Модель навчального Web-контенту Tree-Net як основа для інтеграції керування знаннями і безперервним навчанням

Модель навчального Web-контенту Tree-Net як основа для інтеграції керування знаннями і безперервним навчанням

Вступ

Україна стоїть перед викликом впровадження і підтримки освітніх процесів за принципом «навчання впродовж усього життя». В умовах «інформаційного вибуху» і бурхливого розвитку інформаційних технологій, коли щорічний приріст знань складає 4-6%, а фахівець отримує до 50% знань після закінчення навчального закладу і майже 30% загального обсягу свого робочого часу мусить витрачати на поновлення професійних знань [1], питання побудови ефективних систем підтримки безперервного навчання набуває особливої значущості. Дедалі більшого значення набуває корпоративне навчання. Найвищим капіталом організації є співробітники, а їх особистий розвиток і інтелект – найвищою технологією. У свою чергу останнім часом велика увага приділяється також технологіям управління знаннями (УЗ) організації у контексті навчання [2, 3]. Знання організації – це різноманітна інформація, необхідна для підтримки основних бізнес-процесів організації на високому рівні, а також для адекватного реагування на різноманітні впливи [4]. Управління знаннями фокусується на тому, як організація визначає, створює, здобуває, розподіляє і застосовує знання.

Як корпоративне навчання, так і управління знаннями мають справу із обміном знаннями і створенням співтовариств, в яких розповсюджуються знання. Дистанційне навчання в контексті безперервної освіти і управління знаннями беруть свій початок від однакових задач: навчання, покращена здатність виконувати робочі завдання, здатність приймати ефективні рішення та позитивно впливати на навколишнє співтовариство. Пошуки шляхів синтезу обох процесів набувають значущості і мають потенціал оптимізувати процеси, пов’язані із знаннями, інтегруючи задачі управління знаннями і навчання.

Не зважаючи на спільні риси, дистанційне навчання у рамках підходів на базі класичних систем дистанційного навчання (СДН) і управління знаннями мають характерні відмінності. Узагальнюючи, слід вказати основні різниці у використанні і ставленні до знань у цих областях. Управління знаннями носить динамічний характер, подає актуальні у часі знання, проте часом ці знання не достатньо добре структуровані і не підходять для повноцінного безпосереднього використання у навчальних курсах. Натомість дистанційне навчання фокусується на поданні опрацьованих і добре структурованих знань за допомогою навчальних планів, які часто носять статичний характер. Недоліком тут є те, що такі знання часом втрачають свіжість і актуальність, характерну для задач управління знаннями. Тому архітектура класичних систем дистанційного навчання погано задовольняє вимоги до процесів управління знаннями. Такі провідні системи дистанційного навчання як WebCT і Blackboard створені у більшій мірі для підтримки класної діяльності, аніж для незалежних досліджень або самонавчання [2].

Експерти з управління знаннями, зазначаючи неефективність стандартних рішень систем дистанційного навчання для УЗ [2, 3, 5], рекомендують активно збагачувати ці системи виконанням ряду задач. Аналізуючи ці рекомендації, можна зазначити наступні додаткові вимоги до функціональності СДН у контексті УЗ: 1) робити експертів організації більш «видимими» один для одного, підтримуючи експертні співтовариства для обміну знаннями і досвідом; 2) застосовувати моделі компетенцій і профілів спеціалістів для удосконалення навчальних процесів та співробітництва для навчання; 3) єднати навчальні матеріали з реальними і актуальними сховищами знань; 4) підтримувати експертні співтовариства у створенні якісних навчальних об’єктів. У свою чергу слід виділити наступні проблеми, характерні для застосування підходів управління знаннями для організації навчання: 1) структурування знань системи УЗ для забезпечення подальшої можливості використання цих знань у навчальних цілях в рамках навчальних програм; 2) генерація навчальних курсів і персональних навчальних середовищ на основі ресурсів системи УЗ.

Доцільним для реалізації синтезу управління знаннями і безперервного навчання є застосування концепції, у якій управління знаннями відіграє роль сховища, або репозитарію, а навчальний процес є процесом використання цього репозитарію.

Основною сутністю, матеріалом, яким маніпулюють СДН і системи УЗ є контент. Під контентом (від англ. content) прийнято розуміти будь-яке змістовне наповнення інформаційного ресурсу – тексти, графіка, мультимедіа. У Web-сайтах для кінцевого користувача контент організується у вигляді сторінок засобами гіпертекстової розмітки. Бурхливий розвиток Інтернету призвів до появи багатьох програмних систем, які автоматизують управління інформацією Web-сайтів і застосовують різноманітні методи організації і навігації Web-контентом, такі як каталогізація і рубрикація контенту, технології міток (тегів), організація меню, розділів і підрозділів сайту. Такі системи управління контентом, або CMS (content management systems) широко представлені на ринку. Навчальний Web-контент – це контент освітніх сайтів, порталів дистанційного навчання та інших Інтернет-систем, який використовується для передачі знань користувачам. У зв’язку із специфічними дидактичними завданнями СДН подання навчального контенту не може бути в повноті задоволене звичайними CMS-системами. У зв’язку з цим набули поширення спеціальні класи систем, які служать для управління навчальним контентом і організації навчання: CMS – courseware management systems, системи управління курсами, LMS – learning management systems, системи управління навчанням, LCMS - learning content management systems, системи управління навчальним контентом, а також СДН – системи дистанційного навчання (термін СДН характерний для вітчизняних систем).

Модель освітнього процесу за вимогами безперервного навчання на базі управління знаннями повинна містити етап побудови і адаптивної підтримки релевантного навчального курсу [6]. Підтримку адаптивності слід реалізовувати на основі інтелектуальності контенту, яка закладається на етапі його створення [7]. В свою чергу інтелектуальний контент має стати центральною сутністю для управління знаннями в контексті синтезу СДН і УЗ.

Класичні системи дистанційного навчання, такі як Blackboard, Learning Space, WebCT, Moodle та ін., не здатні забезпечити адаптивність процесу навчання, яка є однією з ключових вимог безперервної освіти [6]. У свою чергу в роботах, що стосуються інтелектуальних і адаптивних навчальних систем пропонуються розвинені моделі контенту і предметної області [8-10], проте тут не приділяється достатньої уваги процесу управління корпоративними знаннями в контексті безперервного і професійно-орієнтованого навчання [6], а також питанням останніх тенденцій у сфері управління контентом Web-сайтів [11]. У зв’язку з цим пропонується модель контенту, як складова інтелектуальної системи безперервного навчання [12, 13], яка у поєднанні з такими компонентами як понятійно-тезисна модель [14], модель контролю і діагностики знань, модель студента, модель професійних компетенцій, модель освітнього запиту і модель педагогічного процесу покликані забезпечити функціонування Web-системи безперервноого навчання за концепцією, в якій управління знаннями відіграє роль підготовки репозитарію або порталу знань, а організація навчання відбувається на основі технологій використання цього репозитарію у якості генератора курсів і персонального навчаючого середовища [15].

Постановка задачі

Ставиться завдання розробки моделі Web-контенту, яка стане підґрунтям для побудови адаптивної системи безперервного навчання через Інтернет в контексті управління знаннями. Модель повинна задовольняти наступні вимоги:

• ієрархічне і багаторівневе подання великих об’ємів контенту по різним предметним областям;
• підтримка міжпредметних і різноманітних внутрішньопредметних зв’язків [6];
• наявність широких можливостей по тематичному і асоціативному групуванню та сортуванню контенту;
• підтримка еволюційного розвитку освітнього порталу, як необхідна складова в умовах явища «інформаційного вибуху»; доступність функціональності навіть при умові неповного опису [6];
• повторне використання контенту і організація нових навчальних курсів на основі існуючої інформації;
• підтримка процесу управління знаннями в контексті процесу безперервного навчання;
• реалізація широких можливостей управління і навігації Web-контентом в контексті сучасних підходів організації Інтернет-ресурсів, таких як каталогізація і рубрикація контенту, технології міток (тегів), організація меню, розділів і підрозділів сайту [11];
• інтеграція із іншими компонентами розроблюваної навчальної системи, серед яких понятійно-тезисна модель, як понятійна складова моделювання контенту, а також модель контролю і діагностики знань, модель студента, модель професійних компетенцій, модель освітнього запиту і модель педагогічного процесу [12].

