Исследование, статьи, разработки  |   Публикации Лаборатории. Искусственный интеллект в образовании. Дистанционное обучение

Исследование и анализ методов и моделей интеллектуальных систем непрерывного обучения

Интеллектуальные системы обучения   Непрерывное образование   Адаптивность в системах обучения   Модель ученика   Моделирование компетенций   Научные статьи

Завантажити у форматі MS Word статтю Исследование и анализ методов и моделей интеллектуальных систем непрерывного обучения [DOC].

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.

Аннотация

О.О. Гагарин, С.В. Титенко

Исследование и анализ методов и моделей интеллектуальных систем непрерывной учебы

В работе проанализированы особенности непрерывного образования и пути их поддержки в учебных системах. Сделан обзор ключевых методов и моделей, которые должны лечь в основу интеллектуальной системы непрерывной учебы.

Alexander Gagarin, Sergiy Tytenko

Research and analysis of methods and models of intelligent systems for ongoing learning

Features of ongoing learning and ways to apply its in educational systems were analyzed. Key methods and models for building of intelligent system for ongoing learning were reviewed.

А.А. Гагарин, С.В. Титенко

Исследование и анализ методов и моделей интеллектуальных систем непрерывного обучения

В работе проанализированы особенности непрерывного образования и пути их поддержки в обучающих системах. Выполнен обзор ключевых методов и моделей, которые должны лечь в основу интеллектуальной системы непрерывного обучения.

УДК 004.896

Исследование и анализ методов и моделей интеллектуальных систем непрерывной учебы

Гагарин о.О., Титенко с.В.

Вступление

Стремительное развитие технологий побуждает к изменениям практически во всех отраслях общества. Среди них и образовательная отрасль, которая в последнее время проходит непростой период трансформаций. На наших глазах происходит бурное развитие и первые шаги практического применения дистанционного образования в Украине. Вместе с тем, общество ожидает реализации новой концепции в учебе «образование на протяжении всей жизни» [1]. Стандартные и достаточно статические п’яти-шестирични университетские программы не способны в полноте удовлетворить переминливи требования рынка труда. Инновации пронизывают все области жизни, постоянно изменяя спрос на разные профессии и сами профессии в частности. Поэтому учеба не может завершиться после пятого года университета, оно должно длиться и в дальнейшем. Технологии дистанционного образования должны огромный потенциал ответить на такой общественный вызов, предоставив удобные механизмы поддержки непрерывной учебы.

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].

Сегодня мы имеем множество замечательных примеров Web-систем для организации дистанционной учебы, среди них Blackboard [4], Webct [5] Moodle [6], IBM Learningspace [7] но др. Такие системы уверенно применяют преимущества информационных технологий. Однако следует подчеркнуть – информационных, тогда как все больше мы сталкиваемся с потребностью в технологиях знаний. Здесь прежде всего следует вспомнить научное направление, которое непосредственно занимается данной проблемой, а именно – исследование искусственного интеллекта и его раздел инженерия знаний. Не ввиду давней истории и значимых достижений этого направления, очень специфически здесь появляется задача репрезентации знаний именно для образования, так как педагогическое представление часто не вписывается в общую парадигму и классическую постановку проблемы представления знаний в искусственном интеллекте [8]. В связи с этим возникает потребность разработки специфических подходов моделирования знаний, которые вдохновляются разными отраслями с целью эффективного решения проблемы представления знаний для образования.

Таким образом, в процессе решения задачи разработки и распространения учебных Web-систем возникают и укрепляются научные направления на стыке педагогических и компьютерных наук – искусственный интеллект в образовании [9], «Образовательные технологии и общество» [10,11], семантический Web-простир в электронной учебе [12] и тому подобное. Все более внимания уделяется интеллектуализации систем учебы. Создаются научные содружества по исследованию применения технологий искусственного интеллекта в образовании [9-12].

Постановка задания

Целью работы является анализ требований к информационным системам непрерывной учебы, а также методам, моделям и технологиям их построения. Это включает анализ существующих методов и технологий интеллектуальных образовательных систем и определения круги специфических и слабо развитых направлений, которые нуждаются в обстоятельном пророблення в контексте непрерывной учебы.

