Модель формирования знаний для автоматизированной системы управления обучением Текст научной статьи по специальности «Компьютерные и информационные науки»

Модель формирования знаний для автоматизированной системы управления обучением

Мазурок Татьяна Леонидовна д.т.н., профессор кафедры прикладной математики и информатики, Южноукраинский национальный педагогический университет им. К.Д. Ушинского,

г. Одесса, Украина [email protected]

Аннотация

Приведены результаты разработки информационного обеспечения, необходимой для функционирования автоматизированной системы управления обучением. На основе анализа особенностей информационной составляющей процесса управления предложена информационная модель, включающая модель формирования знаний.

The results of development of information needed for the automatization teaching control system are presented. Based on the analysis of the features of information component offers an information control process model that includes a model of knowledge creation.

Ключевые слова

автоматизированная система управления обучением, информационное обеспечение, информационная модель, модель формирования знаний; computer aided control system for teaching, data ware, information model, a model of knowledge.

Введение

Современный этап реформирования профессионального высшего образования определяется как мировыми тенденциями к интеграции, мобильности трудовых ресурсов, так и национальными проблемами повышения качества подготовки конкурентоспособных специалистов. Поэтому, среди основных направлений реформ можно выделить такие, как содействие мобильности студентов, создание условий для обучения на протяжении жизни, содействие международным программам сотрудничества в области повышения качества образования и др. Решение этих задач требует усовершенствования процесса обучения с целью проектирования обучающей среды для личностно-ориентированного подхода к обучаемым и внедрения технологий обучения, направленных на результаты (внешне-ориентированные) и студенто-ориентированные (в центре которых находится студент).

Одним из направлений усовершенствования процесса обучения является внедрение средств информационно-коммуникативных технологий (ИКТ) в учебный процесс [1]. Разные аспекты использования ИКТ для повышения эффективности обучения рассмотрены в работах Гриценко В.И., Довгялло А.М., Жалдака М.И., Манако А.Ф., Машбица Ю.И., Роберт И.В. и др. Анализ накопленного опыта использования ИКТ показал, что дальнейшее повышение эффективности связано, прежде всего, с компьютеризацией управления обучением, как целостным и целенаправленным процессом. Рассмотрение обучения, как управляемого процесса, представляет собой плодотворную идею, которая была начата в работах Винера Н.,

Скинера Б.Ф., дидактически обоснована в работах Талызиной Н.Ф., Беспалько В.П. Дальнейшее усовершенствование кибернетического подхода к управлению обучением связано с работами Растригина Л.А., Эренштейн М.Х., Соловова А.П., Тодорцева Ю.К. и др. Однако, известные методы управления обучением по сути остаются преимущественно «ручными», поэтому не позволяют преодолеть двух основных противоречий: между формированием управляющих воздействий на каждого студента со стороны преподавателя и несогласованностью множества полученных воздействий со стороны студента. Разрешение этих противоречий требует существенного усовершенствования методологии создания автоматизированных систем управления обучением на основе современных достижений теории управления.

Развитие методологии создания автоматизированных систем управления сложными системами за последние годы претерпело значительные изменения. Так, современная методология системного анализа базируется на взаимодополняющих подходах - системном, синергетическом, информационном, что позволяет более глубоко изучать сложные управляемые процессы и объекты. Основной синергетический постулат «не навязывания» извне управляющего воздействия на основе учёта собственных тенденций развития объекта управления является особенно важным для педагогических систем, в рамках которых осуществляется процесс обучения. Поэтому системный анализ педагогических систем наиболее целесообразен именно на основе синергетического подхода, который составляет основу для повышения степени автоматизации функций управления.

Педагогическая система является сложной организационно-технической системой, управление которой содержит, наряду с неформализованными и слабоструктурированными задачами в условиях неполной информации, ещё и класс задач смешанного типа, которые используют как аналитические, так и эвристические модели [2]. Такие задачи характеризуются случайностью внешних воздействий, априорной неполнотой информации, неопределённостью целей. Поэтому для управления обучающими системами наиболее целесообразным является использование средств искусственного интеллекта. Внедрение интеллектуальных компонент в системы управления обучением отражены в работах Брусиловского П.Л, Галеева И.Х., Довбыша А.С., Маклакова Г.Ю., Петрушина В.А., Савельева А.Я., Чмыря И.А., Шароновой Н.В. и др.

Поэтому, учитывая концептуальные изменения в методологии создания систем автоматизированного управления, которые позволяют на основе синергетического подхода и внедрения интеллектуальных компонент решать плохо структурированные, неформализованные задачи, а также усложнение дидактических требований к усовершенствованию средств индивидуализации обучения, актуальной является проблема разработки методологии создания автоматизированной системы управления педагогической системой для индивидуализированного обучения (АСУ-О).

Неотъемлемой составляющей системы управления сложным объектом является информация, характеризующая объект управления. Поэтому эффективность функционирования АСУ-О в значительной мере определяется наличием адекватного информационного обеспечения, выполняющего функции преобразования и использования потоков информации между всеми функциональными блоками управляющей системы. Реализация структурно-функциональной схемы АСУ-О на информационном уровне связана с обеспечением преобразований, большинство которых являются интеллектуальными. Это определяет наличие противоречия между потребностью в специализированной информационной поддержке процесса АСУ-О, направленной на подготовку, использование, передачу разнородных данных и знаний для управления обучением, и отсутствием методологии создания указанных компонент.

Поэтому разработка информационного обеспечения системы автоматизированного управления обучением представляет собой нерешённую часть общей проблемы автоматизации управления процессом индивидуализированного обучения. Для её решения необходимо проанализировать особенности функционирования АСУ-О на информационном уровне, определить основные составляющие элементы информационного обеспечения (ИнфО), методы их формирования, разработать модель формирования знаний для АСУ-О.

Анализ особенностей информационного обеспечения АСУ-О

Задача обучения естественным образом формулируется как задача управления [3]. В этом случае обучаемый выступает в качестве объекта управления (ОУ), а преподаватель - в качестве устройства управления (УУ). Простейшая схема управления взаимодействием между обучаемым и преподавателем в автоматизированном обучении приведена на рис.1. Система обучения идентична общей схеме управления любым объектом. Здесь объект управления - объект обучения («ученик»), устройство управления - обучающая система («преподаватель»), X - состояние среды, которая влияет на процесс обучения. Преподаватель получает информацию о состоянии среды X с помощью «датчика» ; X - информация о состоянии среды X, которая получена преподавателем;

У - состояние ученика, которое определяется с помощью «датчика» , на выходе

которого получаем У - информацию о состоянии, которую преподаватель получает в результате контрольных мероприятий; и - команды управления, которые поступают с УУ (при обучении под и понимают собственно обучение в виде порций учебной информации или контроля).

Рис. 1. Схема обучения, как управляемого процесса

Рис. 2. Схема автоматизированного управления

Обычно учителю сообщаются цели обучения Z , ресурсы К, которые имеются в распоряжении, информация о состоянии ученика У и окружающей его среды X . Задача состоит в следующем: организовать обучение и, которое изменит состояние У обучаемого таким образом, чтобы выполнялись цели обучения

и = {х\У\Z*, к) ,

(1)

где р - алгоритм обучения.

Трансформация роли компьютерных средств в обучении от пассивной роли вспомогательного инструментария до активной роли основного средства реализации автоматизированного способа выработки управляющих обучающих воздействий привела к модификации рассмотренной ранее схемы (рис. 1) , что привело к схеме автоматизированного управления (рис. 2). Основное отличие предложенной схемы состоит в изменении структуры УУ, заключающееся в выделении отдельной части управляющего устройства - АСУ-О, предназначенной для выработки индивидуализированных обучающих воздействий, а также блока специализированного информационного обеспечения - ИнфО АСУ-О.

Термин «информационное обеспечение» широко используется в разном контексте, в зависимости от функций, видов деятельности, трактуется неоднозначно, его толкование является дискуссионным. Кроме обозначения этим термином информационных структур, под ним ещё понимают процесс представления необходимой информации для потребностей определенного объекта [4].

Из известных трактовок ИнфО в рассматриваемой тематике наиболее подходящей является предложенная Воскресенским Г.М. [5]. Он рассматривает ИнфО в качестве функции управления, деятельности, которая организуется в рамках управления, направленная на проектирование, функционирование и усовершенствование информационных систем, которые обеспечивают эффективное выполнение задач управления.

Известны также другие определения, интенсионалами которых выступают такие понятия, как «информация», «создание информационных условий», «процесс», «совокупность средств», «функция», «структура» и др. В связи с отсутствием однозначного определения понятия информационного обеспечения под информационным обеспечением автоматизированной системы управления обучением (ИнфО АСУ-О) понимаем систему программно-технических средств поддержки информационных процессов, необходимых для функционирования АСУ-

О.

Рассмотрим основные информационные процессы и их характеристики (особенности), которые необходимы для функционирования АСУ-О. На рис. 3 схематично показано распределение информационных процессов по отношению к АСУ-О. Среди них можно выделить внутренние и внешние. К внешним относятся, кроме связей с АСУ-О, связи с пользователем, с внешней средой. Под пользователем на данной схеме подразумевается любой человек, диалог с которым необходим для функционирования АСУ-О (конечный пользователь - обучаемый, преподаватель, эксперт и др.).

Внешняя среда

пользователь

Рис. 3. Схема взаимодействия ИнфО АСУ-О с АСУ-О.

К внутренним информационным процессам относятся процессы обработки данных перед передачей в АСУ-О (обработка данных - логический вывод или

вычисления, поиск, передача). К внутренним информационным процессам можно отнести: получение информации от человека - «пользователя», передача данных в АСУ-О для выработки и осуществления управляющего действия, поддержка связи с внешней средой (например, системой дистанционного обучения или репозитарием учебных ресурсов и пр.).

Можно определить некоторые важные особенности внешней первичной (входной) информации: разнородность источников информации, средств её

представления; неполнота, нечёткость, неметризуемость, слабая степень вербализации некоторых данных; размытость понятия предметной области.

Внутренние информационные процессы в значительной степени связаны с обеспечением информацией интеллектуальных преобразователей АСУ-О, что требует организации баз знаний (БЗ). Открытость АСУ-О, синергетический принцип её функционирования определяют необходимость поддержки информационного взаимодействия с внешней средой, как источника получения дополнительной информации для установления информационного равновесия.

Анализ указанных особенностей позволяет сформулировать основные нерешённые задачи в рамках проблемы разработки ИнфО АСУ-О:

1. разработка информационной модели процесса управления обучением;

2. создание информационной модели учебного объекта, которая отображает контент электронного учебного материала и процедуру агрегирования межпредметных учебных объектов;

3. разработка модели формирования знаний для АСУ-О.

Разработка информационной модели АСУ-О

Под информационной моделью понимают модель объекта, которая представлена в виде информации, описывающей существенные для данного рассмотрения параметры, переменные, величины объекта, связи между ними, входы и выходы объекта [6]. Информационная модель характеризует не только существенные свойства и состояние объекта или процесса, но и взаимосвязи с внешней средой [7].

Целью создания информационной модели АСУ-О является определение основных информационных объектов и информационных процессов, обеспечивающих АСУ-О необходимой информацией, их структуры, взаимосвязей.

Основными составными элементами информационной модели АСУ-О (ИМ АСУ-О) являются следующие:

1. ИМ системы компетенций;

2. ИМ учебной дисциплины;

3. ИМ учебного элемента;

4. ИМ межпредметных связей;

5. ИМ обучаемого;

6. ИМ стратегии обучения.

Рассмотрим структуру перечисленных элементов. Информационная модель системы компетенций (СКМП) составляется на основе образовательно-квалификационной характеристики (ОКХ) по различным направлениям, например, [8], которая является стандартом отраслевой образовательной компоненты государственных стандартов высшего образования, устанавливающая квалификационные требования к выпускникам ВУЗов, в том числе и требования к их компетентности.

Информационная модель системы компетенций SKMP состоит из следующих элементов:

SKMP =< {ур },{&п}, \sHzd }, \zMuj }, }>, (2)

где ур - название производственной функции;

£0 - название типовой задачи деятельности;

SH2В - шифр типовой задачи деятельности, который имеет следующую структуру: SH2D <*у2„,к2„,}>, (3)

где У2В - вид типовой задачи деятельности;

К2В - класс типовой задачи деятельности;

- номер задачи, сквозной для данной производственной функции; гми - содержание умения;

SHU - шифр умения, который имеет следующую структуру:

SHV =(SH2D, У„, Яа, Ма), (4)

где V/ - вид умения;

Ки - уровень формирования умения;

- номер умения, сквозной для данной производственной функции.

Отметим, что SKMP, в свою очередь, относится к информационной модели так называемой профессиограммы PG, определяющей соответствие квалификаций профессии, имеет следующую структуру:

РО = (р },{ОЕ}, яок, мр) , (5)

где {Р} - перечень профессиональных работ, которые специалист будет способен

выполнить;

{ОЕ} - отрасли и подотрасли экономики, к работе в которых специалист будет подготовлен;

Кок - образовательно-квалификационный уровень;

№ - направление подготовки.

Схематичное представление информационной модели профессиограммы показано на рис. 4.

Модель компетенции определяется производственными функциями УР (2) на основе данных ОКХ, состоит из следующих элементов:

УР =({гп},Ьн2В } (6)

Тогда на основе модели (3) можно определить информацию о множестве умений: их содержании и шифрах, что составляет входную информацию модели учебной информации.

Рис. 4. Информационная модель профессиограммы

Модель учебной дисциплины (УД) определяется перечнем необходимых умений специалиста и их шифрами. Модель УД является промежуточной между информацией о компетенциях и учебными элементами, состоит из следующих элементов:

™ =< М„, С, Ьиш ), Г, КЯ >, (7)

где NЛЩ - название учебной дисциплины;

С - цикл подготовки;

{$НЖ } - шифр блоков содержательных модулей, входящих в УД;

Гт.т - минимальное количество учебных часов изучения дисциплины;

КЯт1п - минимальное количество кредитов для изучения дисциплины.

По шифрам блоков содержательных модулей SH2М можно определить названия содержательных модулей и их шифры. Для этого необходимо наличие промежуточной модели - модели блоков содержательных модулей ■В :

■Ж = {SHzв, Nzв1К., 1), (8)

где N2В - название блока содержательных модулей;

{$Н 2М1 - шифр содержательных модулей, входящих в данный блок;

■М J

2М} - названия содержательных модулей.

!^м, 1

Сформированные модели позволяют получить на основе информации от внешней среды о профессиональных умениях обучаемых перечень содержательных модулей, учебных дисциплин, которые согласно ОКХ [8], ОПП [9] гарантируют овладение системой компетенций, соответствующих определённому направлению подготовки, образовательно-квалификационному уровню. Названия учебных дисциплин, содержательных модулей передаются в АСУ-О через ИнфО АСУ-О, функция которого в данном случае состоит в функционировании базы данных, структура которой показана на рис. 4.

В связи с тем, что для АСУ-О важной является информация не только о перечне учебных дисциплин, но и о последовательности их изучения, то рассмотрим структурно-логическую схему формирования системы компетенций или подготовки специалиста. Структурно-логическая схема имеет вид нечёткого ориентированного графа, вершины которого - названия учебных дисциплин, дуги - нечёткие

отношения Я. Если обозначить множество учебных дисциплин через X = {Х1, Х2, • • •, Хп 1, где п - множество УД, то р ~ (х1, х2,..., Хп ) показывает

уровень выполнения отношения Я между элементами Х1 £= X, I = 1, п.

Между УД может быть два вида отношений - предшествования и подобия (сходства). Отношения сходства используют в тех случаях, когда УД могут изучаться в одном семестре и это не окажет существенного влияния на качество изучения последующих дисциплин. Нечёткое отношение сходства является аналогом обычного отношения толерантности. Нечёткие отношения сходства задаются с помощью матриц сходства, которые могут быть получены на основе опроса экспертов, которые для каждой пары УД указывают степень сходства на определённой шкале сравнения.

Аналитически модель структурно-логической схемы задаётся совокупностью пар УД и множеством нечётких отношений между ними. Тогда обобщённо процесс подготовки специалиста можно представить в следующем виде:

sls={domx, ,|Ы|,|Ы|, rm,„,), i = Ш, (9)

где DOMXi - домен, определяющий множество возможных пар УД;

Ряп - матрица нечёткого отношения предшествования УД;

Икс - матрица нечёткого отношения сходства УД.

Дальнейшее преобразование матриц нечётких отношений осуществляется на основе объединения:

Pr = Ит(х, *)'V pRc(х,х) = шах{мДи(х, х), pRc(х,х)}. (10)

Тогда структурно-логическая схема (9) может быть определена, как:

SLS = ( DOMX, ,||,4 Гш,м>, i = \Tn (11)

Полученная схема в процессе обучения может быть отражена в сознании специалиста. Этот процесс определяется гомоморфным отношением

у : (X, R) ^ M, где M - образ, который будет сформирован в сознании специалиста [10]. В идеальном случае ( X, R) =М. На рис. 5 проиллюстрирована гомоморфность отношений между элементами SLS и соответствующими

элементами M . Но для применения структурно-логической схемы подготовки специалиста в качестве основы для формирования траекторий обучения ещё необходимо учесть информацию о межпредметных связях между УД, которые являются отображением интеграционных процессов в современной науке и практике, их влияния на формирование компетенций.

Основой информационной модели системы межпредметных связей является описание взаимосвязей между учебными элементами (УЭ), т.к. именно на этом уровне иерархии УД осуществляется конкретизация в виде соответствующих обучающих воздействий. Поэтому сначала обобщим сведения об УЭ, сформируем модель этого объекта, как составной части стратегии обучения.

Рис. 5. Схема гомоморфных отношений элементов модели 8Ь8 к элементам образов УД в сознании специалиста

На основе обобщения использования УЭ, как объекта диагностично заданной цели обучения, объекта внутренних взаимосвязей, объекта межпредметных связей и необходимости установления соответствия блоку содержательного модуля (7), определим структуру УЭ, как информационного объекта, следующим образом:

Ж = (^, SH,,C, {СЖ}, ^Нт0, (12)

где NЛЖ - название УЭ;

SHNE - шифр УЭ;

{С ж 1 - вектор цели для УЭ;

SHNB - шифр учебного блока (УБ), в который входит данный УЭ.

Отметим, что в данной модели мы не учитываем наличие нескольких вложенных структурных единиц учебного материала. Поэтому, на основе модели (12) считаем, что УЭ подчинены непосредственно содержательным модулям. На практике между уровнем УЭ и содержательного модуля могут использоваться одна или несколько промежуточных структур, однако это существенно не меняет информационную модель. В общем виде можно определить структуру типового учебного блока (УБ), который по сути может соответствовать теме, разделу, модулю и т.д. Тогда информационная модель такого УБ имеет вид:

т = (NNBt, 5ИШ , 5ИШ , {кЫт }, || ^ 11,1 С Ж;}), і = 1, п,

(13)

где Nт - название учебного блока;

8Ит - шифр УБ;

SИ

ж.

шифры блоков, в которые входит данный блок, как подчинённый;

{к Нт 1 - коэффициент интеграции структурных единиц нижнего уровня иерархии, который определяется с помощью использования нейросетевой технологии [11];

Г

матрица нечётких отношений между структурными единицами нижнего

уровня иерархии;

{|Ртю. ||1 - матрицы нечётких бинарных отношений между структурными

единицами, принадлежащими разным УД (межпредметных);

{С 1 - вектор цели учебного блока.

На основе обобщений несколько изменим модель УД (7) с целью отображения межпредметных связей. Для этого добавим вектор коэффициентов интегрирования:

Таким образом, за счёт определения коэффициентов интегрирования на каждом уровне осуществляется информационная связь, которая образует межпредметные взаимосвязи без выделения отдельного информационного объекта. Следовательно, модель межпредметных связей является распределённой.

Вычисление коэффициентов интеграции осуществляется по одному из двух алгоритмов, в зависимости от особенностей процесса планирования обучения.

Алгоритм восходящий.

Шаг 1. Упорядочить УЭ в пределах одного УБ дисциплины УД1. Тоже выполнить для дисциплины УД2. Упорядочение выполнить по матрице смежности.

Шаг 2. Подготовить для заполнения экспертами-преподавателями формы, в которых столбцы и строки соответствуют количеству УЭ.

Шаг 3. Заполнить ячейки таблицы степенью уверенности эксперта в наличии взаимосвязи между УЭ соответствующих УД.

Шаг 4. Вычислить на основе нейросети кЫт .

Шаг 5. Повторить шаги 1-4 для всех пар УБ данного уровня.

Шаг 6. Повторить шаг 5 для каждого уровня иерархии до тех пор, пока текущим уровнем не окажется уровень УД.

Шаг 7. Стоп.

Восходящий алгоритм целесообразно использовать при разработке новых УД, формировании рабочих программ и учебных планов для проверки после шага 7 расхождения между полученными и заданными степенями интеграции между УД.

При индивидуализированном обучении выполнение данного алгоритма позволяет при некоторых отклонениях проверять возможность достижения требуемых значений степени перекрытия между УД.

Алгоритм нисходящий.

Шаг 1. На основе заданных значений интеграций между УД, вектор которых определяет достижимость требуемой системы компетенций, сформировать таблицу исходных данных.

Шаг 2. Применить метод моделирования системы межпредметных связей на основе использования сети Хопфилда [12].

Шаг 3. Получить веса, смысл которых состоит в значениях силы взаимосвязи между учебными блоками нижнего уровня.

Шаг 4. Занести полученные значения в соответствующие матрицы межпредметных связей.

Шаг 5. Выполнить замену найденных весов в соответствии с правилом:

где ^ W - матрица весов, 3 - порог установления целесообразности

взаимосвязи по мнению эксперта.

Шаг 6. Повторить шаги 1 -5 для следующих уровней до тех пор, пока текущим уровнем не окажется уровень УЭ.

Шаг 7. Стоп.

Нисходящий алгоритм целесообразно использовать для получения информации при составлении рабочих программ, реализации межпредметных связей при компетентностном обучении в случае, если экспертами определены степени интеграции между УД. Полученные результаты о количестве УЭ из разных УД в

(14)

1, если ^ ,

и

0, в противномслучае,

(15)

одном учебном блоке служат ориентиром для преподавателя при текущем планировании.

При реализации индивидуализированного обучения, для которого степень интеграции между УД определяется гибко на основе предпочтений обучаемого, данный алгоритм обеспечивает преобразование входной информации в необходимые параметры синергетической модели [13].

Полученная информационная модель позволяет управлять процессом индивидуализации обучения на основе интегративных характеристик. Однако, кроме параметров интеграции необходим учёт параметров вектора интеллекта, вектора состояния. Поэтому рассмотрим информационную модель обучаемого.

С точки зрения управления модель обучаемого является объектом управления. В синергетической модели управления нами рассматривается векторная форма характеристик индивидуальных когнитивных особенностей, состоящая из двух характеристик: f - коэффициента забывания и с - коэффициента умозаключения.

Определение данных характеристик осуществляется двумя способами: тестированием на основе специально разработанных методик [14] - в начале обучения и с помощью графоаналитического метода на основе формул, учитывающих скорость сохранения в памяти вершин и ребёр графа обучения - в процессе обучения [15].

В процессе реализации индивидуализированного обучения важными характеристиками являются также параметры, определяющие успешность обучения. Для этого в синергетической модели используются параметры двумерного вектора состояния: x - относительный объём накопленных знаний, определяемый на основе относительного количества вершин графа обучения; у - относительный объём сформированных умений, определяемый относительным количеством дуг графа обучения. Кроме фиксированных значений х, у важными для принятия управляющих воздействий являются также их прогнозируемые значения, вычисляемые как вероятностные характеристики.

Информационное представление графа обучения требует отдельной структуры, поэтому в ИМ обучаемого включим только ссылки на шифр. При формировании индивидуальной последовательности обучения каждому обучаемому соответствует динамично формируемая на протяжении всего процесса обучения, последовательность УЭ.

Таким образом, информационная модель обучаемого имеет вид:

MO = ({лт^I,/,с,х,у,x,,у,,SH,, SHl^, (16)

где {лмо 1 - вектор личных данных обучаемого (например, фамилия, имя и

т.п.);

SHмo - шифр ИМ обучаемого;

f - коэффициент забывания;

С - коэффициент умозаключения;

X, у - относительные объёмы накопленных знаний и умений соответственно;

, у ( - прогнозируемые значения вектора состояний через время I;

SHtr - шифр траектории обучения (индивидуального графа обучения);

SHbh - шифр базы данных истории обучения.

Таким образом, ИМ обучаемого содержит ведомости, которые являются определяющими в функционировании АСУ-О. Модель динамическая, т.к. содержит

только текущие значения вектора состояния. Алгоритм обновления значений х, у состоит из следующих шагов:

Шаг 1. Если имело место изменение значений x или у (FLAG=1), выполнить

вычисления по формулам [15] xt, yt.

Шаг 2. Внести полученные значения в ИМ обучаемого.

Шаг 3. Установить индикатор переключателя FLAG=0.

Шаг 4. Добавить текущие значения х, у в базу данных истории обучения.

Шаг 5. Внести значения, зафиксированные на шаге 1, в ИМ обучаемого.

Шаг 6. Стоп.

В случае осуществления группового обучения в качестве ОУ целесообразно рассматривать векторы интеллекта, векторы состояний группы. При этом под моделью обучаемого понимают группу обучаемых с единой траекторией обучения, едиными управляющими воздействиями (например, проведение аудиторного занятия).

Дидактически оправдано формирование гомогенных групп (с одинаковыми целями на основе определения интеллектуальных способностей). В этом случае формирование цели осуществляется по следующему алгоритму:

Шаг 1. Подготовка форм для тестирования.

Шаг 2. Получение результатов тестирования.

Шаг 3. Применение нейронной сети со слоем Кохонена для выполнения процедуры кластеризации.

Шаг 4. На основе полученных результатов по базе данных определить параметры целей для каждой из полученных групп.

Шаг 5. Внести параметры целей в модель графа обучения соответствующей гомогенной группы.

Шаг 6. Стоп.

Если обучение осуществляется в индивидуальном режиме, то

последовательность УЭ может быть более гибкой, чем при регламентированном традиционном обучении. Особенно актуальной является автоматизация

формирования обучающих последовательностей для систем, реализующих принципы «обучения для всех», «обучения на протяжении всей жизни». Источником получения информации является результат функционирования АСУ-О за один цикл управления. Формирование графа обучения (исходная последовательность УЭ) осуществляется на основе модели содержания, которая объединяет модели УЭ, УБ, УД. Параметры модели динамически изменяются в результате внешних факторов (изменений требований к компетенциям) или внутренних (изменение направления подготовки по инициативе обучаемого, изменения в имеющихся ресурсах и т.д.).

Кроме последовательности УЭ, модель содержит сведения об индивидуальном времени, которое запланировано и реально затрачено, сведения о плановых и фактически достигнутых показателях целей обучения. Следовательно, информационная модель стратегии обучения имеет вид:

VXT —a VtT fVtr X itплан} itфакт} план} факт} lorr I

SN < MO ’ NE Г NE »Утт С NE NE i’|SHcH J (17)

где {tПЛеН}, itne т} - время изучения УЭ соответственно планируемое и фактическое;

Jy'y план t Jy'y факт I

JC ne I’ JC ne I - параметры вектора цели - соответственно планируемые и фактические;

- шифр контента УЭ (для электронного обучения).

Рассмотрим информационную модель контента для электронных форм обучения. Для её формирования обратимся к понятию учебного объекта (УО), которое используется в дистанционных курсах [16], [17].

Информационная модель учебного объекта

Текст, а также мультимедиа, которые являются информационным наполнением Web-систем, называют контентом. Таким образом, обучающая Web-система должна содержать контент, выражающий знания на языке коммуникации человека и его семантическую формализацию с учётом моделирования предметной области, а также обладать дидактическими функциями, которые управляют процессом доставки контента обучаемому (рис. 6) [18].

Рис. 6. Общая модель формирования учебного контента

Несмотря на то, что существует значительное количество различных систем для подготовки электронных образовательных ресурсов, они не соответствуют предъявляемым требованиям со стороны открытого образования и дистанционного обучения. Одним из важнейших требований является возможность автоматизированного способа индивидуализации и дифференциации учебного контента для обучаемого. Выполнение этого требования возможно на основе представления учебной информации в виде множества информационных модулей, обеспечивающих их комбинирование и агрегацию. Такой подход нашёл своё отражение в образовательных стандартах. Существует концепция учебного объекта (learning object) (УО)[16], [18].

Комитетом стандартов образовательных технологий IEEE (Learning Technology Standards Committee, Institute of Electrical and Electronics Engineers) учебный объект определяется как любая сущность, цифровая или нет, которая может быть использована в одном или более контекстах, или на которую может быть выполнена ссылка во время технологически обеспеченного обучения. Иерархичность учебных ресурсов, их базирование на элементарных учебных объектах учитываются в стандарте IMS. Вопросами стандартизации понятия «учебный объект» занимается также комитет стандартов обучающих технологий IEEE и проект Dublin Core Metadata Initiative. Модель УО, опирающаяся на объектно-ориентированный подход, базируется на постулате возможности создания независимых элементов учебного контента, которые могут быть использованы в дидактических целях. Предусматривается, что эти элементы являются самодостаточными и содержат в себе всю необходимую информацию, но допускают взаимосвязи с внешними объектами. Кроме того, они могут комбинироваться для формирования более крупных УО. Для первичных (элементарных) УО обязательным является наличие метаданных. Модель УО обеспечивает методы обмена учебных материалов между системами.

Несмотря на большое количество документов, регламентирующих структуру УО, которые разработаны организациями AICC, IMS, LTSC, ADL [17] и др., ни один

из этих документов не имеет статуса официально утверждённого стандарта. Кроме того, среди отечественных разработчиков информационных образовательных систем существует несколько точек зрения на концептуальные направления использования интероперабельных объектов. На наш взгляд, концепция формирования УО должна быть согласована с особенностями управления процессом обучения в целом, отображать существующие и перспективные требования к формированию контента, создавать основу для автоматизированного конфигурирования различного вида, органично согласовываться с концепцией УО.

Для реализации интегрированного обучения важное значение имеет разработка информационного обеспечения, поддерживающего формирование межпредметных агрегаций в объекты более высокого уровня. Поэтому рассмотрим структуру модели агрегации контента, используемой в настоящее время.

Модель агрегации контента (Content Aggregation Model - CAM) - это часть стандарта SCORM, которая описывает структуру учебных блоков и пакетов учебного материала. Пакет может содержать курс, урок, модуль и пр. В пакет входит xml-файл (Manifest), в котором описана структура пакета и файлы, образующие учебный блок. Манифест включает в себя:

- метаданные (свойства компонентов учебного материала);

- организацию учебного материала (порядок расположения компонент);

- ресурсы (ссылки на файлы, содержащиеся в пакете);

- sub-Manifest (xml-файл может содержать подманифест).

Блоки учебного материала, входящие в пакет, могут быть двух типов: Asset (Актив) и SHARABLE Content Object (SCO). Asset - это элемент материала, который может быть текстом, рисунком, звуковым файлом и т.п. SCO - это набор нескольких активов, который обязательно поддерживает запуск и завершение пакета.

Для создания межпредметных SCO считаем целесообразным развитие подхода к разработке информационной модели, которая является «надстройкой» над существующими информационными моделями стандарта. Традиционно, в качестве таких агрегированных образований рассматриваются учебные планы, дисциплины, специальности. Однако, межпредметные образования, которые являются основным информационным носителем обеспечения процесса формирования компетенций, к сожалению, не являются предметом рассмотрения разработчиков контента. При создании ИМ разрабатываются XML-схемы описания модели.

Информационная модель представления межпредметного контента состоит из следующих элементов:

Семантический шаблон УЭ задаёт множество обязательных характеристик, которые определяются для адекватного построения концептуальной модели предметной области. Корневой метакласс определяет составные элементы иерархии

MPNO = ({OM}, {ВМ}, {КЗ}, kint, {Cno }, (18)

(18)

г - ссылка на основной материал контента;

;ылка на вспомогательный материал контента;

- контрольные задания интегративного содержания;

- коэффициент интегрирования;

{C і - вектор интегративной цели.

- имеют общую структуру следующего вида:

где {ТМ } - ссылка на теоретический материал основной (вспомогательный); {ПМ } - ссылка на практический материал основной (вспомогательный).

вне зависимости от их ролевого назначения с одинаковым набором свойств (бинарных отношений):

Понятие (<признаки идентификации>, <признаки документирования>, <ролевые признаки>).

К характеристикам идентификации относятся: внутренний код, имя понятия, имя пользователя, который создал, изменил и несёт ответственность за описание понятия. Документирующими характеристиками являются: семантическое

определение и комментарии в виде текста произвольного содержания и длины.

Другие характеристики понятий отображают ролевые отношения с другими понятиями, состав которых зависит от типа понятия.

Корневой метакласс понятий разбивается на подклассы понятий, которые

соответствуют основным компонентам учебной дисциплины, как системы.

Например, для описания межпредметной связи между УЭ двух учебных объектов -курсов экономики и информатики, при создании интегрированного курса «Экономическая информатика» отношения между понятиями имеют вид:

Связь («анализ спроса и предложения», «деловая графика средствами Excel»). Бинарные отношения определяются как подмножество декартового произведения:

Pi, j О Di Dj, (20)

где P i j - отношения i -го и j -го понятий;

Dj, Dj - домен значений i -го и j -го понятий.

Бинарные отношения входят в множество кортежа вида:

R ОD! D2 ... Dn, (21)

где Di - домен значений i -го понятия, где первый домен является ключевым атрибутом определяемого понятия. Так, для УЭ согласно стандарту LOM(Learning Object Metadata) - метаданные учебного объекта для элементов:

УЭ(имя; определение элемента данных; размер (количество допустимых значений); порядок; пример).

Для конфигурирования УЭ, как составных единиц иерархии учебных объектов, определяющей информацией является целенаправленность системы УЭ, которая формируется в виде соответствующих компетенций. Формализация понятия компетенции образуется на основе отображения системы межпредметных взаимосвязей на систему должностных компетенций.

Рассмотрим нейросетевой подход к агрегированию иерархических структур, который позволяет автоматизировать процесс агрегирования УО любого уровня.

Система межпредметных связей описывается с помощью нечёткого бинарного

отношения R: L х . Данное отношение имеет вид:

R = £ МR (L" (22)

L,xL, (L,,L 2) ' '

где L, L - графовые модели монопредметного УО, что соответствует иерархической структуре учебного курса (рис. 7):

Если рассматривать процесс конфигурирования интегративного курса на основе межпредметных связей между двумя учебными объектами, которые имеют формализованное описание в виде графовой структуры, то их представление имеет вид:

L1=(X1,U1, р), (23)

L2={X2, U2, P2) (24)

где множество вершин X Ф& и рёбер и, и П Х1 Ф& отображают структуру объединения, а инцидентор Р определяет упорядочение троек элементов х1, у1, и1,

^х’Ух^х •

Учебный предмет

Учебный элемент

м

/?' -

Д' 7уГ7т\

о О О

д -

'/9Г'Н,

О О О

Рис. 7. Схема иерархических структур учебных объектов Так, для структур учебных объектов Ь1 и Ь2 :

Уи^, у {р(хх, Ир у^ ЛУхі, у і [Р(хі, и19 уі) ^ (х!= х1, у = уі)]

(25)

Зхі,УїК фУх ЛР(^і,Иі^,Уі)Л-Р(уі,Иі,Хі )}. (26)

Тогда модель конфигурирования в виде интеграции, как управляемого процесса, имеет вид:

4= ^(4, Ь2, Я : Ь хІ2,Р), (27)

где Р - правила конфигурирования.

Таким образом, задача конфигурирования иерархических структур Ьх та Ь2 сводится к определению элементов структуры Ь3, в зависимости от системы межпредметных связей Я на основе базы правил в виде нечётких бинарных отношений.

Управление процессом конфигурирования осуществляется как многошаговый процесс последовательного выбора элементов структуры Х3. На основе применения нейронной сети определяется соответствующая степень интегрирования структур та Х2, которая сравнивается со значением эталонного значения, которое соответствует структуре межпредметных знаний, умений и навыков формируемой компетенции. Общая схема нейросетевого управления приведена на рис. 8.

Рис. 8. Схема управления конфигурированием

Нейросеть (НС) выполняет функции регулятора системы, который обучается с помощью блока идентификации (ИД). Обучение с помощью идентификатора «не мешает» нормальному функционированию объекта (ОУ). Входные данные х представляют собой вектор, состоящий из структур и Х2. Выход нейросети и

определяет степень интеграции заданных структур. Работа блока идентификации осуществляется на основе применения эволюционных алгоритмов и определяет отклонение от требуемой степени интеграции.

Обобщением и расширением классических многослойных нейронных сетей являются нечёткие нейронные сети на основе многослойного перцептрона. Выходные сигналы скрытого слоя вычисляются следующим образом:

N

£ = I-в]), (28)

7=1

в выходном слое:

N

^ = I -0,) (29)

7=1

где 07 , 07 - величины смещения,

(]' = ) - входные сигналы;

N

- функция активации.

7=1

Входная и соответствующая ей выходная информация обрабатываются при помощи двух интерфейсов, построенных на основе теории нечётких множеств и нечёткой логики. Эти интерфейсы имеют одинаковую структуру и выполняют преобразование информации, которое делает её пригодной для дальнейшей обработки нейронной сетью (рис. 9).

Рис. 9. Структура нечёткой нейронной сети

Лингвистические правила выражают мнение экспертов по поводу целесообразности установления взаимосвязей между УЭ монопредметных УД, имеют вид:

ЕСЛИ « el есть а » И « е2 есть / » TO « w есть s », (30)

где el и е2 - переменные, характеризующие монопредметные интегрируемые дисциплины (например, el - «информатика», е2 - «экономика»);

а и / - соответствующие значения указанных переменных; s - значение лингвистической переменной w, которая определяется с помощью терма «степень взаимосвязи».

Для реализации данной модели наиболее подходящим инструментом является пакет Fuzzy Logic Toolbox системы Matlab, т.к. он предоставляет возможность

построения адаптивных нечётких нейронных сетей. В качестве термов были использованы следующие значения: Ts = {«отсутствует», «скорее всего

целесообразна», «определённо целесообразна»}, что отражает различные качественные характеристики степени взаимосвязи между УЭ.

Предложенный подход составил основу компьютерных экспериментов по объединению эволюционных алгоритмов с нейро-нечёткими для конфигурирования набора УО для достижения компетенций, определённых ОКХ и ОПП для подготовки бакалавров по специальности 0925 «Автоматизация и компьютерно-интегрированные технологии» в Одесском национальном политехническом университете.

В результате экспериментов по настройке нейро-нечёткой сети с помощью пакета Fuzzy Logic Toolbox системы Matlab было определено количество циклов обучения 100 для общего количества нейронов во входном слое 25 (для одного УО). Функция активации для выходного слоя - линейная, для промежуточных слоёв -гиперболический тангенс. Проведение экспериментов по использованию генетического алгоритма на основе использования программы SUGAL подтвердило, что выбор набора УЭ, в среднем, достигается за 400 итераций, обеспечивая точность целевой функции Sf (i)< 0,0021.

Следовательно, получена возможность автоматизированного управления процессом конфигурирования на основе применения средств нейро-нечёткой сети и эволюционного моделирования.

Модель формирования знаний для системы управления обучением

Наличие интеллектуальных компонент в АСУ-О предусматривает в качестве основной составной части информационного обеспечения базы знаний (БЗ), реализующей определённую модель знаний. В жизненном цикле АСУ-О предусматривается сбор, сохранение, представление и обновление нескольких видов знаний, которые определяются выполняемой ими функцией в процессе управления. Среди них можно выделить следующие:

1. предметные знания - знания предметной области (ПрО), которые являются отображением научных знаний соответствующих учебных дисциплин и взаимосвязей между ними;

2. стратегические и методические знания - знания, относящиеся к организации, планированию и управлению процессом обучения. К ним относятся общие цели, стратегии и сценарии обучения, правила комбинирования разных учебных дисциплин и форм занятий, способы формирования стратегий обучения и пр.

3. дидактические знания - знания, относящиеся к управлению деятельностью обучаемых. Например, знания о группе обучаемых, знания о способах профессионально-педагогических воздействий на обучаемых и т.д.

4. метазнания - знания о методах компьютерной интеграции знаний.

Рассмотрим информационную модель целостной системы получения и

структурирования знаний для поддержки функционирования АСУ-О.

Знания ПрО содержат описание понятий данной предметной области и отношений между ними. Различают концептуальную схему БЗ, которая содержит мета-знания о структуре БЗ и содержание БЗ. В обучении различают две основные направленности: обучение понятиям и формирование умений (навыков). При обучении понятиям особое внимание уделяется представлению и разъяснению нового концептуального и фактического учебного материала: определению понятий, описанию его свойств и отношений, приведению данных о количественных и качественных характеристиках и т.д. При формировании умений главное внимание

уделяется созданию проблемных ситуаций. Поэтому база знаний учебного материала должна содержать как знания о понятиях ПрО, так и процедурные знания - знания о решении задач.

От структурирования и наполнения БЗ ПрО в значительной мере зависит результативность обучения. На рис. 10 показана схема трансляции знаний от научной до мысленной модели знаний специалиста, как результата обучения. На схеме отражены основные этапы трансляции знаний:

Первый этап (II) - отображает восприятие и интерпретацию содержания профессиональной деятельности, её проекции на УД, путём осуществления мыслительных операций над полученной информацией и собственными профессиональными знаниями. Таким образом, результатом умственной деятельности преподавателя является его собственный образ учебного материала Мі, і = 1, N, где N - количество преподавателей. Источником формирования этих знаний являются собственные образные модели преподавателя, научные знания ПрО (преимущественно в текстовом виде), нормативная модель знаний будущего специалиста в виде текстовых документов ОКХ, ОПП. Кроме того, как правило, используются различные регламентирующие документы (учебные планы, рабочие программы, учебники, пособия и т.д.).

Рис. 10. Схема трансляции знаний для АСУ-О

Второй этап (12) - трансляция знаний преподавателей от образной модели в вербализованную, результатом которой является составление рабочей программы, всего учебно-методического комплекта по УД (текста учебных и учебнометодических пособий, текстов лекций, заданий для различных видов форм контроля и пр.). Результатом этих преобразований являются выбор и структурирование учебного материала в виде формирования множества УЭ и их объединений в УБ или УО - для электронного обучения.

Третий этап (13) - трансляция предметных знаний в БЗ АСУ-О путём структурирования УЭ и их объединений на основе группирования по следующим классам: объекты, процессы, существенные действия методов деятельности. Так, например, для специальности 0925 можно определить следующий минимальный набор классов объектов: аппарат, машина, агрегат, датчик, канал связи, устройство отображения информации, контроллер, исполнительный механизм, регулирующий орган. К существенным видам деятельности этой специальности можно отнести:

проектную, технологическую, эксплуатационную, организационную. Таким образом, результатом этой трансляции знаний является структурная модель предметной области для каждой УД.

Четвёртый этап (14) - трансляция знаний предметной БЗ на основе взаимодействия между АСУ-О и всеми необходимыми БЗ по специально разработанным алгоритмам в знания об индивидуальных траекториях обучения в виде последовательностей УЭ. В результате получения и усвоения этих знаний с определённой результативностью у каждого будущего специалиста формируется своя мыслительная модель, являющаяся, в свою очередь, некоторым образом мыслительных моделей преподавателей ( М ). Важно заметить, что образная модель

специалиста М ^ является совокупностью образов мыслительных моделей

преподавателей:

мфп.- = (иД (иД{и,) (31)

где фМі ) - гомоморфные отображения Мі ^М' (рис. 11).

Рис. 11. Схема формирования мысленной модели специалиста

Однако, при такой схеме формирования знаний отсутствуют источники формирования междисциплинарных пересечений, которые очень важны при

формировании компетенций. Логично допустить, что М' с Мг-. Отображение

межнаучных пересечений, учёт которых является неотъемлемой частью формирования как адекватной картины мира в целом, так и профессиональных компетенций, должно быть результатом передачи специально подготовленных знаний.

Поэтому целесообразно применить онтологический подход для формирования декларативной части БЗ, что является источником отображения междисциплинарных пересечений в структурной модели стратегии обучения. Как известно, онтология представляет собой систему объектов, связанных как универсальными зависимостями, так и специфичными для определённой ПрО.

Формальное представление знаний ПрО, как совокупности множеств понятий и знаний об отношениях между ними, задаётся моделью онтологии:

О =< X, Я, Р >, (32)

где X - конечное множество понятий, терминов ПрО, которое представляет онтология;

Я - конечное множество отношений между концептами;

Р - конечное множество функций интерпретации, заданное на понятиях и отношениях.

Для спецификации пространства знаний, охватывающих несколько взаимосвязанных ПрО, необходимо формирование модели расширенной онтологии:

О О ,ЦОг, О, | МВ\ (33)

где От - онтология высшего уровня (метаонтология); Ор - предметная

онтология; О2 - онтология задач ПрО; МВ - модель логического вывода.

Предметная онтология содержит понятия, описывающие конкретную ПрО, семантически значимые для неё отношения, а также декларативные и процедурные интерпретации этих понятий и отношений. Ядром отношений являются отношения порядка.

Онтологический подход представления знаний ПрО позволяет автоматизировать процесс формирования декларативной части предметной БЗ, обеспечить отображение в БЗ пересечений между разными ПрО. При формировании структурной модели УД на основе онтологий соответствующей научной области осуществляется отбор учебных элементов [17], [19].

Способом формирования такой БЗ является фреймовая, общая структура которой имеет вид:

^,(N1, г], т, у], б], р;),( N, г], т;,Г;, Б, р),...,(N, г-, т;, V

где ЕМ - имя фрейма;

М - имя і -го слота;

- значение і -го слота;

ГГ.1

Т - тип значения і -го слота;

V1 - команда наследования і -го слота;

в], - демоны - процедуры, которые запускаются автоматически;

р - процедура, связанная с і -м слотом.

Под слотом понимают кортеж (^N1, г\, Т£, У I, Б, Р^ , где і = 1,п , где п -

количество слотов, образующих фрейм. В соответствии со структурнопараметрической моделью УД, определим следующие виды слотов: слот УЭ, слот УБ, слот УД. Кроме того, введём в состав слота УД слот вектора цели, времени обучения для сохранения информации о контролируемых параметрах.

В связи с тем, что знания об УД имеют иерархическую структуру, то соответствующая фреймовая структура образуется с помощью родовидовых связей. Также будем использовать свойство фреймов наследовать характеристику своих «родителей».

Структура указанных слотов показана в табл.1, структура фрейма-экземпляра (шаблона) приведена на рис. 12.

Рис. 12. Структура фрейма УД

В таблице использованы следующие стандартные имена системных слотов: isa, relations; команды наследования: unique, same, range; команды типов данных: text,

real, list, table; демон вида if-added, который запускается при изменении значения слота.

Для определения значений агрегированных показателей вектора цели на основе соответствующих показателей УЭ по результатам контроля знаний получены следующие формулы. Формулы сгруппированы по содержательному направлению, однородности измеряемых шкал.

Согласно дидактическому определению составляющих элементов вектора цели разделим на две группы:

I группа - показатели относительного оценивания: коэффициент усвоения, коэффициент навыка;

II группа - показатели уровневого оценивания: уровень усвоения, степень абстракции, степень осознанности.

Формула определения показателей I группы для УБ следующая:

KZ NB =

(34)

K

NE

где Кш - количество учебных элементов в блоке;

К2 _ - коэффициент усвоения / -го УЭ.

Аналогично определяется коэффициент усвоения УД - на основе показателей каждого из УБ.

Формула определения показателей II группы для УБ, составлена на основе эвристических соображений, имеет следующий вид:

4

и_ ж)

и МБ = ^------------------------

— Г

где КЫЕ - количество УЭ, которые имеют уровень усвоения и , и = 1,4.

(35)

Таблица 1. Структура слотов фрейма УД

Имя слота Значение слота Тип значения Команда наследо- вания Демоны Присоедин. процедура

Структура слота УЭ

Name <название УЭ> text unique if-added Не имеет

Is-a <название УБ> Упорядоче- ния

Relations <список УЭ> list Формирования табл.

Content <список УО> Поиск УО

Структура слоту УБ

Name <назвние УБ> text unique if-added Не имеет

Is-a <название УД> Упорядоч.

Relations <список УБ> Форм.табл.

K_int <значение коэф. интегр.> real Вычисления

Fuzzy_rel_i n <нечёткие отношения в блоке> table Упорядоч. УЭ в блоке

K

Fuzzy_rel_o ut <нечёткие отношения с УЭ из других УД> table Определен. степени интеграции

Структура слота T

T_ND <время изучения УД> Вычисление по к-ву УБ

T_NB <время изучения УБ> integer range if-added Вычисление по к-ву УЭ

T_NE <время изучения УЭ> Вывод формы для заполнения экспертом

Структура слоту С

Qt NE <количество УЭ> Сумма

U NE (U NB, U ND) <уровень усвоения> Вычисление (35)

А NE (А NB, А ND) <степень абстракции> integer Вычисление (35)

US NE (US NB, US ND) <степень осознанности> range if-added Вычисление (35)

KZ NE (KZ NB, KZ ND) <коэффициент усвоения> real Вычисление (35)

KN NE (KN NB, KN ND) <коэффициент навыка> Вычисления (35)

Qt NB <количество УБ> integer Сумма

Аналогично можно определить степень абстракции, степень осознанности как для УБ, так и для УД. Причём, в последнем случае вместо входных данных для УЭ необходимо взять соответствующие параметры УБ.

