CC BY
371
Educational Technology & Society 11(1) 2008
ISSN 1436-4522
Ориентированная на цели визуализация знаний
В.В. Магалашвили, В.Н. Бодров Университет Экономики и прикладных Технологий Берлин, Германия w.bodrow@fhtw-berlin.de
АННОТАЦИЯ
В настоящей работе описан новый подход визуализации знаний, разработанный и представленный авторами в предшествующих публикациях и докладах (Bodrow et al. 2007 ac). Особенностью этого подхода является его ориентировка на цели в контексте исследуемой проблемы. Изложены и обсуждены различия между визуализацией знаний и визуализацией информации. Предлагаемый подход дополнен сценариями для его применения на практике. This paper describes the new approach of knowledge visualization, developed and presented by authors in their previous publications and reports (Bodrow et al. 2007 a-c). The distinctive feature of this approach is its orientation on the goals to be achieved. The difference between information visualization and knowledge visualization is specified and discussed in detail. In addition some scenarios for its practical application are demonstrated.
Ключевые слова
Визуализация знаний, передача знаний, электронное обучение
Введение
В настоящей работе описан новый поход визуализации знаний, разработанный и представленный авторами в предшествующих публикациях и докладах (Bodrow, W., Magalashvili V., 2007 а; Bodrow, W., Magalashvili V., 2007 b; Bodrow, W., Magalashvili V., 2007 c).
Начиная с середины 1990-х годов прошлого века «знания» стали рассматриваться как стратегический ресурс и фактор успеха предприятия. Таким образом, менеджмент знаний (в дальнейшем KM - Knowledge Management) стал отдельной областью изучения не только в учебной и академической среде, но и на самих предприятиях, которые хотят держать руку на пульсе и иметь инструменты управления как накопленными, так и приобретёнными на рынке знаниями. KM берет свои истоки из таких областей как: управление персоналом, информационный менеджмент, по возможности, используя «современные информационные технологии». Беря в кавычки последний термин, мы лишь хотим обратить внимание на то, что этот термин настолько всеобъемлющ, что под него попадает все или почти все. Мы же имеем в виду использование программных средств (например, различных баз данных или специального программного обеспечения) для поддержки процесса менеджмента знаний.
К настоящему времени уже написаны сотни книг и статей о том, каким образом осуществлять управление знаниями, какие методы подходят конкретным предприятиям, даны бесчисленные определения самого КМ и т.д. (Holsapple 2007, Holsapple 2003, Maier 2004, Mertins et al. 2003, McInerney et al. 2007). Поэтому мы не останавливаемся на базовых определениях.
Любопытно, однако, отметить следующее. Несмотря на разнообразные определения самого менеджмента знаний, у всех у них есть общее. Во-первых, менеджмент знаний можно рассматривать как процесс с различными фазами и мероприятиями. А во-вторых, проанализировав определения данные авторами в работах (Nonaka, I., Takeuchi, H., 1995; Davenport, T. H., Prusak, L., 1998; Maier, R., 2004; Holsapple, C. W., 2007; Probst, G., Raub, S., Romhardt, K., 2006; North, K., 2005) и др., можно заметить, что двумя основными этапами в менеджменте знаний являются передача знаний и их применение на практике (Bodrow et al. 2004). При этом авторы, разумеется, использовали различные термины для обозначения сходных процессов. Так, например, для передачи знаний использовались слова: transfer, disseminate, distribute, share, exchange и др.
Передача знаний является не только ключевым звеном всего процесса, но и одним из самых сложных этапов менеджмента знаний. Каким же образом можно улучшить обмен знаниями?
Взяв на вооружение известную поговорку «лучше один раз увидеть, чем сто раз услышать», мы попробуем перенести ее и на знания.
Визуализация знаний
До недавнего времени термин «визуализация знаний» (ВЗ) вообще в научной литературе не употреблялся, в отличие, например, от визуализации информации (Information visualization, в дальнейшем - ВИ). Когда же менеджмент знаний стал отдельной областью исследования, термин «визуализация знаний» был потихоньку введен в употребление. Однако, что только не понимается под этим термином! Любое графическое изображение подпадает под визуализацию знаний: и чертеж, и диаграмма, и график в отчете, и сам отчет, не говоря уже об инструментах OLAP, и графическое программное обеспечение, используемое в науке (например, моделирование в математике или химии). А между тем, речь идет не о визуализации как таковой, а о визуализации знаний. Принимая во внимание общепринятую терминологию и соответственно различая данные, информацию и знания, необходимо учитывать это различие и при определении термина «визуализация знаний».