Непрерывное образование и требования к образовательным системам

Потребность в непрерывном пополнении и возобновлении профессиональных знаний, их актуализации, на производительном этапе человеческой жизни обусловлена темпами научно-технического прогресса, переходом к информационному этапу развития общества, широким применением инновационных технологий. Анализ работ по проблемам непрерывного образования и дистанционной учебы [13-15] а также образования для взрослых [16-17] позволил обнаружить особенности БН и построить перечень требований, которые она ставит к системам непрерывной учебы (СБН).

Сегодня происходит расширение и диверсификация образовательных услуг. Услуги БН должны дополнить базовое школьное и высшее образование. Это демонстрируется появлением таких нетрадиционных образовательных заведений как «Университеты без стен», «школы гибкой учебы», дистанционного образования. Применения информационных технологий и дистанционной учебы является эффективным методом для поддержки БН.

Основная аудитория непрерывного образования – взрослые люди. Целью учебы является переподготовка, повышение квалификации и культурного уровня людей, которые преодолели возраст базовой учебы. Поэтому СБН должны учесть особенности учебы взрослых.

БН ориентируется на постоянное совершенствование и целостное развитие человека как личности в течение всей ее жизни, повышения возможностей ее, трудовой и социальной адаптации в мире, который так быстро изменяется. Работодатели все больше руководствуются принципом: «Люди – наивысшая технология и самый ценный капитал». Поэтому для СБН необходимо предусмотреть возможность в одной системе подать курсы из разных областей знаний, что обеспечит возможность разносторонней учебы. Особенности непрерывной учебы и их отображения в СБН поданные в табл.1.

Таблиця1. Особенности непрерывной учебы и их отображения в СБН.

Типичная модель использования систем дистанционной учебы предусматривает: 1) подготовку конкретного учебного курса на основе образовательных потребностей определенной группы людей; 2) организацию доступа к материалам курса; 3) организацию общения участников учебного процесса; 4) прохождение студентами точек контроля и завершения курса экзаменом. Однако описаны выше особенности непрерывной учебы предусматривают, что СБН должны быть чем-то большим, чем просто среда для передачи статических учебных материалов определенной группе пользователей с возможностью общения и последующим тестированием. Такие характеристики как индивидуальность, практическая целесообразность, релевантнисть, миждисциплинарнисть и другие особенности БН требуют качественно других методов и моделей построения систем учебы.

Основными требованиями к учебному процессу, который должны обеспечить системы непрерывной учебы, является индивидуализация, релевантнисть и ориентация на практический, прикладной результат. Поэтому основными качествами систем, в которых реализуются эти требования, будут адаптивность и интеллектуальность, а также способность поддерживать прикладной характер учебного процесса. Адаптивность являет собой тенденции функционирования целеустремленной системы, которые определяются соответствием или несоответствием между ее целями и результатами ее деятельности. Адаптивность системы выражается в согласовании целей и результатов. [18]. Для СБН целями будут индивидуальные учебные цели ученика, а результатами – результаты его учебы на данном этапе учебного процесса. Интеллектуальность СБН предусматривает применение для образовательных процессов уже разработанных технологий искусственного интеллекта, а также разработку специфических методов реализации «педагогического сознания» системы.

Модель образовательного процесса за требованиями непрерывной учебы в отличие от классической дистанционной учебы будет содержать такие этапы: 1) визначення образовательных потребностей и целей ученика; 2) визначення уже имеющихся у ученика знаний и навыков, которые отвечают целям учебы; 3) побудова и адаптивная поддержка релевантного учебного процесса на основе сведений полученных на 1-ом и 2-ом этапах.

Таким образом образовательные тенденции и развитие информационных технологий требуют применения в системах дистанционной учебы следующих характеристик и функций: адаптивность; учет предыдущих знаний и опыта студентов; более эффективное управление учебным контентом с возможностью повторного использования и поступательного развития контенту, накопления и междисциплинарных связей; генерация учебного курса; интеллектуализация социальных сетей для образования; интеллектуализация контроля знаний.

Технологии и методы функционирования интеллектуальных систем непрерывной учебы

При проектировании СБН следует учитывать богатый опыт в области разработки интеллектуальных учащих систем (ITS) и адаптивных гипермедиа-систем. Некоторые технологии, которые применяются в учебных Web-системах, берут также свое начало в таких технологиях как машинная учеба, Data Mining, информационный поиск, и в других отраслях искусственного интеллекта. Адаптивные и интеллектуальные системы учебы широко рассмотрены в работах [19-34]. Анализ этих работ позволил сделать обзор ключевых технологий и методов, которые применяются в таких системах.

