CC BY
97Цифровые инструменты образования на основе нейронных сетей
Максимов Виктор Петрович,
д. пед.н., профессор, зав. кафедрой электроэнергетики и физики, Сахалинский государственный университет E-mail: maximov@sakhgu.ru
Карякина Ирина Евгеньевна,
к.э.н., доцент кафедры экономики и финансов, Сахалинский государственный университет E-mail: irakaraykina@gmail.com
Гулевская Альфия Фаиловна,
к. пед.н., доцент кафедры математики, Сахалинский государственный университет E-mail: kaf_energo@sakhgu.ru
В статье рассмотрены цифровые инструменты и сервисы для создания учебного контента в виде электронных образовательных ресурсов, дистанционных учебных курсов. Источником цифровых инструментов служит искусственная нейронная сеть как средство цифрового развития образования. Выбор нейронных сетей объясняется тем, что они обладают весьма эффективным действием в создании индивидуальной траектории обучения и способствуют возможности обрабатывать громадное множество данных, адекватно соответствующих способности человека к обобщению и распознаванию. Представленные инструменты нейронного взаимодействия формируют информационную среду совместной работы обучающего и обучающегося, формируют сервисы для составления порт-фолио обучающегося и создают условия оптимизации учебного процесса. Проведенные исследования выявили способы использования нелинейного математического аппарата с большим количеством первичных факторов, которые необходимо учитывать. Статья будет полезна учителям, преподавателям вузов и колледжей, студентам педагогических специальностей, а также разработчикам образовательного контента.
Ключевые слова: нейрон, сеть, обучение, образование, число, активация, тестирование, процесс, сигнал, симбиоз.
о с
CJ
см о см
В период 2020-2021 учебного года была проведена серия опросов среди методистов, преподавателей и студентов о том, что относится к цифровым инструментам образования. В результате были получены следующие ответы: компьютерные программы, компьютерные игры, компьютерные тесты, видеофильмы, мультфильмы, онлайн экскурсии, конференции в Zoom, Webex и Teams.
В любом случае оказывалось, что цифровыми инструментами называются те, у которых контакт конечного пользователя с источниками информации происходит при помощи электронного устройства, например компьютера, планшета или телефона.
И противоположно, утверждается, что аналоговыми инструментами образования опрошенные называют живую встречу обучающихся с преподавателем в аудитории, живое общение с педагогом на семинаре, реальные экскурсии обучающихся на предприятия.
Что смущает нас в таком разделении? Компьютерные игры, тесты, обучающие фильмы и онлайн конференции существовали еще задолго до конца прошлого века. Сейчас их стало больше, они стали визуально и эмоционально более привлекательными. Применение компьютерных и сетевых информационных технологий стало явлением всемирным, разрабатываются государственные и национальные программы цифровизации общества, производства, образования. Но разве только это отражает смысл цифровизации?
Что же тогда отражает реальный смысл циф-ровизации, в чем же главное отличие цифрового мира от аналогового?
В работе А.А. Вербицкого представлены проблемы, риски и перспективы цифрового обучения, в том числе то, что в аналоговом мире человек, принимая решение в режиме здесь и сейчас опирается на те знания и на ту информацию, которую он помнит, осознает и которую он способен удерживать в голове одномоментно [1]. Способности человека к вычислениям очень ограничены, затрачиваемое время на принятие решений прямо пропорционально количеству переменных и даже, если использовать калькулятор и вычислительное устройство, человек не может воспринимать 1000 параметров одновременно.
Наверное, поэтому в аналоговом мире так заметна разница между интеллектом людей и качеством принимаемых ими решений. А в цифровом мире решение принимается на основе взаимосвязанной обработки практически неограниченного числа параметров. Это могут быть и сотни тысяч, и миллионы параметров и не менее важно, что эта обработка может происходить в режиме реально-
го времени (онлайн). Это есть принципиальное отличие цифрового формата от аналогового.
Аналоговый мир - это мир человека, аналоговое мышление заложено ему природой, ограничением по скорости и объему обрабатываемой информации.
Цифровой мир - это работа на основе непостижимого для человеческого мозга объема информации за непостижимо короткое для человека время.
Более того, инструменты цифрового мира способны не только обрабатывать терабайты информации и связывать в одном месте миллионы событий. Они способны к самообучению на основе этих данных.
Возникает вопрос, а используются ли в настоящее время цифровые форматы обучения сегодня?
Так под руководством А.Ю. Уварова и И.Д. Фру-мина был проведен анализ российских и зарубежных образовательных тестов, размещенных онлайн платно и бесплатно, в результате которого оказалось, что все эти тесты линейны. Они механически подсчитывают баллы и выдают результат точно также как двадцать и даже пятьдесят лет назад [8].
В прошлые времена педагог-исследователь подсчитывал баллы на калькуляторе или арифмометре и выписывал, что получится в итоге. При этом затраты времени составляли не миллисекунду как сейчас на компьютере, а по три-пять минут на каждого исследуемого.
Сейчас в сети существует множество конструкторов для создания тестов и опросов и все они построены по аналоговому принципу. Они сверяют ответы респондентов с заложенными параметрами, ставят балл, затем суммируют эти баллы и соотносят тестирование с тремя или пятью возможными категориями, к которым, по мнению С.В. Па-нюковой, должны принадлежать обучающиеся [7].
Тогда встает вопрос, а в чем же принципиальное отличие таких «новых» цифровых тестов от аналоговых. Ответ прост: их нет. А ведь они могли бы быть вот уже сейчас.
Г.З. Очирова делает обзор систем для создания обучающих структур, в списке которых прочное место занимают искусственные нейронные сети [6].
Использование нейронных сетей невозможно на аналоговом уровне - это и есть именно настоящая цифра. К, примеру, обучающий тест, используемый в процессе обучения, учитывает предыдущий ответ пользователя и автоматически обновляет сценарий в тестах после каждого ответа. То есть для каждого пользователя тест будет разным. Все предыдущие ответы пользователя учитываются при формировании траектории следующих вопросов [4].
Нейронная сеть может автоматически тестировать все элементы обучающей системы, в том числе дидактические единицы, опросы, тесты, последовательности формулировок, пользовательские реакции. При этом каждый раз программа само-
стоятельно обучается, определяя оптимальные стратегии.
Под нейронными сетями в настоящее время Н.Ш. Козлова понимает сложные вычислительные комплексы, которые могут осуществляют не сложные биологические процессы, в том числе процессы деятельности человеческого мозга. Процессы, характеризующие мозг приспосабливаются к окружающим процессам и способны обучаться, так как они реагируют на положительные и отрицательные сигналы. Структурным элементом таких сетей служит искусственный нейрон аналогичный своему биологическому прототипу [3].
Эмпирически искусственную нейронную сеть можно О.В. Машевская представляет в виде электромашинной модели мозга человека, посредством которого нейроны переносят без искажения стабильно хранимые данные на любые расстояния. Данные в такой модели это и есть различная информация, пригодная для анализа, обработки, транспортировки, преобразования и хранения [5].
В своей работе Г.З. Очирова рассматривает нейронные сети как структуры прямого распространения, так и структуры рекуррентные. В первом случае сеть представлена последовательным соединением группы нейронов, а при этом информация всегда направлена только направлении одного вектора. В рекуррентных нейронных сетях информация распространяется более сложным способом [6].
Нейронные сети рекуррентного вида всегда используются в решении сложных проблем, требующие громоздких аналитических расчетов вполне адекватно соответствуя деятельности человеческого мозга.
Наиболее вероятными мыслительными действиями нейронных сетей являются действия классификации, предсказания, распознавания.
«Классификация» представляет собой мыслительное действие распределения каких-либо данных по определенным параметрам. Так нейронная сеть банка выбирает из всей доступной ему совокупности людей только тех, кому можно давать денежный кредит, а кому пока еще не стоит, анализируя всю доступную ей информацию, в том числе, год рождения, годовой доход, место работы, список оплаченных и не оплаченных кредитов и так далее.
