Сценарно-прецедентная модель тренажерно-обучающей интеллектуальной системы

В статье рассматриваются особенности реализации индивидуальных траекторий обучения в тренажерно- обучающих интеллектуальных системах на основе сценарно-прецедентного подхода. Формализованы понятия проблемной ситуации, плана, сценария, воздействия; показаны уровни иерархии прецедентов. Представлен...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2013
1. Verfasser:	Шерстюк, В.Г.
Format:	Artikel
Sprache:	Russian
Veröffentlicht:	Інститут проблем штучного інтелекту МОН України та НАН України 2013
Schriftenreihe:	Искусственный интеллект
Schlagworte:	Обучающие и экспертные системы
Online Zugang:	https://nasplib.isofts.kiev.ua/handle/123456789/85184
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:	Сценарно-прецедентная модель тренажерно-обучающей интеллектуальной системы / В.Г. Шерстюк // Искусственный интеллект. — 2013. — № 4. — С. 488–500. — Бібліогр.: 13 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	nasplib_isofts_kiev_ua-123456789-85184
record_format	dspace
spelling	nasplib_isofts_kiev_ua-123456789-851842025-02-23T19:26:08Z Сценарно-прецедентная модель тренажерно-обучающей интеллектуальной системы Сценарно-прецедентна модель навчально-тренажерної інтелектуальної системи Scenario-case model for intelligent training system Шерстюк, В.Г. Обучающие и экспертные системы В статье рассматриваются особенности реализации индивидуальных траекторий обучения в тренажерно- обучающих интеллектуальных системах на основе сценарно-прецедентного подхода. Формализованы понятия проблемной ситуации, плана, сценария, воздействия; показаны уровни иерархии прецедентов. Представлены основные этапы процесса обучения на основе заданных критериев и ограничений. У статті розглядаються особливості реалізації індивідуальних траєкторій навчання у тренажерно- навчальних інтелектуальних системах на основі сценарно-прецедентного підходу. Формалізовано поняття проблемної ситуації, плану, сценарію, впливу, показано рівні ієрархії прецедентів. Представлені основні етапи процесу навчання на основі заданих критеріїв та обмежень. This article considers peculiarities of the individual learning paths in the intelligent training systems based on scenario-case approach. The concept of a problem situation, plan, script, effects are formalized, the case hierarchy levels are shown. The main stages of the learning process based on criteria and constraints sets are discussed. 2013 Article Сценарно-прецедентная модель тренажерно-обучающей интеллектуальной системы / В.Г. Шерстюк // Искусственный интеллект. — 2013. — № 4. — С. 488–500. — Бібліогр.: 13 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/85184 004.89 ru Искусственный интеллект application/pdf Інститут проблем штучного інтелекту МОН України та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Обучающие и экспертные системы Обучающие и экспертные системы
spellingShingle	Обучающие и экспертные системы Обучающие и экспертные системы Шерстюк, В.Г. Сценарно-прецедентная модель тренажерно-обучающей интеллектуальной системы Искусственный интеллект
description	В статье рассматриваются особенности реализации индивидуальных траекторий обучения в тренажерно- обучающих интеллектуальных системах на основе сценарно-прецедентного подхода. Формализованы понятия проблемной ситуации, плана, сценария, воздействия; показаны уровни иерархии прецедентов. Представлены основные этапы процесса обучения на основе заданных критериев и ограничений.
format	Article
author	Шерстюк, В.Г.
author_facet	Шерстюк, В.Г.
author_sort	Шерстюк, В.Г.
title	Сценарно-прецедентная модель тренажерно-обучающей интеллектуальной системы
title_short	Сценарно-прецедентная модель тренажерно-обучающей интеллектуальной системы
title_full	Сценарно-прецедентная модель тренажерно-обучающей интеллектуальной системы
title_fullStr	Сценарно-прецедентная модель тренажерно-обучающей интеллектуальной системы
title_full_unstemmed	Сценарно-прецедентная модель тренажерно-обучающей интеллектуальной системы
title_sort	сценарно-прецедентная модель тренажерно-обучающей интеллектуальной системы
publisher	Інститут проблем штучного інтелекту МОН України та НАН України
publishDate	2013
topic_facet	Обучающие и экспертные системы
url	https://nasplib.isofts.kiev.ua/handle/123456789/85184
citation_txt	Сценарно-прецедентная модель тренажерно-обучающей интеллектуальной системы / В.Г. Шерстюк // Искусственный интеллект. — 2013. — № 4. — С. 488–500. — Бібліогр.: 13 назв. — рос.
