CC BY
56
Автоматизация управления интегрированным
обучением
Мазурок Татьяна .Леонидовна
профессор, д.т.н., кафедра прикладной математики и информатики, Южноукраинский национальный педагогический университет им. К.Д. Ушинского,
г. Одесса, Украина mazurok62@mail.ru
Аннотация
Предложена модель структурно-параметрического описания и реализации системы межпредметных связей. Описано применение нейронной сети Хопфилда для определения весовых коэффициентов межпредметных взаимосвязей для автоматизированного управления интегрированным обучением.
A models of structural and parametric specification and implementation of interdisciplinary connections are proposed. Describes the using of Hopfield neural network to determine the weights of interdisciplinary relationships for the automatization control integrated education.
Ключевые слова
автоматизированная система управления обучением, интегрированное обучение, модель системы межпредметных связей, нейросетевое управление; computer aided control system for teaching, integrated teaching, model of system interdisciplinary connections, neural-network control.
Введение
Широкое применение информационно-коммуникационных (ИКТ) технологий на современном этапе развития и становления методологии создания электронных средств, предназначенных для поддержки различных форм обучения, основывается на комплексном решении дидактических, технологических, информационных и др. задач, решение которых необходимо для повышения эффективности использования ИКТ в обучении, создания условий для развития качественных образовательных услуг. Одним из важных показателей качества образовательных услуг является степень персонификации сопровождения процесса обучения, которая в свою очередь определяется адаптивностью и управляемостью системы обучения.
Обучение представляет собой процесс взаимосвязанной деятельности преподавателей и обучаемых, который осуществляется в рамках педагогической системы (ПС) [1]. Педагогическая система состоит из двух основных взаимосвязанных подсистем - подсистемы формирования педагогической задачи и подсистемы педагогической технологии, реализующей поставленную задачу.
В традиционном процессе обучения постановка и реализация педагогической задачи осуществляется преподавателем. В компьютеризированном обучении стадия реализации сопровождается использованием компьютерных средств в качестве средства предъявления информации, проведения тестирования, формирования и доставки контента и пр. [2]. Таким образом, самый ответственный этап, во многом предопределяющий результат обучения и эффективность самого процесса обучения, осуществляется преподавателем в «ручном» режиме, фактически без каких-либо
530
средств автоматизации. Применение ИКТ сводится к информационной поддержке процесса обучения.
Существенно повысить эффективность использования ИКТ можно на основе развития кибернетического подхода, предложенного Растригиным Л.А. и др. последователями его идеи, с учётом современных достижений теории управления, использования средств интеллектуального управления [3].
Одной из актуальных дидактических задач, решение которой возможно на основе такого подхода, является создание условий для управляемого интегрированного обучения. Усиление интеграционных процессов в науке приводит к необходимости учёта междисциплинарных связей при формировании содержания обучения. Кроме того, возможность выбора различных наборов межпредметных взаимосвязей, периодичность их использования на протяжении обучения расширяют возможности индивидуализации обучения.
Поэтому, в рамках общей проблемы формирования методологии создания электронных средств, предназначенных для поддержки различных форм обучения, одной из актуальных и нерешённых задач является задача реализации кибернетического подхода для автоматизации управления интегрированным обучением. Наиболее распространённой формой интегрированного обучения является реализация межпредметных связей.
Структурно-параметрическая модель системы межпредметных связей
Процесс планирования и реализации межпредметных связей, как дидактически обусловленный процесс, связан с построением дидактической модели межпредметных связей в учебной теме. Для этого необходимо провести два этапа структурно-логического анализа содержания учебных дисциплин: внутренний и внешний. Внутренний представляет собой структурно-логический анализ содержания изучаемой темы с целью выявления её ведущих положений и основных связеобразующих элементов. Внешний - это структурно-логический анализ содержания тем других учебных дисциплин с целью определения степени перекрытия их содержания с содержанием изучаемой темы, нахождения «опорных» межпредметных знаний, которые необходимо использовать для того, чтобы всесторонне и научно обоснованно рассмотреть ведущие положения определённой темы основной учебной дисциплины [4].
