Пошук по сайту...
Відпочинок для дітей! Табір Райдуга. Чорне море, Крим
Портал Знань Портал безперервного навчання

Портал знань — відкриті навчальні матеріали, дистанційне навчання, дистанційне тестування знань

Навчальні матеріали і Тестування знань


Акція! Сайт, що допоможе дітям...

Лабораторія СЕТ | Дослідження, статті, розробки | Публікації | Освітні інтернет-системи та моделювання знань

Освітні інтернет-системи та моделювання знань

Титенко С.В. Освітні інтернет-системи та моделювання знань // Лабораторія СЕТ. Київ - 2006. http://www.setlab.net/?view=AIED_Overview

Версія статті у форматі DOC

Зміст

Вступ

1. Освітні Інтернет-системи

1.1. Адаптивні і інтелектуальні технології для освітніх Інтернет-систем

1.2. Адаптивні і інтелектуальні освітні системи на основі Інтернет: зміна парадигми ШІО?

1.3. Перспективи адаптивних і інтелектуальних освітніх Інтернет-систем

2. Подання знань в освітній системі

2.1. Когнітивно-семантичний підхід до подання знань

2.2. Мовно-дидактичний підхід до подання знань

2.3. Проблема синтезу підходів

2.4. Деякі технології подання і управління знаннями в освітніх системах…..

2.4.1. Експертні системи

2.4.2. Інтерактивні середовища вивчення

2.4.3. Семантичні мережі

2.4.4. Аналіз текстів та інформаційний пошук

3. Понятійно-тезисна модель подання знань в освітній системі

3.1. Концепція моделі

3.1.1. Поняття та їх класифікація

3.1.2. Тези та їх класифікація

3.2. Формування семантичних даних

3.3. Процес генерації тестових завдань

3.4. Побудова моделі учня і адаптація навчання в ПТМ

3.5. Перспективи ПТМ

4. Висновки

Література

Вступ

Дистанційне навчання покликане забезпечити досягнення сучасних вимог до навчального процесу, втілити принципи відкритості навчання та навчання через все життя. Сучасні освітні тенденції вимагають великої гнучкості та динамічності в організації навчального процесу. Розвиток економіки і галузей народного господарства створює потребу в професійних кадрах нових спеціальностей. Навіть класичні спеціальності вимагають модернізації процесу навчання в умовах стрімкого розвитку науки і техніки. Таким чином виникає потреба в створенні систем навчання нового покоління, характерними рисами яких стане: орієнтація на індивідуальні особливості учня; гнучкість; відкритість для модифікації і розширення; простота підготовки вихідного матеріалу.

Сьогодні провідні науковці в області дистанційної освіти зосереджені на застосуванні усієї міці сучасних високих технологій для інтелектуалізації систем дистанційного навчання. Разом із поширенням досягнень в області штучного інтелекту, підсилюються намагання науковців використовувати вже розроблені технології ШІ, а також винаходити нові спеціально для області освіти. Застосування інтелектуальних розробок для навчання і викладання набуває свого власного дослідницького напрямку із відповідними специфічними для цієї області проблемами. Як результат, виникають нові наукові напрямки на стику різних наук (педагогіки, штучного інтелекту, комп’ютерних наук, психології та ін.): штучний інтелект в освіті (IJAIED), семантичний Веб-простір у Е-навчанні (SW-EL) тощо. Створюються наукові співтовариства, що займаються дослідженням освітніх процесів і застосуванням технологій ШІ для створення комп’ютерних систем навчання. (IJAIED, SW-EL, IFETS, МФ «ОТО»)

Класично дослідження ШІ намагаються пояснити і зрозуміти людський розум, щоб змоделювати його роботу на комп’ютері для вирішення задач у певній предметній області, натомість штучний інтелект у навчанні людини робить ще більший виклик дослідникам ШІ, тому що ставить так би мовити подвійну вимогу інтелектуальній системі – по-перше «розумітися» у предметній області і по-друге «розумітися» на навчанні людини. Херберт А. Сімон зазначає: «Якщо ми зрозуміємо людський розум, ми почнемо розуміти, що ми можемо зробити із освітньою технологією» (Herbert A. Simon 1997). Таким чином проблема моделювання людських міркувань підсилюється ще складнішою проблемою навчання людини.

Як зазначається у (Shapiro, Stuart C. 1992), ШІ і когнітивна наука повинні займатися усією сукупністю процесів пов’язаних із навчанням, що повинно включати моделювання роботи учителів і суб’єктів навчання, пояснення вивчення і навчання як складової людської системи обробки інформації. Сюди ж слід віднести основне завдання освіти – передачу знань. Цей процес і є центром нашої особливої уваги. Особливого значення набуває тут технологія ШІ подання знань. У зв’язку з цим варто зазначити слова Рамеш Джайн, що підкреслюють значущість природної мови для процесу репрезентації знань: «Мова є мовою подання знань» (Ramesh Jain). Дійсно, не зважаючи на досягнення в області подання знань, очевидним залишається той факт, що людська мова володіє неперевершеною виразністю у передачі знань. То ж супутньою проблемою є завдання знайти такі методики і підходи, які разом із використанням обчислювальних структур даних, зрозумілих комп’ютеру, дадуть можливість не втратити природну силу людської мови для маніпулювання знаннями під час автоматизованого освітнього процесу.

Концепція стиснення або формалізації навчальної інформації спирається на провідні теоретичні положення молодої спеціальної галузі інформаційної технології, яка дуже бурхливо розвивається – інженерії знань. Вона спрямована на дослідження проблем набуття, подання та практичного використання знань. В епоху інформаційної насиченості проблеми компонування знання та мобільного його використання набувають колосальної значимості. З цією метою створюються всілякі типи моделей подання знань у стислому, компактному, зручному для використання вигляді (логічні моделі, семантичні мережі, продукційні моделі й ін.). Поряд із цим ефективні способи стиснення навчальної інформації містяться у відомих психолого-педагогічних теоріях змістовного узагальнення, укрупнення дидактичних одиниць, формування системності знань (Дахин А.Н. 1999).

Навчальні комп’ютерні системи мають містити автоматизовану функцію контролю знань та аналізу результатів навчання. Такий підхід зокрема дасть можливість індивідуалізувати процес навчання, примноживши його ефективність. У той час, як багато досліджень в області комп’ютерного контролю знань зосереджені на питаннях валідності і надійності тестів, справедливо відшліфовуючи техніку контролю знань (Аванесов В.С. 1998), питання формування самого банку завдань в більшості випадків залишається виключно прерогативою викладача, що працює з курсом, без пропозицій автоматизації даного процесу. Дійсно намагання автоматизації формування завдань для тесту наштовхується на область штучного інтелекту і питання формалізації знань для подальшого їх використання при складанні контрольних завдань для тесту. Тож постає завдання створення моделі падання знань, на основі якої стане можливою побудова сучасної навчальної системи з широкими можливостями щодо контролю і оцінки знань студентів, широкої адаптивності до потреб учня.

Перша частина роботи дає огляд і точку зору на освітні системи в перспективі їх історичного і технологічного розвитку. Огляд ґрунтується на роботах Петра Брусиловського (Brusilovsky P., Peylo C. 2003; Brusilovsky P. 1996; Brusilovsky P. 1999.) і Кристофа Пейло (Brusilovsky P., Peylo C. 2003).


1. освітні Інтернет-системи

Адаптивні і інтелектуальні освітні Інтернет-системи (АІОІС, англ. Adaptive and intelligent Web-based educational systems - AIWBES) надають альтернативу для традиційного підходу «просто виклади це в Інтернет» в розробці освітнього програмного забезпечення (Brusilovsky & Miller, 2001). АІОІС намагаються бути більш адаптивними за допомогою побудови моделі цілей, переваг та знань для кожного окремого студента, використовуючи цю модель на протязі взаємодії із студентом з метою пристосування до його потреб (Brusilovsky P., Peylo C. 2003). Вони також намагаються бути більш інтелектуальними, об’єднуючи і виконуючи деяку діяльність, що традиційно виконується вчителем-людиною – наприклад, інструктування студентів, або перевірка їх неправильного розуміння. Перші інтелектуальні і адаптивні освітні системи для Інтернет були розроблені у 1995-1996 роках (Brusilovsky, Schwarz, & Weber, 1996a; Brusilovsky, Schwarz, & Weber, 1996b; De Bra, 1996; Nakabayashi, et al., 1995; Okazaki, Watanabe, & Kondo, 1996) . З того часу було розроблено і представлено багато цікавих систем. Зацікавленість в забезпеченні дистанційного навчання через Інтернет сильно спонукала ці дослідницькі намагання. Дослідницьке товариство отримувало допомогу забезпеченням ряду конференцій, які об’єднали дослідників, що працюють над АІОІС, їм надали змогу вчитися один від одного і потім пропагувати ідеї цього дослідницького напрямку через он-лайнові праці конференції (Brusilovsky, Henze, & Millán, 2002;Brusilovsky, Nakabayashi, & Ritter, 1997; Peylo, 2000; Stern, Woolf, & Murray, 1998). Число зацікавлених у АІОІС, що сповіщалося на ранніх стадіях їх розвитку під час цих конференцій, з тих пір досягло рівня зрілості.

1.1. Адаптивні і інтелектуальні технології для освітніх Інтернет-систем

Тип розвинутих навчальних Інтернет-системи, про які іде мова, найчастіше називають адаптивні освітні Інтернет-системи, або інтелектуальні освітні Інтернет-системи. Ці терміни насправді не є синонімами. Говорячи про адаптивні системи ми акцентуємо, що ці системи намагаються бути різними для різних студентів і груп студентів завдяки додаванню до облікового запису інформації, що накопичується в індивідуальній або груповій моделі студентів. Говорячи про інтелектуальні системи ми підкреслюємо, що такі системи застосовують технології з області штучного інтелекту (ШІ) щоб забезпечити користувачам навчальної Інтернет-системи ширшу і кращу підтримку. В той же час багато систем можуть бути класифіковані як інтелектуальні і адаптивні одночасно, значне число систем підпадають лише під одну, з цих категорій. Наприклад, багато інтелектуальних діагностичних систем, включаючи German Tutor (Heift, & Nicholson, 2001) та SQL-Tutor (Mitrovic, 2003) є неадаптивними, тобто вони забезпечать ту ж оцінку у відповідь на той самий розв’язок проблеми, незалежно від минулого досвіду роботи студента із системою. З іншого ж боку велика кількість адаптивних гіпермедійних і адаптивних інформаційно-фільтруючих систем, таких як AHA (De Bra, & Calvi, 1998) або WebCOBALT (Mitsuhara, Ochi, Kanenishi, & Yano, 2002) використовують ефективні але дуже прості технології, які можуть бути віднесені до «інтелектуальних» з великою натяжкою. Перетин між адаптивними і інтелектуальними системами все ще великий (Рис.1.), межі між «інтелектуальними» і «неінтелектуальними» все ще не чіткі, і обидві групи без сумніву є предметом зацікавленості співтовариства області штучного інтелекту в освіті (ШІО – англ. AI-Ed: Artificial Intelligent in Education).

Рис.1. Співвідношення між адаптивними і інтелектуальними

освітніми системами (ОС)

Існуючі АІОІС дуже різноманітні. Вони надають різні види підтримки як для студентів, так і для вчителів, задіяних в процесі Інтернет-навчання. Щоб допомогти зрозуміти це розмаїття систем та ідей, пропонується зосередитися на адаптивних і інтелектуальних технологіях (Brusilovsky, 1996). Під адаптивними і інтелектуальними технологіями ми маємо на увазі різні по суті шляхи додавання адаптивної і інтелектуальної функціональності у начальну систему. Технологія як правило може бути надалі розкладена на структурно менші техніки і методи, які відповідають різним варіантам цієї функціональності і різним шляхам її реалізації (Brusilovsky, 1996).

Огляд (Brusilovsky, 1999) визначив п’ять головних технологій, що використовуються в АІОІС ( Рис.2 ). Ці технології мають прямі корені у двох дослідницьких областях, які добре розвинулись до ери Інтернету – Адаптивне гіпермедіа і Інтелектуальні навчаючі системи (ІНС). Так як їх застосування в контексті Інтернету було відносно простим, ці технології були першими, що з’явилися в АІОІС і вони можуть розглядатися як «класичні» АІОІС-технології. У відповідності до їх виникнення огляд (Brusilovsky, 1999) групує п’ять класичних технологій у Адаптивні технології гіпермедіа та Інтелектуальні технології навчання (Рис.2). Огляд також визначає і групує деякі технології АІОІС у технології «породжені Інтернетом», що з’явилися в Інтернеті недавно і не мають прямих коренів у до-Інтернет навчальних системах.

Рис.2. Класичні технології АІОІС і їх виникнення.

Ми слідуємо огляду (Brusilovsky, 1999) у визначені їх коренів і у групуванні схожих АІОІС технологій, лишаючи набір класичних технологій адаптивного медіа і інтелектуального навчання незмінними. Ми підрозділяємо оригінальну групу породжених Інтернетом технологій на три групи: адаптивна фільтрація інформації, інтелектуальний моніторинг класів і інтелектуальна підтримка співробітництва. П’ять результуючих груп технологій і областей їх виникнення показані на Рис.3. Таблиця 1. надає добрий огляд цих п’яти груп технологій і простих систем для кожної з груп.

Рис.3. П’ять груп сучасних технологій АІОІС


Таблиця 1. Технології АІОІС, їх виникнення та системи-представники.

Джерела АІОІС-технологій

Технології

Приклади систем

Адаптивне гіпермедіа

Адаптивна підтримка навігації

Адаптивне подання

AHA (De Bra, et al., 1998)

InterBook (Brusilovsky, Eklund, & Schwarz, 1998)

KBS-Hyperbook (Henze, & Nejdl, 2001)

MetaLinks (Murray, 2003)

ActiveMath (Melis, et al., 2001)

ELM-ART (Weber, & Brusilovsky, 2001)

INSPIRE (Papanikolaou, Grigoriadou, Kornilakis, & Magoulas, Submitted)

Адаптивна фільтрація інформації

Фільтрація на основі вмісту

Сумісна фільтрація

MLTutor (Smith, & Blandford, 2003)

WebCOBALT (Mitsuhara, et al., 2002)

Інтелектуальний моніторинг класу (нагляд за класом)

HyperClassroom (Oda, Satoh, & Watanabe, 1998)

Інтелектуальне колективне навчання

Адаптивне формування груп і рівноправна (партнерська) допомога

Адаптивна підтримка співробітництва (тренери та наставники)

Віртуальні студенти

PhelpS (Greer, et al., 1998)

HabiPro (Vizcaíno, Contreras, Favela, & Prieto, 2000)

COLER (Constantino Gonzalez, Suthers, & Escamilla De Los Santos,

2003)

EPSILON (Soller, & Lesgold, 2003)

Інтелектуальне навчання (викладання)

Програмування (планування) курсу навчання

Інтелектуальний аналіз рішень

Підтримка прийняття рішень

VC-Prolog-Tutor (Peylo, Teiken,

Rollinger, & Gust, 1999)

SQL-Tutor (Mitrovic, 2003)

German Tutor (Heift, et al., 2001)

ActiveMath (Melis, et al., 2001)

ELM-ART (Weber, et al., 2001)

Інтелектуальний аналіз рішень має справу із студентськими розв’язками навчальних задач (які можуть змінюватись від простих запитань до комплексних програмних завдань). На відміну від неінтелектуальних перевіряючих інструментів, які здатні лише сказати розв’язок вірний чи ні, інтелектуальні аналізатори можуть сказати, що саме невірно або що розв’язано не повністю, і які пропущені чи невірні знання можуть відповідати за помилку. Інтелектуальні аналізатори здатні забезпечити студента потужною технікою зворотнього зв’язку опрацювання помилок і оновленням моделі студента. Через низьку інтерактивність і природну відповідність Інтернету-інтерфейсу форм, ця технологія була реалізована в Інтернеті одною з перших на таких ранніх АІОІС, як ELM-ART (Brusilovsky, et al., 1996a) та WITS (Okazaki, et al., 1996). Системи SQL-Tutor (Mitrovic, 2003), German Tutor (Heift, et al., 2001) і остання версія ELM-ART (Weber, et al., 2001), демонструють декілька шляхів реалізації інтелектуального аналізу рішень у WWW.

Метою інтерактивної підтримки прийняття рішень є забезпечення студента інтелектуальною допомогою на кожному етапі вирішення проблеми – від надання підказки до виконання наступного етапу замість студента. Технологія інтерактивної підтримки прийняття рішень не так популярна у веб-системах, як у окремих інтелектуальних навчальних системах – в основному через проблеми з реалізацією. Як було показано початковими системами, чиста реалізація на стороні сервера, така як PAT-Online (Ritter, 1997) не в змозі активно слідкувати за діями студента і може забезпечувати допомогу лише по запиту. Чиста реалізація на стороні клієнта, така як ADIS (Warendorf, & Tan, 1997) має обмеження по складності. Необхідна функціональність і рівень складності для реалізації інтерактивної підтримки прийняття рішень потребує клієнт-серверної реалізації, такої як AlgeBrain (Alpert, Singley, & Fairweather, 1999), але такі системи складніші в реалізації. ActiveMath (Melis та ін.., 2001) реалізує інтерактивну підтримку прийняття рішень у її планувальнику доведень Омега. На додаток до цього ELM-ART (Weber та ін., 2001) представляє унікальний приклад підтримки прийняття рішень на основі прикладів – це інша низько інтерактивна технологія підтримки, що стає багатообіцяючою у контексті Інтернет.

Адаптивне подання та адаптивна підтримка навігації – дві найбільші технології, що розглядаються системами адаптивного гіпертексту та адаптивного гіпермедіа. Метою технології адаптивного подання є пристосування вмісту кожного вузла (сторінки) до цілей студента, знань і іншої інформації, що зберігається в моделі студента. У системі адаптивного подання сторінки є не статичними, а такими, що адаптивно генеруються або збираються для кожного користувача. ActiveMath (Melis, та ін., 2001) представляє один з найширших серед існуючих прикладів адаптивного подання. На додаток ELM-ART (Weber, та ін., 2001) демонструє спеціальну форму адаптивного подання – адаптивні попередження про освітній стан поточної сторінки. MetaLinks (Murray, 2003) демонструє адаптивне подання для «оповідального згладжування».

Метою технології підтримки адаптивної навігації є допомога студенту зорієнтуватися і переміщуватися у гіперпросторі за допомогою зміни вигляду видимих посилань. Наприклад, система адаптивного гіпермедіа може адаптивно сортувати, анотувати, або частково сховати посилання поточної сторінки для того, щоб спростити вибір, куди пересуватися далі. Підтримка адаптивної навігації розділяє ту саму мету, що й програмування курсу навчання – допомогти студенту знайти оптимальний шлях через навчальний матеріал. В той же час підтримка адаптивної навігації менше управляюча і більше «партнерська» ніж традиційне програмування: вона провадить студента, залишаючи йому можливість самостійно обрати наступний элемент знань для вивчення, наступне завдання для розв’язання. У контексті WWW, де гіпермедіа є базовою організаційною парадигмою, підтримка адаптивної навігації стає як природною, так і ефективною. Вона була серед трьох найперших технологій АІОІС, використаних у таких системах як ELM-ART (Brusilovsky, та ін. , 1996a), InterBook (Brusilovsky, Schwarz, & Weber, 1996c), і стала можливо найпопулярнішою технологією у АІОІС. KBSHyperbook (Henze, та ін. , 2001), ActiveMath (Melis, та ін. , 2001) та ELM-ART (Weber,та ін.,2001) демонструють декілька варіантів адаптивної анотації (коментування) посилань. MLTutor (Smith, та ін. , 2003) використовує сортування та генерацію посилань.

Адаптивна фільтрація інформації (АФІ) – класична технологія з області інформаційного пошуку. Її мета – знайти декілька елементів, що відповідають інтересам користувача, у великому об’ємі (текстових) документів. У Інтернет ця технологія була використана як у пошуковому контексті, так і в контексті перегляду. Вона була застосована для пристосування результатів веб-пошуку, із використанням фільтрації і впорядкування і для вироблення рекомендацій щодо найбільш відповідних документів серед отриманого набору, використовуючи генерацію посилань. Хоча механізми, що використовуються у системах АФІ, дуже відрізняються від механізмів адаптивного гіпермедіа, на рівні інтерфейсу АФІ для Інтерент найчастіше використовують техніку підтримки адаптивної навігації. Існує два принципово різних типи механізмів АФІ, які можуть розглядатися, як дві різні технології АФІ – фільтрація на основі вмісту і сумісна фільтрація. Перша спирається на вміст документа, тоді як остання абсолютно ігнорує вміст, намагаючись замість цього підібрати користувачів, які будуть зацікавлені в однакових документах. Сучасна технологія АФІ широко використовує технології машинного навчання, особливо це стосується фільтрації на основі вмісту. Будучи дуже популярною у області інформаційних систем, АФІ не використовувалися у навчальному контексті у минулому. Об’єм навчального вмісту був порівняно невеликим, і потреба спрямовувати користувача до найбільш підходящого матеріалу з легкістю підтримуваліася адаптивним програмуванням (плануванням) і адаптивним гіпермедіа. Однак Інтернет з його великою кількістю неіндексованих відкритих освітніх ресурсів зробив АФІ-технологію дуже привабливою для освітян. MLTutor (Smith, et al.,2003) представляє один перших цікавих прикладів застосування фільтрації інформації на основі вмісту у навчанні. Навчальний приклад сумісницької АФІ можна знайти у WebCOBALT (Mitsuhara, et al., 2002).

Інтелектуальне колективне навчання – цікава група технологій, розроблена на роздоріжжі двох областей, що початково були далеко одна від одної: колективне навчання з комп’ютерною підтримкою (КНКП) та інтелектуальні навчаючі системи (ІНС). Сучасний напрямок роботи у використанні штучного інтелекту для підтримки колективного навчання призводить до збільшення рівня взаємодії цих двох областей. Тоді як рання робота над інтелектуальним колективним навчанням була виконана у до-Інтеренет контексті (Chan, & Baskin, 1990; Hoppe, 1995), сьогодні маємо Інтернет та Інтернет-освіту, що забезпечили як платформу, так і зростаючий попит на такий тип технології. У Інтернет-освіті потреба у інструментах підтримки колективного навчання є критичною, тому що студенти рідко (чи ніколи) особисто зустрічаються один з одним. Інтелектуальні технології можуть корінним чином розширити міць простих інструментів підтримки колективної роботи (таких як групи потокових дискусій та спільні дошки), що надаються різними системами управління курсами. На даний момент ми можемо зазначити як мінімум три окремі технології у групі інтелектуального колективного навчання: адаптивне формування групи та рівноправна допомога, адаптивна підтримка співробітництва та віртуальні студенти. Хороший приклад підтримки адаптивного співробітництва представлений у роботі COLER (Constantino Gonzalez,et al., 2003).

Технології адаптивного формування груп і рівноправної (партнерської) допомоги намагаються використовувати знання про співпрацюючих членів групи (найчастіше ці знання представлені у моделях студента) для формування підходящої групи для різних типів колективних завдань. Ранні приклади включають формування груп для спільного розв’язання задачі (Hoppe, 1995; Ikeda, Go, & Mizoguchi, 1997) та пошук найбільш компетентного члена групи для відповіді на питання (McCalla, et al., 1997). Обидві течії роботи зараз розвиваються. Команди-початківці узагальнили і розширили свою роботу (Greer, et al., 1998; Mühlenbrock, Tewissen, & Hoppe, 1998), а ряд нових команд розпочали дослідження в цьому напрямку.

Технології для адаптивної підтримки співробітництва намагаються забезпечити інтерактивну підтримку колективного процесу так само, як системи інтерактивної підтримки проблем допомагають окремому студенту у розв’язанні проблеми. Використовуючи деякі знання про хороші і погані зразки співробітництва (які надаються авторами системи або отримуються із журналів спілкування), системи підтримки співробітництва, такі як COLER (Constantino Gonzalez, et al., 2003) або EPSILON (Soller, et al., 2003), можуть тренувати або консультувати членів колективу. Це новий напрямок роботи, який проте швидко розвивається, він бере свої ідеї із класичних областей навчання, таких як ІНС та КНКП (колективне навчання з комп’ютерною підтримкою).

На відміну, технологія віртуальних студентів порівняно стара. Замість підтримуючого вивчення або співробітництва з позиції старшого над студентами (викладач або консультант) ця технологія намагається ввести різні типи рівноправних віртуальних партнерів у навчальне середовище: навчаючий партнер (Chan, et al., 1990), учень або навіть порушник порядку (Frasson, Mengelle, Aïmeur, & Gouardères, 1996). У контексті Інтернет-освіти, де студенти спілкуються головним чином через низько пропускні канали (електронна пошта, чат, форуми), віртуальний студент стає дуже привабливим уособленням для реалізації різних стратегій підтримки. Очікуються більші дослідження у цьому напрямку та його подальша інтеграція з напрямками анімованих агентів та інтелектуальної підтримки співробітництва.

Інтелектуальний моніторинг класів – інша АІОІС-технологія, мотивована Інтернет-освітою. У контексті Інтернет-освіти «віддалений викладач» не може бачити вирази нерозуміння або загубленості на обличчях студентів. З таким чітким браком зворотного зв’язку стає дуже важко визначити проблемних студентів, що потребують додаткової уваги, яскравих студентів, яким слід кинути виклик, так само і визначення частин навчального матеріалу, які є занадто легкими, занадто складними, або незрозумілими. Системи освіти на основі Інтернет можуть відслідковувати кожну дію студента, проте це майже неможливо для викладача-людини знайти який-небудь сенс у великому об’ємі даних, що збирається системою. Системи інтелектуального моніторингу класу (нагляду за класом) намагаються використовувати штучний інтелект, щоб допомогти викладачу в даній ситуації. Цей напрямок роботи було започатковано у HyperClassroom (Oda, et al., 1998), де використовувалася нечітка технологія для визначення студентів, що опинилися в тупику. До недавнього часу HyperClassroom була єдиним прикладом у цьому роді, проте останні роки принесли декілька інших прикладів (Merceron, & Yacef, 2003; Romero, Ventura, Bra, & Castro, 2003). Огляд (Brusilovsky, 1999) групував інтелектуальний моніторинг класу разом з інтелектуальною підтримкою співробітництва. Наразі ми доводимо, що ця течія роботи повинна мати свою власну групу, так як вона зосереджена на відмінних цілях (підтримка викладача) та покладається на відмінну групу технологій ШІ (головним чином інтелектуальний аналіз даних і машинне навчання). В той же час, деякі системи (Chen, & Wasson, 2002; Mbala, Reffay, & Chanier, 2002), які наглядають за процесом співпраці але звітують про проблеми викладачу, замість того, щоб впливати на саму співпрацю, займають місце посередині між моніторингом класу та підтримкою співробітництва.

1.2. Адаптивні і інтелектуальні освітні системи на основі Інтернет: зміна парадигми ШІО?

Аналіз адаптивних і інтелектуальних освітніх систем для Інтернет на рівні технологій показує, що вони мають багато спільного з до-Інтернет системами. Чи повинні ми розглядати АІОІС тільки як реалізацію для Веб ідей, розглянутих раніше? Чи можемо ми сказати, що єдиною різницею між Інтернет і до-Інтернет адаптивними і інтелектуальними системами є платформа реалізації? Очевидно, що різниця між інтелектуальними навчаючими системами (ITS) 1980 і 1990 і новим родом Інтернет систем, які стали популярними в кінці 1990-х рр. є якісною. Тоді як на рівні індивідуальних технологій ми з легкістю можемо помітити схожість між Інтернет і до-Інтернет системами, на рівні всієї системи ми можемо спостерігати скоріше великі відмінності у головному фокусі цих систем, їх контексті застосування, і в загальному наборі характеристик, що підтримуються. Нова платформа і новий контекст застосування Інтернет-систем породжує значну зміну розробницької парадигми. Адаптивні і інтелектуальні освітні Інтернет-системи формують нову розробницьку парадигму у області штучного інтелекту в освіті.

Якщо ми проаналізуємо різноманітність адаптивних і інтелектуальних освітніх систем, розроблених з часів народження області ШІО (штучний інтелект в освіті) у 1970р., ми зможемо виділити по меншій мірі три значних розробницьких парадигми (Табл.2).


Таблиця 2

Порівняння найбільших парадигм штучного інтелекту в освіті

Парадигма ІКВ

Штучний інтелект у комп’ютеризованому викладанні

Парадигма ІНС

Інтелектуальні навчаючі системи

Парадигма АІОІС

Штучний інтелект у освітніх Інтернет-системах

Період часу

1970-ті рр.

1980-1990 рр.

Кінець 1990 – 2000 рр.

Мета

Заміна примітивних САІ у передачі знань

Підтримка прийняття рішень (розв’язання задач)

Всебічна підтримка

Середовище

Класні кімнати без учителів

Класна кімната з помічником або самонавчання

Незалежне самонавчання

Навчальний матеріал

Весь навчальний матеріал знаходиться в системі, найчастіше це презентації, але також вправи і задачі

Немає матеріалу для подання, але проблеми (задачі) завжди присутні

Багатий навчальний матеріал он-лайн: презентації, приклади, задачі (проблеми)

Технології

Планування (програмування) курсів навчання і інтелектуальний аналіз рішень є центральними технологіями

Планування курсів або адаптивне гіпермедіа відсутні.

Інтерактивна підтримка рішень (розв’язання задач) – центральна технологія

Широке використання адаптивного гіпермедіа. Планування навчальних курсів і інтелектуальний аналіз рішень знову стають широко розповсюдженими. З’являється рід технологій, які надихаються Вебом (WWW).

Завершеність системи

Усі системи концентруються на окремій інтелектуальній технології

Більшість системи концентруються на окремій інтелектуальній технології

Більшість системи концентруються на декількох інтелектуальних технологіях

Платформа

Мейнфрейми і мінікомп’ютери

Персональні комп’ютери

WWW

Силою, що рухала найперші систем ШІО було бажання виправити очевидні проблеми домінуючого комп’ютеризованого викладання (КВ – від англ. Computer-Assisted Instruction - CAI) : забезпечити більш інтелектуальне оцінювання знань студента, аніж традиційні питання «так-ні» і питання вибору з декількох варіантів, а також більш адаптивне слідування навчальних фрагментів, аніж у традиційному лінійному і гілчастому підходах (Carbonell, 1970). Такі системи було названо інтелектуальними системами КВ (ІКВ - англ. ІСАІ), або системами штучного інтелекту у комп’ютеризованому викладанні (ШІКВ - англ. АІ-САІ). Системи ІКВ не намагалися змінити середовище застосування, яке добре встановилося, і головні цілі систем КВ, які полягали у передачі знань до студента із наступним пересвідченням їх засвоєння. Як системи КВ так і системи ІКВ намагалися замінити все або частину навчання у класах. Найбільшими інтелектуальними технологіями були планування (Brown, Burton, & Zdybel, 1973; Carbonell, 1970; Koffman, & Perry, 1976) і інтелектуальний аналіз рішень (Brown, & Burton, 1978). Переважною комп’ютерною платформою початкових систем КВ були класичні мейнфрейми і (пізніше) мінікомп’ютери.

Нова парадигма «навчання» (або ж «наставництва», «репетиторства» - навчання за допомогою індивідуального репетитора) була встановлена в кінці 1970 (Burton, & Brown, 1979; Clancey, 1979). Надалі вона розповсюджувалася школою Джона Андерсена і стала домінуючою у 1980 і на початку 1990 рр. Чемпіони нової парадигми проголосили, що основною роботою систем ШІО не є заміна викладача у класі для подання нового матеріалу, але забезпечення індивідуальним наставником, який зможе підтримувати студентів у процесі розв’язання освітніх проблем і формуванні процедурних знань. З тих пір старе ім’я ІКВ («АІ-САІ») більше не мало значення, нові системи і вся область обрало ім’я «інтелектуальні навчаючі системи» (ІНС – англ. Intelligent Tutoring Systems - ITS). На рівні технологій зміна була більш поступовою – нова технологія інтерактивної підтримки прийняття рішень (розв’язання задач) швидко ставала домінуючою, тоді як відносний об’єм роботи у старих технологіях поступово зменшувався. Зацікавленість у плануванні навчального курсу зменшилася, коли більшість ІНС відмовилися мати справу з поданням освітнього матеріалу, залишивши це викладачам. Щодо інтелектуального аналізу рішень, це було визначено як другорядне у порівнянні з технологією прийняття рішень: справжнім викликом було розробити повністю інтерактивну підтримку. Зміна середовища застосування і домінуючих технологій була підтримана (або ж навіть скерована) зміною платформи реалізації від мейнфреймів до персональних комп’ютерів з їх можливостями реалізації привабливих інтерфейсів прийняття рішень.

Те, що ми спостерігаємо зараз - це нова зміна парадигми, яка також спонукається до якоїсь міри зміною платформи і середовища застосування. Мотивуючим середовищем застосування освітніх систем для Інтерент є, природно, освіта на основі Інтернет. У цьому середовищі, коли відсутній учитель, наставник, або навіть рівноправний партнер, освітня система має забезпечити одночасне рішення для всіх потреб студентів. Стара мотивація «подати знання» повернулася у центр уваги і навіть стала домінуючою (так нове покоління систем Інтернет-освіти обрали подавати необхідний освітній матеріал, використовуючи гнучкий гіпертекст замість жорстких систем КВ). Так, багато систем включають (або хоча б зосереджені) подання матеріалів онлайнових курсів – з адаптацією, як у MetaLinks, KBS-Hyperbook, ActiveMath, ELM-ART, MLTutor, або без неї, як у German Tutor. Потреба у підтримці прийняття рішень залишається в центрі уваги. Нові потреби, специфічні для сучасної Інтернет-освіти стали критичними – такі як підтримка колективної роботи та потреба підтримки віддаленого викладача, який працює з невидимим класом. Ця ситуація призвела до появи нових технологій, так само як і до зміни у використанні набору відомих технологій. Адаптивне планування знову стало популярним – сьогодні разом із адаптивним гіпермедіа і адаптивною фільтрацією інформації. Інтелектуальний аналіз рішень став більш привабливим, ніж інтерактивна підтримка прийняття рішень (розв’язку задач), через свою природну здатність до застосування у слабко інтерактивному протоколі HTTP. Технології колективного навчання і нагляду за класом стали цікавою новою ціллю для застосування технологій штучного інтелекту. І, що більш важливо, набір потреб, які підтримані у окремій системі, так само, як і набір застосованих в системі технологій, помітно збільшився. В той час, коли майже всі до-Інтерент системи засереджувалися на конкретній потребі, просуваючись і розширюючи одну з відомих технологій, більшість АІОІС використовують кілька технологій і стають більш завершеними у розумінні освітньої системи «все в одному». Ця тенденція чітко продемонстрована у системі ELM-ART (Weber, et al., 2001). У той час, як ELM-PE (Weber, & Möllenberg, 1995), прототип ELM-ART, була чисто системою підтримки прийняття рішень, ELM-ART, яку рухали потреби ШІО, стала дуже багатогранною системою, яка підтримує майже всі потреби студентів і викладачів.


1.3. Перспективи адаптивних і інтелектуальних освітніх Інтернет-систем

Адаптивні і інтелектуальні освітні Інтернет-системи формують нову захоплюючу течію роботи в області ШІО. WWW дає можливість застосувати набагато ширшу різноманітність технологій ШІ у освітньому контексті. Це приносить велику кількість нових дослідницьких викликів і багато можливостей для комбінації досліджень ШІО із кількома сусідніми областями. WWW також забезпечує відмінну платформу реалізації для дослідників ШІО. Системи, які розроблені для Інтернет, мають більший відрізок життя і кращу видимість. Дослідницька ідея, реалізована у Веб-системі, має набагато кращі шанси вплинути на дослідницьке співтовариство, аніж ідея, яка представлена просто на папері. Більше того, АІОІС з їх простотою доступу та видимості мають набагато більші шанси вплинути на професіоналів, що працюють в області Інтерент-освіти. Ми очікуємо, що ідеї, розроблені у цих системах і самі системи матимуть зростаюче застосування на практиці Інтернет-освіти. Це дозволить ШІО, як області досліджень, надати більший імпульс на удосконалення щоденного освітнього процесу.

Було подано огляд інтелектуальних освітніх Інтернет-систем. Як відомо дослідження ШІ багато уваги приділяють категорії знання. Як результат галузь ШІ пропонує різні моделі для імітації і формалізації людських знань, спираючись на когнітологію. В контексті освіти питання подання знань набуває великої важливості, так як основною ланкою педагогічного процесу є передача знань і їх засвоєння учнями. На відміну від когнітології, керованої областю традиційних досліджень ШІ, подання знань в освітній системі має спиратися також на дидактику і інші педагогічні напрямки. Таким чином проблема створення моделі подання знань для педагогічних цілей набуває свого власного незалежного значення на стику галузей ШІ і Інтернет-освіти. Далі обговорюється проблема подання знань в освітніх системах.

2. подання знань в освітній системі

Освітня система нового покоління робить виклик традиційним формам і методам навчання. Відкривши для себе комп’ютерні технології, працюючи над проблемою штучного інтелекту філософськи і технічно, людство намагається «перекласти» частину відповідальності за власну освіту на комп’ютерні системи. Проте унікальність і багатовимірність створіння «людина» не може в повній мірі втілитися у якості моделі у комп’ютерній системі. Завдання полягає у тому, щоб хоча б частково підтримати і забезпечити освітній процес системами ШІ, що «розуміються» на деяких аспектах освіти людини. Одним із таких аспектів і є власне передача знань, передача оптимальної навчальної інформації, що розкриє учневі навчальний предмет. «Неосмислена» передача електронних матеріалів, що є для системи не більше аніж сукупність бітів «0» та «1», не здатна забезпечити скількись педагогічно ефективний процес навчання. Комп’ютерна система має стати суб’єктом управління процесом передачі знань, радником, помічником і виконавцем для людини-педагога, залишивши позаду скромну роль «безликого» інформаційного посередника. Що для цього потрібно? По-перше, система має «розуміти» той предмет, який подається для вивчення. По-друге система повинна «розумітися» у педагогіці, краще сказати у дидактиці, тобто знати, яким чином цей предмет викласти, враховуючи індивідуальні характеристики учня.

Спробуємо проаналізувати та віднести до різних підходів у контексті подання знань у освітньому процесі різні загальнонаукові та прикладні технічні течії, що займаються питаннями мови та знання. Одним підходом до подання знань буде такий, що передбачає створення так званої філософської або семантичної мови, умовно назвемо його когнітивно-семантичним підходом, тобто такий підхід апелює власне до смислу, до його представлення в людському розумі, не бажаючи залежати від конкретної природної мови людини чи, тим більше, від педагогічних проблем передачі знань. Інший підхід більш мовно-орієнтований і пов'язаний з класичними педагогічними методами, що ґрунтуються на текстуальному представленні знань у навчанні, умовно назвемо його мовно-дидактичним підходом. Таке розділення є досить умовним, дисципліни, які ми будемо відносити до певного підходу не обов’язково являють собою його «чисте» втілення. Деякі наукові напрямки і їх ознаки можуть бути віднесені як до когнітивно-семантичного так і до мовно-дидактичного підходів.

2.1. Когнітивно-семантичний підхід до подання знань

Когнітивно-семантичний підхід можна також охарактеризувати як модель «Знати». Класично дослідження в області штучного інтелекту прагнули створити таку мову подання знань, яка б не залежала від людської мови і була придатна для комп’ютерних маніпуляцій – так звану філософську мову, метамову, семантичну мову (семантичну модель знань). Створивши її, людині слід буде пройти процес передачі (формалізації) своїх знань у цю внутрішню модель знань системи, після чого система буде здатна вирішувати конкретні завдання на основі переданих знань. Зважаючи на досягнення і значні успіхи таких штучних мов для розв’язання деяких завдань, слід однак зазначити, що такий підхід виявляється дуже неефективним при зворотному процесі передачі знань, від системи до людини – у процесі освіти людини. Причиною є нездатність системи «говорити» звичною для людини мовою подання знань – її природною мовою. Отже запорукою ефективності навчальної системи має стати її уміння доносити закладені знання за допомогою природної мови. Очевидним для нас також є і те, що формалізувати абсолютно все знання, до того ж педагогічно представлене, без застосування «чистої» людської мови буде неможливо. Тож слід шукати подальші шляхи інтелектуалізації навчальних систем, в тому числі з філософської перспективи, у контексті освітніх вимог. До семантичного підходу можемо віднести наступні наукові напрямки: когнітологія, когнітивна лінгвістика, семантика, класичні підходи подання знань у штучному інтелекті.

2.2. Мовно-дидактичний підхід до подання знань

Мовно-дидактичний підхід іншими словами – це модель «Навчати». До мовно-дидактичного підходу відносимо дидактику, теорію тексту, герменевтику, поняття гіпертексту. Мовно-дидактичний підхід має забезпечити процес подання знань, що ґрунтується на поточних педагогічних потребах суб’єкта навчання - учня. Тоді як когнітивно-семантичний підхід намагається зробити точний знімок всієї предметної області, відобразивши її в усіх аспектах і залежностях, мовно-дидактичний прагне виявити, яку саме частину знань про навчальний предмет і яким саме чином (текстуальним чином) слід подати студенту так, щоб матеріал був найкраще засвоєним і ефективним з точки зору педагогічних цілей. Тут велике значення мають положення теорії тексту. Наприклад з точки зору цієї теорії кожен текст обов’язково розрахований на сприйняття кимось. У тексті укладена мовнорозумова діяльність пишучого (мовця) суб'єкта, розрахована на відповідну діяльність читача (слухача), на його сприйняття. Важливе значення тут відіграють такі поняття, як комунікативність тексту, мовна компетенція. Для адекватної репрезентації тексту у комп’ютерній системі допоможуть уявлення про мікро- і макроструктуру, про одиниці тексту і його класифікацію. Важливий внесок у дидактичний підхід має зробити герменевтика. Так як ця наука займається тлумаченням тексту, її положення можна застосувати для тлумачення тексту у розумінні його формалізації в комп’ютерній системі. Такі поняття, як контекст, ключові слова в тексті, основна думка автора мають допомогти вірним чином формалізувати знання, що знаходяться в тексті для їх подальшого подання і застосування для перевірки знань студентів.

Важливим питанням, яким має оперувати дидактичний підхід є проблема лінійності – лінійності навчання, лінійності навчального тексту, що подається учневі. Лінійна структура розгортання тексту і глибинна структура повідомлення неадекватні, і тому ця відповідність/невідповідність повинна бути регульованою (Валгина Н.С. 1998). Коли мова іде про індивідуалізоване навчання, регулятором тут має виступати стан підготовленості учня. На відміну від підручника, комп’ютерна система повинна забезпечити адекватне до знань студента подання навчального матеріалу. Тут невідворотна лінійність класичного друкованого тексту має бути подолана. В цьому питанні має допомогти поняття гіпертексту.

2.3. Проблема синтезу підходів

Підсумовуючи, зазначимо, семантичне подання знання, яким воно є (тобто когнітивне), і дидактичне подання знань - це різні підходи і методики. Тобто це різне – знати і навчати. Модель «Знати» - це модель знань, що містяться у нашому розумі (когнітивні аспекти, аспекти класичного ШІ). Модель «Навчати» (передавати знання іншому) – це модель того, як слід подати знання, щоб вони були засвоєнні (тобто стали вмістом у моделі «Знати») – це дидактика і, можливо, когнітологія лише у аспекті сприйняття знань. Але дидактичне подання знань повинно витікати із подання семантичного (когнітивного). Тобто, говорячи про інтелектуальну навчальну систему, по-перше система повинна сприйняти знання і «засвоїти» їх, по-друге на основі семантичної бази знань система повинна вміти будувати дидактичні подання знань для різних груп учнів. Це справжній виклик розробникам такої системи. Слід сумістити семантику і дидактику. Слід сумістити і пов’язати два різних підходи до організації знань.

У цьому контексті звернемо увагу на сучасний розвиток гіпертекстової мережі Інтернет. На сьогодні, як було розглянуто вище, її розробники зіткнулися із схожою проблемою, коли текстуальне подання перестало задовольняти потреби, і намітилася тенденція до об’єднання текстуальної частини із семантичною, завдяки додаванню в гіпертекст семантичних даних і створення так званої онтології (Berners-Lee T. 2005) предметної області, метою якої є репрезентація знань для їх комп’ютерної обробки. Проте, проблемою тут є незв’язаність семантики і тексту. Тобто немає природного зв’язку між текстом, що виражає певні знання природною мовою, і смислом, який задає семантика. За їх відповідність відповідає розробник, а це може бути потенційною загрозою неадекватності тексту і семантичних даних.

Напрошується більш глибока з лінгвістичної, мовної точки зору модель подання знань, яка б могла об’єднати міць комп’ютерних розрахунків (що і є комп’ютерними міркуваннями) і в той же час не відкинула б виразності і універсальності неформалізованої природної мови у поданні знань. Така модель повинна об’єднати надбання досліджень подання знань у штучному інтелекті та когнітивній науці із дидактикою, теорією тексту, герменевтикою та ін. науками, застосовуючи і розвиваючи переваги гіпертексту. Тут необхідно знайти баланс між формалізованими знаннями і знаннями, поданими як є, в тексті. Саме такий симбіоз технологій, зможе стати передумовою для технічної реалізації системи штучного інтелекту, що стане партнером у педагогічному процесі і допоможе людині навчати людину більш ефективніше, примноживши її педагогічну діяльність.

2.4. Деякі технології подання і управління знаннями в освітніх системах

Маючи на увазі попередній виклад концептуальних підходів до подання знань для освітньої системи перелічимо наявні технічні застосування інтелектуальних та взагалі інформаційних технологій до подання знань в комп’ютерному навчанні. Слід зазначити , що кожна з перелічених далі технологій має свої переваги та недоліки і застосовується в контексті різних задач, пов’язаних з навчанням.

2.4.1. Експертні системи

Разом із розквітом експертних систем, бази знань (БЗ) яких будувалися як продукційні системи на основі продукційних правил, робочої пам’яті та механізму логічного виведення, було започатковано багато досліджень по застосуванню таких систем для комп’ютерного навчання. ІНС будували свої бази знань на основі експертних систем, прикладом тут є система GUIDON (Clancey, 1987), автор якої використав медичну експертну систему MYCIN як основу для комп’ютерного викладання в своїй системі (Clancey, 1987). Натомість численні намагання, не зважаючи на успіхи, виявили ряд принципових недоліків у застосуванні такого методу подання знань. Перш за все було виявлено, що експертні системи не в змозі відобразити усі знання експерта (McArthur, D., Lewis, M, and Bishay, M. 1993). Експертні системи були побудовані для продуктивності, не для викладання або пояснення. В той час як експертні системи підтримують механізми виведення, формалізуючи задля цього необхідні правила, вони відкидають елементи знань, що не є необхідними для вирішення задач, такі як, наприклад первинні принципи, або базові поняття, що в свою чергу є дуже важливими в педагогічному контексті. З педагогічної точки зору здатність запам’ятати і застосувати певний набір процедурних правил є менш значущим порівняно із розумінням смислу і походження таких рішень. Загалом комп’ютерні репетитори на базі експертних систем мають тенденцію володіти відносно «тонкими» знаннями предметної області і тому, вони здатні передати розуміння навчальних тем студентам лише поверхнево.

2.4.2. Інтерактивні середовища вивчення

Інтерактивні середовища вивчення (ІСВ, англ. Interactive Learning Environments - ILS) та їх представники мікросвіти (Microworlds) виникають разом із розвитком комп’ютерних технологій як альтернативний підхід ІНС. У контексті подання знань такі системи важко класифікувати чи аналізувати щодо моделей знань, що застосовуються в них. Проте все таки приведемо тут огляд цих систем для отримання ширшої картини щодо різних підходів до подання знань в освітньому процесі.

Тоді як ІНС мають тенденцію повністю контролювати навчальний процес, ІСВ сповідують спосіб навчання, головним ініціатором в якому є студент, який вчиться за допомогою методу дослідження. За допомогою спроектованих у ІСВ об’єктивних властивостей світу, студенти мають змогу вивчати його, досліджуючи ці властивості і відношення (Shute and Glaser, 1990; McArthur, D., Lewis, M, and Bishay, M. 1993).

Таким чином ІСВ намагаються представити студенту частину світу, яка лежить в полі його педагогічних інтересів, надавши йому відповідний інструментарій для зміни параметрів і спостереження. При цьому тут майже не використовується дидактичний вплив на навчання. Дослідницький процес, його інтенсивність, спрямування довіряється самому суб’єкту навчання - студенту.

ІНС і мікросвіти є прибічниками зміни акцентів в технології навчання, що відбуваються під впливом нових технологій, застосованих для освіти. Основними освітніми принципами конструктивізму ІСВ є такі (McArthur, D., Lewis, M, and Bishay, M. 1993):

конструювання, а не інструктування – студенти ефективніше вчаться конструюючи свої знання самостійно, а не під контролем інструкторів;

студентський контроль, а не контроль наставницький – студент має переважне право контролювати своє навчання, наставник виступає в ролі помічника;

індивідуалізація визначається студентом, а не викладачем – тут наставник не має виключного суверенного права повністю контролювати те, як проходить індивідуалізація навчання для потреб студента, студент по меншій мірі бере часткову участь у цьому процесі;

багата реакція, зворотній зв'язок системи генерується на основі взаємодії студента із середовищем вивчання, а не наставником – інформація і поведінка системи мають створюватись у більшій мірі у відповідь на вибори і дії студента, аніж як розповіді, що генеруються наставником.

Щодо моделювання і формалізації знань, то вони закладаються в реалізацію самої системи і відображаються в її поведінці і реакціях на взаємодію з користувачем. В даному випадку моделювання знань носить дещо ширше поняття, аніж мова подання знань чи формальна модель. Тут моделлю виступає вся система, від її програмного ядра і структури БД до інтерфейсу і графіки.

ІСВ мають ряд недоліків. По-перше, це сам метод навчання через дослідження. Такий метод із його скромним дидактичним впливом має ризик не досягти цілей навчання. Навчання може бути неефективним, коли студент обере невірний шлях вивчення, так як ІСВ надають студентам великий простір для досліджень. Також ІСВ переживають труднощі у визначенні і оцінюванні навчальних результатів. Крім усього іншого такі системи є дуже складними для програмної реалізації, а коли мова іде про Інтернет-освіту, їх застосування виявляється особливо ускладненим через саму архітектуру і обмеження мережі Інтернет.

2.4.3. Семантичні мережі

Семантичні мережі є однією із класичних універсальних моделей подання знань у ШІ. Цей підхід має багато застосувань у побудові систем навчання. Основною ідеєю семантичних мереж є так звана тріада: суб’єкт – відношення – об’єкт. За допомогою тріад формується семантична мережа, яка формалізує об’єкти реального світу і відношення між ними.

Особливого поштовху в освіті ця технологія набула разом із створенням концепції Семантичної Павутини (СП, Semantic Web) (Berners-Lee T. 2005; Berners-Lee, T., Hendler, J., and Lassіla, O. 2001), яка обіцяє стати новим еволюційним витком Всесвітньої Мережі Інтернет (WWW). Подання знань в СП ґрунтується на технології семантичних мереж.

Спеціально для підтримки досліджень у сфері Семантичної Павутини для Інтернет-освіти створена спільнота SW-El (Semantic Web for E-Learning) – Семантична Павутина для Е-навчання (СПЕН) (http://www.win.tue.nl/SW-EL/). Вона займається питаннями створення так званих онтологій для освіти та визначенням концепцій для освітніх Інтернет-систем у рамках досліджень СП.

На відміну від експертних систем, що мають змогу маніпулювати процедурними знаннями і правилами, семантичні мережі вміють «міркувати» навчальними поняттями і об’єктами, що дає ширші можливості для передачі і управління знаннями на рівні смислу та формування когнітивних моделей освітнього процесу і учня. Це, серед іншого, дає можливість застосовувати семантичні мережі для організації контролю знань студентів у навчальній системі (Stankov, S., Žitko, B., Grubišić, A. 2005).

Одним з основних недоліків застосування семантичних мереж для подання знань з навчальної області є висока трудомісткість самого процесу створення адекватної мережі. Технологія семантичних мереж вимагає для їх ефективного застосування подання повної картини області – так звана проблема «всеосвіченості» системи (McArthur, D., Lewis, M, and Bishay, M. 1993) – тобто необхідно виконати формалізацію усіх об’єктів і відношень між ними, що часом може викликати серйозні труднощі.

2.4.4. Аналіз текстів та інформаційний пошук

Абсолютно інший підхід являє собою ряд технологій, пов’язаних з аналізом інформації і інформаційним пошуком, що активно застосовуються в Інтернет. В даному випадку знання безпосередньо не формалізуються, а зберігаються в текстовому вигляді. Натомість основний акцент робиться на механізмах видобуття і пошуку необхідної (релевантної) навчальної інформації. Як зазначалося вище, технології інтелектуального аналізу інформації, інформаційного пошуку та інформаційної фільтрації, будучи дуже популярними в області інформаційних систем, не використовувалися раніше у навчальному контексті. Об’єм навчального вмісту був порівняно невеликим, і потреба спрямовувати користувача до найбільш підходящого матеріалу з легкістю підтримувалася адаптивним плануванням курсу навчання і адаптивним гіпермедіа. Однак потреба побудови великих інформаційних освітніх систем, що обслуговуватимуть широкий спектр навчальних дисциплін, та Інтернет з його великою кількістю неіндексованих відкритих освітніх ресурсів зробив ці технології дуже привабливими для розробників сучасних систем освіти. MLTutor (Smith, et al.,2003) представляє один перших цікавих прикладів застосування фільтрації інформації на основі вмісту у навчанні. Навчальний приклад сумісницької адаптивної фільтрації можна знайти у WebCOBALT (Mitsuhara, et al., 2002).

Серед прогресивних напрямків розвитку даних технологій інтелектуальний лінгвістичний аналіз, який дозволить ширше використовувати можливості природної мови для побудови пошукових запитів; а також застосування адаптивності у методах пошуку і фільтрації, що включає побудову моделей користувачів (Brusilovsky, P. and Tasso, C. 2004). Майбутні сценарії пошуку і фільтрації повинні включати інструменти, здатні «розуміти», чого бажає користувач, щоб більш точно оцінювати релевантність документу його потребам, і щоб «слухати» і «навчатись» від користувача, коли він надає корисний зворотний зв'язок під час взаємодії.

Серед переваг підходу аналізу тексту і інформаційного пошуку відносна простота процесу додавання в систему нових знань – фактичне додавання текстових документів. В даному випадку персонал освітньої системи загалом не бере безпосередньої участі у детальній формалізації навчальної інформації на відміну від експертних систем і семантичних мереж. Такі системи не володіють типовим недоліком навчальних систем ШІ, який можна охарактеризувати як вимогу «всеосвіченості» системи з предметної області. Така вимога часом суттєво ускладнює управління навчальними курсами, зменшуючи їх гнучкість і мобільність. В даному випадку аналіз текстів і інформаційний пошук в певних освітніх задачах можуть надавати ефективніші результати. Такі методи можна застосовувати для пошуку специфічної навчальної інформації, що відповідає навчальним цілям учня, а також для адаптивного подання навчального матеріалу і фільтрації елементів, які не відповідають навчальним потребам учня або групи учнів.

Недоліком застосування таких підходів є їх природна обмеженість, пов’язана із слабкою формалізацією і структуризацією навчальної інформації. Методи аналізу і пошуку інформації слід використовувати разом із іншими технологічними рішеннями по збереженню і управлінню знаннями в навчальній системі.

3. Понятійно-тезисна модель подання знань в освітній системі

Вище було розглянуто два концептуальних підходи до подання знань у навчальних системах (когнітивно-семантичний і мовно-дидактичний). Далі було представлено ряд технологій, що застосовуються у різних аспектах управління знаннями в освітніх системах. Це традиційні технології ШІ: експертні системи і семантичні мережі. Окремо представлені підходи інтерактивних середовищ вивчення і мікросвіти та підтримана ними нова парадигма методу навчання через дослідження. Також подано технології аналізу текстів та інформаційного пошуку.

Одним із основних недоліків класичних технологій штучного інтелекту у поданні знань для освіти є так звана проблема всеосвіченості . Далі наводиться короткий екскурс у цю проблему, зроблений МакАртуром у роботі «Ролі штучного інтелекту в освіті: Поточний прогрес і майбутні перспективи» (McArthur, D., Lewis, M, and Bishay, M. 1993). Він стосується першим чином ІНС, що працюють на основі експертних систем, проте ці ідеї можна поширити і на інші застосування класичних підходів ШІ до подання знань у контексті освіти, наприклад до семантичних мереж.

ІНС мають багато обмежень, які стосуються таких їх компонентів, як експертні системи, моделювання студентів, педагогічна компонента та інтерфейс. ІНС були реалізовані як правило на простих і чітко формалізованих предметах. Це пов’язано з тим, що ефективна ІНС повинна володіти віртуальною всеосвіченістю, щодо пердмету, який вона викладає для того, щоб на основі експертної системи мати здатність контролювати неправильні уявлення студентів, процедурні помилки, створювати студентські моделі та реалізовувати високий рівень управління навчанням. Тому ІНС виявляються досить обмеженими для важко формалізованих предметів, таких, наприклад, як гуманітарні науки. (McArthur, D., Lewis, M, and Bishay, M. 1993).

Загалом проблема «всеосвіченості» притаманна системам, створеним на базі когнітивно-семантичного підходу. Далі подамо концепцію понятійно-тезисної моделі знань (ПТМЗ або ПТМ), створеної спеціально для систем навчання. Ми створювали і намагаємося розвивати дану модель, керуючись насамперед мовно-дидактичним принципом, в той же час синтезуючи цей підхід із когнітивно-семантичним напрямком. Серед іншого одним із основних напрямків застосування ПТМ є автоматизація контролю знань в освітній системі. Оцінюючи методику побудови засобів контролю знань згідно з (Brusilovsky, P. and Miller, P. 1999), можна зазначити, що підхід ПТМ дає всебічну підтримку і широкі можливості по автоматизації тестування на всіх трьох рівнях життєвого циклу тесту: підготовки (до активного життя), видачі (активне життя) та оцінки (після активного життя). Так як окрім природної функції оцінювання результатів навчання, складова контрою знань стає основою для застосування адаптивного управління курсом навчання, як було показано в багатьох дослідницьких роботах (Darbhamulla R. and Lawhead. P. 2004), то в підтримці цієї функціональності ми вбачаємо перспективу для подальшого розвитку моделі.

3.1. Концепція моделі

Запропонована понятійно-тезисна модель знань (Гагарін О.О., Луценко А.Н., Титенко С.В. 2005) розробляється на стику багатьох наукових областей, серед яких наступні: інженерія знань як напрямок штучного інтелекту (OWL; Stankov, S., Žitko, B., Grubišić, A. 2005; Елизаренко Г.Н.); педагогіка, а саме її розділ – дидактика, як частина педагогіки, що розкриває правила викладання (Атанов Г.А. 2003; Атанов Г.А., Пустынникова И.Н. 2002); інтерпретація (герменевтика, екзегетика), що вивчає правила тлумачення текстів (Артур К. 1998; Артур К. 1998), а також теорія тексту (Валгина Н.С. 1998); лінгвістика і її розділ семантика, що вивчають закономірності природної мови і проблеми, пов’язані із змістом, значенням, і інтерпретацією лексичних одиниць; і в решті решт базою для реалізації служать комп’ютерні науки - програмування, розробка застосувань баз даних, Веб-програмування.

