Бобрівник К.Є., Поворознюк Н.І., Грибков С.В.
Національний університет харчових технологій, Україна
ОБҐРУНТУВАННЯ ВИБОРУ АЛГОРИТМУ ОБРОБКИ
ІНФОРМАЦІЇ ДЛЯ МОДЕЛІ ЗНАНЬ 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
глобальним освітнім консорціумом
IMS (Instructional Management Systems) 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. Модуль 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. Модель знань 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. Традиційно у навчанні діагностика знань студента
повторюється багато раз: починаючи із 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, що 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. Однією з головних функції моделі
знань студента є моніторинг рівня засвоєння навчального матеріалу по відношенню
до отриманого обсягу під час навчання. За способом інтерпретації інформації розрізняють
наступні моделі знань: оверлейна, векторна, різницева, мережева, пертурбаційна
або помилкова, та генетична [2].
Оверлейна 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 відповідає певному визначенню
предметної області [3]. Оверлейна модель потужна і гнучка для виміру незалежних
знань студента різних розділів. Ступінь перекриття відображається скалярною
оцінкою – для відображення ступеня розуміння студентом матеріалу по кожній темі
використовується числовий атрибут, а його значення визначаться в ході опитування.
Недолік використання оверлейної моделі знань полягає у тому, що вона не
відображає, що саме знає чи не знає студент.
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 відповідати навчальні фрагменти – це поняття, елементарні операції,
теми, тощо, що складають предметну область навчальної дисципліни. Сукупність
оцінок по окремим темам є векторною моделлю знань студента, що потім
згортається в інтегральну підсумкову оцінку по всій дисципліні, але не враховується забування студентом засвоєного
матеріалу. Векторна модель формується за рахунок діагностики, що забезпечує
виявлення того, що не знає або не уміє студент. Недоліком векторної моделі є
ігнорування зв'язків між поняттями та уміннями, а також не відображаються
когнітивні процеси і методи вирішення завдань.
Різницева модель
дозволяє враховувати відсутність знань у студента і помилкове їх використання.
Алгоритм оцінки знань студента цієї моделі подібний до оверлейного, тобто система
аналізує відповіді студента і порівнює їх з еталонними відповідями, що
закладені експертами.
У випадку використання
пертурбаційного алгоритму знань важливим є ідентифікація причин розбіжності між
відповідями студента і знаннями системи. Розрізняють наступні причини
розбіжностей: недостатній рівень знань; наявність помилкових знань; неправильне
застосування знань або невміння їх застосувати; помилка через неуважність;
навмисно допущена помилка. Навмисно допущені помилки виявляються шляхом задаванням
декількох простих питань. Виявлення інших причин здійснюється 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 та дузі відповідає
скалярна чи векторна оцінка, що 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 та пертурбаційного напрямів моделювання знань студента. Така модель
базується на побудові генетичного графа, що містить еталонні знання, уміння,
різні узагальнення, конкретизацію і відхилення від їх правил [3]. Ця модель дає
змогу описати можливі шляхи розвитку умінь студента.
Пропонуємо для формування
навчальної інформації в модель індивідуальних характеристик студента включити
для подальшого вивчення наступні параметри: психологічні характеристики (тип
особи, орієнтація на навчання (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].
Кожна з розглянутих
моделей включає свій алгоритм обробки знань набутих студентом, що призначений
для обробки результатів і аналізу контролю знань, з яких найкращім вважається
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 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 перспективі створення модуля
студента для електронних засобів навчання технічних спеціальностей актуальним є
розробка методики фіксування засвоєних процедурних знань студентів і відповідно
їх оцінювання.
Література:
2.
IMS GLC: Learner Information Package.
Електронний режим доступу. URL: http://www.imsproject.org/learner/package/
3. Агеев, В.Н. Электронные
учебники и автоматизированные обучающие системы. М. : Исследовательский центр
пробл. качества подгот. спец. 2001. – 80 с.
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.