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 | Автоматизація побудови дидактичної онтології на основі понятійно-тезисної моделі

Автоматизація побудови дидактичної онтології на основі понятійно-тезисної моделі

Автоматизація побудови дидактичної онтології на основі понятійно-тезисної моделі

Титенко, С. В. Автоматизація побудови дидактичної онтології на основі понятійно-тезисної моделі / С. В. Титенко, О. О. Гагарін // X Міжнародна наукова конференція імені Т.А. Таран «Інтелектуальний аналіз інформації ІАІ-2010.»: Зб. праць Міжнар. наук. конф. Київ, 18–21 травня 2010р. – Київ.: Національний технічний університет України «КПІ», 2010. – С. 269-275.

Розглянуто метод побудови дидактичної онтології в навчальній системі на основі семантико-синтаксичного аналізу елементів понятійно-тезисної моделі із застосуванням нечіткої логіки. Описано базові правила для визначення відношення дидактичного слідування між поняттями та подано їх математичний опис.

Вступ

Задача побудови семантичної моделі предметної області навчання відіграє ключову роль у процесі створення інтелектуальної навчальної системи. Таку модель прийнято називати онтологією. Відношення дидактичного слідування, що вказує на те, що певне поняття дидактично передує іншому є ключовим семантичним зв’язком для понять навчальної системи [1-3]. На основі такого відношення можна представити дидактичну структуру навчальних понять у вигляді спеціальної семантичної мережі, яку називатимемо дидактичною онтологією (ДО). Наявність ДО дає можливість застосовувати різноманітні технології індивідуалізації навчання, такі як адаптивна навігація, адаптація контенту тощо. Натомість, формування подібних відношень в системах дистанційного навчання за допомогою ручної роботи експерта [1] ускладнюється через значну трудомісткість і необхідність підтримки великої кількості обновлюваної навчальної інформації.

У праці [3] пропонується метод автоматичного визначення дидактичної черговості понять в прикладах програмних кодів по мові програмування С. Метод ґрунтується на послідовності лекцій і їх зв’язку з програмними прикладами. Як зазначають автори запропонований принцип може бути застосований для інших предметних областей завдяки технологіям інформаційного пошуку. Хоча ця ідея вбачається перспективною, конкретні приклади досі не були представлені. Крім того інформація про черговість лекцій не завжди доступна у випадку систем, метою яких є генерація навчального середовища. До таких систем, серед іншого, належать системи підтримки безперервного навчання. Таким чином проблема автоматичної побудови дидактичної онтології є актуальною задачею для галузі сучасних систем навчання. У попередніх роботах [4, 5] було запропоновано понятійно-тезисну модель формалізації дидактичного тексту (ПТМ). ПТМ була застосована як засіб для генерації тестових завдань [5], а також як засіб для побудови термінологічного довідника дистанційного курсу. У даному дослідженні ставилося завдання застосувати ПТМ для автоматичної побудови дидактичної онтології. Формально під дидактичною онтологією будемо розуміти орієнтований ациклічний граф, у якості вершин якого виступають навчальні поняття, а дуги вказують на відношення дидактичного слідування між ними. У якості вершин графу використовуються поняття, описані в понятійно-тезисній базі навчального курсу, а дуги мають бути визначені на основі семантико-синтаксичного аналізу елементів ПТМ. Для аналізу елементів ПТМ і виявлення відношень дидактичного слідування між поняттями пропонується застосувати математичний апарат нечітких правил [6].

Понятійно-тезисна модель як підґрунтя для побудови дидактичної онтології

Структура, сутності і формальний опис ПТМ наведено в роботах [4, 5]. Елементи ПТМ є результатом формалізації дидактичного тексту, виконаної експертом. До ПТ-елементів належать поняття і тези, які є дидактичним вираженням знань з предметної області у формі фрагментів навчального тексту. Синтаксичний аналіз цього тексту з урахуванням семантики, закладеної в класифікації ПТ-елементів, дає можливість автоматично визначити дидактичні співвідношення між поняттями. Ідея полягає у виявленні понять, які синтаксично входять у інші поняття, або у їхні тези. На основі таких даних можна робити висновок про дидактичне слідування. У табл. 1 наведемо деякі приклади ПТ-елементів, які ілюструють подібну ситуацію (інформація з навчального курсу «Використання технології ADO в Delphi» з циклу дисциплін напрямку «Програмна інженерія»).



Таблиця 1. Фрагмент понятійно-тезисної бази по курсу «Використання технології ADO в Delphi»
Поняття Тези
ADO Інтерфейс високого рівня для роботи с OLE DB, орієнтований на викори-стання в прикладних програмах
Більш широко інтерпретує поняття дані, порівняно з BDE
Постачається у складі MDAC
OLE DB Представляє інтерфейс системного рівня і призначена для використання, в першу чергу, системними програмістами.
Microsoft У середині дев’яностих приступила до заміни технології ODBC техноло-гією OLE DB
MDAC Компоненти доступу до даних Microsoft
Представляє технології Microsoft доступу до баз даних и містить в собі ADO, OLE DB, ODBC і RDS
Базовий об’єкт ADO Field Зберігає усю необхідну інформацію про одне поле набору даних

Таким чином, у випадку, коли у тезі поняття «1» зустрічається поняття «2», то з деякою мірою впевненості можна стверджувати, що для успішного засвоєння поняття «1», потрібно спочатку засвоїти поняття «2». Ще з більшою мірою впевненості можна стверджувати, що поняття «2» дидактично передує поняттю «1», якщо поняття «1» містить поняття «2» у своїй назві. Натомість можливі випадки, коли теза поняття «1», у якій знайдено поняття «2», має такий характер, що з дидактичної точки зору буде лише підкреслювати той факт, що із поняття «1» випливає поняття «2», а не навпаки. Такі випадки характерні тоді, коли в деякому навчальному фрагменті тексту ключовим предметом обговорення виступає саме поняття «2», а поняття «1» з’являється в контексті як другорядне.

Аналіз елементів понятійно-тезисної моделі і побудова дидактичної онтології на основі нечітких правил

Враховуючи сказане вище, а також той факт, що до одного поняття стосується у загальному випадку більше однієї тези, і цілком можлива ситуація, коли поняття проникають в тези одне одного, слід зазначити, що задача автоматичного визначення дидактичної послідовності понять на основі ПТМ носить неоднозначний характер. У зв’язку з цим для розв’язку задачі пропонується застосувати апарат нечітких правил на основі фактору впевненості [6].

Базовими правилами для визначення дидактичного слідування по-нять будуть наступні:

  • Правило №1. Якщо поняття «1» фігурує в назві поняття «2», то поняття «1» дидактично передує поняттю «2» з високим ступенем достовірності.
  • Правило №2. Якщо поняття «1» фігурує в тезі поняття «2», то поняття «1» дидактично передує поняттю «2» з деякою достовірністю.
  • Правило №3.Також для деяких випадків діятиме зворотне правило: якщо поняття «1» фігурує в тезі поняття «2», то поняття «2» дидактично передує поняттю «1» з деякою достовірністю.

Опишемо множини і відношення, які одержуються в результаті синтаксичного аналізу тез T і понять C. Зв'язок між тезами і поняттями, які були знайдені в цих тезах завдяки синтаксичному аналізу, задається відношенням: CinT:T→2C. Зв'язок між базовими і похідними поняттями передбачає, що назва базового поняття фігурує у назві похідного поняття. Цей зв'язок задається відношенням: CinC:C→2C .

Фактор впевненості для класу тези вказує на міру достовірності того, що поняття, знайдене в тезі такого класу буде дидактичною передумо-вою для поняття, якому дана теза належить. Множина класів тез відображається на значення фактору впевненості:

TClassCF:TClass→X , де X=[-1..1]

При цьому, якщо TClassCF(tClassi) < 0, тоді вважатимемо, що тези даного класу свідчать про те що знайдені в них поняття не передують, а дидактично слідують за поняттям, якому належить теза, із фактором впевненості |TClassCF(tClassi)| (див. базове правило №3 вище). Такі класи тез називатимемо реверсними.

Щоб далі описувати правила, будемо застосовувати предикат, що служить для опису твердження про те, що деяке поняття ck дидактично передує деякому поняття cl : concept_ before( ck , cl ) .

Таким чином базове правило №1, виражене у символьній формі, матиме наступний вигляд:

Формула
, де фактор впевненості CFcinc=0,99.

Базове правило №2 , виражене у символьній формі, матиме вигляд:

Формула

Тут TClassCF(TClass(t)) подає значення фактору впевненості у залежності від класу тези. Базове правило №3, виражене у символьній формі, матиме вигляд:

Формула

Набір базових класів тез ПТМ містить до 20 класів і може бути розширений для тієї чи іншої предметної області. Відповідні фактори упевненості обрані евристично з урахуванням семантико-дидактичних особливостей тез відповідних класів.

Після того, як здійснено синтаксичний аналіз ПТ-елементів і побудовано множини CinC і CinT, тобто побудовано базу фактів, необхідно підрахувати сукупний фактор впевненості для гіпотез про дидактичні відношення між парами понять. Необхідно підрахувати сукупний фактор впевненості для гіпотез на основі правил, які приводять до однакового результату з урахуванням і усуненням можливих протиріч.

Визначимо множину понять, які, ймовірно, є дидактично передуючими поняттями даного поняття. Цю множину понять називатимемо вхідними поняттями-кандидатами даного поняття a Елемент формули C:

Формула

Після отримання вхідних понять-кандидатів наступним кроком буде підрахунок фактору впевненості гіпотези про те, що окреме вхідне поняття-кандидат c Елемент формули TryCtoC(a) дидактично передує даному поняттю a. По-перше знаходимо сукупність факторів упевненості тих правил, результатом яких буде твердження before_concept(c,a), яке вказує на дидактичну послідовність понять c і a:

Формула

Далі для отримання сукупного фактору впевненості для before_concept(c,a) необхідно об’єднати одержані значення CFs(c,a), для чого застосуємо послідовне попарне об’єднання за принципом, поданим в [6]:

Формула

Таким чином ми отримуємо фактор впевненості для твердження before_concept(c,a), що вказує на те, що поняття c дидактично передує поняттю a з фактором впевненості CF(before_concept(c,a)). На основі цих даних будується матриця дидактичних зв’язків між поняттями CF_CtoC=||cf_CtoCij||, що задає відповідне відношення CtoC:CtoC:CxC .

Стовпці і рядки матриці CF_CtoC відповідають поняттям, а значення елементів — значенню фактору впевненості того, що поняття ci (рядок) дидактично передує поняттю cj (стовпчик) і дорівнює CF(before_concept(ci,cj)). Для позначення збереженого в матриці CF_CtoC фактору впевненості CF(before_concept(ci,cj)) будемо застосовувати оператор CFCtoC(ci,cj), результатом якого буде значення cf_CtoCij.

Після підрахунку CF(before_concept(c,a)) для кожного з вхідних понять-кандидатів c Елемент формули TryCtoC(a), необхідно підрахувати CF відношень між поняттям a і його вихідними поняттями-кандидатами:

Формула

Аналогічно знаходиться CF(before_concept(a,c)) для усіх c Елемент формули TryCfromC(a). Відповідним чином доповнюється матриця CF_CtoC. Під час цих обрахунків з’являється можливість виявлення протиріч, коли відбуватиметься одночасне виконання CFCtoC(a,c)>0 і CFCtoC(c,a)>0. У такому випадку, адаптуючи формулу з [6], обчислює-мо нове значення фактору впевненості:

Формула

При цьому менше із значень CFCtoC(a,c), CFCtoC(c,a) приймається рівним 0, тоді як замість більшого з них підставляється нове значення CF.

Висновок

Ключовою перевагою запропонованого методу побудови ДО є зменшення трудових витрат на встановлення дидактичних відношень між поняттями за рахунок автоматизації цього процесу. Іншою перевагою є придатність методу до застосування в різних предметних областях, що було перевірено на навчальних матеріалах у галузях технічних, математичних, економічних та педагогічних наук [7]. Також до переваг слід віднести незалежність від даних про черговість лекцій, що дозволяє застосовувати дану технологію для дидактичної формалізації словників та довідників, матеріали яких впорядковуються не дидактично, а по алфавіту. Ця перевага є актуальною також у випадку формалізації набору статей з певної тематики. Подальші дослідження зосереджені на побудові методів використання ДО для генерації індивідуального навчального середовища. Результати публікуються на сайті [8].

Література

1. Brusilovsky P. Developing adaptive educational hypermedia systems: From design models to authoring tools. In: T. Murray, S. Blessing and S. Ainsworth (eds.): Authoring Tools for Advanced Technology Learning Environment. Dordrecht: Kluwer Academic Publishers, 2003. – P. 377-409.

2. Weber G., Specht M. User modeling and Adaptive Navigation Support in WWW-Based Tutoring Systems. Workshop on Adaptive Systems and User Modeling on the WWW on UM97. Chia Laguna, Sardinia: Springer. – 1997.

3. Brusilovsky P., Yudelson M., Sosnovsky S. An adaptive E-learning service for accessing interactive examples. In: J. Nall and R. Robson (eds.) Proceedings of World Conference on E-Learning, E-Learn 2004, Washington, DC, USA, November 1-5, 2004. – AACE, 2004. – P. 2556-2561.

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

5. Титенко, С. В. Генерація тестових завдань у системі дистанційного навчання на основі моделі формалізації дидактичного тексту / С. В. Титенко // Наукові вісті НТУУ "КПІ". – 2009. – № 1(63). – С. 47–57.

6. Buchanan B. G., Shortliffe E. H. та ін. Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. Reading, MA: Addison-Wesley, 1984.

7. Портал знань – Web-портал, ПЗ якого реалізує запропонований метод побудови дидактичної онтології [Електронний ресурс]. – Режим доступу : http://www.znannya.org.

8. Лабораторія СЕТ – лабораторія семантичних технологій в дистанційному навчанні. [Електронний ресурс]. – Режим доступу : http://www.setlab.net.

Кількість входів в цьому місяці : 6032
Приєднуйтесь!
Сторінки, близькі за змістом
©2006-2024 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
НТУУ "КПІ"
Комп'ютерні науки та програмна інженерія
Друзі і партнери