CC BY
51
Вахов А.Н.1, Зотова Е.А.2, Коломoец И.В. 3, Рыжов А.П. 4, Шварц А.Ю. 5
1 OOO "Uchi.ru", г.Москва, технический директор, vakhov@uchi.ru 2 OOO "Uchi.ru", г.Москва, операционный директор, zotova@uchi.ru 3 OOO "Uchi.ru", г.Москва, генеральный директор, kolomoetz@uchi.ru
4 Российская академия народного хозяйства и государственной службы при Президенте РФ, г.Москва, д.т.н., профессор, заведующий кафедрой "Системы управления бизнес-процессами"
ryjov@mail.ru
5 Московский государственный университете им. М.В. Ломоносова, г.Москва, к.п.н., с.н.с. лаборатории «Психология профессий и конфликта» , shvarts.anna@gmail.com
ПЛАТФОРМА UCHI.RU: ОПЫТ РАЗРАБОТКИ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
КЛЮЧЕВЫЕ СЛОВА
Обучающие системы, обучение математике, персонификация, адаптация, математическое образование.
АННОТАЦИЯ
В статье обсуждаются тренды развития обучающих систем. Рассматривается структура и основные принципы их адаптации и персонификации процесса обучения. Основные положения иллюстрируются
Понятие компьютерных обучающих систем возникло практически одновременно с понятием искусственного интеллекта и претерпело значительную эволюцию одновременно с развитием компьютерных технологий. В данной статье мы не имеем возможности провести такой исторический экскурс; заинтересованному читателю можно порекомендовать работу [1], где эти вопросы достаточно детально обсуждаются. Однако, нельзя не отметить глобальных изменений, происшедших в последние время и происходящих сейчас. Наиболее ярко они представлены в работах McKinsey Global Institute (MGI) [2, 3]. Авторы одного из наиболее авторитетных аналитических институтов, изучая влияние более 100 технологий на развитие экономики и общества, пришли к следующим заключениям:
1. Наиболее важными являются технологии, представленные на рис. 1 [2]. Там же представлены оценки экономического вклада технологии в 2025 году; с методикой расчета эффективности можно ознакомиться в [3].
2. Технологии автоматизации интеллектуальной деятельности (годовой вклад в экономику 2025 года от 5,2 до 6,7 триллионов долларов США в текущих ценах) в первую очередь обеспечат новые способы обучения на базе интеллектуальных систем и big data (рис. 2).
Основным аргументом в пользу такого влияния обучающих систем на экономику авторы видят всеми нами осознаваемое противоречие: исчезновение массовых специальностей (машинистки, операторы ЭВМ и пр.) и появление новых (потребность - сотни тысяч/ миллионы рабочих мест) с одной стороны и практическое отсутствие развития технологий обучения - с другой. Имеется ввиду не замена мела и деревянной доски на компьютер и интерактивную доску, а принципиальные новшества, соразмерные вызовами современной экономики. Более подробно с этим можно ознакомиться в лекции доктора биологических наук, доктора филологических наук, профессора СПбГУ Черниговской Т.В. [4].
Сложившийся к настоящему времени ландшафт направления компьютерных обучающих систем (Ed Tech в англоязычной терминологии) наиболее полно представлен в [5].
A gallery of disruptive technologies
Eallmetad pc-tenl'п I economic Impact or 1m hnoioq i04 ¿cross sued spplicallons =n Î02S S 1n mn, Bmual
01 Î34S6T$9 10 11
1, Mcbi's ImemeL
2, Aiitcftifiiicii oi к.пол!edge лот
3, Inlemel ol Things
4, OtOud
5, ¿tranced roboUcs
T. Ne*1gererj1ion gencmics
9. Energy storage
9. 3-D prinlog
10, Aduanced maierieis
11. Atijancedo and gas- экркхаИол aod гвствгу I Ii Аелелжие ■energy
SOLACE: м?ктиу InrtM*
MQrtwen Щ114 "nu4D«onemii inifLii.i Himnlii.wonet »mpmhensn*pdwilifll (Яче! »Пул ГЧЯ
|(0*»л| ODPöf '/JrtWi). Ьл «onemfc pourtlin.rfwwüaieiutfvi* TU* Hüilhrt tü« ei iKtmfllöüT -OiHW«
Л IWI Mffflhutt л iiS40 * W» t)6 rWL üilifflHy [Ь* КЯП [пЬЧЛ. t/< ivphi IW4 er «л^ал!« &
«пзшчп. |h z vruu d Apord йп отогртф pciflhre dynirtCT глЗ Cmhjihks TOiWi. kVKMVDf. Ihr -ore rat dUvdly «№гл1 vn«
soma apptcdlnna arcbbr vjlue di^m? nie ovriijpprgaziotticcI-naiDq«. F-™iy. IfwyajvwC'MlyprA-arprababilCy-adluaLed.
