CC BY
20
Благодаря аутентификации пользователя, на одной и той же базе данных можно создать АРМ для множества преподавателей, а также обеспечивать просмотр результатов учебной деятельности вышестоящим руководством.
Выводы.
В результате создания и внедрения системы «АРМ Преподавателя» повысится эффективность работы преподавателей, связанная с расчётом рейтинга знаний студентов, формированием журнала преподавателя, аттестационной и экзаменационно-зачётной ведомостей. Кроме того, появится возможность оперативного получения информации об успеваемости и посещаемости студентов как для заведующего кафедрой и кураторов групп, так и для самих студентов и их родителей. Это повысит прозрачность и достоверность оценки деятельности студентов преподавателями и облегчит работу кураторов и заведующего кафедрой.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 1. Глушань В.М., Афанасьев А.Ю., Лященко Н.И. Оптимизация вузовского образовательного процесса в среде автоматизированного обучения и контроля знаний // Вестник ТГПИ. № 1. Физико-математические и естественные науки. 2011.
В.М. Глушань, А.Ю. Афанасьев, Н.И. Лященко
ОПТИМИЗАЦИЯ ВУЗОВСКОГО ОБРАЗОВАТЕЛЬНОГО ПРОЦЕССА В СРЕДЕ АВТОМАТИЗИРОВАННОГО ОБУЧЕНИЯ И КОНТРОЛЯ ЗНАНИЙ
Введение. Информационные технологии благодаря всеобщей компьютеризации заняли прочные позиции в сфере обучения и контроля знаний [1]. Эта тенденция носит общемировой характер. Однако для России, вставшей на путь рыночной экономики, острой является проблема переобучения уже сложившихся специалистов новым профессиям. В связи с этим появилось множество центров занятости, предлагающих свои образовательные услуги. Не остается в стороне от этой тенденции и высшая школа, вводя в свои программы ускоренные формы обучения различным специальностям (3,5 года обучения вместо традиционных 5-6 лет). Такие формы обучения предлагаются абитуриентам, ранее получивших ту или иную специальность, но другого профиля, или ту же специальность, но полученную в образовательном учреждении рангом ниже, например в колледже.
В такой обстановке деканаты пользуются директивными указаниями или собственными представлениями (или даже представлениями самих преподавателей) о том, какие предметы можно перезачесть, а какие надо изучать с «нуля». Совершенно очевидно, что такой подход лишён необходимого обоснования. А ввиду того, что ускоренные формы обучения приобретают все большую популярность актуальной становится задача создания автоматизированных обучающих систем, сначала определяющих уровень подготовленности (дивергенция) обучаемого к освоению новой профессии, а затем формирующих оптимальную индивидуальную траекторию обучения (конвергенция).
Среда автоматизированного обучения и контроля знаний. Процесс обучения невозможен без контроля уровня приобретенных знаний, умений и навыков. Поэтому уже ставшей традиционной схему обучения, содержащую подсистемы обучения и контроля знаний, предлагается дополнить подсистемой анализа и синтеза оптимальной обучающей программы (ПАОСОП) (рис. 1).
ПАОСОП должна проанализировать уровень исходных знаний обучаемого, и исходя из его личных целей и возможностей, а также с учетом общепринятых критериев качества обучения, сформировать оптимальную программу обучения. Одновременно с этим должен быть проведен психофизиологический анализ абитуриента, используемый далее для формирования модели обучаемого.
Рис. 1 Дополненная схема обучения
Исходный уровень знаний абитуриента должен сравниваться с эталонным уровнем знаний, необходимым для приобретения желаемой специальности или же для рекомендации специальности, наилучшим образом удовлетворяющей целям, мотивации, возможностям (экономическим, временным и др.) обучаемого. Должен также учитываться социальный статус профессии на данный период времени общественно-экономического развития региона или страны в целом (востребованность, значимость, популярность, возможность трудоустройства и др.).
Очевидно, что эталонные программы обучения должны храниться в базе данных и знаний. Результат сравнения исходного уровня знаний с эталонным уровнем может быть использован для синтеза оптимальной обучающей программы. Для такого синтеза необходимо ввести в систему критерии качества обучения, а также набор ограничений на параметры процесса обучения, например время, стоимость и др.
