МОДЕЛЮВАННЯ СЦЕНАРІЇВ АДАПТИВНОГО НАВЧАННЯ З ВИКОРИСТАННЯМ МЕРЕЖ ПЕТРІ

Краткое содержание

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі обґрунтовано актуальність теми дисертаційної роботи на основі аналізу публікацій, визначено мету та завдання дослідження, об’єкт, предмет і методи дослідження, наведено наукову новизну, практичне значення отриманих результатів і відомості про впровадження та апробацію результатів дослідження, особистий внесок здобувача та публікації.

Перший розділ присвячено аналізу можливостей сучасних систем підтримки дистанційного навчання та адаптивних і інтелектуальних навчальних систем.

Детальний огляд систем, що набули найбільшого застосування в навчальних закладах України: "Прометей", Lotus Lea ingSpace,  Web Course Tools, MOODLE свідчить про відсутність механізмів адаптації до моделі студентів стосовно подачі навчальних матеріалів. Навчальні курси представлені сукупністю гіпертекстових документів без диференціації за якимось параметром. Усі студенти навчаються за однаковими навчальними сценаріями без врахування їх індивідуальних особливостей. Слід зауважити, що останнім часом посилюється тенденція створення модулів, плагінів і спеціалізованих SCORM-редакторів для створення адаптивного контенту й адаптивних тестів для систем LCMS (Lea ing Content Managment System – системи управління навчальним контентом). Проте метою створення адаптивного контенту є, насамперед, сумісність компонентів і можливість їх багатократного використання, тобто навчальний матеріал представлений окремими невеликими блоками, які можуть включатися в різні навчальні курси та використовуватися системою дистанційного навчання (СДН) незалежно від того, ким, де і за допомогою яких засобів вони були створені. Засоби контролю представлені у вигляді тестів у більшості систем також без врахування рівня підготовки студентів. Спроби реалізації адаптивного тестування здійснені за допомогою алгоритму надання завдань зі систематичним наростанням рівня складності (СДН «Херсонський віртуальний університет», Moodle 1.9.x (плагін QuizPort)).

Проаналізовано комп'ютерні навчальні системи, які використовують моделі студента (OLAE, HBLE, ATS, Eon, FLUTE, SMART, KBS Hyperbook System, IDEAL). Для відображення інформації про студента в них використовуються різні можливості – такі, як граф знань, база знань, мережі Баєса й інші. Моделі студента можуть бути розділені на дві основні групи: фіксуючі й імітаційні. Фіксуючі, у свою чергу, включають скалярні, оверлейні (векторні й мережні) та генетичні графи. До імітаційних можна віднести моделі обмежень, помилок і фальшправил. На сьогодні найбільш часто зустрічаються векторні й мережні моделі – 45 % і 48 % відповідно. У мережних моделях інформація про студента відображається, як правило, за допомогою графа знань, вершини якого відповідають квантам навчальної інформації, а дуги показують відношення між ними.

Проаналізовано інтелектуальні навчальні системи (CALAT, Medtec, Manic, DCG, SIETTE, ILESA), адаптивні гіпермедіа системи (InterBook, AST, ADI,  ART-Web, ACE, Remedial Multimedia System, AHA, WEST-KBNS, MetaLinks, KBS Hyperbook), системи, що поєднують адаптивну гіпермедіа та методи інтелектуальних навчальних систем (ELM-ART, ELM-ART-IІ, PAT-InterBook, VC Prolog Tutor) на предмет використовуваних у них адаптивних і інтелектуальних технологій. Ці системи використовуються досить мало через складнощі наповнення баз знань, створення предметних, адаптаційних моделей, налаштувань систем, що потребують спеціальних знань (наприклад, знання адаптаційної мови LAG-XLS для створення стратегій навчання в AHA!) або вузьку спеціалізацію (LISP-TUTOR).

Окремо слід виділити вітчизняну систему FreshKnowledge. Вона поєднує в собі риси системи управління контентом і адаптивної системи, оскільки дозволяє організувати користувачу безперервне навчання через Інтернет як генерацію персонального освітнього середовища. Система також надає можливість автоматичного створення тестів завдяки спеціальній структурі збереження контенту. Індивідуалізація процесу навчання здійснюється на основі моделювання професійних компетенцій спеціаліста і їх зв’язку з навчальними матеріалами.

Отже, актуальним на сьогодні є створення дистанційної адаптивної навчальної системи, яка б враховувала індивідуальні особливості студентів і адаптувала форми та методи подання знань у залежності від їх когнітивних  можливостей, створюючи при цьому індивідуальні стратегії та сценарії навчання.

У другому розділі описано теоретичні засади адаптивного навчання.

Аналіз адаптивних і індивідуалізованих комп’ютерних навчальних систем (HBLE, OLAE, ATS, KBS Hyperbook System, AHA!, MONAP-II, ELM-ART тощо)  показав, що найпоширенішими параметрами, які використовуються для відображення  інформації про студента і враховуються в моделях студента, є наступні: рівень знань, психологічні характеристики (тип особистості, орієнтація й ін.), швидкість або стиль навчання (засвоєння, вивчення), здатність до навчання (дуже уважний, середньо, мало), рівень умінь і навичок, метод або стратегія навчання, структура курсу.

Оскільки пам'ять є одним з найважливіших психічних процесів, на якому безпосередньо базується навчання, доцільно додати параметр забування вивченого матеріалу до моделі студента.

Дослідження процесів научіння дозволили виявити, що результати  багатьох експериментів, які перевіряли зв'язок між інформаційними і тимчасовими  змінними в ході навчання, задовільно апроксимуються  експоненціальними функціями.