Интеллектуальные обучающие программы это

Сейчас популярна тема онлайн-образования: все слышали про Coursera, Udacity, EdX. Это отличные образовательные платформы, содержащие много полезных курсов. Но можно ли их сделать более интеллектуальными? Вообще исследования по интеллектуальным обучающим системам (intelligent tutoring systems) ведутся давно и у ученых есть что предложить программистам-практикам.

В этой статье в научно-популярной форме рассматриваются результаты и выводы, полученные научным сообществом, по построению конкретного вида интеллектуальных обучающих систем. Затрагиваются вопросы построения подсистем проверки решений задач, моделей обучаемого, алгоритмов управления учебным процессом.

Введение

Широко распространены обучающие программы с тестами, содержащими вопросы с вариантами выбора ответа, в числе которых один правильный, а остальные неверные, содержащие типичные ошибки. Теоретическую основу для создания подобных систем в 50-х гг. XX века разработали известный психолог Б.Ф. Скиннер и исследователь Н.А. Кроудер.

Как Стать Умнее. Упражнения на Развитие Мозга. Саморазвитие

Предложенные ими концепции неоднократно подвергались критике. В частности, критики отмечали, что контролироваться должны не только ответы, но и пути, ведущие к ним. Ну действительно, ведь главная цель обучения – не зазубривание правильных ответов, а формирование рациональных приемов решения типичных задач изучаемого предмета. Поэтому научная мысль пошла по новому пути.

Во-первых, ученые начали создавать обучающие программы, способные распознать не только конечный ответ, но и оценить ход рассуждений обучаемого при выполнении задания (см. часть 1 этой статьи). Во-вторых, ученые начали разрабатывать средства измерения характеристик обучаемых, важных для управления процессом обучения (так называемые «модели обучаемого», см. часть 2) и алгоритмы управления учебным процессом (см. часть 3).

1.«Следящие» интеллектуальные обучающие программы

• оценить каждый шаг решения обучаемого как «правильный» или «неправильный»,
• предоставить подсказку, указывающую на то, что неправильно в только что введенном шаге решения или на то, что нужно будет делать дальше,
• поставить оценку за решение.

Пожалуй, наиболее известной и наиболее развитой «следящей» интеллектуальной обучающей программой является Andes Physics Tutor [1-2](рис. 1). Ее база знаний включает несколько разделов физики: «статика», «кинематика», «работа и энергия». Обучаемые вводят шаги решений в специальные поля.

Если шаг решения правильный, программа подкрашивает соответствующую ему формулу в зеленый цвет, если неправильный – то в красный цвет. В нижней левой части окна программы отображаются полученные обучаемым подсказки.

Рис. 1. «Следящая» интеллектуальная обучающая программа Andes Physics Tutor.

• проверка корректности введенной обучаемым формулы,
• измерение того, насколько далеко продвинулся обучаемый после ввода шага решения, т.е. измерение прогресса в решении.

Проверку на корректность осуществлять очень просто: в формулу, введенную обучаемым, нужно подставить числовые значения содержащихся в ней переменных. Если в результате подстановки получается тождество, то формула корректна. Например, если обучаемый ввел формулу a = b + 2, а из условий задачи следует, что a = 4, b = 2, то, поскольку 4 = 2 + 2, то формула, введенная обучаемым, корректна.

Это видео изменит Вашу жизнь. У меня нет слов

Измерить прогресс в решении задачи значительно сложнее. Наиболее простой способ измерения прогресса в решении заключается в представлении известных программе решений задачи в виде списков формул и сравнения формул, введенных обучаемым, с формулами из этих списков.

Тогда для измерения прогресса необходимо будет сначала выбрать одно из известных программе решений, наиболее близкое к решению обучаемого, а затем посмотреть, какой процент содержащихся в нем формул реализован в шагах решения обучаемого. Чем больше этот процент, тем больше прогресс в решении обучаемого. К сожалению, при использовании такого «наивного» способа хранения и обработки информации о решениях задач даже для самой простой задачи требуется внести слишком много возможных решений, отличающихся друг от друга одной или несколькими формулами. Поэтому разработчики Andes Physics Tutor пошли по другому пути.

