нАРОЖНИЙ Олександр Васильович

УДК 004.89:378.147

Моделі інтелектуального управління процесом навчання

за допомогою мультиагентних систем

05.13.23 — Системи та засоби штучного інтелекту

Автореферат

дисертації на здобуття наукового ступеня

кандидата технічних наук

Одеса – 2007

Дисертацією є рукопис.

Робота виконана в Одеському національному політехнічному університеті Міністерства освіти і науки України.

Науковий керівник доктор технічних наук, професор

Гогунський Віктор Дмитрович

Одеський національний

політехнічний університет,

завідувач кафедри управління системами

безпеки життєдіяльності

Офіційні опоненти доктор технічних наук, професор

Крісілов Віктор Анатолійович

Одеський національний

політехнічний університет,

завідувач кафедри системного

програмного забезпечення

доктор технічних наук, професор

Михальов Олександр Ілліч

Національна металургійна

академія України,

завідувач кафедри інформаційних

технологій і систем

Провідна установа: Харківський національний університет

радіоелектроніки,

Міністерства освіти і науки України, м. Харків.

Захист відбудеться “19” червня 2007 р. о 1000 годині на засіданні спеціалізованої вченої ради К 41.052.08 Одеського національного політехнічного університету за адресою: 65044, м. Одеса, проспект Шевченка, 1, ауд. 400А.

З дисертацією можна ознайомитися в бібліотеці Одеського національного політехнічного університету за адресою: м. Одеса, проспект Шевченка, 1.

Автореферат розісланий “18” травня 2007 р.

Вчений секретар

спеціалізованої вченої ради Савєльєва О.С.

загальна характеристика роботи

Комп'ютеризація освіти дозволяє інтенсифікувати процес навчання за рахунок ефективного використання наукового потенціалу і передового досвіду провідних учених країни, завдяки розширеному використанню результатів їх праці у формі комп'ютерних навчальних і контролюючих програм. Інтелектуальні системи навчання змінюють характер діяльності викладача в сучасному навчальному процесі, в якому основна роль відводиться самостійній роботі студентів.

Актуальність теми. Покликання людини полягає в прагненні до майстерності завдяки "освіті крізь усе життя" і постійному вдосконаленню знань, умінь і навиків відповідно до нового змісту праці, що змінюється, і нових технологій. Сучасна соціально-економічна ситуація в Україні і в системі освіти така, що традиційні методи здобування освіти і моделі навчання можуть задовольнити не всі потреби в освітніх послугах.

В даний час створені технічні передумови для впровадження і використання комп'ютерного навчання. Якість такого навчання визначатиметься рівнем інтелектуальності навчальних систем, кваліфікацією викладачів і ефективністю управління учбовим процесом.

Відомі комп'ютерні навчальні і контролюючі системи орієнтовані, як правило, на рішення окремих наукових і практичних задач, не є комплексними системами інформаційного забезпечення і управління процесом навчання з урахуванням особливостей модульної структури навчальних дисциплін. Більшість з них не мають засобів зворотного зв'язку, або не адаптують процес навчання до рівня знань і умінь студентів. Такі системи, які є зліпком традиційної системи очного навчання, не можуть привести до якісного поліпшення освіти. Розвиток мультиагентних систем, що реалізують інтелектуальне управління, дозволить істотно розширити клас вирішуваних задач процесу навчання і таким чином вирішити цю проблему.

В Україні з кожним роком змінюються стандарти освіти, навчатися стає все складніше. Розв’язання протиріч між високими стандартами навчання і можливостями тих, кого навчають, можливо за рахунок автоматизації процесу навчання. Тому створення інтелектуальної системи управління процесом навчання (ІСУ ПН), як програмного інструменту, для організації контролю знань і прийняття рішень за результатами контролю в контексті комплексного управління процесом навчання є актуальним.

Зв'язок роботи з науковими програмами, планами, темами. Дисертаційна робота виконана відповідно до комплексу нормативних документів для розробки складових системи стандартів вищої освіти (додаток № 1 до наказу Міносвіти України від 31.07.98 р. № 285 із змінами і доповненнями від 05.03.2001 р. № 28-р); наказу Міністерства освіти і науки України № 48 від 23.01.2004 р.; “Про затвердження Програми дій щодо реалізації положень Болонської декларації в системі вищої освіти і науки України на 2004 – 2005 роки”; НДР ОНПУ № 537 - 32 „Прогресивні інформаційні технології в охороні праці: Удосконалення автоматизованих систем тестування.”

Мета і завдання дослідження. Метою дисертаційної роботи є підвищення якості процесів навчання і прийняття рішень в умовах адаптивного навчання шляхом удосконалення моделей і методів організації ІСУ ПН і розробки загальних принципів їх побудови на основі засобів штучного інтелекту.

Для досягнення даної мети в роботі вирішені наступні завдання:

- виконаний аналіз в області розробки програмних систем адаптивного навчання, які використовують методи штучного інтелекту;

- проведено дослідження методів і засобів, які застосовуються в інтелектуальних системах обробки інформації і управління для прийняття рішень;

- узагальнено і уніфіковано підходи до рішення основних задач інтелектуальної обробки інформації на базі дослідження процесу прийняття рішень при управлінні складними об'єктами, внаслідок чого розроблена модель процесу прийняття рішень в умовах адаптивного навчання;

- виконана формалізація вимог до ІСУ ПН, як до спеціалізованого програмного забезпечення, орієнтованого на функціонування в локальній і глобальній комп'ютерних мережах;

- розроблено модель навчальної системи на основі мультиагентних технологій;

- створено математичне, алгоритмічне і програмне забезпечення компонентів ІСУ ПН;

- виконано експериментальне підтвердження ефективності застосування мультиагентних технологій в системах навчання і контролю знань.

Об'єктом дослідження є процес навчання і прийняття рішень в умовах адаптивного навчання під управлінням ІСУ ПН.

Предметом дослідження є моделі інтелектуального управління процесом навчання і методи контролю знань при адаптивному навчанні в ІСУ ПН для комплексного управління процесом навчання.

Методи дослідження. Методи системного аналізу використані при декомпозиції процесів функціонування ІСУ ПН для реалізації алгоритмів мультиагентної системи. Використання теорії вірогідності, теорії інформації, теорії педагогічних тестів, теорії нечітких множин і нечіткої логіки, дозволило удосконалити алгоритми тестування і відновлення знань. Методи оцінки складних об'єктів і методи штучного інтелекту використані при побудові інформаційної моделі ІСУ ПН. При розробці програмного забезпечення ІСУ ПН використовувалася технологія об'єктно-орієнтованого програмування. Організація структури ІСУ ПН виконана на основі теорії комп'ютерних мереж.

Наукова новизна дисертаційної роботи:

- отримав подальший розвиток декомпозиційний метод побудови і функціонування ІСУ ПН за рахунок формування алгоритмів окремих інформаційних процесів навчальної системи, що реалізуються інтелектуальними рефлекторними агентами, які реагують на події створювані користувачами або програмними підсистемами;

- удосконалена модель навчальної системи шляхом використання мультиагентних технологій, що дозволило реалізувати інтелектуальне управління процесом навчання в ІСУ ПН;

- вперше розроблена інформаційна модель системи управління процесом навчання на основі мультиагентного підходу, що дозволяє за допомогою інтелектуальних агентів визначити міру інтелектуальності систем при рішенні множини класів завдань навчальних систем;

- досліджені класи завдань, що вирішуються інтелектуальними агентами, найважливішими з яких є: організація та управління процесом навчання, взаємодія інтелектуальних агентів і виявлена залежність, що із збільшенням інтелектуальних агентів зростає міра інтелектуальності системи і підвищується якість рішення задач, проте практична реалізація системи показала, що при досягненні критичного значення числа інтелектуальних агентів середній час реакції системи на події створювані агентами починає зростати, що призводить до зниження інтелектуальності системи.

Практична цінність. Дисертаційні дослідження завершені створенням математичного, алгоритмічного і програмного забезпечення ІСУ ПН. Розроблена модель системи управління процесом навчання, заснована на мультиагентних системах (МАС). Побудована інформаційна модель системи, яка включає організаційну структуру навчальних курсів, сценарії навчання, логіку і динаміку оцінювання знань, що забезпечує отримання і відображення інформації, необхідної для прийняття рішень. Розроблені алгоритми проведення контролю знань, методи і алгоритми оцінювання відповідей студента. Створена інтелектуальна система управління College, яка реалізує розроблені методи і алгоритми. Програмна реалізація компонентів інтелектуальної системи управління процесом навчання дозволила експериментально підтвердити ефективність застосування мультиагентних технологій в системах навчання і контролю знань. Використання такої системи в учбовому процесі дозволяє підвищити рівень засвоєння знань студентів. Результати дисертаційної роботи впроваджені в Херсонському політехнічному коледжі Одеського національного політехнічного університету, на кафедрі „Управління системами безпеки життєдіяльності” Одеського національного політехнічного університету, ВАТ „Херсонагропроменерго”.

Особистий внесок здобувача. У роботі [1] виконаний аналіз систем комп'ютерного тестування і запропонована структура ІСУ ПН, в [12, 17] сформульовані наукові основи контролю знань студентів при реалізації кредитно-модульної системи. Проблеми підвищення якості тестів досліджені в статті [16]. У роботі [5] запропонована стратегія прийняття рішень в умовах адаптивного навчання, а в [4] певні критерії прийняття рішень. У [10] розглянуті основні напрями комп'ютерного тестування. У публікації [6] виконана формалізація вимог до ІСУ ПН, як до спеціалізованого програмного забезпечення, орієнтованого на функціонування в комп'ютерній мережі, а в [15] досліджені методи прийняття рішень в умовах Болонского процесу. У статті [9] визначені програмно – інструментальні засоби, а в [3] запропонована структура програмної і алгоритмічної реалізації ІСУ ПН. У роботі [2] розглянуті особливості програмної реалізації і роботи системи в Linux. У [7] розглянуті особливості використання практичних завдань в системах комп'ютерного навчання. У роботах [8, 11] описана конструктивна модель знань в умовах адаптивного навчання, а в [13, 14] розглянуті особливості роботи ІСУ ПН в умовах адаптивного навчання.