Синтезированная обучающая программа фактически представляет дидактическую основу для реализации процесса обучения и контроля знаний. Процесс обучения, исходя из современного уровня достижений педагогической науки, тестологии и информационных технологий, должен быть адаптивным, то есть иметь возможность подстраиваться под индивидуальные особенности обучаемого. Такой подход можно реализовать, опираясь на модель обучаемого, формируемую из информации об уровне исходных знаний, недостающих знаний, психоэмоционального состояния и целей обучаемого.
Модель обучаемого, эталонные знания, недостающие знания и дидактическая обучающая программа используются для формирования концепта, который предъявляется обучаемому в виде соответствующих интерфейсных форм. Заключительный этап обучения - контроль знаний. Для его реализации система должна уметь генерировать различные типы тестовых заданий, предъявлять их обучаемому и анализировать его ответы. В зависимости от результата контроля знаний система должна уметь принимать решение о сертификации обучаемого, т.е. проверять уровень усвоения знаний. В зависимости от этого уровня необходимо по соответствующим сигналам обратной связи уточнять модель обучаемого и/или изменять набор тестовых заданий и корректировать интерфейс предъявления концепта для повторного обучения отдельных, как правило, элементов обучения.
Исходя из приведенных соображений, общая структура, приведенная на рис. 1, в развернутом виде будет иметь вид, представленный на рис. 2.
Подсистема обучения и контроля знаний (ПОКЗ) в большей степени, чем ПАОСОП требует для своего построения использования новейших достижений в области искусственного интеллекта. Зато ПАОСОП, напротив, может строиться на основе достаточно хорошо отработанных методов оптимизации, в частности - линейного программирования.
Анализ возможных критериев выбора специальности. Исходной информацией для инициализации предлагаемой системы может служить выписка из приложения к диплому о высшем или специальном среднем образовании. Ее данные удобно свести в приведенную ниже таблицу 1.
Подсистема анализа и синтеза оптимальной обучающей программы (ПАОСОП)
Обучаемый
Выход
Рис. 2 Общая схема обучающей системы
Информация об изучаемых на каждой специальности предметах в данном учебном заведении хранится в базе данных системы в виде реляционной модели данных - в таблице, аналогичной табл. 1, но без последнего столбца. В каждой специальности число изучаемых дисциплин в общем случае различно. Обозначим множество всех специальностей С = {с1, с2,...,ск}, множество предметов, изучаемых в с, специальности - М, = {т1, т2, ...,т}, множество дисциплин из приложения к диплому - N = {п1, п2,...,п}.
Таблица 1
NN Наименование дисциплин Общее кол-во часов (кредиты) Итоговая оценка
1 Информатика 120 отлично
п Физика 350 хорошо
Для определения дивергенции (степени расхождения) данных выписки с данными реляционных таблиц будем использовать множество м , определяемое через операцию пересечения множеств N и М„ I =1, 2,...,/
м1=м1 пж
Информация об изучаемых на каждой специальности предметах в данном учебном заведении хранится в базе данных системы в виде реляционной модели данных - в таблице, аналогичной табл. 1, но без последнего столбца. В каждой специальности число изучаемых дисциплин в общем случае различно. Обозначим множество всех специальностей С = {с1у с2,...,ск}, множество предметов, изучаемых в с, специальности - М, = {т1у т2, ...,т}, множество дисциплин из приложения к диплому - N = {п1у п2,...,п}.
Для определения дивергенции (степени расхождения) данных выписки с данными реляционных таблиц будем использовать множество м , определяемое через операцию пересечения множеств N и М, I = 1, 2,.,/
м1=м1 ГШ
В качестве меры близости специальности по диплому со специальностями с, I =1,2,.,к можно было бы использовать ту из них, для которой М максимальн°. Однако валидность тавот оценки может быть низкой, так как она не учитывает значимость (вес) дисциплин, входящих в специальность. Так, например, во множестве м может содержаться большое число дисциплин, но их значимость для данной специальности незначительна (число отводимых на них часов относительно мало). Но по их количеству в м может быть сделан неправильный (ложный) вывод о
близости специальности по диплому к некоторой специальности с,.
Для учета значимости дисциплин можно использовать относительную величину числа часов, отведенных для данной дисциплины, к общему числу часов обучения на данной специальности. Коэффициент значимости для совпадающих дисциплин нужно определять как для специальности по диплому, так и для специальности с,. Перемножая оба коэффициента значимости, мы будем иметь более валидную оценку значимости Кзн для рассматриваемых дисциплин.
В формализованном виде оценка значимости Кгзи для дисциплины ni еМ. будет иметь вид
К\м л, еМ^К)/Гы)хл, еТЦсМ,)/^),
где VN - объем в часах дисциплины щ, принадлежащей множествам м и N, Ум - объем в часах той же дисциплины щ , принадлежащей множествам м и М.
Очевидно, что для оценки меры близости Кб специальности с{ к специальности по диплому нужно просуммировать все коэффициенты значимости дисциплин, принадлежащих м
П ■ ':!
Специальность, для которой Кб максимальна, является наиболее близкой к указанной в дипломе.
Описанный подход к индивидуальному определению наиболее подходящей каждому абитуриенту специальности можно считать лишь первым этапом в этом процессе. Он может быть принят к осуществлению, если у абитуриента нет обоснованных аргументов против выбранной таким образом специальности. Однако у абитуриента могут быть некоторые ограничения на его возможности, например, финансовые, временные и др. В этом случае в модель задачи нужно вводить целевую функцию и задача принимает оптимизационный характер.
Все оптимизационные задачи бывают одно и многокритериальными. Однокритериальные задачи решаются значительно проще, чем многокритериальные. Поэтому многокритериальную задачу часто пытаются свести к однокритериальной задаче путем применения различных методов
свертки критериев. Для упрощения нашей задачи будем считать, что она однокритериальная, а в качестве целевой функции (ЦФ) выберем стоимость процесса обучения как наиболее очевидный и чаще всего используемый критерий.
Выбор ЦФ еще не означает, что задача приняла оптимизационный характер. Для этого необходимо, чтобы решение было не единственным (иначе нечего оптимизировать), а составляло множество альтернатив. Суть оптимизационных задач как раз в том и состоит, чтобы из множества альтернативных решений выделить оптимальное, при котором ЦФ принимает максимальное или минимальное значение. Ясно, что в нашем случае ЦФ должна принимать минимальное значение. Покажем, что наша задача может иметь множество альтернативных решений.
Обучение в вузе некоторым специальностям обычно осуществляют несколько кафедр. Каждая кафедра читает несколько предметов, причем отдельные предметы, читаемые разными кафедрами, могут совпадать. Таким образом, процесс обучения в вузе связан с тремя множествами:
множеством специальностей С - ¡с^,с2.....ск|. множеством предметов Р = \р].р:.....р11\
и множе-
ством кафедр К - ¡/|'|./|',...../с|. Связь списков специальностей и предметов, которые читаются соответствующей специальности, можно задать матрицей смежности 5", в которой строки будут соответствовать предметам, а столбцы - специальностям. Если /-ой специальности читается /-ый предмет, то на пересечении /-го столбца и/-ой строки стоит «1», в противном случае - «0». Связь кафедр со списком читаемых ими предметов, можно задать матрицей смежности Н, в которой на пересечении строк и столбцов стоят «1», если некоторый предмет читает соответствующая кафедра. В общем случае матрицы смежности 5 и Н имеют следующий вид:
Используя матрицы смежности 5 и Н для каждой специальности с, можно получить ее покрытие предметами из множества Р. Для более ясного представления рассмотрим процесс получения покрытий на конкретном примере.
Пусть матрицы 5 и Н имеют следующий вид:
Исходя из конкретно заданной матрицы смежности 5, видим, что специальность сг нужно покрыть предметами {рг, р2, р5}. Из конкретно заданной матрицы смежности Н нетрудно заметить, что данное покрытие можно осуществить несколькими вариантами (альтернативами). Конкретный вариант покрытия будем записывать принятым выше именем специальности с двумя нижними индексами: первый индекс будет соответствовать номеру специальности, а второй - варианту покрытия. Таким образом, будем иметь следующие варианты покрытия для специальности сг:
си = {к2, кг, к1}; сп = {к2, кг, кз}; сгз = { к2, к2, кг};
сг4 = { к2, к2, кз}.
