CC BY
21
ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ДИСТАНЦИОННОГО ОБРАЗОВАНИЯ ДЛЯ ПОВЫШЕНИЯ КАЧЕСТВА УСВОЕНИЯ УЧЕБНОГО МАТЕРИАЛА
О.Ю. Ерёмин, канд. техн. наук, доцент М.А. Скворцова, ассистент
Московский государственный технический университет им. Н.Э. Баумана (Россия, г. Москва)
Аннотация. В статье рассматриваются вопросы построения интеллектуальной системы дистанционного образования, варианты ее архитектуры. Предлагаемые подходы могут быть использованы для выявления закономерностей в ответах обучающихся на тестовые вопросы, на основе чего возможно их разделение на группы, для которых могут быть предложены учебные программы разного уровня сложности, интенсивности и подробности. Основываясь на данном разделении есть возможность обучения, как в режиме работы с учителем, так и без его участия.
Ключевые слова: дистанционное обучение, нейронная сеть, СУБД, клиент, сервер, интеллектуальная система.
Кафедра ИУ6 «Компьютерные системы и сети» МГТУ им. Н.Э. Баумана является базовой кафедрой для подготовки специалистов в области компьютерных сетей. Поскольку, в настоящее время, университет постепенно перешёл на систему подготовки студентов по направлениям «бакалавр-магистр», то на кафедре вводятся новые учебные планы, которые отражают специфику этого перехода. Для подготовки бакалавров обязательными являются следующие дисциплины сетевого направления: «Сети и телекоммуникации», «Беспроводные сети», «Сетевой практикум». Для подготовки магистров обязательны следующие дисциплины: «Глобальные сети» и «Корпоративные сети». По каждой сетевой дисциплине для магистров предполагается написание и защита курсовой работы.
Сложность преподавания дисциплин сетевого направления заключается, с одной стороны, в требовании того, что студенты должны получить фундаментальные знания, которые позволяют им адаптироваться в быстро меняющейся предметной области. С другой стороны, необходимо, чтобы они хорошо разбирались в последних достижениях сетевых технологий и конкретных современных решениях по эксплуатации и проектированию (для магистров) компьютерных сетей. Только с учетом этих требований возможна подго-
товка высококвалифицированных специалистов, конкурентоспособных на рынке труда. Для удовлетворения требований к классической схеме проведения занятий -лекции, семинары, практические и лабораторные работы - необходимо добавить компонент для эффективной индивидуальной самостоятельной работы студентов. Таким компонентом может быть использование интеллектуальной системы дистанционного образования, которая позволит повысить качество усвоения учебного материала учащимися.
Система дистанционного образования.
В настоящее время системы дистанционного образования или обучения (СДО) позволяют решать лишь ряд проблем, связанных с качеством подаваемого учебного материала, качеством педагогического состава и с повышающимися потребностями населения всех возрастов в образовательных услугах [1].
В современном обществе, дистанционная форма обучения является более демократичной, поскольку, любой человек, при сравнительно небольших материальных затратах, может получить профессию, повысить квалификацию, переориентироваться в профессиональной деятельности, дополнить свое образование новыми областями знаний и т.д.
Системы дистанционного обучения на сегодняшний день являются одним из эффективных способов обучения [2,3].
Как и в любой системе обучения у этих систем есть ряд преимуществ и недостатков. К преимуществам подобных систем можно отнести:
- свободное планирование учебных курсов;
- возможность выбора времени для занятий;
- индивидуальное обучение.
Также существует и ряд недостатков. Наиболее существенным из них является отсутствие преподавателя, либо его минимальное участие. Так как личное общение с преподавателем позволяет эффективно адаптировать учебный курс к текущему уровню учащегося.
Например, при индивидуальной работе с учеником преподаватель в режиме реального времени может обнаружить пробелы в знаниях, или не совсем полное усвоение учебной информации. За счет большого педагогического опыта преподавателя, при обнаружении подобных ситуаций, учебный курс корректируется с учетом успеваемости ученика и усвояемости им информации. Для этого ему предлагаются дополнительные учебные материалы или изменение подходов к преподаванию (увеличение интерактивного элемента образования, использование наглядных материалов и т.п.).
К сожалению, в системе дистанционного обучения невозможно предоставить каждому учащемуся таких же возможностей, как при индивидуальной работе с преподавателем, но при этом возможно сделать упор на индивидуальное обучение [2].