Апробація роботи. Основні результати роботи обговорювались на: МНК ISDMIT'2005” (м. Евпаторія, 2005); МК по автоматизованому управлінню „Автоматика-2005” ( м. Харків, ХНТУ, 2005); МНПК „Інформаційні технології: наука, техніка, технологія, освіта, здоров'я” (м. Харків, ХНТУ, 2005); VII МНПК „САІТ-2005” (м. Київ ІПСА НТУУ „КПІ”, 2005); VIIІ МНПК ”Динаміка наукових досліджень '2005” (м. Дніпропетровськ, 2005); МНПК „Інформаційні технології в наукових дослідженнях і в учбовому процесі” (Луганськ-Алчевськ, 2005); XII семінарі „Моделювання у прикладних наукових дослідженнях” (м. Одеса, ОНПУ, 2005); Міжнародному семінарі з індуктивного моделювання МСІМ-2005 (м. Київ, 2005); на семінарі “Шляхи реалізації кредитно-модульної системи організації навчального процесу і тестових форм контролю знань студентів” (ОНПУ, 2006).

Публікації. Результати дисертаційної роботи опубліковані в 17 наукових роботах, зокрема, в 8 виданнях із списку спеціалізованих видань ВАК України.

Структура дисертації. Дисертаційна робота складається зі вступу, 4 розділів, висновків, 4 додатків. Об'єм дисертації – 175 стор., додатків – 30 стор. Дисертація містить 32 рисунки, 16 таблиць і посилання на 127 літературних джерел.

Основний зміст роботи

У вступі обґрунтована важливість і актуальність теми дисертаційної роботи. Викладені мета і завдання роботи, об'єкт і методи дослідження. Сформульовані основні положення і практичні результати, досягнуті в роботі, їх наукова новизна.

У першому розділі виконаний аналіз сучасних навчальних систем, проведено дослідження методів і засобів, які застосовуються в системах управління процесом навчання. Виявлено, що в більшості цих систем відсутні або слабо розвинені елементи штучного інтелекту, вони не містять засобів зворотного зв'язку і елементів експертних систем для адаптації процесу навчання до рівня знань і умінь студентів.

Загальне завдання дослідження формулюється як підвищення якості процесів навчання і прийняття рішень в умовах адаптивного навчання за рахунок удосконалення моделей і методів організації ІСУ ПН і розробки загальних принципів їх побудови на основі моделей штучного інтелекту із застосуванням мультиагентної технології. Такий підхід дозволить створити мультиагентну навчальну систему, яка має певний рівень інтелекту і здатна удосконалюватися еволюційним шляхом.

У другому розділі виконано аналіз типових видів тестових завдань і обґрунтовано вибір тестів з декількома варіантами вибору, як способу контролю знань, а також доведена ефективність використання тестів з декількома варіантами вибору і запропоновані правила їх побудови. При визначенні оцінки відповіді студента, при такому тестуванні необхідно враховувати ймовірність вгадування правильних відповідей. Студент навмисно може вибрати з N запропонованих варіантів N – 1. При цьому результуюча оцінка за тест буде відмінною від 0. Тому необхідно знати PN – величину ймовірності вгадування як правильної, так і частково правильної (неповної) відповіді.

Показник, який характеризує програми тестування щодо можливості отримання позитивної оцінки при вгадуванні можна визначити за допомогою формули Бернуллі (біноміального розподілу незалежних випадкових подій) і теореми складання ймовірності:

(1)

де n – число питань в тесті;

m – число вірних відповідей, при якому виставляється позитивна оцінка;

P – ймовірність вгадування правильної відповіді на одне питання;

С – число можливих варіантів введення результативної відповіді;

Рnr – ймовірність отримання r правильних відповідей.

З (1) слідує, що при збільшенні числа питань, що ставляться, і можливих варіантів відповіді, а також при виборі жорсткіших критеріїв виставляння оцінки (збільшенні числа m) ймовірність вгадування правильної відповіді істотно зменшується і стає нехтовно малою.

Остаточна ймовірність випадкового вгадування правильної відповіді може бути розрахована за формулою:

(2)

У результаті розрахунків, виконаних за (2), залежно від кількості варіантів відповіді були отримані дані, наведені в табл. 1.

