Мастер УП, РП, ПУМ - компьютерные программы для создания и редактирования соответственно учебных планов, рабочих (учебных) программ, порций учебного материала;

Тестред - комплекс компьютерных программ для создания и редактирования тестов;

МЕНТОР - комплекс компьютерных программ для реализации тестирования;

ДИОГен - комплекс компьютерных программ для отображения результатов тестирования преподавателю;

ПСИ - подсистема статистических исследований, представляющая собой также комплекс специальных программных средств.

Специальной штриховкой выделена дополнительная информационная связь преподавателя с обучаемым, реализуемая в виде диалога, который воплощается либо в форме живого разговора, либо в форме обмена информацией через локальную сеть: например, в процессе выдачи, проверки задания и последующего комментария к нему.

Пунктиром показана проектируемая связь программного комплекса МЕНТОР с порциями учебного материала, которая заключается в выдаче обучаемому рекомендаций по изучению того или иного блока информации - в зависимости от результатов прохождения теста.

На блок-схеме жирным контуром выделены блоки, в настоящее время уже реализованные в виде компьютерных программ, которые отлажены и апробированы. К таковым относятся Мастер УП (учебных планов), а также МЕНТОР, Тестред и ДИОГен. Прочие блоки находятся в стадии интенсивной разработки. В частности, первоочередным является создание компьютерного гипермедиа семиотического банка знаний (СБЗ), содержащего компьютерные учебники по каждой из дисциплин, входящих в учебный план соответствующей специальности.

Каждый из таких учебников, в свою очередь, имеет сложную структуру, подразделяющую его содержание в соответствии с рабочими учебными программами на главы, темы и информационные блоки, использующие гипертекст, графику и анимацию и называемые порциями учебного материала (ПУМ). Основой для такого структурирования служат различные модели форм представления знаний в системах искусственного интеллекта (СИИ). Разумеется, наряду с интегрированным применением материалов СБЗ, предусматривается и автономное использование этих учебников, вне системы ИКОНИК. Размеры и насыщенность этих порций научно обоснованы с точки зрения возможностей восприятия информации человеком и могут регулироваться в зависимости от индивидуальных и групповых параметров контингента обучаемых, режимов и целей обучения.

Модульный принцип построения программного обеспечения (ПО) ИКОНИК позволяет реализовывать и другие варианты использования его отдельных компонент, например, автономное обучение какой-либо дисциплине с самоконтролем: для этого кроме УМ, базовый комплект ПО должен включать еще и МЕНТОР.

Для организации контроля над процессом обучения с участием преподавателя к базовому комплекту (УМ + МЕНТОР) необходимо добавить комплекс программ отображения и первичной статистической обработки результатов тестирования - ДИОГен. Практически это означает уже использование сетевого варианта реализации ИКОНИК для локальной или корпоративной сети. В подобной конфигурации этот вариант уже реализован и прошел экспериментальную проверку в МГИУ. В настоящее время разрабатывается проект использования ИКОНИК в глобальной компьютерной сети.

В отношении распределения во времени функционирования отдельных компонент ИКОНИК следует отметить, что все программные Мастера, включая Тестред, который также, по существу, является мастером, т.е. совокупностью программ, обеспечивающих пользователю интеллектуальный интерфейс высокого уровня автоматизации, предназначены для предварительной подготовки, т.е. синтеза процесса компьютерного обучения, тогда как такие продукты как Ментор и ДИОГен служат для анализа результатов обучения, получаемых непосредственно в процессе и после его окончания.

Все вышесказанное позволяет уже сейчас реализовывать различные варианты автоматизированных обучающих систем (АОС).

По существу рассматриваемый комплекс представляет собой сложную многомерную, многосвязную дискретно-непрерывную систему управления с обратными связями (рис.1), элементы и подсистемы которой работают асинхронно. Это обусловливает сложность и разнообразие концептуальных логических и математических моделей, используемых при проектировании, а затем и при эксплуатации комплекса.

