Содержание

Вступление

Дистанционная учеба призвана обеспечить достижение современных требований к учебному процессу, воплотить принципы открытости учебы и учебы через всю жизнь. Современные образовательные тенденции требуют большой гибкости и динамической в организации учебного процесса. Развитие экономики и отраслей народного хозяйства создает потребность в профессиональных кадрах новых специальностей. Даже классические специальности требуют модернизации процесса учебы в условиях стремительного развития науки и техники. Таким образом возникает потребность в создании систем учебы нового поколения, характерными чертами которых станет: ориентация на индивидуальные особенности ученика; гибкость; открытость для модификации и расширения; простота подготовки исходного материала.

Сегодня ведущие научные работники в области дистанционного образования сосредоточены на применении всей мощи современных высоких технологий для интеллектуализации систем дистанционной учебы. Вместе с распространением достижений в области искусственного интеллекта, усиливаются попытки научных работников использовать уже разработанные технологии ШИ, а также изобретать новые специально для области образования. Применение интеллектуальных разработок для учебы и преподавания приобретает свое собственное исследовательское направление с соответствующими специфическими для этой области проблемами. Как результат, возникают новые научные направления на стыке разных наук (педагогики, искусственного интеллекта, компьютерных наук, психологии, но др.): искусственный интеллект в образовании (IJAIED) семантический Веб-пространство в Е-навчанні (SW-EL) и тому подобное. Создаются научные содружества, которые занимаются исследованием образовательных процессов и применением технологий ШИ для создания компьютерных систем учебы. (IJAIED SW-EL, IFETS МФ «ВОТ»)

Классически исследования ШИ пытаются объяснить и понять человеческий ум, чтобы смоделировать его работу на компьютере для решения задач в определенной предметной области, зато искусственный интеллект в учебе человека делает еще больший вызов исследователям ШИ, потому что выставляет так сказать двойное требование интеллектуальной системе – во-первых «пониматься» в предметной области и во-вторых «понимать» в учебе человека. Херберт А. Симон отмечает: «Если мы поймем человеческий ум, мы начнем понимать, что мы можем сделать с образовательной технологией» (Herbert A. Simon 1997). Таким образом проблема моделирования человеческих рассуждений усиливается еще более сложной проблемой учебы человека.

Как отмечается в (Shapiro, Stuart C. 1992), ШИ и когнитивная наука должны заниматься всей совокупностью процессов связанных с учебой, которая должна включать моделирование работы учителей и субъектов учебы, объяснения изучения и учебы, как составной человеческой системы обработки информации. Сюда же следует отнести основное задание образования – передачу знаний. Этот процесс и является центром нашего особенного внимания. Особенное значение приобретает здесь технология ШИ представления знаний. В связи с этим стоит отметить слова Рамеш Джайн, которые подчеркивают значимость естественного языка для процесса репрезентации знаний: «Язык является языком представления знаний» (Ramesh Jain). Действительно, не ввиду достижения в области представления знаний, очевидным остается тот факт, что человеческий язык владеет непревзойденной выразительностью в передаче знаний. То же сопутствующей проблемой является задание найти такие методики и подходы, которые вместе с использованием вычислительных структур данных, понятных компьютеру, дадут возможность не потерять естественную силу человеческого языка для манипулирования знаниями во время автоматизированного образовательного процесса.

Концепция сжатия или формализации учебной информации опирается на ведущие теоретические положения молодой специальной отрасли информационной технологии, которая очень бурно развивается, – инженерии знаний. Она направлена на исследование проблем приобретения, представления и практического использования знаний. В эпоху информационной насыщенности проблемы компоновки знания и мобильного ее использования приобретают колоссальную значимость. С этой целью создаются всевозможные типы моделей представления знаний в сжатом, компактном, удобном для использования виде (логические модели, семантические сети, продукционные модели и др.). Рядом с этим эффективные способы сжатия учебной информации содержатся в известных психолого-педагогічних теориях содержательного обобщения, укрупнения дидактичных единиц, формирования системности знаний (Дахин а.Н. 1999).

