Бобрівник К.Є.
Національний університет харчових технологій, Україна
АНАЛІЗ АЛГОРИТМІВ І ПІДХОДІВ ДО РОЗРОБКИ
КОМПОНЕНТІВ МОДУЛЯ СТУДЕНТА
Належний рівень підготовки
майбутніх інженерів особливо потребує забезпечення актуальними методиками і
технічними засобами представлення і обробки навчального матеріалу. Навчальний
процес студента характеризує стан знань – рівні компетентності щодо певної
навчальної цілі. Представлення навчальних знань в електронних засобах є
формальною структуризацією навчального матеріалу, яка дозволяє організувати
взаємодію модуля навчального матеріалу і модуля студента електронного засобу
навчання [1]. Запропонований об'єктний підхід до опису навчального матеріалу, а
саме кожен об'єкт предметної області або дисципліни представлений декількома
видами відображення навчального матеріалу, а також містить тезис (короткий
опис) і перелік понять, що закріплюються після вивчення заданого фрагменту
навчального матеріалу [2].
В комплекті специфікацій
розроблених консорціумом IMS призначених для забезпечення розподіленого процесу
навчання, відкритості засобів навчання, інтероперабельності навчальних систем,
обміну даними про студентів передбачено включення специфікації IMS Learner Information Package Specification – опис даних про студента [2]. Зараз ця специфікація
отримала свій розвиток у електронних засобах навчання. Модуль студента
електронного засобу навчання виконує наступні функції: збирання даних про
навчальні стилі та діяльність студента; розпізнання того, як учень просувається
в навчальному курсі; розпізнання типових відповідей студента. Розділяється на
дві основних складові частини: модель індивідуальних характеристик студента і
модель знань даної предметної області. Модель знань даної предметної області
описує картину знань і умінь студента по курсу, що вивчається, в даний момент
часу. Представляє собою структуру даних, яка відображає в кожен момент часу
істотні для комп’ютерної системи навчання характеристики, отримані шляхом
діагностики і спостереження за діями студента. На їх основі визначається
ступінь засвоєння студентом знань предметної області, і методів чи правил
обробки цієї інформації. В навчанні діагностика знань студента
повторюється багато раз: починаючи вхідного опитування і закінчуючи контрольним
тестом.
При побудові модуля студента
враховується те, що технічні і технологічні дисципліни містять декларативну
компоненту предметних знань – це фактичні знання і процедурну – знання
студента, які реалізовуються в уміннях. Декларативний навчальний матеріал – це
визначення, явища, описи фактів, в яких фіксується наявність або відсутність
таких фактів, описи основних зв'язків і закономірностей, в які ці факти і явища
входять [5]. Процедурні знання описують порядок і характер перетворення
об'єктів предметної області і складають процедурну компоненту моделі знань
студента: рецепти, інструкції, алгоритми, методики, стратегії прийняття рішень,
за допомогою яких можна отримати нові знання. В моделі знань студента є
необхідність відслідковувати ті знання, які студент отримав під час опрацювання
навчального матеріалу, щоб співставити із тими знаннями, які було засвоєно. За
способом інтерпретації інформації розрізняють оверлейну, векторну, різницеву,
мережеву, пертурбаційну або помилкову і генетичну моделі знань [2].
Оверлейна (покриваюча)
модель знань будується на припущенні, що знання студента і знання експерта, які закладені в навчальній системі,
мають аналогічну структуру і при цьому знання студента є підмножиною знань
експерта. Найчастіше використовується в адаптивних гіпермедіа-системах і представляє
собою множину пар "поняття - значення", одна пара для кожного поняття
предметної області [3]. Оверлейна модель потужна і гнучка для виміру незалежних
знань студента різних розділів. Ступінь перекриття відображається скалярною
оцінкою – кожній темі додається числовий атрибут, що показує ступінь розуміння
студентом матеріалу по цій темі. Значення цього атрибуту визначаться в ході
опитування. Недолік використання оверлейної моделі знань полягає у тому, що
вона не відображає, що саме знає чи не знає студент.
Різницевий алгоритм
оцінки знань студента подібно до оверлейного, при побудові система аналізує
відповіді студента і порівнює їх з тими знаннями, які закладені в системі і
якими користується експерт при вирішенні подібних завдань. Ця модель дозволяє
враховувати відсутність знань у студента і помилкове їх використання.
Векторна модель знань
призначена для підвищення деталізації знань студента і представляє множину
знань експерта у вигляді об'єднання непересічних підмножин, де кожній
підмножині ставиться у відповідність скалярна оцінка. Елементарним підмножинам
можуть відповідають навчальні фрагменти (поняття, елементарні операції, теми,
тощо), що складають предметну область навчальної дисципліни. Сукупність оцінок
по окремим темам є векторною моделлю знань студента (без урахування того, що
забуває), яка потім згортається в інтегральну підсумкову оцінку по всій
дисципліні. Векторна модель отримується за допомогою діагностики, завданням
якої є виявлення того, що студент не знає/уміє. Недоліком векторної моделі є
те, що в ній ігноруються зв'язки між поняттями чи уміннями і не відображаються
когнітивні процеси і методи вирішення завдань.
У випадку використання
пертурбаційного алгоритму знань важливим є ідентифікація причин розбіжності між
відповідями студента і знаннями системи. Розрізняють наступні причини
розбіжностей: недостатність знань; наявність помилкових знань; неправильне
застосування знань або невміння їх застосувати; помилка через неуважність;
навмисно допущена помилка (вказується перша довільна відповідь). Навмисно
допущені помилки виявляються шляхом задавання декілька простих питань.
Виявлення інших причин можна здійснити шляхом повторного уточнюючого опитування
студента.
Мережева модель знань
є більш гнучкою формою оверлейної моделі, вузли якої відповідають поняттям або
знанням, а дуги – відносинам між ними. Кожному вузлу чи дузі відповідає
скалярна чи векторна оцінка, яка визначає ступінь володіння відповідним
елементом знань, причому допускається спадкоємство оцінок. Недоліком мережевої
моделі знань – недостатня ефективність при навчанні умінням.
Генетична модель знань
відображає можливий генезис знань студента і формується на основі об’єднання
оверлейного і пертурбаційного напрямів моделювання знань студента. Базується на
побудові генетичного графа, який містить еталонні знання, уміння, різні
узагальнення, конкретизацію і відхилення від їх правил [3]. Ця модель дає змогу
описати можливі шляхи розвитку умінь студента.
Пропонуємо в модель
індивідуальних характеристик студента включити для формування навчальної
інформації для подальшого вивчення відображати в такі параметри: психологічні
характеристики (тип особи, орієнтація на навчання (на завдання, на себе, на
співпрацю), переважаючий тип сприйняття навчальної інформації (аудіал, візуал,
кінестик); швидкість навчання (засвоєння, вивчення); здібність до навчання
(дуже уважний, середньо, мало) [1, 4, 5].
Вище наведені
алгоритми обробки знань набутих студентом призначені для обробки результатів і
аналізу контролю знань. Найбільш уживаним є оверлейний алгоритм [3]. При
формуванні структури навчального курсу для повторного вивчення найбільш
доцільним є використання різницевого алгоритму, який дозволяє враховувати
відсутність знань у студента. Пропонуємо для кількісної оцінки засвоєного
смислового обсягу декларативного навчального матеріалу в моделі студента
застосувати тезаурусну міру інформації. Під тезаурусом розуміємо сукупність
навчальної інформації, яку має в своєму розпорядженні студент і модель студента
дисципліни у навчальній системі.
Для проектування
змісту модулів використовується понятійна база дисципліни тезаурус, в якому
представляються основні одиниці предмету. Кількісна оцінка засвоєних знань
базується на зміні кількості семантичної інформації, що сприймається студентом
і такої, що включається надалі в його тезаурус. Тому в електронний засіб
навчання буде доцільно ввести дві компоненти: еталонний предметний тезаурус та
динамічний тезаурус студента. Співвідношення між смисловим змістом навчального
матеріалу – еталонним предметним тезаурусом і тезаурусом студента, дає змогу на
семантичному рівні описати кількість наданої і відповідно засвоєної навчальної
інформації. Такий підхід дозволить зв'язати семантичні властивості навчального
матеріалу із сприйнятим під час навчання декларативним матеріалом, а також
кількісно оцінити засвоєні студентом знання в множині навчальних компетенцій
спеціаліста. В перспективі створення модуля студента для електронних засобів
навчання технічних спеціальностей актуальним є розробка методики фіксування
засвоєних процедурних знань студентів і відповідно їх оцінювання.
Література:
3. Агеев, В.Н.
Электронные учебники и автоматизированные обучающие системы. М.:
Исследовательский центр пробл. качества подгот. спец. 2001.– 80с.
4. Бобрівник, К.Є.
Застосування методів нейронних мереж до вибору траєкторії навчання студента /К.Є.
Бобрівник, Н.І. Поворознюк//77 Міжнародна наукова конференція молодих вчених,
аспірантів і студентів.К.:НУХТ-2011-с.108.
5. Бобрівник, К.Є.
Динамічне формування фрагментів вивчення дисципліни / К.Є. Бобрівник, Н.І.
Поворознюк//76 Міжнародна наукова конференція молодих вчених, аспірантів і
студентів. К.: НУХТ -2010 -с.125-126.