Zatenko Svetlana Ivanovna, candidate of technical sciences, docent, s_lana2004@mail.ru, Russia, St. Petersburg, Saint Petersburg State Forest Technical University,
Melamed Natalia Vladimirovna, candidate of technical sciences, docent, nata-li@melamed.su, Russia, St. Petersburg, Saint Petersburg State Forest Technical University,
Sokolova Viktoria Aleksandrovna, candidate of technical sciences, sokolova_vika@inbox.ru, Russia, St. Petersburg, Military Academy of Communications named after Marshal of the Soviet Union S.M. Budyonny,
Orekhovskaya Alexandra Aleksandrovna, candidate of agricultural sciences, head of department, orehovskaja_aa@bsaa.edu.ru, Russia, Belgorod region, Maiskiy village, Belgorod State Agrarian University named after V.Ya. Gorin
УДК 004.048
DOI: 10.24412/2071-6168-2022-7-91-95
МЕТОДИКА ПРЕОБРАЗОВАНИЯ ОБРАЗОВАТЕЛЬНОГО КОНТЕНТА С ПОМОЩЬЮ ТЕХНИЧЕСКИХ СРЕДСТВ ИНТЕЛЛЕКТУАЛЬНОЙ ОБРАБОТКИ ДАННЫХ
С.В. Степанов, М.В. Митрофанов, М.В. Темников, О.Н. Киселев
В настоящее время скорость преобразования технологий производства опережает темпы смены поколений, возникает потребность не только в совершенствовании и дополнительном повышении квалификации, но и в неоднократном освоении новых видов деятельности в течение всей профессиональной карьеры: непрерывное образование становится составной частью жизни каждого человека. Для упрощения восприятия возрастающего потока информации в образовательном процессе на различных его этапах необходимо внедрять инновационные информационные технологии, в том числе технические средства интеллектуальной обработки образовательного контента, от качества которого зависят ход и результат учебного процесса.
Ключевые слова: образовательный контент, интеллектуальная обработка, искусственный интеллект, аннотация.
Актуальность разработки методики предопределяется стремительным ростом объемов информации, необходимой для изучения обучающимися. На сегодняшний день наблюдается колоссальный рост количества информации, создаваемой людьми и машинами на естественном языке. Разработка алгоритмов и создание систем интеллектуального анализа данных, автоматического реферирования, поиска и извлечения информации, определения тем текстов, классификации и кластеризации текстовых документов являются сложными и старейшими задачами в области искусственного интеллекта.
Преобладающее количество операций образовательного процесса, в том числе и его финального этапа - учебного процесса, реализуется профессорско-преподавательским составом учебных заведений и руководством регулирующих органов. Происходит это практически в ручном режиме за счет квалификации и интеллекта кадрового состава. Традиционная ручная корректировка рабочих программ, учебно-методических комплексов, материалов, сопровождающих учебный процесс связанная с необходимостью соответствия учебным планам кафедр, приводит к возникновению ошибок и несоответствий в формируемых документах. В связи с этим становится все более актуальной проблема внедрения систем автоматизированного реферирования текстов, отчетных документов, поэтапной передачи некоторых операций средствам интеллектуальной поддержки образовательного процесса.
Целью методики является:
сокращение времени формирования образовательного контента (далее - ОК) системой должностных лиц учебных заведений, чтобы сократить время готовности к началу учебного процесса;
выявление элементов образовательного процесса, которые могут быть реализованы с помощью технических средств и формирование направлений адаптации способов автоматической обработки текстов для решения задач интеллектуальной обработки ОК;
исследование степени соответствия учебно-методического материала (далее - УММ) к учебной программе;
выявление элементов учебного плана, сформировавшихся для алгоритмизации, последующей автоматизации и исключению из учебного плана.