Непосредственно после введения в обиход, ВЗ рассматривалась обычно как небольшая часть уже сформировавшейся дисциплины визуализация информации. И если определение ВИ уже устоялось (Card et al. 1999, Tergan et al. 2005, Fayyad et al. 2002, Chen et al. 2003, Canas et al. 2005, Drosdol et al. 2005), то попытка определения ВЗ былa предпринята лишь в нескольких работах.
Визуализация информации - это использование компьютерных приложений для графического представления абстрактных данных. В основном, речь идет о различных диаграммах, графиках, 3D - моделировании и т.д.
Для начала оговоримся, что ВЗ должна рассматриваться существенно шире, чем подобласть ВИ. По нашему мнению, ВЗ - это область, граничащая с менеджментом знаний, психологией, графическим дизайном, педагогикой. Основная цель визуализации (знаний) - улучшить передачу знаний, стимулировать когнитивные процессы.
Одна из попыток определения ВЗ была предпринята в работах (Eppler et al. 2004, Burkhard 2005), где авторы определяют ВЗ как использование визуальных средств для улучшения передачи знаний между людьми. Несмотря на естественность, это определение, однако, не учитывает специфику термина «знания». Графическое представление абстрактных данных (см. определение ВИ) также может повышать эффективность передачи знаний между людьми. Таким образом, это определение слишком обще, и на его основе трудно выявить различие между ВИ и ВЗ. Справедливости ради следует отметить, что авторы указывают на существенные отличия между этими терминами. Например, они подчеркивают, что рамки ВЗ значительно шире чем компьютерные приложения для визуализации, на которых обычно ограничивается ВИ. Если ВИ в первую очередь облегчает доступ к различным данным, то ВЗ применяется для обмена знаниями, например, в электронном обучении (е-Learning). И если некоторые авторы рассматривают ВЗ лишь как набор оптимальных графических средств (чертеж, таблица, Mind Map) в зависимости от передаваемого знания - процедурного или декларативного, явного (формализованного) или неявного (неформального), индивидуального или коллективного, то мы при определении ВЗ исходим из других предпосылок.
Одно из главных свойств интеллекта - умение распознавать и объяснять зависимости и связи между различными объектами, способность выявлять аналогии и делать выводы. На этом и базируется наш подход, основанный на описании целей связей между элементами знаний.
При описании связей между элементами интересны не только причины этих связей (почему?)1, но и цели этих связей (для чего?)2.
Если вы предлагаете решение какой-то комплексной задачи в рамках исследовательского или прикладного проекта, вы объясняете не только ключевые элементы решаемой проблемы, но и взаимосвязи между ними. При этом тривиальное отображение связей между элементами зачастую
1 Объяснение причины связи между элементами
2 Для решения какой задачи существенна эта связь?
недостаточно для того, чтобы получатель знаний полностью понял и принял логику предлагаемого решения. Необходимо не только указать причину взаимосвязи, но и ее цель - т. е. для решения какой задачи наличие избранной связи является важным. Объяснение причины и целей взаимосвязи имеет прямое отношение именно к конкретной решаемой задаче, т.е. зависит от контекста. При этом следует отметить многозначность этих связей: одни и те же элементы могут быть связаны в контексте одной проблемы и совершенно не зависимы друг от друга при рассмотрении другого вопроса, так же как и цели этих связей меняются в зависимости от рассматриваемой задачи.
Суммируя выше сказанное, наш подход в предлагаемом ниже определении визуализации знаний базируется на описании причин и целей всевозможных связей между различными элементами - ориентированная на цели визуализация знаний (purpose-driven knowlegde visualization), не забывая при этом об их гибкости и многозначности.
Визуализация знаний - это набор графических элементов и связей между ними, используемый для передачи знаний от эксперта к человеку или группе людей, раскрывающий причины и цели этих связей в контексте передаваемого знания.