series	Искусственный интеллект
work_keys_str_mv	AT šerstûkvg scenarnoprecedentnaâmodelʹtrenažernoobučaûŝejintellektualʹnojsistemy AT šerstûkvg scenarnoprecedentnamodelʹnavčalʹnotrenažernoííntelektualʹnoísistemi AT šerstûkvg scenariocasemodelforintelligenttrainingsystem
first_indexed	2025-11-24T16:24:08Z
last_indexed	2025-11-24T16:24:08Z
_version_	1849689582669398016
fulltext	ISSN 1561-5359 «Искусственный интеллект» 2013 № 4 488 6Ш УДК 004.89 В.Г. Шерстюк Херсонский национальный технический университет МОН Украины, г. Херсон 73008, г. Херсон, Бериславское шоссе, 24 Сценарно-прецедентная модель тренажерно-обучающей интеллектуальной системы V.G. Sherstyuk Kherson National Technical University of Education of Ukraine, Kherson 73008, Kherson, Berislavsky Highway, 24 Scenario-Case Model for Intelligent Training System В.Г. Шерстюк Херсонський національний технічний унівесритет МОН України, м. Херсон 73008, м. Херсон, Бериславське шосе, 24 Сценарно-прецедентна модель навчально-тренажерної інтелектуальної системи В статье рассматриваются особенности реализации индивидуальных траекторий обучения в тренажерно- обучающих интеллектуальных системах на основе сценарно-прецедентного подхода. Формализованы понятия проблемной ситуации, плана, сценария, воздействия; показаны уровни иерархии прецедентов. Представлены основные этапы процесса обучения на основе заданных критериев и ограничений. Ключевые слова: тренажерно-обучающие интеллектуальные системы, сценарно-прецендентный подход, индивидуальные траектории. This article considers peculiarities of the individual learning paths in the intelligent training systems based on scenario-case approach. The concept of a problem situation, plan, script, effects are formalized, the case hierarchy levels are shown. The main stages of the learning process based on criteria and constraints sets are discussed. Key words: the intelligent training systems, scenario-case approach, the individual learning. У статті розглядаються особливості реалізації індивідуальних траєкторій навчання у тренажерно- навчальних інтелектуальних системах на основі сценарно-прецедентного підходу. Формалізовано поняття проблемної ситуації, плану, сценарію, впливу, показано рівні ієрархії прецедентів. Представлені основні етапи процесу навчання на основі заданих критеріїв та обмежень. Ключові слова: тренажерно-навчальні інтелектуальні системи, сценарно-прецендентний підхід, індивідуальні траєкторії. Введение Во многих областях деятельности человека зачастую складываются информацион- но сложные ситуации [1], характеризующиеся неполнотой и неточностью исходной информации, значительным объемом вычислений и существенными ограничениями во времени для ЛПР. Формализация процедур принятия решений в информационно сложных ситуациях зачастую невозможна, поскольку выбор решения ЛПР в значитель- ной степени связан с наличием у него соответствующих опыта и навыков, которые могут быть получены либо в реальных условиях работы, либо путем специальной (тренажер- ной) подготовки. Поскольку первый вариант может быть связан со значительными затратами и рисками, предпочтение часто отдают тренажерной подготовке ЛПР. Сценарно-прецендентная модель… «Штучний інтелект» 2013 № 4 489 6Ш В современных условиях наблюдается противоречие между растущими требо- ваниями к квалификации специалистов и быстрым старением знаний, умений и на- выков в результате интенсивного развития технологий и значительного увеличения объема необходимых специальных знаний, что стимулирует активное исследование технологий тренажерного обучения. Очевидно, что разрешить указанное противоречие возможно, используя современные достижения в области искусственного интеллекта. Одним из актуальных направлений является использование интеллектуальных обучающих систем (ИОС) [2], обеспечивающих: – создание и своевременную корректировку модели обучаемого; – динамически адаптируемую подачу обучающего материала; – контекстную помощь на уровне подсказок, примеров или объяснений; – эффективные модели группового и совместного обучения. В частности, ИОС позволяют строить индивидуальные траектории тренажерной подготовки, в наибольшей степени удовлетворяющие целям и задачам обучения. На осно- ве индивидуальных траекторий может выполняться «узкая специализация», а цели обучения могут адаптироваться к индивидуальным качествам обучаемого и могут активно изменяться в процессе обучения. Рассмотрим вопросы построения модели ИОС, предназначенной для совершен- ствования навыков ЛПР в трудноформализуемых предметных областях. Анализ известных публикаций Обзор современных ИОС различных классов представлен в работах [2-4]. Принято выделять классы информационно-справочных, консультирующих, интел- лектуально-тренирующих (экспертно-тренирующих), управляющих и сопровождаю- щих ИОС [5]. Рассматриваемые в данной работе системы могут быть классифицированы как интеллектуально-тренирующие, поэтому в дальнейшем изложении ограничимся ИОС указанного класса. Основу современной ИОС составляют: модель предметной области (МПО), мо- дель