Система диагностирования, контроля и восстановления знаний

Использование в образовательном процессе дистанционных адаптивных обучающих систем (ДАОС) позволяет не только разгрузить преподавателя, но и реализовать сквозную непрерывную подготовку высококвалифицированных авиационно-инженерных кадров. В ДАОС, как правило, для мониторинга знаний используется модуль «Контроль, диагностика и восстановление
знаний» [1].

Контролем называется процесс установления нахождения объекта обучения (обучаемого), в одном из двух возможных состояний (0 – отсутствие знаний, 1 – наличие знаний). В эвристической постановке на базе элементов нечеткой логики (НЛ) объект контроля потенциально может находиться в одном из промежуточных состояний диапазона [0…1], к примеру, 0.8, что будет соответствовать понятию «почти обучен». Диагностика, в отличие от контроля, не просто констатирует факт наличия или отсутствия знаний, но и раскрывает те или иные ошибки обучаемого, указывая на них с последующим отображением правильного ответа. Под восстановлением понимается процедура восстановления утраченных и/ или невоспринятых, недополученных знаний за счет обращения к соответствующим разделам теоретического материала предметной области (ПрО) дисциплины.

В качестве методико-дидактической базы организации контроля знаний в ДАОС используются элементы компьютерного тестирования (КТ). Тестовый контроль (ТК), как основа КТ – универсальная форма контроля знаний, имеющая целый ряд характерных особенностей и преимуществ [2].

Наиболее эффективны в настоящее время адаптивные [2] тестовые задания (АТЗ) закрытого типа с акцентом на дистанционность (включающие в себя алгоритмы минимизации явления списывания, заучивания и вероятности угадывания).

Комплекс дистанционного адаптивного обучения с интеллектуальной системой восстановления навигационных знаний представленный на
рисунке 1, является частью системы контроля знаний обучаемых. В данный комплекс интегрирована система психофизиологической диагностики (ПФД) и восстановления знаний (ВЗ), состоящая из психофизиологического тестирования, направленного на определение доминирующего канала восприятия информации обучаемым и процедуры психофизиологического восстановления знаний, а также базовые алгоритмы реагирования на базе нечёткой логики.

Комплекс диагностирует и контролирует состояние обученности обучаемого и направляет на разные урони переподготовки или изучения знаний.

Рис. 1. Комплекс дистанционного адаптивного обучения с интеллектуальной системой восстановления навигационных знаний

Нечёткая логика (НЛ) – это математическая теория о «размытых нечётких множествах, в которой говорится о том, что характеристическая функция (функция принадлежности элемента множеству, заданная на лингвистической переменной, значения которой используются в качестве оценочных категорий) может принимать любые значения в интервале [0, 1], а не только
значения 0 и 1.

Основные преимущества систем на основе НЛ:

– возможность оперирования нечеткими входными данными: например, значениями, которые невозможно задать однозначно («сильно уязвимый», «довольно дорогой» и т. п.);

– возможность нечеткой формализации критериев оценки и сравнения: оперирование критериями «большинство», «возможно», «преимущественно»;

– возможность проведения качественных оценок, как входных данных, так и выходных результатов;

– возможность проведения имитационного моделирования сложных динамических систем и их сравнительный анализ с заданной степенью точности;

– простота реализации программного кода при реализации в виде компьютерной программы.

Для реализации системы ПФД и ВЗ на языке программирования C#, разработано компьютерное приложение, осуществляющее определение основного канала восприятия информации обучаемыми. Программа анализирует в ходе тестирования психофизиологические характеристики обучаемого и выдаёт в конце общее время выполнения и степень принадлежности к каналу восприятия информации (аудиальный, визуальный или кинестетический) в процентном соотношении.

Основные акценты при реализации данной процедуры сводятся к технической и технологической сложности проектирования нетривиальных поливариантных семантических баз; разработки алгоритмов, учитывающих степень приближения к правильному ответу на базе элементов НЛ, системы ПФД и конструирования интеллектуального электронного учебника (ИЭУ).