Моделювання області знань в системі безперервного навчання на основі інтеграції моделі контенту Tree-Net і понятійно-тезисної моделі

УДК 004.896 Моделювання області знань в системі безперервного навчання на основі інтеграції моделі контенту Tree-Net і понятійно-тезисної моделі Титенко С.В., Гагарін О.О, к.т.н., доц., Національний технічний університет України «КПІ», м. Київ [email protected] У роботі описано підхід до подання і визначення області знань в інтелектуальній системі безперервного навчання на базі моделі Web-контенту Tree-Net і понятійно-тезисної моделі формалізації дидактичного тексту. Знання про область знань використовуються для генерації персонального освітнього середовища і автоматизації тестування. www.setlab.net Лабораторія СЕТ – Науково-технічна лабораторія новітніх інформаційних технологій Титенко С.В., Гагарін О.О. Моделювання області знань в системі безперервного навчання на основі інтеграції моделі контенту Tree-Net і понятійно-тезисної моделі // VIII международная конференция «Интеллектуальный анализ информации ИАИ-2008», Киев, 14-17 мая 2008г. : Сб. тр./ Ред. кол. : С.В. Сирота (гл.ред.) и др. – К.: Просвіта, 2008. – С. 342-352 Вступ В умовах стрімкого розвитку засобів поширення інформації і удосконалення технологій продукування ресурсів WWW великого значення набуває впорядкування ресурсів для їх використання в освітніх цілях. При цьому виникає необхідність налаштування персонального інформаційного простору в залежності від інтересів користувача і області знань, яка його цікавить. Це дасть змогу знизити негативний вплив явища, яке називають «інформаційним вибухом» і ефективніше підтримати процес безперервного навчання через Інтернет [1]. За деякими оцінками, середньорічний темп приросту нових знань становить 4 – 6%. Це означає, що близько 50% професійних знань фахівець повинен одержати після закінчення навчального закладу. Обсяг часу, необхідний для відновлення професійних знань для фахівців з вищою освітою становить 28% від загального обсягу часу, яким володіє працівник протягом усього працездатного періоду. Безперервна освіта стає важливим фактором конкурентоспроможності фахівця на ринку праці. [2]. Уся історія становлення і розвитку навчання людини як самостійної області його діяльності вказує на те, що навчання повинне бути безперервним і адаптивним [3]. Актуальності набула проблема моделювання знань на базі специфічних підходів, що беруть початок у різних галузях, з метою ефективного вирішення проблеми управління знаннями для освіти в контексті WWW і безперервного навчання. Значний внесок у цю галузь зробили Брусиловський П. [4, 5], Де Бра П.[6], Атанов Г.А. [7, 8], Васильєва Ю. [9] та інші. Відмінністю Web-систем, які застосовуються для підтримки безперервного навчання, від інших систем подання інформації в Інтернет є наявність специфічних для освіти функцій, серед яких важливу роль відіграє контроль знань. Екстенсивне збільшення об’ємів інформації і знань вимагають удосконалення і автоматизації підготовки та проведення контролю знань в системах безперервного навчання. При цьому формування освітнього контенту і засобів контролю повинні відбуватися паралельно і взаємопов’язано, а їх розмежування може призвести до невідповідності і неактуальності контролю. Питання автоматизації контролю знань розглянуті в роботах Аванесова В.С. [10], Брусиловського П. [11], Єлизаренка Г.Н. [12], Станкова С. [13] та інших. Незважаючи на значні досягнення в галузі інтелектуальних систем навчання, засобів контролю знань і систем поширення інформації в WWW, залишається потреба у інтегрованому системному підході, що органічно поєднає методи збереження і управління знаннями, індивідуалізоване подання освітнього Web-контенту та методи автоматизації контролю знань. Проблема моделювання області знань потребує свого вирішення у ряді задач, що мають відношення до управління знаннями на базі WWW і виникають в контексті управління контентом, адаптації і персоналізації контенту, підготовки і супроводження безперервного навчання з елементами генерації індивідуальних навчальних курсів і автоматизованого контролю знань [14]. Так вимога адаптивності системи навчання потребує застосування динамічних навчальних курсів, на противагу статичним. Це, в свою, чергу потребує моделювання освітнього контенту для забезпечення роботи освітніх запитів на побудову індивідуального навчального середовища [14, 15]. Робота освітніх запитів може ґрунтуватися на знаходженні