обучаемого, модель процесса обучения и модель контроля результатов [6]. Пока не будет достигнута заданная цель обучения, ИОС на основании текущего состояния модели обучаемого отбирает и предоставляет ему очередной фрагмент обу- чающей информации из МПО, затем осуществляет контроль усвоения данного фрагмента и на основании результатов контроля корректирует модель обучаемого и модель про- цесса обучения. Последовательность фрагментов обучающей информации может формироваться планомерно (по заданному плану обучения), либо реактивно (по результатам контроля). Существуют ИОС с активным и пассивным построением последовательностей [7]. Активное построение последовательности (ИОС ELM-ART-II, ART-Web, AST, ADI и др.) подразумевает наличие явных целей обучения, которые задаются в виде множеств необходимых и достаточных компетенций (знаний и умений). Пассивное (коррективное) построение последовательности (ИОС InterBook, VC Prolog Tutor, Remedial и др.) – технология с обратной связью, без явно заданной цели обучения. Обратной связью, обновляющей модель обучаемого, обычно является интел- лектуальный анализатор ответов обучаемого (ИОС PROUST). Существуют также ИОС (ELM-ART-II, AlgeBrain), позволяющие научить реше- нию новых задач, предлагая примеры успешного решения схожих задач. В общем случае, структура знаний, которую использует МПО ИОС, и способ по- строения последовательности в значительной мере определяет ее структурные и архи- тектурные особенности [3]. Шерстюк В.Г. «Искусственный интеллект» 2013 № 4 490 6Ш Рассматриваемый класс интеллектуальных тренажерно-обучающих систем (ИТОС) существенно отличается от иных классов ИОС. Так, ИТОС сориентированы на форми- рование системы умений и навыков, связанных с решением практических задач в задан- ной предметной области, априорно подразумевая наличие у обучаемого достаточного уровня знаний, в то время как ИОС других классов формируют систему компетенций именно в виде знаний. Следовательно, в ИТОС невозможно использовать имеющий- ся обширный теоретико-методологический задел ИОС. Цель данной работы состоит в обосновании подхода и формировании модели интеллектуальных тренажерно-обучающих систем. Ограничимся рассмотрением ИТОС с целенаправленным обучением, для которых характерно априорное планирование траектории обучения с последующей ее корректи- ровкой по результатам обучения и модели обучаемого. В [3] предложено задачу обучения решать как задачу управления, где обучаемый выполняет функции объекта управления, а ИТОС – устройства управления. Соответ- ственно, задача ИТОС может быть сведена к синтезу оптимальных управляющих воздей- ствий на объект управления. Рассмотрим особенности тренажерно-обучающих систем, исходя из [3], [8]. Сценарно-прецедентный подход к задаче обучения Многими специалистами отмечается повторяемость действий ЛПР на уровне достигнутых навыков в аналогичных (типовых) сложившихся ситуациях [9], что позволяет использовать для обучения стереотипы решения различных задач предметной области. Как правило, повторяемость действий обусловлена наличием нормативных регуляторов и сложившихся стереотипов решений ЛПР. Например, у ЛПР, управляющих транспортными объектами, известен стереотип уклонения «помеха справа – отворот влево» (рис. 1). Прототип решения, соответствующий стереотипной ситуации, как правило, содер- жит последовательность (сценарий) применения ЛПР конкретных операций для решения поставленных задач (как в реальных условиях предметной области, так и в процессе обучения с помощью ИТОС). На рис. 1 в момент времени 1t ЛПР объекта 0A уклоняется от запланированной траектории, уклоняясь от опасно движущегося объекта 1A . Маневр уклонения влево составляет прототип решения ЛПР, состоящий из трех последовательных операций управления – повороты влево, вправо, снова влево. В зависимости от используемых ЛПР параметров операций, возможны различные варианты изменения траектории – на рис. 1 показаны три ( 1 2 3, ,   ) из множества допустимых скорректированных траекторий при различных установках органов управления (угла поворота). A0 t1 A1 2 1 3 Рисунок 1 – Стереотип уклонения от помехи справа Сценарно-прецендентная модель… «Штучний інтелект» 2013 № 4 491 6Ш Прототип содержит последовательность (сценарий) применения операций для дости- жения необходимого результата решения задачи в предметной области. Конкретизация прототипа подставляет определенные значения параметров в сценарий, что необходимо для формирования воздействий на объект. Различные конкретизации одного и того же прототипа представляют собой различные решения задачи, имеющие таким образом и различные уровни соответствия некоторому заданному (эталонному) решению. На сценарий решения задачи могут быть наложены явные и неявные ограниче- ния (рис. 2): установок органов управления (задан максимально допустимый угол по- ворота 1 для текущей скорости движения 1 ); соблюдения безопасной дистанции маневрирования minD ; сужения пространства маневрирования ( 1L ) и т.д. A0 t1 A1 2  1 1\|1 Dmin L1 Рисунок 2 – Ограничения прототипа решения задачи Появление в момент времени t ситуационного возмущения S (на рис. 1 – в ви- де 1A ) создает для ЛПР объекта 0A проблемную ситуацию  s t S , где S – множество возможных ситуаций предметной области. Предположим, что ЛПР в проблемной ситуации  s t может использовать для ре- шения задачи некоторый прототип  s te (прецедент [10]). Прецедент  s te содержит решение  s tr , представляющее собой сценарий  s t компенсации ситуационного возму- щения S . При множественных ситуационных возмущениях решение  s t может при- нимать вид последовательности сценариев (плана) решения задачи       1 ,... m s t s t s t       . Прецедент  s te содержит цель  s tG S . Для каждой проблемной ситуации  s t возможно существование множества прецедентов     1 ,... n s t s te e , предоставляющих раз- личные прототипы решений     1 ,... n s t s tr r для достижения цели  s tG . Конкретизация прототипа в прецеденте  s te в момент времени t требует согласо- вания сценария  s t со множеством наложенных ограничений  s tB и множеством уста- новленных ЛПР параметров  s tV . Критерием правильности решения задачи обучаемым в ситуации  s t является близость принятого им решения  s tr эталонному решению   i s tr по меньшей мере одного из прецедентов   i s te E , где E – хранилище прецедентов (ХП). Степень близости ре- шений может быть оценена с использованием отношения подобия [10]. Шерстюк В.Г. «Искусственный интеллект» 2013 № 4 492 6Ш Критерием усвоения навыка обучаемым является близость достигнутого резуль- тата gS заданной цели  s tG при выполнении ограничений  s tB . Так как стереотипы являются базовым элементом приобретения практических умений и навыков решения задач предметной области обучаемым, предлагается в раз- витие идеи [3], [8] использовать для построения ИТОС сценарно-прецедентный под- ход [11] со схемой принятия решений «ситуация-план-сценарий-воздействие». Формирование траектории и контента обучения Рассмотрим особенности формирования траекторий обучения ИТОС на основе сценарно-прецедентного подхода. Пусть цель обучения состоит в усвоении умений и навыков решения задач пред- метной области kTS TS , где TS – множество компетенций (т.е. множество задач, для которых обучаемый должен обладать навыками решения). Каждой задаче kTS соответствует подмножество  1 2, ,... k k k k j TS TS TS TS M MM M M множества M методов решения задач. ХП E содержит множество прецедентов  1,... ne e E , сценарии в которых состав- ляют план решения определенной задачи. Таким образом, всякий прецедент ie E ассоциируется с определенным методом решения j MM . Базовым понятием ИТОС является проблемная ситуация sS . Поскольку для вся- кой проблемной ситуации задана цель sG S , от обучаемого требуется решить для s некоторое подмножество задач  ,...i js TS TS . ИТОС представляет обучаемому отображение МПО, создавая для него проблемные ситуации Is , направленные на освоение определенных методов решения задач. Обучае- мый взаимодействует с ИТОС, формируя последовательности управляющих воздей- ствий  1 2, ... mu u u для объекта МПО, изменяя состояние последней и преобразуя Is в некоторую выходную (результирующую) ситуацию Os . . Обучаемый siq sjq slm szm … проблемные ситуации u1 u2 u3 u4 … управляющие воздействия модель предметной области хранилище прецедентов эталоны Jr оценка близости Jg модель обучения сценарии план обучения траектория обучения Рисунок 3 – Процесс обучения Последовательность  1 2, ... mu u u составляет для ИТОС сценарий управляющих воздействий Is  , направленный от обучаемого к МПО. Сценарно-прецендентная модель… «Штучний інтелект» 2013 № 4 493 6Ш Траектория обучения  представляет собой последовательность создаваемых ИТОС проблемных ситуаций, реализующую план обучения:  1,... ,... , i m is s s s  S . Траектория  должна вести обучаемого «от простого к сложному», постепенно расширяя и углубляя его систему умений и навыков. Пусть курс обучения (тренинга) представляет собой обучающий контент  , со- держащий определенным образом структурированную совокупность воздействий, осу- ществляемых в n этапов,  1 2, ,... n   . Обучающий контент может быть разбит на фрагменты j различных классов 1 2 ... k       : теоретический материал, интерактивные подсказки, примеры, за- дачи, упражнения и т.д. Обучающее воздействие  является совокупностью фрагментов контента различ- ных классов,  , =1..l i j l k   , одновременно и совместно предъявляемой обучаемому для изучения и тренировки. Контролирующее воздействие  является совокупностью заданий  , =1..l i z l k  , правильность выполнения которых свидетельствует о приобретении обучаемым опре- деленного навыка и может быть оценена ИТОС. ИТОС взаимодействует с обучаемым, формируя для него последовательность обучающих и контролирующих воздействий согласно плану обучения  . Соответственно, и оценивание успешности усвоения навыков обучаемым возможно посредством сравнения выполняемых последним действий       1 ,... m s t s t s t       с неко- торым заранее подготовленным эталоном. Функционал  I g O sJ J s G оценивает степень близости результирующей си- туации Os заданной целевой IsG , т.е. является критерием усвоения навыка. Функционал     1 2, ... I I I r j j m s s sJ J u u u r r     позволяет оценивать близость сценария решения, выбранного обучаемым, эталонному I j s на множестве прецеден- тов  1 ,... I I l s se e E , релевантном проблемной ситуации Is . Таким образом, ИТОС с по- мощью rJ оценивает правильность выбранного обучаемым метода решения. На каждом этапе обучения i обучаемый приобретает навыки решения конкрет- ных задач предметной области kTS TS , таким образом, целью этапа является освоение методов k j TS MM ,    , k j i TS i kG TS  M . В свою очередь, каждая задача kTS соответствует определенной проблемной си- туации s , где  ,... ,...i k ms TS TS TS . Соответственно, базовой единицей взаимодействия обучаемого с ИОС является проблемная ситуация. Всякая проблемная ситуация s может быть ассоциирована с некоторым сцена- рием j обучающих и контролирующих воздействий, направленным на достижение цели одного или нескольких этапов обучения, таким образом, что  ,... ,... ,...j i k l n      ,    , k i j TS kG s TS  M . Для закрепления определенных навыков ИТОС может реализовать сценарии обу- чающих и контролирующих воздействий  , последовательно накладывая дополнитель- ные ограничения B Bound  и варьируя параметрами проблемных ситуаций mV Var Шерстюк В.Г. «Искусственный интеллект» 2013 № 4 494 6Ш в отображаемой МПО. Для проблемных ситуаций ks , относящихся к одному стереотипу решений, но различающихся параметрами, необходимы соответствующие изменения сценариев управляющих воздействий k , реализуемых обучаемым для решения за- дач  ... ...i ks TS . Формализация планов и сценариев Решения прецедентов включают планы, сценарии и операции (действия) [12]. Зададим шкалу времени T и выберем язык представления знаний Λ . Определение 1. Операцией a называется неделимое воздействие, изменяющее определенный параметр объекта модели предметной области: , , , , ,a a a a a aa u t PreC PostC  , (1) где au  изменяемый параметр; a  относительное изменение параметра; at  время начала изменения параметра; a  длительность изменения параметра; aPreC  предусловие выполнения операции; aPostC  постусловие выполнения операции. Всякая операция a привязывается к временной шкале T в точке запуска at , а учет длительности ее выполнения a позволяет адекватно отображать в модели предметной области временные отношения (рис. 4). Состояние неизвестно PreC at Состояние неизвестно PostC a T a Параметр au Рисунок 4 – Представление операции a Предусловие aPreC отображает условие применимости операции a , представлен- ное в форме выражения Λ . Операция a может быть выполнена тогда и только тогда, когда текущая ситуа- ция  s t эквивалентна условию выполнения операции aPreC :   aPreC s t . (2) Постусловие aPostC отображает изменение ситуации в результате выполнения операции a :        a as t s t s t PostC    . (3) Зададим оператор выполнения операции , ,i ia   , (4) Сценарно-прецендентная модель… «Штучний інтелект» 2013 № 4 495 6Ш где ia  операция, выполняемая в исходной ситуации  s t ;   длительность перехода в  s t  ;   оценка уверенности достижения  s t  при выполнении ia ,такой что    is t s t   . Определение 2. Конечная последовательность операций  , составляющая ме- тод решения TSM некоторой задачи TS , называется сценарием:       1 2 1 2, , , , , , , ,... , , ,k w w w kk Cond Bound Var t a t a t a t Eff  , (5) где k  число выполняемых операций по сценарию; Cond  предусловие выполнения сценария, Cond S ; Eff  постусловие выполнения сценария, Eff S ; i wt  время задержки перед выполнением ia от момента запуска сценария; t  общее время выполнения сценария; Bound  множество ограничений, накладываемых на выполнение сцена- рия,  1 2, ,... lBound B B B , где lB Λ ; Var  множество входных переменных сценария,  1 2, ,... mVar V V V , где каждая iV составляет пару  ,name value . Выполнение сценария  связано с формированием пересекающихся во вре- мени воздействий    0 1 2, ... mA u u uU на множество органов управления  0A объек- та МПО 0A (рис. 5). 1 wt 1 a T 1 a 1 au 2 wt 2 a 3 wt 3 a 4 wt 4 a 2 au 2 a 3 a 3 au 4 a 0 ; t Cond  t 0 ; t t Eff          1 2 3 4 1 2 3 44, ,...,..., , , , , , , , , ,w w w wCond t a t a t a t a t Eff  Рисунок 5 – Сценарий управляющих воздействий Сценарий j концептуально соответствует методу jM , который, будучи при- мененным в проблемной ситуации sS , даст возможность приблизиться к достиже- нию поставленной цели jG . Шерстюк В.Г. «Искусственный интеллект» 2013 № 4 496 6Ш Сценарий включает предусловие Cond S его запуска, а также постусловие Eff S , позволяющее при достижении Eff прекратить выполнение сценария. Мно- жества ограничений Bound и входных переменных Var , передаваемые в сценарий при его запуске, позволяют адаптировать представленный сценарием метод решения jM к условиям контекста проблемной ситуации путем изменения значений параметров операций, последовательности и длительности их выполнения. Представленная формализация сценариев дает возможность совместного вы- полнения пересекающихся операций с учетом их протяженности во времени. Пусть задано множество целей  1 2, ,... qG G G  . Определение 3. Между начальной ситуацией I S и целевой ситуацией GS существует конечная последовательность  операторов выполнения i , называемая путем:  1 1, ,... ,...I i G     , 11 ... ... 