Исследование, статьи, разработки | Публикации Лаборатории. Искусственный интеллект в образовании. Дистанционное обучениеМоделирование области знаний в системе непрерывного образования на основе интеграции модели контента Tree-net и понятийно-тезисной модели
Завантажити у форматі MS Word статтю Моделирование области знаний в системе непрерывного образования на основе интеграции модели контента Tree-net и понятийно-тезисной модели [DOC]
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.
<*link(Tytenko_IAI_2008_pres)*>Презентация к докладу на конференции IAI-2008. <*endl*>
УДК 004.896
Моделирование области знаний в системе непрерывной учебы на основе интеграции модели контенту Tree-net и понятийно-тезисной модели
Титенко с.В., Гагарин О.О, к.т.н., доц.,
Национальный технический университет Украины «КПИ», м. Киев
lab@setlab.net
В работе описан подход к представлению и определению области знаний в интеллектуальной системе непрерывной учебы на базе модели Web-контенту Tree-Net и понятийно-тезисной модели формализации дидактичного текста. Знание об области знаний используются для генерации персональной образовательной среды и автоматизации тестирования.
Вступление
В условиях стремительного развития средств распространения информации и усовершенствования технологий продуцирования ресурсов WWW большого значения приобретает благоустройство ресурсов для их использования в образовательных целях. При этом возникает необходимость настройки персонального информационного пространства в зависимости от интересов пользователя и области знаний, которая его интересует. Это даст возможность снизить негативное влияние явления, которое называют «информационным взрывом» и эффективнее поддержать процесс непрерывной учебы через Интернет [1].
За некоторыми оценками, среднегодовой темп прироста новых знаний составляет 4 – 6%. Это значит, что около 50% профессиональных знаний специалист должен получить по окончании учебного заведения. Объем времени, необходимый для возобновления профессиональных знаний для специалистов с высшим образованием составляет 28% от общего объема времени, которым владеет работник в течение всего работоспособного периода. Непрерывное образование становится важным фактором конкурентоспособности специалиста на рынке труда. [2]. Вся история становления и развития учебы человека как самостоятельной области его деятельности указывает на то, что учеба должна быть непрерывной и адаптивной [3].
Актуальность приобрела проблема моделирования знаний на базе специфических подходов, которые берут начало в разных отраслях, с целью эффективного решения проблемы управления знаниями для образования в контексте WWW и непрерывной учебы. Значительный взнос в эту отрасль сделали Брусиловский П. [4, 5] Где Бра П.[6] Атанов г.А. [7, 8] Васильева Ю. [9] но другие.
Отличием Web-систем, которые применяются для поддержки непрерывной учебы, от других систем представления информации в Интернет есть наличие специфических для образования функций, среди которых важную роль играет контроль знаний. Экстенсивное увеличение объемов информации и знаний требуют усовершенствование и автоматизации подготовки и проведения контроля знаний в системах непрерывной учебы. При этом формирования образовательного контенту и средств контроля должны происходить параллельно и взаимоувязываемый, а их разграничение может привести к несоответствию и неактуальности контроля. Вопросы автоматизации контроля знаний рассмотрены в работах Аванесова в.С. [10] Брусиловского П. [11] Елизаренко Г.Н. [12] Станковая С. [13] но других.
Невзирая на значительные достижения в отрасли интеллектуальных систем учебы, средств контроля знаний и систем распространения информации, в WWW, остается потребность в интегрированном системном подходе, который органично соединит методы сохранения и управления знаниями, индивидуализируемое представление образовательного Web-контенту и методы автоматизации контроля знаний.
Проблема моделирования области знаний нуждается в своем решении в ряде задач, которые имеют отношение к управлению знаниями на базе WWW и возникают в контексте управления контентом, адаптации и персонализации контенту, подготовки и сопровождения непрерывной учебы, с элементами генерации индивидуальных учебных курсов и автоматизированного контроля знаний [14]. Так требование адаптивности системы учебы нуждается в применении динамических учебных курсов, в противовес статическим. Это, в свою, очередь нуждается в моделировании образовательного контенту для обеспечения работы образовательных запросов на построение индивидуальной учебной среды [14, 15]. Работа образовательных запросов может основываться на нахождении необходимой области знаний и подборе под эту область учебного контенту, который будет подан пользователю для учебы в качестве индивидуального образовательного курса.
