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 | Побудова дидактичної онтології на основі аналізу елементів понятійно-тезисної моделі

Побудова дидактичної онтології на основі аналізу елементів понятійно-тезисної моделі

PDF

Побудова дидактичної онтології на основі аналізу елементів понятійно-тезисної моделі 

Титенко, С. В. Побудова дидактичної онтології на основі аналізу елементів понятійно-тезисної моделі/ С. В. Титенко //  Наукові вісті НТУУ "КПІ". – 2010. – № 1(69). – С. 82-87.  

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 [1-6]. 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 [7] тощо. Натомість, формування подібних відношень за допомогою ручної роботи експерта [1] в системах з відкритим типом контенту [8, 9] ускладнюється через значну трудомісткість і необхідність підтримки великої кількості обновлюваної навчальної інформації. Під системами з відкритим типом контенту прийнято розуміти такі системи, контент яких невідомий на етапі проектування і програмної реалізації системи, і передбачається, що він буде додаватись і розширюватись на етапі використання [9]. Сюди слід віднести як розподілені WWW-ресурси, так і навчальні системи з розвиненими можливостями щодо адміністрування контенту і створення великих сховищ навчальних матеріалів [8]. Саме такі системи мають потенціал забезпечити сучасні потреби електронного навчання. 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 [7]. Таким чином проблема автоматичної побудови дидактичної онтології є актуальною задачею для галузі сучасних систем навчання. У попередніх роботах [10, 11] було запропоновано понятійно-тезисну модель формалізації дидактичного тексту (ПТМ). ПТМ була застосована як засіб для генерації тестових завдань [11], а також як засіб для побудови термінологічного довідника дистанційного курсу [12]. У даному дослідженні ставилося завдання застосувати ПТМ для автоматичної побудови дидактичної онтології.

Постановка задачі

Метою роботи є розробка методу автоматичної побудови дидактичної онтології в навчальній системі на основі даних понятійно-тезисної моделі. 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 [13].

Понятійно-тезисна модель як підґрунтя для побудови дидактичної онтології

Структура, сутності і формальний опис ПТМ наведено в роботах [10, 11]. Елементи ПТМ є результатом формалізації дидактичного тексту, виконаної експертом. ПТМ служить для розв’язання цілого ряду завдань в навчальній системі, серед яких автоматизація контролю знань, автоматизація побудови термінологічного довідника курсу та ін. Тому розширення області застосування ПТМ для вирішення проблеми побудови ДО є ефективним з точки зору оптимального використання трудових ресурсів. 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 ADOв Delphi»

 

Поняття

Теза

ADO

Інтерфейс високого рівня для роботи с OLE DB, орієнтований на використання 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 технологією 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. Тут автором навчального тексту передбачається, що поняття «1» повинно бути відоме учневі, і тому воно може виступати в даному тексті як фонове.

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 [13].
Базовими правилами для визначення дидактичного слідування понять 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 передумовою 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 )

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

Формула
 

 де фактор впевненості CFcinc  дорівнює 0,99.

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

Формула

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

Формула

У табл.2. подається набір базових класів тез ПТМ і відповідних їм факторів упевненості, які обрані евристично із врахуванням семантико-дидактичних особливостей тез відповідних класів. 

Таблиця 2. Базові класи тез ПТМ і відповідні їм фактори впевненості

 

Клас тези

tClass є TClasses

Пояснення

Фактор впевненості

TClassCF(tClass)

tDefinition

Визначення

0,95

tDestination

Призначення

0,8

tEssence

Сутність

0,65

tSyntax

Синтаксис

0,8

tGeneral

Загальна відомість

0,2

tList

Список

0,5

tListItem

Елемент списку

0,5

tImage

Зображення

0

tSynonym

Синонім

0,95

tAbbrev

Абревіатура

0

tAbbrevDecode

Розшифровка абревіатури

0,95

tCode

Програмний код

0,6

tAttaching

Прикріплення

0

tReverseEssence

Сутність вкладеного поняття

-0,5

tReverseGeneral

Загальна відомість вкладеного поняття

-0,2

 

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. Спочатку знаходимо сукупність факторів впевненості 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 у [13]:

