CC BY
118
УДК 004.891.2
РАЗВИТИЕ ТЕХНОЛОГИЙ ДИСТАНЦИОННОГО ОБУЧЕНИЯ НА ОСНОВЕ ВКЛЮЧЕНИЯ ЭКСПЕРТНЫХ СИСТЕМ*
М.С. Чванова, И.А. Киселева, А.А. Молчанов
В статье проводится анализ развития технологий дистанционного обучения на основе комплексного включения в нее элементов экспертных систем. Рассматриваются проблемы применения и разработки экспертных систем в технологиях дистанционного обучения. Обсуждаются возможности использования аппарата нечеткой логики при создании элементов экспертных систем для дистанционного обучения. Рассмотрена классификация в базе знаний. Приводятся конкретные алгоритмы и примеры: пример разработки элемента экспертной системы для технологий дистанционного обучения «Выбор руководителя проекта» для решения задачи выбора руководителя проекта в студенческой группе при организации групповой проектной деятельности. Делается вывод о том, что способы извлечения знаний должны помочь как обучаемому, так и преподавателю-тьютору снять рутинную нагрузку в процессе индивидуализации обучения, а также высвободить ресурсы для решения принципиально новых дидактических задач, которые обусловлены появлением все расширяющихся возможностей информационных технологий.
Ключевые слова: дистанционное обучение, экспертные системы; нечеткая логика; математический аппарат нечеткой логики.
Приоритетность развития дистанционных образовательных технологий для России занимает, по прогнозу развития отрасли, второе место в общем рейтинге приоритетности всех рассматриваемых технологий. Положительный эффект от их развития очевиден, эксперты связывают его с повышением качества жизни. Вместе с тем, продвижение указанных технологий тормозится и развитием инфраструктуры, и отсутствием подготовленных кадров. Рассмотрим более подробно отдельные проблемные аспекты.
Значительная часть современных технологий дистанционного обучения построена на основе подходов традиционной логики. Они работают, в основном, как средства быстрого доступа к образовательной информации (представленной в текстовой, графической и форме мультимедиа), тестирования и ведения журналов учета и контроля успеваемости обучаемых. Важно заметить, что, не-
* Отдельные результаты исследования получены при финансовой поддержке РГНФ в рамках научно-исследовательского проекта «Разработка инновационной информационно-коммуникационной системы для дистанционного обучения специалистов наукоемких специальностей», проект № 12-06-12006/12.
Исследование выполнено при финансовой поддержке Программы Минобрнауки «Проведение научных исследований молодыми учеными - кандидатами наук» № 14.В37.21.1141, 2012-2013 гг. в рамках научно-исследовательского проекта «Исследование тенденций модернизации технологий дистанционного обучения на основе использования математического аппарата экспертных систем».
смотря на то, что существует множество доступных инструментальных систем, позволяющих реализовать эти технологии, большая часть нагрузки по координации и обеспечению образовательного процесса лежит на человеке.
С другой стороны - парадигма современного обучения ориентируется на развитие познавательных и творческих способностей личности. При этом традиционные линейные методы компьютерного обучения остаются малоэффективными.
Есть, как минимум, два пути преодоления противоречия. Первый - в процессе дистанционного обучения организовывать регулярное общение обучаемых с преподавателями (в этом случае управляет процессом преподаватель, и как консультант, и как эксперт). Второй - в использовании технологий искусственного интеллекта, которые позволяют адаптировать учебный материал для каждого обучаемого, осуществлять интерактивную помощь на уровне подсказок, примеров или объяснений. Они предоставляют возможность формировать эффективные группы общения и совместного обучения в проектной деятельности. Второй путь представляется более прогрессивным.
Значительную рутинную нагрузку в процессе дистанционного обучения могут снять экспертные системы, выполняющие роль педагога-эксперта, методиста-эксперта на каждом из этапов реализации технологии
дистанционного обучения. Реализация этой идеи - весьма непростая задача, обусловленная рядом ментальных, математических и технологических проблем, связанных с особенностями мыслительной деятельности человека. Но именно развитие данного направления представляется наиболее интересными и перспективным для образовательной отрасли.
В начале восьмидесятых годов в исследованиях по искусственному интеллекту сформировалось самостоятельное направление, получившее название «экспертные системы» (ЭС). Исследователи для названия дисциплины часто используют также термин «инженерия знаний», введенный Е. Фейген-баумом. Экспертные системы (ЭС) - это набор программ, выполняющий функции эксперта при решении задач из некоторой предметной области. Название обусловлено тем, что они как бы имитируют людей, являющихся экспертами.
Каждая экспертная система состоит из трех частей: во-первых, из очень большой базы современных данных, во-вторых, подсистемы формирования вопросов и, в-третьих, совокупности правил, позволяющих делать выводы. Некоторые экспертные системы могут рассказать о методе, который они используют при выработке своего заключения.
В нашей стране современное состояние разработок в области экспертных систем можно охарактеризовать как стадию всевозрастающего интереса среди широких слоев исследователей - экономистов, финансистов, преподавателей, инженеров, медиков, психологов, программистов, лингвистов. К сожалению, этот интерес имеет недостаточное материальное подкрепление - явная нехватка учебников и специальной литературы, отсутствие символьных процессоров и рабочих станций искусственного интеллекта, ограниченное финансирование исследований в этой области, слабый отечественный рынок программных продуктов для разработки экспертных систем, высокая стоимость имеющихся делает их применение и анализ эффективности применения практически недоступным.
Общеизвестно, что процесс создания экспертной системы требует участия высококвалифицированных специалистов в об-
ласти искусственного интеллекта, которых пока выпускает небольшое количество высших учебных заведений страны.
Современные исследования в области применения и разработки экспертных систем в образовании, по нашему мнению, условно можно разделить на три группы. К первой группе представляется возможным отнести авторов, исследующих теоретико-педагогические аспекты применения экспертных систем в образовании. Ко второй группе - авторов, которые разработали конкретные экспертные системы для обучения совместно с преподавателями на основе известных технологий. К третьей группе - авторов, которые исследуют новые подходы к созданию экспертных систем для системы образования (в том числе на основе нечеткой логики).
Полезно проанализировать использование экспертных систем в самих системах дистанционного обучения.
Данное направление мало изучено и только развивается, о чем свидетельствует небольшое количество публикаций исследователей-педагогов, работающих в указанном проблемном поле, включая зарубежных авторов и опыт Америки и Евросоюза в использовании и продвижении дистанционных технологий. Публикации по данному направлению носят, в основном, прогнозный характер и характер обсуждения отдельных методов.
Отмечается интерес к распределенным интеллектуальным системам в системе дистанционного обучения, вместе с тем, не совсем ясно как можно эффективно организовать образовательный процесс, чтобы он приводил к желаемому качеству образования. Видимо, речь должна идти, прежде всего, о построении педагогических образовательных моделей в системе открытого образования.
По нашему мнению, проблема обусловлена тем, что значительная часть исследователей в области технологий дистанционного обучения переносят известные в практике методы и приемы, наполняя ими дистанционное обучение. Вместе с тем, совершенно очевидно, что новые технологии в образовании должны опираться на принцип «новых задач». Передовые технологии несут в себе новое решение, новые методы, новые подхо-
ды, новые возможности - еще неизвестные системе образования. Сейчас стало очевидным, что «традиционная лекция» и «традиционный учебник» - малоэффективны при дистанционном обучении. Нужен организованный и направленный доступ к динамичным системам актуальной информации, нужны доступные в любое время «автоматизированные консультации», нужны новые способы и приемы организации совместной проектной деятельности и многое другое.
К настоящему времени накоплен определенный опыт в передаче части интеллектуальных функций (по организации и проведению образовательного процесса) средствам информатизации при дистанционном обучении.
Так, Г.А. Самигулиной приводится пример интеллектуальной экспертной системы дистанционного обучения на основе искусственных иммунных систем, которая позволяет, в зависимости от принадлежности обучаемого к определенной группе, оценить его интеллектуальный потенциал и в соответствии с ним оперативно предоставить индивидуальную программу обучения. На выходе возможна комплексная оценка знаний, дифференциация студентов и прогноз качества полученного образования. Группы определяются экспертами в соответствии с определенными знаниями, практическими навыками, творческими способностями, логическому мышлению и т.д. Экспертная система подразумевает реализацию подсистем:
- «Информационной подсистемы» -разработка методов и средств хранения информации, разработка баз данных, баз знаний. Включает электронные учебники, справочки, каталоги, библиотеки и т.д.;
- «Интеллектуальной подсистемы» -обучение иммунной сети, обработка многомерных данных в режиме реального времени. Применение алгоритма оценок энергий связи на основе свойств гомологичных пептидов позволяет уменьшить ошибки при прогнозировании интеллектуальной системы, что позволяет производить обучение студентов в соответствии с их индивидуальными особенностями;
- «Обучающая подсистема» осуществляет разработку методов, средств и форм подачи обучающей информации, адаптированной на конкретного пользователя с уче-
том его индивидуальных характеристик. Составляется график выполнения объема требуемых работ и сроки реализации;
- «Контролирующая подсистема» предназначена для комплексной оценки знаний обучающегося с целью оперативной корректировки программы и процесса обучения.
Таким образом, в результате оперативного анализа знаний огромного числа обучающихся можно быстро корректировать процесс обучения, так как экспертная система может предложить индивидуальную программу обучения.
Анализ исследований экспертных систем в области дистанционного образования показал, что это новое и актуальное направление в науке, которое мало изучено. Зачастую под экспертной системой педагогами понимается всего лишь тестирование студентов в той или иной системе дистанционного образования и экспертиза их знаний.
Так, А.В. Зубовым и Т.С. Денисовой заявлено о разработке комплексных экспертных интернет-систем для дистанционного обучения на основе «Finport Training System». В системе имеется возможность разрабатывать учебные курсы, проводить обучение и аттестацию и одновременно анализировать результаты и эффективность обучения на основе тестов, разработанных высококвалифицированными специалистами.
В.Г. Никитаевым и Е.Ю. Бердниковичем разработаны мультимедийные курсы дистанционного обучения врачей по гистологической и цитологической диагностике с применением экспертных систем на базе системы управления контентом Moodle. Система позволяет добавлять курсы в контент и на основе тестирования проверять уровень усвоения материала в зависимости от ответа студентов.
Таким образом, в системах дистанционного обучения имеется возможность произвести экспертную оценку знаний на основе разработанных специалистами тестовых заданий.
Вместе с тем, по нашему мнению, технологии дистанционного обучения требуют использования множества подсистем для снятия рутинной нагрузки с организаторов и преподавателей-тьюторов. Эта нагрузка
увеличивается в связи с тем, что человек выбирает для себя свой ритм, темп и время обучения.
Индивидуализация же требует развитой автоматизированной системы «интеллектуальных» подсказок, помощи, консультаций в течение всего периода дистанционного обучения и при использовании разных образовательных методов и приемов: лекций, семинаров, практики, проектной деятельности, конференций, диспута и др. Только уникальные вопросы адресуются преподавателю-эксперту.
На основе анализа публикаций и личной практики организации дистанционного обучения мы пришли к выводу о том, что перечисленные выше «интеллектуальные» подсказки - подсистемы могут быть организованы на разной теоретической и программной основе в виде подключаемых к системе отдельных модулей. Это связано с тем, что подсистемы несут разную интеллектуальную «нагрузку»: где-то достаточно использовать традиционную логику при проектировании конкретной подсистемы, а в другом случае -удобно создавать подсистему с использованием аппарата нечеткой логики, причем можно использовать уже известные технологии - отработанные в практике дистанционного обучения студентов.
По нашему мнению, такой подход позволяет сбалансированно по времени, качеству, трудозатратам (и, что очень важно, возможности расширенного применения) привести к обеспечению технологий дистанционного обучения «интеллектуальными» компонентами.
Прежде всего, нужно использовать базу знаний профессионального педагога-эксперта, который имеет хороший опыт работы с дистанционными технологиями и может прогнозировать само развитие этих технологий. В худшем случае база знаний будет использована как помощник эксперту, в лучшем - как самостоятельный «виртуальный» эксперт.
И здесь открываются первые подводные камни на пути создания базы знаний. Обсудим подробнее их суть и причины появления.
Мы живем в мире плохо поставленных задач, то есть большинство ежедневно решаемых нами задач не имеют четко очерчен-
ных значений «дано», «найти», не говоря уже о способе их решения. Особенно ярко это проявляется в гуманитарных областях знаний, к которым относится и образование как научная отрасль. Они наполнены различными абстрактными формами, которые часто нельзя формализовать на основе традиционной логики.
Источником неопределенности является неполное знание об объекте, неточное выявление у объекта исследования свойств, неточность оценки, субъективность критериев и т.д. Качественные характеристики обычно не имеют эталонов измерения и общепринятых шкал, их приходится конструировать в соответствии с природой изучаемого объекта.
Если нам удается четко определить что «дано» и что необходимо «найти», выстроить логическую цепочку решения задачи, тогда мы можем структурированную таким образом задачу и ее решение переложить на компьютер. Тем более, это хорошо удается, если все описывается математически.
Вместе с тем, важно заметить, что в гуманитарных областях знаний при использовании классической математики наблюдается упрощение реальной ситуации, искажение и уничтожение неоднозначности свойств изучаемого объекта.
В истории развития образования делались попытки описать математически образовательный процесс. На практике эти попытки не увенчались успехом по причине жесткого «отсечения» (в процессе математического моделирования) из него существенных для человека особенностей. Кроме того, невозможно выбрать основной или ведущий критерий из списка рядоположенных и одинаковых по значимости критериев эффективности образовательного процесса - в образовательном процессе важно все.