Целью данной работы является описание метода моделирования области знаний в системе непрерывной учебы с помощью иерархически сетевой модели образовательного контенту Tree-net и понятийно-тезисной модели формализации дидактичного текста. Сведения об области знаний используются для поддержки процессов подготовки персональной образовательной среды и тестирования знаний пользователей системы непрерывной учебы.
Модель контенту Tree-net
Tree-Net [16] – модель Web-контенту, в основе которой лежат две ключевых сущности: элемент контенту или Web-сторінка и тематическая группа. Таким образом Tree-Net состоит из двух деревовидных структур: структура элементов контенту и структура тематических групп. Каждый элемент контенту может брать учат в произвольном количестве тематических групп. Дерево контенту указывает на физическое расположение контенту, это основная навигационная модель контенту сайта. Тогда как дерево тематических групп носит семантический характер и подает иерархию предметных областей. Схематически модель контенту Tree-net изображено на рис.1.
Рис.1. Схематическое изображение Tree-Net модели: дерево контенту и дерево тематических групп.
Множественное число элементов контенту: V={v1,...,vn}. Иерархическая структура контенту: каждый элемент может иметь дочерние элементы: Ch:v>2V. Каждый элемент имеет родительский элемент: F:v>V. Сетевая структура контенту: каждый элемент имеет совокупность связанных с ним элементов: N:V>2V. Множественное число G указывает на тематические или ассоциативные группы, в которых могут принимать участие элементы контенту: G={g1,…,gng}. Организация тематических групп происходит в иерархической структуре. Каждый элемент контенту может принимать участие в произвольном количестве тематических групп: GV:V>2G. На основе тематических групп мы можем определять связки ассоциативности между элементами контенту.
Понятие семантического блока в Tree-Net. Для построения многопредметного Web-порталу, что будет служить базой для организации непрерывной учебы, используются так называемые блоки контенту. Семантический блок – это такое множественное число элементов контенту, что имеют логическое и структурное единство, они имеют единственный источник происхождения, например одно авторство, и подают одну тему. Сюда можно отнести готовы статические курсы, чей контент загружено к системе. Физически блок контенту является некоторой ветвью в дереве контенту. При этом, обозначив вершину этого дерева, как блок, мы относим всех его потомков к данному блоку. Пример семантических блоков изображен на рис.2.
Рис.2. Пример семантических блоков. Элементы, обозначенные как блок, становятся частью нового семантического блока вместе со всеми их потомками.
Понятийно-тезисная модель
Понятийно-тезисная модель (ПТМ) [17, 18] – модель формализации дидактичных текстов. Основывается на герменевтичному подходе разбора текста. Путем аналитического пересмотра текста и специального визуального интерфейса из текста экспертом выделяются и заносятся в БЗ семантические сущности. Этот процесс можно сравнить с индексацией [1]. Информация, которая хранится в ПТ-базі дает возможность делать выводы о том, которое является предметом обсуждения в том или другом тексте. Также ПТМ дает возможность генерировать тесты для проверки усвоения студентом того или другого текста. Детально ПТМ и технология генерации тестовых заданий рассмотрена в работах [17, 18, 19].
Основными семантическими сущностями ПТМ является понятие и тезисы. Понятие выражает предмет знаний, который обсуждается в том или другом фрагменте учебного материала. Тезис – это некоторая ведомость или утверждение о понятии. Каждому понятию отвечает собственный набор тезисов, добытых из текста, которые характеризуют данное понятие. Множественное число понятий C={c1.,cn2}. Множественное число тезисов: T={t1., tn1}. Множественное число элементов контенту V={v1.,vn3}. Каждый элемент контенту vи может иметь произвольное количество тезисов tj: TV: V >2T. Каждый тезис tj касается одного элемента контенту vи. VT: T > V. Каждое понятие cк может иметь произвольное количество тезисов tи. Принадлежность тезисов понятиям задается отображением: CT: T > C. Каждое понятие имеет некоторый набор тезисов, который задается отображением: TC: C>2T.
Интеграция моделей Tree-Net и ПТМ
Комплексная модель образовательного контенту [15]– являет собой интеграцию Tree-Net и ПТМ. При этом взаимная интеграция моделей порождает дополнительную семантику, которая дополняет каждую из моделей. Так знание ПТМ о предмете обсуждения в Web-сторінках обогащает сведения об ассоциативности элементов контенту Tree-Net. А Tree-Net структура помогает усовершенствовать алгоритмы ПТ-тестування и обогащает ПТМ сведениями о соотношении между ПТ- сущностями.
