Информационно-образовательный портал СОДРУЖЕСТВА НЕЗАВИСИМЫХ ГОСУДАРСТВ
ИНФОРМАТИЗАЦИЯ ОБРАЗОВАНИЯ
И ДИСТАНЦИОННОЕ ОБУЧЕНИЕ В СНГ
Информационно-образовательный портал СОДРУЖЕСТВА НЕЗАВИСИМЫХ ГОСУДАРСТВ  

Страны
Азербайджанская Республика
Республика Армения
Республика Беларусь
Республика Казахстан
Кыргызская Республика
Республика Молдова
Российская Федерация
Республика Таджикистан
Туркменистан
Республика Узбекистан
Украина

Типы материала
Информационно-коммуникационные технологии
Дополнительные информационные материалы
Нормативно-правовое обеспечение
Организация и методики обучения
Экономика образования
Межгосударственное сотрудничество
Образовательные центры
Методики обучения
Межвузовское сотрудничество
Повышение квалификации
Международные проекты и гранты, конкурсы
Конференции, симпозиумы, семинары и др.
Библиотека
 
Журнал «Вестник РУДН» серия «Информатизация образования»
 
2014, №4
2014, №3
2014, №2
2014, №1
2013, №4
2013, №3
2013, №2
2013, №1
2012, №4
2012, №3
2012, №2
2012, №1
2011, №4
2011, №3
2011, №2
2011, №1
2010, №4
2010, №3
2010, №2
2010, №1
2009, №4
2009, №3
2009, №2
2009, №1
2008, №4
2008, №3
2008, №2
2008, №1
2007, №4
2007, №3
2007, №2-3
2007, №1
2006, №1(3)
2005, №1(2)
2004, №1
Научные и специальные электронные ресурсы
Учебная, научная и специальная литература
Комиссия по дистанционному обучению совета по сотрудничеству в области образования государств-участников СНГ
Новости

Технология когнитивного моделирования в автоматизированной образовательной среде


Аннотация
Для решения комплексной научной проблемы создания, системного анализа и повышения эффективности функционирования среды автоматизированного обучения со свойствами адаптации на основе когнитивных моделей предлагается новая технология когнитивного моделирования, которая включает: методику ее использования, алгоритм формирования когнитивных моделей, методики исследования параметров когнитивных моделей, алгоритм обработки апостериорных данных тестирования, а также комплекс программ

Текст документа

Созданная структура информационно-образовательной среды (ИОС) системы автоматизированного (дистанционного) обучения (АДО) со свойствами адаптации на основе когнитивных моделей (КМ) ((рис.1)  выступает замкнутым контуром, является гибридной: имеет 2 уровня информационного взаимодействия и 6 каналов обмена информацией между n источниками и m потребителями информации [1, 2-4, 6].

Предложенная технология когнитивного моделирования (ТКМ) универсальна по отношению к объекту исследования и предметной области [2, 6].

ТКМ – итеративный цикл, предусматривающий возвраты в случае выявления ошибок и несоответствий, включающий последовательность этапов реализующих системный анализ:

  • идентификация объекта исследования – получение информации об исследуемом объекте;
  • концептуализация – создание концептуальной схемы или модификация набора концептов; структурирование – разработка структурной схемы или модификация элементов концептуальной схемы;
  • формализация – пос??роение первого и второго уровня структуры КМ или изменение способа представления КМ;
  • структурный анализ – верификация первого уровня структуры КМ или модификация его элементов;
  • параметрический анализ – верификация второго уровня структуры КМ или его модификация;
  • реализация – размещение полученной КМ в основе среды исследования, выявление несоответствий и причин затруднений при интеграции КМ; моделирование – моделирование, основанное на целостном подходе, решение проблем измерения и учета параметров;
  • анализ – статистическая обработка полученных с помощью КМ данных, выявление неоднородностей, закономерностей и неоднозначностей; предметная интерпретация – интерпретация полученных зависимостей и закономерностей, научное обоснование полученных результатов;
  • синтез – накопление новых знаний о динамике развития ситуации в предметной области, добавление новых аспектов рассмотрения объекта исследования.

Апостериорные данные использования ТКМ для анализа ИОС приведены в научных трудах [4, 6].