В Andes Physics Tutor информация о возможных решениях задач хранится в виде небольшого списка «базовых» уравнений. Шаги решения, вводимые обучаемыми, тоже рассматриваются как уравнения. Для определения того, какие «базовые» уравнения использовались обучаемым для ввода того или иного шага решения, используется специальный алгоритм, в ходе работы которого выполняется решение систем уравнений и вычисление частных производных. Между тем, этот алгоритм способен справиться не со всеми шагами решения обучаемых. Чем больше в шаге решения обучаемого переменных заменено на числовые значения и чем более вычислительно свернутой она является, тем труднее понять, какие «базовые» уравнения использовал обучаемый при вводе шага решения.

Предположим, что в ходе решения задачи обучаемому нужно вычислить величину a, которая может быть найдена двумя способами: a = b + c, a = d/2. Если обучаемый просто введет a = 6, то, как понять, каким способом он воспользовался?

К тому же, некоторые обучаемые могут «хитрить»: например, если они работают с обучающей программой в компьютерном классе и услышали от соседа, что a равно 6 и как-то зависит от b, то они, зная, что b = 2, могут ввести шаг решения вида a = 8 – b. В этом случае в результате работы алгоритма измерения прогресса все равно будет сделан вывод о том, что обучаемый ввел формулу, используя один из двух вышеуказанных способов. Конечно же, можно придумать эвристики, которые позволят прояснить ситуацию в ряде случаев, но не во всех. Поэтому, нельзя утверждать, что когда-либо алгоритмы проверки решений обучающих программ со 100% уверенностью смогут распознать любой шаг решения обучаемого. Скорее, возможно лишь добиться того, чтобы обучающие программы могли с высокой вероятностью правильно распознавать большинство шагов решений обучаемых для конкретных классов задач из некоторых естественно-научных дисциплин.

2.Модели обучаемого

Еще одним способом интеллектуализации обучающих программ является использование моделей обучаемого. Напомним, что моделью обучаемого могут называться средства для измерения характеристик обучаемого, важных для управления процессом обучения, а также результаты измерения этих характеристик. Модели обучаемых бывают двух видов:

• отражающие уровень знаний и умений обучаемого,
• характеризующие психическое состояние обучаемого во время выполнения заданий в обучающей программе.

Для характеризации уровня знаний и умений обучаемых чаще всего используют оверлейные модели. В случае оверлейной модели предполагается, что представление знания, которое имеет эксперт, совпадает с представлением обучаемого, за исключением того, что знания обучаемого менее полны (см. рис. 2). Экспертные знания делятся на простые и небольшие части. Обучаемый либо знает каждую конкретную часть, либо не знает (или знает до некоторой степени).

Рис. 2. Оверлейная модель обучаемого (закрашены те части «знаний» эксперта, которые присутствуют и у обучаемого).

В настоящее время оверлейные модели чаще всего реализуют в виде иерархических структур, включающих совокупность всех понятий рассматриваемого учебного курса и/или умений, соответствующих этому курсу. На рис. 3 представлена иерархическая структура понятий предмета «Геометрия», легшая в основу модели знаний и умений обучаемого.

Узлы структуры соответствуют определениям, или аксиомам, или теоремам. Стрелка, ведущая от одного узла к другому, указывает на связь между порциями теоретического материала, соответствующими этим узлам. Эту связь можно интерпретировать так: «прежде чем изучать А, нужно знать B», или так: «если знает А, то знает и B». Учет связей между порциями теоретического материала позволяет уменьшить число упражнений, по результатам выполнения которых вычисляется уровень знаний и умений обучаемого.

Рис. 3. Фрагмент иерархической структуры понятий из предметной области «Геометрия».

Каждому узлу структуры ставится в соответствие метка «выучено» или «не выучено». Смена метки может произойти после того, как обучаемый прочитает теоретический материал или выполнит практическое задание. Для расчетов, реализующих смену меток, могут применяться различные алгоритмы и методы: байесовские сети, методы нечеткой логики и т.д.

Для построения модели психического состояния обучаемого могут использоваться различные источники данных – видеокамеры (с их помощью распознается выражение лица), датчики, измеряющие пульс, и т.д. Незаметным для обучаемого источником получения данных и, соответственно, наиболее удобным для практического использования, является история работы пользователя в обучающей программе[3-4] (см. рис. 4).

Рис. 4. Фрагмент истории работы обучаемого.

В качестве примера модели диагностики психического состояния обучаемого по истории его работы опишем модель, разработанную в лаборатории 17 ИПУ РАН при участии сотрудников факультета психологии МГУ[5]. В этой модели предполагается, что психическое состояние обучаемого характеризуется значениями трех показателей: «Самостоятельность», «Усилия», «Фрустрационное поведение».

Значения показателей пересчитываются каждые n секунд (например, можно взять n = 300 секунд, т.е. 5 минут). Значения показателей за некоторый период в основном формируются на основе различных численных характеристик различных событий, произошедших в течение этого периода. Эти события могут быть одномоментными (например, «обучаемый проверил шаг решения на правильность, шаг оказался правильным») или длительными (например, «обучаемый почитал справочный материал»). Численными характеристиками событий могут быть «количество», «средняя длительность», «совокупная длительность» и т.д.

При построении модели интересным событием в истории работы студента оказалось событие «бездействие в обучающей программе дольше 7 секунд». Оказалось, что появление этого события в истории работы обучаемого может говорить как о благоприятном для обучения состоянии обучаемого, так и о весьма нежелательном его состоянии.

Чаще всего неблагоприятное состояние обучаемого проявлялось после того, как он вводил шаг решения задачи и получал сообщение от программы о его неправильности. В этом случае он прекращал работу в программе и пытался получить помощь у соседей или преподавателей или даже на некоторое время впадал в состояние ступора. Благоприятное состояние обучаемого проявлялось после того, как программа помечала введенный им шаг решения как правильный. Тогда он приступал к работе над следующим шагом решения и начинал вычисления с помощью бумаги и ручки (соответственно, в это время в программе не фиксировалось никаких действий обучаемого). Поэтому для измерения психического состояния обучаемого стали отдельно учитываться такие события, как «количество событий бездействия в программе дольше 7 секунд, которым предшествовал ввод правильного шага решения», и «количество событий бездействия дольше 7 секунд, которым предшествовал ввод неправильного шага решения».

Перед использованием модели необходимо ее настроить, то есть, подобрать коэффициенты функций, с помощью которых вычисляются текущие значения показателей «Самостоятельность», «Усилия», «Фрустрационное поведение». Не вдаваясь в подробности, отметим, что процесс подбора коэффициентов итеративен, а одним из основных шагов алгоритма подбора коэффициентов является минимизация функции ошибки, отражающей величину расхождений между экспертными оценками и оценками, которые были сформированы моделью с коэффициентами, полученными в результате предыдущей итерации на некоторой части экспериментальных данных.

Поясним процедуру сбора данных, на основе которых осуществлялась настройка вышеописанной модели. Для сбора данных был проведен эксперимент, в ходе которого студенты-добровольцы решали одну или две задачи в обучающей программе. После проведения эксперимента были собраны экспертные оценки.

Эксперты оценивали психическое состояние студентов на основе видеозаписей, в которых одновременно была доступна как запись с экрана студента, так и запись лица студента. Каждые 5 мин проигрывание видеозаписи работы студента останавливалось – эксперт должен был ввести оценки состояния студента в специальные поля окна программы. Затем для каждого 5-минутного фрагмента истории работы каждого студента был сформирован вектор, одна компонента которого соответствовала экспертной оценке психического состояния студента за рассматриваемый период, а остальные компоненты – численным характеристикам событий из истории работы, произошедшим в течение рассматриваемого периода. На основе этих данных (совокупности векторов) и были подобраны коэффициенты модели – c помощью известных методов машинного обучения.