Область знаний в системе непрерывной учебы
Под областью знаний в системе будем понимать некоторое множественное число контенту, предмет обсуждения которого касается некоторой реальной области знаний. При этом как и в реальном мире, будем предусматривать, что суживая взгляд на данную область знаний, получаем некоторую новую область знаний, которая является дочерней относительно первой, так как рассматривает те знания, которые касаются лишь некоторой части главной области знаний. Аналогично область знаний может быть расширена, и в результате получим другую область, которая подает более широкий взгляд на некоторую проблему.
Учитывая характер заданий, которые возникают в системе управления знаниями для непрерывной учебы, ставится задание определения области знаний для данного элемента контенту. Получая на входе некоторую Web-сторінку системы, необходимо определить определенное множественное число ассоциативного контенту, которую будем называть областью знаний определенного уровня детализации. Увеличивая объем такой области знаний, мы расширяем наш взгляд на предмет, касаясь также других тем, и получаем больше элементов контенту. Принцип определения и последующего расширения области знаний элемента контенту изображен на рис.3.
Рис.3. Принцип определения и последующего расширения области знаний элемента.
Методика моделирования области знаний
Задание моделирования области знаний сводится к нахождению ассоциативных элементов контенту данной Web-сторінки. Источники ассоциативности элемента контенту по порядку значимости:
1. Элементы связаны общими понятиями ПТМ.
2. Бинарные связки между элементами контенту.
3. Элементы-члены той же группы, к которой принадлежит данный элемент.
4. Элементы того же семантического блока контенту.
5. Элементы из дочерних групп.
6. Элементы из родительских групп.
7. Иерархические связки в дереве контенту: дочерние элементы, родительский элемент.
Кроме определения совокупности ассоциативных элементов, необходимо также упорядочить их внутри каждого из источников по степени, или рангу ассоциативности, к элементу, относительно которого происходит моделирование.
1. Элементы связаны общими понятиями ПТМ: ранг элементов прямо пропорциональный количеству общих с исходным элементом понятий.
2. Бинарные связки между элементами контенту: ранг всех элементов одинаков.
3. Элементы-члены той же группы, к которой принадлежит данный элемент: ранг элемента прямо пропорциональный его релевантности относительно группы.
4. Элементы того же семантического блока контенту. Здесь ранг распределяется следующим образом: наибольший – у первого дочернего элемента. Дальше последовательно идут следующие дочерние элементы (с минимальным отрывом в ранге). Следующим по рангу является родительский элемент (при условии, что он является частью семантического блока).
5. Элементы из дочерних групп: ранг элемента прямо пропорциональный его релевантности относительно группы.
6. Элементы из родительских групп: ранг элемента прямо пропорциональный его релевантности относительно группы.
На рис.4. изображено покрокове определение ассоциативных элементов, с учетом иерархии групп, изображенной на рис.5.
Рис.4. Демонстрация последовательного определения области знаний, с учетом иерархии групп, изображенной на рис.5.
Рис.5. Иерархия групп, которая учитывается при определении области знаний на рис.4.
Вывод
Моделирование области знаний дает возможность поддержать такие процессы организации непрерывной учебы через Интернет, как генерация персональной образовательной среды и автоматизированное тестирование. Выгодой такого подхода является гибкость и релевантнисть отобранной информации, в сравнении со статическим курсом. Да, появляется подпочва для построения дополнительных ссылок, организации навигации, по виртуальной области знаний и генерации индивидуального учебного курса, который даст возможность пользователю эффективнее использовать материалы портала дистанционной учебы и быстрее получать желаемую информацию. В случае тестирования на базе ПТМ [17, 18], технология определения дополнительных ассоциативных элементов дает возможность использовать дополнительные семантические элементы ПТМ из других источников, что даст возможность генерировать тест и строить варианты ответов даже при недостаточном количестве понятий и тезисов в основном контенти. Последующие исследования имеют целью формализацию, математическое описание, программную реализацию и апробацию описанного подхода, на сайте дистанционной учебы [20]. Предыдущие и текущие исследования детально освещают на сайте авторов [21]
Литература
2. Богданова И.Ф. Непрерывное образование в эпоху перехода к информационному обществу. http://sbmt.bsu.by/projects/Thesis06.pdf
3. Дресвянников в.А. Андрагогика: принципы практического обучения для взрослых // Элитариум: Центр дистанционного образования, 2007 http://www.elitarium.ru/2007/02/09/andragogika.html
4. Brusilovsky, P. (1996) Methods and techniques of adaptive hypermedia. User Modeling and User-adapted Interaction, 6 (2-3), гг. 87-129.
