ITEA2009 - Міжнародний науково

I. ICT IN EDUCATION FOR ALL: INNOVATION
METHODS AND MODELS
THE AGENT-ORIENTED MODEL OF E-LEARNING PARTICIPANTS
Viktor Artemenko
Lviv Academy of Commerce
Lviv, Ukraine
Directions of the agent-based model (АBМ) creation are considered.
This model consists of three types of e-learning participants: lecturesauthors of distance courses, tutors and students who dynamically cooperating on the basis of certain rules. Their interaction environment is
the virtual centre of a higher educational institution. An ultimate goal of
АBМ creation is carrying out of computer imitations for revealing of
agents’ fluctuations influence which operate at microlevel, on macrolevel indicators. The focus is on discription of approaches to such model
creation by SWARM means, one of the most popular (noncommercial)
applied packages for construction the agent-oriented models.
АГЕНТ-ОРІЄНТОВАНА МОДЕЛЬ УЧАСНИКІВ ЕЛЕКТРОННОГО
НАВЧАННЯ
Артеменко В.Б.
Львівська комерційна академія
Львів, Україна
Розглядаються напрями створення агент-орієнтованої моделі
(АОМ), яка складається з динамічно взаємодіючих на основі визначених правил трьох типів учасників електронного навчання: викладачів-авторів дистанційних курсів, тьюторів і студентів. Їх середовищем взаємодії є віртуальний центр вищого навчального закладу. Кінцева мета створення АОМ – проведення комп’ютерних імітацій для виявлення впливу флуктуацій агентів, які діють на мікрорівні, на показники макрорівня. Основна увага приділяється висвітленню підходів до створення такої моделі засобами SWARM, одного
з найбільш популярних (некомерційних) прикладних пакетів для побудови агент-орієнтованих моделей.
Вступ. У праці [1] розглянуто підходи до моделювання взаємодії
двох агентів, які ґрунтуються на передумовах теорії соціальних систем Н.Лумана. Тут висвітлюються напрями математичної формалізації взаємодії учасників дистанційних курсів (ДК), які розміщені у
1
Веб-центрі Львівської комерційної академії (ЛКА) [2]. Вважається,
що рівновага на ринку електронного навчання (е-навчання) досягається за умов його переходу до стаціонарного (або сталого) процесу. Ми спробуємо розглянути підходи до розроблення агенторієнтованої моделі (agent-based model, далі АОМ), що складається
з трьох типів агентів е-навчання: викладачів, тьюторів і студентів.
Середовищем їх інформаційної взаємодії є Веб-центр ЛКА.
Агент-орієнтовані моделі – це новий засіб для добування знань.
Основна ідея АОМ – побудова «обчислювального інструменту», що
є сукупністю агентів із певним набором властивостей та дозволяє
проводити машинну імітацію реальних явищ. Кінцева мета процесу
створення АОМ – відстежити вплив флуктуацій агентів, які діють
на мікрорівні, на показники макрорівня. Домінуючим, як правило,
методологічним підходом є метод, в якому обчислюється рівновага
або псевдорівновага системи, що містить у собі безліч агентів. У
той же час такі моделі, використовуючи прості правила поведінки,
можуть видавати досить практичні результати.
Таким чином АОМ є спеціальним класом моделей, заснованих
на індивідуальній поведінці агентів і створюваних для проведення
комп’ютерних імітацій. Вважається, що АОМ доповнюють класичні
аналітичні методи. Останні дозволяють охарактеризувати рівновагу
досліджуваної системи, а АОМ – аналізувати можливість утворення
такого стану.
Більшість розроблених АОМ викладені в Інтернеті. Так, існують
спеціалізовані видання, тематика яких безпосередньо пов’язана з
розробленням АОМ. Наприклад, міжнародний онлайновий журнал
JASSS – Journal of Artificial Societies and Social Simulation [3] або
російський Інтернет-журнал «Искусственные общества» [4].
Варто згадати і про новий напрям у прикладних економічних дослідженнях, який ґрунтується на комп’ютерному моделюванні віртуального світу, «населеного» автономними агентами (Agent-Based
Computational Economics, ACE). Управління створеним згідно методології ACE віртуальним світом здійснюється без втручання ззовні,
тобто лише на підставі взаємодії агентів. У той же час агенти повинні володіти здібністю до навчання [5].
Відома також досить велика кількість програмних продуктів, які
використовуються для побудови агент-орієнтованих моделей. Серед
них одним із найбільш популярних є прикладний пакет SWARM.
Це колекція програмних бібліотек, написаних на Objective C групою
2
дослідників Інституту Санта Фе (Santa Fe Institute) [6]. Деякі з цих
бібліотек написані мовою скриптів, що дозволяє використовувати
такі базові графічні засоби, як графіки, вікна та ін. Зазначимо також,
програми та докладна інструкція з їх інсталяції розповсюджується
безкоштовно як Open Source-проект і у вільному доступі викладені
на сайті [7].
Аналіз відомих прикладів агент-орієнтованих моделей дозволяє
зробити наступні висновки.
1. Агенти – теоретична (наукова) абстракція, використовувана в
АОМ для позначення дійових осіб – членів соціально-економічної
системи, прийняття рішень якими має певну самостійність. Агент
може «жити» в часі, мати графічний образ, реагувати на події, що
поступають від датчиків, зовнішніх програм або користувача.
2. Переважна більшість АОМ є абстрактними, і основна ціль їх
розроблення – науковий інтерес, тобто вони використовують умовні
дані і створюються для випробування нового інструменту.
3. Серед моделей, що розглядують реальні явища, лише невелика
частка має відношення до взаємодій агентів у сфері освітніх послуг.
Мета даної статті – розглянути підходи до розроблення АОМ на
мікрорівні, що складається із динамічно взаємодіючих на підставі
визначених правил трьох типів учасників е-навчання: викладачівавторів дистанційних курсів, тьюторів і студентів. Їх середовищем
взаємодії є віртуальний центр вищого навчального закладу. Кінцева
мета створення АОМ полягає у проведенні комп’ютерних імітацій
для виявлення впливу флуктуацій агентів, які діють на мікрорівні,
на показники макрорівня (у нашому випадку – це сукупність таких
макроагентів національної системи дистанційного навчання, кожен
з яких істотно впливає на освітні послуги вищої школи). Основна
увага приділена висвітленню підходів до побудови моделі взаємодії
агентів е-навчання на основі технології SWARM, одного з найбільш
популярних пакетів для побудови агент-орієнтованих моделей.
Підходи до побудови моделі взаємодій агентів е-навчання на
основі технології SWARM
У контексті технології SWARM для побудови АОМ і проведення
на її основі комп’ютерних імітацій необхідним є наступне.
1. Створення штучного світу, що має простір, час і об’єкти, які
можуть бути розташовані в деяких «точках» просторово-часової
структури. Необхідно, щоб ці об’єкти могли визначати їх власну
поведінку відповідно до їх власних правил і внутрішнього стану.
3
2. Створення певної кількості об’єктів, які будуть спостерігати,
записувати, аналізувати дані, що виробляються поведінкою об’єктів
у штучному світі, створеному на попередньому етапі.
3. Запуск аналізованої світобудови, керованої модельованими та
спостережуваними об’єктами в часі за визначеною певним чином
процедурою узгоджень.
4. Взаємодіяти з експериментом через дані, що виробляються інструментальними об’єктами, для здійснення серії контрольних експериментальних прогонів системи.
Структура SWARM має два різні рівні. Перший – рівень моделі,
де можна будувати серію моделей, вкладених одна в одну. Інший –
рівень спостерігача, що розглядає модель (або сімейство вкладених
моделей) як унікальний об’єкт для взаємодії в цілях отримання результатів, їх візуалізації та використання.
Отже специфікація задачі побудови АОМ передбачає створення
трьох типів агентів: А1 – викладачів-авторів ДК, А2 – тьюторів, які
супроводжують навчальний процес у віртуальному середовищі ВНЗ
і А3 – студентів, які є учасниками ДК. Основою взаємозв’язків, які
відбуваються між агентами, є інформація, знання, відомості, досвід.
Їхня взаємодія зображена на рис. 1.
A1
i
e
A2
i
e
k
A1
A2
A3
e
d
i
A2
e
A3
k
e
A3
e
A3
i – інформація,
k – знання,
d – відомості,
e – досвід.
Рис. 1. Схема взаємодії агентів е-навчання
Далі створюємо об’єкт класу OneSwarmAgent (один агент), який
буде займатись створенням і управлінням великої кількості агентів.
4
На рис. 2 представлена блок-схема створення Swarm-об’єктів для
агентів е-навчання.
Agent 1
Agent 2
Agent 1 - автори ДК
Agent 2 - тьютори
Agent 3
Agent 3 - студенти
i – інформація,
Змінні I, K, D, E T.
Колір та Форма
Координати [x,y]
k – знання,
d – відомості,
e – досвід,
t – час.
Площина розміщення та
взаємодії агентів
Рис. 2. Схема створення Swarm-об’єктів для агентів е-навчання
Swarm-об’єкт зазвичай виконує наступні три завдання: створює
різноманітні об’єкти, посилає об’єкту такі повідомлення, щоб він
виконав ті дії, які ми хочемо та об’єднує все це разом, формуючи
пакет, який ми можемо запустити.
Конструктор ModelSwarm виконує зокрема такі завдання:
1) створює об’єкти, які використовуються у моделі;
2) створює групу повідомлень, які будуть посилатись агенту, що
представляють собою пакетизований список дій, які має виконати
агент;
3) забезпечує перехід у світ, де діють багато взаємодіючих між
собою агентів.
На рис. 3 представлена схема реалізації переходу від одного до
більшої кількості агентів. Як видно з рис. 3, управляти колекцією
агентів можна після їхньої трансформації в об’єкти.
RunOneAgent імплементує агента, який прогулюється випадково
по вигаданому двовимірному цифровому масиві. Матриця 80 на 80,
5
по якій «гуляє» агент, визначається в змінних класу worldXSize та
worldYSize.
A1
A2
A3
O1
O5
Функція
CreatObj
(A[i])
O2
O4
O6
O7
Умовні позначення:
A1, A2, A3 – агенти
першого, другого та
третього типу;
O3
Простір взаємодії
CreatObj(A[i]) –
функція трансформації
і-го агента в об’єкт;
On – номер створеного
об’єкта;
Простір взаємодії –
сукупність масивів.
Рис. 3. Схема трансформації агентів в об’єкти
Позиція у просторі визначається змінними xPos та yPos. Агент
проводить безліч випадкових прогулянок. У кожній агент, спочатку,
рухається в напрямку по осі X, викликаючи метод randomMove(), а
потім по осі Y, викликаючи даний метод ще раз.
Метод randomMove() використовує простий числовий генератор
з математичної бібліотеки Java. Він повертає значення -1 для руху
назад, 0 – для стояння на місці або +1 – хід уперед (Swarm дозволяє
використовувати дещо інші генератори випадкових чисел).
Наш OneAgents здатний виконувати дві дії: прогулюватися по
світу розміром X,Y та звітуватися про місце розташування на ньому
в консолі. В першому методі, randomWalk(), агент прогулюється
випадково назад або вперед по осі X, а згодом – випадково назад
6
або вперед по осі Y. В кожному випадку напрямок визначається числом -1, 0 або +1, а модульний оператор використовується для того,
щоб перевірити чи агент не вийшов за межі світу.
Swarm надає також велику кількість інструментів для створення
графічного користувацького інтерфейсу, що дозволяє візуалізувати
агентів у віртуальному світі і взаємодіяти з моделлю.
Змістовна інтерпретація результатів моделювання
Створена модель агентів учасників е-навчання надає можливість
візуально простежити за їхніми діями. Для перегляду характерних
значень змінних будь-якого агента можна за допомогою системної
панелі керування призупинити процес моделювання. На скріншоті
створеної моделі (рис. 4) добре видно, що всі агенти сформовують
свої підгрупи в центрі простору. Взаємозв’язки б) характеризують
псевдорівновагу і виникають унаслідок обміну повідомленнями та
отримання агентами досвіду.
б)
а)
Рис. 4. Головне вікно відображення результатів АОМ:
а) початковий етап
б) кінцевий етап
Під час аналізу результатів імітації рівень характеристик агентів
третього типу різнився. Один з агентів мав високий рівень досвіду,
але малий рівень знань, інший малий рівень досвіду, проте високий
рівень знань. Різниці спостерігались і в інших підгрупах, проте вони
були значно менші.
Такі характеристики були зумовлені значеннями показників, які
встановлювалися для кожної з груп і представлені на рис. 5.
7
Коефіцієнт
продуктивності
Коефіцієнт часу
Коефіцієнт взаємодії
Коефіцієнт
зацікавленості
Агенти першого типу
Агенти другого типу
Агенти третього типу
Рис. 5. Показники взаємодії учасників е-навчання
В результаті комп’ютерної імітації ці показники відображаються
у вікні «Statistic» і на відповідних графіках (рис. 6).
Рис. 6. Діаграма сукупного досвіду для кожної групи агентів
Умовні позначення:
– шкала представлення авторів ДК;
8
– шкала представлення тьюторів;
– шкала представлення студентів;
Вісь X – час перебування у Веб-центрі ЛКА;
Вісь Y – величина сумарного досвіду.
На рис. 7 представлена діаграма продукування нових знань, що
притаманно, насамперед, агентам першого типу (авторам ДК).
Умовні позначення:
– шкала представлення агентів першого типу;
Вісь X – час перебування у Веб-центрі ЛКА;
Вісь Y – кількість продукованих знань.
Рис. 7. Діаграма продукування знань агентами першого типу
З рис. 7 видно, що нових знань на початковій стадії е-навчання
створювалося більше, однак рідше. Проте при формуванні більш
близьких зв’язків процес продукування нових знань ставав дедалі
частіший, загальний показник зменшувався і потім призупинився на
сталому рівні. Це стверджує, що коефіцієнт зацікавленості авторів
ДК пов’язаний насамперед із їх діяльністю у першій групі агентів.
Висновки
9
Отже, висвітлені підходи до створення агент-орієнтованої моделі
учасників е-навчання за допомогою технології SWARM дозволяють
зробити наступні висновки та узагальнення.
Агент-орієнтовану модель учасників е-навчання, побудовану на
основі технології SWARM, можна розглядати як інструмент, що забезпечує на мікрорівні будь-якого ВНЗ проведення досліджень у
сфері запровадження дистанційних освітніх технологій.
2. Змістовна інтерпретація результатів імітації АОМ дозволяє:
 робити на базі візуального аналізу взаємодії агентів, учасників е-навчання, висновки щодо рівня досягнення стану
рівноваги чи псевдорівноваги у віртуальному навчальному
середовищі ВНЗ;
 розробляти внутрішні норми та правила взаємодії 3-х агентів на основі таких характеристик, як продуктивність і зацікавленість агентів.
3. У подальшому ми маємо на меті трансформувати розроблену
модель у АОМ, яка могла б враховувати характеристики взаємодій
агентів на макрорівні, тобто у контексті віртуального мережевого
співтовариства, що самоорганізовується.
Література
1. Артеменко В.Б. Моделювання взаємодії учасників дистанційної
освіти на засадах агент-орієнтованого підходу // Вісник Львів.
комерційної академії. – Серія економічна, вип. 25 – Львів: Видво Львівської комерційної академії, 2007. – С.193-197.
2. Сайт Веб-центру Львівської комерційної академії –
http://virt.lac.lviv.ua/.
3. Journal of Artificial Societies and Social Simulation –
http://jasss.soc.surrey.ac.uk/JASSS.html.
4. Журнал «Искусственные общества» – http://www.artsoc.ru/.
5. Site Agent-Based Computational Economics (ACE) –
http://www.econ.iastate.edu/tesfatsi/ace.htm.
6. Site Santa Fe Institute – http://www.santafe.edu/.
7. Сайт доступу до пакету SWARM – http://wiki.swarm.org/.
10
SOME TECHNIQUES FOR AUTOMATED DETERMINING OF
TESTING RESULTS
Bakhrushin Vladimir, Ghuravel Sergey, Ignakhina Marina
Classic Private University, Zaporizhjia
Techniques for automated determining of testing results, based on usage
of learning samples, are proposed. It gives an opportunity to decrease
the subjectivism when mark scale constructing and to raise the quality of
estimation.
МЕТОДИКИ АВТОМАТИЗИРОВАННОГО ОПРЕДЕЛЕНИЯ
РЕЗУЛЬТАТОВ ТЕСТИРОВАНИЯ
Бахрушин В.Е., Журавель С.В., Игнахина М.А.
Классический приватный университет, Запорожье
Предложены методики автоматизированного определения результатов тестирования, основанные на использовании обучающих
выборок. Это дает возможность уменьшить субъективизм при
построении шкалы оценок и повысить качество оценивания.
Введение
Проведение контроля знаний в тестовой форме приобретает в
последнее время все большую популярность. Это обусловлено широким распространением дистанционных и электронных форм обучения, а также рядом недостатков традиционных форм оценивания
(субъективизм, неравенство условий контроля, трудоемкость процедуры и др.).
Теоретические основы обработки результатов тестирования
рассмотрены в работах В.С. Аванесова и других авторов [1]. Они
базируются на предположении, что эти результаты подчиняются
нормальному закону распределения. Однако, как было показано нами раньше [2], такое предположение на практике часто не выполняется. Вопрос об устойчивости используемых методик к отклонениям результатов от нормального закона распределения исследован
недостаточно. Известно [3], что отклонения данных от нормального
закона распределения во многих случаях ведут к неправомерности
использования традиционных методов обработки и анализа данных,
а также некоторых параметров, которые применяются для их описания. Поэтому целесообразно использовать для обработки результатов тестирования методы, устойчивые к отклонениям данных от
нормального распределения.
11
Наряду с несомненными достоинствами тестированию свойственны существенные недостатки. Среди них следует отметить трудность учета разнообразия личных особенностей тестируемых и целей тестирования. В частности, по мнению директора Российского
центра тестирования В. Хлебникова [4] Единый государственный
экзамен (аналог украинского Внешнего независимого оценивания)
годится только для средних детей, а высокие и низкие оценки характеризуются недопустимо большими погрешностями. Кроме того, в
реальных системах тестирования назначение баллов за правильные
ответы на отдельные вопросы обычно бывает субъективным и не
всегда достаточно обоснованным.
В связи с этим, целью данной работы являлась разработка методик автоматизированного определения результатов тестирования,
позволяющих повысить их объективность.
Методика, основанная на использовании эмпирической функции распределения результатов тестирования
В этом случае перевод первичных баллов в итоговые результаты
тестирования выполняется по такой схеме.
1. Задаем функцию распределения итоговых результатов G *  y  в
виде таблицы значений ее α-квантилей:
G*  y1   1; G*  y 2    2 ; ...; G*  y k    k ,
где y – итоговые баллы, k – максимальная оценка. Примером реализации такого подхода, является табл. 1, построенная по данным [1].
Таблица 1
Пример задания функции распределения итоговых результатов
Итоговый Лексико-оценочные экви- Zk
G*  y k 
балл (yk) валенты
1
Низшая оценка
< – 2,25
0,01
2
Неудовлетворительно –2,25…–1,75 0,04
3
Малоудовлетворительно
–1,75…–1,25 0,11
4
Удовлетворительно
–1,25…–0,75 0,23
5
Ниже среднего
–0,75…–0,25 0,40
6
Средняя оценка
–0,25 … 0,25 0,60
7
Выше среднего
0,25 … 0,75
0,77
8
Хорошо
0,75 … 1,25
0,89
9
Очень хорошо
1,25 … 1,75
0,96
12
10
Отлично
1,75 … 2,25
0,99
11
Высшая
> 2,25
1
2. Проводим тестирование обучающей выборки объемом n и
строим эмпирическую функцию распределения итоговых результатов F*  x  , где x – первичные баллы тестирования. При этом объем
обучающей выборки должен быть не менее 50 студентов.
3. Рассчитываем α-квантили функции F*  x  : x1, x2, …, xk.
4. Строим шкалу соответствия:
x  x1  y  y1;
x   x1 , x 2   y  y 2 ;
....................;
x   x k 1 , x k   y  y k .
5. Периодически (например, по результатам тестирования 2n,
5n, 10n испытуемых) возвращаемся к п.2 для корректировки эмпирической функции распределения и уточнения шкалы перевода.
Предложенная методика является достаточно общей и может
быть использована при отсутствии специальных требований к процедуре и результатам тестирования. При этом следует отметить,
что, благодаря использованию эмпирической функции распределения обучающей выборки, отпадает необходимость в использовании
предположений о законе распределения исходных данных.
Рассмотренная методика не рассматривает вопрос о назначении
первичных баллов за правильные ответы на отдельные вопросы.
Как правило, эту задачу решают эксперты. Однако при необходимости автоматизации соответствующую процедуру также можно
формализовать. В простейшем случае, когда задания считаются равноценными с точки зрения их значимости, но различаются по сложности, можно использовать такой подход.
1. Определяем доли тестируемых обучающей выборки (pj),
справившихся с каждым из заданий. Они характеризуют степень
сложности заданий. Чем меньше величина pj, тем более сложным
для испытуемых является соответствующее задание.
2. Строим шкалу начисления первичных баллов. В зависимости
от целей тестирования может быть использована равномерная или
неравномерная шкала перевода. Пример равномерной пятибалльной
шкалы:
13
p j  0,2  x j  5 ;
0,2  p j  0,4  x j  4 ;
0, 4  p j  0,6  x j  3 ;
0,6  p j  0,8  x j  2 ;
p j  0,8  x j  1 .
Пример неравномерной пятибалльной шкалы:
p j  p  3p  x j  5 ;
p  3p  p j  p  p  x j  4 ;
p  p  p j  p  p  x j  3 ;
p  p  p j  p  3p  x j  2 ;
p j  p  3p  x j  1.
Здесь p – среднее арифметическое величин pj,  p – их стандартное отклонение.
Второй подход позволяет более точно выделить группы наиболее сильных и наиболее слабых тестируемых.
Методика, основанная на предварительном описании классов
эквивалентности
Во многих случаях возможно предварительное разбиение обучающей выборки на некоторые классы эквивалентности, которые
соответствуют тем или иным качественно различным группам испытуемых. Например, могут быть сформированы классы "хороших", "средних" и "плохих" студентов; классы школьников,
склонных к различным видам деятельности и т.п. В частности, можно ожидать, что при тестировании по математике будут проявляться существенные различия между абитуриентами, которые являются "хорошими" с точки зрения дальнейшего обучения по разным направлениям подготовки (математика, физика, инженерные
специальности, экономика). Это обусловлено как различием в используемом разными приложениями математическом аппарате, так и
различиями психологических портретов "оптимальных" кандидатов. В таких ситуациях для перевода первичных баллов в итоговые
результаты тестирования желательно использовать другие методи14
ки, которые позволили бы определить степень принадлежности испытуемых к заданным классам. Примером может служить методика, предлагаемая ниже.
1. Формируем обучающие выборки, соответствующие заданным
классам эквивалентности. Объем каждой из таких выборок должен
быть не менее 50 человек.
2. Проводим тестирование на обучающих выборках.
3. Определяем характеристические параметры классов эквивалентности, как средние арифметические и дисперсии оценок за отдельные задания теста для каждого класса.
4. Решаем задачу о принадлежности результатов испытуемого к
каждому из классов эквивалентности на основе результатов сравнения результатов теста с характеристиками классов. В качестве меры
сходства можно использовать коэффициент корреляции Пирсона.
Однако при наличии нелинейной связи его применение может привести к ошибкам. Альтернативой является применение коэффициента детерминации или корреляционного отношения. Их вычисление
более трудоемко, но они чувствительны к нелинейным связям между исследуемыми признаками. Для дихотомических оценок в качестве показателя связи можно использовать точечно-бисериальный
коэффициент корреляции.
5. Периодически модифицируем обучающие выборки и уточняем
параметры классов.
Выводы
В работе предложены методики автоматизированного перевода
первичных результатов тестирования в итоговые оценки, основанные на применении обучающих выборок. Это позволяет повысит
качество оценивания и учитывать различие целей тестирования при
определении его результатов.
Литература
1. Аванесов В.С. Научные основы тестового контроля знаний /
В.С. Аванесов. –М.: Исследовательский центр, 1994. – 135 с.
2. Бахрушин В.Е. Эмпирические функции распределения результатов тестирования / В.Е. Бахрушин, М.А. Игнахина, Р.Я. Шумада //
Збірник праць III Міжнародної конференції "Нові інформаційні технології в освіті для всіх: система електронної освіти" / Ред. В. Гриценко. – К.: МННЦ ІТС, 2008. – С. 79 – 84.
15
3. Орлов А.И. Прикладная статистика / А.И. Орлов. – М.: Экзамен, 2006. – 671 с.
4. Лемуткина М. Единый государственный обман [Электронный
ресурс]
/
М.
Лемуткина.
–
Режим
доступа
http://www.gazeta.ru/education/2006/01/30_a_528596.shtml
16
PHASE PORTRAIT METHOD FOR LEARNING DIAGNOSTICS
Bortnovski Sergey, Laricov Eugene, Pustovalov Leonid
Krasnoyarsk State Pedagogical University
The opportunity to study the activity of complex learning system using
the phase portrait method is analyzed. The result of analysis is the building of learners’ activity phase portraits based on system activity protocols. Diagnostics of the insufficiency specific learning phenomenon supported by phase portraits cyclic nature.
МЕТОД ФАЗОВЫХ ПОРТРЕТОВ ДЛЯ ДИАГНОСТИКИ
ОБУЧАЕМОСТИ
Бортновский Сергей, Лариков Евгений, Пустовалов Леонид
Красноярский государственный педагогический университет имени
В.П. Астафьева
Анализируется возможность изучать движение сложной обучающей системы, состоящая из двух участников – обучающей системы и обучаемого, при помощи метода фазовых портретов. Результат анализа – построение фазовых портретов деятельности
обучаемого на основе протоколов записанных при работе обучаемого с компьютерной обучающей системой. Выявление по циклическому характеру фазового портрета явления недостаточности
специфической обучаемости.
Метод фазового портрета эффективно используется в различных
областях науки для изучения описания состояний динамических
(ДС) систем, поскольку замкнутая кривая на фазовой плоскости является альтернативой аналитического интегрирования дифференциальных уравнений.
Важность и незаменимость метода особенно проявляется в тех
случаях, когда дифференциальные уравнения невозможно проинтегрировать и получить решение, либо динамическая система настолько сложна и многомерна, что просто не возможно однозначно
определить, учесть и записать аналитически дифференциальные
уравнения системы. Вообще говоря, многие ДС имеют огромное
количество факторов и параметров, влияющих на её поведение, которые просто аналитически не определяются.
Компьютерную систему обучения и обучаемого можно рассматривать, как динамическую систему (или обучаемую систему ОС).
Это, безусловно, достаточно сложная динамическая система, для
17
которой, невозможно указать число степеней свободы или координат, в пространстве которых определяется состояние системы. Однако возможность интегрировано описывать состояние ОС на основе целевой функции, несомненно, существует [4].
В кибернетическом подходе можно выделить три характерных
типа поведения системы, три режима, в которых может находиться
динамическая система: равновесный, переходный и периодический.
Равновесный режим ОС соответствует ситуации, когда ее состояние не изменяется во времени. В этом режиме у состояния не
изменяется ни одна из ее «координат». В пространстве состояний
системы ее равновесные состояния будут изображаться неподвижными точками.
При обучении какой-либо целенаправленной деятельности можно выделить равновесное состояние, которое отвечает состоянию
полной обученности этому виду деятельности. Для обучаемых в
идеале должно быть одно равновесное состояние полной обученности. В этом состоянии ученик решает проблемы или задачи в автономном режиме.
Однако бывают случаи, когда ОС имеют не одно равновесное
состояние, а два и более. Это накладывает ограничения на достижение состояния полной обученности. Обучаемый в процессе движения по состояниям может попасть в промежуточное равновесное
состояние, не отвечающее полной обученности. В этом случае он
будет осуществлять деятельность с внешними ограничениями. Например, ему будет необходима дополнительная внешняя информация для осуществления деятельности.
Определение всех равновесных состояний обучаемой системы и
их характеристик является важной задачей для диагностики обучаемости, так как позволяет выявить причины, препятствующие
достижению состояния полной обученности.
Переходный режим – режим движения системы из некоторого
начального к какому-либо установившемуся состоянию – равновесному или периодическому. С точки зрения обучаемой системы, периодический режим можно характеризовать как движение обучаемой системы по циклу в пространстве некоторых переменных.
Периодический режим характеризуется тем, что в системе возникают колебания внешней информации и энтропии деятельности.
Причем эти колебания происходят со сдвигом фаз, аналогично колебаниям скорости и координаты в пружинном маятнике. Если про18
водить аналогию дальше, то скорость или кинетическая энергия соответствует внешней информации, а координата или потенциальная
энергия – энтропии деятельности. При этом деятельность осуществляет не только ученик, но и та часть системы, которая управляет его деятельностью, именно она подает внешнюю информацию
(роль этой системы выполняет учитель или компьютер).
Таким образом, обучаемая система – это обучаемый плюс управляющий внешний центр. Роль внешнего центра – подавать ученику
в нужные моменты внешнюю информацию, управляющие воздействия. Если система переходит в состояние полной обученности
данному виду деятельности, то есть в равновесное состояние, то это
будет означать, что управляющий внешний центр не будет вмешиваться в деятельность обучаемого и энтропия деятельности обучаемого как параметра равна нулю.
Вернемся снова к рассмотрению переходного режима. Переходный режим возникает под влиянием изменения внешнего воздействия или изменения внутренних свойств систем. Например,
обучаемый выполняет под управлением учителя или компьютера
какую-либо учебную деятельность. Если управляющая система
(учитель или компьютер) изменит управляющие воздействия, то возникнет переходный режим. Аналогично переходный режим может
возникнуть при изменении внутренних свойств обучаемого. Например, повысилось внимание к выполняемым операциям или резко
поменялась мотивация учебной деятельности.
Периодический режим может быть вынужденным и свободным.
Тот периодический режим, о котором говорилось выше, скорее,
можно отнести к вынужденному, так как подача внешней информации управлялась извне. Свободные колебания в деятельности возникают, когда нет никаких внешних воздействий и нет «диссипации» информации.
Эффективное изучение поведения динамической системы возможно не в любом пространстве ее состояний. При неудачном
выборе координат включаемых в пространство состояний (фазовом
пространстве) движение системы может оказаться непредсказуемым. При этом надо иметь в виду, что траектории системы в фазовом пространстве не пересекаются, то есть движение системы
изображается непересекающимися траекториями.
Семейство фазовых траекторий, изображающих движение системы, называется ее фазовым портретом. Фазовое пространство лю19
бой динамической системы плотно заполнено фазовыми траекториями, то есть через каждую точку этого пространства проходит траектория.
Изменяя внешнее воздействие на систему, можно существенно
изменять ее фазовый портрет. Число измерений фазового пространства системы называется порядком системы. Для обучаемой системы (типа ученика) в настоящий момент невозможно указать число степеней свободы или координат, в пространстве которых определяется состояние системы. Однако возможность описывать состояние системы в спроецированном пространстве, несомненно, существует.
Исходя из экспериментальных данных, координаты δ доля правильных действий и dδ/dt скорость изменения доли правильных
действий интегрировано описывают состояния обучающейся системы.
Фазовые портреты динамических обучаемых систем строятся
диагностическим программным модулем на основе экспериментальных данных (файлов-протоколов) полученных при динамическом
компьютерном тестировании.
Рассмотрим плоскость фазового пространства состояний обучаемого [5], которая образуется долей правильных действий δ и
скоростью изменения этой доли dδ/dt. Фазовое пространство состояний обучаемого в предложенной системе координат δ и dδ/dt отвечает следующим условиям: 1 > δ > 0; dδ/dt  (; ) .
На рисунке 1 приведены экспериментальные фазовые портреты,
полученные при обработке данных компьютерного динамического
тестирования процесса обучения решению задач по конструированию графиков функций [5]. Рисунки показывают, что обучаемый,
(рисунок 1 а) в процессе обучения переходит в устойчивое равновесное состояние полной обученности (траектория стремится к фокусу, точке δ=1 и dδ/dt=0). В этом состоянии деятельность по выполнению заданий строго упорядочена (обучаемый осознал алгоритм
решения задачи).
Фазовый портрет ОС на рисунке 1 б находится в квазипериодическом режиме. Обучаемый «зациклен» на внешнюю помощь.
Стоит обучающей системе перевести его на более высокий уровень
достижения и соответственно уменьшить частоту помощи, как он
начинает совершать неправильные действия. Доля правильных действий уменьшается, и обучающая система переводит обучаемого в
20
состояние, отвечающее уровню ниже. Далее все повторяется до тех
пор, пока он не уяснит алгоритм решения задачи. В данном примере
мы наблюдаем явление недостаточной специфической обучаемости
[6].
