Библиографическое описание:

Колдырев А. Ю. Дифференциация учебного процесса на основе алгоритма классификации // Молодой ученый. — 2015. — №11. — С. 56-59.

Современные тенденции развития образовательных систем лежат в области организации индивидуальных методов обучения и дифференциации учебного процесса [1]. В учебный курс, как правило, включаются материалы для комплексной подготовки специалистов, что не всегда удовлетворяет пользователя с конкретными целями обучения. Чтобы решить задачу дифференциации курса используются различные методы. В случае специализированных учебных систем, чтобы сформировать траектории обучения в зависимости от целей обучения целесообразно применять алгоритмы классификации. Предлагаемый подход возможен, если предварительно заданы классы векторов признаков, характеризующих особенности обучающихся, и соответствующие им траектории обучения. Решаемая задача состоит в том, чтобы подобрать для конкретного обучающегося наиболее близкий класс и, тем самым, наиболее подходящую траекторию обучения.

В данной статье рассмотрен процесс дифференциации учебного курса в учебно-исследовательской подсистеме программного комплекса, получившего название программно-математической модели бортовой аппаратуры командно-измерительной системы космического аппарата – ПММ БА КИС [2].

Область применения данной учебной системы – обучение принципам и особенностям функционирования бортовой аппаратуры космического аппарата. Система предназначена для интерактивного обучения и приобретения знаний, навыков работы инженерно-технического персонала и студентов в объеме, необходимом для проектирования и тестирования составных частей комплекса бортовой аппаратуры командно-измерительной системы.

Для решения задачи дифференциации учебного процесса и формирования индивидуальных траекторий обучения применяется алгоритм классификации – разделения данных на классы по принципу аналогии. Идея применения алгоритма классификации в учебно-исследовательской системе состоит в том, чтобы формировать индивидуальные рекомендации на основе схожести параметров обучаемого пользователя с параметрами одного из эталонных классов. Специализация учебной системы позволяет адекватно сформировать параметры для индивидуализации учебного курса.

В работе используется критерий алгоритма теории адаптивного резонанса – АРТ1. Алгоритм работает с объектами, которые представляются векторами бинарных признаков. Вектор признаков представляет группу параметров, которые принимают значения 0 или 1. Принадлежность к классу определяется в зависимости от степени «похожести» рассматриваемого вектора признаков (прототипа) на эталонный вектор, описывающий характерные черты класса.

Индивидуализация процесса обучения основана на предварительном формировании эталонных векторов. Каждый эталонный вектор описывает отдельный класс и соответствующую ему траекторию обучения. Эталонные векторы и траектории обучения задаются преподавателем при формировании учебного курса.

Вектор признаков обучающегося состоит из характеристик, указанных в таблице 1. Для построения векторов выполнена интерпретация значений бинарных признаков.

Таблица 1

Интерпретация значений бинарных признаков

Наименование признака

Вопрос для интерпретации значения (да – 1, нет – 0)

1

Высшее образование

Имеет ли пользователь высшее образование?

2

Оператор

Является ли пользователь оператором?

3

Конструктор

Является ли пользователь конструктором?

4

Студент

Является ли пользователь студентом?

5

Опыт работы с КИС

Имеет ли пользователь опыт работы с командно-измерительной системой?

6

Опыт работы с КПА

Имеет ли пользователь опыт работы с контрольно-проверочной аппаратурой?

7

Опыт работы с ПО

Имеет ли пользователь опыт работы со специализированным ПО?

8

Конструирование и проектирование КИС

Является ли конструирование и проектирование КИС одним из направлений работ пользователя?

9

Подготовка испытаний

Является ли подготовка испытаний одним из направлений работ пользователя?

10

Проведение испытаний

Является ли проведения испытаний одним из направлений работ пользователя?

11

Повышение квалификации

Является ли целью обучения пользователя повышение квалификации?

12

Образовательная программа

Является ли целью обучения пользователя прохождение образовательной программы?

13

Самообучение

Проходит ли пользователь учебный курс в режиме самообучения?

14

Теоретический курс

Курс пользователя ориентирован на теоретические знания?

