Введение

Адаптивное обучение представляет собой технологическую педагогическую систему форм и  методов, способствующую эффективному индивидуальному обучению, а, следовательно, подготовке высококвалифицированных специалистов. Эта система трудно реализуема в традиционной для вуза форме лекционных и групповых занятий.

Современные исследования в области компьютерного адаптивного обучения получили новое развитие, прежде всего, с развитием компьютерных технологий, концепции непрерывного обучения («lifelong learning»), развития теории педагогических измерений [1,2,3].

Компьютерная среда адаптивного обучения

Разработка среды адаптивного обучения представляет собой достаточно сложный вопрос, который требует участия специалистов из разных областей. Некоторым минимумом, который должна включать в себя такая среда, являются:

· гибкая модель представления знаний;

· механизмы адаптации под текущего пользователя;

· механизмы определения качества усвоения материала;

· достаточно удобное и функциональное средство для наполнения содержимого курса, его просмотра.

На текущий момент разработано множество моделей представления знаний, имея обобщенное название, с точки зрения математической обоснованности они различаются по идеям, лежащим в их основе.

На базе подхода, называемого эмпирическим, основанного на изучении принципов организации человеческой памяти и моделировании механизмов решения задач человеком,  в настоящее время разработаны и получили наибольшую известность следующие модели:

· сетевые модели (или семантические сети) – в инженерии знаний под ней подразумевается граф, отображающий смысл целостного образа. Узлы графа соответствуют понятиям и объектам, а дуги – отношениям между объектами.

· фреймовая модель – основывается на таком понятии как фрейм (англ. frame – рамка, каркас). Фрейм – структура данных для представления некоторого концептуального объекта. Информация, относящаяся к фрейму, содержится в составляющих его слотах. Слоты могут быть терминальными либо являться сами фреймами, т.о. образуя целую иерархическую сеть.

· продукционные модели – модели, основанные на правилах, позволяющие представить знание в виде предложений типа: «ЕСЛИ условие, ТО действие».

В рамках данной статьи рассматривается первая модель: структура курса представляет собой совокупность модулей, которые делятся на темы, а те в свою очередь, на задания. Таким образом, с точки зрения модели представления и хранения знаний на каждом уровне (модулей, тем) курс представляют из себя семантическую сеть. Модуль является ориентированным графом, состоящим из тем, каждая тема – это свой граф, состоящий из заданий различного типа (теоретические, практические, контролирующие и др.). Связи между вершинами этих графов определяют условия, по которым строится траектория обучения.

Схематически это представлено на рисунке 1. 

Рисунок. Семантическая модель представления и хранения знаний курса

 Кругам на данной схеме соответствуют модули, шестиугольникам – темы, ромбам – задания.

Связи между вершинами могут иметь следующие характеристики [2]:

1) степень значимости

s1 — для изучения объекта необходимо иметь общее понятие о другом объекте;

s2 — при изучении объекта используются частые ссылки на другой объект;

s3 — для изучения наиболее сложных (или редко используемых) понятий объекта необходимы знания из другого объекта;

s4 — для изучения объекта и практического применения знаний необходимо четкое знание другого объекта»

2) коэффициент усвоения материала – определяется на основании решения предлагаемых заданий.

Все это позволяет объединять весь учебный процесс в единую траекторию, которая корректируется, в зависимости от успехов студента в освоении материала. Контроль процесса этого освоения, в свою очередь, будет осуществляется путем использования алгоритмов адаптивного тестирования.

Адаптивное тестирование

Адаптивный тест представляет собой вариант автоматизированной системы тестирования, в которой заранее известны параметры трудности и дифференцирующей способности каждого задания. Эта система создана в виде компьютерного банка заданий, упорядоченных в соответствии с параметром трудности.

