CC BY
17УДК 331.101.1:629.01
DOI: 10.30987/2658-4026-2021-1-41-48
К. К. Хоанг, Е. Ю. Авксентьева, Ю. В. Федосов
Формирование индивидуальной траектории обучения автоматизированному проектированию средствами интеллектуальной адаптивной системы
Целью работы является повышение эффективности обучения автоматизированному проектированию печатных плат судовых интегрированных систем управления (АПР ПП СИСУ) с формированием индивидуальной траектории обучения, при котором возникает необходимость перехода от традиционного обучения к интеллектуальному адаптивному обучению.
Методом исследования является анализ особенности формирования индивидуальной траектории обучения АПР ПП.
Результаты исследования и новизна: разработан алгоритм реализации учебного курса при интеллектуальном адаптивном обучении АПР ПП СИСУ; разработан алгоритм определения уровня сложности учебного материала для обучения АПР ПП по приоритету изучения; рассмотрен алгоритм Кохонена для формирования интеллектуальной адаптивной среды образовательного процесса обучения АПР ПП СИСУ; разработан алгоритм адаптивного тестирования с формированием индивидуальных траекторий обучения АПР ПП СИСУ с учетом предпочтения и индивидуальных характеристик обучаемого.
Ключевые слова: искусственный интеллект, автоматизированное проектирование, печатная плата, интеллектуальная адаптивная система обучения, искусственная нейронная сеть, индивидуальная траектория обучения.
K.K. Hoang, E.Yu. Avksentieva, Yu.V. Fedosov
Forming an individual trajectory of teaching computer-aided design by means of an intelligent adaptive system
The aim of the work is to increase the efficiency of teaching computer-aided design of printed circuit boards of ship integrated control systems (CAD PCB SICS) with forming an individual learning path, in which there is a need to move from traditional teaching to intelligent adaptive training.
The research method is to analyze the peculiarities offorming an individual trajectory of teaching CAD PCB.
Research results and novelty:
an algorithm for implementing the training course at intelligent adaptive teaching CAD PCB SICS is developed; an algorithm for determining the complexity level of educational material for teaching CAD PCB by study priority is developed; Kohonen's algorithm for forming an intelligent adaptive environment of the educational process of teaching CAD PCB SICS is considered; an algorithm for adaptive testing with forming individual trajectories of teaching CAD PCB SICS is developed taking into account the student's preferences and individual characteristics.
Keywords: artificial intelligence, computer-aided design, printed circuit board, intelligent adaptive training system, artificial neural network, individual learning path.
Введение
Анализ данных работ [1, 2] в области применения искусственного интеллекта для разработки интеллектуальной адаптивной системы обучения АПР показывает, что затруднена разработка программных систем с реализацией методов искусственного интеллекта. В том числе при создании интеллектуальной адап-
тивной системы обучения появляются проблемы с описанием нейронной сети, предназначенной для интеллектуальной адаптации курса обучения. Предложенная в работе модель обучаемого построена на нейронной сети, которая может предоставлять оптимальный подход изучения учебных материалов обучаемым с учетом предпочтения и индиви-дульных характеристик каждого обучаемого.
При использовании данной модели осуществляются некоторые работы, основными из них являются разработка структуры курса и задания таблиц условных вероятностей для всех узлов сети предметной области.
Алгоритм реализации единиц учебного курса «Проектирование ПП СИСУ»
Реализация учебного курса в интеллектуальной адаптивной системе обучения с использованием нейронной сети может быть представлена следующим алгоритмом [3-5]:
1. Формирование целей обучения с определенными критериями и требованиями к ним, выполнение которых позволяет решать задачу обучения.
Цели обучения представлены в системе:
( Ца(С) >ах,(х =1.....п)
Цоб = | Цб(С) > бу, (у = 1.....т), (1)
1Цв (С) >в2,^ = 1.....1)
где Ца, Цб и Цв - критерии-функционалы определяются в С-состояниях объекта обучения.
2. Разработка уровней учебного курса по приоритету изучения.
3. Формирование концептов для обеспечения поддержки процесса обучения.