Адаптивные гипермедиа-системы – это все гипермедиа-системы, которые хранят особенности пользователя в модели пользователя и применяют эту модель для адаптации к пользователю разных визуальных аспектов системы. Другими словами система должна удовлетворять трем критериям: она должна быть гипертекстовой или гипермедийной, она должна иметь модель пользователя и она должна адаптировать свое гипермедиапространство, используя эту модель. [19]

Интеллектуальные учащие системы (Intelligent Tutoring Systems ITS) – это компьютерные учебные системы, которые содержат модели образовательного контенту, которые определяют почему нужно учить и преподавательские стратегии, которые определяют, как нужно учить. Такие системы делают выводы относительно овладения студентами теми или другими темами или заданиями с целью динамической адаптации контенту или стилю преподавания. Модели контенту (или базы знаний, экспертные системы или симуляции) предоставляют этим системам глубины, благодаря чему студенты «учатся, действуя» в реалистичном и смысловом контексте. [20].

На рис.1 подаются методы и технологии, которые сопровождают адаптивные гипермедиа-системы и интеллектуальные учащие системы и могут быть применены для потребностей систем поддержки непрерывной учебы.

Рис. 1. Методы и технологии для интеллектуальных систем непрерывной учебы.

Методы адаптивных гипермедиа-систем [21–23]. Адаптация контенту но адаптация навигации – две наибольших технологии, которые рассматриваются системами адаптивного гипертекста и адаптивного гипермедиа. Целью технологии адаптивного контенту есть 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 для каждого пользователя.

Целью технологии 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 естественной и эффективной.

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 Интернет чаще всего используют технику адаптивной навигации.

Существует два принципиально разных типы механизмов АФИ, которые могут рассматриваться, как две разных технологии АФИ – фильтрация на основе содержимого и коллективная 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 однако не использовались в учебном контексте в прошлом. Объем учебного содержимого был сравнительно небольшим, и потребность направлять пользователя к наиболее подходящему материалу с легкостью поддерживалась адаптивным программированием (планированием) и адаптивным гипермедиа. Однако Интернет с его большим количеством открытых образовательных ресурсов сделал АФІ-технологію очень привлекательной для педагогов.

Методы интеллектуальных систем учебы [20, 21] Интеллектуальный анализ решений имеет дело со студенческими развязками учебных задач (какие могут изменяться от простых вопросов к комплексным программным заданиям). В отличие от неинтеллектуальных контролирующих инструментов, которые способны указать лишь на верность или ошибочность решения, 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 адекватность интерфейса Интернет-форм эта технология была реализована в Интернете одной из первых.

Целью интерактивной поддержки принятия решений есть обеспечение студента интеллектуальной помощью на каждом этапе решения проблемы – от предоставления подсказки к полному выполнению следующего этапа вместо студента. Технология интерактивной поддержки принятия решений не так популярна в Web-системах, как в отдельных интеллектуальных учебных системах – в основном через проблемы с реализацией. Как было показано начальными системами, чистая реализация на стороне сервера не в состоянии активно следить за действиями студента и может обеспечивать помощь лишь по запросу. Чистая реализация на стороне клиента имеет ограничение по сложности. Необходимая функциональность и уровень сложности для реализации интерактивной поддержки принятия решений нуждается в клиент-серверной реализации, но такие системы более сложны в реализации. Следует вспомнить, что Web-технологія асинхронного обмена данными AJAX предоставляет соответствующую техническую платформу для реализации алгоритмов интерактивной поддержки принятия решений на основе WWW.

Методы интеллектуальной коллективной учебы [21]. Интеллектуальная коллективная учеба – группа технологий, разработанная на перекрестке двух областей, которые начальный были далеко одна от другой: компьютерная поддержка коллективной учебы но интеллектуальные учащие системы (ИНС). Современное направление работы в использовании искусственного интеллекта для поддержки коллективной учебы приводит к увеличению уровня взаимодействия этих двух областей. Ранние работы в области интеллектуальной коллективной учебы выполнялись в до-интеренет контексте. Сегодня же Интернет и дистанционное образование обеспечили как платформу, так и растущий спрос, на технологии такого типу. В Интернет-образовании потребность в инструментах поддержки коллективной учебы является критической, потому что студенты редко лично встречаются друг с другом. Интеллектуальные технологии могут коренным образом расширить возможности 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 партнерства, адаптивная поддержка сотрудничества но виртуальные студенты.

Технологии адаптивного формирования групп и партнерства пытаются использовать знание о сотрудничающих членах группы (чаще всего эти знания представлены в моделях студента) для формирования подходящей группы для разных типов коллективных заданий. Это можно применить, например, для задач по формированию групп для общего решения задач и поиска наиболее компетентного члена группы для ответа на вопрос.

Технологии для адаптивной поддержки сотрудничества пытаются обеспечить интерактивную поддержку коллективного процесса так же, как системы интерактивной поддержки принятия решений помогают отдельному студенту в решении проблемы. Используя некоторые знания о хороших и плохих образцах сотрудничества (какие закладываются на этапе разработки системы или получаются из журналов общения), системы поддержки сотрудничества, могут тренировать или консультировать членов коллектива. Технология виртуальных студентов сравнительно старая. Вместо поддерживающей учебы или сотрудничества из позиции старшего над студентами (преподавателя или консультанта) эта технология пытается ввести разные типы равноправных виртуальных партнеров в учебную среду, например учащий партнер, ученик или даже нарушитель порядка. 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. Перспективной является интеграция этого метода с направлениями анимированных агентов но интеллектуальной поддержки сотрудничества.

Интеллектуальный мониторинг классов – технология, очень актуальная для дистанционного образования. 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 тяжелым является и определение частей учебного материала, которые являются слишком легкими, слишком сложными, или непонятными. Системы образования на основе Интернет могут видслидковувати каждое действие студента, однако преподавателю почти невозможно самостоятельно сделать необходимые выводы на основе большого объема данных, которые собираются системой. Системы интеллектуального мониторинга класса пытаются использовать искусственный интеллект, чтобы помочь преподавателю в данной ситуации. Это течение работы сосредоточено на поддержке преподавателя и полагается на такие технологии искусственного интеллекта как интеллектуальный анализ данных (Data Mining) и машинная учеба. Возможной является также интеграция интеллектуального мониторинга класса с адаптивной поддержкой сотрудничества с целью информирования преподавателя о ходе коллективной студенческой работы и о потребности его личного вмешательства для поддержки процесса.

Модели интеллектуальных систем непрерывной учебы

Авторы обобщающей модели адаптивной гипермедиа-системы AHAM (Adaptive Hypertext Application Model) [23], что основывается на эталонной модели гипертекста Декстер [24, 25] предлагают следующую структуру адаптивных гипермедиа-систем (Рис.2).

Рис.2. Эталонная модель гипермедиа-систем AHAM.

Авторы AHAM [23] подчеркивают важность ряда элементов в адаптивных гипермедиа-системах:

• Модель предметной области описывает, каким образом информация системы структурируется и совмещается.
• Модель пользователя описывает то, какая информация о пользователе должна храниться в системе. Это включает представление целевых для пользователя знаний, а также и информацию об уже посещенных им страницах.
• Модель преподавания, или модель адаптации, содержит педагогические правила, которые определяют, каким образом модель предметной области и модель пользователя совмещаются для обеспечения текущей адаптации.
• Механизм адаптации непосредственно выполняет адаптацию через адаптирование или динамическую генерацию контенту страниц, а также настройку адресов и типов ссылок, чтобы осуществлять каждого пользователя индивидуально.

Модель предметной области. Основой модели предметной области в AHAM есть понятие. Авторы AHAM [23] очень четко на концептуальном и техническом уровне выделяют и разграничивают понятие и информацию системы. Понятие является семантическим материалом модели предметной области. Тогда как фактическая информация, которая подается пользователю представляет лишь технический уровень, который определенным образом связывается с уровнем понятий. В [26] также делается подобное разграничение, при этом понятия представляют внешнюю по отношению к контенту семантическую модель предметной области.

В AHAM атомарне понятие отвечает фрагменту информации. Таким образом это понятие представляется порцией информации, которая хранится на внутренне компонентному уровни. Составленными есть понятия, которые состоят из набора атомарных. Выделяют также такие составленные понятия, которые отвечают за определенную страницу, – понятие-страницы. Абстрактные составленные понятия состоят из множественного числа понятий-страниц или других абстрактных понятий. В конечном итоге все понятия структурируются с помощью иерархии и отношений. Предметная область таким образом моделируется с помощью сети понятий, которые в свою очередь связаны с соответствующими фрагментами контенту.