Для реализации модуля тестирования адаптивной системы электронного обучения использовалась классическая адаптивная модель тестирования. Алгоритм работы данной модели является достаточно простым и позволяет варьировать только уровень сложности заданий, не учитывая статистику ответов на предыдущие вопросы. Оценивание результатов тестирования ведется по сто балльной шкале, причем конечная оценка меняется в процессе ответов обучаемым на задания теста. Она высчитывается самим алгоритмом адаптивного тестирования.

Тестирование начинается с двух заданий средней сложности, на которые обучаемому предлагается ответить, а так же текущий уровень его знаний устанавливается как средний (50). Данное количество заданий (два) позволяет более адекватно оценивать уровень знаний, чем одно задание, на которое обучаемый может отгадать или случайно забыть ответ, и в тоже время не дает большого количества сочетаний вариантов ответов, как в случае трех и тем более большего количества заданий. После того как обучаемый ответил на первые два задания происходит вычисление нового уровня сложности и нового уровня его знаний, после чего выдаются новые два задания уже нового уровня сложности.

Механизм вычисления нового уровня знаний можно представить как уточнение области, в которой происходит вычисление. Для этого используются верхняя и нижняя граница этой области. Если ответы на оба задания правильны, то нижняя граница сдвигается к верхней на определенную величину, если только на одно задание дан правильный ответ – границы расширяются, если оба ответа не верны – верхняя граница сдвигается к нижней на определенную величину. Таким образом, если обучаемый отвечает в одном ключе, т.е. постоянно правильно, либо неправильно конечный уровень его знаний будет вычислен достаточно быстро, если же такого не происходит, то не известно, сколько может понадобиться вопросов обучаемому чтобы вычислить его уровень знаний с определенной точностью. В таком случае может возникнуть ситуация, когда в банке заданий их окажется недостаточно для продолжения тестирования, тогда оно заканчивается с текущим уровнем знаний обучаемого, который принимается за итоговый результат тестирования. Если такой ситуации не возникает, тестирование заканчивается когда разница между новым и текущим уровнями знаний окажется меньше некоторой величины ε.

Достоинства:

· позволяет более гибко и точно измерять знания обучаемых;

· позволяет измерять знания меньшим количеством заданий, чем в классической модели;

· выявляет темы, которые обучаемый знает плохо и позволяет задать по ним ряд дополнительных вопросов.

Недостатки:

· Заранее неизвестно, сколько вопросов необходимо задать обучаемому, чтобы определить его уровень знаний. Если вопросов, заложенных в систему тестирования, оказывается недостаточно, можно прервать тестирование и оценивать результат по тому количеству вопросов, на которое ответил обучаемый;

· Возможно применение только на ЭВМ.

Заключение

Вместе взятые, компьютерные адаптивный тестовый контроль и адаптивное обучение представляют собой современный компьютерный вариант реализации известного педагогического принципа индивидуализации обучения — одного из самых важных для подготовки квалифицированных специалистов.

Описанная в статье разработка ведется в Институте дистанционного обучения Новосибирского государственного технического университета. Она является развитием существующей электронной среды обучения вуза, функционирующей на платформе программной системы DiSpace [4].

 БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Аванесов В. С. Композиция тестовых заданий / В. С. Аванесов. – 2-е изд. – М. : Центр тестирования, 2002. – 239 с.

2.  Зайцева Л. В. Модели и методы адаптации в системах компьютерного обучения / Л. В. Зайцева // Труды Х Всероссийской научно-методической конференции Телематика 2003, 14–17 апреля 2003 г. – СПб. : С-ПИТМО, 2003. – Т. 2. – С. 502-503.

3. Eva Carceles-Poveda, Chryssi Giannitsarou. Adaptive learning in practice // Journal of Economic Dynamics & Control. – 2007. – Vol. 31. – 2659–2697.

4.  Юн С. Г. Программные платформы электронного обучения / С. Г. Юн // Электронное обучение в традиционном университете : сб. ст. / Отв. ред. : Г. Б. Паршукова, О. В. Казанская. – Новосибирск : Изд-во НГТУ, 2010. – С. 86-96.