Человеческий способ рассуждения нечеткими понятиями, естественный язык, заключения в неточных, нечетких терминах значительно затрудняют применение компьютера для снятия рутинной нагрузки с человека в данном случае. Логика человеческого рассуждения основывается не на классической логике, а на логике с нечеткими значениями истинности, с нечеткими связками и нечеткими правилами вывода.
Люди могут расшифровывать неразборчивый почерк, пытаются понимать искаженную речь, решать нестандартные задачи.
В классической математике есть две ситуации для элемента: он либо является, либо не является элементом подмножества. И на этом основана любая формальная логика. А вот понятие нечеткого подмножества основано на «принадлежности элемента подмножеству в большей или меньшей степени».
Л. Заде явился основателем математической дисциплины, в основе которой лежит теория нечетких множеств - шаг на пути к сближению точности традиционной математики и нечеткости реального мира. Он ставил целью создание аппарата, способного моделировать человеческие рассуждения и объяснять приемы принятия человеком решений.
Что привлекло в эту область множество прикладников. Теорию нечетких множеств стали пытаться применить при создании систем, понимающих тексты на естественном языке, использующих неполную информацию, при управлении техническими, социальными и экономическими системами, в системах искусственного интеллекта и ро-бототехнических системах. Она применяется при создании систем управления в технике, систем диагностирования в медицине, при разработке геологических и биологических моделей различных процессов и явлений [1].
В классическом процессе обучения передача знаний и опыта от обучающего к обучаемому происходит посредством вербального общения, в котором обучаемый может задавать уточняющие вопросы; в свою очередь, обучающий выявляет ошибки и пробелы в знаниях обучаемого и способствует их устранению.
В процессе дистанционного обучения в роли обучающего выступает действующая модель виртуального преподавателя, которую наделяют знаниями и способностями реагировать на потребности обучаемого. Виртуальный преподаватель может объединять в себе опыт многих людей, представляет из себя формализованную базу знаний, состоящую из множества взаимосвязанных научных фактов предметной области.
Основными задачами при работе с базами знаний являются: наполнение базы и из-
влечение знаний. Качество работы базы знаний может быть охарактеризовано релевантностью (соответствие ответа пользовательскому запросу) выдаваемых ответов.
База знаний является особого рода базой данных: база фактов + мета-данные (вспомогательные данные). Например, существует условное расписание занятий - некоторая проекция базы знаний:
Таблица 1
Расписание занятий
Понедельник Среда Пятница
История 10:00
Физика 11:40
Биология 13:25
Пример факта: «Семинар по истории будет в понедельник с 10 часов утра». Такие факты считают простыми (односложными), вспомогательные данные для извлечения почти не нужны, достаточно определить правило извлечения: для вопроса «когда будет семинар ХХХХ», вернуть ответ «Семинар ХХХХ будет» + {вывести день и время, соответствующее строке «ХХХХ»}(на алгоритмическом языке программирования).
В случаях, когда факты взаимосвязаны (например «давление увеличится в два раза» и «при повышении температуры на 10 градусов»), вспомогательные данные могут содержать причинно-следственные связи, ссылки на другие факты. Последовательность взаимосвязанных фактов составляет статью. Статьи в базе знаний хранятся в виде текстовых блоков.
Задача наполнения базы сводится к формированию статей и организации ссылок между ними (по такому принципу построена Википедия). Для извлечения знаний используется полнотекстовый поиск по базе (пример: Яндекс, Google).
Рассмотрим проблему извлечения знаний. Пусть база знаний состоит из двух энциклопедических статей и имеется запрос пользователя.
Статья 1: «Онтология - это попытка всеобъемлющей и детальной формализации некоторой области знаний с помощью концептуальной схемы. Обычно такая схема состоит из структуры данных, содержащей все релевантные классы объектов, их связи и правила (теоремы, ограничения), принятые в этой области» (ключевые слова: онтология, информатика)
Статья 2: «Онтология (новолат. ontologia от др.-греч. Óv, род. п. Óvxo^ - сущее, то, что существует и Xóyo^ - учение, наука) - учение о сущем; учение о бытии как таковом; раздел философии, изучающий фундаментальные принципы бытия, наиболее общие сущности и категории сущего»(ключевые слова: онтология, философия)
Запрос: «онтология».