Исходя из определения, носитель знания может быть как человек, так и артефакт, в то время как получатель знания человек или группа. Визуализация должна представлять конкретную проблему или задачу (например: анализ бизнес-процессов, структура организации) и отвечать на вопрос: для чего, для решения какой проблемы необходима предлагаемая передача знаний?
Связи и взаимосвязи (однонаправленные или двунаправленные) можно рассматривать (и соответственно объяснять) не только между различными элементами знаний, но и между группами таких элементов (рис. 1).
Рис. 1. Связи между элементами и группами элементов
Как уже было отмечено, связи между элементами рассматриваются с разных перспектив:
• «почему» - причина конкретной зависимости;
• «цель» - для чего важны эти связи? Какие проблемы можно решить, исходя из представленного знания.
Формально ВЗ можно описать следующим образом:
Кпоч^Уй = Р (Е, Б, Р),
где Е - множество элементов (различные графические элементы, такие как таблицы, диаграммы, деревья и т.д.);
Б - множество связей между различными элементами;
Р - цели этих связей.
Связи могут быть одно- или двунаправленными, представлять различные уровни зависимости или влияния между элементами. Например. в трёхступенчатой модели можно различать «сильную», «среднюю» и «слабую» связь. Последний параметр нужен для того, чтобы иметь возможность сконцентрироваться лишь на определённых (наиболее сильных) связях между элементами (рис. 2). Эта возможность важна как для передающего, так и для принимающего знания.
а)
Рис. 2. Отбор связей между элементами
а) - полный набор, б) - выборка наиболее сильных связей
б)
Как уже указывалось выше, визуализация знаний должна объяснять цели изображаемых связей между элементами. Однако это не означает, что получателю знания навязывается единственное правильное применение передаваемого знания. Прилагаемые объяснения лишь показывают, как носитель знания предлагает его применить. Эти объяснения помогают получателю знания, используя аналогии, ассоциации, интеллект и т. д. принять свое индивидуальное решение, применить полученное знание по своему усмотрению. Разумеется, эффективность визуализации, а, следовательно, и возможность применения полученного знания зависит от многих факторов, среди них выбор метода визуализации (таблицы, процессы, схемы и т.д.), ясность причин и целей этих связей, интеллектуальный потенциал получателя (его способность мыслить абстрактно, логично), опыт в конкретной области, умение и желание учиться.
Пример обсуждаемой выше визуализации изображен на рисунке 3. Представленные меню (комментарии) объясняют причину и цели указанных связей. При реализации предлагаемой модели, чтобы не переполнять визуализацию и не мешать восприятию передаваемого знания, эти комментарии следует лишь показывать как контекстное меню, например, после щелчка мыши по интересуемой связи.
Какие преимущества можно отметить у предлагаемой концепции визуализации в принципе? Во-первых, она облегчает восприятие знаний и позволяет рассматривать проблемы с разных сторон, предлагать новые перспективы. Во-вторых, визуализация облегчает процесс обучения (например, большая запоминаемость вследствие интеграции полученных знаний в структуру уже имеющихся). Кроме того, объяснение причин и целей связей между элементами стимулирует креативные процессы - логические выводы и ассоциации.
Некоторые популярные модели визуализации часто связывают с визуализацией знаний, хотя с ней они имеют мало общего.
Гиперболические деревья
Один из примеров - гиперболические деревья. Эта модель была предложена Lamping в 1995 году (Lamping et al. 1995). С помощью таких деревьев можно отображать структуры с существенно большим количеством узлов (вершин), чем на классических двумерных деревьях. Эта техника, называемая «рыбьим глазом», базируется на свойствах неевклидовой геометрии и позволяет видеть в одно и то же время, как общую структуру всего дерева, так и детали какой-нибудь избранной части. Перенося избранный узел (вершину), пользователь может увидеть детали любой интересующей части структуры, не теряя при этом обзор всей структуры. При приближении к границам дерева, количество вершин структуры стремительно увеличивается.
3 В этом, как и впоследующих рисунках, использована английская терминология и сокращения (КЕ - элемент знания), что связано с проектной документацией и реализацией програмного обеспечения
Рис. 3. Визуализация знаний, ориентированная на цели
Главное преимущество этой техники - возможность быстро отыскать интересующую часть структуры, а также интуитивная и плавная анимация.