3.Управление учебным процессом с использованием моделей обучаемого

• предоставление помощи (например, в виде кратких текстовых подсказок по следующему прогнозируемому шагу задачи или в виде ссылок на теоретический материал, который будет полезен при решении этой задачи),
• отказ в предоставлении помощи по запросу студента,
• рекомендация другого учебного материала взамен решаемой задачи (например, более простой задачи, если студент не может справиться с текущей задачей),
• рекомендация временного завершения работы в программе (как напоминание о необходимости периодического отдыха или констатирование того факта, что «студент сегодня не в форме»),
• показ различных мотивирующих сообщений (например, «ты уже почти решил эту задачу!»).

Как видим, успешность автоматизированного управления учебным процессом сильно зависит от степени веры обучаемого в интеллектуальность программы. Эта вера существенно зависит от того, насколько хорошо программа понимает его действия, в частности, что именно он ввел в тот или иной момент решения задачи в качестве шага решения. Как уже говорилось ранее, нельзя утверждать, что когда-либо алгоритмы проверки решений обучающих программ со 100% уверенностью смогут распознать любой шаг решения обучаемого. Поэтому алгоритм автоматизированного управления обучением должен лишь носить рекомендательный характер. Также должна существовать возможность его отключения по запросу обучаемого.

Между тем, в случаях нерационального поведения студентов (например, злоупотреблении студентами краткими текстовыми подсказками во время решения задач) все же можно влиять на процесс обучения, пускай и с привлечением дополнительных сил в лице преподавателя курса. Преподаватель может «штрафовать» студентов на основе автоматически сформированных отчетов об их поведении в обучающей программе. Таким образом, интеллектуальные обучающие программы могут существенно облегчить этот процесс как студенту, так и преподавателю, но в случае «хитрых» студентов с неправильной мотивацией (когда неинтересно изучать предмет, но интересно получать хорошие оценки) без участия преподавателя обойтись все равно будет невозможно.

Полезные ссылки

В качестве книги, в которой дан достаточно полный и относительно свежий обзор состояния исследований по интеллектуальным обучающим системам, рекомендую книгу Woolf, Beverly Park (2009). Building Intelligent Interactive Tutors. Morgan Kaufmann. ISBN 978-0-12-373594-2.

Практически ежегодно проходит конференция Intelligent Tutoring Systems. ITS 2010 была проведена в Питтсбурге (США), ITS 2012 — на Крите. Периодически проводит конференции общество AIED.

1. Shapiro J.A. An Algebra Subsystem for Diagnosing Students’ Input in a
   Physics Tutoring System
2. VanLehn K. (et al.) The Andes Physics Tutoring System: Lessons Learned
3. Baker R.S.J.d. (et al.) Towards Sensor-Free Affect Detection in
   Cognitive Tutor Algebra
4. Baker R.S.J.d. (et al.) Labeling Student Behavior
   Faster and More Precisely with Text Replays
5. Смирнова Н.В. Автоматизированный анализ психического состояния студентов по истории их работы в следящей интеллектуальной обучающей системе
6. B. de Boulay, Soldato T. Implementation of motivational tactics in
   tutoring systems

Источник: habr.com

Интеллектуальные обучающие системы. Структура и функционирование идеальной интеллектуальной обучающей системы

Интеллектуальные обучающие системы — это качественно новая технология, особенностями которой являются моделирование процесса обучения, использованием динамически развивающейся базы знаний; автоматический подбор рациональной стратегии обучения для каждого обучаемого, автоматизированный учет новой информации, поступающей в базу данных.

Появление таких систем оказалось практическим результатом применения методов и средств искусственного интеллекта в области автоматизированного обучения.