С точки зрения статистического подхода обе статьи содержат ключевое слово «онтология», соответствующее запросу, поэтому равноценны. Однако пользователь, скорее всего, ищет статью в единственном контексте: только «информатика» или только «философия», поэтому релевантность таких статей для конкретного запроса не может быть одинаковой (например, релевантность «Статьи 1» выше относительно «Статьи 2», если пользователь искал информацию о структурах данных). В случаях, когда пользователь вводит запрос, не встречающийся явно в статье, база знаний может вернуть пустой результат (из-за отсутствия четких совпадений). Более того, в статистически ориентированных базах знаний затруднительно ввести аппарат поддержки синонимов. Эти проблемы являются следствием использования четких множеств, когда части или запрос в целом строго входят в статью или строго не входят.
Аппарат нечетких множеств расширяет классические способы систематизации знаний, позволяет находить «мягкие» (из мягких/нечетких вычислений) вхождения текста запроса в статьях базы знаний. Вся дальнейшая работа по созданию системы извлечения базы знаний сводится к расширению множества запросов, на которые экспертная система может ответить.
Рассмотрим классификации в базе знаний. Пусть база знаний содержит информацию об образовательных курсах, которые могут быть классифицированы по признакам: «время публикации», «принадлежность к специальности» и «оценка актуальности».
Возможные четкие запросы: «новый курс», «новый технический курс» (поиск точного соответствия).
Примером расширения множества возможных запросов может являться замена наименования категории «новые» на множест-
во синонимов {«новые»; «последние»; «свежие»}. Замена четкого значения категории на нечеткое множество увеличит число возможных запросов с «?» (количество категорий) до «??» без учета словоформ.
Рис. 1. Классификации в базе знаний
Рассмотрим пример описания статьи с помощью нечеткого наименования. Рассмотрим статью «учебная программа»:
Учебная программа - созданный в рамках системы обучения документ, определяющий содержание и количество знаний, умений и навыков, предназначенных к обязательному усвоению по той или иной учебной дисциплине, распределение их по темам, разделам и периодам обучения.
Помимо полного текста, учебная программа может сопровождаться объяснительной запиской, кратко раскрывающей задачи обучения данному предмету, описывающей последовательность изучения материала, перечисляющей наиболее существенные методы и организационные формы, устанавливающей связь с преподаванием других предметов.
Подберем похожие/близкие слова к фразе «учебная программа».
Рис. 2. Граф для примера описания статьи с помощью нечеткого наименования
Представленный граф делает наименование нечетким: «учебная программа» -«план знаний» - «усваивать суть» - «сущность назидания», поэтому позволяет ответить не только на четкий запрос «учебная программа», но и на множество близких, например: «отражение плана усвоения знаний». Ответ базы знаний - пересечение множеств нечетких ответов по каждому слову, алгоритм поиска:
1. Для каждого слова из запроса сформировать множество вершин графа, ветки которых содержат искомое слово.
2. Пересечением множеств п. 1 станет ответ базы знаний на запрос.
Семантический поиск. Расширяя метод обобщения на всю статью (не только название статьи, но и основной текст), можем получить множество вариаций ее изложения с помощью различных синонимов (семантическое ядро). Такой подход существенно расширит круг возможных запросов, но провоцирует появление некоторых проблем:
1. Проблема ранжирования результатов. Большое количество синонимов для каждой статьи сделает сами статьи близкими по смыслу. Нужно учитывать смысловую близость между словами.
2. Общеупотребимые слова (использование правил для уточнения контекста: если речь об ИТ, то «система» и «объект» - синонимы).
Таким образом, возможностей обычной логики недостаточно, поэтому появляется научная проблема, которая заключается в поиске методов создания экспертных систем, которые могли бы отвечать на вопросы, которых заранее в базе знаний нет, но есть «похожие» (нечетко совпадающие).
Если раньше мы говорили слово ««программа» либо строго относится к темам «образование» и «софт»», то сейчас у нас появляется возможность оперировать более общими и естественными фактами: «если вместе рядом со словом «программа» есть фраза «для компьютера», то тема, скорее всего, - «софт»» и т.д.
Нечеткая логика оперирует правилами вроде «Если ..., то ..., иначе - то».
Кроме этого, в пользу нечетких множеств мы можем привести пример использования нечетких переменных: «х - множество синонимов слова 'софт'», причем для каждого синонима указать степень близости к основному понятию «софт».
Базой знаний, в первую очередь, мы делаем информацию о проектах актуальной (в процессе обучения она наполняется актуальными знаниями), доступной (база знаний отвечает на вопросы, извлекая из паутины фактов нужную информацию), и обеспечиваем высокую скорость доступа к ней для участников проекта (система управления базами знаний быстрее человека). А уж как бонус -снимаем рутину с методистов.
Мы можем уйти в «элементы нечетких множеств» и сделать нечеткий поиск для решения основной задачи - извлечения знаний.