Таблиця 1

Ймовірність випадкового вгадування правильної відповіді

Кількість варіантів відповіді, N | 2 | 3 | 4 | 5 | 6

PN | 0,5 | 0,167 | 0,071 | 0,033 | 0,016

Запропонована математична модель оцінки знань заснована на принципах нечіткої логіки і оцінюванні результатів шляхом використання системи критерійно-орієнтованого тестування. Для аналізу тестових завдань запропоновано використання методу математичної статистики. При цьому аналізується ряд критеріїв, які аналізують індивідуальні завдання тесту і показники, призначені для оцінки тесту в цілому.

Складність Pj тестового завдання j дорівнює частці випробовуваних, що правильно відповіли на це завдання (частці правильних відповідей):

(3)

де nj – число випробовуваних, що відповіли правильно на j-е завдання;

N – загальне число випробовуваних, що відповідали на j-е завдання.

Оскільки складність тестового завдання є випадковою величиною, то має сенс говорити не тільки про оцінку її значення Pj , але і про довірчий інтервал, відповідний заданій довірчій вірогідності Рдов. Межі довірчого інтервалу складності (Pj min, Рj max) тестового завдання розраховуються за формулою:

(4, 5)

де Pj – оцінка довірчої вірогідності з (3);

Sj – оцінка стандартного відхилення j-го завдання;

t1- /2 – квантиль розподілу Стьюдента;

а = 1- Рдов – рівень значущості.

У розрахунках надійності застосовується формула Кудера-Річардсона (Kuder Richardson, Kr20), яка є окремим випадком альфа Кронбаха дихотомічної оцінки (“вірно-невірно”):

(6)

де m – число завдань тесту;

Рj – складність j-ого завдання;

qj = 1- Рj ;

Sx – дисперсія.

Значущість (валідність) Kbj тестового завдання j відображає зв'язок відповідей на завдання групи випробовуваних з індивідуальними балами випробовуваних в групі. Якщо прийняти до уваги той факт, що результат на j-е завдання є дихотомічна змінна, то можна отримати наступний вираз для Kbj :

(7)

де Bсрj – середнє значення оцінки випробовуваних, які відповіли на j-е завдання вірно;

Вср – середнє значення індивідуальних балів всієї вибірки випробовуваних;

Рj – складність j–ого завдання;

qj = 1- Рj.

Як і звичайний коефіцієнт кореляції, значущість Kbj змінюється в межах від –1,00 до +1,00. Прийнятними вважаються завдання, у яких значущість більше або рівна 0,3.

Запропонована модель ІСУ ПН, яка створена на основі методології побудови мультиагентних систем. Суть підходу полягає в перенесенні акценту розробки на стадію концептуального проектування і покладанні завдання логічного та фізичного проектування моделей і структур знань та даних на інструментальні засоби (рис. 1).

Основні концептуальні установки, покладені в основу ІСУ ПН:

- прагнення до повної автоматизації управління процесом навчання (рис. 2);

- організація механізму зворотного зв'язку і адаптації процесу навчання до рівня знань і умінь студентів;

- автоматичне виділення інтелектуальних складових системи в ході декомпозиції концептуальної моделі предметної області (КМПО);

- автоматична трансляція КМПО в логічну модель системи з подальшим переходом до структур баз знань (БЗ);

- використання розширюваних бібліотек моделей поведінки інтелектуальних агентів (ІА).

Інтелектуальна система управління процесом навчання спрямована на структуру управління за напрямами: технології навчання, предметна область, ресурси, моніторинг процесів (рис. 2).

Рис. 1. Інформаційна модель ІСУ ПН

Рис. 2. Схема управління процесом навчання в ІСУ ПН

Рис. 3. Модель навчальної системи на основі мультиагентних технологій

У третьому розділі розглянута апаратно-програмна реалізація ІСУ ПН і запропонована модель навчальної системи (рис. 3) на основі мультиагентних техно-логій, яка включає: бази знань, клієнтів і мультиагентну систему. Центральною ланкою навчальної системи є бази знань, які виступають по відношенню до інших компонентів як змістовна підсистема, що складає основну цінність системи.

Визначені класи завдань, які вирішують інтелектуальні агенти в процесі організації і роботи підсистем ІСУ ПН щодо організації процесу тестування, організації процесу прийняття рішень та організація роботи з БД і БЗ.

Вперше розроблена інформаційна модель системи управління процесом навчання, заснована на муль-тиагентному підході і теорії комп'ютерних мереж, яка відрізняється від відомих під-ходів тим, що рішення які приймаються системою є множиною сукупних рішень (рис. 4) інтелектуальних реф-лекторних агентів, що вико-ристовують інформаційну технологію прийняття рішень в умовах адаптивного навчан-ня. Агент реалізує процедуру пошуку рішення для підсистеми за певними критеріями (швидкість і точність рішення), яка визначає якість пропонованого рішення:

(8)

де – вага швидкості рішення; – вага точності рішення;

– множина швидкостей прийняття рішень;

– множина точності прийняття рішень.

