Метод адаптивного поиска образовательных ресурсов на основе онтологической модели представления знаний и алгоритма рассуждений по прецедентам

На правах рукописи

Ужва Алексей Юрьевич МЕТОД АДАПТИВНОГО ПОИСКА ОБРАЗОВАТЕЛЬНЫХ РЕСУРСОВ НА ОСНОВЕ ОНТОЛОГИЧЕСКОЙ МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ И АЛГОРИТМА РАССУЖДЕНИЙ ПО ПРЕЦЕДЕНТАМ 05.13.01 – Системный анализ, управление и обработка информации (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Волгоград – 2013

Работа выполнена на кафедре «Программное обеспечение автоматизированных систем» Волгоградского государственного технического университета.

Научный руководитель доктор технических наук, профессор Дворянкин Александр Михайлович.

Лукьянов Виктор Сергеевич

Официальные оппоненты:

доктор технических наук, профессор, Волгоградский государственный технический университет, кафедра «Электронные вычислительные машины и системы», профессор;

Игнатьев Александр Владимирович кандидат технических наук, доцент, Волгоградский государственный архитектурно-строительный университет, кафедра «Прикладная математика и вычислительная техника»,зав. кафедрой.

Ведущая организация: Астраханский государственный технический университет.

Защита состоится 15марта 2013 года в 1530на заседании диссертационного совета Д 212.028.04 при Волгоградском государственном техническом университете по адресу 400005, г. Волгоград, пр.Ленина 28, зал заседаний ученого совета (ауд. 209).

С диссертацией можно ознакомиться в библиотеке Волгоградского государственного технического университета.

Автореферат разослан 14февраля 2013 г.

Ученый секретарь диссертационного совета Водопьянов Валентин Иванович

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. С учетом современных требований, предъявляемых к специалистам, процесс обучения все более усложняется, происходит активное развитие электронных форм обучения. Более 4,5 млн. студентов в 2012 году проходило хотя бы 1 образовательный курс онлайн, по прогнозам в 2014 году данное количество достигнет 18 миллионов человек. Известно, что электронное образование способно повысить эффективность обучения.

Электронное образование в значительно большей степени, чемтрадиционное, ориентировано на самостоятельную работу студента и в меньшей — на непосредственную работу с преподавателем. В следствие этого повышаются требования к релевантностиобучающих материалов, используемых в учебном процессе, в особенности в области электронного образования.

Под электронным образовательным ресурсом (ЭОР) в работе понимается образовательный ресурс, представленный в электронно-цифровой форме и включающий структуру, предметное содержание и метаданные и который может использоваться многократно в процессе обучения.

Электронные образовательные ресурсы обладают рядом преимуществ по сравнению с традиционными образовательными ресурсами, такими как: низкая стоимость, легкость передачи информации, возможность получить доступ к большому количеству альтернативных источников образовательного материала.

Помимо этого ЭОР несут в себе возможности, недоступные для традиционных образовательных ресурсов, например, использование мультимедийных (аудио, видео) материалов, тренажеров, а так же возможность адаптации образовательного материала к персональным характеристикам обучаемого.

Количество ежегодно публикуемых образовательных ресурсов увеличивается год от года. Так в 2011 году издано более 4 млн. образовательных ресурсов, в то время как в 2002-м году их было издано менее 250 тысяч. В связи с ростом количества публикуемых ЭОР, а так же количества студентов, участвующих в электронных формах обучения, становится актуальной задача разработки методов поиска ЭОР, релевантных данным обучаемым.

Под адаптивным поиском образовательных ресурсов понимается поиск ЭОР, набор и последовательность представления материала которого выстроены с учетом целей, текущего поля знаний и характеристик обучаемого. Показано, что адаптивные методы поиска образовательных ресурсов способны повысить эффективность обучения до 40%.

Под релевантностью результата адаптивного поиска понимается степень соответствия найденных ЭОР запросу, сформулированному при помощи целей, текущего поля знаний и характеристик обучаемого.

На данный момент разработан ряд методов адаптивного поиска ЭОР, основанных на нейросетевых моделях, алгоритмах рассуждений по правилам, прецедентам, решающих деревьях и др. Большой вклад в развитие методов адаптивного поиска ЭОР внесли такие ученые, как Норенков И.П., Соловов А.В.

Башмаков А.И., Башмаков И.А., Беляев М.И., Буняев М.М., Вымятин В.М., P.

Brusilovsky, W. Nejdl, G. Stumme, K. Bosward, Joi L. Moore, ValerieShute, ErikDuval и др. Однако существующие методы адаптивного поиска ЭОР не учитывают неявные знания в виде опыта предыдущих решений, оценку обучаемым образовательных материалов, что снижает уровень релевантности результатов адаптивного поиска.

Цель и задачи работы. Цель работы состоит в повышении релевантности результатов поиска ЭОР за счет разработки метода адаптивного поиска на основе интеграции онтологических моделей представления знаний и алгоритмов рассуждений по прецедентам.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Провести анализ существующих методов адаптивного поиска образовательных ресурсов.

2. Разработать онтологическую модель образовательных ресурсов, обучаемого, образовательного стандарта,позволяющие осуществить поиск ЭОР по прецедентам.

3. Разработать алгоритмадаптивного поиска ЭОР на основе разработанных моделей и рассуждений по прецедентам.

4. Разработать метод адаптивного поиска ЭОР на основе разработанных моделей и алгоритмов, а так же программное средство, реализующее данный метод, проверить его работоспособность.

Объектом исследования является процесс адаптивного поиска образовательных ресурсов.

Предметом исследования являются модели и методы поиска образовательных ресурсов.

Гипотеза исследования: Интеграция онтологических моделей представления знаний и алгоритмов рассуждений по прецедентам способна повысить релевантность найденных в результате адаптивного поиска образовательных ресурсов.

