Категориально-информационная модель адаптивной системы непрерывного обучения
Рассмотрена категориально-информационная модель адаптивной системы поддержки непрерывного обучения, построенная в рамках теории распознавания образов и информационного критерия функциональной эффективности. Показан процесс оптимизации технологических и дидактических параметров системы поддержки обуч...
Gespeichert in:
| Datum: | 2009 |
|---|---|
| 1. Verfasser: | |
| Format: | Artikel |
| Sprache: | Russian |
| Veröffentlicht: |
Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України
2009
|
| Schlagworte: | |
| Online Zugang: | http://dspace.nbuv.gov.ua/handle/123456789/5551 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Категориально-информационная модель адаптивной системы непрерывного обучения / С.А. Петров // Управляющие системы и машины. — 2009. — № 2. — С. 48-51. — Бібліогр.: 11 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
irk-123456789-5551 |
|---|---|
| record_format |
dspace |
| spelling |
irk-123456789-55512010-01-28T12:01:06Z Категориально-информационная модель адаптивной системы непрерывного обучения Петров, С.А. Модели и методы развития систем электронного обучения Рассмотрена категориально-информационная модель адаптивной системы поддержки непрерывного обучения, построенная в рамках теории распознавания образов и информационного критерия функциональной эффективности. Показан процесс оптимизации технологических и дидактических параметров системы поддержки обучения. Предложен вероятностный алгоритм дообучения системы в процессе ее функционирования и определения момента ее полного переобучения. Розглянуто категоріально-інформаційну модель адаптивної системи підтримки неперервного навчання, побудовану в межах теорії розпізнавання образів та інформаційного критерію функціональної ефективності. Показано процес оптимізації технологічних та дидактичних параметрів системи підтримки неперервного навчання. Запропоновано ймовірнісний алгоритм донавчання системи в процесі її функціонування та визначення моменту її повного перенавчання. A categorial-information model of the adaptive system to support the lifelong learning built in the framework of the theory of pattern recognition and an information criterion of performance is considered. The process of optimization of technological and didactic parameters of the system of learning support is described. A probabilistic algorithm to adapt the system in its functioning and to determine the moment of its full retraining is suggested. 2009 Article Категориально-информационная модель адаптивной системы непрерывного обучения / С.А. Петров // Управляющие системы и машины. — 2009. — № 2. — С. 48-51. — Бібліогр.: 11 назв. — рос. 0130-5395 http://dspace.nbuv.gov.ua/handle/123456789/5551 681.3: 658.56 ru Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| language |
Russian |
| topic |
Модели и методы развития систем электронного обучения Модели и методы развития систем электронного обучения |
| spellingShingle |
Модели и методы развития систем электронного обучения Модели и методы развития систем электронного обучения Петров, С.А. Категориально-информационная модель адаптивной системы непрерывного обучения |
| description |
Рассмотрена категориально-информационная модель адаптивной системы поддержки непрерывного обучения, построенная в рамках теории распознавания образов и информационного критерия функциональной эффективности. Показан процесс оптимизации технологических и дидактических параметров системы поддержки обучения. Предложен вероятностный алгоритм дообучения системы в процессе ее функционирования и определения момента ее полного переобучения. |
| format |
Article |
| author |
Петров, С.А. |
| author_facet |
Петров, С.А. |
| author_sort |
Петров, С.А. |
| title |
Категориально-информационная модель адаптивной системы непрерывного обучения |
| title_short |
Категориально-информационная модель адаптивной системы непрерывного обучения |
| title_full |
Категориально-информационная модель адаптивной системы непрерывного обучения |
| title_fullStr |
Категориально-информационная модель адаптивной системы непрерывного обучения |
| title_full_unstemmed |
Категориально-информационная модель адаптивной системы непрерывного обучения |
| title_sort |
категориально-информационная модель адаптивной системы непрерывного обучения |
| publisher |
Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України |
| publishDate |
2009 |
| topic_facet |
Модели и методы развития систем электронного обучения |
| url |
http://dspace.nbuv.gov.ua/handle/123456789/5551 |
| citation_txt |
Категориально-информационная модель адаптивной системы непрерывного обучения / С.А. Петров // Управляющие системы и машины. — 2009. — № 2. — С. 48-51. — Бібліогр.: 11 назв. — рос. |
| work_keys_str_mv |
AT petrovsa kategorialʹnoinformacionnaâmodelʹadaptivnojsistemynepreryvnogoobučeniâ |
| first_indexed |
2025-07-02T08:38:06Z |
| last_indexed |
2025-07-02T08:38:06Z |
| _version_ |
1836523703058300928 |
| fulltext |
48 УСиМ, 2009, № 2
УДК 681.3: 658.56
С.А. Петров
Категориально-информационная модель адаптивной системы
непрерывного обучения
Рассмотрена категориально-информационная модель адаптивной системы поддержки непрерывного обучения, построенная в
рамках теории распознавания образов и информационного критерия функциональной эффективности. Показан процесс опти-
мизации технологических и дидактических параметров системы поддержки обучения. Предложен вероятностный алгоритм
дообучения системы в процессе ее функционирования и определения момента ее полного переобучения.