5. Brusilovsky, P. and Peylo, C. (2003) Adaptive and intelligent Web-based educational systems. In P. Brusilovsky and C. Peylo (eds.), International Journal of Artificial Intelligence in Education 13 (2-4), Special Issue on Adaptive and Intelligent Web-based Educational Systems 159-172.
6. de Bra, P., Houben, G.j., Wu, H.: Aham: A dexter-based reference model for adaptive hypermedia. In: Proceedings of the ACM Conference on Hypertext and Hypermedia, Darmstadt, Germany (1999) 147–156
7. Атанов г.А. Возрождение дидактики – залог развития высшей школы. – Донецк: Изд-во ДОУ, 2003.
8. Атанов г.А., Пустынникова И.Н. Обучение и искусственный интеллект, или основы современной дидактики высшей школы . – Донецк: Изд-во ДОУ, 2002.
9. Vassileva, J. A task-centered approach for user modeling in а hypermedia office documentation system, User Modeling and User-adapted Interaction, 6 (2-3) /1996
10. Аванесов в.С. Композиция тестовых задан. Учебная книга для преподавателей вузов, учителей школ, аспирантов и студентов пед. вузов. 2 изд.,испр.. и доп.М.:Адепт.1998-217с.
11. Brusilovsky, P. and Miller, P. Web-based testing for distance education. In: P. De Bra and J. Leggett (eds.) Proceedings of Webnetъ99, World Conference of the WWW and Internet, Honolulu, HI, Oct. 24-30, 1999, AACE, гг. 149-154
12. Елизаренко г.Н. Проектирование компьютерных курсов обучения: концепция, язык, структура. НТУУ «КПИ». Киев, 2001.
13. Stankov S., Zitko B., Grubisиc A.. Ontology as а Foundation for Knowledge Evaluation in Intelligent E-learning Systems. Aied’05 Workshop Sw-el’05: Applications of Semantic Web Technologies for E-learning. Papers of 12th International Conference on Artificial Intelligence in Education (AIED 2005). Amsterdam, 2005. http://hcs.science.uva.nl/AIED2005/W3proc.pdf
14. Гагарин о.О., Титенко с.В. Проблемы создания гипертекстовой учащей среды // Вестник Восточноукраинского национального университета имени Владимира Даля №4 (110) 2007 Ч.2 - Луганск 2007 - С. 6-15.
15. 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. редакторша В.А. Гребенюка, Др Киншука и В.В. Семенца.– Харьков-Ялта: УАДО, 2007.– С. 140-145
16. Титенко с.В., Гагарин о.О. Формирование учебного контенту на основе модели данных Tree-net // Материалы Всеукраинской научно-технической конференции "Комп'ютерна математика в инженерии, науке и освити" (Cmsee-2007), м. Полтава, 28-30 ноября в 2007 г. - Полтава: Изд-во ПОЛНТУ, 2007 - 42с.
17. Титенко с.В., Гагарин о.О. Семантическая модель знаний для целей организации контроля знаний в учебной системе. // Сборник трудов международной конференции «Интеллектуальный анализ информации-2006». – Киев: Просветительство, 2006. – С. 298-307.
18. Титенко с.В., Гагарин о.О. Практическая реализация технологии автоматизации тестирования на основе понятийно-тезисной модели. Образование и виртуальность – 2006. Сборник научных трудов 10-й Международной конференции Украинской ассоциации дистанционного образования / Под общ. редакторша В.А. Гребенюка, Др Киншука, В.В. Семенца.– Харьков-Ялта: УАДО, 2006.– С. 401-412.
19. А.А. Гагарин, А.Н. Луценко, С.В. Титенко Организация дистанционного обучения как информационный фактор реализации научно-технологической составляющей экономической безопасности государства // Экономическая безопасность государства и информационные технологии в ее обеспечении / под общ. редакторша Г.К. Вороновского, И.В, Недина – К.:Знания Украины, 2005, стр. 608-619.
20. http://www.znannya.org Портал знаний – портал дистанционной учебы, свободные учебные материалы.
21. http://www.setlab.net Лаборатория СЕТ – Виртуальная лаборатория новейших информационных технологий. Исследование в области дистанционной учебы.
Обратите внимание на дополнительные ссылки
Если вас интересует...
Главный раздел
Дочерние страницы
Страницы, близкие по смыслу
| ||||||||||||||