Серьёзный недостаток модели состоит в том, что связи между вершинами носят структурный, топологический, а не содержательный, семантический характер. Гиперболические деревья помогают эффективно визуализировать многоуровневые структуры. Объяснение же причин и целей (взаимо)связей между элементами таких структур не входит в их задачу. Для применения этой технологии при решении задач потребуются опыт, знания и интеллектуальные способности пользователей - в данном случае речь идет о визуализации информации, но не знаний.
Рис. 4. Гиперболические деревья
Концептуальные карты
Наш подход имеет определённую общность с «картой представлений» Новака (Novak et al. 1984). Автор определяет её как средство представления знаний, которое содержит набор понятий (в основном, заключенных в круг или прямоугольник) и набор связей между этими понятиями с соответствующими метками (в основном, глаголы или предлоги). Ключевое же различие с нашей моделью состоит в том, что Новак не объясняет ни причин указанных связей, ни их целей.
Электронное обучение (E-Learning) с помощью визуализации знаний
Как наиболее эффективно передать знания студенту, ученику? Под «эффективностью» передачи знания следует понимать способность ученика не только повторить пройденный материал, но также и понимание им фундаментальных идей передаваемых знаний и умение обобщать и применять эти знания при решении конкретных задач. Различные концепции в педагогике, такие как когнитивизм, а также более распространенный в последнее время конструктивизм (ассоциирующийся с обучением на практике с «learning by doing») предполагают различные подходы для повышения эффективности обучения. С одной стороны в век Интернета процесс передачи знаний и информации существенно упрощается. С другой же стороны указанные выше педагогические концепции должны быть заново «переложены» на язык телекоммуникаций, чтобы получить возможность для их применения в электронном обучении (e-Learning).
Следуя позиции, представленной выше, визуализация знаний - как мы ее понимаем -повышает эффективность передачи знаний. Поэтому вопрос о повышении эффективности обучения можно переформулировать в проблему, как соединить в единое целое концепции и методы управления знаниями с реализацией электронного обучения на основе конструктивизма.
В последние десятилетия процесс обучения, основанный на идеях конструктивизма и ситуативного подхода, получил широкое распространение. Способствовали тому и классические работы Пиаже, Брунер, Выготского и др. ученых (Kerres 2001, Schulmeister 1997). В педагогической теории описывается, каким образом должен осуществляться процесс обучения. Не вдаваясь в детали, можно сказать, что конструктивизм предполагает ученика активным участником обучения, который формирует («конструирует») свое знание самостоятельно, что часто называется практическим обучением. Каким образом визуализация знаний может быть применима для реализации этого подхода в электронном обучении? Перед тем, как ответить на этот вопрос, опишем список основных принципов конструктивизма в педагогике (Schulmeister 1997). Это позволит проанализировать возможность их реализации в электронном обучении, основанном на конструировании знания и на открывающем обучении (discovery learning - метод обучения предполагающий, что обучении происходит лучше, быстрее и эффективнее, если ученики сами участвуют в решении проблемы и «добывают» либо «открывают» необходимые им знания):
• знание должно быть сформировано исходя из опыта, накопленного при решении конкретной или аналогичной проблемы;
• материал не должен быть разбит на отдельные независимые модули и секции, а должен быть представлен как единое целое;
• обучающийся может сам управлять процессом обучения. При этом выбранный «путь» обучения, зависящий от каждого ученика, вовсе не должен быть линейным, последовательным, в отличие от классической парадигмы;
• сами обучающиеся являются активными игроками в этом процессе;
• обучающимся предлагаются не общие абстрактные модели, а решения конкретных задач. Ученики же в свою очередь сами формулируют свое понимание вопроса, исходя и представленных примеров, основанных на реальных ситуациях.
