ДонНТУ   Портал магістрів

Реферат з теми випускної роботи

Зміст

Мета і завдання

Метою роботи є розробка та дослідження автоматних моделей навчання на основі аналізу компетенцій учня і розробка на їх основі багатоагентної системи навчання.

Для досягнення поставленої мети потрібно вирішення наступних завдань:

  1. Провести аналіз існуючих систем навчання і тестування, що реалізують навчання компетенціями
  2. Розробити склад і структуру агентной системи навчання та оцінки компетенцій учня
  3. Формалізувати процеси навчання і тестування на основі автоматного підходу і багатоагентній організації системи навчання

Об'єктом даного дослідження є багатоагентні системи компетентнісного навчання.

Предметом дослідження є автоматні моделі процесів навчання і тестування.

2 Актуальність теми роботи

У зв'язку із завданнями модернізації системи освіти у вищій школі в контексті Болонської декларації актуалізується завдання переходу до планування результатів освіти мовою компетенцій. Освітній підхід, заснований на позначенні компетентності як мети професійної підготовки фахівця у вузі, визначається як компетентнісний. Застосування компетентнісного підходу означає формування індивідуальних програм навчання відповідних особливостям кожного, хто навчається [1] і враховують потреби компаній у професійній орієнтації фахівців. Це може бути реалізовано за допомогою розподілених інтелектуальних агентно-орієнтованих технологій, що забезпечують досягнення необхідних компетенцій за рахунок введення адаптивності в процес навчання. Основне завдання полягає в забезпеченні оптимальної траєкторії руху що навчається до мети на основі побудови індивідуального плану навчання і керованого засвоєння ним навчального матеріалу в навчальній системі.

Завдання визначення поточної компетенції учня і контролю формування компетенцій вирішуються в існуючих системах шляхом використання технологій тестового контролю, коли випробуваному пропонується виконати заздалегідь підготовлені завдання різного ступеня складності. Недоліком існуючих засобів тестування навчальних систем є орієнтація переважно на діагностику та оцінку якості знань, умінь і навичок, придбаних студентом в результаті освоєння конкретних дисциплін і практик. Традиційні тестуючі кошти не дозволяють перевіряти і оцінювати високі, продуктивні рівні знань.

Таким чином, для систем навчання на основі компетенцій характерне використання адаптації на рівнях навчання і тестування знань. Аналіз існуючих підходів до реалізації засобів управління навчанням і тестуванням показує, що перспективним може бути автоматний підхід, який спрощує реалізацію сценаріїв навчання і тестування зі складною логікою.

Поэтому актуальна задача разработки автоматных моделей агентов для интеллектуальных систем обучения на основе компетентностного подхода.

3 Передбачувана наукова новизна

Наукова новизна дослідницької роботи полягає в розробці нових автоматних моделей агентів інтелектуальної системи навчання компетенціями та алгоритмів реалізації індивідуальних траєкторій навчання і тестування, що дозволяють підвищити якість навчання з урахуванням сучасних потреб роботодавців у професійній орієнтації фахівців.

4 Плановані практичні результати

Практична значимість отриманих результатів визначається вибором пріоритетного напрямку розвитку інтелектуальних навчальних систем з індивідуальними програмами навчання. Розроблені автоматні моделі та алгоритми управління навчанням і тестуванням можуть використовуватися в многоагентних системах дистанційного навчання нового покоління, орієнтованих на навчання на основі компетенцій.

5 Глобальний рівень досліджень і розробок по темі

5.1 Засоби навчання компетенціями

Історія інтелектуальних навчальних систем (ІОС) починається в 70 роки 20 століття в роботах Дж. Карбонелла [2], перші класифікації даних систем були запропоновані в 80ті роки такими вченими як В. Стефанюк [3], П. Брусилівський [4], В. Петрушин [5]. Навчальні системи будують модель цілей, уподобань і знань кожного індивідуального студента і використовує цю модель протягом всього часу взаємодії зі студентом для адаптації до потреб цього студента. На початку 2000 року відбувається наступний крок у розвитку ІОС — поява агентно-орієнтованих ІОС (Танг [6], Лопес [7] та ін) з наявністю агента інтерфейсу викладача, агента інтерфейсу учня, агента координатора взаємодій, агента доступу до знань в процесі навчання, агента онтологій.

Огляд існуючих інтелектуальних навчальних систем, дає наступні види технологій в інтелектуальних навчальних системах:

  1. Побудова послідовності курсу навчання, дана технологія дозволить забезпечити учня індивідуально спроектованим курсом навчання, розробленим спеціально для нього. Технологія реалізована в наступних системах: ELM-ART-II, InterBook, Tutor, KBS-Hyperbook та інших.
  2. Інтелектуальний аналіз рішень навчають — технологія, яка визначає чи вірно запропоноване учнем рішення, чи ні, що аналізує його на допущені помилки і повноту, також можливе визначення відсутніх знань, які призвели до скоєння помилки. Прикладом застосування даної технології служить система PROUST.
  3. Інтерактивна підтримка у вирішенні завдань — технологія, яка дозволяє надавати кого навчають допомогу на кожному кроці рішення задачі. На практиці дана технологія реалізована в LISP-TUTOR.
  4. Технологія підтримки у вирішенні завдань на прикладах грунтується на досвіді вирішення завдань учнем, дозволяє вирішувати нові завдання на основі прикладів з раніше вирішених. Приклад реалізації: ELM-ART.

ІОС повинна досягати інтелектуального і «особистого» сприяння, яке могло б бути досягнуто викладачем або студентом-однокурсником при звичайному аудиторному занятті. Також ІОС повинна бути настільки адаптивної, щоб знайти підхід до кожного, кого навчають, враховуючи його особисті якості та особливості. У сучасних умовах потрібно новий погляд на формування компетентностей — охоплення всього процесу придбання знань, умінь і навичок. Реалізація такої ІОС можлива на основі результатів наступних досліджень у сфері ІІ: динамічні інтелектуальні системи, багатоагентні системи, онтології, що еволюціонують знання, автоматні моделі і деякі інші.

У роботі [8] авторами в якості найбільш перспективної для реалізації навчальних систем визначена і описана агентно-орієнтована архітектура на онтологічної моделі компетенцій. Слід, однак, скасувати, що незважаючи на значну кількість публікацій та робіт у галузі компетентнісного підходу до навчання, реалізація зазначеного підходу в навчальних системах знаходиться на початковому етапі. Значною мірою це пов'язано зі складність і неоднозначність, що виникають при формалізації компетенцій, як цільових, так і наявних проблем учнів та визначенні відсутніх компетенцій.

Ще одним напрямком індивідуалізації та інтелектуалізації навчання є задачного-орієнтована методологія (ЗОМ) побудови інтегрованих експертних систем (ІЕС) і веб-ІЕЗ, запропонована Рибіної Г.В. (МІФІ). Підтримуючий цю методологію інструментарій нового покоління — комплекс АТ-ТЕХНОЛОГІЯ [9] дозволяє здійснювати розробку, в тому числі широкого класу навчальних ІЕЗ, що володіють розвиненими інтелектуальними засобами навчання, моніторингу та тестування учнів.

Новим напрямком досліджень у рамках ЗОМ при створенні навчальних веб-ІЕЗ є посилення уваги до процесів формування на базі розвинених моделей учня і навчання нових моделей-моделей необхідних для кожного фахівця компетенцій в конкретній галузі професійної діяльності [10]. На основі того, що в даний час фахівцями запропоновано різні підходи до визначення, інтерпретації та класифікації компетенцій, автором в [10] визначені безпосередні завдання в рамках подальшої еволюції моделей, що використовуються для побудови навчальних веб-ІЕЗ:

  1. Селективний відбір на кожній стадії навчання в рамках кожної спеціальності тих знань, навичок і умінь, які повинні придбати яких навчають (моделі еталонних курсів, що розвиваються до моделі викладача);
  2. Удосконалення методик контролю та тестування, що проводяться як з метою побудови моделей учнів, так і по завершенню навчання; ефективний облік особистісних характеристик учнів при виборі та формуванні навчальних стратегій і впливів;
  3. Розробка спеціальних коригувальних навчальних впливів, спрямованих на розвиток окремих особистісних характеристик учня; використання додаткового (повторного) навчання на основі виявлених прогалин у знаннях і уміннях.