Основні характеристики моделі Tree-Net

Tree-Net – ієрархічно-мережева модель даних, яка є основою для формалізації і структурування інформації освітніх порталів для підтримки безперервного навчання. Tree-Net являє собою сукупність двох ієрархічних структур – дерева елементів контенту і дерева тематичних груп. Між елементами контенту можуть встановлюватись бінарні зв’язки, що дозволяє окрім ієрархії пов’язати контент у мережу на основі асоціативності. Дерево контенту вказує на фізичне розташування контенту, це основна навігаційна модель контенту сайту. Роль дерева тематичних груп – подати ієрархію тем предметних областей. Елементи контенту можуть бути віднесені до однієї чи більше тематичних груп. Таким чином Tree-Net забезпечує як загальне структурування Web-контенту освітнього порталу, так і подання його семантики завдяки моделюванню предметних областей, що служить для інтелектуалізації навчальної системи. Схематично модель контенту Tree-Net зображено на рис.1.

Ієрархічна структура контенту

Ієрархічно-мережева модель даних Tree-Net є основою для формалізації і структурування інформації для Інтернет-систем, в тому числі для освітніх порталів. Опишемо ієрархічну складову структури контенту Tree-Net-моделі.

Елементарним елементом контенту є подання, позначається – v_i. Подання відповідає одній Web-сторінці сайту. Зауважимо, що завданням Web-сторінки є подання логічно завершеної порції контенту з точки зору її смислу, тоді як основні налаштування візуального оформлення задаються централізовано для усього порталу за допомогою відповідних Web-технологій. Множина усіх елементів контенту:

Ієрархічна структура контенту визначається тим, що кожен елемент може мати дочірні елементи, які в свою чергу також можуть мати дочірні елементи і так далі. Позначається відображенням:

Таким чином множина безпосередніх дочірніх елементів для даного елемента контенту a позначається:

Ch(a), a V

Відповідно до ієрархічної структури кожен елемент має один батьківський елемент, що задається відображенням:

При цьому у вершині ієрархії знаходиться абстрактний елемент v=default. Таким чином F(v) позначає батьківський елемент для елемента контенту v.

Множина усіх елементів-нащадків даного елемента e V являє собою послідовне об’єднання множин дочірніх елементів вглиб по ієрархічній структурі. Для визначення елементів-нащадків застосовуватимемо оператор:

Desc(e), e V

Семантичний блок контенту

Семантичні блоки контенту служать для організації контенту багатопредметного Web-порталу і є одним із засобів групування елементів контенту з метою моделювання різноманітних предметних областей. Семантичний блок – це множина елементів контенту, які мають логічну і структурну єдність, вони мають єдине джерело походження, наприклад одне авторство, і подають одну тему. Сюди можна віднести готові статичні курси, контент яких завантажено до системи. Фізично семантичний блок контенту є деякою гілкою у дереві контенту. Для створення нового семантичного блоку елемент, який стане його вершиною, спеціальним чином позначається як «блок», тоді усі його нащадки будуть віднесені до даного блоку. У такий спосіб створюється семантичний блок на основі деякої гілки у загальному дереві контенту. Приклад семантичних блоків зображено на рис.2.

Множина елементів семантичного блоку визначається оператором Desc(v), де v – вершина блоку у дереві контенту.

Бінарні мережеві зв’язки

Мережева структура контенту полягає у тому, що кожен елемент, окрім зв’язків ієрархії, може мати додаткові зв’язки із іншими елементами. Семантична роль таких мережевих зв’язків – відношення асоціативності. Таким чином, кожен елемент має сукупність пов’язаних із ним елементів. Така мережева структура задається відношенням:

N V V

Дане відношення задається квадратною (n_V n_V) матрицею N_w = ||nw_ij||, рядки і стовпці якої відповідають елементам контенту. Елемент матриці nw_ij числове вираження зв’язку елемента v_i з елементом v_j. Якщо nw_ij=0 вважаємо що зв'язок між v_i з v_j відсутній, а (v_i,v_j) N.

Вважаємо, що елемент v може мати прямі, обернені і взаємні зв’язки з іншими елементами. При цьому взаємний зв'язок може бути симетричним. Прямий зв'язок елемента v_k з елементом v_l існує якщо (v_k,v_l) N. Обернений зв'язок елемента v_k з елементом v_l існує якщо (v_l,v_k) N. Взаємний зв'язок елемента v_k з елементом v_l існує якщо (v_k,v_l) N & (v_l,v_k) N. Взаємний зв'язок елемента v_k з елементом v_l є симетричним, якщо елементи матриці ||nw_ij|| nw_kl= nw_lk.