Разработка первой, автоматизированной части проекта, потребовала использования в основном логико-информационных, дискретно-непрерывных, детерминированных и стохастических моделей подсистем и элементов ИКОНИК [8], а также универсальных языковых средств (C++, Visual Basic 6.0).

Разработка второй, кибернетизированной части проекта, с самого начала требовала применения методов и средств систем искусственного интеллекта для создания соответствующих моделей. Прежде всего, это касается собственно знаний, которые в рассматриваемой системе исполняют роль сигналов, векторов входных и выходных переменных, а также внутренних состояний системы, в отличие, например от экспертных систем (ЭС), в которых знания используются в качестве инструмента для решения проблем.

Ряд исследователей [7,9] отмечает, что в логических языках до сих пор не было предложено удачных способов объединения математических и концептуальных средств представления знаний, что, в свою очередь затрудняет создание больших по объему, эффективно работающих и интересных с точки зрения приложений баз знаний, тогда как основной эффект от создания баз знаний, по идее, должен быть кумулятивным. Создание тематически универсальных и широко доступных баз знаний позволило бы принципиально изменить всю практику разработки использования компьютерных моделей самого разного уровня и назначения.

"Законы природы" с указанием условий их применимости могут постепенно накапливаться в базе знаний независимо от постановки тех или иных конкретных задач. Совокупность законов и теорий, хранимых в памяти ЭВМ, образует при этом "глобальную модель действительности" [9].

Как и любые другие сигналы в динамической системе, несущие информацию, знания обладают такими динамическими характеристиками, как, например, скорость поступления на вход объекта. Пример графика подобной характеристики показан на рис.2.

Интервал Т подразумевается относительно малым (минуты), нулевое значение скорости соответствует остановке по той или иной причине в чтении текста или в восприятии другого вида информации. Характерным здесь является то, что темп подачи информации может регулироваться либо самим объектом, либо извне системой, как по требованию объекта, так и независимо от него. Здесь принято, что где Q - количество информации, например в битах. Характеристика V(t) имеет важное значение с точки зрения согласования с пропускной способностью объекта, особенно в режиме запоминания. Поскольку в целом рассматриваемый процесс носит прерывистый характер, то соответствующая модель на интервале, превышающем, например, академический час, или другой характерный промежуток, должна быть дискретной. Таким образом, непрерывные модели, описывающие работу системы на коротких интервалах времени, иерархически подчинены дискретно-непрерывной модели более высокого уровня. Задание топологической структуры векторных пространств состояний, а также входных и выходных переменных системы позволяет строить адекватные детерминированные и стохастические модели процесса обучения относительно количественной составляющей компоненты знаний.

Гораздо сложнее обстоит дело с семантической, смысловой компонентой знаний, общепринятой единой характеристики которой не существует по настоящее время, хотя имеется большое количество попыток ввести таковую [2,7]. Кроме того, сам психологический механизм восприятия семантики и прагматики сообщений человеком недостаточно изучен.

Таким образом, любая синтаксически цельная часть знаний из СБЗ, поступающая на вход ОО, которую можно также назвать порцией учебного материала (ПУМ), обладает некоторой характеристикой, выражающей степень сложности соответствующего фрагмента семантической сети. В простейшем случае таковой может служить, например, аддитивный критерий сложности

где a_ik – весовые коэффициенты знаков-фреймов (понятий), соответствующих вершинам графа, отображающего рассматриваемый фрагмент сети;

b_ijk– весовые коэффициенты отношений между знаками (понятиями), соответствующих дугам (связям) между вершинами графа;

m – количество попавших в рассматриваемый фрагмент иерархических уровней сети.