«Предсказание» как мыслительная деятельность охватывает возможность на основе причинно-следственных связей предугадать наступление последующих событий. Например, выявить рост или падение курса акций на фондовом рынке.
Мыслительная деятельность «распознавание» позволяет человеку адаптироваться и ориентироваться в меняющихся условиях. Эта деятельность в настоящее время получило особое практическое применение. Так графические редакторы агрегированные с поисковыми системами на основе фотографий лица идентифицируют человека, осуществляют доступ к электронных устройствам,
сз о со "О
1=1 А
—I
о
сз т; о т О от
З
и о со
о с
CJ
см о см
фиксируют события, выявляют нарушения технологических процессов и так далее.
О.В. Калимуллина и И.В. Троценко утверждают, что в искусственных нейронных сетях нейроном является простая вычислительная единица способная получить какую-либо информацию, осуществить с этой информацией элементарные вычисления и осуществить ее передачу. Таким образом, выделяем три основных вида нейронов - входной, преобразовательный и выходной. Совокупность (множество) нейронов одного вида обозначают термином слой. Тогда можно выделить входной слой, который получает информацию, преобразовательный слой, который ее обрабатывают и выходной слой, выводящий результат. Каждому нейронному слою присущи два основных параметра: входные и выходные данные (Input Data, Output Data) [2].
Связь между двумя нейронами называют синапс. Единственным параметром синапса является его вес, что определяет изменение выходных данных по отношению к входным, а общая совокупность весов отдельных слоев нейронной сети это и будет своеобразный мозг системы. Вес нейрона определяет его доминирование и на последующие процессы. Благодаря весу синапса, входные данные не только обрабатывается, но и превращается в существенный результат. Входная информация отображает сумму всей совокупности входных данных с учетом соответствующих им весов.
Изменяя входные данные, синапс влияет на изменение выходных данных, которые передаются от одного слоя к другому, пока не будет достигнуть выходного нейрона. Улучшение результатов возможно посредством ее тренировки или обучения нейронной сети.
Рассмотрим процедуру промежуточного тестирования как элемент обучающей системы искусственной нейронной сети.
Представьте себе средний тест из 20 вопросов с тремя вариантами ответов. В аналоговом мире результатом прохождения теста является опреде-
ление, к какой категории относится обучающийся. Их обычно до 3 или 5 возможных категорий. А при 20 вопросах с тремя ответами это три в степени 20 возможных комбинаций ответов. Это 3 486 784 401 отличающихся вариантов ответов.
Цифровая система обучения, построенная на основе нейронных сетей, в отличие от аналогового обучения может позволить себе не сводить всех людей к 5 или 16 типам. Она различает все три с половиной миллиарда возможных пользовательских ответов друг от друга и может и дальше работать с этими данными. Более того, сейчас, когда мы совмещаем разные тесты в одну систему обучения и помогаем анализирующей программе увидеть корреляцию ответов, число обрабатываемых комбинаций составляет несколько квинтиллионов. Это в миллиард раз больше, чем число всех людей на планете.
Обучение нейронной сети представляет процесс настраивания параметров входных данных и веса соответствующего синапса, что вполне можно охарактеризовать машинным моделированием. Метод обучения и соответствующая ему форма определяется специально подобранным способом регулирования параметров. Обзор цифровых инструментов образования на основе нейронных сетей позволяет выявить следующие алгоритмы обучения - с учителем и без учителя.
Процесс обучения с учителем можно рассматривать как обучение нейронной сети на основе последовательного анализа выборок обучающих примеров. Каждый элемент данных выборки подается на вход, далее данные проходят преобразование и получаются выходные данные, которые сравниваются с соответствующими значениями целевого характера. Далее по заранее выстроенному правилу рассчитывается ошибка сети, что требует изменения весовых параметров внутренних связей сети. Совокупности обучающего множества проходят процесс обучения последовательно, выявляя ошибки и веса и регулируя каждый слой до значения, при котором общая ошибка не достигнет минимального значения (рис. 1).
Рис. 1. Иллюстрация процесса обучения нейронной сети
При обучении нейронной сети без учителя совокупность обучающих структур состоит лишь
из входных данных. Обучающий алгоритм настраивает веса связей сети таким образом, чтобы ана-
логичные входных данные приводили к адекватным выходным данным. При этом свойства обучающего множества позволяют классифицировать данные на разделы, группы, классы, подклассы и подгруппы. Входные данные конкретного класса дают ожидаемые выходные данные. Представление выходных данных должно иметь понятную форму, соответствующую формам, принятым в при взаимодействии человека с человеком. Как правило, такая идентификация результатов не вызывает затруднений.
Описание процесса обучения нейронных сетей средствами математики заключается в том, как при подаче в сети переменной X формируется выходной сигнал Y, через некоторую функцию Y = G(X), где функции G определяется значениями веса и количеством нейронных слоев.
Решением задачи нейронной сети является функция Y = F(X), которая задана параметрами входных данных (XI, Х2, ..., Х^, для которых Yk = F(Xk) (к = 1, 2, ...,
В этом случает обучение нейронной сети является поиск такой функции G, которая даст результат близкий к функции F при наличии допустимой функции ошибки Е.
Тогда решением нейронной сети является функция Y = G(X) + Е(Х),
Определение функции ошибки Е превращает обучение нейронной сети в задачу многомерной минимизации, по критериям приемлемым для человека.
Здесь в пору остановиться и спросить, а зачем нужна такая точность. Ответим, что для человеческого понимания она не нужна, но впереди нас ждет время, когда цифровым системам не потребуется взаимодействовать с человеком при формировании индивидуальной программы обучения.
Взаимодействие будет проходить между цифровыми системами без участия человека. Эти системы для обеспечения безупречности с точки зрения надежности немыслимой аналоговом мире будут использовать все входящие параметры.
В новом цифровом мире, к которому уже сейчас стремимся как такового процесса обучения на аналоговом уровне уже не будет. Он слишком ненадежный и неточный по сравнению с цифровыми моделями.
Даже сейчас, когда мы вынуждены редуцировать данные, чтобы сформировать идентификационную часть теста, при всех упрощениях точность цифровой диагностической системы на порядки выше, если сравнивать с аналоговым подходом.
Сейчас еще нет полноценных систем, которые могут интегрировать друг с другом и обмениваться всем массивом точных данных. Это вопрос времени. Но уже сегодня цифровые инструменты могут повысить мощность цифровой модели обучения и создать условия для расширения инструментария цифровой дидактики. Обучающие программы, построенные на основе нейронной сети, сами могут принимать решения насколько упрощать операционную часть обучающей програм-
мы, система будет обеспечивать обучающегося подсказками, обращать внимание на необычные корреляции, помогать подбирать формулировки, учитывать нюансы, полученные в ответах пользователя. Но последнее слово всё равно остается за человеком. И мы надеемся, что такой симбиоз образования и цифровой системы будет наиболее эффективным решением на сегодняшний день.
Литература
1. Вербицкий А.А. Цифровое обучение: проблемы, риски и перспективы /А. А. Вербицкий // Электронный научно-публицистический журнал «Homo Cyberus». - 2019. - № 1(6). [Электронный ресурс] - Режим доступа: URL: http:// journal.homocyberus.ru/Verbitskiy_AA_1_2019 (дата обращения: 10.10.2021).
2. Калимуллина О. В., Троценко И.В. Современные цифровые образовательные инструменты и цифровая компетентность: анализ существующих проблем и тенденций // Открытое обра-зование.2018.№ 3. С. 61-73.
3. Козлова Н.Ш. Цифровые технологии в образовании // Вестник Майкопского государственного технологического университета. 2019. Вып. 1/40. С. 83-91. DOI: 10.24411/2078-1024-201911008.
