понятий, отражающих знания этой дисциплины (этой науки), конечно. Есть некоторое количество слов, которое необходимо донести до обучающихся. Количество этих слов не бесконечно, так как время на их передачу ограничено. В системе понятий можно выделить те, которые находятся в основании (понятия нижнего уровня), затем понятия, которые опираются на понятия нижнего уровня и т.д. Таким образом, систему знаний можно представить в виде иерархического направленного графа - семантической сети знаний (сети знаний).
Алгоритм построения сети знаний включает нескольких шагов.
Шаг 1. Составить тезаурус предметной области (выписать понятия и их определения).
Шаг 2. Выделить термины из списка, которые встречаются в определении других терминов, перечисленных на шаге 1.
Шаг 3. На нижнем (I) уровне расположить термины, в определении которых не используются термины из списка.
Шаг 4. На следующем (II) уровне расположить термины, в определении которых используются термины I уровня.
Шаг 5. На III уровне - термины, в определении которых используются термины I и II уровней и т. д.
Шаг 6. На последнем уровне расположить термины, которые не используются в определении других терминов.
Шаг 7. Соединить понятия стрелками снизу вверх.
В качестве примера рассмотрим систему, состоящую из терминов, изучаемых в дисциплине «Программные средства защиты информации» [1]. На рис. 1 приведен пример сети знаний для выбранной предметной области, включающий термины: «машинный код» (1), «язык ассемблера» (2), «ассемблер» (3), «дизассемблер» (4), «отладчик» (5), «точка останова» (6).
Рис. 1. Пример сети знаний для предметной области «Программные средства защиты
информации»
Рассмотренный формализованный алгоритм построения сети знаний может быть автоматизирован. На рис. 2 представлена блок схема алгоритма формирования сети знаний.
Рис. 2. Блок схема алгоритма формирования сети знаний
I. Составление списка терминов и их определений.
В первую очередь исходя из алгоритма построения сети знаний, необходимо составить тезаурус предметной области, для которой будет строиться сеть знаний. В тезаурус входят уникальные определения, поэтому новое определение термина приведет к порождению новой сети знаний.
II. Внесение терминов в систему Mediawiki.
Далее необходимо установить связи между терминами. Это возможно сделать, например, в системе Mediawiki - программной реализации, положенной в основу сайта Wikipedia. Правила wiki-разметки позволяют создать страницу для каждого выбранного экспертом термина и связать ее со страницами других терминов.
III. IV. Наличие неучтенных терминов из предметной области, входящих в определения, и формулирование их определений.
На следующем шаге просматриваются полученные определения и внутри них выделяются термины, относящиеся к данной предметной области, но не учтенные на шаге I. Для найденных терминов формулируются определения, которые вносятся в систему Mediawiki с последующей установкой связей между терминами.
V. Построение матрицы инцидентности.
После того, как в Mediawiki были программно зафиксированы связи между терминами, можно переходить к построению сети знаний. Для этого на языке программирования Python был написан скрипт, который анализирует базу данных Mediawiki для определенной категории и формирует квадратную матрицу инцидентности. Матрица инцидентности Мдля понятий, представленных на рис. 1, имеет следующий вид:
М =
0 1 2 3 4 5
0 /0 0 0 0 0
1 0 0 0 0 0 1
2 0 0 0 0 0 0
3 0 1 1 0 1 1
4 0 1 1 0 0 0
5 I1 0 0 0 0 0 )
где за строками и столбцами скрываются следующие термины: 0 - «Точка останова»; 1 - «Дизассемблер»; 2 - «Ассемблер»; 3 - «Машинный код»; 4 - «Язык ассемблера»; 5 - «Отладчик».
VI. Нормализация матрицы инцидентности.
Для построения сети знаний матрица инцидентности должна быть нормализованной, то есть удовлетворять двум условиям [1].
Условие 1. В сети знаний отсутствует рекурсия, то есть логически противоречивые определения.
Условие 2. В сети знаний отсутствуют «висящие» понятия, то есть такие, в состав которых не входят понятия из области данной дисциплины.
VII. Построение сети знаний на основе нормализованной матрицы инцидентности. После того, как была построена сеть знаний, перейдем к решению обозначенных
ранее задач управления (планирования) процессом обучения.
1. Постановка цели для объекта обучения.
Сеть знании представляет собой подобие дерева целей (в сети знании подцели являются самодостаточными, поэтому сеть знаний в полной мере не удовлетворяет требованиям дерева целей) для процесса обучения, то есть формирует набор требований к знаниям, которыми должен обладать учащийся на выходе процесса обучения.
2. Распределение лекционных, практических и лабораторных занятий, требуемых для достижения цели обучения.
Применение сети знаний позволяет спроектировать и обосновать (количественно и качественно) число занятий данной учебной дисциплины.
Условимся, что понятия сети знаний обозначают темы лекционных занятий, связи (переходы) между понятиями - лабораторные и практические работы. В частности, практическая работа призвана закрепить знания, полученные на лекции, а лабораторная -выявить новые понятия.
Рассмотрим алгоритм, определяющий количество занятий учебной дисциплины, заданной матрицей инцидентности (рис. 3).