15

Практический курс

Курс пользователя ориентирован на развитие практических навыков?

16

Полный курс

Курс пользователя дается в полном объёме?

17

Ознакомительный

Глубина представления материала ознакомительная?

18

Базовый

Глубина представления материала базовая?

19

Углубленный

Глубина представления материала углубленная?

 

Например, характеристики пользователя и целей его обучения представлены следующим описанием: высшее образование; оператор эксплуатирующий программное обеспечение организации, имеет опыт работы со специализированным ПО; направление работ – подготовка испытаний; цель обучения – повышение квалификации; обучение происходит без преподавателя; тип изучаемого курса – практический курс; глубина изучения материала – базовая. Вектор признаков для описанного пользователя имеет вид: (1, 1, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 0, 1, 0).

Предлагаемый алгоритм позволяет найти максимально схожий эталонный класс для вектора признаков пользователя.

Пусть P = {P1, P2, … Pn} – множество эталонных векторов, сформированных в системе. Эталонные векторы имеет одинаковую длину – d. Каждому эталонному вектору однозначно соответствует одна из множества траекторий обучения T = {T1, T2, … Tn}. Е – вектор признаков пользователя. Требуется для заданного вектора признаков пользователя E найти наиболее схожий эталонный вектор Pi и, тем самым, определить траекторию обучения Ti для пользователя.

Вектор признаков пользователя E проверяется на схожесть со всеми эталонными векторами, существующими в системе. В качестве оценки степени схожести вектора признаков и каждого из существующих эталонных векторов используется критерий из алгоритма ART1 [3]:

                                                     (1)

где  – операция, возвращающая количество значимых элементов;  – операция побитового «И»;  – параметр «разрушения связи». Применение параметра  позволяет выбирать эталоны, в которых больше значимых элементов. Одно из преимуществ данного критерия заключается в том, что он чувствителен к ситуациям, когда признак присутствует в эталонном векторе, но не присутствует в векторе признаков пользователя.

Из эталонных векторов, удовлетворяющих критерию (1), выбирается вектор, максимально схожий с вектором признаков пользователя. Для этой цели используется критерий (2).

                                                                                                        (2)

Обучающемуся предоставляется траектория обучения, соответствующая найденному по критерию эталонному вектору.

Создание эталонных векторов и рекомендаций по изучению материалов для каждого эталона выполняет разработчик учебного курса (рис. 1).

Рис. 1. Создание эталонных векторов и рекомендаций по освоению курса

 

При регистрации в системе пользователь заполняет анкету (рис. 2), на основе которой в дальнейшем формируется его вектор признаков. Вектор признаков проверяется на схожесть с эталонными векторами, существующими в системе. Если в системе сформирован эталонный вектор, который удовлетворяет критериям (1) и (2), то пользователю будет рекомендована траектория обучения, соответствующая этому эталонному вектору.

Описанный алгоритм решает задачу дифференциации учебного процесса в учебно-исследовательской подсистеме ПММ БА КИС. В дальнейшем планируется реализовать алгоритм кластеризации пользователей на основе их траекторий обучения. Данный алгоритм позволит рекомендовать пользователю темы, прошедшие другие представители кластера, к которому был отнесён пользователь. Объединение этих рекомендаций и установленных экспертом траекторий обучения позволит формировать расширенные рекомендации к выбору учебных тем и направлений исследований, характеризующих пользователей со схожими целями и динамикой обучения.

 

Рис. 2. Анкетирование пользователя

 

Литература:

1.     Башмаков А.И., Башмаков И.А. Разработка компьютерных учебников и обучающих систем. – М.: Информационно-издательский дом «Филинъ», 2003. – 616 с.

2.     Ноженкова Л.Ф., Исаева О.И., Грузенко Е.А. Построение программно-математической модели командно-измерительной системы космического аппарата // Информатизация и связь, 2014. – № 1. – С. 87–93.

3.     Джонс М.Т. Программирование искусственного интеллекта в приложениях // Пер. с англ. / А.И. Осипов. – М.: ДМК Пресс, 2013. – 312 c.

Обсуждение

Социальные комментарии Cackle