Главная Публикации РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ ОБУЧАЮЩЕЙ СИСТЕМЫ С ИСПОЛЬЗОВАНИЕМ ОНТОЛОГИЧЕСКОГО АНАЛИЗА ДАННЫХ
РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНОЙ ОБУЧАЮЩЕЙ СИСТЕМЫ С ИСПОЛЬЗОВАНИЕМ ОНТОЛОГИЧЕСКОГО АНАЛИЗА ДАННЫХ
Рейтинг пользователей: / 1
ХудшийЛучший 

История интеллектуальных обучающих систем (ИОС) начинается в 70 годы 20 века в работах Дж. Карбонелла, первые классификации данных систем были предложены в  80е годы такими учеными  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. 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.

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.

ИОС должна достигать интеллектуального и «личного» содействия, которое могло бы быть достигнуто преподавателем или студентом-сокурсником при обычном аудиторном занятии. Также ИОС должна быть настолько адаптивной, чтобы найти подход к каждому обучаемому, учитывая его личные качества и особенности.

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»

 

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].

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 2.

Рисунок 2. Схема взаимодействия между классами онтологии ИОС


Литература

 

  1. CGI:Common Gateway Interface [Electronic resource] / W3C. - Mode of access: http://www.w3.org/CGI/
  2. 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.
  3. OWL 2 Web Ontology Language Primer[Electronic resource] / W3C. - Mode of access: http://www.w3.org/TR/owl2-primer/
  4. 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.
  5. Resource Description Framework (RDF): Concepts and Abstract Syntax [Electronic resource] / W3C. - Mode of access: http://www.w3.org/TR/rdf-concepts/
  6. Vocabulary Description Language 1.0: RDF Schema [Electronic resource] / W3C. - Mode of access: http://www.w3.org/TR/rdf-schema/
  7. Изучение базовых механизмов принятия решений с использованием онтологий при динамическом распределении ресурсов. Методические указания к лабораторной работе / Абрамов Д.В., Андреев В.В., Симонова Е.В., Скобелев П.О.. – Самара: Magenta Technology Development Center, ПГАТИ, 2005. – 54 с.
  8. Онтологии разделяемых заказов и ресурсов в задачах динамического распределения ресурсов. Методические указания к лабораторной работе  /  Абрамов Д.В., Андреев В.В., Симонова Е.В., Скобелев П.О.. – Самара: Magenta Technology Development Center, ПГАТИ, 2005. – 55 с.