CC BY
35
Оболочка гибридной интеллектуальной обучающей среды продукционного типа
Басалин Павел Дмитриевич доцент, к.т.н., доцент кафедры информатики и автоматизации научных исследований, Нижегородский государственный университет им. Н.И.Лобачевского, пр. Гагарина, 23, г. Нижний Новгород, 603600, +79030602412 basalin84@mail.ru
Тимофеев Алексей Евгеньевич аспирант кафедры информатики и автоматизации научных исследований, Нижегородский государственный университет им. Н.И.Лобачевского, пр. Гагарина, 23, г. Нижний Новгород, 603600, (831) 4659726 alexey.timofeev@itmm. unn. ru
Аннотация
Предлагается оболочка гибридной интеллектуальной обучающей среды, интегрирующая в себе технологии системы, основанной на знаниях, и нейросетевого подхода к планированию индивидуального сценария обучения. Определяются состав, функциональное назначение и принципы реализации основных подсистем, позволяющих сочетать в гибридной системе достоинства обоих подходов. В основу аналитической составляющей обучающей среды положен традиционный символьный вывод на моделях представления знаний продукционного типа. Синтетическая составляющая реализует образное восприятие и распознавание ситуаций, свойственное искусственным нейронным сетям. В качестве формализма описания знаний эксперта (преподавателя) на инфологическом уровне предложен граф решений, трансформируемый в набор продукционных правил (для аналитической составляющей) и эквивалентную по логике «рассуждений» нейронную сеть прямого распространения (для синтетической составляющей).
Introduced a hybrid intellectual learning environment shell, which integrates knowledge based system with neural network approach to individual learning scenario planning. Defined composition, functions and implementation principles of subsystems, which allow to combine in hybrid system best approaches of both ways. Traditional symbolic inference with rule-based knowledge representation is used as a base of analytical part of learning environment. Synthetic part implements perception and recognition of situation patterns, which is inherent property of neural networks. Solution graph is introduced to represent expert (teacher) knowledge. Later on, the graph is transformed into production rules set (for analytical part) and equal straightforward neural network (for synthetic part).
Ключевые слова
система, основанная на знаниях, продукционные правила, нейронная сеть, синтетический подход, оболочка гибридной интеллектуальной обучающей среды
knowledge based system, production rules, neural network, synthetic approach, hybrid intellectual learning environment shell
Введение
В современных условиях развития общества на передний план выходят проблемы эффективного информационного обеспечения процессов управления и принятия решений в различных сферах человеческой деятельности (технической, экономической, социальной, экологической, образовательной и других). Используемые информационные технологии во многом определяют степень информатизации общества, а также уровень интеллектуальности базирующихся на них информационных систем. Особую роль информационные технологии играют в сфере образования [1]-[3]. Обучение - это интеллектуальный процесс, сценарий развития которого (рабочий сценарий), априори не известный, при индивидуальном подходе к обучаемому рождается непосредственно в ходе освоения им изучаемого материала и во многом зависит от его интеллектуальных способностей, уровня подготовки, психологических особенностей, условий обучения и других факторов.
Важную роль в организации этого процесса играют средства компьютерной поддержки, использующие современные информационные технологии для формирования рабочего сценария обучения, максимально адаптированного к индивидуальным особенностям обучаемого и способствующего формированию у него необходимых общекультурных, общепрофессиональных и профессиональных компетенций [4], [5].
Такие средства не должны оставить обучаемого наедине с проблемой планирования сценария обучения с учетом дидактических и методологических особенностей освоения материала. Очевидно, это должны быть не электронные учебники, функционирующие по типовым сценариям, не гипертекстовые электронные курсы и средства глобальной сети Интернет, обеспечивающие возможность самостоятельно планировать сценарий обучения. Это должны быть системы (среды), базирующиеся на моделях и методах искусственного интеллекта [6]-[9].
Первые попытки создания авторами таких систем связаны с работами [10]-[12], в которых были рассмотрены концепция и базовые принципы построения гибридной интеллектуальной обучающей среды, интегрирующей в себе технологии системы, основанной на знаниях фреймово-продукционного типа, и нейросетевого подхода к планированию сценария обучения.
Однако, структурирование содержания дисциплины, методологии и дидактики ее преподавания в формате введенной продукционно-фреймовой модели представления знаний эксперта вылилось в довольно сложную проблему. Кроме того непросто просматривалась связь архитектуры нейросетевой составляющей с аналитической частью системы.
