Худайбердиев М., Хусаинов Н. О. О применении АВО к

Знания-Онтологии-Теории (ЗОНТ-09)
Применение алгоритмов вычисления оценок
к адаптивным системам компьютерного
обучения
Хусаинов Н.О., Худайбердиев М.Х.
Ташкент, Институт математики и информационных технологий АН РУз,
ул. Дурмон йули, д. 29, г. Ташкент, 100125, Узбекистан
[email protected] , [email protected]
.
Аннотация.
Рассматриваются вопросы оценки интеллектуальных способностей
обучаемого в компьютерных системах обучения с помощью алгоритмов вычисления оценок. В
предлагаемом подходе обучаемый рассматривается как сложно изменяющийся объект.
Состояние объекта определяется путем оценки совокупности его различных характеристик и
передается системе для адаптивного управления процессом компьютерного обучения.
Ключевые слова: дистанционное или компьютерное обучение, обучаемый, распознавание
образов, адаптивное управление
Введение
Анализ состояния научных исследований показывает, что в настоящее время разработано
достаточное количество современных технических средств и систем программного обеспечения
для развития дистанционного обучения с их последующим внедрением в практику. В системе
дистанционного обучения проблема передачи, приёма и представления информации с точки
зрения
программного
и
технического
обеспечения
решена
на
относительно
удовлетворительном уровне. В то же время малоисследованной остаётся проблема разработки
интеллектуальных обучающих систем, адаптированных под уровень знаний и степень
усваиваемости материала обучаемым. Обзор существующих интеллектуальных обучающих
систем показал, что нерешенными остались проблемы управления состоянием обучаемого и
адаптации системы дистанционного (или компьютерного) обучения. Достаточно слабо
освещены методы и способы применения адаптивных моделей к контролю успеваемости
обучаемого, реализуемых с помощью методов распознавания образов [1].
Постановка задачи и используемый вариант алгоритмов
вычисления оценок
В работе предлагается модель, позволяющая наблюдать за состоянием обучаемого и
являющаяся составной частью системы адаптивной среды обучения. Для решения задачи
адаптации системы обучения к текущему состоянию обучаемого данное состояние
определяется на каждом этапе обучения. Для правильного управления обучением используются
различные способы определения стратегии обучения и оценки уровня успеваемости
обучаемого, а также контроля уровня успеваемости на разных этапах обучения.
Рассмотрим более подробно определение состояния обучаемого и разбиения на классы его
признаков с помощью класса алгоритмов вычисления оценок (АВО), используемого в работе
как инструмент классификации а также его применение в процессе адаптации обучающих
систем к уровню знаний обучаемого. Для этого решаются следующие задачи:
 формирование адекватного поставленной задачи признакового пространства;
 сведение разнотипных шкал признаков к единой;
 применение класса алгоритмов распознавания, основанных на вычислении оценок, в
соответствии с характером решаемых задач.
В обучающем процессе объектом является обучаемый, а его состояние описывается
некоторым набором характеристик, который используется для управления (адаптации)
процессом обучения.
M - множество, элементы
Si  M , (i  1, m) . Для каждого S i
Пусть
которого называются допустимыми объектами S i ,
определено
l
S i . Кроме того, M   K j . Множества K j
I ( Si )
- стандартное описание объекта
называются классами и
j 1
K  K   ,
   ,  ,  (1, l ) . Также задано множество {I 0 ( K1... K l )} - стандартная информация
~
о классах. Вектор   (1 , ..., l ) называется информационным, если  i {0,1} .
Введены предикаты P j (S ) - объект S принадлежит к классу K j , j  1, l [2].
AR( s ), r ( s )  по
объектов S1 , ..., S m [2,3].
Задача распознавания состоит в построении алгоритма вычисления
стандартной информации
I ( S ), I 0 ( K ) 
значений
Pj
для
n - мерном признаковом пространстве с множествами значений
M 1 , ..., M n соответственно. Стандартным описанием I (S ) объекта S называется набор
(a1 , ..., an ) , ai  M i , i  1, n , а множество его признаков разбито на группы следующим
Каждый объект определен в
образом:




 1
  2
  a1
,...,
a 1 , a1,...,
a1









П 1
П 2



(1)
 1 ...  m  .
S
,....,
a

 


П m

Группы признаков разбиты таким образом, что они слабо связаны между собой, но сами
П 1 – множество педагогических и психологических
П  2 – множество признаков, определяющих компетентность; П  3 – множество
элементы групп сильно связаны. Здесь
признаков;
признаков в предметной области и т.д.
Каждая группа имеет свой алфавит. Исходя из этого, связь между объектом
I0
с помощью предиката
распознающий алгоритм
Pj
A:
Алгоритм распознавания
и эталоном
приводится к единому алфавиту, что позволяет строить
P : I 0  S  {0,1} .
A

(2)
представляется в виде последовательного выполнения
R A и решающего правила rA .
Распознающий оператор R A применительно к паре I 0 ( K j ), I ( S i )
распознающего оператора

S

 строит числовую
R A I 0 ( K j ), I ( Si )  ij
. Таким образом, числовое значение
m l
ij означает оценку близости объекта S i к классу K j , i  1, m ; j  1, l .
матрицу
элемента
Алгоритм
 ijA
ml
Матрица
системе
rA
, где
по матрице
ij
ml
формирует информационный вектор или матрицу
 ijA {0,1} .
 ijA
ml
предикатов
называется информационной матрицей набора
{P1, ..., Pl } .
информационный вектор объекта
Строка
{S1 , ..., S m }
 ij ( Si )  ( i1, ..., il )
по
представляет
S i . Распознающий оператор имеет вид:
 
A( I 0 ( K ), I ( S ))   ijA
.
(3)
ml
Таким образом, координата  ij информационного вектора  ij ( S i ) означает
принадлежность или не принадлежность объекта S i к классу K j . Информационная матрица
 ijA
ml
дает однозначное разбиение исходного множества объектов
Si
по классам
K1 , K 2 , ..., K l .
Сформированный подход служит для оценки состояния обучаемого на каждом этапе
обучения, и это обеспечивает адаптивность компьютерного обучения.
Заключение
В докладе рассматривается одно из актуальных направлений системы дистанционного или
компьютерного обучения – проблема адаптации обучающих систем к состоянию обучаемого с
применением АВО. В результате проведенного исследования разработана методология
организации обучения в системе электронного обучения с использованием моделей обучения,
распознавания образов (ситуации, состояния и оценки обучаемого) и адаптации (системы)
процесса обучения к текущему состоянию модели обучаемого.
Литература
[1] Худайбердиев М.Х. Модели адаптации и распознавания образов в системах
дистанционного обучения: Автореф. дис. … канд.тех.наук. – Ташкент: ИИ «СИТ»
АН РУз, 2007.-18 с.
[2]
[3]
Журавлев Ю.И. Непараметрические задачи распознавания образов // Кибернетика - Киев,
1976. - № 6.
Aydarkhanov M.B., Amirgaliev E.N. Methods of modeling of recognition and taxonomy
systems. The International Scientific Conference “Problems of Cybernetics and
Informatics”, October 24 – 26, 2006, Baku. www.pci2006.science.az