CC BY
51
Последовательный Параллельный Оптимизи-ро-ванный
15 10 10 5 49,13 4,51 3,44 0,11
15 10 10 5 50,2 4,63 3,22 0,16
15 10 10 5 57 5,86 3,46 0
15 10 10 5 47,8 2,96 2,82 0,16
15 10 10 5 57 3,73 3,2 0
-♦— Посл. Паралл. Оптим.
Рис. 6
Дисперсия результатов по данным таблицы 9.
Выводы и заключение. Проведенные исследования показывают, что последовательный алгоритм распределения вопросов по билетам является, как и следовало ожидать, достаточно быстрым. Но результат его работы приводит к достаточно большой дисперсии сложности билетов. Получение более качественных результатов относительно дисперсии сложности билетов возможно с помощью параллельного алгоритма. Однако она является все еще достаточно высокой. Разработанный комбинированный алгоритм обладает значительно меньшей дисперсией, позволяющей формировать тестовые задания с практически равной сложностью при удовлетворительных временных характеристиках. Это говорит о том, что оптимизированный алгоритм может лечь в основу модуля формирования тестовых заданий, являющегося важной составной частью автоматизированного рабочего места преподавателя.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Глушань В.М., Липало Н.Н., Малютин В.А. Оптимизация тестовых заданий при контроле знаний. Вестник Таганрогского государственного педагогического института. Естественные науки. Таганрог: Изд-во Таганрог. гос. пед. ин-та, 2007. № 1.
2. Курейчик В.М. и др. Комбинаторные аппаратные модели и алгоритмы в САПР / В.М. Курейчик, В.М. Глушань, Л.И. Щербаков. М.: Радио и связь, 1990. 216 с.
В.М. Глушань, Н.И. Лященко К ВОПРОСУ О СТРУКТУРНОМ СИНТЕЗЕ КОМПЬЮТЕРНЫХ ОБУЧАЮЩИХ
КОНТРОЛИРУЮЩИХ СИСТЕМ
Введение. Создание и совершенствование компьютеров привело и продолжает приводить к созданию новых технологий в различных сферах научной и практической деятельности. Одной из таких сфер стало образование - процесс передачи систематизированных знаний, навыков и умений от одного поколения к другому. Будучи само по себе мощной информационной сферой, и владея опытом использования различных классических (не компьютерных) информационных систем, образование быстро откликнулось на возможности современной техники.
Технические возможности персонального компьютера, если компьютер используется как обучающее средство, позволяют:
• активизировать учебный процесс;
• индивидуализировать обучение;
• повысить наглядность в предъявлении материала;
• сместить акценты от теоретических знаний к практическим;
• повысить интерес учеников к обучению.
На наших глазах возникают нетрадиционные информационные системы, связанные с обучением; такие системы естественно называть информационно-обучающими.
Автоматизированные обучающие системы (АОС) - это системы помогающие осваивать новый материал, производящие контроль знаний, помогающие преподавателям готовить учебный материал.
Современные исследования в области применения компьютеров в обучении развиваются, в основном, в рамках нескольких основных направлений, которые можно обозначить следующим образом:
1) интеллектуальные обучающие системы;
2) учебные мультимедиа и гипермедиа;
3) учебные среды, микромиры и моделирование;
4) использование компьютерных сетей в образовании:
5) новые технологии для обучения конкретным дисциплинам.
Интеллектуальные обучающие системы. Наиболее перспективным направлением развития систем компьютерного обучения является технология искусственного интеллекта. Системы, использующие методику искусственного интеллекта, называют интеллектуальными обучающими системами.
Важнейшими особенностями современных компьютерных технологий обучения являются процессы индивидуализации, интеллектуализации и веб-ориентации традиционных обучающих систем, программ и технологий. Это в значительной степени определяется практическим использованием методов и средств искусственного интеллекта при их разработке, а также успехами бурно прогрессирующей технологии обучения через веб.
Анализируя ситуацию в целом, следует отметить, что сегодня хорошо известны преимущества веб-ориентированных интеллектуальных обучающих систем (веб-ИОС), разработанных, как правило, на базе ранних традиционных интеллектуальных обучающих систем. К числу наиболее известных и упоминаемых в литературе систем относят обучающие адаптивные системы (веб-ОАС), в частности, ELM-ART, CALAT, WITS и др., развитие и совершенствование которых всегда находилось в фокусе внимания многих отечественных и зарубежных исследователей.
Архитектуры современных веб-ОАС и веб-ИОС не являются полностью новыми или уникальными, поскольку используются знания о проблемной области, об обучаемом субъекте и стратегиях обучения для поддержки гибкого индивидуализированного процесса изучения соответствующих дисциплин/курсов (формирование знаний) и развития практических навыков в использовании материала этих дисциплин (формирование навыков/умений).
Новым шагом в компьютерном обучении стало появление агентно-ориентированных интеллектуальных обучающих систем, в состав которых входят следующие агенты: интерфейса преподавателя, интерфейса обучения, доступа к знаниям, онтологий, агент-координатор взаимодействий.
Достаточно интересные решения сегодня получены и в области создания инструментальных средств поддержки разработки веб-ИОС, что применимо в тех случаях, когда в алгоритмах управления процессом обучения используются педагогические (дидактические) принципы обучения, инвариантные к дисциплине/курсу, т.е. речь идет об адаптивном управлении процессом обучения.
Но, несмотря, на, бурное развитие, в настоящее время, компьютерных обучающих систем, существует масса проблем связанных как с их разработкой, так и с внедрением и эффективностью использования данных обучающих систем.
Рассматривая проблему разработки компьютерных систем обучения в целом, нельзя не упомянуть о следующей важной особенности, подмеченной В.Л. Стефанюком - это выделение двух основных процессов: обучение как learning и обучение как tutoring [8]. Направление learning (обучающиеся системы) - это самообучение, обучение с учителем, адаптация, самоорганизация и т.д., поэтому при разработке обучающих систем исследуются модели, демонстрирующие способности адаптации к окружающей среде путем накопления информации. Направление tutoring (обучающие системы) тесным образом связано с вопросами «кого учить» (модель обучаемого), как и «чему учить» (модель обучения) и даже «зачем учить», т.е. здесь исследуются модели передачи информации и знаний от учителя с помощью компьютера.
Интеллектуальные системы компьютерного обучения
bZ
Обучение путем
<z
Поддержка модели обучаемого
Поддержка модели предметной/проблемной
Поддержка модели объяснения
Рис. 1
Классификация интеллектуальных систем компьютерного обучения
Поскольку в области педагогики нет общепринятых теорий и алгоритмов обучения, нет формальных моделей обучаемого, обучения, учебных воздействий, объяснений и т.д., то надежды возлагаются, в основном, на логико-лингвистические модели. Взаимопроникновение интеграционных процессов искусственного интеллекта и педагогики выразилось в интеллектуальных обучающих системах, а также в обучающих интегрированных экспертных системах, в необходимости введения дополнительных средств, позволяющих поддерживать модель обучаемого, в соответствии с которой педагог на стратегическом уровне определяет текущую подцель обучения, а также средств, реализующих конкретную модель обучения в виде совокупности учебных воздействий на тактическом уровне, и обеспечивающих преподавателю возможность наблюдения за действиями обучаемого и оказания ему необходимой помощи (модель учителя рассматривается как факультативная или же заменяется моделью эталонного курса дисциплины) [7].
Отметим, что слабая разработка педагогических и психологических теорий получения знаний, формирования понятий и построения умозаключений и др. проблемы, не оправдали желаемого эффекта от интеллектуальных обучающих систем, в связи с чем в середине 90-х возникло определенное разочарование, которое затем сменилось оптимизмом в свете Интернет-эволюции, появления сетевых адаптивных интеллектуальных обучающих систем, являющихся наследниками интеллектуальных обучающих систем, и веб-ИОС.
Наибольшее разнообразие в традиционных интеллектуальных обучающих системах и современных веб-ИОС наблюдается именно в моделях обучаемого, поскольку еще со времен пионерских работ П.Л. Брусиловского, В.А. Петрушина и др. было показано, что для поддержки эффективности обучения в интеллектуальных обучающих системах необходимы знания о предмете обучения, о стратегиях и методах обучения, знания об обучаемом, которые выделяются эксплицитно и реализуются с помощью различных методов и технологий искусственного интеллекта. [1, 2, 5 ,6] За этот период было предложено большое число подходов, точек зрения, конкретных моделей и формализмов для представлений знаний об обучаемом, используемых для организации процесса обучения и значительно меньше для учета личностных характеристик обучаемых.