Рисунок 1. Проекции фазовых портретов активной системы на
плоскость
(δ, dδ/dt):
а) Доля правильных действий (горизонтальная ось) с положительной скоростью dδ/dt (вертикальная ось) возрастает до 1;
б) Доля правильных действий совершает колебания в среднем от 0,5
до 0,55. Начало координат находится в точке δ=0,5; dδ/dt = 0
В педагогической и психологической диагностике на явление
недостаточной специфической обучаемости обратили внимание в
70-х годах. В это же время начались интенсивные работы по разработке программ диагностики и коррекции НСО. Педагоги все
больше стали осознавать широкую распространенность этого
препятствия для обучения среди школьников, студентов и взрослых. Хотя, надо иметь в виду, что при отнесении тех или иных лиц
к указанной категории лиц с НСО возможны ошибки.
Диагноз НСО следует применять только к детям, которые:
1) обнаруживают «резкое несоответствие» интеллектуальной способности достигнутому уровню навыков коммуникации и математических действий и 2) не могут овладеть ими на уровне, соответствующем их возрасту и интеллектуальной способности даже при
обеспечении должного обучения.
Обычно дети с недостаточной специфической обучаемостью демонстрируют нормальный интеллект, нередко даже превышающий
21
средний уровень, в сочетании с выраженными трудностями в овладении одним или несколькими основными школьными навыками
(наиболее часто – чтением). Следует заметить, что недостаточная
специфическая обучаемость может встречаться на любом интеллектуальном уровне, даже если дети с задержкой психического развития не подходят под юридическое определение недостаточной специфической обучаемости.
Дети с НСО проявляют различные поведенческие симптомокомплексы. Главными из них являются трудности в восприятии и
кодировании информации, недостаточная интеграция входных сигналов разной модальности и нарушение сенсомоторной координации. Для таких детей типичны нарушение языкового развития,
ограниченность памяти, произвольного внимания и навыков отвлеченного мышления. В частности, агрессия, а также другие эмоциональные и мотивационные проблемы, могут вполне развиваться как
ответ на неудачи ребенка в учении и фрустрации, вызванные его
недостаточной специфической обучаемостью. Многие специфические трудности, нормальные для раннего возраста, становятся признаками дисфункции, если сохраняются в старшем возрасте. Поэтому существует потребность в системе координат возрастного развития, хотя бы с качественными, если уж не с количественными нормативами.
Несмотря на наличие огромного количества тестов, которые используются для реализации современных принципов оценки НСО,
многие исследователи неоднократно заявляли о потребности в новом, более информативном подходе к диагностике и оцениванию
таких детей. Чаще всего для диагностики недостаточной специфической обучаемости используют методику динамической оценки.
Термин «динамическая оценка» охватывает множество разнообразных методик, которые предполагают намеренное отступление от
стандартизованного или единого для всех тестов для получения дополнительных качественных данных об индивидууме. Несмотря на
то, что пользовались такими методиками и раньше, популярность
этого подхода начала расти с 1970-х гг. Он служил способом получения дополнительных качественных данных об индивидууме, причем не только в случаях с НСО, но и при работе с другими детьми,
испытывавшими трудности в обучении, например, вследствие слабой или умеренной психической задержки. Была также в предварительном порядке проверена полезность этого подхода для оценки
22
одаренности детей, особенно растущих в экономически неблагоприятных условиях.
Одна из первых таких качественных адаптаций процедуры
тестирования получила название «тестирование пределов». При
этой процедуре тестируемому могут даваться дополнительные сведения или подсказки. И чем больше подсказок требуется для удовлетворительного выполнения задания, тем больше выражена недостаточная специфическая обучаемость.
Несколько позднее был разработан подход, названный оценкой
потенциала обучения. Термин «потенциал» в этом названии может
быть отнесен к необоснованному предположению, будто исследуемая способность существовала всегда и ее нужно только
«раскрыть». Однако на самом деле эти процедуры имеют структуру
типа «тест – обучение – тест» и заключаются в обучении учащегося
различным средствам выполнения задания, с которым он первоначально не смог справиться. Внешне эта процедура напоминает способ, используемый в некоторых прогностических образовательных
тестах, где испытуемому дают выборочную задачу, требующую такого рода научения, с которым им предстоит столкнуться в конкретном учебном курсе. Тем не менее, процедура оценки потенциала
обучения отличается от методики проведения прогностических тестов, по крайней мере, в двух отношениях: 1) обследуемому ученику
дают указания или индивидуальные советы; 2) используемые задания обычно требуют более широких учебных умений и навыков
решения задач.
Методики динамической оценки, начало которой было положено
работами Фейерстейна и др., открывают ряд перспектив. Связывая
оценку и обучение, они стимулируют исследования пределов изменяемости академической способности и содействуют разработке
программ оптимальной коррекции. В добавление к этому они дают
в руки квалифицированного клинициста средство оценки, позволяющее получать более ясные описания когнитивной деятельности
и ее чувствительности к корригирующим вмешательствам, чем стандартизованные тесты интеллекта [1].
С точки зрения фазового портрета обучаемого, состояние НСО
соответствует «устойчивым» предельным циклам. Понятие «устойчивость» применимо не только для оценки устойчивости равновесного состояния системы, но и для оценки характера движения системы.
23
Устойчивость характеризует одну из важнейших черт поведения
системы. Можно быть уверенным, что это относится и к обучающимся системам. Понятие устойчивости применяется для описания
постоянства какой-либо черты поведения системы, понимаемого в
широком смысле. Это может быть постоянство состояния системы
(его неизменность во времени) или постоянство некоторой последовательности состояний, пробегаемых системой в процессе ее движения, и т.п.
Точное и строгое определение понятия устойчивости применительно к состоянию равновесия динамической системы было дано
выдающимся русским ученым А. Ляпуновым. Пусть неподвижная
точка А изображает в фазовом пространстве системы ее равновесное состояние. Это равновесное состояние будет устойчивым, по
Ляпунову, если для любой заданной области допустимых отклонений z от состояния равновесия можно указать такую область b
(включающую состояние равновесия), что траектория любого движения, начавшегося в области b, никогда не достигнет границы области z.
Любая система находится под влиянием внутренних и внешних
возмущающих воздействий. Сколько малы ни были бы воздействия,
они всегда будут вызывать флуктуации состояния системы, в результате чего изображающая точка будет блуждать около своего
среднего положения в некоторой области. Она рано или поздно пересечет границу любой наперед заданной области. Это будет означать, что система не обладает устойчивым равновесным состоянием.
Обучаемый как динамическая система, обладающая разумом,
имеет единственное устойчивое равновесное состояние, которое характеризуется полной обученностью выполнения деятельности по
решению задач. Это состояние соответствует автономной стадии в
решении проблем, которая отвечает сформировавшейся компетентности у обучаемого.
Обучаемый, деятельность которого, в фазовом пространстве задач характеризуется устойчивым предельным циклом (рисунок 1
б), страдает недостаточной специфической обучаемостью [4].
По экспериментальным данным динамического компьютерного
теста-тренажера была построена гистограмма динамических порогов (обычно динамический порог определяется клиническим методом). Протестировано 319 учащихся 9 классов школ № 15, 99 г.
24
Красноярска и Мининской средней школы Емельяновского района
(рисунок 2).
0,3
0,25
Pj
0,2
0,15
0,1
0,05
0
1
2
3
4
5
6
7
8
9
10
уровни
Рисунок 2. Гистограмма динамических порогов
На гистограмме динамических порогов ось Y (Pj на гистограмме)
– доля ∆N/N учащихся, имеющих уровень I (N = 319), а ось X (уровень на гистограмме) – уровень самостоятельности, достигнутый
при выполнении заданий.
Первым порогом обладают примерно 28 % обучаемых, те, кто
так и не смог решать задачи без подсказок (каждое действие, выполненное обучаемым, имело информационную помощь) и полностью
не понимают алгоритм решения задач.
26 % обучаемых имеют второй порог – они успешно выполняют
задания, только тогда, когда вариативно (случайным образом) в
среднем на два действия оказывается помощь. Как только частота
помощи уменьшается, обучаемый начинает действовать неправильно.
Примерно 21 % обучаемых имеют 7 – 10 порог. Это успешные
ребята. Они, практически не имея подсказок (10 уровень – одна
случайная подсказка в среднем на 100 действий), правильно выполняют задания. Алгоритм решения задач сформирован. Что касается
ребят, находящихся ниже 7 уровня (их 79 %), все они имеют
диагноз недостаточной специфической обучаемости.
25
Литература
1. Анастази Анна Психологическое тестирование / Анна Анастази,
Сьюзан Урбина – СПб.: Питер, 2003. – 688 с.: ил. – (серия «Мастера психологии»).
2. Анохин, П.К. Теория функциональной системы / П.К. Анохин //
Успехи физиологических наук. 1970. – т.1, №1, с. 19-54
3. Беспалько В.П. Образование и обучение с участием компьютеров педагогика третьего тысячелетия / -М.: изд. НПО «МОДЭК»
2002. – 352 с.
4. Бортновский С.В. “Фазовый портрет активной системы, как метод компьютерной диагностики процесса обучения” // Научнометодическая конференция “Новые информационные технологии в университетском образовании”. Новосибирск. ИЭПМСО
РАО. 2007.
5. Дьячук П.П. “Динамическое тестирование процесса обучения” /
П.П Дьячук, С.В. Бортновский // VII Всероссийский семинар
"Моделирование неравновесных систем". Красноярск. ИВМ СО
РАН. 2004.
6. Дьячук П.П. “Компьютерная диагностика недостаточной специфической обучаемости по математике” / П.П Дьячук, С.В.
Бортновский // Всероссийская научно-практическая конференция “Современные проблемы преподавания математики и информатики”. Тула. 2004.
7. Эшби, У.Р. Конструкция мозга /У.Р. Эшби. – М.: изд. иностр.
лит., 1962. – 397с.
26
COMPUTER CONTROL SYSTEM OF LEARNING PROCESS
CONSIDERING THE RESOURCES’ RESTRICTIONS
Dyachuk Pavel, Nikolaeva Yuliya, Pustovalov Leonid
Krasnoyarsk State Pedagogical University
In the work the computer control system of problem solving search is
considered. The approach based on the concept of the states’ space, for
artificial intelligence systems. It is assumed that resources, which determine the volumes of work executed by the trainee, conditionally reflect
experience, gained by learner. The task of optimum control of
educational activity is formulated and solved. The carried out
experiment has allowed to construct the curve of learning.
КОМПЬЮТЕРНАЯ СИСТЕМА УПРАВЛЕНИЯ ПРОЦЕССОМ
НАУЧЕНИЯ, С УЧЕТОМ ОГРАНИЧЕНИЙ НА РЕСУРСЫ
Дьячук Павел, Николаева Юлия, Пустовалов Леонид
Красноярский Государственный Педагогический Университет
им. В.П. Астафьева
В данной работе рассмотрена компьютерная система управления
поиском решения задач. Подход, основанный на понятии пространства состояний, возникший при разработке систем искусственного интеллекта, предлагается использовать для организации процесса научения решению задач естественного разума. Предположено то, что ресурсы, определяющие объемы уже выполненных
обучающимся работ, условно отражают накопленный им «опыт».
Сформулирована и решена задача об оптимальном управлении учебной деятельностью. Проведенный эксперимент позволил построить кривые научения.
Учебная деятельность всегда направлена на получение субъективно нового (для каждого конкретного обучающегося) опыта. Чаще всего приобретенный опыт выражается в том, что обучающийся
со временем начинает безошибочно решать задач или проблем.
Обычно этот процесс носит итеративный характер и связан с проблемой поиска решения задач в пространстве состояний. Подход,
основанный на понятии пространства состояний, возник при разработке систем искусственного интеллекта (ИИ). В системах ИИ [1, 2]
проблема поиска решения задач состоит в нахождении алгоритма и
соответствующей программы поиска допустимого пути в пространстве состояний из начального в целевое состояние.
27
В настоящей работе предлагается использовать этот подход для
организации процесса научения решению задач не искусственного,
а естественного разума осуществляющего реальный поиск решения
задачи в пространстве состояний. Для этого используются возможности информационных технологий, которые позволяют отобразить
пространство состояний задачи в виде множества ситуаций и задать
функцию определения преемника системой кнопок. Нажатие кнопки соответствует тому или иному действию, которое переводит задачу из текущей ситуации в следующую. Последовательность действий и соответственно ситуаций в графовом представлении можно
рассматривать как путь, который проходит обучающийся, в процессе поиска решения задачи. При этом, он совсем не обязан быть
оптимальным. Однако, по мере научения путь, проходимый обучающимся, приближается к оптимальному, т.е. со временем его деятельность становится безошибочной. В подходе, использующем
пространство состояний, предполагается существование счетного
множества
S
состояний и множества
O
операторов, которые от-
S
ражают состояния множества
в себя. Решение задачи рассматривается как передвижение в пространстве, определяемом множеством этих состояний, с целью достигнуть желаемое множество целевых состояний. Задача решена, когда найдется такая последовательность операторов
o  o (1) , o ( 2 ) ,....o ( k ), ,
s g  o (o
(k )
что
где
( k 1)
(1)
( 2)
(...o (s 0 ))...))
,
(2)
s 0 - некоторое состояние из множества начальных состояний, а
sg
- из множества целевых состояний.
В качестве примера на рис. 1. представлен граф пространства состояний задачи по преобразованию линейной функции
y  kx  b .
Из рис.1 видно, что пространство состояний, задачи
конструирования графика линейной функции, представляет собой
граф, вершины которого находятся в узлах квадратных решеток.
(k , b) . Первое число соk – тангенсу угла наклона графика, второе число – b
Каждой вершине соответствует два числа
ответствует
28
показывает то, насколько поднят или опущен график вдоль оси
Oy
линейной функции. Квадратные решетки соответствуют разным знакам k .
Рис.1. Граф пространства состояний решения задачи по преобразованию графика линейной функции из начального состояния (1,0)
в целевое (-1/3, -1).
Любая вершина графа может быть начальным состоянием графика линейной функции, так же как и любая вершина может служить целевым состоянием. На рис.1. штриховая линия показывает
оптимальную траекторию перехода из начального состояния в целевое. Если положить, что действия имеют стоимость равную 1, то
оптимальная траектория имеет длину или «стоимость» равную 4.
Сплошная линия показывает неоптимальная траектория перехода из
начального в целевое состояние. Обучающийся в самом начале своей деятельности, совершил два неправильных действия и удалился
от целевого состояния на 6 действий. Длина этой траектории равна
8. На рис.2. приведены графики оптимальной и неоптимальной
траекторий деятельности обучающихся. Вертикальная ось Z задает
номер состояния задачи, I-номер действия.. Расстояние до цели
NZZ
Z
0 (где
0 - минимальное расстояние
определится как
между начальным и целевым состояниями задачи).
29
Рис. 2. Траектории деятельности: 1. оптимальная траектория - 4
действия; 2. неоптимальная траектория - 8 действий
Применим подход поиска решения задач обучающимися в пространстве состояний в компьютерной системе управления учебной
деятельностью, при научении решению задач. В отличии от [3], где
рассматриваются компьютерные системы управления учебной деятельностью без ограничения на ресурсы, наложим ограничения на
ресурсы: количество учебных действий Y ; время их выполнения
T.
Если воспользоваться приближением равных «стоимостей» действий [1], то ресурс Y можно рассматривать, как сумму денег, которую имеет обучающийся на начало учебной деятельности. Каждое выполняемое действие уменьшает эту сумму на единицу, независимо от правильности или неправильности действия. Задача обучающегося состоит в минимизации трат ресурса Y , то есть перехода в процессе научения к оптимальным траекториям деятельности
по поиску целевого состояния. Рассматривая организацию учебной
деятельности, в которой полезным результатом является максимум
правильных действий, можно выделить две ситуации. Первая отвечает случаю, когда ресурс Y выделяется на каждую итерацию
(или период работы) отдельно, во втором случае, ресурс Y выде30
ляется на весь процесс итеративного научения [4]. Итерация под
номером i соответствует i – му периоду работы или i – заданию.
В настоящей работе анализируется только первый случай. Обоз-
Y
начим i – ресурс, определяющий количество учебных действий в
i-ом периоде времени для обучающегося. Минимальное число дей-
Z
ствий требуемых для решения задач в i-м периоде обозначим i .
Если интерпретировать тип обучающегося (уровень навыка)
R i  [0;1] , как долю успешных действий обучающегося, то, выпо-
лняя в i периоде объем работ
Yi*  Yi
Z R Y
*
i
за время
Ti
обучающийся
Z Z
*
i ,
*
i
i
i.
достигнет результата
при этом
Результат деятельности обучающегося – суммарный объем работ, успешно выполненных обучающимся за k периодов времени,
k
Z k   Z *i
i 1
(3)
С другой стороны, обучающимся выполнен больший объем (успешных и неуспешных) действий:
k
Y k   Yi*
i 1
(4)
Этот объем учебных действий условно, как считает автор работы
[4], можно считать тем «опытом», который приобрел обучающийся.
В модели фигурируют три «макропараметра»: объем учебных действий
Yi*
зультат
Z
совершенных в i-ый период
*
I.
Ti
и соответствующий ре-
Искомой переменной является «траектория обучения»
Ri.
Для того, чтобы обучающийся мог изменять свое внутреннее состояние и, таким образом, перестраивать свою деятельность в процессе научения решению задач необходимо, чтобы компьютерная
система управления обеспечивала дополнительные петли обратной
связи, дающие обучающемуся информацию: а) о протекании процесса поиска решения текущей задачи; б) о состоянии имеющихся
ресурсов; в) о функции ценности состояния обучающегося. Эта ин31
формация подается на вход обучающемуся, посредством соответствующих датчиков: датчика «расстояние до цели»; датчиков расхода
ресурсов; датчика значений функции ценности состояния обучающегося. Кроме информационных и мотивационных управлений
в системе имеется внедренный «агент», который может активно
вмешиваться в деятельность обучающегося, совершая, как и обучающийся, те или иные действия. Воздействия внедренного агента
носят институциональный характер.
Датчик «расстояние до цели» относится к информационному
управлению, которое не препятствует совершению неправильных
действий. Частота появления датчика «расстояние до цели» изменяется согласно результатам деятельности обучающегося [3]. Кроме
подсистемы осуществляющей информационные управления в системе имеется подсистема институциональных управлений. Если
Y
обучающийся в процессе работы, так расходовал свой ресурс i ,
что остатка ресурса хватает только на то, чтобы дойти до цели и
при этом не сделать ни одной ошибки, то, следуя принципу последовательности, система управления включает институциональные
управляющие воздействия. Деятельность подсистемы информационных управляющих воздействий сменяется деятельностью подсистемы институциональных управляющих воздействий. Как указано в работе [5] институциональные управляющие воздействия это
целенаправленное ограничение множества возможных действий
обучающегося. Возможно, что первыми управляющими воздействиями, формирующими поведение ребенка, являются институциональными. Они ликвидируют неправильные действия и не позволяют ребенку совершать действия, которые могут нанести ему
вред. Принимают решение об этих управляющих воздействиях родители, которые с этой целью должны постоянно наблюдать за поведением ребенка и незамедлительно отменять или ликвидировать
его неверные действия. Очень часто ребенка туго пеленают, или
помещают в вольер, ограничивая его активность. Подобного рода
институциональные воздействия формируют поведение человека на
нижних кодах, то есть, минуя сознание, отрицательная реакция среды сразу попадает в подсознание. По мере взросления подобного
рода управления применяются все реже и реже, уступая место информационным воздействиям. Однако в ситуациях, когда действия
обучающегося угрожают его здоровью и носят роковой характер,
32
подобного рода институциональные управления могут применяться.
Например, инструктор по вождению автомобиля или самолета, наблюдая за действиями обучающегося вождению автомобиля или
пилотированию самолета, оказывает мягкие информационные воздействия, давая возможность обучающемуся совершать действия,
не вмешиваясь непосредственно в нее. Однако, как только обучающийся начинает совершать действия, которые могут привести к роковым последствиям, то инструктор немедленно отменяет или
ликвидирует эти неправильные действия.
Множество возможных действий обучающегося можно представить состоящим из подмножества правильных действий (приближающих к цели) и подмножества неправильных действий (удаляющих от цели). В предлагаемой компьютерной системе институциональное воздействие направлено на запрет (ликвидацию) неправильных действий, т.е. система разрешает только правильные действия, попытки совершить неправильные действия тут же пресекаются или ликвидируются. После того, как обучающийся исчерпал свой ресурс «свободы» и не дошел до цели, то, как уже говорилось, включается подсистема институционального управления, которая выступает в роли «поводыря» и доводит обучающегося до цели силовым образом.
Каждое действие обучающегося фиксируется системой управления и записывается в специальный протокол. По достижении цели
или исчерпанию ресурсов система вычисляет долю успешных действий:
Z*i
R 
i Z
i
и строится кривая научения (см. рис.3). Для запуска процесса научения, в первом периоде работ ресурс
Y1  Z i ,
а ресурс времени
T1
определяется по факту завершения работы. Для второго и последующих периодов работы ресурсы вычисляются рекуррентным
образом
Z*i
Yi1  Z i  Y (1  )
Zi
*
i
33
(5)
Ti*
Ti 1  Yi ! *
Yi
Z
(6)
*
i
где
- фактическое количество успешных действий,
чески затраченное время
*
i -
T
факти-
Рис. 3. Кривая научения
Z  Z*
i означает, что количество факПредельный переход i
тически совершенных правильных действий меньше, чем необходимо для решения задач. Полное решение задачи может не состо-
T
яться из-за нехватки временного ресурса 1 . Но если временного
ресурса достаточно, то используя институциональное управление
Y
система может принудить обучающегося использовать ресурс i
так, что он обязательно придет в целевое состояние. Поэтому, если
фактическое количество правильных действий будет меньше необходимого, то связано это будет с нехваткой временного ресурса
34
T1 .
Y
Рис. 4. Зависимость i от номера периода работы. Горизонтальная
ось – номер периода научения или работы Т
По мере научения, ошибочные действия будут совершаться всё
Y
Z
реже и реже. Когда i станет равным i , в течение нескольких
периодов подряд, то можно сделать вывод, о том, что обучающийся
научился решать поставленные задачи в условиях оптимальных ре-
Y
сурсов. На рис. 4. показана экспериментальная зависимость i от i.
В предлагаемых компьютерных системах управления вследствие
наличия дополнительных петель обратной связи деятельность обучающихся является саморегулируемой и взаимосвязанной с проблемной средой и личностью обучающегося [6].
Заключение
Таким образом, в настоящей работе рассмотрена компьютерная
система управления поиском решения задач обучающимся в пространстве состояния задачи. В рамках предположения о том, что ресурсы определяющие объемы уже выполненных обучающимся работ условно отражают накопленный им «опыт», сформулирована и
решена задача об оптимальном управлении учебной деятельности
обучающегося – позволяющим последнему регулировать размеры
Y
T
ресурсов: количества действий i и времени 1 необходимые для
оптимального решения задач. Проведенный эксперимент позволил
построить кривые научения и получить изменение ресурса в про35
цессе научения.
Литература
1. Рассел С., Норвиг П. Искусственный интеллект: современный
подход, 2-е изд..: Пер. с англ. -М.: Изд. Дом "Вильямс", 2006. –
1408 с.
2. Э. Хант Искусственный интеллект,. – М.: изд. «Мир»., 1978. –
558 с.
3. Дьячук П.П., Пустовалов Л.В. Система управления учебной деятельностью обучающегося решению задач// Информационные
технологии моделирования и управления, № 6(49), 2008.- C.
623-631.
4. Новиков Д.А. Модели обучения в процесс работы // Управление
большими системами, Выпуск 19, М.: ИПУ РАН, 2007, С.5-22.
5. Новиков, Д.А. Теория управления организационными системами / Д.А. Новиков. – М.: МПСИ, 2005. – 584 с.
6. Дьячук П.П. Функциональные компьютерные системы управления деятельностью обучающихся решению задач// Информатика и образование. 2007, № 7, с. 102-104
36
PECULIARITIES OF ADAPTIVE TESTS USING IN DISTANCE
LEARNING SYSTEM «KHERSON VIRTUAL UNIVERSITY»
Gnedkova O., Kravtsov H.
Research Institute of Informational Technologies
Kherson State University, Kherson, Ukraine
In this article, the specifications and peculiarities of adaptive test using
in distance learning system “Kherson Virtual University” are considered by the authors.
ОСОБЕННОСТИ ИСПОЛЬЗОВАНИЯ АДАПТИВНІХ ТЕСТОВ В
СИСТЕМЕ ДИСТАНЦИОННОГО ОБУЧЕНИЯ «ХЕРСОНСКИЙ
ВИРТУАЛЬНЫЙ УНИВЕРСИТЕТ»
Гнедкова О.А., Кравцов Г.М.
Научно-исследовательский институт информационных технологий
Херсонский государственный университет
Рассмотрены спецификации и особенности использования адаптивных тестов в системе дистанционного обучения «Херсонский Виртуальный Университет».
В связи с развитием дистанционного обучения контроль и оценивание знаний студентов является неотъемлемой частью дистанционного курса. Осуществление контроля полученных знаний слушателей дистанционных курсов является одной из главных проблем
дистанционного обучения. Анализ последних достижений в области
тестирования в дистанционном обучении показал, что во многих
системах дистанционного обучения тест является основным инструментом проверки знаний учащихся. Вопрос о повышении эффективности тестирования для проверки качества знаний остаётся
открытым.
Тестирование в дистанционном обучении
Тест – список вопросов и заданий с системой обработки и оценки результата. В отличие от других методов тестирования тестовый
контроль представляет собой специально подготовленный контрольный набор заданий, который позволяет объективно и адекватно
оценить знания обучающихся, повышает мотивацию учебной деятельности учащихся, одновременно снижая их эмоциональную напряженность в процессе контроля.
Система дистанционного обучения «Херсонский Виртуальный
университет» предоставляет возможность проводить тестирование
37
студентов в группе дистанционного обучения и использовать различные виды (типы) вопросов, которые реализованы согласно стандарту дистанционного обучения IMS [1]. В данной системе реализована возможность создания трех видов тестирования:
1. Линейный тест (отсутствует обратная связь тестируемого с системой тестирования);
2. Адаптивный тест (тестирование начинается с легких вопросов,
если студент отвечает на вопросы верно, следующие вопросы
усложняются, если он отвечает не верно, предлагаются менее
сложные вопросы);
3. Пси-тесты (по результатам которых делается вывод о психофизиологических и личностных характеристиках, знаниях, умениях и навыках испытуемого, например, диагностика профессионального подбора кадров).
Рассмотрим один из перечисленных видов тестирования – адаптивное тестирование.
Адаптивное тестирование – (с англ. adaptive – приспосабливающийся) является широким классом методик тестирования, предусматривающих изменение последовательности предъявления заданий в самом процессе тестирования с учетом ответов испытуемого [2].
Известны три вида адаптивных тестов:
Пирамидальные тесты. Испытуемому дается задание средней трудности и затем, в зависимости от ответа, предлагается задание легче или труднее. На каждом этапе необходимо использовать
правило деления шкалы трудности пополам.
Flexilevel – тестирование начинается с любого желаемого
испытуемым уровня трудности, с постепенным приближением к реальному уровню знаний.
Stradaptive (от англ. stratified adaptive), – вопросы теста дифференцированы по уровням сложности. При правильном ответе
следующий вопрос берется из верхнего уровня, при неправильном –
из нижнего.
Таким образом, адаптивный тест представляет собой вариант автоматизированной системы тестирования с заранее известными параметрами сложности и дифференцирующей способностью каждого
задания. Эта система может быть создана в виде компьютерного
банка заданий, упорядоченных в соответствии с интересующими
характеристиками заданий [3].
38
Особенности использования адаптивного тестирования
Система дистанционного обучения «Херсонский Виртуальный
университет» предоставляет возможность для проведения адаптивного тестирования, так как система тестирования поддерживает
спецификации стандарта IMS QTI версии 2.1 [4].
В отличие от ряда других систем дистанционного обучения в
данной системе реализовано 14 различных типов вопросов: Выбор
одного варианта из многих, Выбор нескольких из многих, Ввод текста, Ассоциативность, Упорядочивание, Сопоставление, Текст в
контексте, Выбор в контексте, Множественный выбор в контексте,
Выпадающий список в контексте, Выбор «горячих точек» на изображении, Упорядоченное указание точек на изображении, Flashобъект.
В параметрах вопроса существует возможность задать один из 12
начальных уровней сложности. Результаты тестирования обрабатываются в модуле «Обработка ответа». Оценивание ответа может происходить двумя способами: 1) установленная преподавателем (тьютором) оценка по всему вопросу и 2) накопление оценки по
вариантам ответа. Результаты тестирования проверяются системой
и сохраняются в рейтинге группы. Студент имеет возможность в
любое время просмотреть результаты, а также распечатать их [5].
Преимущество адаптивного перед традиционным тестом лежит в
том, что адаптивный тест может определить уровень знаний тестируемого с помощью меньшего количества вопросов. При выполнении одного и того же адаптивного теста тестируемые с высоким
уровнем подготовки и тестируемые с низким уровнем увидят различные наборы вопросов: первый увидит большее число сложных
вопросов, а последний – легких. Доли правильных ответов у обоих
могут совпадать, но так как первый отвечал на более сложные вопросы, то он наберет большее количество баллов. Еще один значимый эффект – повышение достоверности, так как исключается
быстрое изучение банка заданий путем простого “прощелкивания”
вариантов на компьютере.
Следует заметить, что для проведения адаптивного тестирования
необходимо накопить значительное количество вопросов. В основе
адаптивных тестов лежит принцип "лестничного алгоритма" –
предъявление заданий с систематическим нарастанием уровня трудности. Вначале тестирования предлагаются легкие задания, затем –
средние и, если тестируемый успешен на предыдущих уровнях, –
39
трудные. Адаптивные тесты в системе дистанционного обучения
«Херсонский виртуальный университет» широко используется
преподавателями Херсонского Государственного университета, так
как адаптивное тестирование дает более объективную оценку знаний, учений и навыков обучаемых.
Вывод
Рассмотрены спецификации и особенности использования адаптивных тестов, реализованных в системе дистанционного обучения
«Херсонский виртуальный университет», которые способствуют
повышению качества контроля знаний учащихся и могут быть использованы преподавателями в процессе дистанционного обучения.
Литература
1. Кравцов Г.М. Система дистанционного обучения ХГУ // Материалы второй международной научно-практической конференции
“Информатизация образования Украины: состояние, проблемы,
перспективы”. Херсон. – 2003. – С.70-72.
2. Сметанюк Л.В., Кравцов Г.М. К теории и практике использования
адаптивных тестов // Інформаційні технології в освіті. – Херсон. –
2009. – С.148 – 155.
3. Белоус Н.В., Пархоменко С.А. Компьютерное адаптивное тестирование. Проблемы высшей школы. Вестник ХГТУ №2 (18),
2003. – С.421 – 423.
4. Кравцов Г.М., Кравцов Д.Г. Модель контроля знаний в системе
дистанционного тестирования “Web-Examiner” по стандарту IMS
// New Information Technologies for All: State of the Art and Prospects. Kiev. – 2007.- С.- 208-209.
5. Кравцов Г.М., Кравцов Д.Г. Адаптивные и объектные тесты в модели контроля знаний по стандарту IMS / УСиМ №1, 2008. – С.42
– 48.
40
ABOUT THE USE OF CERTAIN TEACHING METHODS
FOR SEMINARS ON MATHEMATICAL ANALYSIS
Karakasheva-Yoncheva Liliana
University of Shumen, Bulgaria
The article discusses some basic teaching methods, which are used in the
seminars in mathematical analysis for university students.
ОБ ИСПОЛЬЗОВАНИИ НЕКОТОРЬХ УЧЕБНЬХ МЕТОДОВ
НА СЕМИНАРСКИХ ЗАНЯТИЯХ ПО МАТЕМАТИЧЕСКОМУ
АНАЛИЗУ
Каракашева-Йончева Лиляна Методиева
Шуменский Университет, Болгария
В статье представлены основные методы обучения, которые используются в обучении студентов на семинарских занятиях по
математическому анализу.
Выбор учебных методов, применяемых на семинарских занятиях
со студентами в процессе обучения по математическому анализу,
обусловлен как характером учебной информации по данной теме,
так и поставленными конкретными целями семинарского занятия.
В учебно-научном процессе во время семинарских занятий по
математическому анализу мы применяем следующие учебные методы:
a) традиционные – это элементы лекции, беседы, метод демонстрации, и в основном – упражнения для решения задач.
б) интерактивные – групповая дискуссия по определенной теме,
работа в екипе, мозговая атака.
В рамках этого доклада мы рассмотрим более подробно некоторые основные методы, которые уже утвердились в преподавательской практике и используются поколениями преподавателей,
обогащаясь каждым последующим поколением новыми нюансами.
Чтобы подготовить студентов к усвоению новых знаний, мы используем рассказ о некоторых фактах из истории математики, а
также сведения об интересных применениях тех математических
познаний, которые студентам предстоит освоить. Этот монологический метод имеет то преимущество, что он позволяет за короткое
время рассказать студентам большой объем информации.
41
Другое преимущество этого метода заключается в том воздействии на студентов, которое оказывает живое слово преподавателя.
