Метод разработки интеллектуальных тренажёров на основе онтологии предметной области

Метод разработки интеллектуальных тренажёров на основе онтологии предметной области

Автор: Сычв О.А., Пенской Н.А., Терехов Г.В.

Журнал: Онтология проектирования @ontology-of-designing

Рубрика: Прикладные онтологии проектирования

Статья в выпуске: 1 (55) т.15, 2025 года.

Бесплатный доступ

В учебных дисциплинах обучаемому необходимо усвоить много новых понятий, для чего требуется большой объём тренировки с обратной связью. Интеллектуальный тренажёр может позволить обучаемому научиться решать простые задачи и получать объяснения ошибок, а преподаватель на занятии может уделить время решению более сложных задач. В данной работе предлагается метод разработки интеллектуальных тренажёров на основе онтологии предметной области в виде веб-приложений, доступных для аудиторной и внеаудиторной работы. Использование формата RDF для представления задачи и модели предметной области позволяет осуществить логический вывод с помощью машины вывода Apache Jena Reasoner . Приведён пример разработки интеллектуального тренажёра для изучения порядка вычисления выражений с поддержкой языков программирования C++, C# и Python , способного объяснять ошибки, генерировать объясняющие подсказки и вести обучающий диалог с помощью наводящих вопросов. Тренажёр опробован при обучении бакалавров и магистров факультета электроники и вычислительной техники Волгоградского государственного технического университета. Большинство студентов отметили разработанный тренажёр как более полезный, чем обучающий тест. Тренажёр может применяться при самостоятельном изучении темы и при проведении занятий в рамках учебного процесса.

Еще

Интеллектуальный тренажёр, обучение, онтология предметной области, порядок вычислений выражений, вводные курсы, программирование

Короткий адрес: https://sciup.org/170208819

IDR: 170208819   |   DOI: 10.18287/2223-9537-2025-15-1-67-81

Список литературы Метод разработки интеллектуальных тренажёров на основе онтологии предметной области

  • Papadakis S., Kalogiannakis M., Zaranis N. Developing funda-mental programming concepts and computational thinking with scratchjr in preschool education: a case study. International Journal of Mobile Learning and Organisation. 2016; 10(3): 187–202. DOI:10.1504/IJMLO.2016.077867.
  • Rahmat M., Shahrani S., Latih R. Major Problems in Basic Programming that Influence Student Performance. Procedia - Social and Behavioral Sciences. 2012; 59: 287–296. DOI:10.1016/j.sbspro.2012.09.277.
  • Basu S., Biswas G., Sengupta P., Dickes A., Kinnebrew J.S., Clark D. Identifying middle school students’ challenges in computational thinking-based science learning. Research and Practice in Technology Enhanced Learning. 2016; 11(1): 1-35. DOI:10.1186/s41039-016-0036-2.
  • Ramabu T., Sanders I., Schoeman M. Manipulatives for Teaching Introductory Programming to Struggling Students: A Case of Nested-decisions. In Proceedings of the 13th International Conference on Computer Supported Education (CSEDU 2021). 2021; 1: 505–510. DOI: 10.5220/0010477505050510.
  • Pierrakeas C., Xenos M., Panagiotakopoulos C., Vergidis D. A comparative study of dropout rates and causes for two different distance education courses. International Review of Research in Open and Distance Learning. 2004; 5(2): 1-15. DOI: 10.19173/irrodl.v5i2.183.
  • Хаблиева С.Р., Каргиева З.К. Анализ мобильных технологий для организации учебного процесса школ. Вестник Северо-Осетинского государственного университета имени К. Л. Хетагурова. 2022; (4): 190-197.
  • Соловов А.В. Электронное обучение: проблематика, дидактика, технология. Самара: «Новая техника», 2006. 462 с.
  • Mitrovic A., Koedinger K.R., Martin B. A comparative analysis of cognitive tutoring and constraint-based modeling. Lecture Notes in Artificial Intelligence (Subseries of Lecture Notes in Computer Science). 2003;2702: 313–322. DOI: 10.1007/3-540-44963-9_42.
  • Aleven V., Koedinger K. An effective metacognitive strategy: Learning by doing and explaining with a computerbased Cognitive Tutor. Cognitive Science. 2002: 26(2): 147–179. DOI: 10.1207/s15516709cog2602_1.
  • .,.,. Students’ ways of experiencing visual program simulation. Computer Science Education. 2013; 23(3): 207–238. DOI:10.1080/08993408.2013.807962.
  • Kollmansberger S. Helping students build a mental model of computation. In Proceedings of the Fifteenth Annual Conference on Innovation and Technology in Computer Science Education, ITiCSE ’10. 2010;15:128–131. DOI: 10.1145/1822090.1822127.
  • Levy R., Ben-Ari M., Uronen P. The jeliot 2000 program animation system. Computers & Education. 2003; 40(1): 1–15. DOI: 10.1016/S0360-1315(02)00076-3.
  • Сычёв О.А., Стрельцов В.О. Использование шаблонов в виде регулярных выражений в тренировочных и контрольных тестовых вопросах с открытым ответом. Открытое образование. 2015; 2(109): 38-45. DOI: 10.21686/1818-4243-2015-2(109-38-45.
  • Углев В.А., Сычёв О.А., Аникин А.В. Интеллектуальный анализ цифрового следа при оценке контрольно-измерительных материалов для поддержки принятия решений в образовательном процессе. Журнал Сибирского федерального университета. Серия: Техника и технологии. 2022; 15(1): 121-136. DOI: 10.17516/1999-494X-0378.
  • Горисев C.А., Койнов А.В., Куземчик В.Д. Интеллектуальный лингвопроцессорный комплекс "КЛИОС" для обучения РКИ. Современные проблемы науки и образования. 2013; 6: 23-31.
  • Рыбина Г.В. Интеллектуальная технология построения обучающих интегрированных экспертных систем: новые возможности. Открытое образование. 2017; 21(4): 43-57. DOI: 10.21686/1818-4243-2017-4-43-57.
  • Hosseini R., Brusilovsky P. Javaparser: A fine-grain concept indexing tool for java problems. In Workshops Proceedings of AIED. 2013; 1009: 60–63.
  • McBride B. Jena: a semantic web toolkit. IEEE Internet Computing. 2002: 6(6): 55–59. DOI: 10.1109/MIC.2002.1067737.
  • Крыгин А.И., Гумеров М.Р., Москаленко Н.А., Сычёв О.А. Фреймворк для разработки интеллектуальных обучающих систем на основе моделей предметных областей в виде деревьев решений. Двадцать первая Национальная конференция по искусственному интеллекту с международным участием (КИИ-2023). 2023; Т.2: 206-217.
  • Хотелов Д.А., Радыгин В.Ю., Меркушева А.С. Разработка системы мониторинга безопасности для кластера информационных систем, базирующихся на платформе RUBY ON RAILS. Безопасность информационных технологий. 2018; 25(3): 88-100. DOI: 10.26583/bit.2018.3.09.
  • Мизюков Г.С. Проектирование LC/NC платформы на базе фреймворка Laravel. Инженерный вестник Дона. 2022; 11(95): 200-207.
  • Sychev O.A., Penskoy N.A., Terekhov G.V. A Tool to Teach Expressions with Feedback About Broken Laws // SIGCSE 2022: Proceedings of the 53rd ACM Technical Symposium on Computer Science Education (Providence, RI, USA, March 3-5, 2022) Association for Computing Machinery (ACM). [USA], 2022. Vol.2. P.1158. DOI: 10.1145/3478432.3499082.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp