Портал Знань Портал безперервного навчання

Портал знань — відкриті навчальні матеріали, дистанційне навчання, дистанційне тестування знань

Навчальні матеріали і Тестування знань

Лабораторія СЕТ | Дослідження, статті, розробки | Дисертація | 2. Структурно-алгоритмічні основи системи керування інформаційно-навчальним Web-контентом | 2.3. Рівень організації індивідуального навчання | 2.3.4. Моделі, методи і алгоритми підсистеми автоматизованої побудови індивідуального навчального середовища

Дослідження, статті, розробки |

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

2.3. Рівень організації індивідуального навчання

2.3.4. Моделі, методи і алгоритми підсистеми автоматизованої побудови індивідуального навчального середовища

Дисертації

Модель викладання (МВ) охоплює та інкапсулює методи і алгоритми, які служать як основа підсистеми автоматизованої побудови індивідуального навчального середовища (ІНС). Сюди відносяться методи і алгоритми обробки освітнього запиту, автоматизованої побудови інтерактивного довідника з предметної області навчання та семантичного конспекту на основі онтології, метод вибору і впорядкування контенту індивідуального навчального середовища на основі нечіткого виведення на базі стенфордської моделі.

Обробка освітнього запиту і ініціалізація індивідуального навчання

У залежності від цілей користувача і типу його освітнього запиту навчальний процес та ІНС можуть приймати різні за цільовим призначенням і обсягом форми. Ці форми навчання розкриваються далі.

Здобуття спеціальності. У випадку, коли у якості запиту виступає профіль спеціаліста, тобто використовується елемент запиту EqExp, навчальний процес передбачає вивчення матеріалів, що стосуються фахової діяльності і компетенцій цього спеціаліста. Такий навчальний процес, як правило, включає вивчення великого об’єму навчального контенту, а також відповідний контроль і самоперевірку знань. Таким чином ініціюється модель учня l_iчерез зазначення цілей навчання: LExpAims(l_i)=EqExp. На основі LExpAims(l_i) визначаються інші компоненти моделі цілей: LSAims, LVAims, LCAims таLGAims.

Здобуття компетенції або адаптованої спеціальності. У якості освітнього запиту користувач може задати компетенцію, або набір компетенцій, через використання елементу запиту EqS,тим самим сформувавши власний цільовий профіль спеціаліста. Навчання у цьому випадку відбувається аналогічно навчанню по здобуттю спеціальності, проте цілі навчання мають більш індивідуальний характер, а обсяг навчання за рахунок такої індивідуалізації може бути зменшеним. Таким чином ініціюється модель учня l_iчерез зазначення цілей навчання наступним чином: LSAims(l_i)=EqS. На основі LSAims(l_i) визначаються інші компоненти моделі цілей: LExpAims, LVAims та LCAims. У даному випадку LExpAims(l_i) містить адаптований, або створений користувачем профіль спеціаліста.

Вивчення індивідуального навчального курсу. У випадку, коли користувач безпосередньо обирає цільовий контент для вивчення, освітній запит подається через компоненту EqV.Навчальний процес має чітко окреслений навчальний матеріал вже на вході, тому цілі учня задаються відразу через множину цільового контенту: LVAims(l_i)=EqV. По цільовому контенту можуть бути визначені також інші компоненти в моделі цілей: LSAims, LExpAims, LCAimsтаLGAims.

Дослідження предметної області.Ще одним варіантом освітнього запиту на формування індивідуального навчального середовища може бути запит на вивчення деякої предметної області, що відповідає тематичній групі контенту в ієрархічно-мережевій моделі Tree-Net. У цьому випадку освітній запит подається компонентою EqG. Подібний навчальний процес є характерним для безперервної освіти, коли спеціаліст заглиблюється у власну предметну область, або знайомиться з іншою областю знань для перекваліфікації. Тут навчальний процес має не такий жорсткий характер, як в інших випадках, проте також забезпечується функціями контролю та самоконтролю знань з відповідної предметної області. Модель цілей учня ініціюється через задання предметної області: LGAims(l_i)=EqG. Інші складові моделі цілей учнявизначаються на основі LGAims(l_i).

Вивчення окремого поняття. В умовах гострої необхідності інформаційної підтримки професійної діяльності безперервне навчання часом набуває форми інформаційного пошуку і використання довідкових даних. Таким чином актуальним також виявляється освітній запит на пояснення професійного терміну чи поняття. Такий запит задається компонентою EqC. Навчальний процес в даному випадку носить короткостроковий характер, система використовується у якості довідника. Цілі навчання задаються через ключові поняття: LCAims(l_i)=EqC. Інші компоненти моделі цілей визначаються на основі цільових понять LCAims(l_i).

