CC BY
163
ресурс]. URL: http://www.unesco.org/culture/lea. [Road Map for Arts Education: Building Creative Capacities for the XXI century // World Conference on Arts Education. 6-9 March 2006 (Lisbon, Portugal). [Electronic resource]. URL: http://www. unesco.org/culture/lea. (In Russ.)]
References:
1. Gumilev L.N. Etnogenez i biosfera Zemli. SPb.: Kristall, 2001.
2. Banzarov D, Chernaya vera. SPb., 1891.
3. Shevtsova A.A. Kazakhskiy narodnyy ornament kak etnograficheskiy istochnik: Na materialakh XIX-nachala XX vv.: avtoreferat dis. ... kandidata istoricheskikh nauk: 07.00.00, 07.00.07 / Mosk. gos. un-t im. M.V. Lomonosova. M, 2004. 22 s.
4. Meyrmanova G.A. Kul'tura obshcheniya u kazakhov: transformatsiya traditsionnogo etiketa: avtoreferat dis. ... kandidata istoricheskikh nauk:
07.00.07 / In-t etnologii i antropologii im. N.N. Miklukho-Maklaya RAN. M., 2008. 28 s.
5. IV Respublikanskiy nauchno-prakticheskiy kollokvium «Khudozhestvennoe obrazovanie vRespublikeKazakhstan:natsional'nye traditsii i sblizhenie kul'tur». Programma. 29-31.03. 2010g. Shymkent, 2010. 24s.
6. Berezhnaya M.S. Kontseptsiya sotsio-kul'turnoy adaptatsii molodezhi v protsesse khudozhestvenno-tvorcheskoy deyatel'nosti // Institut khudozhestvennogo obrazovaniya RAO. Elektronnyy nauchnyy zhurnal «Pedagogika iskusstva». 2008. № 2. [Elektronnyy resurs]. URL: http://www.art-education.ru/AE-magazine/new-magazine-2-2008.htm.
7. Dorozhnaya karta khudozhestvennogo obrazovaniya: Sozdanie tvorcheskogo potentsiala dlya XXI veka // Vsemirnaya konferentsiya po obrazovaniyu v oblasti iskusstv. 6-9 marta 2006 g. (Lissabon, Portugaliya). [Elektronnyy resurs]. URL: http://www.unesco.org/culture/lea.
Зарегистрирована: 23.01.2015
Есенова Ханзада Азимхановна (г. Алматы), Обсерватория ЮНЕСКО по межкультурному и творческому образованию, глава Первого Казахстанского Клуба ЮНЕСКО, руководитель. E-mail: [email protected]
Yesenova Khanzada Azimkhanovna (Almaty), UNESCO Observatory on intercultural and creative education, the head of the First Kazakhstan UNESCO Club. E-mail:[email protected]
УДК 004.891
МЕТОДЫ СТРУКТУРИЗАЦИИ ЗНАНИЙ В ИНТЕЛЛЕКТУАЛЬНЫХ ОБУЧАЮЩИХ СИСТЕМАХ
Т.Ш. Шихнабиева
Федеральное государственное научное учреждение «Институт информатизации образования» РАО (ФГНУ ИИО РАО), 119121, г. Москва, Российская Федерация
В статье приведен обзор существующих методов структуризации знаний и их применение при разработке интеллектуальных обучающих систем. Предлагаемые подходы основаны на структуре человеческих знаний, принципах разработки систем искусственного интеллекта и информационных семантических систем, объединяют процедурный и декларативный подходы к представлению знаний, базируются на теории семантических сетей и продукционных правил.
Ключевые слова: поле знаний, понятия, метапонятия, детализация понятий, концептуальный анализ знаний, критерии и принципы структуризации знаний, модели представления знаний.
METHODS OF STRUCTURING KNOWLEDGE IN INTELLIGENT
TUTORING SYSTEMS
T.Sh. Shihnabieva
Federal State Scientific Institution «Institute for Informatization of Education» RAE, 119121, Moscow,
Russian Federation
The article provides an overview of existing methods of structuring knowledge and its application in the development of intelligent tutoring systems. The approach is based on the structure of human knowledge, the design principles of artificial intelligence and semantic information systems combine procedural and declarative approaches to knowledge representation, based on the theory of semantic networks and production rules.
Keywords: field of knowledge, concepts, metaconcepts, detailing concepts, conceptual analysis of knowledge, criteria and principles of structuring knowledge representation models readings of.