Різні групи елементів, з якими даний елемент v_k пов'язаний будемо позначати наступним чином:

Псевдоніми і повторне використання контенту

Тенденції примноження інформації і знань ускладнюють однозначну каталогізацію інформаційних об’єктів. Одним з ефективних методів гнучкого управління контентом і побудови ефективної навігаційної схеми Web-сайту є технологія псевдонімів у моделі Tree-Net. Основним завданням цього методу є забезпечення повторного використання вже існуючого контенту для нових специфічних цілей. Відбувається це завдяки можливості розташувати вже існуючий в системі елемент контенту в іншому місті ієрархії. Подібне завдання виникає, наприклад, у випадках, коли цілий розділ або окрема сторінка певного навчального курсу розкриває деяку тему або питання у контексті іншого навчального курсу. Тут включення готової ділянки навчального контенту до нового курсу дасть змогу спростити і прискорити процес його формування. Щоб запобігти ситуацій, коли навчальна ділянка, позбавлена свого контексту, втрачає дидактичну ефективність, дану функцію слід застосовувати для таких елементів контенту, які у рамках предмету, що в них розглядається, володіють логічною завершеністю.

Сутність застосування технології псевдонімів полягає у встановленні відношень між двома елементами контенту, один з яких стає джерелом даних, а інший – їх одержувачем. Відношення псевдонімів описується наступним відображенням:

Таким чином кажемо, що елемент v_k є псевдонімом елемента v_l у тому разі, коли (v_{k,vl) A,} при цьому v_k відіграє роль одержувача, а v_l – джерела.

Відношення «псевдонім» розділяється на такі типи: посилання, статична копія, динамічна копія, статична вибірка, динамічна вибірка. Тип відношення керує тим, які саме властивості елемента-джерела отримає елемент-одержувач. Сукупність типів являє собою множину:

Типізація відношення псевдонімів задається відображенням:

Розкриємо роль кожного з типів. Відношення «посилання»: AType(A_i)=aLink – елемент-одержувач приймає адресу (URL) елемента-джерела, тому фактично є посиланням на нього. Це відношення дає можливість забезпечити навігацію до вже існуючого елементу контенту через інше місце в ієрархії. Таким чином елемент-одержувач стає посиланням на джерело, тобто відсилає до іншого місця у ієрархії контенту.

Статична копія: AType(A_i)= aCopy – усі атрибути копіюються в момент створення, після чого якісний зв'язок із джерелом не потрібен. Від елемента-джерела використовується лише інформація про бінарні і групові зв’язки. Зміна атрибутів статичної копії відбувається безпосереднім чином і не має зв’язку із елементом-джерелом.

Статична вибірка: AType(A_i)= aSelect – Копіюється елемент як статична копія і його нащадки: для елемента копії створюються нащадки - статичні копії усіх нащадків елемента-джерела.

Динамічна копія: AType(A_i)=aDCopy – служить як постійно актуальна копія деякого елемента без його нащадків. Атрибути такого елементу безпосередньо видобуваються із елементу-джерела в кожен момент звернення. Допускається часткова зміна атрибутів динамічної копії із можливістю використання поновлювальних значень атрибутів джерела.

Динамічна вибірка: AType(A_i)=aDSelect – служить як постійна копія деякої гілки. Така вибірка є постійно актуальною копією елемента-джерела і всіх його нащадків, усі ієрархічні зміни гілки-джерела мають вплив на вибірку. Передбачається можливість зміни атрибутів і налаштування елементів і структури динамічної вибірки. Для зміни атрибутів в нащадках слід повторити/змінити ієрархію, створюючи елементи, починаючи від вершини динамічної вибірки, і внести необхідні значення атрибутів. При цьому створені елементи, нащадки динамічної копії, можуть самі бути динамічними або статичними копіями. У такий спосіб виконується гнучке налаштування вибірки.

Тематичні групи контенту і мережеві зв’язки на основі груп

Тематичні групи служать для організації різноманітних міжпредметних і внутрішньопредметних зв’язків між елементами контенту. Тематичні групи використовується для моделювання предметних областей, каталогізації, групування і вибірки асоціативного контенту. Організація тематичних груп відбувається у ієрархічній структурі. Це дозволяє вибудовувати таксономію предметних областей. Кожен елемент контенту може брати участь у довільній кількості тематичних груп. На основі тематичних груп визначаються зв’язки асоціативності між елементами контенту.