У розділі досліджена робота ІСУ ПН в локальній мережі під управлінням системи управління та розподілу даних інтелектуальних агентів, і показано що при реалізації даної технології мінімізується об'єм даних, який передається по мережі, оскільки основні втрати і збої відбуваються із-за малої пропускної спроможності мережі.

У четвертому розділі представлена практична реалізація ІСУ ПН. Приведений порядок настройки і адміністрування системи, а також розроблений загальний алгоритм функціонування ІСУ ПН (рис. 5), структура бази даних навчальних курсів.

Описаний процес зміни міри інтелекту мультиагентної системи (L(X)), яка визначається як сума мір інтелекту кожної підсистеми:

(9)

де X(t), Y(t) – зміна системи X і підсистеми Y у момент часу t; n – кількість агентів;

Lint – здатність до навчання системи за інтенсивним шляху розвитку;

kij – коефіцієнт якості рішення задачі (kij <1 );

– частота включення агентів; N – кількість підсистем. |

Рис. 5 .Загальний алгоритм функціонування ІСУ ПН

Коефіцієнт якості (kij) визначається ймовірністю засвоєння рівня складності даного класу завдань (кожен клас завдань включає чотири рівні складності – за рівнем засвоєння знань: упізнавання, відтворення, уміння, творчість). При цьому за рішення кожного рівня відповідають певні агенти підсистеми.

Аналіз залежності рівня складності від числа агентів підсистеми показав, що для завдань першого рівня складності характерне одне певне рішення, що позначається на їх коефіцієнті якості. Тобто із збільшенням числа агентів, покликаних вирішити таке завдання, коефіцієнт якості зменшується. А із збільшенням рівня складності завдання (рис. 6) спостерігається різке зростання коефіцієнта якості рішення задачі, при одній і тій же кількості агентів.

Рис. 6. Залежність коефіцієнта якості від кількості агентів

В результаті експерименту була показана ефективність використання математичної моделі тестування для аналізу тестів на складність і надійність, яка дає можливість аналізу тестових завдань по різних дисциплінах і прийняття рішень відносно їх валідності (рис. 7а) і складності (рис. 7б).

Рис. 7. Аналіз тестових завдань на складність і надійність

Конструктивно і швидко перевірити рівень підготовки студента по заданому модулю дозволяє застосування в ІСУ ПН способу автоматичної генерації номерів питань тесту, а також створення спеціалізованих баз даних тестових завдань окремо по кожному модульному контролю. Запропонована організація баз даних питань дає можливість ОПР – викладачеві формувати тести різного рівня.

Аналіз результатів, отриманих у процесі визначення рівня інтелектуальності системи, показав що із збільшенням часу рівень інтелекту мультиагентної системи зростає, а із збільшенням кількості підсистем, покликаних вирішити свій клас завдань, система стає більш інтелектуальною. Це наочно відображають результати, що показані на рис. 8, при порівнянні таких систем із системою, спрямованою на розв’язання тільки одного класа завдань.

Рис. 8. Зміна міри інтелекту мультиагентної системи

Проте практична реалізація системи показала, що при досягненні критичного значення числа інтелектуальних агентів (рис. 9б) середній час реакції системи на події створювані агентами починає зростати, що призводить до зниження інтелектуальності системи (рис. 9а).

Аналіз результатів тестування для 10 студентських груп упродовж одного навчального року, показав ефективність використання ІСУ ПН в навчальному процесі і підвищення якості процесу навчання. На рис. 10 показано, що з впровад-женням системи велика частина студентів набула більш високий рівень засвоєння знань (для 2-го рівня приріст склав 10-11%, а для 4-го рівня – 1-5%).

а) |

б)

Рис. 9. Зміна міри інтелекту ІСУ ПН

Рис. 10. Результати впровадження ІСУ ПН

Реалізація інтелектуальної системи управління процесом навчання дозволила експериментально підтвердити ефективність застосування мультиагентних технологій в системах навчання і контролю знань. Підвищення якості процесів навчання досягається завдяки тому, що пропоновані системою рішення є результатом множини сукупних рішень інтелектуальних рефлекторних агентів.

ВИСНОВКИ

У дисертаційній роботі отримані наукові і практичні результати, які у сукупності вирішують проблему дослідження, створення і впровадження інтелектуальної системи управління процесом навчання (ІСУ ПН), як програмного інструменту, для організації процесу навчання і прийняття рішень, що ґрунтується на результатах роботи мультиагентної системи.

1. Виконаний аналіз відомих систем управління процесом навчання і тенденцій їх розвитку показав, що в більшості навчальних систем відсутні або слабо розвинені елементи штучного інтелекту. Ці системи не передбачають процедур адаптації процесу навчання на основі зворотного зв'язку до рівня знань і умінь студентів. Застосування в системах навчання і управління навчальним процесом мультиагентних технологій формує умови для адаптації сценаріїв процесу навчання.

2. Запропонована математична модель оцінки знань, заснована на принципах нечіткої логіки і оцінюванні результатів шляхом використання системи критерійно-орієнтованого тестування. Для аналізу тестових завдань запропоновано використання методів математичної статистики.

3. Визначені основні вимоги до тестових завдань і виконаний аналіз типових тестових завдань. Обґрунтовано застосування тестів з декількома варіантами вибору, як способу контролю знань, і використанням методів штучного інтелекту, як невід'ємної частині процесу контролю і оцінки знань.

4. Запропонована модель навчальної системи на основі мультиагентних технологій, яка включає бази знань, клієнтів і мультиагентну систему, що складається з програмного інтерфейсу і інтелектуальних агентів. Ключовою ланкою навчальної системи є бази знань, які виступають по відношенню до інших компонентів як змістовна підсистема, яка складає основну цінність.

5. Вперше запропонована інформаційна модель системи управління процесом навчання на мультиагентному підході, яка відрізняється від відомих підходів тим, що пропоновані системою рішення є множиною сукупних рішень інтелектуальних рефлекторних агентів, які використовують інформаційну технологію прийняття рішень в умовах адаптивного навчання. Концептуальні установки, покладені в основу ІСУ ПН, створюють умови для повної автоматизації етапу управління процесом навчання.

6. За результатами комп'ютерної реалізації створено математичне, алгоритмічне і програмне забезпечення компонентів ІСУ ПН. Розроблена інформаційна технологія прийняття рішень в умовах адаптивного навчання з використанням кількісного оцінювання рівня засвоєння знань студентів про предметну область. Запропонований підхід відрізняється від відомих рішень тим, що оцінка формується в перетвореному 3D — просторі, в якому відображаються рівень засвоєння знань, час рішення тестових завдань, інтенсивність оновлення знань, що дозволяє адаптувати процес навчання до здібностей кожного студента.

7. Виконаний автоматизований аналіз експериментальних результатів управління процесом навчання показав, що застосування інтелектуальної системи підтверджує ефективність використання мультиагентних технологій в системах навчання і контролю знань. Отримані результати впроваджені в навчальний процес Херсонського політехнічного коледжу Одеського національного політехнічного університету, на кафедрі „Управління системами безпеки життєдіяльності” Одеського національного політехнічного університету, а також у відділі практичного навчання ВАТ ”Херсонський завод карданних валів”.

СПИСОК ОПУБЛІКОВАНИХ РОБІТ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1. Нарожный А.В. Проектирование и реализация автоматизированных систем контроля знаний // „Автоматика. Автоматизация. Электротехнические комплексы и системы.” — Херсон: ХНТУ, 2004. — №2 (14). — C. 146-154.

2. Нарожный А.В. Особенности реализации Linux-программ при проектировании автоматизированных систем управления обучением // Тр. Одес. политехн. ун-та. — Спецвыпуск. — Одесса: ОНПУ, 2005. — С. 44 – 46.

3. Нарожный А.В. Программно-инструментальные средства для системы принятия решений в условиях дистанционного обучения // Тр. Одес. политехн. ун-та. — Спецвыпуск. — Одесса: ОНПУ, 2006. — С. 53 – 57.

4. Носов П.С., Нарожний О.В., Яковенко О.Є. Підвищення якості навчання при проектуванні автоматизованих систем ухвалення рішень // Нові технології навчання: Наук. – метод. зб. — К.: Наук. – метод. центр вищої освіти, 2005. — Вип. 41. — С. 89 – 99.

5. Яковенко А.Е., Нарожный А.В., Гогунский В.Д. Стратегия принятия решений в условиях адаптивного обучения // Східно – Європ. журн. передових технологій. — Харків: Технол. центр, 2005. — № 2/2 (14).— С. 105 – 110.

6. Яковенко О.Є., Гогунський В.Д., Нарожний О.В. Моделювання знань студента та його оцінка в системах адаптивної діагностики. // Информационные технологии в научных исследованиях и в учебном процессе: Сб. науч. тр. — Спецвыпуск. — Алчевск: ДонГТУ, 2005. — С. 196 – 200.

7. Носов П.С., Яковенко О.Є., Нарожний О.В. Особливості впровадження практичних завдань як вид контролю в автоматизованих навчальних системах // Информационные технологии в научных исследованиях и в учебном процессе: Сб. науч. тр. — Спецвыпуск. — Алчевск: ДонГТУ, 2005. — С. 192 – 195.

8. Яковенко А.Е., Нарожный А.В., Гогунский В.Д. Проектирование конструктивной модели знаний для автоматизированной системы адаптивного обучения // Вісн. Черкаського держ. технол. ун-ту. — Черкаси: ЧДТУ, 2005. — № 4.— С. 246 – 251.

9. Нарожний А.В., Яковенко А.Е., Гогунский В.Д. Проектирование структуры автоматизированной системы в условиях дистанционного обучения // Вестник ХНТУ „ХПИ”— Харьков: ХНТУ „ХПИ”, 2005. — № 54.— С. 62 – 67.

