CC BY
156
Оценка функционирования системы дистанционного образования или отдельного учебного заведения может проводиться на основе выработанных критериев или на нормативной базе.
Оценка на основе критериев требует, чтобы суждения качественного и количественного характера вытекали из сопоставления действительного положения вещей с неким «идеалом» (образовательным стандартом), который должен быть определен и использован в качестве своего рода эталона, по которому производится оценка.
Оценка на основе нормативной базы представляет собой альтернативный подход. Нормы, принятые для оценки открытых университетов, нередко напоминают нормы оценки функционирования традиционных университетов.
Специалисты подчеркивают исключительную сложность в определении идеальных показателей (норм) деятельности вузов и считают, что нормативный подход, при котором сопоставляется деятельность традиционного и открытого университетов, с учетом различий в социальных, культурных и экономических условиях, является наиболее приемлемым.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Образование и 21 век. Информационные и коммуникационные технологии. - М., 1999. - С. 27-31.
2. Образование и 21 век. Информационные и коммуникационные технологии. - М., 1999. - С. 39-40.
3. Фрэнсис Келли, М. Политические последствия электронного обучения // Высшее образование в Европе. - 2002. - Т. XXVII. - № 3.
4. Хассон, У. Критерии качества дистанционного образования / У. Хассон, Э. Уотермен // Высшее образование в Европе. - 2002. - Т. XXVII. - № 3.
5. Rumble, G. Universites pour L'ensignement a distance en Europe // Higher education in Europe. - 1983.
- Vol. 8. - № 3. - P. 5-14.
6. UNESCO. World Education 2000: The Right to Education: Towards Education for All Throughout Life.
- Paris: UNESCO, 2000.
УДК 20.01.04 ББК 74.580.2
Н. И. Лященко
ПОСТРОЕНИЕ МОДЕЛИ ОБУЧАЕМОГО В АВТОМАТИЗИРОВАННОЙ ОБУЧАЮЩЕЙ СИСТЕМЕ
Аннотация. Основной проблемой автоматизированной обучающей системы является построение модели обучаемого, существует большое количество данных моделей, однако они слабо учитывают психофизиологические особенности и характеристики обучаемого и, как правило, не используются при формировании структуры образовательных ресурсов и их содержания, что снижает эффективность применения компьютерных обучающих систем.
Ключевые слова: компьютер, обучение, система, программа, модель, обучаемый, образование, сеть, алгоритм, граф.
N. I. Lyaschenko
CONSTRUCTION OF MODEL OF THE TRAINEE IN THE AUTOMATED TRAINING SYSTEM
Abstract. The main problem is to build the model of student; there are a lot of such models, which, however, have little regard for student's psychophysiological traits and features and are basically ignored when developing educational resources structure and content, making the use of computer-based learning systems less efficient.
Key words: computer, learning, system, software, model, student, education, net, algorithm, graph.
Развитие компьютерных технологий открывает широкий круг возможностей в сфере обучения. Современный учебный процесс сложно представить без использования компьютерных учебников, задачников, тренажеров тестирующих и контролирующих систем и других компью -терных средств обучения.
В настоящее время интенсивно развивается направление использования технологий глобальной сети интернет в системе образования. Удобство и гибкость гипертекстового представления материалов, оперативный доступ к большим объемам информации, позволяют широко применять интернет - технологии при создании систем дистанционного образования. В то же время, в среде студентов, получающих очное или заочное образование, проходя курсы повышения квалификации, обычным явлением становится наличие персонального компьютера, и значительная
часть самостоятельной работы проходит в домашних условия. С точки зрения организации такой учебный процесс становится более однородным и проводится на одном и том же месте - у персонального компьютера. В этом режиме повышается физическая нагрузка на организм обучаемого. Жесткие условия учебных сеансов ставят более высокие требования к эффективности компьютерных средств обучения. Необходимо поддерживать усвоение изучаемой информации на максимальном уровне, с тем, чтобы уменьшить время работы обучаемого за компьютером и предотвратить стрессовые ситуации.