Пересмотру базовых принципов реализации концепции гибридной интеллектуальной обучающей среды в значительной степени способствовала предложенная в работе [13] архитектура оболочки системы интеллектуальной поддержки процессов принятия решений. Адаптации этой архитектуры к проблемам обучения, связанной с терминологией, спецификой интерпретации знаний, и реализацией на ее основе оболочки гибридной интеллектуальной обучающей среды, способной через формализм базы знаний настраиваться на различные предметные области, посвящена данная статья.
Теоретическая часть
Базовые принципы организации оболочки гибридной интеллектуальной обучающей среды, исходят из представления процесса обучения в пространстве состояний. Оно предполагает существование счетного множества 8 состояний и
множества Е событий, реализующих переход системы из одного состояния в другое. Процесс планирования и реализации рабочего сценария обучения представляет собой передвижение в пространстве состояний с целью достижения желаемого множества состояний. Проблема считается решенной, если найдена последовательность событий
Е *= ег, е2,..., ек, порождающая ж* = ек(ек-г(... (е2(ег(ж0))) ...)) , где ж* — некоторое состояние из множества целевых состояний; ж0 — некоторое состояние из множества начальных состояний. Под событием понимается вывод на терминал неделимого логически законченного фрагмента изучаемого материала с оценкой (при необходимости) уровня его усвоения обучаемым. Конкретное событие может быть связано с введением очередного определения, понятия, описанием алгоритма, типового функционального блока и т.д. Каждому событию в базе знаний интеллектуальной среды поставлено в соответствие продукционное правило, антецедент которого определяет условия активации события в виде перечня имен тех событий, без инициализации которых данное событие невозможно. В консеквенте правила указывается имя активизируемого события. Под этим именем событие фиксируется в рабочей памяти системы, определяющей ее состояние. С ним же связаны фрагмент (файл) изучаемого материала, представленного на двух уровнях (компактный и детальный) и тесты, определяющие степень усвоения материала. Последняя оценивается по непрерывной шкале [0,1] как усредненный результат тестирования и, возможно, субъективной самооценки обучаемого или как среднее значение уровней усвоения материала событий, указанных в антецеденте правила.
Представление процесса обучения в пространстве состояний хорошо согласуется с моделями и методами искусственного интеллекта, положенными в основу построения обучающей среды.
В первую очередь заслуживает внимания формализм, основанный на знаниях продукционного типа, положенный в основу аналитической составляющей предлагаемой оболочки. Ее состояния определяются содержимым рабочей памяти (событиями, приведшими к текущей ситуации, с оценками степени усвоения материала), формируемым срабатывающими продукционными правилами.
Для решения непростой проблемы приобретения знаний у эксперта используются возможности их описания на инфологическом уровне в виде графа решений [13] с последующим его переводом по формальному алгоритму в набор продукционных правил-
Граф решений - это ориентированный помеченный граф с вершинами двух
типов:
• вершины условий (типа «овал»), из которых могут исходить два ребра (по типу «да» и «нет»), отмечающих, соответственно, факт активации (свершения) события, имя которого указано в вершине-овале, или не свершения этого события;
• вершины выводов (типа «прямоугольник»), имеющие один вход и один выход (обязательно на вершину условия) для промежуточных выводов и не имеющие выхода в случае окончательного вывода.
Вершина вывода содержит имя события, востребованного текущей ситуацией, или несколько имен событий, порядок реализации которых не имеет принципиального значения.
Для описания структурированных с целью сужения пространства поиска знаний может использоваться не один, а несколько графов решений.
Пример описания в виде графа решений фрагмента знаний из курса «Схемотехника и организация вычислительных систем» приведен на рисунке 1.
Для компактного представления на рисунке 1 использованы следующие имена событий:
е1 - введение понятия вычислений;
е2 - введение понятия вычислительной системы (ВС);
ез - введение понятия архитектуры ВС;
е4 - многоуровневое представление архитектуры ВС;
е5 - базовый естественно-математический уровень;
ев - аналоговый уровень;
е7 - аналоговые схемы логических элементов;
е8 - электронный ключ;
е9 - логический элемент И-НЕ;
ею - уровень цифровой схемотехники.
Таким образом, в данной интерпретации граф решений отражает всю каузальную логику отношений событий, порождающих рабочий сценарий обучения, в отличие от логики выбора независимых альтернатив при решении универсальной проблемы принятия решений.
Аналитический способ планирования сценария обучения, реализуемый системой, основанной на знаниях, обеспечивая возможность отслеживания логики рассуждений, отличается громоздкостью процесса логического вывода и сложностью управления им.