Методы исследования. Для решения поставленных задач были использованы методы искусственного интеллекта, системного анализа, проектирования и реализации программных систем.

Работа выполнена в рамкахфундаментального исследования«Разработка научно-методических основ построения электронной образовательной среды для обучения информационным технологиям», шифр 8.3391.2011.

Научная новизна диссертационной работы заключается в следующих положениях, выносимых автором на защиту:

1 онтологические модели образовательного ресурса, поля знаний, обучаемого, образовательного стандарта, прецедента, отличающиеся от существующих использованием модели прецедента;

2 метод адаптивного поиска ЭОР на основе онтологических моделей представления знаний и рассуждений по прецедентам с использованием разработанных функций оценки близости прецедентов.

Практическая ценность работы состоит в разработке программного средства, использующих предложенные модели и алгоритмы.

Апробация работы. Основные положения и материалы диссертационной работы докладывались на IV Всероссийской научно-практической конференции «Инновационные технологии в обучении и производстве», г. Камышин, (15- декабря 2009 г.), VII Всероссийской научной конференции молодых ученых, аспирантов и студентов «Информационные технологии, системный анализ и управление», г. Таганрог, (3-4 декабря 2009 г.), профессорско-преподавательской конференции в г. Волгограде (5 февраля 2010 г., 27 декабря 2012г.), семинарах кафедр «Программное обеспечение автоматизированных систем», «Системы автоматизированного проектирования и поискового конструирования», ВолгГТУ.

Публикации.Основные результаты работы опубликованы в 10 работах, в том числе 4 в изданиях, рекомендованных ВАК РФ.

Структура и объем диссертации. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложений. Общий объем работы 122 страницы, в том числе 23 рисунка, 12 таблиц список литературы из 137 наименований.

Автор выражает глубокую благодарность к.т.н., доценту Жуковои И.Г. – за консультации по вопросам онтологических моделейпредставления знаний;

к.т.н., доценту Кульцовои М. Б. за консультации по вопросам рассуждений по прецедентам.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, дана общая характеристика работы.

В первой главе проведен анализ методов поиска электронных образовательных ресурсов в образовательном процессе, выделены достоинства и недостатки существующих методов и автоматизированных систем, применяемых для поиска образовательных материалов и образовательных коллекций.

Проведен анализ публикаций, посвященный методам поиска электронных образовательных ресурсов в рамках учебного процесса. Научные проблемы, связанные с исследованиями моделей и методов адаптивного поиска, а так же разработкой реализующего их программного обеспечения, отражены в работах Соловова А.В., Дозорцева В.М., Норенкова И.П., P. Brusilovsky, P. Dolog, W. Nejdl, G. Stumme, K. Bosward, Joi L. Moore, ValerieShute, ErikDuvalи других отечественных и зарубежных ученых.

Под электронным образовательным ресурсом (ЭОР) согласно ГОСТ 53620 2009понимаетсяобразовательный ресурс, представленный в электронно-цифровой форме и включающий в себя структуру, предметное содержание и метаданные о них.

Согласно существующей классификации министерства образования и науки РФ, ЭОР могут быть классифицированы на три основные категории— текстографические, моноформатные и интерактивные мультимедиа образовательные ресурсы. Данные образовательные ресурсы могут быть объединены в образовательные коллекции.

Под электронной образовательной коллекцией понимается набор электронных образовательных ресурсов, подобранных в соответствии с требованиями учебного процесса, и структурированных специальным образом в коллекцию так, что их успешное освоение обучаемым позволит достичь обучаемому целевого уровня знаний.

Электронная образовательная коллекция является адаптированной, если набор электронных образовательных ресурсов подобран как в соответствии с требованиями учебного процесса, так и с персональными требованиями обучаемого, представленными набором свойственных ему характеристик.

Метод поиска ЭОР, в качестве одних из критериев учитывающий персональные характеристики и поле знаний обучаемого, называется методом адаптивного поиска ЭОР.

Для адаптивного поиска электронных образовательных ресурсов разработан ряд подходов.В рамках этих подходов разработаны такие методы, как аннотирование образовательных ресурсов (таксономо-фолксономическая классификация), применение нейросетей, решающих деревьев, байесовского вывода, графовых моделей и алгоритмов, алгоритмов рассуждений на онтологии, алгоритмов рассуждений по прецедентам.

Существующие методы обладают рядом недостатков, такими как высокая трудоемкость поддержки баз знаний для адаптивного поиска,отсутствие возможности обучаемым оценки образовательных ресурсов или отсутствие механизмов самообучения. Данные недостатки снижают релевантность найденных ЭОР, а так же повышают трудоемкость поддержки базы знаний для данных методов.

Таким образом повышение релевантности найденных ЭОР возможно за счет учета оценок обучаемыми найденных ЭОР, а так же создания механизма, позволяющего реализовать обучение алгоритмов адаптивного поиска без участия преподавателя.

Наиболее перспективными методами адаптивного поиска являются методы, основанные на исследованиях в области онтологических моделей представления знаний, а так же в обрасти рассуждений по прецедентам. Онтологическая модель позволяет формализовать и управлять знаниями о структуре предметной области, образовательных курсов, образовательных материалов. Алгоритм рассуждения по прецедентам (РПП) хорошо зарекомендовал себя при решении задач, в которых существенную роль играют экспертные знания, которые либо не могут быть формализованы в явном виде, либо данная формализация будет излишне сложна и неэффективна, а так же в случаях, когда большую ценность имеет опыт предыдущих решений. Использование алгоритмом РПП неявных знаний о предметной области позволяет использовать неполные знания об образовательных ресурсах.

