CC BY
70
УДК 004.588
Тулупова Татьяна Викторовна
ФБГОУ ВПО «Тверской государственный технический университет»
Россия, Тверь Ассистент кафедры ЭВМ E-Mail: [email protected]
Кучинская Светлана Петровна
ФБГОУ ВПО «Тверской государственный технический университет»
Россия, Тверь Ассистент кафедры ЭВМ E-Mail: [email protected]
Матвеев Юрий Николаевич
ФБГОУ ВПО «Тверской государственный технический университет»
Россия, Тверь
Декан факультета международного академического сотрудничества
Доктор технических наук, профессор E-Mail: [email protected]
Модели подбора обучающей информации
Аннотация: В статье рассматриваются проблемы разработки современных
автоматизированных обучающих систем, математического обеспечения системы автоматизированного проектирования обучающих систем, в частности модели подбора обучающей информации. Рассматриваются стохастические, навигационная и гибридная модели.
Стохастическая модель подбора обучающей информации представляет состояние студента на k-ом сеансе обучения в форме вектора вероятностей незнания каждого из элементов обучающей информации. Каждый новый блок обучающего контента определяется вероятностью незнания обучающей информации. Этот подход применяется в процессе итеративного обучения. Итеративное обучение (ИО) представляет собой многократное повторение автоматизированной обучающей системой действий, способствующих достижению фиксированной цели при постоянных внешних условиях.
В основе навигационной модели лежит технология сокрытия связей. Весь обучающий контент разбивается на последовательность классов узлов. Студенты переходят между узлами по связям, могут вернуться к предыдущему узлу. Все узлы снабжены навигационными правилами.
В навигационном правиле описываются связи, которые показываются в соответствии с классом и идентификатором узла. Системой скрываются все связи, на которых нет ссылки в навигационном правиле.
В гибридной модели выбор очередного блока обучающего контента зависит от вероятности незнания материала и от связей между узлами модели.
Ключевые слова: Системы автоматизированного проектирования (САПР);
автоматизированные обучающие системы (АОС); модели обучения; стохастические модели обучения; навигационная модель обучения; гибридная модель обучения; обучающий контент.
Идентификационный номер статьи в журнале 171TVN613
Tatyana Tulupova
Tver State Technical University Russia, Tver E-Mail: [email protected]
Svetlana Kuchinskaya
Tver State Technical University Russia, Tver E-Mail: [email protected]
Jurij Matveev
Tver State Technical University Russia, Tver E-Mail: [email protected]
Models of content selection
Abstract: This article discusses the development of modern automated training systems, mathematical software computer aided design training systems , in particular the models of content selection . Considered stochastic , navigation and hybrid models .
Stochastic model represents the state of the student on the k-th training session in the form of probability vector of ignorance of each of the training information . Each new unit of learning content determined by this vector . This approach is applied in the process of iterative learning. Iterative learning is a repetition of training system activities contributing to the target.
The navigation model based on the technology of hiding links. All training content is broken into a sequence of classes of knots . Students move between nodes and can return to the previous node . All units have the navigation rules.
In the navigation rule describes the links in accordance with the class and the node ID .
In the hybrid model selection of the next block of learning content depends on the probability of not knowing the material and links between nodes of the model.
Keywords: CAD; automated training systems; learning model; stochastic learning model; navigation model of learning; hybrid model of learning; training information.
Identification number of article 171TVN613
Информационные технологии сегодня занимают первое место в процессе развития системы образования и интеллектуализации общества в целом. Несмотря на то, что процесс интеграции информационные технологий в систему образования начался достаточно давно, до сих пор не решены многие концептуальные вопросы разработки обучающих систем. Автоматизированные обучающие системы (АОС), которые применяются в настоящее время, зачастую не отвечают требованиям эффективности, не ориентированы на модель конкретного пользователя, а также имеют жесткую структуру.
Процесс разработки автоматизированных обучающих систем с применением системы автоматизированного проектирования (САПР) позволит систематизировать подходы к проектированию, сократить временные затраты на разработку, проектировать АОС для различных предметных областей и различной структурной организации. Система автоматизированного проектирования обучающих систем (САПР ОС) позволит осуществлять корректировку структурной организации АОС в зависимости от результатов тестирования знаний, полученных с ее помощью, тем самым позволяя достичь необходимых показателей по времени и качеству обучения студентов.[9]
Самым сложным этапом создания САПР ОС является разработка математического обеспечения, от которого главным образом будет зависеть производительность и эффективность функционирования САПР ОС в целом.
Одной из главных задач при разработке математического обеспечения САПР ОС является выбор модели подбора обучающей информации (ОИ).
Существуют различные модели подбора обучающей информации. Особый интерес представляет класс стохастических моделей.
Стохастическая модель подбора обучающей информации представляет состояние студента на ^ом сеансе обучения в форме вектора вероятностей незнания каждого из элементов обучающей информации. Каждый новый блок обучающего контента определяется вероятностью незнания ОИ. Этот подход применяется в процессе итеративного обучения. Итеративное обучение (ИО) представляет собой многократное повторение автоматизированной обучающей системой действий, способствующих достижению фиксированной цели при постоянных внешних условиях [4]. Критерий уровня обучения представляет собой результативную характеристику ИО. Благодаря постоянству внешних условий, ИО может быть представлено в виде кривых, которые отображают зависимость критерия уровня обучения от числа итераций или времени. [3].
На скорость обучения влияют основные параметры модели: число элементов, связей и законов взаимодействия. Изменяя параметры модели можно достичь требуемого увеличения скорости обучения [6].
В зависимости от вычисленного критерия качества обучения принимается решение: продолжать обучение и подбирать очередной блок обучающего контента или заканчивать процесс обучения. Алгоритм обучения представлен на рисунке1.
Рис.1 Алгоритм обучения
«Линейные модели обучения» - ряд стохастических моделей, при построении которых вводится вероятность р того, что студент, при к-ой проверке знаний даст ответ А.
Альтернативой, для которого станет ответ А . Соответственно, вероятность того, что студент при к-ой проверке даст ответ А равняется 1 - р. При каждой проверке, студент дает ответ, с учетом подкрепляющего события А, например, угадывает правильный ответ. Вероятность ответа при к+1 -ой проверке изменяется в зависимости от подкрепляющего события А при кой проверке:
Р+1 = а.рк + Ь, где а. и Ь. увеличивают или уменьшают вероятность ответа, в зависимости от того, подкрепляет ли событие А ответ А или А .
Модель Буша-Мостеллера для случая двух альтернатив выглядит следующим образом:
Р = рк+1
Г аР + (1 - а И, если ответ А
а2Рк + (1 - а )И, если ответ А где И, И И - 0, И -1) - постоянные точки, то есть если Рк = И (' = 1,2) , Рк+х = Рк. Модель Халла выглядит следующим образом:
Рк+1 = Рк + (1 - а)(1 - Рк ) >
где Р - вероятность правильного ответа при в к-ой проверке; а(0 <а < 1) - константа. Модель Терстоуна представляется следующим образом:
Р = —к—1—, где Ь - скорость обучения. к —1 + Ь
Модель Рестла:
(1 — Я)
Р = 1-------------- , где Я - константа.
к Я + (1 — Я)к
Согласно модели Кричевского, после начального периода обучения возникает "внезапная" обученность. Определяется случайная величина хк :
хк =■
[ 1, если при к - ой проверке имеет место событе Л1 [0, если при к - ой проверке имеет место событие Л2
Тогда рк = р {Хк = 1} - вероятность события А , Р {хк = 0}= 1 - р . Пусть студент в начале находился в состоянии ^ , а после проверки к он переходит в состояние £2 и остается в нем, тогда вероятность Р принимает вид:
ГР, если при к - ой проверке студент находился в состоянии Б1, к [1, если при к - ой проверке студент находился в состоянии Б2.
Вероятность перехода из состояния ^ , в состояние £2 при к-ой проверке имеет вид:
Рк = Р {Зд при п - 1}=р , где /3 - некоторый параметр, 0 < /3 < 1.
При разработке математического обеспечения САПР ОС с корректировкой используется гибридная модель обучения, которая объединяет в себе стохастическую и навигационную модель подбора обучающей информации.
В основе навигационной модели лежит технология сокрытия связей. Весь обучающий контент разбивается на последовательность классов узлов. Студенты переходят между узлами по связям, могут вернуться к предыдущему узлу. Все узлы снабжены навигационными правилами.
В навигационном правиле описываются связи, которые показываются в соответствии с классом и идентификатором узла. Системой скрываются все связи, на которых нет ссылки в навигационном правиле.
В гибридной модели выбор очередного блока обучающего контента зависит от вероятности незнания материала и от связей между узлами модели.
Выводы
Использование систем автоматизированного проектирования позволит сократить временные затраты на разработку АОС, проектировать АОС для различных предметных областей и различной структурной организации. Одним из самых сложных этапов в работе над САПР ОС является разработка математического обеспечения. Одной из главных задач при разработке математического обеспечения САПР ОС является выбор модели подбора обучающей информации (ОИ). В статье были рассмотрены стохастические и навигационные модели подбора обучающей информации. Для разработки математического обеспечения САПР ОС с корректировкой выбрана гибридная модель подбора обучающей информации, объединяющая в себе основные принципы стохастических и навигационных моделей.
ЛИТЕРАТУРА
1. Аткинсон Р., Бауэр Г., Кротерс З. Введение в математическую теорию обучения: Пер. с англ. - М.: Мир, 1969. - 486 с.
2. Буш Р., Мостеллер Ф. Стохастические модели обучаемости. - Г.: Физматгиз, 1962. - 484 с.
3. Выродов А.П. Применение методов адаптивной гипермедиа при разработке автоматизированных обучающих систем / А.П. Выродов, Д.Б. Костарев, С.В. Ковалева, А.Н. Батрак // Вестник международного славянского университета. -Харьков, серия «Технические науки» том XI, №1, 2008.
4. Новиков Д.А. Закономерности итеративного научения. - М.: Институт проблем управления РАН, 1998. - 77 с.
5. Норенков И.П. Основы автоматизированного проектирования: Учеб. для вузов. 2-е изд., перераб. и доп. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2000
6. Растригин Л.А. Адаптивное обучение с моделью обучаемого. / Л.А. Растригин, М.Х. Эренштейн - Рига: Зинатне, 1988. -160 с.
7. Растригин Л.А. Современные принципы управления сложными объектами - М.: Сов. Радио, 1980
8. Соловов А.В. Электронное обучение: проблематика, дидактика, технология. Самара: Новая техника. 2006.
9. Тархов С.В. Оценка эффективности адаптивного электронного обучения.// Информационные технологии моделирования и управления. Научнотехнический журнал №3 (21). Воронеж. Научная книга. 2005, с.337-346.
10. Тулупова Т.В. Автоматизация проектирования обучающих систем. Интернет-журнал «Науковедение» №5(18), 2013
Рецензент: Гаганов Павел Геннадьевич, ведущий инженер-программист, к.т.н, ООО «НПО Альфа-Телекс».
REFERENCES
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
Atkinson R., Baujer G., Kroters Z. Vvedenie v matematicheskuju teoriju obuchenija: Per. s angl. - M.: Mir, 1969. - 486 s.
Bush R., Mosteller F. Stohasticheskie modeli obuchaemosti. - G.: Fizmatgiz, 1962. -484 s.
Vyrodov A.P. Primenenie metodov adaptivnoj gipermedia pri razrabotke avtomatizirovannyh obuchajushhih sistem / A.P. Vyrodov, D.B. Kostarev, S.V. Kovaleva, A.N. Batrak // Vestnik mezhdunarodnogo slavjanskogo universiteta. -Har'kov, serija «Tehnicheskie nauki» tom XI, №1, 2008.
Novikov D.A. Zakonomernosti iterativnogo nauchenija. - M.: Institut problem upravlenija RAN, 1998. - 77 s.
Norenkov I.P. Osnovy avtomatizirovannogo proektirovanija: Ucheb. dlja vuzov. 2-e izd., pererab. i dop. - M.: Izd-vo MGTU im. N.Je. Baumana, 2000
Rastrigin L.A. Adaptivnoe obuchenie s model'ju obuchaemogo. / L.A. Rastrigin, M.H. Jerenshtejn - Riga: Zinatne, 1988. -160 s.
Rastrigin L.A. Sovremennye principy upravlenija slozhnymi ob#ektami - M.: Sov. Radio, 1980
Solovov A.V. Jelektronnoe obuchenie: problematika, didaktika, tehnologija. Samara: Novaja tehnika. 2006.
Tarhov S.V. Ocenka jeffektivnosti adaptivnogo jelektronnogo obuchenija.// Informacionnye tehnologii modelirovanija i upravlenija. Nauchno-tehnicheskij zhurnal №3 (21). Voronezh. Nauchnaja kniga. 2005, s.337-346.
Tulupova T.V. Avtomatizacija proektirovanija obuchajushhih sistem. Internet-zhurnal «Naukovedenie» №5(18), 2013