Індивідуальне навчальне середовище

Ключовим завданням навчальної системи в контексті безперервного навчання є підготовка індивідуального навчального середовища, що здатне надати індивідуалізований доступ до ресурсів ІНП та підтримати індивідуальний навчальний процес, який відповідає цілям і потребам користувача [95]. Базовий набір компонентів індивідуального навчального середовища (рис.2.19), що генерується на основі комплексу запропонованих моделей містить індивідуальний набір компетенцій iS S, індивідуальну область контенту iV V, індивідуальний набір предметних областей iG G і індивідуальний термінологічний довідник, представлений у вигляді набору понять iC C:

iE=<iS, iV, iG, iC>.

Крім цього ІНС забезпечується інструментарієм для автоматизованої діагностики і контролю знань. Індивідуальний набір компетенцій iS забезпечує професійну і практичну орієнтацію навчання, представляючи учневі у наглядній формі практичні цілі навчання. Індивідуальна область контенту iV є ключовим елементом ІНС, і фактично є індивідуальним навчальним курсом або набором курсів. Індивідуальний набір предметних областей iG допомагає учневі зорієнтуватися і зрозуміти місце цільової навчальної інформації в структурі знань, а також надає додаткові можливості для самостійного розширеного знайомства з предметною областю навчання. Індивідуальнийтермінологічний довідник iC відіграє роль тезауруса і довідника курсу, надаючи швидкий доступ до визначень і опису ключових понять курсу, а також їх зв’язку з навчальним контентом. Засоби контролю знань забезпечують ІНС невід’ємною компонентою навчального процесу по перевірці і діагностиці навчальних досягнень.

Рис.2.19. Базовий набір компонентів ІНС

Побудова семантичного конспекту і понятійного довідника курсу

Семантичний конспект (СК) – це дидактично орієнтований довідник курсу, в якому тезисно подано основні відомості про ключові поняття курсу, а самі поняття представлено в порядку, що відповідає семантико-дидактичним вимогам. Ідея семантичного конспекту, який розробляється викладачем, запропонована в роботахГ. А. Атанова [104-106]. Семантичний конспект за Г. А. Атановим – це повний набір семантичних фактів або висловів, що розташовані у порядку вивчення матеріалу. Таким чином СК – це повний набір лаконічно поданих думок з предметної області. Ідея семантичного конспекту була адаптована і розвиненаавтором для застосування у межах ПТМ і онтології ПрО. На основі ПТМ процес побудови СК було автоматизовано, що значно скорочує трудові витрати. У якості висловів з предметної області застосовуються поняття і їх тези. СК на основі ПТМ синтезує опорний конспект, термінологічний довідник і інтерактивний тезаурус курсу.

Порядок СК передбачає, що дане навчальне поняття подається лише після того, як подано усі поняття, які дидактично йому передують. Крім того, семантичний конспект, запропонований в даній роботі, містить список ключових понять курсу, який отримав назву «семантичне ядро». Семантичне ядро знаходиться автоматично на основі аналізу дидактико-семантичної зв’язаності кожного поняття з іншими. До семантичного ядра входить поняття, яке є семантичним центром курсу. Таке поняття найсильніше зв’язане з іншими поняттями курсу. Для семантичного конспекту семантичний центр відіграє роль осі, відносно якої будується весь конспект.

Конспект будується для певного навчального курсу, тобто для деякого цільового контенту V_s V. Множина V_sможе також бути задана неявно через позначення деякого кореня піддерева контенту v V, і таким чином визначення V_sтут відбувається за допомогою оператора моделі контенту Tree-Net:

V_s= Desc(v) .

Наступним кроком буде пошук цільових понять C_s, тобто усіх понять цільового контенту V_s, які мають змістовні тези на цій множині контенту. Під змістовними розуміються тези, які не належать до класу «прикріплення» (tAttaching). Нагадаємо, що тези класу tAttaching не несуть змістовної інформації, а лише вказують на те, що в даному елементі контенту іде мова про відповідне поняття. Визначення цільових понять відбувається за допомогою оператора:

Далі визначається міра зв’язаності кожного з цільових понять з іншими поняттями з множини C_s. Під мірою зв’язаності будемо розуміти кількість зв’язків цього поняття з іншими в онтології предметної області. Таким чином величина зв’язаності поняття aвідповідає потужності множини понять, пов’язаних з даним поняттям a:

Поняття, що мають зв’язки називатимемо зв’язаними:

Поняття, що не мають жодних зв’язків називатимемо незв’язаними:

Знаючи міру зв’язаності, можна визначити семантичний центр. Як правило це поняття, що володіє найбільшою зв’язаністю. Проте, щоб запобігти помилковому позначенню деякого фонового поняття у якості центру, слід передбачити додаткові перевірки. Адже можлива ситуація, коли деяке поняття є дуже зв’язаним але не є основним предметом курсу з точки зору дидактики. Такі поняття, як правило, не мають тез-визначень, тез-сутностей, тез-призначень (tDefinition, tDestination, tEssence) та інших змістовних та семантично важливих тез у множині цільового контенту. Як правило, фонові поняття представлені тезами-прикріпленнями та тезами загального характеру (tAttaching, tGeneral), або реверсними тезами (tReverseGeneral, tReverseEssence). Такі класи віднесемо до множини фонових класів TClasses_B:

Таким чином починаючи з понять з найбільшим rel, здійснюється послідовна перевірка понять на їх цільовий, тобто нефоновий характер. Перше нефонове поняття з найбільшою зв’язаністю буде семантичним центром. Перевірка поняття на нефоновий характер полягає у наявності у поняття змістовних тез. Таким чином, якщо множина змістовних тез непуста, поняття розглядається як нефонове, тобто цільове в даному контексті.

Правило, яке описує визначення нефонового поняття в контексті V_s:

Множина нефонових понять в контекстіцільового контенту V_s:

Нефонове поняття з найвищим значенням relє семантичним центром в контексті V_s, і позначається c_centre:

Семантичне ядро Елемент формули , як набір ключових понять, визначається на основі семантичного центру c_centre. При цьому в процесі емпіричних досліджень у межах навчального порталу [103]встановлено, що для забезпечення дидактичної доцільності загальний розмір семантичного ядра не повинен перевищувати 20%загальної кількості цільових понять: Елемент формули . Крім цього мінімальне значення зв’язаності поняття ядра складає 10% від зв’язаності семантичного центру, але не повинно бути меншим за 3: . Таким чином до семантичного ядра послідовно заносяться поняття, починаючи з більших значень relдо менших, за умови, що вказані вимоги задовольняються.

Після того, як підготовлено V_s, C_s, семантичне ядро та семантичний центр,починається безпосередня побудова послідовності понять. Сутність алгоритму полягає у наступному: перед включенням до послідовності поточного поняття, воно перевіряється на наявність передуючих понять, якщо такі є, то спочатку відбувається включення до послідовності кожного з цих понять; потім включається поточне поняття, а після цього в чергу додаються поняття, що слідують за ним. Такий процес застосовується для кожного поняття під час його включення до послідовності. Подамо докладний алгоритм процесу побудови семантичного конспекту для курсу із набором контенту V_s.

1. Визначення цільових понять курсу C_s= Cs(V_s).

2. Визначення нефонових понять контенту C_nb= Csubj(V_s).

3. Розрахунок rel(a,C_s) для кожного з цільових понять a C.

4. Знаходженнясемантичного центру c_centreі семантичного ядра C_coreкурсу.

5. Встановлення у якості поточного поняття c_curсемантичного центру c_centre. Додавання першого елементу c_curдо впорядкованої множини понять СК: Sequence={c_cur}. Ініціалізація допоміжних множин: Елемент формули .

6. Процедура BeforeCentreвідносно поточного поняття c_cur–BeforeCentre(c_cur):

1) Елемент формули ;

2) отримання множини попередніх для c_curпонять CBefore Елемент формули C_s: . При цьому поняття множини CBefore впорядковані у порядку спадання по значенню ;

3) послідовний перебір понять c Елемент формули CBefore, під час якого для кожного поняття с здійснюється перевірка чи не містить множина Sequenceце поняття. Якщо не містить, то додати поняття с в Sequenceперед елементом c_curі запустити BeforeCentreвідносно даного поняття с – BeforeCentre(c);

4) отримання множини понять Елемент формули що слідують безпосередньо після поточного c_curі впорядковані по значенню CF(concept_before(c_cur,c)) у порядку спадання, де c CAfter;

5) послідовний перебір понять c CAfter, під час якого для кожного поняття с здійснюється перевірка чи не містить множина Sequenceце поняття. Якщо не містить, то додати поняття с в кінець допоміжного набору AfterCentreCs.

