Адаптивная модель представления знаний на основе анализа расширенного набора каналов восприятия информации для этапа предварительного тестирования
Бесплатно
Основная коллекция
Тематика:
Высшее образование
Издательство:
Науковедение
Год издания: 2014
Кол-во страниц: 10
Дополнительно
Скопировать запись
Фрагмент текстового слоя документа размещен для индексирующих роботов
Интернет-журнал «НАУКОВЕДЕНИЕ» Выпуск 2, март – апрель 2014 Опубликовать статью в журнале - http://publ.naukovedenie.ru Институт Государственного управления, права и инновационных технологий (ИГУПИТ) Связаться с редакцией: publishing@naukovedenie.ru 1 http://naukovedenie.ru 93TVN214 УДК 004.588 Леванов Дмитрий Николаевич ООО «Центр разработки мультимедийных материалов» Россия, Москва1 Тестировщик Интернет-проектов E-Mail: felis_pardus@mail.ru Феоктистов Николай Алексеевич ФГБОУ ВПО «Московский государственный университет дизайна и технологии» Россия, Москва Профессор, доктор технических наук E-Mail: nikolay.a.feoktistov@gmail.com Адаптивная модель представления знаний на основе анализа расширенного набора каналов восприятия информации для этапа предварительного тестирования Аннотация: В статье представлено формальное и математическое описание, а также практическая реализация модели адаптивного представления знаний на основе анализа расширенного набора каналов восприятия пользователем информации (внимательность, истинность, время ответа). Модель реализована на этапе предварительного (входного) тестирования в электронном учебном курсе «Международный стандарт SCORM» и предназначена для анализа первичных знаний тестируемого пользователя об изучаемой предметной области с целью адаптивного управления последовательностью изложения учебных материалов. В основе модели заложен принцип, по которому, помимо истинности ответа на вопрос, существенное влияние оказывают два дополнительных параметра – время, затраченное на ответ и число обращений за помощью. В качестве правил используются логические условия с четкими оценками для обеспечения возможности их оперативной настройки под целевую аудиторию, но допускается также возможность реализации описанной модели на основе экспертных суждений и нечеткого логического вывода. Учет дополнительных характеристик пользователя на основе новых моделей представления знаний позволит сделать более гибкой адаптивность диалогового взаимодействия обучающей системы с пользователем и наиболее прозрачным и объективным процесс компьютерного тестирования. Ключевые слова: Образование; дистанционное обучение; система управления обучением; электронный учебный курс; адаптивные модели представления информации; компьютерное тестирование знаний; новые модели контента. Идентификационный номер статьи в журнале 93TVN214 1 ул. Маршала Савицкого, д.26, Москва, Россия, 117148
Интернет-журнал «НАУКОВЕДЕНИЕ» Выпуск 2, март – апрель 2014 Опубликовать статью в журнале - http://publ.naukovedenie.ru Институт Государственного управления, права и инновационных технологий (ИГУПИТ) Связаться с редакцией: publishing@naukovedenie.ru 2 http://naukovedenie.ru 93TVN214 Введение Автоматизация процесса подготовки кадров приобретает всё большую популярность среди учебных заведений и коммерческих предприятий, в связи с непрерывно расширяющимися возможностями информационных технологий. По данным Cedar Group, с использованием e-learning затраты времени на обучение сокращаются на 35-45%, стоимость – на 32-45%, скорость усвоения учебных материалов увеличивается на 15-25% [1]. Таким образом, эффективность и стоимость подготовки кадров могут быть оптимизированы. Среди проблем, на решении которых сосредоточено внимание отечественных и зарубежных исследователей, выделяются [2-9]: 1. реализация возможности многократного использования образовательных объектов (соблюдение стандартов); 2. разработка новых моделей контента (организация знаний и представление учебных материалов с использованием расширенного набора каналов восприятия); 3. разработка новых моделей оценки знаний (учет дополнительных критериев при выставлении оценки, основанных на анализе расширенного набора каналов восприятия, таких как зрение/слух); 4. создание новых моделей управления последовательностью изложения учебных материалов (алгоритмы обучения на основе анализа индивидуальных характеристик пользователей и промежуточных результатов обучения); 5. создание образовательных «хранилищ». В статье представлено формальное и математическое описание, а также практическая реализация модели адаптивного представления знаний на основе анализа расширенного набора каналов восприятия информации. Модель приобщена к этапу предварительного (входного) тестирования, и, таким образом, делается попытка решения 2-го и 3-го из вышеперечисленных пунктов. 1. Актуальность проблемы В настоящее время задача разработки новых моделей представления знаний в электронных курсах ориентирована на стимулирование ассоциативности преподносимой пользователю информации для лучшего запоминания. Высокую популярность в этом направлении приобрели игровые технологии. Поэтому, на пути к достижению поставленной цели применяются мультимедийные интеллектуальные интерфейсы с разнообразными формами взаимодействия, способные воспринимать и анализировать большие объемы информации в зависимости от характеристик пользователя и решаемой задачи, скрывать от пользователя сложность задачи и облегчать обработку и усвоение информации [2,10,11]. 2. Формальное и математическое описание модели Рассмотрим новую модель представления знаний на примере тестового вопроса, в которой предусмотрено вычисление результата не только на основании истинности ответа, но и с учетом таких показателей как внимательность и время ответа на вопрос (модель ВИВО – «внимательность, истинность, время ответа»). Формальное описание модели таково: Вопрос и варианты ответа озвучены диктором. Для прослушивания на слайде имеется специальная кнопка. После завершения озвучивания вопроса и вариантов
Интернет-журнал «НАУКОВЕДЕНИЕ» Выпуск 2, март – апрель 2014 Опубликовать статью в журнале - http://publ.naukovedenie.ru Институт Государственного управления, права и инновационных технологий (ИГУПИТ) Связаться с редакцией: publishing@naukovedenie.ru 3 http://naukovedenie.ru 93TVN214 ответа начинается отчет времени обдумывания вопроса пользователем. Отчет времени завершается после нажатия кнопки «Ответить». Изначально на слайде с вопросом также расположены кнопки с порядковыми номерами или буквами, к которым привязаны озвученные варианты ответа, а также, кнопка «Ответить». Есть возможность повторного прослушивания вопроса без вариантов ответа. Уточнить варианты ответа возможно, наведя курсор или нажав на кнопки с номерами вариантов ответа и прочитав всплывающие подсказки. Таким образом, предлагается оценивать результат ответа на вопрос R как по значениям трех показателей: V – истинность ответа, A – внимательность, T – время ответа. В свою очередь, V – логическая величина (true/false), A – число обращений за помощью (подсчет событий повторения вопроса и вызова всплывающих подсказок), T – время ответа в секундах, N – число вариантов ответа. Внимательность оценивается на основании попадания значения в изначально определенные интервалы, например: если A ≤ 1, то внимательность «высокая», если 1 < A ≤ N+2, то внимательность «средняя», если A > N+2, то внимательность «низкая». По аналогичному принципу ведется оценка времени, затраченного пользователем на ответ, например: если T ≤ 10, то время ответа «допустимое», если 10 <T ≤ 30, то время ответа «предельное», если T > 30, то время ответа «неприемлемое» (пользователь мог успеть обратиться за дополнительной помощью к посторонним источникам информации). Теперь зависимость результата R характеризуется следующим набором правил: R = «ответ верный», если V = true и A = «высокая» и T = «допустимое»; R = «ответ верный», если V = true и A = «средняя» и T = «допустимое»; R = «ответ верный», если V = true и A = «средняя» и T = «предельное»; R = «ответ верный», если V = true и A = «низкая» и T = «допустимое»; R = «ответ верный», если V = true и A = «низкая» и T = «предельное»; R = «ответ неверный», если V = true и A = «высокая» и T = «предельное»; R = «ответ неверный», если V = true и A = «высокая» и T = «неприемлемое»; R = «ответ неверный», если V = true и A = «средняя» и T = «неприемлемое»; R = «ответ неверный», если V = true и A = «низкая» и T = «неприемлемое»; R = «ответ неверный», если V = false и A = «высокая» и T = «допустимое»; R = «ответ неверный», если V = false и A = «высокая» и T = «предельное»; R = «ответ неверный», если V = false и A = «высокая» и T = «неприемлемое»; R = «ответ неверный», если V = false и A = «средняя» и T = «допустимое»;
Интернет-журнал «НАУКОВЕДЕНИЕ» Выпуск 2, март – апрель 2014 Опубликовать статью в журнале - http://publ.naukovedenie.ru Институт Государственного управления, права и инновационных технологий (ИГУПИТ) Связаться с редакцией: publishing@naukovedenie.ru 4 http://naukovedenie.ru 93TVN214 R = «ответ неверный», если V = false и A = «средняя» и T = «предельное»; R = «ответ неверный», если V = false и A = «средняя» и T = «неприемлемое»; R = «ответ неверный», если V = false и A = «низкая» и T = «допустимое»; R = «ответ неверный», если V = false и A = «низкая» и T = «предельное»; R = «ответ неверный», если V = false и A = «низкая» и T = «неприемлемое»; Нетрудно заметить, что внимательность в большинстве случаев не влияет на результат, но учет данного свойства может способствовать принятию правильных решений как тьютором, так и адаптивным электронным курсом на последующих этапах взаимодействия с конкретным пользователем. Приведем пример тестового вопроса, построенного на основании вышеописанной модели. Текст озвучивания: «На какой сигнал светофора разрешено движение? Красный – нажмите на кнопку 1, желтый – нажмите на кнопку 2, зеленый – нажмите на кнопку 3». Графически модель представлена на рис. 1. Рис. 1. Пример тестового вопроса с вычислением результата ответа с учетом истинности ответа, внимательности пользователя и затраченного времени на ответ (разработано автором) Приведенная в примере модель тестового вопроса учитывает некоторые факторы своего окружения, а именно внимательность и скорость мышления тестируемого пользователя, в связи с чем, модель является адаптивной. Далее приведена практическая реализация данной модели.
Интернет-журнал «НАУКОВЕДЕНИЕ» Выпуск 2, март – апрель 2014 Опубликовать статью в журнале - http://publ.naukovedenie.ru Институт Государственного управления, права и инновационных технологий (ИГУПИТ) Связаться с редакцией: publishing@naukovedenie.ru 5 http://naukovedenie.ru 93TVN214 3. Практическая реализация адаптивной модели представления знаний для этапа предварительного тестирования В электронном учебном курсе «Международный стандарт SCORM» на этапе предварительного тестирования реализована новая адаптивная модель, позволяющая учитывать не только уровень знаний пользователя при выставлении оценки и генерации соответствующих рекомендаций, но и такие важные особенности обучаемого как внимательность и время ответа на вопрос, что является востребованным при организации тестового контроля знаний на сегодняшний день. На рис. 2 приведен стартовый слайд учебного курса, на котором располагается кнопка для запуска предварительного тестирования. Рис. 2. Стартовый слайд электронного учебного курса «Международный стандарт SCORM» (разработано автором) Перед началом тестирования требуется подтверждение наличия устройств для вывода звуковой информации (рис. 3). Рис. 3. Предупреждение об условиях возможности проведения предварительного адаптивного тестирования (разработано автором) Тестовые вопросы и варианты ответов озвучены диктором. Имеется возможность повторения только вопроса. Для уточнения вариантов ответа служат всплывающие подсказки. Все дополнительные обращения пользователя за помощью и время, потраченное на ответ,