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. В такому випадку, адаптуючи формулу з [13], обчислюємо нове значення фактору впевненості:

Формула

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

Візуалізація дидактичної онтології у вигляді дидактико-семантичних карт

Дидактичні зв’язки, визначені в процесі семантико-синтаксичного аналізу ПТ-елементів дозволяють візуалізувати відношення між поняттями шляхом побудови дидактико-семантичних карт понять. Дидактико-семантична карта поняття – це орієнтований ациклічний граф, у якості вершин якого виступають поняття, а кожна з дуг вказує на те, що поняття-початок дуги дидактично передує поняттю-кінцю дуги. При цьому так званим центром графу є поняття, для якого будується карта (рисунок). Карта послідовно показує всі зв’язки, починаючи від центрального поняття з дидактично передуючими поняттями (ліва частина графа) і всі зв’язки, починаючи від центрального поняття, з дидактично наступними поняттями (права частина графа).

Приклад графа дидактико-семантичної карти поняття.

 

Крім того, такий граф є зваженим, так що у якості ваги дуги виступає значення відповідного фактору впевненості CFCtoC(с1,c2), де с1,c2 – відповідно початок і кінець дуги.

Якщо під час побудови мапи виявлено цикл, тобто граф — циклічний, то  це вказує на суперечливість ПТ-бази, що є сигналом для експерта про необхідність корегування ПТ-елементів. Подібна ситуація візуалізується спеціальним чином, так що експерту вказується шлях, на якому виникає цикл. Дані поняття цього шляху слід проаналізуватиі для внесення необхідних правок. Редагування, як правило, передбачатиме зміну класів для деяких із тез на реверсні класи. Після внесення правок карта поняття має перевірятись повторно. 

Висновки

Ключовою перевагою запропонованого методу побудови ДО є зменшення трудових витрат на встановлення дидактичних відношень між поняттями за рахунок автоматизації цього процесу. Іншою перевага полягає у  придатності методу до застосування в різних предметних областях, що було перевірено на навчальних матеріалах у галузях технічних, математичних, економічних та педагогічних наук [14]. До переваг слід також віднести незалежність від даних про черговість лекцій, що дає можливість  застосовувати дану технологію для дидактичної формалізації словників та довідників, матеріали яких впорядковуються не дидактично, а за алфавітом. Ця перевага є актуальною також у випадку формалізації набору статей з певної тематики, а це, в свою чергу, має велике значення для підтримки навчання в нових галузях, якісні навчальні курси яких досі перебувають на стадії формування. Крім того, ПТМ розрахована на роботу з контентом відкритого типу, а тому разом з моделлюTree-Net [15] забезпечує розв’язок проблеми семантичної формалізації контенту, який додається до системи на етапі її експлуатації. Подальші дослідження зосереджені на побудові методів використання ДО для генерації індивідуального навчального середовища. Результати публікуються на сайті [16].