Процесс сопоставления семантических понятий и контенту называют индексацией потому что определение набора понятий для каждой страницы напоминает индексацию страницы за набором ключевых слов. Подобная индексация, которую также можно назвать семантической, как правило выполняется вручную авторами курсов или экспертами предметной области.

Каждая страница связывается с одним или больше понятиями, которые описывают некоторый из аспектов этой страницы. Семантическая индексация страниц может быть одинпонятийной когда одна страница касается одного и только одного понятия внешней модели, и многопонятийной когда каждая страница может быть соотнесена со многими понятиями. Тип семантической индексации для организации гиперпространства в большой мере определяет функциональность адаптивных технологий в системе.

Организация гиперпространства с помощью одинпонятийной индексации порождает строгие требования к внешней модели, которая отвечает за семантику. Здесь всегда обязательным является наличие зав’язкив между понятиями (лучше несколько типов связей), которые будут использоваться для организации гиперссылок. Другим ограничением является то, что этот подход трудно применить для уже существующей традиционной гипермедиа-системы с целью ее превращения на адаптивную. Многопонятийная индексация более мощна с точки зрения применения адаптивных технологий в гиперпространстве, зато она требует более глубокой проробки внешних семантических моделей.

Еще одной важной характеристикой является тип системы с точки зрения открытости ее контенту: закрытые или открытые системы [27, 28]. В системах с закрытым контентом его семантическая индексация проводится на этапе создания системы. В системах из контентом, что расширяется, контент индексируется автором в момент добавления в систему. При этом большинство адаптивных гипермедиа-систем представляют закрытые системы [27]. К классу открытых систем можно отнести информационно-поисковые и информационно фильтрующие системы. В системах такого рода контент индексируется автоматически, но не на основе моделей с использованием семантических понятий, а на основе моделей ориентированных на ключевые слова.

Новое поколение адаптивных систем доступа к информации делают попытки объединить понятийные модели с автоматической обработкой документов. Много из этих систем основываются на автоматической категоризации документов, где каждый документ автоматически соотносится с одним или несколькими понятиями существующей модели предметной области [29]. Использование подобных подходов является актуальным и для образовательных Web-систем.

Следует вспомнить о еще одном специфическом компоненте, который некоторые системы содержат в модели предметной области – модель задач [30, 31]. Эта модель отбивает знания о задании, которые должны выполняться теми или другими рабочими. Структура заданий интегрируется с моделью предметной области и учебными материалами. Такие системы применяют для поддержки профессиональной деятельности. Это направление является очень актуальным в контексте непрерывной учебы.

Модель ученика. Отличие адаптивных гипермедиа-систем от просто гипермедиа-систем заключается в наличии в первых модели пользователя, на основе которой строится адаптация. Чтобы построить и поддерживать актуальную модель пользователя адаптивная система собирает данные из разных источников, что включает неявное наблюдение за действиями пользователя и явный опрос и введение им данных. Модель пользователя и адаптация является двумя сторонами одного процесса. Количество и качество информации, которое представлено в модели пользователя, зависит от типа адаптационного эффекта, который стремится предоставить система.

Основными характеристиками, которые моделируются и используются адаптивными Web-системами является знанием, интересами, целями, предпосылками, индивидуальными особенностями и контекстом работы пользователя. Каждая адаптивная система как правило использует некоторое подмножество данного набора.

Модель пользователя зависит от способа моделирования предметной области в системе. Модель знаний пользователя может быть скалярной, что представляет уровень знаний ученика в предметной области единственным значением по некоторой шкале – количественным (например, от 0 до 5) или качественным (например, отлично хорошо, удовлетворительно, неудовлетворительно) [27]. Наиболее распространенной является оверлейная модель знаний ученика. Она представляет знание ученика как подмножество модели предметной области, которая в свою очередь отображает знание предмета на уровне эксперта. Оверлейная модель хранит для каждого фрагмента знаний предметной области некоторую оценку знаний пользователя по данному фрагменту. Существует также модель на основе ошибок, которая представляет как корректные знания студента, так и ошибочные.

