CC BY
15
УДК 004.891, 37.02
Д. Н. Буторин
РАЗЛИЧНЫЕ АСПЕКТЫ ИНТЕЛЛЕКТУАЛЬНОЙ ОБУЧАЮЩЕЙ СИСТЕМЫ, ОСНОВАННОЙ НА ПРОБЛЕМНЫХ СИТУАЦИЯХ
Разработана специальная система дистанционного обучения для более эффективной передачи опыта экспертов всем обучаемым. Новизна состоит в том, что система основана на решении проблемных ситуаций и является универсальной для многих предметных областей. Эксперты в предметной области формируют базу знаний, преподаватели создают задачи, а студенты учатся оптимально находить причины проблем. Система самообучается, используя информацию о ходе решения задачи, и выдает рекомендации преподавателю по методике обучения. Система реализована в виде м>вЬ-приложения.
Основной проблемой исследования является развитие у обучаемых умений и навыков эффективных и оптимальных действий в условиях проблемных ситуаций. Увеличивающийся информационный поток, усложнение технических объектов обслуживания и развитие взаимосвязей между отдельными объектами различных систем выдвигают критерий эффективности и оптимальности действий при локализации проблем на первое место. Вместе с тем, решение проблемных ситуаций при обучении различным дисциплинам способствует развитию аналитического и логического мышления, необходимого во всех сферах практической деятельности. Кроме того, решение данной проблемы с возможностью развития навыков особенно важно в дистанционном обучении. Объектом исследования в работе выступает процесс приобретения навыков и опыта при решении проблемных задач в ходе изучения различных естественнонаучных дисциплин. Предметом исследования является технология реализации методики проблемного обучения для развития навыков эффективных и оптимальных действий с помощью специальной интеллектуальной обучающей системы в условиях дистанционного образования.
В настоящее время разрабатывается и создается интеллектуальная обучающая система открытого образования на основе проблемных ситуаций. Разработку данной системы можно воспринимать под разным углом. Доминируют два основных взгляда на систему. Во-первых, новизна ее состоит в воплощении интеллектуальности системы с помощью комплекса различных самообучающихся и адаптивных алгоритмов. Здесь можно говорить о технической стороне работы. Во-вторых, система рассматривается как инструмент реализации проблемного обучения. Цель ее состоит в представлении эффективности обучения с помощью обучающей системы как инструмента. Здесь можно говорить о методической стороне работы. С методической стороны деятельностные задачи, особенно направленные на преодоление проблем, являются наиболее эффективными. Разрабатываемая система является оригинальным воплощением методики проблемного обучения в дистанционном образовании.
Обучающая система ставит обучающегося на место эксперта, который, имея цель и противоречие, возникающее при достижении этой цели, должен найти причину проблемы. Система собирает информацию о поведении обучаемых при решении проблемных ситуаций, определяет класс задач, который задает
преподаватель в тех или иных условиях. В итоге анализируется и выделяется наиболее оптимальная последовательность действий для обучения конкретного студента. Другими словами, система накапливает и анализирует преподавательский опыт и применяет его в автономном режиме обучения. В реальной практике формализованные знания могут сформировать эксперты в предметной области. Поэтому именно эта категория пользователей системы должна наполнять экспертную базу знаний проблемных ситуаций. Преподаватель, имея глубокие знания о методах и технологиях обучения, соединяет конкретные проблемные задачи с разделами того или иного курса и влияет на приобретение опыта обучаемыми, а также на эффективность самого процесса обучения. Вследствие этого, в данной обучающей системе происходит разделение пользователей на три группы: эксперты, преподаватели и студенты.
Описываемая обучающая система является ярким примером проективной стратегии обучения, основанной на принципе «многие-ко-многим» [1]. Здесь опыт многих экспертов используют множество преподавателей для обучения многих студентов. С учетом развития сети Интернет как глобального телекоммуникационного пространства подобную систему наиболее эффективно реализовывать в виде web-приложения. Система функционирует на основе экспертной базы знаний, которая реализована в реляционной базе данных. Вычислительные алгоритмы выполнены на платформе NET Framework. Обучающая система устроена так, что она позволяет моделировать проблемные ситуации и технологию их устранения. Предлагаемая универсальная компьютерная система будет иметь отличия как от реальных жизненных условий, так и от узкоспециализированных имитационных тренажеров и представлять нечто среднее. Анализируя возможные типы проблемных ситуаций в различных источниках [2-4], можно сделать вывод, что существует несколько основных их видов: поиск цели, поиск способа действий, поиск недостающего условия, определение проблемы. Одним из наиболее распространенных видов является поиск недостающего условия, поэтому он реализован в системе в первую очередь. Если обучаемый имеет достаточный опыт в предметной области, то, используя инструменты проверок предположений и запуска запросов для определения выполняемости гипотез, возможно точно и оптимально выявить причину проблемы в задаче. Основываясь на показателях оптимальности решения, характери-
стиках задачи и самого обучаемого, выносится решение о типах и методах воздействия на студента.
В основе структуры знаний лежат два типа объектов - цель и условия для ее достижения. Формально структура выражается в продукционных правилах или в виде древовидной структуры. Каждый узел данного дерева (рис. 1) представляет собой цель, для достижения которой необходимо выполнение конкретных условий. Каждое условие может быть простым или сложным, т. е. требовать для своего выполнения более глубокие условия.
В данной системе предусмотрены узлы следующих типов:
- обычное условие - условие для цели в обычном его понимании;
- альтернатива - данный тип условия необходим в сложных ситуациях, когда цель может выполняться на различных множествах альтернативных условий. Например, цель «передача данных по сети» требует различных условий в зависимости от типа сети («Ethernet», «Wi-Fi» и т. д.). В конкретной создаваемой задаче работает только одна групп альтернатив в каждом уровне целей;
- группа условий - узел, группирующий множество условий.
Все условия цели должны удовлетворять следующим требованиям:
1) неизбыточность - не должно быть лишних условий, без которых цель и так выполняется;
2) непротиворечивость - одновременное выполнение условий не должно приводить к противоречиям;
3) независимость - выполнение некоторого условия не должно зависеть от одного или нескольких условий, принадлежащих данной цели.
Таким образом, каждое условия должно быть атомарным, независимым, и как можно более простым. Если некоторое условие или условия не выполняются относительно некоторой цели, возникает проблема (противоречие, ошибка, неполадка). Формирование базы проблемы происходит на основе таблицы с полями: цель, отсутствующее условие, проблема. На основе этой базы данных определяются проблемы для конкретной задачи, а также вычисляются основные ее характеристики, например, сложность. Базу знаний вместе с базой проблем создают эксперты в предметной области. Проблемную задачу создает преподаватель, данный процесс состоит из нескольких шагов: выбор исходной цели, выбор альтернативных ветвей, выбор отсутствующего условия или условий. Эти данные совместно с дополнительной информацией оформляются в виде задачи. Перед началом решения задачи студент видит исходные данные: цель задачи и описание проявления проблемы. После начала решения задачи обучаемому становятся доступными инструменты решения задачи. Вся технология ее решения сводится к поиску проблемы, т. е. отсутствующего условия или условий, если их несколько, используя при этом дополнительную информацию о выполнении других условий. Поиск условий производится по ключевым словам, а в виде результата возвращается информация о том, выполняется условие или нет. В ходе проведения проверок анализируется информация об
оптимальности действий студента. Так, оптимальными проверками считаются те, которые уменьшают степень неопределенности причины проблемы. При обучении контролируются параметры самой задачи, а также изменяющиеся характеристики обучаемых. Контролю подлежат следующие параметры задач:
1) глубина условия - номер уровня от цели, на котором находится отсутствующее условие;
2) сложность задачи - количество условий, при невыполнении которых относительно данной цели возникает аналогичная проблема;
3) трудоемкость задачи - количество невыполненных условий в задаче.
Вычисляются следующие параметры студентов по решенным задачам:
- уровень оптимальности, т. е. отношение количества относящихся к локализации проблемы проверок к общему числу проверок;
- среднее приращение неопределенности причины проблемы в задачах;
- среднее количество нерешенных задач.
В ходе работы системы контролируются также примененные воздействия. В результате анализа статистической информации имеется возможность определить оптимальную серию воздействий. Это даст возможность эмулировать действия преподавателя по обучению студентов в зависимости от начального состояния обучаемого. Для решения этой задачи разработаны два режима работы системы: режим обучения с учителем и автономный самообучающийся режим. Первые несколько циклов работы система функционирует в режиме обучения с учителем (рис. 2). При накоплении достаточного объема данных и формировании четко выраженной модели обучения система переводится в автономный режим работы. В данном режиме система лишь корректирует модель, продолжая самообучаться [5]. На первом этапе этого режима собирается информация об обучаемых на основании решенных проблемных задач. Массив данных кластеризуется на N кластеров, чтобы выделить определенные группы обучаемых, на которых возможно действовать одним и тем же методом.
При первом проходе цикла после этапа кластеризации данных построение модели переходов пропускается и происходит только на следующем цикле. Далее система вычисляет, из каких кластеров в какие перешли студенты. На каждом цикле вероятности переходов уточняются с помощью вычисления средне -взвешенного значения на основе предыдущего и текущего значений. С течением времени образуется сложная сетевая структура переходов обучаемых (рис. 3).
Аналитическая информация предоставляется учителю, он выбирает способы воздействия на обучаемых. Методы воздействия заключается в задании новых задач, указании ссылок на теоретический материал и т. д. Когда модель переходов приобретает ярко-выраженный характер, система переводится в режим автономного обучения. В этом случае этап построения модели заменяется корректировкой модели, она производится с учетом новых данных. Определение воздействий происходит на основании методов оптимизации.
Рис. 1. Схема фрагмента дерева базы знаний
Рис. 2. Схема обучения системы
Т: 1
М
Рис. 3. Общая структура переходов обучаемых между кластерами во времени
Выбор серии воздействий на основе модели переходов можно рассматривать как оптимизацию стохастического процесса с дискретным контролем времени при нечетко заданных условиях. Данная задача решается методом Беллмана-Заде [6]. Начальные условия для процесса оптимизации задаются преподавателем в виде указания функции принадлежности наиболее предпочтительного кластера студентов. Чем ближе значение этой функции к единице, тем
большее имеется желание, чтобы данный кластер был конечным в процессе обучения студента. Система вырабатывает последовательность действий с любого момента времени для обучаемого из любого кластера.
Основными алгоритмами системы являются следующие:
1) автоматическая кластеризация объектов в Ы-мерном пространстве;
2) автоматическое решение задачи оптимизации стохастического процесса методом Беллмана-Заде;
3) вычисление уровня оптимальности решения задачи.
В качестве алгоритма автоматической кластеризации выбран «горный» алгоритм [7], так как он позволяет произвести автоматическую кластеризацию при отсутствии информации о количестве кластеров. Для оптимизации центров кластеров используется алгоритм к-средних [7; 8]. Оптимальное количество кластеров выбирается исходя из минимума отношения среднего внутрикластерного расстояния и среднего межкластерного расстояния [9]. Общая схема алгоритма выглядит следующим образом:
1. Определить центр ^го (1-го) кластера.
2. Оптимизировать центр по алгоритму к-средних.
3. Определить отношение сп среднего внутрикла-стерного расстояния и среднего межкластерного расстояния.
4. Если сп < сп _ 1 , то остановить кластеризацию, иначе вернуться к п. 1.
Работа алгоритма Беллмана-Заде заключается в определении оптимальной последовательности воздействий и переходов между состояниями в определенные моменты времени для достижения наиболее желаемого класса. Критерием в данном случае служит мнение учителя. В базе данных хранится информации об обучаемом и протокол событий, в котором указывается в какие моменты времени, в каких классах находился обучаемый, а также каким методом в этот момент на него воздействовали. На основе этих данных формируется модель переходов, затем алгоритм Беллмана-Заде рассчитывает оптимальную последовательность переходов.
За каждой проверкой пользователя необходимо вычислить оптимальность его действий. В начале решения задачи уровень неопределенности причины принимается равным 1, и с каждым шагом она должна снижается до 0. Если значение не меняется, значит обучаемый действует неоптимально. Подозреваемое условие - это такое простое условие, невыполнение которого приводит к появлению той же проблемы, что и в данной задаче.
Алгоритм действий:
1. Пусть текущая проверка покрывает п0 условий из N. Естественно, п, натурально всегда. Имеем два варианта:
1.1. В множестве затронутых условий есть истинная причина. Тогда за п0 + 1 шагов мы однозначно можем проверить п0 проблем и локализовать задачу полностью, т. е. снизить неопределенность причины проблемы до 0. Соответственно, этот шаг снижает неопределенность решения задачи до следующего значения:
1
Рх = Ро--—,
по + 1
где Р0 - текущая неопределенность (в начале решения равно 1).
Каждое из покрытых условий будет локализовано 1
1.2. В множестве условий нет истинной причины. Тогда каждое из п0 условий будет локализовано на 1, так как среди них точно нет истинной причины и их можно исключить из дальнейшего рассмотрения. Общий уровень неопределенности будет равен
п
Р1 = Ро -
'о
N
где N общее количество условий, вызывающих аналогичную проблему.
2. Реализуя следующую проверку, имеем ряд вариантов:
2.1. Пусть проверка покрыла п условий, где щ < п0, т. е. множество покрываемых условий сузилось относительно одного из предыдущих покрытий.
2.1.1. Если причина проблемы присутствует в покрытии, то через щ шагов неопределенность уменьшится на р2 = р1 - ^ (1 - е1)0 / п1, где с{ - уровень локализации 1-го условия из множества условий пь Уровень локализации каждого условия будет равен
1 - с
1 - с
Щ +1
1. В начале ре-
1 п1 +1 (п0 + 1)(п1 +1) ' шения с0 = 0.
2.1.2. Если причина отсутствует во множестве условий покрытия, то уровень локализации каждого условия дополняется до 1, а общий уровень неопределенности уменьшается на следующее значение:
п
I (1 - с,)
п1
2.2. Пусть п П п0, т. е. множество покрываемых условий пересекается относительно одного из предыдущих покрытий.
2.2.1. Если причина проблемы присутствует в покрытии, тогда для тех условий, которые находятся в пересечении, уровень локализации вычисляется аналогично п. 2.1.1. Для тех, у которых уровень локализации равен нулю, вычисляется как в п. 1.1.
2.2.2. Если причина отсутствует во множестве покрытия, то аналогично п. 2.1.2.
2.3. Пусть п > п0, т. е. множество покрываемых условий расширилось относительно одного из предыдущих покрытий. Это означает, что шаг не приносит никакого уменьшения неопределенности, и она остается прежней.
Все последующие проверки осуществляются аналогично. Выражение
1
всегда меньше единицы, а
на с
п0 +1
с, ® 1, когда , ® То есть любую задачу можно локализовать и снизить неопределенность Р, с 1 до 0.
Как известно, образовательной технологией называется комплекс, состоящий из следующих элементов:
1) некоторого представления планируемых результатов обучения;
2) средств диагностики текущего состояния обучаемых;
3) набора моделей обучения;
4) критериев выбора оптимальной модели для данных конкретных условий.
,=1
пк +1
Описываемая обучающая система требует информацию лишь о первом пункте. Средства диагностики представляются самой системой, набор моделей формируется в процессе накопления данных, критерии выбора оптимальной модели вычисляются с помощью методов оптимизации стохастических процессов с дискретным контролем времени.
Обучающая система находит применение в двух формах: как специальная система дистанционного обучения и как дополнительный инструмент классического обучения. В первом варианте взаимодействие преподавателя и обучаемого происходит только с помощью обучающей системы. Во втором - преподаватель применяет систему как инструмент решения задач в обычной практике. Данная система внедряется на кафедре информатики и вычислительной техники Красноярского государственного педагогического университета имени В. П. Астафьева, а также на кафедре информатики в Ачинском филиале КГПУ на курсах Архитектуры ЭВМ и Компьютерные сети. Система доступна по адресу
http://pl96.achcity.com/tree.
В результате проведенного исследования разработаны оригинальная технология обучения на основе проблемных ситуации и специальная интеллектуальная обучающая система на основе адаптивных алгоритмов. Основная особенность и новизна обучающей системы состоит в том, что, обучаясь в процессе обучения студентов, система накапливает информацию об успешных методиках, и далее может как самостоятельно применять их, так и предлагать учителю набор эффективных управляющих воздействий. В этом плане система включает в себя функции управления процессом обучения. Уникально и то, что небольшая начальная экспертная информация в базе знаний позволяет преподавателю выстраивать сравнительно большое число проблемных ситуаций, которые охватывают широкий диапазон тем по различным дисциплинам обучения. Важнейшим показателем эффективности применения этой специальной обучающей системы является существенная индивидуализация обучения. После исследования индивидуальных характеристик конкретного обучаемого в любой момент времени, система способна показать, какими сериями воздействий обучать его наиболее эффективно, а какие последовательности использовать не стоит. Здесь можно говорить о системе в контексте обучения учителя -
это еще одно важное свойство данной разработки яв -ляется весьма новым для обучающих систем подобного рода.
Библиографический список
1. Пак, Н. И. О роли информационного моделирования в информационных процессах / Н. И. Пак // Проблемы формирования информационно-коммуникационной компетентности выпускника университета начала XXI века : материалы всерос. науч.-практ. конф. (Пермь, Перм.ун-т, 13-15 ноября 2007 г.) / Перм. ун-т. Пермь, 2007. 549 с.
2. Брызгалова, С. И. Проблемное обучение в начальной школе : учеб. пособие / С. И. Брызгалова ; Калинингр. ун-т. Калининград, 1995. 72 с.
3. Брызгалова, С. И. Проблемное обучение в начальной школе : учеб. пособие / С. И. Брызгалова ; Калинингр. ун-т. 2-е изд., испр. и доп. Калининград, 1998. 91 с.
4. Гребенюк, О. С. Общая педагогика : курс лекций / О. С. Гребенюк ; Калинингр. ун-т. Калининград, 1996. 107 с.
5. Буторин, Д. Н. Применение методов оптимизации стохастических процессов с дискретным контролем для решения задачи автоматизированного обучения в образовательном процессе / Д. Н. Буторин // Информатизация педагогического образования : материалы междунар. науч.-практ. конф. (Екатеринбург, 29-31 января 2007 г.) / ГОУ ВПО «Урал. гос. пед. ун-т». Екатеринбург, 2007. Ч. 1. 259 с.
6. Беллман, Р. Принятие решений в расплывчатых условиях / Р. Беллман, Л. Заде // Вопросы анализа и процедуры принятия решений. М. : Мир, 1976. С. 172-215.
7. Штовба, С. Д. Введение в теорию нечетких множеств и нечеткую логику [Электронный ресурс] / С. Д. Штовба. Электрон. дан. Режим доступа: http://www.tspu. tola.ru/ivt/lcopy/Matlab_RU/fuzzylogic/b ook1/index.html. Загл. с экрана.
8. Николенко, С. Алгоритмы кластеризации II [Электронный ресурс] / С. Николенко. Элнктрон. дан. Режим доступа: // http://logic.pdmi.ras.ru/~sergey/ index.php. Загл. с экрана.
9. Николенко, С. Алгоритмы кластеризации I [Электронный ресурс] / С. Николенко. Элнктрон. дан. Режим доступа: http://logic.pdmi.ras.ru/~sergey/index. php. Загл. с экрана.
D. N. Butorin
DIFFERENT ASPECTS OF INTELLECTUAL TEACHING SYSTEM BASED ON PROBLEM SITUATION
Special system of remote teaching based on problem situation is developed. The novelty of research is that the system is based on problem situations and universal for many domains. This system allows to transfer experiences of experts from an expert to a student and makes this process more effectively. Domain experts form a knowledge base, teachers create tasks, and students solve tasks. This system is self-learning system. It learns and gives to teacher advice about method of teaching. Teaching system develops as web-application.
