Основные принципы развития интеллектуальных систем дистанционного обучения



Скачать 34.61 Kb.
Дата07.06.2016
Размер34.61 Kb.
ОСНОВНЫЕ ПРИНЦИПЫ РАЗВИТИЯ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ ДИСТАНЦИОННОГО ОБУЧЕНИЯ

В.М. Курейчик kur@tsure.ru, В.В. Курейчик vkur@tsure.ru,

Ю.А. Кравченко krav-jura@yandex.ru

Технологический институт Южного Федерального университета


  1. Направления развития систем дистанционного обучения. Построение обучающих систем традиционно базируется на моделировании диалога составлено из цепочки опросно-ответных структур. Каждый шаг диалога определен заранее сформированной им динамически генерируемой системы набора правил. В такой модели инициатива остается за разработчиком системы, а пользователю относится пассивная роль.

Основным направлением повышения эффективности автоматизированных систем обучения и контроля качества знаний является использование для их построения технологий искусственного интеллекта. Схема испытания должна быть: адаптивной, распределенной и неоднозначной. Особенностью такого испытания является выявление скрытых знаний.

Для реализации представленной схемы система может содержать следующие основные функциональные модули.



Модуль адаптивного тестирования позволяет производить промежуточный (рейтинговый) контроль знаний обучаемых, в подсистеме используются алгоритмы адаптации уровней сложности вопросов системы к уровню знаний обучаемого.

Система задает некоторое количество вопросов текущего уровня сложности, (это количество зависит от параметров теста) далее производится анализ результата прохождения уровня, и на основе результатов этого анализа уровень сложности может быть повышен или понижен. Чтобы по возможности не допустить прохождения теста «наугад», в процессе тестирования система задает вопросы из области незнания студента, которая определяется при помощи разбиения тестируемого материала на темы, при этом каждый вопрос может принадлежать только к одной теме.

С
Мультимедийные учебные пособия

Обучающие игры

Электронные учебники
оздание тестов может проходить в режиме on-line через Интернет, либо в режиме локального редактирования и создания тестов. В этом случае используется соответствующий модуль, который может интегрировать разработанные локально тесты в хранилище тестов, доступное пользователям через Интернет. Аналогичным образом может использоваться модуль локального тестирования. Зачастую он решает задачи, связанные с самооценкой знаний учащихся в процессе обучения.

Модуль статистики и анализа результатов тестирования формирует ведомости, анализирует успеваемость студентов, предлагает статистику обучения, дает рекомендации по результатам тестирования с целью повысить уровень знаний группы учащихся или конкретного студента.

Модуль методов интеллектуальной поддержки тестов необходим для улучшения качества контроля знаний и ускорения процесса тестирования путем осуществления предварительной классификации студентов. Интеллектуальные средства обучения и тестирования включают: мониторинг процесса обучения, обучающие экспертные системы, игровые обучающие программы, модули промежуточного и адаптивного тестирования.

Мониторинг процесса дистанционного обучения подразумевает контроль деятельности обучаемого, построение его индивидуальной модели и генерацию управляющих решений по корректировке поведения обучаемого для достижения им поставленных целей обучения (рис.1).



Модуль верификации и проверки валидности тестов. Решение задачи анализа корректности тестов может быть разбито на несколько этапов: построение лексического анализатора; формирование статистики о прохождении тестовых заданий и предъявлении вопросов; разбор статистики и предъявление ее пользователю, а также формирование методических рекомендаций по составлению тестов.



Рис. 1. Схема мониторинга процесса обучения
Помимо представления и контроля знаний, в системах дистанционного обучения предусматривается наличие обратной связи.

2. Возможности использования нейронных сетей. Благодаря своим способностям к самоорганизации и обучению, искусственные нейронные сети (ИНС) рассматриваются как перспективные средства. Основным препятствием на пути построения обучающих систем на основе искусственных нейронных сетей является необходимость работы с неточностью, неопределенностью и частичной истинностью. Наибольшего успеха в развитии интеллектуальных систем можно достичь только путем комбинации методологий теории нечетких множеств, нейронных сетей, генетических алгоритмов и вероятностных вычислений. Нечеткая логика лежит в основе методов работы с неточностью, гранулированием информации, приближенными рассуждениями, вычислениями со словами. Нейровычисления отражают способность к обучению, адаптации и идентификации. Генетические алгоритмы позволяют систематизировать случайный поиск и достигать оптимального значения характеристик. Вероятностные вычисления обеспечивают базу для управления неопределенностью.


База данных защищена авторским правом ©refedu.ru 2016
обратиться к администрации

    Главная страница