Исходными данными методики являются:
комплект документов (ФГОС ВО, КТ и т.д.) для разработки ОК для новой образовательной программы;
М{Т1...Тп}- множество относительно самостоятельных, но последовательно взаимосвязанных источников ОК в текстовом представлении;
Т={Х1...и..Лп} - элемент источника ОК, включающий множество элементов исходного алфавита. При этом элементы исходного алфавита, в общем случае могут быть сложными конструкциями (предложения, комбинации предложений, фрагменты текста, графические конструкции);
нормативы по разработке документов регулирующих учебный процесс (примерные нормы времени для расчета методической деятельности преподавательского состава образовательных учреждений Министерства обороны Российской Федерации);
перечень квалификационных требований и компетенций, предъявленных к специалистам по информационной безопасности;
известные и модифицированные методы автоматического аннотирования текстов [1].
Основные этапы предлагаемой методики. Обобщенная последовательность действий методики анализа и преобразования ОК в соответствии с требованиями к образовательному процессу включает несколько основных этапов и представлена на рис. 1:
1. Формирование устойчивого набора ключевых слов на основе анализа совокупности нормативных документов.
2. Формирование множества источников, соответствующих области разрабатываемой образовательной программы.
3. Оценка степени концентрированное™ множества потенциальных источников информации с последующим исключением источников с низким уровнем концентрированности информации.
4. Оценка уровня инновационности источников и формирование вариационного ряда по степени снижения инновационности.
5. Двухэтапная интеллектуальная обработка множества источников образовательного
контента.
Формирование устойчивого набора ключевых слов на основе анализа совокупности нормативных документов.
Формирование множества источников, соответствующих области разрабатываемой образовательной программы.
Оценка степени концентрированное™ множества потенциальных источников информации с последующим исключением источников с низким уровнем концентрированности информации.
Оценка уровня инновационности источников и формирование вариационного ряда по степени снижения инновационности.
Двухэтапная интеллектуальная обработка множества источников образовательного контента.
Рис. 1. Обобщенная последовательность действий методики анализа и преобразования образовательного контента в соответствии с требованиями к образовательному
процессу
Расчет коэффициентов концентрированности К и инновационности Киннов. источников образовательного контента. Оценка степени концентрированности [2] множества потенциальных источников ОК с последующим исключением источников с низким уровнем концентриро-ванности информации. (Расчет коэффициента концентрированности К).
92
сь
Расчет коэффициента концентрированности К, осуществляется по 2 вариантам: В первом варианте каждому запомненному источнику ОК в матрице ключевых слов частотного словаря присваивают численное значение, полученное путем нормирования количества использования ключевых слов в элементе образовательной программы:
К п™
1 (1)
1=1
где пИкс - количество источников образовательного контента, использующих , - е ключевое слово; <кс - количество источников образовательного контента, использующих 7 - е ключевое слово; Ь - число ключевых слов используемых при формировании запросов.
Во втором варианте для каждого источника ОК определяют его общий объем и присваивают численное значение, полученное путем нормирования количества использования ключевых слов из образовательной программы к объему слов источника ОК:
Пкс
К, -
7=1 7=1 (2)
1
„икс
где Ь - число ключевых слов используемых при формировании запросов; п^ - количество источников образовательного контента, использующих 1 - е ключевое слово; И^ир - объем информации у G - го информационного ресурса.
Фактически полученное численное значение К1 определяет степень концентрирован-ности информационного источника ОК ключевыми словами, что позволяет сократить время на поиск необходимой информации. Большое количество ключевых слов, найденное в малом объеме информации, дает большую степень концентрированности материала по тематике поиска.
Оценка уровня инновационности источников ОК и формирование вариационного ряда по степени снижения инновационности. Проверка множества источников ОК на актуальность, содержащейся в ней информации. (Расчет коэффициента инновационности Киннов). Физически, коэффициент инновационности отражает степень несходства 7-го и 1-го источника ОК и определяется в 2 этапа. На первом этапе: осуществляется попарное сравнение оцениваемого источника ОК с каждым элементом множества М. На втором этапе: на базе полученного множества попарных оценок осуществляется выбор минимального значения, которое ставится в соответствие с коэффициентом инновационности, то есть к = тт К .
инн м т
На первом этапе расчет осуществляется по формуле:
1+ О
К71 К0 • П01 + К1 • П10 ^
К инн ---Т--(3)
где П01 - число комбинаций отличительных признаков, отсутствующих в сравниваемом источнике ОК по отношению к альтернативному устаревшему источнику образовательного контента; Пю - число комбинаций отличительных признаков, присутствующих в сравниваемом источнике ОК, но отсутствующих в альтернативном устаревшем источнике образовательного контента; О - количество единичных отличительных признаков, характеризующих пару сравниваемых источников ОК; Ко и К1 характеризуют вклад 7-го отличительного признака в уровень инновационности, который определяется по частотному подходу по следующей формуле:
N - п.
К0,1 (4)
где Ко,1 - вклад 7-го отличительного признака в уровень инновационности; N - общее количество отличительных признаков в паре сравниваемых источников образовательного контента; п. - количество отличительных признаков 7-го типа, использованных в паре сравниваемых источников образовательного контента.
Оценка эффективности предложенной методики. Оценка работоспособности и эффективности методики осуществлена с помощью программы аннотирования текстов (TextAnalyst) модифицированной с учетом введенных частных показателей (К,, Киннов). Результаты представлены на рис. 2, а и б.
Обоснованность результатов разработанной методики обеспечена применением апробированного математического аппарата, корректностью постановок решаемых задач, вводимых допущений и ограничений, формулировок выводов.
Степень достоверности методики и выводов обеспечивается преемственностью подхода к решению научной задачи исследования, адекватностью применяемых методов исследования при решении частных задач, обоснованным выбором исходных данных при разработке методики, корректностью вводимых допущений и ограничений, использованием фундаментальных достижений известных методов искусственного интеллекта, непротиворечивостью и строгой аргументацией полученных теоретических результатов и подтверждением их экспериментальными данными.
ВрЕ.уя абрэбагки,чэсы
Автоматик и ра вэ н нов
ПОЛУЧЕНИЕ
эвгарЕ^Ерэтэ
■
1,5 ■ ■ Ручная обработка текстов
0 Б ■ ■ Автоматиз-и рова н пае получение
зн нотации
0 ■
о ре.ул 2 ср а счэтк и, ч а он
а б
Рис. 2. Оценка эффективности методики по сравнению с ручной обработкой: а - после автореферирования; б - после аннотирования
Заключение. Разработанная методика может использоваться для уменьшения нагрузки на профессорско-преподавательский состав по разработке и корректировке учебно-методической документации по дисциплинам специальностей, закрепленных за кафедрами. Традиционная ручная корректировка рабочих программ, учебно-методических комплексов, материалов, сопровождающих учебный процесс связанная с необходимостью соответствия учебным планам кафедр, приводит к возникновению ошибок и несоответствий в формируемых документах. Решением проблемы является внедрение систем автоматизированного реферирования (аннотирования) текстов, отчетных документов, поэтапной передачи некоторых операций средствам интеллектуальной поддержки образовательного процесса.
Кроме всего, задачи интеллектуальной обработки образовательного контента решаются на основе комбинаций математических методов и эвристических правил. Эвристические правила представляют собой результат обобщения однородных творческих актов, реализуемых традиционными способами, а также на основе данных статистической и другой обработки, как текстов, так и запросов.
Список литературы
1. Митрофанов М.В., Стародубцев Ю.И., Атнагуллов Т.Н. Интеллектуальная обработка образовательного контента для повышения эффективности учебного процесса // Электросвязь. 2021. № 11. С. 47-54.
2. Патент № 2764391 С1 Российская Федерация, МПК G06F 16/95, G06F 40/279. Способ формирования основных и дополнительных электронных ресурсов сети интернет для изучения заданной образовательной программы: № 2020140406: заявлено 09.12.2020: опубликовано 17.01.2022 / Стародубцев Ю.И., Митрофанов М.В., Атнагуллов Т.Н. и др.
Степанов Сергей Владимирович, докторант, steppasws@,mail т, Россия, Санкт-Петербург, Военная академия связи им. С.М. Буденного,
Митрофанов Михаил Валерьевич, канд. техн. наук, доцент, начальник кафедры, vonafortim@yandex.ru, Россия, Санкт-Петербург, Военная академия связи им. С.М. Буденного,
Темников Михаил Валерьевич, соискатель, MiH. Temm@mailТемников, Россия, Санкт-Петербург, Военная академия связи им. С.М.Буденного,
Киселев Олег Николаевич, канд. техн. наук, доцент, onkiselev@yandex.ru, Россия, Санкт-Петербург, Академия следственного комитета РФ
94
METHODS OF TRANSFORMATION OF EDUCATIONAL CONTENT USING TECHNICAL MEANS
OF INTELLECTUAL DATA PROCESSING
S.V. Stepanov, M. V. Mitrofanov, M. V. Temnikov, O.N. Kiselev
Currently, the speed of transformation of production technologies is outpacing the pace of generational change, there is a need not only for improvement and additional professional development, but also for repeated development of new types of activities throughout the professional career: continuing education becomes an integral part of everyone's life. To simplify the perception of the increasing flow of information in the educational process at its various stages, it is necessary to introduce innovative information technologies, including technical means of intellectual processing of educational content, on the quality of which the course and result of the educational process depend.
Key words: educational content, intelligent processing, artificial intelligence, abstract.
Stepanov Sergey Vladimirovich, doctoral, steppasws@mail.ru, Russia, Saint-Petersburg, Military Academy of Communications named after S.M. Budyonny,
Mitrofanov Mikhail Valeryevich, candidate of technical sciences, docent, head of the department, vonafortim@yandex.ru, Russia, Saint-Petersburg, Military Academy of Communications named after S.M. Budyonny,
Temnikov Mikhail Valeryevich, applicant, MiH.Temm@mail.ru, Russia, Saint-Petersburg, Military Academy of Communications named after S.M. Budyonny,
Kiselev Oleg Nikolaevich, candidate of technical sciences, docent, onkiselev@,vandex.ru, Russia, Saint-Petersburg, Academy of the Investigative Committee of the Russian Federation
УДК 377.169.3
DOI: 10.24412/2071-6168-2022-7-95-102
АНАЛИЗ И КЛАССИФИКАЦИЯ КОМПЛЕКСОВ УЧЕБНО-ТРЕНИРОВОЧНЫХ СРЕДСТВ
А.С. Абрамов, Л. Ю. Сафонов, Н.Е. Стариков, Ю.А. Чадаев
В статье анализируются тренажёрные комплексы и учебно-тренировочные средства, используемые для обучения военнослужащих российской армии. Представлена классификация учебно-тренировочных средств, а также произведена попытка классификации продукции предприятий Тульской области и перспективных тренажёрных систем.
Ключевые слова: тренажеры, тренажерные системы, виртуальная реальность, образовательные программы, программное обеспечение, классификация
В современных условиях модернизации военной техники и переподготовки военнослужащих различных видов войск Российской Федерации для обеспечения достаточных компетенций, вместе с техникой модернизируется и военно-специальная подготовка военнослужащих. Военно-специальная подковка - это не только процесс овладения обучаемыми систематизированными фундаментальными знаниями, но и формирование навыков и умений выполнения боевых задач на основе применения вооружения, военной и специальной техники, их эксплуатации и ремонта [1]. Необходимые компетенции для эффективного выполнения поставленных задач, вне зависимости от объёма полученных знаний, человек может получить только в результате деятельности, связанной непосредственно с эксплуатацией оборудования. Однако, в связи с высокой экономической стоимостью военной и специальной техники, а также высокой вероятностью спровоцировать поломку оборудования обучающимся, обучение на действующих образцах не является рентабельным.