4. Определение зависимостей изучения между концептами;
5. Формирование разных кластеров в учебном курсе
6. Определение вида связей между двумя концептами
Пример: единица учебного курса нулевого уровня является корневым элементом, и распределяется на единицы учебного курса первого уровня и т.д.
Распределение уровней учебного курса включает следующие шаги:
1) выделяются единицы учебного курса, которые являются первым компонентом в множестве связей графа, и размещаются в отдельное подмножество;
2) исключаются из рассмотрения остальные единицы, остающиеся в графе;
3) если в множестве связей графа еще существует единица учебного курса, эти шаги будут повторяться;
4) все единицы учебного курса, выделенные на первом шаге, нумеруются нулевым уровенем. Единицы, находящиеся на следующем шаге, будут соответствовать уровню 1. На следующем шаге единицы учебного курса будут увеличивать свой уровень в соответствии с предыдущими на единицу (рисунок 1 и таблица 1) [6, 7].
Рис.1. Пример графа учебного курса «Проектирование ПП СИСУ Altium Designer»
Таблица 1. Уровни единиц учебного курса «Проектирование ПП СИСУ Altium Designer»
№ Учебные единицы курса Уровень Обозначение
1 Проектирование ПП СИСУ Altium Designer 0 Ео
2 Знакомство с платформой Altium Designer 1 Е1
3 Разработка библиотеки и моделей компонентов 1 Е2
4 Разработка схем 1 Еэ
5 Разработка РСВ 1 Е4
6 Создание библиотеки компонентов 2 Е5
7 Создание библиотеки посадочных мест 2 Еб
8 Настройка редактора схем 2 Е7
9 Редактирование схем 2 Е8
10 Настройка редактора плат 2 Е9
11 Синхронизация схемы и платы 2 Ею
12 Редактирование объектов на плате 2 Е11
13 Создание интегрированной библиотеки 2 Е12
14 Создание и подключение штампа основной панели 3 Е13
15 Проверки и исправление ошибок 3 Е14
16 Панель РСВ 3 Е15
17 Трассировка 3 Е16
18 Размещение компонентов 3 Е17
19 Просмотр 3D 3 Е18
20 Импорт и экспорт схем 4 Е19
21 Интерактивная трассировка 4 Е20
22 Создание связности 4 Е21
23 Поиск и проверка ошибок на плате 4 Е22
24 Импорт и экспорт плат 4 Е23
25 Проектирование устройств из нескольких электрических модулей 5 Е24
26 Выходная документация 5 Е25
Для реализации этой функции эксперта при разработке учебного курса была применена искусственная нейронная сеть.
Ядром интеллектуальной адаптивной системы является математическая модель, реализованная в виде нейронной сети для решения задач повышения эффективности обучения за счет автоматизированного управления процессом обучения [13].
Интеллектуальная адаптивная система обучения АПР ПП взаимодействует с двумя программными модулями: модулем учебного материала и модулем тестирования.
Модуль учебного материала
Поскольку осуществляется автоматическое управление курсом, может случиться, что уровень сложности не устраивает обучающегося, или обучающийся не обладает требуемыми знаниями, поэтому создается функция потребности повышения/уменьшения уровня сложности учебных материалов для обучающегося [8, 14]. Модули учебного материала
состоят из отдельных тем для изучения и практического задания. В модуль включаются тесты, которые проверяют знание содержания учебного материала. Каждый тест состоит из 15 вопросов с заданной сложностью от 1 до 5. В зависимости от правильности результата ответов на тест, отражающий уровень обучаемого освоения материала (которым является вход в искусственную нейронную сеть) на выходах будут определены рекомендуемые темы для следующего изучения.