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. Brusilovsky P., Pesin L. Adaptive navigation support in educational hypermedia: An evaluation of the ISIS-Tutor. Journal of Computing and Information Technology 6, 1, 1998 – P. 27-38.
  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. Weber G., Brusilovsky P. ELM-ART: An adaptive versatile system for Web-based instruction. International Journal of Artificial Intelligence in Education 12 (4), Special Issue on Adaptive and Intelligent Web-based Educational Systems, 2001. – P. 351-384.
  5. Brusilovsky P., Schwarz E., Weber G., A tool for developing hypermedia-based ITS on WWW. In: C. Frasson, G. Gauthier, and A. Lesgold, eds. Intelligent Tutoring Systems - Proceedings of the Third International Conference, ITS '96, Berlin: Springer, 1996. – P. 261-269.
  6. 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.
  7. 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.
  8. Brusilovsky, P. and Henze, N. Open corpus adaptive educational hypermedia. In: P. Brusilovsky, A. Kobsa and W. Neidl (eds.): The Adaptive Web: Methods and Strategies of Web Personalization. Lecture Notes in Computer Science, Vol. 4321, Berlin Heidelberg New York: Springer-Verlag, 2007. – С. 671-696.
  9. Brusilovsky P. Adaptive Navigation Support for Open Corpus Hypermedia Systems (Invited talk). In: W. Nejdl, J. Kay, P. Pu and E. Herder (eds.) Proceedings of 5th International Conference on Adaptive Hypermedia and Adaptive Web-Based Systems (AH'2008), Hannover, Germany, July 29-August 1, 2008. – Springer Verlag, 2008 – P. 6-8.
  10. 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.
  11. 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.
  12. Титенко, С. В. Генерація індивідуального навчального середовища на основі моделі професійних компетенцій у Web-системі безперервного навчання/ С. В. Титенко // Вісник Східноукраїнського національного університету імені Володимира Даля – 2009. – №1 (131). Ч.2. – С. 267-273.
  13. 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.
  14. Портал знань – Web-портал, ПЗ якого реалізує запропонований метод побудови дидактичної онтології [Електронний ресурс]. – Режим доступу : http://www.znannya.org.
  15. Титенко С.В., Гагарін О.О.Моделювання області знань в системі безперервного навчання на основі інтеграції моделі контенту Tree-Net і понятійно-тезисної моделі  // VIII международная конференция «Интеллектуальный анализ информации ИАИ-2008», Киев, 14-17 мая 2008г.: Сб. тр./ Ред. кол. : С.В. Сирота (гл.ред.) и др. – К.: Просвіта, 2008. – С. 475-484.
  16.  Лабораторія СЕТ – лабораторія семантичних технологій в дистанційному навчанні. [Електронний ресурс]. – Режим доступу : http://www.setlab.net.

PDF

Коментарі відвідувачів (0)
[ Показати коментарі ]

Додайте власний коментар
Автор

Коментар

Кількість входів в цьому місяці : 4657
Приєднуйтесь!
Сторінки, близькі за змістом
Дослідження і аналіз методів та моделей інтелектуальних систем безперервного навчання
Метою роботи є аналіз вимог до інформаційних систем безперервного навчання, а також методів, моделей і технологій їх побудови. Це включає аналіз існуючих методів і технологій інтелектуальних освітніх систем і визначення кола специфічних і слабко розвинених напрямків, які потребують ґрунтовного пророблення у контексті безперервного навчання.
Семантична модель знань для цілей організації контролю знань у навчальній системі
Метою даної статті є подання концепції автоматичної побудови засобів контролю знань на основі спеціальної понятійно-тезисної моделі подання знань та опис програмної реалізації цієї концепції. Ідея полягає у специфічному алгоритмі збереження і наповнення бази знань, на основі якої будуть генеруватись тести. Запропонована ідея втілена у програмному продукті і знаходиться на стадії подальшого дослідження і розвитку.
Генерація тестових завдань у системі дистанційного навчання на основі моделі формалізації дидактичного тексту
Українське суспільство все гостріше відчуває потребу і актуальність розповсюдження навчальних процесів у найрізноманітніших сферах життя. Останнім часом освітні процеси, виходячи за межі освітніх закладів, дуже активно прямують у такі сфери як бізнес, корпоративна освіта, підвищення кваліфікації працівників різних галузей. Найбільш зручною формою навчання тут є дистанційна. Однією з ключових складових дистанційної освіти є контроль і діагностика знань
Моделювання області знань в системі безперервного навчання на основі інтеграції моделі контенту Tree-Net і понятійно-тезисної моделі
У роботі описано підхід до подання і визначення області знань в інте-лектуальній системі безперервного навчання на базі моделі Web-контенту Tree-Net і понятійно-тезисної моделі формалізації дидактичного тексту. Знання про область знань використовуються для генерації персо-нального освітнього середовища і автоматизації тестування
Когнітивно-семантичний підхід
Характеризує умовну модель "Знати", яка базується на класичних дослідженнях в області штучного інтелекту (ШІ), що в той же час застосовуються для потреб освіти.
Теза
Це деяка відомість або твердження про поняття. Являє собою одне або декілька речень, в яких мова іде безпосередньо про відповідне поняття, проте саме поняття тут словарно не фігурує.
Поняття
Вказує на деякий об'єкт з області знань, про який іде мова, і який представляється для вивчення студенту.
Tree-Net
Ієрархічно-мережева модель даних. Основа для формалізації і структурування контенту порталів безперервного навчання.
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