Построение интеллектуальной системы дистанционного обучения для людей с ограниченными возможностями

Введение. Одной из наиболее актуальных задач стремительно развивающегося современного информационного общества является эффективное использование последних достижений IT-технологий, в частности на базе интеллектуальных систем (ИС). Появление мощных персональных компьютеров высокой производительности и с большой емкостью памяти, необходимость обработки огромных массивов информации привели к бурному развитию новых интеллектуальных технологий дистанционного обучения (ДО) на основе нейронных сетей, генетических алгоритмов, искусственных иммунных систем [1] и т. д.

В настоящее время все больше возрастает тенденция разработки систем искусственного интеллекта (ИИ) на основе нейронных сетей (НС) и других биологических подходов. Это связано с различными аспектами в развитии ИИ. Первый состоит в способности нейроинтеллектуальных систем к обучению и самоорганизации, что позволяет создавать на их базе различные системы, обладающие свойством адаптации к внешней среде. Второй аспект этой проблемы характеризуется способностью таких систем после обучения обобщать и прогнозировать результаты обучения. Такое обобщение осуществляется путем интеграции частных данных, в результате чего происходит определение закономерностей процесса. Третий аспект заключается в способности решать трудно формализуемые задачи, для которых не существует эффективного математического алгоритма [2, 3].

С помощью НС [4] можно решать следующие задачи:

• —    распознавание образов для определения психологического типа личности и определения методики обучения;

• —    психодиагностика для рассмотрения возможности развития психологической интуиции у нейросетевых экспертных систем;

• —    классификация или кластеризация для разделения объема курса по разделам или по темам;

• —    принятие решений и управление. В качестве входных сигналов используются различные критерии описания состояния системы, а на выходе системы появляется признак принимаемого решения;

• —    прогнозирование или аппроксимация результатов обучения с обоснованием выводов на обучающих примерах;

• —    сжатие данных. Нейронные сети способны выявлять взаимосвязи между различными параметрами и представлять данные большой размерности более компактно, в случае если данные тесно взаимосвязаны друг с другом.

Основным препятствием на пути построения обучающих систем на основе искусственных нейронных сетей является необходимость работы с неточностью, неопределенностью и частичной истинностью [5]. Успеха в развитии интеллектуальных систем, в частности дистанционного обучения, можно достичь путем комбинации теории нечетких множеств, нейронных сетей, генетических алгоритмов и вероятностных вычислений. Нечеткая логика лежит в основе методов работы с неточностью, гранулированием информации, приближенными рассуждениями и вычислениями со словами. Нейровычисления отражают способность к обучению, адаптации и идентификации.

Вероятностные вычисления обеспечивают базу для управления неопределенностью. Генетические алгоритмы (ГА) позволяют систематизировать случайный поиск и достигать оптимального значения характеристик.

При оценке знаний обучающегося можно использовать механизмы генетического алгоритма. Данный алгоритм [6] повышает качество подготовки обучающихся за счет адаптивного формирования набора заданий. Реализация методик обучения на основе индивидуальных маршрутов способствует развитию профессиональной самостоятельности обучающихся, повышению профессионального интереса и индивидуализации обучения. Подход ГА реализуется с помощью метода случайного глобального поиска, который копирует механизмы естественной биологической эволюции. Он используется для решения задачи, связанной с перебором множества вариантов. Поскольку количество вариантов выборки из п элементов равно п\, то задача построения оптимальной в каком-либо смысле вы- борки с ростом числа структурных элементов может оказаться неоправданно трудной и ресурсоемкой. Данные алгоритмы существенно облегчают решение подобного рода задач.

В работе [7] описываются возможности применения моделей искусственных иммунных систем (ИИС) в различных областях науки, а также формулируется постановка задачи для разработки алгоритма, использующего механизмы упрощенной модели ИИС. Специфика задач прогнозирования состоит в одновременном использовании распознающих и оптимизационных способностей иммунной сети при построении математических моделей динамических процессов. Для объяснения иммунологических механизмов ИИС существуют разные теории и математические модели. Также наблюдается растущее число компьютерных моделей для имитации динамики различных компонент иммунной системы и ее поведения в целом. Эти подходы включают модели, сформулированные в виде систем дифференциальных и стохастических уравнений, клеточно-автоматные модели, модели пространства конфигураций и другие.