4. Максимов В.П. Цифровая школа / В.П. Максимов // Современное педагогическое образование. - 2019. - № 11. - С. 74-78.
5. Машевская О.В. Цифровые технологии как основа цифровой трансформации современного общества //Вестник Полесского государственного университета. Серия общественных и гуманитарных наук. 2020. № 1. С. 37-44.
6. Очирова Г.З. Нейронные сети в обучении // Бизнес-образование в экономике знаний [Электронный ресурс] - Режим доступа: URL: [https:/ buk.irk.ru/library/sbornik_09/ochirova_g. pdf (дата обращения: 10.10.2021).
7. Панюкова С.В. Цифровые инструменты и сервисы в работе педагога. Учебно-методическое пособие. - М,: Изд-во «Про-Пресс», 2020. -33 с.
8. Трудности и перспективы цифровой трансформации образования [Текст] / А.Ю. Уваров, Э. Гейбл, И.В. Дворецкая и др.; под ред. А.Ю. Уварова, И.Д. Фрумина; Нац. исслед. ун-т «Высшая школа экономики», Ин-т образования. - М.: Изд. дом Высшей школы экономики, 2019. - 343 с.
DIGITAL EDUCATION TOOLS BASED ON NEURAL NETWORKS
Maksimov V.P., Karjakina I.E., Gulevskaya A.F.
Sakhalin State University
The article discusses digital tools and services for creating educational content in the form of electronic educational resources, e-learning courses. The source of digital tools is an artificial neural network as a means of digital development of education. The choice of neural networks is explained by the fact that they have a very effective action in creating an individual learning path and contribute
C3
о
CO "O
1=1 А
—I
о
C3 t; о m О от
З
ы о со
to the ability to process a huge set of data that adequately correspond to a person's ability to generalize and recognize. The presented tools of neural interaction form an information environment for the joint work of a trainer and a student, form services for compiling a student's portfolio and create conditions for optimizing the educational process. The conducted research revealed ways of using a nonlinear mathematical apparatus with a large number of primary factors that must be taken into account. The article will be useful for teachers, university and college teachers, students of pedagogical specialties, as well as developers of educational content.
Keywords: neuron, network, learning, education, number, activation, testing, process, signal, symbiosis.
References
1. Verbitsky A.A. Digital learning: problems, risks and prospects / A.A. Verbitsky. A. Verbitsky // Electronic scientific journal "Homo Cyberus". - 2019. - No. 1 (6). [Electronic resource] - Access mode: URL: http://journal.homocyberus.ru/Verbitskiy_ AA_1_2019 (date of access: 10.10.2021).
2. Kalimullina OV, Trotsenko IV Modern digital educational tools and digital competence: analysis of existing problems and trends // Open education. 2018.No. 3.P. 61-73.
3. Kozlova N. Sh. Digital technologies in education // Bulletin of the Maikop State Technological University. 2019. Issue. 1/40. S. 83-91. DOI: 10.24411 / 2078-1024-2019-11008.
4. Maksimov VP Digital school / VP Maksimov // Modern pedagogical education. - 2019. - No. 11. - S. 74-78.
5. Mashevskaya OV Digital technologies as the basis for digital transformation of modern society // Bulletin of Polesie State University. A series of social sciences and humanities. 2020. No. 1. S. 37-44.
6. Ochirova G.Z. Neural networks in learning // Business education in the knowledge economy [Electronic resource] - Access mode: URL: [https: / buk.irk.ru/library/sbornik_09/ochirova_g. pdf (access date: 10/10/2021).
7. Panyukova S.V. Digital tools and services in the work of a teacher. Study guide. - M: Publishing house "Pro-Press", 2020. -33 p.
8. Difficulties and prospects of digital transformation of education [Text] / A. Yu. Uvarov, E. Gable, IV Dvoretskaya and others; ed. A. Yu. Uvarova, I.D. Frumin; Nat. issled. un-t "Higher School of Economics", Institute of Education. - M.: Ed. House of the Higher School of Economics, 2019. - 343 p.
o d
CJ
CM
o
CM
