На пути к адаптивным обучающим системам

Инструментом познания согласно концепции параграфа 5.4 можно считать и про­цесс проектирования структуры гипертекста. Ранее нами [Гаврилова, 1996-99] был предложен подход, трактующий структуру (граф) гипертекста (ГТ) как «ске­лет» поля знаний, то есть наиболее информационно-нагруженный элемент поля знаний. Именно этот граф отражает структуру знания, которую можно назвать гиперзнания. Усвоение этой структуры является важнейшим компонентом про­цесса обучения. Очевидно, чем более будет конкретная структура ГТ соответство­вать индивидуальной когнитивной структуре, тем эффективнее будет идти про­цесс обучения. Фактически это означает, что обучение и тренинг будут организо­ваны не через навязывание конкретных когнитивных структур обучаемому и ломку старых представлений, а через проекцию нового знания на каркас индиви­дуального опыта и наращивание уже имеющихся когнитивных структур. Такая адаптация к индивидуальным познавательным структурам может существенно повысить эффективность обучающих систем.

Предлагаемый подход позволяет представить поле знаний предметной области в виде релевантной гиперструктуры HS, узлами которой являются концепты А, выделяемые экспертами как «опорные», то есть принципиально значимые. Свя­зи или отношения R используются для переходов между узлами. Такая трактов­ка является естественным развитием моделей представления знаний типа семан­тических сетей, которые на современном этапе считаются наиболее адекватными человеческой структуре памяти [Величковский, 1982; Шенк, Хантер, 1987]. Ес­тественно, что такие концептуально-когнитивные структуры отличаются резкой индивидуальностью, связанной с личностными, интеллектуальными и профес­сиональными различиями носителей знаний. В некотором смысле такая струк­тура является когнитивной моделью индивида.

Предлагаемый подход согласуется с концепцией мультидеревьев [Furna, Zacks, 1994], реализующей множественное представление ПО. Модель пользователя, сформированная по этому принципу, будет отражать «модель мира» данного конкретного пользователя в виде гиперграфа, узлы которого, в свою очередь, мо­гут быть раскрыты в виде гиперструктур более низкого уровня. Фактически это соответствует субъективным концептуальным структурам в памяти. Часто в про­блематике AOC используют понятие «сценария». Традиционно под сценарием понимается описание содержательного, логического и временного взаимодействия структурных единиц программы, с помощью которых реализуется авторская цель [Бойкачев, Конева, Новик, 1994].

Очевидно, что в гипермедиа учебных приложениях естественным представлением сценария является граф гипертекста. При этом важно добиваться, чтобы этот сценарий соответствовал (был релевантным) представлениям, как учителей, так и учеников.

Релевантная ГТ - структурапредставляет стратифицированную сеть HS=<A,R>, отража­ющую иерархию понятий предметной области в форме, соответствующей профессио­нальным представлениям экспертов и не вызывающей когнитивного диссонанса у пользователя.

Для формирования стратифицированного множества вершин А можно исполь­зовать модификацию алгоритмов объектно-структурного анализа ОСА (пара­граф 3.4).

Алгоритм «ОСА-гипер»

1. Сформулировать цель и собрать от экспертов всю доступную информа­цию.

2. Определить количество страт N, подлежащих формированию.

3. Из информации, полученной от экспертов и из литературы, выбрать все значимые основные объекты и понятия {А} и разместить их по стратам, сформировав опорные метаузлы ГТ структуры.

4. Детализировать концепты, пользуясь нисходящей концепцией (top-down).

5. Образовать метапонятия по концепции (bottom-up).

6. Исключить повторы, избыточность и синонимию.

7. Обсудить понятия, не вошедшие в структуру ГТ с экспертом и включить их или исключить.

8. Выявить основные отношения {R} и спроектировать эскиз ГТ структу­ры.

9. Провести обследование потенциальных пользователей с целью выявле­ния их когнитивных представлений о данной ПО, а также формирова­ния модели пользователя.

10. Привести в соответствие эскиз ГТ и представления пользователя.