Множина G вказує на тематичні або асоціативні групи, в яких можуть брати участь елементи контенту.

Організація тематичних груп відбувається у ієрархічній структурі. Ієрархія груп визначається відображенням, яке ставить у відповідність кожній групі g_i множину її дочірніх елементів:

Зауважимо, що кожна тематична група може мати лише одну батьківську групу. Відображення FG задає батьківство тематичних груп:

Аналогічно, множина усіх груп-нащадків даної групи g G являє собою послідовне об’єднання множин дочірніх елементів вглиб по ієрархічній структурі. Для визначення груп-нащадків застосовуватимемо оператор DescG (g), g G. DescGG (A) — множина нащадків множини груп A G. Визначається як послідовне об’єднання DescG (g_i):

DescGG (A)= (DescG (g_i)), де g_i A, A G

Генеалогічна лінія групи g – це множина усіх її пращурів, визначається оператором AncG(g), g G. Генеалогічна лінія множини груп A G позначається AncGG(A) і визначається як послідовне об’єднання AncG (g_i):

AncGG (A)= (AncG (g_i)), де g_i A, A G

Елементи контенту і їх зв'язок з тематичними групами

Кожен елемент контенту може брати участь у довільній кількості тематичних груп, що задається відображенням:

Матриця GVw=||gvw_ij|| задає це відношення, разом з тим зберігаючи міру відповідності або релевантності даного елемента групі. Так рядки матриці ||gvw_ij|| відповідають елементам контенту v₁,v₂,…,v_nV, а стовпці – групам g₁,g₂,…,g_nG . Таким чином для кожного елемента v_i (і-й рядок) задається множина груп {g_j} (стовпці), в яких даний елемент бере участь, при цьому ненульові елементи матриці gvw_ij вказують на міру відповідності елемента групі. У свою чергу зв'язок множини усіх елементів контенту і групи, до якої вони безпосередньо належать задається відображенням:

A G

VGG(A)= {v: GV(v) ∩ A 0}

Множину елементів контенту, які беруть участь у групі g або в деякій із її нащадків будемо називати контентом гілки g:

Множину елементів контенту, які беруть участь хоча б в одній групі із множини A G або в деякій із її нащадків будемо називати контентом множини гілок A G:

Тематично-асоціативні елементи контенту

На основі тематичних груп ми можемо визначати зв’язки асоціативності між елементами контенту. Виділяємо різні області асоціативності для елементу контенту: найближче коло тематично-асоціативного контенту елементу; помірне, або заглиблююче, коло тематично-асоціативного контенту; широке, тобто узагальнююче, коло тематично-асоціативного контенту.

Найближче коло тематично-асоціативного контенту елементу a, a V – множина елементів контенту, які безпосередньо беруть участь у тих самих тематичних групах, що і даний елемент a, a V. Служить для визначення сукупності найбільш близького за змістом контенту тієї ж тематики. Визначається оператором:

Помірне (заглиблююче) коло тематично-асоціативного контенту елементу a, a V – множина елементів контенту, які беруть участь в тих же групах, що й a, або в групах, що відповідно є нащадками. Служить для визначення набору контенту тієї ж тематики, у тому числі по темам вужчого специфічного характеру. Визначається оператором:

Широке коло (узагальнююче) тематично-асоціативного контенту елементу a, a V – це множина елементів контенту, які беруть участь у тих же групах, що й a, а також таких елементів, які беруть участь у групах, які є послідовно пращурами по лінії кожної групи з множини груп елементу a. Служить для визначення контенту тієї ж тематики і тематики більш загальної. Визначається оператором:

Повне коло тематично-асоціативного контенту елементу a, a V – це контент помірного тематично-асоціативного кола, об’єднаний із контентом широкого кола елементу a. Служить для визначення повного набору асоціативного контенту тієї ж тематики, а також споріднених тематик як більш загального, так і більш специфічного характеру.

