Дослідження, статті, розробки  |   Дисертація «Програмне забезпечення онтологічно-орієнтованої системи керування інформаційно-навчальним Web-контентом»  |   2.2. Рівень керування знаннями

2.2.2. Формалізація понятійної складової Web-контенту і засоби побудови онтології предметної області

Дисертації

Понятійно-тезисна модель (ПТМ) розроблена для формалізації дидактичного тексту і мультимедіа, що є вмістом інформаційно-навчальної програмної системи  [72, 75–77]. ПТМ служить як засіб моделювання смислу контенту ІНП і відповідає за предметну формалізацію навчальних матеріалів. Навчальний текст формалізується шляхом виділення семантико-дидактичних елементів. Формалізація відбувається всередині навчального фрагменту з урахуванням загальної структури інформаційно-навчального Web-ресурсу. ПТМ є підґрунтям методу автоматизованої побудови онтології предметної області на основі стенфордської моделі нечіткого виведення. Модель використовується також для автоматизації побудови засобів контролю знань, що в свою чергу використовуються для адаптації навчального процесу.  ПТМ надає засоби опису понятійної складової контенту і забезпечує основу для програмного інструментарію редагування і використання бази даних та знань ІНП.

Понятійно-тезисна модель (ПТМ) формалізації дидактичного тексту розроблялася на стику різних наукових галузей, серед яких інженерія знань як напрямок штучного інтелекту, педагогіка, а саме її розділ – дидактика, що розкриває правила викладання, інтерпретація (герменевтика, екзегетика), що вивчає правила тлумачення текстів [78, 79], лінгвістика і її розділ семантика, що вивчають закономірності природної мови і проблеми, пов’язані зі змістом, значенням, і інтерпретацією лексичних одиниць. Інструментом реалізації ПТМ служать програмні технології розробки Web-систем.

В освітньому процесі можна виділити три складові: передача навчальної інформації, соціальна складова, що включає спілкування між учасниками освітнього процесу, практичні заняття. Найперша місія дистанційного навчання – спрощення і оптимізація передачі навчальної  інформації від носія знань до студента. В традиційних формах навчання вихідною формою передачі інформації є вербальний спосіб (викладач читає лекцію). Натомість в дистанційному, віддаленому від викладача, навчанні основною формою передачі навчальної інформації стає текст, а точніше гіпертекст і мультимедіа вміст. Тобто основним транспортним засобом, або ж «протоколом» передачі знань є текст, в якому міститься навчальна інформація. Це і є головною підваленою понятійно-тезисної моделі. ПТМ має текстуальний характер, саме навчальний матеріал тут є основним джерелом знань. Понятійно-тезисна модель втілює принципи синтезу підходів до подання знань в навчальних системах – когнітивно-семантичного і мовно-дидактичного, – про необхідність чого йшлося в попередньому розділі.

Наріжним каменем структури моделі є така сутність  як поняття, предмет обговорення, деякий об’єкт з предметної області, про який в навчальному матеріалі є знання. Для представлення знань про поняття в моделі існують структурні елементи – відомості про об’єкт (тези про поняття). З кожним поняттям  в моделі пов’язується множина відомостей про нього.

Поняття вказує на деякий обговорюваний об’єкт з області знань, предмет, який представляється для вивчення студенту. Наприклад в курсі «Алгоритмічні мови програмування» можна виділити такі поняття: «процедура» , «цикл», «програма», «змінна», «життєвий цикл програми» тощо. Для курсу «Програмування в середовищі Delphi» можна було б виділити такі поняття: «об’єкт»,  «подія», «клас», «форма», «компонент TEdit» та інше. На буквальному рівні поняття – це одне або кілька слів, які виражають  предмет розгляду деякого фрагменту навчального матеріалу. Множина понять у системі позначається наступним чином:

C={c₁,…,c_n1 } .