Пример разработки элемента экспертной системы для технологий дистанционного обучения «Выбор руководителя проекта».
Рассмотрим один из примеров реализации аппарата нечетких множеств для решения задачи выбора руководителя проекта в студенческой группе при организации групповой проектной деятельности.
Для реализации экспертной системы будем использовать нечеткое множество и нечеткие запросы.
Характеристикой нечеткого множества выступает функция принадлежности (Membership Function). Обозначим через MFc(x) -степень принадлежности к нечеткому множеству C, представляющей собой обобщение понятия характеристической функции обычного множества. Тогда нечетким множеством С называется множество упорядоченных пар вида C={MFc(x)/x}, MFc(x) [0,1]. Значение MFc(x)=0 означает отсутствие принадлежности к множеству, 1 - полную принадлежность.
Существует свыше десятка типовых форм кривых для задания функций принадлежности.
Треугольная функция принадлежности определяется тройкой чисел (а,Ь,с), и ее значение в точке х вычисляется согласно выражению:
При (Ь-а)=(с-Ь) имеем случай симметричной треугольной функции принадлежности, которая может быть однозначно задана двумя параметрами из тройки (а, Ь, с).
Аналогично для задания трапецеидальной функции принадлежности необходима четверка чисел (а, Ь, с, ё):
При (Ь-а)=(^с) трапецеидальная функция принадлежности принимает симметричный вид.
Рис. 3. Типовые кусочно-линейные функции принадлежности
Основное требование при построении принадлежности должно быть больше нуля функций принадлежности - значение функций хотя бы для одного лингвистического терма.
Таблица 2
Лингвистические переменные и терм-множества для руководителя проекта
Название лингвистической переменной Лингвистические термы (терм-множество) Универсальное множество X
1 Возраст руководителя проекта Молодой [18, 18, 28, 34]
Средний [28, 35, 45, 50]
Выше среднего [42, 53, 60, 60]
Название лингвистической переменной Лингвистические термы (терм-множество) Универсальное множество X
2 Опыт работы над проектом Небольшой [0, 0, 10, 15]
Большой [10, 25, 35, 40]
Очень большой [30, 45, 75, 100]
3 Опыт руководителя проекта Небольшой [0, 0, 10, 15]
Большой [10, 25, 35, 40]
Очень большой [30, 45, 75, 100]
4 Кол-во реализованных проектов Небольшое [0, 0, 10, 18]
Большое [15, 20, 45, 50]
Очень большое [42, 50, 60, 70]
5 Опыт руководства коллективом Небольшой (до 30 чел.) [0, 0, 10, 30]
Большой (от 25 до 50 чел. ) [25, 31, 44, 50]
Очень большой (свыше 40 чел.) [42, 55, 70, 70]
6 Кол-во публикаций Небольшое [0, 0, 10, 18]
Большое [20, 25, 50, 55]
Очень большое [47, 60, 75, 75]
7 Кол-во патентов Небольшое [0, 0, 5, 13]
Большое [10, 15, 40, 45]
Очень большое [32, 50, 60, 70]
8 Опыт участия в конкурсах Небольшой [0, 0, 2, 10]
Большой [8, 13, 28, 33]
Очень большой [25, 28, 35, 50]
1. Формализуем нечеткое понятие «Возраст руководителя проекта».
Зададим для нее область определения Х=[18, 60] и три лингвистических терма -«Молодой», «Средний», «Выше среднего».
Построим трапецеидальную функцию принадлежности со следующими координатами: «Молодой» = [18, 18, 28, 34], «Средний» = [28, 35, 45, 50], «Выше среднего» = [42, 53, 60, 60]:
ВОЗРАСТ
Рис. 4. Трапецеидальная функция принадлежности к нечеткому множеству «Возраст руководителя проекта»
2. Формализуем нечеткое понятие «Опыт работы над проектом».
Зададим для нее область определения Х=[0,100] и три лингвистических терма -«Небольшой», «Большой», «Очень большой».
Построим трапецеидальную функцию принадлежности со следующими координатами: «Небольшой» = [0, 0, 10, 15], «Большой» = [10, 25, 35, 40], «Очень большой» = [30, 45, 75, 100]:
ОПЫТ РАБОТЫ НАД ПРОЕКТОМ
10 15 25 30 35 40 45
100
Рис. 5. Трапецеидальная функция принадлежности к нечеткому множеству «Опыт работы над проектом»
0
3. Формализуем нечеткое понятие «Опыт руководителя проекта».
Зададим для нее область определения Х=[0, 100] и три лингвистических терма -«Небольшой», «Большой», «Очень большой».
4. Формализуем нечеткое понятие «Кол-во реализованных проектов».
