Технология моделирования компьютерных обучающих систем репетиторского типа Текст научной статьи по специальности «Компьютерные и информационные науки»

< <

^

S S

I 1-

X <

ш

1- О.

о; о

< е

I I

-Q S

ЕЦ

ш S

1-

S

ЕЦ

О

S

т

-Q

CQ

LU

S

I

Ш

ЕЦ

CQ

<

О.

С

>

А. Д. Тазетдинов

директор Центра информационных технологий АНО ВПО «Международный банковский институт» (г Санкт-Петербург), кандидат технических наук

радиционно для обучения используется модель динамических систем. Она «создается ради исследований, которые на реальном объекте проводить либо невозможно, либо дорого, либо просто неудобно» [1, с. 5]. Однако в отношении компьютерных автоматизированных обучающих систем репетиторского типа (РАОС) такое определение не вполне справедливо.

Технология моделирования компьютерных обучающих систем репетиторского типа

УДК 378-004.588

По нашему мнению, для РАОС следует выделить два направления моделирования, а именно: моделирование функционирования отдельных частей (блоков) и системы в целом и моделирование процесса усвоения знаний.

Если первое согласуется с традиционными целями моделирования, то второе связано с включением механизмов моделирования в учебный процесс. Назначением репетиторской системы является поддержка гибкого индивидуализированного обучения, а основная задача РАОС состоит в формировании у обучаемого прочного понятийно-смыслового понимания той или иной предметной области. Репетиторские системы отличаются от других автоматизированных обучающих систем (АОС) прежде всего наличием диалоговой формы взаимодействия обучающегося с системой в реальном масштабе времени, когда обратная связь осуществляется не только в процессе контроля, но и в процессе усвоения знаний. Поэтому моделирование процесса обучения может служить мощным механизмом обратной связи, способствующим формированию у обучаемых адекватной самооценки и, как следствие, их более осознанному подходу к процессу обучения. Такое моделирование при использовании его в учебном процессе становится средством самоанализа и осмысления, помогает выявить взаимозависимости влияния различных факторов на запоминание и забывание учебного материала (УМ).

Другой важной причиной включения механизма моделирования в учебный процесс является постепенный набор статистических данных, которые в дальнейшем могут использоваться для уточнения модели обучения. РАОС способна обеспечить достаточно высокий уровень индивидуализации обучения, который достигается благодаря адаптации на основе понятийных множеств. Поэтому совместно с моделями традиционной адаптации в АОС эта модель, как средство прогнозирования, позволит более точно предсказывать поведение обучаемого и управлять им более эффективно. Кроме того, использование статистических данных открывает возможность использовать для выявления потенциально полезных закономерностей технологию добычи данных (Data Mining) [3] с целью их последующего применения при создании обучающих диалогов.

Моделирование работы РАОС

В качестве технологии построения РАОС нами предлагается автоматный принцип реализации как самой системы и всех ее элементов, так и структуры сценариев многошаговых обучающих диалогов [2]. В этом случае РАОС можно представить как систему взаимосвязанных конечных автоматов. Следует отметить, что автоматы и автоматное программирование является сегодня перспективным и весьма актуальным направлением научных исследований [4; 5; 6, с. 22-27]. Автоматный подход позволяет обеспечить высокую степень наблюдаемости и управляемости, особенно для «реактивных», реагирующих на события систем управления, к которым и относится РАОС. Кроме того, при имитационном моделировании объектов управления, в частности РАОС, может эффективно использоваться математический аппарат. В отличие от многих АОС, использующих методы традиционного программирования для репетиторской системы, благодаря применению автоматного подхода при реализации может

быть построена имитационная модель в любой из существующих сред моделирования. Ныне существует множество различных сред визуального моделирования гибридных динамических систем, таких как Model Vision Studium, AnyLogic, Simulink, Dymola, UniMod и др. Программная архитектура, реализующая РАОС, приведена на рис. 1.

В качестве примера рассмотрим одну из частей блока исполнения обучающего диалога, подсистему анализа ответов обучаемого, которая реализует функции анализа ответов, интерактивные механизмы взаимодействия с пользователем в виде подробных описаний ошибок и переходов к дополнительным вопросам в случае неверных ответов. Логика работы анализатора ответов описывается схемой алгоритма, преобразуемой в автомат (рис. 2) с помощью метода, предложенного в работе [4, с. 12-26].

Набор входных переменных и действий автомата, реализующего подсистему анализа ответов, представлен в табл. 1.

На основе перечисленных действий может быть смоделирована и проверена работа каждого элемента и всей системы в целом. Возможность моделирования в данном случае показывает формализованность технологии построения РАОС, а единообразие принципов реализации элементов системы существенно упрощает решение задачи.

Наиболее важной частью репетиторской системы является адаптивный многошаговый обучающий диалог. Мы предлагаем представлять в РАОС каждый такой диалог сценарием, реализуемым в виде автомата с памятью. Наличие памяти в каждом из его состояний (шаге или сцене диалога) позволяет осуществлять дифференцированный анализ ответов обучаемого в зависимости от текущего счетчика посещений этого состояния и вывод соответствующих

реплик или подсказок, что повышает интеллектуальный уровень диалога.

Существуют два уровня формирования логики диалога. Первый (или внешний) — это собственно сам сценарий, его разделы, соответствующие состояниям автомата (рис. 3), условия переходов из одного состояния в другое, а также комментарии и подсказки системы. Количество разделов не ограничено и определяется только логикой описываемого диалога. Каждый раздел может содержать дополнительный вопрос, а также добавочные блоки, осуществляющие многошаговый анализ ответа обучаемого, что позволяет создавать диалоги произвольной длины и сложности. Переход из одного раздела в другой выполняется посредством вычислений наиболее подходящего условия, заданного для текущего входа в раздел блоками условий и действий для найденного выражения поиска или блоками действий по умолчанию.

Второй (внутренний) уровень формирования логики диалога — это сценарий (алгоритм или выражение) поиска ключевых слов, определяющий последовательность их нахождения. Должны ли слова находиться в какой-либо связи между собой, должны ли они вычеркиваться из строки поиска и/или восстанавливаться после нахождения и какой процент точности (правописания) должен быть соблюден? В качестве механизма описания алгоритма поиска ключевых слов предлагается метод, разработанный А. И. Стригуном [10, 11] для синтаксического анализа контекстно-зависимых высказываний на основе разбора функций логических дескрипторов. Язык, лежащий в основе метода, — это скобочная запись, являющаяся логико-дескриптивным выражением и позволяющая определять семантику предполагаемых высказываний, введенных в качестве ответа. Скобка начинается с оператора, который указывает программе способ обработки идущего за ним выражения. Далее

X <

н- cl

к о

с Ö

I I

Рис. 1. Программная архитектура репетиторской обучающей системы

1С IX <

H- CL

о; О < ©

I i

< CL

с

>

Рис. 2. Граф переходов автомата

Таблица 1

Входные переменные и действия анализатора ответов

Входные переменные Действия

x1 Ожидание ГО сценария или выбор раздела y0 Ожидание ID сценария, номера раздела или ответа обучающегося

x2 1 < п yi Установить код ошибки err = 0, выбрать требуемый раздел, увеличить счетчик раздела

x3 Ответ совпал с маской правильного ответа У2 Получение следующей маски правильного ответа

x4 1 < т y3 Сравнение маски с ответом

x5 Ответ совпал с маской неправильного ответа У4 Получение следующей маски неправильного ответа

x6 Ошибка y5 Получение параметров по умолчанию

x7 Ошибка y6 Стандартный обработчик

У7 Установить код ошибки err = 1

y8 Вернуть объяснения ошибки и номер раздела для перехода

следует один или несколько дескрипторов или других выражений. Закрывающей частью скобки служит точка. Существует тринадцать операторов, позволяющих с учетом вложенности составлять выражение произвольной сложности. Механизм префиксной записи операторов идеально подходит для стековой или рекурсивной обработки выражения. Последнее является алгоритмом выполнения проверки текста ответа учащегося. В расширенной форме представления грамматик Бэкуса-Наура этот язык описывается так:

флод ::= (оператор { флод } конец_оператора | оператор {

дескриптор } конец оператора) спец символ : := ' ' ' расширен поиск

расширен поиск ::= (?,*)

дескриптор : := { дескриптор } | (спец символ, расширен поиск,

конец оператора, буква, цифра, ' ') оператор ::= ('&', ' @ ' , ' л ' , ' I ' , ' \ ' , '/', ' [ '] ' , ' {

конец оператора : := '.'

Преимуществами данного языка являются простота, гибкость, возможность составления собственных алгоритмов для каждого требующего проверки выражения.

Если для первого уровня, где сценарий представлен автоматом, может быть построена имитационная мо-

Раздел сценария

Текст вопроса

Блок условий и действий

Счетчик Сценарий поиска ключевых слов

Объяснение ошибки Переход к другому разделу

Действие по умолчанию

Счетчик Переход к другому разделу

Объяснение ошибки

Рис. 3. Структура сценария обучающего диалога

X IX <

— о_

X О < ©

<

дель в любой из существующих сред моделирования, то второй уровень требует создания собственного механизма моделирования и проверки. Разработанный блок выводит в отдельное окно (рис. 4) общий результат поиска и пошаговую последовательность модификации строки поиска. В качестве шагов отладки выступают операторы, дескрипторы и закрываю-

щие точки, в которых происходит свертка скобочного выражения. В таблицу выводится результат поиска дескрипторов.