Теза – це деяка відомість або твердження про поняття. Якщо поняття вказують на предмет курсів, то тези являють собою описово-смислове наповнення бази знань, яке розкриває характер і властивості наявних понять. Тези, таким чином, зберігають в БЗ знання про поняття. Наведемо приклади: теза про поняття «процедура» – «дозволяє розбити програму на підпрограми»; теза про поняття «клас» – «може мати в своїй структурі не тільки поля-властивості, а й методи, тобто функції і процедури». Від повноти наборів тез понять, залежить наповненість бази знань, а отже і спроможність навчальної системи будувати ефективні засоби контролю знань, а також виявляти семантичні зв’язки між поняттями ПрО. На буквальному рівні теза являє собою одне або декілька речень, в яких мова іде безпосередньо про відповідне поняття, проте саме поняття тут словарно не фігурує. Теза отримується через опрацювання дидактично важливого речення в навчальному тексті шляхом вилучення того члену речення, який є поняттям в термінології ПТМ. Як правило у ролі поняття виступає підмет. При необхідності новоутворене неповне речення, яке приймає тут форму тези про поняття, може бути відредаговане на етапі його додавання в БЗ. Множина тез у системі позначається наступним чином:

T={t₁,…, t_n2 }.

Поняття і тези у сукупності будемо називати ПТ-елементами. Кожна теза стосується одного поняття. Цей зв'язок задається відношенням:

CT:T → C.

У свою чергу кожне поняття може мати довільну кількість тез, що описується відношенням:

TC: C→2^T.

Як зазначалося вище, центральним носієм знань вважається навчальний матеріал. Тому виділення конкретних семантичних одиниць тісно пов’язане із процесом маніпулювання навчальним матеріалом. При підготовці методичних матеріалів дистанційного курсу весь матеріал в решті решт прийнято ділити на дрібні фрагменти, які також називають кадрами. Таким чином на кожному кроці видачі навчальної інформації студент отримує невеличкий фрагмент, що сприяє кращому зосередженню і сприйняттю поданого матеріалу. Поняття кадру або сторінки є дуже важливим в ПТМ. З його допомогою забезпечується зв'язок семантичних елементів ПТМ з навальним матеріалом. ПТМ допускає різні реалізації структури навчального контенту, що дозволяє інтегрувати ПТМ із вже існуючими системами дистанційного навчання. Натомість ПТМ разом із іншими моделями є однією з складових запропонованої системи керування контентом ІНП [56, 70, 71], яка передбачає структурування навчального матеріалу за допомогою спеціальної моделі контенту Tree-Net [73], описаної раніше. Отже множина фрагментів або сторінок навчального контенту подається множиною:

V={v₁,…,v_n3}.

Семантичні елементи ПТМ виділяється безпосередньо із тексту навчального фрагменту. Сам процес формування понятійно-тезисної бази фактично є осмисленим читанням навчального тексту разом із нескладними маніпуляціями щодо нього. Так, досліджуючи навчальний матеріал, експерт виділяє безпосередньо із тексту і додає в БЗ важливі навчальні поняття та їх тези. У результаті кожен фрагмент v_i може стати джерелом довільної кількості тез t_j, що задається відображенням:

TV: V→2^T.

Кожна t_j, у свою чергу, стосується одного навчального фрагменту v_i:

VT: T→V.

Так як тези стосуються лише одного навчального фрагменту, з якого вони були добуті, тоді як поняття можуть стосуватись багатьох навчальних ділянок, зв'язок між поняттями і навчальним матеріалом забезпечується опосередковано через тези: поняття – теза – навчальний матеріал. Поняття, які стосуються даної навчальної ділянки, визначаються оператором:

CV(v)={c: TV(v)  TC(c)  0}.

Відповідно навчальний матеріал, якого стосується дане поняття, визначається оператором:

VC(c)={v: TV(v)  TC(c)  0}.

Схематичне зображення ділянки ПТМ у співвідношенні з навчальним матеріалом показано на рис.2.9. 

Рис.2.9. Ділянка ПТМ у співвідношенні з навчальним матеріалом

Класифікація тез і понять

Поняття і тези можуть бути віднесені до певних класів. Ця класифікація служить для збереження в БЗ інформації про смисловий або лексичний характер того чи іншого поняття чи тези. Класи понять і тез використовуються в алгоритмах побудови тестових завдань. Набір класів тез описується множиною:

TClasses = {tDefinition, tDestination, tEssence, tSyntax, tGeneral, tList, tListItem, tImage, tSynonym, tAbbrev, tAbbrevDecode, tCode, tAttaching, tReverseEssence, tReverseGeneral}         

ПТМ передбачає можливість розширення множиниТClasses користувацькими класами тез, що дозволяє розширювати модель і налаштовувати її для різних предметних областей. Дамо опис базових класів TClasses в табл.2.1.

Таблиця 2.1

Базові класи тез ПТМ

Віднесення тези до певного класу відбувається завдяки відображенню:

TClass=T→TClasses .

Поняття також як і тези класифікуються з метою віднесення їх до певної смислової групи. Множина класів понять:

CClasses = {cGeneral, cActor, cObject, cProcess, cTech, cList, cCode}.

Базовий набір класів містить такі класи:

• cGeneral – для позначення поняття загального типу;
• cActor –позначає дійову особу: людину або інституцію;
• cObject –позначає деякий об’єкт;
• cProcess –позначає деякий процес;
• cTech –позначає технологію;
• cList –позначає поняття, яке є заголовком списку, що поелементно розкривається за допомогою тез;
• cCode– для позначення поняття, яке подає текстовий заголовок програмного коду.

ПТМ передбачає можливість додавання класів для налаштування подання різних предметних областей. Поняття класифікуються за допомогою відображення:  

CClass = C→CClasses.

Таким чином ієрархічно-мережева модель контенту дозволяє структурувати знання ІНП завдяки ієрархічному розташуванню елементів, які подають знання у формі гіпермедіа-вмісту і формують так звані блоки знань, які об’єднуючись формують подання деякої області знань у системі. У той же час ПТМ надає погляд на контент зсередини, подаючи семантику всередині елементів контенту завдяки формалізації текстового вмісту за допомогою понять і тез. При цьому понятійно-тезисна база будується безпосередньо на основі навчального тексту, а не із зовнішніх джерел знань, що вирішує як саму проблему пошуку зовнішніх експертних знань, так і забезпечує природну відповідність семантичних даних навчальному контенту, а це виявляється критично важливим в умовах автоматичної побудови якісних і валідних [80] тестових завдань.

Автоматизована побудова онтології предметної області на основі стенфордської моделі нечіткого виведення

Задача побудови семантичної моделі предметної області контенту відіграє ключову роль у процесі створення інтелектуальної інформаційно-навчальної системи. Таку модель називають онтологією. У моделі ПрО навчальної системи дидактичне відношення між поняттями, що вказує на те, що певне поняття дидактично передує іншому, є одним з ключових семантичних зв’язків [81-86]. Наявність таких відношень дає можливість застосовувати різноманітні технології індивідуалізації навчання, такі як адаптивна навігація, адаптація контенту [64] тощо. Натомість, застосування подібних відношень за допомогою ручної роботи експерта [81] в системах з відкритим типом контенту [26, 87] ускладнюється через значну трудомісткість. Зазначимо, що 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 системи [87]. Сюди слід віднести як розподілені WWW-ресурси, так і навчальні системи з розвиненими можливостями щодо адміністрування контенту і створення великих сховищ навчальних матеріалів [26]. Застосування онтології для керування контентом розглянуто в роботах [88, 89], проте тут не достатньо уваги приділено особливостям моделювання знань для навчальних систем і проблемі дидактичного впорядкування елементів контенту. Крім того в згаданих роботах пропонується підхід ручного формування онтології загального характеру, що, як було вказано раніше, призводить до великих трудових витрат та до проблеми «всеосвіченості» [43], характерної для класичних моделей ШІ і семантичних мереж зокрема.

У праці [83] пропонується метод автоматичного визначення понять-передумов та цільових понять в прикладах програмних кодів по мові програмування С. Визначення дидактичної черговості тут ґрунтується на черговості лекцій і їх зв’язку з програмними прикладами. Як зазначають автори запропонований принцип може бути застосований для інших предметних областей на основі застосування технологій інформаційного пошуку, і хоча ця ідея вбачається перспективною, конкретні приклади поки що не були представлені.

