Формализация модели представления знаний

Эффективность и управление обучением

При управлении процессом обучения под объектом управления следует понимать множество субъектов обучения (как отдельных пользователей, так и учебных групп). Состояние субъекта обучения может быть описано конечными множеством параметров, а объект управления может подвергаться следующим воздействиям:

  • случайные внешние возмущения;
  • целенаправленные управляющие воздействия, формируемые модулем управления процессом обучения в интеллектуальной мультимедийной системе и состоящие из обучающего и контролирующего воздействий.

Причем, результат целенаправленного воздействия в определенной степени также является случайным, поскольку связан с человеческим фактором. Измерение состояния объекта осуществляется контролирующей подсистемой.

При определении показателей эффективности управления знаниями в условиях воздействия случайных факторов, можно пользоваться вероятностями некоторых случайных событий. Такими величинами могут быть, например, вероятности повышения баллов пользователей, после проведения этапа обучения.

Существующие модели обучения не позволяют определить оптимальные параметры работы АИОС (например, объем знаний передаваемых за один шаг обучения, число шагов обучения для достижения заданного уровня).

Для оценки показателей эффективности необходимо рассмотреть протекающие при обучении в системе информационные процессы иопределить их характеристики с учетом математических моделей управления знаниями.

Если обучающая система проводит обучение по отработке навыков выполнения механических действий или стандартных операций, то алгоритм ее работы является достаточно простым. Работа системы прекращается после того, как пользователь безошибочно выполняет все предлагаемые для выполнения системой действия.

Более сложная ситуация возникает при изучении теоретического материала или обучении решению задач. В данном случае проверка может осуществляться с помощью тестовых заданий. Анализ результатов тестирования позволяет построить функцию распределения доли участников набравших определенный балл. На рис. 1 представлено графическое изображение функций распределения.

f(x)

Риунок 1 - Вид функций распределения баллов при тестировании

Кривая I соответствует нормальному закону распределения баллов, а кривая 2 демонстрирует бимодальность распределения. Величина L на рисунке 1 определяет область баллов (x ≥ L), в которой пользователь считается успешно прошедшим обучение, при x ‹ L обучение должно быть продолжено. В данном случае имеет место критериально ориентированный подход.

Многомодальность функции распределения может быть объяснена наличием в выборке пользователей с существенно различными характеристиками.

По критериям интеллектуальной эффективности, коэффициенту интеллекта, способности к обучению, способности к достижениям и другим аналогичным психологическим параметрам пользователей можно разделить на несколько подмножеств A , где A - определяется выраженностью выбранного критерия (i) в процентах от 100%.

По критерию восприимчивости формы представления информации (аудио, видеоизображение, анимация, статистическая графика и т.д.), причудливости сенсорного восприятия и т.д. на подмножества - определяется выраженностью выбранного критерия (ξ) в процентах от 100%

, где

Как показывают исследования, разделение пользователей на подмножества A , позволяет избавиться от бимодальности в распределении тестовых баллов (т.е. наблюдается четкая корреляция в результатах психодиагностики и диагностики знаний). Распределение баллов испытуемых с низким значением параметра i (из подмножества A ) оказывается смещенным (имеет максимум) в область низких баллов, а испытуемых с высоким значением i в область высоких.

В зависимости от тестовых баллов и принадлежности пользователя к определенному подмножеству A интеллектуальная мультимедийная обучающая система может выбрать свой наиболее эффективный сценарий обучения данного пользователя (шаг обучения, определяющий объем информации и способы ее преподнесения за один цикл работы системы).

Идентификация пользователей по подмножествам  позволяет выбрать для данного подмножества наиболее эффективные способы подачи информации и удобный графический интерфейс, что должно способствовать наиболее полному усвоению учебной информации (об этом подробно рассказано в главе 4). Таким образом, каждый из пользователей

имеет свой балл и принадлежит к определенным подмножествам A и

ξ.

Математические модели управления представлением знаний в интеллектуальных обучающих системах и комплексах должны позволять управлять процессом обучения таким образом, что пользователь достигает границы уровня обученности L наиболее простым и эффективным способом, причем, возможны два пути:

• с подмножеством A1 на основе некоторых параметров,

характеризующих его в целом.

• Оба пути позволяют обучающая система работает с каждым пользователем индивидуально;

система работает не только добиться необходимых результатов обучения, но и оптимизировать работу системы, например, за счет того, что в любой момент времени каждый пользователь работает не со всей базой при использовании локальных сетей и сети Internet, т.к. увеличивает данных или знаний системы, а только с ее небольшой частью. Это улучшает работу скорость обработки запросов.

Расплывчатость границ знания и множественность взаимосвязей между элементами предметной области говорит о том, что нельзя выделить элементарный объем знаний. Кроме того, в силу спецификимышления человека, ему свойственно при определенных условиях, имея некоторый набор связей между элементами знания находить новые или неизвестные, которые также являются знанием (процесс самообучения).

Величина тестового балла за одно задание при измерении знаний, определяемая на основании экспертной оценки, является случайной, поскольку на самом деле принадлежит некоторому нечеткому интервалу. В силу перекрытия интервалов можно говорить о квазинепрерывном распределении баллов на всем отрезке допустимых значений. Знания являются непрерывной величиной, которую можно выражать в условных числовых единицах (баллах).

Обучение и управление знаниями в силу присутствия человеческого фактора, действие которого имеет психофизическую природу, можно отнести к классу стохастических процессов [1], которые (при определенных условиях), можно рассматривать как полумарковские процессы (вероятность перехода при которых из одного состояния в другое зависит как от этого состояния, так и от состояния, в которое будет осуществлен следующий переход. Подобный переход получил фундаментальное обоснование и развитие в работах профессора А.П.Свиридова [2] в которых разработана статистическая динамика знаний. Согласно исследованиям профессора А.П. Свиридова, процесс обучения может быть представляется в виде графа переходов (см.схему рис. 2) из одного состояния знаний в другое в интервале времени ∖ţ, t+dt) (процессы гибели и размножения динамики знаний характеризуются тем, что практически возможным являются лишь переходы в соседние состояния).

Рисунок 2 -. Схема переходов состояний знаний

E1,

E,

E2,

,E

соответствующие состояния, а

ʌ1+1 = ʌı ʌ 1-1 = Р1^11 = -(Λ + )^11 0

соответствующие интенсивности переходов. На основании графа переходов можно получить соответствующую систему уравнений

Pj (t) = ∑λk, jPk (t), (1),

134

135

Литература

  1. Dc Bra P., Brusilovsky P., Houben G.-J. Adaptive hypermedia: from systems to framework // ACM Computing Surveys. —1999.-Vol. 31, N 4. — Article N 12. – Р. 34.
  2. Dc Bra P., Calvi L. AHA! An open adaptive hypermedia architecture // The New Review of Hypermedia and Multimedia. — 1998. — Vol. 4. – Р. 56.
  3. Баймухамедов М.Ф., Илипов М.М. Формализация модели представления знаний. // Материалы международной научно-практической конференции «Информатизация общества: состояние и перспективы», КСТУ им. З.Алдамжар, 2008. – С. 12-26.
Год: 2011
Город: Костанай