Интеллектуальная обучающая система способна выполнять различные функции педагога (помогать в процессе решения задач, определять причину ошибок обучаемого, выбирать оптимальное учебное воздействие) почти так же разумно, как это делает человек.

Экспертные обучающие системы.

Экспертная обучающая система (ЭОС) — это программа, реализующая ту или иную педагогическую цель на основе знаний эксперта в некоторой предметной области, осуществляя диагностику обучения и управления учением, а также демонстрируя поведение экспертов (специалистов-предметников, методистов, психологов). Экспертность ЭОС заключается в наличии в ней знаний по методике обучения, благодаря которым она помогает преподавателям обучать, а учащимся — учиться.

Архитектура экспертной обучающей системы включает в себя два основных компонента: базу знаний (хранилище единиц знаний) и программный инструмент доступа и обработки знаний, состоящий из механизмов вывода заключений (решения), приобретения знаний, объяснения получаемых результатов и интеллектуального интерфейса.

Обмен данными между обучаемым и ЭОС выполняет программа интеллектуального интерфейса, которая воспринимает сообщения обучаемого и преобразует их в форму представления базы знаний и, наоборот, переводит внутреннее представление результата обработки в формат обучаемого и выдает сообщение на требуемый носитель. Важнейшим требованием к организации диалога обучаемого с ЭОС является естественность, которая не означает буквально формулирование потребностей обучаемого предложениями естественного языка. Важно, чтобы последовательность решения задачи была гибкой, соответствовала представлениям обучаемого и велась в профессиональных терминах.

Понравилась статья? Добавь ее в закладку (CTRL+D) и не забудь поделиться с друзьями:

Источник: studopedia.ru

Перспективные исследования в области компьютерного обучения

Исследования в области компьютерного обучения сегодня развиваются по нескольким основным направлениям:

1. интеллектуальные обучающие системы;
2. учебные мультимедиа и гипермедиа технологии;
3. учебные среды, микромиры и моделирование;
4. использование компьютерных сетей в образовании;
5. новые технологии для обучения конкретным дисциплинам.

Интеллектуальные обучающие системы

Системы компьютерного обучения, которые используют методику искусственного интеллекта, называют интеллектуальными обучающими системами (ИОС).

ИОС справедливо считают наиболее перспективным направлением развития систем компьютерного обучения. Они реализуют адаптивное и двухстороннее взаимодействие, которое направлено на эффективную передачу знаний.

Адаптивной считается система, которая предоставляет необходимые пояснения для каждого обучаемого путем динамического управления, которое зависит от процесса обучения. Двусторонним является взаимодействие со смешанной инициативой, когда обучаемый может задавать вопросы или запрашивать решение задачи у системы.

Сдай на права пока
учишься в ВУЗе
Вся теория в удобном приложении. Выбери инструктора и начни заниматься!

Интеллектуальные обучающие системы отличаются друг от друга прежде всего методологией представления знаний о предметной области, об обучаемом и о процессе обучения.

Наиболее перспективный путь развития ИОС – создание самообучающейся системы, которая получает знания через диалог с человеком. Система совместного обучения человека и компьютера может состоять из следующих компонентов:

• микромир;
• учащийся – человек;
• учащийся – компьютер;
• интерфейс между двумя учащимися и микромиром;
• интерфейс между двумя учащимися.

Замечание 1

При разработке компьютерного «соучащегося» центральным вопросом должно быть соотношение между управлением и коммуникацией. Обучающая среда с искусственным интеллектом по методологии экспериментальной психологии и человеческой памяти MEMOLAB можно считать прототипом таких систем.

Другим направлением развития систем искусственного интеллекта являются распределенные системы, которые связывают более двух компьютеров и обеспечивают возможность обучения учеников через сотрудничество или соревнование, каждого на своем персональном компьютере. В таком случае происходит качественно новое классное обучение. По экспериментальным данным и результатам обучения можно сделать вывод, что подобное обучение является более эффективным и интересным по сравнению с обучением в одиночку.

«Перспективные исследования в области компьютерного обучения»
Готовые курсовые работы и рефераты
Решение учебных вопросов в 2 клика
Помощь в написании учебной работы

В системе преподавание происходит в трех режимах:

• режим вопросов – ученик задает компьютеру вопросы с целью получения ответов на задачи и их объяснений;
• режим исследования – совместное решение задачи ученика и компьютера, ученик предоставляет необходимую информацию для решения задачи;
• режим решения – ученик при самостоятельном решении задачи получает минимальную помощь и советы компьютера.

Стратегия решения задач учеником может быть следующей:

• дефектный стиль – ученик, владея материалом, допускает одну или несколько концептуальных ошибок;
• стиль «вокруг да около» – ученик пытается решить задачу ошибочными путями, ставит много не относящихся к правильному ходу решения вопросов);
• рефлексивный стиль – ученик владеет материалом, но решает задачу постепенно, возможно проходя через множество промежуточных этапов;
• импульсивный стиль – ученик поспешно выполняет решение, стараясь прийти к заключению без достаточных оснований;
• смешанный стиль – комбинация нескольких вышеперечисленных стилей.

Модели учеников могут строиться с использованием различных видов дифференциального анализа, когнитивной диагностики.

Современные интеллектуальные обучающие системы чаще всего используют знания о качественных (или количественных) аспектах процесса обучения. Однако важно учитывать и мотивационную сторону обучения. Мотивационными аспектами обучения, которые позволяют повысить успех в обучении, является соревновательный характер обучения, заинтересованность, самоконтроль, уверенность и удовлетворение.

Требования к обучающей системе:

• определение мотивационного состояния ученика;
• реагирование для мотивации неуверенных, невнимательных или недовольных учеников, для поддержки учеников с достаточной мотивацией. Для повышения мотивации возможно использование следующих приемов:
• при правильном решении задачи неуверенным учеником система предлагает ему решить подобную задачу для закрепления;
• внимание рассеянных или неактивных учеников можно активизировать с помощью неожиданных эффектов или вводных комментариев;
• интерес можно повысить с помощью различных головоломок, вопросов или знакомства с новыми темами.

Учебная мультимедиа и гипермедиа технология

Учебные мультимедиа и гипермедиа технологии представляют собой развитие технологий программированного обучения, когда ударение делается не на адаптивность обучения и его методическое обоснование, а на внешнее иллюстративно-наглядное оформление.

Средства мультимедиа и гипермедиа появились с развитием графических и звуковых возможностей персонального компьютера, а также возможностей их комплексного использования с системами учебного телевидения. Научные исследования в данной области состоят в разработке технологий создания больших по размеру учебных курсов с использованием возможностей мультимедиа и гипермедиа.

Использование персонального компьютера позволяет использовать возможности отображения текста, графики, воспроизведения звуковых и видеофрагментов в комплексе. Мультимедийные технологии широко применяются при создании электронных учебников.

Развитие идей мультимедиа нашли свое отражение в технологиях компьютерной виртуальной реальности, в которых с помощью специальных экранов, устройств, датчиков, шлемов, перчаток и т.п. происходит полное моделирование управления, например, мотоциклом, при котором у пользователя возникает полная иллюзия того, что он управляет этим мотоциклом.

Ситуация, которая сложилась в области компьютерного обучения, является парадоксальной:

Замечание 2

Несмотря на активные поиски, которые ведутся в области компьютерного обучения в различных направлениях, и обилие результатов, все же необходимы кардинальные изменения концепции обучения и подхода к компьютерному обучению. В первую очередь, необходимо разработать адекватную теорию компьютерного обучения, новые методы представления знаний и моделирования процесса обучения, а также поведения ученика.

Компьютерное обучение до сих пор привлекает интерес передовых ученых, педагогов и методистов всего мира. С использование методов компьютерного обучения стали изменяться стили и подходы к обучению.

Источник: spravochnick.ru