необхідної області знань і підборі під цю область навчального контенту, який буде подано користувачеві для навчання у якості індивідуального освітнього курсу. Метою даної роботи є опис методу моделювання області знань в системі безперервного навчання за допомогою ієрархічно-мережевої моделі освітнього контенту Tree-Net і понятійно-тезисної моделі формалізації дидактичного тексту. Відомості про область знань використовуються для підтримки процесів підготовки персонального освітнього середовища і тестування знань користувачів системи безперервного навчання. Модель контенту Tree-Net Tree-Net [16] – модель Web-контенту, в основі якою лежать дві ключові сутності: елемент контенту або Web-сторінка і тематична група. Таким чином Tree-Net складається з двох деревоподібних структур: структура елементів контенту і структура тематичних груп. Кожен елемент контенту може брати учать у довільній кількості тематичних груп. Дерево контенту вказує на фізичне розташування контенту, це основна навігаційна модель контенту сайту. Тоді як дерево тематичних груп носить семантичний характер і подає ієрархію предметних областей. Схематично модель контенту Tree-Net зображено на рис.1. Рис.1. Схематичне зображення Tree-Net моделі: дерево контенту і дерево тематичних груп. Множина елементів контенту: V={v1,...,vn}. Ієрархічна структура контенту: кожен елемент може мати дочірні елементи: Ch:V→2V. Кожен елемент має батьківський елемент: F:V→V. Мережева структура контенту: кожен елемент має сукупність пов’язаних з ним елементів: N:V→2V. Множина G вказує на тематичні або асоціативні групи, в яких можуть брати участь елементи контенту: G={g1,…,gnG}. Організація тематичних груп відбувається у ієрархічній структурі. Кожен елемент контенту може брати участь у довільній кількості тематичних груп: GV:V→2G. На основі тематичних груп ми можемо визначати зв’язки асоціативності між елементами контенту. Поняття семантичного блоку в Tree-Net. Для побудови багатопредметного Web-порталу, що служитиме базою для організації безперервного навчання, використовуються так звані блоки контенту. Семантичний блок – це така множина елементів контенту, що мають логічну і структурну єдність, вони мають єдине джерело походження, наприклад одне авторство, і подають одну тему. Сюди можна віднести готові статичні курси, чий контент завантажено до системи. Фізично блок контенту є деякою гілкою у дереві контенту. При цьому, позначивши вершину цього дерева, як блок, ми відносимо усіх його нащадків до даного блоку. Приклад семантичних блоків зображено на рис.2. Рис.2. Приклад семантичних блоків. Елементи, позначені як блок, стають частиною нового семантичного блоку разом із усіма їх нащадками. Понятійно-тезисна модель Понятійно-тезисна модель (ПТМ) [17, 18] – модель формалізації дидактичних текстів. Ґрунтується на герменевтичному підході розбору тексту. Шляхом аналітичного перегляду тексту і спеціального візуального інтерфейсу із тексту експертом виділяються і заносяться в БЗ семантичні сутності. Цей процес можна порівняти із індексацією [1]. Інформація, що зберігається в ПТ-базі дає змогу робити висновки про те, що є предметом обговорення в тому чи іншому тексті. Також ПТМ дає змогу генерувати тести для перевірки засвоєння студентом того чи іншого тексту. Детально ПТМ і технологія генерації тестових завдань розглянута в роботах [17, 18, 19]. Основними семантичними сутностями ПТМ є поняття і тези. Поняття виражає предмет знань, який обговорюється в тому чи іншому фрагменті навчального матеріалу. Теза – це деяка відомість або твердження про поняття. Кожному поняттю відповідає власний набір тез, видобутих із тексту, які характеризують дане поняття. Множина понять C={c1,…,cn2}. Множина тез: T={t1,…, tn1}. Множина елементів контенту V={v1,…,vn3}. Кожний елемент контенту vi може мати довільну кількість тез tj: TV: V →2T. Кожна теза tj стосується одного елементу контенту vi. VT: T → V. Кожне поняття ck може мати довільну кількість тез ti. Приналежність тез поняттям задається відображенням: CT: T → C. Кожне поняття має деякий набір тез, що задається відображенням: TC: C→2T. Інтеграція моделей Tree-Net і ПТМ Комплексна модель освітнього контенту [15]– являє собою інтеграцію Tree-Net і ПТМ. При цьому взаємна інтеграція моделей породжує додаткову семантику, що доповнює кожну з моделей. Так знання ПТМ про предмет обговорення у Web-сторінках збагачує відомості про асоціативність елементів контенту Tree-Net. А Tree-Net структура допомагає удосконалити алгоритми ПТ-тестування і збагачує ПТМ відомостями про співвідношення між ПТ- сутностями. Область знань у системі безперервного навчання Під областю знань в системі будемо розуміти деяку множину контенту, предмет обговорення якого стосується деякої реальної області знань. При цьому як і в реальному світі, будемо передбачати, що звужуючи погляд на дану область знань, отримуємо деяку нову область знань, яка є дочірньою відносно першої, так як розглядає ті знання, які стосуються лише деякої частини головної області знань. Аналогічно область знань може бути розширена, і в результаті отримаємо іншу область, що подає ширший погляд на деяку проблему. Враховуючи характер завдань, що виникають в системі управління знаннями для безперервного навчання, ставиться завдання визначення області знань для даного елементу контенту. Отримуючи на вході деяку Web-сторінку системи, необхідно визначити певну множину асоціативного контенту, яку будемо називати областю знань певного рівня деталізації. Збільшуючи об’єм такої області знань, ми розширюємо наш погляд на предмет, торкаючись також інших тем, і отримуємо більше елементів контенту. Принцип визначення і подальшого розширення області знань елементу контенту зображено на рис.3. Рис.3. Принцип визначення і подальшого розширення області знань елементу. Методика моделювання області знань Завдання моделювання області знань зводиться до знаходження асоціативних елементів контенту даної Web-сторінки. Джерела асоціативності елемента контенту по порядку значимості: Елементи зв’язані спільними поняттями ПТМ. Бінарні зв’язки між елементами контенту. Елементи-члени тієї ж групи, до якої належить даний елемент. Елементи того ж семантичного блоку контенту. Елементи із дочірніх груп. Елементи із батьківських груп. Ієрархічні зв’язки у дереві контенту: дочірні елементи, батьківський елемент. Окрім визначення сукупності асоціативних елементів, необхідно також впорядкувати їх всередині кожного з джерел по ступеню, або рангу асоціативності до елементу, відносно якого відбувається моделювання. 1. Елементи зв’язані спільними поняттями ПТМ: ранг елементів прямо пропорційний кількості спільних із вихідним елементом понять. 2. Бінарні зв’язки між елементами контенту: ранг усіх елементів однаковий. 3. Елементи-члени тієї ж групи, до якої належить даний елемент: ранг елемента прямо пропорційний його релевантності відносно групи. 4. Елементи того ж семантичного блоку контенту. Тут ранг розподіляється наступним чином: найбільший – у першого дочірнього елемента. Далі послідовно ідуть наступні дочірні елементи (із мінімальним відривом у ранзі). Наступним по рангу є батьківський елемент (при умові, що він є частиною семантичного блоку). 5. Елементи із дочірніх груп: ранг елемента прямо пропорційний його релевантності відносно групи. 6. Елементи із батьківських груп: ранг елемента прямо пропорційний його релевантності відносно групи. На рис.4. зображено покрокове визначення асоціативних елементів, з урахуванням ієрархії груп, зображеної на рис.5. Рис.4. Демонстрація послідовного визначення області знань, з урахуванням ієрархії груп, зображеної на рис.5. Рис.5. Ієрархія груп, що враховується при визначенні області знань на рис.4. Висновок Моделювання області знань дає змогу підтримати такі процеси організації безперервного навчання через Інтернет, як генерація персонального освітнього середовища та автоматизоване тестування. Вигодою такого підходу є гнучкість і релевантність відібраної інформації, порівняно із статичним курсом. Так, з’являється підґрунтя для побудови додаткових посилань, організації навігації по віртуальній області знань і генерації індивідуального навчального курсу, що дасть змогу користувачеві ефективніше використовувати матеріали порталу дистанційного навчання і швидше отримувати бажану інформацію. У випадку тестування на базі ПТМ [17, 18], технологія визначення додаткових асоціативних елементів дає змогу використати додаткові семантичні елементи ПТМ з інших джерел, що дасть змогу генерувати тест і будувати варіанти відповідей навіть при недостатній кількості понять і тез в основному контенті. Подальші дослідження мають на меті формалізацію, математичний опис, програмну реалізацію і апробацію описаного підходу на сайті дистанційного навчання [20]. Попередні і поточні дослідження детально освітлюються на сайті авторів [21] Література 1. Гагарін О.О., Титенко С.В. Дослідження і аналіз методів та моделей інтелектуальних систем безперервного навчання // Наукові вісті НТУУ "КПІ". – 2007. – № 6(56). – С. 37-48.  2. Богданова И.Ф. Непрерывное образование в эпоху перехода к информационному обществу. http://sbmt.bsu.by/projects/Thesis06.pdf  3. Дресвянников В.А. Андрагогика: принципы практического обучения для взрослых // Элитариум: Центр дистанционного образования, 2007 http://www.elitarium.ru/2007/02/09/andragogika.html  4. Brusilovsky, P. (1996) Methods and techniques of adaptive hypermedia. User Modeling and User-Adapted Interaction, 6 (2-3), pp. 87-129.  5. Brusilovsky, P. and Peylo, C. (2003) Adaptive and intelligent Web-based educational systems. In P. Brusilovsky and C. Peylo (eds.), International Journal of Artificial Intelligence in Education 13 (2-4), Special Issue on Adaptive and Intelligent Web-based Educational Systems, 159-172.  6. de Bra, P., Houben, G.J., Wu, H.: Aham: A dexter-based reference model for adaptive hypermedia. In: Proceedings of the ACM Conference on Hypertext and Hypermedia, Darmstadt, Germany (1999) 147–156  7. Атанов Г.А. Возрождение дидактики – залог развития высшей школы. – Донецк: Изд-во ДОУ, 2003.  8. Атанов Г.А., Пустынникова И.Н. Обучение и искусственный интеллект, или основы современной дидактики высшей школы . – Донецк: Изд-во ДОУ, 2002.  9. Vassileva, J., A task-centered approach for user modeling in a hypermedia office documentation system, User Modeling and User-Adapted Interaction, 6 (2-3)/1996  10. Аванесов В.С. Композиция тестовых заданий. Учебная книга для преподавателей вузов, учителей школ, аспирантов и студентов пед. вузов. 2 изд.,испр.. и доп.М.:Адепт.1998-217с.  11. Brusilovsky, P. and Miller, P., Web-based testing for distance education. In: P. De Bra and J. Leggett (eds.) Proceedings of WebNet'99, World Conference of the WWW and Internet, Honolulu, HI, Oct. 24-30, 1999, AACE, pp. 149-154  12. Елизаренко Г.Н. Проектирование компьютерных курсов обучения: концепция, язык, структура. НТУУ «КПИ». Киев, 2001.  13. Stankov S., Žitko B., Grubišiċ A.. Ontology as a Foundation for Knowledge Evaluation in Intelligent E-learning Systems. AIED’05 Workshop SW-EL’05: Applications of Semantic Web Technologies for E-Learning. Papers of 12th International Conference on Artificial Intelligence in Education (AIED 2005). Amsterdam, 2005. http://hcs.science.uva.nl/AIED2005/W3proc.pdf  14. Гагарін О.О., Титенко С.В. Проблеми створення гіпертекстового навчаючого середовища // Вісник Східноукраїнського національного університету імені Володимира Даля №4 (110) 2007 Ч.2 - Луганськ 2007 - С. 6-15.  15. Gagarin A., Tytenko S. Complex model of educational hypermedia environment for ongoing learning // Образование и виртуальность – 2007. Сборник научных трудов 11-й Международной конференции Украинской ассоциации дистанционного образования / Под общ. ред. В.А. Гребенюка, Др Киншука и В.В. Семенца.– Харьков-Ялта: УАДО, 2007.– С. 140-145  16. Титенко С.В., Гагарін О.О. Формування навчального контенту на основі моделі даних Tree-Net // Матеріали Всеукраїнської науково-технічної конференції "Комп'ютерна математика в інженерії, науці та освіті" (CMSEE-2007), м. Полтава, 28-30 листопада 2007 р. - Полтава: Вид-во ПолНТУ, 2007 - 42с.  17. Титенко С.В., Гагарін О.О. Семантична модель знань для цілей організації контролю знань у навчальній системі. // Сборник трудов международной конференции «Интеллектуальный анализ информации-2006». – Київ: Просвіта, 2006. – С. 298-307.  18. Титенко С.В., Гагарін О.О. Практична реалізація технології автоматизації тестування на основі понятійно-тезисної моделі. Образование и виртуальность – 2006. Сборник научных трудов 10-й Международной конференции Украинской ассоциации дистанционного образования / Под общ. ред. В.А. Гребенюка, Др Киншука, В.В. Семенца.– Харьков-Ялта: УАДО, 2006.– С. 401-412.  19. А.А. Гагарин, А.Н. Луценко, С.В. Титенко Организация дистанционного обучения как информационный фактор реализации научно-технологической составляющей экономической безопасности государства // Экономическая безопасность государства и информационные технологии в ее обеспечении / под общ. ред. Г.К. Вороновского, И.В, Недина – К.:Знания Украины, 2005, стр. 608-619.  20. http://www.znannya.org Портал знань – портал дистанційного навчання, вільні навчальні матеріали.  21. http://www.setlab.net Лабораторія СЕТ – Віртуальна лабораторія новітніх інформаційних технологій. Дослідження в області дистанційного навчання.

Схожі: