САПР и интеллектуальные обучающие технологии

Сидоркина Ирина Геннадьевна доктор технических наук декан факультета Информатики и вычислительной техники, Поволжский государственный технологический университет 424000, Россия, Марий Эл область, г. Йошкар-Ола, пл. Ленина, 3 Sidorkina Irina Gennad'evna Doctor of Technical Science Dean of the Faculty of Computer Science and Computer Engineering at the Volga State Technological University 424000, Russia, Marii El oblast', g. Ioshkar-Ola, pl. Lenina, 3 igs592000@mail.ru Другие публикации этого автора

Введение. Современная образовательная система функционирует как среда быстрого анализа разделяемой информации (FASMI) ^[1], что определяет ее как аналитическую. Назначение систем аналитической обработки информации: работа с данными, распределенными в глобальных вычислительных сетях, извлечение и обработка слабоструктурированной информации, знаний.

Эффективность применения САПР для решения когнитивных задач в распределенной среде зависит от многих факторов. В первую очередь следует отметить существование категорий пользователей, которые могут обращаться к автоматизированной системе для интерактивного проектирования распределенного информационного ресурса. Система при этом обеспечивает формирование исходного описания дисциплинарного курса и задание его отдельных параметров, таких как темы, конспекты, структурно-связанное описание методики изучения материала, позволяет получить информацию о параметрах проектируемого информационного объекта и состоянии процесса его создания; выбрать стратегию реализации технологического маршрута обучения с учетом характера решаемой задачи; применить интерактивные средства оценки свойств и обеспечить визуализацию отдельных показателей состояния процесса, демонстрирующих применимость варианта проектного решения. Использование сервисных редактирующих и проектных процедур для интерактивной доработки проекта и визуальный контроль обеспечивают управление ходом процесса автоматизированного проектирования объекта информационных технологий (ОИТ).

В зависимости от собственного опыта работы с ЭВМ и САПР различные пользователи (создатели курсов) по-разному интерпретируют сообщения системы, пользуются средствами редактирования, интерактивной оценки свойств проекта и принимают решения. Эта проблема приводит к увеличению стоимости, трудоемкости создания информационного объекта когнитивного назначения, и как следствие ограничивает сферу применения и проектирования таких систем.

Пользователи систем создания образовательных приложений сталкиваются с большим количеством интеллектуальных задач, требующих принятия решения и выбора конкретных действий на основе анализа множества параметров объекта и требований к ним, оперируя большим объемом, часто неполной неточной, а часто противоречивой информацией. Поэтому традиционный подход с использованием алгоритмизированных моделей решения оказывается неприемлемым для решения плохо формализованных задач, таких как создание информационного объекта.

Основными целями использования интеллектуальных обучающих технологий в САПР являются: расширение сферы действия известных алгоритмических моделей ^[2,3] проектирования для качественно нового объекта и для иной среды их применения; для оказания системой квалифицированной помощи проектировщику курса в процессе его создания; при снижении психической и физической нагрузки на него; повышении удобства создания веб-курса; устранения высоких требований к уровню подготовки пользователя по созданию образовательных приложений; при сокращении времени и материальных затрат на проектирование информационного объекта.

Характерными особенностями автоматизированных систем, построенных на основе интеллектуальных технологий [4–6], являются следующие: наличие собственной внутренней модели предметной области, обеспечивающей ее индивидуальность, относительную самостоятельность в оценке текущей ситуации, возможность семантической и прагматической интерпретации событий; способность накапливать и уточнять знания системы, адаптироваться к изменениям внешних условий; способность создавать информацию, которая в явном виде не содержится в системе, что позволяет системе воспроизводить информационную структуру с новой прагматической и семантической направленностью; умение системы оперировать в ситуациях, связанных с различными аспектами неточности в тех областях, где отсутствует формализованная теоретическая база, путем принятия эмпирических ассоциаций, включая «понимание» естественного языка или его профессионального диалекта; возможность проводить дедуктивные рассуждения на наборе фактов, описывающих ситуацию (по проведению маршрутов обучения), сопоставляя их и получая условия выполнения и необходимость определенных действий или вероятность реализуемых гипотез; способность оценивать последствия гипотетических действий и разрабатывать альтернативные планы достижения поставленных целей; реализацию процесса обучения.

Главная особенность построения интеллектуальной САПР для проектирования информационного объекта заключается в необходимости синхронизации процесса автоматической обработки проектной информации и процесса логического вывода, т.е. организации параллельных вычислений по обоим каналам в режиме реального времени.

1. Постановка задачи. Наполнение обучающего курса информационными компонентами осуществляется с использованием методов размещения в непрерывном пространстве, с учетом меры связности информационных компонентов в плане или подплане и как следствие в конспекте. Кроме того, при создании курса используется метод последовательного конструирования и анализа, на базе инвариантного ядра САПР и классических алгоритмов синтеза, использующих квадратичную задачу о назначении и задачу коммивояжера в качестве моделей. Как известно ^[2,3,7], перечисленные задачи являются NP - полными.

Целью использования интеллектуальных технологий в среде образовательного приложения является использование знаний об области изучения, студенте и о стратегии преподавания, чтобы поддержать гибкое индивидуализированное изучение и обучение. Основные технологии ^[8], такие как упорядочение материала (curriculum sequencing), интеллектуальный анализ решений задач (intelligent analysis of student's solutions), поддержка интерактивного решения задач (interactive problem solving support) были подробно описаны ранее. В последнее время добавились технологии поддержки решений, основанные на примерах ( example-based problem solving support) и группа технологий «сравнения моделей».

Упорядочение материала

Основная задача технологии упорядочения материала состоит в том, чтобы обеспечить студента наиболее пригодной и индивидуально запланированной последовательностью знаний (примеры, вопросы, задания), для изучения материала от самого простого к сложному. Другими словами, она помогает студенту обнаружить «оптимальный маршрут» через изучаемый материал. Существует также два типа упорядочения: активное и пассивное. Первое основывается на целях обучения (набор доменных понятий или тем , которыми нужно овладеть). Для систем второго типа характерно определение наилучшего индивидуального маршрута через изучаемый материал, чтобы достигнуть цели обучения. Пассивное упорядочение не требует цель изучения. Данная технология вступает в работу, когда пользователь не способен решить задачу или ответить на вопрос (или вопросы) правильно. Система должна предложить пользователю к изучению набор доступного материала, который может заполнить пробел в знании. В большинстве систем с упорядочением можно различить два уровня: высокий и низкий. Высокоуровневое упорядочение, или упорядочение цели, определяет следующую подцель изучения: понятие, набор понятий, новая тема или раздел. Упорядочение низкого уровня, или упорядочение задания, определяет изучение задания в пределах текущей подцели (задачи, теста).

Интеллектуальная поддержка решения задач

Выделены три технологии поддержки: интеллектуальный анализ студенческих решений; интерактивная поддержка решения задач или изучения проблемы, поддержка решения задач, основанная на примерах.

Интеллектуальный анализ студенческих решений работает со студенческими конечными ответами на вопросы независимо от того, как эти ответы были получены. Чтобы считаться интеллектуальным, анализатор решения должен обнаружить, правильно решение или нет; определить, что точно не правильно и не полно; а возможно и опознать, какой не пройденный материал может быть ответственен за ошибку.

Интерактивная поддержка решения задач или изучения проблемы более поздняя и наиболее мощная технология. Вместо того, чтобы ждать конечного решения эта технология может обеспечить студента интеллектуальной помощью на каждом шаге изучения материала или решения задачи. Уровень помощи может измениться: от оповещения о неправильном шаге до подсказки при выполнении следующего шага студентом. Системы, реализующие эту технологию, могут наблюдать за действиями студента, понимать их и использовать это понимание для обеспечения помощи и коррекции студенческой модели (или так называемого профиля пользователя).

Поддержка решения задач, основанная на примерах, является одной из новейших технологий. Она помогает справится с проблемой, не формулируя ошибки, а предлагая уже успешно решенные задания из более раннего опыта, хранящиеся в хранилище информации.

Сущность технологий сравнения моделей – в способности анализировать и сравнивать студенческие модели многих студентов. Традиционные адаптивные и интеллектуальные обучающие системы не могут использовать эту технологию, а в веб-контексте эта возможность реализуется естественно, т.к. модели пользователей (профили) обычно сохраняются централизованно на сервере. В рамках технологии реализуются две стратегии: поддержка сотрудничества и интеллектуальная проверка класса.

Планирование маршрутов обучения заключается в определении конкретного пути навигации в образовательном пространстве курса, реализующего соединения между составляющими его функциональными элементами, на основе контейнера в соответствии с образовательными технологиями, такими как упорядочение материала, адаптивное представление и поддержка адаптивной навигации в образовательном пространстве курса, интеллектуальный анализ решений задач, поддержка интерактивного решения и поддержка решений задач, основанная на примерах . В области традиционных приложений, интерактивная поддержка решения задач доминирует над остальными технологиями. Поддержка адаптивной навигации заключается в том, чтобы помочь студенту в ориентации и навигации в гиперпространстве путем изменения характеристик видимых гиперсвязей с использованием выделенных критериев и интеллектуальных составляющих.

Специфика предметной области (ПО) проектирования информационного объекта заключается в многоплановости, разносторонности и слабой структурированности задачи, что не позволяет сформировать единую универсальную схему представления знаний. Учет характера решаемых проблем требует абстрагирования от ряда свойств объекта и отношений между ними.

Информация, необходимая для функционирования интеллектуальной системы проектирования должна включать сведения:

- о конкретных характеристиках объекта проектирования, сведения о его свойствах и ограничениях на структуру;

- алгоритмах проектирования и эвристических приемах преобразования проектируемого объекта ;

- математических моделях ОИТ и задач проектирования;

- существующих в ПО каузальных отношениях между компонентами объекта;

- индивидуальных моделях пользователя или схемах предпочтения (приоритетов).

Основным концептуальным принципом САПР, на основе которого осуществляется разработка моделей ОИТ_, является принцип иерархической декомпозиции. Поэтому процесс проектирования объекта подвергается декомпозиции на логически завершенные подпроцессы.

Концептуальная модель предметной области, ориентированная на знания включает множество фактов, эвристик, правил, процедур , стратегий и закономерностей.

Кроме того, необходима разработка концептуальной модели объекта проектирования для обеспечения:

- использования одинакового математического аппарата манипулирования структурами данных и знаний;

- создания тесной взаимосвязи данных и знаний;

- динамически эффективного использования данных и знаний.

Гиперграф курса G, модель которого представлена на рис.1, демонстрирует логически связанные подпланы, описывающие базовый сценарий курса. Атрибутивные поля R определяют смысловое содержание фрагмента проектируемого курса. R и Q – представляют соответственно узлы и дуги гиперграфа, множество A - отражает совокупность свойств проектируемого объекта. Q – контейнер – элемент навигации по курсу. Он используется для связывания материала внутри курса и объединения с элементами других курсов. Множество контейнеров, связанных между собой, на логическом уровне образуют граф курса. И глоссарий - это совокупность ключевых понятий курса. Полученный гиперграф объекта и его атрибутивное описание на основе предложенной систематики процедурных и декларативных компонентов является основой логической формализации процесса автоматизированного проектирования дисциплинарного курса.

Рис.1. Модель проектируемого курса

Графовая модель вида G={A,R,Q}, является концептуальной основой представления ОИТ, где R - множество вершин, Q - множество дуг.

Каждая вершина Ri графа интерпретирует функциональное отображение k_i типа элемента (свойство или функция) ОИТ на множестве нелингвистических характеристик Vi_i :

R={r_iЄ V | Ri: k_i → Vi}

Дуга Qi интерпретирует отношение «включает», устанавливающее структурно-иерархический принцип описания информационных характеристик объекта проектирования

Qi = { (RiЄ Qi | K_r Kj) → Qi (K_r ,Kj )}.

При формировании каждой вершины Ri используется индивидуальное множество характеристик Vi элемента ОИТ типа Ki : Vi{Aij). Задание конкретных характеристик Vi приводит к формированию описаний некоторого множества SVi элементов ОИТ типа Ki.

SV можно представить декартовым произведением характеристик Svi = R1i* R2i*…* Rti. Тогда имеем функци F = Vi →Svi, в котором каждое Fi конкретизированное описание одного элемента ОИТ типа Ki.

Таким образом, информационную модель объекта можно задать в виде структурного множества определенных значений параметров ОИТ. Однако, все нюансы такое описание учитывать не будет.

Информация об эвристических приемах и алгоритмах проектных задач в интерактивной системе отображается двумя способами:

- в виде совокупности процедур расчета характеристик ОИТ и процедур принятия решения (выбора) на множестве альтернатив;

- в виде импликативных высказываний, в левой части которых имеется ссылка на условие ( допустимые и достоверные), а в правой ссылка на процедуру преобразования параметров ОИТ, целесообразную в этих условиях.

В рамках этой концепции выделяются несколько уровней моделирования объекта. Эффективность этого концептуального приема доказана результатами практических разработок в различных предметных областях, достигается за счет обеспечения информационной совместимости ^[2,5] различных этапов автоматизированного проектирования.

Анализ предложенных для интеллектуальной САПР ОИТ уровней описаний информационной модели показывает, что одна отображает собственную динамику процесса проектирования, т.е. процесс последовательного воссоздания всех необходимых по техническому заданию характеристик объекта проектирования, а другая создает фрагментарное обобщение в его описании и обеспечивает переход данных к знаниям.

Поиск адекватных формальных описаний для представления интеллектуальных технологий в САПР ^[5] проектирования информационного объекта является ключевой идеей при разработке системы проектирования средств открытого образования. В зависимости от того, какие из этих понятий полнее отображают существенные детали действительности, получаются соответственно сетевые, логические и процедурные схемы представления знаний.

2. Формальный анализ процессов построения интеллектуальных компонентов. Концептуальный образ объекта F₀ может быть описан совокупностью элементарных функций f_i⁰ , i=`bar(1,n)` и пересечением соответствующих им множеств в M – мерном nM, определяемых исходные параметры объекта:

F₀ = f₁⁰∩ f ₂⁰∩ _….∩ f _n⁰ F^M

Совокупность функциональных характеристик fi , i=`bar(1,n)`

образует функциональное описание F_i= {f₁, f₂, …, f_n}

и представляет собой множество записей на определенном языке, содержащих количественные и признаковые меры качества объекта в форме его свойств, функций , критериев и ограничений.

Объект представляется атрибутивным описанием:

R_i = {r₁, r₂, … , r_k},

содержащим множество записей на заданном языке о структурных единицах, компонентах объекта, их неотъемлемых признаках и композиционных отношениях между ними.

Основная задача проектирования информационного объекта заключается в отображении концептуального образа объекта F₀ в область атрибутивного пространства представления F₀ → Ri с определением значений | r _j | каждого атрибута r_j `in` Ri, j=1,k.

Сущность процедур проектирования, как задача синтеза заключается в формировании таких атрибутивных параметров Ri , соответствующие функциональные характеристики Fi которых удовлетворяют исходной спецификации ОИТ. Таким образом исходное функциональное описание преобразуется в атрибутивное с присвоением значения каждому атрибуту и Ps – процедура синтеза.

Кроме того, могут быть заданы предельные значения отдельных функциональных характеристик: строгим определением, нестрогим определением, интервалом, минимизацией, максимизацией значений, в виде лингвистических значений, при использовании аппарата нечетких множеств и в частности функции принадлежности нечеткому множеству.

Процедура описывается правилами преобразований, а именно правилами синтеза:

Us_i (Ps) = Ps_i | L^i-1* D^’ * D^{’’Ps(i)`->`} L _I, D^’,D” _, (2.1)

где Us – управляющее воздействие, L – текущее цифровое проектное описание объекта названное информационным ядром (ИЯ), D^{’ -} информация их базы данных, D^”- интерпретирующая ее информация , i - количество синтезирующих проектных процедур ;

сопровождение процесса синтеза описывается правилами комментирования

Uc_n(Pc) = Pс_n | D^{’ Ps(i)`->`} С _, S(x), (2.2)

где С – постоянная справочная информация их БД, S(х) – готовые проектные решения, n – количество операций комментирования для проектируемого фрагмента курса,

правилами интерпретации:

Ui_j(Pi)=Pi | L^{i `ul(p i,j)`} S (y), (2.3)

где S (y) – описание проектного решения,

и результат проектирования представляется правилами анализа и оценки соответствия

D: S(X,Y,Z) → F₀ и D: F₀→ F₀, (2.4)

которые устанавливают отношения эквивалентности между оценками свойств в проектном описании S и концептуальном описании ОИТ, эвристическими правилами, правилами обучения. В представленном описании D – объект проектирования, S(X,Y,Z) – его проектное описание и F₀ - соответствующее ему концептуальное описание.