5.2 Засоби тестування компетенцій

В даний час удосконалюються існуючі і з'являються нові форми оцінки компетенцій, особливе місце серед яких займають різні тести. Створюються електронні системи, що дозволяють проводити оцінку знань учнів. У зв'язку з цим, існує проблема обміну банками тестових завдань. Цю проблему дозволяє вирішити тільки стандартизація представлення тестів. Міжнародним стандартом такого подання є специфікація IMS QTI (Question & Test Interoperability) [11].

Розроблена в Новосибірському державному технічному університеті система тестування «DiTest» [12] підтримує цей перспективний стандарт. Основними елементами системи є модулі «введення і редагування тестів», «проведення опитування» і «обробка результатів і збору статистики». Модульність системи «DiTest» дозволяє легку заміну стандартного модуля на модуль, що забезпечує краще використання в конкретній ситуації. При цьому немає необхідності заміни інших частин системи. Cистема є Internet-орієнтованою. Це має прискорити її поширення і створення різноманітних тестових завдань в універсальному форматі QTI. Система DiTest володіючи необхідною функціональністю і простотою її розширення, є ідеальним рішенням для проведення дистанційних опитувань. Система може використовуватися незалежно, як єдиний центр тестування, так і в сукупності з іншими оцінюючими системами.

В системі INDIGO (Indigo Software Technologies) [13] тести задаються у вигляді ієрархічної структури, що складається з запитань і груп питань. Групи, у свою чергу, можуть містити як питання, так і інші групи. На даний момент доступні п'ять типів питань: вибір одного варіанта відповіді, вибір кількох варіантів відповіді, введення відповіді з клавіатури, установка відповідності, розстановка в потрібному порядку.

Ще одним інструментом тестування є редактор електронних курсів CourseLab [14], в якому вибір методу тестування безпосередньо залежить від особливостей матеріалу курсу, цільової установки і застосовуваних показників навченості. Всі наявні види тестів не виходять за рамки версії 1.2 стандарту IMS QTI (Question & Test Interoperability), тому повинні бути доступні для швидкої розробки більшістю редакторів електронних курсів. Редактор електронних курсів CourseLab надає можливість простий і швидкої вставки в навчальні модулі, як окремих питань, так і тестів, що складаються з безлічі питань. Необхідно тільки заповнити параметри питань. У CourseLab підтримуються такі типи питань: єдиний вибір (вибір одного варіанта з набору значень, включаючи і питання типу true-false), множинний вибір (вибір декількох варіантів з набору значень), ранжування (розташування варіантів в правильному порядку), числовий введення одного або кількох значень текстовий введення одного або декількох значень, парне відповідність (підбір правильних пар варіантів). Можна використовувати випадкову вибірку питань з переліку. Редактор CourseLab дає можливість побудувати практично будь-яку вправу чи тест з використанням полів введення, елементів форм, зон натискання миші, перетягування об'єктів і т.п.

6. Національний рівень досліджень і розробок по темі

В Україні розробка та дослідження інтелектуальних навчальних систем ведуться в усіх ведучщіх університетах. У роботі [15] розглянуто застосування графо-автоматної моделі адаптивної системи дистанційного навчання та контролю знань для вирішення задачі оптимального управління потоком квантів знань в процесі засвоєння курсу студентом. Модель враховує такі важливі аспекти дистанційної освіти, як можливість "забування" квантів знань студентом, проблему черговості виведення квантів на обробку та виконання над ними операцій, повторюваність одних і тих же квантів в різних заняттях і контекстах.

У роботі [16] пропонується технологія для створення ІОС, основною метою яких є навчання поняттями предметної області в інтерактивному режимі, включаючи тестування знань учня. Ця технологія реалізована у вигляді інструментального середовища, основними функціями якої є: витяг знань експерта, формалізація понять предметної області, створення бази знань, генерація тестових питань, формування когнітивної моделі учня, оцінка знань учня, формування стратегії навчання.

У роботі [17] Розглядається підхід до створення розподіленої системи віртуальної кафедри агентно-орієнтованого типу. Виконано агентно-орієнтований аналіз навчального процесу за методологією Gaia і розроблена версія багатоагентній системи за допомогою інструментарію Bee-gent

7. Локальний огляд досліджень і розробок

У роботі [18] аналізується інструментарій для створення багатоагентній системи навчання кафедрального рівня.

У роботі [19] розглянуто організація системи формування та оновлення онтологічної бази знань інтелектуальної навчальної системи. Запропоновано алгоритм і склад програмного забезпечення інструментальних засобів автоматизації об'єднання онтологій предметних областей.

8 Розробка агентной системи компетентнісного навчання на основі автоматних моделей

8.1 Організація агентной підсистеми оцінки компетенцій учня

Інтелектуальна мультиагентна навчальна система організується як спільнота взаємодіючих колективів агентів. Процес навчання та оцінки компетенцій забезпечується двома колективами (підсистемами) агентів. Комунікації колективів агентів представлені на малюнку 1. Колектив агентів навчання (КАН) взаємодіє з агентом навчання (АН) і репозиторием навчальних ресурсів (РНР). Колектив агентів тестування (КАТ) пов'язаний з АН і репозиторием ресурсів тестування (РРТ). Колективи агентів навчання і тестування так само взаємодіють один з одним. На малюнку представлені тільки компоненти ІМОС, що мають відношення до розроблюваної підсистемі КАТ.

Рисунок 1 – Cклад IМОС

Рисунок 1 – Склад ІМОС
Анімація: 11 кадрів, 5 циклів повторення, 145 кілобайт

Підсистема оцінки компетенцій вирішує такі завдання.

Динамічний профіль учня зберігає інформацію про студента, в ньому фіксуються всі отримані в ході навчання і підтверджені перевіркою компетенції.

При першому зверненні до системи формується профіль навчають, і визначається його початковий рівень знань на основі заповнюваної їм карти базових компетенцій для початку навчання. На цьому етапі АМІКіДПО отримує інформацію від КАО. Після завершення чергового етапу навчання або виборі учнем режиму тестування компетенцій АМІКіДПО взаємодіє з АОНК, який використовуючи модель компетенцій встановлює відсутню компетенцію для визначення рівня знань з даної компетенції. Для цього формується індивідуальна траєкторія тестування АФТК і АФІТТ, створюється індивідуальна середу тестування АІСТ і формуються еталонні оцінки для тестів АФЕО. Для наповнення середовища тестування використовуються тестові ресурси РРТ.

Навчання може включати роботу з основними навчальними курсами (для формування необхідних компетенцій) і з додатково сформованими навчальними курсами - для усунення виявлених прогалин, які не дозволяють студенту засвоїти новий курс.

Для більш якісної оцінки знань передбачається використовувати онтології для необхідних компетенцій і на їх основі будувати індивідуальні траєкторії навчання і тестування.

8.2 Формалізація процесу тестування на основі автоматного підходу

Агент індивідуальної середовища тестування реалізує тестування учня за індивідуальною траєкторії тестування для формованої компетенції. Процес тестування реалізується відповідно до автоматної моделлю тестування. У АІСТ цю модель реалізує компонент «Оцінка результатів тестування». Індивідуальна траєкторія тестування містить тестові завдання 4 х рівнів складності: оцінка знання модуля на «3», «4», «5» і на «творчому рівні». Дана шкала є універсальною, так її можна записати і у вигляді 12 бальної шкали [6], і у вигляді 100 бальної шкали оцінювання, розбиваючи результати на діапазони, які будуть ставитися до представлених рівнями складності.

На каждом уровне сложности тестового задания вводится интегрированный коэффициент знания z, учитывающий как показания усвоения текущего материала, так и такие параметры как степень осознанности материала, коэффициент автоматизации ответа и весовой коэффициент, направленный на варьирование пороговой величины уровня сложности прохождения задания. Для успешного прохождения i-го уровня сложности тестового задания, обучаемый должен получить коэффициент z>0,7. Таким образом, система будет автоматически предоставлять обучаемому различные уровни сложности тестовых заданий, выявляя тем самым его реальные знания.

На кожному рівні складності тестового завдання вводиться інтегрований коефіцієнт знання z, що враховує як свідчення засвоєння поточного матеріалу, так і такі параметри як ступінь усвідомленості матеріалу, коефіцієнт автоматизації відповіді і ваговий коефіцієнт, спрямований на варіювання порогової величини рівня складності проходження завдання. Для успішного проходження i-го рівня складності тестового завдання, учень повинен отримати коефіцієнт z> 0,7. Таким чином, система буде автоматично надавати кого навчають різні рівні складності тестових завдань, виявляючи тим самим його реальні знання.

Побудуємо модель тестування на основі автоматного підходу, використовуючи кінцевий автомат Мілі. Автомат задається кортежем:

А = {X, Y, S, σ, λ}

где Х = {X0, X1, X2} – вхідний алфавіт автомата, який представляє собою значення результату i-го рівня складності тестових завдань. X0 - результат тесту z = 0,7; X1 - результат тесту z> 0,7; X2 - результат тесту z <0,7;

Y = {Y0, Y3, Y4, Y5, YT} – вихідний алфавіт автомата, який являє собою результат тесту (оцінка). Y0 - оцінка 2; Y3 - оцінка 3; Y4 - оцінка 4; Y5 - оцінка 5; YT - учень досяг оцінки творчого рівня, зокрема за методологією В.П. Беспалько це означає, що набрано від 10 до 12 балів;

S = {S0, S1, S3, S4, S5, ST} – алфавіт внутрішніх станів автомата, який представляє собою рівень складності тестових завдань і точку зупинки автомата. S1 - зупинка роботи автомата, S3 - складність питань на оцінку 3, S4 - складність питань на оцінку 4, S5 - складність питань на оцінку 5, ST - творчий рівень складності;

S0 – початковий стан автомата (у момент часу t = 0), визначає залежно від індивідуальної траєкторії навчання, групу питань для визначення наступного рівня складності тестових завдань;

σ(Si, Xj)– функція переходів, здійснює залежно від стану і вхідного значення алфавіту автомата перехід до наступного рівня складності тестових завдань або завершення тесту;

λ(Si, Xj) - функція виходів автомата, показує залежно від стану і вхідного значення алфавіту автомата оцінку, зароблену учнем.

Діаграма станів автомата Милі наведена на рис. 2. Автомат дозволяє виявляти ступінь вивчення навчального модуля, видаючи на виході результат засвоєння, який буде використовуватися для рішення про перехід до наступного етапу навчання.

Рисунок 2 – Формалізована модель тестування

Рисунок 2 – Формалізована модель тестування

Описана модель тестування дозволяє оптимізувати час якого навчають, так як в стан S0 тест орієнтований на інтегрований показник успішності і за нього він може отримати оцінки від двох до чотирьох. Таким чином, якщо в стані S0 на вхід надходить результат Х1, то автомат переходить в стан S5 і на виході видається результат Y4. У стан S5 видаються тестові завдання вищої складності й оцінюються знання на оцінку 5. Система в цьому випадку пророкує вихідний сигнал Y4. Вихідний сигнал на переході в стан S1 зберігається в динамічному профілі учня і може використовуватися як вхідний алфавіт для моделі переходів між модулями знань у КАО.

Висновки

Запропонована система може використовуватися для підвищення якості навчання на основі компетентнісного підходу. Застосування репозиторію тестових ресурсів дозволить накопичувати тестові завдання для необхідних компетенцій і на їх основі будувати індивідуальні тести. Використання даної системи дозволить автоматично формувати послідовність надання навчального матеріалу - програму основного і повторного навчання, у відповідності з поточними компетенціями кого навчають.


При написанні цього реферату магістерська робота ще не завершена. Остаточне завершення: грудень 2013 року. Повний текст роботи та матеріали по темі можуть бути отримані у автора або його керівника після зазначеної дати.

Лiтература

1. Тельнов Ю.Ф. Управление компетенциями в самообучающейся организации / Ю.Ф. Тельнов // V-я Международная научно-практическая конференция «Интегрированные модели и мягкие вычисления в искусственном интеллекте», Коломна, 2009.

2. Carbonell J.R. AI in CAI: an Artificial Intelligence Approach to Computer-Aided Instruction // IEEE Transactions on Man-Machine Systems. – 1970. – Vol. MMS-11. – №4.

3. Стефанюк В.Л. Введение в интеллектуальные обучающие системы.учебно-методическое пособие / В.Л. Стефанюк. – М.: Росийский университет дружбы народов, – 2002. – 59 с.

4. Брусиловский П.Л. Интеллектуальные обучающие системы / П.Л. Брусиловский // Информатика. Информационные технологии. Средства и системы. – 1990. – № 2. – С. 3-22.