Каждый нейрон сети соединен со всеми компонентами 15 входного вектора ах = (ах, а2,..., а15). Количество нейронов совпадает с 4 кластерами, который сеть должна выделить. Выход адаптивного сумматора Су зависит от количества нейронов сети Кохонена и определится по формуле:
су = £у=1 ЬХу ах, (2)
Где х - номер входов;
у - номер нейрона, у = 4; Ьху - вес х-го входа и у-го нейрона. На рисунке 2 представлено графическое отражение искусственной нейронной сети, ко-
торая покрывает 15 вопросов по каждому модулю обучения. Количество скрытых слоев искусственной нейронной сети зависит от количества входов. В работах [9, 15] показано,
что качество обучения в искусственной нейронной сети пропорционально увеличивается с повышением количества скрытых слоев.
а2
а3
а 7
ар
ац
Рис.2. Графическое отображение искусственной нейронной сети для 15 вопросов
Для реализации данной модели с помощью искусственной нейронной сети необходимость выделить отношения между входами и выходами, например отношение между количеством входов и количеством вопросов, или отношение между количеством выходов и количеством тем изучения.
Наиболее распространенным и удобным способом обучения искусственной нейронной сети для решения такого типа задач является алгоритм Кохонена [10, 11]. Он имеет один слой нейронов, число входов каждого нейрона равно размерности входного вектора, число нейронов в слое равно числу различных классов, и построен по правилу «победитель получает все» (рисунок 2). Перед началом обучения веса у сети представляются по результатам предварительного теста. Если установить слишком низкий или высокий уровень для данных показателей, то в результате можно переучить систему или недоучить. Поэтому
обучение, как правило, проводится несколько раз с корректировкой этих задач. На следующем этапе использование входных данных для обучения осуществляется выполнение проходов сети. На основе результата выходных данных весы будут корректироваться. Цель обучения по этому алгоритму состоит в выявлении структуры входных данных и представляет их в виде распределенных нейронных активностей.
Модуль тестирования
Условиям для реализации графовой модели учебного курса является алгоритмы адаптивного тестирования, которые могут генерировать вопросы к адаптации уровня компетенции каждого обучаемого с целью определения уровня знания обучаемого и пробелов в знаниях обучаемого, которые должны быть ликвидированы в процессе обучения. Основу иде-
44
© «Ergodesign», № 1, 2021
ального теста составляет линейно-иерархический тест из 15 вопросов, увеличивающихся по уровню сложности. Количество баллов, получаемое обучаемым, зависит от уровней тестов и правильности результата ответов обучаемого. Для получения максимальных количеств баллов (100 баллов) обучаемому необходимо проходить все модули по уровню сложности и сдать тесты на «отлично». Адаптация к обучающему в данном случае базируется на следующей модели количества баллов, полученных по выполнению теста (рисунок 3). Вершинами графа являются предлагаемые обучающемуся учебный мате-
риал и тест, а ребра отражают связь между ними при отличных (Отл.), хороших (Хор.) удовлетворительных (Уд.) и неудовлетворительных (Неуд.) результатах. Уровень знаний обучаемого оценивается тестом из п уровня сложности вопроса, и вычисляется по формуле:
Кб =
100 '
(3)
где КБ - уровень знаний обучаемого; к£ - количество правильных ответов по 1 уровню сложности вопроса; 1=1 ...п; т - количество баллов соответствует с п уровню сложности вопроса.
Рис.3. Последовательность подачи материалов Результаты исследования
В данной работе были получены следующие результаты:
- разработан алгоритм реализации учебного курса в интеллектуальном адаптивном обучении АПР ПП СИСУ;
- разработан алгоритм определения уровня сложности учебного материала для обучения АПР ПП по приоритету изучения;
- рассмотрен алгоритм Кохонена для формирования интеллектуальной адаптивной среды образовательного процесса обучения АПР ПП СИСУ;
- разработан алгоритм адаптивного тестирования с формированием индивидуальных траекторий обучения АПР ПП СИСУ с учетом предпочтения и индивидуальных характеристик обучаемого.
Выводы
Необходимо отметить, что подготовка высокого уровня знаний и навыков будущего инженера непрерывно развивается во многом
благодаря внедрению искусственного интеллекта в систему обучения АПР ПП [12, 16]. Разработано новое средство интеллектуальной адаптивной системы обучения АПР ПП, позволяющее преподавателю освободиться от рутинной работы и заниматься творческим развитием обучаемых. Важными характеристиками в этой системе являются индивидуальный подход к каждому обучаемому, актуальный опыт в профессиональной деятельности обучения и информационные технологии и прочие факторы. Интеллектуальная адаптивная система обучения АПР ПП должна позволять организовать образовательный процесс, доступ к учебной информации и оценку знаний и умений обучаемого, предоставляя возможность формировать индивидуальные траектории обучения с учетом предпочтения и индивидуальных характеристик обучаемого. В дальнейшем планируется применять прак-тико-ориентированный подход в обучении АПР ПП, которое позволит повысить качество подготовки будущего инженера проектирования ПП.
© «Ergodesign», № 1, 2021
45
СПИСОК ЛИТЕРАТУРЫ
1. Курейчик, В.В. Мобильное обучение: контекстная адаптация и сценарный подход [Текст] / В.В. Курейчик, С.И. Родзин, Л.С. Родзина // Открытое образование. - 2013. - №4.
- С.75-82.
2. Ципина, Н.В. Разработка моделей, алгоритмов и средств процесса автоматизированного обучения : специальность 05.13.10 Управление в социальных и экономических системах: дис. на соискание ученой степени канд. тех. наук. [Текст] / Ципина Наталья Викторовна; Воронежский государственный технический университет. - Воронеж, 2002. - 137 с.
3. Киселева, Е.И. Разработка модели обучающей системы и алгоритмов оптимизации ее функционирования с помощью интеллектуальных методов: специальность 05.13.17
- Теоретические основы информатики : дис. на соискание ученой степени канд. тех. наук. [Текст] / Киселева Екатерина Игоревна; Вологодский государственный университет. -Воронеж, 2018. - 113 с.
4. Коцюба, И.Ю. Основы проектирования информационных систем: учеб. Пособие [Текст] / И.Ю. Коцюба, А.В. Чу-наев, А.Н. Шиков. - Санкт Петербург. - Изд-во Университета ИТМО, 2015. - 206 с.
5. Павлов, А.Д. Проектирование и реализация адаптивной интегрированной модели в интеллектуальной инструментальной среде дистанционного обучения Mathbridge [Текст] / А.Д. Павлов // XXIII Туполевские чтения (школа молодых ученых), Международная молодежная научная конференция: Материалы конференции. Сборник докладов.
- Казань, 2017. - С. 155-159.
6. Кузнецова, О.В. Модели и алгоритмы автоматизированного проектирования печатных узлов на основе трехмерного моделирования : специальность 05.13.12 Системы автоматизации проектирования (приборостроение): дис. на соискание ученой степени канд. тех. наук. [Текст] / Кузнецова Ольга Валерьевна, Федеральное государственное автономное образовательное учреждение высшего образования «Санкт-Петербургский национальный исследовательский университете информационных технологий, механики и оптики». - Санкт Петербург, 2016. - 153 с.
7. Шустова, Н.А. Контроль знаний в автоматизированной обучающей системе [Текст] / Н.А. Шустова // Программные продукты и системы. - 2013. - №2. - С. 90-94.
8. Солдаткина, Е.В. Адаптивный алгоритм обучающего тестирования в структуре электронного ученика «Теоретическая метрология» [Текст] / Е.В. Солдаткина, Р.А. Пя-таикина // Вестник Южно-Уральского государственного университета. Серия: Образование, здравоохранение, физическая культура. - 2005. - №6. - С. 120-123.
9. Попова, Ю.Б. Искусственная нейронная сеть в обучающей системе CATS [Текст] / Ю.Б. Попова// Цифровая трансформация. - 2019. - №2. - С. 53-59.
10. Войт, Н.Н. Разработка методов и средств адаптивного управления процессом обучения в автоматизированном проектировании: дис.... канд. тех. наук. [Текст] / Н.Н. Войт.-
REFERENCES
1. Kureichik, V.V. Mobile Learning: Context Adaptation and Scenario Approach [Text] / V.V. Kureichik, S.I. Rodzin, L.S. Rodzina // Open Education. - 2013. - no. 4. - pp. 75-82.