7. Встановлення у якості поточного поняття c_curсемантичного центру c_centre.Ініціалізація допоміжної мультимножини [107] Елемент формули . Процедура AfterCentreвідносно поточного поняття c_cur– AfterCentre(c_cur):

1) отримання множини понять Елемент формули що слідують безпосередньо після поточного c_curі впорядковані по значенню CF(concept_before(c_cur,c)) у порядку спадання, де c CAfter;

2) Перевірити чи існують в послідовності Sequence поняття-наслідки даного Елемент формули :

a) якщо такі є, знайти таке поняття-наслідок Елемент формули , що зустрічається в Sequence якомога раніше, тобто має якомога менший порядковий номер в Sequence. Вставити c_cur, в Sequence перед знайденим елементом ;

b) інакше додати c_cur, в кінець Sequence;

3) якщо Елемент формули :

a) отримання множини попередніх для c_curпонять Елемент формули впорядкованої в порядку спадання по значенню ;

b) Елемент формули (операція виконується відповідно до правил арифметичного додавання мультимножин [107]);

c) послідовний перебір понять c CBefore, під час якого для кожного поняття с здійснюється перевірка на його присутність в Sequence–якщо c Sequence:

якщо (тут k_{acBeforeQueue}(c) – кількість екземплярів елемента с в мультимножині acBeforeQueue [107]), вставити поняття c в Sequence перед елементом c_cur;
запустити AfterCentre відносно даного поняття с – AfterCentre(c);

4) послідовний перебір понять c CAfter, під час якого для кожного поняття с здійснюється перевірка: якщо Елемент формули , то додати поняття с в кінець Sequenceі запустити AfterCentreвідносно даного поняття с – AfterCentre(c).

8. Перевірити, чи всі поняття з допоміжного набору AfterCentreCs знаходяться в Sequence: для всіх понять, що задовольняють умові Елемент формули запустити процедуру AfterCentre відносно с.

9. Перевірити чи відповідає розмір послідовності кількості цільових зв’язаних понять. Якщо ні, по черзі запустити процедуру AfterCentreдля зв’язаних понять, що досі не в послідовності.

10. Додати до послідовності незв’язані поняття. Кінець.

Згенерований таким чином СК стає ефективним дидактичним засобом, а наявність гіпертекстових посилань всередині кожного з описів понять на інші терміни значно підвищує зручність такого інструменту. Приклад гіпертекстового семантичного конспекту, автоматично побудованого завдяки поданому алгоритму, показано на рис. 2.20 [103].

Рис. 2.20. Приклад семантичного конспекту

Генерація індивідуального навчального середовища на здобуття спеціальності

Індивідуальне навчальне середовище будується на основі відомостей про профіль спеціаліста.Слід зауважити, що профіль спеціаліста містить перелік компетенцій вищого рівня, тобто таких, що є коренями деяких виділених піддерев у загальному дереві компетенцій. Це означає, що перелічені у профілі компетенції можуть мати підлеглі компетенції, що визначається за допомогою оператора декомпозиції компетенції DescS. Отже повний набір компетенцій, що стосуються даного профілю називатимемо декомпозицією профілю спеціаліста і визначатимемо наступним чином:

SDExp(exp) = {s S: s SExp(exp) s DescS(a), де a SExp(exp)}.

Усю сукупність контенту декомпонованого профілю спеціаліста називатимемо профільною областю контенту даного спеціаліста. Вона визначається на основі повного набору контенту кожної з компетенцій, для чого застосовується оператор:

VSDExp(exp) = {v: v VatS(s), де s SDExp(exp)}.

Після отримання сукупності контенту V′=VSDExp(exp), V′ V декомпозиції профілю exp Exp для його ієрархічного структурування застосовуються базові відношення ієрархічності між елементами контенту F і Ch. В результаті отримуємо деяку сукупність піддерев контенту, які можуть розглядатися у якості набору індивідуальних навчальних курсів і модулів. Оператор Roots(V′) вкаже на корені новоутворених піддерев.

На основі профільної області контенту визначаються предметні області, в яких працює спеціаліст:

GExp={g: g GV(v), де v VSDExp(exp)} .

Крім цього на основі зв’язків з понятійно-тезисними семантичними даними генерується профільний довідник спеціаліста, що містить перелік ключових термінів, їх визначень і контенту, в якому вони розкриваються. Набір термінів визначається оператором:

CExp={c: c CV(v), де v VSDExp(exp)}.

На основі профільної області контенту і понятійно-тезисної моделі індивідуальне навчальне середовище спеціаліста забезпечується інструментарієм для автоматизованої діагностики і контролю знань [75–77]. Таким чином базовий набір компонентів індивідуального навчального середовища, що генерується на основі знань про компетенції спеціаліста, містить декомпозицією профілю спеціаліста, профільну область контенту, предметні області спеціаліста і профільний довідник:

iEExp(exp)={SDExp(exp), VSDExp(exp), GExp(exp), CExp(exp)}.

Таким чином генерація ІНС для учня l_i на основі цільового профілю, поданого у освітньому запиті Eq і збереженого в цілях учня LExpAims(l_i) описується наступним чином:

iE(l_i)=iEExp(exp)={SDExp(exp), VSDExp(exp), GExp(exp), CExp(exp)}, де exp LExpAims(l_i) .

Генерація індивідуального навчального середовища на здобуття компетенції або адаптованої спеціальності

Аналогічно до попереднього пункту генерація ІНС відбувається завдяки використанню операцій маніпулювання компетенціями і профілем спеціаліста МПК. На основі обраних через освітній запит користувачем l_iкомпетенцій LSAims(l_i) формується новий індивідуальний профіль спеціаліста exp: SExp(exp)=LSAims(l_i). Таким чином генерація ІНС для користувача l_i на основі індивідуального цільового профілю, сформованого у відповідь на освітній запит, описується наступним чином:

iE(l_i)=iEExp(exp)={SDExp(exp), VSDExp(exp), GExp(exp), CExp(exp)},

де exp – новий індивідуальний профіль спеціаліста, сформований на основі цільових компетенцій LSAims(l_i).

Генерація індивідуального навчального середовища для вивчення індивідуального навчального курсу

Через освітній запит модель користувача була ініційована через зазначення цільового контенту LVAims(l_i), який відіграє роль індивідуального навчального курсу. Подамо роль і зміст кожної з компонент ІНС iE={iS, iV, iG, iC} у контексті цього типу навчального процесу.

Перш за все, індивідуальна область контенту iV=LVAims(l_i) відповідає цільовому контенту користувача l_i. Компетенції, які стосуються даного набору контенту, визначаються через операцію: iS={s: v VatS(s), де v LVAims(l_i)}.

Індивідуальний набір предметних областей визначається через зв'язок між індивідуальною областю контенту і тематичними групами: iG={g:g GV(v), де v LVAims(l_i)}.

Індивідуальний набір понять, які фігурують у цільовій області контенту, служать у якості довідника і тезауруса індивідуального курсу: iC={c: c CV(v), де v LVAims(l_i)}.

Генерація індивідуального навчального середовища для дослідження предметної області

Дослідження предметної області ініціюється зазначенням в освітньому запиті набору цільових тематичних груп контенту, що описуються у моделі цілей користувача LGAims(l_i). У такому випадку індивідуальна область контенту користувача l_iвизначається через оператори моделі Tree-Net: iV=VGG(LGAims(l_i)). Визначення інших компонентів ІНС відбувається на основі iV аналогічно попередньому пункту.

Генерація індивідуального навчального середовища для вивчення окремого поняття

Поняття для вивчення задається через освітній запит і зберігається в моделі цілей користувача c' LCAims(l_i). Данийнавчальний процес відрізняється від інших і має короткостроковий характер, а метою ІНС тут є надання вичерпної інформації про запитуване поняття.

Перш за все, користувач отримує визначення і ключові відомості про поняття c' завдяки тезам-визначенням і тезам-сутностям ПТМ:

T^'= {t: t TC(c' ) (TClass(t)= tDefinition TClass(t)= tEssence )} .

Областю контенту є навчальна інформація, в якій фігурує цільове поняття c' : iV=VC(c'). При цьому першим у списку множини контенту iV подається контент, що містить визначення поняття c' :

Визначення інших компонентів ІНС відбувається на основі iV аналогічно попереднім пунктам.

У кожному із навчальних процесів після отримання індивідуального набору контенту iV аналізується ієрархія відібраних елементів контенту. По-перше контент впорядковується в основну деревоподібну структуру, що задана у відображенні F моделі Tree-Net. У результаті отримуємо сукупність піддерев повного дерева контенту системи. Далі шукаються вершини новоутворених піддерев за допомогою спеціального оператора Roots: Roots(Vselect_i). Кожен із елементів цього набору є вершиною дерева. Кожна з цих вершин представлятиме дерево новоутвореного курсу, а кількість вершин |Roots(Vselect_i)| вкаже на кількість індивідуальних навчальних курсів, які були створені.

Метод впорядкування Web-контенту індивідуального навчального середовища

Після роботи підсистеми освітнього запиту в програмну систему надходить інформація про цільовий інформаційно-навчальний контент користувача. Цей контент має міждисциплінарний характер і може мати походження із різних суміжних предметних областей. У зв’язку з цим виникає задача упорядкування індивідуального міждисциплінарного контенту з урахуванням дидактико-семантичних співвідношень між його ділянками. Розв’язання цієї задачі спирається на онтологію предметної області, що забезпечує формалізацію понятійної складової контенту [90, 91].

Задача дидактичного упорядкування отриманих блоків контенту вирішується на основі відношень між поняттями онтології із застосуванням апарату стенфордської моделі нечіткого виведення (рис.2.21).

Рис. 2.21. Схематичне зображення задачі дидактичного упорядкування контенту

Етапи запропонованого методу впорядкування індивідуального контенту:

1. Побудова транзитивних зв’язків між поняттями і формування транзитивного замикання графу онтології, що ґрунтується на правилі:

Задача вирішується на основі алгоритму Флойда-Варшала, де у якості вагів ребер розраховуються фактори впевненості відповідно до поданого вище правила транзитивності. Побудова транзитивного замикання графа для великої онтології на основі понятійно-тезисної моделі (ПТМ) є ресурсомістким завданням, але вже на етапі безпосереднього впорядкування контенту це дозволяє суттєво зменшити час та навантаження на сервери системи.

2. Пошук цільових і фонових понять кожної з ділянок контенту V, керуючись правилами:

Необхідність даних засобів логічного виведення полягає у тому, що однієї інформації про розглядувані поняття в тій чи іншій ділянці контенту не достатньо для того, щоб зробити висновок про послідовність блоків контенту. Адже в одному курсі деякі поняття можуть розглядатися як предмет вивчення, в іншому ж вони можуть бути присутні у якості понять, на які курс спирається для того, що визначити нові, цільові в даному контексті, поняття. Правило для предикату concept_essential описує міркування, у відповідності до якого поняття вважається цільовим тоді, коли в даній ділянці контенту воно має смислові тези (тези, які несуть інформацію про поняття, адже тези класу tAttaching служать лише для задачі індексації контенту). Правило для concept_pre стверджує, що поняття є фоновим або нецільовим в даному контексті, якщо усі його тези тут лише описують синтаксичну присутність цього поняття в навчальному тексті і не несуть нової інформації (клас тез – tAttaching). Зауважимо, що дещо детальніші правила визначення фонових і цільових понять подано вище, коли розглядалися алгоритми побудови семантичного конспекту. Семантики ж використаних тут правил достатньо для розв’язання розглядуваної в даному випадку задачі впорядкування контенту.

3. Попарний аналіз відношення слідування між ділянками, на основі правил:

Перше правило стверджує, що наявність поняття, яке в ділянці контенту V_kє цільовим, а в ділянці контенту V_l– фоновим, свідчить на користь гіпотези про те, що ділянку V_kслід розташувати раніше ділянки V_l в індивідуальному навчальному середовищі користувача.

Друге правило визначає, що ситуація, коли цільове поняття в контексті ділянки V_kзустрічається в ділянці V_l, є фактом, що свідчить на користь гіпотези про те, що ділянку V_kслід розташувати раніше ділянки V_l в індивідуальному навчальному середовищі користувача.

На даному етапі для кожної пари блоків контенту відшукуються усі факти, в області яких діють описані правила. Для кожної з гіпотез слідування розраховується сукупний фактор упевненості CF. В решті решт істинною вважається гіпотеза з більшим значенням CF.

4. Упорядкування ділянок контенту за допомогою алгоритму топологічного сортування ациклічного орграфа.

Алгоритм упорядкування індивідуального контенту в міждисциплінарному Web-середовищі користувача представлено на рис. 2.22 у вигляді діаграми діяльності в нотації UML.

Рис.2.22. Алгоритм упорядкування Web-контенту індивідуального навчального середовища

Таким чином за допомогою розробленого алгоритму, що спирається на онтологію предметної області і стенфордську модель нечіткого виведення, розв’язано задачу автоматичного упорядкування міждисциплінарного Web-контенту в межах багатопредметної інформаційно-навчальної програмної системи.