Разработано много приложений в этой области [8, 9]. В исследованиях [10, 11] обсуждается интеллектуальная адаптируемая система, которая реализует качественные дистанционные курсы на основе интеллектуальных обучающих систем. Предложенная система интегрирует знания, которые включаются в систему на этапе ее проектирования. Обсуждаются вопросы использования технологий глобальной сети Интернет и достижений в области ИИ для создания перспективных обучающих систем, которые позволяют адаптировать учебный процесс под конкретного учащегося с учетом его индивидуальных характеристик. ИС позволяют динамично осуществлять интерактивную помощь на уровне подсказок, примеров или объяснений. Это помогает выстроить индивидуальную траекторию обучения за счет выбора уровня и вида представления материала в зависимости от особенностей (ограничений) и индивидуального развития [12, 13].

Стремительное развитие ИС позволяет создавать благоприятные условия для получения полноценного, качественного и конкурентоспособного образования всем членам общества, независимо от их физических возможностей [14]. Адаптированные к индивидуальным потребностям учащихся интеллектуальные системы дистанционного обучения (IIC-ДО) позволяют создать оптимальные условия для обучения, которые способствуют повышению доступности и качества образования. Информационная система для людей с ограниченными возможностями (ЛОВ) представляет собой сложную интеллектуальную систему, которая включает в себя совокупность функциональных компонентов, каждая из которых обеспечивает требуемое качество обучения, носит динамический характер и позволяет адаптировать ЛОВ.

Возможная нерегулярность посещения учебных занятий в массовом учреждении, связанная с ограничением передвижения, заменяется обучением в удобное и подходящее время для ЛОВ. Гибкость структуры учебного процесса позволяет учесть потребности и возможности каждого обучающегося, его интересы и индивидуальный темп продвижения по изучаемому материалу. Основное достоинство дистанционной системы в обучении ЛОВ состоит в отсутствии строгой привязки к месту и времени проведения занятий, в индивидуализации обучения за счет адаптации уровня и формы учебного материала, исходя из индивидуальных особенностей каждого обучающегося. Также появляется возможность организации щадящего режима обучения: сокращается количество часов учебной нагрузки, нормируется количество времени, проводимого за компьютером, создается возможность многократного повторения изучаемого материала [15, 16].

Качество ДО определяется качеством программного обеспечения и учебных материа- лов, используемых в системе дистанционного обучения. Основными показателями качества, характеризующими программный продукт, являются функциональные возможности, надежность, практичность, мобильность и т. д.

• 1.    Образовательная среда Moodie (Modular Object-Oriented Dynamic Learning Environment). Одной из свободно распространяемых систем является дистанционная образовательная среда Moodie [17], которая позволяет эффективно проводить сетевое обучение, создавать курсы и реализовать современные дистанционные образовательные технологии. Использование сети Интернет в качестве канала обмена информацией дает возможность организации сетевого учебного процесса посредством встроенных расширенных сервисов интерактивного диалога между обучающимся и преподавателем, осуществляя контроль знаний на разных этапах дистанционного процесса. В процессе обучения студенты получают доступ ко многим учебным курсам, а преподаватели могут организовать учебный процесс, используя следующие возможности Moodie: проведение занятий, разработка индивидуальных заданий, тестов и многое другое. Широкие возможности для коммуникаций — одна из самых сильных сторон Moodie. Система Moodie имеет свои особенности функционирования.

• 1.    Система спроектирована с учетом достижений современной педагогики с акцентом на взаимодействие между обучающимися в виде обсуждения.

• 2.    Может использоваться как для дистанционного, так и для очного обучения.

• 3.    Имеет простой и эффективный web-интерфейс.

• 4.    Дизайн имеет модульную структуру и легко модифицируется.

• ■5. Подключаемые языковые пакеты позволяют добиться полной локализации.

• 6.    Обучающиеся могут редактировать свои личные учетные записи, добавлять фотографии.

• 7.    Каждый пользователь может указать свое локальное время, в которое для него будут переведены все даты (например, сроки выполнения заданий).

• 8.    Поддерживаются различные структуры курсов.

• 9.    Каждый курс может быть дополнительно защищен с помощью кодового слова.

• 10.    Богатый набор модулей-составляющих для курсов: чат, опрос, форум, глоссарий, рабочая тетрадь, урок, тест, анкета, Scorn, Survey, Wiki, семинар, ресурс.

• 11.    Изменения курса с момента последнего входа пользователя в систему могут отображаться на первой странице курса.