Автором пропонується підхід автоматичного визначення відношень дидактичного слідування між поняттями шляхом семантико-синтаксичного аналізу елементів ПТМ [90, 91]. Перевагою підходу є його придатність до різних предметних областей, що було перевірено на навчальних матеріалах у галузях технічних, математичних, економічних та педагогічних наук [103]. Іншою перевагою є незалежність від черговості лекцій, що дозволяє застосовувати технологію для дидактичної формалізації словників та довідників, вихідні матеріали яких впорядковуються не дидактично, а по алфавіту. Це також вірно і для збірок статей, що у свою чергу має велике значення для підтримки навчання у нових областях, якісні навчальні курси по яким досі перебувають на стадії формування. Крім того ПТМ розрахована на роботу з контентом відкритого типу, а тому разом з моделлю контентуTree-Net[73, 74]представляє розв’язання проблеми семантичної формалізації контенту, який додається до системи на етапі її експлуатації.  

Структура ПТМ дозволяє автоматично визначити відношення дидактичного слідування між поняттями шляхом семантико-синтаксичного аналізу семантичних елементів. ПТ-елементи є результатом формалізації дидактичного тексту, виконаної експертом. Таким чином поняття і тези 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, зменшивши трудові витрати експерта-педагога при створенні БЗ. 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 одного поняття за іншим. У табл. 2.2 наведемо деякі приклади ПТ-елементів, які ілюструють подібну ситуацію.

Таблиця 2.2

Фрагмент понятійно-тезисної бази

  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» витікає 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.

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 на основі ПТМ дидактичної черговості понять носить неоднозначний характер. У зв’язку з цим для розв’язку задачі пропонується застосувати стенфордську модель нечіткого виведення [92, 93].

Стенфордська теорія нечіткого виведення, ґрунтуючись на ряді спостережень, вводить прості припущення щодо міри достовірності та пропонує правила об’єднання свідоцтв при формуванні висновків. Реалізується це основі фактору впевненості (CF– certaintyfactor), що ставиться у відповідність висновкам і правилам [93].

Під час досліджень було адаптовано стенфордську модель спеціально для застосування апарату нечіткої логіки для розв’язання проблеми визначення дидактичної черговості структурних елементів міжпредметного Web-контенту:

1. Приймаємо, що область значень фактору впевненості лежить у межах [0..1], тобто CF≥0;
2. Враховуються лише свідоцтва на користь істинності гіпотези слідування, інші свідоцтва враховуються для протилежної гіпотези, після чого у якості істинної приймається гіпотеза з більшим CF, наприклад для понять А та В існують свідчення на користь протилежних гіпотез слідування (рис.2.10):

Рис.2.10. Свідчення на користь протилежних гіпотез
слідування

тоді результуючий фактор впевненості більш достовірної гіпотези слідування перераховується, а фактор впевененості менш достовірної гіпотези приймається за 0: 

Базовими правилами для визначення дидактичного слідування понять будуть наступні:

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

Подамо похідні 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→2^c.

Зв'язок між базовими і похідними поняттями передбачає, що назва базового поняття фігурує у назві похідного поняття. Цей зв'язок задається відношенням:

CinC:C→2^c.

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(tClass_i) < 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(tClass_i)| (див. базове правило №3 вище). Такі класи тез називатимемо реверсними.

Щоб далі описувати правила, будемо застосовувати предикат, що служить для подання твердження про те, що деяке поняття c_k є дидактичною передумовою деякого поняття c_l:

concept_before(c_k,c_l)

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

, де фактор впевненості CFcinc=0,99.

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

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

У табл.2.3 подається набір базових класів тез ПТМ і відповідних їм факторів упевненості, які обрані евристично з урахуванням семантико-дидактичних особливостей тез відповідних класів. Передбачається можливість редагування цих величин на етапі використання системи.

Таблиця 2.3

Базові класи тез ПТМ і відповідні їм фактори упевненості

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 на основі правил, які приводять до однакового результату з урахуванням і усуненням можливих протиріч.