Зададим для нее область определения Х=[0, 70] и три лингвистических терма -«Небольшое», «Большое», «Очень большое».
Построим трапецеидальную функцию принадлежности со следующими координатами: «Небольшой» = [0, 0, 10, 15], «Большой» = [10, 25, 35, 40], «Очень большой» = [30, 45, 75, 100]:
Построим трапецеидальную функцию принадлежности со следующими координатами: «Небольшое» = [0, 0, 10, 18], «Большое» = [15, 20, 45, 50], «Очень большое» = [42, 55, 70, 70]:
ОПЫТ РУКОВОДИТЕЛЯ ПРОЕКТА
10
15 25
30 35
40 45
100
Рис. 6. Трапецеидальная функция принадлежности к нечеткому множеству «Опыт руководителя проекта»
0
Рис. 7. Трапецеидальная функция принадлежности к нечеткому множеству «Кол-во реализованных проектов»
КОЛ-ВО РЕАЛИЗОВАННЫХ ПРОЕКТОВ
5. Формализуем нечеткое понятие «Опыт руководства коллективом».
Зададим для нее область определения Х=[0, 300] и три лингвистических терма -«Небольшой», «Большой», «Очень большой».
6. Формализуем нечеткое понятие «Кол-во публикаций».
Зададим для нее область определения Х=[0, 75] и три лингвистических терма -«Небольшое», «Большое», «Очень большое».
Построим трапецеидальную функцию принадлежности со следующими координатами: «Небольшой» = [0, 0, 10, 30], «Большой» = [25, 31, 44, 50], «Очень большой» = [41, 150, 300, 300]:
Построим трапецеидальную функцию принадлежности со следующими координатами: «Небольшое» = [0, 0, 10, 18], «Большое» = [20, 25, 50, 55], «Очень большое» = [47, 60, 75, 75]:
ОПЫТ РУКОВОДСТВА КОЛЛЕКТИВОМ
25
30 31
41 44
50 150
300
Рис. 8. Трапецеидальная функция принадлежности к нечеткому множеству «Опыт руководства коллективом»
0
КОЛ-ВО ПУБЛИКАЦИЙ
Рис. 9. Трапецеидальная функция принадлежности к нечеткому множеству «Кол-во публикаций»
7. Формализуем нечеткое понятие «Кол-во патентов».
Зададим для нее область определения Х=[0, 70] и три лингвистических терма -«Небольшое», «Большое», «Очень большое».
Построим трапецеидальную функцию принадлежности со следующими координатами: «Небольшое» = [0, 0, 5, 13], «Большое» = [10, 15, 40, 45], «Очень большое» = [32, 50, 60, 70]:
КОЛ-ВО ПАТЕНТОВ
Рис. 10. Трапецеидальная функция принадлежности к нечеткому множеству «Кол-во патентов»
8. Формализуем нечеткое понятие «Опыт Построим трапецеидальную функцию при-
участия в конкурсах».
Зададим для нее область определения Х=[0, 50] и три лингвистических терма -«Небольшое», «Большое», «Очень большое».
надлежности со следующими координатами: «Небольшой» = [0, 0, 2, 10], «Большой» = [8, 13, 28, 33], «Очень большой» = [25, 28, 35, 50]:
ОПЫТ УЧАСТИЯ В КОНКУРСАХ
Рис. 11. Трапецеидальная функция принадлежности к нечеткому множеству «Опыт участия в конкурсах»
Таким образом, данные вносятся в таблицу, из которой можно получать нечеткие запросы с помощью операции нечеткое «И».
К такой таблице можно делать нечеткие запросы. Например, получить список всех
Степень принадлежно
молодых руководителей с большим опытом работы над проектом, опытом руководителя проекта, большим количеством реализованных проектов, публикаций, патентов и большим опытом руководства коллективом и участия в конкурсах.
Таблица 3
к нечеткому множеству
Ф.И.О. Возраст руководителя проекта Опыт работы над проектом Опыт руководителя проекта Кол-во реализованных проектов Опыт руководства коллективом Опыт руководства коллективом Кол-во патентов Опыт участия в конкурсах MF
1 X11 X12 X13 X14 X15 X16 X17 X18 MF
2 X21 X22 X23 X24 X25 X26 X27 X28 MF
n Xn1 Xn2 Xn3 Xn4 Xn5 Xn6 Xn7 Xn8 MF
Возвращаясь к основной теме, важно подчеркнуть, что для реализации высококачественных дистанционных курсов экспертные системы должны интегрировать = следующие знания:
- о педагогической технологии, включаемые на этапе ее проектирования;
- об изучаемой предметной области, размещаемые в готовой программной оболочке;
- о психолого-педагогических особенностях обучаемого и его достижениях, которые накапливаются системой в процессе обучения.
