Государственное образовательное учреждение высшего профессионального образования

Алгоритмы обеспечения вариативности траекторий обучения и логический вывод экспертной системы Для удобства задания автором алгоритмов обучения выбран продукционный тип базы знаний экспертной системы, в котором применяется кодирование динамики события Е на протяжении всего обучения тройкой: СЕ = (.FE,NE,RE), (1.1) (1) где FE – тип кривой-описание динамики частоты события на интервале элементами конечного алфавита: часто; редко; сначала редко, потом чаще и т. д.; NE – длина кривой-отношение длины протокола к запланированному времени обучения ТО; RE – вес кривой-отношение числа произошедших событий к числу возможных или, как в случае пользования справочной информацией, к числу ожидаемых (в этом случае оно может быть больше 1). Более подробный протокол обучения может быть получен, если хранить тройки CEi (Ij) для нескольких наиболее важных интервалов Ij: учебная цель, урок, а так же временных интервалов (сегодняшнее занятие, последние части т.п.) [2, 55]. Ниже опишем некоторую формализацию процесса обучения, лежащую в основе работы системы логических выводов экспертной системы. Структурная схема модуля экспертной системы обучения имеет вид, показанный на рисунке ниже (рисунок 5.2). Рисунок 1.6  Структурная схема модуля экспертной системы Для реализации корректной выборки информационных ресурсов из базы знаний экспертной системы необходимо обеспечить декомпозицию образовательного контента, представив его в виде информационной модели, имеющей большое количество характеристик и свойств. Тем самым предметная область конкретного курса обучения будет более структурирована за счет деления исходного образовательного контента на фрагменты, имеющие законченный смысл, четкую нотацию и набор логических связей (за основу взята модель «Дублинского ядра»). Далее необходимо обеспечить алгоритм выборки и логического вывода фрагментов образовательного. Ниже опишем подход к декомпозиции информационного ресурса, сущность которого заключается в представлении его в виде набора деревьев, имеющих перекрёстные ссылки. Данный подход позволяет обеспечить иерархичность структуры обучающего материала и формирование различного рода ссылок, создающих первичные, вторичные и другие структуры учебного материала, отражающие взаимосвязи различных учебных целей, задач компетенций и управляющих воздействий. В зависимости от типа модели обучаемого, и его индивидуальных подходов к обучению (в общем виде подходы могут быть индуктивный, дедуктивный и гибридным) предлагается использовать три вектора обучения (быстрый, нормальный и медленный). На рисунке ниже (рисунок 1.7) изображены линейные стратегии обучения, соответствующие процессам освоения образовательной единицы в соответствии с эталонной моделью учебной программы дисциплины. Рисунок 1.7 − Линейные стратегии обучения В процессе формирования алгоритмов логического вывода экспертной системы необходимо реализовывать возможности выбора стратегий обучения. В качестве анализа способностей к той или иной стратегии система должна предложить вариант повторно упражнения того же типа. В случае допущения обучаемым ошибок локального характера, необходимо вернуть пользователя к ранее пройденному материалу. Используя подготовленную преподавателем (инженером базы знаний экспертной системы) систему оценочных шкал уровня освоения дисциплины, поэтапно проконсультировать пользователя по способам ликвидации ошибок. В случае большого количества разнородных ошибок или изменения качества ошибок система должна отследить траекторию прохождения узлов графа обучаемым, реализующего эталонные алгоритмы обучения, зафиксировать весовые коэффициенты и ссылки на фрагменты перекрестного (смежного) контента для последующей генерации нового алгоритма поэтапного логического вывода и представления образовательного контента. Управление логическим выводом компонентом «РЕШАТЕЛЬ» Для реализации интерактивного обучения студента в режиме on-line необходимо выбрать соответствующий алгоритм и программную реализацию формирования правил логического вывода хранящегося в рабочей области образовательного контента в момент консультации с экспертной системой. Правила экспертной системы - это продукции вида: «Если условие, то действие». Для экспертной системы автором был разработан специальный механизм логического вывода фактов и фрагментов образовательного контента (например, локальная верификация и оценка качества учебного процесса на основе сравнения выбранной стратегии прохождения учебного материала и эталонной). Реализовать алгоритмы логического вывода и обучения можно в виде достаточно большого набора кривых, допускающих естественную интерпретацию типа: «прогресс», «единичная ошибка». Механизм логического вывода необходимо реализовать при помощи отдельного модуля «РЕШАТЕЛЯ» экспертной системы, который должен поддерживать следующие возможности: •поддержка прямой и обратной (дедуктивной, индуктивной) стратегии вывода на основе «просмотра» узлов графа учебной дисциплины; •поиск решения «в глубину» (просмотр фрагментов базы знаний формальных XML - структур электронно-образовательных ресурсов); •поиск и разрешение конфликтов правил на основе интервьюирования преподавателя и верификации имеющихся правил; •сохранение состояний и типов фрагментов и типов метазнаний (на основе модели Dublin Core) и правил (активное, неактивное) в рабочей памяти экспертной системы. Процедуры «РЕШАТЕЛЯ» экспертной системы можно представить с помощью системы общепринятых процессов в виде: I=, (1.2) (2) где V – процесс выбора, осуществляющий выбор из Р и R подмножества активных продукций и подмножества активных данных; S – процесс сопоставления, определяющий множество пар: правило р, данные {dj} (процесс первичной выборки и сопоставления правила и данных из активной области экспертной системы, в соответствии с целями запроса), где , причем каждое рi применимо к элементам множества {dj}; К – процесс разрешения конфликтов (или процесс планирования), определяющий, какой из идентификаторов будет выполняться; W - процесс осуществляющий выполнение выбранного идентифицированного правила (то есть выполнение действий, указанных в правой части правила). Результатом завершения процедуры выборки является модификация данных в R или операция ввода/вывода. Механизм вывода должен реализовываться на основе семантических и синтаксических методов выборки фрагментов данных из базы знаний. Данный подход позволяет интегрировать подобные правила (метаправила) непосредственно в «РЕШАТЕЛЬ», так как они совершенно не зависят от рассматриваемой предметной области и способствуют декомпозиции сложных фрагментов метаинформации на подзадачи и методы их использования для генерирования исходного образовательного контента. Ниже рассмотрим алгоритм реализации начальной выборки. Данный подход основан на списке имеющихся целей, большее количество которых позволяет сократить предметную область выборки и логического вывода предварительной информации и способствует более детальному понимания рекомендаций экспертной системы пользователю. В случае, если набор целей существует – используется режим обратного вывода (от более детальных целей), в случае, если список целей отсутствует – используется метод прямого ввода (например, текста запроса). В процессе пробного тестирования данных алгоритмов было выявлено, что число конфликтов прямо пропорционально степени неточности искомой информации. Для разрешения данных противоречий и конфликтов правил в базе знаний экспертной системы используется нотация метаописания правил (метаправила). Ниже приведем их формальное описание: (1.3) где: N – количество не идентифицированных атрибутов в правилах; D – количество не идентифицированных атрибутов в действии правил; R – набор всех активных правил. Таким образом, для начальной выборки необходимо выполнить расчет приоритетов правил, который выше для правил, имеющих меньшее число не идентифицированных атрибутов, большее число не идентифицированных атрибутов в действии и высокую вероятность появления. Формирование подобной выборки зависит от того, какая стратегия вывода используется в данном рабочем цикле. Естественно, для корректного логического вывода необходимо применять алгоритмы сопоставления правил начальной выборки и метаправил в рабочей области активного цикла. Данный алгоритм осуществлен в виде рекурсивной функции, описанной ниже: F(R,A,O,K), (1.4) (3) где R – набор активных правил, А – список текущих целевых атрибутов (параметры запроса), О – список идентифицированных атрибутов, К – список идентифицированных правил. Ниже рассмотрим алгоритм работы рекурсивной функции сопоставления правил: правила начальной выборки заново сопоставляются с набором атрибутов в рабочей памяти – R в порядке приоритета; в процессе выполнения одной копии функции F производится ее повторный запуск для внесения вновь внесенных изменений в базу правил. Таким образом, алгоритм разрешения конфликтов в правилах основан на процедуре расчета приоритета, который выше для тех алгоритмов, которые имеют большее количество идентифицированных экспертом (преподавателем) атрибутов правил. Ниже приведем общий вид правил адаптивного логического вывода экспертной системы: Если {(событие1, тип кривой 1, интервал 1)и (событие2, тип кривой 2, интервал 2)и…} то {действие} Троек (событие, тип кривой, интервал) может быть от 1 до 10. Каждому событию (в протоколе активности пользователя) в процессе обучения ставиться в соответствие кривая определенного типа, заданная на некотором интервале. Примеры событий (либо учебно-тематические заданий - УТЗ): частота пользования словарем; ошибки при выполнении упражнений; превышение временных рамок, отведенных на выполнение УТЗ; время обдумывания (ожидания, либо задержки) ответа на вопрос. В процессе пользования объектами учебного назначения пользователь за счет протоколирования накапливает собственный стиль и траекторию изучения их фрагментов. К примеру, изучая раздел или тему курса лекций, пользователь периодически обращается к глоссарию понятий, фактов и терминов, в данном случае целесообразно во всем интервале времени собирать статистику пользования данным типом контента для её дальнейшего анализа и выработки решений экспертной системы. В данном случае речь идет об аналоговых величинах и отношениях. Некоторые виды кривых пользования глоссария учебного объекта (словаря понятий – фактов дисциплины), интерпретирующих динамику событий обучаемого, которые можно использовать в качестве эталонных моделей траекторий освоения учебного материала, показаны на рисунке ниже (рисунок 1.8). Рисунок 1.8 – Примеры типов кривых ожидания событий На кривых выше по вертикали отложена частота использования словаря (h), по горизонтали время (t) (время урока, время изучения темы и т.д.) Главной целью разработки алгоритмов обучения для экспертной системы была задача проектирования такой системы логических выводов, которая моделировала бы всех участников образовательного процесса (учителя, ученика, учебный материал) и организовывала оптимальное их взаимодействие. В проекте экспертной системы заложены алгоритмы формирования моделей обучаемого и преподавателя, введён определённым образом организованный учебный материал (формальная XML-структура) с элементами мультимедиа [51, 52]. На этой основе имитируется процесс реального обучения с учётом таких характерных его особенностей, как взаимная интеграция процессов верификаций моделей обучаемого, преподавателя и учебного курса, способности ученика, оптимальность стратегии дозировки знаний и упражнений учителем, скорость запоминания и забывания знаний учеником, продолжительность и устойчивость его активного состояния и т.п. Самым важным моментом реализации алгоритма обучения является функция объяснения экспертной системы, которая должна быть основана на интеграции отдельно взятых графах (траектории обучения) и дерева решений. Подсистемы логического вывода в экспертной системе обучения должны базироваться на многоуровневой фрагментарной выборке составляющих образовательного контента. Для более детальной декомпозиции алгоритмов обучения с помощью средств логического вывода производится выборка фрагментов образовательного контента. Количество этапов зависит от степени неопределенности того или иного атрибута базы знаний. Строятся алгоритмы логического вывода фрагментов образовательного контента либо по схеме фиксации деятельности пользователя, либо по схеме трассировки событий в рабочей области экспертной системы. В обоих этих случаях все множества событий, требующих объяснения, идентифицируются заранее, и каждый из них сопоставляется декларативно или процедурно с фрагментами образовательного контента. Для реализации подобного компонента в данной статье были предложены процедуры логического вывода и алгоритм консультации пользователя с экспертной системой, основанный на трассировке графа решений, в соответствии с выбранной траекторией обучения. Рассмотрены алгоритмы обучения, основанные на логическом выводе, важным моментом которого является способ управления данным процессом при помощи программного компонента «РЕШАТЕЛЯ», интегрированного в базу знаний экспертной системы. В процессе работы экспертной системы информационной поддержки самообучения обучающий (учитель) и обучаемый (ученик) занимают централизованное место в силу того, что в основе их интерактивного взаимодействия строятся алгоритмы передачи знаний и обучение первого. При рассмотрении данного процесса более детально можно сделать вывод о том, что агрегирование процессов информационного обмена может быть обеспечено в случае их формализации в виде информационных моделей, которые могут быть интерпретированы как адаптивные автоматы [53, 54]. Со стороны автомата-учителя на каждом шаге выбирается оптимальная с его точки зрения подача автомату-ученику обучающей информации на основе того, как усвоил на предыдущих шагах обучения такую информацию автомат-ученик. База знаний и алгоритмы логического вывода экспертной системы в этом случае будут является достаточно универсальными инструментами для генерации фрагментов образовательного контента в заданных предметных областях, кроме того база знаний является открытой, она легко пополняется информацией во всех своих основных частях. На сегодняшний день моделирование информации о предметных областях происходит при помощи узкоспециализированных языков представления знаний, то есть обучающие системы после наполнения их конкретным содержанием становятся экспертными системами по конкретным узкоспециализированным областям. В соответствии с вышеизложенным в проблеме синтеза адаптивного «компьютерного учителя» необходимо решить следующие задачи: синтез автомата-учителя; синтез автомата-ученика; разработка информационной системы, аналогичной учебнику с упражнениями; выработка оптимальной стратегии взаимодействия компонент (1)-(3); создание интерфейса с широкими сервисными услугами для пользователя. Решение этих задач сопряжено с рассмотрением целого ряда вопросов, к их числу относятся следующие: разработка динамических баз данных и знаний, состоящих из больших массивов синтаксической информации со сложной семантикой и нечеткими логическими связями, эти базы должны быть компактными по объему занимаемой памяти и в то же время позволять достаточно быстро получать необходимую информацию из них; разработка признакового пространства описания состояний автомата-учителя и автомата-ученика с указанием функционально-метрических зависимостей между ними, позволяющих задавать функционирование этих автоматов; разработка оптимальных стратегий взаимодействия автомата-учителя с автоматом-учеником как средствами собственно теории автоматов и нечеткой логики, так и процедурами типа распознавания образов и пр. Теоретическое и математическое обоснование возможной архитектуры экспертной системы Теоретическим фундаментом модели может быть автоматная модель гибридного вида. Ниже рассмотрим более детально процесс формализации компоненты обучения (консультации с экспертной системой) с точки зрения системы взаимодействующих автоматов. Процесс обучения может быть представлен в виде двух взаимодействующих автоматных моделей: модели управляемого

Похожие:

	Государственное образовательное учреждение высшего профессионального... Государственное образовательное учреждение высшего профессионального образования		Правила приема в государственное образовательное учреждение высшего... В государственное образовательное учреждение высшего профессионального образования
	Образовательное учреждение высшего профессионального образования... Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования		Информационно-правовой портал «закон. Ру» федеральное государственное... Федеральное государственное автономное образовательное учреждение высшего профессионального образования
	Федеральное государственное образовательное учреждение высшего профессионального... Федеральное государственное образовательное учреждение высшего профессионального образования		Федеральное государственное бюджетное образовательное учреждение... Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования
	Шаблон программы производственной практики министерство образования... Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования		Федеральное государственное бюджетное образовательное учреждение... Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования
	Правила приема в федеральное государственное бюджетное образовательное... В федеральное государственное бюджетное образовательное учреждение высшего профессионального образования		Федеральное государственное бюджетное образовательное учреждение... Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования