CC BY
28
2011
НАУЧНЫЙ ВЕСТНИК МГТУ ГА
№ 172
УДК 656.7.071:658.386
ОПТИМИЗАЦИЯ АВТОМАТИЗИРОВАННОГО ОБУЧЕНИЯ ЛЕТНОГО СОСТАВА НА ОСНОВЕ СТРУКТУРНОЙ ТЕОРИИ ЗНАНИЙ
Д.В. АЙДАРКИН
Статья представлена доктором технических наук, профессором Ципенко В.Г.
Рассматривается возможность применения структурной теории знаний (Knowledge Space Theory) в ходе разработки автоматизированных систем, используемых для профессиональной подготовки летного состава гражданской авиации.
Ключевые слова: автоматизированные системы обучения, структурная теория знаний, летный состав.
В настоящее время одним из приоритетных направлений развития профессиональной подготовки (ПП) летного состава (ЛС) гражданской авиации (ГА) является внедрение автоматизированных обучающих систем (АОС) с использованием компьютерных и web-технологий. Наиболее широкое применение получили АОС для первоначальной подготовки и переучивания ЛС на новые типы воздушных судов (ВС). Основными разработчиками таких программ в ГА являются компании - производители авиационной техники, тренажерных комплексов, бортового авиационного оборудования, а также крупные авиакомпании. Это обстоятельство позволяет создавать современные компьютерные программы с использованием имеющихся возможностей визуализации, математического моделирования поведения самолета, алгоритмов работы бортового оборудования и опыта эксплуатации ВС. Однако при этом часто отсутствует единая теоретическая база и методология разработки и внедрения в процесс ПП ЛС таких систем, что, несомненно, снижает эффективность их использования.
Часто разработчики обучающих систем предоставляют пользователю возможность свободного выбора последовательности изучения представленного в АОС материала. В качестве примера можно указать программу Aeroplane Bristol ground school, разработанную специалистами Бристольской летной школы (Англия). По мнению разработчиков данная АОС позволяет до 80 % первоначального обучения пилотов производить дистанционно [1]. Курс подготовки состоит из 14 учебных дисциплин, разделенных на два модуля (8 и 6 дисциплин соответственно), и ориентирован на получение лицензии JAA ATPL. Учитывая сложность и объемность представленного материала для самостоятельного обучения, а также наличие большого числа междисциплинарных связей, разработчики наполнили АОС большим количеством гиперссылок и создали специальную поисковую систему, которая позволяет пользователю быстро найти нужную тему или фразу в учебном материале. Каждый обучаемый может самостоятельно выбирать порядок изучения дисциплин в рамках каждого модуля и определять скорость изучения материала. Такой подход к процессу ПП ЛС распространен в коммерческих летных школах и предполагает наличие неограниченного резерва времени, отводимого на подготовку, позволяя пользователю методом проб и ошибок выбрать собственную стратегию работы с АОС.
Альтернативный подход продемонстрировали разработчики АОС для подготовки членов летных экипажей самолетов Airbus-320 и Boeing-737. Указанные компьютерные программы являются, по мнению специалистов, одними из лучших для подготовки ЛС [2]. Весь учебный материал в АОС разделен на темы, которые охватывают все функциональные системы и оборудование самолета. Учебный материал каждой темы разбит на параграфы, последовательность изучения которых строго регламентирована. Пользователи данных АОС не имеют возможности выбора индивидуальной траектории обучения, основанной на имеющейся структуре знаний
обучаемых или их предпочтениях, а должны изучать параграфы в заданной разработчиками единой последовательности. В этом случае процесс обучения является одномерным, что позволяет сократить его продолжительность, но приводит к повторам учебного материала или частичному разрыву имеющихся междисциплинарных связей.
