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...

1.2. Керування контентом та обробка контенту в інтелектуальних системах навчання

Керування Web-контентом – галузь, що набула великої актуальності із бурхливим розвитком мережі WWW. Потреба в інтенсивній підтримці Web-сайтів і великих порталів вимагає засобів автоматизації процесу організації і керування їх інформаційним наповненням. Відповіддю на дану потребу стали системи керування контентом – CMS-системи. CMS (WCMS), Web-content management system – це програмне забезпечення, що автоматизує процеси створення і підтримки Web-сайтів. Як галузь розробки програмного забезпечення (ПЗ), проектування і реалізація CMS-систем спирається на досягнення в сфері методології моделювання і розробки програмних систем [12-15] та забезпечення якості ПЗ [16].

Із розвитком Web-технологій і спеціального програмного інструментарію для обслуговування Web-сайтів широкого розповсюдження набув клас масштабних Інтернет-ресурсів, які називають Web-порталами. Web-портал – це Web-сайт, що надає велику кількість послуг та/або надає доступ до великої кількості інформаційних ресурсів широкій аудиторії користувачів. До Web-порталів відносяться корпоративні, державні, портали новин, розважальні та ін. Розвиток Інтернету і явище «інформаційного вибуху» зумовили велику актуальність ресурсів навчального призначення, і, зокрема, інформаційно-навчальних порталів.

Під інформаційно-навчальним порталом (ІНП) слід розуміти Web-портал, метою якого є надання доступу до навчальної інформації, затребуваної користувачем. Для побудови таких порталів застосовуються як CMS загального призначення, так і спеціальні системи, серед яких Wiki-системи, системи керування навчальним контентом (LCMS), системи дистанційного навчання, системи керування навчанням (СДН, LMS, VLS) тощо.
Класифікація систем побудови ІНП наведена в табл.1.2.

Таблиця 1.2

Класифікація систем побудови ІНП

Типи систем

Системи керування контентом сайтів загального призначення, CMS

Системи дистанційного навчання (СДН) LMS, VLS, LCMS

Wiki-системи

Популярні приклади систем

Drupal, Plone, Joomla, Wordpress. Typo3, 1С-Битрикс, NetCat, DotNetNuke, Mambo

Moodle, LearningSpace, Blackboard, 

WebCT, ATutor, Віртуальний Університет

Wikimedia,

DocBookWiki,

DokuWiki, PhpWiki

Галузі застосування для ІНП

Корпоративні портали,

Web-ресурси освітніх установ

Портали дистанційного навчання,

Web-ресурси освітніх установ

Інформаційно-довідкові Web-ресурси,

Корпоративні портали

обміну знаннями

При проектуванні ІНП слід враховувати багатий досвід в області розробки інтелектуальних навчаючих систем (ITS) і адаптивних гіпермедіа-систем. Деякі технології, що застосовуються в навчальних Web-системах, беруть також свій початок в таких технологіях як машинне навчання, Data Mining, інформаційний пошук та в інших галузях штучного інтелекту. Адаптивні і інтелектуальні системи навчання широко розглянуті в роботах [17-35]. Аналіз цих робіт дозволив зробити огляд ключових технологій і методів, що застосовуються в таких системах.

Адаптивні гіпермедіа-системи – це усі гіпермедіа-системи, які зберігають опис особливостей користувача в моделі користувача і застосовують цю модель для адаптації до користувача різних візуальних аспектів системи. Іншими словами система повинна задовольняти трьом критеріям: вона має бути гіпертекстовою або гіпермедійною, вона повинна мати модель користувача і вона повинна адаптувати свій гіпермедіа-простір, використовуючи цю модель [17].

Інтелектуальні навчаючі системи (Intelligent Tutoring Systems, ITS) – це комп’ютерні навчальні системи, що містять моделі освітнього контенту, які визначають, чому потрібно навчати, і викладацькі стратегії, які визначають, як потрібно навчати. Такі системи роблять висновки щодо ступеня оволодіння студентами тих чи інших тем або завдань з метою динамічної адаптації контенту або стилю викладання. Моделі контенту (або бази знань, експертні системи чи симуляції) надають цим системам виразності, завдяки чому студенти «вчаться, діючи» в реалістичному і смисловому контексті. [18].
На рис.1.1 подаються методи і технології, що використовуються в адаптивних гіпермедіа-системах і інтелектуальних навчаючих системах, та можуть бути застосовані для потреб інформаційно-навчальних Web-систем, що служать для побудови ІНП.