Классификация существующих видов моделей обучаемого [7] приведена на рис. 2 (с. 140), среди которых выделены фиксирующие и имитационные модели обучаемого. Первые представляют собой набор величин, характеризующих состояние знаний и умений обучаемого, а вторые -воссоздают представления обучаемого об изучаемой проблемной области и его механизмы решения задач. Простейшим вариантом модели обучаемого фиксирующего типа является оверлейная векторная модель, которая каждому изучаемому понятию и/или умению ставит в соответствие элемент, принимающий значения «знает / не знает», поэтому состояние знаний обучаемого определяется набором значений элементов вектора. Преимуществом векторной модели является ее простота, а недостатком - то, что она не только не отражает когнитивные процессы и методы решения задач обучаемого, но и игнорирует связи между понятиями.
Более гибкой формой модели обучаемого является сетевая оверлейная модель, представляющая собой граф, узлы которого соответствуют понятиям и/или умениям, а дуги - отношениям между ними. Каждому узлу и дуге сопоставляется некоторая величина или набор величин, характеризующих степень владения обучаемым данным понятием или умением, причем допускается наследование величин. Таким образом, модель обучаемого включает следующие компоненты: в простейшем случае - учетную информацию об обучаемом (фамилия обучаемого, номер учебной группы, дата работы, а в более сложных - психологический портрет личности обучаемого; начальный уровень знаний и умений обучаемого; заключительный уровень знаний и умений обучаемого; алгоритмы выявления уровней знаний и умений обучаемого; алгоритмы психологического тестирования для выявления личностных характеристик, на основании которых формируется
139
психологический портрет личности обучаемого. Под термином «знания», в соответствии с О.И. Ларичевым, понимается теоретическая подготовленность обучаемого (декларативные знания), а под термином «умения» - умение применять теорию при решении практических задач (процедурные знания).
Модель обучаемого
Рис. 2
Классификация моделей обучаемых
Г.А. Атанов в своей книге «Деятельностный подход в обучении», пишет о том, что моделирование знаний об обучаемом преследует три основных цели - установление того «каков он есть» (так называемая поведенческая модель, реализуемая на основе задачи диагностики), «каким его хотим видеть» (стандартная нормативная модель, включающая требования к личностным качествам будущих специалистов и использующаяся для сравнения с текущей поведенческой) и «каким он может стать» (например, в свете модели компетенций). Иногда в нормативную модель обучаемого включают предметное знание и умение по конкретной дисциплине/курсу или рассматривают пятикомпонентную предметную модель как часть нормативной модели и т.п.
Основной проблемой при создании адаптивных обучающих систем является сложность в построении такой программной среды, которая могла бы «понять» человека. Поэтому большинство разработок в данной области строятся на создании моделей обучаемых с последующим описанием и построением всевозможных гипотез (работы В.П. Беспалько, А.Г. Гейна, Б.С. Гершунс-кого, В.П. Зинченко, М.П. Лапчика, А.В. Осина, С.В. Панюковой, И.В. Роберт, Э.Г. Скибицкого, О.К. Тихомирова, Г.А. Атанова (Украина) и др.). Моделям присваивается определенный набор характеристик, которые в последствии влияют непосредственно на построение самой обучающей системы. Как было показано выше существует достаточно большое количество моделей обучаемого, кроме приведенных выше, так же есть - нормативная, предметная, тематическая, функциональная, процедурная, операционная, семантическая модели обучаемого. Однако, представленные модели слабо учитывают психофизиологические особенности и характеристики обучаемого, и, как правило, не используются при формировании структуры образовательных ресурсов и их содержания, что снижает (в некоторых случаях - существенно) эффективность применения компьютерных обучающих контролирующих систем.
С этой точки зрения, модель обучаемого и, соответственно, реализуемая на базе применения технологий адаптации структура данных систем, должны учитывать: модальность обучаемого; тип его темперамента;
текущее психо-эмоциональное состояние обучаемого.
Модальность обучаемого - специфический индивидуальный способ получения информации и взаимодействия с ней. Выделяют такие модальные типы, как кинестетик, аудиал и визуал. Ведущая модальность - предпочтение субъектом одного из информационных каналов (зрительного, 140
звукового или тактильного). Типы темперамента достаточно хорошо известны и необходимость в описании особенностей восприятия ими информации отсутствует.