Т.к. при решении задачи адаптивного поиска образовательного ресурса важную роль играют как явные знания о последовательности, структуре образовательного материала, так и опыт применения тех или иных решений на практике, является перспективным изучение возможности совместного применения онтологической модели и алгоритма рассуждений по прецедентам для задачи адаптивного поиска ЭОР.

Таким образом, целесообразно объединение онтологических моделей представления знаний и рассуждений по прецедентам для повышения релевантности найденных ЭОР.

Вторая глава посвящена разработке моделей представления знаний о предметной области электронных образовательных ресурсов, а так же решению задачи интеграции этой модели в цикл рассуждений по прецедентам.

Выделены особенности предметной области – структурированность, иерархичность, сильная связанность. Определен состав разрабатываемой модели, выделены следующие компоненты:

1 Модель образовательного стандарта, содержащая знания об образовательных дисциплинах, формируемых ими компетенциях, а так же входящих в рабочую программу дисциплины изучаемых навыков (субкомпетенций).

2 Модель поля знаний, содержащая знания о зависимостях компетенций и субкомпетенций друг от друга.

3 Модель обучаемого, содержащая знания об обучаемом, включая его персональные характеристики, а так же модель текущего поля знаний студента.

4 Модель образовательного ресурса, содержащая знания об образовательных ресурсах, включая их библиографические данные, набор охватываемых ресурсом тем, объединения ресурсов в образовательные коллекции.

5 Модель прецедента, обеспечивающую поддержку выбранных методов и алгоритмов построения персонифицированных образовательных коллекций.

В качестве способа представления знаний выбрана онтология. Онтологическая модель обеспечивает модульность и расширяемость, сочетает преимущества других моделей представления знаний, позволяет структуру и взаимосвязи различных объектов предметной области, а так же интегрировать в модель предметной области базы данных образовательных ресурсов, обучаемых, прецедентов. Для описания онтологий выбран стандарт OWL (WebOntologyLanguage), используемый в SemanticWeb и рекомендованный консорциумом W3C, а так же имеющий широкий набор инструментальных средств, реализующих его поддержку.

Известная формальная модель мета-онтологии имеет вид:

МO = O, C, Inst, R, I, где O – множество онтологий, включенных в мета-онтологию, С – множество концептов (понятий) предметной области, Inst– множество экземпляров концептов, R – множество отношений между ними, I – множество правил интерпретации, определяющих семантику концептов.

Предлагаемая онтологическая модель представления знаний:

M= OM, C =, Inst =, R =, I =, гдеM – онтологическая модель представления знаний;

OM = {OK,OL, OStd, OColl, OC} – набор включенных онтологических моделей;

OK – онтологическая модель поля знаний;

OL – онтологическая модель обучаемого;

OStd – онтологическая модель образовательного стандарта;

OColl – онтологическая модель образовательной коллекции;

OC – онтологическая модель прецедента.

Графическое представление разработанной структуры онтологической модели представлено на рисунке 1.

Онтология поля знанийOK включает в себя следующие компоненты:

OK = COK, InstOK, ROK, IOK,где COK = {RKF,C, LC, L}– множество концептов, используемых для описания модели поля знаний, InstOK = – множество экземпляров элементов поля знания, ROK = {включает, зависит} – множество отношений между элементами поля знания.

IOK = – множество правил интерпретации, определенных на данной онтологии.

Ключевой концепт данной онтологии — модель поля знаний. Для описания поля знаний использована семантическая сеть, формализованная в виде онтологии.

При этом узлами сети являются компетенцииC, изучаемые в рамках данного поля знаний, а дугами — семантические отношения данных компетенций в предметной области. Формализация в виде онтологической модели позволяет использовать при адаптивном поиске существующие методы и инструментальные средства обработки онтологических моделей представления знаний. Таким образом, элементы поля знаний могут быть представлены в виде:

C = {C1, C2, …, Cn} – набор компетенций, где n – количество компетенций, описанных на данном поле знаний;

OC Est: оценк а Case: оценен (1) прецедент оценен (1) оценены (*) цель (1) HI: оценк а ранее изученной к оллек ции обучаемый (1) решение (1) к оллек ция (1) OL OColl S:

обучаемый Coll: обр.

оценена (1) обладает (1) к оллек ция вк лючает (*) Prefs:

AEst: априорная предпочтения R: ЭОР оценк а обладает (1) обучает (1) OK RKF: поле LC: ранж.

вк лючает (*) знаний С:

вк лючает (*) к омпетенция зависит (*) к омпетенция вк лючает (*) L: уровень знаний проверяет (*) формирует (*) OStd формирует (*) AA: проверочная GC: ук рупненные LA: образовательная ак тивность к омпетенции ак тивность вк лючает (*) вк лючает (*) определяет (*) LS: зависит (*) ES:

Образовательный Образовательный предмет стандарт описывает (*) соотвествует (1) EP:

образовательная программа Рисунок 1 — Структура онтологической модели представления знаний На разработанной онтологии поля знаний представлен тип отношений компетенций «зависит», обозначающий требование к освоению компетенции Ci перед освоением компетенции Cj предметной области.

Модель поля знаний обучаемого отличается от модели поля знаний предметной области тем, что обучаемый обладает различными уровнями владения компетенций. Для описания поля знаний обучаемого введено понятие ранжированного поля знаний RKF.Ранжированное поле знаний RKFотличается от поля знаний тем, что узлом семантической сети ранжированного поля знаний является элемент поля знаний LCi, представляющий собой кортеж:

LCi = C, L, где C –компетенция поля знаний;

L – уровень освоения компетенции C.

Т.к. в рамках традиционного образовательного процесса предусмотрена оценка знаний студентов по четырехбалльной шкале, целесообразно использовать данную шкалу для оценки уровней освоения компетенций L.

L{нет, удовл, хор, отл}, где нет – неудовлетворительный уровень освоения компетенции;

удовл – удовлетворительный уровень освоения компетенции;

хор – хороший уровень освоения компетенции;

отл – отличный уровень освоения компетенции.