A categorial-information model of the adaptive system to support the lifelong learning built in the framework of the theory of pattern
recognition and an information criterion of performance is considered. The process of optimization of technological and didactic pa-
rameters of the system of learning support is described. A probabilistic algorithm to adapt the system in its functioning and to deter-
mine the moment of its full retraining is suggested.
Розглянуто категоріально-інформаційну модель адаптивної системи підтримки неперервного навчання, побудовану в межах
теорії розпізнавання образів та інформаційного критерію функціональної ефективності. Показано процес оптимізації техноло-
гічних та дидактичних параметрів системи підтримки неперервного навчання. Запропоновано ймовірнісний алгоритм донав-
чання системи в процесі її функціонування та визначення моменту її повного перенавчання.
Введение. Современные системы поддержки
дистанционного образования основаны на экс-
пертно-эмпирических моделях, в основу кото-
рых положены концепции, разрабатываемые
отечественными и зарубежными учеными [1–
3]. Развитие информационных технологий зна-
чительно опережает уровень формального опи-
сания и математического обоснования суще-
ствующих систем поддержки непрерывного об-
разования, трансформируя их в системы транс-
портировки контента к потребителю данных
систем.
Серьезная проблема, сдерживающая раз-
витие дистанционных систем и систем управ-
ления непрерывным обучением (СУНО), это
недостаточное развитие формальных обще-
признанных математических концепций их
построения и функционирования. Жизненный
цикл функционирования систем поддержки при-
нятия решения, систем сопровождения учеб-
ного процесса состоит из следующих этапов:
• сбор данных и экспертных оценок в пред-
метной области функционирования СУНО:
• формирование математического описания
конструирование параметров функционирова-
ния системы и их оптимизация;
• работы в реальном времени (тестирова-
ние) с возможностью адаптации к обучаемому
и дообучения системы [4, 5].
В силу различных подходов к реализации
этапов функционирования системы не суще-
ствует единых стандартов в синтезе СУНО.
Обобщая рассмотренные системы можно раз-
делить их на следующие группы:
• системы, базирующиеся на аддитивных
схемах;
• системы, базирующиеся на байесовских
алгоритмах принятия решений;
• нейросетевые и генетические алгоритмы;
• нечеткие системы принятия решений;
• алгоритмы, базирующиеся на анализе ин-
формационной компоненты системы.
Существует несколько различных класси-
фикаций систем приобретения знаний [6], то-
пология которых показана на рис. 1.
Синтезом системы поддержки непрерывно-
го обучения являются первые два этапа, непо-
средственно влияющие на эффективность ра-
боты системы на третьем этапе ее жизненного
цикла. Особенно это важно, когда система пред-
лагает пользователю индивидуальную траекто-
рию обучения, оценку его уровня знаний, адап-
тивное формирование вспомогательного обра-
зовательного материала.
Постановка задачи
Рассмотрим обобщенную постановку задачи
синтеза систем поддержки непрерывного обу-
чения. Пусть множество входных данных сис-
УСиМ, 2009, № 2 49
темы будет представлено: G − множество вход-
ных сигналов системы − множество данных,
которые могут быть получены в результате на-
чального функционирования системы, а имен-
но статистических данных о действиях пользо-
вателя во время использования системы, отве-
ты на контрольные вопросы, замеры времени,
затраченного на различные виды работ, дан-
ных о структуре образовательного материала и
др.; T − множество моментов сбора информа-
ции, которые функционально разделимы в
контексте взаимодействия пользователя с сис-
темой; Ω − открытое множество характери-
стик объекта (слушателя), формируемых путем
применения определенного оператора над
множествами G и T; Z − множество возможных
функциональных состояний объекта (слушате-
ля). S – множество выходных реакций системы
с возможностью формирования корректирую-
щего воздействия на систему. Матрица вида
«объект-свойство» Y формируется оператором
Ф, применяемым для четверки < G, T, Ω, Z, S >.
Оператор Ф представляет собой алгоритм ги-
бридного кластер-анализа, который используя
обобщенные метрики мехаланобиуса формиру-
ет классы характеристик, параметрически опи-
сывающих возможные функциональные состо-
яния объекта [7, 8].
Построение модели СУНО
Для определения функциональной эффектив-
ности системы сопровождения непрерывного
обучения используется обобщенная информа-
ционная мера Кульбака, имеющая вид [6]
[ ]=+−+⎟⎟
⎠
⎞
⎜⎜
⎝
⎛
+
+
= )вб()(
вб
log
2
1
21
21
2 DDDDEm
[ ].)вб(2
вб
)вб(2log2 +−⎟⎟
⎠
⎞
⎜⎜
⎝
⎛
+
+−
= . (1)
Для ее вычисления нам необходимо перейти
в пространство Хемминга. Оператор ж, дей-
ствующий на обучающую матрицу Y, прово-
дит ее бинаризацию формируя эквивалентную
ей матрицу X, использует систему контроль-
ных допусков, начальная база значений кото-
рой формируется во время работы гибридного
алгоритма кластерного анализа. Оператор и
действуя на матрицу X формирует геометри-
ческие параметры гипперсфер, описывающих
множество значений векторов Хi i = 1… N, ко-
торые относятся к определенному функцио-
нальному состоянию.
Исходя из определения (1) значение крите-
рия функциональной эффективности (КФЕ) мо-
жет лежать в диапазоне от нуля до единицы.
Учитывая то, что КФЕ показывает адекватность
разработанной модели системы поддержки не-
прерывного обучения, задачей оператора Ψ по
оптимизации параметров функционирования
системы является поиск таких значений пара-
метров функционирования, при которых значе-
ние КФЕ будет достигать асимптотического
максимума в области определения его функ-
ции на основе обучающей выборки Y. В каче-
стве параметров оптимизации могут быть вы-
браны: система контрольных допусков, гео-
метрические параметры гиперсфер, дидакти-
ческие и технологические параметры тестиро-
Рис. 1. Обобщенная классификация систем приобретения знаний
50 УСиМ, 2009, № 2
вания. Множество I хранит значение КФЕ в
процессе оптимизации параметров функцио-
нирования системы на i-м шаге. Оператор г
определяет множество ||qℑ точностных харак-
теристик, необходимых для вычисления КФЕ.
Оператор ϕ вычисляет максимальное значение
КФЕ, являющееся элементом терм-множества
E. Оператор U выполняет дообучение СУНО в
процессе ее функционирования: во время ра-
боты в режиме тестирования для определения
принадлежности вектора-реализации к некото-
рому классу, характеризующему определенное
функциональное состояние объекта [1], ставит
в соответствие вектору-реализации числовое
значение, равное расстоянию от геометричес-
кого центра контейнера до заданной точки в
пространстве характеристик объекта, описы-
ваемого множеством Ω . В случае массового
скопления векторов-реализаций в значитель-
ном удалении от геометрического центра кон-
тейнера необходимо проводить процедуру пе-
реобучения системы [7].
Ниже показана категориальная модель функ-
ционирования СУНО.
(2)
Практический эксперимент
Для экспериментального подтверждения кор-
ректности построенной модели выбран курс
«Программирование». В качестве входных дан-
ных взяты ответы студентов на тестовые во-
просы по первому модульному циклу. Базовым
классом функционального состояния СУНО вы-
бран класс «отлично», первый класс – «хоро-
шо», второй класс – «удовлетворительно», тре-
тий – «неудовлетворительно». Числовые зна-
чения КФЕ и точносных характеристик пока-
зывают значительное пересечение классов функ-
циональных состояний объекта:
• для базового класса E* = 0,70751; D1 = 0,75;
β = 0,11;
• для первого – E1 = 4,39232; D1 = 1,00;
β = 0,00;
• для второго – E2 = 4,39232; D2 = 1,00;
β = 0,00;
• для третьего – E3 = 1,24119; D1 = 0,79;
β = 0,14.
0,00
0,50
1,00
1,50
2,00
2,50
3,00
3,50
4,00
4,50
1 2 3 4 5 6 7 8 9 10 11 12 13
*
0E
*
0d
а
0,00
0,50
1,00
1,50
2,00
2,50
3,00
3,50
4,00
4,50
1 3 5 7 9 11 13
*
1d
*
1E
б
0,00
0,50
1,00
1,50
2,00
2,50
3,00
3,50
4,00
4,50
1 2 3 4 5 6 7 8 9 10 11 12 13
*
2d
*
2E
в
0,00
0,50
1,00
1,50
2,00
2,50
3,00
3,50
4,00
4,50
1 2 3 4 5 6 7 8 9 10 11 12 13
*
3d
*
3E
г
Рис. 2. График изменения КФЕ при обучении СУНО для четырех
классов: а – базовый класс – «отлично»; б – первый
класс – «хорошо»; в – второй класс – «удовлетворитель-
но»; г – третий класс – «неудовлетворительно»
УСиМ, 2009, № 2 51
Учитывая малое значение КФЕ необходимо
провести оптимизацию геометрических пара-
метров контейнеров классов функциональных
состояний объекта и дидактических парамет-
ров тестовых вопросов [8–9].
