DIFFERENT ASPECTS OF INTELLECTUAL TEACHING SYSTEM BASED ON PROBLEM SITUATION

Abstract

Special system of remote teaching based on problem situation is developed. The novelty of research is that the sys- tem is based on problem situations and universal for many domains. This system allows to transfer experiences of ex- perts from an expert to a student and makes this process more effectively. Domain experts form a knowledge base, teachers create tasks, and students solve tasks. This system is self-learning system. It learns and gives to teacher advice about method of teaching. Teaching system develops as web-application.

Full Text

Основной проблемой исследования является раз- витие у обучаемых умений и навыков эффективных и оптимальных действий в условиях проблемных ситуа- ций. Увеличивающийся информационный поток, ус- ложнение технических объектов обслуживания и раз- витие взаимосвязей между отдельными объектами различных систем выдвигают критерий эффективно- сти и оптимальности действий при локализации про- блем на первое место. Вместе с тем, решение про- блемных ситуаций при обучении различным дисцип- линам способствует развитию аналитического и логи- ческого мышления, необходимого во всех сферах практической деятельности. Кроме того, решение данной проблемы с возможностью развития навыков особенно важно в дистанционном обучении. Объек- том исследования в работе выступает процесс приоб- ретения навыков и опыта при решении проблемных задач в ходе изучения различных естественнонаучных дисциплин. Предметом исследования является техно- логия реализации методики проблемного обучения для развития навыков эффективных и оптимальных действий с помощью специальной интеллектуальной обучающей системы в условиях дистанционного обра- зования. В настоящее время разрабатывается и создается интеллектуальная обучающая система открытого об- разования на основе проблемных ситуаций. Разработ- ку данной системы можно воспринимать под разным углом. Доминируют два основных взгляда на систему. Во-первых, новизна ее состоит в воплощении интел- лектуальности системы с помощью комплекса раз- личных самообучающихся и адаптивных алгоритмов. Здесь можно говорить о технической стороне работы. Во-вторых, система рассматривается как инструмент реализации проблемного обучения. Цель ее состоит в представлении эффективности обучения с помощью обучающей системы как инструмента. Здесь можно говорить о методической стороне работы. С методи- ческой стороны деятельностные задачи, особенно на- правленные на преодоление проблем, являются наи- более эффективными. Разрабатываемая система явля- ется оригинальным воплощением методики проблем- ного обучения в дистанционном образовании. Обучающая система ставит обучающегося на ме- сто эксперта, который, имея цель и противоречие, возникающее при достижении этой цели, должен най- ти причину проблемы. Система собирает информацию о поведении обучаемых при решении проблемных ситуаций, определяет класс задач, который задает преподаватель в тех или иных условиях. В итоге ана- лизируется и выделяется наиболее оптимальная по- следовательность действий для обучения конкретного студента. Другими словами, система накапливает и анализирует преподавательский опыт и применяет его в автономном режиме обучения. В реальной практике формализованные знания могут сформировать экспер- ты в предметной области. Поэтому именно эта катего- рия пользователей системы должна наполнять экс- пертную базу знаний проблемных ситуаций. Препода- ватель, имея глубокие знания о методах и технологиях обучения, соединяет конкретные проблемные задачи с разделами того или иного курса и влияет на приобре- тение опыта обучаемыми, а также на эффективность самого процесса обучения. Вследствие этого, в данной обучающей системе происходит разделение пользова- телей на три группы: эксперты, преподаватели и сту- денты. Описываемая обучающая система является ярким примером проективной стратегии обучения, основан- ной на принципе «многие-ко-многим» [1]. Здесь опыт многих экспертов используют множество преподава- телей для обучения многих студентов. С учетом раз- вития сети Интернет как глобального телекоммуника- ционного пространства подобную систему наиболее эффективно реализовывать в виде web-приложения. Система функционирует на основе экспертной базы знаний, которая реализована в реляционной базе дан- ных. Вычислительные алгоритмы выполнены на платформе NET Framework. Обучающая система уст- роена так, что она позволяет моделировать проблем- ные ситуации и технологию их устранения. Предла- гаемая универсальная компьютерная система будет иметь отличия как от реальных жизненных условий, так и от узкоспециализированных имитационных тре- нажеров и представлять нечто среднее. Анализируя возможные типы