2. Tsipina, N.V. Development of Models, Algorithms and Means of the Computer-Aided Learning Process: specialty 05.13.10 - Management in Social and Economic Systems: dis. for the academic degree of Cand. techn. sciences. [Text] / Tsipina Natalia Viktorovna; Voronezh State Technical University. - Voronezh, 2002. - 137 p.
3. Kiseleva, E.I. Development of Training System Model and Algorithms for Optimizing its Functioning Using Intelligent Methods: specialty 05.13.17 - Theoretical Foundations of Computer Science: dis. for the degree of Cand. techn. sciences. [Text] / Kiseleva Ekaterina Igorevna; Vologda State University. - Voronezh, 2018. - 113 p.
4. Kotsyuba, I.Yu. Fundamentals of Information Systems Design: Textbook. Manual [Text] / I.Yu. Kotsyuba, A.V. Chu-naev, A.N. Shikov. - St. Petersburg. - Publishing house of ITMO University, 2015. - 206 p.
5. Pavlov, A.D. Design and Implementation of an Adaptive Integrated Model in the Intellectual Instrumental Environment of Distance Learning Mathbridge [Text] / A.D. Pavlov // XXIII Tupolev Readings (School of Young Scientists), International Youth Scientific Conference: Conference Proceedings. - Kazan, 2017. - pp. 155-159.
6. Kuznetsova, O.V. Models and Algorithms for Automated Design of Printed Circuit Boards Based on Three-Dimensional Modeling: specialty 05.13.12 - Computer-aided design (instrument making): dis. for the degree of Cand. techn. sciences. [Text] / Olga Valerievna Kuznetsova, Federal State Autonomous Educational Institution of Higher Education "St. Petersburg National Research University of Information Technologies, Mechanics and Optics". - St. Petersburg, 2016. - 153 p.
7. Shustova, N.A. Knowledge Control in the Automated Training System [Text] / N.A. Shustova // Software Products and Systems. - 2013. - no. 2. - pp. 90-94.
8. Soldatkina, E.V. Adaptive Learning Testing Algorithm in the Structure of an Electronic Student-Book "Theoretical metrology" [Text] / E.V. Soldatkina, R.A. Pyataikina // Bulletin of South Ural State University. Series: Education, Health Care, Physical Education. - 2005. - no. 6. - pp. 120-123.
9. Popova, Yu.B. Artificial Neural Network in the CATS Training System [Text] / Yu.B. Popova // Digital Transformation. - 2019. - no. 2. - pp. 53-59.
10. Voit, N.N. Developing Methods and Means of Adaptive Control of the Learning Process in Computer-Aided Design: dis ... cand. techn. sciences. [Text] / N.N. Voit. - Ulyanovsk, 2009. - 232 p.
Ульяновск, 2009. - 232 с.
11. Ишакова, Е.Н. Математическое и алгоритмическое обеспечение прогнозирования рисков на основе нейронной сети Кохонена [Текст] / Е.Н. Ишакова, Т.М. Зубкова // Вестник Оренбургского государственного университета. - 2014. - №9. - С. 182-186.
12. Акимов, С.С. Нейронные сети в среде вышего образования [Текст] / С.С. Акимов, И.А. Кушнерова // Тенденции инновационного развития науки и практики: сб. науч. тр./ Тенденции иновационного развития науки и практики. Сборник научных статей по материалам Международной научной-практической конференции. - Смоленск, 2017. - С. 112-114.
13. Sanal, M.G. Artificial intelligence and deep learning: The future of medicine and medical practice [Текст] / M.G. Sanal, K. Paul, S. Kumar, N.K. Ganguly // Journal of association of physicians of India. - 2019. - Volume 67. - P. 71-73.
14. Rani, M. An ontology-based adaptive personalized e-learning system, assisted by software agents on cloud storage [Текст] / M. Rani, R. Nayak, O.P. Vyas // Knowledge-based systems. - 2015. - Volume 90. - P. 33-48.
15. Zhuang, L. Design of vibration signal data acquisition system for ship mechanical and electrical equipment [Текст] / L. Zhuang // Journal of coastal research. - 2019. - Volume 97. - P. 254-260.