Современные информационные технологии и стремительное расширение разнообразия сетевых образовательных услуг вызвало поток инноваций по реорганизации существующих образовательных систем всех уровней образования. Проблемы создания эффективных систем обучения, равно как и создание новых форм, способов и средств представления учебного материала, поиска новых педагогических приемов, особо обострились в последнее десятилетие XX века в связи с появлением в массовом количестве персональных компьютеров, электронной почты и сети Интернет. Перечисленные средства ИКТ значительно увеличили объем доступной информации, качество и скорость работы с ней по сравнению с предшествующим периодом времени. Вместе с тем, цифровые технологии породили ряд проблем поиска актуальной информации за «разумное время» в громадных базах данных современных информационных систем, что ограничивает их применение в учебном процессе без предварительных настроек, создания
специальных фильтров и систем поиска нужной информации для учебных и образовательных задач.
Данная статья посвящена методам и средствам структуризации знаний и их использованию при разработке интеллектуальных обучающих систем (ИОС). В качестве примера рассматриваем предметную область «Информатика». Известно, что информатика как научная дисциплина представляет собой стремительно развивающуюся область знаний, некоторые разделы которой уже устоялись и являются общепризнанными, а некоторые находятся в стадии становления. Современная дидактика рассматривает изучение научных дисциплин как освоение педагогически адаптированных научных знаний. Применительно к информатике это обстоятельство требует первоначально провести систематизацию и структуризацию её содержания на текущий момент времени. Имея представление о состоянии современной информатики, можно строить дидактическую систему обучения этой области знаний, для чего
необходимо разработать методологию структуризации и адаптации этих знаний с учетом требований специальности и социального заказа. Кроме того, в связи с совершенствованием аппаратной части ПК и появлением нового программного обеспечения соответственно пополняется новыми понятиями само содержание предмета. Причём, современные ЭВМ становятся более интеллектуальными, основой функционирования которых является семантический диалог.
В связи с пополнением содержания курса, совершенствуется и методика ее преподавания. Поэтому в связи с изменениями системы целей образования по информатике, введением новых тем и вопросов для изучения и уточнением содержания основных разделов возникает необходимость более четкого структурирования и классификации понятий в процессе анализа и проектирования учебных курсов.
Такая постановка задач предварительной структуризации понятий соответствует дидактическим требованиям и составлена нами на основе теории искусственного интеллекта и, в частности, теории математической информатики (А.Л. Семенов, А.В. Чеч-кин) и семантических сетей (М. Квил-лиан, Г. Хендрикс). Для анализа методов структуризации знаний необходимо ввести некоторые понятия, значения которых определено в литературе [1]. Таким понятием является поле знаний. Поле знаний - это условное описание основных взаимосвязей между понятиями предметной области, выявленных из системы знаний эксперта. Поле знаний Р2 формирует-
ся на стадии разработки экспертных систем - стадии структурирования. Поле знаний как первый шаг к формализации представляет модель знаний о предметной области, как ее сумел выразить аналитик на некотором «своем» языке [1].
Поле знаний Р2 является некоторой семиотической моделью, которая может быть представлена как граф, рисунок, таблица, диаграмма, формула или текст в зависимости от особенностей предметной области. Для представления знаний в интеллектуальных системах (ИС) существуют различные способы. Наличие различных способов вызвано в первую очередь стремлением с наибольшей эффективностью представить различные типы предметных областей. Обычно способ представления в ИС характеризуется моделью представления знаний.
Модели представления знаний обычно делят на логические (формальные), эвристические (формализованные) и смешанные (рис.1). В основе логических моделей представления знаний лежит понятие формальной системы (теории). Примерами формальных теорий могут служить исчисление предикатов и любая конкретная система продукций. В логических моделях, как правило, используется исчисление предикатов первого порядка, дополненное рядом эвристических стратегий. Эти методы являются системами дедуктивного типа, т.е. в них используется модель получения вывода из заданной системы посылок с помощью фиксированной системы правил вывода.
МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Рис.1. Наиболее распространенные модели представления знаний.
В отличие от формальных моделей эвристические модели имеют разнообразный набор средств, передающих специфические особенности той или иной проблемной области. Именно поэтому эвристические модели превосходят логические как по возможности адекватно представить проблемную среду, так и по эффективности используемых правил вывода. К эвристическим моделям, используемым в экспертных системах, можно отнести сетевые, фреймовые, продукционные и объектно-ориентированные модели.
Как правило, в системах, основанных на знаниях, используется не одно, а несколько представлений [2]. Исполняемые утверждения представляются либо в виде продукционных правил, либо в виде модулей (процедур), вызываемых по образцу. Для представления модели предметной области используются объектный подход или
сетевые модели (семантические сети и фреймы). Для структуризации знаний в ИОС мы использовали, предложенную авторами [3], последовательность стадий проведения их концептуального анализа:
1. Определение входных и выходных данных.