Таким образом, рассмотрены основные вопросы формирования структуры БЗ, поддерживающей функционирование АСУ-О, определен онтологический подход для автоматизации формирования предметной декларативной части БЗ, особенности применения объектно-фреймового подхода к компьютерному представлению БЗ.

Заключение

Проблемы, связанные с созданием условий для реализации индивидуализированного обучения, определяют смещение акцента роли ИКТ. В рамках данной проблематики кибернетический и информационный подходы являются взаимодополняющими. Структура сформированного информационного обеспечения определяется функциональной необходимостью АСУ-О.

На основе анализа особенностей функционирования АСУ-О на информационном уровне определены основные элементы информационного обеспечения, методы их формирования, разработана информационная модель индивидуализированного обучения. Полученная модель разработана с учётом

особенностей компетентностного обучения, базируется на объединении знаний, данных, статистической и экспертной информации.

Сформирована структурно-логическая схема подготовки специалиста, как формирования системы компетенций, построенная на основе матриц нечётких отношений, что позволяет в автоматизированном режиме определять последовательность изучаемых учебных элементов. Информационная модель межпредметных связей является динамичной, распределённой, определяется с помощью коэффициентов интеграции. Предложены два вида алгоритмов для определения коэффициентов интеграции: восходящий, реализованный на основе многослойной нейронной сети, и нисходящий - на основе сети Хопфилда. Определены условия их применения.

Информационная модель обучаемого, как объекта синергетического управления, позволяет обновлять текущие данные состояния модели. Модель стратегии обучения является основой для фиксации планируемых и фактических параметров управления процессом обучения.

Предложенная структуризация учебных объектов позволила применить метод конфигурирования УЭ на основе гибридизации нейро-нечётких сетей и эволюционного подхода для автоматизации построения межпредметных учебных объектов.

Определена структура БЗ, разработана целостная система получения и структурирования знаний для функционирования АСУ-О. Исследованы основные этапы трансляции знаний для АСУ-О, роль БЗ для связи между онтологическим представлением знаний ПрО и моделью специалиста. Разработана фреймовая структура декларативных знаний, особенности её наполнения. Приведены результаты исследований.

Все алгоритмические составляющие информационного обеспечения АСУ-О реализованы на основе инструментария системы Matlab, их работоспособность подтверждена компьютерными экспериментами на примерах.

Литература

1. Манако А.Ф., Синица К.М. КТ в обучении: взгляд сквозь призму трансформаций // Международный электронный журнал “Образовательные Технологии и Общество (Educational Technology & Society)” - 2012. - V 15. - № 3. - С.392-413. ISSN 1436-4522 URL: http://ifets.ieee.org/russian/periodical/journal.html

2. Тищенко В.А. Средства информационно-коммуникационных технологий как

часть педагогической системы // Международный электронный журнал “Образовательные Технологии и Общество (Educational Technology & Society)” -2012. - V.15. - №2. - С. 565-580. ISSN 1436-4522 URL:

http://ifets.ieee.org/russian/periodical/journal.html .

3. Растригин Л.А. Адаптивное обучение с моделью обучаемого / Л.А. Растригин, М.Х. Эренштейн. - Рига: Зинатне, 1988. - 160 с.

4. Минькович Т.В. Информационные технологии: понятийно-терминологический аспект // Международный электронный журнал “Образовательные Технологии и Общество (Educational Technology & Society)” - 2012. - V.15. - №2. - С. 371-389. ISSN 1436-4522 URL: http://ifets.ieee.org/russian/periodical/journal.html.

5. Воскресенский Г. М. Теория и практика информационного обеспечения управления в органах внутренних дел / Г.М. Воскресенский. - М.: Академия МВД СССР, 1985.

6. Голенищев Э.П. Информационное обеспечение систем управления / Э.П. Голенищев, И.В. Клименко. - Ростов н/Д.: Феникс, 2010. - 320 с.

7. Мельников В.П. Информационное обеспечение систем управления / В.П. Мельников. - М.: Академия, 2010. - 336 с.

8. Освітньо-кваліфікаційна характеристика бакалавра напряму підготовки 0925 «Автоматизація та комп’ютерно-інтегровані технології». - К.: МОН України, 2004. - 19 с.

9. Освітньо-професійна програма підготовки бакалавра напряму підготовки 0925 «Автоматизація та комп’ютерно-інтегровані технології». - К.: МОН України, 2004. - 36 с.

10. Белова Л.А. Логико-математические основы управления учебными процессами высших учебных заведений: Монография. / Л.А. Белова, К.А. Метешкин, О.В. Уваров. - Харьков: Восточно-региональный центр гуманитарно-образовательных инициатив, 2001. - 272 с.

11. Mazurok T. Intellectual management of the interdisciplinary relations system by computer aided teaching / T. Mazurok, Y. Todorcev // Science and technology education in the Central and Eastern Europe: past, present and perspectives. - Siauliai. -2007. - P.98-104.

12. Мазурок Т.Л. Нейромережева реалізація інтелектуальної підтримки прийняття рішень в автоматизованому управлінні навчанням / Т.Л. Мазурок, Ю.К. Тодорцев //Системні дослідження та інформаційні технології. - 2011. - №3. - С.88-101.

13. Мазурок Т.Л. Синергетическая модель индивидуализированного управления обучением /Т.Л. Мазурок //Математические машины и системы. - 2010. - №3. -С.124-134.

14. Дружинин В.Н. Структура психометрического интеллекта и прогноз индивидуальных достижений //Интеллект и творчество: Сб. науч. тр. /РАН Ин-т психологии. - М., 1990. - С. 5 - 29.

15. Мазурок Т.Л. Графо-аналитическое прогнозирование синергетического

управления обучением / Т.Л. Мазурок // Наукові праці ОНАХТ. Серія Технічні науки. - Одеса, 2010. - Вип. 38. - Том. 1. - С.365-371.

16. Башмаков А.И. Разработка компьютерных учебников и обучающих систем /А.И. Башмаков, И.А. Башмаков. - М.: Инф.-изд. дом «Филинъ», 2003. - 616 с.

17. Маликов А.В. Модель системы дистанционного обучения, основанная на онтологии предметных областей курсов обучения // Международный электронный журнал “Образовательные Технологии и Общество (Educational Technology & Society)” - 2011. - V 14. - № 3. - С.387-394. ISSN 1436-4522 URL: http://ifets.ieee.org/russian/periodical/journal.html

18. Кузин Д.А. Инфологическая модель представления образовательного контента [Электронный ресурс] / Д.А. Кузин. Режим доступа: http://surgut.openet.ru/public/inf_model.htm (дата обращения: 6.01.2013).

19. Титенко С.В. Проблема моделювання знань в інтелектуальних навчальних Web-системах / С.В. Титенко, О.О. Гагарін // ІХ международная научная конференция имени Т.А. Таран «Интеллектуальный анализ информации ИАИ-2009», Киев, 1922 мая 2009 г.: сб. тр./ ред. кол.: С.В. Сирота (гл. ред.) и др. - К.: Просвіта, 2009. -С. 384-390.