проблемных ситуаций в различных источниках [2-4], можно сделать вывод, что сущест- вует несколько основных их видов: поиск цели, поиск способа действий, поиск недостающего условия, оп- ределение проблемы. Одним из наиболее распростра- ненных видов является поиск недостающего условия, поэтому он реализован в системе в первую очередь. Если обучаемый имеет достаточный опыт в предмет- ной области, то, используя инструменты проверок предположений и запуска запросов для определения выполняемости гипотез, возможно точно и оптималь- но выявить причину проблемы в задаче. Основываясь на показателях оптимальности решения, характери- стиках задачи и самого обучаемого, выносится реше- ние о типах и методах воздействия на студента. В основе структуры знаний лежат два типа объек- тов - цель и условия для ее достижения. Формально структура выражается в продукционных правилах или в виде древовидной структуры. Каждый узел данного дерева (рис. 1) представляет собой цель, для достиже- ния которой необходимо выполнение конкретных ус- ловий. Каждое условие может быть простым или сложным, т. е. требовать для своего выполнения более глубокие условия. В данной системе предусмотрены узлы следующих типов: обычное условие - условие для цели в обычном его понимании; альтернатива - данный тип условия необходим в сложных ситуациях, когда цель может выполняться на различных множествах альтернативных условий. На- пример, цель «передача данных по сети» требует раз- личных условий в зависимости от типа сети («Ethernet», «Wi-Fi» и т. д.). В конкретной создавае- мой задаче работает только одна групп альтернатив в каждом уровне целей; группа условий - узел, группирующий множест- во условий. Все условия цели должны удовлетворять следую- щим требованиям: неизбыточность - не должно быть лишних усло- вий, без которых цель и так выполняется; непротиворечивость - одновременное выполне- ние условий не должно приводить к противоречиям; независимость - выполнение некоторого усло- вия не должно зависеть от одного или нескольких ус- ловий, принадлежащих данной цели. Таким образом, каждое условия должно быть ато- марным, независимым, и как можно более простым. Если некоторое условие или условия не выполняются относительно некоторой цели, возникает проблема (противоречие, ошибка, неполадка). Формирование базы проблемы происходит на основе таблицы с по- лями: цель, отсутствующее условие, проблема. На основе этой базы данных определяются проблемы для конкретной задачи, а также вычисляются основные ее характеристики, например, сложность. Базу знаний вместе с базой проблем создают эксперты в предмет- ной области. Проблемную задачу создает преподава- тель, данный процесс состоит из нескольких шагов: выбор исходной цели, выбор альтернативных ветвей, выбор отсутствующего условия или условий. Эти данные совместно с дополнительной информацией оформляются в виде задачи. Перед началом решения задачи студент видит исходные данные: цель задачи и описание проявления проблемы. После начала реше- ния задачи обучаемому становятся доступными инст- рументы решения задачи. Вся технология ее решения сводится к поиску проблемы, т. е. отсутствующего условия или условий, если их несколько, используя при этом дополнительную информацию о выполнении других условий. Поиск условий производится по клю- чевым словам, а в виде результата возвращается ин- формация о том, выполняется условие или нет. В ходе проведения проверок анализируется информация об оптимальности действий студента. Так, оптимальны- ми проверками считаются те, которые уменьшают степень неопределенности причины проблемы. При обучении контролируются параметры самой задачи, а также изменяющиеся характеристики обучаемых. Контролю подлежат следующие параметры задач: глубина условия - номер уровня от цели, на ко- тором находится отсутствующее условие; сложность задачи - количество условий, при не- выполнении которых относительно данной цели воз- никает аналогичная проблема; трудоемкость задачи - количество невыполнен- ных условий в задаче. Вычисляются следующие параметры студентов по решенным задачам: уровень оптимальности, т. е. отношение количе- ства относящихся к локализации проблемы проверок к общему числу проверок; среднее приращение неопределенности причины проблемы в задачах; среднее количество нерешенных задач. В ходе работы системы контролируются также примененные воздействия. В результате анализа ста- тистической информации имеется возможность опре- делить оптимальную серию воздействий. Это даст возможность эмулировать действия преподавателя по обучению студентов в зависимости от начального со- стояния обучаемого. Для решения этой задачи разра- ботаны два режима работы системы: режим обучения с учителем и автономный самообучающийся режим. Первые несколько циклов работы система функцио- нирует в режиме обучения с учителем (рис. 2). При накоплении достаточного объема данных и формиро- вании четко выраженной модели обучения система переводится в автономный режим работы. В данном режиме система лишь корректирует модель, продол- жая самообучаться [5]. На первом этапе этого режима собирается информация об обучаемых на основании решенных проблемных задач. Массив данных класте- ризуется на N кластеров, чтобы выделить определен- ные группы обучаемых, на которых возможно дейст- вовать одним и тем же методом. При первом проходе цикла после этапа кластери- зации данных построение модели переходов пропус- кается и происходит только на следующем цикле. Да- лее система вычисляет, из каких кластеров в какие перешли студенты. На каждом цикле вероятности пе- реходов уточняются с помощью вычисления средне- взвешенного значения на основе предыдущего и теку- щего значений. С течением времени образуется слож- ная сетевая структура переходов обучаемых (рис. 3). Аналитическая информация предоставляется учи- телю, он выбирает способы воздействия на обучае- мых. Методы воздействия заключается в задании но- вых задач, указании ссылок на теоретический матери- ал и т. д. Когда модель переходов приобретает ярко- выраженный характер, система переводится в режим автономного обучения. В этом случае этап построения модели заменяется корректировкой модели, она про- изводится с учетом новых данных. Определение воз- действий происходит на основании методов оптими- зации. image Рис. 1. Схема фрагмента дерева базы знаний image Рис. 2. Схема обучения системы image Рис. 3. Общая структура переходов обучаемых между кластерами во времени Выбор серии воздействий на основе модели пере- ходов можно рассматривать как оптимизацию сто- хастического процесса с дискретным контролем вре- мени при нечетко заданных условиях. Данная задача решается методом Беллмана-Заде [6]. Начальные условия для процесса оптимизации задаются препо- давателем в виде указания функции принадлежности наиболее предпочтительного кластера студентов. Чем ближе значение этой функции к единице, тем большее имеется желание, чтобы данный кластер был конечным в процессе обучения студента. Систе- ма вырабатывает последовательность действий с лю- бого момента времени для обучаемого из любого кластера. Основными алгоритмами системы являются следующие: автоматическая кластеризация объектов в N- мерном пространстве; автоматическое решение задачи оптимизации стохастического процесса методом Беллмана-Заде; вычисление уровня оптимальности решения за- дачи. В качестве алгоритма автоматической кластериза- ции выбран «горный» алгоритм [7], так как он позво- ляет произвести автоматическую кластеризацию при отсутствии информации о количестве кластеров. Для оптимизации центров кластеров используется алго- ритм k-средних [7; 8]. Оптимальное количество кла- стеров выбирается исходя из минимума отношения среднего внутрикластерного расстояния и среднего межкластерного расстояния [9]. Общая схема алго- ритма выглядит следующим образом: Определить центр N-го (1-го) кластера. Оптимизировать центр по алгоритму k-средних. Определить отношение сn среднего внутрикла- 1.2. В множестве условий нет истинной причины. Тогда каждое из n0 условий будет локализовано на 1, так как среди них точно нет истинной причины и их можно исключить из дальнейшего рассмотрения. Об- щий уровень неопределенности будет равен p = p - n0 , 1 0 N где N общее количество условий, вызывающих анало- гичную проблему. Реализуя следующую проверку, имеем ряд вари- антов: Пусть проверка покрыла n1 условий, где n1 < n0, т. е. множество покрываемых условий сузилось относительно одного из предыдущих покрытий. Если причина проблемы присутствует в по- крытии, то через n1 шагов неопределенность умень- æ n1 ö стерного расстояния и среднего межкластерного расшится на p2 = p1 - ç å(1- ci )÷ / n1 , где ci - уровень локастояния. 4. Если сn < сn - 1 , то остановить кластеризацию, иначе вернуться к п. 1. è i =1 ø лизации i-го условия из множества условий n1. Уро- вень локализации каждого условия будет равен Работа алгоритма Беллмана-Заде заключается в 1- c n 1 - c определении оптимальной последовательности возimage 1 c = = n +1 (n k , или c +1)(n +1) = . В начале редействий и переходов между состояниями в опреде- 0 0 image 1 0 1 шения c0 = 0. k -1 image nk +1 ленные моменты времени для достижения наиболее желаемого класса. Критерием в данном случае служит мнение учителя. В базе данных хранится информации об обучаемом и протокол событий, в котором указы- вается в какие моменты времени, в каких классах на- ходился обучаемый, а также каким методом в этот момент на него воздействовали. На основе этих дан- ных формируется модель переходов, затем алгоритм Беллмана-Заде рассчитывает оптимальную последо- вательность переходов. За каждой проверкой пользователя необходимо вычислить оптимальность его действий. В начале ре- шения задачи уровень неопределенности причины принимается равным 1, и с каждым шагом она должна снижается до 0. Если значение не меняется, значит обучаемый действует неоптимально. Подозреваемое условие - это такое простое условие, невыполнение которого приводит к появлению той же проблемы, что и в данной задаче. Алгоритм действий: Пусть текущая проверка покрывает n0 условий из N. Естественно, ni натурально всегда. Имеем два варианта: В множестве затронутых условий есть истин- 2.1.2. Если причина отсутствует во множестве ус- ловий покрытия, то уровень локализации каждого ус- ловия дополняется до 1, а общий уровень неопреде- ленности уменьшается на следующее значение: n1 å(1- ci ) image i =1 . n1 Пусть n1 ∩ n0, т. е. множество покрываемых условий пересекается относительно одного из преды- дущих покрытий. Если причина проблемы присутствует в по- крытии, тогда для тех условий, которые находятся в пересечении, уровень локализации вычисляется ана- логично п. 2.1.1. Для тех, у которых уровень локали- зации равен нулю, вычисляется как в п. 1.1. Если причина отсутствует во множестве по- крытия, то аналогично п. 2.1.2. Пусть n1 > n0, т. е. множество покрываемых условий расширилось относительно одного из преды- дущих покрытий. Это означает, что шаг не приносит никакого уменьшения неопределенности, и она оста- ется прежней. Все последующие проверки осуществляются ананая причина. Тогда за n0 + 1 шагов мы однозначно можем проверить n0 проблем и локализовать задачу image логично. Выражение 1 nk +1 всегда меньше единицы, а полностью, т. е. снизить неопределенность причины проблемы до 0. Соответственно, этот шаг снижает неопределенность решения задачи до следующего значения: 1 ci ® 1, когда i ® ∞. То есть любую задачу можно ло- кализовать и снизить неопределенность pi с 1 до 0. Как известно, образовательной технологией назы- вается комплекс, состоящий из следующих элементов: некоторого представления планируемых резуль- p1 = p0 - image , n0 + 1 татов обучения; средств диагностики текущего состояния обу- где p0 - текущая неопределенность (в начале решения равно 1). Каждое из покрытых условий будет локализовано чаемых; набора моделей обучения; критериев выбора оптимальной модели для данна ci = image 1 . n0 +1 ных конкретных условий. Описываемая обучающая система требует инфор- мацию лишь о первом пункте. Средства диагностики представляются самой системой, набор моделей фор- мируется в процессе накопления данных, критерии выбора оптимальной модели вычисляются с помощью методов оптимизации стохастических процессов с дискретным контролем времени. Обучающая система находит применение в двух формах: как специальная система дистанционного обучения и как дополнительный инструмент класси- ческого обучения. В первом варианте взаимодействие преподавателя и обучаемого происходит только с по- мощью обучающей системы. Во втором - преподава- тель применяет систему как инструмент решения за- дач в обычной практике. Данная система внедряется на кафедре информатики и вычислительной техники Красноярского государственного педагогического университета имени В. П. Астафьева, а также на ка- федре информатики в Ачинском филиале КГПУ на курсах Архитектуры ЭВМ и Компьютерные сети. Система доступна по адресу http://pl96.achcity.com/tree. В результате проведенного исследования разработаны оригинальная технология обучения на основе проблемных ситуации и специальная интеллектуаль- ная обучающая система на основе адаптивных алго- ритмов. Основная особенность и новизна обучающей системы состоит в том, что, обучаясь в процессе обу- чения студентов, система накапливает информацию об успешных методиках, и далее может как самостоя- тельно применять их, так и предлагать учителю набор эффективных управляющих воздействий. В этом пла- не система включает в себя функции управления про- цессом обучения. Уникально и то, что небольшая на- чальная экспертная информация в базе знаний позво- ляет преподавателю выстраивать сравнительно боль- шое число проблемных ситуаций, которые охватыва- ют широкий диапазон тем по различным дисциплинам обучения. Важнейшим показателем эффективности применения этой специальной обучающей системы является существенная индивидуализация обучения. После исследования индивидуальных характеристик конкретного обучаемого в любой момент времени, система способна показать, какими сериями воздейст- вий обучать его наиболее эффективно, а какие после- довательности использовать не стоит. Здесь можно говорить о системе в контексте обучения учителя - это еще одно важное свойство данной разработки яв- ляется весьма новым для обучающих систем подобно- го рода.