Вследствие ряда особенностей предметной области произвести прямое преобразование за конечное число шагов сложно.

Поэтому процесс проектирования объекта подвергается декомпозиции на логически завершенные подпроцессы. В последовательности преобразований каждая процедура синтезирующего типа создает новое промежуточное состояние проектного описания Ps_t `in` Ps, t=1,T.

Предложенная систематика позволяет представить процесс в виде частично упорядоченной и функционально определенной последовательности процедур (2.1-2.4). Это позволяет рассматривать операционные аспекты различных стратегий автоматизированного проектирования курса, произвести обоснованное комплексирование определенных компонентов и рост их эффективности.

3. Реализация маршрутов обучения на базе интеллектуальных технологий. Трассировка линий рассуждений системы осуществляется в результате использования совокупности ответов или идентификаторов понятий по темам в задачах логического вывода и оценки достоверности результатов.

Процесс пояснения линии рассуждений состоит в выдаче пользователю посылок, истинность которых обеспечена исходными данными, служащих условиями активизации правил при построении логических зависимостей.

В случае использования нескольких линий рассуждения осуществляется проверка непротиворечивости полученных результатов между собой и оценка степени достоверности и соответствия их исходной информации, содержащейся в системе представления и хранения знаний.

Основу решения этой задачи составляет также концептуальная модель проектируемого объекта, обеспечивающая семантическую однородность графических и вербальных описаний. Основная трудность реализации средств семантической интерпретации связана с априорным отсутствием скалярных показателей, используемых в процессе анализа состояния проекта, с целью реализации эффективных маршрутов обучения в нем. Кроме того, слабая структурированность задачи проектирования и нечеткость используемых параметров ОИТ не позволяет выделить эталонные проектные решения.

Кроме того, процесс разработки объекта характеризуется последовательностью этапов на каждом из которых определяется и фиксируется некоторое число параметров ОИТ. Каждый этап выполняется различными инструментальными средствами и заканчивается формированием проектного решения S(x) и иногда его описанием S(y).

Первоочередным шагом является создание модели представления знаний о проектных решениях, предназначенной для логической организации сведений об основных закономерностях между свойствами ОИТ.

Под свойством понимается ^[9,15] характерная черта, особенность объекта, внутренне присущая ему и влияющая на разработку и использование объекта, которая может быть выражена количественной мерой, либо в форме значений лингвистической переменной. Допускается измерение их значений в виде распределенной вероятности функций полезности, лингвистическим описанием, количественным, функцией принадлежности.

Многие параметры проекта курса объективны по своей природе, для них существуют общепринятые шкалы оценок (номер страницы курса, количество рисунков, объем памяти информационного компонента и т.д.). Однако часть критериев оценки носит субъективный характер (например сложность маршрута обучения, совокупность тем наследования и т.д.).

Возможными решениями являются идентификация оценки знаний обучаемого по его модели ^[10], планирование маршрута на основе доказательства цели обучения, используя аппарат исчисления предикатов первого порядка ^[11] или применение генетического алгоритма ^[12], обеспечивающего поддержку принятия решений в случае задачи с ограничениями на ресурсы. И еще один вариант – это организация представления текущих свойств объекта и использование их вычислительной модели M = < X, Y >,

где X - нечеткое подмножество пространства входных значений,

Y – множество отношений, связывающих эти значения при использовании шкалы нечетких множеств ^[1,13,14].

Модель пользователя. Выполним идентификацию оценки знаний обучаемого в данной ПО.

Определим множество U(G^’) реализаций воздействий контроля, как множество двоичных функций U, полагая, что U`in` U(G^’), если U удовлетворяет условию:

u(x)<u'(x'), при x`in` Re(x’),

где Re(x)x - множество вершин графа G’, достижимых из х и Re - стратегия.

Будем полагать, что если ответ обучаемого на вопрос х оценен системой положительно, то s(x)=1, в противном случае s(x) =0.