Компенсировать указанные недостатки позволяет синтетический (образный) способ оценивания ситуаций, свойственный искусственным нейронным сетям. За основу его реализации в рамках рассматриваемой оболочки принят оригинальный алгоритм трансформации графа решений в эквивалентную ему (по логике «рассуждений») нейронную сеть прямого распространения (многослойный персептрон). При этом предусмотрена возможность использования различных эвристических подходов к организации взаимодействия аналитической и синтетической составляющих обучающей среды.
Нейронная сеть может использоваться для оперативной оценки ситуации и представлять собой бинарную структуру с единичными синаптическими весами межнейронных связей, определяющую активацию очередного события (составляющие ее нейроны должны иметь ступенчатую функцию активации с порогом, равным количеству входов нейрона).
Синтетическая часть также может быть использована в качестве эталона для оценки уровней формирования компетенций в рамках изучаемой дисциплины. При этом сеть будет обучаться по статистическим данным (генерируемым аналитической составляющей обучающей среды), имея на входах признаки активации событий, а на выходах - степени усвоения связанного с ними материала. При этом для обучения используется модификация метода обратного распространения ошибки. В качестве настроечных параметров сети выступают синаптические веса межнейронных связей, нейроны имеют сигмоидальные активационные функции.
Образное восприятие ситуации в целом и практически мгновенная реакция обученной нейронной сети значительно ускоряют процессы планирования и оценки результатов реализации рабочего сценария обучения.
Все вышесказанное обусловило принятие за основу концепции гибридной интеллектуальной обучающей среды, сочетающей в себе аналитический и синтетический подходы, компенсирующие недостатки друг друга.
Рис. 1. Фрагмент знаний из курса «Схемотехника и организация вычислительных систем» в виде графа решений
Реализация
Предлагаемая оболочка гибридной интеллектуальной обучающей среды имеет в своем составе:
• исходно пустую базу знаний;
• подсистему приобретения знаний;
• механизм вывода;
• механизм обучения нейронной сети;
• подсистему объяснения;
• интеллектуальный интерфейс.
База знаний объединяет в себе долговременные знания о предметной области в виде набора продукционных правил (базу правил), оперативные данные рабочей памяти, фиксирующие состояние среды обучения, а также информационный материал событий и сопровождающих их тестов.
База правил представлена двумя массивами:
• массив имен событий антецедентов правил;
• массив имен событий консеквентов правил.
В массиве имен событий антецедентов правил под каждое правило отведено по три элемента в предположении, что антецедент любого правила может включать не более трех имен. Данное ограничение означает, что в цепочках графа решений, просматриваемых алгоритмом генерации правил, должно быть не более четырёх вершин (включая вершину вывода к которой приводит цепочка). Более длинные цепочки можно разорвать введением промежуточного вывода (пусть даже искусственного, не имеющего четко определенного смысла).
Рассмотренная организация базы правил легко обеспечивает ее открытость в плане внесения необходимых локальных изменений (замены, удаления или введения новых правил).
Рабочая память оболочки представлена таблицей событий, каждая строка которой имеет два поля. Первое поле определяет имя события, которое может входить в антецеденты правил. Второе поле представляет значение степени усвоения материала события, вычисленное при его активизации.
Исходно, перед началом логического вывода, заполнены только первые поля всех строк таблицы, т.е. дан перечень имен всех событий, характеризующих состояние процесса вывода. Заполнение первого поля таблицы осуществляется на этапе инициализации обучающей среды путем просмотра массивов имен событий антецедентов и консеквентов правил. Затем в процессе идентификации и срабатывания правил заполняются вторые поля таблицы значениями степени усвоения материала событий, полученными в результате тестирования или принятыми по умолчанию за 1 в несложных ситуациях.
Подсистема приобретения знаний для описания их на инфологическом уровне (уровне эксперта) использует граф решений. Принимая на вход его описание, она формирует в представленном выше формате набор продукционных правил.
Делается это по простому алгоритму. В определенном порядке просматриваются все цепочки графа, включающие следующие подряд вершины-овалы до ближайшей вершины-прямоугольника, а также начинающиеся с вершины-прямоугольника промежуточного вывода со следующими за ней вершинами-овалами до ближайшей вершины-прямоугольника. Содержимое всех вершин конкретной выделенной цепочки за исключением последней вершины, объединенное логическими связками И, заносится в антецедент правила, содержимое последней вершины определяет его консеквент.
К примеру, часть правил, сгенерированных по фрагменту графа решений, представленному на рисунке 1, будет выглядеть так:
ЕСЛИ Событие е1 не активизировано
ТО Активизировать событие е1
ЕСЛИ Событие е1 активизировано
И Событие е2 не активизировано
ТО Активизировать событие е2
ЕСЛИ Событие е1 активизировано
И Событие е2 активизировано
И Событие ез не активизировано
ТО Активизировать событие ез
ЕСЛИ Событие ег активизировано
И Событие е2 активизировано
И Событие ез активизировано
ТО Активизировать событие е4
ЕСЛИ Событие е4 активизировано
И Событие е5 не активизировано
ТО Активизировать событие е5
Механизм вывода выполняет функции аналитического ядра интеллектуальной обучающей среды, осуществляющего построение прямой (управляемой антецедентами) логической цепочки рассуждений с использованием стратегии поиска в ширину. Для этого в информационном обеспечении системы предусмотрена динамическая информационная структура - очередь логического вывода. Изначально она пуста. Первым в нее заносится имя события, с которого начинается процесс обучения. Затем по мере срабатывания правил в очередь добавляются новые имена событий, указанные в их консеквентах, по которым сценарий обучения может быть продолжен. Удаление первого события из очереди происходит после срабатывания всех правил, в антецеденты которых оно входит и условия активации которых выполняются. Пустая очередь свидетельствует о завершении сценария обучения.
Помимо набора продукционных правил для аналитической составляющей обучающей среды подсистема приобретения знаний формирует нейронную сеть прямого распространения, эквивалентную (по логике «рассуждений») исходному графу решений.
Алгоритм трансформации графа решений в эквивалентную нейронную сеть функционирует по следующим правилам:
• каждой вершине вывода (промежуточного или окончательного) ставится в соответствие свой нейрон;
• каждой вершине-овалу сходящихся к нейрону цепочек, некоторые из которых могут начинаться с вершины промежуточного вывода, ставится в соответствие входная ветвь нейрона;
• нейроны располагаются по слоям согласно правилу: каждый нейрон последующего слоя должен иметь входные связи только с нейронами предшествующих слоев и хотя бы одну входную связь с каким-нибудь нейроном предыдущего, смежного с ним слоя;
• каждой вершине-овалу графа решений ставится в соответствие нейрон сенсорного слоя;
• сигналы выходов всех нейронов выводятся каждый на свой нейрон моторного слоя.
В качестве примера на рисунке 2 представлена нейронная сеть, сформированная по рассмотренному алгоритму для графа решений, изображенного на рисунке 1.
При использовании нейронной сети в качестве эталона для оценки уровней формирования компетенций в рамках изучаемых дисциплин входной сигнал ег значением 1 активизирует событие ег, а значением 0 оставляет его пассивным. Выход жг выдает значение степени усвоения активизированного события ег. При этом сеть обучается по статистическим данным - шаблонам, генерируемым аналитической составляющей обучающей среды.
Рис. 2. Нейронная сеть, сформированная по графу решений
Обучение сети осуществляется в пространстве синаптических весов всех межнейронных связей (за исключением непосредственных связей нейронов скрытых слоев с нейронами моторного слоя). В основу механизма обучения положена модификация алгоритма обратного распространения ошибки, связанная с применением к персептронам нерегулярной структуры и использованием квазиньютоновской оптимизационной стратегии (Метода Давидона-Флетчера-Пауэлла). При этом в качестве обучающих шаблонов выступают векторы состояний (значений степеней усвоения материала событий), берущиеся из рабочей памяти аналитической составляющей интеллектуальной среды.
Подсистема объяснения обеспечивает пользователя возможностью отслеживать динамику развития сценария обучения, оценивая текущий уровень своей компетентности и при необходимости внося в процесс обучения определенные коррективы (например, пройти повторно на компактном или детальном уровне с последующим тестированием некоторую цепочку событий). При работе системы в аналитическом режиме обеспечение такой функции не вызывает проблем.
Интеллектуальный интерфейс объединяет в себе лингвистические, информационные и программные средства взаимодействия пользователя, инженера по знаниям (аналитика) и эксперта с соответствующими компонентами обучающей среды (пользователя с механизмом логического вывода, подсистемой объяснения, и нейронной сетью, аналитика и эксперта с подсистемой приобретения знаний). Они ориентированы на неподготовленного пользователя, обладают способностью настраиваться на его терминологию и создавать по возможности комфортные условия для работы в системе.