Использование некоторых исторических фактов позволяет нам
продемонстрировать перед студентами сложные пути развития науки. Такие исторические экскурсы в двух-трех минутах непосредственно связаны с конкретной учебной информацией рассматриваемой тематики.
А.П. Минаков [4, с.48] отмечает, что “ когда перед студентами
вкратце преставлены зарождение и эволюция понятий, теорем и
принципов, когда они прослеживают извилистые пути брожения
человеческой мысли в поисках истины, когда они всей душой чувствуют необходимость, возможность и завлекающую трудность таких поисков, когда они зачарованы виртуозностью и силой мышления классиков науки – именно тогда мы должны приступить к математической формулировке идей”.
Мой педагогический опыт показывает, что подобные исторические экскурсы являются не только важным средством для поддержания интереса студентов к семинарскому занятию, но они помогают и для привлечения и концентрации внимания студентов в тех
случаях, когда студенты начинают проявлять признаки рассеянности.
Так, например, такие фундаментальные понятия как производная
функции или определенный интеграл необходимо рассматривать и
в историческом аспекте.
Это возможно делать как во время лекции, так и на семинарском
занятии. Эту информацию можно показать и на слайдах. Рассказ
интересных фактов из жизни ученых оказывает определенное воспитательное воздействие на студентов, эффект подобной работы,
по нашему мнению сильно недооценивается в процессе обучения в
вузах.
Хорошо известно, что беседа, как метод обучения успешно используется еще с V века до нашей эры и дефинируется как диалогический способ изложения учебной информации (от dialogos – беседа
двух или более лиц ) [7, с. 321].
Беседа – это основной метод для подачи и изучения новых понятий.
Способы организации и методику проведения семинарского занятия по математическому анализу мы рассматриваем в статье [13].
42
В этой статье мы указываем на тот комплект учебных материалов,
которые каждый студент получает по каждой отдельной теме.
Чтобы пояснить сказанное, напомним, что такой комплект материалов содержит следующие элементы:
А. Листок для самостоятельной работы (ЛСР);
Б. Листок, который содержит:
a) Тексты задач, которые решаются во время самого семинарского занятия;
б) Набор задач для самостятельных упражнений и самоконтроля
(к которым даны ответы);
в) Задачи для любознательных студентов;
г) Исторические сведения.
Задачи, которые предлагаются в ЛСР, должны быть решены самостоятельно каждым студентом до проведения семинарского занятия по указанной теме.
Каждое занятие начинается с беседы, в которой преподавателем
комментируются ответы на поставленные в ЛСР вопросы.
Весьма удачным подходом является показ на слайде ответов на
поставленные в ЛСР вопросы. Таким образом каждый студент может самостоятельно исправить свои ошибки.Так, на практике, мы
припоминаем основные определения и теоремы, которые будут использоваться при усвоении новой темы.
Принимая во внимание значение беседы [6, с. 223], [7, с.322],
мы считаем, что она является важным средством для активизации
участия студентов в процессе обучения. Мы отдаем преимущество
обучающей беседе, в ходе которой ассистент направляет и „ведет”
студентов к формулировке правильного ответа.
В ходе учебного процесса используются еще описания и объяснения готовых чертежей, таблиц, а также построение и „чтение”
разных графиков.
Метод демонстрации сопутствует беседе и лекции и применяется
для наглядного представления учебного процесса. Эту работу успешнее всего проводить, используя компьютер.
Основной метод, использованный для оперирования понятиями,
определениями, аксиомами и теоремами – это упражнения, направленные на решение математических задач. В работе [7, с. 332]
указывается, что „ под понятием упражнение следует понимать сознательное совершение определенных действий и их повторение с
43
целью формировать и совершенствовать различные умения и
навыки”.
Упражнения, направленные на решение задач, поддерживаются
путем задавания вопросов. Авторы книги о проблемности в обучении математике [9, с.13] особо подчеркивают, что „при проведении
обучения нет более гибкого и более совершенного методического
инструмента, чем задавание (постановка) вопросов.
Великий ученый и исключительно талантливый педагог Д.И.
Менделеев говорил, что правильно заданный вопрос – это уже наполовину решенная задача [2, с.119].
По мнению М.П. Махмутова при управлении познавательной деятельности учащихся вопросы играют чуть ли не первостепенную
роль [5, с.216]. Мы полагаем, что этот вывод применим и в обучении студентов.
С психологической точки зрения „ вопрос – это начальный пункт
мыслительного процесса, так как его ответ выражается при помощи
суждения, а суждение является универсальным элементом мысли…
Правильно поставленный вопрос определяет поиск отсутствующих
в задании связей и ограничивает поле перебираемых в памяти гипотез” [3, с.140].
По этой причине ко всякому семинарскому занятию мы обдумываем ряд взаимосвязанных вопросов, которые помогают
мышлению и направляют его в необходимые рамки, при этом специальное внимание обращается на целый ряд требований к самим
вопросам. См. об этом в [6, с.225] и [1, с. 213 – 214].
Таким способом на практике активизируется мышление студентов, стимулируется поиск возможных решений, поддерживается интерес к поставленной задаче и стимулируются усилия для ее решения. Кроме того мы стремимся создать такую обстановку на учебном занятии, в которой студенты могли бы свободно, не стесняясь,
задавать вопросы.
И если раньше в практике обучения нами использовались преимущественно информационные вопросы, то сейчас мы стремимся
задавать большее количество проблемных вопросов (по терминологии Махмутова [5]).
Авторы указаной выше книги о проблемности в обучении математике [9, с.13] считают проблемным вопрос, который удовлетворяет следующим требованиям:
44
- вопрос должен иметь логическую связь с усвоенными ранее
понятиями и с теми новыми понятиями, которые будут изучаться в
рассматриваемой теме;
- вопрос должен включать в себе познавательную трудность,
учитывающую возможности студентов.
- вопрос должен вызывать у студентов потребность в новых знаниях и умениях /когнитивный диссонанс/.
Путем использования проблемных вопросов на занятиях осуществляется удачное управление теми видами деятельности, которые студенты совершают во время семинарского занятия. Но на
практике информационные и проблемные вопросы используются
комбинированно. С другой стороны вопросы помогают студентам
путем сравнивания и сопоставления открывать закономерности,
дифференцировать главное и второстепенное, существенное и несущественное и таким образом применять возможности познавательного метода.
Вопросы помогают и стимулируют самостоятельную работу для
формирования умений и навыков оперировать понятиями и утверждениями.
При помощи вопросов ассистент может констатировать, в какой
степени студенты понимают преподаваемую материю, и таким образом регулировать темп преподавания в каждой конкретной студенческой группе.
После рассмотрения каждой группы задач, при решении которых
используется один и тот же метод, целесообразно спросить у студентов, имеют ли они вопросы по теме.
С психологической точки зрения это весьма существенный момент, так как студентам предоставляется возможность в следующие мгновения обдумать и снова повторить услышанное на занятии. Этот подход помогает обучаемым переработать информацию в
своей рабочей /недолговечной /памяти и потом перебросить ее в
долговечную память [11, с. 227].
В процессе решения конкретных задач мы используем и риторические вопросы, поскольку они позволяют студентам следить за логикой рассуждений преподавателя. Этот прием также способствует
формированию математического мышления у студентов.
Д. Пойя [8, с.15] рекомендует преподавателям в процессе решения задач излагать свои мысли даже несколько в театральной манере, используя также и риторические вопросы.
45
Наблюдения над частотностью использования вопросов показывают, что преподаватели, которые задают больше вопросов в
связи с рассматриваемой тематикой, добиваются большей эффективности чем те, которые задают относительно небольшое количество
вопросов [11, с.284].
Мой личный опыт показывает, что использование диалога способствует созданию такой учебной ситуации, в которой замечается
повышенный интерес к упражнению, уменьшаются отсутствия с занятий, и у студентов формируется желание заниматься.
Мы вполне разделяем мнение Потоцкого о том, что „ обучать
самостоятельному мышлению особенно важно, потому что количество тех фактов науки, которые человек усваивает за годы обучения, сравнительно небольшое.Поэтому необходимо научить обучаемых самостоятельно приобретать знания… Так как самостоятельное мышление начинается с попытки ответить на вопрос, первостепенной задачей обучения является не просто требование
“изложить учебный материал”, а во время всего занятия ставить
вопросы перед учащимися” [10, с. 70].
Систематическая самостоятельная работа во время семинарского
занятия является гарантией для усвоения основных знаний и формирования соответствующих умений. Она является также определенным шагом к формированию умений для самостоятельной внеаудиторной работы студентов, которая, по нашим наблюдениям, все
еще не совсем оптимально организована.
П. Танова пишет в своей статье [12,с.84], что “по всей видимости
самой яркой чертой американской системы является тот факт, что
обучение ориентировано на студента, и оно базируется на углубленной самостоятельной внеаудиторной работе”
П. Петров [7, с. 333] указывает на следующие типы упражнений:
- по образцу (воспроизводящие, репродуктивные) - упражнения
подобного типа мы используем в самом начале семинарского занятия, когда демонстрируем новый метод решения задачи и студенты
воспроизводят данный им образец при попытке решить следующую
задачу.
Здесь обращаем особое внимание на обосновку каждой отдельной операции в процессе решения задачи.
- репродуктивно-вариативные упражнения (усложненного типа) при них приобретенные знания применяются в видоизмененных ситуациях, при постепенном повышении сложности задач.
46
Эта деятельность студентов осуществляется под непосредственным руководством преподавателя во время самого семинарского
занятия.
- творческие (продуктивные) упражнения – при них усвоенные
раньше знания и приобретенные умения применяются для решения
новых, более сложных задач.
Задачи подобного типа мы предлагаем в комплекте материалов,
предназначенном для любознательных студентов, а также в комплекте задач повышенной трудности. В этой деятельности преподаватель оказывает помощь студентам, рекомендуя им подходящую
литературу и используя индивидуальные консультации.
Так на практике при помощи упражнений, направленных на решение задач, у студентов формируются определенные умения, которые путем повторения операций перерастают в навыки.
Литература
1. Андреев, М. Процесът на обучението, С., Университетско издателство „Св.Климент Охридски”, 2001, с.423
2. Вергасов, В.М. Активизация мыслительной деятельности студента в высшей школе, К., „Вища школа”, 1979, с.214
3. Грановска, Р. Елементи на практическата психология, С., „Наука и изкуство”, 1989, с.436
4. Лишевский, В. Педагогическое мастерство ученого, М., „Наука”, 1975,с.115
5. Махмутов, М.И. Проблемное обучение, М.”Педагогика” 1975,
с.365
6. Милков, Л.Дидактика, Т., Юни Експрес, 2002, с.500
7. Петров, П.Дидактика, С., Изд.”Веда Словена – Ж”, 1998, с.455
8. Пойа, Д. Как да се решава задача, С., „Народна просвета”, 1972
9. Портев, Л. и др. Проблемност при обучението по математика,
С., „Народна просвета”, 1983,с.123
10. Потоцки, М.В. За педагогическите основи на обучението по математика, С., „Народна просвета”, 1966, с.202
11. Славин, Р.Педагогическа психология, С., „Наука и излуство”,
2004, с.608
12. Танова, П.Сравнителен анализ на методиката на преподаване на
икономикс в американските и българските висши училища и
шансовете на международното висше училище, Сборник препо47
даване, учене и контрол във висшето образование, П., 2004,
с.83-89
13. Karakasheva – Joncheva L. An attempt at optimizing the
organization and methodology in the seminars on mathematical
analysis, Proceedinds of the 6th Mediterranean Conferense on
Mathematics Education, Pl., 2009, c.323-331
48
THEMATIC CLASSIFICATION OF STRUCTURED AND
SEMISTRUCTURED EDUCATION ORIENTED TEXT DOCUMENTS
Kebkalo Alex, Mykhailiuk Anton, Tarasenko Volodymyr
B.D. Hrynchenko Kyiv Municipal Pedagogical University,
National Technical University of Ukraine “Kyiv Polytechnic Institute”
The task of the automated classification of text documents with metadata
usage about the document structure is considered. The approaches,
unlike the majority of existing methods, work with text not as with a mere
set of words, sentences, paragraphs etc., but as with a set of fields which
are characterised by a certain semantic trend. The given approaches are
oriented to the structured or partially structured texts.
ТЕМАТИЧНА КЛАСИФІКАЦІЯ СТРУКТУРОВАНИХ ТА
ЧАСТКОВО СТРУКТУРОВАНИХ ТЕКСТОВИХ ДОКУМЕНТІВ
ОСВІТНЬОЇ СПРЯМОВАНОСТІ
Кебкало О.С., Михайлюк А.Ю., Тарасенко В.П.
Київський міський педагогічний університет імені Б.Д.Грінченка,
Національний технічний університет України «Київський політехнічний інститут»
Розглядається задача автоматизованої класифікації текстових
документів з використанням метаданих про структуру документа. Аналізуються підходи, які, на відміну від більшості відомих методів класифікації, працюють з текстом не як з набором слів, речень, абзаців тощо, а як з набором полів, котрі, як правило, характеризуються певною семантичною спрямованістю. Дані підходи
орієнтовані на структуровані або частково структуровані тексти.
Вступ
Задача класифікації електронних текстових документів не є новою, але залишається актуальною. Під класифікацією розуміють
встановлення відповідності певного тексту певній категорії з визначеного набору [1]. Класифікація може виконуватись як за тематичним спрямуванням документів, так і за іншими ознаками (наприклад, за типом документа). Об’єктом класифікації виступає текстовий документ, під яким будемо розуміти природомовний електронний текстовий об’єкт (текст підручника чи його розділу, реферат,
методичні вказівки, наукова стаття тощо).
49
Реалізація механізмів класифікації в документоорієнтованих інформаційних,
інформаційно-пошукових
або
інформаційноаналітичних системах, зокрема в системах науково-освітньої спрямованості, надає можливість користувачеві здійснювати швидкий та
зручний підбір документів за обраною тематикою або множиною
тематик, за обраними типами тощо [2].
Для розв’язання задачі автоматизованої класифікації розроблена
велика кількість різноманітних методів (імовірнісні методи, дерева
рішень, регресійні методи, нейронні мережі, методи з використанням опірних векторів, k найближчих сусідів та інші). Більшість цих
методів орієнтовані на так званий «flat text», тобто вхідний документ розглядається просто як набір лексичних одиниць – слів, речень тощо. Усі перераховані методи базуються на виконанні машинного навчання: спочатку необхідно «навчити» або налаштувати
класифікатор (програмні засоби, які класифікують) на конкретну
множину класів за допомогою навчальної множини документів.
Дуже часто буває так, що документи, які необхідно класифікувати, є структурованими або частково структурованими. Структуровані документи складаються з множини частин або текстових полів,
які розташовані у визначеному порядку та утворюють структуру
документа. В частково структурованих документах деякі частини
або поля можуть бути відсутніми, порядок частин може бути різним
навіть для документів одного типу. Різниця між структурованими та
неструктурованими документами ілюструється на Рис. 1.
Документ
Документ
Текст
Частина 1
Частина 2
Частина 3
а)
б)
Рис. 1. а) неструктурований документ;
б) структурований або частково структурований
документ
У якості прикладу структурованих документів можна навести
документи, створені за певним фіксованим шаблоном. Це можуть
50
бути заяви, розпорядження, накази тощо. Якщо документи створюються за одним фіксованим шаблоном, вони мають одну й ту саму
кількість частин та полів, вміст яких відрізняється для різних документів, але структура документів визначається шаблоном та залишається незмінною.
Приклади частково структурованих документів – електронні версії книг, реферати, методичні вказівки, наукові статті тощо. Для
кожного з цих типів документів можна виділити поля та частини
(назва, автори, зміст, розділи, посилання та інші), але перелік та порядок цих полів може змінюватись від документу до документу.
Неструктурований документ – це звичайний текст, структуру
якого виділити проблематично, або структура якого невідома.
Дослідження показують, що використання інформації про структуру документа може помітно підвищити ефективність автоматизованої класифікації (як точність, так і повноту).
Особливості процедури класифікації структурованих документів
Дуже спрощена схема роботи процедури класифікації без урахування структури документу зображена на Рис. 2.
Текст
документа
Засоби
класифікації
Результат
класифікації
(результуючий
клас або класи)
Рис. 2. Класична схема класифікації текстових документів
Якщо розглянути класифікацію структурованих та частково
структурованих документів, то до засобів класифікації додаються
засоби обробки структури документа та засоби формування результату (Рис.3).
Текст
документа
Засоби
обробки
структури
документа
Засоби
класифікації
Засоби
формування
результату
Результат
класифікації
(результуючий
клас або класи)
Рис. 3. Схема класифікації структурованих або частково
структурованих текстових документів
51
Засоби обробки структури документу призначені для виявлення
частин документу та отримання значень конкретних полів, які
включає в себе документ. Складність реалізації засобів обробки
структури документу буде залежати від типа та форми його подання. Документ може бути у форматі HTML або XML (наприклад,
для задачі створення тематичних рубрикаторів web-сайтів), або документ може бути електронним листом (для задачі фільтрації спаму). У цьому разі засоби обробки структури документу будуть досить тривіальними. Набагато складнішою буде реалізація засобів
обробки частково структурованих документів.
Для реалізації засобів обробки структури документу авторами
розроблено метод, заснований на використанні дерева шаблонів,
який дозволяє обробляти частково структуровані або структуровані
документи. Дерево шаблонів надає можливість подати метадані про
структуру довільного документу.
Звісно, що підхід, зображений на Рис.3, в загальному випадку є
більш складним, ніж той, який наведено на Рис.2, але він забезпечує
значно кращий результат. Більше того, для певної категорії документів результат класичного підходу буде незадовільним, тоді як модифікована схема дозволить отримати високі показники класифікації. Це, в першу чергу, стосується документів, які мають дві чи більше частин різної семантичної спрямованості, у той час, коли класифікація передбачається лише за однією семантичною спрямованістю.
Авторами розроблено математичний апарат, який дозволяє проаналізувати ті чи інші документи та визначити доцільність аналізу
та врахування структури тексту при виконанні класифікації та інших інтелектуальних процедур (кластеризації, анотування/реферування, отримання даних).
В залежності від підходу, який застосовується для класифікації,
може виникнути необхідність у засобах формування результату
(наприклад, у випадку, коли кожна частина документу класифікується окремо; відповідно, будуть згенеровані класи для кожної з
них, і тому необхідна наявність у класифікаторі засобів формування
результату, які отримають остаточний клас або набір класів).
Способи класифікації структурованих та частково структурованих документів
Існують різні підходи до класифікації структурованих та частково-структурованих документів.
52
Один з найбільш простих підходів – використання для класифікації не всього документу, а деяких його фрагментів. В [3] для автоматизованої класифікації патентів використовується тільки назва,
анотація, перші 20 рядків резюме та розділ, в якому описується новизна винаходу.
В багатьох випадках використовуються модифікації методів для
неструктурованих документів. В [4] також розглядається задача
класифікації патентів, але, на відміну від [3], використовується весь
текст патентів, а для класифікації застосовується модифікація методу k найближчих сусідів. В [5] та [6] використовуються модифікації
ймовірнісних методів.
В [7] наведені найбільш поширені способи, придатні для виконання класифікації структурованих та частково структурованих документів: tagging, splitting та stacking.
Tagging. Цей підхід полягає в тому, що однакові слова в різних
частинах документів вважаються різними об’єктами. До кожного
слова додається позначка, яка відповідає частині документу, в якій
присутнє дане слово. Таким чином отримуємо модифікований текст
документу, який вже можна класифікувати за допомогою одного з
класичних методів. Перевагою підходу є те, що він дозволяє використовувати будь-які методи класифікації без модифікації. Цей підхід використовується в [5].
Splitting. Підхід полягає в тому, що кожна з частин документу
класифікується окремо за допомогою одного з класичних методів.
Процедура навчання класифікатора також виконується окремо для
кожної частини. При цьому підході окремою задачею є формування
кінцевого результату. Способи, які для цього використовуються, залежать від методу класифікації неструктурованих документів, який
використовується.
Stacking. Цей підхід схожий на попередній, але його особливістю
є те, що для формування кінцевого результату використовується ще
один класифікатор (так званий метакласифікатор), на вхід якого потрапляють результати класифікації окремих частин. Використання
метакласифікатора дозволяє уникнути ряду проблем, властивих попередньому підходу. Дослідження, проведені в [7], показують, що
цей підхід є найбільш ефективним для класифікації структурованих
та частково структурованих документів.
Розглянуті методи розроблялись та досліджувались на англомовних текстових документах, які можна віднести до класу структуро53
ваних. Для науково-освітньої галузі більш характерними є частково
структуровані документи. На даний момент планується апробація
способу класифікації, розробленого авторами, який є модифікацією
способу splitting, орієнтованого на україномовні частково структуровані документи, в першу чергу науково-освітні.
Висновки
Показано шляхи підвищення ефективності класифікації за рахунок використання структури вхідних документів. Результати досліджень вказують на те, що це є перспективним шляхом розширення
інтелектуальних можливостей документоорієнтованих систем, зокрема інформаційно-пошукових систем, спрямованих на роботу з науково-освітніми документами, більшість яких можна віднести до
класу частково-структурованих.
Слід зазначити, що розглянуті підходи можливо використовувати не тільки для класифікації, а й для інших аналітичних процедур,
призначених для роботи з текстовими документами (у тому числі
науково-освітнього напряму), а саме кластеризації, анотування та
реферування, отримання даних з тексту.
Література
1. Fabrizio Sebastiani. Machine Learning in Automated Text
Categorization // ACM Computing Surveys. – 2002.–vol.34.
2. Роберт И.В., Самойленко П.И. Информационные технологии в
науке и образовании. – М., 1998. —178 с.
2. Leah S. Larkey. A patent search and classification system //
Proceedings of DL-99, 4th ACM Conference on Digital Libraries. –
1999.
3. Jae-Ho Kim, Key-Sun Choi. Patent document categorization based
on semantic structural information // Information Processing &
Management. – 2007.–№5.
4. Jeonghee Yi, Neel Sundaresan. A classifier for semi-structured
documents // Proceedings of KDD-00, 6th ACM International
Conference on Knowledge Discovery and Data Mining. –2000.
5. Ludovic Denoyer, Patrick Gallinari. Bayesian network model for
semi-structured document classification // Information Processing &
Management. – 2004.–№5.
6. Bratko, A. and Filipic, B. Exploiting Structural Information for
Semi-structured Document Categorization // Information Processing
& Management. –2006.–№3.
54
55
PEDAGOGICAL DIAGNOSTICS METHODS AND THEIR
REALISATION IN THE AUTOMATED SYSTEMS
Kolgatin O.G.
Kharkiv National Pedagogical University named after G.S.Skovoroda,
Kharkiv, Ukraine
New pedagogical diagnostics methods, which oriented on ICT use, are
observed. Realisation of pedagogical diagnostics functions at conditions
of automation of the diagnostic process is analysed.
МЕТОДИ ПЕДАГОГІЧНОЇ ДІАГНОСТИКИ ТА ЇХ РЕАЛІЗАЦІЯ В
АВТОМАТИЗОВАНИХ СИСТЕМАХ
Колгатін О.Г.
Харківський національний педагогічний університет
імені Г.С.Сковороди, Харків, Україна
Розглянуто нові методи педагогічної діагностики, що орієнтовані
на застосування інформаційно-комунікаційних технологій. Проаналізовано особливості реалізації функцій педагогічної діагностики за
умов її автоматизації.
Методи педагогічної діагностики поєднують у собі певні методи
педагогічного контролю, психодіагностики, фізіології, соціології.
Але спеціальних наукових досліджень, що розглядають ці методи з
точки зору їх застосування у педагогічній діагностиці того, хто навчається, з метою оптимізації навчального процесу небагато [1], [2],
[3], [4].
Розглядаючи методи діагностичної діяльності К. Інгенкамп виділяє спостереження, опитування, тестування [1]. За галуззю досліджень виділяють [1, с.87] тести досягнень (розвитку, інтелекту, загальної результативності, шкільної успішності, спеціальні) і психометричні особистісні тести (особистісні структурні тести, тести на
інтереси і установки, клінічні тести).
К.Інгенкамп, також, наводить поширену серед педагогів німецькомовних країн класифікацію [1, с.88]: тести шкільної успішності;
комбіновані тести шкільної успішності і професійної придатності;
тести, що визначають рівень розвитку дитини та її готовність до
школи; тести інтелекту і професійної придатності; тести на увагу і
вміння концентруватися; соціальні тести; анкета.
Така класифікація мабуть і є зручною з практичної точки зору,
оскільки до кожного напряму педагогічної діагностики називає
56
найбільш поширені на момент її складання діагностичні методи.
Але у науковому розумінні така класифікація не виділяє ознаки методів, тобто не забезпечує їх науковий аналіз. Розвиток діагностичних технологій призводить до появи нових методів, зміщення акцентів, тому потрібна класифікація, що будується за певними ключовими ознаками.
Ю.Бабанський розглядає методи педагогічного дослідження за
такими напрямами [4]: метод педагогічних спостережень; методи
рейтингу і самооцінки; методи бесіди, інтерв’ювання і анкетування;
метод педагогічного консиліуму; метод діагностуючих контрольних
робіт (в тому числі програмований контроль, навчаючий діагностичний експеримент); метод контрольних лабораторних робіт; метод
педагогічного експерименту. На наш погляд в основу цієї класифікації покладено активність і зміст взаємодії суб’єктів діагностичної
діяльності:
 спостереження – діагностичну діяльність здійснює тільки
викладач, взаємодія викладач – студент або відсутня, або відповідає
певному етапу навчального процесу і не пов’язана з діагностикою;
 самооцінка – діагностичну діяльність здійснює студент, він
повідомляє інформацію про себе, оброблену за певним заздалегідь
обговореним алгоритмом, викладач тільки допомагає йому у разі
необхідності;
 бесіда, інтерв’ю і анкетування – студент повідомляє інформацію про себе за певними питаннями без обробки, викладач пропонує питання і здійснює обробку;
 метод діагностуючих завдань (контрольна робота, лабораторна робота, навчаючий експеримент тощо) – студент розв’язує спеціальне діагностуюче завдання, вирішує деяку проблему, викладач
здійснює спостереження за перебігом роботи і результатами за певним формалізованим планом і обробляє діагностичні дані;
 педагогічний консиліум – діагностична діяльність здійснюється групою викладачів без участі студента. Фактично цей метод є
способом узагальнення неформальних попередніх педагогічних
спостережень викладачів за навчальною діяльністю студента. Тобто
це не метод збирання даних, а метод їх обробки і систематизації;
 педагогічний експеримент – передбачає дослідження навчального процесу, а не конкретного студента, у діагностичній діяльності приймають участь група студентів і викладач (група викладачів).
57
В умовах застосування автоматизованої системи педагогічної діагностики функції викладача щодо взаємодії із студентом і обробки
результатів може виконувати комп’ютер, тобто викладач взаємодіє
із студентом опосередковано через підготовку завдань і сценарію
діалогу, участь в інтерпретації результатів діагностики.
Традиційно відомі такі форми і методи забезпечення зворотного
зв’язку між студентом і викладачем у навчальному процесі [5,
с.374-378]: спостереження, усне опитування, письмовий контроль
(диктант, перекази, твори, відповіді на запитання, розв’язання задач, виконання вправ, графічних робіт, написання рефератів тощо),
комбіноване опитування, тестовий контроль, програмований контроль (наприклад, підручники з друкованою основою), практичний
контроль, самоконтроль, заліки та екзамени. До цього можна додати
низьку методів діагностики з фізіології (наприклад, апаратне вимірювання – використовується деякий пристрій для вимірювання фізіологічних параметрів студента), та соціології (анкетування, опитування, спостереження), які мають органічно включатися у навчальний процес.
Автоматизована система педагогічної діагностики створює
принципово нову форму взаємодії викладача і студента через інтерфейс студент–комп’ютер, в якій реалізується навчальний або навчально-діагностичний діалог із студентом і є можливість здійснення апаратних вимірювань для оцінки його фізіологічного стану.
В умовах впровадження автоматизованої системи педагогічної
діагностики традиційні методи збирання діагностичних даних повністю зберігають свою актуальність, відповідна інформація вноситься до системи суб’єктами діагностичної діяльності. Але арсенал
методів діагностики збагачується новими методами, що орієнтовані
на застосуванням інформаційно-комунікаційних технологій, що робить актуальним аналіз умов їх застосування і особливості реалізації функцій педагогічної діагностики, що і складає мету даної роботи.
Автоматизоване спостереження може здійснюватися на будьякому етапі навчального процесу за допомогою відповідних датчиків, запису звуку або відео інформації. Підключення датчиків до
комп’ютерної мережі дозволяє обробляти інформацію і застосовувати її на користь оптимізації навчальної діяльності кожного студента. Доцільність і етичність такого спостереження має обговорюватися окремо. Питання етики невключеного спостереження у загалі
58
стоять дуже гостро, навіть якщо його здійснює викладач [1, c.62]. У
будь-якому випадку студенти мають бути попереджені про зміст і
мету діагностики, яка можлива тільки за згодою студентів. Щодо
сучасної практики автоматизованого спостереження, то у закордонних педагогічних дослідженнях широко застосовується аналіз відеозаписів уроків. Інформація про інше застосування автоматизованих систем у невключеному спостереженні відсутня. Існують прості
у застосуванні датчики, що фіксують певні фізіологічні характеристики людини, наприклад, втому, але у освітньої практиці такі системи не застосовуються і доцільність їх застосування не визначено.
Іншим напрямом застосування автоматизованого спостереження
за навчальною діяльністю студента є інтелектуальні навчаючи системи, інформаціно-довідкові системи, комп’ютерні тренажери та
інші програмні засоби дидактичного призначення. Такі програмні
засоби здатні фіксувати стратегію навчання, яку обирає студент, і
час, що витрачається на роботу с певними інформаційними ресурсами. Існують методики, що дозволяють досліджувати психофізіологічний стан користувача на основі аналізу рухів миші, особливостей користування клавіатурою тощо. Етичні питання такого спостереження мають досліджуватися дуже ретельно.
Автоматизоване тестування дозволяє застосовувати адаптивні
алгоритми тестування і значно розширює перелік інформаційних
параметрів, що зберігаються у процесі роботи студента з тестовими
завданнями, що забезпечує якісне новий рівень реалізації функцій
педагогічної діагностики у порівнянні з традиційним бланковим тестуванням.
Слід зазначити, що, навіть на сучасному рівні розвитку інформаційних систем університетів, автоматизоване тестування не має
економічних переваг перед традиційними методами, в тому числі
бланковим тестуванням: потрібне обладнане індивідуальне робоче
місце для кожного студента, спеціальне програмне забезпечення, і
головне – підготовка тестів для автоматизованих систем діагностики потрібує більше людських і матеріальних ресурсів ніж підготовка бланків для тестування. Це, у першу чергу, пов’язано з необхідністю забезпечити секретність тестових завдань, що у практиці університетського навчання передбачає створення багатоваріантних
тестів і систематичне поновлення банку завдань. Ефективність і доцільність застосування автоматизованої педагогічної діагностики в
університетському навчальному процесі визначається не економіч59
ними, а дидактичними перевагами автоматизованих систем: можливістю реалізації індивідуального (адаптивного) підходу до кожного
студента, високою оперативністю і інформативністю результатів діагностики.
Автоматизована педагогічна діагностика забезпечує високу оперативність збору і обробки інформації, що сприяє реалізації контрольної функції діагностики. У разі активного застосування поточного тестового контролю фактор оперативності стає визначальним,
оскільки кількість відповідей значна: часто студент за результатами
тестування проводить самоаналіз, повертається до певних форм навчання і повторно проходить діагностику. Так, за нашим досвідом
впровадження автоматизованої діагностики у Харківському національному педагогічному університеті загальна кількість відповідей
на тестові завдання з однієї навчальної дисципліни (один потік студентів) в один день може досягати декілька тисяч.
Принципові переваги автоматизованого тестування проявляються щодо реалізації навчальної функції педагогічної діагностики:
 оперативний зворотний зв’язок у процесі контролю: підказки, можливість негайної оцінки відповіді, застосування багатокрокових завдань, можливість запропонувати студенту завдання з елементами моделювання ситуацій;
 можливість створення на базі тесту тренажерів для запам’ятовування однотипної інформації (іноземна мова, деякі правила, класифікації).
Автоматизована діагностика відкриває широкі горизонти реалізації функції інформаційного зворотного зв’язку, завдяки високої
інформативності результатів. З’являється можливість зберігати не
тільки відповіді, а й додаткову інформацію про перебіг роботи студента, наприклад, час виконання завдань, послідовність їх вибору у
системах з вільним порядком виконання завдань, навіть, зайві рухи
мишею тощо. Ця інформація має стати підґрунтям для аналізу структури навчальних досягнень студента, його психофізіологічного
стану, емоційного ставлення до певних елементів навчального матеріалу.
Не можна не звернути увагу, що збереження усіх відповідей студента є обов’язковим для комп’ютерної системи тестування. Бланкове тестування завжди зберігає усі відповіді. Вони не завжди обробляються детально, але зберігаються завжди. Деякі комп’ютерні
60
системи дозволяють собі не зберігати цю найціннішу інформацію.
Такі системи не є перспективними.
Коли усі відповіді за результатами тестування зберігаються у середовищі автоматизованої системи, з’являється можливість накопичення результатів, спостереження і аналізу динаміки навчальних
досягнень, застосування сучасних математичних засобів обробки
даних.
Якщо наприкінці минулого сторіччя вже сам факт застосування
комп’ютерів у навчанні був потужним мотиваційним чинником, то
у сучасних умовах для забезпечення стимулюючо-мотиваційної
функції контролю цього не достатньо. Сучасні автоматизовані системи педагогічної діагностики дозволяють застосовувати завдання з
елементами графіки [6], [7], динамікою зображень, звуковим супроводом. В автоматизованій діагностичній системі можна передбачити створення ігрової ситуації, змагання. Застосування адаптивних
алгоритмів забезпечує роботу студента в найбільш сприятливому
для нього режимі, в тому числі за складністю завдань, що, безумовно є стимулюючо-мотиваційним чинником.
Автоматизація тестування сприяє реалізації виховної функції
педагогічної діагностики. По-перше, автоматизоване тестування надає інструмент, що допомагає у здійсненні самодіагностики навчальних досягнень, що сприяє розвитку самостійності у навчанні. Подруге, відкритість загальних результатів і одночасно конфіденціальність індивідуальних діагностичних даних (завдяки розвиненим
системам управління повноваженнями користувачів) створює умови для об’єктивної самооцінки студентом власних досягнень.
Висновки
1. Автоматизація педагогічної діагностики на основі використання засобів інформаційно-комп’ютерної техніки дозволяє значно
підвисити ефективність реалізації її функцій.
2. Досягти позитивного впливу автоматизованого контролю на
навчальний процес можна тільки за умови застосування якісного
програмного забезпечення і його відповідності дидактичній меті.
3. Проектування автоматизованої системи педагогічної діагностики має здійснюватися з урахуванням особливостей її застосування в конкретних умовах навчального процесу.
Література
61
1. Ингенкамп К. Педагогическая диагностика: Пер. с нем. /
К.Ингенкамп – М. : Педагогика, 1991. – 240 с.
2. Педагогическая диагностика в школе / А.И.Кочетов,
Я.Л.Коломинский, И.И.Прокопьев и др.; Под ред. А.И.Кочетова.
– Минск : Народная асвета, 1987. – 223 с.
3. Максимов В.Г. Педагогическая диагностика в школе /
В.Г. Максимов – М. : Академия, 2002. – 270 с.
4. Бабанский Ю.К. Проблемы повышения эффективности педагогических
исследований:
(Дидактический
аспект)
/
Ю.К.Бабанский. – М. : Педагогика, 1982. – 192 с.
5. Лозова В.І. Теоретичні основи виховання і навчання: Навчальний посібник / В.І.Лозова, Г.В.Троцко; Харк. держ. пед. ун-т ім.
Г.С. Сковороди. – Харків : «ОВС», 2002. – 400 с.
6. Білоусова Л.І. Тестологічний аналіз у системі "Експерт" /
Л.І.Білоусова, О.Г.Колгатін, Л.С.Колгатіна // Комп’ютер у школі
та сім’ї. – №7, 2003. – С.41-43.
7. Кравцов Г.М. Особливості контролю знань у системах дистанційного тестування знань / Г.М.Кравцов // Вимірювання навчальних досягнень школярів і студентів: гуманістичні, методичні,
технологічні аспекти: Матеріали 2-й Міжнародної науковометодичної конференції, 13–14 грудня 2007 р. – Х., 2008. –
С.64–68.
62
APPLICATION OF ZIPF’S LAW IN LINGUISTIC RESEARCHES
Natalia Kuzminska, Yulia Vasyutunska
National University of Food Technologies, Kiev, Ukraine
The results of Zipf’s law check are described. For testing the highly profiled and literary texts in Ukrainian are selected.
ЗАСТОСУВАННЯ ЗАКОНУ ЦИПФА В ЛІНГВІСТИЧНИХ
ДОСЛІДЖЕННЯХ
Н.Л. Кузьмінська, Ю.О. Васютинська
Національний університет харчових технологій, Київ, Україна
У статті описано результати перевірки закону Ципфа. Для перевірки вибрано вузькопрофільні та літературні тексти на українській
мові.
Вступ
У різні часи у багатьох науковців виникало бажання пов’язати
алгебру чисел із законами природи, довівши цим досконалість усього навколишнього.
Будь-який витвір мистецтва – це складно організоване ціле, яке
складається із багатьох порівняно простих, але гармонічно поєднаних елементів. В літературі – це слова, в музиці – звуки, в живописі
– кольори… Іноді ці елементи легко відділяються один від одного,
іноді ні. Деякі зустрічаються досить часто, деякі – дуже рідко.
Автори належать до тих, хто вірить, що і мова, як складний процес поєднання звуків, букв, слів теж має тісний зв'язок з числами,
тому прагнуть до пошуку істини у цьому питанні.
Теоретичні відомості
На початку минулого століття француз Есту (J. Estoup) задумав
створити систему стенографії на науковій основі. Його задум ґрунтувався на думці: чим частіше слово зустрічається, тим простішим
має бути стенографічний знак, який позначає це слово. Для визначення частот слів, Есту склав словник, який в наш час отримав назву частотного. Слова в цьому словнику розміщувалися в порядку
спадання частоти, з якою вони зустрічалися в досліджуваному тексті. Він помітив, що якщо порядковий номер слова помножити на
його частоту, то отримані добутки майже не змінюються, тобто
pi  i  const , де i - порядковий номер слова, pi - частота і-го слова.
Даний результат було опубліковано в 1916 році. Есту не помітив,
63
що якщо цю залежність переписати інакше, тобто у вигляді функціональної залежності частоти pi від порядкового номера i :
const
, то отримаємо «гармонійну послідовність чисел», яку
pi 
i
отримав Піфагор для коливань струни [1].
Результат Есту залишився непоміченим, десять років по тому до
схожого результату прийшов співробітник телефонних лабораторій
фірми «Белл» Е. Кондон (Е. Condon) – йому частоти слів знадобились для оптимізації телефонних кодів. Ще через десять років вийшла книга американського лінгвіста Ципфа (Georg Zipf) «Психобіологія мови». Він намагався говорити про гуманітарну науку на
мові чисел та графіків. Так на сьогодні закономірність знайдену ще
Естом та Кондоном називають «законом Ципфа», так як саме Ципф
розширив спостереження Еста і Кондона і дав їм змістовну інтерпретацію [1]. Свій закон Ципф вивів експериментально, досліджуючи
різноманітні тексти на різних мовах і різної історичної давності.
Отримана залежність графічно виражається гіперболою, а точніше
має форму «гіперболічних сходів». Ципф виявив, що при зміні одного тексту іншим загальний характер розподілу не змінюється.
На початку 50-х років минулого століття кібернетик Б. Мандельброт (В. Mandelbrot), який досліджував процеси оптимізації кодування, запропонував теоретичне обґрунтування закона Ципфа. Він
вважав, що можна порівняти письмову мову з кодуванням, причому
всі знаки повинні мати певну «вартість». Б. Мандельброт отримав
K
таку залежність: pi 
, де  , K , B - const , які залежать від
( B  i)
властивостей тексту та визначаються статистичними методами. Ця
залежність включає в себе закон Ципфа, як частинний випадок [1,2].
Також було встановлено, що описаній залежності підпорядковані
не тільки мови, але й явища соціального і біологічного характеру:
розподіли населення за розмірами прибутків в капіталістичних країнах (В. Парето, 1897 р.), біологічних родів за чисельністю видів
(Дж. Уілліс, 1922 р.), вчених за числом опублікованих ними статей
(А. Лотка, 1926 р.), документів в будь-якій галузі знань (С. Бредфорд), міст США по чисельності населення (Д. Ципф, 1949 р.) [2].
Дослідники, які працювали над перевіркою закона Ципфа в наш
час, виявили, що додатки, які створюються для Linux, теж узгоджуються з цією теорії [3], крім того ця ж закономірність діє і для
64
частки ринку програмного забезпечення, безалкогольних напоїв, автомобілів, цукерок, для частоти звернення до інтернет-сайтів [4].
Упорядкована сукупність, яка задається ранжуванням (порядком
розміщення) найменувань елементів за частотою їх появи в порядку
її спадання, називається ранговим розподілом. Прикладами рангових розподілів є розподіли, які вивчав Ципф. При побудові рангові
розподіли в більшості випадків мають форму закону Ципфа з поправкою Мандельброта: pi  i  const . При цьому коефіцієнт  є
змінною величиною, він не змінюється тільки на середній ділянці
графіка розподілу. Якщо графік приведеної вище закономірності
побудувати в логарифмічних координатах, то ця ділянка приймає
форму прямої, і називається центральною зоною рангового розподілу, зліва від цієї зони знаходиться зона ядра рангового розподілу, а
праворуч – зона утинання.
Якщо аналізувати терміни якої-небудь області знань, то ядерна
зона містить найбільш загальновживані, загальнонаукові терміни.
Центральна зона містить терміни найбільш характерні і специфічні
саме для даної області знань. В зоні утинання зосереджені терміни
не характерні для даної області знань. Таким чином, основа лексики
певної області знань зосереджена в центральній зоні рангового розподілу. За допомогою термінів ядерної зони ця область знань «стикується з більш загальними областями знань», а зона утинання грає
роль авангарду, який налагоджує зв’язки з іншими галузями науки.
За допомогою графіка рангового розподілу можна охарактеризувати
досліджувану область знань. Графік, який має велику ядерну зону
та малу зону утинання відноситься до консервативної області знань.
Для динамічних галузей науки характерна збільшена зона утинання,
для оригінальних областей знань – мала ядерна зона [2].
Дослідження закону Ципфа на прикладі українських текстів
Автори статті вирішили долучитися до числа тих дослідників,
які працюють над перевіркою закона Ципфа. Для перевірки було
взято однакового обсягу частини вузькопрофільних (харчова промисловість, економіка) та літературного текстів написаних українською мовою в один часовий період (5 років) (текст 1 – [5], текст 2 –
[6], текст 3 – [7]). Для складання частотних словників використана
програма TextAnalyzer, яка була створена спільно з Міжнародним
науково-навчальним центром інформаційних технологій та систем
НАН України та МОН України і пройшла апробацію в вищезгаданому центрі. Більш докладно остання версія програми описана у [8].
65
Ми не мали за мету порівнювати ці тексти між собою, лише перевірити на скільки для кожного виду текстів виконується закон
Ципфа, на скільки справджується припущення щодо зон рангового
розподілу при аналізі термінів, якщо розглядати тексти вузькопрофільного напряму.
Приведемо основні статистичні характеристики текстів, які розглядаються (таблиця 1).
Таблиця 1
Характеристика
Текст 1
Текст 2
Текст 3
Всього літер у словнику
88 718
89 545
63 663
Всього літер у тексті
356 111
333 465
170 398
Всього слів у тексті
50 740
50 632
36 424
Всього унікальних слів
9 886
10 289
8 709
Макс. кількість літер у слові
25
23
19
Мін. кількість літер у слові
1
1
1
Усього речень
2 608
3 105
3 132
Середня кількість літер у слові
(в тексті)
7,02
6,59
4,68
Середня кількість літер у слові
(в словнику)
8,97
8,70
7,31
Коефіцієнт багатства лексики
0,20
0,20
0,24
Середня кількість слів в реченні
19,46
16,31
11,63
Зобразимо графічно для кожного текста залежність, описану
Ципфом (діаграма 1), утворивши з частотного словника ранговий
розподіл. Для наочності вибрано обмеження по частоті - 500, а по
порядковому номеру - 300, що не впливає на загальний вигляд діаграми. Дійсно, описана Ципфом залежність має форму гіперболи незалежно від типу текста. Більше того, для вузькопрофільних текстів
(текст 1, текст 2), криві майже співпадають.
Діаграма 1
66
500
450
400
Pi, частота
350
300
250
200
150
100
50
0
1
21
41
61
81 101 121 141 161 181 201 221 241 261 281
і, порядковий номер
Текст 1
Текст2
Текст 3
Спробуємо описати характеристики областей знань (текст 1,
текст 2). Якщо для даних текстів побудувати графіки рангових розподілів в логарифмічних координатах, то можна прослідкувати наступне для обох розподілів форму прямої графіки приймають наближено на ділянці від 90 до 320 (за порядковим номером), що відповідає центральній зоні. Тоді ядерній зоні відповідає ділянка від 1
до 89, а зоні утинання від 321 до 88 718 (текст 1) та 89 545 (текст 2).
Отже, оскільки зона утинання збільшена, це свідчить про те, що ці
два тексти представляють динамічні науки. І насправді, як харчова
промисловість, так і інноваційний менеджмент є достатньо динамічними галузями науки.
На прикладі тексту 1, проаналізуємо терміни, які потрапили в різні зони. В ядерну зону потрапили терміни: управління, розвиток,
проект, виробництво, інновація; в центральну: нововведення, менеджмент, прогнозування; у зону утинання: час, держава, відносини
та інші. Провести межу між загальнонауковими та найбільш характерними для даної області знань термінами досить важко. А в зону
67
утинання, дійсно, потрапили терміни, які не характерні для даної
області знань.
Висновки
На основі проведеного дослідження можна зробити такі висновки:
- для обраних текстів закон Ципфа не виконався для всього
частотного словника, але на окремих ділянках рангового розподілу
він має місце, що дає підстави для розгляду задачі про знаходження
поправки Мандельброта.
- розглянувши графіки рангових розподілів в логарифмічних координатах, слова частотних словників були поділені на зони,
при цьому не було виявлено чіткої межі між розподілом термінів на
загальнонаукові та найбільш характерні для даної області знань,
можливо це пов’язано з тим, що для підтвердження припущення
щодо розподілу термінів по зонах потрібно взяти текст іншого
більш вузького спрямування. Припущення щодо зони утинання підтвердилось, в ній знаходяться терміни не характерні для даної області знань.
Література
1. Ю.К. Орлов. Невидимая гармония. // Число и мысль. Вып. 3. –
М.: Знание, 1980. С. 70 - 105.
2. Н.Н. Чурсин. Популярная информатика. – К.: «Техника», 1982. –
158 с.
3. T. Maillart, D. Sornette, S. Spaeth and G. von Krogh. Empirical
Tests of Zipf’s Law Mechanism in Open Source Linux Distribution.
// Physical Review Letters (2008) (http://www.physorg.com).
4. Сет Годин. Идея-вирус? Эпидемия! Заставьте клиентов работать
на ваш сбыт. – СПб.: "Питер", 2005 г. – 192 с.
5. П.П. Микитюк. Інноваційний менеджмент: Навчальний посібник. – Тернопіль: Економічна думка, 2006. – 295 с.
6. І.В. Сирохман, Т.М. Раситюк. Товарознавство м’яса і м’ясних
товарів. Підручник. – К.: Центр навчальної літератури, 2004. –
384 с.
7. Юрко Покальчук. Озерний вітер. – К.: Клуб сімейного дозвілля,
2008. – 232 с.
8. Власенко Н.А., Кузьминская Н.Л., Максименко А.А. Текстометрические исследования многоязычных научных текстов. //
УСиМ. – 2009. – № 2. – с. 43-47.
68
SOME ASPECTS OF THE INFORMATIVE SYSTEM PLANNING
RESEARCHES IN APS OF UKRAINE
Kuznetsova Tetyana
Institute of Information Technologies and Means of Education of APS of
Ukraine
Kiev, Ukraine
Some aspects of the informative system planning researches in Academy
of pedagogical sciences of Ukraine are considered in the article.
ДЕЯКІ АСПЕКТИ СТВОРЕННЯ ІНФОРМАЦІЙНОЇ СИСТЕМИ
ПЛАНУВАННЯ НАУКОВИХ ДОСЛІДЖЕНЬ АПН УКРАЇНИ
Кузнецова Тетяна Володимирівна
Інститут інформаційних технологій і засобів навчання АПН України
Київ, Україна
У статті розглянуто деякі аспекти створення інформаційної системи планування наукових досліджень Академії педагогічних наук
України.
Вступ
Інформаційна система планування наукових досліджень АПН
України створюється Інститутом інформаційних технологій і засобів навчання АПН України в межах виконання фундаментальної
науково-дослідної роботи «Науково-методичне забезпечення інформаційної системи планування наукових досліджень в Академії педагогічних наук України на базі мережі Інтернет».
Актуальність теми дослідження зумовлена необхідністю науково-технічних розробок щодо створення інформаційних систем,
спрямованих на управління розвитком освіти. Цей напрям відповідає актуальній для України проблемі формування сучасного інформаційного суспільства, що законодавчо визначається у Законі України “Про Основні засади розвитку інформаційного суспільства в
Україні на 2007-2015 роки” від 9 січня 2007 року №537.
Основне завдання, що випливає з цього Закону, полягає у створенні загальнодержавних інформаційних систем, зокрема для галузі
освіти, – це інформаційні системи освіти, у тому числі інформаційна система планування наукових досліджень в Академії педагогічних наук України на базі мережі Інтернет, далі ІС «Планування».
69
Першочерговим завданням ІС “Планування” є забезпечення інформаційної і технологічної підтримки процесів планування наукових досліджень, оскільки від організації планування великою мірою
залежить рівень наукових досліджень, які є основною формою діяльності наукових установ АПН України.
Процеси планування наукових досліджень в наукових установах
АПН України регламентуються «Положенням про порядок планування і контролю за виконанням наукових досліджень в Академії
педагогічних наук України».
Загальний опис побудови ІС «Планування»
Створення ІС «Планування» буде виконуватися поетапно. На
першому етапі проводиться аналіз існуючої системи планування
наукових досліджень в АПН України, результати якого дозволяють
сформулювати вимоги до всіх видів забезпечення (організаційного,
методичного, функціонального, програмно-технічного, технологічного) ІС “Планування”. На другому етапі буде виконано теоретичне
обґрунтування науково-методичного забезпечення ІС “Планування”, її проектування та моделювання процесів документообігу наукових досліджень в АПН України на базі ІС “Планування”. Третій
– узагальнюючий та впроваджувальний – етап буде присвячено апробації науково-методичного забезпечення ІС “Планування” в процесі планування наукових досліджень Інституту інформаційних технологій і засобів навчання АПН України на 2011 рік та узагальненню теоретичних та практичних результатів апробації.
ІС «Планування» буде створено як розподілену систему з використанням трирівневої моделі архітектури клієнт/сервер “клієнт –
сервер застосувань – сервер бази даних”. В цій моделі обробка документів моделюється як набір сервісів, що надаються серверами, а
учасники процесу обробки – як множина клієнтів, які використовують сервіси. Оскільки застосування є засобом взаємодії користувача
з системою, окремі функціонально самостійні застосування інсталюються на окремі комп’ютери мережі і діють як автоматизовані
робочі місця (АРМ), призначені для обробки різних сукупностей
документів.
АРМ та окремо розташований сервер – це вузли корпоративної
мережі АПН України. Для обробки даних система забезпечує оперативний та регламентний доступ до серверу з проходженням електронних документів та іншої інформації через існуючу ієрархію рівнів управління.
70
Загальна схема ІС «Планування»
Процеси обробки інформації, які виникають при плануванні наукових досліджень, в ІС «Планування» базуються на використанні
корпоративної мережі установ АПН України. На рис. 1 наведено загальну схему створюваної ІС «Планування».
Апарат президії АПН України
Відділення
Відділеннязагальної
загальної
педагогіки
педагогікитатафілософії
філософії
освіти
освіти
Відділення
Відділенняпсихології,
психології,
вікової
віковоїфізіології
фізіологіїтата
дефектології
дефектології
Відділення
Відділеннязагальної
загальної
середньої
середньоїосвіти
освіти
...
Інтернет-центр
База даних
НауковоНауковоорганізаційний
організаційний
відділ
відділ
ФінансовоФінансовоекономічний
економічний
відділ
відділ
Протокольний
Протокольнийі і
загальний
загальний
відділ
відділ
Сховище
документів
Портал
Портал„Планування
„Плануваннянаукових
науковихдосліджень
дослідженьввАПН
АПНУкраїни
України
www.programming.edu-ua.net
www.programming.edu-ua.net
Сховище
документів
Сховище
документів
Сховище
документів
Сховище
документів
Сховище
документів
База даних
База даних
База даних
База даних
База даних
Інститут
інформаційних
технологій і
засобів навчання
Інститут проблем
виховання
Інститут вищої
освіти
...
Інститут
педагогічної освіти і
освіти дорослих
Наукові установи АПН України
Рис. 1. Загальна схема ІС «Планування»
В апараті Президії АПН України до процесу планування наукових досліджень залучено такі підрозділи: 5 відділень, науковоорганізаційний, фінансово-економічний та протокольний і загальний відділи. Незважаючи на функціональні відмінності в діяльності
цих підрозділів, для них характерна загальна риса –обробка документів, а звідси і подібні проблеми: введення і передача документів,
організація бази даних документів, передача документів і доступ до
них, формування і друк вихідних документів тощо.
71
Документи, які формуються в цих підрозділах та надходять із
наукових установ, зберігаються у сховищі документів. База даних
містить довідники, класифікатори, шаблони документів та іншу інформацію, необхідну для підготовки документів.
Інтернет-портал «Інформаційна система планування наукових
досліджень в Академії педагогічних наук України», база даних і
сховище документів розміщаються на сервері Інтернет-центру, який
відкриває до них доступ через Інтернет за адресою
www.programming.edu-ua.net. Система адміністрування ІС «Планування» визначатиме ролі користувачів і, відповідно, права їх доступу до документів.
АРМ «Запит»
Для автоматизації процесів планування наукових досліджень в
установах АПН України буде використано АРМ «Запит» – комплекс програмних засобів, який забезпечуватиме формування документів з планування наукових досліджень за типовими шаблонами.
На рис. 2 наведено схему організації планування наукових досліджень в установі з використанням АРМ «Запит».
До процесу планування наукових досліджень в установі залучено
такі підрозділи: бухгалтерія, наукова частина, наукові відділи. У
кожному з цих підрозділів АРМ «Запит» має деякі особливості,
пов’язані зі специфікою роботи підрозділу в процесі планування
наукових досліджень. Особливості АРМ стосуються прав і ролей
доступу до інформації, що зберігається у сховищі документів і базі
даних установи.
В базі даних установи зберігатиметься інформація щодо:
– персоналій керівництва, які затверджують документи,
– термінів виконання НДР,
– обсягів коштів на виконання НДР,
– реквізитів протоколів засідань Вченої ради тощо.
72
Бухгалтерія
Бухгалтерія
АРМ
АРМпланування
плануванняНДР
НДР––
бухгалтерія
бухгалтерія
Документи
Документи
Наукова
Науковачастина
частина
АРМ
АРМпланування
плануванняНДР
НДР––
наукова
науковачастина
частина
Сховище
документів
Документи
Документи
Cтруктурний
Cтруктурний
підрозділ
підрозділ(відділ,
(відділ,
кафедра
кафедратощо)
тощо)
АРМ-запит
АРМ-запит
Cтруктурний
Cтруктурний
підрозділ
підрозділ(відділ,
(відділ,
кафедра
кафедратощо)
тощо)
АРМ-запит
АРМ-запит
...
1. Перспективний тематичний план
1.наукових
Перспективний
тематичний
план
досліджень
установи
наукових досліджень
установи
2. Тематичний
план
2.науково-дослідної
Тематичний планроботи
науково-дослідної
роботи
3. Перспективний план видання
3.наукової
Перспективний
продукціїплан видання
наукової продукції
1. Запит на відкриття теми НДР
Запит
на відкриття теми НДР
2.1.ТЗ
на НДР
ТЗ на НДР
3.2.Договір
на виконання наукової
3.теми
Договір на виконання наукової
теми план виконання НДР
4. Робочий
4.
Робочий
план
виконання плани
НДР
5. Програма та
індивідуальні
5.науково-дослідної
Програма та індивідуальні
плани
роботи
науково-дослідної роботи
6. Реєстраційна картка
6. Реєстраційна картка
База даних
Рис. 2. Схема організації планування наукових досліджень установи
через АРМ «Запит»
Установи розробляють ряд документів в процесі формування і
виконання наукових досліджень, а саме:
– запит на відкриття теми НДР;
– ТЗ на НДР;
– рішення вченої ради установи (бюро відділення, проблемної
ради);
– робочий план виконання НДР;
– договір на виконання наукової теми;
– планову калькуляцію кошторисної вартості робіт за темою
дослідження;
– протокол узгодження вартості робіт;
– програму та індивідуальні плани науково-дослідної роботи;
– реєстраційну картку на НДР.
Ці документи створюються у структурних підрозділах, які виконують НДР і передаються до сховища документів і бази даних установи. Наукова частина установи на базі інформації з цих документів
формує такі документи:
– перспективний тематичний план наукових досліджень установи;
– щорічний тематичний план науково-дослідної роботи;
– перспективний план видання наукової продукції.
73
Технологія документообігу в ІС «Планування»
Розроблені в установах АПН України документи, які потребують
затвердження Президією АПН України, отримують статус «Необхідно затвердити (узгодити)» і розміщуються на відповідних сторінках порталу ІС «Планування». Надходження документа на портал
супроводжується надходженням повідомлення уповноваженій особі
в Президії АПН України, яка має затвердити (узгодити) документ, і
вона отримує доступ до цього документа і його реквізитів. Якщо затвердження (узгодження) документа не відбулось і є зауваження до
його змісту, документ отримує статус «Необхідно доробити», відповідне повідомлення отримує виконавець в установі, який готував
документ. Після доробки документ повторно розміщується на порталі зі статусом «Необхідно затвердити (узгодити)» і повторно надходить повідомлення особі, що затверджує (узгоджує). Електронне
затвердження (узгодження) документа виконується шляхом проставляння відмітки у відповідному полі реквізиту документа. Після
цього документ може бути роздрукований у потрібній кількості
примірників для отримання необхідних підписів.
Коли документ затверджено Президією АПН України, він отримує статус «Затверджено». В базі даних ІС «Планування» у таблицю, де зберігаються протоколи засідань відповідних Відділень або
Постанов Президії, що затверджують документи, заносяться відомості про затверджений документ (його дескриптор); виконавець в
установі, який готував документ, отримує повідомлення про зміну
статусу документа, дату і номер протоколу, яким він затверджений.
Друк документів здійснюється в будь-якій стадії його формування за запитом уповноваженої особи. Створення деяких документів,
наприклад, робочого плану, виконуватиметься напівавтоматично за
наявності необхідної інформації у таблицях відповідних баз даних і
попередньо розроблених документах.
Інформація в базах даних ІС «Планування» і АРМ «Запит» має
постійно підтримуватись в актуальному стані: враховувати зміни у
кадровому складі установи, у змісті й датах протоколів засідань
Вченої ради, Відділення, Президії, необхідні доповнення до затверджених документів тощо. При внесенні інформаційних змін до окремих показників баз даних вони автоматично вноситимуться до
документів, які використовують ці показники, і повідомлятимуть
про це виконавців.
74
Після аналізу завершених наукових досліджень АПН України
може бути створена інтелектуальна база знань, де зберігатимуться
типові шаблони висловлювань з визначеної тематики, та програмні
засоби, що допоможуть науковцям генерувати нові тексти документів з цієї тематики.
Програмно-технічна база ІС «Планування»
ІС «Планування» буде створено на матеріально-технічній базі Інтернет-центру Інституту інформаційних технологій і засобів
навчання АПН України, який має потужний сервер (процесор
2xCPU Intel Quad-Core Xeon 1,6 Hz), підключений через оптоволоконний кабель до науково-освітянської мережі УРАН.
Побудову ІС «Планування» буде здійснено на веб-орієнтованій
платформі SharePoint, що включає ліцензійні програмні продукти
Windows SharePoint Services та Microsoft Office SharePoint Portal
Server 2003 для забезпечення спільної роботи і управління документами в системі.
Висновки
Розроблені в процесі дослідження методику і відповідну технологію планування наукових досліджень з використанням ІС “Планування” планується експериментально апробувати при використанні системи для автоматизованої підготовки документів щодо
планування наукових досліджень в Інституті інформаційних технологій і засобів навчання АПН України на 2011 рік.
Результати роботи дадуть змогу науково обґрунтовано ставити і
вирішувати питання якісного і вчасного планування наукових досліджень в АПН України і, як наслідок, підвищувати рівень їх ефективності. Розроблене науково-методичне забезпечення може бути
використано для прикладного дослідження з побудови комплексної
системи планування і контролю наукових досліджень в АПН України, а також для створення інших інформаційних систем.
Література
1. Задорожна Н.Т., Лавріщева К.М. Менеджмент документообігу в
інформаційних системах освіти (для ВНЗ і ППО): Навч.-метод.
посіб. – К.: КП Видавництво «Педагогічна думка», 2007. – 220 с.
2. Перевозчикова О.Л. Сучасні інформаційні технології. – К.: Інститут економіки та права “Крок”, 2002. – 121 с.
75
A SYSTEM APPROACH IN RESEARCH OF THE PROBLEMFOCUSED INFORMATION TECHNOLOGIES
Levchuk Alexander
International Research and Training Centre for Information Technologies and Systems
Kiev, Ukraine
The essence of the system approach is considered in research of the
problem-focused technologies, its application to the solution of complex
problems, problems with uncertain data
СИСТЕМНЫЙ ПОДХОД В ИССЛЕДОВАНИИ ПРОБЛЕМНООРИЕНТИРОВАННЫХ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЯХ
Левчук А.Н.
Международный научно-учебный Центр информационных технологий и систем
Киев, Украина
Рассматривается сущность системного подхода при исследовании
проблемно-ориентированных технологий, его применение при решении сложных задач, задач с нечеткими данными
В последние годы наблюдается все большее возрастание требований общества к уровню автоматизации решения новых классов
задач все возрастающего уровня сложности, которая определяется
не столько объемом обрабатываемой информации, сколько сложностью формализуемой среды, в которой решается задача. При этом
использование существующих информационных технологий (ИТ)
для их решения все чаще не приводит к желаемым результатам.
Стоит отметить, что целенаправленное развитие таких информационных технологий как проблемно-ориентированные призвано
решить различные трудно формализуемые задачи [1]. К трудно формализуемым задачам или задачам с нечеткими условиями относят:
принятие решений, проектирование, извлечение смысла, объяснение, обучение и т. п. Как правило, целевая функция таких задач
имеет нелинейную структуру, то есть описывается с помощью систем нелинейных уравнений и ограничений численными методами
оптимизаций. При этом задача рассматривается с точки зрения теории систем, а ограничения и иерархические подзадачи – элементами сложной системы, поэтому при разработке и исследовании информационных технологий используют системный подход [2-6].
76
Однако, вопрос применения такого подхода в исследовании проблемно-ориентированных технологий практически не рассматривался.
Представим общий вид нелинейной задачи:
min F ( x )
xX
при ограничениях
fi ( x )  0, i  1, ..., k
g j ( x )  0, j  1, ..., l , k , l  N
n
X  {x   : g j ( x )  0, fi ( x )  0, i  1, ..., k , j  1, ..., l , k , l  N }
i
i -мерное

Здесь
есть
евклидовое
пространство;
F ( x ), f ( x ), g ( x ) - непрерывно дифференцируемые функции,
1
n
n
x  [ x , ..., x ]   .
В данном случае max характеризуется не количественной оценкой, а качественной, то есть необходимо рассмотреть такие проблемно-ориентированные ИТ, целью которых является разработка качественных и эффективных приложений, которые позволят выйти
человечеству на новый уровень, а государству подняться на новую
ступень в глазах мирового сообщества. Параметров xi , i  1, n ,
n  N может быть как бесконечное количество так и ограниченное
количество. Основной задачей и является свести количество данных
параметров к минимуму, не меняя при этом сами цели задачи. Системный подход позволяет решать общую задачу путем анализа ее
либо поэтапного синтеза ее составных элементов – более простых
задач, не обязательно линейных.
Сущность системного подхода для проблемно-ориентированных
технологий сводится к следующему:
 формулирование целей и выяснение их иерархии до начала какой-либо деятельности;
 достижение поставленных целей при минимальных затратах посредством сравнительного анализа альтернативных путей и методов достижения целей и осуществления соответствующего
выбора;
77

количественная оценка (квантификация) целей, методов и
средств их достижения, основанная не на частичных критериях,
а на широкой и всесторонней оценке всех возможных и планируемых результатов деятельности.
При этом подходе любая система, объект рассматривается как
совокупность взаимосвязанный и взаимодействующих элементов,
имеющая вход, связи с внешней средой, выход, цель и обратную
связь.
Системный подход предусматривает изучение всей совокупности параметров и показателей функционирования системы в динамике, что требует исследования внутриорганизационных процессов
адаптации, саморегулирования, самоактуализации, прогнозирования, планирования, координации, принятия решений и т.д.
В основе системного подхода лежат три общих принципа: целостности, системности и динамичности. Принцип целостности требует рассматривать объект в единстве его взаимодействующих частей. Принцип системности заключается в том, что любое целостное
образование рассматривается как система, то есть как организованная совокупность компонентов (элементов). Принцип динамичности требует рассмотрения системы в ее развитии, движении.
Если в управлении сложных систем системный подход помогает
установить причины принятия неэффективных решений и предоставляет средства и технические приемы для улучшения планирования и контроля, то при исследовании проблемноориентированных ИТ системный подход позволяет рассматривать
задачу оптимизации с точки зрения системы, то есть решение ее подзадач должно приводить к нахождению оптимальному решения
исходной задачи.
Системный подход помогает разрабатывать проблемноориентированные ИТ, анализируя любую задачу в пределах отдельно взятой системы, выявить характер проблем входа, процесса и
выхода. Применение системного подхода позволяет наилучшим образом организовать процесс принятия решений на всех уровнях в
любой целенаправленной системе.
Международный научно-учебный центр информационных технологий и систем НАН И МОН Украины проводит большую работу
не только по развитию теоретических и фундаментальных основ
исследования проблемно-ориентированных ИТ, но и активному
внедрению результатов исследований в практике. Создаются новые
78
классы программных продуктов, направленных на повышение компетентности и навыков обучаемых и экспертов в специфических
трудно формализуемых предметных областях.
Литература
1. Левчук А.Н. Проблемно-ориентированные информационные технологии в контексте развития информационного общества:
реалии и перспективы / Левчук А.Н., Богино В.И. // Інновайійний розвиток суспільства за умов кросс-культурних взаємодій.
Матеріали другої Міжнародної наукової конференції, 27-30
квітня 2009 р., м. Суми. Том 3 (ч.2) – С. 50-51.
2. Мухин В.И. Исследование систем управления. М.: Изд. Нац.
Института бизнеса, 2000
3. Коротков Э.М. Исследование систем управления: Учебник. - М.:
издательско-консалтинговая компания "ДеКа", 2000.
4. Исследование систем управления и системный анализ. - 4.1,2/
Н.В. Минеёва, М.Е. Мотышик и др. / СПб.: Изд-во СПб. Университета экономики и финансов, 2000.
5. Игнатьева А.В. Исследование систем управления. М.: ЮНИТИДАНА. 2000.
6. Старастенко A. M., Якушина Н.В. Исследование систем управления. Учебно-методическое пособие. Орёл: Изд-во ОРАГС,
2003. 206 с.
79
PECULIARITIES OF THE DEDUCTIVE PROCESSING OF
MATHEMATICAL KNOWLEDGE IN THE SAD SYSTEM
Alexander Lyaletskia, Alexander Zhezherunb
Faculty of Cybernetics, Kiev National Taras Shevchenko University,
b
Faculty of Informatics, National University of Kyiv-Mohyla Academy,
Kiev, Ukraine
Peculiarities of the deductive process in the current version of the SAD
system being developed in the Kiev National Taras Shevchenko
University and intended for automated verifying/proving a proposition
under consideration are described. They permit to orient the SAD to
solving various problems of mathematical knowledge processing,
including the problem of knowledge intelligent testing, which the trainee
obtained during Mathematics distance learning.
a
ОСОБЕННОСТИ ДЕДУКТИВНОЙ ОБРАБОТКИ
МАТЕМАТИЧЕСКИХ ЗНАНИЙ В СИСТЕМЕ САД
А.В.Лялецкийa и А.П.Жежерунb
Факультет кибернетики, Киевский национальный университет
имени Тараса Шевченко,
b
Факультет информатики, Национальный университет
"Киево-Могилянская академия"
Киев, Украина
Описываются особенности дедуктивного процесса в текущей версии системы САД, развиваемой в Киевском национальном университете имени Тараса Шевченко и предназначенной для проведения
автоматизированной верификации/доказательства рассматриваемого утверждения. Они позволяют ориентировать систему
САД на решение разнообразных задач автоматизации обработки
математических знаний, включая задачу интеллектуального
тестирования знаний, полученных обучаемым в ходе дистанционного обучения математике.
a
Введение. В настоящее время быстрое развитие автоматизации
рассуждений делает возможным предвидеть ощутимую помощь в
автоматизации поиска доказательств, которая может оказаться
чрезвычайно полезной как при решении проблем, связанных как с
самой математикой, так и с различными прикладными областями.
Например, распределенное и/или удаленное обучение различным
математическим дисциплинам, формальная проверка на ЭВМ кор80
ректности математических текстов, и построение баз знаний для
формализованных теорий уже начинают привлекать возрастающее
внимание при проведении математических исследований. В свою
очередь, для целей верификации формальных текстов разного рода
требуются различные математические библиотеки: библиотеки основных фактов из арифметики и анализа - для проверки электрических цепей и электронных схем, сведения по теории чисел и комбинаторике - для верификации криптографических протоколов, разнообразные математические библиотеки - для проведения анализа
научных данных. Следовательно, корректное понимание ЭВМ формальных текстов и автоматизация дедукции являются необходимыми элементами поддержки, хранения, обмена и обработки математической информации являются важной составляющей автоматизации удаленного обучения в математике и других дисциплинах, допускающих формализацию знаний.
В Киевском национальном университете имени Тараса Шевченко проводится цикл исследований в различных разделах математической логики, теории доказательств и лингвистики, имеющих
непосредственное отношение к компьютерной поддержке автоматизации дедуктивных рассуждений 1. Они предназначены для развития теории и практики построения разнообразных интеллектуальных систем, в частности, дальнейшего усовершенствования существующей версии системы автоматизации дедукции, САД, доступ к
которой
может
быть
осуществлен
по
адресу
"http://nevidal.org/sad.ru/html". Система САД позволяет осуществлять помощь в изучении декларативно задаваемых свойств различных математических теорий, используя интерфейс на естественном
формально специфицированном языке и различную технику поиска
логического вывода. САД отражает основные положения так называемой программы "Алгоритм Очевидности" (Evidence Algorithm,
EA),
предложенной
академиком
В.М.Глушковым
(http://nevidal.org/manifesto.ru.html). В рамках этой программы предлагается одновременно проводить исследования по формальным
языкам натурального типа для представления математических текЧасть данного исследования поддержана договорами № М/077-2008 и
№ М/033-2009 по управлению математическими знаниями и автоматизации их обработки, заключенными с МОН Украины.
1
81
стов в форме, наиболее удобной для пользователя; по формализации и эволюционному развитию понятия машинного шага доказательства; по созданию и использованию информационной среды,
имеющей влияние на текущее понятие машинного шага доказательства; по интерактивным средствам поддержки пользователем процесса доказательства [1].
Систему САД можно рассматривать как эволюционно развивающуюся логико-лингвистическую "оболочку"[2,3] с интерфейсом
на формальном естественном языке ForTheL [4], которая упрощает
"общение" компьютера с пользователем, "упрятывает" от него технические подробности и может оказаться полезной при решении
ряда проблем, требующих эффективного проведения и верификации логико-математических рассуждений, в частности, использовать ее для интеллектуального тестирования математических знаний[5]. Данное сообщение посвящено описанию дедуктивных особенностей системы САД.
Основные требования к дедуктивным построениям в стиле
ЕА. В соответствии с программой "Алгоритм Очевидности", ядро
любой системы обработки математических текстов (знаний) должна
составлять процедура, которая предназначена как для установления
корректности верифицируемого шага, так и для доказательства
утверждения в целом с использованием некоторой дедуктивной
техники. Естественно, что для достижения этой цели она должна
уметь осуществлять поиск вспомогательных утверждений и другой
релевантной информации, применять аналитические преобразования (т.е. использовать существующие возможности компьютерных
алгебр), представлять машинные шаги дедукции в виде приемов доказательства, привычных для человека. В этой связи предполагается, что дедуктивная техника ядра должна обеспечивать следующее:
- отображать синтаксическую структуру решаемой задачи;
- давать возможность проводить эффективные дедуктивные построения в сигнатуре исходной теории;
- обеспечивать, как минимум, корректность дедуктивных преобразования и, как максимум, их полноту;
- уметь целенаправленно сводить решение поставленной цели
(задачи) к решению ряда вспомогательных подцелей (подзадач);
- выбирать методы решения, наиболее адекватно отражающие
особенности предметной области;
82
отделять процесс нахождения аналитического решения от дедукции для того, чтобы отдельно использовать уже имеющиеся
системы компьютерной алгебры.
Все эти требования нашли свое отражение в существующем логическом аппарате системы САД, базирующемся на специальном
секвенциальном формализме, не требующем проведения сколемизации и котором речь пойдет ниже. Более того, система САД была
спроектирована так, что к ней оказались легко подключаемы такие
известные пруверы, как SPASS [6], Vampire [7], Otter [8], что позволяет системе, при автоматической проверке корректности шага доказательства из верифицируемого текста, использовать по усмотрению пользователя любой из этих высокоэффективных пруверов (но
требующих выполнения сколемизации).
Особенности дедукции в системе САД. Исследования по машинным методам рассуждений привели к появлению разнообразных методов поиска доказательств в теориях первого порядка. В частности, были сделаны попытки улучшения как непосредственно
генценовских исчислений [9], так и некоторых их модификаций,
среди которых в первую очередь следует упомянуть метод Кангера
[10] и близкий ему по духу метод из [11], основою для которого послужила эвристическая процедура поиска доказательства для теории групп, предложенная в [12]. Здесь следует обратить внимание
на то, что, уже в этих методах отсутствует сколемизация и наблюдается отступление от генценовского понятия допустимой подстановки термов вместо переменных при применении определенных
кванторных правил.
Однако практическая ценность техники, предложенной в этих
работах, с точки зрения ее эффективности, не получила широкого
распространения. Как правило, при реализации машинных методов
поиска доказательств предпочтение отдавалось (и отдается) системам поиска логического вывода, основанным на идеях, восходящих
к Сколему [13] и Эрбрану [14]. Они дают возможность (за счет
сколемизации и последующего комбинирования довольно простых
пропозициональных правил с алгоритмом построения так называемого наиболее общего унификатора), пытаться автоматически осуществлять поиск логического вывода достаточно эффективным образом.
Здесь в первую очередь следует отметить хорошо известный метод резолюции [15], а также вышеупомянутые пруверы, исполь-
83
зуемые в системе САД. Попытки воспользоваться подходом резолюционного типа для построения других методов автоматизации
поиска логического вывода в последующем привели к появлению
целого ряда разнообразной техники поиска логического вывода, например, метода элиминации моделей, метода графа связей, табличных методов и т.п. Мы отсылаем к исчерпывающему справочнику
[16], в котором заинтересованный читатель может найти почти все
последние достижения по эффективным методам автоматизации
рассуждений для классической логики первого порядка, но все-таки
требующим проведения предварительной сколемизации. Несмотря
на высокую эффективность процесса установления выводимости,
их отрицательным качеством является то, что все они все же не
дают возможности осуществлять процесс машинного доказательства в соответствии с требованиями к дедукции, перечисленным
выше.
Упомянутая выше более высокая эффективность методов, использующих идеи Сколема и Эрбрана, по сравнению с машинными
методами, базирующимися на обычных генценовских секвенциальных исчислениях, вызвана, главным образом, наличием в последних
дополнительного перебора относительно разных порядков применения кванторных правил.
Заметим, что при применении кванторных правил в стандартных
генценовских исчислениях вместо переменных элиминируемых
кванторов делается подстановка определенных термов. Для того,
чтобы сделать такой шаг вывода корректным, выбираемая подстановка должна удовлетворять определенным ограничениям, устанавливающих тип ее допустимости.
В случае исторически сложившегося, классического подхода
можно выделить два типа допустимости подстановок для секвенциальных исчислений: генценовское [9] и кангеровское [10] понятия, которые являются неудовлетворительными с точки зрения их
использования в машинно-ориентированных секвенциальных исчислениях. Поэтому была предпринята попытка [17] изменить понятие допустимой подстановки так, чтобы добиться определенной оптимизацию кванторных применений, ведущей к существенному
повышению эффективности поиска логического вывода в секвенциальных исчислениях. В дальнейшем, это новое понятие было инкорпорировано в ряд секвенциальных исчислений, специально построенных для эффективизации процесса дедукции в случае отказа
84
от сколемизации (см., например, [18,19]). И именно этот подход2
был использован при реализации логического аппарата системы
САД, что существенно отличает ее от других систем, базирующихся на секвенциальном или табличном формализмах.
Другой важной особенностью реализованной версии системы
САД является ее целеориентированность, которая выражается в
том, что в каждый момент времени система САД может обрабатывать только одну дедуктивную цель, являющуюся сукцедентом
рассматриваемой секвенции. Также следует упомянуть технику, позволяющую отделять обработку равенств от процесса дедукции и
сохраняющую корректность и полноту.
Имеется ряд других особенностей системы, имеющих менее значительное отличие от дедуктивной техники других систем и,
поэтому, опущенных здесь. И вся эта совокупность особенностей и
дает возможность текущей версии системы САД соблюсти все приведенные выше требования к дедуктивным построениям в почти
полном объеме.
Заключение. Система САД может служить основой для построения систем поддержки рассуждений в формализованных теориях;
она может быть настроена на поиск решений различных прикладных задач, допускающих их формализацию в логике первого порядка. В частности, можно указать следующие области ее применения:
- компьютерная помощь в обучении математике и логике;
- удаленное (дистанционное) обучение математическим дисциплинам;
- доказательство теорем и верификация формализованных (математических) текстов;
- извлечение знаний из математических публикаций;
- построение баз знаний для формализованных теорий.
В долгосрочной перспективе, исследования по дальнейшему развитию системы САД и ее дедуктивного аппарата направлены на создание мощной компьютерной инфраструктуры для проведения математических исследований и удаленного обучения с использова-
Его развитие для случая неклассических логик первого порядка привело
к построению семейства машинно-ориентированных классических и интуиционистских модальных секвенциальных исчислений, включая чисто
классический и интуиционистский случаи (см., например, [20,21]).
2
85
нием современных средств управления и обработки компьютерных
знаний.
Литература
1. Глушков В.М. Некоторые проблемы теории автоматов и искусственного интеллекта. // Кибернетика.  1970.  № 2. 
C. 3-13.
2. Verchinine, K., Lyaletski, A., and Paskevich, A. System for
Automated Deduction (SAD): a tool for proof verification. In
Automated Deduction // Lecture Notes in Computer Science,
Springer.  V. 4603 .  2007.  P. 398-403.
3. Anisimov A. and Lyaletski A. The SAD system in three dimensions
// Proceedings of the SYNASC'06.  Timisoara, Romania.  2006.
 P. 85-88.
4. Vershinin K., Paskevich A. ForTheL  the language of formal
theories // International Journal of Information Theories and
Applications  2000.  7, № 3.  P. 120-126.
5. Анисимов А.В., Бычков А.С., Клименко В.П. и Лялецкий А.В. О
типах интеллектуального тестирования знаний в процессе электронного обучения // Збірник праць Другої Міжнародної конференції "Нові інформаційні технології в освіті для всіх: стан та
перспективи розвитку".  Київ.  21-23 листопада 2007.  С.
366-373.
6. The SPASS Prover. http://spass.mpi-sb.mpg.de/
7. The Vampire prover. http://www.cs.man.ac.uk/~riazanoa/Vampire/
8. The Otter prover. http://www.mcs.anl.gov/ AR/otter/
9. Gentsen G. Untersuchungen uber das logische Schlieben //
Mathematische Zeitschruft.  v. 39 (I, II).  1934-1935.  P. 176210, 405-443.
10. Kanger S. Simplified Proof Method for Elementary Logic //
Computer Programming and Formal Systems: Studies in Logic. 
Amsterdam: North-Holland Publ. Co.  1963.  P. 87-93.
11. Ануфриев Ф.В. Алгоритм поиска доказательств теорем в логических исчислениях // Теория автоматов.  Киев: Изд-во ИК
АН УССР.  Вып. 5, № 1.  1969.  P. 3-26.
12. АнуфриевФ.В., Федюрко В.В., Летичевский А.А., Асельдеров
З.М., Дидух И.И. Об одном алгоритме поиска доказательств теорем в теории групп // Кибернетика. -- 1966.  № 1.  С. 23-29.
86
13. Skolem T. Logisch-kombinatorische Untersuchungen uber
Erfullbarkeit oder Beweisbarkeit mathematischer Sätze nebst einem
Theorem uber dichte Mengen. // Skrifter utgit av
Videnskapsselskape in Kristiania. I. Mat.-Nat. Kl № 4.  1919.
 P. 1-36.
14. Herbrand J. Recherches sur la Theorie de la Demonstration //
Travaux de la Societe des Sciences et des Lettres de Varsovie. 
Class III, Sciences Mathematiques et Physiques.  33.  1930.
15. Robinson A. J. A Machine-Oriented Logic Based on Resolution
Principle // Journal of the ACM.  V.12, № 1.  1965.  P. 2341.
16. Handbook of Automated reasoning / Eds.: Robinson A. and
Voronkov A.  Elsevier Science Publishers B.V.  V.1-2. 
2001.  2184 pp.
17. Lyaletski A. V. Gentzen calculi and admissible substitutions // Actes
Preliminaieres du Symposium Franco-Sovietique "Informatika-91".
 Grenoble, France.  1991.  P. 99-111.
18. Degtyarev A., Lyaletski A., and Morokhovets M. Evidence
Algorithm and Sequent Logical Inference Search // Lecture Notes in
Artificial Intelligence.  1705.  1999.  P. 44-61.
19. Лялецкий А.В. Эвиденциальная парадигма: логический аспект //
Кибернетика и системный анализ.  2003.  № 5.  С. 37-47.
20. Konev B. and Lyaletski A. Tableau Method with Free Variables for
Intuitionistic Logic // Proceedings of the International IIS:
IIPWM'06 Conference. Advances in Soft Computing.  V. 35. 
2006.  P. 153-162.
21. Lyaletski A. On some problems of efficient inference search in firstorder cut-free modal sequent calculi. // Proceedings of the 10th
International SYNASC 2008 Symposium.  Timisoara, Romania.
 IEEE Inc.  2008.  P. 39-46.
87
LERNER MODEL AS AN OBJECT OF THE AUTOMATIZED
CONTROL
Mazurok Tatyana
Odessa National Polytechnic University, Ukraine
A lerner model is offered, which synergetic approach of teaching management is realized. Neuron network realization of this model is resulted. It is supported by teaching multi-layered neuron network.
МОДЕЛЬ ОБУЧАЕМОГО, КАК ОБЪЕКТА
АВТОМАТИЗИРОВАННОГО УПРАВЛЕНИЯ
Мазурок Татьяна
Одесский национальный политехнический университет
Предложена модель обучаемого, на основе которой реализован синергетический подход управления обучением. Приведена нейросетевая реализация данной модели на основе обучения многослойной
нейронной сети.
Актуальность и постановка задачи
Одной из характеристик современного образования является индивидуальная траектория обучения. Необратимой тенденцией образования в информационном обществе становится отход от детерминированных траекторий обучения в сторону их полной индивидуализации на основе учёта всего спектра индивидуальных особенностей, генетических способностей, целей обучения, располагаемых
ресурсов и пр. Реформирование системы высшего образования на
основе “студенто-ориентированного” подхода путём внедрения индивидуальных траекторий студентов [1] на Украине согласуется как
с теоретическим обоснованием дидактической целесообразности
индивидуализированного обучения [2], так и с основными целями
международных образовательных проектов – Межправительственной программы ЮНЕСКО «Образование для всех» [3], Болонской
декларации [4].
Очевидно, что формирование гибких индивидуальных учебных
планов, сопровождение процесса их выполнения может быть реализовано только на основе широкого использования средств информационно-коммуникационных технологий (ИКТ). Однако, не смотря на значительные успехи в области применения ИКТ для
повышения эффективности обучения, значительная часть их высоких потенциальных возможностей, остаётся нереализованной. Та88
ким образом, существует противоречие между высоким уровнем
возможностей ИКТ для индивидуализации обучения и недостаточной степенью их практического использования во всех формах образования. Преодоление данного противоречия, с нашей точки зрения, возможно на основе разработки моделей автоматизированного
управления процессом обучения, что требует адаптации современной теории управления к потребностям образования.
Разработка моделей и методов для разработки систем автоматизированного управления индивидуализированным обучением представляет собой нерешённую проблему и определяет актуальность
данного исследования.
Синергетический подход к управлению обучением
В связи с происходящими изменениями в теории управления, касающимися расширения объекта её рассмотрения от сугубо технических систем до организационно-технических и социальных, для
которых характерна нелинейность, диссипативность, динамичность,
широкое распространение получил синергетический подход в
управлении. Теория синергетического управления [5] является
современной концепцией синтеза и анализа систем управления многомерными нелинейными объектами в динамических системах.
Процесс обучения представляет собой сложный социотехнический объект, состоящий из большого количества разрозненных подсистем и в общем случае не имеющий адекватного формального
описания. Поэтому рассмотрим процесс обучения с позиции теории самоорганизации сложных упорядоченных систем, применив
так называемый синергетический подход. Во-первых, система обучения относится к классу нелинейных систем, т.к., например, увеличение управляющего воздействия в виде необходимого для изучения учебного материала не приводит к однозначному результату
в виде его усвоения. Известно, что сложноорганизованным системам нельзя «навязывать» пути их развития, а необходимо понять,
способствуя их собственным тенденциям развития, как вывести системы на эти пути. Одним из постулатов синергетического подхода
является то, что проблема управляемого развития принимает форму
самоуправляемого развития. Во-вторых, широкое распространение
различного рода учебной информации в электронном виде, с одной
стороны, с другой стороны, плюралистичный характер достижения
целей обучения, объективно приводят к хаосу учебной информации.
Второй постулат синергетического подхода демонстрирует созида89
тельные возможности хаоса под воздействием внутренних сил. Таким образом, формирование индивидуальной стратегии обучения
представляет собой формирование порядка для конкретного обучаемого из хаоса учебных воздействий. Система обучения является
диссипативной, т.е. открытой, т.к. она в реальном режиме времени
обменивается ресурсами, знаниями и информацией с внешней средой. В-третьих, различие в формах и степени интеграции содержания различных учебных дисциплин, требует разнообразия в сочетаниях учебных дисциплин при формировании системы компетенций.
Если в результате самоорганизации возникает несколько конкурирующих диссипативных структур, то выживает та из них, которая
производит энтропию с наибольшей скоростью. В-четвёртых, возникновение новых упорядоченных структур происходит по бифуркационному сценарию, т.е. в выбор дальнейшего пути в точках бифуркации определяется не только её историей, но и соответствует
новому порядку самоорганизации.
Таким образом, учёт в процессе анализа «синергетических»
свойств и особенностей, характерных для обучения, даёт возможность определить параметры процесса управления обучением, адаптированного для конкретного обучаемого.
Двухклассовая модель управления обучением
Математические модели управления обучением [6], [7] могут
получить дальнейшее развитие в рамках синергетического подхода
[5], если объединить их понятийно-терминологический аппарат. Такое объединение можно сделать при допущении об эквивалентности коэффициентов забывания и умозаключения [6] соответствующим коэффициентам индивидуальных особенностей [7], а также
найти связь между двумя параметрами управления: количеством
информации S [6] и долей времени, отведённой накоплению знаний
U [7].
Следуя терминологии [7], запишем
x
a
,
A
y
b
,
B
где a – объём накопленных знаний,
A – полный объём знаний,
b – объём накопленных умений,
B – полный объём умений,
x, y – нормированные объёмы знаний и умений соответственно.
90
(1)
Нормируя количество информации и разделяя её на два класса
(знания и умения), получим:
S
или с учётом (6)
S
ab
AB
Ax  By
,
AB
что равносильно
S
A
B x  1 y.
1 A
1 A
B
B
(
2)
Согласно принятым обозначениям и определению U получим
U
откуда из (2) находим
A
,
AB
S  Ux  (1  U) y.
(
3)
Это равенство совместно с допущением об эквивалентности двух
пар коэффициентов даёт объединение двух моделей, полученных в
[6] и [7], т.е.
S  Ux  (1  U) y,
dS h ( t ) c  f


S,
dt 1  r 1  r
dx
 fUy ,
dt
dy
 c(1  U) xy ,
dt
где h(t) – скорость выдачи информации,
r – коэффициент сопротивления дидактическому процессу,
f – коэффициент забывания,
с – коэффициент умозаключения,
U – доля времени, отведённая на накопление знаний,
S – нормированное количество информации (0<S<1),
x - нормированный объём накопленных знаний (0<x<1),
y – нормированный объём накопленных умений (0<y<1).
91
(
4)
Исключая S из системы (4), получим двухклассовую модель
(«знай и умей») управления обучением с вектором состояния (x,y) и
вектором обучения (h,U):
dx
 fUy ,
dt
dy
 c(1  U) xy ,
dt
d
h(t) c  f
( Ux  (1  U) y) 

( Ux  (1  U) y).
dt
1 r 1 r
(
5)
Решая третье уравнение системы (5), получим инвариантное
многообразие в фазовом пространстве синергетического метода
управления сложными системами [5], в котором связаны координаты состояния и управления, т.е.
(1  r )e t ( Ux  (1  U) y)     e  t h ( t )dt ,
cf
,  - произвольные постоянные.
где  
1 r
(
6)
Интерес представляет частный случай, при котором скорость
выдачи информации постоянна h ( t ) h 0  , а уравнение (6) после
интегрирования принимает вид:
Ux  (1  U) y 
e t
h
(  o e t )
1 r

,
откуда следует
y
1 
et 
h  t  
  Ux 
   0 e  .
1 U 
1 r 


(
7)
Тогда подстановка (7) в первое уравнение (5) приводит задачу
управления к аналитическому конструированию скалярного регулятора [5].
Нейросетевая реализация синергетической модели управления
Так как теория синергетического управления является современной концепцией синтеза и анализа систем управления многомерными нелинейными объектами в динамических системах, а одним
из универсальных средств формирования управляющих воздействий являются нейронные сети, то перспективным является
92
объединение концепций синергетического и нейросетевого управления в динамических системах [8].
Основной целью нейросетевой реализации является воспроизведение на выходе обучаемой в реальном времени нейросети управления (7). Аппроксимацию нелинейных непрерывных функций, к
которым принадлежит и (7) можно выполнить с помощью двухслойной нейросети. Для того, чтобы сконструировать алгоритм
обучения нейросети, обеспечивающий требуемое качество процесса
на выходе, совместив динамические процессы управления нелинейным объектом и настройки многослойной сети, можно использовать стандартный алгоритм обратного распространения ошибки,
подбирая функцию обобщённой ошибки обучения  . В общем случае синтез структуры и алгоритмов обучения включает выбор архитектуры сети, функционала обучения и цели управления, составление расширенной системы дифференциальных уравнений, выбор
обобщённой ошибки обучения  и синтез алгоритма управления.
На основе соотношения (7) можно определить, что управление
обучения в виде оптимального соотношения между знаниями и
умениями для каждого обучаемого определяется пятью параметрами: c, f , r, h ,  . Поэтому в качестве элементов входного слоя
рассмотрим эти пять переменных. Структура трёхслойной нейросети показана на рис.1.
Рис.1 Структура нейронной сети управления
При определении количества нейронов промежуточного слоя
было применено эвристическое правило [9], на основе которого это
количество равняется половине суммарного количества входов и
выходов. Функцией активации выбрана гиперболическая тангенциальная. В качестве обучающей функции выбрана функция, реализующая метод обратного распространения (алгоритм Левенберга–
Марквардта), которая обеспечивает максимальное быстродействие.
93
Практическая реализация
Существует большое количество программных продуктов, реализующих нейросетевую архитектуру. Простым и доступным является пакет Neural Networks Toolbox (нейронные сети) математической системы MATLAB, разработанной фирмой MathWorks. В состав пакета входит специальная функция NEWFF для создания многослойных нейронных сетей прямой передачи с заданными функциями обучения и настройки, которые используют метод обратного
распространения ошибки [9]. Рассмотрим на примере применение
данной функции для реализации нейросетевого управления синергетической моделью обучения.
Для уменьшения размерности в приведённом примере ограничимся рассмотрением двух векторов параметров моделей обучаемых. Исходные данные для моделирования и обучения многослойной нейросети приведены в таблице 1.
Таблица1.
Исходные данные
P
T
c
f
r
h 
1 0,1 0,2 0,3 20 50 0,3
2 0,2 0,3 0,4 25 30 0,4
К входным аргументам функции newff относятся: массив входа
P, строки которого представляют собой различные варианты значений параметров модели обучаемого c, f , r, h ,  , полученные на основе опроса экспертов; вектор целей T; информация о структуре
слоёв сети; минимальные и максимальные значения для R векторов
входа. Зададим следующие обучающие последовательности:
P=[0.1 0.2; 0.2 0.3; 0.3 0.4; 20 25; 50 30];
T=[0.3 0.4];
Архитектура нейронной сети: трёхслойная сеть с прямой передачей сигнала; первый слой – 5 нейронов, второй (скрытый) слой – 3
нейрона; выходной слой – 1 нейрон. Функции активации первого и
второго слоёв – сигмоидальная нелинейная функция гиперболического тангенса tansig, третьего слоя – линейная тождественная
purelin. Тогда формирование многослойной нейронной сети имеет
вид:
net=newff([0 1; 0 1; 0 1; 20 80; 0 100], [5 3 1], {‘tansig’,’tansig’,’purelin’});
94
gensim(net);
Выполним моделирование сети, определим вектор выходных
значений Y для каждого из вариантов входных данных и построим
график выхода:
Y=sim(net,P);
plot(T,Y)
Рис.2 График соответствия выхода и цели
Обучим сеть в течение 50 циклов:
net. trainParam.epochs = 50;
net=train(net,P,T);
Рис.3 График обучения нейронной сети
Характеристика точности обучения показана на рис.2; установившаяся среднеквадратичная ошибка составляет приблизительно
7,7 1033 .
Выполним моделирование сформированной трёхслойной сети,
используя обучающую последовательность входа:
Y=sim(net,P);
95
plot(T,Y);
Результаты моделирования показаны на рис.4, где верхняя линия
соответствует соотношению между выходами и целями после обучения, а верхняя – соответственно до обучения, и свидетельствуют
о хорошем отображении входной последовательности в выходную
последовательность.
Рис.4 Графики соответствия выхода и цели до и после обучения
Выводы
Таким образом, построена и обучена нейронная сеть, на основе
которой можно получить значение доли времени, отведённой на
накопление знаний, что соответствует определению соотношения
между формированием знаний и умений для каждого конкретного
обучаемого. Особенностью предложенной схемы управления является синергетический подход, основанный на учёте внутреннего развития объекта управления при выборе обучающих воздействий. Дальнейшим развитием данной модели является дополнение механизма формирования индивидуальной последовательности обучающих воздействий расширением многообразия за счёт учёта системы межпредметных связей, их влияния на систему компетенций.
Литература
1. Вакарчук І. Якість освіти і вільна траєкторія студента//Українська правда, 28.04.09.
2. Беспалько В.П. Образование и обучение с участием компьютеров (педагогика третьего тысячелетия). – М.: МПСИ, 2002. – 352
c.
96
3. Гриценко В.И. Информационно-коммуникационные технологии
в образовании для всех – в ракурсе проблем общества знаний. –
К.: МННЦ ИТ и С НАНУ и МОН, 2007. - 28 с.
4. Півняк Г., Салов В. Стандарти вищої освіти у контексті Болонської декларації //Освіта України. – 2004. - №42-43. – 2 червня –
с.6.
5. Потеев М.И. Практикум по методике обучения во ВТУЗах. - М.:
Высшая школа, 1990. – 127 с.
6. Орлов А.И. Менеджмент. Учебник. М.: Издательство "Изумруд", 2003. - 298 с.
7. Колесников А.А.Синергетические методы управления сложными системами: теория системного синтеза. М.: УРСС. – 2006.
- 240 с.
8. Терехов В.А. Нейросетевые системы управления. – М.: ВШ,
2002. – 183 с.
9. Медведев В.С., Потёмкин В.Г. Нейронные сети. Matlab6. – М.:
ДИАЛОГ-МИФИ, 2002. – 496 с.
97
SOFTWARE FOR PSYCHOLOGICAL EXPERIMENTAL RESEARCH
Miroshnikov Sergey, Filippova Margarita, Chernov Roman
Saint-Petersburg State University
There are several directions of developing software at the psychology
department of the Saint-Petersburg State University. Informational system “Experimental Research in the Psychology” is designed for conducting many classical and new psychological experiments for educational and research tasks, including conducting experiments with neuronet and oscillatory-field cognitive models. The same system supports
conducting of research with complex stimulation of men and models for
research into the conscious and unconscious components of the perception. Another direction of the software development is supplying psychologists with instruments for psychodiagnostic and consulting.
ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ЭКСПЕРИМЕНТАЛЬНЫХ
ИССЛЕДОВАНИЙ В ПСИХОЛОГИИ
Мирошников С.А., Филиппова М.Г., Чернов Р.В.
Санкт-Петербургский Государственный Университет
Представлены несколько направлений разработки программного
обеспечения на факультете психологии Санкт-Петербургского государственного университета. Информационная система «Экспериментальные исследования в психологии» направлена на реализацию ряда классических и новых психологических экспериментов в
учебных и исследовательских целях, в том числе на проведение
экспериментов с нейросетевыми и осцилляторно-полевыми когнитивными моделями. Эта же система обеспечивает проведение
исследований с использованием сложных видов стимуляции человека и моделей для изучения осознаваемых и неосознаваемых компонентов восприятия. Другим направлением разработки является инструментальное обеспечение психодиагностической и консультативной работы психологов.
Одним из существенных компонентов, определяющих эффективность системы очного и дистантного обучения психологов, является программное обеспечение для проведения учебных занятий и
исследований. Такое программное обеспечение разрабатывается на
факультете психологии СПбГУ по нескольким направлениям: реализация классических и новых психологических экспериментов,
психодиагностика, когнитивное моделирование, инструментальное
98
обеспечение прикладной работы психологов и смежных специалистов в специализированных учреждениях. Все эти направления представлены и в соответствующих учебных дисциплинах, так что студенты и аспиранты имеют возможность самостоятельно проводить
значительную часть соответствующих практических занятий на персональном компьютере, что особенно важно в случае заочного и
дистантного обучения.
Основными целями разработки информационной системы
«Экспериментальные исследования в психологии», была разработка
средств программной реализации ряда экспериментов, широко используемых в учебном процессе, но требующих больших временных или других ресурсов при проведении в бланковой или иной физической форме. Реализация этих экспериментов в виде автоматизированной компьютерной системы обеспечивает повышение эффективности учебного процесса за счет сокращения времени на подготовку и увеличения возможностей студентов по управлению
экспериментом, повторению его с разными испытуемыми в разных
условиях, анализу собираемых данных. Например, в этой системе
реализованы такие эксперименты, как наблюдение фи-феномена – с
возможностью изменения количества стимулов, межстимульного
интервала, длительности их предъявления, а также цвета стимулов
и фона; простая и сложная сенсомоторная реакция, реакция на движущийся объект, реакция отмеривания времени (с получением количественных показателей по всем видам реакций и их интерпретации на основе собранных ранее статистических данных), корректурные пробы, таблицы Шульте и их модификации, теппинг-тест,
методики исследования прайминг-эффекта и др. Настоящая разработка выполняется при финансовой поддержке РГНФ в рамках проекта создания информационных систем РГНФ (проект № 08-0612117в, руководитель С.А. Мирошников), и представлена на сервере СПбГУ по адресу expsy.pu.ru, с которого разработанное программное обеспечение предоставляется всем заинтересованным ВУЗам.
Кроме обеспечения учебного процесса, разработка данной системы направлена на реализацию ряда исследований, проводящихся
на факультете психологии и в сотрудничающих организациях. Одним из таких исследовательских проектов является изучение осознаваемых и неосознаваемых компонентов восприятия многозначных изображений, осуществляемое при поддержке Совета по гран99
там Президента Российской Федерации (№ проекта МК3531.2008.6, руководитель М.Г. Филиппова). В этом исследовании
изучаются интерференционные эффекты, являющиеся следствием
неосознания одного из значений двойственности. Его результаты
свидетельствуют о семантическом отвержении неосознаваемых
значений испытуемыми, что отражается в их тенденции «не узнавать» хорошо известные слова, если эти слова связанны с неосознанными ими ранее значениями. Для описания этого феномена в
когнитивной психологии существует термин «негативный выбор»,
который, согласно ее автору, профессору В. М. Аллахвердову, происходит в том случае, если воспринимаемые факты противоречат
созданной в сознании картине мира. А настоящее исследование демонстрирует, что негативный выбор предполагает также процесс
удержания «незамеченных» значений в неосознаваемом состоянии,
что сопровождается интерференционными эффектами при параллельном осуществлении сознательной деятельности.
Для обеспечения учебного процесса в состав разрабатываемой
информационной системы также включена электронная хрестоматия, предназначенная для предоставления информации о включенных в систему классических и новых экспериментальных методиках.
Одним из последних дополнений в данную систему стал блок
когнитивного моделирования, предназначенный для проведения
экспериментальных исследований и подготовки технического обеспечения учебного процесса по темам, связанным с изучением подходов к моделированию в психологии.
С учетом гуманитарной направленности образования на факультетах психологии для использования программного обеспечения в
учебном процессе, предпочтительно использовать максимально наглядные модели. В частности, для подпрограммы нейросетевого
моделирования была поставлена задача обеспечения возможности
создания простейших моделей в наглядной форме — не просто в
виде абстрактной математической сети, а в виде многоуровневого
«организма», управляемого сетью (как нервной системой), двигающегося и взаимодействующего со средой. Для демонстрации
других подходов к моделированию в программном комплексе также
реализован осцилляторно-полевой подход, принципиально отличающийся от нейросетевого, алгоритмического и других известных
подходов. Эта модель при сопоставлении с максимально близкой к
100
ней, нейросетевой моделью, имеет несколько существенных структурных и организационных отличий: единица структуры осцилляторной модели — это автоколебательный модуль (а не нейрон),
взаимодействующий с единым полем; роль межнейронных связей,
проводящих импульсы, в данной модели выполняет единое поле, по
которому распространяются осцилляции, несущие информацию.
Осцилляторно-полевая модель вследствие своих особенностей характеризуется максимально возможной целостностью системы:
связи всех элементов со всеми реализуются через одну переменную,
в роли которой в данной модели выступает единое поле.
В настоящее время нейросетевые модели используются в основном для учебных демонстрационных целей, а осцилляторнополевые — также и для проведения исследований, поскольку они
демонстрируют новые свойства, не характерные для достаточно хорошо изученных нейросетевых моделей разных видов (в том числе
для осцилляторных, но не основанных на едином поле как средстве
обеспечения целостности системы).
Восприятие в этой модели обеспечивается самоорганизацией цикла информационного синтеза сенсорной информации и опыта, а
именно, проекцией информации от сенсорного входа на хранящееся
в памяти содержание субъективной «картины мира» и обратно, в
три этапа: (1) предсознательное сенсорное отражение объекта — создание сенсорной информации, отражающей объект в субъекте без
его опознания и сознательного отражения; (2) предсознательный
вызов образов опыта, или компонентов субъективной «картины мира», наиболее близких к сенсорной информации, с их актуализацией
в форме неосознаваемых психических образов; (3) синтез сознательного образа как единства сенсорной информации и субъективного
опыта — осознание, проекция образа памяти на вызвавшую его сенсорную информацию. Характеристики процесса самоорганизации
этого цикла определяют точность и длительность процесса опознания стимула. Подпороговое предъявление и отражение без опознания соответствуют неполному прохождению цикла (1-й и 2-й
этапы).
В экспериментах на модели и человеке с предъявлением однотипных задач выявлен ряд аналогий в закономерностях восприятия
стимула: возможность неадекватного замыкания цикла информационного синтеза с опознанием объекта одного класса как объекта
другого класса; зависимость времени замыкания цикла и опознания
101
стимула от степени отличия стимула от известного эталона; различные проявления интерференции (вытеснение, константность восприятия, зависимость времени реакции выбора от числа альтернатив; распределение времени опознания); стробоскопический эффект, фи-феномен.
Дополнительный анализ функций осцилляторов, несущих информационное содержание картины мира субъекта, позволил выделить два компонента, имеющих аналоги в психической жизни человека. Во-первых, это подкрепление/подавление характеристик (и
информации) осцилляторов, отражающих объекты картины мира,
предполагаемые к опознанию в текущей ситуации. По содержанию
и возможному переживанию этого процесса субъектом, он близок к
переживанию положительных/отрицательных эмоций – аффективному отражению, оценочно дополняющему информационное отражение реальности. Во-вторых, это широкий спектр побудительных
ролей, которые может играть осциллятор и его информация (в составе картины мира) благодаря активирующему влиянию на релевантные осцилляторы, несущие информацию опыта (от знаний до
навыков действий): от относительно пассивного знания до активного мотива деятельности субъекта.
С целью исследования достоверности и прогностичности этих
аналогий как оснований для выводов относительно психической
жизни человека, на следующем этапе исследования запланировано
проведение серии экспериментов на модели и человеке, направленных на вызов определенных видов эмоциональных переживаний и
побуждений в соответствии с теоретической их классификацией,
разработанной на основе модельных представлений.
В другом направлении разработки программного обеспечения
ведется подготовка различных инструментов психодиагностики и
прикладной работы психологов и смежных специалистов. Здесь с
2001 года разрабатывается широкий спектр соответствующих методик в составе программного комплекса Лонгитюд-ЭДК (lnd.pu.ru).
В частности, эта система позволяет проводить сбор и обработку
данных (с получением текстовых интерпретаций) по ряду таких
широко используемых методик, как:
- опросники для исследования личности, темперамента, мотивации, воли, профессиональных склонностей, состояний, межличностных отношений, родительских установок и других психологических характеристик,
102
«шкалы развития» для оценки психомоторного развития детей
от 2-х месяцев и старше,
- проективные методики исследования личности (цветовые, рисуночные), а также цветовой проективный тест отношений, цветовая социометрия,
- методики на пересечении психологии и смежных областей (медицина, логопедия, дефектология) – «Анамнез», «Карта индивидуального сопровождения»,
- методики, основанные на регистрации и анализе сенсомоторной
активности испытуемого - оценка функционального состояния
человека, тесты на сенсомоторную реакцию, реакция на движущийся объект, тест отмеривания времени и др.
В большинстве этих методик реализован не только сбор и количественный анализ данных, но и их предварительная текстовая интерпретация, позволяющая специалисту подготовить более полный
пакет рекомендаций для обследуемых.
Все представленные выше программные системы доступны для
широкого использования и открыты для совместной разработки
новых методик и их модификации или локализации с переводом на
другие языки. Так, в настоящее время совместно с заинтересованными представителями соответствующих организаций ведется разработка новых методик, основанных на использовании датчиков
психофизиологического состояния, работа по переводу одной из
наиболее часто используемых прикладных методик – Шкалы развития (для детей от 2-х месяцев до 7 лет) на украинский и эстонский
языки, а также перевод общего интерфейса системы на английский
язык.
-
103
GRAPH-ANALYTIC APPROACH FOR E-LEARNING COURSES
DEVELOPMENT
Mitko Mitev, Elena Racheva, Ginka Marinova
Technical University of Varna, Bulgaria
The report discusses the algorithms and program system for design,
analysis and structuring of the e-learning courses. Training material is
divided and ordered on the base of the fundamental concepts of the
subject area and links existing between them. Created software system
generates design solutions and offers three operating modes for
simulation, design of e-learning courses, as well as additional training
in case of undigested material.
ГРАФОАНАЛИТИЧЕСКИЙ ПОДХОД ДЛЯ РАЗРАБОТКИ КУРСОВ
ДИСТАНЦИОННОГО ОБУЧЕНИЯ
Митко Митев, Елена Рачева, Гинка Маринова
Технический университет г. Варна, Болгария
В докладе рассматриваются алгоритмы и реализующая их программная система, предназначенная для проектирования, анализа и
структурирования курсов дистанционного обучения. Учебный материал разбивается и упорядочивается на базе основных понятий
предметной области и существующих между ними связей. Созданная программная система генерирует проектные решения и предлагает три режима работы, позволяющие симуляцию, проектирование курсов дистанционного обучения, а также дополнительное
обучение в случае неусвоения материала.
Введение
Дистанционное обучение является одной из форм организации и
проведения учебного процесса, постепенно занимающей в сфере
образования доминирующие позиции.
Независимо от технической и программной платформы осуществления коммуникации между обучающим и обучаемыми, воспринятой методики предоставления учебного материала и средств
для анализа и оценки достигнутых результатов, проектирование
курсов для дистанционного обучения состоит из следующих основных этапов [1]:
- Определение целей обучения и соответствующей сферы знаний
и практических умений,
104
Определение учебного материала и его представление в виде,
удобном
для
проведения
дистанционного
обучения,
учитывающем требования принятой методики проведения учебного процесса и возможности коммуникационной среды;
- Проведение учебного процесса с его обязательными элементами
оценки обучаемых и их самооценки;
- Анализ полученных результатов и прогнозирование следующих
этапов обучения на базе необходимых изменений, диктуемых
развитием предметной области, методики обучения и технических средств коммуникации.
Настоящий доклад посвящен разработке алгоритмов и программных средств для анализа и структурирования учебного материала на базе основных понятий предметной области и связей, существующих между ними.
Целью доклада является представление обобщенной структуры
программной системы, которая позволяет решать следующие основные задачи:
- Разработка системы понятий, учитывающей их сложность и
причинно-следственные связи между ними;
- Последовательное размещение понятий по оси времени с
учетом направления причинно-следственных связей, дистанции
между понятиями и других критериев;
- Создание проектных решений, связанных с учетом интердисциплинарных связей;
- Селектирование неусвоенного материала и его правильное размещение по оси времени в целях дополнительного изучения.
-
Формализация
Формализация постановки для решения перечисленных основных задач сводится к представлению системы понятий в виде ориентированного конечного графа G(X,U,P,W,F) [2,3,5,6], в котором:
X - множество вершин графа. Каждая вершина интерпретируется
как отдельное понятие;
U – множество ориентированных ребер в графе. Каждое ребро
представляет собой идентифицированную причинно-следственную
связь между двумя понятиями. Первое из них принимается в качестве базового, а второе - в качестве следствия;
105
P - трехместный предикат, принимающий значение истина, если
между двумя определенными понятиями существует связь в
направлении от базового понятия к его следствию;
W – множество весовых коэффициентов, являющихся надстройкой для вершин графа. Между W и X существует одно-однозначное
соответствие. Каждый коэффициент количественно оценивает
сложность эквивалентного понятия, которая измерена по оси времени;
F – множество статических весовых коэффициентов для каждого
из ребер в множестве U. Следовательно, между ними существует
одно-однозначное соответствие. Каждый статический коэффициент
учитывает значимость связи по сравнению с другими причинноследственными связями, определенными для данной предметной
области.
В процессе формализации также вводится и V - множество динамических коэффициентов ребер. Динамический вес каждого ребра зависит от его статического коэффициента и расстояния между
понятиями, измеренного по оси времени. Следовательно, динамический коэффициент зависит от полученного проектного решения и
вычисляется для каждого ребра по следующим формулам:
j 1
vij  f ij  wk
в прямом направлении (i < j)
v ji  f ji  wk
в обратном направлении (j > i) (2)
(1)
k i
i 1
k j
Следовательно, каждое проектное решение, располающее понятия по оси времени, будет определять общую сумму динамических
коэффициентов ребер, вычисляемую по формуле:
j 1
2

 N 1 N
V  V  AV    fij  wk  A 

i 1 j  i 1
k i
1

j  N i  j 1
i 1
f ji  wk
(3)
k j
где V – сумма динамических весов ребер в направлении оси времени;

V – сумма динамических весов ребер в обратном направлении и
A – коэффициент различия между ребрами в прямом и обратном
направлении.
106
Стоимость результата по формуле (3) можно рассматривать как
оценку проектного решения, полученного на основе следующих
критериев:
- Минимальная сумма весов ребер в обоих направлениях;
- Минимальная сумма весов ребер в прямом направлении;
- Минимальная сумма весов ребер в обратном направлении.
Каждый из указанных критериев определяет различное решение, уменьшающее „расстояние” между понятиями в прямом, обратном или в обоих направлениях. Выбор конкретного критерия является прерогативой обучающего и зависит от поставленных целей.
Алгоритмизация
Алгоритм, минимизирующий сумму динамических коэффициентов ребер в зависимости от выбранного критерия, и его программная реализация представлены в [4,5]. Полученные результаты
относятся только к понятиям в составе определенной учебной дисциплины и связям между ними, но не учитывают интердисциплинарные связи.
Для решения проблемы интердисциплинарных связей вводится
подмножество X1  X, |X1|=N1, которое представляет собой множество понятий, связанных в прямом и обратном направлении с понятиями из предыдущих дисциплин. Предлагается рассмотреть новые
множества:
H = { hj } – множество статических коэффициентов ребер, интерпретирующих интердисциплинарные связи с предыдущими дисциплинами;
S = { sj } – множество динамических коэффициентов интердисциплинарных связей, зависящее от конкретного расположения понятий.
В этом случае формулы (1),(2) и (3) принимают следующий вид:
j 1
s j  h j  wk
в прямом направлении
(4)
s j  h j  wk
в обратном направлении и
(5)
k 1
j 1
1
 k 1  N1 j 1
V1  V1  BV1   h j  wk   h j
j 1
k 1
i  N1
107
1
w
k  j 1
k
(6)
при этом имеющие интердисциплинарные связи понятия занимают
первые N1 мест в упорядоченном по оси времени списке понятий. В
ином случае необходимо учитывать их конкретное распределение.
B представляет собой коэффициент, аналогичный A и определяющий различие между интердисциплинарными связями в прямом и
обратном направлениях.
Значение общей суммы Vo можно принять в качестве оценки
проектного решения при учете интердисциплинарных связей с
предыдущими дисциплинами.
(7)
V0  V  V1
Разработанный алгоритм и его программная реализация представлены в [6].
Аналогичным образом можно произвести формализацию проблемы учета интердисциплинарных связей со следующими дисциплинами.
В процессе коммуникации между обучающим и обучаемыми
учебный материал подается отдельными порциями. Обобщенные
требования в этом отношении следующие: порции или учебные
единицы должны поступать в определенной логической последовательности во времени, каждая порция должна включать преимущественно сильно связанные понятия и, если есть такая возможность,
быть относительно самостоятельной. Чтобы минимизировать количество таких порций, необходимо, чтобы каждая учебная единица
была максимально заполнена до определенной верхней границы Wo.
Следовательно, количество учебных единиц или порций определяется формулой:
M 
W
W0
(8)
с точностью до первого большего значению целого числа.
При этом возникает разница (9)
n
w  W0   wk
(9)
k 1
где n - количество понятий, включенных в конкретную учебную
единицу.
Пусть заданы две произвольно выбранные учебные единицы m1
и m2. Из первой единицы выбрана вершина xi, а из второй – ввершина xj. Существует операция α(xi,xj), меняющая местами эти две
108
вершины. Необходимым является условие, чтобы новая определенная разница Δw была меньше или равна предыдущей, а достаточным условием - чтобы общая сумма весов динамических коэффициентов, подсчитанная по формуле (3) или (7), была меньшее или не
превышало допустимо ухудшение результата в соответствии с
предварительно определенными границами.
При такой постановке существуют алгоритмы, основывающиеся
на последовательно сформированных учебных единицах с оптимизированными по плотности или сумме динамическими весами ребер, или т. н. „параллельные” алгоритмы, базирующиеся на первоначальном произволном решении и последующих процедурах оптимизации.
В конкретной реализации разработаны модификации алгоритмов, зависящие от критериев для сумм в прямом, обратном или в
обоих направлениях, с или без учета интердисциплинарных связей,
с или без коефициентов A и B, определяющих различие между ребрами в обоих направлениях.
В процессе дистанционного обучения постоянно производится
оценка или, соответственно, самооценка полученных знаний и умений. Анализ полученных результатов выявляет множество понятий,
которые по той или иной причине не усвоены. С методической точки зрения необходимо, чтобы эти понятия были отделены в качестве самостоятельной учебной единицы и, соответственно, упорядочены по оси времени в целях дополнительного изучения. Данную
постановку можно рассматривать в следующих аспектах:
Самостоятельно и независимо от остальных понятий. В этом
случае используются формулы (1), (2) и (3) в зависимости от
выбранного критерия для ребер в прямом и обратном направлении.
С учетом причинно-следственных связей с понятиями в рамках той же дисциплины по аналогии с формулами (4), (5) и (6), при
этом усвоенные понятия принимаются в качестве предыдущих.
С учетом всех внутренних и интердисциплинарных связей.
Реализация
На основании изложенных постановок, предложенной формализации и заявленных алгоритмических решений разработана и реализована программная система [7,8] для проектирования, анализа и
структурирования курсов дистанционного обучения, представленных на базе основных понятий. Структура системы показана на Рис.
1.
109
Созданная программная система имеет следующие режимы работы:
1. Режим симуляции.
Целью данного режима является генерирование системы понятий, причинно-следственных связей, весов вершин и статических
весов ребер с помощью генераторов случайных чисел. Данный режим позволяет исследовать возможности получения различных
проектных решений посредством целенаправленного и/или регламентированного активирования отдельных подсистем, их комбинирования в произвольной последовательности и, соответственно, получать статистические данные по отдельным вариантам.
2. Режим проектирования курсов дистанционного обучения.
Режим включает ввод учебного материала, определение базовых
понятий, экспертную оценку их трудности, установление причинноследственных связей между ними, определение их статических
коэффициентов. С помощью предоставленных программных
средств обучающий может упорядочить понятия по оси времени,
провести исследование результатов по выбранным критериям, ввести и оценить интердисциплинарные связи, заново упорядочить понятия с учетом стартового и финального пакета понятий, произвести последовательное и/или „параллельное” группирование понятий
в зависимости от выбранного подхода.
3. Режим проектирования дополнительного обучения. Для работы в этом режиме необходима предварительная информация о
материале, неусвоенном конкретным обучаемым и полученная с
помощью известных методов проверки знаний. Программная система предоставляет возможность расположить неусвоенные понятия по оси времени как самостоятельную группу с учетом или без
учета связей с остальными понятиями учебной единицы или с остальными дисциплинами.
Полученная последовательность неусвоенных понятий предоставляется обучаемому для дополнительного изучения - самостоятельного или под руководством обучающего.
110
Инструментальное средство
для выявления понятий и установления связей между ними
Программная часть для внутреннего структурирования понятий в учебной единице
ДвунаправленВ обратном
В прямом
ное
направлении
направлении
посока
Программная часть для структурирования интердисциплинарных связей
Общее структуСтартовый паФинальный парированиее
кет
кет
Программная часть для группирования понятий
Последовательное группирование
„Параллельное” группирование
Программная часть для группирования неусвоенного материала
Самостоятельное
Внутреннее группирование
Внешнее группирование
Двунаправленное
В прямом направлении
В обратном
направлении
Рис. 1. Обобщенная структура программной системы
111
В технологическом отношении программная система позволяет
ввод необходимых данных (симуляционных или реальных), их хранение в базе данных, архивацию полученных проектных решений,
статистическую обработку данных и включает функции визуализации текстовой и графической информации.
Разработанная программная система может использоваться самостоятельно или в составе других программных платформ для
проектирования, разработки и исследования курсов дистанционного
обучение, базирующегося на системе понятий.
Литература
1. Learning Technology Standards Committee, Draft Standard for
Learning Object Metadata. IEEE Standard 1484.12.1, New York:
Institute of Electrical and Electronics Engineers
2. Кристофидес Н. Теория графов. Алгоритмический подход. М.:
Мир, 1978
3. Tomas H. Cormen, Charles E. Leiserson, Ronald L. Rivest, Clifford
Stein. Introduction to Algorithms. The MIT Press, Cambridge,
Massachusetts, 2001
4. Елена Рачева, Митко Митев, Елеонора Калчева, Генетичен алгоритъм за структуриране на учебното съдържание за целите на
дистанционно обучение, Списание „Компютърни науки и технологии”, бр. 1/2008 г., ТУ-Варна (на болгарском языке)
5. Митко Митев, Елена Рачева Разработка на алгоритъм и програма за структуриране на учебен материал, Списание „Компютърни науки и технологии”, бр. 2/2008 г., ТУ-Варна (на болгарском
языке)
6. Mitko Mitev, Elena Racheva, Ginka Marinova, Algorithm for
Defining of Initial Package of Notions for Purpose of E-Learning,
Int. Conference CompSysTech’09, Ruse, Bulgaria, June’ 2009
7. Проект №483 Разработване на учебен курс по дисциплината
„Синтез и анализ на алгоритми” за целите на дистанционно
обучение с изследване на начините за представяне на учебния
материал и създаване на специализирана база от данни с текстова и графична информация”, ТУ-Варна, 2008
8. Проект НП №25, Теоретична разработка и реализация на програмна платформа за компютърно проектиране и изследване на
курсове за дистанционно обучение, ТУ-Варна, 2009
112
LEARNING ACTIVITY CONTROL INFLUENCES IN COMPUTER
TRAINING SYSTEMS
Pustovalov Leonid, Dyachuk Piter, Larikov Eugene
Krasnoyarsk State Pedagogical University
The task solving learning activity managerial systems are considered.
Institutional, informational and motivational types of management used
in dynamic training system. Conditions for functioning of training
system control centre are listed.
УПРАВЛЯЮЩИЕ ВОЗДЕЙСТВИЯ НА УЧЕБНУЮ
ДЕЯТЕЛЬНОСТЬ В КОМПЬЮТЕРНЫХ ТРЕНАЖЕРНЫХ
СИСТЕМАХ
Пустовалов Леонид, Дьячук Петр, Лариков Евгений
Красноярский государственный педагогический университет им.
В.П. Астафьева
В данной статье рассматриваются системы управления учебной
деятельностью обучающегося решению задач. Рассмотрены институциональное, информационное и мотивационное управления
учебной деятельностью в динамических обучающих системах,
условия необходимые для функционирования управляющего центра
обучающей системы.
Рассмотрим системы управления учебной деятельностью обучающегося решению задач или процессом адаптации обучающегося
к проблемной среде. Проблемная среда определяется, как совокупность условий, выполнение которых необходимо для поиска решения задач обучающимся. Адаптация обучающегося реализуется в
процессе деятельности по управлению объектами проблемной среды при достижении целевого состояния задачи. Управляющие воздействия компьютерной системы управления должны содействовать обучающемуся в поиске решения задач и обеспечить ему успех в научении. Тактической целью управляющей деятельности
компьютерной обучающей системы является решение очередной
задачи. Стратегическая цель управления учебной деятельностью состоит в развитии структуры системы действий обучающегося позволяющей безошибочно решать задачи.
Большинство существующих подходов к управлению процессом
обучения основано на так называемом «управлении обучением с
учителем». Под управлением понимается процесс организации та113
кого целенаправленного воздействия на объект, в результате которого этот объект переводится в требуемое (целевое) состояние [1].
Объектом управления будем называть ту часть окружающего нас
мира, состояние которой нас интересует и на которую можно целенаправленно воздействовать — управлять. Состояние объекта задается структурой системы действий. Поэтому система управления
учебной деятельностью должна целенаправленно воздействовать на
структуру системы действий или поведение объекта при научении
решению задач. Можно выделить два основных условия, которым
должны удовлетворять компьютерные системы управления учебной
деятельностью. Во-первых, управляющие воздействия должны быть
направлены на формирование поведения обучающегося, позволяющего получать решение текущей задачи. Во-вторых, взаимодействие обучающегося (объекта) и системы управления должно
носить характер взаимосодействия в достижении полезного результата. Полезный результат или стратегическая цель совместной деятельности системы управления и объекта состоит в научении безошибочного решения задач.
Субъектом управления в данном случае выступает учитель или
заменяющая его машина. Учитель задаёт множество целей (набор
требований, предъявляемых субъектом к состоянию объекта), которые необходимо достигнуть ученику в процессе выполнения некоторых задач. Ученик при этом является сложным, неопределённым объектом. Учитель совершает управляющие воздействия
на ученика, корректирующие его действия для достижения им (учителем) поставленных целей.
В большинстве современных систем управления процессом обучения решается задача активной адаптации обучающей системы к
обучаемому. Это означает, что обучающая система самостоятельно
должна распознать параметры обучаемого в рамках определённой,
выбранной ею модели обучаемого [1]. При этом делается допущение, что у объекта управления нет своих собственных мотивов и
целей, объект полностью принимает цели сообщённые ему субъектом управления. Обучающая система при этом вынуждена перебирать возможные модели, пока не найдётся наиболее подходящая
данному объекту управления рабочая модель. Даже в случае с одним неопределённым объектом, задачи структурной и параметрической адаптации необычайно сложны. А если речь заходит о множестве неопределённых объектов, например, группе студентов, то в
114
этом случае сложность процесса управления адаптацией обучаемых
возрастает многократно, приводя к чрезмерным затратам времени и
ресурсов системы управления, что в итоге делает саму возможность
эффективного процесса адаптации маловероятной.
Основным недостатком такого подхода является то, что в нём не
учитывается тот факт, что ученик является не объектом, а субъектом управления и процесса обучения, следовательно, невозможно
построить хоть какую-либо близкую к реальности модель или структуру обучаемого. Обучаемый при этом являет собой типичный
«чёрный ящик», т.е. нет никакой информации о внутренней структуре ученика.
Решение проблем или задач должно предполагать, что обучающиеся не просто усваивают учебную информацию, а затем применяют полученные знания. Процесс познавательной деятельности
обучающихся, в основном состоит в генерировании информации,
которая добывается ими самостоятельно, опытным путем. Поскольку самообучающаяся (саморазвивающаяся) система является, по сути, биологической системой, то формирование цели обучения происходит с опережением реализации ее обучающимся, на основе потребностей, внешних факторов и памяти. Реализация цели обучения
является полезным результатом системы обучения. Потребность в
получении полезного результата и цель получения этого результата
возникают внутри системы, и реализуется в поведении обучаемого,
т.е. в действиях направленных на решение проблем.
Управляющий центр или «внедренный» агент вырабатывает
управляющие воздействия с учетом того, что обучаемый является
субъектом. Они должны содействовать обучающемуся в решении
задач по управлению объектами проблемной среды. Управления
передаются через датчики, которые входят в спецификацию проблемной среды. Их цель содействовать такому поведению обучающегося, которое необходимо для его активной адаптации в
изменяющихся проблемных средах..
Проблемная среда организована таким образом, чтобы обучающийся получал с одной стороны достаточно много разнообразных
сигналов на производимые действия, с другой стороны среда должна иметь такой характер, который бы позволял обучающемуся самостоятельно генерировать информацию необходимую для реализации всех этапов управления сложным объектом.
115
Управление деятельностью обучающегося включает в себя три
вида управлений: институциональное, мотивационное и информационное [2]. Информационное управление заключается в том, что
обучающемуся постоянно сообщается информация о его текущем
положении относительно цели задания. Таким образом обучающийся всегда знает в правильном ли направлении он движется, совершает ли ошибки.
Институциональное управление является целенаправленным воздействием на ограничения и нормы деятельности участника динамической системы (обучающегося). Сущность механизма институционального управления заключается в том, что обучающая система ведёт постоянный контроль над поступающей обучающемуся
информацией и его действиями, мгновенно вмешиваясь и корректируя (компенсируя) его ошибочные действия. Если обучающийся совершает ошибку, обучающая система включает механизмы принудительного возврата обучающегося в первоначальное состояние.
Система позволяет двигаться в правильном направлении и запрещает отклоняться обучающемуся в сторону от «правильного пути».
Для отслеживания хода выполнения заданий обучающимся, введём понятие целевой функции. Целевая функция, в данном случае,
это математическое выражение некоторого критерия качества одного ученика в сравнением с другим. Введение целевой функции необходимо из-за невозможности построения какой-либо структурной
модели обучающегося.
Введение в динамическую среду «уровней успешности обучающегося» позволяет задействовать механизмы мотивационного
управления процессом обучения. Текущий уровень состояния ученика непосредственно связан с текущим значении целевой функции. Перемещение по уровням наглядно показывает обучающемуся
его стратегический прогресс в ходе выполнения заданий. Стратегической целью в данном случае является успешное решение всего
комплекса задач, тогда как локальной целью является успешное
выполнение одного, конкретного задания. Таким образом, система
управления мотивирует обучающегося на достижение стратегической цели обучения.
В проблемную среду должны быть включены датчики, посредством которых осуществляются все три вида управлений. Это: 1) датчик или индикатор «расстояния» до цели, индикатор выбора обучающимся функции ценности состояний и тот и другой индикатор
116
осуществляют информационное управление; 2) датчик функции
ценности состояния обучающегося представленный как система
дискретных уровней, определяемых относительной частотой правильных действий – мотивационное управление; 3) датчик институционального управления, включающий ограничитель множества
допустимых действий обучаемого по управлению объектом.
Управляющий центр (внедренный агент) принимает решения об
управляющих воздействиях на обучаемого на основании следующих критериев:
1. Если обучаемый закончил решение очередной задачи, то управляющий центр генерирует следующую задачу;
2. Если доля правильных действий p совершенных обучаемым, при
решении задачи удовлетворяет неравенству:
0.5  0.05(i  1)  p  0.5  0.05(i )
(i  1,..,10 )
то функция ценности обучаемого соответствует i-му уровню [3].
Появление индикатора «расстояния до цели» на экране компьютера
определяется случайным числом:
l
RND  1
2
При, l>P индикатор на экране присутствует, в противном случае
отсутствует.
3. а) Если обучающийся не может осуществить адаптацию по параметрам задачи, то управляющий центр осуществляет декомпозицию
задачи и ограничивает множество допустимых действий множеством действий, изменяющих только эти параметры.
б). Если обучающийся совершает неправильные действия, то управляющий центр отменяет их.
4) Если управляющий центр предложил обучаемому определить
значение функции ценности своего состояния (уровень), то система
переводит его в условия функционирования среды, отвечающие
данному уровню. После выполнения задания управляющий центр
возвращает его на уровень, которому отвечает его деятельность.
Условия необходимые для функционирования управляющего
центра:
1. Управляющий центр должен обладать полной информацией о
действиях необходимых для решения генерируемой задачи.
117
2. Управляющий центр должен осуществлять непрерывное,
скрытное слежение за действиями обучающегося. Записывать, в
режиме on-line все его действия в синтаксической и семантической форме и соответствующие управляющие действия «внедренного агента».
3. Контент-анализ продуктов деятельности обучающегося и
управляющего центра позволяет проводить диагностику процесса поиска субъектом (обучаемым) тех действий, с помощью
которых преобразуется условия задачи, для достижения требуемой цели.
Литература
1. Растригин Л.А. Адаптация сложных систем – Рига: Зинатне,
1981. – 376 с.
2. Бурков, В.Н. Теория активных систем: состояние и перспективы
/ В.Н. Бурков, Д.А. Новиков. – М.: Синтез, 1999. -128 с.
3. Дьячук, П.П Система управления процессом адаптации к проблемной среде / П.П. Дьячук; Л.В. Пустовалов// Системы
управления и информационные технологии. – Москва-Воронеж,
№3,1(33) 2008 с. 144-148
118
INTELLECTUAL QUERY EDITOR FOR SEARCH OF EDUCATIONAL
INFORMATION ACCORDING TO IT SENSE IN E-RESORCE
Pylypchuk A., Mykhailiuk A., Mykhailiuk O., Snizhko M.
National Technical University of Ukraine “Kyiv Polytechnic Institute”,
Borys Grinchenko Kyiv Municipal Pedagogical University
The prospects of quasi-semantic paradigm using search as means of
educational work dataware are analyzed. The method of intellectual
query editor organization for quasi-semantic searching of text data in
educational informational e-resource is proposed.
ІНТЕЛЕКТУАЛЬНИЙ РЕДАКТОР ЗАПИТУ НА ПОШУК УЧБОВОЇ
ІНФОРМАЦІЇ В ЕЛЕКТРОННОМУ РЕСУРСІ ЗА ЇЇ ЗМІСТОМ
Пилипчук О.В., Михайлюк А.Ю., Михайлюк О.С. , Сніжко М.В.
Національний технічний університет України «Київський політехнічний інститут», Київський міський педагогічний університет імені
Б.Д.Грінченка
Проаналізовано перспективи застосування парадигми квазісемантичного пошуку як засобу інформаційного забезпечення навчальної
роботи. Запропоновано спосіб організації інтелектуального редактора запиту на квазісемантичний пошук текстових даних у освітньому електронному інформаційному ресурсі.
Важливим чинником успішної освітньої діяльності є, безумовно,
наявність засобів оперативного отримання вичерпної навчальнометодичної та спеціальної довідкової інформації з актуального питання. Сьогодні, коли навчальні матеріали та наукові видання все
більше набирають форми розподілених у глобальній комп’ютерній
мережі електронних інформаційних ресурсів, задача повсякденного
підбору і постачання учбової інформації все більшою мірою покладається на мережеві інформаційно-пошукові системи.
У інформаційний простір інтегровано велику кількість інформаційно-пошукових систем, однак, якщо для розв’язання «побутових»
інформаційних потреб їх функціональність і потужність цілком достатня, то потенціал освітнього сегменту зокрема вітчизняного електронного інформаційного простору вони реалізують далеко не повністю. Однією з найважливіших вад сучасних «пошуковиків» у
контексті зазначеної проблеми є відсутність можливості ефективного семантичного пошуку учбової та наукової інформації, передусім
текстової.
119
Переважна більшість доведених до реалізації (як правило, дослідної) методів семантичного пошуку в дуже узагальненому вигляді
базуються на наступних засадах. У ході попередньої обробки бази
даних виконується семантичний аналіз всіх текстових документів,
при цьому за відповідними, специфічними для кожного методу, алгоритмами формуються так звані пошукові образи документів
(ПОД) для всієї бази даних. При постановці конкретного пошукового завдання для заданого критерію пошуку спеціальним чином формується так званий пошуковий образ запиту (ПОЗ). У ході реалізації власне пошуку за спеціальними критеріями серед ПОД усіх документів бази знаходяться найбільш подібні до конкретного ПОЗ,
що і вважається підставою для видачі відповідних документів у
якості результату.
Даний підхід має ряд вад, котрі перешкоджають його швидкому
практичному застосуванню у реальних глобальних пошукових системах [1, 2, 3]. По-перше, більшість сучасних методів семантичного
аналізу не досить ефективно виділяють власне семантичну складову
тексту і при цьому характеризуються низькою швидкодією через
обчислювальну складність чи потребують величезних обсягів допоміжної (лінгвістичної, спеціальної індексної тощо) інформації.
По-друге, у ході попереднього семантичного аналізу не може бути
врахована семантична специфіка, наприклад предметна орієнтація
тощо, пошукового запиту (через відсутність останнього на даному
етапі). Автоматично ж виявити всі семантичні відтінки тексту і
сформувати універсальний ПОД на сьогодні не є реальним. Потретє, сучасні формальні алгоритми автоматичного встановлення
ступеня подібності ПОД і ПОЗ не досить ефективно забезпечують
релевантність відібраних документів пошуковому запиту, не кажучи вже про пертинентність.
Таким чином, отримання у близькому майбутньому «робочих»
інформаційно-пошукових систем, придатних для роботи з семантикою у науково-освітньому інформаційному просторі, може бути досягнуто за рахунок технічної реалізації концепцій, які ґрунтуються
на:
- частковому залученні (особливо у випадку реалізації навчального та науково-аналітичного пошуку) людини-користувача
до виконання найбільш інтелектуальних і найменш формалізованих на сьогоднішній день технологічних етапів семантичного пошуку.
120
максимальному пристосуванні алгоритмічного апарату для
ефективного використання реально наявної і доступної вже на
сьогоднішній день лінгвістичної бази.
Одним з шляхів розв’язання означеної проблеми є застосування
парадигми так званого квазісемантичного пошуку за змістом. Квазісемантичним будемо називати такий підхід до пошуку, при якому
семантика привноситься на етапі формування запиту із залученням
онтології відповідної предметної галузі та за безпосередньої участі
користувача, як єдиного достовірного джерела пошукового інтересу
[4]. Однак, слід відзначити, що саме по собі формування пошукового запиту за допомогою онтології, яке можна трактувати як пошук
оптимізованого запиту у семантичній мережі відповідної предметної галузі, являє собою досить складну і неформалізовану задачу.
Особливої ваги останнє застереження набуває у контексті інформаційно-навчальної роботи, коли користувачем виступає учень (загалом будь-який об’єкт навчання), що, як правило, апріорі асоціюється з відсутністю високої кваліфікації [5].
Пропонується здійснювати формування пошукового запиту за
допомогою спеціального інтелектуального редактора. Інтелектуальний редактор запиту дозволяє у інтерактивному режимі сформувати
оптимізований пошуковий критерій, пошук за яким буде зводитись
практично до класичного повнотекстового пошуку за допомогою
системи індексних файлів. Таким чином, розв’язання неформалізованої до кінця на сьогоднішній день задачі виявлення семантичної
відповідності бере на себе користувач при інформаційній підтримці
інтелектуального програмного інструментарію.
Інтелектуальний редактор запиту може бути реалізований програмно у формі експертної системи, структура якої наведена на
Рис.1.
Тут інтерпретатор запиту фактично являє собою механізм пошуку, який реалізує зворотній зв'язок по релевантності, тобто дозволяє
користувачу модифікувати пошуковий запит орієнтуючись на вміст
пошукового відгуку. Інтерпретатор онтології інформаційно підтримує редагування змісту пошукового запиту. Основна частина інтерпретатора онтології — модуль квазісемантичного аналізу.
-
121
Рис. 1. Редактор запиту як експертна система
Саму онтологію організовано у вигляді семантичної мережі відповідної предметної галузі, всі поняття якої подаються т.з. синсетами, тобто наборами синонімічно зв'язаних дескрипторів, що становлять одне поняття, а між синсетами встановлено семантичні зв'язки
різних типів [6, 7].
На Рис. 2 наведено спрощений алгоритм функціонування інтелектуального редактора пошукового запиту. Серед основних задач,
підтримку розв’язання котрих бере на себе редактор запиту, доцільно виділити наступні.
1. Допомога у розв’язанні неоднозначності. Редактор автоматично виявляє неоднозначність понять, присутніх у запиті (омонімія), і пропонує можливі шляхи розв’язання цієї неоднозначності.
2. Наочне відображення понять у контексті системи знань відповідної предметної галузі (онтології) та допомога у навігації по
цій системі. Редактор, опираючись на присутні у пошуковому
запиті поняття, пропонує користувачеві візуалізований відповід122
ний сегмент онтології. Це дає можливість виконувати редагування пошукового запиту з метою його деталізації, або, навпаки,
розширення меж пошуку для підвищення повноти останнього.
3. Підтримка т.з. нелінійного пошуку та пошуку по прихованим семантичним зв'язкам на основі зрізів онтології предметної
галузі. Потужний механізм автоматичного пошуку та візуалізації
зрізів онтології предметної галузі, що найбільш тяжіють до групи понять із запиту, дає можливість нелінійно (тобто за прихованими асоціативними та іншими зв'язками між дескрипторами онтології) модифікувати запит для оптимізації напрямку пошуку.
Ця можливість редактора запиту особливо актуальна у разі недостатнього володіння користувачем відповідним предметом.
На базі запропонованого алгоритму розроблено дослідний прототип експертної системи для підтримки редагування пошукового
запиту. Редактор запиту реалізований як програмна надбудова над
стандартною повнотекстовою пошуковою системою, у якості котрого може бути задіяний, наприклад, Google. Програмний модуль
редактора реалізовано у вигляді WEB-додатку клієнт-серверного
типу. Серверна частина забезпечує збереження необхідних знань (в
тому числі онтологічних) та організацію доступу до них. Для наповнення онтологічного сегменту бази знань було розроблено фрагмент експериментальної онтології для предметної галузі «Основи
баз даних», організований за принципом WordNet. Логічну структуру онтології було конвертовано у базу даних PostgreSQL для організації ефективного зберігання та доступу до відповідних знань. Клієнтська частина відповідає за взаємодію користувача з редактором
запиту та за наочну візуалізацію відповідних фрагментів онтології.
Для забезпечення паралелізму при взаємодії клієнтської частини із
серверною, як наведено на UML-діаграмі (Рис. 2.), було використано технологію асинхронного обміну даними між клієнтом і сервером AJAX.
Результати дослідної експлуатації інформаційно-пошукового
комплексу із застосуванням інтелектуального редактора на квазісемантичний пошук дозволили зробити висновок про суттєве підвищення ефективності інформаційно-навчальної роботи.
123
Рис. 2. Функціонування системи квазісемантичного пошуку
124
Крім того слід відзначити, що систематична активна взаємодія
користувача з онтологією предметної галузі, яка є предметом вивчення, сприяє систематизації понять і загалом навчанню, додатково мотивованому реальною практичною (пошуковою) задачею.
Література
1. Мозговой М.В. Машинный семантический анализ русского текста и его применения: Дисс. ... канд. физ.-мат. наук: 05.13.11. –
С.-П., 2006.-116с.
2. Сокирко А. Семантические словари в автоматической обработке
текста (по материалам системы ДИАЛИНГ): Дисс. ... канд. физ.мат наук: 05.13.11. – М., 2001.- 211с.
3. Марченко О.О. Алгоритми семантичного аналізу природомовних текстів: Автореф. дис. ... канд. фіз.-мат. наук: 05.13.11. – К.,
2005. - 17с.
4. Альшанский Г.В., Браславский П.И., Титов П.В. Формирование
информационных запросов к машинам поиска интернета на основе тезауруса // доклад на VIII Международной конференции
по электронным публикациям «EL-Pub2003». - Новосибирск,
2003.- Режим доступу до ст.:
5. http://www.ict.nsc.ru/ws/elpub2003/5964/.
6. Роберт И.В., Самойленко П.И. Информационные технологии в
науке и образовании. – М., 1998. —178 с.
7. Соловьев В.Д., Добров Б.В., Иванов В.В., Лукашевич Н.В. Онтологии и тезаурусы: Учебн. пособие. - Казань,Москва, 2006. 157с.
8. Азарова И.В., Митрофанова О.А., Синопальникова А.А. Компьютерный тезаурус русского языка типа WordNet // Материалы
конференции «Диалог-2003». - М., 2003.- C.43-50.
125
FUNCTIONAL INFORMATIONAL SYSTEM
“LEARNER – PUZZLE PROBLEM ENVIRONMENT”
Shadrin Igor
Krasnoyarsk State Pedagogical University
In the paper we examine working algorithms of the puzzle problem
environment and the search of solution of spatial object construction.
The link between structural system of activity conducting learning
process, its evolution and problem environment change is considered.
ФУНКЦИОНАЛЬНАЯ ИНФОРМАЦИОННАЯ СИСТЕМА
«ОБУЧАЮЩИЙСЯ – ПАЗЛОВАЯ ПРОБЛЕМНАЯ СРЕДА»
Шадрин Игорь Владимирович
Красноярский государственный педагогический университет
им. В.П. Астафьева
В представленной статье рассматриваются алгоритмы функционирования пазловой проблемной среды и обучающегося, производящего поиск решения задачи по конструированию пространственного объекта. Рассмотрена связь между структурой системы
действий обучающегося, ее эволюцией и изменением параметров
проблемной среды, осуществляющей управление учебной деятельностью.
Диагностика процесса решения задач человеком является актуальной междисциплинарной проблемой. Особый интерес вызывает
деятельность по конструированию пространственных объектов, успешность которой зависит от уровня развития функции воображения и зрительного синтеза, предоставляющей человеку возможность строить новые объекты в сознании. Техническая составляющая данной проблемы состоит в «…измерении изменений выполнения заданий, или по-другому, научения…» [1]. Компьютерные
системы позволяют находить решение этой проблемы на основе
программных средств, реализующих алгоритмы управления деятельностью обучающихся в процессе научения решению задач.
Рассматривая обучающегося в качестве активного элемента организационной системы [2], была создана система управления учебной деятельностью по конструированию пространственных объектов, реализованная в пазловой проблемной среде [3, 4].
Деятельность Ф по решению задачи в пазловой проблемной среде представляет собой поиск пути на графе Θ пространства состоя126
ний из начального состояния (постановка задачи) в конечное (получение решения). Состояние решения задачи конструирования пространственного объекта из N фрагментов в каждый момент времени
(в каждой вершине графа) описывается кортежем:
Θt = {x1, x2, …, xN, xPj, I},
где x1, …, xN – состояние ячеек рабочего поля программы xi = {«0» –
ячейка пуста, «1…N» – номер фрагмента, установленного в ячейке}; xPj – содержание окна просмотра xPj = {«0» – окно пусто, «1» –
окно содержит первый фрагмент конструируемого объекта, «2» –
окно содержит второй фрагмент конструируемого объекта, …,
«N» – окно содержит N-й фрагмент конструируемого объекта}; I
– информация о расстоянии до цели I = {«0» – расстояние до цели
недоступно, «1…2N» – расстояние до цели}. Дуги, соединяющие
вершины графа, заданы операторами Фi – действиями обучающегося, изменяющими значения x1, …, xN, xPj.
Например, начальное состояние задачи конструирования пространственного объекта из девяти фрагментов (N=9) можно представить в виде:
Θ0 = {0, 0, 0, 0, 0, 0, 0, 0, 0, xP1, I}
Множество действий Фi, составляющих деятельность по конструированию пространственных объектов, состоит из четырех подмножеств. Отношения между элементами этих подмножеств определяют структуру системы действий S, которую удобно представить
в виде графа (рис. 1), отражающего четыре состояния деятельности
(классификация по типу совершаемых действий): установка фрагментов S1 (устанавливает значение xi:=xPj), отмена установки фрагмента S2 (обнуляет значение xi:=0), просмотр фрагментов S3 (изменяет значение xPj: j:=j+1 или j:=j–1), завершение деятельности по
решению задачи S4 (поглощающее состояние, завершающее выполнение задания).
Для определения параметра структуры системы действий H(S)
будем делить все действия обучающегося на правильные и не правильные, вероятность совершения которых определяет энтропию
структуры системы действий обучающегося. Принимая во внимание, что энтропия убывает и в том случае, когда убывает доля правильных действий, функция, определяющая уровень деятельности
(или параметр структуры системы действий обучающегося) Н(S),
принимает вид:
127
H(S) =
1, при Pk < 0,5;
H, при Pk ≥ 0,5,
где Рk – доля правильных действий при выполнении k-го задания,
H   pk log 2 pk  (1  pk ) log 2 (1  pk ) – энтропия структуры системы
действий обучающегося в нулевом приближении.
Функция H(S) является целевой для активной функциональной
системы [5] «Обучающийся – Пазловая проблемная среда», а
уменьшение ее значения до нуля – общей целью взаимосодействия
обучающегося и проблемной среды.
а
б
в
Рис. 1. Структура S системы действий обучающегося, конструирующего пространственный объект (S1 – состояние установки фрагментов; S2 – состояние отмены установки фрагмента; S3 – состояние
просмотра фрагментов; Рij – вероятности перехода обучающегося из
i-го в j-е состояние): а – поиск решения; б – безошибочная деятельность; в – идеальная деятельность
На основании значения целевой функции определяется уровень
деятельности обучающегося:
Lk+1 =1 + INT(9 · (1 – H(S)),
который представлен в интерфейсе проблемной среды системой
из десяти дискретных датчиков (в нашем случае мы ввели 10 уровней).
В общем виде операторная схема алгоритма функционирования
системы «Обучающийся – Пазловая проблемная среда» имеет вид:
128
1
1
A0   F1F2ФA1V1  K1
где F1 – определение параметров проблемной среды; F2 – формирование новой задачной ситуации; Ф – деятельность обучающегося
при решении поставленной задачи; А1 – определение параметра
структуры системы действий обучающегося (Н(S)); V1 – проверка
логического утверждения «Структура системы действий обучающегося отлична от целевого состояния»: S<>S*; К1 – завершение обучения в случае, когда на выходе V1 значение – «ЛОЖЬ».
Формирование каждой новой задачной ситуации рандомизировано. Оно осуществляется оператором F2 итеративно до тех пор,
пока структура системы действий обучающегося не будет соответствовать целевой. Процесс формирования задачи можно представить
алгоритмом А2:
1
1
2 3
2
3
A2  A3C1  A4C2V2  C3   A5V3  A6C4V4  K 2
где А3 – определение количества элементов конструируемого
объекта N (в приведенном выше примере N := 9); С1 – установка
значения счетчика элементов: i:=1; А4 – сброс значений содержимого ячеек рабочего поля и множества исходных фрагментов: хi:=0,
xPi:=0; С2 – изменение значения счетчика элементов: i:=i+1; V2 –
проверка логического утверждения «Перебрали не все элементы»:
i≤N; С3 – установка значения счетчика заданных элементов: i:=1;
А5 – определение номера элемента j в множестве исходных фрагментов для задания положения i-го фрагмента с помощью генератора случайных чисел: j:=1+INT(RND(N-1)); V3 – проверка логического утверждения «j-й элемент множества исходных фрагментов
определен»: xPj<>0; А6 – задание j-го элемента множества исходных фрагментов i-м фрагментом конструируемого объекта: xPj:=i;
С4 – изменение значения счетчика заданных элементов: i:=i+1; V4 –
проверка логического утверждения «Заданы не все элементы множества исходных фрагментов»: i≤N; К2 – завершение формирования задания в случае, когда заданы все элементы множества исходных фрагментов (на выходе V4 значение – «ЛОЖЬ»).
Итеративный характер процесса научения решению задач позволяет представить его в виде последовательности однородных конечных цепей Маркова, каждая из которых соответствует сложившейся структуре системы действий, определяемой матрицей перехо-
129
дных вероятностей, которая в общем случае (например, для рис. 1а)
имеет вид:
P11( k ) P12( k ) P13( k ) P14( k )
Pij( k ) 
P21( k )
P22( k )
P23( k )
(k )
(k )
(k )
0
P31
P32
P33
0
0
0
0
1
где k – номер выполненного задания.
Распределение вероятности состояний деятельности обучающегося задается вектором:
P = (P(S1), P(S2), P(S3), P(S4)),
компоненты которого удовлетворяют условию
4
 P(Si )  1 .
i 1
Организация такой структуры системы действий обучающегося
в проблемной среде и реализация алгоритма А0 составляют институциональное управление UA деятельностью обучающегося.
В каждый момент времени можно определить кратчайший путь
(расстояние до цели) на графе Θ, который содержит минимальное
количество дуг для достижения состояния, являющегося решением
задачи. Для примера с N=9, описанного выше, решение принимает
вид:
ΘТ = {1, 2, 3, 4, 5, 6, 7, 8, 9, 0, I}.
Когда рабочее поле пусто, расстояние до цели определяется количеством фрагментов N, которые необходимо установить – совершить действия Фi, соединяющие вершины графа пространства состояний Θ. Каждый установленный правильно фрагмент сокращает
расстояние до цели, а ошибочно установленный – увеличивает. В
общем виде алгоритм А7 вычисления расстояния до цели имеет вид:
4
1
2
3 1
2 3
4
A7  C5C6 V5 V6  C7   C8   C9V7  K 3 ,
где С5 – установка значения счетчика ячеек рабочего поля: i:=1; С6
– установка значения счетчика расстояния до цели: Dt:=0; V5 – проверка логического утверждения «i-я ячейка рабочего поля пуста»:
xi=0; V6 – проверка логического утверждения «i-я ячейка рабочего
поля заполнена необходимым фрагментом»: xi=i; С7 – изменение
значения счетчика расстояния до цели: Dt:=Dt+2; С8 – изменение
значения счетчика расстояния до цели: Dt:=Dt+1; С9 – изменение
значения счетчика ячеек рабочего поля: i:=i+1; V7 – проверка логи-
130
ческого утверждения «Не все ячейки рабочего поля проверены»:
i≤N; К3 – завершение определения расстояния до цели.
Доступность информации о расстоянии до цели в режиме реального времени позволяет обучающемуся ориентироваться в пространстве состояний Θ и находить решение задачи. Благодаря наличию институционального управления UA алгоритм поиска обучающимся решения задачи можно представить в виде:
6
1 3 5 7
2
3 2
4
5 4
6
7 1
A  V8    V9  Ф3  V10  Ф2   Ф1V11  Ф2   K 4 .
Если результатом проверки логического утверждения V8 «Задача
решена» (Θt=ΘТ) является истина, то никаких действий от обучающегося не требуется и алгоритм заканчивается оператором К4. В
обратном случае обучающийся идентифицирует фрагмент в окне
просмотра. Значение «ЛОЖЬ», полученное при проверке логического утверждения V9 «Ячейка рабочего поля для установки
выбранного фрагмента определена», влечет изменение обучающимся содержимого окна просмотра – оператор Ф3 и новую идентификацию V9. Если обучающийся определил ячейку рабочего поля для
выбранного фрагмента (на выходе V9 – значение «ИСТИНА»),
следует проверка логического утверждения V10 «Определенная для
выбранного фрагмента ячейка рабочего поля пуста». Невыполнение
условия V10 требует отмены – оператор Ф2 – установленного ранее в
выбранную ячейку фрагмента с возвратом на этап идентификации
(оператор V9). Если выбранная ячейка свободна, то обучающийся
устанавливает фрагмент на рабочем поле – оператор Ф1 – и определяет изменение расстояния до цели. Значение «ИСТИНА», полученное при проверке логического утверждения V11 «Расстояние до цели
сократилось», возвращает обучающегося к проверке утверждения
V8. Увеличение расстояния до цели требует отмены установленного
фрагмента Ф2 и перехода обучающегося на этап идентификации V9.
Оператор Ф2 (отмена) предполагает наличие ошибочных действий обучающегося: если фрагмент был установлен правильно, то
его отмена увеличивает расстояние до цели, а если Ф2 сокращает
расстояние до цели – ошибка была совершена ранее, при установке
отменяемого фрагмента.
Рассматривая увеличение расстояния до цели как наказание за
совершение неправильного действия, а уменьшение расстояния –
как поощрение за правильное, можно говорить о канале мотивационного управления UV (мотивация процесса поиска решения
131
задачи). Такое управление угнетает неправильные действия и изменяет структуру системы действий обучающегося S (эволюция графа
структуры системы действий, рис. 1). Второй компонент мотивационного управления UV (мотивация результата процесса научения) информирует обучающегося об уровне деятельности Lk – формальном числовом выражении соответствия его структуры системы
действий при решении k–1-й задачи структуре, позволяющей безошибочно находить решение. Такую структуру можно представить
матрицей переходных вероятностей
P11( k ) 0 P13( k ) P14( k )
0
0
0
0
Pij( k )  ( k )
(k )
P31
0 P33
0
0
0
0
1
(для рис. 1б) или матрицей, описывающей идеальную деятельность (рис. 1в), например, для задачи, где N=9:
0,9 0 0 0,1
0 0 0 0
Pij( K ) 
.
0 0 0 0
0 0 0 1
При этом наказанием можно считать понижение уровня за большее
количество неправильных действий, а за меньшее их количество
следует поощрять определением более высокого уровня.
За определение параметра структуры системы действий обучающегося и соответствующего ему уровня деятельности в алгоритме функционирования системы «Обучающийся – Пазловая проблемная среда» А0 отвечает оператор А1.
Нельзя обойти вниманием информацию, на основе которой обучающийся принимает решение о совершении действия. Эта информация может предоставляться проблемной средой в виде датчика
«Расстояние до цели», помогающего достичь решения задачи в начале обучения. По мере накопления опыта решения задач необходимость во внешней помощи уменьшается и проблемная среда
ограничивает доступ к этому датчику.
В общем случае вероятность включения датчика расстояния до
цели (событие D) определяется уравнениями:
если 1  INT (9q)  L ;
P ( D)  1 ,
132
если 1  INT (9q)  L ,
P( D)  0 ,
где q – случайное число, генерируемое системой управления в интервале (0, 1), L = 1, 2, 3, …, 10 – достигнутый уровень деятельности. Видно, что при L = 1 датчик доступен всегда. Возрастание уровня L ведет к уменьшению частоты включения датчика. На 10 уровне
эта информация не доступна.
Если недостаток обратной связи, реализованной через датчик
расстояния до цели, приводит к увеличению значения целевой функции H(S), проблемная среда определяет более низкий уровень деятельности Lk, характеризующийся более высокой вероятностью
предоставления ориентира. Такое целенаправленное влияние на
информацию I (определяющее параметры проблемной среды), используемую обучающимися при принятии решений, представляет
собой информационное управление UI учебной деятельностью обучающегося и реализуется оператором F1 алгоритма функционирования А0 активной функциональной системы «Обучающийся – Пазловая проблемная среда».
Таким образом, приведенный алгоритм функционирования системы «Обучающийся – Пазловая проблемная среда» построен на
основе кибернетического принципа, указанного Винером: «Кибернетическим является устройство, для которого одним из входов
служит некоторая функция его выхода в предыдущие моменты времени» [6]. В нашем случае на вход обучающегося подается функция
его выхода при решении предыдущих задач. При этом и обучающийся, и пазловая проблемная среда выполняют свои функции,
определенные общей целью – сформировать требуемую структуру
системы действий при решении задач по конструированию пространственных объектов. Это позволяет говорить, что система
«Обучающийся – Пазловая проблемная среда» является функциональной системой.
Отметим, что система управления деятельностью обучающегося,
реализованная в пазловой проблемной среде, формирует свои
управляющие воздействия на основе поступающей информации о
совершаемых обучающимся действиях. Обучающийся, в свою очередь, осуществляя деятельность руководствуется информацией,
предоставляемой проблемной средой.
Таким образом сеанс деятельности обучающегося конструированию пространственных объектов в Пазловой проблемной среде необходимо рассматривать как процесс достижения цели функциона133
льной информационной системой «Обучающийся – Пазловая проблемная среда».
Литература
1. Анастази Анна. Психологическое тестирование / Анна Анастази, Урбина Сьюзан. – СПб.: Питер, 2003. – С. 688. : ил. – (Сер.
«Мастера психологии»).
2. Новиков Д.А. Теория управления организационными системами
/ Д.А. Новиков. – М.: МПСИ, 2005. – 584 с.
3. Шадрин И.В. Инструментальный метод исследования деятельности обучающихся конструированию пространственных объектов / И.В. Шадрин // Системы управления и информационные
технологии. – 2008. – № 2.2(32). – С. 308 – 311.
4. Шадрин И.В. Компьютерные обучающие и диагностирующие
игры на примере программы «Динамические пазлы» / И.В. Шадрин // Открытое образование: опыт, проблемы, перспективы:
мат. II межрегиональной научно-практической конференции с
международным участием. – Красноярск, 2006. – С. 148 – 151.
5. Бурков В.Н. Теория активных систем: состояние и перспективы
/ В.Н. Бурков, Д.А. Новиков. – М.: Синтег, 1999. – 128 с.
6. Винер Н. Кибернетика или управление и связь в животном и
машине / Н. Винер. – М.: Советское радио, 1968. – 314 с.
134
THE USE OF SHAREPOINT AS A WEB-ORIENTED PLATFORM FOR
COLLABORATIVE WORK AND DOCUMENT MANAGEMENT
SYSTEMS
Tukalo S.M.
Institute of Information Technologies and Means of Education of APS of
Ukraine
The article reveals the main features of SharePoint: optimizing
workflow, creating automated business processes to work with
information resources, the possibility of collaborative work on one
document, agreement documents online.
ЗАСТОСУВАННЯ SHAREPOINT ЯК ВЕБ-ОРІЄНТОВАНОЇ
ПЛАТФОРМИ ДЛЯ СПІЛЬНОЇ РОБОТИ І СИСТЕМИ
УПРАВЛІННЯ ДОКУМЕНТАМИ
Тукало С.М.
Інститут інформаційних технологій і засобів навчання АПН України
Стаття розкриває основні можливості SharePoint: оптимізація
документообігу, створення робочих процесів для автоматизованої
роботи з інформаційними ресурсами, можливість колективної роботи над одним документом, узгодження документів в онлайновому режимі.
Система освіти в умовах розвитку інформаційного суспільства
потребує адекватних засобів організації навчального процесу та управління галуззю. Такі засоби в першу чергу пов’язані з їхньою автоматизацією, здійснення якої на сучасному етапі розвитку базується на інформаційних технологіях. Інформаційні технології як система методів і засобів створення, передачі, накопичення, обробки,
зберігання, подання, керування та використання інформаційних ресурсів забезпечують підвищення ефективності прийняття управлінських рішень і використання необхідних інформаційних ресурсів,
що сприяє модернізації освіти та формуванню сучасного освітнього
інформаційного простору.
Потоки управлінських документів постійно зростають, тому важливу роль відіграють методи прийняття оптимальних рішень, науково обґрунтовані критерії оцінювання інформаційного обслуговування та принципи ефективної організації та управління інформацією. Для забезпечення гнучкості та адаптованості до зростаючих об135
сягів та змісту інформаційних потоків інформаційної системи освіти ґрунтуються на знаннях, принципах та підходах поліпшеного
проектування і обслуговування інформаційних ресурсів. В зв’язку з
динамічністю інформаційних ресурсів і швидкими змінами самих
інформаційних систем старі моделі програмного забезпечення виявляються неефективними і не задовольняють потреб користувачів.
Існує декілька способів вирішення цієї проблеми. Першим є
створення нового програмного забезпечення «з нуля», що вимагатиме значних як матеріальних, так і інтелектуальних ресурсів, крім
того, величезних затрат часу. Іншим варіантом є використання вже
існуючих програмно-апаратних платформ, при цьому їх переналагодження вимагатиме менших матеріальних затрат в значно коротший термін. Однією з таких платформ є SharePoint від компанії
Microsoft. Існує два продукти SharePoint від Microsoft: Windows
SharePoint Services та Microsoft Office SharePoint Server. Windows
SharePoint Services 3.0 пропонує базові засоби для створення вебдодатків. До таких засобів належать веб-частини, списки даних, бібліотеки документів, середовища виконання робочих потоків і шаблони веб-сайтів. Додатково до вищезазначеного, Microsoft Office
SharePoint Server 2007 має важливі прикладні функції, включаючи
систему створення сайтів по запитам користувачів, функції бізнесаналізу, технологію Forms Services, управління контентом, вбудовані функції пошуку та засоби побудови соціальних мереж. Всі перераховані функції можуть бути доопрацьовані і доповнені розробниками з метою створення простих у використанні веб-панелей для
моніторингу основних бізнес-процесів.
SharePoint – веб-орієнтована платформа для спільної роботи та
система управління документами, що розроблена і розповсюджується компанією Microsoft. Це рішення може використовуватися для
створення корпоративного веб-порталу, на якому розміщуються документи, що використовуються одночасно або спеціалізовані програми, такі як «вікі» або «блоги». Дані в SharePoint організовані у
вигляді списків (наприклад, завдання, обговорення, календарі) і бібліотек документів. У SharePoint списки даних зберігають дані для
кінцевих користувачів. Кінцеві користувачі можуть створювати
таблиці за схемами за допомогою користувальницького інтерфейсу
SharePoint, а потім створювати, редагувати і переглядати дані в цих
таблицях. Розробники можуть звертатися до цих даних програмним
шляхом. Функціональність SharePoint передається користувачу за
136
допомогою веб-частин – це створювані розробником елементи вебінтерфейсу, які згодом можуть застосовуватися на безлічі вебсторінок. Вперше подібний підхід був застосований в ASP.NET, а
потім веб-частини були використані і в SharePoint, де додавати їх на
сторінки можуть самі користувачі, а за управління такими вебчастинами відповідають ІТ-фахівці. Такі веб-частини розміщуються
на сторінках, які, в свою чергу, розташовані на порталі та доступні
користувачеві через браузер [1, 2].
З боку користувача Sharepoint не вимагає встановлення специфічного програмного забезпечення чи особливих знань в області інформаційних технологій. Для роботи цієї системи на комп’ютері
необхідно мати встановленою систему Microsoft Windows 98,
Windows Millennium Edition, Windows XP або більш нову версію, та,
з точки зору діловодства і документообігу, Microsoft Office 97 або
його більш нову версію.
Для будь-якої системи електронного документообігу єдине
централізоване сховище документів – обов'язковий компонент, в
цьому сенсі SharePoint цілком підходить архітектурно, а наявні в
ньому функції здатні вирішити основні завдання з управління документами. Варто також зауважити, що SharePoint перекладений на
російську й українську мови і відмінно інтегрується з Microsoft
Office.
Розглянемо, які елементи документообігу реалізуються за допомогою SharePoint.
На базі SharePoint досить легко автоматизувати канцелярію, тобто базові операції роботи з документами, які притаманні будь-якій
системі документообігу. Це зберігання, облік вхідних, вихідних і
внутрішніх документів, ведення карток документів, пошук по атрибутах та вмісту. Всі ці функції забезпечуються вбудованими можливостями бібліотек SharePoint, їх потрібно тільки належним чином
налаштувати – створити окремі бібліотеки для документів різних
типів, додати необхідні колонки-атрибути, вказавши правила їх заповнення та індексації. Інтуїтивно зрозумілий користувальницький
інтерфейс дозволяє виконати подібну операцію у SharePoint порівняно швидко [3]. А з технічних аспектів слід виділити два найбільш
цікавих.
По-перше, кожній бібліотеці документів SharePoint може бути
присвоєна окрема E-mail-адреса (в поштовому домені організації),
так що сам SharePoint буде приймати документи по електронній
137
пошті (у вкладеннях), розкладати їх за каталогами відповідно до
встановлених правил і автоматично заповнювати деякі поля карток.
Дуже зручна можливість – скажімо, отриманий від адресата документ автоматично потрапляє в SharePoint, реєструється як вхідний,
а далі, вже всередині організації, пересилається лише посилання на
нього. У реальності, зазвичай, листи найчастіше надходять у паперовому вигляді, так що для розміщення в SharePoint їх доведеться
відсканувати.
По-друге, SharePoint дозволяє визначити шаблони для всіх типів
документів (лист, наказ, службова записка і т. п.), прив'язати їх до
відповідних бібліотек і таким чином забезпечити можливість створення одноманітних документів в правильному місці.
При створенні найпростіших документів, наприклад, вихідних
листів, можна обійтися стандартним шаблоном, вписати туди потрібний текст, присвоїти йому вихідний номер та роздрукувати на
бланку. З цим легко справляється одна особа. Для більш складних
ситуацій, коли документ готують кілька співробітників, SharePoint
наділений стандартними функціями контролю версій – при зміні
файлу йому присвоюється новий номер, а стара версія зберігається
недоторканою. Таким чином, завжди можна побачити, хто, коли і
які вносив корективи, і при необхідності повернутися до колишнього варіанта. Для зручності спільної роботи над документом в
SharePoint можна створити окрему область (спеціалізований сайт),
де розміщуються всі необхідні матеріали, розподіляються обов'язки,
плануються обговорення [4].
Коли документ підготовлений, його зазвичай узгоджують із зацікавленими сторонами і затверджують. Для цього можна використовувати електронний підпис, поставити який дозволяє Microsoft
Office. Засобами ж SharePoint в даному випадку можна перелічити
всіх тих, чиї підписи потрібні, розіслати їм відповідні оповіщення,
стежити за ходом узгодження, а після отримання останньої візи перевести документ у категорію затверджених, і, наприклад, відправити його за вказаною адресою. А для організації подібних сценаріїв у SharePoint служать Робочі процеси (Workflow).
Для будь-якої бібліотеки SharePoint можна задати робочі процеси, які повинні виконуватися з документами, що в ній зберігаються.
Запуск робочого процесу відбувається або автоматично при додаванні нового або зміну існуючого документа, або в ручному режимі.
138
У SharePoint стандартно присутні кілька заготовок для збору відгуків та підписів, затвердження [3, 4].
Функціонує цей механізм наступним чином. Припустимо, ваш
колега розробив документ, розмістив його в SharePoint і запустив
робочий процес «Збирання відгуків», включив вас в список тих, чия
думка його цікавить. Ви отримуєте повідомлення, відкриваєте список завдань на порталі SharePoint (або в програмі Outlook, якщо до
неї підключені завдання з SharePoint) і бачите нове завдання переглянути документ і дати свої зауваження в певний термін. Задачу
можна передоручити комусь іншому або виконати самому. Для цього достатньо за вказаним посиланням відкрити документ і, якщо потрібно, внести корективи. Потім для завдання потрібно встановити
статус «Виконано», і як тільки те ж саме виконають всі учасники,
робочий процес буде успішно завершено, а автор документа відповідним чином повідомлений. Якщо ж відгуки вчасно не надійдуть,
за списком завдань буде відразу видно, кому слід поквапитись.
Саме робочі процеси SharePoint і дозволяють формалізувати документообіг – як сценарії дій, необхідних при появі або зміні тих чи
інших документів. Деякі з цих дій, в свою чергу, можуть призводити до створення нових або зміни існуючих документів тощо.
SharePoint дає можливість розробляти нові робочі процеси за допомогою SharePoint Designer (щоправда, цей компонент входить
тільки в Enterprise-редакції Microsoft Office 2007). Це досить цікавий інструмент, за допомогою якого можна створювати складні багатоступінчаті послідовності, абсолютно не вдаючись до програмування. Однак, на освоєння цього конструктора потрібні зусилля і
час, та й користуватися ним потрібно обережно. Приміром, дуже
легко створити робочий процес, який автоматично запускається при
зміні даних і сам їх змінює. Такий нескінченний цикл легко виведе з
ладу портал SharePoint, так що доведеться провести відновлювальні
роботи.
Кінцевим користувачам SharePoint пропонує широкий вибір готових для використання функцій. У той же час для розробників
SharePoint є середовищем розробки додатків, на яку вони можуть
спертися. Завдяки тому, що розробники SharePoint мають справу з
тим же прикладним середовищем, що забезпечує функціональність
системи для кінцевих користувачів, навички розробки додатків будуть корисні вдвічі. Це означає, що програми будуть і виглядати, і
керуватися одноманітно. Якщо на підприємстві вже впроваджено
139
систему на основі SharePoint, то додавати до нього нові програми не
складе ніяких труднощів.
Windows SharePoint Services 3.0 повністю побудований на технології ASP.NET, тому .NET-розробники
будуть мати справу з добре знайомими мовами програмування, бібліотеками класів ASP.NET і NET Framework і звичними інструментами розробки.
Отже, SharePoint – це перша і поки що єдина серйозна система,
що використовує стандартний механізм робочих процесів Windows
Workflow Foundation (WF, складова Microsoft .NET 3.0) [2]. І хоча
окремі аспекти такого рішення потребують подальшого розвитку та
удосконалення, вже зараз нескладно передбачити, що незабаром
SharePoint стане однією з основних платформ для автоматизації документообігу.
Висновки:
1. SharePoint на сьогодні є унікальним технічним засобом, для
реалізації великих проектів і систем.
2. Систему, створену на базі SharePoint, легко перебудовувати
та розвивати, додаючи або змінюючи її компоненти.
3. Навіть мінімальної кількості досвіду роботи з програмними
засобами досить для використання SharePoint, і робота з ним не
складатиме особливих труднощів.
Література
1. Пройдаков Е.М., Теплицький Л.А. Англо-український тлумачний словник з обчислювальної техніки, інтернету і програмування.– К.:СофтПрес, 2006.– 824с.
2. http://www.microsoft.com/rus/sharepoint/default.mspx
3. Лондер О., Бликер Т. и др. Службы Microsoft Windows
SharePoint. Шаг за шагом.– М.:СП «Эком», 2005.– 376с.
4. Ноэл М., Спенс К. Microsoft SharePoint 2007. Полное руководство.– М.: «Вильямс», 2008.– 832с.
140
AUTOMATION OF STRUCTURING AND PRESENTATION OF
ELECTRONIC EDUCATIONAL RESOURCES
Voichenko A.P.
International Research and Training Centre for Information
Technologies and Systems
This work is devoted to consideration of electronic educational
resources reuse problem for the different forms of educational activities.
Basic modern technologies of electronic educational resources
development are considered. Also the work offers an approach, allowing
to develop on its basis an automated system, providing effective
treatment of electronic educational resources with the purpose of their
reuse.
АВТОМАТИЗАЦИЯ СТРУКТУРИРОВАНИЯ И ПРЕДСТАВЛЕНИЯ
ЭЛЕКТРОННЫХ УЧЕБНЫХ РЕСУРСОВ
Войченко А.П.
Международный научно-учебный центр информационных технологий и систем НАН и МОН Украины
Данная работа посвящена рассмотрению проблемы многократного
использования электронных учебных ресурсов для разных форм организации обучения. Рассмотрены основные современные технологии создания электронных учебных ресурсов. Предлагается подход,
позволяющий разработать на его основе автоматизированную систему, обеспечивающую эффективную обработку электронных
учебных ресурсов с целью их повторного использования.
Введение
Последние годы характеризуются бурным развитием информационных технологий. Информационные Технологии (ИТ) находят
применение во всех сферах человеческой деятельности, в том числе
и в обучении.
Бурное развитие сети Internet стало значимым стимулом для дальнейшего усовершенствования информационных технологий в
обучении [1]. В последнее десятилетие происходило становление
дистанционного обучения. Появилась концепция открытого образования, как системы предоставления образовательных услуг с помощью средств, имеющихся в распределенной информационнообразовательной среде, выбираемых пользователем и адаптированных под его конкретные запросы.
141
Для практической реализации ДО обычно применяются специализированные информационные системы – системы управления
обучением (LMS). Для LMS характерно инкапсулирование большинства функциональных базовых модулей, необходимых для полноценного проведения ДО, в рамках одной информационной системы.
Данные системы, несмотря на внешние отличия интерфейсов и
сильно отличающиеся количественные показатели как в отношении
ресурсов, необходимых для их функционирования, так и в отношении производительности и широты спектра предлагаемой функциональности, весьма схожи структурно – базовая функциональность в
них реализована на основе принципа модульности и группировки
пользователей по их ролям в процессе обучения.
При таком подходе существенной проблемой становится организация непрерывного обучения (LLL), поскольку очевидно, что существующие LMS в первую очередь ориентированы на поддержку
форм обучения с четким временным регламентом, жесткой фиксацией учебных ролей и прав доступа разных групп пользователей к
отдельным учебным ресурсам [2].
Становится распространенной ситуация, когда в рамках одной
образовательной структуры несколько вышеперечисленных задач
решается на базе использования электронных учебных ресурсов [3].
Необходимо также отметить, что количество решаемых учебных
задач, их приоритетность и порядок возникновения являются обусловленными значительным количеством факторов и существенно
разнятся в различных образовательных структурах. Для Вузов, например, характерно создание систем ДО на базе имеющихся электронных учебных ресурсов, которые уже используются для стационарного и заочного обучения. В то же время в корпоративном секторе системы ДО зачастую создаются «с нуля» или являются логическим продолжением корпоративных курсов повышения квалификации и сертификационных тренингов.
Различие порядка возникновения учебных задач и приоритетности их решения в свою очередь обусловливает различные подходы к
использованию электронных учебных ресурсов, форматы их представления, технологии разработки, хранения и обновления.
Очевидно, что решение задач организации различных типов обучения в образовательных структурах разных типов влечет за собой
создание значительного количества электронных учебных ресурсов,
142
которые могут содержать схожую или одинаковую информацию, но
при этом существенно отличаться используемыми форматами данных и технологиями их обработки.
Таким образом, возникает проблема обеспечения многократного
использования электронных учебных ресурсов для разных форм организации обучения.
Рассмотрим подробнее способы создания электронных учебных
ресурсов.
Следует отметить, что в данном случае речь идет о самых
распространенных типах электронных учебных ресурсов – текстовых и графических. Ресурсы на основе мультимедиа-технологий,
такие как виртуальные лаборатории или тренажеры являются достаточно специфичными, и их доля в общей массе электронных учебных ресурсов на сегодняшний день сравнительно невелика.
Результатом применения традиционных способов разработки являются разные по форме представления данных и используемому
программному обеспечению типы электронных учебных ресурсов[4].
Как следствие, на использование одних и тех же электронных
учебных ресурсов для достижения различных учебных целей в рамках разных форм учебной деятельности накладываются существенные технологические ограничения.
Проблема многократного использования электронных учебных
ресурсов для разных форм организации обучения может быть решена по следующей схеме:
 конвертация имеющихся электронных учебных ресурсов
различных типов в единый формат;
 проведение структурной декомпозиции на отдельные
элементы;
 агрегация выбранного набора логических элементов в
новый электронный учебный ресурс, соответствующий
решаемой учебной задаче.
В случае разработки нового электронного учебного ресурса с использованием элементов нескольких исходных ресурсов применяется метод множественной структурной декомпозиция.
Полученный в результате декомпозиции набор элементов далее
используется как основа для формирования нового электронного
учебного ресурса путем выбора подмножества элементов, удовлет143
воряющего заданным критериям с их последующей агрегацией в
единый учебный ресурс.
На практике рассмотренная выше схема в большинстве случаев
реализуется «вручную», путем копирования и вставки информационных блоков из одной системы в другую. Однако, при больших
объемах перерабатываемой информации данный способ требует
существенных затрат времени и привлечения значительного количества квалифицированного персонала.
Представляется целесообразной разработка систем, которые бы
позволили автоматизировать значительную часть действий по реализации приведенной схемы.
Рассмотрим один из возможных подходов к автоматизации структурирования учебных материалов на примере средств контроля
знаний.
Средства контроля знаний в современных учебных системах, реализованы, как правило, в виде тестов.
Целесообразно использовать формат HTML-документа в качестве общего формата для представления совокупности тестов, извлеченных из разноформатных электронных учебных ресурсов. Большая часть средств контроля знаний в современных учебных системах реализована в виде HTML-документов. Кроме того, подавляющее большинство программных продуктов, используемых для
создания электронных учебных ресурсов поддерживают автоматическую конвертацию контента в данный формат.
Для простоты ограничимся рассмотрением наиболее распространенного типа тестов. В тестах такого типа обучаемому предлагается набор вопросов и несколько вариантов ответа на каждый вопрос. Для успешного прохождения теста необходимо выбрать один
или несколько верных ответов на каждый предложенный вопрос.
Для тестов данного типа характерна жесткая внутренняя структура. Тест состоит из набора заданий, каждое задание, в свою очередь – из набора элементов. Элементами задания являются тестовый вопрос и совокупность верных и неверных вариантов ответа.
Таким образом, все тесты данного типа имеют схожую внутреннюю структуру, хотя они могут быть визуализированы значительным числом способов [5].
Анализируя совокупность содержащихся в HTML-документе
форматов визуализации отдельных информационных блоков, мож144
но выделить соответствующие структурные элементы каждого тестового задания.
Далее каждое тестовое задание может быть представлено в промежуточном формате (XML) и помещено в репозиторий для хранения, в случае необходимости - обновления и агрегации в состав
новых электронных учебных ресурсов.
Этот процесс может быть алгоритмизирован, и осуществляться в
автоматическом режиме соответствующим программным модулем.
Выводы
В связи со значительным увеличением в последние годы количества организаций, использующих для разных форм организации
обучения электронные учебные ресурсы, проблема их повторного
использования становится чрезвычайно актуальной.
Разработан подход к решению данной проблемы, который базируется на унификации набора процедур, которые необходимо
выполнить с имеющимися электронными учебными ресурсами базовых типов с целью обеспечения их повторного использования.
Особенностью данного подхода является возможность построения на его основе автоматизированных систем, позволяющих существенно упростить и ускорить значительную часть действий по обеспечению реализации принципа повторного использования электронных учебных ресурсов для разных форм организации обучения.
Максимальная эффективность применения таких автоматизированных систем может быть достигнута при их использовании для
работы с информационными ресурсами, представляющими собой
средства контроля знаний в современных учебных системах.
Литература
1. Довгялло А.М. Диалог пользователя и ЭВМ. Основы проектирования и реализации.- Киев: Наук. Думка, 1981, 231 с.
2. Манако А.Ф., Синица К.М., Войченко О.П. «Инновации и непрерывное образование для всех: проблемы развития глобального научно-образовательного пространства», Третя міжнародна науково–практична конференція "Документознавство. Бібліотекознавство. Інформаційна діяльність: Проблеми науки, освіти та практики", Київ, 2006.
145
3. Войченко А.П. «Некоторые аспекты построения многоцелевых
учебных сред», тезисы докладов международной конференции
«Единое нформационное пространство - 2006», Днепропетровск, 2006.
4. http://exelearning.org/
5. Войченко А.П. «Разработка технологических компонент поддержки интерактивного контроля знаний», УСИМ, 2005, №6.
146
COMPUTER PRACTICAL WORK IN THE COURSE
MATHEMATICS FOR STUDENTS OF COMPUTER SCIENCE
OF
Zaretskaya M.A, Zaretsky M.V.
Magnitogorsk State Technical University
The computer practical work for the first-year students of Computer
Science is described. This practical work promotes activation of
mathematical knowledge and develops skills to apply mathematical
models in professional work.
КОМПЬЮТЕРНЫЙ ПРАКТИКУМ В КУРСЕ МАТЕМАТИКИ ДЛЯ
СТУДЕНТОВ- ПРОГРАММИСТОВ
Зарецкая М.А., Зарецкий М.В.
Магнитогорский государственный технический университет
им. Г.И. Носова
Описан компьютерный практикум для студентов - программистов
первого курса. Данный практикум способствует активизации математических знаний и развивает умения применять математические модели в профессиональной деятельности.
Требования к программисту лучше всего, на наш взгляд, сформулировал в работе «О человеческом и эстетическом факторах в
программировании» академик А.П. Ершов: «…Программист должен обладать способностью первоклассного математика к абстрактному и логическому мышлению в сочетании с эдисоновским талантом сооружать все, что угодно из нуля и единицы. Он должен сочетать аккуратность бухгалтера с проницательностью разведчика,
фантазию автора детективных романов с трезвой практичностью
экономиста. А, кроме того, программист должен иметь вкус к коллективной работе, понимать интересы пользователя и многое другое…» [1].
Разумеется, немного найдется программистов, которые в полной
мере удовлетворяют сформулированным А.П. Ершовым требованиям. Тем не менее, к этому идеалу следует стремиться. К этому нас
подталкивают не только фундаментальные постулаты педагогики о
неразрывной связи обучения и воспитания, но и вполне прагматичные соображения.
Рассмотрим ситуацию, складывающуюся на рынке труда программистов России (думаем, примерно такое же положение характерно и для Украины, Белоруссии, Казахстана). Повсеместно про147
исходит «оптимизация» бюджетов и штата IT – структур. В то же
время усложнившаяся экономическая ситуация требует от
промышленных предприятий сокращения сроков внедрения новой и
совершенствования выпускаемой продукции, новых технологических процессов. В непромышленной сфере (банки, торговля) требуется интенсификация бизнес–процессов, внедрение современных
методов их анализа и прогнозирования. Предназначенный для этих
целей программный продукт характеризуется сложностью и высокой ценой. Неквалифицированное применение сложных инженерных и экономических программных средств может привести к абсурдным результатам. Яркие примеры такого «применения» приведены в [2].
Часто сложные инженерные программные продукты представляют собой некоторое «ядро», вокруг которого создается специализированная программная среда [3]. Разработка такой программной
среды требует от программиста высокой профессиональной культуры.
Отметим необходимость развития профессиональной мобильности. В зависимости от конъюнктуры рынка труда профессиональный программист должен быть готов к радикальной смене предметной области.
Обучить всем существующим сложным специализированным
программным средствам невозможно. В процессе учебы следует
научить студента самостоятельно их осваивать. Подчеркнем, что
освоение состоит не в приобретении навыков взаимодействия с интерфейсом программного средства (хотя и это необходимо), а в достижении понимания принципов работы данного программного продукта, сферы его применения, условий его корректной работы.
Таким образом, на изменяющемся рынке труда в области информационных технологий больше шансов на успех у специалиста
с хорошей базовой математической подготовкой, умеющего применять свои знания в новой предметной области.
Основы такой подготовки закладываются уже на первом курсе.
Одной из тяжелейших проблем даже при работе со знающими и добросовестными первокурсниками является формальность их знаний, умений и навыков в области математики. Студент может бойко
находить пределы, производные, интегралы, весьма смутно осознавая смысл производимых формальных манипуляций. Использование сложных математических программных продуктов (например,
148
MathCAD) в качестве «черного ящика» не приблизит студента к
пониманию сущности выполняемых операций. Следствием этой
формальности знаний может стать в дальнейшем боязнь объектов,
которые описываются с помощью сложного математического аппарата, что для квалифицированного программиста недопустимо.
Чтобы помочь студенту наглядно осознать смысл проводимых
математических операций, нами предложен компьютерный практикум, в рамках которого студент увязывает теоретические знания с
конкретными вычислениями. При его разработке мы учли опыт
применения в учебном процессе практикума [4]. В отличие от этого
практикума мы не привязываем свои задания к одному программному продукту (Microsoft Excel, хотя и предполагаем его широкое использование), не предполагаем использования специализированных функций и надстроек (которые используются в качестве
упомянутого ранее «черного ящика»). Студент при выполнении заданий практикума использует известные ему способы работы с рабочими листами Excel и MathCAD, простейшие навыки программирования (язык программирования и среду разработки он может
выбирать по своему усмотрению).
Раздел практикума по курсу «Математический анализ» включает
в себя темы «Пределы», «Дифференцирование», «Исследование
функций», «Определенный интеграл»», «Ряды», «Простейшие дифференциальные уравнения». При изучении темы «Пределы» студент на рабочем листе строит последовательность значений аргумента, последовательность значений функции. Для каждого из таких
значений оценивается модуль разности между ним и полученным
аналитически значением предела. Выполняя работу, студент экспериментирует: пробует разную величину шага изменения аргумента,
разные пределы изменения аргумента, подставляет при вычислении
функции предельное значение аргумента. Часть этих экспериментов
может привести к абсурдным результатам, что тоже весьма полезно
— студент учится распознавать недопустимые варианты вычислений.
Логическим продолжением темы «Пределы» является тема
«Производная». При выполнении заданий практикума студент задает убывающую последовательность значений приращения переменной и вычисляет последовательность значений отношения приращения функции к приращению переменной. Для каждого из таких
149
значений оценивается разность между ним и полученным аналитически значением производной.
Аналогичным образом студент закрепляет знания по теме
«Исследование функций».
Задания по теме «Определенный интеграл» состоят в программировании простейших методов численного интегрирования
(прямоугольников, трапеций). В практикуме используются несложные подынтегральные функции, для которых хорошо успевающий
студент без труда может найти первообразные. Таким образом, студенты сопоставляют полученные приближенные результаты с точными значениями, полученными по формуле Ньютона – Лейбница,
экспериментируют с выбором шага разбиения интервала интегрирования, на практике применяют теоретические оценки погрешности.
Обычно большой интерес вызывает у студентов раздел практикума, посвященный теме «Ряды». Рассматривая свойства гармонического ряда, мы устанавливаем, сколько требуется просуммировать его членов, чтобы частичная сумма превзошла заданное число.
Студенты не без удивления узнают, что для того, чтобы частичная
сума превысила число 7, следует взять 616 слагаемых, а для того,
чтобы частичная сумма превысила числа 9 — 4550.
При изучении ряда Тейлора студенты с интересом вычисляют
«свои» элементарные функции и сравнивают их значения со значениями, полученными с применением «стандартных» функций, на
практике осознают смысл оценок погрешности вычисления.
Естественно, далеко не все темы курса математического анализа
могут закрепляться при помощи такого практикума. Например, тема
«Неопределенный интеграл» подобным образом не может быть
рассмотрена. Автоматизированное аналитическое интегрирование
выходит далеко за рамки нашего курса. Проверка правильности интегрирования при помощи дифференцирования полученной первообразной, безусловно, полезна, но численное экспериментирование
не будет иметь отношения к собственно интегрированию. То же самое относится и к аналитическому решению дифференциальных
уравнений.
В практикум входят задачи численного решения задачи Коши
для дифференциальных уравнений первого порядка методом Эйлера. Рассматриваются только такие уравнения, для которых студент
может найти аналитическое решение. Студент сопоставляет полу150
ченные приближенные решения в узловых точках со значениями
аналитически найденного решения в тех же точках, наглядно видит
рост погрешности, экспериментирует с величиной шага разбиения
интервала дифференцирования.
Раздел практикума по курсу «Аналитическая геометрия и линейная алгебра» включает в себя: построение уравнения прямой по
двум точкам, нахождения расстояния от заданной точки до прямой,
от заданной точки до плоскости, проверку ортогональности или
коллинеарности двух векторов, проверку компланарности трех векторов, решение системы линейных алгебраических уравнений.
Раздел практикума по курсу «Теория вероятности, математическая статистика и случайные процессы» включает в себя задачи на
классические вероятностные схемы, обработку экспериментальных
данных, моделирование случайных процессов. Даже достаточно
простые задачи этого раздела дают возможность студенту проявить
фантазию, творческие способности.
Рассмотрим пример такой несложной задачи и вариантов ее решения. WEB-ресурс подвергается атакам. Считаем в первом приближении, что атаки проводятся из разных мест независимо друг от
друга с равной вероятностью успеха p. Успех любой из атак приводит WEB-ресурс в нерабочее состояние. Определить количество
атак NAt, при котором с заданной вероятностью alpha WEB-ресурс
будет поражен. Решение этой задачи элементарно и никакой трудности с вычислительной точки зрения не представляет. Трудность
состоит в том, что студенты часто решают подобные задачи формально, не понимая, в чем смысл полученного результата. В рамках
нашего практикума им предлагается разработать и реализовать простейшую компьютерную модель изучаемого процесса.
Задание состоит в следующем. По заданным условиям определяется необходимое число атак NAt, при котором вероятность поражения WEB-ресурса будет равна заданному числу alpha. Затем заданное количество раз M повторяем цикл из NAt атак. Сама атака в
этом случае состоит в следующем:
1. генерируется равномерно распределенное случайное число в заданном диапазоне длины D;
2. проверяется принадлежность данного числа отрезку диапазона
длины Dp (Dp / D = p).
3. если сгенерированное число принадлежит указанному диапазону, считаем, что атака успешна.
151
Находим отношение количества циклов, в которых атака была
успешной к общему количеству циклов. Сопоставляем полученную
величину с заданным параметром alpha. Проводим эксперименты с
разными значениями p и alpha. В результате заинтересованные студенты начинают глубже понимать вероятностные модели.
Отдельные вопросы, которые неуместно рассматривать при изучении курса математики, формулируются, чтобы затем студенты
обратились к ним на старших курсах. Например, с чисто теоретической точки зрения, взяв достаточное число слагаемых, мы можем
сделать частичную сумму гармонического ряда большей любого
наперед заданного числа. Однако программная реализация имеет
дело не с абстракцией числа, а с его представлением в памяти компьютера. При попытке определить количество слагаемых, при котором частичная сумма ряда превосходит достаточно большое число,
необходимо применять специальные приемы. Поэтому при решении
задачи недостаточно квалифицированный программист может получить и при теоретически безупречной постановке абсурдные результаты.
Для наиболее успевающих и интересующихся математикой и ее
приложениями студентов в практикум могут быть включены творческие задания — более сложные, требующие самостоятельной работы с книгой и хороших навыков программирования. Например,
после изучения математической логики и аналитической геометрии
в качестве творческого задания может быть предложено ознакомиться с элементами теории R - функций В.Л. Рвачева [5] и построить с их использованием описание объекта сложной формы.
Разумеется, все рассмотренные в практикуме простейшие модели затем изучаются на более высоком уровне в курсах вычислительной математики, моделирования и многих других. Например, мы
рассматриваем только простейшие методы интегрирования и решения задачи Коши для обыкновенных дифференциальных уравнений,
поскольку наша задача состоит в усвоении идей, которые будут далее развиты. Опыт показывает, что такое предварительное рассмотрение уже на первом курсе дает студенту возможность в дальнейшем более активно овладеть непростыми для него вопросами.
При изучении профессиональных программистских дисциплин
студенты на начальном этапе вновь встречаются практически с теми же задачами, но их рассмотрение идет уже не в математическом,
а в программистском аспекте. Например, с математической точки
152
зрения при построении уравнения прямой на плоскости по двум точкам не имеет значения, какую из переменных мы примем за независимую. С точки зрения компьютерной графики это крайне существенно (угловой коэффициент не должен быть больше 1, иначе ничего хорошего не нарисуем), отдельно следует рассмотреть случаи
вертикальной и горизонтальной прямой [6]. Кроме того, в грамотно
написанной программе должна присутствовать проверка на случай
совпадения заданных пользователем точек.
Студент, осваивавший в качестве творческого задания элементы
теории R – функций, может на старших курсах продолжить работу с
ними — применить данную теорию для решения задач теплопроводности, упругости, пластичности [5, 7, 8].
Рассмотренные в практикуме простейшие вероятностные модели
оказываются полезны при изучении курсов компьютерного моделирования и информационной безопасности.
Часто в технических и экономических приложениях применяются эвристические методы. Программист, работающий с подобными методами, должен понимать области их применимости, за
пределами которых эвристики теряют смысл, а их применение ведет к абсурду. Работа над заданиями практикума способствует формированию навыков критического анализа подобных эвристических
методов.
С точки зрения дидактики предложенная модель учебного взаимодействия, на наш взгляд, соответствует концепции познавательных барьеров [9]. Для студента, хорошо знающего школьную программу и успешно обучающегося в вузе, необходимо преодолеть
барьер, который является одним из «естественных в достижении
учебных целей, с которыми обязательно должен встретиться студент и которые он в состоянии преодолеть, приложив определенные
усилия [9]». Студент, который имеет пробелы в знаниях школьной
программы, должен будет преодолевать и барьеры других типов,
обусловленные пробелами в знаниях и недостаточно развитой культурой мышления.
Степень сложности заданий может варьироваться в зависимости
от уровня подготовки студента. Для наиболее подготовленных студентов задания даются в достаточно «широкой» постановке, оставляющей место для инициативы.
Для менее подготовленных студентов задания формулируются
подробно, перечисляются этапы решения.
153
По результатам выполненных заданий практикума можно достоверно судить о степени усвоения студентами соответствующих
разделов курса математики, своевременно обнаруживать пробелы и
принимать меры к их устранению.
Литература
1. Избранные труды / А.П. Ершов. – Новосибирск: ВО «Наука».
Сибирская издательская фирма, 1994. – 416 с.
2. Ясницкий Л.Н. Возможность и перспективы применения методов искусственного интеллекта в механике сплошных сред //
Динимика и прочность машин. Вестник ПГТУ / Пермский гос.
техн. ун-т. Пермь, 2001. С. 150-163.
3. Зуев С.А., Полещук Н.Н. САПР на базе AutoCAD — как это делается. – СПб.: БХВ – Петербург, 2004. – 1168 с.
4. Решение математическиз задач средствами Excel: Практикум /
В.Я. Гельман. – СПб.: Питер, 2003. – 240 с.
5. Рвачев В.Л. Теория R-функций и некоторые ее приложения. К.:
Наукова думка, 1982. - 552с.
6. Блинова Т,А., Порев В.Н. Компьютерная графика. – К.: Юниор,
2005. – 520с.
7. Теория R-функций и актуальные проблемы прикладной математики / Стоян Ю.Г., Проценко В.С., Манько Г.П. и др. — Киев:
Наукова думка, 1986. - 264с
8. Метод R-функций в задачах теории упругости и пластичности /
Рвачев В.Л., Синекоп Н.С. — Киев: Наукова думка, 1990. - 216с.
9. Попков В.А., Коржуев А.В. Теория и практика высшего профессионального образования: Учеб. пособие для системы дополнительного педагогического образования. – М.: Академический проект, 2004. – 432 с.- («Gaudeamus», «Классический университетский учебник»).
154