Дифференциация учебного процесса на основе алгоритма классификации

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

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, … P_n} – 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, … T_n}. Е – вектор признаков пользователя. Требуется для заданного вектора признаков пользователя E найти наиболее схожий эталонный вектор P_i и, тем самым, определить траекторию обучения T_i 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.