Результаты научных исследований [3] свидетельствуют о возможности сокращения в 3 раза продолжительности подготовки ЛС по сравнению с традиционным курсом обучения при сохранении требуемого качества за счет сокращения повторов в учебном материале, его иерархического структурирования, осуществления постоянного контроля процесса обучения и немедленной обратной связи при совершении ошибок. В ходе эксперимента был реализован компромиссный вариант между описанными выше альтернативами: обучаемым была предоставлена частичная свобода выбора последовательности изучения материала, но этот выбор был ограничен имеющейся у них структурой знаний.
Реализация подобного подхода в ходе автоматизированного обучения ЛС возможна на основе структурной теории знаний (Knowledge Space Theory, KST) [4, 5], которая была использована в Ульяновском высшем авиационном училище ГА (УВАУ ГА) при разработке АОС для подготовки курсантов на самолет первоначального обучения Як-18Т (36 серия). На начальном этапе построения структурной модели АОС планируемый для изучения материал был разбит на отдельные структурные элементы, роль которых играют учебные темы или параграфы. В частности, при разработке указанной АОС экспертами было определено, что весь учебный материал может быть разбит на 8 дисциплин и 56 учебных элементов (УЭ).
Рис. 1. Диаграмма Хассе для учебного материала по самолету Як-18Т (36 серия)
Совокупность УЭ объединяют в структурной схеме, называемой графом содержания (ГС), который представляют в виде диаграммы Хассе или ориентированного графа (орграфа) В = (V, У), где V - конечное множество вершин (множество УЭ), а У - конечное множество ориентированных ребер (дуг) орграфа (иерархических связей между УЭ) [6]. Известно, что оценка логических связей между большим числом (более 20 - 30) объектов экспертизы часто приводит к ошибкам и "непоследовательности" экспертных оценок [7]. Поэтому сначала каждому эксперту было предложено с помощью парного сравнения установить отношение очередности и связности
120
Д.В. Айдаркин
для 56 объектов экспертизы, в роли которых выступали указанные УЭ. Метод парных сравнений не только упрощает процедуру ранжирования объектов экспертизы и установления логических взаимосвязей, но также позволяет получить детальную информацию о компетентности экспертов по степени согласованности их оценок с групповой оценкой объектов. Результаты оценки были записаны в виде матриц отношения очередности и связности УЭ, на основе которых получена матрица смежности ГС и построена соответствующая диаграмма Хассе (рис. 1).
Очевидно, что содержание вышестоящих УЭ хотя и интегрирует содержание связанных с ним нижестоящих УЭ, но не является их простым объединением. В частности, нижестоящие УЭ могут детализировать, раскрывать отдельные компоненты содержания связанного с ними вышестоящего УЭ. Использование К8Т в ходе разработки АОС позволяет установить рациональную в дидактическом плане последовательность изучения УЭ и определить направление целенаправленного "отката" из изучаемого УЭ к ранее изученному фрагменту учебного материала, где разъясняются исходные для рассматриваемого УЭ понятия. Кроме того, появляется эффективный инструмент, дополняющий существующие алгоритмы адаптивного тестирования уровня подготовки ЛС [8]. На рис. 2 в качестве примера изображен подграф разработанной диаграммы Хассе, в котором представлены семь УЭ, связанных с изучением дисциплины "Силовая установка самолета". Маловероятно, что испытуемый может правильно ответить на тестовые вопросы по теме "Система бензопитания двигателя" (УЭ 3.5), не имея общих представлений о топливной системе самолета (УЭ 1.6), а также силовой установке и системе управления ею (УЭ 3.3). Поэтому в случае получения такого результата в ходе тестирования АОС будет рекомендовать пользователю вернуться к изучению нижестоящих УЭ.
Учет полученной структуры знаний позволяет значительно сократить время тестирования и дает возможность однозначной интерпретации полученных результатов. Так, для примера, приведенного на рис. 2, учет имеющихся связей между УЭ позволяет сократить исходное число возможных состояний обученности со
128 (2') до 27, начиная с пустого множества {0} (отсутствие
знаний по дисциплине) и заканчивая полным множеством {Р} изученных УЭ (рис. 3).