2. Составление словаря терминов.
3. Выявление объектов, понятий и их атрибутов.
4. Выявление связей между понятиями.
5. Выделение метапонятий и детализация понятий.
6. Построение пирамиды знаний.
7. Определение отношений между понятиями.
8. Определение стратегии принятия решений.
Предлагаемая методика структурирования знаний опирается на современные представления о струк-
туре человеческой памяти и формах репрезентации информации в ней [4]. Авторы [1] отмечают, что поле знаний является адекватной моделью знаний эксперта в той или иной предметной области и для выявления структуры поля (т. е. понятий и отношений) можно воспользоваться результатами, полученными в психосемантике - науке, возникшей на стыке когнитивной психологии, психолингвистики, психологии восприятия и исследований индивидуального сознания.
Психосемантика исследует структуры сознания через реконструкцию индивидуальной системы знаний [5]. Основная значимость методов психосемантики состоит в том, что они позволяют выявлять те категориальные структуры сознания экспертов, которые могут не осознаваться ими самими [5]. Основным методом экспериментальной психосемантики является метод реконструкции субъективных семантических пространств. Как отмечают авторы, психосемантика тесно сплетается с лингвистической семантикой - с методологией выявления значений слов, с лексикографией, «падежной грамматикой» и структурными исследованиями [5]. Однако лингвистические методы в основном направлены на анализ текстов, отчужденных от субъекта, от его мотивов и замыслов. Психолингвистические методы обращаются непосредственно к испытуемому. Большинство из них связано с различными формами субъективного шкалирования.
Под семантическим пространством понимается система признаков, описаний предметной области, определенным образом структурированная
[1]. В основе построения семантических пространств, как правило, лежит статистическая процедура, позволяющая группировать ряд отдельных признаков описания в более емкие категории-факторы [1]. Построение семантического пространства, таким образом, включает переход к описанию предметной области на более высоком уровне абстракции, т.е. переход от языка, содержащего больший алфавит признаков описания, к более емкому языку концептуализации, содержащему меньшее число концептов и выступающему своеобразным метаязыком по отношению к первому.
В зависимости от опыта и профессиональной компетентности испытуемых размерность пространства и расположение в ней первичных понятий может существенно варьироваться. Эта особенность семантических пространств может быть использована на стадии контроля в процессах обучения, при тестировании экспертов и пользователей. На основании получаемых методами психосемантики моделей можно проводить контроль знаний. При анализе индивидуальных семантических пространств выявляются вопросы, которые не усвоены и не уложились в систему. Контроль структуры знаний проводится на основе сопоставления семантических пространств хороших специалистов и новичков (студентов, слушателей, молодых специалистов).
Все описанные выше методы (включая кластерный анализ) можно отнести к методам психологического шкалирования. Их основу составляют алгоритмы преобразования сложных структур данных в более понят-
ную форму, которая предполагается психологически содержательной. Мы рассмотрели методы структуризации знаний в интеллектуальных системах. Однако, как показывает подробный анализ литературы [1-3; 6-9] вопросы структуризации знаний в системах обучения пока ещё мало изучены, хотя является объективной необходимостью.
Для структуризации знаний в системах обучения, мы руководствовались теорией семантических сетей и других эвристических моделей представления знаний, а также основными научными подходами в получении знаний (конструктивный, аксиоматический и т.д.). Известно, что обучение является разновидностью познавательного процесса, который протекает в специфических условиях, и предполагает взаимодействие преподавателя, обучаемого, объекта познания и явлений реальной действительности. Поэтому в качестве наиболее приемлемой альтернативы для представления знаний в ИОС предлагаем иерархическую многоуровневую семантическую модель, в частности, адаптивную семантическую модель (АСМ) [10], где понятия в зависимости от их обобщённости распределены по уровням.
Такой подход к организации знаний при разработке интеллектуальных обучающих систем позволяет значительно сократить время обучения, уменьшить объем памяти, занимаемой базой знаний и данных. Модель в виде иерархической семантической сети, являясь логической структурой изучаемой предметной области, показывает также последовательность изложения учебного материала.
Для структуризации знаний в интеллектуальных информационных системах образовательного назначения предлагаем следующие критерии: выделение классов понятий предметной области в зависимости от уровня их обобщённости; установление фундаментальных видов связей (причинно-следственных, родовидовых) между классами понятий; выделение общих свойств и признаков, присущих каждому уровню понятий; определение принадлежности понятия рассматриваемой предметной области к классу понятий (макропонятия, ме-тапонятия, микропонятия); выделение отличительных признаков каждого уровня понятий.
