CC BY
144
МЕТОДИЧЕСКИЕ ОСОБЕННОСТИ ОБУЧЕНИЯ БУДУЩИХ УЧИТЕЛЕЙ ИНФОРМАТИКИ ОСНОВАМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА: ОТ ПРАКТИКИ К ТЕОРИИ1
METHODOLOGiCAL FEATURES OF TEACHiNG BASiCS OF ARTiFiCiAL iNTELLiGENCE TO FUTURE TEACHERS OF COMPUTER SCiENCE: FROM PRACTiCE TO THEORY
Никитин Петр Владимирович
Заведующий кафедрой математики, информатики и информационной безопасности АНО ВО «Межрегиональный открытый социальный университет», г. Йошкар-Ола, доцент кафедры математики и информатики и методики обучения математике и информатике ФГБОУ ВПО «Марийский государственный университет», г. Йошкар-Ола, кандидат педагогических наук E-mail: petrvlni@rambler.ru
Горохова Римма Ивановна
Доцент кафедры проектирования и производства ЭВС ФГБОУ ВПО «Поволжский государственный технологический университет», г. Йошкар-Ола, кандидат педагогических наук, доцент
E-mail: gorokhova-ri@yandex.ru
Аннотация. В статье представлена методическая система обучения направления «Искусственный
Nikitin Petr V.
Head of the Department of Mathematics, informatics and information Security, interregional Open Social institute, Yoshkar-Ola; Associate Professor at the Department of Mathematics and informatics and the Methods of Teaching Mathematics and informatics, Mari State University, Yoshkar-Ola; PhD in Education E-mail: petrvlni@rambler.ru
Gorokhova Rimma I.
Assistant Professor at the Design and Production of Computing Systems Department, Volga State University of Technology (Mari State Technical University), Yoshkar-Ola; PhD in Education, Associate Professor E-mail: gorokhova-ri@yandex.ru
Abstract. The article describes the methodological system of teaching "Artificial
1 Статья публикуется на основании доклада, прочитанного в рамках конференции «От информатики в школе к техносфере образования», посвященной 30-летию преподавания информатики в школе (Москва, 9-11 декабря 2015 г. Организаторы: РАО, МПГУ, МГПУ).
интеллект» в подготовке будущих учителей информатики. В основу данной методики положены принцип «от практики к теории», метод проблемного обучения и технология критического мышления. В качестве средств обучения используются современные аналитические платформы, интеллектуальные обучающие системы, экспертные системы. Охарактеризованы результаты внедрения разработанной методической системы в образовательный процесс.
intelligence study" in the course of training of future computer science teachers. This technique is based on the «from practice to theory» principle, method of problem-based learning and technology of critical thinking. The modern analytical platform, intelligent tutoring systems, expert systems are used as the learning tools. The results of the
implementation of the designed methodological system in the educational process are given.
Ключевые слова: методика обучения информатике, искусственный интеллект,
Keywords: methods of teaching computer science, artificial intelligence, expert systems,
экспертные системы, аналитическая платформа, analytical platform, neural networks. нейронные сети.
Искусственный интеллект в настоящее время находит все большее применение в различных областях, начиная от представления знаний, разработки экспертных систем, средств машинного зрения до разработки интеллектуальных игр и средств робототехники. Искусственный интеллект является одним из самых перспективных направлений современной информатики.
Происходит активное внедрение его вопросов в учебный процесс средней школы. В частности, авторы учебно-методического комплекта «Информатика» для 10-11-го классов (углубленный уровень), входящего в перечень учебников, рекомендуемых ФГОС, Н. Н. Са-мылкина и И. А. Калинин включили данный раздел в изучение в 11-м классе в количестве 20 ч [1]. При изучении темы «Интеллектуальные алгоритмы и искусственный интеллект» авторы рассматривают вопросы: интеллект и его моделирование, алгебра логики, знания и их представление, экспертные системы, самообучающиеся технические системы. Также отметим, что раздел «Искусственный интеллект» является курсом по выбору, рекомендуемым ФГОС для углубленного изучения информатики и реализации межпредметных связей.
Следовательно, возникает необходимость изучения вопросов искусственного интеллекта при подготовке будущих учителей информатики в вузе с учетом современных тенденций и требований.
Данная подготовка происходит в рамках дисциплины «Основы искусственного интеллекта», целью которой является формирование у студентов представления об основных направлениях и методах, применяемых в области искусственного интеллекта как на этапе анализа, так и на этапе разработки и реализации интеллектуальных систем.
Основными разделами, рассматриваемыми при изучении предмета, являются: понятие об искусственном интеллекте, модели представления знаний, экспертные системы, логическое и функциональное программирование, нейтронные сети. Следует отметить,
что данные вопросы включены в предметную область государственного экзамена по информатике и методике обучения информатике.
Анализ результатов государственного экзамена за последние 5 лет показал, что данный раздел вызывает наибольшие затруднения у будущих учителей информатики. Из анкетирования и бесед со студентами и выпускниками была выявлена следующая проблема: сложный для понимания большой объем теоретического материала без достаточной практической составляющей.