Рассматривая процесс обучения как сложную систему, в которой в качестве объекта управления рассматривается обучаемый, а в роли управляющего устройства компьютерная обучающая система, можно выделить отличительные черты присущие обучаемому:
- отсутствует математическое описание обучаемого;
индивидуальность процесса усвоения знаний служит причиной стохастичности поведения обучаемого;
- «нетерпимость» к управлению проявляется в том случае, когда цель управления не согласованна с собственными целями обучаемого;
нестационарность сложного объекта управления выражается в дрейфе характеристик обучаемого.
Указанные свойства обучаемого свидетельствуют о необходимости создания модели обучаемого.
В настоящее время не существует общепринятого определения понятия «модель обучаемого». Но можно выделить два основных подхода к построению такой модели.
1. В экспертно-обучающих системах под моделью пользователя понимают набор характеристик (параметров) и совокупность правил, которые на основании значений этих характеристик управляют процессом общения системы с пользователем [9].
2. В других классах обучающих систем под моделью пользователя обычно понимают набор параметров, измеряемых во время работы системы с обучаемым и определяющей степень усвоения им знаний по изучаемому предмету.
На самом деле, понимание модели обучаемого как набора параметров - это слишком узкое понимание. Без учета методов, которые работают с данным набором характеристик, этот набор теряет смысл. Следовательно, модель обучаемого можно определить как совокупность набора характеристик обучаемого и методов (правил) обработки этого набора.
В экспертно-обучающих системах эти правила привязаны к конкретной проблемной области, что позволяет, естественно, более качественно имитировать общение обучаемого со специалистом в данной предметной области. Но автоматизированная обучающая система не может быть ориентирована на конкретную проблемную область, поэтому и назначение правил, входящих в модель обучаемого, должно быть другим. В первую очередь эти правила должны проводить изменения самой модели обучаемого по результатам его работы с системой. Это позволит преподавателю управлять формированием этой модели, т. е. осуществлять алгоритмическую настройку без программирования.
Модель обучаемого должна включать в себя информацию:
• о цели обучения;
• о знаниях обучаемого в рамках изучаемого курса (текущее состояние процесса обучения);
• об особенностях подачи учебных материалов и выбора контрольных заданий и вопросов;
• о правилах изменения модели обучаемого по результатам работы с обучаемым.
Для каждого обучаемого может быть задана своя цель работы с системой и свое подмножество изучаемого материала, которое определяет начальную настройку системы и является базой для дальнейшей работы с обучаемым.
Текущее состояние процесса обучения фактически представляет собой проекцию знаний обучаемого на модель предметной области. Проекция ограничена рамками заданных обучаемому маршрутов и включает сведения о результатах изучения отдельных тем курса (прохождения вершин сети).
Результаты изучения отдельных тем могут быть представлены как совокупность результатов контроля знаний по данной теме (если он предусмотрен) и набор значений параметров, которые могут быть измерены во время работы с обучаемым (количество обращений к вершине (теме), время работы с материалом, среднее время ответа на вопросы и т. д.).
Максимальную способность системы настраиваться на требования конкретного преподавателя к модели обучаемого можно обеспечить, предоставив пользователю возможность самостоятельно формировать модель обучаемого, т. е. включать в эту модель произвольные параметры и задавать способы их подсчета и правила изменения модели.
Наличие модели обучаемого позволит организовать гибкое (адаптивное) управление процессом обучения. Адаптивная обучающая система может содержать несколько вариантов изложе-
ния одного и того же материала. Решение о продолжении обучения по одному из вариантов должно приниматься на основании значений параметров модели обучаемого.
Значения параметров могут также учитываться системой при выборе контрольных заданий, лабораторных работ и т. п.
Итак, модель обучаемого выполняет следующие функции:
• адаптация к обучаемому управляющих воздействий системы;
• определение уровня знаний студента по изучаемому курсу и степени достижения заданной цели обучения.
Рассмотрим некоторые существующие методы построения модели обучаемого.
Методы построения модели обучаемого
Методы построения модели пользователя (обучаемого) активно исследуются в области систем компьютерного обучения и систем для диалога на естественном языке [9].
Наиболее простой для реализации является оверлейная модель. Она строится в предположении, что знания обучаемого и знания системы имеют аналогичную структуру, при этом знания обучаемого являются подмножеством знаний системы. Каждой теме предметной области добавляется числовой атрибут, показывающий степень понимания обучаемым материала по этой теме. Значение этого атрибута определятся в ходе опроса обучаемого.
Более сложная стратегия предложена для разностной модели. При построении этой модели система анализирует ответы обучаемого и сравнивает их с теми знаниями, которые заложены в системе и которыми пользуется эксперт при решении подобных задач. Различия между этими знаниями и ложатся в основу модели пользователя. Эта модель позволяет учитывать не только отсутствие знаний у обучаемого, но и неправильное их использование.
В качестве особенности разностной модели можно указать, что она, так же как и оверлейная модель, предполагает идентичность структуры знаний системы и обучаемого. (Впрочем, для обучающей системы это не является препятствием к использованию этих моделей, т. к. задача системы как раз и состоит в том, чтобы передать свои знания обучаемому в той форме, в какой они в ней заложены).
Пертурбационная модель строится в предположении, что знания пользователя и знания системы могут частично не совпадать. В этом случае важной предпосылкой построения такой модели является идентификация причин расхождения, т. к. без определения расхождений модель пользователя будет слишком неопределенной.
Различают следующие причины расхождений:
• недостаток знаний;
• наличие ошибочных знаний;
• неправильное применение знаний или неумение их применить;
• ошибка, порожденная невнимательностью;
• умышленно допущенная ошибка (дается первый попавшийся ответ).
Последняя причина легко обнаружится, если задать несколько простых вопросов. Выявление других причин можно осуществить путем повторного опроса обучаемого (т.н. уточнение).
Как видно, все эти методы предполагают наличие не только некоторых количественных параметров (описательной части), но и наличие способов (правил) определения степени соответствия знаний системы и знаний обучаемого, т. е. процедурной части.
Общие принципы построения модели обучаемого
Анализ систем обучения позволяет сделать следующий вывод: большинство из существующих обучающих систем не содержит модели обучаемого [5]. Те же системы, в состав которых входит эта модель, построена на основании жестко запрограммированных алгоритмов и наборов параметров (ЭКСТЕРН, РЕПЕТИТОР, КАДИС и др.).
Разработчики закладывают в систему определенный метод (в лучшем случае - несколько методов) построения модели обучаемого. Модель строится по совокупности характеристик (параметров), которые разработчики сочли существенными для определения МО и которые программа умеет рассчитывать. Этот подход является общепринятым, но он обладает очевидными недостатками:
• жестко заданный набор параметров и алгоритмов снижает гибкость системы;
• ограничения в возможности настройки системы сужают круг пользователей системы.
Этих недостатков можно избежать, если включить в обучающую систему возможность формирования произвольного набора параметров и задания алгоритма поведения системы в зависимости от значений этих параметров. Кроме этого в систему необходимо включить некоторые готовые модели обучаемого, которые можно будет использовать без предварительной настройки, например, автоматически. Это облегчит работу с системой неподготовленным пользователям (преподавателям) и сократит время на подготовку системы к использованию.
Преобразование модели обучаемого
Модель обучаемого формируется (и изменяется) в процессе работы с ним. Система может начинать это формирование «с чистого листа», т. е. при полном отсутствии знаний об обучаемом. Единственное неудобство такого подхода состоит в том, что при этом может увеличиться время адаптации системы к обучаемому.
Другой подход заключается в определении исходной модели обучаемого перед началом работы. Разделяют два компонента - модель личностных характеристик и модель знаний. Первый отражает достаточно устойчивые личностные характеристики обучаемого, второй картину знаний и умений конкретного обучаемого по изучаемому курсу на начальном этапе.