Принципами семантического представления знаний в интеллектуальных информационных системах образовательного назначения являются: представление знаний предметной области в виде многоуровневой иерархической модели; расположение выделенных классов понятий (макропонятия, метапонятия, микропонятия) предметной области на соответствующих уровнях иерархической модели знаний в зависимости от их уровня обобщённости; учёт выделенных общих свойств и отличительных признаков при семантическом представлении знаний. По предлагаемой методике нами разработаны адаптивные семантические модели по основным разделам информатики [11].
Преимущества предлагаемой нами модели логической структуры учебного материала особенно значимы при контроле знаний обучаемых [12]. Семантическая модель подразумевает смысловую обработку информации
компьютером, которая необходима при обработке ответов обучаемых.
При контроле знаний необходимо по заранее известным понятиям предметной области построить с помощью инструментальных программных средств на экране компьютера соответствующую изучаемым понятиям семантическую сеть, и далее модель знаний обучаемого сравнивается с моделью в базе данных по искомой теме и тем самым осуществляется контроль знаний обучаемых. Такая организация контроля знаний способствует качественному обучению, поскольку обучаемые анализируют базовую структуру изучаемых понятий и представлений, связывая с ними новые понятия. На основе предложенных методологических положений структуризации и контроля знаний создана интеллектуальная обучающая система, которая используется в учебном процессе.
Источники:
1. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2001. [Gavrilova T.A., Khoroshevsky V.F. Knowledge base of intelligent systems. SPb.: Peter, 2001. (In Russ.)]
2. Вагин В.Н., Головина ЕЮ. Многоуровневая логика-модель представления знаний в экспертных системах. В кн.: III конф. по ИИ // Сб. научн. тр.: В 2 т. Тверь, Центрпрограммсистем, 1992. С.16-18. [Vagin V.N., Golovin E.Y. Multilevel logic-model of knowledge representation in expert systems. In the book: III Conf. on AI // Proc. Scien. tr .: 2 v. Tver, Centerprogrammsystem, 1992. S. 16-18. (In Russ.)]
3. Гаврилова Т.А., Червинская К.Р., Извлечение и структурирование знаний для экспертных систем. М.: Радио и связь, 1992. [Gavrilova T.A., Chervinskaya K.R., extraction and structuring of knowledge for expert systems. M.: Radio and Communications, 1992. (In Russ.)]
4. Гейвин Х. Когнитивная психология: Питер, 2003. 272 с. [Helen Gavin. Cognitive Psychology: Peter, 2003. 272 p. (In Russ.)]
5. Петренко В.Ф. Основы психосемантики. 2-изд., доп. СП. Питер, 2005. 480 с. [Petrenko V.F. Basics psycho semantics. 2nd ed., Ext. JV. Peter,
2005. 480 p. (In Russ.)]
6. Заболотский В.П., Степанов А.Г. Элементы иерархической модели современной информатики в виде абстракции знаний // IX Санкт-Петербургская международная конференция «Региональная информатика», 2004. Материалы конференции. 22-24 июня 2004 года. СПб.: 2004. С. 281-282. [Zabolotski V.P., Stepanov A.G. Elements of the hierarchical model of computer science as an abstraction of knowledge // IX St. Petersburg International Conference «Regional Informatics», 2004. Proceedings of the conference. 22-24 June 2004. SPb .: 2004, pp. 281282. (In Russ.)]
7. Поспелов Д.А. Ситуационное управление. Теория и практика. М.: Наука, 1986. 288 с. [Pospelov D.A. Contingency management. Theory and practice. M .: Nauka, 1986. 288 p. (In Russ.)]
8. РакитинаЕ.А., Панфилова О.А. Особенности изучения вопросов систематизации информации и структурирования данных в курсе информатики // Информатика и образование, 2007, № 4. С. 32-42. [Rakitin E.A., Panfilov O.A. Features Studies systematization of information and structuring data in the course of computer science // Informatika i obrazovanie, 2007, № 4. S. 32-42. (In Russ.)]
9. Рассел С., Норвиг П. Искусственный интеллект: современный подход, 2- е изд.: Пер. с англ. М.: Издательский дом «Вильямс», 2006. 1408 с. [Stuart Russell, Peter Norvig. Artificial Intelligence: A Modern Approach, 2 nd ed.: Trans. from English. M.: Publishing House «Williams»,
2006. 1408 p. (In Russ.)]