Учебные компьютерные системы должны содержать автоматизированную функцию контроля знаний и анализа результатов учебы. Такой подход в частности даст возможность индивидуализировать процесс учебы, преумножив его эффективность. В то время, как много исследований в области компьютерного контроля знаний сосредоточенные на вопросах валидности и надежности тестов, справедливо отшлифовывая технику контроля знаний (Аванесов в.С. 1998), вопроса формирования самого банка заданий, в большинстве случаев остается исключительно прерогативой преподавателя, который работает с курсом, без предложений автоматизации данного процесса. Действительно попытка автоматизации формирования заданий для теста наталкивается на область искусственного интеллекта и вопроса формализации знаний для последующего их использования при составлении контрольных заданий для теста. Поэтому появляется задание создания модели падания знаний, на основе которой станет возможным построение современной учебной системы с широкими возможностями относительно контроля и оценки знаний студентов, широкой адаптивности, к потребностям ученика.

Первая часть работы дает обзор и точку зрения на образовательные системы в перспективе их исторического и технологического развития. Обзор основывается на работах Петра Брусиловского (Brusilovsky P., Peylo C. 2003; Brusilovsky P. 1996; Brusilovsky P. 1999.) и Кристофа Пейло (Brusilovsky P., Peylo C. 2003).

1. образовательные Интернет-системы

Адаптивные и интеллектуальные образовательные Интернет-системы (АИОИС, англ. Adaptive and intelligent Web-based educational systems - AIWBES) предоставляют альтернативу для традиционного подхода «просто изложения это в Интернет» в разработке образовательного программного обеспечения (Brusilovsky & Miller, 2001). АИОИС пытаются быть более адаптивными с помощью построения модели целей, преимуществ и знаний, для каждого отдельного студента, используя эту модель в течение взаимодействия со студентом с целью приспособления к его потребностям (Brusilovsky P., Peylo C. 2003). Они также пытаются быть более интеллектуальными, объединяя и выполняя некоторую деятельность, которая традиционно выполняется учителем-человеком, – например, инструктирование студентов, или проверка их , неправильного понимания. Первые интеллектуальные и адаптивные образовательные системы для Интернет были разработаны в 1995-1996 годах (Brusilovsky, Schwarz & Weber, 1996a; Brusilovsky, Schwarz & Weber, 1996b; De Bra, 1996; Nakabayashi, et al., 1995; Okazaki, Watanabe & Kondo, 1996) . С того времени было разработано и представлено много интересных систем. Заинтересованность в обеспечении дистанционной учебы через Интернет сильно побуждала эти исследовательские попытки. Исследовательское общество получало помощь обеспечением ряда конференций, которые объединили исследователей, которые работают над АИОИС, им предоставили возможность учиться один от другого и потом пропагандировать идеи этого исследовательского направления через он-лайновые труды конференции (Brusilovsky, Henze & Millán, 2002;Brusilovsky, Nakabayashi & Ritter, 1997; Peylo, 2000; Stern, Woolf & Murray, 1998). Число заинтересованных в АИОИС, что извещалось на ранних стадиях их развития во время этих конференций, с тех пор достигло уровня зрелости.

1.1. Адаптивные и интеллектуальные технологии для образовательных Интернет-систем

Тип развитых учебных Интернет-системы, о которых идет язык, чаще всего называют адаптивные образовательные Интернет-системы, или интеллектуальные образовательные Интернет-системы. Эти сроки в действительности не являются синонимами. Говоря о адаптивные системы мы акцентируем, что эти системы пытаются быть разными для разных студентов и групп студентов благодаря добавлению к учетной записи информации, которая накапливается в индивидуальной или групповой модели студентов. Говоря об интеллектуальных системах мы подчеркиваем, что такие системы применяют технологии из области искусственного интеллекта (ШИ), чтобы обеспечить пользователям учебной Интернет-системы более широкую и лучшую поддержку. В то же время много систем могут быть классифицированы как интеллектуальные и адаптивные одновременно, значительное число систем подпадают лишь под одну, из этих категорий. Например, много интеллектуальных диагностических систем, включая German Tutor (Heift & Nicholson, 2001) и Sql-tutor (Mitrovic, 2003) является неадаптивными, то есть они обеспечат ту же оценку в ответ на то же решение проблемы, независимо от прошлого опыта работы студента с системой. С другой же стороны большое количество адаптивных гипермедийных и адаптивных информационно фильтрующих систем, таких как AHA (De Bra & Calvi, 1998) или WEBCOBALT (Mitsuhara, Ochi, Kanenishi & Yano, 2002) используют эффективные но очень простые технологии, которые могут быть отнесены к «интеллектуальным» с большой натяжкой. Пересечение между адаптивными и интеллектуальными системами все еще большое (Рис.1.), пределы между «интеллектуальными» и «неинтеллектуальными» все еще не четкие, и обе группы без сомнения являются предметом заинтересованности содружества области искусственного интеллекта в образовании (ШИО – англ. Ai-ed: Artificial Intelligent in Education).

Рис.1. Соотношение между адаптивными и интеллектуальными

образовательными системами (ОС)

Существующие АИОИС очень разнообразные. Они предоставляют разные виды поддержки как для студентов, так и для учителей, задействованных в процессе Интернет-учебы. Чтобы помочь понять это разнообразие систем и идей, предлагается сосредоточиться на адаптивных и интеллектуальных технологиях (Brusilovsky, 1996). Под адаптивными и интеллектуальными технологиями мы имеем в виду разные по сущные пути добавления адаптивной и интеллектуальной функциональности в начальную систему. Технология как правило может быть в дальнейшем разложена на структурно меньшие техники и методы, которые отвечают разным вариантам этой функциональности и разным путям ее реализации (Brusilovsky, 1996).

Обзор (Brusilovsky, 1999) определил пять главных технологий, которые используются в АИОИС ( Рис.2 ). Эти технологии имеют прямые коренные в двух исследовательских областях, которые хорошо развились к эре Интернета, – Адаптивное гипермедиа и Интеллектуальные учащие системы (ИНС). Так как их приложение в контексте Интернета было относительно простым, эти технологии были первыми, что появились у АИОИС и они могут рассматриваться как «классические» АІОІС-технології. В соответствии с их возникновением обзор (Brusilovsky, 1999) группирует пять классических технологий в Адаптивные технологии гипермедиа но Интеллектуальные технологии учебы (Рис.2). Обзор также определяет и группирует некоторые технологии АИОИС в технологии «порождены Интернетом» что появились в Интернете недавно и не имеют прямых корней в До-интернет учебных системах.

Рис.2. Классические технологии АИОИС и их возникновение.

Мы следуем обзору (Brusilovsky, 1999) в определенных их корней и в группировании похожих АИОИС технологий, оставляя набор классических технологий адаптивного медиа и интеллектуальной учебы неизменными. Мы подразделяем оригинальную группу порожденных Интернетом технологий на три группы: адаптивная фильтрация информации, интеллектуальный мониторинг классов и интеллектуальная поддержка сотрудничества. Пять результирующих групп технологий и областей их возникновения показаны на Рис.3. Таблица 1. предоставляет хороший обзор этих пяти групп технологий и простых систем для каждой из групп.

Рис.3. Пять групп современных технологий АИОИС

Таблица 1. Технологии АИОИС, их возникновения и системы-представители.

Интеллектуальный анализ решений имеет дело со студенческими развязками учебных задач (какие могут изменяться от простых вопросов к комплексным программным заданиям). В отличие от неинтеллектуальных проверяющих инструментов, которые способны лишь сказать решение верный или нет, интеллектуальные анализаторы могут сказать, что именно неверно или что развязано не полностью, и которые пропущены или неверные знания могут отвечать за ошибку. Интеллектуальные анализаторы способны обеспечить студента мощной техникой зворотнего связи проработки ошибок и обновлением модели студента. Через низкую интерактивность и естественное соответствие Интернета-интерфейса форм, эта технология была реализована в Интернете одной из первых на таких ранних АИОИС, как ELM-ART (Brusilovsky, et al., 1996a) и WITS (Okazaki, et al., 1996). Системы Sql-tutor (Mitrovic, 2003), German Tutor (Heift, et al., 2001) и последняя версия ELM-ART (Weber, et al., 2001), демонстрируют несколько путей реализации интеллектуального анализа решений в WWW.

Целью интерактивной поддержки принятия решений есть обеспечение студента интеллектуальной помощью на каждом этапе решения проблемы – от предоставления подсказки к выполнению следующего этапа вместо студента. Технология интерактивной поддержки принятия решений не так популярна в веб-системах, как в отдельных интеллектуальных учебных системах – в основном через проблемы с реализацией. Как было показано начальными системами, чистая реализация на стороне сервера, такая как Pat-online (Ritter, 1997) не в состоянии активно следить за действиями студента и может обеспечивать помощь лишь по запросу. Чистая реализация на стороне клиента, такая как ADIS (Warendorf & Tan, 1997) имеет ограничение по сложности. Необходимая функциональность и уровень сложности для реализации интерактивной поддержки принятия решений нуждается в клиент-серверной реализации, такой как Algebrain (Alpert, Singley & Fairweather, 1999), но такие системы более сложны в реализации. Activemath (Melis но др.., 2001) реализует интерактивную поддержку принятия решений в ее планировщике доведений Омега. На приложение к этому ELM-ART (Weber но др., 2001) представляет уникальный пример поддержки принятия решений на основе примеров – это другая низко интерактивная технология поддержки, которая становится многообещающей в контексте Интернет.

Адаптивное представление но адаптивная поддержка навигации – две наибольших технологии, которые рассматриваются системами адаптивного гипертекста и адаптивного гипермедиа. Целью технологии адаптивного представления является приспособление содержимого каждого узла (страницы) к целям студента, знаний и другой информации, которая хранится в модели студента. В системе адаптивного представления страницы являются не статическими, а такими, что адаптивный генерируются или собираются для каждого пользователя. Activemath (Melis, но др., 2001) представляет один из самых широких среди существующих примеров адаптивного представления. В дополнение ELM-ART (Weber, но др., 2001) демонстрирует специальную форму адаптивного представления – адаптивные предупреждения об образовательном состоянии текущей страницы. Metalinks (Murray, 2003) демонстрирует адаптивное представление для «повествующего приглаживания».

Целью технологии поддержки адаптивной навигации есть помощь студенту сориентироваться и перемещаться в гиперпространстве с помощью изменения вида видимых ссылок. Например, система адаптивного гипермедиа может адаптивный сортировать, аннотировать, или частично спрятать ссылку текущей страницы для того, чтобы упростить выбор, куда передвигаться дальше. Поддержка адаптивной навигации разделяет ту же цель, что и программирование курса учебы – помочь студенту найти оптимальный путь через учебный материал. В то же время поддержка адаптивной навигации меньше управляюча и больше «партнерская» чем традиционное программирование: она осуществляет студента, оставляя ему возможность самостоятельно избрать следующий элемент знаний для изучения, следующее задание для решения. В контексте WWW, где гипермедиа является базовой организационной парадигмой, поддержка адаптивной навигации становится как естественной, так и эффективной. Она была среди трех самых первых технологий АИОИС, использованных в таких системах как ELM-ART (Brusilovsky, но др., 1996a), Interbook (Brusilovsky, Schwarz & Weber, 1996c), и стала возможно самой популярной технологией в АИОИС. Kbshyperbook (Henze, но др., 2001), Activemath (Melis, но др., 2001) и ELM-ART (Weber,та ин.,2001) демонстрируют несколько вариантов адаптивной аннотации (комментирование) ссылок. Mltutor (Smith, но др., 2003) использует сортировку и генерацию ссылок.

Адаптивная фильтрация информации (АФИ) – классическая технология из области информационного поиска. Ее цель – найти несколько элементов, которые отвечают интересам пользователя, в большом объеме (текстовых) документов. В Интернет эта технология была использована как в поисковом контексте, так и в контексте пересмотра. Она была применена для приспособления результатов веб-поиска, с использованием фильтрации и благоустройства и для выработки рекомендаций относительно наиболее соответствующих документов среди полученного набора, используя генерацию ссылок. Хотя механизмы, которые используются в системах АФИ, очень отличаются от механизмов адаптивного гипермедиа, на уровне интерфейса АФИ для Интерент чаще всего используют технику поддержки адаптивной навигации. Существует два принципиально разных типы механизмов АФИ, которые могут рассматриваться, как две разных технологии АФИ – фильтрация на основе содержимого и совместимая фильтрация. Первая опирается на содержимое документа, тогда как последняя абсолютно игнорирует содержимое, пытаясь вместо этого подобрать пользователей, которые будут заинтересованы в одинаковых документах. Современная технология АФИ широко использует технологии машинной учебы, особенно это касается фильтрации на основе содержимого. Будучи очень популярной в области информационных систем, АФИ не использовались в учебном контексте в прошлом. Объем учебного содержимого был сравнительно небольшим, и потребность направлять пользователя к наиболее подходящему материалу с легкостью пидтримувалиася адаптивным программированиям (планированием) и адаптивным гипермедиа. Однако Интернет с его большим количеством неиндексированных открытых образовательных ресурсов сделал АФІ-технологію очень привлекательной для педагогов. Mltutor (Smith, et al.,2003) представляет один первых интересных примеров применения фильтрации информации на основе содержимого в учебе. Учебный пример совместительской АФИ можно найти в WEBCOBALT (Mitsuhara, et al., 2002).

Интеллектуальная коллективная учеба – интересная группа технологий, разработанная на перепутье двух областей, которые начальный были далеко одна от другой: коллективная учеба с компьютерной поддержкой (КНКП) но интеллектуальные учащие системы (ИНС). Современное направление работы в использовании искусственного интеллекта для поддержки коллективной учебы приводит к увеличению уровня взаимодействия этих двух областей. Тогда как ранняя работа над интеллектуальной коллективной учебой была выполнена в до-интеренет контексте (Chan & Baskin, 1990; Hoppe, 1995), сегодня имеем Интернет и Интернет-образование, что обеспечили как платформу, так и растущий спрос, на такой тип технологии. В Интернет-образовании потребность в инструментах поддержки коллективной учебы является критической, потому что студенты редко (никогда ли) лично встречаются друг с другом. Интеллектуальные технологии могут коренным образом расширить мощь простых инструментов поддержки коллективной работы (таких как группы поточных дискуссий и общие доски), что предоставляются разными системами управления курсами. На данный момент мы можем отметить как минимум три отдельных технологии в группе интеллектуальной коллективной учебы: адаптивное формирование группы и равноправная помощь, адаптивная поддержка сотрудничества но виртуальные студенты. Хороший пример поддержки адаптивного сотрудничества представлен в роботе COLER (Constantino Gonzalez,et al., 2003).

Технологии адаптивного формирования групп и равноправной (партнерской) помощи пытаются использовать знание о сотрудничающих членах группы (чаще всего эти знания представлены в моделях студента) для формирования подходящей группы для разных типов коллективных заданий. Ранние примеры включают формирование групп для общего решения задачи (Hoppe, 1995; Ikeda, Go & Mizoguchi, 1997) и поиск наиболее компетентного члена группы для ответа на вопрос (Mccalla, et al., 1997). Оба течения работы в настоящий момент развиваются. Команды-начинающие обобщили и расширили свою работу (Greer, et al., 1998; Mühlenbrock, Tewissen & Hoppe, 1998), а ряд новых команд начали исследования в этом направлении.