Особый интерес представляет определение текущего психо-эмоционального состояния обучаемого. В качестве реальных инструментов, определяющих психо-эмоциональное состояние можно выделить две большие группы:
1. Тесты и тестирующие программы.
2. Специальные аппараты или системы.
Очевидно, что использование адаптационных технологий при построении обучающих систем может быть реализовано с использованием тестовых методик определения психо-эмоцио-нального состояния обучаемого. В [4] предложен один из возможных вариантов структурной схемы адаптивной модели электронного обучающего ресурса. Проведя анализ этой структурной схемы, была выявлена необходимость в её модернизации. В результате была получена структура адаптивной модели компьютерной обучающей и контролирующей системы (рис. 3).
Обучаемый
_1_
Психофизиологический и и нтеллектуальный протест
1
I
Образова- Контроль
тельный знаний и
контент умений
Рис. 3
Структура адаптивной модели компьютерных обучающих контролирующих систем (КОКС)
Важнейшим преимуществом веб-обучения является возможность его проведения откуда угодно, в любое время, с любого компьютера и без преподавателя. Однако общий подход к обучению, не учитывающий индивидуальные особенности обучаемого, не позволяет в полной мере воспользоваться всеми возможностями веб-технологиями, поэтому наиболее развитые веб-ИОС содержат модель обучаемого. Для реализации модели обучаемого используются различные архитектуры. В большинстве веб-ИОС модель обучаемого хранится на стороне сервера, но основные решения по поводу обучения принимаются клиентским приложением.
Если рассматривать уровень автоматизации процессов выявления умений обучаемого, то здесь наблюдаются достаточно скромные результаты, за исключением инструментальных систем семейства МОНАП, в составе которых разработаны средства поддержки оверлейной модели умений. [7] На основе этой модели осуществляется адаптивное управление обучаемым, заключающееся в выдаче ему на каждом шаге обучения по результатам решения учебной задачи релевантного учебного материала оптимальной трудности и сложности, который изложен в электронном учебнике.
С точки зрения разработок и использования моделей эталонных курсов/дисциплин, то здесь не наблюдается особого разнообразия в предлагаемых подходах, поскольку описание структуры учебного курса/дисциплины во многом зависит от специфики используемых методик и алгоритмов обучения, личностных характеристик преподавателя, требований образовательных стандартов и т.д.
Однако есть некоторые общие проблемы, которые плохо решаются в традиционных интеллектуальных обучающих системах, связанные с тем, что преподавателю трудно четко сформулировать содержание нового курса/дисциплины и дорабатывать его, не имея информации об оценки курса обучаемыми. Преподаватель не может осуществлять текущий мониторинг обучаемого, и как следствие - давать оперативные рекомендации по методике использования учебных средств. Для решения указанных проблем предлагались подходы, связанные, например, с созданием так называемого обучаемого пространства курса, модель которого включает в себя описание учебных целей содержания курса и учебных материалов. В современных работах по интеллектуальным обучающим системам, практически отсутствуют исследования, связанные с формированием модели компетенций обучаемого, отражающей его способности применять знания и личностные качества для успешной деятельности в конкретной профессиональной области, что является новым процессом в рамках создания использования как интеллектуальных обучающих систем, так и обучающих интегрированных экспертных систем и веб-ИЭС. Эта модель может рассматриваться, как новый динамический компонент модели обучаемого, тесно связанный, с одной стороны, с психологическим портретом личности, а с другой - отражающий результаты использования конкретных обучающих воздействий.
Таким образом, проанализировав всю ситуацию в целом, можно с уверенностью сказать о том, что в данный период времени, практически нет компьютерных обучающих и контролирующих систем с учетом индивидуальных особенностей обучаемого. Ведь именно при учете личностных характеристик и учете текущих, и необходимых, на данном уровне обучения, знаний, процесс образования и контроля знаний станет намного эффективнее и качественнее.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Башмаков А.И., Башмаков И.А. Разработка компьютерных учебников и обучающих систем. М.: Филинъ, 2003. 430 с.