16. Luo, X. Research on communication technology of ship integrated monitoring system based on opc [Текст] / X. Luo // 2020 International conference in intelligent transportation, big data and smart city. - 2020. - P. 538 -531.
11. Ishakova, E.N. Mathematical and Algorithmic Support for Risk Prediction Based on Kohonen's Neural Network [Text] / E.N. Ishakova, T.M. Zubkova // Bulletin of Orenburg State University. - 2014. - no. 9. - pp. 182-186.
12. Akimov, S.S. Neural Networks in the Higher Education Environment [Text] / S.S. Akimov, I.A. Kushnerova // Trends in the Innovative Development of Science and Practice: proceedings / Trends in the Innovative Development of Science and Practice. Proceedings of the International Scientific and Practical Conference. - Smolensk, 2017. - pp. 112-114.
13. Sanal, M. G. Artificial intelligence and deep learning: The future of medicine and medical practice [Text] / M.G. Sanal, K. Paul, S. Kumar, N. K. Ganguly // Journal of association of physicians of India. - 2019. - Volume 67. - P. 71-73.
14. Rani, M. An ontology-based adaptive personalized e-learning system, assisted by software agents on cloud storage [Text] / M. Rani, R. Nayak, O. P. Vyas // Knowledge-based systems. - 2015. - Volume 90. - P. 33-48.
15. Zhuang, L. Design of vibration signal data acquisition system for ship mechanical and electrical equipment [Text] / L. Zhuang // Journal of coastal research. - 2019. - Volume 97. - P. 254-260.
16. Luo, X. Research on communication technology of ship integrated monitoring system based on opc [Text] / X. Luo // 2020 International conference in intelligent transportation, big data and smart city. - 2020. - P. 538 -531.
Ссылка для цитирования:
Хоанг, К. К. Проблемы изучения образного мышления человека с позиций нейропсихологии и когнитивной семантики / К. К. Хоанг, Е. Ю. Авксентьева, Ю. В. Федосов //Эргодизайн. - 2021 - №1 (11). - С. 41-48. - 001:10.3098 7 2658-40262021-1-41-48.
Сведения об авторах: Хоанг Конг Кинь
федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский университет ИТМО», аспирант факультета программной инженерии и компьютерной техники Тел. +79697299090 E-mail: hoangkinh@yandex.ru ORCID
Авксентьева Елена Юрьевна
федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский университет к.п.н., доцент факультета программной инженерии и
компьютерной техники Тел. +79214018982 E-mail: eavksenteva@itmo.ru ORCID 0000-0001-5000-4868
Abstracts: Hoang Cong Kinh
Federal State Autonomous Educational Institution of Higher Education "National Research University ITMO", Post graduate student of the Faculty of Software Engineering and Computer Engineering
Тел. +79697299090
E-mail: hoangkinh@yandex.ru
ORCID
E.Y. Avksentieva
Federal State Autonomous Educational Institution of Higher Education "National Research University" Candidate of Pedagogy, Associate Professor of the Faculty of Software Engineering and Computer Engineering
Tel. +79214018982 E-mail: eavksenteva@itmo.ru ORCID: 0000-0001-5000-4868
Федосов Юрий Валерьевич
федеральное государственное автономное образовательное учреждение высшего образования «Национальный исследовательский университет ИТМО» к.п.н., доцент факультета систем управления и
робототехники Тел. +79214281925 E-mail: yiD1@yandex.ru ORCID
Y.V. Fedosov
Federal State Autonomous Educational Institution of Higher Education "National Research University ITMO" Candidate of Pedagogy, Associate Professor of the Faculty of Control Systems and Robotics
Tel. +79214281925, E-mail: yf01@yandex.ru ORCID
Статья поступила в редколлегию 06.01.2021 г.
Рецензент: к.т.н., доцент
Брянского государственного технического университета Член редколлегии журнала «Эргодизайн»
Рытов М.Ю.
Статья принята к публикации 13.01.2021 г.