0,00
0,20
0,40
0,60
0,80
1,00
0 10 20 30 40 50 60 70 80 90
E
δ
Рис. 3. График оптимизации геометрических и дидактических
параметров функционирования СУНО
Значение нормированного значения КФЕ
(рис. 3) повысилось и составило E = 0,62. Про-
цедура оптимизации не позволила достигнуть
асимптотического максимума значения КФЕ
в области определения его функции, в связи с
чем необходимо проводить дополнительную
оптимизации параметров функционирования
СУНО [10].
Заключение. В результате проведенной ра-
боты проанализированы существующие подхо-
ды к формированию входных данных систем
поддержки принятия решений, проведена клас-
сификация соответствующих систем.
Предложен универсальный подход к проек-
тированию СУНО, основанный на информаци-
онно-экстремальной интеллектуальной техно-
логии синтеза слабо формализованных систем
управления [7]. Рассмотрен алгоритм дообуче-
ния системы в процессе ее функционирования
с возможностью определения момента пере-
обучения системы. Недостаток разработанной
концепции – метод не гарантирует достижения
асимптотического максимума КФЕ в рабочей
области определения ее функции, что указыва-
ет на необходимость поиска дополнительных
параметров оптимизации СУНО [11]. Однако
отметим, что при достаточно длительном функ-
ционировании СУНО удается достигать близ-
ких к асимптотическому значению КФЕ.
1. Гриценко В.И., Довбыш А.С., Любчак В.А. Инфор-
мационный синтез адаптивной мультиагентной сис-
темы управления дистанционным обучением
// УCиМ. – 2006. – № 6 – C. 4–6, 25.
2. Федорук П.И. Использование адаптивных и интел-
лектуальных технологий в системах дистанцион-
ного обучения // УСиМ. – 2006. – № 5. – C. 68–73.
3. Peter Kazik, Igor Sivy. Intelegent e-learning systems
// 5th International Conference on Emerging e-learning
Technologies and Applications, Stara Lesna, the High
Tatras, Slovakia. 2007. – P. 241–244.
4. SCORM 2004 Sequencing & Navigation // Learning
Technology Publication of IEEE Comp. Society, 7. Is-
sue 1 ISSN 1438-0625. – http://lttf.ieee.org/ learn_
ech/issues/january2005.
5. Rumelhart A.E., Hinton G.E., Williams R.J. Learning
internal representations by error propagation / Ed. by
D.E. Rumelhart, J.L. McClelland editors // Parallel
Distributed Processing, Explorations in the Microstruc-
ture of Cognition. – 1, chap. 8. – P. 318–362. – MIT
Press, 1986. – 523 p.
6. Korn F., Pagel B., Faloutsos C. On the 'Dimensionality
Curse' and the 'Self-Similarity Blessing' // IEEE Trans.
on Knowledge and Data Engineering, Jan., 2001. – N 1,
13. – P. 96–111.
7. Сороколетов В.П. Анализ, проблемы и состояние
моделей представления знаний в системах приня-
тия решений // Перспективные информационные
технологии и интеллектуальные системы. – 2003. –
№ 3(12). – С. 16–24.
8. Сироджа И.Б. Квантовые модели и методы инже-
нерии знании в задачах искусственного интеллекта
// Искусственный интеллект. – Донецк, 2002. –
№ 3. – С. 161–171.
9. Краснопоясовський А.С. Інформаційний синтез інте-
лектуальних систем керування: Підхід, що ґрунту-
ється на методі функціонально-статистичних ви-
пробувань. – Суми: Вид-во СумДУ, 2004. – 261 с.
10. Довбиш А.С., Любчик В.О., Петров С.О. Машинна
оцінка знань студентів у системі керування диста-
нційним навчанням // Вісн. СумДУ. Сер. тех. наук. –
2007. – № 1. – С. 167–178.
11. Алексахин С.В., Николаев А.Б., Строганов В.Ю. Мо-
дели адаптивного тестового контроля в системе
дистанционного образования. – http://ito.edu.ru/2001/
ito/VI/VI-0-17.html
© С.А. Петров, 2009
|