ОСНОВНЫЕ ПРИНЦИПЫ РАЗВИТИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ ДИСТАНЦИОННОГО ОБУЧЕНИЯ Направления развития

ОСНОВНЫЕ ПРИНЦИПЫ РАЗВИТИЯ ИНТЕЛЛЕКТУАЛЬНЫХ
СИСТЕМ ДИСТАНЦИОННОГО ОБУЧЕНИЯ
В.М. Курейчик kur@tsure.ru, В.В. Курейчик vkur@tsure.ru,
Ю.А. Кравченко krav-jura@yandex.ru
Технологический институт Южного Федерального университета
1.
Направления развития систем дистанционного обучения.
Построение обучающих систем традиционно базируется на моделировании
диалога составлено из цепочки опросно-ответных структур. Каждый шаг
диалога определен заранее сформированной им динамически генерируемой
системы набора правил. В такой модели инициатива остается за
разработчиком системы, а пользователю относится пассивная роль.
Основным
направлением
повышения
эффективности
автоматизированных систем обучения и контроля качества знаний является
использование для их построения технологий искусственного интеллекта.
Схема испытания должна быть: адаптивной, распределенной и
неоднозначной. Особенностью такого испытания является выявление
скрытых знаний.
Для реализации представленной схемы система может содержать
следующие основные функциональные модули.
Модуль адаптивного тестирования позволяет производить
промежуточный (рейтинговый) контроль знаний обучаемых, в подсистеме
используются алгоритмы адаптации уровней сложности вопросов системы к
уровню знаний обучаемого.
Система задает некоторое количество вопросов текущего уровня
сложности, (это количество зависит от параметров теста) далее производится
анализ результата прохождения уровня, и на основе результатов этого
анализа уровень сложности может быть повышен или понижен. Чтобы по
возможности не допустить прохождения теста «наугад», в процессе
тестирования система задает вопросы из области незнания студента, которая
определяется при помощи разбиения тестируемого материала на темы, при
этом каждый вопрос может принадлежать только к одной теме.
Создание тестов может проходить в режиме on-line через Интернет,
либо в режиме локального редактирования и создания тестов. В этом случае
используется соответствующий модуль, который может интегрировать
разработанные локально тесты в хранилище тестов, доступное пользователям
через Интернет. Аналогичным образом может использоваться модуль
локального тестирования. Зачастую он решает задачи, связанные с
самооценкой знаний учащихся в процессе обучения.
Модуль статистики и анализа результатов тестирования
формирует ведомости, анализирует успеваемость студентов, предлагает
статистику обучения, дает рекомендации по результатам тестирования с
целью повысить уровень знаний группы учащихся или конкретного студента.
Модуль методов интеллектуальной поддержки тестов необходим
для улучшения качества контроля знаний и ускорения процесса тестирования
путем осуществления предварительной классификации студентов.
Интеллектуальные средства обучения и тестирования включают: мониторинг
процесса обучения, обучающие экспертные системы, игровые обучающие
программы, модули промежуточного и адаптивного тестирования.
Мониторинг процесса дистанционного обучения подразумевает
контроль деятельности обучаемого, построение его индивидуальной модели
и генерацию управляющих решений по корректировке поведения обучаемого
для достижения им поставленных целей обучения (рис.1).
Модуль верификации и проверки валидности тестов. 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.
Рис. 1. Схема мониторинга процесса обучения
Помимо представления и контроля знаний, в системах
дистанционного обучения предусматривается наличие обратной связи.
2. Возможности использования нейронных сетей. Благодаря своим
способностям к самоорганизации и обучению, искусственные нейронные
сети (ИНС) рассматриваются как перспективные средства. Основным
препятствием на пути построения обучающих систем на основе
искусственных нейронных сетей является необходимость работы с
неточностью, неопределенностью и частичной истинностью. Наибольшего
успеха в развитии интеллектуальных систем можно достичь только путем
комбинации методологий теории нечетких множеств, нейронных сетей,
генетических алгоритмов и вероятностных вычислений. Нечеткая логика
лежит в основе методов работы с неточностью, гранулированием
информации, приближенными рассуждениями, вычислениями со словами.
Нейровычисления отражают способность к обучению, адаптации и
идентификации. Генетические алгоритмы позволяют систематизировать
случайный поиск и достигать оптимального значения характеристик.
Вероятностные вычисления обеспечивают базу для управления
неопределенностью.