2. Брусиловский П.Л. Адаптивные и интеллектуальные технологии в сетевом обучении // Новости искусственного интеллекта. 2002. № 5. С. 25-31.
3. Брусиловский П.Л. Построение и использование моделей обучаемого в интеллектуальных обучающих системах // Известия РАН. Техническая кибернетика.1992. № 5. С. 97-119.
4. Глушань В.М. Построение адаптивных ЭОР на основе модели обучаемого // Вестник ТГПИ. Физико-математические и естественные науки. Таганрог изд-во Таганрог. гос. пед. ин-та, 2008. № 1. Некоторые итоги и перспективы. // Известия РАН. Искусственный интеллект и принятие решений 1/2008. С. 22-29.
5. Петрушин В.А. Обучающие системы: архитектура и методы реализации (обзор) // Известия РАН. Техническая кибернетика. 1993. № 2. С. 164-190.
6. Петрушин В.А. Экспертно-обучающие системы. Киев: Наукова. Думка, 1992. 196 с.
7. Рыбина Г.В. Обучающие интегрированные экспертные системы:
8. Стефанюк В.Л. Теоретические аспекты разработки компьютерных систем обучения: учеб. пособие. Саратов: СГУ, 1995. 98 с.
В.В. Заярный К ВОПРОСУ О Р-ПРОЦЕССОРНОМ СЛИЯНИИ
Параллельная сортировка N элементов наp процессорах, когда N >> p может быть реализована следующим образом. Входную последовательность можно разбить на p частей, отсортировать каждую часть на отдельном процессоре а затем слить упорядоченные последовательности.
В этом, а также в некоторых других случаях возникает необходимость слияния упорядоченных последовательностей [1, 2, 3].
Из полученных p частей длиной N/p посредством сдваиваемых слияний получить выходную отсортированную последовательность за log2(p) этапов.
Слияние каждой пары последовательностей может происходить на одном процессоре. В этом случае на первом этапе задействовано p/2 процессоров, на втором этапе - p/4, а на последнем -один процессор. Остальные процессоры простаивают.
Временная сложность такого слияния - T(p/2)= 0(2*N).
В [1, 2] показано, как можно производить слияние при параллельной работе нескольких процессоров с временной сложностью T(p) = 0(N/p*log2(p)).
Поскольку сливаются отсортированные данные, для нахождения конечных индексов для каждого процессора достаточно обеспечить (с учетом устойчивости), чтобы конечный элемент из первой сливаемой последовательности для текущего процессора был меньше либо равен следующему за конечным элементом из второй сливаемой последовательности и конечный элемент из второй сливаемой последовательности для текущего процессора был меньше следующего за конечным элементом из первой сливаемой последовательности. В отсортированных последовательностях можно организовать двоичный поиск соответствующих элементов.
В данной работе предлагается алгоритм, отличающийся от [1, 2] упрощением программной реализации. Обозначения переменных ниже приводятся в соответствии со стандартами языков программирования.
На первом этапе пара входных последовательностей сливаются двумя процессорами, на втором - четырьмя, а на последнем - p процессорами.
Для этой цели необходимо реализовать подзадачу - слить две входных последовательности длиной N1 и N2 параллельно работающими Pn процессорами.
Ниже будет рассмотрен случай слияния при сортировке по неубыванию.
Для обеспечения параллельной работы необходимо выделить свой отрезок выходной последовательности для каждого из Pn процессоров, а также найти соответствующие им отрезки входных последовательностей.
Далее будут использованы следующие обозначения: A1[N1], A2[N2] - две отсортированные по неубыванию последовательности разной длинны; N1, N2 - длины этих последовательностей; N12 = N1 + N2 - выходная последовательность; Pn - число процессоров;
Kpi - длина в выходной последовательности, приходящаяся на i-й процессор;
j1, j2 - начальные индексы в 1-й и 2-й последовательностях для текущего процессора;
jE1, jE2 - конечные индексы в 1-й и 2-й последовательностях
i1, i2 - длины во входных последовательностях, приходящихся на текущий процессор. St1 - шаг изменения размеров длин входных последовательностей.
Длина выходной последовательности, приходящейся на i-й процессор будет: Kpi = (i+1) *N12/Pn - i*N12/Pn, где i = 1..Pn-1;
Начальные индексы для входных последовательностей имеют значения: j1 = 0 и j2 = 0.
