Трейбач Анна Львовна

ГОУ ВПО Магнитогорский государственный университет

Аннотация

В докладе представлена концепция интеллектуальной обучающей системы (ИОС) на основе агентов. ИОС будет включать в себя следующие технологии: построение последовательности курса обучения, интеллектуальный анализ ответов обучаемого, интерактивная поддержка в решении задач, помощь в решении задач основанная на примерах. В работе приведена схема работы ИОС, определен функционал ИОС, а также описаны основные классы онтологии для работы агентов.

Ключевые слова: Интеллектуальные обучающие системы, агентные технологии, онтологии.

I. ВВЕДЕНИЕ

Развитие системы образования обусловлено применением новых технологий. Применение искусственного интеллекта в обучении породило новое направление, которое подразумевает новую методологию психологических, дидактических и педагогических исследований по модели поведения обучаемого, что в свою очередь сделало перспективным направление интеллектуальных обучающих систем (ИОС), объединяющих искусственный интеллект и технологии Интернет.

Цель проекта: разработать интеллектуальную обучающую систему, включающую в себя следующие технологии: построение последовательности курса обучения, интеллектуальный анализ ответов обучаемого, интерактивная поддержка в решении задач, помощь в решении задач основанная на примерах. 

Для достижения поставленной цели были решены следующие задачи: проведено исследование современных технологий в области ИОС, а также разработана концепция ИОС на основе выбранной «интеллектуальной» технологии.

II. ОСНОВНАЯ ЧАСТЬ

Понятие ИОС зародилось в 1970 году в работах Дж. Карбонелла, в 80-е годы XX века были предложены различные классификации обучающих систем, включая ИОС в работах таких ученых как В. Стефанюк, П. Брусиловский, В. Петрушин. При разработке обучающих систем используются нейросетевые технологии, методы машинного обучения, генетические алгоритмы, методы эволюционного моделирования и другие. Обучающие системы строят модель целей, предпочтений и знаний каждого индивидуального студента и использует эту модель в течение всего времени взаимодействия со студентом для адаптации к нуждам этого студента. Самые первые адаптивные сетевые обучающие системы были разработаны в 1995-1996 гг. (Brusilovsky, Schwarz & Weber, 1996; Brusilovsky, Schwarz & Weber, 1996; De Bra, 1996; Nakabayashi et al., 1995 Okazaki, Watanabe & Kondo, 1996). С того времени большое количество систем было создано по всему миру. Большинство адаптивных сетевых обучающих систем основаны на технологиях, разработанных в области Адаптивной Гипермедии (Brusilovsky, 1996) и Интеллектуальных Обучающих систем (Polson & Richardson, 1988). В начале 2000 года происходит следующий шаг в развитии ИОС – появление агентно-ориентированных ИОС (Танг, Лопес и др.) с наличием агента интерфейса преподавателя, агента интерфейса обучаемого, агента координатора взаимодействий, агента доступа к знаниям в процессе обучения, агента онтологий [1, 2, 3].

Обзор существующих интеллектуальных обучающих систем, дает следующие виды технологий в интеллектуальных обучающих системах [8]: 

·         Построение последовательности курса обучения, данная технология позволит обеспечить обучаемого индивидуально спроектированным курсом обучения, разработанным специально для него. Технология реализована в следующих системах: ELM-ART-II, InterBook, Tutor, KBS-Hyperbook и других.

·         Интеллектуальный анализ решений обучаемого – технология, определяющая верно ли предложенное обучаемым решение, или нет, анализирующая его на допущенные ошибки и полноту, также возможно определение недостающих знаний, которые привели к совершению ошибки. Примером применения данной технологии служит система PROUST.

·         Интерактивная поддержка в решении задач – технология, которая позволяет предоставлять обучаемому помощь на каждом шаге решения задачи. На практике данная технология реализована в - LISP-TUTOR.

·         Технология поддержки в решении задач на примерах основывается на опыте решения задач обучаемым, позволяет решать новые задачи на основе примеров из ранее решенных. Пример реализации: ELM-ART.

 Предполагается создание интеллектуальной обучающей системы, включающей в себя следующие технологии: построение последовательности курса обучения, интеллектуальный анализ ответов обучаемого, интерактивная поддержка в решении задач, помощь в решении задач основанная на примерах.. Для решения поставленной задачи предполагается использование агентов. Агентские технологии предполагают использование программных  агентов, которые обладают некоторыми знаниями об окружающем мире, данные знания позволят агентам принимать решения в заданной проблемой области без участия пользователя. Особенностью технологии является возможность создания «универсальных» агентов, которые могут быть спроектированы изначально для другой области. Таким образом, разработав агентов для одной предметной области, и внеся в них некоторые изменения, мы сможем их использовать в другой области (при обучении другому предмету, со своей спецификой).

В разрабатываемом концепте ИОС предполагается применение в качестве методической основы для создания открытых агентских систем - модели сети потребностей и возможностей. Главной особенностью подхода становится самоорганизация между потребностями и возможностями системы. Концепция сети «потребности – возможности», для решаемой задачи представлена на рисунке 1. В ИОС агентам отводится роль для оценки потребностей в новой информации, построения модели обучения, контроля выполненных работ, их оценивание и в соответствии с полученным результатом проведение корректировок в плане обучения. Все перечисленные функции агенты производят за счет переговоров между собой (отношений матчинга). Отношение матчинга связывает между собой концепты потребностей в информации - чему необходимо обучить учащегося, заполнить определенные пробелы в знаниях, и возможностей - информацией, которая хранится в базе знаний. Для каждого концепта класса объектов онтологии создается агент возможности, с переговорами с которыми могут вступить агенты потребностей в знаниях, матчинг между агентами состоится в том случае, если агенты сумеют договориться, т.е. предлагаемые знания агента ресурсов (возможностей) соответствуют предъявляемому запросу агента потребностей. В качестве дополнительной информации в отношении матчинга указываются: условия матчинга, условия выбора предложений, задания на расчет атрибутов и обработчики событий. По результатам отношений матчинга между агентами стоится индивидуальный курс обучения [4, 5].  

Рисунок 1. «Концепция сети «потребности – возможности»

По степени развития внутреннего представления внешнего мира, выделяются интеллектуальные (когнитивные, рассудочные) и реактивные агенты. Когнитивные агенты обладают более богатым представлением внешней среды, чем реактивные. Это достигается за счет наличия у них базы знаний и механизма решения. Результаты сравнительного анализа реактивных и когнитивных агентов представлены в таблице 1. Для разработки ИОС были выбраны агенты реактивного типа, данный выбор обусловлен тем, что им легче образовать группу или организацию, способную гибко адаптироваться к изменениям среды, а соответственно и под индивидуальный процесс обучения.

Таблица 1. Сравнительный анализ свойств когнитивных и реактивных агентов

Для работы модуля требуется создание предметной онтологии. Онтология - семантическая сеть знаний предметной области. Данная сеть описывает предметную область на основе таких первичных понятий, как объект и процесс, свойство и отношение, атрибут и некоторые другие, составляющих метаонтологию. Создание такой сети знаний существенно более содержательный и полезный процесс, чем программирование конкретных процедур, поскольку позволяет отделить предметное знание от программ и многократно использовать его в различных приложениях.

В рамках решаемой задачи онтология предметной области будет связывать между собой «знания» преподавателя и существующие/возможные информационные ресурсы, которые и будут являться базой для обучения. Материалы курсов будут представлены в виде разработанных баз знаний, на основании которых будут функционировать агенты, по результатам переговоров, которых будет выстраиваться индивидуальная программа обучения.

В общей структуре ИОС, агенты занимают промежуточный слой между базами данных «регулярной» статистической информации. Для агентов эти БД представляют собой «ресурсы», имеющие различную «ценность». Экспертная информация, которая, являясь в «непроявленном» виде нерегулярной, в результате организованной индивидуальной или групповой экспертизы становится ресурсом для соответствующего агента, хранится в базах данных второго типа. Данная БД представляет собой хранилище моделей обучения, возможных приемов и дополнительной информации, закладываемой преподавателями. Слой ИОС, который представлен агентами и процедурами оценки потребностей в новой информации, проводит моделирование и поиск решения в результате переговоров агентов. В случае «малой ценности» ресурсов или их принципиального отсутствия, здесь генерируются запросы для преподавателя/экспертной группы о необходимости пополнения БД. Онтологии предметной области связывают между собой «знания» преподавателя и существующие/возможные статистические ресурсы [7].

Алгоритм процесса обучения с использованием предлагаемой ИОС представлен на рисунке 3.

Рисунок 3. Алгоритм процесса обучения с использованием ИОС

Агенты ИОС будут функционировать и принимать решения основываясь на онтологию проблемной области. Предполагается выделение следующих классов в онтологии проблемной области [4]:

·         Теоретический материал. Данный класс дробится на темы и подтемы.

·         Практика. Данный класс отражает варианты практических заданий, которые необходимо выполнить обучаемому в изучаемом курсе. Задания данного класса сопровождаются необходимым теоретическим материалом, подсказками, способствующие выполнению.

·         Хрестоматия. Данный класс представляет дополнительные материалы, способствующие изучению предмета, отражает подходы к решению нестандартных задач. Материалы могут представлены как в виде текста, так и в виде мультимедиа материалов.

·         Глоссарий. Отражает основные термины курса, связан с классом «теоретический материал».

·         Контроль. Представлен контрольными точками курса, задачами, которые необходимо решить, для перехода на следующий этап обучения.

·         Статистика. Данный класс представлен набором показателей, по которым оцениваются результаты обучения курса.

Схема взаимосвязей между классами объектов представлена на рисунке 4.

Рисунок 4. Схема взаимодействия между классами онтологии ИОС

В ИОС будет реализован графический интерфейс. На рисунках 5-6 представлен прототип интерфейса, разрабатываемой ИОС.

Рисунок 5. Страница входа в ИОС

Рисунок 6. Страница изучения темы

III. ЗАКЛЮЧЕНИЕ

Интеллектуальные обучающая система должна позволять вести интерактивный диалог с учащимся, функция оперативного контроля позволит оперативно реагировать и подстраиваться системе для более эффективного процесса обучения. В рамках ИОС должна строиться индивидуальная стратегия обучения и тестирования, опирающаяся на уровень индивидуальных знаний, способностей и навыков. Применение современных систем каталогизации и навигации позволит более эффективно использовать информационные ресурсы. ИОС ориентированы и на преподавателя, поэтому необходимо наличие интуитивно понятного интерфейса, который позволит создавать, добавлять, изменять учебный материал, анализировать результаты обучения. Применение ИОС позволит повысить эффективность процесса обучения, сделать его более интерактивным и индивидуальным.

БЛАГОДАРНОСТИ

Данная задача будет решена с использованием программного средства Magenta Toolkit. Это средство предоставлено в рамках договора о сотрудничестве с ГОУ ВПО «Магнитогорский государственный университет» компанией Magenta Technology, Великобритания. Авторы хотят поблагодарить компанию Magenta Technology, Великобритания за предоставленное программное обеспечение, а также за предоставленною документацию и учебную литературу по изучению технологий продвигаемых компанией.

СПИСОК ЛИТЕРАТУРЫ

[1] Brusilovsky, P., Adaptive and Intelligent Technologies for Web-based Education. In C. Rollinger and C. Peylo (eds.), Special Issue on Intelligent Systems and Teleteaching, Konstliche Intelligenz, 4, 19-25. 

[2] Brusilovsky, P. and Nijhavan, H., A Framework for Adaptive E-Learning Based on Distributed Re-usable Learning Activities // In: Proceedings of E-Learn 2002. 

[3] Sergey Sosnovsky, Olena Shcherbinina, Peter Brusilovsky, Web-based Parameterized Questions as a Tool for Learning, in Allison Rossett (ed): Proceedings of E-Learn 2003, Phoenix, Arizona USA, November 7-11, 2003, p. 2151-2154.

[4] Абрамов Д.В., Андреев В.В., Симонова Е.В., Скобелев П.О.. Онтологии разделяемых заказов и ресурсов в задачах динамического распределения ресурсов. Методические указания к лабораторной работе. – Самара: Magenta Technology Development Center, ПГАТИ, 2005. – 55 с.

[5] Андреев В.В., Минаков И.А., Пшеничников В.В., Симонова Е.В., Скобелев П.О.. Основы построения мультиагентных систем // Поволжская государственная академия телекоммуникаций и информатики. Самара, 2007, 151 с.

[6] Гаскаров Д.В. Интеллектуальные информационные системы/ Гаскаров Д.В. // Финансы и статистика. – 2004. - С. 307-332.

[7] Лисьев, Г.А. Мультиагенты и распределенные вычисления в системе поддержки научных исследований (экономика) / Г.А. Лисьев // Системи пiдтримки прийняття рiшень. Теорiя i практика: Збiрник доповiдей науково-практичноi конференцii з мiжнародною участю. – Киiв: IПММС НАНУ, 2010. – С. 14 – 17.

[8] Рузанов Ф.Н., Ишкиняева А.Р. Адаптивные обучающие системы в контексте компетенций специалистов // Электронная Казань 2009: материалы Междунар. науч.-практ. конференции, 27-29 апреля 2009 г. (Казань) . - Казань: ЮНИВЕРСУМ, 2009. – С. 94 – 97.