Распространяя аналогичные рассуждения на все остальные специальности, получаем, что специальность с2 нужно покрыть предметами {рг, р4, р5}, специальность с3 - предметами {р2, р4, р5}, специальность с4 - предметами {р3, р4, р5}. Эти покрытия можно осуществить следующими соответствующими вариантами:
гс4\ = {къ, к3, к¡};
с42 = {к1, к3, к3};
с4з = {к2, кз, к]}; с44 = {к2, кз, кз}; с45 = {кз, кз, к]}; с46 = {кз, кз, кз}.
_£21 = {к2, кз, къ};
Ь.22 = {к2, кз, кз}.
сз1 = {къ кз, к}
сз2 = {къ, кз, кз};
сзз = {к2, кз, къ};
сз4 = {к2, кз, кз}.
Заключение. Выше мы постулировали, что в приведенной модели процесса обучения существует множество альтернатив. Из приведенного примера следует, что специальности съ, с2, сз и с4 имеют соответственно 4, 2, 4 и 6 альтернатив. Если в качестве ЦФ мы будем использовать стоимость процесса обучения, то, исходя из стоимости ведения соответствующих предметов каждой кафедрой (если предмет читает профессор, то стоимость будет выше стоимости, если тот же предмет читает доцент), можно подсчитать стоимость каждой альтернативы и выбрать ту из них, которая доставляет ЦФ минимальное значение.
Следует заметить, что при относительно небольших значениях мощностей множеств С, Р и К число и вид альтернатив можно определить полным перебором. Однако надо сказать, что полный перебор представляет экспоненциальную функцию роста. Поэтому число альтернатив может быть очень большим даже при незначительных возрастаниях мощностей указанных множеств, а определение самого вида альтернатив будет представлять непростую задачу. Все это потребует использования регулярных процедур (алгоритмов) формирования альтернатив. Определенную методологическую поддержку в решении этой задачи могут оказать работы [5,6], в которых изложены алгоритмы формирования некоторых видов комбинаторных соединений.
При относительно больших значениях мощностей указанных множеств полный перебор альтернатив придется заменить эвристическими алгоритмами или попытаться свести задачу к одному из хорошо разработанных методов математического программирования, например, к линейному программированию.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Брусиловский П.Л. Адаптивные и интеллектуальные технологии в сетевом обучении // Новости искусственного интеллекта. 2002. № 5. С. 25-31.
2. Рыбина Г.В. Обучающие интегрированные экспертные системы: некоторые итоги и перспективы // Искусственный интеллект и принятие решений. 2008, № 1. С. 22-46.
3. Башмаков А.И., Башмаков И.А. Разработка компьютерных учебников и обучающих систем. М.: Филинъ, 2003. 430 с.
4. Болонский процесс: проблемы и перспективы / под ред. М.М. Лебедевой. М.: Оргсервис - 2000,2006.
5. Курейчик В.М., Глушанб В.М., Щербаков Л.И. Комбинаторные аппаратные модели и алгоритмы в САПР. М.: Радио и связь, 1990. 216 с.
6. Липский В. Комбинаторика для программистов: пер. с польск. М.: Мир, 1988. 213 с.
В.Ф. Горбатюк
МОДЕЛИ СИСТЕМЫ ОБУЧЕНИЯ В УСЛОВИЯХ ВНЕДРЕНИЯ ТЕХНОЛОГИЙ Е-ЬЕАШШО
Расскажи мне, и я забуду, покажи мне, и я запомню, дай мне попробовать, и я научусь. (Древняя китайская пословица)
Существует не решенная до настоящего времени проблема создания эффективных моделей обучения и самообучения, основанных на системном подходе и ключевых принципах синергетики: самоорганизация и самоуправление. Специалисты по синергетике заняты в основном решени-