Рис.1. Список прорывных технологий по версии MG1
Automation of knowledge work
Intelligent software systems that can perform
knowledge-work tasks
Potential economic impact in 2025 across sized applications of $5.2 trillion—$6.7 trillion
Additional labor productivity could equal the output of 110 million-140 million full-time workers
Component technologies Key applications
• Artificial intelligence, machine learning • Smart learning in education
• Natural user interfaces • Diagnostics and drug discovery in health care
• Big-data technologies • Discovery, contracts/patents in legal sector
• Investments and accounting in finance sector
Рис.2. Основные параметры технологии автоматизации интеллектуальной деятельности На верхнем уровне выделяются инструменты системы для:
• Студентов;
• Преподавателей;
• Учебных заведений и предприятий.
Дальше предлагается следующая классификация: Для студентов:
• Агрегаторы - компании, предоставляющие доступ к контенту. Выделяют:
• Discovery - помогают найти контент;
• Accredited Programs - компании с признаваемой степенью;
• Провайдеры - компании, которые создают контент. Наибольшее распространение:
• Иностранные языки;
• Хобби;
• Навыки 21 века;
• Comprehensions - компании - разработчики инструментов для помощи учить и учиться. Наибольшее распространение имеют:
• Tutoring - помогают студентам учиться ;
• Игры как форма обучения.
• Поставщики контента - компании, доставляющие контент до студента. Часто относят поставщиков:
• Учебников (для традиционного контента);
• Устройств (для цифрового контента);
• Финансовые сервисы (текущий объем - более 1 триллиона долларов США). Для преподавателей:
• Classroom Management
о In-class administration - стандартный набор рутинных операций по управлению процессом обучения;
о Student Analytics/ Reporting - набор стандартных аналитических инструментов, позволяющих понимать и визуализировать прогресс в обучении студента/ класса/ школы и т.п.
• Curriculum
о Организация учебного материала в виде курса; о Поиск и создание учебного материала/ контента;
• Professional Development - инструменты обучения учителей Для учебных заведений и предприятий:
• Back office. Обычно включают в себя:
о Staffing and Professional Assessment - кадровое управление и оценка
преподавательского состава; о Финансовый сервис (в основном, привлечение денег); о Student Information Systems - управление данными по студентам; о Learning Management Systems - управление процессом обучения;
• Front office. Обычно включает:
о Recruiting and Enrollment - нахождение и удержание студентов;
о Online Distribution - системы, позволяющие синхронизировать on-line и off-line обучение;
о Learning Content - репозиторий учебных материалов; 0 Credentialing - технологии учета и валидации достижений в обучении. Поэтому когда мы говорим о компьютерных технологиях в образовании, необходимо уточнение - все перечисленное может быть отнесено к таким технологиям. Ниже мы будем говорить только об обучающих системах - системах для студентов, помогающих эффективно усваивать необходимый учебный материал. И последнее необходимое уточнение - аудитория. Выделяют школьное образование (иногда с включением дошкольного), высшее образование и профессиональное/ корпоративное дополнительное образование; иногда добавляют раздел «навыки/ увлечения/ хобби» - это что-то не связанное с профессиональной деятельностью - охота, фотография и пр. Ясно, что у каждой аудитории много специфики, и соответствующие системы отличаются существенно. Ниже мы будем говорить только о школьном образовании - основном бизнесе и главной компетенции компании Uchi.ru.
Uchi.ru — это онлайн платформа, где ученики начальной школы изучают математику в интерактивной форме. Весь курс разложен на более 700 взаимосвязанных интерактивных заданий по всем темам математики начальной школы, разработанных профессиональными методистами в соответствии с учебной программой. Подход к обучению базируется на данных современных исследований российского [15] и зарубежного [21] математического образования и включает в себя принцип множественных репрезентаций [16], принцип активности ученика, особое внимание уделяется развитию теоретического восприятия [19].
В настоящее время (по состоянию на середину октября 2015 г.) услугами компании пользуются более 180 000 школьников (около 3% всех школьников РФ соответствующих классов), более 20 000 учителей, работающих в 8 000 школах РФ. Решено более 2 000 000 заданий, причем половина - с сентября 2015 года. Таким образом, Uchi.ru является лидером своего сегмента в России.
Особенностью программного обеспечения системы Uchi.ru является возможность сбора и накапливания всей возможной информации о поведении ученика в процессе решения задач: время решения, количество правильных ответов, характеристики не правильных ответов и др. Мы понимаем, происходит поиск правильного решения целенаправленно или случайным образом, насколько ученик внимателен, степень утомления («играется» ли он мышкой, например). Накопленные данные позволяют применять широкий набор инструментов анализа данных для оптимизации процесса обучения и его настройки для конкретного ученика (персонификации процесса обучения). Наработанные шаблоны и решения составят основу Smart learning in Education (рис. 2) или, более широко, «вычислительной педагогики», способной решать упомянутые выше вызовы современной экономики.
