CC BY
12
УДК 004.4
ИСПОЛЬЗОВАНИЕ ГЕНЕТИЧЕСКОГО АЛГОРИТМА ДЛЯ ПЕРСОНАЛИЗАЦИИ ДИСТАНЦИОННОГО ОБУЧЕНИЯ
В. Г. Ковалев Научный руководитель - Ю. Б. Козлова
Сибирский государственный университет науки и технологий имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: snouwer@gmail.com
Рассматривается применение генетического алгоритма для персонализации дистанционного образовательного процесса.
Ключевые слова: генетический алгоритм, персонализация дистанционного обучения. GENETIC ALGORITHM BASED ADAPTIVE E-LEARNING
V. G. Kovalev Scientific Supervisor - Y. B. Kozlova
Reshetnev Siberian State University of Science and Technology 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: snouwer@gmail.com
The research describes using the genetic algorithm for e-learningpersonalization.
Keywords: genetic algorithm, adaptive e-learning.
Пользователями систем дистанционного обучения часто являются люди с совершенно разным уровнем подготовки, интересами и потребностями. Они не всегда могут самостоятельно оптимизировать процесс своего обучения, поэтому с течением времени у пользователя возникают трудности с освоением информации, пропадает интерес, эффективность образовательного процесса снижается, а в ряде случаев пользователь оставляет образовательный процесс, не закончив его.
Данную проблему можно решать с помощью персонализации дистанционного обучения. В таком случае, система автоматически, либо с помощью пользователя, подстраивается под его стиль обучения и текущие знания.
На данный момент существует множество способов реализации данного процесса, но наиболее адаптивными из них являются подходы с использованием машинного обучения. Среди них можно выделить использование индуктивного логического программирования, деревьев принятия решений, экспертных систем, нечеткой логики, нейронных сетей, а также генетических алгоритмов.
Индуктивное логическое программирование дает хорошие результаты при персонализации [1], но данный способ является сложным в понимании и реализации. Методы с деревьями принятия решений основаны на способе обучения «с учителем», что дает им те же недостатки, что и нейронным сетям - они сложно справляются с исключительными ситуациями [2].
Экспертные системы эффективны в том случае, если в них заложены достаточно точные знания о нужной области. В связи с этим, при создании и внедрении такой системы необходим эксперт, что не всегда является осуществимым.
Нечеткая логика хорошо справляется с неоднозначными ситуациями, но не всегда удается построить приемлемую функцию принадлежности [3], которая охватывала бы все подходящие случаи.
Актуальные проблемы авиации и космонавтики - 2018. Том 2
В связи с вышеперечисленными недостатками, предлагается использование генетических алгоритмов для методов персонализации дистанционного обучения.
Генетический алгоритм (ГА) используется для нахождения глобального оптимума в функции и состоит из следующих стадий: начальная популяция, скрещивание и/или мутация, селекция, формирование нового поколения. Он применяется в таких сферах, как робототехника, извлечение знаний, энергосистемы, экономика и другие. Однако сравнительно мало исследований генетического алгоритма проводится в рамках персонализации дистанционного обучения. Поскольку ГА основан на правилах и является динамическим методом, он подходит для применения в сфере быстроменяющегося образовательного процесса.
Для представления образовательного процесса было сформулировано три уровня контекста объекта обучения: уровень содержимого, уровень представления, уровень мультимедиа. Каждый из этих уровней может быть представлен разными способами. Например, на уровне мультимедиа обучающемуся может быть дано как аудио, так и видео, в зависимости от построенного персонализированного процесса его обучения.
Генетический алгоритм просматривает различные альтернативные способы подачи информации и выбирает из них наиболее оптимальный для обучающегося.
Бинарная строка (хромосома) состоит из трёх наборов генов, каждый из которых отвечает за свой уровень контекста. Уровень содержимого представлен в виде идентификаторов объектов обучения, которые задают последовательность выдачи различных тем студенту. Уровень представления показывает, в каком порядке будет даваться визуальная информация студенту по изучаемому объекту. Каждый такой объект может быть представлен в виде концепта, примера, задачи, симуляции, демонстрации и детального описания. Гены уровня мультимедиа представляют собой аудио, видео или текст, относящийся к объекту обучения.
Начальная популяция генерируется путем случайной перестановки генов в каждом наборе. Функция приспособленности вычисляется как сумма результатов функций приспособленности каждого из набора ген:
f = f (s) + f (P) + f (m), (1)
гдеfS) - приспособленность набора с уровнем содержимого; fp) - приспособленность набора с уровнем представления; fm) - приспособленность набора с уровнем мультимедиа.
Функция приспособленности уровня содержимого вычисляется по формуле
f (s) = {e}*{d}, (2)
где e - усилия, затраченные на этот объект обучения, относительно других объектов; d - сложность данного объекта обучения.
Функция приспособленности уровня представления зависит от стиля обучения студента и его целей. Вычисляется данная функция формулой
f (p) = Z (Pos) * (randpos), (3)
где Pos - индекс (позиция) типа представления объекта обучения по таблице типов, основанной на психологическом типе обучающегося; randpos - позиция типа представления объекта обучения по таблице, составленной случайным образом.
Функция приспособленности уровня мультимедиа зависит от устройства, через который обучающийся просматривает веб-страницу, а также его собственных предпочтений.
В процессе скрещивания, хромосома с наибольшим уровнем приспособленности будет иметь больше шансов воспроизвести следующее поколение. В качестве операторов скрещивания были выбраны операторы двухточечного перекреста (two point crossover) и мутации перестановкой. Критерием остановки будет являться сходимость алгоритма на максимальном уровне приспособленности.
Для работы алгоритма необходимо также составить таблицу с содержимым учебного курса, каждый элемент которого содержит свой идентификатор, сложность, а также идентификаторы элементов, которые необходимо освоить перед его прохождением. Далее заполняется таблица, в которой проставляются степени связей между темами. Степень связи выражается с помощью
символа - и + , а также числа, характеризующего силу воздействия одной темы на другую. Степень связи определяет последовательность тем для изучения.
В процессе прохождения различного материала, тестов и лекций, система будет пересматривать раннее сгенерированный «маршрут» и составлять более точную модель обучающегося, что позволит давать ему более персонализированные рекомендации.
Предложенная система находится в процессе разработки. В дальнейшем планируется разработать модуль для системы Moodle, позволяющий персонализировать дистанционное обучение.
Библиографические ссылки
1. Kovalerchuk B., Vityaev. Data mining in finance. New York : Kluwer Academic Publishers, 2002. 308 с.
2. Giarratano, J., Riley, G. Expert systems-principle and programming. Boston, MA : PWS Publishing Company, 1998. 288 с.
3. Mclvor R., McCloskey A. Using a fuzzy approach to support financial analysis in the corporate acquisition process. 2004. Expert Systems with Applications, № 27. С. 533-547.
© Ковалев В. Г., 2018