• 12.    Почти все набираемые тексты могут редактироваться встроенным WYSIWYG-редактором.

• 13.    Все оценки заданий могут быть собраны на одной странице.

• 14.    Доступен полный отчет по работе пользователя в системе, с графиками и деталями взаимодействия с различными модулями.

• 15.    Возможна настройка e-mail (рассылки новостей, форумов, оценок и комментариев преподавателей).

• 2.    Постановка задачи. Необходимо разработать интеллектуальную обучающуюся технологию и систему дистанционного обучения для людей с ограниченными возможностями как компоненту Moodie на основе современных методов искусственного интеллекта с целью изучения новейших технологий в лабораториях коллективного пользования (ЛКП).

На сегодняшний день можно подключиться к Moodie [18] с помощью смартфона или планшета из любого места: улицы, транспорта и др. В результате обучаемый сможет более рационально использовать свое свободное время и теоретически применять Moodie не только в роли системы ДО, но и в качестве полноценной системы мобильного обучения. Возникают некоторые проблемы при реализации данной технологии, так как Moodie изначально не запрограммирована для специализированной работы и поддержки мобильных устройств. Для решения данной проблемы в сообществе Moodie существует несколь- ко подходов, которые можно классифицировать по направлениям: серверное, клиентское и клиент-серверное. Возможность использования LMS (Learning Management System) Moodie в качестве полноценной системы мобильного обучения очень удобна, но данная возможность требует дополнительных затрат для установки на сервер и настройки специального программного обеспечения. Существующие проекты в этом направлении не универсальны или находятся в стадии разработки. Они не гарантируют совместимости со всеми версиями Moodie.

Эффективность обучения на основе ИСДО зависит от многих факторов обучающегося (возраст, память, заинтересованность, базовое образование, психологический портрет и т. д.). Однако существуют дополнительные требования к ИСДО для людей с ограниченными возможностями в зависимости от их физических и психологических особенностей. Внедрение разработанной ИСДО позволяет улучшить качество обучения, что способствует социальной адаптации этих людей в обществе. Использование подходов ИИ: нейронных сетей, генетических алгоритмов и ИИС [19] позволяет прогнозировать результаты обучения и оперативно управлять процессом получения знаний. Появляется необходимость обработки огромного потока многомерных данных в реальном масштабе времени, которую можно решать с помощью высокопроизводительных вычислительных кластеров в ЛКП. Ведущие страны мира используют и совершенствуют возможности суперкомпьютеров для решения особо сложных задач науки, образования, экономики, для формирования долгосрочных прогнозов в различных областях. В связи с этим Казахстан стремится следовать общим мировым тенденциям и увеличивает свои ресурсы высокопроизводительных вычислений. Национальная научная лаборатория коллективного пользования информационных и космических технологий Казахского национального технического университета имени К. И. Сатпаева является достижением мирового уровня. Данная лаборатория обеспечивает проведение научно-исследовательских работ по разным научным проектам в сфере IT-технологий и реализацию различных разработанных программ с помощью новейшего оборудования на базе мощных вычислительных кластеров. Данная ЛКП работает по следующим научным направлениям [20]:

• 1.    Разработка программного обеспечения для высокопроизводительных вычислений.

• 2.    Решение ресурсоемких вычислительных задач в области нефти и газа, геологии, машиностроения и экономики.

• 3.    Решение сложных задач в биоинформатике, биомедицине и фармацевтике.

• 4.    Применение инновационных суперкомпьютерных технологий в космических исследованиях.

• ■5. Обработка данных мультимедийных систем и виртуальной реальности.

• 6. Развитие телекоммуникационных компьютерных сетей для удаленного доступа к ресурсам Национальной научной лаборатории коллективного пользования информационных и космических технологий.

На основе вышеизложенного, в сфере IT-технологий ЛКП выполняет следующие задачи: 1) математическая обработка данных большого и сверхбольшого объема; 2) решение математических задач повышенной сложности; 3) исследования в области компьютерного зрения; 4) проблематика искусственного интеллекта; 5) развитие grid-технологий;

• 6)    исследования в области параллельного программирования; 7) исследования в области виртуализации.

• 3 . Интеллектуальная система дистанционного обучения. Разработка ИСДО на основе подходов ИИ имеет модульный характер.

Интерфейс системы позволяет осуществить (рис. 1) регистрацию обучающихся, построение модели обучаемого и выбор модели обучения. Основными модулями ИСДО являются:

• —    информационный блок, который содержит методы и средства хранения информации, включает в себя разработку баз данных, баз знаний, электронные учебники, электронные библиотеки, каталоги, справочную систему в виде поисковой системы и учебных консультаций (чат, форум);

• —    интеллектуальный блок, осуществляющий обработку многомерных данных в режиме реального времени на основе подходов ИИ (НС, ГА, ИИС) и прогнозирование результатов обучения;

• —    обучающий блок, с помощью которого реализуются методы, средства и формы передачи обучающей информации, направленные на конкретного студента с учетом его индивидуальных характеристик. Особенностью данного блока является организация выполнения лабораторных и практических работ в on-line режиме. Организация доступа к ЛКП является одной из наиболее сложных задач для практической реализации;

• —    контролирующий блок предназначен для оценки знаний обучающихся, отслеживания процесса обучения и успеваемости.

Данная система работает следующим образом. После регистрации обучающийся осуществляет выбор предмета обучения. Затем система предлагает пройти тестирование для построения модели обучающегося и определения его характеристик. Данная процедура определяет признаки обучающегося по следующим трем составляющим:

• —    интеллектуальный потенциал личности для определения уровня интеллекта и способности усвоения учебного материала в том или ином виде;

• —    мотивационный потенциал личности, который состоит из совокупности целей и потребностей обучающегося;

• —    психологический, физиологический и волевой потенциал личности, который обеспечивает преодоление трудностей при достижении цели, помогает быстро и оперативно реагировать на те или иные ситуации.

Входными данными интеллектуальной системы являются индивидуальные признаки, построенные в виде временных рядов, характеризующие каждого обучаемого.

Предложен следующий укрупненный алгоритм построения ИСДО для людей с ограниченными возможностями [21].

Алгоритм.

Шаг 1. Регистрация ЛОВ в системе дистанционного обучения. Выбор предмета и продолжительности обучения.

Шаг 2. Построение модели обучающегося с учетом его специальных особенностей (с помощью тестирования) и разработка базы данных.

Шаг 3. Интернет сервер принимает запросы от пользователя и передает данные запроса интерпретатору серверных сценариев, который реализует основную логику приложения, обрабатывает поступающие от пользователя данные.

Шаг 4. Предварительная обработка данных и обучение интеллектуальной системы.

Шаг 5. Организация доступа в ЛКП в зависимости от предмета обучения и обучающего курса.

Рис. 1. Структурная схема интеллектуальной системы дистанционного обучения

Шаг 6. Работа с „Обучающим блоком", где студент знакомится с выбранным теоретическим материалом и выполняет практические, лабораторные и самостоятельные работы. Изучение инновационных технологий на современном оборудовании в ЛКП.

Шаг 7. Контроль знаний ЛОВ. Прогнозирование результатов обучения на основе подходов ИИ [22].

Шаг 8. Комплексная оценка знаний ЛОВ.

Шаг 9. Оперативное управление процессом дистанционного обучения ЛОВ.

Заключение. Построение интеллектуальной системы дистанционного обучения для людей с ограниченными возможностями актуально в современном обществе. Данная система позволяет эффективно осваивать новейшие информационные технологии людьми с ограниченными возможностями на дорогостоящем оборудовании и обеспечивает оперативное управление процессом обучения. Интеллектуальная система имеет ряд достоинств:

• —    удобный интерфейс для эффективной работы с ИСДО;

• —    учитываются индивидуальные характеристики и особенности восприятия учебного материала обучающимися. Дает возможность адаптировать учебный процесс под конкретного обучаемого, особенно для ЛОВ с учетом его индивидуальных характеристик;

• —    обработка многомерных данных на основе подходов ИИ и прогнозирование результатов обучения;

• —    создается оптимальная модель обучения с помощью методов ИИ;

• —    возможность выполнения лабораторных и практических работ в реальном масштабе времени с помощью ЛКП на вычислительных кластерах;

• —    способность системы к расширению за счет модульной структуры ИСДО;

• —    возможность распределенных вычислений для обработки многомерных данных.

На разработанное программное обеспечения получено Свидетельство о государственной регистрации объекта интеллектуальной собственности в Комитете по правам интеллектуальной собственности МЮ РК: Самигулина Г. А., Самигулина З.И. „Разработка интеллектуальной системы управления дистанционным образованием на основе иммунносетевого моделирования", Астана, № 1882.