Минимальная верхнеуровневая архитектура, позволяющая решать подобные задачи, представлена на рис. 3.
Бниыатрпьмоспь Отпичнп
Скорость Очень .1LTKC ТИПЭМЛКИЙ Хорошо
бык6СЛм*б£ть ЩТ>ТН!> ПбеЛйДО&Ы^ЛьнМть Умиилигиирнп'льмо
CnpwS оорпйони Очень тяжело - ■ ■ Плоио
Тестирование t
го.
СИСТЕМА сценки Смстеия оценки Система Систем оцйнки
и исчитоуинга и мониторинга гоюрации ¡л мониторинга
принадлежности процессе сценарии качества
к классам обучения обучения обучение
t т
Обучение{первичные измерения)
Рис.3. Минимальная верхнеуровневая архитектура
На основе первичных измерений и экспресс-тестов система оценивает принадлежность конкретного ученика к классам по параметрам Внимательность, Скорость обработки информации, Выносливость, Способ обработки информации (аудио-, видео-, смешанный). Первые два параметра являются более подвижными и зависимыми от ряда факторов (от настроения ученика до атмосферного давления), вторые два - более стабильными. Поэтому нужна не только система распознавания или оценки принадлежности к классам, но и система мониторинга (динамическая составляющая распознавания). Заметим, что технология оценки и мониторинга сложных процессов применялись авторами для разработки соответствующих систем для различных областей от соблюдения международных договоров [6, 7] (заказчик - Международное Агентство по Атомной Энергии) до процессов разработки в микроэлектронике [8, 9] (заказчик - Cadence Design Systems, Inc. - лидер рынка САПР микроэлектроники). Математические и технологические основы таких систем, а также особенности разработки приложений достаточно подробно описаны, например, в [10,11].
Аналогичным образом осуществляется оценка и мониторинг процесса обучения конкретного ученика в данное время (рис. 3). На основе вычисленных принадлежностей к заданным классам и первичных измерений осуществляется управление процессом обучения. Управляемыми параметрами являются количество предлагаемых заданий одного типа; время, отведенное на выполнение задание, наличие объясняющих материалов; темы разрешенные для прохождения и ряд других, реализованных в различной степени в текущей версии системы.
Вннмптвпынддть
Скорость
выносливость СлосоБ обработки
Отлично
Очи* Тк п издании Xt-pouo
Штагно П«лодои»тв»цно<ть Удсшдчтпорнидльно
Очгм. тнжрпд ... Пяоло
"Т
Тестирование
t
Система Оценки Система оценки Система Система оценки
и мониторинга и мониторинга генерации и мониторинга
принадлежности npouewa -сценария качества
к классам а&учвмия Обучений обучвчич
t
Обучение [первичные измерения)
-
t
эценк и
1Ч0СКС нил
СП»4И4ЛьНыг При 60рь| _ ГаДяиОТы п
Экспевсе'твсты Датчики PC плаыилтл
Рис.4. Расширенная верхнеуровневая архитектура
В новых версиях мы будем расширять как состав собираемой информации, так и набор методов ее анализа. Состав собираемой информации может быть расширен за счет применения методов отслеживания направления взгляда (eye-tracking) [17, 18], health trackers и различных гаджетов, появляющихся систем оценки различных аспектов психофизического состояния человека (например, [12]), становящейся доступной специальной аппаратуры. Мы также апробируем компьютерные версии нейропсихологических тестов, позволяющие оценивать состоянии соответствующих функций, которые в дальнейшем сделают обучение еще более специализированным в зависимости от нейропсихологического профиля [20]. Расширенная верхнеуровневая архитектура представлена на рис. 4.
Отметим, что в рамках описанных подходов возможна разработка оптимальных систем персонификации процесса обучения. Подходы к такого рода оптимизации описаны в [13, 14], однако их полноценное использование требует проведения дополнительных работ.
Авторы надеются, что изложенные факты и представленные результаты будут интересны и полезны для специалистов по компьютерным обучающим системам, а также привлекут внимание специалистов в области интеллектуальных систем и big data к этой интенсивно развивающейся, перспективной и востребованной области.
Литература
1. Алисеичик П.А., Вашик К., Кнап Ж., Кудрявцев В.Б., Строгалов А.С., Шеховцов С.Г. Компьютерные обучающие системы. Интеллектуальные системы, Т.8, 2004 г. с. 5-44.