На разных этапах ТКМ используется набор методик и алгоритмов, реализующих различные функции и поддерживающих определенные стадии системного анализа среды автоматизированного обучения [6, 9]:

  • методика использования ТКМ формализует процесс анализа ИОС;
  • алгоритм формирования структуры КМ на базе новых способов представления вновь созданной или реконструируемой КМ;
  • два способа представления структуры КМ (граф и структурная схема);
  • методики исследования параметров КМ субъекта и средства обучения;
  • алгоритм обработки апостериорных данных, полученных в ходе процедур автоматизированного тестирования уровня остаточных знаний контингента обучаемых (УОЗО) и диагностики индивидуальных особенностей личности субъектов обучения (ИОЛСО) реализуемых соответственно посредством использования основного и прикладного диагностических модулей (ДМ), входящих в систему АДО.

Для сложных ИОС АДО ТКМ предусматривает привлечение ряда специалистов-консультантов: преподаватель, физиолог, психолог, лингвист или методист – эксперт в определенной предметной области; когнитолог – специалист в области инженерии знаний, обеспечивающий корректность полученной структуры КМ; системный аналитик – специалист в области системного анализа и моделирования ИОС; программист – квалифицированный специалист, владеющий современными методами и подходами к реализации высокотехнологичных компонентов ИОС посредством разных интегрированных сред программирования (Borland C++ Builder, ASP.Net, XML).

При использовании ТКМ возможно добавление новых, удаление устаревших и модернизация существующих методик и алгоритмов для анализа разных объектов исследования в определенных предметных областей[6, 9].

В общем виде структура системы АДО формализуется посредством классической теории управления и представлена следующим образом (рис. 2).

На рис. 2 приводятся следующие сокращения и обозначения:

  • F0 – оператор преобразования  воздействий ИОС Х и обучающих воздействий (ОВ) U* в конечное состояние обучаемого Y;
  • ФИФ – формирователь информационных фрагментов обеспечивает адаптивную генерацию ОВ U* и контрольных вопросов V* с использованием адресов в БД и параметров отображения Ui и Vi на основе I;
  • Y* – результативность тестовых заданий рассчитывается оператором DY (датчик) на основе состояния обучаемого Y и набора вопросов V*.

Задача и цель процесса формирования знаний обучаемых сводится

  • к определению минимально и максимально возможного порога вариации УОЗО, формированию модели требуемых знаний по предмету изучения;
  • проведение исследования ИОЛСО посредством прикладного ДМ;
  • обеспечению возможности повышения оценки УОЗО в интервале от минимального (состояние отсутствия априорных знаний в предметной области) до максимально возможного (состояние абсолютной обученности) посредством набора информационных фрагментов;
  • реализация индивидуально-ориентированной модели формирования знаний контингента обучаемых путем использования адаптивного средства обучения на основе блока параметрических КМ;
  • проведение текущего, промежуточного и итогового автоматизированного тестирования контингента обучаемых посредством использования основного ДМ для констатации факта достижения определенным обучаемым порогового значения d – требуемого УОЗО;

Процесс АДО выдерживает требование оптимальности по времени.

Алгоритм обучения обеспечивает автоматизированное формирование последовательности информационных фрагментов (ОВ) разного содержания. 

При формировании последующего ОВ учитывается предыдущий информационный фрагмент, цели и задачи обучения и параметры КМ.

 

Методика использования технологии когнитивного моделирования

Методика использования ТКМ (рис. 3) формализует последовательность и особенности применения этапов итеративного цикла предложенной технологии для анализа и повышения эффективности формирования знаний обучаемых в ИОС системы АДО, а также ограничивает набор методик и алгоритмов используемых на каждом из них.

 

Алгоритм формирования структуры когнитивных моделей

 

Алгоритм формирования КМ (рис. 4) формализует последовательность (ре)конструирования имеющейся или вновь созданной структуры КМ на основе одной из существующих моделей представления данных (логическая, фреймовая, семантическая сеть, онтология) или предложенных автором моделей представления (рекомендуемых способов): ориентированный граф сочетающий элементы теории множеств и многоуровневая структурная схема, обеспечивающие наиболее наглядное представление структуры КМ.

 

Понятие и способы представления структуры когнитивной модели

 

КМ – (ре)конструируемый в ширину и глубину репертуар параметров, который эшелонирован на ряд портретов (ПРi) и стратифицирован на несколько множеств, расположенных на двух уровнях иерархии:

  • множество видов свойств (ВСj),
  • множество элементарных свойств (Ck),
  • множество векторов параметров (ВПl)
  • множество элементарных параметров (Пm) [6].

Допустимо применение одной из известных формальных, неформальных, либо предложенных автором моделей представления данных [5]:

  • формальная логическая модель, основанная на применении исчисления высказываниями и предикатами первого и второго порядка;
  • продукционная модель, включающая совокупность продукционных ядер (правил), которые формируют разветвленное решающее дерево;
  • фреймовая модель представления структурированных данных;
  • семантическая сеть, представляющая собой ориентированный граф;
  • онтология предметной области, предназначенная для неформального описания слабо структурированных предметных областей.

Предлагается два способа (модели) представления структуры КМ [6]:

  • ориентированный граф, сочетающий теорию множеств (рис. 5) – расширяемый в ширину и глубину репертуар параметров, эшелонированный на ряд портретов (физиологический, психологический, лингвистический) и стратифицированный на несколько множеств (множество видов свойств и множество элементарных свойств, множество векторов параметров и множество элементарных параметров), которые  расположены на двух уровнях выделенной (вновь созданной) и полученной (реконструируемой) структуры КМ инвариантно предмету анализа;
  • многоуровневая структурная схема (рис. 6) – расширяемый в ширину и глубину репертуар параметров, эшелонированный на ряд портретов и стратифицированный на несколько множеств,  которые отражают структуру КМ без использования связей между элементами (полное отсутствие), которые расположены на двух уровнях сформированной иерархии, согласно принципу взаимной вложенности (соподчиненности).

Структуры когнитивных моделей субъекта и средства обучения, а также методики их исследования и алгоритм обработки апостериорных данных КМ субъекта и средства обучения содержатся в основе блока параметрических КМ, включают ряд портретов имеющих научное обоснование:

  • физиологический – физиологии сенсорных систем (Кроль В.М.);
  • психологический – когнитивная психология (Дружинин В.М.);
  • лингвистический – когнитивная и прикладная лингвистика (Гик М.Л.).

КМ субъекта обучения (рис. 7) концентрирует параметры, характеризующие индивидуальные особенности восприятия, обработки и понимания субъектом обучения содержания набора информационных фрагментов, которые отражают структуру определенного предмета изучения  [2, 3, 4, 6].

КМ средства обучения (рис. 8) отражает потенциальные технические возможности электронного средства обучения при реализации индивидуально-ориентированной генерации информационных воздействий различным способом посредством процессора адаптивной репрезентации информации, функционирующего на основе блока параметрических КМ [3, 4, 6, 8].

Методика исследования параметров КМ субъекта обучения (рис. 9) позволяет наполнить и сохранить в БД комплекса программ актуальное множество параметров содержащихся в сформированной структуре КМ субъекта обучения, подобрать набор методов для их исследования, обеспечить постановку и проведение серии экспериментальных исследований посредством использования прикладного ДМ [3, 4, 6, 7, 10].

Методика исследования параметров КМ средства обучения (рис. 10) позволяет настроить компоненты комплекса программ, добавить новую процедуру в основе процессора адаптивной репрезентации информационных фрагментов, а также рассчитать оптимальное сочетание значения параметров отображения информационных фрагментов для каждого обучаемого.

Автоматизация процесса индивидуально-ориентированного отображения информационных фрагментов достигается посредством использования разработанного адаптивного средства обучения, основной ДМ обеспечивает тестирование УОЗО, прикладной ДМ реализует диагностику ИОЛСО.

Методики исследования параметров КМ субъекта и средства обучения позволяют обеспечить организацию, постановку и проведение серии экспериментов для диагностики ИОЛСО, а также корректно настроить программный комплекс для автоматизации задач исследования ИОС и системы АДО.

Алгоритм обработки апостериорных данных (рис. 11) позволяет сформировать интервальную шкалу и функцию оценивания, подготовить п??ограммное обеспечение для реализации процедуры автоматизированного тестирования контингента испытуемых, обеспечить первичную и вторичную математическую обработку получен????ых выборок апостериорных данных на основе множества подобранных коэффициентов и статистических методов, оценить качество и модифицировать последовательность заданий содержащихся в используемых тестах и методах исследования ИОЛСО.

Комплекс программ (рис. 12) предназначен для автоматизации задач исследования ИОС, а также реализует технологию адаптивного обучения [3, 6-8, 10, 11].

Выводы:

1. Практическое использование научных и практических результатов осуществлялось в учебном процессе Международного банковского института и Санкт-Петербургского государственного электротехнического университета "ЛЭТИ" (имеются акты). Получены 3 авторских свидетельства.

2. Оценка эффективности результатов исследования производилась с использованием общепринятых показателей эффективности (результативности) обучения: ,

где коэффициенты , ,  соответственно обозначают абсолютный, сравнительный и относительный показатели эффективности (результативности) формирования знаний контингента обучаемых [12, 13], а результаты статистической обработки апостериорных данных серии экспериментов обобщены в табл. 1.

Таблица 1

Результаты первичного статистического анализа результативности обучения

 

Показатель

Номер группы обучаемых

1

2

3

4

5

6

7

8

Показатели результативности обучения за 2004 г.

Объем выборки

20

21

25

18

18

15

0

0

Средний балл

4,05

4,286

4,24

4,611

4,056

4,4

-

-

СКО ср. балла

0,686

0,845

0,779

0,502

0,802

0,507

-

-

Показатели результативности обучения за 2005 г.

Объем выборки

24

22

24

25

24

22

23

21

Средний балл

4,333

4,046

4,375

4,16

4,042

4,091

4,696

4

СКО ср. балла

0,817

0,785

0,824

0,8

0,859

0,811

0,559

0,894

Показатели результативности обучения за 2006 г.

(с исп. ТКМ в 3х группах)

Объем выборки

26

23

29

24

25

22

22

22

Средний балл

4,5

4,609

4,379

3,708

3,92

3,773

4,455

3,818

СКО ср. балла

0,707

0,656

0,775

0,751

0,572

0,612

0,858

0,853

Итоги статистического анализа

Показатели, отражающие изменение эффективности обучения

за 2004-2005 г.

0,283

- 0,240

0,135

-0,451

-0,014

-0,309

-

-

1,07

0,944

1,032

0,902

0,997

0,93

-

-

, %

6,996

-5,606

3,184

-9,781

-0,345

-7,023

-

-

Изменение СКО

0,131

-0,06

0,045

0,298

0,057

0,304

 

 

Показатели, отражающие изменение эффективности обучения

за 2005-2006 г.

0,167

0,563

0,004

-0,452

-0,122

-0,318

-0,241

-0,182

1,039

1,139

1,001

0,891

0,97

0,922

0,949

0,955

, %

3,854

13,915

0,091

-10,865

-3,018

-7,773

-5,132

-4,55

Изменение СКО

-0,11

-0,129

-0,049

-0,049

-0,287

-0,199

0,299

-0,041

 

3. Полученные в результате регрессионного анализа апостериорных данных значения коэффициента множественной корреляции (КМК=0,558) и коэффициента множественной детерминации (КМД=0,312) свидетельствуют, что 31,2% дисперсии зависимой переменной  (оценка УОЗО) определяется вариацией значений коэффициентов (предикторов)  находящихся в основе полученной линейной регрессионной модели . Значения исходных () и стандартизованных коэффициентов () линейной регрессионной модели  представлены в табл. 2-3. Константа равна 4,653.

Таблица 2

Значения исходных  и стандартизованных коэффициентов

 

Предиктор

Vozr

Значение исходного

- коэффициента

-0,006

-0,002

-0,156

0,121

0,064

-0,029

0,006

-0,074

0,025

-0,009

Стандартизован-ный  - коэффициент

-0,017

-0,010

-0,714

0,611

0,247

-0,104

0,034

-0,262

0,159

-0,052

 

 

 

 

Таблица 3

Значения исходных  и стандартизованных коэффициентов  (продолжение)

 

Показатель

 

Значение исходного

- коэффициента

-0,026

0,001

0,035

0,013

0,009

-0,008

-0,111

-0,008

0,032

0,022

Стандартизованный - ??о??ффициент

-0,147

0,002

0,182

0,052

0,052

-0,113

-0,226

-0,018

0,172

0,037

 

Предикторы в полученной линейной множественной регрессионной модели:

а фактором (зависимой переменной) выступает результативность обучения . Тогда уравнение множественной регрессии принимает вид:

4. ТКМ позволяет реализовать дополнительный контур адаптации на основе блока параметрических КМ, а также провести комплексный системный анализ ИОС направленный на повышение эффективности функционирования системы АДО и результативности процесса формирования знаний контингента обучаемых.

5. В ходе дискриминантного анализа осуществлялось выделение нескольких групп обучаемых в зависимости от показателя результативности (эффективности) обучения (оценка УОЗО): «5» – отличники; «4» – хорошисты; «3» – троечники.

Рис. 13 отражает геометрическую интерпретацию относительного расположения центроидов классов, которые соответствуют выделенным для анализа группам обучаемых в пространстве координат двух канонических функций.

 

Литература

  1. Ветров А.Н. Факторы успеха в образовательной деятельности ВУЗа: Тенденции развития информационной среды дистанционного образования / А.Н. Ветров, Н.А. Ветров; колл. монография под ред. члена-корр. Междунар. академии наук ВШ И.Н. Захарова. – СПб: МБИ, 2004. – С.54-65 (148 с.).
  2. Ветров А.Н. Факторы успеха в образовательной деятельности ВУЗа: Когнитивная модель для адаптивных систем дистанционного обучения / А.Н. Ветров, Е.Е. Котова; колл. монография под ред. члена-корр. Междунар. академии наук ВШ И.Н. Захарова. – СПб: МБИ, 2004. – С.65-78. (148).
  3. Ветров А.Н. Особенности структуры информационной среды адаптивных систем ДО / А.Н. Ветров, Н.А Ветров// «Актуальные проблемы экономики и новые технологии преподавания»: материалы IV междунар. науч.-практ. конф., г. С.-Петербург, 15-16 марта 2005. – СПб.: МБИ, 2005. – С.45-46.
  4. Ветров А.Н. Информационная среда автоматизированного обучения на основе когнитивных моделей / А.Н. Ветров, Е.Е. Котова, Н.Н. Кузьмин // Известия Международной академии наук ВШ, №3(37). – М.: МАН ВШ, 2006. – 18с.
  5. Ветров А.Н. Особенности развития теории информации и информационных технологий на пороге XXI века: Монография. – М.: Деп. РАО. – 2007. – 141с.
  6. Ветров А.Н. Среда автоматизированного обучения со свойствами адаптации на основе когнитивных моделей: Монография. – М.: Деп. РАО. – 2007. – 256с.
  7. Ветров А.Н. Программный комплекс для исследования адаптивной информационно-образовательной среды на основе когнитивных моделей / А.Н. Ветров // «Современное образование: содержание, технологии, качество»: материалы XIII междунар. науч.-практ. конф., г. С.-Петербург, 19 апреля 2007. – СПб.: СПбГЭТУ, 2007. – С.142-144.
  8. Ветров А.Н. Адаптивное средство обучения в автоматизированной образовательной среде на основе блока параметрических когнитивных моделей / А.Н. Ветров // «Управление качеством ?? современном ВУЗе»: материалы V междунар. науч.-метод. конф., г. Санкт-Петербург, 21-22 июня 2007. – СПб.: МБИ, 2007. – С.110-113.
  9. Ветров А.Н. Методики и алгоритмы в основе технологии когнитивного моделирования / А.Н. Ветров // «Управление качеством в современном ВУЗе»: материалы V междунар. науч.-метод. конф., г. Санкт-Петербург, 21-22 июня 2007. – СПб.: МБИ, 2007. – С.86-89.
  10. Ветров А.Н. Реализация адаптивного обучения в автоматизированной образовательной среде на основе когнитивных моделей / А.Н. Ветров // Известия СПБГЭТУ "ЛЭТИ", Вып. 1, Изд-во СПбГЭТУ "ЛЭТИ", 2007. – 9с.
  11. Ветров А.Н. Электронный учебник на основе процессора адаптивной репрезентации информационных фрагментов в автоматизированной образовательной среде. – М.: Деп. ВИНИТИ РАН. – 2008. – 15с.
  12. Дружинин В.Н. Структура и логика психологического исследования. – М.: ИПРАН, 1994. – 163с.
  13. Мириманова М.С. Информационно-когнитивные процессы. – М.: Прометей, 1989. – 80с.

Автор оригинала: Ветров А.Н.
Источник оригинала: Журнал «Вестник РУДН» серия «Информатизация образования», 2008, №4

Новости
16.06.2017

Российский университет дружбы народов объявляет о проведение первой волны вступительных испытаний среди иностранных граждан для обучения на программах магистратуры на контрактной основе. Первая ...

13.10.2016

26 октября-27 октября 2016 года Российский университет дружбы народов проводит Международную конференцию «Сетевые университеты и международный рынок труда (пространства БРИКС, СНГ, ШОС)».

19.05.2016

The Peoples’ Friendship University of Russia (PFUR) announces the beginning of admission of foreign citizens who graduated from Bachelor and Specialist Degree programs of PFUR and other Russian and ...

19.05.2016

Российский университет дружбы народов (РУДН) объявляет о наборе иностранных граждан -выпускников бакалавриата и специалитета РУДН и других российских и зарубежных ВУЗов на программы магистратуры на ...

11.12.2015

Проект рекомендаций Семинара-совещания научной общественности по проблемам международного научно-технического и образовательного сотрудничества