Источник: www.ict.edu.ru/vconf/files/9068.pdf
Развитие информационных технологий в образовании требует нового подхода к проектированию интеллектуальных систем дистанционного обучения (ИСДО) [1]. Если раньше такие системы могли представлять собой набор гипертекстовых, мультимедийных электронных материалов и тестов, то теперь становится крайне необходимо строить подобные системы на основе принципов гибкости, адаптивности и динамичности [2]. Для реализации изложенных принципов построения система тестирования ИСДО может содержать следующие основные функциональные модули. Модуль адаптивного тестирования позволяет производить промежуточный (рейтинговый) контроль знаний обучаемых, при этом, используются алгоритмы адаптации уровней сложности вопросов системы к уровню знаний обучаемого, что позволяет организовать процесс контроля знаний более гибко и максимально приблизить схему опроса системы к схеме очного опроса студена преподавателем. Стартовый уровень определяется в зависимости от хранящегося в базе данных среднего балла тестируемого студента (если данные о студенте не содержатся в базе, то выбор стартового уровня зависит от параметров теста). Результаты ответов на вопросы каждого уровня обуславливают выбор следующего уровня. Вопросы выбираются случайным образом из всего множества вопросов данного уровня сложности по данному предмету, исключая уже заданные вопросы. Чтобы по возможности не допустить прохождения теста «наугад», в процессе тестирования система задает вопросы из области незнания студента.
Методы и алгоритмы адаптивности тестов предполагают ввод следующей информации в процессе создания теста: количество уровней сложности; ограничение по времени на прохождение теста; минимальное и максимальное количество вопросов; разбиение материалов теста на уровни сложности; разбиение материалов теста по темам [3]. Аналогичным образом может использоваться модуль локального тестирования. Зачастую он решает задачи, связанные с самооценкой знаний учащихся в процессе обучения. Студент сам проверяет себя на локальном компьютере, пытается повысить уровень своих знаний и только после этого выходит на тестирование через Интернет, где каждый результат тестирования учитывается в хранилище данных. Модуль статистики и анализа результатов тестирования должен предоставить преподавателю и администратору возможность просмотреть результаты обучения и тестирования отдельного студента или целой группы по одному или нескольким дисциплинам. Модуль формирует ведомости, анализирует успеваемость студентов, предлагает статистику обучения, дает рекомендации по результатам тестирования с целью повышения уровня знаний группы учащихся или конкретного студента. Модуль верификации и проверки валидности тестов является важнейшим компонентом интеллектуальной системы тестирования в обеспечении контроля качества разрабатываемых и предъявляемых тестов. Модуль решает задачи анализа корректности тестов, которая включает в себя два аспекта. Во-первых, это непосредственный анализ тестовых заданий и обнаружение ошибок, а во-вторых, формирование адекватных рекомендаций для их устранения [3]. Основной особенностью задачи является ее неформализованность и отсутствие завершенной теории для ее решения. Поэтому одним из направлений при постановке задачи является возможность модификации принципов и способов построения системы [4]. Решение задачи анализа корректности тестов может быть разбито на несколько этапов: построение лексического анализатора; формирование статистики о прохождении тестовых заданий и предъявлении вопросов; разбор статистики и предъявление ее пользователю, а также формирование методических рекомендаций по составлению тестов.
Модуль методов интеллектуальной поддержки тестов необходим для улучшения качества контроля знаний и ускорения процесса тестирования путем осуществления предварительной классификации студентов, которая позволяет выявить их потенциальные возможности решения тестовых заданий различных уровней сложности и в дальнейшем использовать эту информацию для определения стартового уровня. Задача классификации решается на основе нечеткой логики и правдоподобных рассуждений, т.к. при идентификации классов, разрешении проблемы неопределенности при интерпретации значений признаков значительная роль отводится экспертам. Интеллектуальные средства обучения и тестирования включают: мониторинг процесса обучения, обучающие экспертные системы, игровые обучающие программы, модули промежуточного и адаптивного тестирования. Мониторинг процесса дистанционного обучения [3] подразумевает контроль деятельности обучаемого, построение его индивидуальной модели и генерацию управляющих решений по корректировке поведения обучаемого для достижения им поставленных целей обучения. Для осуществления мониторинга процесса обучения сначала на основе экспертных оценок, т.е. учитывая существующий опыт преподавания, строится предварительная модель обучаемого для некоторого предмета (курса). Далее выделяются стратегии поведения, наиболее соответствующие индивидуальному стилю обучаемого, а также стратегии, ориентированные на достижение цели обучения. На основании полученных данных строится прогнозная модель деятельности обучаемого.
В случаях, когда выбранная обучаемым исходная стратегия перестает быть эффективной по отношению к заданной цели, подсистема принимает решение по трансформации индивидуальной модели и траектории обучения. Современные методы принятия решений объединяют аналитические методы с экспертными процедурами и методами искусственного интеллекта. В настоящее время выделяют два направления в развитии технологий искусственного интеллекта: технология вывода, основанного на правилах и технология вывода, основанного на прецедентах [5]. Экспертные системы, построенные на основе первого направления, моделируют процесс принятия экспертом решения как сугубо дедуктивный процесс с использованием вывода, основанного на правилах. В систему закладывается совокупность правил, согласно которым на основании входных данных генерируется заключение по адекватности предложенной модели. В качестве недостатка следует отметить, что дедуктивная модель эмулирует один из наиболее редких подходов, которому следует эксперт при решении проблемы. Вывод, основанный на прецедентах, делает заключения по результатам поиска аналогий, хранящихся в базе прецедентов. Данный метод особенно эффективен в ситуациях, когда основным источником знаний о проблеме или ситуации является опыт, а не теория; решения не уникальны для конкретной ситуации и могут быть использованы в других для решения аналогичных задач; целью вывода является не гарантированное верное решение, а лучшее из возможных. Реализация данной технологии вывода может быть осуществлена с применением нейросетевых алгоритмов [6].Литература
1. Норенков И.П., Зимин А.М. Информационные технологии в образовании. – М.: Изд-во МГТУ им. Н.Э. Баумана, 2004.
2. Кравченко Ю.А. Информационные и коммуникационные технологии в образовании: Учебное пособие. – Таганрог: Изд-во ТРТУ, 2003.
3. Астанин С.В., Курейчик В.М., Попов Д.И., Кузьмицкий А.А. Интеллектуальная образовательная среда дистанционного обучения// Новости искусственного интеллекта. – Москва, 2003. №1.
4. Дюк В.А. Компьютерная психодиагностика. – СПб.: Изд-во «Братство», 1994.
5. Трахтенгерц Э.А. Возможности и реализация компьютерных систем поддержки принятия решений // Известия РАН. Теория и способы управления. 2001. №3. С. 86-113.