В процессе исследования свойств и характеристик студентов был выделен ряд параметров, составляющих ядро модели обучаемого:
1. Тип мышления;
2. Воспринимаемая форма представления знаний;
3. Свойство уверенности при ответе;
4. Уровень усвоения знаний;
5. Оптимальная стратегия получения знаний обучаемым.
Для правильного выбора управляющих воздействий обучающая система должна знать цель, которой требуется достичь, а также критерии, по которым оценивается степень и эффективность достижения этой цели [6].
Цель автоматизированной обучающей системы - передать обучаемому знания, которые в нее заложены.
Определить степень достижения этой цели система может с помощью модели обучаемого. Для этого в модель обучаемого (МО) следует включить целевую модель обучаемого, при достижении которой задача системы считается выполненной.
Предоставляя преподавателю возможность определять для модели обучаемого произвольный набор параметров, логично определить целевую модель через эти же параметры (или их подмножество). Представим описательную часть МО как набор параметров М(рьр2,...,рп}. Каждый из этих параметров задается произвольным арифметическим или логическим выражением, которое может включать операции (арифметические или логические), константы и параметры, входящие в МО. Тогда для целевой модели обучаемого:
Представим декларативную часть модели обучаемого в виде комбинации параметров. Каждый из параметров является произвольной характеристикой обучаемого, отдельной темы или отдельного вопроса. Совокупность характеристик определяется преподавателем на этапе формирования описания модели обучаемого и предметной области. Для каждого параметра Р1 устанавливаются возможные значения в виде диапазона или списка значений:
где «список значений» - перечисление возможных значений параметра; min, max - минимальное и максимальное значения параметра, а значение NULL в каждом конкретном случае означает, что для данного обучаемого (темы, вопроса) этот параметр не установлен (не известен).
Декларативная часть модели может представлять собой совокупность средних значений установленных параметров с поправкой на оценку знаний обучаемого. Изначально об обучаемом ничего не известно, и значения всех параметров принимаются равными некоторым усредненным значениям, которые определяются преподавателем, а по умолчанию приравниваются нулю. При прохождении начального тестирования (и/или очередной темы) значения параметров модели, установленных для данной темы (не равных NULL), пересчитываются следующим образом. По результатам опроса обучаемого ему выставляется оценка b: b 6 [min, max]. Эта оценка нормализуется:
Таким образом, оценка Ъ'6[-0,5; 0,5].
Новое среднее значение параметра Р1 на текущий момент 1 дискретного локального времени рассчитывается исходя из предыдущего значения этого параметра
Mc{pcbpc2,...,pck},
где k < n.
список значении tr.in: тая NULL
b = 0,5-(max-b)/(max-min).
где Ь - нормализованное значение последней оценки, полученной обучаемым, р1 - значение параметра Ръ установленное для данной темы, а Р^) - среднее значение параметра Р1 на предыдущий момент времени, которое рассчитывается как среднее арифметическое значение
Под локальностью времени подразумевается, что для каждого параметра Р1 ведется свой отсчет времени 1, равный количеству тем (вопросов), для которых этот параметр установлен.
Значения параметров модели обучаемого используются в процессе работы с обучаемым для определения стратегии и тактики поведения системы. Управление моделью обучаемого также возлагается на базу знаний.
Модель обучаемого в автоматизированной обучающей системе
Модель обучаемого в автоматизированной обучающей системе должна включать в себя следующие компоненты: в простейшем случае - учетную информацию об обучаемом, а в более сложных - психологический портрет личности обучаемого (РК); начальный уровень знаний и умений обучаемого (Мначобуч); заключительный уровень знаний и умений обучаемого (Мконобуч); алгоритмы выявления уровней знаний и умений обучаемого (А); алгоритмы психологического тестирования для выявления личностных характеристик, на основании которых формируется психологический портрет личности обучаемого (АРК). Под термином «знания», в соответствии с точкой зрения О. И. Ларичева, понимается теоретическая подготовленность обучаемого (декларативные знания), а под термином «умения» - умение применять теорию при решении практических задач (процедурные знания).