Поэтому, актуальной задачей является повышения качества учебного процесса при работе с системой дистанционного образования за счет оценки степени освоения единиц учебного материала.
Единицей учебного материала может являться честь учебного курса: раздел, тема, подтема, отдельные рассматриваемые вопросы, вплоть до отдельных параграфов [3-10].
Поскольку невозможно создать бесконечное количество курсов с разным уровнем сложности и детализации рассматриваемых вопросов, то вполне естественной становится задача разбиения учащихся на отдельные группы (классы или кластеры) с одинаковыми результатами по освоению курса [4,5].
Вопрос анализа трудностей, возникающих перед учащимся, позволяют его определить в группу, которая содержит людей, имеющих такие же сложности, и поэтому курс будет в дальнейшем адаптироваться к потребностям текущего ученика. Конечно, ученик может какие-то части курса усвоить быстрее, а какие-то покажутся ему слишком «избыточными», поэтому необходимо учесть этот фактор и подобрать для него более подходящую группу, либо создавать новую (если процесс обучения и усвоения материала существенно отличается от уже существующих групп). Если отклонения в процессе обучения студента от членов его группы несущественны, то, возможно, необходимо ввести коррекцию на учебный план этой группы. То есть, система должна не только создавать рекомендации для текущего ученика, но и адаптивно подстраивать его курс в соответствии с его успехами [6,7].
Таким образом, с одной стороны, необходимо дать рекомендацию ученику, то есть определить его принадлежность к определенной группе, но, с другой стороны, предлагается изменять подаваемый материал в течение процесса обучения конкретного ученика. Подобная ситуация является разновидностью, так называемой, дилеммы стабильности-пластичности [6-8].
Методы кластеризации учащихся.
Основные этапы кластеризации учащихся показаны на Рисунке 1.
Кластеризация учащихся осуществляется на основе начального тестирования. По результатам тестирования происходит формирование индивидуальных тестовых заданий, которые позволяют определить качество усвоения нового учебного материала. В дальнейшем по результатам всех видов тестирования формируется индиви-
дуальный учебный курс (либо выбирается один из уровней имеющихся учебных курсов). Это позволяет учащимся не изучать глубоко темы, которые оно уже хорошо знают, а только лишь напоминать базовые аспекты. Таким же образом могут форми-
роваться целые учебные программы (они учитывают не только текущий уровень знаний учащихся, но и также их пожелания, такие как, например, глубже изучить какую-то тему)[9-10].
Рис. 1. Основные этапы кластеризации учащихся
Существующие методы кластеризации (статистические алгоритмы, персептроны и т.д.) обладают рядом недостатков, таких как, требование начального задания количества кластеров, необходимость участия человека при обучении, не позволяют модифицировать данные в кластерах в процессе своей работы, требуют большого количества параметров для настройки [4, 8].
Тем не менее, искусственные нейронные сети позволяют решать задачу распознавания за счет своей способности к обобщению. Поэтому необходимо определить требования, к используемой нейронной сети, при которых[4,6,7]:
1) нейросеть должна иметь способность к адаптации;
2) возможность работы без обучающей выборки, то есть обучение нейросети должно осуществляться в процессе работы;
3) нейросеть, при имеющейся адаптивности, должна быть стабильной;
4) нейросеть должна формировать устойчивые кластеры;
5) нейросеть должна иметь возможность менять свою чувствительность.
Подобной нейронной сетью, обладающей всеми вышеперечисленными свойствами, является модель нейронной сети адаптивно-резонансной теории ART1, которая позволяет проводить кластеризацию двоичных входных векторов, и при этом решает дилемму стабильности-
пластичности [5, 6, 7, 10].
Архитектура интеллектуальной
системы дистанционного обучения.
Существует два принципиально (с точки зрения архитектуры информационной системы) разных способа построения систем дистанционного образования [9]:
1. Использование специального приложения на компьютере пользователя (локальная версия).
2. Использование средств удаленного доступа к образовательным ресурсам (онлайн версия).
Достоинством локальной версии является возможность использования обучающей системы без доступа к глобальной се-
ти интернет. Тем не менее, подключение к сети все равно требуется, так как обновление системы и отправка готовых заданий преподавателю предполагает временный выход в «онлайн». Локальные версии имеют высокую производительность, а также есть возможность поставки базового комплекта учебных материалов на компакт-дисках.