2. A gallery of disruptive technologies -http://www.mckinsey.cOm/assets/dotcom/mgi/slideshows/disruptive_tech/index.html#
3. James Manyika, Michael Chui, Jacques Bughin, Richard Dobbs, Peter Bisson, Alex Marrs. Disruptive technologies: Advances that will transform life, business, and the global economy. McKinsey Global Institute (MGI), May 2013, 176 p. -http://www.mckinsey.com/insights/business_technology/disruptive_technologies Черниговская Т.В. Как научить мозг учиться? http://www.youtube.com/watch?v=nEGmdlJEr8M
Ed Tech Market Map by Flybridge Capital Partners on 25 September 2015. https://prezi.com/xguky7u7aur6/ed-tech-market-map /
Ryjov A., Belenki A., Fattah A., Hooper R., Pouchkarev V., Zadeh L.A. Development of an Intelligent System for Monitoring and Evaluation of Peaceful Nuclear Activities (DISNA) Volume 1: Conceptual Model. IAEA, STR-310, Vienna, 1998, 122 p. Fattah A., Pouchkarev V., Belenki A., Ryjov A., Zadeh L.A. Application of Granularity Computing to Confirm Compliance with Non-Proliferation Treaty. In: Data Mining, Rough Sets and Granular Computing. Tsau Young Lin, Yiyu Y. Yao, L.A. Zadeh (Eds.). Physica-Verlag Heidelberg, 2002, p. 308-338.
Lebedev A.A., Ryjov A.P. Design team capability and project progress evaluation based on information monitoring technology. 5th International Conference on Soft Computing, Computing with Words and Perceptions in System Analysis, Decision and Control. 2-4 September 2009, Famagusta, North Cyprus, pp. 48-52.
Лебедев А.А., Рыжов А.П. Оценка и мониторинг проектов разработки высокотехнологичных изделий на примере микроэлектроники. Интеллектуальные системы, Том 11, вып. 1-4, 2008, с. 55-82.
Ryjov A. Basic principles and foundations of information monitoring systems. In: Monitoring, Security, and Rescue Techniques in Multi-agent Systems. Barbara Dunin-Keplicz, Andrzej Jankowski, etc. (Eds.). Springer-Verlag, 2005, ISBN 3540-23245-1, ISSN 16-15-3871, pp. 147-160.
4.
5.
11. Рыжов А.П. Информационный мониторинг сложных процессов: технологические и математические основы. Интеллектуальные системы, Том 11, вып. 1-4, 2008, с. 101-136.
12. Смартфон определит депрессию точнее психолога. https://hi-tech.mail.ru/news/smartphones-and-depression/
13. Alexander Ryjov. Towards an optimal task-driven information granulation. In: Information Granularity, Big Data, and Computational Intelligence. Witold Pedrycz and Shyi-Ming Chen (Eds.). Springer International Publishing Switzerland 2015, pp. 191-208.
14. Рыжов А.П. Некоторые задачи оптимизации и персонификации социальных сетей. - Saarbrücken, LAP, 2015, 88 с.
15. Shvarts. A. Russian mathematics education: programs and practices (series on mathematics education, volume 5). Research in Mathematics Education, 3(15):318-323, 2013. [ DOI ]
16. Шварц А.Ю. Роль чувственных представлений в математическом познании и понимании математики. Психологические исследования: электронный научный журнал, 17(3), 2011.
17. Barmby P., Andra C., Arzarello F., Gomez, D. Obersteiner A., Shvarts A. (2014) The use of eye-tracking technology in mathematics education research. In Nicol, C., Liljedahl, P., Oesterle, S. & Allan, D. (Eds.). Proceedings of the Joint Meeting of PME 38 and PME-NA 36 (Vol. 1). Vancouver, Canada: PME. P. 253
18. Chumachenko D., Shvarts A., Budanov A. The development of the visual perception of the cartesian coordinate system: an eye tracking study (2014) In Nicol, C., Liljedahl, P., Oesterle, S. & Allan, D. (Eds.) Proceedings of the Joint Meeting of PME 38 and PME-NA 36 (Vol. 2). Vancouver, Canada: PME.
19. Krichevets, A.N.,Shvarts, A.Yu., & Chumachenko, D.V. (2014). Perceptual action of novices and experts in operating visual representations of a mathematical concept. Psychology. Journal of Higher School of Economics, 11(3).
20. Ахутина Т, Корнеев , А., Матвеева Е., Агрис А. Возрастные изменения высших психических функций у детей 7-9 лет с разными типами дефицита регуляции активности Психология. Журнал Высшей Школы экономии. — 2015. — Т. 12, № 3. — С. 131-152.
21. A. Gutiérrez & P. Boero (Eds.), Handbook of research on the psychology of mathematics education. Rotterdam: Sense, 2006.