1 2 1 1 i GI i i GI s s s s s G            . (6) Определение 4. Планом  называется частично упорядоченная последователь- ность операторов, представляющая путь  1, ,... ,...I i G     достижения целевого состояния GS из заданного начального состояния I S . План  состоит из тела плана  , содержащего информацию о последовательности операций, и дескриптора плана  , характеризующего условия и результат его выполнения: ,    . (7) Наименьшим элементом выполнения плана называется активность, представлен- ная оператором i выполнения действия ia . Элементарным фрагментом плана являет- ся сценарий i . Выполнение всякого очередного сценария i представляет собой шаг плана и обозначается ih . Определение 5. Шагом ih плана  называется кортеж вида:   , ,i i i ih b v   , (8) где ib  ограничения, связывающие сценарий i ; iv  значения переменных, передаваемые при запуске в сценарий i . Тело плана  может быть представлено как последовательность шагов ih сле- дующим образом: 1 , , n ii n h         , (9) где   отношение порядка на множестве сценариев  1,... n  ,   оператор композиции (последовательный ( ; ), параллельный ( \|\|), услов- ный ( ? ), итерационный ( )), формирующий последовательности сценариев относи- тельно заданного частичного порядка  . Дескриптор плана  является бинарным отношением вида   S S , для кото- рого выполняется ограничение (( , ), ( ', ') ', ,s t s t s s s s    S . Представленный формализм позволяет адекватно отражать динамику процесса обучения при его планировании. Сценарно-прецендентная модель… «Штучний інтелект» 2013 № 4 497 6Ш Иерархия прецедентов Каждый прецедент ie E включает в себя описание соответствующей проблем- ной ситуации is , решения ir и достигнутого результата i jg s : , ,i i i ie s r g . (10) На нижнем уровне ИТОС каждая проблемная ситуация is сопоставляется с пре- цедентом , i i ie s e , а решение прецедента ir задается как сценарий is управляющих воздействий на объект 0A предметной области, т.е. представляет собой последователь- ность операций  1 2, ... ma a a , которые выполняет обучаемый для решения задачи kTS в проблемной ситуации is , причем  ... ...i ks TS . Прецедент может иметь множество допустимых (уместных) решений, в том числе приближенных. В ИТОС возможность использования приближенных и неточных реше- ний допускается использованием для представления знаний механизмов нечеткой или приближенной логики. Определение 6. Супер-прецедентом jE называется подмножество прецеден- тов  1 ,... ,...j j ij ljE e e e E , таких, что    TS \| ... ...k ij ij ij ks e s TS    . Супер-прецеденты описывают фрагментарные последовательности проблемных ситуаций, входящих в план этапа обучения i , такой что i kTS  , и могут быть использо- ваны для компенсации расхождений между эталонными решениями прецедентов ij je E и наблюдаемыми ИТОС действиями обучаемого  1 2, ... ma a a (минимизации отклонений от заданной цели обучения). Определение 7. Мастер-прецедентом  называется совокупность супер-пре- цедентов  ,...k mE E , соответствующих плану обучения  , такому что sG S . Контекст обучения Ctx определяется параметрами модели обучаемого и достигну- тыми им успехами в освоении материала. На верхнем уровне ИТОС множество супер-прецедентов  ,...k mE E , соответствую- щих некоторому текущему контексту обучения Ctx , представляет мастер-прецедент  . Решение мастер-прецедента является суперпозицией решений отдельных прецеден- тов ... \| ,... , ; ,...ij lm ij lm ij j lm m j mr r r e e e E e E E E       . Мастер-прецедент может включать множество альтернативных совокупностей супер-прецедентов, каждая из которых ассоциирована с определенными параметрами контекста Ctx . Решение r составляет предполагаемую индивидуальную траекторию обучения  . Непосредственно в процессе обучения изменение параметров модели обучаемого и достижение им определенных успехов в приобретении навыков изменяют контекст Ctx , сужая множество допустимых решений и позволяя на каждом этапе i работы ИТОС выбирать определенную проблемную ситуацию is , ведущую к достижению поставлен- ной цели обучения G . План обучения  включает описание целей  1 2, ,... qG G G  и альтернативных сценариев jq их достижения, при этом множество целей сценариев jqg соотносит- ся с покрывающим множеством достигнутых результатов  Res jq как  Res jq jqg . Шерстюк В.Г. «Искусственный интеллект» 2013 № 4 498 6Ш Сценарий jq обучающих и контролирующих воздействий ИТОС может рас- сматриваться как кортеж, состоящий из текущего состояния контекста обучения tCtx , целевого состояния jqg и множества элементарных проблемных ситуаций , ...ij ik izs s s   , направленных на достижение целевого состояния jqg . ХП E может рассматриваться как индексированный параметрами контекста обучения массив мастер-прецедентов   Ctx , каждый из которых включает иерар- хию супер-прецедентов    ,... , ,...k m l al zlE E E e e  , реализующих траекторию обу- чения  . Каждый из имеющихся в ХП мастер-прецедентов l , таким образом, включает множество супер-прецедентов, относящихся к различным уровням иерархии и отра- жающих специфичные сценарии обучения определенным (целевым) фрагментам обучаю- щего контента. Более того, различные мастер-прецеденты могут включать подмножества одних и тех же супер-прецедентов, поскольку отражают специфику построения сценариев обучения конкретного обучаемого, в зависимости от его психофизиологических ка- честв, усвояемости, успеваемости, а также от других параметров его модели и контекста обучения в целом. Листьевыми узлами иерархии являются прецеденты ije E , непосред- ственно задающие последовательности проблемных ситуаций , ...ij ik izs s s   , предъявляе- мых обучаемым. В основу ХП может быть положен формализм правдоподобных древовидных се- тей событий [13], при этом элементарное действие обучаемого (операция) может быть сопоставлено с отдельным событием в МПО, а прецедент – с соответствующим пото- ком событий. Накопление достаточного количества мастер-прецедентов способствует по- строению адекватной индивидуальной стратегии обучения для обучаемых, с точки зрения ИТОС классифицируемых в один и тот же класс с другими (предшествующи- ми), для которых известны результаты выполнения (и усвоения) различных сценариев обучения. Корректировка индивидуальной траектории обучения как на верхнем, так и на нижнем уровне ИТОС может быть реализована известными методами адаптации прецедентов. Выводы Наличие стереотипов решения задач, целенаправленная технология форми- рования системы умений и навыков, необходимость корректировки целей обучения в зависимости от параметров модели обучаемого и достигнутых им успехов (системы обратных связей по обучению) обосновывают использование в ИТОС сценарно-прецедентного подхода. Предложенный подход дает возможность рассматривать задачу обучения как задачу управления. Соответственно, в ИТОС сценарно-прецедентная система может являться преобразователем текущего состояния (успешности) усвоения компетенций (умений и навыков) в сценарий проблемных ситуаций, реализующий индиви- дуальную траекторию обучения, адаптивную к модели обучаемого. Использование предложенного подхода в тренажерно-обучающих системах для трудноформализуемых предметных областей позволяет за счет реализации адап- тивных индивидуальных траекторий обучения значительно повысить эффективность и качество подготовки специалистов. Сценарно-прецендентная модель… «Штучний інтелект» 2013 № 4 499 6Ш Литература 1. Сиек Ю. Принципы синтеза интеллектуальных систем управления морскими динамическими объектами / Ю.Л. Сиек, Соэ Мин Лвин // Искусственный интеллект. – 2009. – № 4. – С. 448-456. 2. Brusilovsky P. Adaptive and Intelligent Technologies for Web-based Education / P. Brusilovsky // Special Issue on Intelligent Systems and Teleteaching. Konstliche Intelligenz. – 1999. – Vol. 4. – P. 19-25. 3. Карпенко А. Модельное обеспечение автоматизированных обучающих систем. Обзор / А.П. Карпенко // Наука и образование. – 2011. – № 7. – С. 1-63. 4. Рыбина Г. Обучающие интегрированные экспертные системы: некоторые итоги и перспективы / Г.В. Рыбина // Искусственный интеллект и принятие решений. – 2008. – № 1. – С. 22-46. 5. Горбунов В. Анализ современных требований к оптимальному проектированию автомати- зированных обучающих систем и новые методы их создания / В.А. Горбунов, Д.В. Новиков [Электронный ресурс]. – Режим доступа : http://www.ci.vstu.edu.ru/docum/2.htm. 6. Брусиловский П. Построение и использование моделей обучаемого в интеллектуальных обучающих системах / П.Л. Брусиловский // Техническая кибернетика. – 1992. – № 5. – С. 97-119. 7. Brusilovsky P. Adaptive hypermedia / P. Brusilovsky // User Modeling and User-Adapted Interaction. – 2001. – Vol. 11. – P. 87-110. 8. Растригин Л. Адаптация сложных систем. Методы и приложения / Растригин Л.А. – Рига : Зинатне, 1981. – 375 с. 9. Smierzchalski R. Intelligent Marine Control Systems / R. Smierzchalski // Enhanced methods in computer security, biometric and artificial intelligence systems. – London : Springer-Verlag, 2005. – Р. 311-319. 10. Pal S. Foundation of Soft Case-Based Reasoning / S.K. Pal, S.C.K. Shiu. – New Jersey : J. Viley & Sons, 2004. – 274 р. 11. Шерстюк В. Сценарно-прецедентный подход к управлению динамическими объектами в стесненных навигационных условиях / В.Г. Шерстюк // Искусственный интеллект. – 2011. – № 1. – С. 113-123. 12. Шерстюк В. Сценарно-прецедентный подход к формированию управляющих воздействий в системе управления морского подвижного объекта / В.Г. Шерстюк // Проблемы информационных технологий. – 2009. – № 2(6). – С. 69-77. 13. Шерстюк В.Г. Использование деревьев событий для представления знаний в динамических прецедентных интеллектуальных системах / В.