Интернет-журнал «НАУКОВЕДЕНИЕ» Выпуск 2, март – апрель 2014 Опубликовать статью в журнале - http://publ.naukovedenie.ru Институт Государственного управления, права и инновационных технологий (ИГУПИТ) Связаться с редакцией: publishing@naukovedenie.ru 6 http://naukovedenie.ru 93TVN214 учитываются в системе. Слайд «Предварительное адаптивное тестирование» представлен на рис. 4. Рис. 4. Слайд «Предварительное адаптивное тестирование» (разработано автором) Результаты тестирования демонстрируются в диалоговой форме (рис. 5, 6). Рис. 5. Результаты адаптивного тестирования (разработано автором) Рис. 6. Рекомендации пользователю (разработано автором)
Интернет-журнал «НАУКОВЕДЕНИЕ» Выпуск 2, март – апрель 2014 Опубликовать статью в журнале - http://publ.naukovedenie.ru Институт Государственного управления, права и инновационных технологий (ИГУПИТ) Связаться с редакцией: publishing@naukovedenie.ru 7 http://naukovedenie.ru 93TVN214 Заключение В статье проведен анализ и разработана новая адаптивная модель представления знаний (контента) – интерактивная модель на основе анализа расширенного набора способностей к восприятию материалов обучаемым/пользователем (модель ВИВО – внимательность, истинность, время ответа). Модель программно реализована на этапе предварительного тестирования в электронном учебном курсе «Международный стандарт SCORM» для автоматизации адаптивного диалогового взаимодействия с пользователем. Текущий вариант реализации модели является гибким, поскольку позволяет оперативно корректировать пороговые значения базы правил для оценки характеристик пользователей в зависимости от целевой аудитории, но в то же время, не уникальным, так как модель не предполагает ведение учета исчерпывающего набора характеристик пользователя.
Интернет-журнал «НАУКОВЕДЕНИЕ» Выпуск 2, март – апрель 2014 Опубликовать статью в журнале - http://publ.naukovedenie.ru Институт Государственного управления, права и инновационных технологий (ИГУПИТ) Связаться с редакцией: publishing@naukovedenie.ru 8 http://naukovedenie.ru 93TVN214 ЛИТЕРАТУРА 1. Сергей Подузов. Обзор мирового и российского рынков электронного обучения // ООО “СиМедиа” 2012. – Режим доступа: http://seemedia.ru/blog/1232 (доступ свободный) – Загл. с экрана. – Яз. рус. 2. Свиридов А.П. Статистическая теория обучения: монография. – М.: Издательство РГСУ, 2009. – 576 с. 3. Advanced Distributed Learning (ADL), Sharable Content Object Reference Model (SCORM®) 2004 2nd Edition Overview, 2004. – 57 p. 4. Advanced Distributed Learning (ADL), SCORM® 2004 4th Edition Content Aggregation Model (CAM) Version 1.1, 2009. 5. Advanced Distributed Learning (ADL), SCORM® 2004 4th Edition Run-Time Environment (RTE) Version 1.1, 2009. 6. Advanced Distributed Learning (ADL), SCORM® 2004 4th Edition Sequencing and Navigation (SN) Version 1.1, 2009. 7. Электронная библиотека диссертаций [Электронный ресурс] - Режим доступа: http://www.dissercat.com/ 8. Электронная библиотека диссертаций Российской государственной библиотеки [Электронный ресурс] - Режим доступа: http://www.diss.rsl.ru/ 9. International Journal of Artificial Intelligence in Education [Электронный ресурс] Режим доступа: http://iaied.org/about/ 10. Агапонов С.В. и др. Средства дистанционного обучения. Методика, технология, инструментарий. / Авторы: Агапонов С.В., Джалиашвили З.О., Кречман Д.Л., Никифоров И.С., Ченосова Е.С., Юрков А.В. / Под ред. З.О.Джалиашвили. – СПб.: БХВ-Петербург, 2003. – 336 с.: ил. 11. Люгер, Джордж, Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание.: Пер. с англ. – М.: Издательский дом “Вильямс”, 2005. - 864 с.: ил. Рецензент: Мохов Андрей Игоревич, доктор технических наук, профессор, декан факультета информационных технологий, НОУ ВПО ИГУПИТ.