В освітньому процесі можна виділити три складові: передача навчальної інформації, соціальна складова, що включає спілкування між учасниками освітнього процесу, практичні заняття. Найперша місія дистанційної освіти – спрощення і оптимізація передачі навчальної інформації від носія знань до студента. Історично склалося, що в традиційних формах навчання початковою формою передачі інформації є вербальний спосіб (викладач читає лекцію). Натомість в дистанційному, віддаленому від викладача, навчанні основною формою передачі навчальної інформації стає текст, а точніше гіпертекст і мультимедіа вміст. Тобто основним транспортним засобом, або ж «протоколом» передачі знань є текст, в якому міститься навчальна інформація. Це і є основною підваленою понятійно-тезисної моделі знань. Можна сказати, що запропонована модель подання знань для освітніх цілей має текстуальний характер. Вважаємо, що саме навчальний матеріал є основним джерелом знань. Саме у цьому полягає принципова відмінність ПТМ від інших підходів до формалізації знань, традиційних для інженерії знань і розглянутих вище.

В ході аналізу навчальних матеріалів було вирішено розробляти предметно-орієнтовану (понятійно-орієнтовну) модель знань. Це означає, що наріжним каменем структури моделі є така сутність як поняття, предмет обговорення, деякий об’єкт з предметної області, про який в навчальному матеріалі є знання. Для представлення знань про поняття в моделі існують структурні елементи - відомості про об’єкт (тези про поняття). З кожним поняттям в моделі пов’язується множина відомостей про нього. Викладена ідея і є основою концепції семантичної моделі знань, що розробляється і використовується в цій роботі (Гагарін О.О., Луценко А.Н., Титенко С.В. 2005).

Поняття вказує на деякий об’єкт з області знань, про який іде мова. Поняття вказує на предмет, який представляється для вивчення студенту. Наприклад в курсі «Алгоритмічні мови програмування» можна виділити такі поняття: «процедура» , «цикл», «програма», «змінна», «життєвий цикл програми» тощо. Для курсу «Програмування в середовищі Delphi» можна було б виділити такі поняття: «об’єкт», «подія», «клас», «форма», «компонент TEdit» та інше.

Теза – це деяка відомість про поняття. Тезу можна порівняти з ознакою, характеристикою поняття або з будь-яким твердженням, що є істиною для даного поняття. Наведемо приклади: теза про поняття «процедура» - «дозволяє розбити програму на підпрограми», теза про поняття «клас» - «може мати в своїй структурі не тільки поля-властивості, а й методи, тобто функції і процедури».

Центральним носієм знань вважається навчальний матеріал. Тому виділення конкретних семантичних одиниць тісно пов’язане із процесом маніпулювання навчальним матеріалом. Зупинимось на підході, за яким проходить збереження і структурування навчального матеріалу. Враховуючи загально визнаний модульний підхід у дистанційному навчанні, весь матеріал в решті решт прийнято поділяти на дрібні фрагменти, які називають кадрами (або фреймами). Таким чином на кожному кроці подання навчальної інформації студент отримує невеличкий фрагмент, що сприяє кращому зосередженню і сприйняттю поданого матеріалу. Поняття кадру є дуже важливим для понятійно-тезисної моделі і відіграє роль ланки, що пов’язує семантичні одиниці із конкретним навчальним матеріалом. Звернемо увагу на те, що в даній роботі ми не зупиняємося на конкретній реалізації загальної структури збереження і подання навчального матеріалу, більше того ПТМ допускає різні реалізації цієї структури. Бажаною в даному випадку є лише вимога про кінцевий поділ навчальної інформації на кадри. Це, крім усього іншого, сприяє спрощенню інтеграції ПТМ із вже існуючими системами ДН. Суттю підходу є те, що смислова інформація, яка буде формалізуватися у семантиці моделі, виділяється безпосередньо із тексту навчального фрагменту. Сам процес формування бази знань фактично являє собою осмислене читання навчального тексту разом із нескладними маніпуляціями щодо останнього.

3.1.1. Поняття та їх класифікація

Як вже зазначалося, в концепції моделі поняття виражає предмет знань, який обговорюється в тому чи іншому фрагменті навчального матеріалу. Поняття – це одна із основних сутностей бази знань понятійно-тезисної семантичної моделі. Фактично поняття – це, як правило, одне-два слова, які текстово виражають предмет розгляду.

Наступним етапом розвитку концепції є класифікація понять з метою розширення бази знань. Класифікація поняття відносить його до певної заздалегідь окресленої групи понять. Ця група володіє певним набором характеристик та може мати окреслену поведінку. Таким чином, відносячи поняття до певного класу, ми надаємо йому всі властивості та поведінку, яку вже має даний клас понять. Тут існує пряма аналогія з об’єктно-орієнтованим підходом у програмуванні, а саме з принципом наслідування. Породжений дочірній клас, наслідує всі ознаки та поведінку батьківського класу.

Під ознаками та поведінкою поняття даного класу понять розуміємо як відповідні знання предметної області, так і сукупність методико-організаційних можливостей, що можуть застосовуватися до даного поняття (насамперед при формуванні контролюючих засобів).

Поряд із описаною класифікацією, для кожного з понять зазначається рівень важливості, що вказує на пріоритетність поняття у структурі понять курсу, рівень важливості його засвоєння для розуміння предмету, що вивчається.

3.1.2. Тези та їх класифікація

Теза – це, як зазначалося, деяка відомість або твердження про поняття. Можна сказати, що тези є основним наповнювачем знань, як таких, в базі навчального матеріалу. Якщо поняття вказують предмет курсу, то тези являють собою смислове наповнення бази знань. Від повноти наборів тверджень, тобто тез про поняття залежить повнота бази знань, а отже і спроможність навчальної системи будувати ефективні контролюючі об’єкти. Фактично теза являє собою одне або декілька речень, в яких мова іде безпосередньо про відповідне поняття, проте саме поняття тут словарно не фігурує. Між поняттям та її тезами встановлюється відповідний зв’язок.

Разом із класифікацією понять концепція передбачає класифікацію тез, що дозволяє розширити можливості застосування бази знань. Структура класифікації є аналогічною до описаної щодо понять. Тезу можна віднести до певного класу тез, і разом з цим дана теза набуває всіх властивостей та ознак цього класу. Це надалі дозволяє використовувати ці знання при побудові контролюючих об’єктів.

Серед типів тез особливим чином виділимо декілька.

Перш за все це теза-визначення. Цей тип, або клас, тез містить визначення поняття, тобто відповідає на питання «Що це?». Тут міститься фрагмент матеріалу, який визначає чим є дане поняття.

Теза-призначення вказує для чого призначене дане поняття. Фрагмент тексту в тезі описує для чого служить відповідне поняття. Інформація тези містить відповідь на питання «Для чого служить поняття?», «Яка мета цього поняття?», «Для чого призначене поняття?»

Так само, як і для понять, для тез вказується рівень їх важливості, що вказує на пріоритетність даного твердження у структурі знань курсу, рівень важливості його засвоєння для розуміння предмету, що вивчається.

Узагальнене графічне зображення основних сутностей понятійно-тезисної семантичної моделі знань можна побачити Рис.4.

Рис. 4. Основні сутності понятійно-тезисної моделі знань

3.2. Формування семантичних даних

Понятійно-тезисна модель передбачає однозначний зв'язок семантичних даних із навчальним матеріалом. Це дає можливості для управління навчальним процесом і процесом контролю знань і їх адаптації. В даному випадку ми маємо інформацію про поняття і їх місце знаходження у навчальному матеріалі. Кількість семантичних одиниць, що стосуються поняття, з легкістю обраховується для кожного навчального фрагменту. Насправді система не міркує знаннями з предметної області, проте щодо окремих висловів чи тверджень, які описують поняття і сприймаються системою «як є», вона володіє інформацією про те, де вони містяться у загальній структурі навчального матеріалу.

Ключовим моментом технології є семантичний розбір навчального тексту. Тут можна провести паралелі із «семантичним конспектом», запропонованим Атановим (Атанов Г.А. 2003; Атанов Г.А., Пустынникова И.Н. 2002). Фактично це заміняє формування БЗ у таких підходах як семантичні мережі, концептуальні графи (Sowa J.F. 1984) тощо. Перевагою, очевидно, є природність даного процесу у технології ПТМ. Крім того в даній технології робиться акцент на педагогічному підході, тоді як в традиційних технологіях штучного інтелекту акцентується увага на питаннях характерних для цієї області, що часом є важко прийнятним (і ,можливо, необов’язковим) як для реалізації у рамках педагогічної комп’ютерної системи, так і для працівників-користувачів системи.

Сам процес формування семантичних даних відбувається шляхом осмисленого читання навчального тексту і виділення з нього понять та тез за допомогою користувацького інтерфейсу.


3.3. Процес генерації тестових завдань

На основі ПТМ можна побудувати найпоширеніші типи завдань, що можуть застосовуватись при контролі знань шляхом тестування:

1. Найпростішим типом є питання, що передбачає відповідь типу «Істина/Хиба».

2. Найпоширенішим видом завдань у тестах є завдання множинного вибору: «один з декількох» та «декілька з декількох».

3. Більш складним є завдання із вільною формою відповіді: відповідь на питання студент має ввести власноруч.

4. Ще один варіант – завдання співставлення. Студенту подається два набори деяких елементів, і він має співставити кожен варіант одного набору з відповідним на його думку варіантом з іншого набору елементів.

5. Окремо виділимо ще один досить специфічний тип завдань – завдання по визначенню пріоритетності. Суть завдання полягає в тому, щоб розставити певні елементи в правильному порядку або порядку їх пріоритетності.

Детально схема побудови кожного з типів завдань на основі ПТМ описана у попередній роботі (Гагарин А.А., Луценко А.Н., Титенко С.В. 2005).

Генерація тестів відбувається на основі семантичних даних понятійно-тезисної бази знань. Основним вхідним параметром тут є вказівка на ділянку навчального матеріалу по якій іде тестування. Першим кроком є визначення кола семантичних даних на основі інформації про вказану навчальну ділянку для побудови на їх основі засобів контролю. Як зазначалося вище це виконується за допомогою ланцюгу зв’язків «ділянка навчального матеріалу – кадри, що містяться у цій ділянці – тези кадрів – поняття».

Опишемо схему побудови тестового завдання множинного вибору «один з декількох» на основі понятійно-тезисної бази знань. Найпростіша схема без урахування додаткових характеристик (класифікації і рівня важливості понять та тез) виглядає так:

§ Випадковий вибір тези, по якій буде йти контроль знань, з окресленого кола семантичних даних для даної ділянки навчального матеріалу – контрольна теза;

§ Визначення поняття, до якого стосується контрольна теза – контрольне поняття;

§ Випадкова вибірка альтернативних тез з усієї(!) області тез даного курсу (дисципліни або предметної області) , які не стосуються контрольного поняття.

§ Побудова завдання по даним контрольне поняття, контрольна теза, альтернативні тези.

Завдання матиме вигляд:

Вкажіть твердження, що стосується даного поняття <ім’я контрольного поняття>:

<перелік тез, який являє собою набір альтернативних тез і контрольної тези, вставленої на випадкове місце>

На рис. 5 наведено приклад тестового завдання даного типу.

Рис. 5 Приклад завдання

Інші типи тестових завдань, описані в (Гагарин А.А., Луценко А.Н., Титенко С.В. 2005), будуються з урахуванням зазначених вище принципів.

Так як на основі моделі ми точно можемо визначити, до якого фрагменту навчального матеріалу належить теза, це також дає нам можливість знати по якому фрагменту побудоване те чи інше завдання тесту. Таким чином, після оцінки тестування можна застосувати алгоритми рекомендацій щодо подальшого навчання чи налаштування навчального сценарію на основі ділянок матеріалу, по яким тестування пройшло невдало.

3.4. Побудова моделі учня і адаптація навчання в ПТМ

Широкі можливості перевірки знань студентів дають широкі можливості щодо їх моделювання. Завдяки глибокій інтеграції семантичних даних, що використовуються для контролю, із структурними елементами навчальних курсів існує можливість точно визначати «білі плями» в знаннях студента відносно конкретного навчального матеріалу та навчального поняття. Таким чином це є фундаментом для застосування технологій адаптації і управління курсом навчання.