Методи адаптивних гіпермедіа-систем [19–21]. Адаптація контенту та адаптація навігації – дві найпоширеніші технології, що застосовуються системами адаптивного гіпертексту та адаптивного гіпермедіа. Метою технології адаптивного контенту є пристосування вмісту кожного вузла (сторінки) до цілей студента, знань і іншої інформації, що зберігається в моделі студента. У системі адаптивного подання контенту сторінки – не статичні, а такі, що адаптивно генеруються для кожного користувача.

Метою технології адаптивної навігації є допомога студенту зорієнтуватися і переміщуватися у гіперпросторі за допомогою зміни вигляду видимих посилань. Наприклад, система адаптивного гіпермедіа може адаптивно сортувати, анотувати, або частково сховати посилання поточної сторінки для того, щоб спростити вибір, куди пересуватися далі. Підтримка адаптивної навігації розділяє ту саму мету, що й автоматичне планування курсу навчання – допомогти студенту знайти оптимальний шлях через навчальний матеріал. В той же час підтримка адаптивної навігації менше керуюча і більше «партнерська», ніж традиційне автоматичне планування: вона провадить студента, залишаючи йому можливість самостійно обрати наступний елемент знань для вивчення, наступне завдання для розв’язання. У контексті WWW, де гіпермедіа є базовою організаційною парадигмою, підтримка адаптивної навігації є природною і ефективною. 

Рис. 1.1. Методи і технології для інформаційно-навчальних Web-систем

Адаптивна фільтрація інформації (АФІ) – класична технологія з області інформаційного пошуку. Її мета – знайти декілька елементів, що відповідають інтересам користувача, у великому об’ємі (текстових) документів. В Інтернеті ця технологія була використана як у пошукових цілях, так і в цілях перегляду інформації. Вона застосовувалась для пристосування результатів веб-пошуку із використанням фільтрації і впорядкування та для вироблення рекомендацій щодо найбільш відповідних документів серед отриманого набору з використанням генерації посилань. Хоча механізми, що використовуються у системах АФІ, дуже відрізняються від механізмів адаптивного гіпермедіа, на рівні інтерфейсу користувача в контексті WWW системи АФІ найчастіше використовують техніку адаптивної навігації.

Існує два принципово різних типи механізмів АФІ, які можуть розглядатися, як дві різні технології АФІ – фільтрація на основі вмісту і колективна фільтрація. Перша спирається на вміст документа, тоді як остання абсолютно його ігнорує, намагаючись замість цього підібрати коло користувачів, які будуть зацікавлені в однакових документах. Сучасна технологія АФІ широко використовує технології машинного навчання, особливо це стосується фільтрації на основі вмісту. Маючи велику розповсюдженість в галузі інформаційних систем, АФІ проте не використовувалися в навчальному контексті у минулому. Об’єм навчального вмісту був порівняно невеликим, і потреба спрямовувати користувача до найбільш підходящого матеріалу з легкістю підтримувалася адаптивним плануванням і адаптивними гіпермедіа-технологіями. Однак Інтернет з його великою кількістю відкритих освітніх ресурсів зробив АФІ-технологію дуже привабливою для освітян.

Методи інтелектуальних навчаючих систем [18, 19] Інтелектуальний аналіз рішень має справу із студентськими розв’язками навчальних задач (які можуть змінюватись від простих запитань до комплексних програмних завдань). На відміну від неінтелектуальних контролюючих інструментів, які здатні вказати лише на вірність або хибність розв’язку, інтелектуальні аналізатори можуть сказати, що саме невірно або що розв’язано не повністю, і які пропущені чи невірні знання можуть відповідати за помилку. Інтелектуальні аналізатори здатні забезпечити студента потужною технікою зворотного зв’язку опрацювання помилок і оновленням моделі студента. Через низьку інтерактивність і здатність до використання інтерфейсів Web-форм ця технологія була реалізована в WWW одною з перших.