Величину яка вказуватиме на міру асоціативності двох елементів контенту v_k i v_l називатимемо асоціативною відстанню і позначатимемо Dis_kl. Асоціативна відстань (або тематично-асоціативна відстань) Dis_ij служить для впорядкування, або сортування асоціативних елементів. Розрахунок цієї величини, окрім структури груп, має також врахувати бінарні зв’язки між елементами. Асоціативна відстань допоможе вибирати із усієї сукупності тематично-асоціативного контенту групи найближчих асоціативних елементів із заданою кількістю елементів в групі.

Засоби побудови персонального навчаючого середовища на основі Tree-Net

Основою для підготовки персонального навчаючого середовища є визначення інтересів користувача і подальший відбір необхідного контенту. Розгалужена структура Tree-Net дає можливість гнучко управляти інформацією і створювати стратегії персонального подання контенту користувачу в залежності від його потреб.

Тут актуальним виявляється задача пошуку асоціативного контенту до деякої сторінки у випадку, коли інформація цієї сторінки цікавить користувача. Знаходження асоціативних елементів контенту даної Web-сторінки відбувається на основі джерел асоціативності. Нижче наведено джерела асоціативного контенту сторінки по порядку їх значимості:

1. Бінарні зв’язки між елементами контенту.
2. Елементи-члени тієї ж групи, до якої належить даний елемент.
3. Елементи того ж семантичного блоку контенту.
4. Елементи із дочірніх груп.
5. Елементи із батьківських груп.
6. Ієрархічні зв’язки у дереві контенту: дочірні елементи, батьківський елемент.

Набір елементів контенту, отриманий в результаті пошуку асоціативних сторінок можна подати структуровано за допомогою оператора Roots.

Робота оператора Roots TN-моделі полягає у пошуку у множині V′ V новоутворених незалежних коренів на основі відношень Ch і F, які описують ієрархію контенту. Потужність |Roots| вказуватиме на кількість утворених дерев на виборці V′. Приклад роботи оператора Roots зображено на рис.3.

Новоутворені піддерева можуть розцінюватись як основа для персональних навчальних курсів та за допомогою відношень псевдонімів: посилань, копій і вибірок, – можуть подаватись окремо у якості персонального гіпермедіа середовища.

Висновки

Запропонована модель навчального Web-контенту Tree-Net дозволяє комплексно підійти по вирішення завдань навчання і управління знаннями організації. Tree-Net підтримує еволюційність у створенні порталу – дає можливість розробляти і накопичувати навчальний матеріал поступово, при цьому функції системи будуть доступні на кожному етапі. Таким чином вирішується проблема «всеосвіченості», характерна для випадків застосування жорстких моделей подання знань.

Технологія вибірок і псевдонімів дозволяє повторно використовувати ділянки навчальних матеріалів для нових курсів і навчальних процесів. Tree-Net забезпечує гнучке конструювання нових навчальних курсів і програм на основі вже існуючого в системі контенту.

Семантична складова і дерево тематичних груп дає можливість вибудовувати ієрархію предметних областей. Використання цих даних дає можливість виконувати вибірку, фільтрацію, категоризацію і упорядкування навчального матеріалу на основі семантики вмісту. Все це сприяє використанню Tree-Net для побудови системи управління знаннями.

Модель Web-контенту Tree-Net забезпечує зручні засоби навігації по навчальному контенту на базі WWW. Ієрархічні, бінарні і групові зв’язки між елементами контенту відповідним чином відображаються на елементах навігації. Таким чином користувач отримує широкі можливості для орієнтації і пошуку необхідної йому навчальної інформації і пояснень. Так, на основі груп реалізовано інтеграцію таких сучасних технологій побудови Інтернет-проектів як мітки і каталогізація контенту разом із семантичними технологіями моделювання предметної області, що надає розширені навігаційні можливості користувачам Web-ресурсу на базі Tree-Net.

Різноманітні зв’язки елементів контенту міжпредметного і внутрішньопредметного характеру на базі Tree-Net дають можливість гнучко управляти навчальним контентом і моделювати специфічні області знань, визначаючи релевантну множину контенту, що відповідає інтересам студента. Модель Tree-Net є основою для розробки методів генерації персонального навчаючого середовища і динамічних навчальних курсів для підтримки безперервного навчання.

Разом із іншими компонентами Tree-Net є складовою комплексу моделей для побудови Web-системи безперервного навчання [12]. Про поточні і попередні дослідження щодо розвитку і використання моделі Tree-Net інформується на сайті авторів [16]. Семантична модель навчального контенту Tree-Net практично застосована при побудові освітнього порталу [17].