Онтология обучаемогоOLпозволяет формализовать знания о поле знаний и индивидуальных характеристик обучаемого и состоит из следующих параметров:

OL = COL, InstOL, ROL, IOL,где COL = {S, Prefs}– множество концептов, используемых для описания модели поля знаний, InstOK = – множество экземпляров элементов поля знания, ROK = {формирует, проверяет, определяет, соответствует, включает, зависит, описывает} – множество отношений между элементами поля знания.

IOK = – множество правил интерпретации, определенных на данной онтологии.

Модель обучаемогоSопределяет такой концепт как формализованная модель представления обучаемого:

S = RKFS, Prefs, где RKFS– поле знаний обучаемого S, Prefs = {Pref1, Pref2, …,Prefp} – персональные характеристики обучаемого, где p – количество персональных характеристик, определенных на модели обучаемого.

В рамках работы выбран следующий набор характеристик обучаемого:

Pref1 – предпочитаемые языки представления материала;

Pref2 – стиль обучения: от практических задач к теоретическим выводам, от теоретических выводов к практическим задачам;

Pref3 – предпочитаемые типы образовательного контента;

Pref4 – темперамент обучаемого.

Набор индивидуальных характеристикможет быть расширен. Условиями включения дополнительных характеристик являются: возможность в рамках образовательного процесса с достаточной достоверностью определить наличие данной характеристики у обучаемых, возможность представить данную характеристику в виде концепта онтологической модели.

Онтология образовательного стандартаOStdобеспечивает поддержку формализации и автоматической загрузки знаний из документов образовательного процесса, таких как рабочие программы дисциплин, образовательный стандарт, для определения набора компетенций, составляющих поле знаний.

Данная онтология может быть представлена в виде:

OStd = COstd, InstOStd, ROstd, IOStd, где COstd = {ES, EP, LS, AA, LA,GC}– множество концептов онтологии образовательного стандарта, InstOStd = – множество экземпляров онтологии образовательного стандарта, ROstd={обучаемый, цель, решение, оценен}– множество отношений онтологии образовательного стандарта, IOStd – множество правил интерпретации, определенных на данной онтологии.

Данные концепты и отношения представлены на рисунке 1.

Онтология образовательной коллекцииOCollпозволяет описать закрытое множество образовательных коллекций, на котором производится адаптивный поиск, ивключает в себя следующие компоненты:

OColl = COColl, IOColl, ROColl, IOColl, где COColl = {R, Coll}– множество концептов онтологической модели образовательной коллекции;

IOColl= – множество экземпляров, определенных на данной онтологии, ROColl = {оценена, включает, обучает}– множество отношений, IOColl – множество правил интерпретации, определенных на данной онтологии.

Онтологическая модель образовательной коллекции Coll имеет вид:

Coll = CollItems, AEst, где CollItems= R1, R2, …, Ri– упорядоченный набор ЭОР, где Rj– j-й ЭОР коллекции, j [1;

c], c – количество ЭОР, входящих в коллекцию Coll;

AEst — априорная оценка коллекции, выставленная при составлении коллекции преподавателем, позволяющая оценить релевантность данной коллекции в случае, если она еще не использовалась в адаптивном поиске.

Онтологическая модель прецедентаOCописывает структуру прецедента, поддерживающую алгоритм рассуждений по прецедентам. На данной онтологии определены следующие элементы:

OC = COC, IOC, ROC, IOC, где COC = {Case}– множество концептов онтологической модели прецедента;

IOC= – множество экземпляров, определенных на данной онтологии, ROC= {оценена, включает, обучает}– множество отношений, IOC= – множество правил интерпретации, определенных на данной онтологии.

Согласно требованиям метода РПП, прецедент должен включать в себя индекс, описывающий формулировку решаемой задачи, и описание найденного решения.

Для поддержки адаптивного поиска в состав индекса прецедента включена информация о поле знаний и персональных свойствах обучаемого, оценке обучаемым других образовательных коллекций, цели обучения. Описание решения прецедента представлено в виде найденной образовательная коллекция.Таким образом, описание прецедента Casei принимает вид:

Casei = Si,Hi, TCi, Colli, Esti, где Si — модель обучаемого на момент адаптивного поиска, для которого проводится адаптацияi-гопрецедента;

Hi— история оценки обучаемым образовательных коллекций;

TCi — описание образовательной задачи;

Colli — описание принятого решения в виде образовательной коллекции, найденной для данной образовательной задачи TCi и обучаемогоSi;

Esti — дополнительный компонент прецедента, содержащий оценку данной коллекции, выставленнуюобучаемым.

Оценка коллекции обучаемым Estiпозволяет повысить частоту использования наиболее релевантных прецедентов и снизить влияние низкорелевантных без участия учителя в процессе адаптивного поиска. Данный механизм позволяет реализовать обучение метода в автоматизированном режиме.

Под образовательной задачей TC понимается получение обучаемым целевого уровня знаний в заданной компетенции:

TC= C, L, где C —компетенция поля знаний, в которой должен быть повышен уровень знаний,j [1;

n].

L — целевой уровень освоения компетенции Ci.

Для поддержки сравнения неявных предпочтений обучаемых введено понятие истории оценки образовательных коллекций Hi.Данная история позволяет отследить оценку обучаемым изученных образовательных коллекций и представлена в виде:

Hi = {HIi,1, HIi,2, …HIi,h}, где HIi,j= Coll, Est—вещественная оценкаEsti-мобучаемымобразовательной коллекции Coll, j [1;

h],h — количество оцененных обучаемым коллекций, Est [0;

1].

Онтологическая модель представления прецедента позволяет осуществить использование заложенных в онтологию знаний на следующих этапах рассуждения по прецедентам:

1 На этапе формализации онтология описывает структуру прецедента и может быть использована для доопределения компонентов индекса прецедентаS, HиTC на основе содержащихся в онтологии знаний.

2 На этапе выбора близких прецедентов онтология может быть использована для оценки близости прецедентов при помощи специальных функций оценки близости, учитывающих онтологические знания о предметной области.

3 На этапе оценки и сохранения полученного решения онтологическая модель представления знаний может быть использована в качестве базы данных, используемой для сохранения полученного решения в виде образовательной коллекции Coll.

На модели поставлена задача поиска прецедентов с использованием онтологической функции оценки близости, которая должны учитывать онтологические знания об обучаемых, их характеристиках и полях знаний, а так же образовательной задаче.Фрагмент модели прецедента, который соответствует решению задачи поиска образовательной коллекции для получения компетенции «Спиральная модель жизненного цикла ПО» в рамках предмета «Технологии программирования», для студента Иванова И.И.представлен на рисунке 2.

Case1:

"Прецедент 1", оценк а 22.12.2012, … решения 0. обучаемый решение цель оценк а S1: "Иванов оценк а Coll2: "Спир.

И.И.", … Мод v3", … TC1: Цель HI1: "К аск. мод обучения 1 v1", 0. обладает обладает вк лючает обучает вк лючает HI2: "К аск. мод.

RKFs1: Поле Prefs1:

v2", 1. знаний предпочтения вк лючает R1: C. Орлов, "Т.

вк лючает Р. П. О.", гл. 3, … уровень LC1: ранж.

к омпетенция С2: R2: Вендров "Спиральная А.М., "Созд. инф.

вк лючает уровень модель" систем.", гл. 2 ч С1:

зависит "Каск адная модель" Хороший С3: "Cтадии формирует и этапы" зависит формирует формирует GC12: "ПК-12", "…" формирует LA1: "Модели ж изненного цик ла LA2: "ГОСТ-34", определяет ПО", ES1: 231000, вк лючает вк лючает "Программная инж енерия" LS1: "Технологии EP1: "Программа программирования", описывает соотвествует бак алавриата", … 4, 1,...

Рисунок 2 — Фрагмент модели представления прецедента поиска ЭОР В третьей главепредложеналгоритм адаптивного поискана основе разработанной онтологической модели и алгоритма рассуждений по прецедентам.

Входными данными для данного алгоритма являются модель обучаемого S, для которого осуществляется адаптивный поиск, а так же целевая компетенция TC, которая должна быть получена после изучения найденной образовательной коллекции.

Алгоритм адаптивного поиска:

1. Сформировать онтологическую модель нового прецедента Caseq =SQ, Hq, TCq, Collq, Estq.

1.1. Принять Sq= S, где S — описание обучаемого, для которого осуществляется поиск 1.2. Если для обучаемогоSпоиск производится впервые:

1.2.1. ПринятьHq = 1.3. Иначе:

1.3.1. Для каждого прецедента Casei, где Si = S, 1.3.1.1. Принять Hq = Hq Colli, Esti 1.4. ПринятьTCq = Cq, Lq,где Cq – изучаемый концепт, Lq – целевой уровень знаний 2. Для каждого известного прецедента Casei,i[1;

t],гдеt – количество известных прецедентов системы:

3. Произвести фильтр по целям обучения:

3.1. Если Cq CiилиLqLi, 3.1.1. Принять значение функции оценки близости прецедентовMi = 3.2. Иначе:

3.2.1. Найти значение онтологической функции оценки близостиMi = PS(Caseq, Casei), где Mi– значение функции оценки близости прецедентов;

PS:CaseqCase R – функция оценки близости прецедентов.

4. Для каждого известного прецедента Casei и значения его близости к искомому Mi:

4.1. Если Mi больше заданного значения параметра r:

4.1.1. Добавить прецедент Casei в набор решений CR 5. Если набор решений CR = :

5.1. Отобразить сообщение о том, что коллекция не может быть найдена.

6. Иначе:

6.1. Провести сортировку набора решений CR в порядке убывания значений мер близостей Mi для входящих в него прецедентов Casei, 6.2. Отобразить на экране образовательную коллекцию с максимальным найденным значением Mi.

6.3. Отобразить на экране образовательные коллекции, входящие в состав прецедентов, включенных в набор решений CR.

6.4. Предложить обучаемому выбрать одну из коллекций.

6.5. Предложить обучаемомуоценить найденную коллекцию.

6.6. Предложить обучаемомуотредактировать найденную коллекцию.

6.7. Если обучаемый оценил или отредактировал найденную коллекцию:

6.7.1. Добавить текущий прецедент в онтологическую базу прецедентов Выходными данными алгоритма является прецедент адаптивного поиска образовательной коллекцииCaseq, а так же база прецедентов Case = Case1, Case2,...,Casen, Caseq.

Таким образом, основной задачей поиска по прецедентам, является выбор прецедента, наиболее близкого к заданному запросу. Входными данными для нее является прецедент-запрос Caseqи множество прецедентов Case разработанной онтологической модели предметной области. Выходными данными является подмножество прецедентов Case(Сaseq) Case, выбранных на основании некоторого критерия PS.

Функция оценки близости прецедентовPS— оценкаMi степени соответствия прецедентаCaseiзапросуCaseq:

PS: СaseqCase R.

Данная функция оценки близости прецедентов PS, осуществляющая вещественную оценку степени близости двух прецедентов Caseqи Casei, декомпозирована и приведена к виду:

где Caseq, Casei – описания двух сравниваемых прецедентов, гдеCaseiСase;

k1,k2– нормировочные коэффициенты, определяющие важность критериевPSD, PSHсоответственно, определенные на интервале (0..1);

PSD – функция оценки близости свойств обучаемого, содержащихся в описаниях сравниваемого запроса и индекса прецедента решения;

PSH – функция оценки близости истории оценок образовательных коллекций, содержащихся в описаниях сравниваемого запроса и индекса прецедента решения.

Для того, чтобы значение функции PS(Caseq,Casei) принадлежало отрезку [0;

1], на коэффициенты k1, k2наложено ограничение: k1 + k2= 1. Конкретные значения коэффициентов определены в работе в результате тестирования алгоритмов как 0, и 0,2 соответственно.

Для определения функции оценки близости прецедентовPSдолжны быть определены функция оценки близости свойство обучаемого PSD и функция оценки близости истории оценок образовательных коллекций PSH.

Функция оценки близости персональных характеристик обучаемогоPSDпредставлена в виде:

где PSDp – функция оценки близости персональных характеристик обучаемого, Prefsq– персональные характеристики обучаемогоSq;

Prefsi– персональные характеристики обучаемогоSi;

RKFq– поле знаний обучаемого Sq;

RKFi– поле знаний обучаемого Si.

Разработанная функция оценки близости PSDp представлена в виде:

где p – количество рассматриваемых персональных характеристик;

Prefsq,j– j-я персональная характеристика прецедента-запроса;

Prefsi,j– j-я персональная характеристика сохраненного прецедента;

PSddj – функция оценки близости j-й персональной характеристики обучаемого;

k2,1,j – коэффициент важности j-й персональной характеристики обучаемого.

В качестве функций PSDpj используются существующие функции оценки близости объектов онтологии, вещественных чисел, булевых переменных, что позволяет задействовать существующий апробированный в данной предметной области математический аппарат для решения задачи адаптации результатов поиска к персональным характеристикам обучаемого.

Функция оценки близости полей знанийPSDkfопределена как величина, обратная среднему отклонению полей знаний MAEконцептов предметной области, ранжированных при помощи функции расстояния данного концепта от изучаемого концепта предметной области:

где – уровень знаний n-го концепта поля знаний нового прецедента;

– уровень знаний n-го концепта поля знаний существующего прецедента;

— существующая онтологическая функция оценки близости изучаемого и сравниваемого концептов предметной области.

Таким образом при помощи онтологической функции близости обеспечивается сравнение полей знаний обучаемых с учетомонтологического расстояния полей знаний от сравниваемого концепта. Таким образом, если для изучения компетенции С1 не требуется знание компетенции C2, но требуется знание компетенции C3, то при вычислении функции близости полей знаний, будет учтено онтологическое расстояние между данными компетенциями, и разница в уровняхвладения компетенцией C2не будет учтена, в то время как разница в уровнях знаний компетенции C3 будет иметь значение для результата оценки близости полей знаний.

Функция оценки близости истории оценок образовательных коллекцийPSH позволяет оценить, насколько схожи предпочтения по выбору образовательных материалов для прецедента-запроса и сравниваемого прецедента.

Учет данного критерия позволяет обеспечить самообучаемость и расширяемость базы знаний без участия учителя, а так же учесть неявные знания о предпочтениях обучаемых, которые невозможно формализовать в виде характеристик модели обучаемого.

Функция оценки близости PSHопределена при помощи среднего абсолютного отклонения следующим образом:

где разность обозначает степень отличия в оценках обучаемыми образовательной коллекции Colln.

В четвертой главе описан разработанныйметод адаптивного поиска ипрограммное средство, реализующее данный метод.

Методадаптивного поиска ЭОР состоит из следующих шагов:

1. Формализовать знания о предметной области при помощи предложенной в работеструктуры онтологии:

1.1. При помощи модуля анализа рабочих программ дисциплин, загрузить в онтологию знания о сущностях, определенных на онтологической модели OStd:дисциплинахLSi, компетенцияхCj, зависимостях дисциплин, базовых зависимостях компетенций.

1.2. Для каждойдисциплиныLSi, для которой необходимо реализовать адаптивный поиск:

1.2.1. Задать зависимости компетенцийCj таким образом, чтобы они отражали структуру дисциплины.

1.2.2. Сформировать начальные образовательные коллекцииCollk для каждой из компетенций, определенной в рамках дисциплины (не менее коллекции на 1 компетенцию, рекомендованное количество — 2- коллекции).

2. Формализовать знания об обучаемых:

2.1. Зарегистрировать каждого из обучаемых при помощи модуля адаптивного поиска ЭОР, заполнить формальные метаданные модели обучаемого Sl.

2.2. Заполнить оценки по изученным предметам или компетенциям, сформировав поле знаний обучаемого RKFm.

2.3. Предоставить возможность обучаемым заполнить информацию о личных характеристикахPrefsn.

3. Произвести адаптивный поиск ЭОР:

3.1. Предоставить обучаемому возможность выбрать изучаемую компетенцию TCв рамках одного из изучаемых им предметов.

3.2. При помощи модуля адаптивного поиска сформировать новый прецедент поиска образовательной коллекции Caseq.

3.3. При помощи модуля адаптивного поиска, реализующегоразработанный алгоритм, произвести адаптивный поиск ЭОР.

3.4. Предоставить возможность обучаемому изучить предложенную образовательную коллекцию, и оценить ее релевантность.

Для поддержки данного методареализовано программное средство, включающее следующие программные модули:

1. модульформирования онтологической модели, позволяющий автоматизировать загрузку знаний онтологии образовательного стандарта OStd;

2. модуль адаптивного поиска ЭОР.

Архитектура модуля формирования онтологической модели представлена на рисунке 3.

При помощи данного модуля разработана онтологическая модель представления знаний длякурса «Технологии программирования», созданы наборы образовательных и начальных прецедентов.

Microsoft Ofce Модуль анализа РП Подсистема первичного Рабочие 1 извлечения программы тек стовых данных Онтология обарзовательного Подсистема стандарта анализа тек стовых данных Модуль управления зависимостями к омпетенций Онтология поля знаний Подсистема Подсистема пользовательск ого установления интерфейса зависимостей 10 Пользователь Управляющая связь Информационная связь Рисунок 3 — Архитектура модуля формирования онтологической модели Цифрами на схеме обозначены: 1 – файлы рабочих программ;

2 – структурированные данные рабочих программ;

3 – извлеченные данные в формате JSON;

4 – знания о структуре онтологии образовательного стандарта;

5 – знания о концептах образовательного стандарта;

6 – знания о структуре поля знаний;

7 – элементы поля знаний;

8 – знания о структуре и элементах поля знаний;

9 – знания о зависимостях элементов полей знаний;

10 – выбранные пользователем зависимые концепты поля знаний.

На рисунке 4 представлен пример описания поля знаний курса «Технологии программирования».На данной модели вершинами обозначены концепты данного курса Ci, стрелками обозначено отношение «зависит», определенное на онтологической модели OK.

C3.3 ГОСТ 34:

Предпроек тные исследования C1.3 Основные C3.7 ГОСТ 34:

слож ности, Разработк а возник ающие в C1.2 Особенности рабочей процессе разработк и разработк и док ументации ПО слож ных программных C3.6 ГОСТ 34:

систем Разработк а техническ ого C2. проек та Док ументирование ПО в соответствии с ЕСПД.

C1. C3.2 ГОСТ 34: C3.8 ГОСТ 34:

Промышленный Основные задачи

Внедрение и подход к и виды работ сопровож дение разработк е ПО C3. Каноническ ое C2.4 Стандарт проек тирование и C3.5 ГОСТ 34:

ГОСТ Р ИСО/МЭК разработк а ПО Эск изное 12207.

проек тирование C3.4 ГОСТ 34:

C2.3 Этапы и C2.7 Пок азатели Разработк а процессы ЖЦ к ачества ПО. техническ ого разработк и ПО.

задания C2.1 Жизненный C2.6 Стандарты C4.4 MSF CMMI и цик л разработк и ISO 15288 и ISO Agile ПО 15504.

4.2 Модель C2.2 Каск адные и C4.1 Модели и архитек туры, модель итеративные дисциплины MSF проек тной группы, модели ЖЦ ПО.

модель процессов C4.3 Дисциплины управления C2.8 Стандарт проек тами, к ачества ISO риск ами, 9126:2001.

готовностью Рисунок 4 — Фрагмент онтологической модели компетенций в рамках курса «Технологии программирования» Для реализации программного средства адаптивного поиска ЭОР выбрана клиент-серверная архитектура, т.к. данный вид архитектуры позволяет предоставить доступ к системе максимальному количеству обучаемых без предварительной установки специального программного обеспечения на компьютеры обучаемых.

Серверная часть состоит из предварительно сформированной базы знаний предметной области, онтологической БД прецедентов, подсистемы управления онтологическими знаниями, подсистемы поиска прецедентов, аннотатора объектов предметной области, подсистемы пользовательского интерфейса. Клиентская часть представлена веб-браузером, реализующим стандартные функции работы с веб ресурсами.Архитектура программного средстваприведена на рисунке5.

В работе реализованмодуль адаптивного поиска прецедентов, использующий предложенный алгоритм. Для реализации доступа к онтологии использована комбинация инструментальных средств Jena и машины вывода Pellet. Для реализации онтологических моделей использован язык OWL.

Рисунок 5 — Архитектура программного средства Тестирование разработанного метода производилось на базе дисциплины «Технологии программирования», изучаемой в рамках подготовки бакалавров по направлению «Информатика и вычислительная техника» в 2012-2013 учебном году.

В тестировании участвовала группа студентов в количестве 21 человек, а так же группа из 4 экспертов-преподавателей, ведущих данную дисциплину.Методика тестирования включала в себя следующие шаги:

Шаг 1: Формализовать предметную область выбранной дисциплины, знания об обучаемых, создать начальные образовательные коллекции.

Шаг 2: Для каждого обучаемого:

Шаг 2.1: При помощи разработанного модуля произвести адаптивный поиск ЭОР.

Шаг 2.2: Предложить обучаемому оценить релевантность результата поискаследующей по шкале: нерелевантные результаты, низкая релевантность, средняя релевантность, высокая релевантность найденной образовательной коллекции.

Шаг 2.3: Предложить эксперту оценить релевантность по шкале, представленной в п.2.2.

Для проверки достоверности разработанного методапроизводилась экспертная оценка полученных результатов поиска ЭОР. Для оценки релевантности результатовадаптивного поиска, проведеносравнение с «базовым» методом – рассуждениями на онтологической модели без использования рассуждений по прецедентам.

Результаты, полученные в ходе эксперимента, были оценены как высоко релевантные в 71% случаев в случае использования разработанного метода, в то время как результаты, полученные на «базовом» методе были оценены как высоко релевантные в 52% случаев.Результаты эксперимента приведены на рисунке6.

Рисунок 6 — Результаты эксперимента Результаты эксперимента позволяют сделать вывод, что разработанный метод адекватен поставленной задаче и позволяет повысить релевантность результатов поиска по требованиям обучаемых.

В заключении диссертации приводятся основные научные и прикладные результаты, полученные автором в процессе выполнения работы.

В приложении приведены материалы справочного, иллюстративного характера, данные, собранные в ходе тестирования работы, а так же фрагменты исходного кода разработанных онтологий на языке OWL.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ 1 Проведен анализ существующих методов адаптивного поиска электронных образовательных ресурсов в учебном процессе, выявлены достоинства и недостатки существующих методов. На основе проведенного анализа сделан вывод, что наиболее перспективным методом адаптивного поиска ЭОР является поиск на основе интеграции онтологических моделей представления знаний и рассуждений по прецедентам.