Г. Шерстюк // Вестник Херсонского национального технического университета. – 2011. – № 2(41). – С. 306-317. Literatura 1. Siek Ju.L. Principy sinteza intellektual'nyh sistem upravlenija morskimi dinamicheskimi ob#ektami / Ju.L. Siek, Soje Min Lvin // Iskusstvennyj intellekt. – 2009. – № 4. – Р.448-456. 2. Brusilovsky, P. Adaptive and Intelligent Technologies for Web-based Education / P. Brusilovsky // Special Issue on Intelligent Systems and Teleteaching. Konstliche Intelligenz. – 1999. – Vol. 4. – P. 19-25. 3. Karpenko A. Modelnoe obespechenie avtomatizirovannyih obuchayuschih sistem. Obzor / A.P. Karpenko //Nauka i obrazovanie. – 2011. – №7. – Р.1-63. 4. Ryibina G. Obuchayuschie integrirovannyie ekspertnyie sistemyi: nekotoryie itogi i perspektivyi / G.V. Ryibina // Iskusstvennyiy intellekt i prinyatie resheniy. – 2008. – № 1. – Р.22-46. 5. Gorbunov V. Analiz sovremennyih trebovaniy k optimalnomu proektirovaniyu avtomatizirovannyih obuchayuschih sistem i novyie metodyi ih sozdaniya / V.A. Gorbunov, D.V. Novikov // http://www.ci.vstu.edu.ru/docum/2.htm. 6. Brusilovskiy, P. Postroenie i ispolzovanie modeley obuchaemogo v intellektualnyih obuchayuschih sistemah / P. Brusilovsky // Tehnicheskaya kibernetika. – 1992. – № 5. – Р.97-119. 7. Brusilovsky P. Adaptive hypermedia / P. Brusilovsky //User Modeling and User-Adapted Interaction. – 2001. – Vol. 11. – P.87-110. 8. Rastrigin L. Adaptatsiya slozhnyih sistem. Metodyi i prilozheniya / L.A. Rastrigin. – Riga: Zinatne, 1981. – 375 р. 9. Smierzchalski R. Intelligent Marine Control Systems / R. Smierzchalski // Enhanced methods in computer security, biometric and artificial intelligence systems. – London: Springer-Verlag, 2005. – Р. 311-319. 10. Pal, S. Foundation of Soft Case-Based Reasoning / S. K. Pal, S. C. K. Shiu. – New Jersey: J. Viley & Sons, 2004. – 274 р. 11. Sherstjuk V. Stsenarno-pretsedentnyiy podhod k upravleniyu dinamicheskimi ob'ektami v stesnennyih navigatsionnyih usloviyah / V.G. Sherstjuk // Iskusstvennyiy intellekt. – 2011. – № 1. – Р. 113-123. Шерстюк В.Г. «Искусственный интеллект» 2013 № 4 500 6Ш 12. Sherstjuk V. Scenarno-precedentnyj podhod k formirovaniju upravljajuwih vozdejstvij v sisteme upravlenija morskogo podvizhnogo ob#ekta / V.G. Sherstjuk // Problemy informacionnyh tehnologij. – 2009. – № 2(6). – Р. 69-77. 13. Sherstjuk V. Ispol'zovanie derev'ev sobytij dlja predstavlenija znanij v dinamicheskih precedentnyh intellektual'nyh sistemah / V.G. Sherstjuk // Vestnik Hersonskogo nacional'nogo tehnicheskogo universiteta. – 2011. – №2(41). – Р.100-111. RESUME V. Sherstjuk Scenario-Case Model for Intelligent Training System The article is devoted to justification of the scenario-case approach for intelligent training systems. The features of many domains leads to considerable complexity of decision- making formalization in complex situations, since the solutions choice is largely connected with the presence of relevant experience and professional skills. Many experts noted the action repeatability at the professional skills level achieved in similar situations, allow to use stereotypes for training purposes in various domain tasks. A prototype of a trainee's corresponding stereotypical situations usually contains a se- quence (or scenario) using the specific operations for these task. Then the individual training trajectory is a problem situations sequence, generated by the training system and adapted to the trainee’s model parameters and his success in training and skills acquiring process. Every problem situation may include knowledge fragments, interactive tips, exercises, examples etc. Individual training path construction includes the teaching purposes system – the knowledge and skills subsets must be mastered. Naturally this individual path must lead the trainee «from simple to complex», gradually expanding and extending his knowledge and skills system. To consolidate certain skills the training system can offer problematic si- tuations related to the same stereotype decisions but with some different parameters, sug- gesting the appropriate changes to the operations sequence used to train this task. The presence of stereotypes tasks, the purposeful technology of forming the knowledge and skills system, the need to adjust the training purposes depending on the trainee’s model parameters and his success (the feedback system) together substantiating the use of scena- rio-case approach in intelligent training system. In developed intelligent training system the scenario-case engine can drive the current knowledge and skills development state to problem situations scenario that implements the individual training path, adaptive to the trainee’s model. The proposed intelligent training technology based on the case-scenario approach may significantly improve the efficiency and quality of training through the implementation of individual training paths for the trainee with different features, skills and levels. Статья поступила в редакцию 05.04.2013.

Сценарно-прецедентная модель тренажерно-обучающей интеллектуальной системы

Institution

Ähnliche Einträge