Метою інтерактивної підтримки прийняття рішень є забезпечення студента інтелектуальною допомогою на кожному етапі вирішення проблеми – від надання підказки до повного виконання наступного етапу замість студента. Технологія інтерактивної підтримки прийняття рішень не на стільки популярна у Web-системах, як в окремих інтелектуальних навчальних комплексах. Зумовлено це в основному складністю реалізації. Як було показано першими системами, чиста реалізація на стороні сервера не в змозі активно слідкувати за діями студента і може забезпечувати допомогу лише по запиту. Чиста реалізація на стороні клієнта має обмеження по складності. Необхідна функціональність і рівень складності для реалізації інтерактивної підтримки прийняття рішень потребує клієнт-серверної реалізації, але такі системи складніші в реалізації. Слід зазначити, що Web-технологія асинхронного обміну даними AJAX, а також концепція розвинених Інтернет-застосунків RIA представляють відповідну технічну платформу для реалізації алгоритмів інтерактивної підтримки прийняття рішень на основі WWW.

Методи інтелектуального колективного навчання [19]. Інтелектуальне колективне навчання – група технологій, розроблена на перехресті двох областей, що на початку були далеко одна від одної: комп’ютерна підтримка колективного навчання та інтелектуальні навчаючі системи. Сучасний напрямок роботи по використанню штучного інтелекту для підтримки колективного навчання призводить до збільшення рівня взаємодії цих двох областей. Ранні роботи в області інтелектуального колективного навчання виконувались у до-Інтернет контексті. Сьогодні ж Інтернет та дистанційна освіта забезпечили як платформу, так і зростаючий попит на технології такого типу. В Інтернет-освіті потреба в інструментах підтримки колективного навчання є критичною, тому що студенти рідко особисто зустрічаються один з одним. Інтелектуальні технології можуть корінним чином розширити можливості простих інструментів підтримки колективної роботи (таких як групи потокових дискусій та спільні дошки), що надаються різними системами керування курсами. На даний момент ми можемо зазначити як мінімум три окремі технології у групі інтелектуального колективного навчання: адаптивне формування груп і партнерства, адаптивна підтримка співробітництва та віртуальні студенти.

Технології адаптивного формування груп і партнерства намагаються використовувати знання про співпрацюючих членів групи (найчастіше ці знання представлені у моделях студента) для формування підходящої групи для різних типів колективних завдань. Це можна застосувати, наприклад, для задач по формуванню груп для спільного розв’язання задач та пошуку найбільш компетентного члена групи для відповіді на питання.

Технології для адаптивної підтримки співробітництва намагаються забезпечити інтерактивну підтримку колективного процесу так само, як системи інтерактивної підтримки прийняття рішень допомагають окремому студенту у розв’язанні проблеми. Використовуючи деякі знання про хороші і погані зразки співробітництва (які закладаються на етапі розробки системи або отримуються із журналів спілкування), системи підтримки співробітництва можуть тренувати або консультувати членів колективу. Технологія віртуальних студентів порівняно стара. Замість підтримуючого навчання або співробітництва з позиції старшого над студентами (викладача або консультанта) ця технологія намагається ввести різні типи рівноправних віртуальних партнерів у навчальне середовище, наприклад навчаючих партнерів, учнів або навіть порушників порядку. У контексті Інтернет-освіти, коли студенти часто спілкуються через низько пропускні канали (електронна пошта, чат, форуми), віртуальний студент стає дуже привабливим уособленням для реалізації різних стратегій підтримки. Перспективною є інтеграція цього методу з напрямками анімованих агентів та інтелектуальної підтримки співробітництва.

Інтелектуальний моніторинг класів – технологія, дуже актуальна для дистанційної освіти. У контексті Інтернет-освіти «віддалений викладач» не може бачити вирази нерозуміння або загубленості на обличчях студентів. З таким браком зворотного зв’язку стає дуже важко визначити проблемних студентів, що потребують додаткової уваги, яскравих студентів, яким слід кинути виклик. Так само важким є і визначення частин навчального матеріалу, які є занадто легкими, занадто складними, або незрозумілими. Системи освіти на основі WWW можуть відслідковувати кожну дію студента, проте викладачу майже неможливо самостійно зробити необхідні висновки на основі великого об’єму даних, які збираються системою. Системи інтелектуального моніторингу класу намагаються використовувати штучний інтелект, щоб допомогти викладачу в даній ситуації. Цей напрямок роботи зосереджений на підтримці викладача та спирається на такі технології штучного інтелекту як інтелектуальний аналіз даних (Data Mining) і машинне навчання. Можливим є також інтеграція інтелектуального моніторингу класу із адаптивною підтримкою співробітництва з метою інформування викладача про хід колективної студентської роботи і про потребу його особистого втручання для підтримки процесу.

