Исследование и разработка моделей рассуждений в интеллектуальных обучающих системах

• Автор: Жуковская, Наталья Константиновна
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2004
• Место защиты: Таганрог
• Количество страниц: 220 с. : ил.

1. АНАЛИЗ ПОДХОДОВ К СОЗДАНИЮ ОБУЧАЮЩИХ СИСТЕМ
1.1. Классификация обучающих систем
1.2. Особенности интеллектуальных обучающих систем
1.3. Обзор существующих интеллектуальных обучающих систем
1.4. Выводы
2. РАЗРАБОТКА МОДЕЛЕЙ РАССУЖДЕНИЙ ОРГАНИЗАЦИИ АДАПТИВНОГО УПРАВЛЕНИЯ ПРОЦЕССОМ ОБУЧЕНИЯ
2.1. Особенности систем оценки уровня знаний
2.2. Особенности построения модели обучаемого на основе методов распознавания образов
2.3. Классификация обучаемых по уровням знаний на основе правдоподобных рассуждений
2.4 Разработка алгоритмов адаптации на основе модели обучаемого
2.5. Выводы
3. МЕТОДЫ ПРЕДСТАВЛЕНИЯ И ОБРАБОТКИ ЗНАНИЙ В ИНТЕЛЛЕКТУАЛЬНЫХ ОБУЧАЮЩИХ СИСТЕМАХ
3.1. Моделирование принятия решений на основе процедурного подхода
3.2. Методы обучения и оценки знаний в игровой обучающей системе
3.3. Ситуационная модель обучения в среде виртуальной реальности
3.4. Выводы
4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНЫХ ОБУЧАЮЩИХ СИСТЕМ
4.1. Особенности построения и верификация интеллектуальной системы адаптивного управления процессом обучения и оценки знаний
4.2. Реализация интеллектуальной системы передачи процедурных знаний
4.3. Разработка игровой обучающей системы
4.4. Разработка системы ситуационного обучения в среде виртуальной реальности
4.5. Выводы
ЗАКЛЮЧЕНИЕ СПИСОК ИСТОЧНИКОВ ПРИЛОЖЕНИЯ
ПРИЛОЖЕНИЕ 1. ИНТЕРФЕЙС ПОЛЬЗОВАТЕЛЕЙ СИСТЕМЫ АДАПТИВНОГО УПРАВЛЕНИЯ ПРОЦЕССОМ ОБУЧЕНИЯ
ПРИЛОЖЕНИЕ 2. ИНТЕРФЕЙС ПОЛЬЗОВАТЕЛЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ ПЕРЕДАЧИ ПРОЦЕДУРНЫХ ЗНАНИЙ
ПРИЛОЖЕНИЕ 3. ИНТЕРФЕЙС ПОЛЬЗОВАТЕЛЕЙ ИГРОВОЙ ОБУЧАЮЩЕЙ СИСТЕМЫ
ПРИЛОЖЕНИЕ 4. ИНТЕРФЕЙС ПОЛЬЗОВАТЕЛЯ СИСТЕМЫ СИТУАЦИОННОГО ОБУЧЕНИЯ
ПРИЛОЖЕНИЕ 5. АКТЫ О ВНЕДРЕНИИ И ИСПОЛЬЗОВАНИИ РЕЗУЛЬТАТОВ ДИССЕРТАЦИОННОЙ РАБОТЫ

Актуальность проблемы. Существующие на сегодня средства обучения можно отнести к двум противоположным полюсам: обучающие программы и комплексные тренажерные системы [1]. Первые достаточно просты и решают частные задачи подготовки. Вторые представляют собой сложные, закрытые и дорогие программно-аппаратные комплексы, ориентированные на профессиональную подготовку операторов в различных областях человеческой деятельности.
В последние годы, в связи с развитием ресурсов вычислительных средств и телекоммуникационных технологий наметилась тенденция к проектированию обучающих систем, занимающих промежуточное место между обучающими программами и комплексными тренажерными системами. Эти системы должны предоставить возможность свободного управления объектом, с информационным обеспечением процесса управления примерно такой же полноты, как и в комплексных тренажерах.
Основной проблемой при реализации таких систем является разработка механизмов рассуждений, обеспечивающих адаптивное обучение, контроль и оценку знаний. В этой связи задача создания моделей рассуждений, позволяющих организовать открытые системы обучения, является актуальной. Такого рода системы должны анализировать стратегии поведения обучаемого и выявлять области незнания.
Вопросы построения и использования экспертных обучающих систем рассматривались в работах Адамович И.М., Черевик Д.В., Бабанина JI.H., Брусиловского П.Л., Баловнева О.Т, Казеннова А.Ю., Берестовой В.И., Заволович О.В., Рыбиной Г.В. Принципы построения систем диалога для обучающих систем рассмотрены в работах Машбиц Е.И., Андриевской В.В., Комиссаровой Е.Ю., Голицыной И.Н., Гофен А.М., Левина H.A., Корниловой Т.В., Тихомирова O.K., Петровой H.A., Сухининой М.А., Федорова Б.И.,
Результатом такой операции является отнесение объекта, имеющего набор признаков Х|, Х2, Х„ (точка в п-мерном пространстве), к классу если указанная точка лежит в соответствующей классу области признаков - 0(.
Распознавание основывается на сравнении значений той или иной меры близости распознаваемого объекта с каждым классом. При этом, если значение выбранной меры близости (сходства) Ь данного объекта у с каким-либо классом XV. достигает экстремума относительно значений ее по другим классам, то принимается решение о принадлежности этого объекта классу (, то есть ч¥е\^. Если мера близости не имеет экстремума, то мы находимся на границе, где не можем отдать предпочтение ни одному из классов.
В алгоритмах распознавания, использующих детерминированные признаки в качестве меры близости, используется среднеквадратическое расстояние между данным объектом ЛУ И совокупностью объектов (У1,У2 УП), представляющих (описывающих) каждый класс. В алгоритме распознавания, использующем детерминированные признаки можно учитывать и их веса V,-(устанавливать степень доверия или важности).
Для алгоритмов, основанных на логических признаках, понятие “мера близости” не имеет смысла. Имея значения логических признаков достаточно подставить их в булевы соотношения между классами и признаками, чтобы сразу получить результат как истинность или ложность булевой функции описания того или иного класса.
Для алгоритмов, основанных на структурных (лингвистических) признаках, понятие “меры близости” более специфично. С учетом того, что каждый класс описывается совокупностью предложений, характеризующих структурные особенности объектов соответствующих классов, распознавание неизвестного объекта осуществляется идентификацией предложения, описывающего этот объект, с одним из предложений в составе описания какого-либо класса. При этом идентификация может подразумевать