2 Разработана онтологическая модель предметной области, включающая информацию о поле знаний, обучаемых, прецедентах и позволяющая осуществить адаптивный поискЭОР на основе алгоритма по прецедентам. Для интеграции онтологических моделей представления знаний и рассуждений по прецедентам разработана онтологическая модель прецедента.

3 Разработан алгоритм адаптивного поиска ЭОР, использующий разработанные функции оценки близости полей знаний студента, персональных характеристик, образовательных задачи оценок образовательных коллекций на основе предложенных моделей и рассуждений по прецедентам.Разработанные функции оценки близости отличаются от существующих использованием онтологических знаний для определения близости компонентов прецедента.

4 Предложен метод адаптивного поиска на основе онтологических моделей представления знаний и алгоритма рассуждений по прецедентам.

Разработанный метод позволяет повысить релевантность найденных в результате адаптивного поиска электронных образовательных ресурсов.

5 Разработаныонтологические модели представления знаний для курса «Технологии программирования». Разработанные алгоритмы реализованы в виде программного средства. Создана коллекция прецедентов и проведено тестирование предложенного метода. Результаты тестирования позволяют сделать вывод, что описанный в работе метод адаптивного поиска позволяет повысить релевантность найденных ЭОР.

ОПУБЛИКОВАННЫЕ РАБОТЫ ПО ТЕМЕ ДИССЕРТАЦИИ В изданиях, рекомендованных ВАК РФ:

1. Ужва А.Ю. Автоматизированная разработка онтологической модели предметной области для поиска образовательных ресурсов с использованием анализа текстов рабочих программ // Современные проблемы науки и образования. – 2013. – № 1;

URL: http://www.science-education.ru/107- (дата обращения: 08.02.2013).

2. Ужва, А.Ю. Онтологическая модель предметной области, обеспечивающая поддержку рассуждений по прецедентам для поиска образовательных ресурсов / А.Ю. Ужва, И.Г. Жукова, М.Б. Кульцова // Изв. ВолгГТУ. Серия "Актуальные проблемы управления, вычислительной техники и информатики в технических системах". Вып. 9 : межвуз. сб. науч. ст. / ВолгГТУ. - Волгоград, 2010. - № 11. - C. 110-113.

3. Ужва А.Ю. Онтологические модели представления знаний для адаптивного поиска образовательных ресурсов алгоритмом рассуждений по прецедентам // Фундаментальные исследования. – № 4 (часть 3). – Москва, 2013 (принята к печати).

4. Ужва, А.Ю. Применение онтологических моделей в алгоритме рассуждений по прецедентам для реализации адаптивного поиска образовательных ресурсовзнаний / А.Ю. Ужва, А.М. Дворянкин, И.Г. Жукова // В мире научных открытий. – Красноярск, 2013. – №2 (принята к печати).

В прочих изданиях:

5. Ужва, А.Ю. Модели и методы поиска образовательных ресурсов на основе рассуждений по прецедентам и онтологии / А.Ю. Ужва, М.Б. Кульцова // XV региональная конференция молодых исследователей Волгоградской области (Волгоград, 9-12 ноября 2010 г.) : тез. докл. / ВолгГТУ [и др.]. - Волгоград, 2011. - C. 189-191.

6. Архитектура системы генерации персонифицированных образовательных коллекций на основе рассуждений по прецедентам и онтологии / А.М.

Дворянкин, А.Ю. Ужва, М.Б. Кульцова, И.Г. Жукова // Инновационные технологии в обучении и производстве : матер. VI всерос. науч.-практ. конф., г.

Камышин, 15-16 дек. 2009 г. В 6 т. Т. 4 / ГОУ ВПО ВолгГТУ, КТИ (филиал) ВолгГТУ. - Волгоград, 2010. - C. 47-51.

7. Интеграция онтологических моделей представления знаний и рассуждений по прецедентам для генерации персонифицированных образовательных коллекций / А.М. Дворянкин, А.Ю. Ужва, М.Б. Кульцова, И.Г. Жукова // Инновационные технологии в обучении и производстве : матер. VI всерос.

науч.-практ. конф., г. Камышин, 15-16 дек. 2009 г. В 6 т. Т. 4 / ГОУ ВПО ВолгГТУ, КТИ (филиал) ВолгГТУ. - Волгоград, 2010. - C. 51-55.

8. Соколов, А.А. Разработка программного продукта для автоматизации нормоконтроля технической документации / А.А. Соколов, А.Ю. Ужва // Тезисы докладов смотра-конкурса научных, конструкторских и технологических работ студентов Волгоградского гос. техн. ун-та, Волгоград, 15-18 мая 2012 г. / ВолгГТУ, Совет СНТО. - Волгоград, 2012. - C. 207.

9. Поддержка процесса адаптивного обучения студентов на основе рассуждений по прецедентам и онтологии / А.Ю. Ужва, А.М. Дворянкин, М.Б. Кульцова, И.Г. Жукова // Информационные технологии, системный анализ и управление:

сб. тр. VII всерос. науч. конф. молодых учёных, аспирантов и студентов / Технол. ин-т Южного Федерал. ун-та в г. Таганроге, Фак-т автоматики и вычисл. техники. - Таганрог, 2009. - C. 59-64.

10.Ужва, А.Ю.Свидетельство №2012618591 о регистрации программы для ЭВМ «Интеллектуальная система поиска образовательных материалов на основе алгоритмов рассуждения по прецедентам и онтологической модели представления знаний» / А.Ю. Ужва, И.Г. Жукова, М.Б. Кульцова, А.М.

Дворянкин.- Заявл. 27.07.2012;

Зарег. 21.09.2012.- М: Федеральный институт промышленной собственности (Роспатент), 2012.