Весовые коэффициенты определяются на основе экспертных оценок при наполнении СБЗ. Можно конструировать и другие характеристики семантической сложности фрагментов знаний, или ПУМ, - в зависимости от степени проработки моделей. Но в любом случае все они, по крайней мере, косвенно (в приведенном примере - интегрально) выражают смысловое наполнение ПУМ. Заметим, что наиболее информативным для последующего использования является полное описание фрагмента знаний с учетом классов понятий, типов связей и топологии, а не только весовых коэффициентов. Такому описанию удобным представляется сопоставить графический образ рассматриваемого фрагмента с использованием цвета и указанием весов (рис. 3).

Рис. 3. Примерный вид графического образа семантической компоненты ПУМ.

Наряду со смысловой составляющей важное значение имеет количественная информационная составляющая, поскольку она в значительной мере определяет нагрузку на человека (в особенности на его иконическую память) в процессе восприятия им знаний, закодированных символами языка, формулами и т.п. Фрагмент знаний, содержащий идентичные семантические показатели, можно передать различным количеством символов, слов, фраз, поэтому можно назвать количественную компоненту Q фоновой, а ее мерой может служить количество символов или количество бит, необходимых для кодирования.

Обобщенный показатель удельной плотности знаний в ПУМ можно ввести как отношение:

Наряду со спецификой, которую накладывает на модели знаний их использование в динамическом процессе обучения, существуют общие тенденции применения различных форм представления знаний в СИИ, в частности, в инженерии знаний. К таким формам относятся обычные и расширенные семантические сети, фреймы, исчисления предикатов, продукционные правила, сценарии и др. Все они требуют структурирования знаний в конкретной предметной области, что, в свою очередь, связано с использованием имеющихся (LISP, FRL, KRL, PROLOG) или созданием новых языков описания (например, ИНФОЛ [9] - для логической систематизации знаний, поступающих в виде текстов в ИПС; РДО [2] - для имитационного моделирования сложных дискретных систем; ФОРТЕ [10] – для семиотического моделирования).

ЛИТЕРАТУРА

1. Широков Л.А., Кириличев Б.В. Интеллектуальные комплексы для повышения профессионального уровня специалистов. Технология, автоматизация и организация производства технических систем: Межвуз. сб. научных трудов. – М.: МАСИ, 1995.

2. Емельянов В.В., Ясиновский С.И. Введение в интеллектуальное имитационное моделирование сложных дискретных систем ипроцессов. Язык РДО. - М.: "Анвик", 1998. - 427 с. ил. 136.

3. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ: Учебное пособие для вузов. – М.: Высшая школа, 1989. – 367 с.: ил.

4. Кириличев Б.В., Широков Л.А., Рабинович П.Д. Системный анализ проблемы создания интеллектуальных компьютерных обучающих комплексов. Сб. научных трудов МГИУ – М.: МГИУ, 1996. - с. 166-171.

5. Кириличев Б.В., Широков Л.А. Фундаментальный подход к созданию системы моделей оценивания результатов тестирования в интеллектуальных компьютерных обучающих комплексах. Сб. научных трудов МГИУ – М.: МГИУ, 1997. - с. 166-171.

6. Кириличев Б.В. Экспериментальное тестирование в интеллектуальных компьютерных обучающих комплексах. Сб. научных трудов МГИУ – М.: МГИУ, 1999.

7. Ю.Шемакин, А.Романов. Компьютерная семантика. - М.: НОЦ "Школа Китайгородской", 1995. - 344 с.

8. Кириличев Б.В., Рабинович П.Д., Рабинович А.Е. Структурно-факторная модель учебного процесса. Сб. материалов Международной науч.-тех. конференции "Теория и практика имитационного моделирования и создания тренажеров". - Пенза, 1999.

9. Рубашкин В.Ш. Представление и анализ смысла в интеллектуальных информационных системах. - М.: Наука. Гл. ред. физ.-мат. лит., 1989. - 192 с.

10. Осипов Г.С., Поспелов Д.А. Семиотическое моделирование. Введение в прикладную семиотику. – М: 1996.