Анализ и оценка разработки
Представляя собой оболочку, разработанная гибридная интеллектуальная обучающая среда способна через формализм графа решений, доступный эксперту (при этом не исключена помощь со стороны инженера по знаниям), настраиваться на обучение практически любой инженерной дисциплине, включая курсы, связанные с освоением информационно-коммуникационных технологий. Роль преподавателя, как эксперта, способного передавать свои знания интеллектуальной обучающей среде, обязывает его быть в курсе существующих технологий обучения и, возможно, владеть навыками общения с предлагаемыми инструментальными средствами для перенесения своего опыта, методики преподавания и контроля знаний по конкретным дисциплинам в реальные формы индивидуального обучения.
Заключение
Данная статья не только представляет базовые принципы реализации концепции гибридной интеллектуальной обучающей среды, интегрирующей в себе технологии системы, основанной на знаниях, и нейросетевого подхода к планированию индивидуального сценария обучения. Она поднимает (оставляет открытыми) вопросы отработки возможных режимов функционирования обучающей среды в плане организации взаимодействия ее аналитической и синтетической составляющих.
Базовый вариант оболочки реализован в среде IntelliJ IDEA с использованием языка программирования Java 1.8 и в настоящее время готовится к опытной эксплуатации (на стадии формализации знаний в виде графа решений) применительно к дисциплинам «Схемотехника и организация вычислительных систем» и «Интеллектуальные информационные системы».
Литература
1. Сосновский С.А., Гиренко А.Ф., Галеев И.Х. Информатизация математический компоненты инженерного, технического и естественнонаучного обучения в рамках проекта MetaMath // Международный электронный журнал «Образовательные технологии и общество (Educational Technology & Society)». -2014. - V.17. - №4. - C.446-457. - ISSN 1436-4522. URL: http://ifets.ieee.org/russian/periodical/journal.html
2. Модернизация программ математических дисциплин ННГУ им. Н.И. Лобачевского в рамках проекта Meta-Math / О.А. Кузенков, Е.А. Рябова, Р.С. Бирюков, Г.В. Кузенкова // Нижегородское образование. - 2016. - № 1. - С. 4-10.
3. Ключевые ориентиры для разработки и реализации образовательных программ в предметной области «Информационно-коммуникационные технологии» / И.Ю. Петрова, В.М. Зарипова, Е.Г. Ишкина, А.В. Маликов, В.А. Варфоломеев, И.В. Захарова, О.А. Кузенков, Н.В. Курмышев, С.К. Милицкая - Бильбао, 2013. - 87 с.
4. Захарова И.В., Кузенков О.А. Опыт реализаций требований образовательных и профессиональных стандартов в области ИКТ в российском образовании // Современные информационные технологии и ИТ-образование. - 2016. - Т. 12. -№ 3-1. - С. 17-31.
5. Гергель В.П., Гугина Е.В., Кузенков О.А. Разработка образовательного стандарта Нижегородского госуниверситета по направлению "Фундаментальная
информатика и информационные технологии" // Современные информационные технологии и ИТ-образование. - 2010. - Т. 1. - № 6. - С. 51-60.
6. Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ: Пер. с англ. / Предисл. Г.С. Осипова. - М.: Финансы и статистика, 1990. - 320 с.
7. Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. - СПб.: БХВ-Петербург, 2003. - 608 с.
8. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. -М.: Горячая линия - Телеком, 2001. - 382 с.
9. Басалин П.Д., Безрук К.В., Радаева М.В. Модели и методы интеллектуальной поддержки процессов принятия решений: Учебное пособие. - Нижний Новгород: Нижегородский госуниверситет, 2011. - 129 с.
10. Басалин П.Д. Организация интеллектуальной обучающей среды с применением новых информационных технологий // Вестник ВГАВТ. Межвузовская серия «Моделирование и оптимизация сложных систем». - Н. Новгород, 2002. - С. 2125.
11. Басалин П.Д., Белоусова И.И. Интерактивные формы обучения в образовательном процессе // Вестник Нижегородского университета им. Н.И. Лобачевского. - 2014. - № 3-4. - С. 18-21.
12. Басалин П.Д., Тимофеев А.Е. Интерактивные формы обучения компьютерным наукам // Преподавание математики и компьютерных наук в высшей школе: материалы Междунар. науч.-метод. конф. (16-17 мая 2017 г.) / науч. ред. Е.К.Хеннер; Перм. гос. нац. исслед. ун-т. - Пермь, 2017. - С. 4-8.
13. Басалин П.Д., Безрук К.В. Архитектура оболочки гибридной системы нтеллектуальной поддержки процессов принятия решений // Нейрокомпьютеры: разработка, применение. - 2012. - № 8. - С. 26-34.