Моделирование интересов пользователя – новое направление, характерное для Web-систем. Интересы пользователя приобретают большое значение для адаптивных гипермедиа-систем в связи с увеличением объема информации и ростом популярности таких типов информационно ориентированных систем как энциклопедии, гипертекстовые системы новостей, электронные магазины, музейные гиды и другие системы, в которых доступ к информации мотивируется интересами. Следует отметить, что эти тенденции, а также популяризация конструктивизма, в учебе имеют влияние и на образовательные сервисы, и потому требуют большего внимания к модели интересов пользователя в образовательном контексте. Характерным для информационно-поисковых и информационно фильтрующих систем есть построение модели интересов на основе ключевых слов. Зато адаптивные гипермедиа системы адаптировали подход на основе семантических понятий к моделированию интересов. В данном случае модель интересов становится очень похожей на оверлейную модель знаний пользователя. Перспективным является синтез подходов на основе ключевых слов с подходом на основе понятий для модели интересов студента.

Цели и задачи представляют ближайшую цель работы пользователя в адаптивной системе. Как правило в учебных системах в этой модели представляется учебная цель. Достижение учебной цели решается автоматическим планированием и определением последовательности учебного курса. Цели ученика могут моделироваться с помощью каталога целей. Этот подход несколько похож на оверлейную модель. Его основой является предварительно определенный каталог возможных целей ученика, которые система должна уметь распознавать.

Предпосылки пользователя касаются его предыдущего опыта вне пределов ключевой предметной области системы. Сюда следует отнести профессию, должностные обязанности, опыт работы в связанных областях и даже специфический взгляд пользователя на предметную область [30, 31]. Отметим, что подобные характеристики являются важными в контексте непрерывной учебы, однако до сих пор они использовались в немногих системах.

Модель индивидуальных особенностей подает характеристики, которые представляют индивидуальность пользователя. Сюда относятся психологические и личностные особенности, когнитивные стили и факторы и учебные стили.

Сравнительно новым направлением является моделирование контекста работы пользователя. Сюда следует отнести представление программно-аппаратной платформы пользователя, его географического положения и эмоционального состояния [27].

Модели и механизмы адаптации. Принцип функционирования адаптивной учебной системы схематически изображены на рис.3. [32].

Рис.3. Механизм функционирования адаптивной учебной системы.

Адаптационные возможности системы зависит от применяемых в ней модели предметной области и модели пользователя. На этапе принятие решений об адаптации избираются конкретные методы адаптации на основе результатов этапа моделирование пользователя с целью улучшить избранные аспекты взаимодействия ученика и системы. Решения об адаптации могут выражаться в таких действиях как показ справочного окна для помощи пользователю выполнить задание, переструктурування гиперпространства, чтобы помочь студенту ориентироваться и передвигаться в нем, предоставление дополнительных объяснений по некоторому учебному понятию и тому подобное.

Логика адаптационных решений часто подается с помощью набора правил адаптации [23], какие определяют какой компонент адаптации нужно избрать в соответствии с результатами моделирование ученика. В адаптивных гипермедиа-системах эти правила отвечают за адаптивное представление контенту и адаптивную навигацию. Для реализации механизмов адаптации используются подходы на основе семантических понятий предметной области и семантической индексации контенту, ключевых слов и автоматической индексации контенту, на базе информационного поиска, а также социальные механизмы, такие как навигация на основе истории и коллективная фильтрация [26].

Моделирование взаимодействия участников учебного процесса. Модели коллективного взаимодействия в учебе служат для организации сотрудничества через Интернет участников учебного процесса. Сюда следует отнести такие традиционные средства общения как электронную переписку, форумы, блоги, а также wiki-системы.

Кроме общения, коллективное взаимодействие может также выражаться в социальной навигации [26]. Социальная навигация может применяться в прямой и непрямой форме. Прямая форма предусматривает непосредственное общение и аннотирование контенту, выраженное в комментариях пользователей, какие они имеют возможность оставить непосредственно на странице.

Непрямая социальная навигация выражается в методах на основе истории и методах коллективной фильтрации. Навигация на основе истории визуализирует обобщенные или индивидуальные действия пользователей относительно текущей страницы. Так вариантами такого подхода является публикация количества посещений страницы, или времени, проведенного на ней другими пользователями но др. Подобная информация помогает понять, на сколько данная страница релевантная сообществу пользователей. На основе визуализированных данных пользователь принимает решение о собственной навигации. Коллективная фильтрация – техника предоставления рекомендаций, основанных на предварительно выраженных мыслях или заинтересованности похожих пользователей. Коллективная фильтрация часто реализуется с помощью рейтингов или оценивания, а также индикаторов заинтересованности.