В основну такої адаптації на основі тестування слід покласти наступні фактори ефективного навчання (Darbhamulla R. and Lawhead. P. 2004):

1) Присутність активної сутності на зразок експерта, що наглядає за прогресом студента і подає матеріал в адаптованій формі. Сценарій курсу повинен самопристосовуватись, беручи до уваги досягнення студента у попередніх темах і поняттях та рівнь його зацікавленості. Такий навчальний вміст, що пристосовується до поведінки користувача і змінює шлях навчання відповідним чином, називається плануванням курсу навчання (Brusilovsky, P., Miller, P. 1999; McArthur, D., Stasz та ін. 1988 ; Weber, G. 1996).

2) Зменшення надлишковості навчальної системи. Наприклад, якщо студент, вивчаючи курс фізики, проходячи тему «Закони Ньютона», знає третій закон і те, як він може бути застосований, система має взяти цей фактор до уваги і дозволити йому пропустити частину, яку студент вже знає.

3) Система повинна мати можливість різного подання знань студентам, беручи до уваги різні стилі навчання, попередні базові знання тієї різноманітної аудиторії учнів, що використовують систему (Kafai, Y., Resnik, M. 1996).

4) Системи навчання, в яких студенти мають змогу брати активну участь у вивченні курсу, мають тенденцію до більш успішного подання знань (Hartman, V. 1995).

3.5. Перспективи ПТМ

Якісним стрибком у розвитку ПТМ має стати розробка спеціальної моделі структурного подання навчального матеріалу як продовження ідеї понятійно-тезисної моделі знань. Тут планується формалізувати структуру збереження навчального вмісту для реалізації повної підтримки технологій подання навчального матеріалу. Це включає автоматизацію побудови нових навчальних курсів на основі БЗ і реалізацію адаптивного подання навчальної інформації під час навчання.

Найближчою перспективою для розвитку моделі в контексті тестування є дослідження і вироблення алгоритмів та математичного апарату використання числових вагів (ступенів важливості) для побудови і оцінювання тестів. Ці ваги можна визначати як для семантичних одиниць, понять та тез, так і для ділянок навчального матеріалу.

Ключовими питаннями розвитку залишається поглиблення семантики моделі з урахуванням особливостей навчальних текстів різних галузей, в тому числі гуманітарної.


4. Висновки

В даній роботі, ґрунтуючись на роботах Петра Брусиловського (Brusilovsky P., Peylo C. 2003; Brusilovsky P. 1996; Brusilovsky P. 1999.) і Кристофа Пейло (Brusilovsky P., Peylo C. 2003), зроблено огляд інтелектуальних систем Інтернет-освіти. Далі обговорюються питання подання знань в таких системах. Представлено ідею про два різні підходи до подання знань в педагогічних комп’ютерних системах, які названо когнітивно-семантичним і мовно-дидактичним підходами. З цієї точки зору робиться легкий екскурс у деякі технології подання знань і супутні технології, які застосовувались у освітніх системах. Представлена понятійно-тезисна модель (ПТМ) подання знань для систем навчання як спроба синтезу двох зазначених підходів.

Література

Alpert, S. R., Singley, M. K., & Fairweather, P. G. (1999). Deploying Intelligent Tutors on the Web: An Architecture and an Example. International Journal of Artificial Intelligence in Education, 10, 183-197.

Berners-Lee T. (2005). "Spіnnіng the Semantіc Web: Brіngіng the World Wіde Web to Іts Full Potentіal", The MІ Press, 2005

Berners-Lee, T., Hendler, J., and Lassіla, O. 2001, The Semantіc Web. Scіentіfіc Amerіcan 284, 5 (May 2001), 34-43

Brown, J. S., & Burton, R. R. (1978). Diagnostic models for procedural bugs in basic mathematical skills. Cognitive Science, 2, 155-192.

Brown, J. S., Burton, R. R., & Zdybel, F. (1973). A model-driven question-answering system for mixedinitiative computer-assisted instruction. IEEE Transactions on Systems, Man and Cybernetics, 3(1), 248-257.

Brusilovsky P., Peylo C. (2003) Brusilovsky P., Peylo C. Adaptive and Intelligent Web-based Educational Systems. International Journal of Artificial Intelligence in Education 13 (2003) 156–169. IOS Press, 2003

Brusilovsky, P. (1996). Methods and techniques of adaptive hypermedia. User Modeling and User-Adapted Interaction, 6(2-3), 87-129.

Brusilovsky, P. (1999). Adaptive and Intelligent Technologies for Web-based Education. Künstliche Intelligenz, (4), 19-25. Available online at http://www2.sis.pitt.edu/~peterb/papers/KIreview.html.

Brusilovsky, P. and Miller, P. (1999). Web-based testing for distance education. In: P. De Bra and J. Leggett (eds.) Proceedings of WebNet'99, World Conference of the WWW and Internet, Honolulu, HI, Oct. 24-30, 1999, AACE, pp. 149-154

Brusilovsky, P. and Tasso, C. (2004) Preface to special issue on user modeling for Web information retrieval. User Modeling and User Adapted Interaction 14 (2-3), 147-157.

Brusilovsky, P., & Miller, P. (2001). Course Delivery Systems for the Virtual University. In T. Tschang, & T. Della Senta (Eds.) Access to Knowledge: New Information Technologies and the Emergence of the Virtual University, (pp. 167-206.). Amsterdam: Elsevier Science.

Brusilovsky, P., Eklund, J., & Schwarz, E. (1998). Web-based education for all: A tool for developing adaptive courseware. Computer Networks and ISDN Systems, 30(1-7), 291-300.

Brusilovsky, P., Henze, N., & Millán, E. (Ed.). (2002). Proceedings of the workshop on Adaptive Systems for Web-Based Education at the 2nd International Conference on Adaptive Hypermedia and Adaptive Web-Based Systems (AH'2002). Málaga, Spain: University of Malaga.

Brusilovsky, P., Nakabayashi, K., & Ritter, S. (Eds.). (1997). Proceedings of the Workshop "Intelligent Educational Systems on the World Wide Web" at AI-ED'97, 8th World Conference on Artificial Intelligence in Education. Kobe, Japan: ISIR.

Brusilovsky, P., Schwarz, E., & Weber, G. (1996a). ELM-ART: An intelligent tutoring system on World Wide Web. In C. Frasson, G. Gauthier, & A. Lesgold (Eds.) Third International Conference on Intelligent Tutoring Systems, ITS-96 (Vol. 1086, pp. 261-269). Berlin: Springer Verlag

Brusilovsky, P., Schwarz, E., & Weber, G. (1996b). A tool for developing adaptive electronic textbooks on WWW. In H. Maurer (Ed.), Proceedings of WebNet'96, World Conference of the Web Society, (pp. 64-69). October 15-19, 1996. San Francisco, CA, AACE.

Brusilovsky, P., Schwarz, E., & Weber, G. (1996c). A tool for developing hypermedia-based ITS on WWW. Proceedings of Workshop "Architectures and Methods for designing Cost-Effective and Reusable ITSs" at the Third International Conference on Intelligent Tutoring Systems, ITS-96, June 12-14, 1996. Montreal.

Burton, R. R., & Brown, J. S. (1979). An investigation of computer coaching for informal learning activities. International Journal on the Man-Machine Studies, 11, 5-24.

Carbonell, J. R. (1970). AI in CAI: An artificial intelligence approach to computer aided instruction. IEEE Transactions on Man-Machine Systems0.5 MMS-11(4), 190-202.

Chan, T. W., & Baskin, A. B. (1990). Learning companion systems. In C. Frasson, & G. Gauthier (Eds.), Intelligent Tutoring Systems: At the crossroads of artificial intelligence and education (pp. 6-33). Norwood: Ablex Publishing.

Chen, W., & Wasson, B. (2002). An instructional assistant agent for distributed collaborative learning. In S. A. Cerri, G. Gouardères, & F. Paraguaçu (Eds.), 6th International Conference on Intelligent Tutoring Systems, ITS'2002 (Vol. 2363, pp. 609-618). Berlin: Springer-Verlag.

Clancey, W. J. (1979). Tutoring rules for guiding a case method dialog. International Journal on the Man-Machine Studies, 11, 25-49.

Clancey, W.J. (1987). Knowledge-based tutoring: The GUIDON program. Cambridge, MA: The MIT Press.

Constantino Gonzalez, M. A., Suthers, D., & Escamilla De Los Santos, J. G. (2003). Coaching web-based collaborative learning based on problem solution differences and participation. International Journal of Artificial Intelligence in Education, 13(2-4), 261-297.

Darbhamulla R. and Lawhead. P. (2004) "Curriculum Sequencing using Quizzes and Statistics," In Proceedings of the Mid-South College Computing Conference (MSCCC), pp. 110-122, Little Rock, Arkansas, April 2004.

De Bra, P. M. E. (1996). Teaching Hypertext and Hypermedia through the Web. Journal of Universal Computer Science, 2(12), 797-804.

De Bra, P., & Calvi, L. (1998). AHA! An open Adaptive Hypermedia Architecture. The New Review of Hypermedia and Multimedia, 4, 115-139.

Frasson, C., Mengelle, T., Aïmeur, E., & Gouardères, G. (1996). An actor-based architecture for intelligent tutoring systems. In C. Frasson, G. Gauthier, & A. Lesgold (Eds.), Third International Conference on Intelligent Tutoring Systems, ITS-96 (Vol. 1086, pp. 57-65). Berlin: Springer Verlag.

Gordon D. Fee, Douglas Stuart (1982). How to Read the Bible For All its Worth: A Guide to Understanding the Bible. Micchigan.

Greer, J., McCalla, G., Collins, J., Kumar, V., Meagher, P., & Vassileva, J. (1998). Supporting Peer Help and Collaboration in Distributed Workplace Environments. International Journal of Artificial Intelligence in Education, 9, 159-177.

Hartman, V. (1995). “Teaching and Learning Style Preferences: Transitions through Technology. VCAA Journal, 9, 2, 18-20.

Heift, T., & Nicholson, D. (2001). Web delivery of adaptive and interactive language tutoring. International Journal of Artificial Intelligence in Education, 12(4), 310-324. Henze, N., & Nejdl, W. (2001). Adaptation in open corpus hypermedia. International Journal of Artificial Intelligence in Education, 12(4), 325-350.

Herbert A. Simon (1997), Department of Psychology, Carnegie Mellon University. (Speech presented at the 1997 Frontiers in Education Conference.)

Hoppe, U. (1995). Use of multiple student modeling to parametrize group learning. In J. Greer (Ed.), Artificial Intelligence in Education, Proceedings of AI-ED'95, 7th World Conference on Artificial Intelligence in Education (pp. 234-249). 16-19 August 1995. Washington, DC, AACE.

IFETS. International Forum of Educational Technology & Society http://ifets.ieee.org/

IJAIED. International Journal of Artificial Intelligence in Education (IJAIED) http://aied.inf.ed.ac.uk/

Ikeda, M., Go, S., & Mizoguchi, R. (1997). Opportunistic group formation. In B. d. Boulay, & R. Mizoguchi (Eds.), AI-ED'97, 8th World Conference on Artificial Intelligence in Education Amsterdam: IOS.

Kafai, Y., Resnik, M. (1996). “Constructionism in Practice: Designing, Thinking, and Learning in a Digital World. Lawrence Erlbaum Associates Inc. Hillsdale, NJ

Koffman, E. B., & Perry, J. M. (1976). A model for generative CAI and concept selection. International Journal on the Man-Machine Studies, 8, 397-410.

Maruyama, M., Touhei, H., Ishiuchi, S., & Fukuhara, Y. (1995). An intelligent tutoring system on World-Wide Web: Towards an integrated learning environment on a distributed hypermedia. In H. Maurer (Ed.), Educational Multimedia and Hypermedia, Proceedings of ED-MEDIA'95 - World conference on educational multimedia and hypermedia, (pp. 488-493). June 17-21, 1995. Graz, Austria, AACE.

Mbala, A., Reffay, C., & Chanier, T. (2002). Integrating of automatic tools got displaying interaction data in computer environments for distance learnings. In S. A. Cerri, G. Gouardères, & F. Paraguaçu (Ed.), 6th International Conference on Intelligent Tutoring Systems, ITS'2002 (Vol. 2363, pp. 841-850). Berlin: Springer-Verlag.

McArthur, D., Lewis, M, and Bishay, M. (1993). The roles of artificial intelligence in education: Current progress and future prospects. RAND DRU-472-NSF

McArthur, D., Stasz, C., Hotta, J., Peter, O., and Burdorf, C. (1988). Skill-oriented task sequencing in an intelligent tutor for basic algebra. Instructional Science, 17, 281-307.