Как уже отмечалось, обучение не должно носить модульный характер, т. е. состоять из сравнительно независимых блоков. При реализации этой идеи в электронном обучении, студенту предоставляется возможность начинать обучение с любого исходного пункта и самому определять последовательность прохождения материала. Это означает, что предлагаемые темы должны быть связаны ссылками (гиперссылками) друг с другом. Таким образом, можно осуществить на практике упомянутый выше принцип открывающего обучения. Однако при этом возникает следующая проблема. Классическое содержание учебного курса или книги (пусть даже и электронной) представляет собой двумерную структуру (страницы или слайды) с главами, секциями, параграфами
и т.д., которые необходимо проходить в определённой последовательности. На экране же возможно видеть лишь часть структуры курса, а не все дерево, состоящее обычно из нескольких десятков параграфов. Таким образом, не представляется возможным сразу получить детальный обзор всего курса - даже краткое содержание имеет существенно больше чем 50 строчек.
Чтобы решить эту проблему, на помощь приходят описанные выше гиперболические деревья, позволяющие отображать значительно большие структуры. Уже есть немало программных продуктов, реализующие эту технику „details-on-demand“ (детали по требованию), например, InXight (inxight 2008).
Такая технология - довольно гибкая: узлы гиперболического дерева могут представлять различные темы, понятия, концепции, да и вся структура вовсе не обязана быть деревом в классическом определении (граф без циклов), а может быть просто набором тем и ссылок между ними. С помощью „drag-and-drop“ ученик, имеет возможность сам определять интересующие его темы, не теряя из поля зрения весь курс, и тем самым определять свой индивидуальный процесс обучения.
Приведём детали процесса передачи знания, помещенного в отдельный узел (примером может послужить конкретная проблема, концепция, понятие), используя визуализацию знаний в рамках нашего подхода при преподавании, основанном на конструктивизме.
Рассмотрим следующие 2 сценария: «заякоренный» процесс обучения (anchored e-learning) и модель «мастер-подмастерье» (cognitive aprenticeship).
«Заякоренный» процесс
Эта модель базируется на принципе, что обучение должно быть основано на решении конкретных проблем и ситуаций, заимствованных из «реального мира», т.е. требует так называемую «привязку» к реальной ситуации. Отсюда идет и название подхода. Часто при его реализации используются аудио- и видеоматериалы. Реальный контекст требуется для того, чтобы обучающиеся самостоятельно могли обнаружить недостающие им для решения проблемы знания. Классический пример «заякоренного» процесса - это «Приключения Ясперса Вудсбери», что представляет собой набор задач для школьников (Jasper 2008).
Как можно реализовать этот подход в электронном обучении? Ниже приведён пример (сценарий) соответственной реализации (рис. 5).
Экран поделен на 2 части:
• в левой части экрана представлен материал в видео-, аудио- и/или текстовом формате;
• рабочая часть экрана представляет собой программное решение для визуализации знаний, позволяющее создавать элементы знаний, определять связи между ними, а также комментарии, объясняющие цели и причины этих связей.
Рис. 5. Использование визуализации знаний в электронном обучении
Ряд видео- или аудио-клипов, а также тексты в левой части экрана представляют элементы знаний, требуемых для изложения проблемы. Визуальное представление знаний в конкретном примере может быть реализовано как автоматически - ученик воспринимает предварительно подготовленную схему и видит отображение основных понятий в графические элементы, так и вручную - путем выбора необходимых элементов знаний самим обучающимся.
Если ученик не уверен в правильности своего варианта решения, он может или воспользоваться подсказкой, как это делается, например, при игре с компьютером в шахматы, или вывести на экран все предварительно подготовленное решение целиком. Принцип «открывающее обучение» может быть в дальнейшем реализован так: программа отображает все элементы знаний, однако не отображает связи между ними. Если ученик хочет узнать, есть ли связь между какими-то двумя элементами, ему достаточно навести один элемент на другой - всплывающее окно либо содержит объяснения о причинах и целях этой связи, либо указывает на то, что в данном контексте, эта связь незначительна и может быть опущена.
Модель «Мастер-подмастерье»
В данном подходе речь идет о методе обучения, аналогичном обучению какому-нибудь ремеслу (например, слесарное дело, шитье) под руководством мастера. Обучающийся перенимает навыки мастера, наблюдая за ним в процессе работы. Затем ученик пытается имитировать поведение мастера, который играет роль наставника и тренера.
При реализации этой модели в электронном обучении, процесс разбивается на 4 этапа.
1. Эксперт формулирует проблему. Проблема вместе с основными идеями (элементами) отображаются с помощью программы (автоматически или с помощью эксперта).
2. Эксперт предлагает свое решение. Это означает, что вместе с элементами отображаются связи между ними, а также цели и причины этих зависимостей.
3. Первые два шага могут быть повторены несколько раз разными экспертами или одним экспертом, исходя из различных перспектив. Таким образом ученики получат решения задач в разных контекстах. Это помогает найти общие элементы для всех решений и применить полученные знания (при наблюдении за решением) в новой задаче самостоятельно.
4. Далее эксперт дает новую задачу, которая уже должна быть решена учеником самостоятельно. Используя программу, ученик отображает элементы и с его точки зрения правильные связи между ними, объясняет эти связи (как комментарий). В заключение ученик может сравнить свое решение с решением предлагаемым экспертом (а не навязанным) экспертом.
Пример: теорема Пифагора.
Первый шаг: «Мастер» (в данном случае программа) задает проблему в виде реальной ситуации с помощью видео-, аудио-, графических элементов или текстов (аналогично примерам в «Приключениях Ясперса Вудсбери»). Элементы знаний в предлагаемом сценарии будут отображаться на правой стороне экрана. В нашем примере, элементы знаний - это прототипы понятий: катет, гипотенуза, прямой угол. Связь с реальной ситуацией позволяют установить в нашем примере такие понятия, как тень дерева (катет), расстояние от дома до ручья (катет), перекресток (прямой угол), поворот направо (прямой угол), кратчайший путь (гипотенуза) и т.д. Первый шаг, описанный здесь, представлен на рисунке 6.
Рис. 6. Первый шаг в примере теорема Пифагора
Второй шаг: Эксперт предлагает решение. Программное приложение показывает все связи между элементами, объясняет их, и подчеркивает при этом в тексте ключевые слова, на которых основываются эти элементы знаний. Ученик может активизировать всплывающие окна с объяснениями, почему элемент «катет» связан с элементом «гипотенуза» (рис. 7).
Рис. 7. Второй шаг - решение, предлагаемое экспертом
Если ученик не уверен в том, что он готов решить последующую задачу самостоятельно, он может повторить первые два этапа.
Третий шаг: Теперь ученик в состоянии решить задачу самостоятельно. Он сам подбирает элементы и связи между ними.
Четвёртый шаг: Ученик сравнивает свое решение с решением эксперта (программы) (рис. 8).
STEP 4: Learner's Solution /Comparison with the ___________ Expert's Solution
Рис. 8. Четвёртый шаг - решение ученика и последующее сравнение
Гибкость визуализации знаний: 3 уровня визуализации
В описанном выше сценарии визуализации знаний, основными параметрами визуализации были элементы и связи между ними. Программное обеспечение, реализующее этот подход, позволяет также разделять 3 уровня «жесткости» (или гибкости) решений - их число соответствует двум степеням свободы (элементы и связи), имеющимися в системе.
Неизменяемое (жесткое) решение
Элементы и связи между ними неизменяемы в программе. Решение проблемы с помощью визуализации предлагается на «безальтернативной основе», т.е. без возможности дальнейшего изменения решения. Такой вид визуализации может быть использован в «заякоренном» процессе, описанном выше, где подразумевается единственное верное решение.
Решение с изменяемыми связями
Этот уровень предполагает существование нескольких решений рассматриваемой проблемы, однако все эти решения базируются на одном и том же множестве элементов. Отличие решений друг от друга заключается в использовании и соответствующем отображении различных связей между элементами или в различных обоснованиях этих связей.
Пример визуализации на этом уровне представлен на рисунках 9 и 10.
Первый шаг - эксперт предлагает решение (рис. 9).
Рис. 9. Предложение эксперта для решения задачи
Второй шаг - используя тот же набор элементов, ученик предлагает собственное решение (рис. 10).
Рис. 10. Предложение ученика, используя тот же набор элементов знаний Решение с изменяемыми связями и элементами
Этот уровень предполагает возможность совершенно различных (включая и не предусмотренные) решений рассматриваемой проблемы. Такой тип визуализации может быть использован, например, в модели «мастер-подмастерье».
Пример визуализации в такой ситуации:
- первый шаг повторяет предыдущий пример, предлагая решение эксперта (рис. 11).