10. Шихнабиева Т.Ш. О методологии структуризации знаний в области информатики на основе адаптивных семантических образовательных моделей // Педагогическая информатика. 2007. № 2. С. 86-93. [Shihnabieva T.Sh. On the methodology of structuring knowledge in the field of computer-based adaptive semantic educational models // Educational Informatics.
2007. № 2. Pp. 86-93. (In Russ.)]
11. Шихнабиева Т.Ш. О структуризации знаний в области информатики на основе
адаптивных семантических образовательных моделей // Труды XIII Всероссийской научно-методической конференции «Телематика 2007». Т. 1. С. 77-83. [Shihnabieva T.Sh. On the structure of knowledge in the field of computer-based adaptive semantic educational models // Proceedings of the XIII All-Russian Scientific Conference «Telematics 2007». T. 1. P. 77-83. (In Russ.)]
12. Шихнабиева Т.Ш. О методологии и методике представления и контроля знаний на основе адаптивных семантических моделей // Вестник МГОУ. № 3. 2008. С. 204-213. [Shihnabieva TS About the methodology and methods of presentation and control of knowledge-based adaptive semantic models. Vestnik MGOU. № 3. 2008. Pp. 204-213. (In Russ.)]
References:
1. Gavrilova T.A., Khoroshevskiy V.F. Bazy znaniy intellektual'nykh sistem. SPb.: Piter, 2001.
2. Vagin V.N, Golovina E.Yu. Mnogo-urovnevaya logika - model' predstavleniya znaniy v ekspertnykh sistemakh. V kn.: III konf. po II // Sb. nauchn. tr.: V 2 t. Tver', Tsentrprogrammsistem, 1992. S.16-18.
3. Gavrilova T.A., Chervinskaya K.R., Izvle-chenie i strukturirovanie znaniy dlya ekspertnykh sistem. M.: Radio i svyaz', 1992.
4. Khelen Geyvin. Kognitivnaya psikhologiya: Piter, 2003. 272 s.
5. Petrenko V.F. Osnovy psikhosemantiki. 2-izd., dop. SP. Piter, 2005. 480 s.
6. Zabolotskiy V.P., Stepanov A.G. Elementy ierarkhicheskoy modeli sovremennoy informatiki v vide abstraktsii znaniy // IX Sankt-Peterburgskaya mezhdunarodnaya konferentsiya «Regional'naya informatika», 2004. Materialy konferentsii. 22-24 iyunya 2004 goda. SPb.: 2004. S. 281-282.
7. Pospelov D.A. Situatsionnoe upravlenie. Teoriya i praktika. M.: Nauka, 1986. 288 s.
8. Rakitina E.A., Panfilova O.A. Osobennosti izucheniya voprosov sistematizatsii informatsii i strukturirovaniya dannykh v kurse informatiki // Informatika i obrazovanie, 2007, № 4. S. 32-42.
9. Styuart Rassel, Piter Norvig. Iskusstvennyy intellekt: sovremennyy podkhod, 2- e izd.: Per. s angl. M.: Izdatel'skiy dom «Vil'yams», 2006. 1408 s.
10. Shikhnabieva T.Sh.O metodologii strukturizatsii znaniy v oblasti informatiki na osnove adaptivnykh semanticheskikh obrazovatel'nykh modeley // Pedagogicheskaya informatika. 2007. № 2. S. 86-93.
11. Shikhnabieva T.Sh. O strukturizatsii znaniy v oblasti informatiki na osnove adaptivnykh semanticheskikh obrazovatel'nykh modeley // Trudy XIII Vserossiyskoy nauchno-metodicheskoy konferentsii «Telematika 2007». T. 1. S. 77-83.
12. Shikhnabieva T.Sh. O metodologii i metodike predstavleniya i kontrolya znaniy na osnove adaptivnykh semanticheskikh modeley // Vestnik MGOU. № 3. 2008. S. 204-213.
Зарегистрирована: 26.01.2015
Шихнабиева Тамара Шихгасановна (г. Москва), Федеральное государственное научное учреждение «Институт информатизации образования» РАО (ФГНУ ИИО РАО), заведующая лабораторией, доктор педагогических наук, профессор. Тел.: 8-919-109-35-30; E-mail: shetoma@ mail.ru
Shihnabieva Tamara Shihgasanovna (Moscow), Federal State Scientific Institution «Institute for Informatization of Education» RAO, head of the laboratory. Doctor of Pedagogical sciences, Professor. Ph.: 8-919-109-35-30. E-mail: [email protected]