Уровень знаний обучаемого в этом случае определяется совокупностью значений результатов ответов на вопросы и задается как двоичная функция на множестве вопросов х. Легко заметить, что U(G^’) совпадает со множеством всех двоичных функций на Х, если G есть множество N несвязанных вершин.

Очевидно, что возможность выбора вопроса из множества Х, порождает множе­ство Re стратегий идентификации оценки знаний обучаемого.

Шкала применения нечеткого множества. Вычислительная модель объединяет элементы двух различных множеств: простых свойств E и свойств R. R =`uuu_(i=1)^pRi` , где ρ – количество уровней иерархии. Вычислительная модель свойств ^[15] организована в виде последовательности уровней представления свойств, отражающих их вычислительную иерархию. Нижний (исходный) уровень (e₁, e₂ ,…, e_k) – числовые характеристики, следующий уровень Fs¹ = {e₁,e₂}, …, Ft¹ = {e₃, e_i},…,Fq¹= {e_k,j}, следующий Fm_l² = {Fs¹, F_t¹}, … и т.д. до требуемого уровня F^ρ

Таким образом, модель M связывает два вида отношений типа - Z, определяющих элементы различных уровней иерархии. Элементы уровня R¹ порождаются элементами (простыми свойствами) уровня E с помощью A -отношений, где A- отношения, отношения на основе математических операций.

Каждой вершине f _i¹ i – го уровня иерархии модели ставится в соответствии ε – функция , позволяющая определить f_i¹ т.е. f_i¹ = ε₁^ύ (e₁,e₂,…,e_ύ), где ύ – порядок,функции ε_i. ε_i - определяет способ получения элемента f_i¹ `sub` R¹ путем комбинации элементов e_i, i=1,k множества E с использованием Z – отношений. Функция ε _i– позволяет определить множество числовых значений D_i= [a,b] параметра f_i¹ , является подмножеством шкалы действительных чисел D_i `sub` R. Введем покрытие значений D_i = `nnn_(dsubw)d` .

Представление шкалы. Шкала показывает соотношение функции принадлежности и вербальных выражений.

Введем покрытие множества значений D_i системой нечетких множеств W= {d₁,d₂,…,d_n}.

Построение вычислительной модели свойств проектных решений позволяет перейти от числовых к лингвистическим значениям (см. табл. 1) свойств путем задания шкал значений.

Таблица 1

Значение функции ε_i, определяющей параметр f_i¹ , можно охарактеризовать функциями принадлежности нечеткому множеству M₁, M₂,…,M_n . Определив Max M_j¹ = Mj, получаем нечеткое множество d_j к которому относится значение параметра f_i¹. Поставим в соответствие каждому покрытию системой нечетких множеств W={d ₁ , d₂,…,d_n}, множество лингвистических значений, т.е. вербальных элементов и тогда каждое числовое значение параметра f_i¹- может быть определено лингвистическими значениями множества R_i .

Operator f_i¹: D_i → M_j.

Operator f_i¹ – позволяет перейти от числовых к лингвистическим значениям соответствующего уровня в вычислительной модели и путем задания шкалы значений. Построение вычислительной модели M требует не только знания связей между элементами различных уровней, но соблюдения правил конструктивности, интерпретируемости, концептуальной уникальности, целостности.

Заключение. Предложенные формальные представления позволяют логически структурировать свойства проектных решений, определять семантические правила преобразований на основе каузальных отношений предметной области, устранять неопределенность на основе известных представленных в статье методов, используемых для реализации обучающих интеллектуальных технологий.

Представленные технологии предназначены для расширения возможностей и распределенных образовательных приложений. В настоящее время системы e-learning уже продемонстрировали преимущества использования интеллектуальных технологий. Если сделать анализ, то первыми технологиями, используемыми в распределенных образовательных приложениях, являются технологии упорядочения (упорядочение по теме, по странице, по заданию), т.к. они удачно сочетаются с текущей структурой веб-образовательных систем. Затем используется интеллектуальная поддержка и группы технологий «сравнение моделей».

На основе описанных технологий разработана система прототип ^[16], включающая подсистемы конструирования курса и навигатора топологий обучения, позволяющая проектировать курс и строить оптимальные маршруты изучения материала на основе упорядочения представления.