CC BY
26
УДК 519.8.517.5
МОДЕЛЬ АДАПТАЦИИ ОБУЧАЮЩЕЙ ПОСЛЕДОВАТЕЛЬНОСТИ ПРИНЯТИЯ УПРАВЛЕНЧЕСКИХ РЕШЕНИЙ
ДОРОВСКОЙВ.А.___________________________
Рассматривается архитектура интеллектуальной системы профессионального обучения (ИСПО), обеспечивающая высокую эффективность благодаря выбору адекватного когнитивного профиля респондента.
Создание интеллектуальных обучающих систем — это одна из актуальных задач повышения эффективности процесса обучения в условиях роста информатизации общества в целом.
Цел ъю настоящего исследования является разработка архитектуры интеллектуальной системы профессионального обучения принятия управленческих решений (ПУР), обеспечивающей измерение харак-теристикреспондента; построение его когнитивного профиля; определение его когнитивного типа; адаптацию учебной информации к когнитивному профилю пользователя.
Для обеспечения оптимальной эффективности обучения ПУР и уменьшения информационной нагрузки необходимо управлять аспектами представления знаний, при этом тьютор должен учитывать когнитивный стиль и интеллектуальные способности респондента.
Разработанная архитектура ИСПО ПУР представлена на рис. 1.
Рис. 1. Архитектура интеллектуальной системы профессионального обучения ПУР
База знаний обучаемого состоит из когнитивной модели респондента и продукционных правил интерпретации когнитивного профиля, который хранится и актуализируется когнитивной моделью. Эти правила имеют обобщенный вид:
ЕСЛИ atecj , ТО conseqj , (1)
где j — индекс продукционного правила; antecj — посылка j-го продукционного правила; conseqj — следствие. Посылка и следствие правила (1) имеют вид:
айесу айесуі гу1 Гу1 и Гу2 и .. И г .. и у (2)
conseqу Ду, (3)
здесь Гу (i = 1,...,q) — i-я элементарная посылка j-го продукционного правила; А у — j-e следствие.
Элементарная посылка гу имеет вид:
Гу(i - 1,...,m) nk < N < n;, (4)
где Ni — результат тестирования, полученный в i-м тесте, i = 1, ... , m; m — количество тестов для определения продуктивных характеристик; nk, n — соответственно нижнее и верхнее граничные значения результата тестирования для отнесения респон -дента к классу предпочтений по типу и сложности представления информации:
гуі = (І = m + 1,....q) T;R1. (5)
Здесь Ti — результат тестирования когнитивного стиля; R — отношение. Следствие А у имеет вид: А у C = Су, где Cj — j-й когнитивный тип.
Блок классификации является механизмом вывода, который определяет когнитивный тип респондента. Необходимость предложенной архитектуры вызвана тем, что определения когнитивных стилей и когнитивных свойств респондента не являются устоявшимися. Для обеспечения гибкости ИСПО применена архитектура, в которой знания отделены от процедуры вывода, поэтому могут легко редактироваться. Эта же причина объясняет необходимость блока <менеджер тестов>, назначение которого — устанавливать перечень тестов, которые следует предъявлять респонденту для тестирования его когнитивных способностей. Тем самым обеспечивается возможность редактировать тесты и их множество без изменения программных компонентов тьютора. База знаний предметной области (БЗ ПрО) (см. рис. 1) содержит профессиональные знания по предмету, определяющему ИСПО. Она может быть, например, множеством сценариев, каждый из которых отвечает когнитивному типу респондента. Функция блока адаптации состоит в выборе соответствующего когнитивного типа сценария обучения. Презентационный блок является обобщенным названием компонентов адаптивного тьютора, которые выполняют функции организации диалогового общения (коммуникации) с пользователем.
Введем дополнительные переменные: P — темп (1, 2, 3) и L — уровень сложности (1, 2, 3), описывающие темп и уровень сложности представления информации (низкий, средний, высокий).
РИ, 2003, № 4
145
Переменные L и Р определяются параметрами Nj ... N5, которые являются результатами тестирования продуктивных характеристик пользователя:
L = fjNi,N2,N^, (7)
P = fP(N4,N5). (8)
Формализуем зависимости (6) и (8) на основе теории нечетких множеств.
Рассмотрим параметры Nj = 1...n (n=5) как лингвистические переменные, заданные на универсальных множествах:
Ui = [NjjNji = (n=5), (9)
где Ni , Ni — соответственно нижнее и верхнее значение параметра Ni.
Для оценивания нечетких переменных будем использовать единую шкалу термов: H — низкий; C — средний; B — высокий.
Логические уравнения, связывающие функции принадлежности переменных L, P и параметров N1...N5, имеют вид:
р H(L) = р H(Ni)* р H(N2)* р H(N3) v
vp H(Ni)* р H (N2) * р C(N3) v
vp H(Ni)* p C (N2) * p H(N3) v
v ДC(Ni)*^H(N2)*^h(N2), (10)
p C(L) = p H(Ni)* p C (N2) * p C(N3) v
vp C(Ni)* p H (N2) * p C(N3) v
vp C(Ni)* p C (N2) * p H(N3) v
vpC(Ni)*pC(N2)*pC(N3) v
vp C(Ni)* p B (N2) * p C(N3) v
vp C(Ni)* p C (N2) * p B(N3) v
B(Ni)* д°(К2)* де(К2); (11)
p B (L) = p C(Ni)* p B(N2)* p B (N3) v
vp B(Ni)* p C (N2) * p B (N3) v
vp B(Ni)* p B(N2)* p C(N3) v
vpB(Ni)* pB(N2)* pB(N3); (12)
p H(P) = pH (N4) * p H (N5) vp H (N4) * pC (N5 ) v
vpC(N4)* pH(N5); (13)
pC(P) = pC(N4) * pC(N5) v pC(N4) * pB(N5),(14)
pB(P) = pB(N4)*pC(N5) vpB(N4)*pB(N5 ) .(15)
При выполнении расчетов по уравнениям (9) - (14) логические операции л и v над функциями принадлежности можно заменить операциями min и max:
p(a) л p(b) = min[p(a), р(Ъ)],
p(a) v p(b) = max[p(a), p(b)] .
Функции принадлежности трех нечетких термов (H, C, B) представлены на рис. 2.
Рис. 2. Функции принадлежности нечетких термов
Аналитические выражения данных функций имеют вид:
H І 1, N є [a,b),
pH(N)=\ 15
[[(f - N)/(f - b)]1,5, N є (b,f] ,
(16)
p C(N) = <
[(N - a)/(c - a)1,5,
i,
,[(f - N)/(f - d)]1,5
N є [a,c), N є [c, d), N є (d,f],
(17)
B(N) = l[(N - a)/(c - a)]1,5, N є [a,e],
1 1, N є [e,f)
Пример. Вычислим функции (14)—(18), где a, b, c, d, f равны следующим значениям:
a=20; b=30; c=45; d=55; e=63; f=80. (19)
С учетом (18) выражения (14)-(18) будут иметь вид:
р H(N)
1, N є [20,37),
[(80 -N) /43]1,5, N є (b,f],
(20)
p C(N) = <
[(N - 20)/15]1,5 1
[(80 - N)/25]1,5
N є [20,45), N є (45,55), N є [55,80),
(21)
ЦH(N) = J[(N - 20)/23]1,5, N є (20,63], [ 1, N є (63,80].
(22)
Значения переменных Р и L определяются по следующим правилам.
Для переменной P:
1. ЕСЛИ рH(P) = max[pH(P), pC(P), pB(P)], TO P=1.
2. ЕСЛИ pC(P) = max[pH(P),pC(P),pB(P)], TO P=2.
3. ЕСЛИ pB(P) = max[pH(P),pC(P),pB(P)], TO P=3. Для переменной L:
1. ЕСЛИ pH (L) = max[pH (L), pC (L), pB (L)], TO L=1.
2. ЕСЛИ pC (L) = max[pH (L), pC (L), pB (L)], TO L=2.
3. ЕСЛИ pB (L) = max[pH (L), pC (L), pB (L)], TO L=3.
146
РИ, 2003, № 4
С учетом введенных переменных P и L правила отнесения респондента (обучаемого) к некоторому когнитивному типу будут иметь вид, представленный в таблице.