Визначимо множину понять, які, ймовірно, є поняттями-передумовами даного поняття. Цю множину понять називатимемо вхідними поняттями-кандидатами даного поняття a C:

Після отримання вхідних понять-кандидатів наступним кроком буде підрахунок фактору впевненості гіпотези про те, що окреме вхідне поняття-кандидат c TryCtoC(a)є дидактичною передумовою даного поняття a. По-перше знаходимо сукупність факторів упевненості тих продукцій, результатом яких буде твердження before_concept(c,a), яке вказує на дидактичну послідовність понять c і a:

Далі для отримання сукупного фактору впевненості для before_concept(c,a) необхідно об’єднати одержані значення CFs(c,a), для чого застосуємо послідовне попарне об’єднання за принципом, поданим в[92]:

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

Стовпці і рядки матриці CF_CtoC відповідають поняттям, а значення елементів – значенню фактору впевненості того, що поняття c_i (рядок) є передумовою поняття c_j (стовпчик) і дорівнює CF(before_concept(c_i,c_j)).Для позначення збереженого в матриці CF_CtoC фактору впевненості CF(before_concept(c_i,c_j)) будемо застосовувати оператор CFCtoC(c_i,c_j), результатом якого буде значення cf_CtoC_ij.

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

Аналогічно знаходиться CF(before_concept(a,c)) для усіх c TryCfromC(a). Відповідним чином доповнюється матриця CF_CtoC. Під час цих обрахунків з’являється можливість виявлення протиріч, коли відбуватиметься одночасне виконання CFCtoC(a,c)>0 і CFCtoC(c,a)>0. У такому випадку, адаптуючи формулу з [92], обчислюємо нове значення фактору впевненості:

При чому, щоб усунути протиріччя, менше із значень CFCtoC(a,c),  CFCtoC(c,a) приймається рівним 0, тоді як замість більшого з них підставляється нове значення CF. Алгоритм побудови онтології предметної області, який передбачає визначення усіх відношень слідування для деякого вхідного поняття, зображено на рис.2.11.

Таким чином після аналізу усієї сукупності понять і відношень між ними отримується онтологія предметної області контенту, яка ґрунтується на відношенні дидактичного слідування. Формально онтологія представлена у вигляді ациклічного орієнтованого зваженого графа, вершини якого відповідають поняттям ПрО, ребра – відношенням дидактичного слідування, а ваги – факторам впевненості відношень. Граф онтології задається множиною понять C, відношенням CtoC івідповідною матрицею CF_CtoC. Створена таким чином отологія є підґрунтям для методів автоматичної побудови індивідуального навчального середовища.

Підхід семантико-дидактичного аналізу ПТ-елементів із застосуванням нечітких правил дозволяє автоматично визначати дидактично пов’язані поняття і використовувати ці дані для побудови дидактичних понятійних карт, надаючи додаткову інформацію як експерту, що відповідає за ПТ-формалізацію, так і користувачу для підвищення наочності. Подібні дидактичні зв’язки між поняттями і понятійні карти дозволяють експерту перевірити цілісність і несуперечність ПТ-бази та онтології, а також при необхідності внести корегування, або доповнення.

Рис.2.11. Алгоритм застосування нечітких правил на основі Стенфордської моделі для побудови онтології предметної області контенту

Побудова дидактико-семантичних картпонять і їх використання для перевірки несуперечності бази знань

Дидактичні зв’язки, визначені на етапі семантико-дидактичного 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 є дидактичною передумовою поняття-кінця дуги. При цьому так званим центром графу є поняття, для якого будується карта (рис.2.12). Карта послідовно показує усі зв’язки, починаючи від центрального поняття з дидактично передуючими поняттями (ліва частина графу) і усі зв’язки, починаючи від центрального поняття, з дидактично наступними поняттями (права частина графу).