11. Сформировать ряд сценариев обхода ГТ с целью упрощения навигации и учета необходимых сценарных связей и включить их в структуру.

Данный алгоритм выявляет канонический или основной сценарий, альтернатив­ные сценарии формируются на основании либо иного опыта преподавания, либо с учетом категории пользователей.

Последовательное применение данного подхода и визуальных методов проекти­рования позволило сформировать ГРАФИТ-технологию и реализовать ее в ряде программных продуктов ВИКОНТ (ВИзуальный Конструктор Онтологии), ПЕ­ГАС (ПроЕктирование Гипер-Активных Схем) [Гаврилова и др., 1998-2000] (рис. 5.11).

Рис. 5.11. ГРАФИТ-технология визуального проектирования ГТ

При разработке гипермедиа-приложений необходимо также учитывать фактор сбалансированности звуковых и видеоузлов опорной ГТструктуры, то есть аудио- и видеофрагменты должны равномерно распределяться на сети. Для это­го в технологию ГРАФИТ введено понятие «раскраски» узлов, что позволяет на­глядно оценить сбалансированность сети по аудио - и видеонагрузке. Алгоритм «ОСА-гипер» учитывает необходимость анализа не только исходной информа­ции, но и навигационных возможностей:

• перемещение на экран назад;

• возврат к началу;

• возврат к началу секции;

• просмотр структуры;

• озвучивание экрана;

• включение видео;

• помощь;

• перемещение на экран вперед.

Особенно ценно в реализации графической навигации то, что в произвольный момент пользователь может посмотреть структуру сценария и понять, в каком месте он сейчас находится.

Данный подход использован при создании ГТ АОС в области инженерии знаний для систем дистанционного обучения (Gavrilova, Stash, Udaltsov, 1998). Системы обучения в области ИИ имеют пока небольшую историю, хотя при отсутствии учебников по данным дисциплинам эти электронные учебники особенно необхо­димы. Известны лишь единичные работы в нашей стране и за рубежом - «База знаний для разработчиков ЭС» [Молокова, Уварова, 1992] и KARTT (Knowledge Acquisition Research and Teaching Tool) [Liebovitz, Bland, 1994].

При проектировании любой ГТ структуры нетривиальной задачей является вы­деление «опорных» концептов - вопрос, практически не освещенный в литера­туре. В работе [Гаврилова, Червинская, 1993] представлен обзор различных ме­тодов извлечения знаний, частично включающих и исследования по выявлению значимых концептов. Можно предложить использовать для этой цели методы многомерного шкалирования, позволяющие выявлять структуру индивидуаль­ных ментальных пространств, анализируя попарные связи понятий предметной области (см. п. 5.1).

Эти методы использовались и ранее для изучения семантических пространств памяти [Терехина, 1988; Петренко, 1988; Cook, 1985], однако можно использовать новый подход, ориентированный на анализ не только осей ментальных про­странств с выявлением соответствующих конструктов, но и точек сгущения поня­тий, называемых «аттракторами» для выявления метапонятий или концептов.

В дальнейшем эти концепты образуют узлы {А} релевантной ГТ структуры, кото­рую можно фактически трактовать как модель пользователя UM (user model):

UM = {A, R}.

Более широкие исследования [Voinov, Gavrilova, 1993; Воинов, Гаврилова, 1994] показали, что психосемантические методики (см. п. 5.1), обогащенные новыми элементами (использование метафорических планов), могут способствовать вы­явлению имплицитных структур знаний, не поддающихся выявлению другими методами.

Использование UM как гиперструктуры в гипертекстовых АОС позволяет созда­вать «гибкие» релевантные сценарии, ориентированные на когнитивные особен­ности определенных групп пользователей. Последнее замечание можно также от­нести к разработке систем гипермедиа. Очевидно, что глубокое и конструктивное изучение человеческого фактора в области computer science может существенно раздвинуть ограничения современных интеллектуальных и обучающих систем.

Дата добавления: 2015-07-02