McCalla, G. I., Greer, J. E., Kumar, V. S., Meagher, P., Collins, J. A., Tkatch, R., & Parkinson, B. (1997). A peer help system for workplace training. In B. d. Boulay, & R. Mizoguchi (Eds.), AI-ED'97, 8th World Conference on Artificial Intelligence in Education (pp. 183-190). Amsterdam: IOS.

Melis, E., Andrès, E., Büdenbender, J., Frishauf, A., Goguadse, G., Libbrecht, P., Pollet, M., & Ullrich, C. (2001). ActiveMath: A web-based learning environment. International Journal of Artificial Intelligence in Education, 12(4), 385-407.

Merceron, A., & Yacef, K. (2003). A Web-based tutoring tool with mining facilities to improve learning and teaching. In U. Hoppe, F. Verdejo, & J. Kay (Eds.), AI-Ed'2003 (pp. 201-208). Amsterdam: IOS Press.

Mitrovic, A. (2003). An Intelligent SQL Tutor on the Web. International Journal of Artificial Intelligence in Education, 13(2-4), 171-195.

Mitsuhara, H., Ochi, Y., Kanenishi, K., & Yano, Y. (2002). An adaptive Web-based learning system with a free-hyperlink environment. In P. Brusilovsky, N. Henze, & E. Millán (Eds.), Proceedings of Workshop on Adaptive Systems for Web-Based Education at the 2nd International Conference on Adaptive Hypermedia and Adaptive Web-Based Systems, AH'2002 (pp. 81-91). May 28, 2002. Málaga, Spain.

Mühlenbrock, M., Tewissen, F., & Hoppe, H. U. (1998). A Framework System for Intelligent Support in Open Distributed Learning Environments. International Journal of Artificial Intelligence in Education, 9, 256-274. Available online at http://cbl.leeds.ac.uk/ijaied/abstracts/Vol_9/muehlenbr.html.

Murray, T. (2003). MetaLinks: Authoring and affordances for conceptual and narrative flow in adaptive hyperbooks. International Journal of Artificial Intelligence in Education, 13(2-4), 197-231. Nakabayashi, K., Koike, Y.,

Nakabayashi, K., Maruyama, M., Koike, Y., Fukuhara, Y., & Nakamura, Y. (1996). An intelligent tutoring system on the WWW supporting interactive simulation environments with a multimedia viewer control mechanism. In H. Maurer (Ed.), Proceedings of WebNet'96, World Conference of the Web Society, (pp. 366-371). October 15-19, 1996. San Francisco, CA, AACE.

Oda, T., Satoh, H., & Watanabe, S. (1998). Searching deadlocked Web learners by measuring similarity of learning activities. Proceedings of Workshop "WWW-Based Tutoring" at 4th International Conference on Intelligent Tutoring Systems (ITS'98), August 16-19, 1998. San Antonio, TX.

Okazaki, Y., Watanabe, K., & Kondo, H. (1996). An Implementation of an intelligent tutoring system (ITS) on the World-Wide Web (WWW). Educational Technology Research, 19(1), 35-44.

OWL. http://www.w3.org/TR/owl-guide/ OWL Web Ontology Language Guide W3C Recommendation 10 February 2004

Papanikolaou, K. A., Grigoriadou, M., Kornilakis, H., & Magoulas, G. D. (Submitted). Personalising the interaction in a Web-based Educational Hypermedia System: the case of INSPIRE. User Modeling and User Adapted Interaction.

Peylo, C. (Ed.). (2000). Proceedings of the International Workshop on Adaptive and Intelligent Webbased Education Systems held in conjunction with 5th International Conference on Intelligent Tutoring Systems (ITS'2000). Ösnabrück: Institute for Semantic Information Processing, University of Ösnabrück.

Peylo, C., Teiken, W., Rollinger, C., & Gust, H. (1999). Der VC-Prolog-Tutor: Eine Internet-basierte Lernumgebung. Künstliche Intelligenz, 13(4), 32-35.

Ramesh Jain. Refining the Search Engine. Ubiquity (Volume 5, Issue 29)

Ritter, S. (1997). Pat Online: A Model-tracing tutor on the World-wide Web. In P. Brusilovsky, K. Nakabayashi, & S. Ritter (Eds.), Proceedings of Workshop "Intelligent Educational Systems on the World Wide Web" at AI-ED'97, 8th World Conference on Artificial Intelligence in Education, (pp. 11-17). 18 August 1997. Kobe, Japan, ISIR. Available online at http://www.contrib.andrew.cmu.edu/~plb/AIED97_workshop/Ritter/Ritter.html.

Romero, C., Ventura, S., Bra, P. D., & Castro, C. d. (2003). Discovering prediction rules in AHA! courses. In P. Brusilovsky, A. Corbett, & F. d. Rosis (Eds.), 9th International User Modeling Conference (Vol. 2702, pp. 25-34). Berlin: Springer Verlag.

Shapiro, Stuart C., editor. 1992. Encyclopedia of Artificial Intelligence. 2nd ed. New York: John Wiley & Sons. Volume 1, page 434.

Shute, V., and Glaser, R. (1990). Large-scale evaluation of an intelligent discovery world: SMITHTOWN. Interactive Learning Environments, 1, 51-77.

Smith, A. S. G., & Blandford, A. (2003). MLTutor: An Application of Machine Learning Algorithms for an Adaptive Web-based Information System. International Journal of Artificial Intelligence in Education. 13(2-4), 233-260. Available online at http://www.cogs.susx.ac.uk/ijaied/abstracts/Vol_13/smith.html.

Soller, A., & Lesgold, A. (2003). A computational approach to analysing online knowledge sharing interaction. In U. Hoppe, F. Verdejo, & J. Kay (Eds.), AI-ED'2003 (pp. 253-260). Amsterdam: IOS Press.

Sowa J.F. (1984) Conceptual Structures: Information Processing in Mind and Machine. Reading MA: Addison-Wesley

Stankov, S., Žitko, B., Grubišić, A. (2005). “Ontology as a Foundation for Knowledge Evaluation in Intelligent E-learning Systems”, International Workshop on Applications of Semantic Web Technologies for E-Learning (SW-EL’05) in conjunction with 12th International Conference on Artificiel Intelligence in Education (AI-ED 2005), Amsterdam, Netherlands, pp. 81-84.

Stern, M., Woolf, B. P., & Murray, T. (Eds.). (1998). Proceedings of the workshop on Intelligent Tutoring Systems on the Web at 4th International Conference on Intelligent Tutoring Systems (ITS'98). San Antonio, TX: St. Mary University.

SW-EL. International Workshop In Applications of Semantic Web technologies for E-Learning (SW-EL) http://www.win.tue.nl/SW-EL/

Vizcaíno, A., Contreras, J., Favela, J., & Prieto, M. (2000). An adaptive collaborative environment to develop good habits in programming. In G. Gauthier, C. Frasson, & K. VanLehn (Eds.), 5th International Conference on Intelligent Tutoring Systems, ITS'2000 (Vol. 1839, pp. 262-271). Berlin: Springer-Verlag.

Warendorf, K., & Tan, C. (1997). ADIS - An animated data structure intelligent tutoring system or Putting an interactive tutor on the WWW. In P. Brusilovsky, K. Nakabayashi, & S. Ritter (Eds.), Proceedings of Workshop "Intelligent Educational Systems on the World Wide Web" at AI-ED'97, 8th World Conference on Artificial Intelligence in Education, (pp. 54-60). 18 August 1997. Kobe, Japan, ISIR. Available online at http://www.contrib.andrew.cmu.edu/~plb/AIED97_workshop/Warendorf/Warendorf.html.

Weber, G. (1996). Individual selection of examples in an intelligent learning environment. Journal of Artificial Intelligence in Education 7, 1 (1996) 3-31

Weber, G., & Brusilovsky, P. (2001). ELM-ART: An adaptive versatile system for Web-based instruction. International Journal of Artificial Intelligence in Education. 12(4), 351-384. Available online at http://cbl.leeds.ac.uk/ijaied/abstracts/Vol_12/weber.html.

Weber, G., & Möllenberg, A. (1995). ELM-Programming-Environment: A Tutoring System for LISP Beginners. In K. F. Wender, F. Schmalhofer, & H.-D. Böcker (Eds.), Cognition and Computer Programming (pp. 373-408). Norwood, NJ: Ablex.

Аванесов В.С. (1998). Композиция тестовых заданий. Учебная книга для преподавателей вузов, учителей школ, аспирантов и студентов пед. вузов. 2 изд.,испр.. и доп.М.:Адепт.1998-217с.

Артур К. (1998). Как изучать Библию. Санкт-Петербург, 1998.

Атанов Г.А. (2003) Возрождение дидактики – залог развития высшей школы. – Донецк: Изд-во ДОУ

Атанов Г.А., Пустынникова И.Н. (2002) Обучение и искусственный интеллект, или основы современной дидактики высшей школы . – Донецк: Изд-во ДОУ, 2002.

Валгина Н.С. (1998). Теория текста: Учебное пособие Москва: Изд-во МГУП «Миркниги», 1998. 210 с.

Гагарин А.А., Луценко А.Н., Титенко С.В. (2005). Организация дистанционного обучения как информационный фактор реализации научно-технологической составляющей экономической безопасности государства // Экономическая безопасность государства и информационные технологии в ее обеспечении / под общ. ред. Г.К. Вороновского, И.В, Недина – К.:Знания Украины, 2005, стр. 608-619.

Дахин А.Н. (1999). Актуальные проблемы оптимального управления образовательным процессом. Журнал «Педагог» №7 1999г. http://www.informika.ru/text/magaz/pedagog/pedagog_7/a14.html

Елизаренко Г.Н. Проектирование компьютерных курсов обучения: концепция, язык, структура. НТУУ «КПИ». Киев.

МФ «ОТО». Международный Форум "Образовательные Технологии и Общество" – Восточно-евпопейская подгруппа International Forum of Educational Technology & Society http://ifets.ieee.org/russian/

Версія статті у форматі DOC

Коментарі відвідувачів (1)
[ Показати коментарі ]

Додайте власний коментар
Автор

Коментар

Alexey
27.07.2009
Начало хорошее! Добавил в закладки - прочитаю чуть попозже.
Кількість входів в цьому місяці : 13892
Приєднуйтесь!
Сторінки, близькі за змістом
Організація дистанційного навчання як інформаційний фактор реалізації науково-технологічної складової економічної безпеки держави
В докладі розглянуті проблеми створення та проведення дистанційного навчання за допомогою сучасних інформаційних технологій. Значну увагу приділено автоматизованому проектуванню змісту курсів та методикам автоматизованого тестування знань студентів.
Проблема подання знань на основі природної мови у освітніх системах штучного інтелекту
Класично дослідження ШІ намагаються пояснити і зрозуміти людський розум, щоб змоделювати його роботу на комп’ютері для вирішення задач у певній предметній області, натомість штучний інтелект у навчанні людини робить ще більший виклик дослідникам ШІ, тому що ставить так би мовити подвійну вимогу інтелектуальній системі – по-перше «розумітися» у предметній області і по-друге «розумітися» на навчанні людини. Херберт А. Сімон зазначає: «Якщо ми зрозуміємо людський розум, ми почнемо розуміти, що ми можемо зробити із освітньою технологією» [20]. Таким чином проблема моделювання людських міркувань підсилюється ще складнішою проблемою навчання людини.
Публікації Лабораторії. Штучний інтелект в освіті. Дистанційне навчання
Публікації. Штучний інтелект в освіті. Дистанційна освіта. Понятійно-тезисна модель для педагогічних цілей.
©2006-2017 Лабораторія СЕТ, Сергій Титенко
При використанні матеріалів посилання, гіперпосилання для web-ресурсів, на www.setlab.net обов'язкове
Зв'язок: lab@setlab.net 
Лабораторія СЕТ powered by FreshKnowledge
Студія Інновацій — Розробляємо розумні сайти
Rambler's Top100 НТУУ "КПІ"
Друзі і партнери
Український рейтинг TOP.TOPUA.NET