Моделі інтелектуальних інформаційно-навчальних Web-систем. Автори узагальнюючої моделі адаптивної гіпермедіа-системи AHAM (Adaptive Hypertext Application Model) [21], що ґрунтується на еталонній моделі гіпертексту Декстер [22, 23] пропонують наступну структуру адаптивних гіпермедіа-систем (рис.1.2).

Рис.1.2. Еталонна модель гіпермедіа-систем AHAM

Автори AHAM [21] підкреслюють важливість ряду елементів в адаптивних гіпермедіа-системах:

  •  Модель предметної області описує, яким чином інформація системи структурується і поєднується.
  •  Модель користувача описує те, яка інформація про користувача повинна зберігатися в системі. Це включає подання цільових для користувача знань, а також і інформацію про вже відвідані ним сторінки.
  •  Модель викладання, або модель адаптації, містить педагогічні правила, які визначають, яким чином модель предметної області і модель користувача поєднуються для забезпечення поточної адаптації.
  •  Механізм адаптації безпосередньо виконує адаптацію через адаптування або динамічну генерацію контенту сторінок, а також налаштування адрес та типів посилань, щоб провадити кожного користувача індивідуально.

Модель предметної області. Основою моделі предметної області в AHAM є поняття. Автори AHAM [21] дуже чітко на концептуальному і технічному рівні виділяють і розмежовують поняття і інформацію системи. Поняття є семантичним матеріалом моделі предметної області. Тоді як фактична інформація, що подається користувачу представляє лише технічний рівень, який певним чином зв’язується із рівнем понять. У [24] також робиться подібне розмежування, при цьому поняття представляють зовнішню по відношенню до контенту семантичну модель предметної області.

У AHAM атомарне поняття відповідає фрагменту інформації. Таким чином це поняття репрезентується порцією інформації, що зберігається на внутрішньо-компонентному рівні. Складеними є поняття, що складаються із набору атомарних. Виділяють також складені поняття, що відповідають за певну сторінку – поняття-сторінки. Абстрактні складені поняття складаються із множини понять-сторінок або інших абстрактних понять. Врешті решт усі поняття структуруються за допомогою ієрархії і відношень. Предметна область таким чином моделюється за допомогою мережі понять, які в свою чергу пов’язані із відповідними фрагментами контенту.

Процес співставлення семантичних понять і контенту називають індексацією, тому що визначення набору понять для кожної сторінки нагадує індексацію сторінки за набором ключових слів. Подібна індексація, яку також можна назвати семантичною, як правило виконується вручну авторами курсів або експертамиз предметної області.

Кожна сторінка пов’язується з одним або більше поняттями, які описують деякий з аспектів цієї сторінки. Семантична індексація сторінок може бути однопонятійною, коли одна сторінка стосується одного і тільки одного поняття зовнішньої моделі, і багатопонятійною, коли кожна сторінка може бути співвіднесена із багатьма поняттями. Тип семантичної індексації для організації гіперпростору великою мірою визначає функціональність адаптивних технологій в системі.

Організація гіперпростору за допомогою однопонятійної індексації породжує строгі вимоги до зовнішньої моделі, яка відповідає за семантику. Тут завжди обов’язковим є наявність зв’язків між поняттями (краще декілька типів зв’язків), які будуть використовуватись для організації гіперпосилань. Іншим обмеженням є те, що цей підхід важко застосувати для вже існуючої традиційної гіпермедіа-системи з метою її перетворення на адаптивну. Багатопонятійна індексація потужніша з точки зору застосування адаптивних технологій в гіперпросторі, натомість вона вимагає глибшої проробки зовнішніх семантичних моделей.