Для реализации алгоритмов А и АРК при формировании МО используется следующий набор процедур тестирования обучаемого: процедура ввода исходной информации (контрольных вопросов, вектора правильных ответов и весовых коэффициентов по каждому вопросу); процедура вывода вопросов и вариантов ответов в процессе проведения контроля знаний; процедура формирования оценки; процедура вычисления итоговой оценки. МО содержит информацию о состоянии знаний обучаемого (модели Мначобуч, Мконобуч) - как общие, интегрированные характеристики, так и те, которые отражают усвоение им текущего учебного материала.
В общем виде модель обучаемого представляет собой конечный ориентированный граф, который может быть описан в виде Мобучаемого = <У, и>, где V=<V1,V2> - множество вершин, которые в свою очередь делятся на V1={v11,...,v1n} - множество изучаемых понятий, п - количество изучаемых понятий, элемент v11= <^Т^>, i =1,...,п, где N - изучаемое понятие; Т=(0,1), принимает значения знает/не знает; W=(0,..,10) - вес вершины; ^=^2ь..^2т} - множество умений, относящихся к данной модели, т - количество соответствующих умений, элемент v2J= <М,Т^>, j=1,...,m, где N -изучаемое умение; Т=(0,1), принимает значения умеет/не умеет; W=(0,..,10) - вес вершины; U={uJ}=<Vk, VI, R>, j=1,...,m- множество связей между вершинами, где Vk - родительская вершина; VI - дочерняя вершина; R={Rz} - тип связи; z=1, ..., 2.
В настоящее время разработана библиотека оценочных алгоритмов, гибко использующихся при проведении тестирования обучаемых в зависимости от специфики курса/дисциплины и контингента обучаемых. Например, эффективно применяется метод, основанный на сбалансированной оценке Т. Робертса для вопросов закрытого типа и дополненный возможностью произвольного задания степени строгости оценивания, а также взвешиванием вопросов коэффициентами сложности, получаемыми на основе экспертной оценки. Под сбалансированностью в данном случае понимается независимость математического ожидания оценки от числа правильных и неправильных ответов, полученных на этот вопрос случайным образом.
Для формирования модели обучаемого используется эталонная модель ОД,, соответствующая уровню знаний преподавателя о конкретном разделе изучаемого курса, с которой будут сравниваться получаемые на этапе построения МО результаты. Формально эталонная модель ОД, как и модель обучаемого, представляет собой ориентированный граф, т. е. совокупность вида Ме=^е, ие>.
Динамическое построение модели обучаемого осуществляется путем сравнения текущей МО с предварительно построенной преподавателем эталонной моделью Ме. Важно отметить, что на этом этапе наряду с выявлением уровня знаний и умений осуществляется построение психологического портрета личности.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Башмаков, А. И. Разработка компьютерных учебников и обучающих систем / А. И. Башмаков, И. А. Башмаков. - М.: Филинъ, 2003. - 430 с.
2. Брусиловский, П. Л. Адаптивные и интеллектуальные технологии в сетевом обучении // Новости искусственного интеллекта. - 2002. - № 5. - С. 25-31.
3. Голенков, В. В. Виртуальные кафедры и интеллектуальные обучающие системы / В. В. Голенков, В. В. Емельянов, В. Б. Тарасов // Новости искусственного интеллекта. - 2001. - № 4. - С. 3-13.
4. Карташева, О. В. Использование адаптивной системы тестирования АСТ-Тест для контроля знаний при дистанционном изучении темы «Базы данных» // Мат-лы конф. «Информационные технологии в образовании». - 2001.