Література

1. Богданова И.Ф. Непрерывное образование в эпоху перехода к информационному обществу// Актуальные проблемы бизнес образования. Тез. докладов третьей Международной конференции, Минск 2004 – С

. 35-39. http://sbmt.bsu.by/projects/Thesis06.pdf

2. Marshall, B., et al. Convergence of Knowledge Management and E-Learning: the GetSmart Experience. in JCDL. 2003. Houston. http://ai.bpa.arizona.edu/go/intranet/Publication/JCDL-2003-Marshall.pdf

3. Efimova L., Swaak J. Converging Knowledge Management, Training and e-learning: Scenarios to Make it Work. Journal of Universal Computer Science, vol. 9, no. 3 (2003), 571-578. https://doc.telin.nl/dsweb/Get/Document-30275/I-KNOW_Efimova_Swaak.pdf

4. Комов С. А. Корпоративные знания – как ими управлять? Журнал "Корпоративные системы", №3, 2005 http://www.management.com.ua/ims/ims108.html

5. Verna Allee. eLearning is not Knowledge Management. LiNE Zine. linezine.com http://www.linezine.com/2.1/features/vaenkm.htm

6. Гагарін О.О., Титенко С.В. Дослідження і аналіз методів та моделей інтелектуальних систем безперервного навчання // Наукові вісті НТУУ "КПІ". – 2007. – № 6(56). – С. 37-48.

7. Brusilovsky, P., Knapp, J. and Gamper, J. ‘Supporting teachers as content authors in intelligent educational systems’, Int. J. Knowledge and Learning, 2006, Vol. 2, Nos. 3/4, pp.191–215.

8. Семикин В.А. Семантическая модель контента образовательных электронных зданий. Автореферат на соискание … кандидата технических наук. Тюмень 2004. http://www.tmnlib.ru/resources/abstract/pdf/Semikin.pdf

9. Brusilovsky, P. Adaptive hypermedia, an attempt to analyze and generalize. In P. Brusilovsky, P. Kommers, & N. Streitz (Eds.), Multimedia, Hypermedia, and Virtual Reality (Lecture Notes in Computer Science, Vol. 1077). Berlin: Springer-Verlag, 288-304. 1996.

10. Brusilovsky, P. KnowledgeTree: A distributed architecture for adaptive e-learning. In: Proceedings of The Thirteenth International World Wide Web Conference, WWW 2004 (Alternate track papers and posters), New York, NY, 17-22 May, 2004, ACM Press, pp. 104-113. 2004. http://www.sis.pitt.edu/~peterb/papers/p641-brusilovsky.pdf

11. Титенко С.В., Гагарін О.О. FreshKnowledge – система управління навчальним Веб-контентом на семантичному рівні // VII международная конференция «Интеллектуальный анализ информации ИАИ-2007», Киев, 15-18 мая 2007г. : Сб. тр./ Ред. кол. : С.В. Сирота (гл.ред.) и др. – К.: Просвіта, 2007. – С. 342-352

12. Gagarin A., Tytenko S. Complex model of educational hypermedia environment for ongoing learning // Образование и виртуальность – 2007. Сборник научных трудов 11-й Международной конференции Украинской ассоциации дистанционного образования / Под общ. ред. В.А. Гребенюка, Др Киншука и В.В. Семенца.– Харьков-Ялта: УАДО, 2007.– С. 140-145

13. Гагарін О.О., Титенко С.В. Проблеми створення гіпертекстового навчаючого середовища // Вісник Східноукраїнського національного університету імені Володимира Даля №4 (110) 2007 Ч.2 - Луганськ 2007 - С. 6-15.

14. Титенко С.В., Гагарін О.О. Семантична модель знань для цілей організації контролю знань у навчальній системі. // Сборник трудов международной конференции «Интеллектуальный анализ информации-2006». – Київ: Просвіта, 2006. – С. 298-307.

15. Гагарин А.А., Луценко А.Н., Титенко С.В. 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.

16. http://www.setlab.net Лабораторія СЕТ – Віртуальна лабораторія новітніх інформаційних технологій. Дослідження в області дистанційного навчання.

17. http://www.znannya.org Портал знань – портал дистанційного навчання, побудований на основі Tree-Net