Осуществление этих двух этапов является задачей плохо формализованной, функционально связанной с двумя процессами - содержательным анализом структуры темы со стороны преподавателя и осуществлением определённых информационных преобразований, которые в значительной степени подлежат автоматизации при условии разработки соответствующих моделей и методов их обработки. Кроме того следует отметить, что внутренний структурно-логический анализ фактически может быть осуществлён на основе структурно-параметрического описания учебной дисциплины в соответствии с уровнями иерархии. Внешний анализ, по сути, совпадает с процессом формирования структурно-параметрической модели межпредметных связей. Дидактически обусловлено [1], что наиболее эффективным является использование межпредметных связей системно, планомерно на протяжении всего периода обучения, а не эпизодически. Поэтому в дальнейшем будем использовать понятие системы межпредметных связей (СМПС).
Входными данными для создания модели СМПС являются результаты, полученные при обработки монопредметной учебной дисциплины (УД). По каждому уровню иерархии структуры УД получаем упорядоченную по степени логических
531
взаимосвязей последовательность учебных объектов. Пусть исходные данные заданы последовательностями учебных объектов двух дисциплин - LE1 и LE2, где LE1 = fa \i = 1...m ; LE2 = * j = 1...n. В результате заполнения матрицы
межпредметных связей экспертом-преподавателем по поводу его субъективных соображений о целесообразности отображения взаимосвязей между парами учебных элементов, принадлежащих разным УД, получаем нечёткое отношение LE1R LE2, задающее нечёткий двудольный граф.
Дальнейший анализ направлен на решение двух следующих дидактически значимых задач внешнего анализа - определение степени «перекрытия» учебных элементов из УД и нахождение опорных межпредметных знаний.
Для определения характеристики степени «перекрытия», используемого в дидактике, будем использовать коэффициент интегрирования УД - кНд . Значение данного коэффициента можно определить как локальную степень вершин нечёткого орграфа. Однако, с учётом дидактического смысла, при количественном выражении показателя интеграции необходимо учесть не только количество взаимосвязей, но и коэффициент равномерности, расстояние от главной диагонали. В связи с нечётким характером данных, которыми удобно оперировать преподавателю, и нечётким характером рассуждений, образующих набор правил логического вывода для определения показателя интеграции, в качестве математического аппарата применим нечёткую логику. В качестве исходных и выходных данных применяем точные значения, поэтому система нечёткого вывода содержит фаззификатор на входе и дефаззификатор на выходе.
При решении задачи формализации определения показателя интеграции учебного материала существенными являются следующие моменты:
1. определение всех критериев осуществляется в едином диапазоне, следовательно, не требует процедуры масштабирования, следовательно, нет необходимости в применении модели Ларсена;
2. все функции принадлежности являются однородными. Поэтому нет необходимости применять модель Цукамото;
3. результатом вывода является нечёткое множество, определение которого не связано с вычислением функционалов. Поэтому отсутствует необходимость в применении модели Сугено.
Таким образом, применяя рассуждения от противного, выбираем в качестве основной модели алгоритм нечёткого вывода Мамдани.
Для определения входных переменных, с помощью которых выражается мнение преподавателя по поводу межпредметных связей, введём следующие лингвистические переменные:
- «степень перекрытия»: содержит три терма: {«низкий» (Н), «средний» (С), «высокий» (В)}. Для определения понятия «степень перекрытия» применено понятие
а - пересечения нечёткого отношения R1R2a = ^l1t,l2^: juR1R2(11^12^ >а*,
причём на основе эвристических соображений примем а = 0.5 . Таким образом, при определении «перекрытия» будут учтены только те взаимосвязи, степень принадлежности которых не меньше 0.5;
- «степень равномерности»: содержит такие же термы, определяется как среднее значение разброса от среднего значения степени принадлежности в матрице межпредметных связей;
- «степень согласованности»: определяется с помощью таких же термов на основе расстояний между взаимосвязанными элементами [5].
Модель определения коэффициента интеграции, как обобщённого показателя, количественно оценивающего межпредметные связи на основе мнения преподавателя базовой УД, показана на рис. 1.
532
Рис. 1. Схема определения коэффициента интегрирования
Структурно-параметрическая модель системы межпредметных связей определяет интегрирование двух учебных дисциплин без учёта иерархической вложенности. Для учёта определённых уровней вложенности «УД - Раздел (Подраздел, модуль и др.) - УЭ» последовательно выполняются аналогичные действия. Предложенная структурно-параметрическая модель является составной частью синергетического управления индивидуализированным обучением. Для компьютерной реализации предложенной модели на основе анализа необходимых преобразований в качестве инструмента выбрана технология нейронных сетей.
Нейросетевая реализация системы межпредметных связей
Теория формирования межпредметных структур учебных знаний основывается на психолого-педагогических исследованиях закономерностей ассоциативного процесса, имеющего место при использовании межпредметных связей [6]. Поэтому предложено формализовать междисциплинарный объект обучения на основе внедрения модели ассоциативного мышления.
Модель описания процесса ассоциативного мышления рассматривается нами как звено, соединяющее логическую модель и модель нейронной сети, что соответствует тенденциям развития систем искусственного интеллекта по созданию гибридных систем [7].
Эффективность различных форм интегрированного обучения проявляется в формировании на уровне мысленной модели (в сознании обучаемого) определённых наборов ассоциаций, которые помогут ему в дальнейшей профессиональной деятельности восстановить по неполным данным весь образ по ассоциативным связям. Формирование эталонных образов в виде наборов ассоциаций осуществляется на основе извлечения знаний об объективно существующих связях между соответствующими УД. Дальнейшее использование модели связано с установлением соответствующих наборов коэффициентов интеграции, обеспечивающих восстановление требуемого образа. Кроме того, не
активизированные ассоциации могут быть уничтожены.
Для реализации модели ассоциативного поиска используем функционирование нейронной сети Хопфилда [8]. Нейронная сеть Хопфилда представляет собой сеть с автоассоциативной памятью, которая реализует отображение и восстановление по
533
части образа ближайшего к ней эталонного. По архитектуре - это рекуррентная однослойная сеть, в которой выход каждого нейрона соединён с входами всех остальных (рис. 2). Начальное состояние сети определяется входным вектором, конечное состояние - состоянием равновесия сети, в результате чего устанавливается выходной восстановленный образец.
Рис. 2. Структурная схема сети Хопфилда
Для компьютерной реализации системы межпредметных связей, как модели отражения эталона ассоциативных взаимосвязей, выбран инструмент Neural Networks Toolbox (NNT) пакета Matlab. В NNT реализован алгоритм синтеза на основе метода проектирования модифицированных сетей Хопфилда в виде подфункции solvehop2 M-функции newhop. Если задано множество целевых точек равновесия с помощью матрицы, то функция newhop возвращает матрицу весов и вектор смещений для рекуррентного слоя сети Хопфилда. При этом гарантируется, что точки устойчивого равновесия будут соответствовать целевым векторам, но при этом могут возникнуть паразитные точки. В процессе синтеза сети количество таких точек сводится к минимуму. Таким образом, использование сети Хопфилда состоит из следующих этапов: проектирование сети с помощью функции newhop; проверка
принадлежности вершин сети Хопфилда; расчёт весов и смещений модифицированной сети; проверка поведения сети при случайных начальных условиях.
Таким образом получаем в качестве инструментария для преобразования информации о целесообразных взаимосвязях между УД, представленной бинарными значениями целевых точек, в информацию о коэффициентах интеграции, обеспечивающих необходимый уровень взаимосвязи. Предложенный метод моделирования системы межпредметных связей имеет теоретическое обоснование, построенное на аналогии с ассоциативным мышлением, позволяет даже в условиях отсутствия «задачника» настроить сеть, определить необходимые весовые коэффициенты, соответствующие степени взаимосвязи. Это является важным элементом в синтезе системы управления индивидуализированным обучением.
Практическая реализация
В качестве примера использования предложенного подхода в процессе планирования межпредметного обучения можно представить планомерный процесс интегрирования школьных курсов информатики и экономики на основе опыта внедрения в Одесском учебно-воспитательном комплексе «Просвета». Указанные
534
предметы изучаются по углублённой программе, начиная с младшей школы, и являются профильными. Поэтому, при обучении информатике в средней и старшей школе осуществляется внедрение системы межпредметных связей на постоянной основе, которое предусматривает равномерное «перекрытие» этих учебных предметов, что проявляется в использовании в качестве содержательного материала преимущественно задач и примеров экономического характера.
Например, при установлении межпредметных связей между двумя темами школьных курсов информатики и экономики 9 класса «Работа с электронными таблицами» и «Рынок и его основные элементы», исходные данные следующие:
1. структурная модель изучения темы «Работа с электронными таблицами»;
2. структурная модель изучения темы «Рынок и его основные элементы»;
3. плановый показатель степени интеграции, который определяется как среднее значение соответствующих показателей предшествующих взаимосвязанных тем указанных УД.
Отметим, что структурные модели предварительно упорядочены по степени логических взаимосвязей и определяют последовательность УЭ.
Плановый показатель коэффициента интегрирования составляет значение 0,26.
Затем учитель информатики заполняет матрицу межпредметных связей. На рис. 3 показано диалоговое окно редактора межпредметных связей и результирующая таблица связей.
Рис. 3. Окно редактора межпредметных связей
В соответствии с предложенной схемой (рис.2) определим фактическое значение коэффициента интегрирования. На основе полученной матрицы межпредметных связей определены следующие значения параметров интеграции: степень перекрытия - 0,12; степень равномерности - 0,13; степень согласованности -0,33. Применяя процедуру нечёткого логического вывода, состоящей из 27 правил, получаем значение коэффициента интегрирования 0,26. Данное значение соответствует низкой степени взаимосвязи, совпадает с плановым показателем, отражает фрагментарный характер связей между рассматриваемыми разделами. В случае несовпадения плановых и фактических значений используется модель на основе Хопфилда. Тогда в состоянии равновесия можно определить вектор весовых коэффициентов, обеспечивающих плановый показатель интеграции.
535
Заключение
Предложенные модели структурно-параметрического описания и реализации системы межпредметных связей составляют основу автоматизированного управления интегрированным обучением. Таким образом, при формировании индивидуальных последовательностей учебных элементов можно решать два вида задач: определять коэффициент интегрирования; подбирать наборы УЭ, обеспечивающие плановые значения показателя интеграции.
Включение указанной технологии позволяет облегчить процесс планирования и организации разных форм интегрированного обучения, позволяет расширить дидактические функции применения ИКТ в обучении, способствует развитию автоматизированного способа формирования индивидуальных траекторий обучения с учётом межпредметных взаимосвязей, что особенно важно при формировании компетенций.
В качестве перспективного направления исследований в данной области считаем расширение предложенных моделей на большее количество изучаемых предметов.
Литература
1. Беспалько В.П. Образование и обучение с участием компьютеров (педагогика третьего тысячелетия). - М.: МПСИ, 2002. - 325 с.
2. Печников А.Н., Аванесова Т.П., Шиков А.Н. Альтернативные подходы к проектированию и внедрению компьютерных технологий обучения //Международный электронный журнал «Образовательные Технологии и Общество (Educational Technology & Society)» - 2013. - V. 16. - №2. - С. 433-446 URL: http://ifets.ieee.org/russian/periodical/V_162_2013EE.html
3. Мазурок Т.Л. Синергетическая модель индивидуализированного управления обучением //Математические машины и системы, 2010, № 3, С.124-134.
4. Ерёмкин А.И. Система межпредметных связей в высшей школе /А.И. Ерёмкин. -Харьков: ХГУ, 1984. - 151 с.
5. Федорец Г.Ф. Межпредметные связи в процессе обучения / Г.Ф. Федорец. - Л.: ЛГПИ, 1983. - С.8-18.
6. Гаврилов А.В. Модель ассоциативного мышления / А.В. Гаврилов // Системы искусственного интеллекта. - Новосибирск: НГТУ, 1993. - С. 10-14.
7. Hopfield J. Neural Computations of decisions in optimization problems / J. Hopfield, D. Tank // Biological Cybernetics, 1985. - Vol.52. - P.141-152.
8. Мазурок Т.Л. Адаптивное управление обучением на основе синергетического подхода //Кибернетика и вычислительная техника. - 2013. - №172. - С. 49-60.
536