Студенты плохо отличают друг от друга модели представления знаний, и тем более области их применения; структуру экспертной системы и связи между ее составными частями; структуру, модели и возможности применения нейронных сетей. Исключение составляет логическое и функциональное программирование, которое является наиболее понятным разделом, так как при его изучении предусмотрено достаточное количество практических и лабораторных работ.
Таким образом, в большинстве случаев изучение направления «Искусственный интеллект» предполагает в большей мере рассматривать теоретический материал и в меньшей степени его практическое приложение, причем как в педагогическом вузе, так и в профильной школе. Так, в [1] из 20 ч, выделяемых на изучение данного раздела, на теорию отводится 12 ч, причем такие разделы, как интеллект и его моделирование, знания и их представление, экспертные системы, самообучающиеся технические системы, не предполагают практики.
Следовательно, для более эффективной подготовки будущих учителей информатики по направлению «Основы искусственного интеллекта», на наш взгляд, необходимо разработать методическую систему обучения, в которой следует предусмотреть практическое применение основных разделов искусственного интеллекта (модели представления знаний, экспертные системы, нейронные сети и др.) в различных сферах человеческой деятельности.
Приведем ниже некоторые особенности реализации предлагаемой методической системы.
При изучении разделов экспертные системы и нейронные сети предлагаем использовать аналитическую платформу Deductor, являющуюся свободно распространяемым программным продуктом для образовательных учреждений.
На примере готовой обученной нейронной сети студенты знакомятся с основными этапами работы с аналитической платформой Deductor 5.0. Объяснение происходит на понятной предметной области с малым количеством входных данных, например, рассматривается задача на определение видов треугольника по координатам его вершин.
Будущие учителя информатики понимают, что в основе обучения нейронной сети лежит база данных, представляющая собой таблицу с семью столбцами: координатами вершин треугольника (абсцисса и ордината) и соответствующим ему видом треугольника, которая загружается в систему. Далее происходит обучение нейронной сети на основе загруженной базы данных с использованием анализа «что-если». В мастере обработки программы Deductor 5.0. предусмотрена функция «Нейронная сеть». Указанная функция направлена на конструирование нейронной сети с заранее определенной структурой,
которая позволяет определить параметры сети, а также выполнить ее обучение с использованием алгоритмов обучения, доступных системе. В результате студенты получат эмулятор нейронной сети, который впоследствии используют для прогнозирования, поиска, сжатия данных и других приложений.
Таким образом, студенты знакомятся с настройкой назначения полей (входные и выходные поля); с нормализацией значения полей (линейная нормализация, уникальные значения, битовая маска); с настройкой обучающей выборки; с настройкой структуры ней-росети (количество скрытых слоев и нейронов в них, а также активационная функция нейронов); с обучением нейросети (метод обратного распространения ошибки, метод эластичного распространения). Также с помощью диаграммы рассеяния студентам предлагается оценить «правдивость» обученной нейронной сети, не «переобучена» ли она, правильно ли выбраны скрытые слои и нейроны (рис.).
После такой предварительной работы студентам предлагается самим обучить нейронную сеть и выступить экспертом в какой-либо определенной области, например: математике, психологии, педагогике, социологии.
После проверки выполненной лабораторной работы необходимо перейти к теоретическому анализу. Используя метод проблемного обучения и технологию развития критического мышления, делаем обобщающий вывод по определению нейронной сети,
30 28 26 24 22 20 18 16 14 12 10 8 6 4 2 0 -2
• к IIIIIIIIIIII р и| IIII <11 (III! III || IIIIIIII 1> 111Ч III )■ к) ■ ■ ■ ( ■ ■ • | • ■ I | I I I | I •• | I •• |-------|-
0,5 1 1,5 22,5 33,5 44,555,5 66,577,5 88,59 10 11 12 13 14 15 17 19 20 24
• продолжительность брака_011Т о продолжительность брака - Эталон
• • Верхняя граница ■ ■ Нижняя фаница
Рис. Диаграмма рассеяния обученной нейронной сети
^ ' ' ...
-- - -- -- '■-I-— — ......... . . .. — -........... *
г- о \
: ... ...
-- - ...Лу'.Х.... ........ ....
* * - •!, < - '
" 1 • ; !■ " 1
... - \ 1 ■ Ж
-- -- У -- ; ;
: :
* Яс • гТ - ! ;
; ;
--- Г " 1 ! ..... .ж.... -4—-:.........
ее структуре и назначению. Дальнейшее изучение раздела продолжается в направлении теоретического изучении нейронных сетей. Студенты уже имеют представление о нейроне и нейронной сети, которые обобщаются вместе с преподавателем. Далее рассматриваются нейронные сети Хопфилда и Хемминга, их структурная схема и алгоритмы функционирования. Студентам, желающим разобраться в данном вопросе более подробно и глубоко, предлагаются задания на создание программного кода с использованием нейронной сети.