Ще однією важливою характеристикою є тип системи з точки зору відкритості її контенту: закриті або відкриті системи [25, 26]. У системах із закритим контентом його семантична індексація проводиться на етапі створення системи. У системах із контентом, що розширюється, контент індексується автором в момент додавання в систему. При цьому більшість адаптивних гіпермедіа-систем представляють закриті системи [25]. До класу відкритих систем можна віднести інформаційно-пошукові і інформаційно-фільтруючі системи. У системах такого роду контент індексується автоматично, але не на основі моделей з використанням семантичних понять, а на основі моделей орієнтованих на ключові слова.

Нове покоління адаптивних систем доступу до інформації роблять спроби об’єднати понятійні моделі із автоматичною обробкою документів. Багато з цих систем ґрунтуються на автоматичній категоризації документів, де кожен документ автоматично співвідноситься з одним або декількома поняттями існуючої моделі предметної області [27].  Використання подібних підходів є актуальним і для освітніх Web-систем. 

Слід згадати про ще один специфічний компонент, який деякі системи містять в моделі предметної області – модель задач [28, 29]. Ця модель відбиває знання про завдання, які мають виконуватись тими чи іншими робітниками. Структура завдань інтегрується із моделлю предметної області і навчальними матеріалами. Такі системи застосовують для підтримки професійної діяльності. Цей напрямок є дуже актуальним в контексті безперервного навчання.  

Модель користувача. Відмінність адаптивних гіпермедіа-систем від просто гіпермедіа-систем полягає у наявності у перших моделі користувача, на основі якої будується адаптація. Щоб побудувати і підтримувати актуальну модель користувача адаптивна система збирає дані із різних джерел, що включає неявне спостереження за діями користувача і явне опитування та введення ним даних. Модель користувача і адаптація є двома сторонами одного процесу. Кількість і якість інформації, яка представлена в моделі користувача, залежить від типу адаптаційного ефекту, який прагне надати система.

Основними характеристиками, які моделюються і використовуються адаптивними Web-системами є знання, інтереси, цілі, передумови, індивідуальні особливості і контекст роботи користувача. Кожна адаптивна система як правило використовує деяку підмножину даного набору.   

Модель користувача залежить від способу моделювання контенту і предметної області в системі. Модель знань користувача може бути скалярною, що представляє рівень його знань в предметній області єдиним значенням по деякій шкалі – кількісним (наприклад, від 0 до 5) або якісним (наприклад, відмінно, добре, задовільно, незадовільно) [25]. Найбільш розповсюдженою є оверлейна модель знань учня. Вона представляє знання учня як підмножину моделі предметної області, яка в свою чергу відображає знання предмета на рівні експерта. Оверлейна модель зберігає для кожного фрагмента знань предметної області деяку оцінку, що відбиває рівень знань користувача. Існує також модель на основі помилок, яка представляє як коректні знання студента, так і помилкові.

Моделювання інтересів користувача – новий напрямок, характерний для Web-систем. Інтереси користувача набувають великого значення для адаптивних гіпермедіа-систем у зв’язку із збільшенням об’єму інформації і зростанням популярності таких типів інформаційно-орієнтованих систем як енциклопедії, гіпертекстові системи новин, електронні магазини, музейні гіди та інші системи, в яких доступ до інформації мотивується інтересами. Слід зазначити, що ці тенденції, а також популяризація конструктивізму в навчанні мають вплив і на освітні сервіси, і тому вимагають більшої уваги до моделі інтересів користувача в освітньому контексті. Характерним для інформаційно-пошукових і інформаційно-фільтруючих систем є побудова моделі інтересів на основі ключових слів. Натомість адаптивні гіпермедіа системи пристосували підхід на основі семантичних понять до моделювання інтересів. У даному випадку модель інтересів стає дуже схожою на оверлейну модель знань користувача. Перспективним є синтез підходів на основі ключових слів із підходом на основі понять для моделі інтересів студента.     

Цілі і задачі представляють найближчу мету роботи користувача в адаптивній системі. Як правило в навчальних системах в цій моделі представляється навчальна ціль. Досягнення навчальної цілі забезпечується автоматичним плануванням і визначенням послідовності навчального курсу. Цілі учня можуть моделюватися за допомогою каталогу цілей. Цей підхід дещо схожий на оверлейну модель. Його основою є заздалегідь визначений каталог можливих цілей учня, які система повинна вміти розпізнавати. 

Передумови користувача стосуються його попереднього досвіду поза межами ключової предметної області системи. Сюди слід віднести професію, посадові обов’язки, досвід роботи в пов’язаних областях і навіть специфічний погляд користувача на предметну область [28, 29]. Зазначимо, що подібні характеристики є важливими в контексті безперервного навчання, проте досі вони використовувались в небагатьох системах.

Модель індивідуальних особливостей подає характеристики, які представляють індивідуальність користувача. Сюди відносяться психологічні і особистісні особливості, когнітивні стилі, фактори і навчальні стилі. 

Порівняно новим напрямком є моделювання контексту роботи користувача. Сюди слід віднести представлення програмно-апаратної платформи користувача, його географічного положення та емоційного стану [25].

Моделі і механізми адаптації.  Принцип функціонування адаптивної навчальної системи схематично зображено на рис.1.3 [33].

Адаптаційні можливості системи залежить від застосовуваних в ній моделі предметної області і моделі користувача. На етапі прийняття рішень про адаптацію обираються конкретні методи адаптації на основі результатів етапу моделювання користувача з метою покращити обрані аспекти взаємодії учня і системи. Рішення про адаптацію можуть виражатися в таких діях як показ довідкового вікна для допомоги користувачеві виконати завдання, переструктурування гіперпростору, щоб допомогти студенту орієнтуватися і пересуватися в ньому, надання додаткових пояснень по деякому навчальному поняттю тощо.

Логіка адаптаційних рішень часто подається за допомогою набору правил адаптації [21], які визначають який компонент адаптації потрібно обрати відповідно до результатів моделювання учня. В адаптивних гіпермедіа-системах ці правила відповідають за адаптивне подання контенту і адаптивну навігацію. Для реалізації механізмів адаптації використовуються підходи на основі семантичних понять предметної області і семантичної індексації контенту, ключових слів і автоматичної індексації контенту на базі інформаційного пошуку, а також соціальні механізми, такі як навігація на основі історії і колективна фільтрація [24]. 

Рис.1.3.  Механізм функціонування адаптивної навчальної системи

Моделювання взаємодії учасників навчального процесу. Моделі колективної взаємодії в навчанні служать для організації співпраці через Інтернет учасників навчального процесу. Сюди слід віднести такі традиційні засоби спілкування як електронне листування, форуми, блоги, а також wiki-системи.  

Окрім спілкування, колективна взаємодія може також виражатися у соціальній навігації [24]. Соціальна навігація може застосовуватися у прямій і непрямій формі. Пряма форма передбачає безпосереднє спілкування і анотування контенту, виражене у коментарях користувачів, які вони мають змогу залишити безпосередньо на сторінці.

Непряма соціальна навігація виражається у методах на основі історії і методах колективної фільтрації. Навігація на основі історії візуалізує узагальнені або індивідуальні дії користувачів щодо поточної сторінки. Так варіантами такого підходу є публікація кількості відвідувань сторінки, або часу, проведеного на ній іншими користувачами та ін. Подібна інформація допомагає зрозуміти, на скільки дана сторінка релевантна спільноті користувачів. На основі візуалізованих даних користувач приймає рішення про власну навігацію. Колективна фільтрація – техніка надання рекомендацій, заснованих на попередньо виражених думках або зацікавленості схожих користувачів.  Колективна фільтрація часто реалізується за допомогою рейтингів або оцінювання, а також індикаторів зацікавленості. 

У зв’язку з тим, що історія адаптивних і інтелектуальних освітніх систем має корені в до-Інтернет розробках, в них не приділяється достатньо широка увага моделюванню колективної роботи учасників навчального процесу. Проте цей аспект стає досить важливим у контексті сучасних освітніх Web-систем, враховуючи тенденції розвитку Інтернету, що отримали назву Web 2.0. 

Висновки підрозділу. Огляд основних технологій адаптивних і інтелектуальних навчальних систем дозволяє зробити висновки щодо особливостей застосування таких технологій в контексті побудови інформаційно-навчальних Web-порталів. Одну з проблем багатьох систем можна виразити як принцип «повного інтелектуального керівництва» – тенденції повного контролю над навчальним процесом. Система, бувши педагогічно свідомою, намагається все зробити за користувача і має тенденцію займати позицію повної влади над навчальним процесом. Доцільнішим вбачається підхід за принципом «інтелектуального партнерства», коли система, маючи педагогічну свідомість, спрямовує користувача у дусі радника і надає йому найширші можливості для самостійної адаптації свого навчання. Це дозволяє використати «для допомоги штучному інтелекту» системи природний інтелект користувача, що, без сумніву, стане вагомим внеском в ефективність навчання і досить сильно демократизує освітній процес, що відповідає вимогам безперервного навчання.

