(6 голосовало, оценка: 3,83 из of 5)
Загрузка...
Я.Е. Львович, д-р техн. наук, проф., акад. МАИ и РАЕН, зав. каф. САПРИС,
А.А. Рындин, чл.-корр. МАИ, д-р техн. наук, проф. кафедры САПРИС,
Д.В. Долгих, аспирант кафедры САПРИС
Воронежский государственный технический университет (ВГТУ)
Тел.: (0732)71-96-69; факс: (0732)52-54-29. E-mail: [email protected]
В настоящее время в связи с быстрым развитием международной глобальной сети Internet перед отечественными ВУЗами возникают задачи эффективного использования новых сетевых технологий. В этой области наиболее актуальной является задача создания и широкого внедрения в учебный процесс автоматизированных систем дистанционного обучения и диагностики качества знаний специалистов для сети Internet. Проектирование систем дистанционного обучения и диагностики качества знаний для сети Internet позволяет автоматизировать не только процесс обучения по лекционному материалу, но и автоматизировать такую форму занятий, как индивидуальная работа студентов, так как в основу подобных систем закладывается распределенная модель хранения информации. В свою очередь использование единых форматов передачи информации в сети Internet позволит расширить сферу применения автоматизированных обучающих и диагностирующих систем в различных ВУЗах РФ.
Я.Е. Львович, д-р техн. наук, проф., акад. МАИ и РАЕН, зав. каф. САПРИС,
А.А. Рындин, чл.-корр. МАИ, д-р техн. наук, проф. кафедры САПРИС,
Д.В. Долгих, аспирант кафедры САПРИС
Однако следует отметить, что существующие в настоящее время инструментальные средства позволяют лишь разрабатывать учебный материал для автоматизированных систем дистанционного обучения и диагностики, а при проектировании компонентов подсистем диагностики необходима связь прямого программирования на специализированных языках. Таким образом, в сложившихся условиях актуальной является разработка средств, позволяющих автоматизировать проектирование основных компонентов дистанционного обучения и диагностики качества знаний для сети Internet. Проектируемые компоненты должны решать не только задачи подготовки учебной информации, но и делать свой основной упор на организацию адаптивных процедур обучения, диагностики знаний, сбора результатов контроля и формирования статистических данных.
Общеизвестно, что структура учебных курсов опирается не только на лекционный материал и практические занятия. Одной из значимых составляющих структуры учебного курса является индивидуальная работа студентов (ИРС). Исходя из положений современного ГОСТа, ИРСам отдается от 17 до 34 часов учебного времени, а лекционному материалу — от 51 до 68 таких часов. Таким образом, использование сети Internet как основы для проектирования автоматизированных систем обучения и диагностики позволяет построить новую модель предоставления учебных знаний для автоматизированных образовательных систем.
Например, если структуру лекционного материала называть ядром знаний (основные или базовые знания), то учебный материал, не вошедший в курс лекций, но относящийся к темам, изучаемым в рамках рассматриваемой дисциплины, можно назвать дополнительными знаниями. Вся совокупность дополнительных знаний образует окружение ядра. Окружение ядра предоставляет тот материал, который необходимо изучить студенту в ходе выполнения ИРС. Ядро знаний вместе с окружением ядра формируют макромодель всего учебного материала в рамках рассматриваемой дисциплины.
Каждый компонент окружения ядра можно рассматривать как связный граф. Однако учитывая, что для преподавателя — разработчика учебного курса — не важна структура «чужого учебного материала», а важны, главным образом, связи, устанавливаемые между ядром знаний и его окружением, а также то, что для облегчения автоматизированного анализа и обработки структуры макромодели предлагается последнюю рассматривать в виде ориентированного мультиграфа: G = (X, U). В данном мультиграфе каждый компонент окружения ядра представляется не в виде связанного графа, а в виде одной вершины, которая будет соединена с ядром некоторым количеством связей, установленным преподавателем-разработчиком.
В качестве математической модели графа G = (X, U) рассматривается следующая матрица:
Матрица ||A|| — симметричная относительно главной диагонали — характеризует наличие связи двух отдельно взятых разделов. При этом:
Далее для решения задачи построения адаптивной системы обучения, основанной на формировании системы в автоматическом режиме, а также исходя из результатов диагностики и новых структур изучения материала, рассмотрим матрицу относительных оценок уровня знаний разделов.
Вес связи sij между двумя разделами определяется по p-балльной шкале, где р задается преподавателем. Вместе с этим, при заполнении матрицы ||A||, необходимо соблюдать следующее условие:
Данное условие показывает, что суммарная зависимость любого раздела от других, связанных с ним, не может превышать максимальную балльную оценку самого раздела. Очевидно, что максимальная балльная оценка для любого раздела ядра знаний и его окружения одинакова, т.е. зависит от принятой шкалы и равна p.
Кроме того, необходимо отметить, что уровень изучения раздела (Z) определяется так же, как и значимость связи, по p-балльной шкале. Данное условие необходимо для того, чтобы система могла самостоятельно формировать планы изучения материала.
Задача формирования плана изучения материала относится к классу задач линейного целочисленного (булевого) программирования.
Результатом решения этой задачи является нахождения оптимального плана изучения материала, который учитывает не только уровень изучения разделов Zi, но и относительные оценки.
При этом xij = 1, если перед i-м разделом включается j-й раздел, имеющий более низкий порядковый номер, 0 — в противном случае. Относительные оценки cij позволяют для каждого раздела выявить связанные предшествующие разделы учебного материала и выбрать из них те, неудовлетворительные знания по которым могли бы повлиять на плохое усвоение материала рассматриваемого раздела. Современные автоматизированные системы обучения анализируют и обрабатывают только массив Zi. Подход, основанный на применении как абсолютных оценок, так и относительных, помогает обучаемому разобраться в первопричине его неудовлетворительных знаний по конкретному разделу.
Каждому вопросу в подсистеме диагностики качества знаний ставится в соответствие вес и форма ответа. Если количество вопросов для итогового контроля задано как N, а разделов в теме — n, то необходимо произвести выборку так, чтобы учитывался уровень изучения раздела. Иначе говоря, в выборке должны присутствовать, главным образом, вопросы тех разделов, по которым обучаемый показал неудовлетворительные знания. Для этого решается задача целочисленного программирования.
где N > n;
n — количество разделов учебного материала (вершин графа макромодели);
Xmin — минимальное количество вопросов (определяется преподавателем), которое необходимо выбрать для одного раздела. По умолчанию Xmin = [N/n].
Результатом решения этой задачи являются значения X = {xl}, указывающие: какое количество вопросов для итогового контроля необходимо взять из того или иного раздела, учитывая при этом уровень изучения раздела.
Кроме того, выбирая вопросы внутри раздела, необходимо учитывать и то обстоятельство, что вопросу ставится в соответствие не только вес, но и три формы ответа, т.е. каждой форме ответа соответствует свой коэффициент сложности. Все это необходимо предусмотреть, так как в одну выборку не должен попасть один и тот же вопрос с разными формами ответа. Для этого решается следующая задача:
Vl — общее количество вопросов, относящихся к l-ному разделу;
Xl — количество вопросов, полученное на основе решения задачи, которое необходимо взять из данного l-ного раздела.
Матрица B = ||bij|| является накопительной матрицей, учитывающей те вопросы, на которые был дан неправильный ответ. Изначально все элементы этой матрицы равны единице. В случае, если на вопрос yij дается неправильный ответ, то соответствующий элемент матрицы ||B|| обнуляется, если же на вопрос дается правильный ответ, то соответствующий столбец в матрице ||B|| вычеркивается.
По желанию преподавателя (для более точной оценки знаний обучаемого) можно выбирать не только «сложные вопросы», но и взять часть «сложных» и часть «легких» вопросов. Таким образом, применение изложенных выше подходов позволяет еще в большей степени адаптировать систему диагностики под каждого обучаемого индивидуально и автоматизировать операции, связанные с проведением итогового контроля.
Организация взаимодействия компонентов подсистем обучения и диагностики качества подготовки специалистов построена на основе объектно-ориентированного подхода. Взаимодействие компонентов подсистемы диагностики с подсистемой обучения осуществляется через интерфейс подсистемы обучения. Изменение структуры ядра знаний происходит на основании информации, полученной от подсистемы диагностики и согласно правилам, определенным в интерфейсе. Таким образом, достигается инкапсуляция ядра знаний и его окружения, т.е. дается возможность изменять и модернизировать методы управления данными, не затрагивая при этом структуру самих данных.
В качестве аппаратной среды реализации инструментальных средств выбран ПЭВМ типа IBM PC или совместимый. Операционная среда реализации инструментальных средств осуществляется при помощи Windows 95. Инструментальные средства автоматизированного проектирования компонентов дистанционного обучения и диагностики качества знаний специалистов разработаны на языке объектно-ориентированного программирования — Java, позволяющего интегрировать процедуры диагностики и управления ходом обучения с форматом представления информации в Internet.
Отличительной особенностью разработанных программных процедур является возможность их использования в создании компонентов дистанционного обучения и диагностики знаний для любой специальности, при соответствующей доработке информационного обеспечения и независимости созданных процедур от используемой платформы аппаратных и программных средств.
Прочитано здесь http://www.e-joe.ru/sod/98/3_98/st109.html
Эта запись была опубликована 28.09.2006в 1:32 пп. В рубриках: Обучение, Все статьи. Вы можете следить за ответами к этой записи через RSS 2.0. Вы можете оставить свой отзыв или трекбек со своего сайта.