Основным недостатком локальной версии является необходимость создания приложения для аппаратных платформ различного типа (для PC, для Linux, Mac OS, Windows и т.п.), что требует дополнительных затрат на программирование. Также локальные версии занимают большой объем на жестком диске пользователя, и могут не иметь постоянной возможности для обновления.
Онлайн версия не обладает указанными недостатками локальных версий, но требует постоянного подключения к сети интернет. Так как доступ к широкополосному интернету в наши дни имеют все больше и больше людей, то влияние этого недостатка будет постоянно уменьшаться.
Онлайн версию наиболее удобно на сегодняшний день можно реализовать с использованием веб-технологий. При этом на компьютере учащихся не надо будет ставить дополнительное программное обеспечение, а будет достаточно наличия программы интернет-обозревателя, или браузера (который, как правило, есть во всех современных операционных системах).
Архитектура интеллектуальной системы дистанционного образования показана на рисунке 2.
Пользователь ▲
1 14
Интернет-браузер
Шаблоны HTML
Шаблоны
форм
Интерпретатор
серверных сценариев (PHP)
4 ▼
10
11
Серверный сценарий
База данных
ООО
СУБД (MySQL)
6
7
9
5
8
Рис. 2. Архитектура интеллектуальной СДО
Приложение реализуется по технологии «клиент-сервер». Оно взаимодействует с пользователем. При получении от него команды, запускаются соответствующие процессы по обработке данных, которые, в свою очередь, содержат обращения к интеллектуальной системе. Взаимодействие происходит тогда, когда необходимо вы-
полнить действие, связанное с принятием определенного решения, или необходимо получить информацию, хранящуюся в базе данных этой системы [3, 7, 9].
Архитектура строится на основе схемы MVC (model-view-controler, модель-вид-контроллер). MVC предполагает разделение модели данных приложения, пользо-
вательского интерфейса и бизнес-логики приложения на три части, причем так, что изменение одного из компонентов оказывает минимальное влияние на другие компоненты.
Модель в приложении представляет модель предметной области, или знания. Она реализуется на основе системы управления базами данных (при использовании активной модели СУБД реализует полностью модель предметной области, в том числе и реакцию на вносимые изменения), а сами знания хранятся в базе данных.
Вид отвечает за отображение данных пользователю. В веб-приложениях визуальная часть чаще всего реализуется с использованием одной из разновидностей языка разметки гипертекста HTML и каскадных таблиц стилей CSS, а некоторые динамические элементы приложения с помощью языка программирования JavaScript, исполняющегося на стороне клиента (в браузере).
Контроллер реализует бизнес-логику приложения, то есть обеспечивает взаимодействие между пользователем и моделью данных, он контролирует вводимые пользователем данные, а также с использованием шаблонов вида формирует ответные реакции системы на действия пользователя. Для реализации контроллера в веб-приложении в основном используются языки серверных сценариев, например, Java, PHP. При реализации всей логики приложения в виде серверных сценариев возникает ситуация, что на СУБД при использовании модели является лишь интерфейсом для доступа к БД, тогда говорят о пассивной модели. Использование современных мощных и быстрых СУБД позволяет получать эффективную работу приложения при использовании активной модели, при этом реализация контроллера максимально упрощается.
На рисунке 2 показаны следующие компоненты системы дистанционного обучения:
- интернет-браузер - позволяет пользователю получить доступ к системе дистанционного образования;
- веб-сервер - принимает запросы от пользователя, вносит в них изменения (например, с использованием mod_rewrite) и передает данные запроса интерпретатору серверных сценариев;
- интерпретатор серверных сценариев -реализует позволяет обрабатывать серверные сценарии;
- серверные сценарии - реализуют основную логику приложения, обрабатывают поступающие от пользователя данные, а также возвращают визуальное представление для пользователя;
- СУБД - реализует основное поведение для модели MVC;
- база данных - хранит знания о модели предметной области.
Между компонентами системы осуществляются следующие типы запросов:
1 - пользователь взаимодействует с элементами управления на странице в своем интернет-браузере;
2 - запрос от браузера по протоколу HTTP поступает на веб-сервер, где осуществляется его предобработка;
3 - от веб-сервера обработанный запрос поступает на интерпретатор серверных сценариев;
4 - интерпретатор серверных сценариев вызывает необходимый ему сценарий для реализации требуемой функции;
5 - серверный сценарий обращается к СУБД для получения необходимых данных или для внесения изменения в модель данных;
6 - СУБД выполняет запрос к базе данных за необходимыми данными;
7 - от базы данных возвращается результат запроса;
8 - СУБД возвращает результат изменения или состояния модели к серверному сценарию;
9 и 10 - серверные сценарии подключают шаблоны HTML и шаблоны форм для визуального отображения данных для пользователя;
11 - ссылка на готовую страницу возвращается интерпретатору серверных сценариев;
12 - готовая страница передается вебсерверу;
13 - веб-сервер по протоколу HTTP пе- контекстного построения учебной про-редает страницу веб-браузеру пользовате- граммы в зависимости от индивидуальных ля; особенностей каждого из них.
14 - пользователь получает на экране В результате применения подхода к страницу, которая отвечает его запросу. кластеризации учащихся, основанного на
Выделение указанных компонентов модели нейронной сети адаптивно-приложения позволяет реализовывать ка- резонансной теории должны быть получе-ждый из них независимо от других, а так- ны следующие результаты: же при изменении одного не вносить (или - должно улучшиться качество по-
вносить минимальные) изменения в дру- строения учебных курсов для студентов гом компонент. системы дистанционного образования;
Использование интеллектуальной сис- - должны снизиться затраты на разра-
темы дистанционного обучения в класси- ботку и внедрение новых курсов за счет ческом учебном процессе позволяет повы- более полного использования уже имею-сить качество всего образовательного про- щихся ресурсов. цесса за счет кластеризации учащихся и
Библиографический список
1. Полат Е.С. Педагогические технологии дистанционного обучения [Электронный ресурс] // http://www.distant.ioso.ru/seminary/09-02-06/tezped.htm (дата доступа: 03.10.2016) .
2. Норенков И.П., Зимин А.М. Информационные технологии в образовании. - М.: Изд-во МГТУ им. Н.Э.Баумана, 2004.
3. Федоров И.Б., Норенков И.П. Критерии качества дистанционного обучения и структура электронных учебников. - http://portal.ntf.ru/BolonskProcess/NFPK-MONI/ko-ob_r_stat_sbor.doc.
4. Хайкин С. Нейронные сети: полный курс, 2-е изд., испр. - М.: OOO «И.Д.Вильямс», 2006.
5. Carpenter G.A. A Massively Parallel Architecture for a Self-Organizing Neural Pattern Recognition Machine / G.Carpenter, S. Grossberg //Computing Vision, Graphics, and Image Processing, 37. pp. 54-115, 1987
6. Grossberg S. Adaptive Pattern Classification and Universal Recording: I. Parallel Development and Coding of Neural Feature Detectors // Biological Cybernetics, No. 23, 1976.
7. Devaux S. Classification hybride ART-CS: Apprentissage par renforcement, vision et roro-tique. Rapport de projet de fin d'etudes [Электронный ресурс] / Tours, [1996]. - URL: http://sde.eduvax.net/artcs/ (дата обращения: 06.04.2016).
8. Hagan M.T. Neural Network Design / M.T. Hagan, H.B. Demuth, M.H. Beale. - Boston, MA: PWS Publishing, 1996.
9. Гаврилова М.А., Еремин О.Ю. Архитектура интеллектуальной системы дистанционного обучения / М.А. Гаврилова, П.И. Коняев, А.А. Фокин, О.Ю. Ерёмин // Молодежный научно-технический вестник # 02, февраль 2013.
10. Гаврилова М.А. Еремин О.Ю. Кластеризация пользователей системы дистанционного образования на основе модели нейронной сети ART1 / М.А. Гаврилова, О.Ю. Ерёмин // Молодежный научно-технический вестник # 08, август 2013.
- Педагогика -
INTELLIGENT SYSTEM OF DISTANCE EDUCATION TO IMPROVE THE
QUALITY OF LEARNING
O.Ju. Eremin, candidate of technical sciences M.A. Skvortsova, assistant Bauman Moscow state technical university (Russia, Moscow)
Abstract. The article examines the conception of intelligent system of distance education, options for its architecture. Proposed approaches can be used to identify patterns in the responses of students on test questions, on the basis of what may separate them into groups, which can be offered training programs of varying complexity, intensity and details.
Keywords: distance learning, neural network, database, client, server, intellectual system.