Рис. 11. Предложение эксперта для решения задачи (аналогично рис. 9)
- второй шаг - решение ученика может быть основано на отличающихся связях, а также на отличающихся элементах (рис. 12).
Рис. 12. Предложение ученика для решения задачи
Стимуляция творческой мысли
Указанные выше уровни визуализации позволяют дозировать стимулирование способностей к творческому мышлению, исходя из интеллектуального потенциала конкретных учеников. Чем выше уровень «свободы» при выборе параметров визуализации (элементов и связей), тем больше самостоятельности требуется при решении задач. В таблице, представленной на рисунке 13, показана взаимосвязь между уровнем визуализации, гибкостью возможных решений и различными концепциями их практического применения. Здесь рассматриваются в первую очередь приложения в электронном обучении.
Level of flexibility Possible problem solutions Applications
Both knowledge elements and connections with explanations cdn be changed
Knowledge elements are fixed, but connections are changable
Both knowledge elements and connections can't he changed
©© ©© ©О ®© © ® ® ®© © ©Ф 2.
Solution 1 Solution 2 Solution 3 Solution 4
©© © © | |ф©| ®© | © © | I ® © ®© | © © ©© © © ©©
Solution 1 Solution 2 Solution 3 Solution 4
* bxchange of exper t solutions
• E Learning (cognitive apprenticeship)
• Г-I earning (cognitive apprenticeship)
Onlyone solution
* E Learning (anchored learning)
Рис. 13. Гибкость предложенной модели и стимуляция творческой мысли
Самостоятельность при визуализации стимулирует творческий подход при решении задач, особенно в условиях, где нет единственного правильного ответа, или этот ответ еще неизвестен. На рисунке 14 изображен постулат, что чем больше предлагается возможностей при визуализации знаний, тем сильнее проявляется творческий потенциал при решении проблем.
Рис. 14. Гибкость визуализации и творческий потенциал
Заключение
И в заключение перечислим функциональные параметры программной оболочки для визуализации знаний.
• Редактор элементов знаний и п-мерных связей между ними в соответствии с различными приложениями используемого знания.
• Гибкое редактирование параметров/атрибутов этих связей для определения взаимозависимости между отдельными элементами.
• Определяемая контекстом визуализация избранной взаимозависимости при анализе конкретных ситуаций .
• Открытие контекстного меню с различными предварительно сформулированными взаимозависимостями между избранными элементами знаний.
• Возможности применения полученных решений и соответствующих концепций как на более общем, так и на специальном уровнях рассматриваемых структур.
Новый подход визуализации знаний, описанный в настоящей статье, представляет одну из основополагающих платформ для эффективной передачи знаний. В отличие от других решений, данный подход ориентируется на цели взаимосвязей между элементами знаний. Следуя предлагаемому методу, при визуализации комплексных структур необходимо не только графически представлять элементы (знаний) и связи между ними, но и предлагать многоуровневое объяснение этих связей в зависимости от преследуемых целей.
Ориентированная на цели интеграция контекстной визуализации связей между элементами знаний существенно улучшает процесс передачи знаний от носителей (учителей) к получателям (ученикам).
Литература
[Adventures, 2008] “The Adventures of Jasper Woodbury” / Internet -http://peabodv.vanderbilt.edu/proiects/funded/iasper/preview/AdvJW.html
[Bodrow, W., Fuchs-Kittowski, K., 2004] Bodrow, W., Fuchs-Kittowski, K. Wissensmanagement in der Wissenschaft, In: Fuchs-Kittowski, K., Umstatter, W., Wagner-Dobler, R., (Hrsg.):
Wissenschaftsforschung Jahrbuch 2004, Berlin 2004.
