004-027. 21 Грнти 50. 07. 03; 20. 01. 04

Скачать 1.56 Mb.

Название	004-027. 21 Грнти 50. 07. 03; 20. 01. 04
страница	9/15
Дата публикации	12.08.2013
Размер	1.56 Mb.
Тип	Отчет

100-bal.ru > Право > Отчет

1 ... 5 6 7 8 9 10 11 12 ... 15

1.2.4. Поддержка в решении задач, основанная на примерах и адаптивная гипермедиа

Технология поддержки в решении задач на примерах самая новая. Эта технология помогает обучаемым решать новые задачи, не выделяя их ошибки, а предлагая примеры успешного решения схожих задач из их более раннего опыта (это могут быть примеры, объясненные им, или задачи решенные ими ранее). Эта технология реализована в ELM-ART и ELM-ART-II, ELM-PE.

Адаптивная гипермедиа – это относительно новая область исследований. Системы адаптивной гипермедиа применяют различные виды моделей пользователя для приспосабливания содержимого и ссылок страниц гипермедиа для него. Мы различаем две главные технологии в адаптивной гипермедиа: адаптивное представление и адаптивная поддержка в навигации. Образование всегда было одной из главных областей применения адаптивной гипермедиа. Некоторое количество однопользовательских (т.е. несетевых) адаптивных образовательных систем гипермедиа было создано между 1990 и 1996 годами. О первых Сетевых АИОС использующих адаптивную гипермедиа сообщалось в 1996 году. С тех пор Сеть стала основной платформой для развития образовательных систем адаптивной гипермедиа.

Цель технологии адаптивной поддержки в навигации - это поддержка обучаемого в ориентации и навигации в гиперпространстве посредством изменения проявления видимых ссылок. Адаптивную поддержку в навигации (АПН) можно рассмотреть как обобщение технологии последовательности курса обучения для гипермедиа. Их объединяет общая цель – помочь обучаемому найти "оптимальный путь" через учебный материал. В то же время адаптивная поддержка в навигации имеет больший выбор, чем обычная последовательность: она может вести пользователя явно и неявно. В WWW, где гипермедиа является основным образцом устройства, адаптивная поддержка в навигации может использоваться очень легко и эффективно. Существует несколько известных способов приспосабливать ссылки. Вот два примера однопользовательских АПН систем: ISIS-Tutor с адаптивными сокрытием и помечиванием и Hypadapter с адаптивными сокрытием и сортировкой. Тремя наиболее популярными путями, используемыми в Сети, являются прямое руководство, адаптивное помечивание ссылок и адаптивное сокрытие ссылок.

Под прямым руководством подразумевается то, что система сообщает обучаемому, какая из ссылок на текущей странице приведет его или ее на "лучшую" страницу в гиперпространстве (какая страница "лучшая" решается на основе текущих знаний обучаемого и цели обучения). Часто, если ссылка на следующую страницу не присутствует на текущей странице, система может сгенерировать динамическую "следующую" ссылку. Как можно увидеть, адаптивная поддержка в навигации с прямым руководством почти эквивалентна технологии последовательности курса обучения. Тем не менее, есть некоторые различия (вдобавок к разному происхождению). Страница, предлагаемая прямым руководством, всегда страница существующего гиперпространства. Обучаемый обычно может достичь этой страницы за один или несколько шагов без руководства системы. Руководство всего лишь помогает обучаемому осознать, что эта страница "лучшая", и быстрее до нее добраться. В ИОС с адаптивной последовательностью "страница" с лучшим следующим заданием или представлением может быть полностью порождена из знаний системы, поэтому у обучаемого нет другого пути добраться до этого материала, кроме как используя последовательность. Также прямое руководство обычно применяет одноуровневый механизм последовательностей по сравнению с двухуровневыми последовательностями в большинстве ИОС: лучшая страница просто выбирается из набора приемлемых страниц, используя некоторую эвристику. Этот способ называется последовательностью страниц. InterBook и ELM-ART представляют хороший пример этой технологии. Однако различия между этими двумя технологиями начинают исчезать в Сетевой обстановке. Сетевые системы ИОС естественно перемещаются на платформу представлений в виде гипермедиа, в крайнем случае, хотя бы части материала. С тех пор, как некоторые виды образовательного материала (представления, задачи и вопросы) представлены как набор узловых точек в гиперпространстве, их последовательность стала неотличимой от прямого руководства. Чтобы подчеркнуть это сходство мы расположили адаптивную последовательность и адаптивную поддержку в навигации с прямым руководством в одном столбце таблиц.

Наиболее популярный вид АПН в Сети – помечивание. Впервые оно использовалось в ELM-ART и с тех пор применяется во всех потомках ELM-ART, таких как InterBook, AST, ADI, ACE и ART-Web, а также и в некоторых других системах как WEST-KBNS и KBS HyperBook. В ELM-ART и InterBook также используется адаптивная поддержка в навигации сортировкой. Другой популярной технологией является сокрытие и отключение (разновидность сокрытия, оставляющая ссылку видимой, но не позволяющая пользователю отправиться на страницу этой ссылки, если эта страница еще не готова к заучиванию). Выбор состоит в том, что можно сделать ссылку полностью нерабочей (ничего не происходит, когда пользователь нажимает на нее), как сделано, например, в Remedial Multimedia System, или показать пользователю список страниц, которые необходимо прочесть перед конечной, как сделано в Albatros.

Цель технологии адаптивного представления – приспособить содержимое страницы гипермедиа к целям, знаниям пользователя, а также к другой информации хранящейся в модели пользователя. В системе с адаптивным представлением страницы не статичны, а адаптивно генерируемы или собираемы по частям для каждого пользователя. Например, при использовании некоторых адаптивных способах представления опытный пользователь получает более подробную и глубокую информацию, в то время как новички получают больше дополнительных объяснений.

Адаптивное представление очень важно в Сети, где одна и та же "страница" должна подходить сильно различающимся обучаемым. Только в двух Сетевых АОС реализовано адаптивное представление в законченном виде: PT и AHA. Обе эти системы применяют гибкий, но низкоуровневый условный текстовый способ. Некоторые другие системы используют адаптивное представление в особых случаях. Medtec способна генерировать адаптивный конспект глав книги. MetaLinks способна породить особое предисловие к содержимому страницы, зависящее от того, откуда обучаемый попал на эту страницу. ELM-ART, AST, InterBook и другие потомки ELM-ART используют адаптивное представление для обеспечения адаптивной вставки предупреждений об образовательном статусе страницы. Например, если страница не готова к заучиванию, ELM-ART и AST вставляют текстовое предупреждение в ее конце, а InterBook вставляет предупреждающее изображение в виде красного препятствия. Очень интересный пример адаптивного представления предложен в проекте WebPersona, где индивидуальное представление информации в образовательном гипертексте выполняется похожим на живого агентом.

1.2.5. Адаптивная поддержка сотрудничества

Адаптивная поддержка сотрудничества – это достаточно новая технология, которая развивалась последние 5 лет. Целью адаптивной поддержки сотрудничества является использование знаний системы о различных обучаемых для подбора групп для различных видов сотрудничества.

Можно перечислить несколько существующих примеров адаптивной поддержки сотрудничества в СОИ. Группа из Университета Саскачевана расширила свою оригинальную, ориентированную на рабочие места технологию помощи сокурсников разработанную для системы PHelpS для среды СОИ в своей системе Intelligent Helpdesk. Другая схожая система развивалась и эволюционировала в Университете Центральной Флориды. Вдобавок к этому, группа в Университете Дьюисберга, известная своей новаторской работой по адаптивной поддержке сотрудничества недавно предложила основательный фундамент для реализации методов интеллектуальной поддержки для распространяемого интернетовского образования. Эта основа может естественным образом поддерживать их оригинальный способ адаптивной поддержки сотрудничества и обеспечивает основу для исследований других методов подбора моделей.

Интеллектуальное наблюдение за классом также основано на возможности сравнивать записи о различных обучаемых. Однако вместо поиска совпадений оно ищет различия. Целью является определение обучаемых, которые учат записи существенно отличающимся образом от их сокурсников. Эти обучаемые могут отличаться от остальных по-разному. Они могут быть развивающимися слишком быстро, или слишком медленно, или просто имеющими доступ к гораздо меньшему материалу, чем остальные. В любом случае эти обучаемые нуждаются во внимании преподавателя больше, чем остальные, чтобы бросить вызов тем, кто может; чтобы обеспечить больше объяснений тем, кто не может; и подтолкнуть тех, кто мешкает. В обычной аудитории преподаватель может следить за посещаемостью и вниманием обучаемых, чтобы найти обучаемых нуждающихся в особом внимании. В Сетевой аудитории преподаватель в лучшем случае имеет только данные из журнала, которые тяжелы для понимания. В то же время необходимость распознавания небольшого подмножества обучаемых, нуждающихся в помощи больше, чем остальные, является более важной. В среде СОИ на общение между преподавателем и обучаемыми обычно тратится больше времени, и отдаленный преподаватель просто не может индивидуально обратиться больше чем к небольшому подмножеству класса. Система HyperClassroom представляет интересный пример использования нечетких механизмов для определения застоявшихся обучаемых в аудитории СОИ.

1.2.6. Приобретение процедурных знаний

Первой наиболее глубоко разработанной когнитивной теорией обучения, основанной на информационном подходе стала ACT (Adaptive Control of Thought). На ее основе был создан ряд успешных обучающих систем в области математики и программирования. Ее современный переработанный вариант называется ACT-R, который опирается на следующие основные принципы: четкое разделение знаний на декларативное и процедурное, при котором первичными считаются декларативные знания.

Основным внутренним механизмом обучения является компиляция знаний, при котором на основе декларативных знаний возникают процедурные знания. Они представляют собой систему продукционных правил, определяющую последовательность действий. Важно то, что процесс компиляции знаний возможен только при решении задач.

Декларативное и процедурное знание упрочняются с практикой. Только с помощью интенсивной практики можно добиться безошибочного и быстрого использования скомпилированного знания. В ACT-R утверждается, что сам процесс приобретения навыков решения задач очень прост, а сложность обучения конкретным навыкам определяется сложностью множества правил, которые необходимо изучить. Были предприняты усилия по разработке технологии эффективного обучения процедурным знаниям, на исследования механизмов обучения и того, как сделать это обучение наиболее быстрым. В качестве предмета обучения были выбраны простейшие навыки программирования, решения задач планиметрии и алгебры, где выявление процедурных знаний не представляет значительных трудностей.

Опыт создания систем обучения процедурным знаниям позволил сформулировать известные «8 принципов» обучающих систем[52]:

1. Моделировать обучаемого с помощью набора продукций.

2. Информировать обучаемого о структуре подцелей, которые необходимо достичь для решения задачи.

3. Проводить обучение в контексте реальных задач.

4. Помогать обучаемому абстрагировать знания, полученные при решении конкретных задач.

5. Минимизировать нагрузку на кратковременную память.

6. Обеспечивать мгновенную реакцию на ошибки обучаемого.

7. Изменять детализацию предметной области в зависимости от успехов обучения.

8. Позволять овладевать отдельными компонентами навыка.

Не все из указанных принципов удалось успешно реализовать на практике. Кроме того, априори не каждая предметная область допускает реализацию всех этих принципов. Необходимо отметить, что ACT-R может напрямую применена на практике только тогда, когда имеется явно сформулированная идеальная стратегия решения задач, построение которой является практически неразрешимой задачей для многих важных предметных областей знаний.

Альтернативный подход к построению моделей процессов обучения основан на известном принципе активного обучения, когда обучаемый сам «открывает» для себя правила решения задач на основе самостоятельного решения тщательно подобранных примеров. Вычислительные модели активного обучения базируются на исследованиях по формированию понятий, алгоритмах индуктивного обучения и адаптивных продукционных системах. Вычислительные модели активного обучения исследовались лишь применительно к обучению решению типовых задач математики, в частности линейной алгебры, что объясняется достаточной простотой рассматриваемой предметной области.

Не менее важную практическую ценность имеет построение моделей процесса обучения для так называемых слабоструктуризованных предметных областей, где «качественные, трудноформализируемые и неопределенные факторы имеют тенденцию доминировать», примером которой может служить медицинская диагностика. Характер данной предметной области не только не позволяет сформулировать единственно правильной, идеальной стратегии решения диагностических задач, но и порождает значительные трудности при попытках построить модель, с высокой точностью описывающую механизм принятия диагностических решений врачом–экспертом.

В конце 90-х годов в результате работ по построению экспертных диагностических систем был предложен метод выявления процедурных экспертных знаний для задач классификации, который применим не только для построения баз знаний экспертных систем, но и для исследования

психологических аспектов принятия решений при многих критериях.

1.2.6.1.Модель экспертных процедурных знаний

Многие важные практические задачи, ежедневно решаемые экспертами в различных областях, представляют собой задачи классификации. Задача классификации характеризуется наличием формализованного описания некоторого объекта исследования, которому необходимо назначить один или несколько классов решений. Структура задачи классификации определяет количество всех гипотетически возможных вариантов (случаев, ситуаций), которые могут быть описаны с помощью данной структуры. Очевидно, что это количество равно произведению числа возможных значений всех признаков.

Опытный эксперт способен уверенно классифицировать описание любого гипотетического случая, описанного в соответствии с данной структурой. Важной задачей является создание некоторой формальной модели – базы знаний, с помощью которой можно было бы имитировать все возможные решения эксперта. Важным требованием к базе знаний эксперта является требование полноты, т. е. когда с её помощью можно получить корректное решение для любого гипотетического случая, который может быть описан в терминах выбранной структуры задачи классификации.

В общем случае для построения полной базы знаний требуется предъявить эксперту для классификации формализованные описания всех гипотетически возможных случаев. Однако, использование некоторых свойств решаемых задач позволяет построить значительно более эффективные процедур выявления экспертных знаний, когда значительная часть объектов классифицируется косвенно, без предъявления эксперту.

Использование отношения доминирования по характерности, известного также под свойством монотонности, позволяет предъявлять эксперту для классификации лишь наиболее информативные объекты. Значения по шкале каждого признака упорядочиваются по характерности по отношению к каждому из рассматриваемых классам решений. На основании частичного порядка по каждой из шкал признаков можно определить частичный порядок на всем пространстве задачи (множестве гипотетических случаев). На основе использования условия доминирования по характерности были разработаны алгоритмы и программные средства извлечения знаний, позволяющие строить за приемлемое время полные базы знаний для многих реальных задач классификации проверка которых на практике показывает высокую степень совпадения (до 98%) с решениями эксперта.

1.2.6.2. Неявное обучение

За последние 30 лет неявное обучение стало одним из самых интересных направлений в когнитивной психологии. Первыми работами в этом направлении были исследования А. Ребер по искусственной грамматике (см. ниже). Было показано, что люди способны подсознательно обнаруживать и обрабатывать информацию о связях между признаками и событиями во внешнем мире. Знание, возникающее в результате неявного обучения, остается подсознательным и не вербализуется. Эксперименты показывают, что при неявном обучении человеческая система переработки информации способна усваивать сложные зависимости, что при этом она действует быстрее и «умнее», чем при явном обучении[32].

Неявное обучение относится к двум категориям процедурной памяти: умение (skill) и привычки (habits). Различают три вида умения: моторное, перцептивное и абстрактное. Наиболее интересное для нас неявное обучение, приводящее к появлению абстрактного (или когнитивного) умения было впервые продемонстрировано в экспериментах по искусственной грамматике. При помощи некоторой заданной структуры генерируются последовательности из символов. Такие последовательности предъявляются испытуемым во время обучения. Затем, в контрольном эксперименте им предъявляются последовательности из тех же символов, часть из которых может быть получена из структуры, (порождаемые искусственной грамматикой), а часть – не может, как несоответствующие данной грамматике. В экспериментах было показано, что люди подсознательно осваивают искусственную грамматику и хорошо различают последовательности в контрольных экспериментах. При этом испытуемые не могут сообщить правила, которыми они руководствуются.

Уникальной характеристикой неявного обучения является то, что знания, приобретенные таким образом, сохраняются в памяти обучаемого в течении очень длительного периода времени: от нескольких недель до нескольких лет, что подтверждается многочисленными экспериментами [32]. Интересные качества и возможности неявного обучения делают его привлекательным в качестве средства передачи экспертного знания.

1.2.6.3.Методика обучения процедурным знаниям

Прежде чем изложить основные идеи построения обучающей системы, введем понятия сложности классификации объектов. Очевидно, что классификация объектов, обладающих наиболее характерными для какого-то класса объектов значениями всех признаков, не представляет трудности как для эксперта, так и для новичка. В многомерном пространстве значений признаков можно определить наиболее характерные объекты как центры классов. Чем ближе некоторый объект к центру, тем он проще для классификации. Гораздо сложнее классифицировать объекты, близкие к границе классов, когда рассматриваемый объект при изменении значения лишь одного из признаков переходит в другой класс решения.

Обозначим множество таких объектов, принадлежащих классу А, как D11. Множество объектов, обладающих тем же свойством, но не принадлежащих классу А, обозначим D21. Будем называть множества D11 и D21 слоями максимальной сложности классификации.

Действуя аналогичным образом все множество объектов можно разбить на подмножества (слои), имеющие различную удаленность от слоя максимальной сложности D11 и, следовательно, различной сложности для классификации.

Далее рассмотрим работу системы, применяемой в области медицины (диагностики заболеваний). Перед началом обучения мы проверяли у обучаемых знание диагностических признаков и их характерных значений. Только в том случае, когда они были хорошо известны испытуемым, проводилось обучение процедурным экспертным знаниям. В процессе обучения, обучаемому случайным образом предъявлялись для классификации объекты определенной сложности, принадлежащие, либо не принадлежащие данному классу решений. Обучение начинается с задач наименьшей сложности и заключается в самостоятельном решении большого количества задач методом проб и ошибок. Решающие правила эксперта, используемые в качестве эталона классификации, в явном виде обучаемому не сообщаются. При неправильном ответе предоставляются объяснения, аналогичные объяснениям эксперта своих действий. Если испытуемый безошибочно решает достаточно длинную последовательность задач, то система повышает их сложность, предъявляя объекты следующего слоя. Если он допускает слишком много ошибок, система уменьшает сложность задач, возвращаясь к предыдущему слою. На основе данных о правильно и неправильно решенных задачах, система строит прогноз решения обучаемого для тех задач, которые еще не предъявлялись. При этом последующие задачи выбираются таким образом, чтобы как можно быстрее ликвидировать «пробелы» в знаниях обучаемого. Обучение завершается, когда новичок становится способным уверенно решать задачи наивысшего уровня сложности, включая граничные объекты.

Важно подчеркнуть, что в основе предложенного метода обучения лежит творческий процесс анализа обучаемым своих решений и сравнения их с решениями эксперта. В этом процессе развивается клиническое мышление обучаемых, помогающее сформировать новый, более глубокий взгляд на решаемую задачу диагностики. Наблюдения опытных врачей над начинающими, прошедшими обучение с помощью разработанной системы, показали что профессиональный уровень их клинического мышления после нескольких дней работы с обучающей системой значительно возрос. В то время как врач–кардиолог обычно встречает в течение года не более нескольких десятков случаев заболевания, обучающая система позволяет обучаемому проанализировать в течение нескольких дней сотни случаев, максимально приближенных к реальным, в том числе являющихся наиболее сложными для диагностики.

Таким образом, приобретенные при обучении знания позволяют обучаемому глубоко проникнуть в суть проблемы и тем самым значительно сократить время превращения в опытного специалиста.