Технологии для адаптивной поддержки сотрудничества пытаются обеспечить интерактивную поддержку коллективного процесса так же, как системы интерактивной поддержки проблем помогают отдельному студенту в решении проблемы. Используя некоторые знания о хороших и плохих образцах сотрудничества (какие предоставляются авторами системы или получаются из журналов общения), системы поддержки сотрудничества, такие как COLER (Constantino Gonzalez, et al., 2003) или EPSILON (Soller, et al., 2003), могут тренировать или консультировать членов коллектива. Это новое направление работы, которое однако быстро развивается, он берет свои идеи из классических областей учебы, таких как ИНС и КНКП (коллективная учеба с компьютерной поддержкой).

На склонение технология виртуальных студентов сравнительно старая. Вместо поддерживающего изучения или сотрудничества из позиции старшего над студентами (преподаватель или консультант) эта технология пытается ввести разные типы равноправных виртуальных партнеров в учебную среду: учащий партнер (Chan, et al., 1990), ученик или даже нарушитель порядка (Frasson, Mengelle, Aïmeur, & Gouardères, 1996). В контексте Интернет-образования, где студенты общаются главным образом через низко пропускные каналы (электронная почта, чат, форумы), виртуальный студент становится очень привлекательным олицетворением для реализации разных стратегий поддержки. Ожидаются большие исследования в этом направлении и его последующая интеграция с направлениями анимированных агентов но интеллектуальной поддержки сотрудничества.

Интеллектуальный мониторинг классов – другая АІОІС-технологія, мотивированная Интернет-образованием. В контексте Интернет-образования «отдаленный преподаватель» не может видеть выражения непонимания или затерянности на лицах студентов. С такой четкой нехваткой обратной связи становится очень трудно определить проблемных студентов, которые нуждаются в дополнительном внимании, ярких студентах, которым следует бросить вызов, так же и определение частей учебного материала, которые являются слишком легкими, слишком сложными, или непонятными. Системы образования на основе Интернет могут видслидковувати каждое действие студента, однако это почти невозможно для преподавателя-человека найти какой-либо смысл в большом объеме данных, который собирается системой. Системы интеллектуального мониторинга класса (надзору за классом) пытаются использовать искусственный интеллект, чтобы помочь преподавателю в данной ситуации. Это направление работы было основано в Hyperclassroom (Oda, et al., 1998), где использовалась нечеткая технология для определения студентов, которые оказались в тупике. До недавнего времени Hyperclassroom была единственным примером в этом роде, однако последние годы принесли несколько других примеров (Merceron & Yacef, 2003; Romero, Ventura, Bra & Castro, 2003). Обзор (Brusilovsky, 1999) группировал интеллектуальный мониторинг класса вместе с интеллектуальной поддержкой сотрудничества. Теперь мы доказываем, что это течение работы должно иметь свою собственную группу, так как она сосредоточена на отличных целях (поддержка преподавателя) и полагается на отличную группу технологий ШИ (главным образом интеллектуальный анализ данных и машинная учеба). В то же время, некоторые системы (Chen & Wasson, 2002; Mbala, Reffay & Chanier, 2002), которые присматривают за процессом сотрудничества но отчитываются о проблемах преподавателю, вместо того, чтобы влиять на само сотрудничество, занимают место посередине между мониторингом класса и поддержкой сотрудничества.

1.2. Адаптивные и интеллектуальные образовательные системы на основе Интернет: изменение парадигмы ШИО?

Анализ адаптивных и интеллектуальных образовательных систем для Интернет на уровне технологий показывает, что они имеют много общего из До-интернет системами. Должны ли мы рассматривать АИОИС только как реализацию для Веб идей, рассмотренных раньше? Можем ли мы сказать, что единственной разницей между Интернет и До-интернет адаптивными и интеллектуальными системами является платформа реализации? Очевидно, что разница между интеллектуальными учащими системами (ITS) 1980 и 1990 и новым родом Интернет систем, которые стали популярными в конце 1990-х гг. является качественной. Тогда как на уровне индивидуальных технологий мы с легкостью можем заметить всхожесть между Интернет и До-интернет системами, на уровне всей системы мы можем наблюдать скорее большие отличия в главном фокусе этих систем, их контексте применения и в общем наборе характеристик, которые поддерживаются. Новая платформа и новый контекст применения Интернет-систем порождает значительное изменение розробницкой парадигмы. Адаптивные и интеллектуальные образовательные Интернет-системы формируют новую розробницку парадигму в области искусственного интеллекта в образовании.

Если мы проанализируем разнообразие адаптивных и интеллектуальных образовательных систем, разработанных со времен рождения области ШИО (искусственный интеллект в образовании) в 1970р., мы сможем выделить по меньшей мере три значительных розробницких парадигмы (Табл.2).

Таблица 2

Сравнение наибольших парадигм искусственного интеллекта в образовании

<

Обратите внимание на дополнительные ссылки

Если вас интересует...

Моделирование знаний для образования

Интеллектуальные системы обучения

Научные статьи

Главный раздел

Публикации Лаборатории. Искусственный интеллект в образовании. Дистанционное обучение

Страницы, близкие по смыслу

Проблема представления знаний на основе естественного языка в образовательных системах искусственного интеллекта

Публикации Лаборатории. Искусственный интеллект в образовании. Дистанционное обучение

Количество заходов на данную страницу (на русском) : 5506

	Парадигма ИКВ Искусственный интеллект в компьютеризованном преподавании	Парадигма ИНС Интеллектуальные учащие системы	Парадигма АИОИС Искусственный интеллект в образовательных Интернет-системах
Период времени	1970-ые гг.	1980-1990 гг.	Конец 1990 – 2000 гг.
Цель	Замена примитивных САИ в передаче знаний	Поддержка принятия решений (решение задач)	Всесторонняя поддержка
Среда	Классные комнаты без учителей	Классная комната с помощником или самообучение	Независимое самообучение
Учебный материал	Весь учебный материал находится в системе, чаще всего это презентации, но также упражнения и задачи	Нет материала для представления, но проблемы (задачи) всегда присутствуют	Богатый учебный материал он-лайн: презентации, примеры, задачи (проблемы)
Технологии	Планирование (программирование) курсов учебы и интеллектуальный анализ решений является центральными технологиями	Планирование курсов или адаптивное гипермедиа отсутствуют. Интерактивная поддержка решений (решение задач) – центральная технология	Широкое использование адаптивного гипермедиа. Планирования учебных курсов и интеллектуальный анализ решений опять становятся широко распространенными. Появляется род технологий, которые вдохновляются Вебом (WWW).
Завершенность системы	Все системы концентрируются на отдельной интеллектуальной технологии	Большинство системы концентрируются на отдельной интеллектуальной технологии	Большинство системы концентрируются на нескольких интеллектуальных технологиях	Приєднуйтесь! Страницы, близкие по смыслу Проблема представления знаний на основе естественного языка в образовательных системах искусственного интеллекта Классически исследования ИИ пытаются объяснить и понять человеческий ум, чтобы смоделировать его работу на компьютере для решения задач в определенной предметной области, зато искусственный интеллект в учебе человека делает еще больший вызов исследователям ИИ, потому что выставляет так сказать двойное требование интеллектуальной системе – во-первых «пониматься» в предметной области и во-вторых «понимать» в учебе человека. Херберт А. Симон отмечает: «Если мы поймем человеческий ум, мы начнем понимать, что мы можем сделать с образовательной технологией» [20]. Таким образом проблема моделирования человеческих рассуждений усиливается еще более сложной проблемой учебы человека. Публикации Лаборатории. Искусственный интеллект в образовании. Дистанционное обучение Предлагаем вашему вниманию некоторые из наших публикаций по тематике дистанционная учеба, модели представления знаний, искусственный интеллект, в образовании.
©2006-2023 Лабораторія СЕТ, Сергій Титенко При використанні матеріалів посилання, гіперпосилання для web-ресурсів, на www.setlab.net обов'язкове ©2006-2023 Scientific & Technical SET Laboratory. Sergiy Tytenko. Kyiv. Ukraine Зв'язок: lab@setlab.net  НТУУ "КПІ" Комп'ютерні науки та програмна інженерія Друзі і партнери