Крім цього, зважаючи на аналіз особливостей безперервної освіти, слід зауважити, що розглянуті адаптивні і інтелектуальні навчальні системи не приділяють достатньо безпосередньої уваги деяким специфічним вимогам БН: відповідність архітектури системи  явищу «інформаційного вибуху», професійна спрямованість навчання, міждисциплінарність знань.

Проблема невідповідності архітектури явищу «інформаційного вибуху» [36]. В той час, як адаптивні і інтелектуальні навчальні системи сконцентровані на проблемах всередині курсу, часто поза увагою залишається той факт, що існує потреба в інтенсивній підтримці великої кількості курсів, які потрібно постійно створювати у відповідь на розширення цільових для навчання знань. Ця вимога відображається на функціональність засобів створення і збереження навчальних ресурсів, та є передумовою для розробки засобів індивідуалізованого доступу користувачів до затребуваної навчальної інформації. Ця проблема також виражається як проблема систем із закритим типом контенту [26].

Професійна спрямованість навчання передбачає відповідність кадровим потребам підприємств, зв'язок навчання із посадовими обов’язками. Ця потреба описується як актуальність і релевантність навчання та орієнтація на негайне застосування отриманих знань. Більшість адаптивних і інтелектуальних систем навчання не розглядають такі сутності як посада, професія, компетенція і їх зв'язок із навчальними ресурсами. Не зважаючи на те, що велика кількість систем мають на меті передачу процедурних знань (так звані тренажери), цей клас систем не відповідає завданню систематизації інформаційних навчальних ресурсів у гнучкій відповідності до посадових або професійних обов’язків. Деякі системи класу підтримки виробничої діяльності застосовують модель задач для налаштування навчання [28, 29]. Web-системи побудови ІНП повинні розвинути і розповсюдити цей досвід для підтримки безперервного навчання.

Вимога міждисциплінарності знань, що мають бути засвоєні в процесі навчання пов’язана із професійною спрямованістю і відображає необхідність цілісного навчання для певної посадової або професійної позиції. Цим знову підкреслюється недостатність лише одного погляду всередину курсу, потрібен міждисциплінарний рівень. Тому в інформаційно-навчальних Web-системах, орієнтованих на безперервне навчання, слід передбачити наявність єдиної багатопредметної бази навчальних матеріалів, існування в ній міжпредметних зв’язків, а також засобів побудови індивідуального міждисциплінарного навчального середовища.

Таким чином ключовими освітніми вимогами до сучасних інформаційно-навчальних Web-систем побудови ІНП є наступні:

  • багатопредметність і міждисциплінарність інформаційно-навчального Web-контенту;
  • забезпечення моделей контенту засобами моделювання кадрових і виробничих задач та компетенцій;
  • наявність методів автоматизованої побудови індивідуальних навчальних середовищ із функцією контролю і діагностики знань.

Кількість входів в цьому місяці : 10535
Приєднуйтесь!
Сторінки, близькі за змістом
1. Інформаційно-навчальні web-системи в контексті сучасних освітніх викликів
Сучасне суспільство перебуває в умовах «інформаційного вибуху», бурхливого розвитку мережі WWW і технологій розробки програмного забезпечення. Щорічний приріст знань досягає 4-6%, і теперішній фахівець майже третину загального обсягу свого робочого часу мусить витрачати на поновлення професійних знань, і, таким чином, він отримує до 50% знань вже після закінчення навчального закладу. Тому питання побудови ефективних Web-систем керування професійною інформацією і навчанням набуває особливої значущості. Україна стоїть перед викликом впровадження і підтримки освітніх процесів за принципом «навчання впродовж усього життя».
Дисертація «Програмне забезпечення онтологічно-орієнтованої системи керування інформаційно-навчальним Web-контентом»
Титенко С.В. «Програмне забезпечення онтологічно-орієнтованої системи керування інформаційно-навчальним Web-контентом». Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 01.05.03 – Математичне та програмне забезпечення обчислювальних машин і систем.
©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