МОДЕЛЮВАННЯ ЗНАНЬ У ДИСТАНЦІЙНОМУ НАВЧАННІ НА ЗАСАДАХ ІНТЕЛЕКТУАЛЬНОГО АНАЛІЗУ ДАНИХ
Артеменко В.Б.
к.е.н., доцент
Львівський торговельно-економічний університет (Україна)
victor.artemenko@gmail.com
Впровадження технологій дистанційного навчання – цілком закономірний етап адаптації вищої освіти до сучасних умов. Їх використання неможливе без онлайн курсів, розміщених на платформах автоматизованих навчальних систем, у т.ч. систем дистанційного навчання (Learning Management Systems – LMS).
Методика викладання з використанням систем управління дистанційним навчанням істотно відрізняється від традиційних технологій. Вона спрямована на самостійне вивчення курсу студентами з урахуванням, що значна частина роботи викладача перекладається на LMS. Фактично ці системи “здобувають” знання у викладача (автора онлайн або дистанційного курсу – ДК) і “доводять” їх до студента. Отож, основною особливістю систем дистанційного навчання є надання студентам можливості самостійно отримувати необхідні їм знання. Це викликає у свою чергу необхідність адаптації навчального процесу до студента на засадах індивідуалізації навчання.
Останнім часом активно розвиваються дослідження зі штучного інтелекту в освіті. AIED – Artificial Intelligence in Education, штучний інтелект в освіті – наукове співтовариство дослідників усього світу, які переймаються проблемами застосування технологій штучного інтелекту для навчання, що працюють над інтелектуалізацією сучасних освітніх комп’ютерних систем [1].
У зв’язку з цим актуальним є розроблення моделей видобування знань у дистанційному навчанні за допомогою методів інтелектуального аналізу даних. Серед цих методів важливу роль відіграють мультиагентні системи та штучні нейронні мережі.
Ми маємо на меті розглянути підходи до моделювання видобування знань у LMS Moodle на засадах агент-орієнтованої моделі (АОМ), в яку вбудовані три штучні нейронні мережі. Розроблення такої гібридної моделі спрямовано на підтримку комп’ютерних експериментів оцінювання тенденцій виробництва і поширення знань учасниками ДК одного з університетів України [2].
Специфікація задачі щодо створення гібрида АОМ передбачає побудову штучного суспільства, в якому взаємодіють три типи агентів ДК: А1 – автори, А2 – тьютори, А3 – студенти. Будемо також вважати, що агенти функціонують автономно: приймають рішення, здійснюють певні дії та взаємодіють з іншими агентами ДК.
Формалізований опис поведінки агентів ДК і результати комп’ютерного моделювання в середовищі SWARM представлені в роботі [3].
Ми ж хочемо дослідити ефективність використання пакетів AnyLogic [4] і STATISTICA Neural Networks [5] для розроблення гібридної АОМ оцінювання знань учасниками ДК.
Для побудови та навчання нейромереж з подальшим їх використанням у АОМ, нами були застосовані дані, які характеризують активність видобування знань агентами ДК. Через кількість записів (кліків), опублікованих у журналі подій системи Moodle, можна проводити річний моніторинг таких основних дій агентів ДК: перегляд, оновлення, додавання, видалення ресурсів і завдань у дистанційних курсах або на головній сторінці веб-центру. Ми використовували дані, на базі яких характеризуються 117000 дій 500 агентів, серед яких близько 10% складають автори дистанційних курсів, приблизно 20% – тьютори, решта – студенти ДК.
Для побудови нейронних мереж, ми вибрали пакет STATISTICA Neural Networks. Він має окремий модуль – генератор коду, який надає цьому пакету можливість створювати такий еквівалент навченої мережі, як некомпільований код на мові C/C++ або Visual Basic. Кожне обчислення і параметр нейронної мережі відкриті й доступні користувачу для перегляду і копіювання або зміни. Фрагменти коду побудованої таким чином штучної нейронної мережі можна вбудовувати як функції для використання коду в інших додатках. Тому важлива перевага такої можливості – STATISTICA Neural Networks необов’язково має бути встановлена на комп’ютері, де виконується згенерований код.
Побудовані з допомогою STATISTICA Neural Networks штучні нейронні мережі мають однакову архітектуру – багатошарові персептрони. Їх відмінності полягають у кількості нейронів прихованого шару та деяких інших параметрах.
Гібрид АОМ розроблявся у середовищі AnyLogic. Основними засобами є змінні, таймери і стейтчарти (блок-схеми або діаграми). Змінні відображають зміну характеристик агентів ДК. Таймери встановлюються на певний інтервал часу, після закінчення якого буде виконуватися задана дія. Стейтчарти надають можливість візуально представляти поведінку агента у часі під впливом подій або умов, вони складаються з графічного зображення станів та переходів між ними. Будь-яка складна логіка поведінки агентів у створюваній гібридній моделі в AnyLogic може бути виражена за допомогою комбінації зазначених засобів, а також вбудованих як функції кодів, створених раніше 3-х нейронних мереж.
Результати виконаних досліджень дозволяють зробити такі висновки та узагальнення:
агент-орієнтовані моделі та штучні нейронні мережі можна розглядати як інструментарій моделювання знань учасників ДК у системах дистанційного навчання;
результати комп’ютерних експериментів моделювання знань у системі Moodle можна застосовувати для розроблення механізмів адаптації навчального процесу до студента на засадах індивідуалізації навчання.
ЛІТЕРАТУРА
Сайт науково-технічної лабораторії новітніх інформаційних технологій.
Сайт Веб-центру Львівського торговельно-економічного університету.
Артеменко В.Б. Компьютерное моделирование коммуникативных взаимодействий агентов e-Learning // Образовательные Технологии и Общество. – 2010. – Т.13. – №2. - С. 345-354.