10. Яковенко А.Е., Нарожный А.В.,Гогунский В.Д. Формализация требований стандартов обучения при реализации автоматизированных систем принятия решений // Матер.VII МНТК ”Системний аналіз та інформаційні технології”— К.: НТУУ „КПІ” .— С. 227 – 233.

11. Яковенко А.Е., Нарожный А.В., Гогунский В.Д. Методы принятия решений в условиях адаптивного обучения // Зб. наук. пр.: у 5 т. Матеріали міжнар. наук. конф. ”Інтелектуальні системи прийняття рішень та прикладні аспекти інформаційних технологій”— Херсон: ХМI, 2005. — Т.4. — С. 95 – 97.

12. Нарожный А.В., Яковенко А.Е., Гогунский В.Д. Создание программно– инструментальных средств для автоматизированной системы принятия решений в условиях дистанционного обучения // Материалы МНПК ”MicroCAD”.— Харьков: ХНТУ „ХПИ”, 2005 — С. 447 – 452.

13. Нарожний О.В., Яковенко О.Є., Гогунський В.Д. Проектування структури автоматизованої системи в умовах дистанційного навчання // Материалы 12 – ой МНТК „Автоматика-2005”. — Харьков: ХНТУ „ХПИ”, 2005 — Т.1.— С. 157 – 161.

14. Яковенко А.Е., Нарожный А.В., Крутина С.А. Реализация сетевой адаптивной технологи // Матеріали VIIІ МНТК” Динаміка наукових досліджень 2005”. — Дніпропетровськ: Наука і освіта, 2005. — Т.50 „Сучасні інформаційні технології”. — С.31 – 34.

15. Яковенко О.Є., Нарожный А.В., Гогунский В.Д. Методы принятия решений в условиях Болонского процесса. // Збірка наукових праць у п’яти томах. Т.4. Матеріали міжн. наук. конф.”Інтел. системи прийняття рішень та прикладні аспекти інф.техн”. — Євпаторія, 18-21 травня 2005. — С. 95 – 97.

16. Яковенко А.Е., Нарожный А.В., Крутина С.А.. Реализация сетевой адаптивной технологии // Зб. пр. міжнар. семінар. з індуктивного моделювання. — К.: Міжнар. наук.– навч. центр інформ. технологій та систем НАН та МОНУ, 2005. — С. 365 – 367.

17. Нарожний А.В., Крутіна С.А., Яковенко А.Е.. Проектування інтелектуальної програмної оболонки для навчання з урахуванням специфіки кредитно-модульної системи // Матеріали наук.-метод. семінару “Шляхи реалізації кредитно-модульної системи організації навчального процесу і тестових форм контролю знань студентів”. — Одеса: Наука і техніка, 2006 — С. 11 – 16.

Нарожний О.В. Моделі інтелектуального управління процесом навчання за допомогою мультиагентних систем. - Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.23 – Системи та засоби штучного інтелекту. – Одеський національний політехнічний університет, Одеса, 2007.

Метою дисертаційної роботи є підвищення якості процесів навчання і прийняття рішень в умовах адаптивного навчання шляхом удосконалення моделей і методів організації інтелектуальної системи управління процесом навчання (ІСУ ПН) і розробки загальних принципів їх побудови на основі моделей штучного інтелекту.

У роботі вдосконалена модель навчальної системи, шляхом використання мультиагентних технологій, що дозволило реалізувати інтелектуальне управління процесом навчання у ІСУ ПН.

Одержав подальший розвиток декомпозиційний метод побудови і функціонування ІСУ ПН, що полягає у формуванні алгоритмів окремих інформаційних процесів навчальної системи реалізованих за допомогою інтелектуальних рефлекторних агентів, які реагують на події створювані користувачами або програмними підсистемами.

Досліджено класи задач, що вирішуються інтелектуальними агентами і розроблена інформаційна модель системи управління процесом навчання, заснована на мультиагентному підході, яка дозволяє визначити міру інтелектуальності системи при вирішенні множини класів задач навчальних систем за допомогою інтелектуальних агентів.

Ключові слова: рівень засвоєння знань, адаптивне навчання, мультиагентна система, інтелектуальний агент, міра інтелекту.

Narozhny A.V. Models of intellectual management the teaching process by means of multiagent systems. – Manuscript.

Thesis for obtaining the scientific degree of candidate of engineering science upon the speciality 05.13.23 – Systems and means of artificial intelligence. – Odessa National Polytechnical University, Odessa, 2007.

The aim of the thesis is the quality increase of teaching process and decision-making in the conditions of adaptive training through the improvement of models and methods of organization of teaching process intellectual management system (TP IMS) and the development of the overall principles of their construction upon the models of artificial intelligence.

In the work the teaching system model is advanced through the multiagent technologies usage, which allowed the realization of the intellectual management of the teaching process in the TP IMS.

The decomposing method of constructing and functioning of TP IMS gained further development; it lies in the formation of the algorithms of the separate informational processes of the educational system realized with the help of intellectual reflex agents which react upon the occurrences being made by the users or by program subsystems.

The classes of tasks solved by the intellectual agents are investigated; the informational model of teaching process management system based on the multiagent approach is developed. This model permits the measure determination of the system intellectuality while solution of the multitude of task classes of the teaching system using intellectual agents.

Keywords: level of mastering knowledge, adaptive teaching, multiagent system, intellectual agent, measure of intelligence.

Нарожный А.В. Модели интеллектуального управления процессом обучения с помощью мультиагентных систем. – Рукопись.

Диссертация на соискание ученой степени кандидата технических наук по специальности 05.13.23 – Системы и средства искусственного интеллекта. – Одесский национальный политехнический университет, Одесса, 2007.

Целью диссертационной работы является повышение качества процессов обучения и принятия решений в условиях адаптивного обучения путем усовершенствования моделей и методов организации интеллектуальной системы управления процессом обучения (ИСУ ПО) и разработки общих принципов их построения на основе моделей искусственного интеллекта.

В работе выполнен анализ состояния проблемы в области разработки программных систем адаптивного обучения, которые используют методы искусственного интеллекта и проведены исследования методов и средств, которые применяются в интеллектуальных системах обработки информации и управления для принятия решений.

Также обобщенны и унифицированы подходы к решению основных задач интеллектуальной обработки информации на базе исследования процесса принятия решений при управлении сложными объектами и выполнена формализация требований к ИСУ ПО, как к специализированному программному обеспечению, ориентированному на функционирование в локальной и глобальной компьютерных сетях.

Получил дальнейшее развитие декомпозиционный метод построения и функционирования ИСУ ПО, заключающийся в формировании алгоритмов отдельных информационных процессов обучающей системы, которые могут быть реализованы с помощью интеллектуальных рефлекторных агентов, реагирующих на события, создаваемые пользователями либо программными подсистемами.

Предложена обобщенная модель процесса принятия решений в условиях адаптивного обучения и усовершенствована модель обучающей системы, путем использования мультиагентных технологий, что позволило реализовать интеллектуальное управление процессом обучения в ИСУ ПО.

В работе исследованы классы задач, решаемые интеллектуальными агентами, важнейшими из которых являются: организация и управление процессом обучения, взаимодействие агентов и выявлена зависимость, что с увеличением числа интеллектуальных агентов увеличивается мера интеллектуальности системы и повышается качество решения задач, однако практическая реализация системы показала, что при достижении критического значения числа интеллектуальных агентов среднее время реакции системы на события создаваемые агентами начинает увеличиваться, что приводит к снижению интеллектуальности системы.

Разработана информационная модель системы управления процессом обучения, основанная на мультиагентном подходе, которая позволяет определить меру интеллектуальности системы при решении множества классов задач обучающих систем с помощью интеллектуальных агентов.

Предложено использовать модель оценки знаний, основанную на принципах нечеткой логики и оценивании результатов путем использования системы критериально-ориентированного тестирования. Для анализа тестовых заданий предложено использование методов математической статистики.

Сформулированы основные требования к тестовым заданиям и выполнен анализ типовых тестовых заданий. Обосновано применение тестов с несколькими вариантами выбора, как способа контроля знаний, и использованием методов искусственного интеллекта, как неотъемлемой части процесса контроля и оценки знаний

Предложена структура ИСУ ПО и выполнена ее компьютерная реализация, по результатам которой создано математическое, алгоритмическое и программное обеспечения компонентов системы. Усовершенствована архитектура обучающей системы, путем использования мультиагентных технологий, которая включает в себя: базы знаний, клиентов и мультиагентную систему, состоящую из программного интерфейса и интеллектуальных агентов. Такой поход позволяет измерять меру интеллектуальности системы при решении множества классов задач обучающих систем с помощью интеллектуальных агентов.

Программная реализация компонентов интеллектуальной системы управления процессом обучения позволила экспериментально подтвердить эффективность применения мультиагентных технологий в системах обучения и контроля знаний. Повышение качества процессов обучения достигается благодаря тому, что принимаемые системой решения являются результатом множества совокупных решений интеллектуальных рефлекторных агентов.

ИСУ ПО применялась в управлении процессом обучения для 10 студенческих групп на протяжении одного учебного года. Анализ всех результатов тестирования, показал эффективность использования ИСУ ПО в учебном процессе и повышение качества процесса обучения. С внедрением системы в учебный процесс большая часть студентов стала обладать более высоки уровнем усвоения знаний (для 2-го уровня прирост составил 10-11%, а для 4го уровня – 1-5%).

В диссертационной работе получены научные и практические результаты, которые в совокупности решают актуальную проблему исследования, создание и внедрение (ИСУ ПО), как программного инструмента, для организации контроля знаний и принятия решений по результатам контроля в контексте комплексного управления учебным процессом.

Ключевые слова: уровень усвоения знаний, мультиагентная система, интеллектуальный агент, мера интеллекта.