CC BY
592
УДК 007.51
ПРИМЕНЕНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ АДАПТИВНОЙ ПЛАТФОРМЫ
В ОБРАЗОВАНИИ
©2019 В. П. Добрица1, Е. И. Горюшкин2
1докт. физ.-мат. наук, профессор, профессор кафедры ПОиАИС e-mail: [email protected]
Курский государственный университет
2канд. пед. наук; доцент кафедры физики, информатики и математики
e-mail: goryushkm@,list ru
Курский медицинский государственный университет
За рубежом разработаны и успешно применяются цифровые платформы для адаптирования процесса обучения. В статье рассмотрена концепция адаптивного обучения, проведен анализ существующих форм реализаций адаптивного обучения в системах высшего образования России, Бразилии, США, Великобритании и Австралии. Предложено теоретико множественное описание адаптивной платформы. Обобщены положительные и отрицательные моменты роли преподавателя в адаптивном обучении, проанализированы технологии обработки большого объема данных. Обоснован тезис об использовании искусственного интеллекта для адаптации процесса обучения и прогнозирования на основе технологий: Big Data, Data Mining, Learning Analytics.
Ключевые слова: искусственный интеллект, Data Mining, Big Data, адаптивное обучение, адаптивные платформы.
На сегодняшний день развитие компьютерной техники осуществило огромный скачок вперед, что дало толчок появлению новых технологий и возможности их реализации. Обработка большого объема данных требует соответствующих мощностей и алгоритмов. Производя огромное количество операций в секунду или сложные математические расчеты, машина не способна выполнять ряд простых действий, свойственных человеку, например быстро поставить диагноз по внешнему виду или понимание речи различных людей и т.д. Даже обладая большими вычислительными мощностями, суперкомпьютеры могут делать это с трудом. Основная трудность заключается в моделировании объектов, обладающих огромным количеством переменных. У человека за эту деятельность отвечает биологическая нейронная сеть. Попытки привить компьютеру способности мыслительной деятельности связывают с определением искусственного интеллекта (ИИ). Его функционирование связано с обработкой уже имеющихся данных или только поступающих. На сегодняшний день известно четыре группы математических методов интеллектуального анализа данных (ИАД): 1) статистические; 2) кибернетические; 3) оптимизационные; 4) экспертные [11].
Каждый из них способен решать определенный класс задач (анализ и ранжирование данных по степени близости к желаемым результатам, решение задач нетривиальным способом, прогнозирование и подсказки на основе имеющегося опыта, оптимизация данных), результаты чего можно наблюдать в повседневной жизни. Изначально ИИ применялся в областях человеческой деятельности, связанных с инженерией и медициной (сложная обработка большого количества данных, обобщение полученного опыта и принятие на его основе решения). Однако сегодня ИИ проникает во все сферы человеческой деятельности (теория игр, прогнозирование и
адаптация, моделирование ситуаций, умные приборы и дома). Таким образом, искусственный интеллект все больше используется в повседневной жизни [19].
Вопросам в области ИИ посвящены работы отечественных (А.Н. Горбань, С. Короткий, П.П. Кольцов и другие) и западных авторов (У. Маккалох, У. Питс, Дж. Холанд и др.).
Наравне с медициной или инженерией немаловажной областью человеческой деятельности является образование. Успешность системы образования заключается в грамотно поставленных целях, правильно выбранных методах и средствах их реализации, анализе и своевременно внесенных в процесс коррекциях. Отдельное внимание сегодня уделяется прогнозированию [6]. Оно возможно благодаря обработке большого потока данных. На сегодняшний день это возможно с помощью методов Data Mining и Big Data [1; 4; 5; 16]. Благодаря им появилась возможность адаптировать процесс обучения под уровень учащихся.
Основной целью статьи является анализ существующих практик применения адаптивного обучения (в том числе на основе ИИ) в системе зарубежного и отечественного образования и построение новой модели с учетом недостатков существующих. В соответствии с целью ставятся следующие задачи:
1) рассмотреть адаптивные платформы, применяющиеся в зарубежной и отечественной системах образования;
2) определить роль преподавателя в адаптивном обучении и возможность его замещения ИИ;
3) предложить модель адаптивного обучения.
Теоретическая основа исследования базируется на комплексе научных положений отечественных и зарубежных ученых в области образования и искусственного интеллекта. Методы теоретического уровня использовались для анализа и обобщения существующих интеллектуальных систем адаптирования процесса обучения, а также методологии алгоритмов обработки данных, применяемых для этого.
В современных условиях рынка труда выпускники вузов должны освоить множество компетенций. Контроль за их освоением полностью лежит на преподавателях. Именно они отвечают за модернизацию образовательного процесса и используют новые формы и технологии образовательного процесса. В результате преподавательской деятельности накапливается большой массив различных данных. При должной обработке преподаватель может своевременно вносить соответствующие изменения в процесс обучения. При наличии современных гаджетов вектор обучения может быть сменен в сторону дистанционного обучения или онлайн-курсов. Нехватка времени у высококвалифицированных преподавателей не позволяет в полной мере осуществлять процесс обучения или подготовку к сдаче контрольной, зачета или экзамена. В ходе обучения ученики сталкиваются с большим объемом информации. Далеко не каждый способен ее всю усвоить (особенно самостоятельно). В данной ситуации необходимо внедрять систему с принципами адаптации курса обучения дисциплине к уровню знаний ученика на основе ИИ [13; 14].
Адаптивное обучение определяется как концепция (обучающая модель), задействующая новые технологии для улучшения уровня знаний обучающегося с учетом его индивидуальных особенностей (эмоциональное состояние, пол, способность воспринимать различные типы информации, уровень учебных навыков) [18]. Процесс обучения должен «подстраиваться» под обучающегося, определять объем его знаний и выстраивать индивидуальную траекторию обучения. Как показал анализ литературы, такую модель обучения выбрали в зарубежной системе образования с государственной поддержкой и закреплением в законодательной базе. К адаптивным
платформам можно отнести: 2U, Wiley, Canvas, Loud Cloud, Blackboard, Knewton, RealizeIT, Adaptcourseware, Anewspring, Geekie, Smart Sparrow [2].
В Бразилии популярность набирает умная система Geekie [20]. Это разработанная программная платформа на основе ИИ, позволяющая подготовиться к выпускным экзаменам в школе. Она включает в себя материалы (видеоуроки, тесты, практические задания), разработанные преподавателями. Лабораторный практикум предоставляется в виде цифровых уроков, содержащих текст, картинки, видеоматериалы. Программа оценивает каждый шаг, каждое действие подопечных и передает их учителю. В самом начале ученики проходят короткий тест и определяют конечную цель обучения, а программа подбирает соответствующий контент (планы курса, материал) для обучения. Если ученик что-то не понял или пропустил урок, то есть возможность вернуться и повторить теорию. При должном уровне знаний по теме материал варьируется по уровню трудности. Каждый ученик сам выбирает темп обучения. Программа постоянно собирает данные (преподаватели имеют возможность быстро вносить коррективы в курс) и учится на них (в случае подбора дальнейшего материала). Применение данной платформы в образовании позволило улучшить цифры успешной сдачи выпускных и вступительных экзаменов. Данная технология рассматривается как часть процесса (помощник учителя), а не процесс в целом.
Наибольшее распространение идея адаптирования процесса обучения получила в США. Там существует несколько платформ, онлайн-сервисов, использующихся в разных звеньях системы образования [21].
Образовательный сервис (платформа) Knewton [17] занимается персонализацией обучения с 2008 года. Knewton - это платформа, на базе которой разрабатываются программы и приложения с адаптивной функцией. Примером такой работы стал проект MyLab & Mastering series [7]. Аналитическая система позволяет ответить на такие вопросы, как: 1) что известно студенту; 2) почему он ошибся в задании; 3) какие темы для него важны; 4) прогноз успешности на данном этапе. Алгоритмами платформы Knewton пользуются крупные университеты не только США, но и Европы.
Другим примером реализации адаптивного обучения в США является DreamBox Learning Math - адаптивная онлайн-математическая программа для школы. Технология Intelligent Adaptive Learning отслеживает действие каждого учащегося и оценивает стратегии, используемые для решения проблем. Затем программа корректирует материал урока и уровень сложности, количество подсказок, темы и темп изучения.
В Австралии используется открытая платформа для обучения Smart Sparrow [8], позволяющая создавать интерактивные и адаптивные учебные курсы. Данная платформа представляет собой веб-пакет и основывается на подходе «малых данных», в котором используются алгоритмы, анализирующие только самые последние ответы (выборы) ученика для определения следующего вопроса. У преподавателя есть возможность наладить обратную связь с учеником в виде своевременных подсказок (видео, графики или дополнительный материал) при затруднении ответа на вопрос, варьирования количества попыток запроса или времени бездействия.
Платформа адаптивного цифрового обучения Aero [9] рассчитана на студентов колледжей. В Aero определяются цели курса, темы задания и тесты. Программа собирает огромное количество данных, в том числе не только ответы на вопросы, но и информацию о том, как часто студенты просматривали задания (теорию), где и что выбирали. Выполнение одного и того же задания для разных студентов отличается благодаря его адаптивности (персонализации контента). Программа способна определить, когда и с какой темы необходимо повторить материал. У преподавателя есть возможность индивидуализировать обучение в группе, планировать лекции на
основе знаний студентов. В результате у преподавателя есть возможность спрогнозировать успешность сдачи студентом экзамена или освоение материала.
В России в 2015 г. была предпринята попытка создать адаптивную платформу Stepik [10], которая подбирала бы образовательный материал в зависимости от уровня знаний пользователя и советовала наиболее важный для данного этапа обучения [2]. На сегодняшний день данная образовательная платформа существует как конструктор бесплатных открытых онлайн-курсов и уроков с адаптивными рекомендациями, она позволяет создавать интерактивные обучающие уроки с обратной связью и автоматической проверкой.
Рассмотрев существующие платформы, по нашему мнению, можно выделить следующие достоинства и недостатки описанных зарубежных адаптивных платформ. Недостатки:
1) в большинстве рассмотренных платформ при первоначальном запуске и тестировании отсутствует учет психологического типа ученика, а это могло бы позволить более точно адаптировать манеру представления теоретического и практического материала;
2) нет единой модели построения адаптивной платформы обучения с учетом общих требований (не везде есть возможность прогнозирования успешности учебной деятельности и т.д.).
Преимущества:
1) сбор информации о действиях для дальнейшей адаптации модели обучения;
2) учет времени, затраченного на изучение темы, практики;
3) возможность прогнозирования успешности деятельности.
Предложенная С.В. Тарховым формализованная модель адаптивного обучения должна быть расширена возможностью продолжения обучения с момента остановки обучения [12]. Такой подход имеет ряд преимуществ: во-первых, обучающийся не начинает изучение материала с начала темы или раздела, что экономит время; во-вторых, в базе данных модели обучаемого хранятся его предыдущие действия, что дает возможность в дальнейшем использовать их для анализа.
Таким образом, можно констатировать, что все существующие модели и платформы адаптивного образования не лишены недостатков. Автор предлагает теоретико-множественное описание первостепенной разработки адаптивной интеллектуальной платформы - I={Z, U, M, T, N, D}, которое должно учитывать следующие моменты:
1) Z - множество знаний, умений и навыков, цель обучения (уровень изучения дисциплины), требования к знаниям;
2) U - модель обучаемого, которая должна состоять из психологических характеристик (психологический тип должен определяться на первоначальном этапе работы с платформой), начального уровня знаний;
3) M - теоретический и практический материал, тесты;
4) T - множество вариантов построения образовательной траектории, которая должна учитывать и такие параметры, как: а) время, затраченное на изучение темы, выполнение практического задания; б) количество предоставляемых подсказок;
5) N - множество вариантов организации топологии нейросети для анализа и прогнозирования;
6) D - база хранения личных данных, теоретического и практического материалов. Система образования постоянно предоставляет большой объем данных, которые
необязательно структурированы или связаны. Способность их обработки дает огромные возможности по изменению процесса обучения. Современную цифровую
обработку большого количества данных связывают с терминами Big Data, Data Mining, Learning Analytics. Каждый из этих терминов представляет собой технологию, метод или инструмент, позволяющий работать с данными.
Big Data работает со структурированными и неструктурированными данными, представляющими огромный массив информации (базу данных). К основным задачам, решаемым Big Data, относят: 1) сбор данных; 2) хранение данных; 3) работу с данными. Таким образом, Big Data представляет собой технологию в области программного и аппаратного обеспечения, занимающуюся анализом, организацией и управлением данными.
Data Mining представляет собой технологию работы с несколько структурированными данными. Основная направленность заключается в поиске скрытых (нетривиальных) взаимосвязей ограниченного большого объема данных, прогнозировании, классификации, визуализации.
Learning Analytics является технологией по сбору, анализу огромного массива данных учебной деятельности с целью оптимизации обучения. «Система должна учитывать уникальные проблемы анализируемых деталей и влияние на них любых аспектов и изменений» [2].
Как видим из представленных выше определений технологий обработки данных, любая современная интеллектуальная адаптивная платформа будет строиться на их основе.
Наибольшую популярность в зарубежном образовании получила американская платформа Knewton. Можно встретить мнение авторов, что данная платформа не использует технологии Data Mining или Big Data, однако это не так: она требует применения соответствующей технологии обработки данных [15].
В России не существует пока единой целой платформы, позволяющей выстраивать адаптивную траекторию обучения. Однако ряд авторов применяет методы ИАД для достижения отдельных целей. К таковым можно отнести комплекс «Интегра-С» для прогнозирования отказа оборудования; АОС «Безопасность» - обучающую систему для персонала, обслуживающего железную дорогу. В диссертационных, грантовых и аналитических исследованиях авторы используют технологии анализа данных для проверки уровня трудности тестовых заданий реальному или прогнозируют успешность промежуточного контроля успеваемости студента [3]. Различные алгоритмы искусственных нейронных сетей реализованы в готовых программных продуктах. С помощью программы SPSS (на основе нейронных сетей) можно осуществлять прогноз и поиск скрытых закономерностей по представляемым данным (влияние определенных данных на весь массив).
Российская образовательная платформа Стэпик выступает в роли виртуального учителя по подбору материала для успешного освоения курса.
Несмотря на очевидные преимущества применения ИИ для обработки большого объема данных, необходимо с особой осторожностью относиться к адаптации процесса обучения на его основе. Во-первых, формальная интерпретация данных без дополнительного качественного анализа недостаточна для каких-либо принципиальных выводов. Во-вторых, для предсказательной аналитики (прогнозирования успешности) определения вероятности успеха студента в высшем образовании должно применяться множество моделей, так как применение одной очень контекстно. Нет единой модели, которая будет работать по всем направлениям. В-третьих, при работе с большим объемом данных должны быть использованы единые стандарты спецификации данных, а также уделено внимание проблеме конфиденциальности данных.
На сегодняшний день обучающиеся сталкиваются с огромным потоком информации. Личностные качества каждого индивидуальны, а соответственно, и
степень усвоения материала разная. Вместе с этим на процесс обучения могут влиять внешние факторы (пропуск занятий по болезни, упущение материала). Ряд обучающихся способен решить эти проблемы, занимаясь с репетитором, но не каждому это по карману. Создание и применение интеллектуальной адаптивной платформы позволит решить проблемы, связанные с индивидуализацией процесса образования.
За рубежом этому уделяется огромное внимание не только на уровне экспериментальных школ, но и на уровне государства. Среди зарубежных интеллектуальных адаптивных платформ известны Loud Cloud, Blackboard, Knewton, RealizeIT, Geekie, Smart Sparrow и другие.
В России полностью интеллектуальной адаптивной платформы не существует, однако есть отдельные попытки ее реализации: Стэпик, комплекс «Интегра-С», АОС «Безопасность».
В статье рассмотрены преимущества и недостатки существующих адаптивных платформ и подходов. Представлена теоретико-множественная модель для построения интеллектуальной адаптивной платформы обучения.
Интеллектуальная составляющая данных систем основывается на технологиях: Big Data, Data Mining, Learning Analytics. Их применение в образовании создает свои положительные аспекты:
1) для обучающихся (использовать виртуального преподавателя для подбора материала, определять темп обучения (нагрузку), выбирать индивидуальную траекторию обучения, виртуально моделировать ситуацию, готовиться к ЕГЭ);
2) для преподавателя (аргументировать те или иные нововведения (выводы), выстраивать индивидуальную последовательность учебного плана и связанные с ним учебные навыки для каждого учащегося, искать скрытые закономерности, эффективнее использовать элементы групповой работы, грамотно выстраивать занятия, осуществлять прогноз успешности обучения и своевременное внесение изменения).
Однако, несмотря на столько положительных сторон интеллектуального адаптивного обучения, ряд авторов выделяет отрицательные или сомнительные стороны:
1) из процесса обучения нельзя полностью исключить преподавателя;
2) при большом количестве переменных-показателей не существует единой модели развития событий;
3) при ошибочном построении траектории обучения непонятно, кто будет нести ответственность;
4) вопрос стандарта сбора и предоставления личной информации обучающихся до сих пор открыт.
Не следует забывать о психологической, гендерной, эмоциональной составляющей при индивидуализации обучения.
Таким образом, преподаватель может использовать элементы интеллектуальной адаптивности процесса обучения, однако само обучение не должно становиться полностью адаптивным. Наиболее подходящей будет смешанная модель.
Библиографический список
1. Барсегян А.А. Технологи анализа данных: Data Mining, Visual Mining, Text Mining, OLAP / А. А. Баргесян, М.С. Куприянов, В.В. Степаненко, И.И. Холод. СПб.: БХВ-Петербург, 2007. 384 с.
2. Бурняшов В.А. Персонализация как мировой тренд электронного обучения в учреждениях высшего образования // Современные проблемы науки и образования. 2017. № 1. С. 90
3. Горюшкин Е.И. Использование нейросетевых технологий в адаптивном тестировании по информатике в вузе: дис. ... канд. пед. наук. М., 2009. 176 с.
4. Зайцев К.С. Применение методов Data Mining для поддержки процессов управления IT-услугами: учеб. пособие. М.: МИФИ, 2009. 96 с.
5. Захарова И.Г. Big Data и управление образовательным процессом // Вестник Тюменского государственного университета. Гуманитарные исследования. Humanitates. 2017. № 1. С. 210-219.
6. Захарова И.Г., Плотоненко Ю.А., Тарасова О.В. Прогнозирование качества высшего образования на основе технологий машинного обучения // Информатизация непрерывного образования - 2018. М.: РУДН. 2018. Т. 1. С. 60-64.
7. Онлайн портал MyLab & Mastering [Сайт]. URL: https://www.pearsonmylabandmastering.com/global/ (дата обращения: 10.12.2018)
8. Официальный сайт платформы цифрового обучения Smart Sparrow [Сайт]. URL: https://www.smartsparrow.com/ (дата обращения: 10.12.2018)
9. Официальный сайт платформы цифрового обучения Aero [Сайт]. URL: https://www.smartsparrow.com/aero/ (дата обращения: 10.12.2018)
10. Официальный сайт образовательной платформы онлайн-курсов [Сайт]. URL: https://welcome.stepik.org/ru (дата обращения: 10.12.2018)
11.Павлюк А.А. Система интеллектуального анализа данных для прогнозирования успешности учебной деятельности: дис. ... канд. техн. наук. М.: РГБ, 2005. 116 с.
12. Тархов С.В. Адаптивное электронное обучение и оценка его эффективности // Открытое образование. М: Российский экономический университет имени Г.В. Плеханова. 2005. С. 37-48.
13. Урман А. Нейросеть вместо препода, игра вместо зубрежки: как искусственный интеллект изменит образование [Сайт]. URL: https://knife.media/ai-education/ (дата обращения: 02.12.2018)
14. Усачев А.В. Нейросетевая мультилингвистическая система адаптивного обучения терминологической лексике: дис. ... канд. техн. наук. М.: РГБ, 2005. 158 с.
15. Херрингтон Ч. Анализируй это: как большие данные совершат революцию в образовании [Сайт]. URL: http://digitaloctober.ru/ru/events/analiziruy_eto_kak_big_data_sovershit_revolyutsiyu_v_obra zovanii (дата обращения: 04.12.2018)
16. Чубукова И.А. Data Mining. М.: НОУ «Интуит», 2016. 471 c.
17. Knewton: адаптивное обучение в действии [Сайт]. URL: https://newtonew.com/tech/knewton-adaptivnoe-obuchenie-v-dejstvii (дата обращения: 02.12.2018)
18. Adaptive learning [Сайт]. URL:https://www.edsurge.com/research/special-reports/adaptive-learning/ (дата обращения: 02.12.2018)
19. Daniel J Levitin Q&A. Why the modern world is bad for your brain [Сайт]. URL:https://www.theguardian.com/science/2015/jan/18/modern-world-bad-for-brain-daniel-j-levitin-organized-mind-information-overload (дата обращения: 04.12.2018)
20. How software that learns as it teaches is upgrading Brazilian education [Сайт]. URL:https://www.theguardian.com/technology/2016/jan/10/geekie-educational-software-brazil-machine-learning (дата обращения: 03.12.2018)
21.Intelligent Adaptive Learning: An Essential Element of 21st Century Teaching and Learning [Сайт]. URL:http://www.dreambox.com/white-papers/intelligent-adaptive-learning-an-essential-element-of-21 st-century-teaching-and-learning (дата обращения: 03.12.2018)