Тему «Модели представление знаний», а также некоторые блоки темы «Логическое и функциональное программирование» предлагаем изучать с использованием инструментальной системы ЕхРИО, разработанной кафедрой системного анализа и информационных технологий Казанского (Приволжского) федерального университета [2].
На основе данной системы студенты выполняют следующие лабораторные работы.
1. Определение площади плоских фигур.
На основе данной работы выполняется освоение продукционной модели представления знаний; рассматриваются методы взаимодействия с пользователем, функции ввода, вывода и рисования. В результате решения задачи система должна быть обучена на распознавание выбора определенной фигуры (минимум 4 фигуры), а также на выполнение расчета ее площади и графического отображения.
2. Определение площади пересечения плоских фигур.
В результате выполнения данной лабораторной работы будущие учителя информатики получают навыки формализации знаний на примере геометрического моделирования. Для расчета площади пересечения двух плоских фигур используют различные методы, в том числе и метод Монте-Карло.
3. Расчет параметров электрической цепи постоянного тока.
На данной работе студенты знакомятся с объектно-ориентированным (фреймовым) представлением знаний (создание классов и объектов, работа с объектами); вводят данные резисторов, представляют графическое отображение электрической цепи и производят расчет параметров цепи: I, И.
4. Распознавание образов с использованием искусственных нейронных сетей (ИНС).
В данной работе будущие учителя информатики создают схемы преобразования входов/выходов ИНС, обучают их, подготавливают данные с использованием экспертных систем для ИНС, обрабатывают результаты работы ИНС в экспертной системе.
Отметим, что параллельно программированию в инструментальной системе ЕхРИО на лабораторных работах рассматривается и язык логического программирования Пролог. Будущие учителя информатики, спроектировав логическую схему задания, реализуют ее на разных языках программирования.
Для проектирования интеллектуальных обучающих систем в подготовке будущих учителей информатики рассматривается разработанная авторами автоматизированная среда построения индивидуальных траекторий обучения студентов (АСПИТС) [3]. На основе данной среды студенты знакомятся с проектированием интеллектуальных информационных систем, после чего переходят к изучению теоретического материала, в частности, теории конечных автоматов для разработки интеллектуальных систем [4].
Представленная методическая система обучения была внедрена в процесс подготовки будущих учителей информатики в ФГБОУ ВПО «Марийский государственный университет». Результаты исследования показывают положительную динамику повышения качества обучения студентов в области искусственного интеллекта. Будущие учителя информатики не только понимают теоретические основы направления «Искусственный интеллект», но и видят его практическое применение в профессиональной деятельности.
Список литературы
1. Калинин, И. А. Информатика. Углубленный уровень: учебник для 11 класса [Текст] / И. А. Калинин, Н. Н. Самылкина. - М.: Бином. Лаборатория знаний, 2013.
2. Юрин, A. M. Способы выбора правил при обратном выводе в статических экспертных системах [Текст] / A. M. Юрин, М. П. Денисов // Уч. зап. Казанского гос. ун-та. Сер. Физ.-мат. науки. - 2014. - Т. 156 (3). - С. 142-151.
3. Свидетельство о государственной регистрации программы для ЭВМ: Автоматизированная среда построения индивидуальных траекторий обучения студентов [Текст] / П. В. Никитин, Р. И. Горохова; правообладатель - ФГБОУ ВПО «Марийский государственный университет». - № 2013661179. - РОСПАТЕНТ. - 27.01.2014.
4. Никитин, П. В. Проектирование интеллектуальной обучающей системы на основе теории конечных автоматов [Текст] / П. В. Никитин, Р. И. Горохова // Вестн. Иркутского гос. техн. ун-та. - 2015. - № 10 (105). - С. 34-37.
References
1. Kalinin I. A., Samylkina N. N. Informatika. Uglublennyy uroven: uchebnik dlya 11 klassa. Moscow: Binom. Laboratoriya znaniy, 2013.
2. Yurin, A. M., Denisov M. P. Sposoby vybora pravil pri obratnom vyvode v statiches-kikh ekspertnykh sistemakhю Uch. zap. Kazanskogo gos. un-ta. Ser. Fiz.-mat. nauki. 2014, Vol. 156 (3), pp. 142-151.
3. Nikitin P. V., Gorokhova R. I. Svidetelstvo o gosudarstvennoy registratsii programmy dlya EVM: Avtomatizirovannaya sreda postroeniya individualnykh traektoriy obu-cheniya studentov; pravoobladatel - Mariyskiy gosudarstvennyy universitet. No. 2013661179, ROSPATENT, 27.01.2014.
4. Nikitin P. V., Gorokhova R. I. Proektirovanie intellektualnoy obuchayushchey sistemy na osnove teorii konechnykh avtomatov. Vestn. Irkutskogo gos. tekhn. un-ta. 2015, No. 10 (105), pp. 34-37.
Интернет-журнал «Проблемы современного образования» 2016, № 2