Рис. 3. Блок схема алгоритма, определяющего количество занятий учебной дисциплины
Качественное обоснование числа занятий для данной учебной дисциплины исходит из экспертного выбора понятий для изучения. Количественное обоснование строится на том, что каждое понятие должно быть изучено на лекции и закреплено на практическим занятии либо на усмотрение преподавателя исследовано на лабораторной работе.
3. Планирование временных ресурсов, требуемых для достижения цели обучения.
Применение сети знаний позволяет распределить время на изучение каждой из тем (понятий) предметной области (дисциплины).
Понятие считается изученным, если после посещения лекции и выполнения лабораторной, практической работы по нему успешно пройдено тестирование, контрольная работа.
Если изучение понятия выразить в качестве работы, а начало и завершение его изучения - как событие, то сеть знаний может быть преобразована к сетевому графику [7], для которого применимы методы сетевого планирования (определение полного пути, критического пути и т. д.). Пример подобного сетевого графика для предметной области «Программные средства защиты информации» представлен на рис. 4.
Рис. 4. Сетевой график, отражающий время на изучение дисциплины «Программные средства защиты информации»
На сетевом графике добавлены две фиктивные работы: 0 - подготовительный этап перед началом изучения дисциплины, 7 - завершение изучения дисциплины. Условимся, что на изучение одного понятия затрачивается и минут (обозначены числами на рис. 4). Данное значение определяется экспериментально или рекомендуется педагогами-экспертами.
Рассмотрим обобщенный алгоритм преобразования сети знаний в сетевой график по средствам матрицы инцидентности (рис. 5).
I. Поиск терминов, находящихся на нулевом уровне сети знаний:
3 ]: М[1][]]=0,
где 1 е [1, к]; к - размерность М.
II. Поиск терминов, находящихся на самом верхнем уровне сети знаний:
3 1: М[1][]]=0,
где ]е[1, к].
III. Добавление начального элемента сетевого графика.
1. Добавление нулевой строки и нулевого столбца:
М[1][]]=0,
где 1=0; ]е[1, к];
М[1][]]=0,
где]=0; 1е[1, к].
2. Добавление связей начального элемента сетевого графика с элементами нулевого уровня сети знаний:
М[1][]]=1,
где ]=0; 1 - индексы элементов, полученных на шаге I.
Рис. 5. Блок схема алгоритма формирования матрицы инцидентности для сетевого графика
IV. Добавление завершающего элемента сетевого графика.
1. Добавление к+1 элемента строки и столбца, заполненных нулями:
Ы[1][]]=0,
где 1=к+1; ]е[1, к+1];
Ы[1][]]=0,
где]=к+1; ¡е[1, к+1].
2. Добавление связей к+1 элемента с элементами сети знаний, расположенными на самом верхнем уровне:
Ы[1][]]=1,
где 1=к+1; ] - индексы элементов, полученных на шаге II.
Матрица инцидентности для сетевого графика, построенная на основе терминов из области «Программные средства защиты информации» и удовлетворяющая требованиям нормализации имеет следующий вид:
[[0, 0, 0, 1, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 1, 0], [0, 0, 0, 0, 1, 1, 0, 0], [0, 1, 1, 0, 1, 1, 0, 0], [0, 0, 0, 0, 0, 0, 0, 1], [0, 1, 0, 0, 0, 0, 0, 0], [0, 0, 0, 0, 0, 0, 0, 1], [0, 0, 0, 0, 0, 0, 0, 0]],
где строки (столбцы) означают: 0 - «подготовка к обучению» (фиктивная работа); 1 - «отладчик»; 2 - «язык ассемблера»; 3 - «машинный код»; 4 - «ассемблер»; 5 - «дизассемблер»; 6 - «точка останова»; 7 - «завершение обучения» (фиктивная работа).
На основании сформированной матрицы может быть построен направленный граф, пример представлен на рис. 6 (построение выполнено на языке программирования Python с помощью библиотеки GraphViz).
Рис. 6. Сетевой график для предметной области «Программные средства защиты информации»
4. Построение маршрута обучения.
Применение сети знаний позволяет построить маршрут обучения для выбранной учебной дисциплины. Рассмотрим алгоритм построения маршрута обучения (рис. 7).
I. Формирование матрицы инцидентности сетевого графика.
Алгоритм представлен в п. 3.
II. Построение зависимостей между понятиями.
На основании матрицы инцидентности М размерности к строятся зависимости между понятиями такие, что р; понятия не могут быть изучены до р] понятий:
{р;: Р]}, где 1е[0, к] и]е[0, к].
Для дисциплины «Программные средства защиты информации» перечень зависимостей будет иметь следующий вид:
Ь={3: 0; 5: 3, 2; 2: 3; 4: 2, 3; 1: 3, 5; 6: 1; 7: 6, 4}.
Рис. 7. Блок схема алгоритма построения маршрута обучения
III. Построение маршрута обучения.
На первом шаге в маршрут обучения W добавляется понятие с индексом 0 (начальное «фиктивное» понятие или «фиктивная» работа в терминологии сетевых графиков).