{О}
{1.3, 1.6,2.2, 3.3, 3.5, 3.6}
{1.3,1.6, 2.2, 3.3, 3.5 } {1.3, 1.6, 2.2, 3.3, 3.6 } {1.6, 2.2, 3.3, 3.5, 3.6 }
{1.3,1.6, 2.2, 3.3 } {1.3, 1.6, 3.3, 3.5 } {1.3, 2.2, 3.3, 3.6 } {1.6, 2.2, 3.3, 3.5 } {1.6, 2.2, 3.3, 3.6 }
{1.3,1.6,2.2} {1.3,1.6,3.3} {1.3,2.2,3.3} {1.6,2.2,3.3} {1.6,3.3,3.5} {2.2,3.3,3.6}
{1.3,1.6} {1.3,2.2} {1.3,3.3} {1.6,2.2} {1.6,3.3} {2.2,3.3}
{1.3} {1.6} {2.2} {3.3}
{0}
Рис. 3. Структура знаний для подграфа, изображенного на рис. 2
[3.7
Рис. 2. Подграф диаграммы
Хассе для учебного материала по дисциплине "Силовая установка самолета"
Построенная структура знаний получила экспериментальное подтверждение в ходе компьютерного тестирования курсантов специализации 160503.65.01 - Летная эксплуатация гражданских воздушных судов, проведенного в 2009-2010 учебном году в УВАУ ГА. Для обработки результатов тестирования использовались двухпараметрические модели IRT [9], что позволило учесть имеющуюся структуру знаний у курсантов по каждой учебной теме.
ЛИТЕРАТУРА
1. ATPL(A) Aeroplane Bristol ground school. - Режим доступа: www.atponline.gs. - Заглавие с экрана.
2. Oxford Aviation Academy. Skills for Flight. Self Sponsored Type Rating Training. -http://www.oaa.com/pages/training_courses/type/self_sponsored.php. - Заглавие с экрана.
3. Blackmon M.H. Combining Two Technologies to Improve Aviation Training Design / M.H. Blackmon, P.G. Polson // Proceedings of the International Conference on Human-Computer Interaction in Aeronautics. Cambridge, Massachusetts, 23-25 October 2002. - Menlo Park, California: The AAAI Press, 2002. - P. 24 - 29.
4. Doignon J.-P. Spaces for the assessment of knowledge / J.-P. Doignon, J.-C. Falmagne // International Journal of Man-Machine Studies. - 1985. - №23. - P. 175 - 196.
5. Doignon J.-P. Knowledge Spaces / J.-P. Doignon, J.-C. Falmagne. - London: Springer-Verlag, 1999.
6. Соловов А.В. Электронное обучение: проблематика, дидактика, технология. - Самара: Новая техника, 2006.
7. Литвак Б.Г. Экспертная информация: Методы получения и анализа. - М.: Радио и связь, 1982.
8. Айдаркин Д.В., Косачевский С.Г. Разработка алгоритма адаптивного тестирования для автоматических обучающих систем профессиональной подготовки летного состава // Научный Вестник МГТУ ГА, серия Аэромеханика и прочность. - 2008. - № 125. - С. 167 - 172.
9. Айдаркин Д.В., Косачевский С.Г. Повышение точности оценки профессиональной подготовленности летного состава на основе тестирования с использованием моделей IRT // Научный Вестник МГТУ ГА. - 2010. - № 154. - С.111 - 116.
FLIGHT PERSONNEL COMPUTER BASED TRAINING OPTIMIZATION ON BASIS OF KNOWLEDGE SPACE THEORY
Aidarkin D.V.
The possibility of Knowledge Space Theory (KST) application in the course of computer based training development for civil aviation flight personnel is represented hereto.
Key words: computer based training, Knowledge Space Theory, flight personnel.
Сведения об авторе
Айдаркин Дмитрий Викторович, 1969 г.р., окончил МГУ им М.В. Ломоносова (1994), доцент кафедры естественно-научных дисциплин УВАУ ГА, автор 14 научных работ, область научных интересов - разработка компьютерных обучающих систем и тестирующих программ.