[Bodrow, W., Magalashvili V., 2007a] Bodrow, W., Magalashvili V. IT-based purpose-driven knowledge visualization. Proceedings of ICSOFT 2007, Barcelona 2007, pp 194-197
[Bodrow, W., Magalashvili V., 2007b] Bodrow, W., Magalashvili V. Knowledge Visualization in IT-based Discovery Learning, In: Proceedings of e-Learning Conference, Istanbul 2007, pp 125-129 [Bodrow, W., Magalashvili V., 2007c] Bodrow, W., Magalashvili V. The Levels of Flexibility in a purpose-driven knowledge visualization, In: Proceedings of ITE 2007, Bangkok 2007, pp 68-71 [Burkhard, R., 2005] Burkhard, R. Towards a Framework and a Model for Knowledge Visualization: Synergies between Information and Knowledge Visualization In: Tergan, S., Keller, T. (eds.): Knowledge and Information Visualization: Searching for Synergies, Berlin 2005
[Canas, J., Carff, R. et al., 2005] Canas, J., Carff, R., Hill, G., Carvalho, M., Arguedas, M., Eskridge, T., Lott, J., Carvajal, R. Concept Maps: Integrating Knowledge and Information visualization, In: Tergan, S., Keller, T. (eds.): Knowledge and Information Visualization: Searching for Synergies, Berlin 2005 [Card, S. K., Mackinlay, J. D., Scheiderman, B., 1999] Card, S. K., Mackinlay, J. D., Scheiderman, B. Readings in Information Visualization; Using Vision to Think, San Francisco 1999.
[Chen, C., Geroimenko, V., 2003] Chen, C., Geroimenko, V. Visualizing the Semantic Web: XML-Based Internet and Information Visualization, London 2003
[Davenport, T. H., Prusak, L., 1998] Davenport, T. H., Prusak, L. Working Knowledge, Cambridge 1998 [Drosdol, J., Frank, H.-J., 2005] Drosdol, J., Frank, H.-J. Information and Knowledge Visualization in Development and Use of a Management Information System (MIS) for Daimler Chrysler, In: Tergan, S., Keller, T. (eds.): Knowledge and Information Visualization: Searching for Synergies, Berlin 2005 [Eppler, M., Burkhard, R., 2004] Eppler, M., Burkhard, R. Knowledge Visualization - Towards a New Discipline and its Fields of Application. Working Paper of NetAcademy on Knowledge Media, St.Gallen 2004
[Fayyad, U., Grinstein, G. Wierse, A., 2002] Fayyad, U., Grinstein, G. Wierse, A. Information Visualization in Data Mining and Knowledge Discovery. Academic Press 2002
[Holsapple, C. W., 2003] Holsapple, C. W. (Ed.) Handbook on Knowledge Management 2 Knowledge Directions, Berlin 2003
[Holsapple, C. W., 2007] Holsapple, C. W. (Ed.) Handbook on Knowledge Management 1 Knowledge Matters, Berlin 2007
[inxight, 2008] Transforming text into actionable information / Internet - http ://www.inxight.com/
[Kerres, M., 2001] Kerres, M. Multimediale und telemediale Lernumgebungen, Munchen 2001
[Lamping, J., Rao,] R.Lamping, J., Rao, R. Visualizing Large Trees Using the Hyperbolic Browser
http://acm.org/sigchi/chi96 /proceedings/ videos/Lamping/hb-video.html
[Maier, R., 2004] Maier, R. Knowledge Management Systems 2nd Ed., Berlin 2004
[McInerney, C., Day, R., 2007] McInerney, C., Day, R. (Eds.): Rethinking Knowledge Management,
Berlin 2007
[Mertins, K., Heisig., P., Vorbeck, J., 2003] Mertins, K., Heisig., P., Vorbeck, J. (Eds.): Knowledge Management: Concepts and Best Practices 2nd Ed., Berlin 2003
[Nonaka, I., Takeuchi, H., 1995] Nonaka, I., Takeuchi, H. The Knowledge Creating Company, New York 1995
[North, K., 2005] North, K. Wissensorientierte Unternehmensfurung 4th Ed., Wiesbaden, 2005 [Novak, J. D., Gowin, D. B., 1984] Novak, J. D., Gowin, D. B. Learning How to Learn, New York Cambridge 1984
[Probst, G., Raub, S., Romhardt, K., 2006] Probst, G., Raub, S., Romhardt, K. Wissen managen 4th Ed., Wiesbaden 2006
[Schulmeister, R., 1997] Schulmeister, R. Grundlagen hypermedialer Lernsysteme, 2 Aufl. Munchen 1997 [Tergan, S., Keller, T., 2005] Tergan, S., Keller, T. (Eds.): Knowledge and Information Visualization: Searching for Synergies, Berlin 2005