Интернет-журнал «НАУКОВЕДЕНИЕ» Выпуск 2, март – апрель 2014 Опубликовать статью в журнале - http://publ.naukovedenie.ru Институт Государственного управления, права и инновационных технологий (ИГУПИТ) Связаться с редакцией: publishing@naukovedenie.ru 9 http://naukovedenie.ru 93TVN214 Dmitriy Levanov Tsentr Razrabotki Multimediynykh Materialov Russia, Moscow E-Mail: felis_pardus@mail.ru Nikolay Feoktistov Moscow State University of Design and Technology Russia, Moscow E-Mail: nikolay.a.feoktistov@gmail.com Adaptive model of knowledge representation based on the analysis of the extended set of channels of perception for phase testing Abstract: The article presents a formal and mathematical description, as well as practical implementation of adaptive model of knowledge representation based on the analysis of the extended set perception channels user of information (attentiveness, truthfulness, response time). The model is implemented in the preliminary (input) testing in e-learning course "International standard SCORM" and is designed for analysis of the primary user knowledge’s for the purpose of management adaptive navigation on training materials. The model is based on the principle according to which, on the true answer on the question, in addition is influenced by two additional parameters - the time taken to answer and the number of requests for assistance. In the rules used logical conditions with clear values for operative correcting values for system setting for the target audience. This model also provides the opportunity for the implementation on the basis of expert judgment and fuzzy inference. Accounting for additional characteristics of the user on the basis of new models of knowledge representation will make the most flexible adaptive learning system dialog interaction with the user and the most transparent and objective process of computer-based testing. Keywords: Education; e-learning; Learning Management System; electronic learning course; adaptive models of presenting information; computer testing knowledge; new content models. Identification number of article 93TVN214
Интернет-журнал «НАУКОВЕДЕНИЕ» Выпуск 2, март – апрель 2014 Опубликовать статью в журнале - http://publ.naukovedenie.ru Институт Государственного управления, права и инновационных технологий (ИГУПИТ) Связаться с редакцией: publishing@naukovedenie.ru 10 http://naukovedenie.ru 93TVN214 REFERENCES 1. Sergei Poduzov. Overview of global and domestic markets eLearning / / SiMedia 2012. - Mode of access: http://seemedia.ru/blog/1232 (free access) - Caps. from the screen. Jaz. rus. 2. Sviridov A.P. Statistical learning theory: a monograph. - M.: Publishing RSSU 2009. – 576 p. 3. Advanced Distributed Learning (ADL), Sharable Content Object Reference Model (SCORM ®) 2004 2nd Edition Overview, 2004. - 57 p. 4. Advanced Distributed Learning (ADL), SCORM ® 2004 4th Edition Content Aggregation Model (CAM) Version 1.1, 2009. 5. Advanced Distributed Learning (ADL), SCORM ® 2004 4th Edition Run-Time Environment (RTE) Version 1.1, 2009. 6. Advanced Distributed Learning (ADL), SCORM ® 2004 4th Edition Sequencing and Navigation (SN) Version 1.1, 2009. 7. Digital library of dissertations [electronic resource] Access mode: http://www.dissercat.com/ 8. Digital Dissertation Library of the Russian State Library [electronic resource] - Access mode: http://www.diss.rsl.ru/ 9. International Journal of Artificial Intelligence in Education [electronic resource] Access mode: http://iaied.org/about/ 10. Agaponov SV and other distance learning tools. Technique, technology, tools. / Contributors: Agaponov S.V. Jaliashvili Z.O., Krechman D.L., Nikiforov I.S., Chenosova E.S., Jurkov A.V. / Ed. Dzhaliashvili Z.O. - St. Petersburg.: BHVPetersburg, 2003. – 336 p. 11. Luger, George F. Artificial Intelligence: Strategies and methods for solving complex problems, 4th edition. Russ. from English. - Moscow: Publishing House "Williams", 2005. - 864 p.