Такой подход в структурной организации сценариев позволяет применять моделирование на всех уровнях создания обучающего диалога. Для удобства работы в РАОС создан специальный редактор, в котором препо-

"!} http://inet.ibi.spb.ru - МогП1а РГге!оя

Выражение: ] управп руководит нзчап [ прин решен..

Теист для проверки: менеджер это профессиональный навййьгй

управляющий

м е н е дже р это про фессионэльный наемный упрзеляга щи й О

менеджер это профессиональным наемный. менеджер это профессиональный наемный, менеджер это профессиональный наемный, менеджер это профессиональный наемный, менеджер это профессиональный наемный, менеджер это профессиональный наемный, менеджер это профессиональный наемный,

„яющии .яющий

.ЙЮЩИИ

.яющии .яющий .яющий .яющий

Дескрнпюр Найден

управл 1

руководит 0

начал 0

прин 0

решен й

Подстрока найдена!

Готово

¿1

Рис. 4. Окно вывода результатов проверки алгоритма поиска ключевых слов

I IX <

н- сг

О < ©

<

сг

с

>

даватели самостоятельно, без привлечения программиста, могут создавать и модифицировать сценарии диалогов с помощью экранных форм графического интерфейса пользователя.

Моделирование процесса усвоения информации

В результате исследования математических моделей обучения для обучающих систем репетиторского типа автором предлагается аналитическая модель, основанная на теории нечетких множеств. Она более полно отражает механизмы работы памяти и позволяет учитывать влияние различных факторов (например, структуры представления учебного материала, используемого языка понятий или способа и количества повторений на процессы запоминания и забывания). Так, функцию принадлежности, показывающую уровень знаний в момент окончания п + 1 повторения, можно представить следующим рекуррентным уравнением:

Юп+1 (Ь ) =

= 1 -(1 -Юп №)(!■ ю1 = 0,

■ад-к^)-Юп(*)), (1)

где п — количество повторений; юп(£) — уровень знаний перед началом п + 1 повторения; — суммарный коэффициент влияния различных факторов (мотивация, эмоциональность и т. д.) на скорость запоминания в момент повторения; tF — время окончания повторения; юп(^) — уровень знаний сразу после п-го повторения.

Среди различных факторов, влияющих на величину коэффициента можно выделить группу критических факторов (табл. 2), каждый из которых при достижении определенного условного порогового значения определяет верхнюю (ПЗВ) или нижнюю границу запоминания (ПЗН).

Во всех остальных случаях, не попадающих под условия таблицы, коэффициент вычисляется по формуле:

пи _

= к (¿) + £ щ Ю, = 0,1,

(2)

;=1

где ЩЩ) — степень влияния ¿-го фактора в момент времени t; т — количество учитываемых факторов; к(1) — степень влияния неучтенных факторов.

Когда = 0, уровень знаний об учебном материале не увеличивается, а когда = 1, он становится равным единице или, иначе говоря, 100%. Принци-

пиально важно то, что в выражении (1), в отличие от других аналитических моделей процесса усвоения знаний, учтена зависимость от числа повторений УМ [7, 8].

Наиболее часто в литературе процесс забывания описывается с помощью экспоненциальной модели, которая достаточно проста и в то же время хорошо аппроксимирует кривую забывания между двумя временными точками. Тогда аналитическая модель процесса забывания, показывающая уровень знаний в некоторый случайный момент времени t, после п-го повторения учебного материала примет вид:

Юп (Ъ = Юп (Ь )е"К(Мг),

(3)

где К — коэффициент скорости забывания.

Д. А. Новиков указывает, что важнейшей общей закономерностью итеративного научения является замедленно-асимптотический характер кривых научения. Следовательно, величина коэффициента скорости забывания в зависимости от количества повторений также должна монотонно убывать, стремясь к некоторому пределу, и его можно вычислить на момент п-го повторения по формуле:

К = (1 ))е -

(4)

В окончательном виде с учетом влияния различных факторов функция принадлежности к нечеткому множеству П — помню ||П(х) для понятия (или УМ) х, показывающая уровень знаний в некоторый случайный момент времени t, после п-го повторения учебного материала, примет вид следующей зависимости:

, л К+1 ), если t = tF;

М^ ^ = 1 _ (5)

К (^

где юп + вычисляется по формуле (1), а юп(0 — по формуле (3).

К сожалению, точные методы количественного определения величины еще не разработаны. Поэтому имеющиеся методы измерения уровня знаний позволяют произвести лишь грубое сравнение реального процесса усвоения знаний с теоретическими расчетами. Для получения необходимо вводить данные самооценки на каждом шаге обучения. Безусловно, со стороны РАОС относительная величина вычисляется на основании предыдущих шагов. Для выражения (1) по упрощенной формуле (6):

= 1

Ю

п+1 V Т

1 -Юп (^

(6)

Таблица 2

Факторы, критически влияющие на качество запоминания

Название фактора Диапазон влияния

Персональный коэффициент обучаемости (ПКО) «("={0: если ПКО > ПЗВ; если ПКО < ПЗВ

Эмоциональное восприятие события (ЭВ) если ЭВО > ПЗВ; если ЭВО < ПЗВВ

Мотивация (М) Ш = 0, если М < ПЗВ

Внутреннее состояние (ВС) Ш = 0, если ВС < ПЗН

Внешние помехи (ВП) Ш = 0, если ВП > ПЗВ

I I 14 ММ 14 I I ММ 14 I 1| I | I | I II 1| I | I | I II I | I | I | I II I | I | I |М I I I || I I I || I I I || I I I I I I I I || I I I I || I I I п I I I I

О 2,5 7 12 17 22 42 72 120 240 360 480 600 720 840 960 1080 1200 1320 1440 1560

Время,часы

Рис. 5. График процессов запоминания и забывания. Ромбовидными маркерами обозначены достигнутые уровни знания после окончания очередного повторения. Круглыми маркерами обозначен график вычислений РАОС

X IX <

I— CL

о; О < ©

А для выражения (3) — по формулам (7) и (8):

K =

ln к (¿ж (tF ))

t - u

%(tF) = 1 - Ke-

(7)

(8)

На рис. 5 приведены полученные графики процесса усвоения знаний одного из обучаемых.

График с ромбовидными маркерами построен на основании самооценки, а с круглыми — по результатам вычисления системы. Мы видим, что происходит постепенное сближение расчетного графика и графика самооценки, что говорит о работающей посредством обратной связи системе корректировки самооценки обучаемого.

В заключение отметим, что моделирование в РАОС может выполняться с несколькими целями: в одном случае — для анализа работоспособности системы, осмысления и прогнозирования процесса усвоения знании, в другом — с целью повышения качества обучения. Построение имитационной модели РАОС возможно благодаря применению автоматного подхода на всех уровнях реализации ее элементов. В отличие от многих АОС, использующих методы традиционного программирования, для репетиторской системы такая модель может быть построена в любой из существующих сред визуального моделирования.

Моделирование процесса обучения, как средство повышения его качества, может служить мощным механизмом обратной связи, способствующим формированию адекватной самооценки у обучаемых и, как следствие, более осознанному подходу к процессу обучения. Такое моделирование становится средством самоанализа и помогает выявить взаимозависимости влияния различных факторов на запоминание и забывание УМ. Другой важной причиной для включения механизма моделирования в учебный процесс является возможность использования полученных статисти-

ческих данных для выявления с помощью технологии добычи данных (Data Mining) потенциально полезных закономерностей с целью дальнейшего их применения при создании обучающих диалогов в РАОС. Вместе с моделями традиционной адаптации АОС предложенные технологии моделирования позволят более точно предсказывать поведение обучаемого и эффективно управлять им, что положительно отразиться на качестве обучения.

Литература

1. Бенькович Е. С., Колесов Ю. Б., Сениченков Ю. Б. Практическое моделирование динамических систем. СПб.: БХВ-Петербург, 2002.

2. Тазетдинов А. Д. Интерактивные процессы в обучающих системах: методы управления. СПб.: Изд-во Политех. ун-та, 2007.

3. Баргесян А. А. Технология 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.

4. Шалыто А. А., Туккель Н. И. Преобразование итеративных алгоритмов в автоматные // Программирование. 2002. № 5.

5. Карпов Ю. Г. Имитационное моделирование систем. Введение в моделирование с AnyLogic. СПб.: БХВ-Петербург, 2006.

6. Степанов О. Г., Шалыто А. А., Шопырин Д. Г. Предметно-ориентированный язык автоматного программирования на базе динамического языка RUBY // Информационно-управляющие системы. 2007. № 4.

7. Солодова Е. А., Антонов Ю. П. Математическое моделирование педагогических систем // МКО. 2005. Ч. 1.

8. Интернет-порталы: содержание и технологии: Сб. науч. ст. Вып. 4 / [Редкол.: А. Н. Тихонов (пред.) и др.]; ФГУ ГНИИ ИТТ «Информика». М.: Просвещение, 2007.

9. Новиков Д. А. Закономерности итеративного научения. М.: Ин-т проблем управления РАН, 1998.

10. Стригун А. И. Тестирующая среда «Поларис» // Федоров Б. И., Джалиашвили З. О. Логика компьютерного диалога. М.: Онега, 1994.

11. Система тестирования с использованием свободного ответа: А.С. 4229 ОФАП / А. Д. Тазетдинов, А. И. Стригун. № ГР 50200500081 // Алгоритмы и программы: Сб. М.: ВНТИЦ, 2005.