5. Петрушин В.А. Экспертно-обучающие системы / В.А. Петрушин. – Киев: Наукова думка, – 1992. – 352 с.

6. Tang, T.Y., Wu, A. The implementation of a multi-agent intelligent tutoring system for the learning of computer programming // Proceedings of 16th IFIP World Computer Congress-International Conference on Educational Uses of Communication and Information Technology. (ICEUT). 2000. pp. 56-67

7. Lopes F., Mamede N., Novais A. Q. and Coelho H. 2000. Towards a Generic Negotiation Model for Intentional Agents// In Proceedings of the IEEE Workshop on Agent-Based Information Systems (London, UK). IEEE Computer Society Press, CA, Р. 433-439.

8. Корнеев Д.Г., Тельнов Ю.Ф., Козлова О.А. МОДЕЛЬ ДИНАМИЧЕСКОЙ СИСТЕМЫ ФОРМИРОВАНИЯ КОМПЕТЕНЦИЙ НА ОСНОВЕ АГЕНТНО-ОРИЕНТИРОВАННОГО ПОДХОДА ИНФОРМАЦИОННО-КОММУНИКАЦИОННЫЕ ТЕХНОЛОГИИ В СФЕРЕ КУЛЬТУРЫ // Сборник научных трудов по итогам Международной научно-методической конференции (г. Саратов, 19-24 сентября 2011 г.) C. 14-16

9. Рыбина Г.В. Автоматизированное рабочее место для построения интегрированных экспертных систем: комплекс АТ-ТЕХНОЛОГИЯ / Г.В. Рыбинa // Новости искусственного интеллекта. 2005. № 3. С. 69-87.

10. Рыбина Г.В. РЕАЛИЗАЦИЯ КОМПЕТЕНТНОСТНОГО ПОДХОДА К ОБУЧЕНИЮ НА ОСНОВЕ РАЗРАБОТКИ ОБУЧАЮЩИХ ИНТЕГРИРОВАННЫХ ЭКСПЕРТНЫХ СИСТЕМ / Г.В. Рыбина // Научная сессия МИФИ-2008. Сборник научных трудов. Т.10: Интеллектуальные системы и технологии. М.: МИФИ, – 2008. – 41 c.

11. IMS Question and Test Interoperability Implementation Guide [Электронный ресурс]. – Режим доступа: http://www.imsglobal.org/question/qtiv2p1pd2/imsqti_implv2p1pd2.html - Загл. с экрана.

12. Система прохождения и создания тестов DiTest.v2 [Электронный ресурс]. – Режим доступа: http://ditest.edu.nstu.ru/ - Загл. с экрана.

13. «INDIGO» – программа для создания тестов и тестирования [Электронный ресурс]. – Режим доступа: http://indigotech.ru/ - Загл. с экрана.

14. Редактор электронных курсов CourseLab [Электронный ресурс]. – Режим доступа: http://websoft.ru/db/wb/root_id/ courselab/ doc.html - Загл. с экрана.

15. ФЕДОРУК П.І. ГРАФО-АВТОМАТНА МОДЕЛЬ АДАПТИВНОЇ СИСТЕМИ ДИСТАНЦІЙНОГО НАВЧАННЯ ТА КОНТРОЛЮ ЗНАНЬ / П.І. ФЕДОРУК // Математичні машини і системи, – 2006. – № 4.

16. Таран Т.А., Сирота С.В. Технология обучения понятиям в интеллектуальных обучающих системах // Новости искусственного интеллекта. – 2006. – №6.

17. Федяев О.И., к.т.н., доц, Жабская Т.Е., аспирант, Лямин Р.В. Система индивидуального обучения студентов агентно-ориентированного типа // Конференция – г.Киев, – 2008.

18. Лямин Р.В. Многоагентная система обучения студентов на кафедральном уровне / Р.В. Лямин // автореферат к магистерской работе [Электронный ресурс]. – Режим доступа: http://masters.donntu.ru /2008/fvti/lyamin/diss/index.htm

19. Вороной А.С., Егошина А.А. Средства интеграции онтологий предметных областей для баз знаний интеллектуальных обучающих систем // Искусственный интеллект – 2’2010 – C. 65-73