В связи с тем, что история адаптивных и интеллектуальных образовательных систем имеет корни в До-интернет разработках, в них не уделяется достаточно широкое внимание моделированию коллективной работы участников учебного процесса. Однако этот аспект становится достаточно важным в контексте современных образовательных Web-систем, учитывая тенденции развития Интернета, что получили название Web 2.0.

Выводы

Обзор основных технологий адаптивных и интеллектуальных учебных систем позволяет сделать выводы относительно особенностей применения таких технологий в контексте непрерывного образования. Одну из проблем многих систем можно выразить как принцип «полного интеллектуального руководства» – тенденции полного контроля над учебным процессом. Система, будучи педагогически сознательной, пытается все сделать за пользователя и должен тенденцию занимать позицию полной власти над учебным процессом. Целесообразнее видится подход по принципу «интеллектуального партнерства», когда система, имея педагогическое сознание, направляет пользователя в духе советника и предоставляет ему самые широкие возможности для самостоятельной адаптации своей учебы. Это позволяет использовать «для помощи искусственному интеллекту» системы естественный интеллект ученика, что, без сомнения, станет весомым взносом в эффективность учебы и достаточно сильно демократизует образовательный процесс, который отвечает требованиям непрерывной учебы.

Кроме этого, ввиду анализа особенностей непрерывного образования, следует заметить, что рассмотренные адаптивные и интеллектуальные учебные системы не уделяет достаточно непосредственного внимания некоторым специфическим требованиям БН: соответствие архитектуры системы явлению «информационного взрыва», профессиональная направленность учебы, миждисциплинарнисть знаний.

Проблема соответствия архитектуры явлению «информационного взрыва» [35]. В то время, как адаптивные и интеллектуальные учебные системы сконцентрированы на проблемах внутри курса, часто вне поля зрения остается тот факт, что существует потребность в интенсивной поддержке большого количества курсов, которые нужно постоянно создавать в ответ на расширение целевых для учебы знаний. Это требование отображается на функциональность средств создания и сохранения учебных ресурсов. Эта проблема также выражается как проблема систем с закрытым типом контенту [28].

Профессиональная направленность учебы предусматривает соответствие кадровым потребностям предприятий, связь учебы с должностными обязанностями. Эта потребность описывается как актуальность и релевантнисть учеба и ориентация на немедленное применение полученных знаний. Большинство адаптивных и интеллектуальных систем учебы не рассматривают такие сущности как должность, профессия, компетенция и их связь, с учебными ресурсами. Не ввиду того, что большое количество систем имеет целью передачу процедурных знаний (так называемые тренажеры), этот класс систем не отвечает заданию систематизации информационных учебных ресурсов в гибком соответствии с должностными или профессиональными обязанностями. Некоторые системы класса поддержки производственной деятельности применяют модель задач для настройки учебы [30, 31]. Интеллектуальные системы БН должны развить и распространить этот опыт для поддержки непрерывной учебы.

Требование миждисциплинарности знаний что должны быть усвоены в процессе учебы связанная с профессиональной направленностью и отображает необходимость целостной учебы для определенной должностной или профессиональной позиции. Этим опять подчеркивается недостаточность лишь одного взгляда внутрь курса, нужен междисциплинарный уровень. Поэтому в интеллектуальных системах непрерывной учебы следует предусмотреть наличие единственной многопредметной базы учебных материалов и существования в ней межпредметных связей.

Литература

1. Томаш Тімар, Пітер Дарваш, Ян Коварович,Сорен Поулсен. Коментарі до Національної доктрини розвитку освіти України (аналіз проекту освітньої доктрини від 15 травня 2001р.) // Бюлетень Програми підтримки вироблення стратегії реформування освіти №2 червень/липень 2001, http://www.irf.kiev.ua/old-site/ukr/programs/edu/2001/bulletin-02.pdf

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.  Blackboard, інформація за адресою http://www.blackboard.com

5.  WebCt, інформація за адр

Завантажити у форматі MS Word статтю Исследование и анализ методов и моделей интеллектуальных систем непрерывного обучения [DOC].

Обратите внимание на дополнительные ссылки

Если вас интересует...

Интеллектуальные системы обучения

Непрерывное образование

Адаптивность в системах обучения

Модель ученика

Моделирование компетенций

Научные статьи

Главный раздел

Публикации Лаборатории. Искусственный интеллект в образовании. Дистанционное обучение