ЕСЛИ Р= И ТО
1 L=1, T6=1, T7>1 1
2 L=1, T6<1, T7>1 2
2 L=2, T6<1, T7>1 3
3 L=2, T6<1, T7>1 4
3 L=3, T6<1, T7>1 5
1 L=1, T6<1, T7>1 6
2 L=1, T6<1, T7>1 7
2 L=2, T6>1, T7<1 8
3 L=2, T6>1, T7<1 9
3 L=3, T6>,T7<1 10
1 L=1, T6>1, T7>1 11
2 L=1, T6>1, T7>1 12
2 L=2, T6>1, T7>1 13
3 L=2, T6>1, T7>1 14
3 L=3, T6>1, T7>1, 15
1 L=1, T6<1, T7<1 16
2 L=1, T6<1, T7<1 17
2 L=2, T6<1, T7<1 18
3 L=2, T6<1, T7<1 19
3 L=3, T6<1, T7<1 20
Вывод о когнитивном типе пользователя в дальнейшем использует блок адаптации для управления параметрами передаваемых респонденту учебных последовательностей.
Представим алгоритм общения ЛПР с ИСПО.
Шаг 1. ЛПР устанавливает связь с ИСПО.
Шаг 2. ИСПО идентифицирует пользователя. Проверяется пароль и если пользователь не имеет доступа, то связь разрывается. Если пользователь имеет доступ, то проверяется состояние его когнитивной модели. Если когнитивная модель пользователя (КМП) построена полностью, то ИСПО переходит к шагу 5. Если КМП не построена или построена частично, то выполняется переход к следующему шагу.
Шаг 3. ИСПО запускает менеджер тестов. Менеджер тестов формирует тестовую последовательность в соответствии с информацией из конфигурационного файла, который содержит названия тестов из базы данных тестов и порядок их предъявления.
После того, как тестовая последовательность сформирована, каждый тест предъявляется респонденту. Когда очередной тест завершен, он возвращает управление менеджеру тестов, который запускает следующий тест. Если тестовая последовательность исчерпана, формируются результаты тестирования, менеджер тестов завершает свою работу и ИСПО переходит к следующему шагу.
Шаг 4. Результаты тестирования обрабатываются и заносятся в базу знаний. Формируется когнитивная информационная модель пользователя, отображающая его когнитивный профиль (когнитивный стиль и значения продуктивных характеристик).
Шаг 5. Экспертный блок тьютора (блок классификации), моделирующий поведение педагога, на основании построенной КМП относит ЛПР к одному из типов обучаемых.
Шаг 6. ИСПО определяет учебный предмет и в соответствии с типом респондента формирует обучающую последовательность.
Обобщая проведенный анализ, можно сделать следующие выводы:
1. Предложенная модель адаптации обучающей последовательности принятия управленческих решений обеспечивает разработку ИСПО с учетом когнитивных возможностей ЛПР.
2. Предложенная архитектура модели адаптации обучающей последовательности принятия управленческих решений обеспечивает измерение характеристики ЛПР построения его когнитивного проектирования.
3. Разработанная ПУР используется для проектирования интеллектуальных тестовых систем оценки знаний.
Литература: 1. Аверкин А.Н., Батыршин ИЗ., Блишун А.Ф. Нечеткие множества в моделях управления и искусственного интеллекта. М.:Наука, 1986. 312 с. 2.Бо-рисов АЛ., Меркурьева А.В., Слядзь Н.Н. Обработка нечеткой информации в системах принятия решений. М.: Радио и связь, 1989. 304 с. 3. Кофман А Введение в теорию нечетких множеств. М.: Радио и связь, 1982. 432с.
Поступила в редколлегию 10.03.2003
Рецензент: д-р техн. наук, проф. Шаронова Н.В.
Доровской Владимир Алексеевич, канд. техн. наук, профессор, директор Криворожского подразделения Европейского Университета. Научные интересы: интеллектуальные оценки тестирования, дихотомическое тестирование. Адрес: Украина, 50086, Днепропетровская обл., г.Кривой Рог, ул.Галенко, 2, тел.(0564)92-11-54, 71-58-28.
РИ, 2003, № 4
147