Далее, в W добавляем p; е L: V PjeW, где ie[0, k] и je[0, k].
Таким образом, на втором шаге выбираем понятие с индексом 3 («машинный код»), так как к этому моменту в маршрут добавлено единственное понятие с индексом 0.
На третьем шаге в маршрут добавляется понятие с индексом 2 («язык ассемблера»), так как оно зависит от понятий с индексами 0 и 3. К этому моменту We [0, 3, 2].
На четвертом шаге в маршрут добавятся понятия с индексами 5 («дизассемблер») и 4 («ассемблер») и т.д. до тех пор, пока не достигнем конечного «фиктивного» понятия с индексом 7.
5. Планирование и распределение существующих ресурсов для достижения цели обучения.
Предположим, что на освоение учебной дисциплины нет достаточного времени. В таком случае, применение сети знаний позволяет выявить ключевые термины с наибольшим «весом», то есть имеющие наибольшее число входящих и исходящих связей. Изучение подобных терминов является первоочередной задачей, так как они являются семантически доминирующими для выбранной дисциплины. Оставшиеся понятия предлагаются для самостоятельного изучения.
В последнее время много разговоров ведется о переходе к обществу, основанному на знаниях, разрабатываются системы управления знаниями, в крупных корпорациях появляются должности специалистов по управлению знаниями. Но из этих обсуждений выпало высшее образование, а именно внутри вузов знания накапливаются, систематизируются, создаются и затем передаются следующим поколениям. С этой позиции процесс обучения является ни чем иным как управлением знаниями обучающихся. По мнению авторов, предложенная в работе автоматизированная среда обучения, построенная на основе семантических сетей знаний, гипотетически способна решать весь спектр задач по управлению знаниями в вузе.
Литература
1. Федоров Д.Ю. Кибернетический подход к управлению процессом обучения на основе семантических сетей знаний. СПб.: Изд-во Политех. ун-та, 2016. 40 с.
2. Федоров Д.Ю., Подружкина Т.А. Проблемные вопросы подготовки кадров в области информационной безопасности в условиях стандартизации профессиональной деятельности // Информационная безопасность регионов России (ИБРР-2015): материалы IX С.-Петерб. межрегион. конф. СПб.: СПОИСУ, 2015. С. 349-350.
3. Гаврилова Т.А., Муромцев Д.И. Интеллектуальные технологии в менеджменте: инструменты и системы: учеб. пособие. СПб.: Высш. шк. менеджмента, 2008. 488 с.
4. Кудрявцев Д.В. Системы управления знаниями и применение онтологий: учеб. пособие. СПб.: Изд-во Политехн. ун-та, 2010. 343 с.
5. Джарратано Д., Райли Г. Экспертные системы: принципы разработки и программирование. М.: Изд. дом «Вильямс», 2006. 1 152 с.
6. Розенберг В.Я. Система обучения на базе семантических сетей. Теория и практика // Фундаментальные и прикладные исследования в современном мире: материалы Междунар. науч.-практ. конф. СПб.: Информ. изд. учеб.-науч. центр «Стратегия будущего», 2013. С. 184-191.
7. Новицкий Н.И. Сетевое планирование и управление производством: учеб.-практ. пособие. М.: Новое знание, 2004. 159 с.
References
1. Fedorov D.Yu. Kiberneticheskiy podhod k upravleniyu protsessom obucheniya na osnove semanticheskih setey znaniy. SPb.: Izd-vo Politehn. un-ta, 2016. 40 s.
2. Fedorov D.Yu., Podruzhkina T.A. Problemnyie voprosyi podgotovki kadrov v oblasti informatsionnoy bezopasnosti v usloviyah standartizatsii professionalnoy deyatelnosti // Informatsionnaya bezopasnost regionov Rossii (IBRR-2015): mater. IX S.-Peterb. mezhregion. konf. SPb.: SPOISU, 2015. S. 349-350.
3. Gavrilova T.A., Muromtsev D.I. Intellektualnyie tehnologii v menedzhmente: instrumentyi i sistemyi: ucheb. posobie. SPb.: «Vyissh. sh. menedzhmenta», 2008, 488 s.
4. Kudryavtsev D.V. Sistemyi upravleniya znaniyami i primenenie ontologiy: ucheb. posobie. SPb.: Izd-vo Politehn. un-ta, 2010. 343 s.
5. Dzharratano D., Rayli G. Ekspertnyie sistemyi: printsipyi razrabotki i programmirovanie. M.: Izd. dom «Vilyams», 200б. 1 152 s.
6. Rozenberg V.Ya. Sistema obucheniya na baze semanticheskih setey. Teoriya i praktika // Fundamentalnyie i prikladnyie issledovaniya v sovremennom Mire: mater. Mezhdunar. nauchno-prakt. konf. SPb.: Inform. izd. ucheb.-nauch. tsentr «Strategiya buduschego», 2013. S. 184-191.
l. Novitskiy N.I. Setevoe planirovanie i upravlenie proizvodstvom: ucheb.-prakt. posobie. M.: Novoe znanie, 2004. 159 s.