5. Компьютерные технологии в высшем образовании / ред. кол.: А. Н. Тихонов и др. - М.: Изд-во Мос-ков. гос. ун-та, 2004. - С. 272.
6. Мамиконов, А. Г. Принятие решений и информация / А. Г. Мамиконов. - М.: Наука, 1993. - С. 184.
7. Петрушин, В. А. Обучающие системы: архитектура и методы реализации (обзор) // Известия РАН. Техническая кибернетика. - 1993. - № 2. - С. 164-190.
8. Петрушин, В. А. Экспертно-обучающие системы / В. А. Петрушин. - Киев: Наукова Думка, 1992. -С. 196.
9. Приобретение знаний : пер.с япон. / под ред. С. Осуги, Ю. Саэки. - М.: Мир, 1990. - С. 304.
10. Рыбина, Г. В. Обучающие интегрированные экспертные системы: некоторые итоги и перспективы // Искусственный интеллект и принятие решений. - 2008. - № 1. - С. 22-46.
11. Стефанюк, В. Л. Теоретические аспекты разработки компьютерных систем обучения : учеб. пособие / В. Л. Стефанюк. - Саратов: СГУ, 1995. - С. 98.
УДК 519.6:681.3 ББК 74.262.21
Я. Е. Ромм, Л. Н. Аксайская
ЦИФРОВАЯ ОБРАБОТКА СИГНАЛОВ НА ОСНОВЕ ИНТЕРПОЛЯЦИИ ПО НЬЮТОНУ ЭЛЕМЕНТОВ БАЗИСА
Аннотация. Изложена компьютерная схема кусочно-полиномиальной аппроксимации функций, производных и определенных интегралов на основе интерполяционного полинома Ньютона с минимальной временной сложностью для произвольно заданной границы погрешности. На этой основе параллельно вычисляется базис дискретных преобразований Фурье с логарифмической оценкой временной сложности при произвольном количестве отсчетов, при этом из асимптотики вычислительного алгоритма исключаются операции умножения. Кроме того, параллельно выполняется полный комплекс алгоритмов цифровой обработки сигналов с логарифмической временной сложностью.
Ключевые слова. Вычисление функций, параллельные схемы, цифровая обработка сигналов.
Y. E. Romm, L. N. Aksayskaya
DIGITAL PROCESSING OF SIGNALS ON THE BASIS OF INTERPOLATION ON NEWTON OF ELEMENTS OF BASIS
Abstract. The computer scheme piecewise polynominal is stated to approximation of functions, derivatives and certain integrals on the basis of Newton's interpolyatsionny polynom with the minimum temporary complexity for any way set border of an error. On this basis the basis of discrete transformations of Fourier with a logarithmic assessment of temporary complexity is in parallel calculated at any number of counting, thus from computing algorithm multiplication operations are excluded. Besides, the full complex of algorithms of digital processing of signals with logarithmic temporary complexity is in parallel carried out.
Key words. Functions evaluation, parallel schemes, digital processing of a signalov.operatsiya of multiplication.
В работе рассматривается способ достижения минимальной временной сложности компьютерной кусочно-полиномиальной аппроксимации функций на основе интерполяции по Ньютону. В приложении к параллельной цифровой обработке сигналов способ позволяет обеспечить логарифмическую оценку временной сложности дискретных тригонометрических преобразований с исключением из асимптотики операций умножения в случае произвольного количества отсчетов независимой переменной.
Обсуждаются аспекты построения последовательных и параллельных алгоритмов минимизации временной сложности компьютерного вычисления функций, производных и определенных интегралов на рассматриваемой основе. Синтезированные алгоритмы прилагаются к вычислению элементов базиса, коэффициентов, а также непосредственно к выполнению дискретных прямых и обратных преобразований Фурье. Помимо того, рассматривается их приложение к другим схемам цифровой обработки сигналов. Временная сложность T (R), где R - число процессоров, ниже оценивается на модели неветвящихся параллельных программ [7] и измеряется количеством последовательных шагов алгоритма без учета обмена.