Способы извлечения знаний должны помочь как обучаемому, так и преподавателю-тьютору снять рутинную нагрузку в процессе
индивидуализации обучения и высвободить ресурсы для решения принципиально новых дидактических задач, которые обусловлены появлением все расширяющихся возможностей информационных технологий.
Литература
1. Сафин А.Т. Комплексная оценка состояния и потенциала вертикально интегрированных корпоративных структур с применением нечеткой логики // Вестник ЮУрГУ. 2012. № 30. С. 70-74.
References
1. Safin A.T. Kompleksnaja ocenka sostojanija i potencíala vertikal'no integrirovannyh korporativ-nyh struktur s primeneniem nechetkoj logiki // Vestnik JuUrGU. 2012. № 30. S. 70-74.
THE DEVELOPMENT OF TECHNOLOGY-BASED DISTANCE LEARNING ON EXPERT SYSTEMS
M.S. Chvanova, I.A. Kiseleva, A.A. Molchanov
The article analysis of the development of distance learning technologies based on an integrated inclusion of elements of expert systems. The problems of the application and development of expert systems in technology-gies distance learning. The possibilities of using the apparatus of non-clear logic in creating elements of expert systems for distance learning. Paper had shown the classification of
the knowledge base. The concrete algorithms and examples: design example of an element of an expert system for distance learning technologies "Selecting a project manager" to address the problem of choosing a project manager in the student group in the organization of group project work. The conclusion is that the methods of extracting knowledge should help both the student and the teacher-tutor to remove routine workload in the individualization of learning, and free up resources for a fundamentally new teaching tasks that are due to the advent of all-expanding capabilities of information technology.
Key words: distance learning, expert systems, fuzzy logic, mathematical fuzzy logic.
КРАТКИЕ СООБЩЕНИЯ
УДК 378
ОРГАНИЗАЦИЯ ИССЛЕДОВАТЕЛЬСКОЙ ДЕЯТЕЛЬНОСТИ СТУДЕНТОВ В РАМКАХ УЧЕБНОГО ПРОЦЕССА
Е.В. Клыгина
В статье рассматривается организация исследовательской деятельности студентов в рамках курса «История и методология информатики». Выпускники высших учебных заведений должны обладать навыками исследовательской работы. Рассматривается организация научно-исследовательской деятельности в университете. Вовлечь студента в научную деятельность можно посредством выполнения исследовательских работ малого формата. Этими работами могут служить небольшие рефераты, мини-исследования. Рассматриваются примеры рефератов при изучении курса «История и методология информатики». Перечислены основные знания, этапы работы, которые проделали студенты и преподаватель от получения задания до публичного выступления с презентацией по теме на семинарском занятии и написания научной статьи. В статье указано, что в рамках курса «История и методология информатики» студенты не только знакомятся с историей информатики и с понятием методологии науки, но и вовлекаются в исследовательскую работу, в результате которой у студентов развивается творческое, аналитическое мышление, формируются основные профессиональные компетенции.
Ключевые слова: исследовательская деятельность, история и методология информатики.
Для успешного самостоятельного совершенствования своих знаний и использования их в практической деятельности выпускники высших учебных заведений должны обладать навыками исследовательской работы. В стандартах нового поколения и в действующих образовательных стандартах высшего профессионального образования исследовательская составляющая в подготовке студента является весьма значимой. Одним из подходов организации научно-исследовательской деятельности является вовлечение студента в выполнения исследовательских работ «малых» форм (небольших рефератов, мини-исследований и пр.) в рамках учебного процесса [1, 2].
Например, при изучении курса «История и методология информатики» студентам предлагается оценить вклад в развитие вычисли-
тельной техники, информатики, теории информации зарубежных (Б. Паскаль, Г. Лейбниц, Ч. Бэббидж, А. Тьюринг, К. Шэннон, Н. Винер, К. Цузе, Д. фон Нейман и др.) и отечественных ученых (С.А. Лебедев, В.М. Глушков, Ю.Я. Базилевский, В.А. Мельников, В.С. Бурцев, Б.Н. Наумов А.А. Ляпунов, А.П. Ершов и др.); сравнить направления работ отечественных и зарубежных ученых при разработке компьютеров, программного обеспечения; рассмотреть эволюцию развития устройств хранения, обработки, ввода, вывода информации; рассмотреть современные проблемы и перспективы развития информатики и т.д.
В данном случае исследование носит теоретический характер и основывается на анализе литературных источников, сборе и освещении уже имеющихся фактов, поэтому