Рис. 2.12. Приклад графу 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 виявляється циклічним, це вказує на суперечливість ПТ-бази, що є сигналом для експерта про необхідність корегування ПТ-елементів. Подібна ситуація візуалізується спеціальним чином, так що експерту показується шлях, на якому виникає цикл. Після цього поняття цього шляху мають бути проаналізовані для внесення необхідних правок. Редагування, як правило, передбачатиме зміну класів для деяких з тез на реверсні класи. Після внесення правок карта поняття перевіряється повторно. 

Подамо алгоритм візуалізації дидактико-семантичної карти поняття. Для цього введемо оператор визначення попередніх понять:

Аналогічно визначаються дидактично наступні поняття:

Подамо алгоритм побудови і візуалізації карти поняття a C (рис.2.13):

1.    Візуалізація центрального поняття a. Призначити чергове поняття: x=a. Ініціалізація глобальних змінних: MapBefore={a}. MapAfter={a}.

2.    Отримати попередні поняття чергового поняття: BeforeCur=BeforeC(x).

3.    Для кожного з отриманих понять c_i BeforeCur виконати процедуру візуалізації попереднього поняття (рис.2.14):

3.1.Візуалізація c_i BeforeCur.

3.2.Якщо c_i MapBefore:

3.2.1.  MapBefore=MapBefore  {c_i}

3.2.2.  Рекурсивно виконати пп. 2­­–3, для x=c_i.

3.3.Інакше вивести поняття c_i з позначкою про те, що його попередні поняття вже виведено.Якщо ж c_i=a, вивести біля поняття c_i позначку про наявність циклу.

4.    Призначити чергове поняття: x=a.

5.    Отримати наступні поняття чергового поняття: AfterCur=AfterC(x).

6.    Для кожного c_i AfterCur виконати процедуру візуалізації наступного поняття (рис.2.15):

6.1. Візуалізація c_i AfterCur.

6.2. Якщо c_i MapBefore c_i MapAfter:

6.2.1.  MapAfter=MapAfter {c_i}

6.2.2.  Рекурсивно виконати пп. 5­­–6, для x=c_i.

6.3.Інакше вивести поняття c_i з позначкою про те, що його наступні поняття вже виведено. Якщо ж c_i MapBefore, вивести біля поняття c_i позначку про наявність циклу.

7.    Кінець.

UML-діаграми діяльності, що ілюструють поданий алгоритм зображені на рис.2.13, 2.14 і 2.15.

Рис.2.13. Алгоритм побудови і візуалізації дидактико-семантичної мапи поняття. Діаграма діяльності у нотації UML

Рис.2.14. Алгоритм процедури рекурсивної візуалізації попередніх понять. Діаграма діяльності у нотації UML

Рис.2.15. Алгоритм процедури рекурсивної візуалізації наступних понять. Діаграма діяльності у нотації UML

Приклад семантико-дидактичної карти для поняття «Internet», сформованої засобами гіпертекстової розмітки, зображено на рис. 2.16 [103]. Числові підписи відповідають значенню фактору впевненості CF.

Рис.2.16. Приклад дидактико-семантичної мапи для поняття «Internet»

Дидактико-семантичні карти понять служать для візуалізації дидактичних відношень між поняттями, виявлених із застосуванням нечітких правил на основі семантико-синтаксичного аналізу ПТ-елементів. Інструмент дидактико-семантичних карт підвищує наочність роботи з понятійно-тезисною базою, допомагаючи виявляти протиріччя і слідкувати за результатами семантико-синтаксичного аналізу ПТ-елементів. Крім цього цей інструмент збагачує дидактичні функції начальної системи, надаючи додаткову візуальну інформацію користувачам, яка сприяє засвоєнню співвідношень між поняттями і надає додаткові навігаційні можливості учням для вивчення зв’язаних понять. Це особливо корисно на етапі знайомства з навчальним курсом і сприяє прискореному засвоєнню базових понять. 

Зверніть увагу на додаткові посилання

Якщо вас цікавить...

Дисертації

Головний розділ

2.2. Рівень керування знаннями

Сторінки, близькі за змістом

2.2. Рівень керування знаннями

Дисертація «Програмне забезпечення онтологічно-орієнтованої системи керування інформаційно-навчальним Web-контентом»