Da pomognem školskom djetetu / Zadaci / Ekspertni sistemi u nauci i obrazovanju. Stručni sistemi obuke. Prednosti korištenja IKT-a u obrazovanju

Ekspertni sistemi u nauci i obrazovanju. Stručni sistemi obuke. Prednosti korištenja IKT-a u obrazovanju

24.02.2024

Sažetak na temu:

"Kreiranje izvještaja kao objekta baze podataka. Stručni i sistemi učenja"

Sadržaj

Kreiranje izvještaja kao objekta baze podataka

Struktura izvještaja u načinu dizajna

Metode za kreiranje izvještaja

Kreirajte izvještaj

Kreiranje izvještaja kao objekta baze podataka

Izvještaj je formatirani prikaz podataka koji se prikazuje na ekranu, štampa ili u datoteci. Oni vam omogućavaju da izvučete potrebne informacije iz baze podataka i predstavite ih u obliku koji je lako razumljiv, a također pružaju široke mogućnosti za sumiranje i analizu podataka.

Prilikom štampanja tabela i upita, informacije se prikazuju praktično u obliku u kojem su pohranjene. Često postoji potreba da se podaci prezentiraju u obliku izvještaja koji imaju tradicionalni izgled i koji se lako čitaju. Detaljni izvještaj uključuje sve informacije iz tabele ili upita, ali sadrži zaglavlja i razbijen je na stranice sa zaglavljima i podnožjima.

Struktura izvještaja u načinu dizajna

Microsoft Access prikazuje podatke iz upita ili tabele u izveštaju, dodajući tekstualne elemente radi lakšeg čitanja.

Ovi elementi uključuju:

Naslov. Ovaj odjeljak se štampa samo na vrhu prve stranice izvještaja. Koristi se za izlaz podataka, kao što je tekst naslova izvještaja, datum ili izjava teksta dokumenta, koji bi trebali biti odštampani jednom na početku izvještaja. Da biste dodali ili uklonili područje naslova izvještaja, izaberite naredbu Naslov izvještaja/Bilješka iz izbornika Pogled.

Zaglavlje stranice. Koristi se za prikaz podataka kao što su naslovi kolona, datumi ili brojevi stranica štampani na vrhu svake stranice izveštaja. Da biste dodali ili uklonili zaglavlje, izaberite Zaglavlje i podnožje iz menija Prikaz. Microsoft Access dodaje zaglavlje i podnožje u isto vrijeme. Da biste sakrili jedno od zaglavlja i podnožja, morate postaviti njegovo svojstvo Height na 0.

Područje podataka koje se nalazi između zaglavlja i podnožja stranice. Sadrži glavni tekst izvještaja. Ovaj odjeljak prikazuje podatke odštampane za svaki od zapisa u tabeli ili upitu na kojem je izvještaj zasnovan. Da biste postavili kontrole u oblast podataka, koristite listu polja i traku sa alatkama. Da biste sakrili područje podataka, potrebno je da svojstvo Height sekcije postavite na 0.

Podnožje. Ovaj odjeljak se pojavljuje na dnu svake stranice. Koristi se za prikaz podataka, kao što su ukupni iznosi, datumi ili brojevi stranica, štampani na dnu svake stranice izvještaja.

Bilješka. Koristi se za izlaz podataka, kao što su tekst zaključka, ukupni zbrojevi ili natpis, koji bi trebalo da se odštampaju jednom na kraju izveštaja. Iako se odeljak Napomena o izveštaju nalazi na dnu izveštaja u prikazu dizajna, on je odštampan iznad podnožja stranice na poslednjoj stranici izveštaja. Da biste dodali ili uklonili područje za bilješke izvještaja, izaberite naredbu Naslov izvještaja/Napomena iz izbornika Pogled. Microsoft Access istovremeno dodaje i uklanja naslove izvještaja i područja komentara.

Metode za kreiranje izvještaja

Možete kreirati izvještaje u Microsoft Accessu na različite načine:

Konstruktor

Čarobnjak za prijave

Automatski izvještaj: u kolonu

Automatski izvještaj: traka

Čarobnjak za karte

Poštanske etikete

Čarobnjak vam omogućava da kreirate izvještaje grupisanjem zapisa i predstavlja najjednostavniji način za kreiranje izvještaja. On postavlja odabrana polja u izvještaj i nudi šest stilova izvještaja. Nakon završetka čarobnjaka, rezultirajući izvještaj se može modificirati u načinu dizajna. Koristeći funkciju automatskog izvješćivanja, možete brzo kreirati izvještaje, a zatim napraviti neke izmjene u njima.

Da biste kreirali automatski izvještaj, morate izvršiti sljedeće korake:

U prozoru baze podataka kliknite na karticu Izvještaji, a zatim kliknite na dugme Kreiraj. Pojavljuje se okvir za dijalog New Report.

Odaberite kolonu Autorski izvještaj: ili Autorski izvještaj: traku na listi.

U polju izvora podataka kliknite na strelicu i odaberite Tabela ili Upit kao izvor podataka.

Kliknite na dugme OK.

Čarobnjak za automatske izvještaje kreira automatski izvještaj u koloni ili traci (po izboru korisnika) i otvara ga u načinu pregleda, što vam omogućava da vidite kako će izvještaj izgledati kada se odštampa.

Promjena skale prikaza izvještaja

Za promjenu skale prikaza koristite pokazivač - lupu. Da biste vidjeli cijelu stranicu, morate kliknuti bilo gdje na izvještaju. Stranica izvještaja će biti prikazana u smanjenom obimu.

Kliknite ponovo na izvještaj za povratak na veći prikaz. U uvećanom prikazu izveštaja, tačka na koju ste kliknuli biće u centru ekrana. Za pomicanje kroz stranice izvještaja, koristite dugmad za navigaciju na dnu prozora.

Štampajte izveštaj

Da odštampate izveštaj, uradite sledeće:

U meniju Datoteka kliknite na komandu Štampanje.

U oblasti Štampanje kliknite na opciju Stranice.

Da biste odštampali samo prvu stranicu izvještaja, unesite 1 u polje Od i 1 u polje Za.

Kliknite na dugme OK.

Prije štampanja izvještaja preporučljivo je da ga pregledate u režimu pregleda, za pristup kojem morate odabrati Pregled iz menija Pogled.

Ako štampate sa praznom stranom na kraju izveštaja, uverite se da je postavka Visina za beleške izveštaja postavljena na 0. Ako štampate sa praznim stranicama između, uverite se da je zbir širine obrasca ili izveštaja i Širina leve i desne margine ne prelazi širinu lista papira navedenu u dijaloškom okviru Podešavanje stranice (meni Datoteka).

Kada dizajnirate izgled izvještaja, koristite sljedeću formulu: širina izvještaja + lijeva margina + desna margina

Da biste prilagodili veličinu izvještaja, morate koristiti sljedeće tehnike:

promijeniti vrijednost širine izvještaja;

Smanjite širinu margine ili promijenite orijentaciju stranice.

Kreirajte izvještaj

1. Pokrenite Microsoft Access. Otvorite bazu podataka (npr. obrazovnu bazu "Dekanat").

2. Kreirajte AutoReport: traku, koristeći tabelu kao izvor podataka (na primjer, Studenti). Izveštaj se otvara u režimu pregleda, što vam omogućava da vidite kako će izveštaj izgledati kada se odštampa.

3. Prebacite se na mod dizajna i uredite i formatirajte izvještaj. Da biste se prebacili iz režima pregleda u režim dizajna, morate kliknuti na Zatvori na traci sa alatkama Access prozora. Izveštaj će se pojaviti na ekranu u modu dizajna.

Uređivanje:

1) ukloniti polja za šifru učenika u zaglavlju i području podataka;

2) Pomaknite sva polja u zaglavlju i području podataka na lijevo.

3) Promijenite tekst u naslovu stranice

U odjeljku Naslov izvještaja odaberite Učenici.

Postavite pokazivač miša desno od riječi Učenici tako da se pokazivač promijeni u vertikalnu traku (kursor za unos) i kliknite na tu poziciju.

Unesite NTU "KhPI" i pritisnite Enter.

4) Pomerite natpis. U podnožju izaberite polje =Sad() i prevucite ga u zaglavlje izveštaja pod imenom Učenici. Datum će se pojaviti ispod naslova.

5) Na traci sa alatkama Report Designer kliknite na dugme Pregled da biste pregledali izveštaj.

Formatiranje:

1) Odaberite naslov Studenti NTU "KhPI"

2) Promijenite font, stil fonta i boju, kao i boju pozadine.

3) Na traci sa alatkama Report Designer kliknite na dugme Pregled da biste pregledali izveštaj.

Promjena stila:

Da promijenite stil, učinite sljedeće:

Na traci sa alatkama Dizajnera izveštaja kliknite na dugme Automatsko oblikovanje da biste otvorili dijalog Automatsko oblikovanje.

Na listi Izvještaj - Automatsko oblikovanje stilova objekata kliknite na Strogo, a zatim kliknite na U redu. Izvještaj će biti formatiran u strogom stilu.

Prebacuje na način pregleda. Izvještaj će biti prikazan u stilu koji ste odabrali. Od sada će svi izvještaji kreirani pomoću funkcije AutoReport imati strogi stil sve dok ne navedete drugačiji stil u prozoru AutoFormat.

Ekspertski i sistemi učenja

Ekspertski sistemi su jedna od glavnih primjena umjetne inteligencije. Vještačka inteligencija je jedna od grana računarske nauke koja se bavi problemima hardverskog i softverskog modeliranja onih vrsta ljudskih aktivnosti koje se smatraju intelektualnim.

Rezultati istraživanja veštačke inteligencije koriste se u inteligentnim sistemima koji su sposobni da rešavaju kreativne probleme koji pripadaju određenoj predmetnoj oblasti, a znanja o kojima se čuvaju u memoriji (bazi znanja) sistema. Sistemi umjetne inteligencije usmjereni su na rješavanje velike klase problema, koji uključuju tzv. djelomično strukturirane ili nestrukturirane zadatke (zadaci koji se slabo formaliziraju ili neformaliziraju).

Informacijski sistemi koji se koriste za rješavanje polustrukturiranih problema podijeljeni su u dvije vrste:

Kreiranje upravljačkih izvještaja (izvođenje obrade podataka: pretraživanje, sortiranje, filtriranje). Odluke se donose na osnovu informacija sadržanih u ovim izvještajima.

Razvijanje mogućih alternativa rješenja. Donošenje odluke se svodi na odabir jedne od predloženih alternativa.

Informacijski sistemi koji razvijaju alternative rješenja mogu biti modelski ili stručni:

Model informacionih sistema daju korisniku modele (matematičke, statističke, finansijske, itd.) koji pomažu da se obezbedi razvoj i evaluacija alternativa rešenja.

Ekspertski informacioni sistemi obezbeđuju razvoj i procenu mogućih alternativa od strane korisnika kroz kreiranje sistema zasnovanih na znanju dobijenom od stručnjaka stručnjaka.

Ekspertski sistemi su kompjuterski programi koji akumuliraju znanja stručnjaka - stručnjaka u određenim predmetnim oblastima, koji su dizajnirani da dobiju prihvatljiva rješenja u procesu obrade informacija. Ekspertski sistemi transformišu iskustvo stručnjaka u bilo kojoj određenoj oblasti znanja u formu heurističkih pravila i namenjeni su konsultaciji manje kvalifikovanih stručnjaka.

Poznato je da znanje postoji u dva oblika: kolektivno iskustvo i lično iskustvo. Ako je predmetna oblast predstavljena kolektivnim iskustvom (na primjer, viša matematika), onda ovoj predmetnoj oblasti nisu potrebni ekspertni sistemi. Ako je u predmetnoj oblasti većina znanja lično iskustvo stručnjaka visokog nivoa i to znanje je slabo strukturirano, onda je takvoj oblasti potrebni ekspertni sistemi. Savremeni ekspertski sistemi našli su široku primenu u svim sferama privrede.

Baza znanja je srž ekspertskog sistema. Prelazak sa podataka na znanje je posledica razvoja informacionih sistema. Baze podataka se koriste za skladištenje podataka, a baze znanja se koriste za skladištenje znanja. Baze podataka po pravilu pohranjuju velike količine podataka uz relativno nisku cijenu, dok baze znanja pohranjuju male, ali skupe skupove informacija.

Baza znanja je skup znanja koji je opisan korišćenjem odabranog oblika njenog prikaza. Popunjavanje baze znanja jedan je od najtežih zadataka koji je povezan sa odabirom znanja, njegovom formalizacijom i interpretacijom.

Ekspertski sistem se sastoji od:

baza znanja (kao dio radne memorije i baze pravila), dizajnirana za pohranjivanje početnih i međučinjenica u radnoj memoriji (koja se naziva i baza podataka) i pohranjivanje modela i pravila za manipuliranje modelima u bazi pravila

rješavač problema (interpreter), koji obezbjeđuje implementaciju niza pravila za rješavanje određenog problema na osnovu činjenica i pravila pohranjenih u bazama podataka i bazama znanja

Podsistem objašnjenja omogućava korisniku da dobije odgovore na pitanje: "Zašto je sistem donio ovu odluku?"

podsistem za sticanje znanja dizajniran da dodaje nova pravila bazi znanja i modifikuje postojeća pravila.

korisnički interfejs, skup programa koji provode dijalog korisnika sa sistemom u fazi unosa informacija i dobijanja rezultata.

Ekspertni sistemi se razlikuju od tradicionalnih sistema za obradu podataka po tome što obično koriste simboličko predstavljanje, simboličko zaključivanje i heurističko traženje rješenja. Za rješavanje problema koji se slabo formaliziraju ili neformaliziraju, neuronske mreže ili neuroračunari su više obećavajući.

Osnovu neurokompjutera čine neuronske mreže - hijerarhijski organizovane paralelne veze adaptivnih elemenata - neurona, koji obezbeđuju interakciju sa objektima stvarnog sveta na isti način kao i biološki nervni sistem.

Veliki uspjesi u korištenju neuronskih mreža postignuti su u kreiranju samoučećih ekspertnih sistema. Mreža je konfigurisana, tj. trenirati propuštanjem svih poznatih rješenja kroz njega i postizanjem traženih odgovora na izlazu. Podešavanje se sastoji od odabira parametara neurona. Često koriste specijalizovani program obuke koji obučava mrežu. Nakon obuke, sistem je spreman za rad.

Ako u ekspertnom sistemu njegovi kreatori unapred učitavaju znanje u određenom obliku, onda u neuronskim mrežama čak ni programerima nije poznato kako se znanje formira u njegovoj strukturi u procesu učenja i samoučenja, tj. mreža je "crna kutija".

Neurokompjuteri, kao sistemi veštačke inteligencije, veoma su perspektivni i mogu se beskrajno unapređivati u svom razvoju. Trenutno se sistemi veštačke inteligencije u obliku ekspertskih sistema i neuronskih mreža široko koriste u rešavanju finansijskih i ekonomskih problema.

Tema 1. EOS kao komponenta intenzivne obuke specijalista.

Predavanje 8. Ekspertni sistemi učenja.

Područja primjene ekspertnih sistema u menadžmentu.

Troškovi ekspertnih sistema.

Razvoj ekspertnih sistema.

Tokom proteklih dvadeset godina, stručnjaci iz oblasti inteligentnih sistema sprovode aktivna istraživanja u oblasti kreiranja i korišćenja ekspertskih sistema namenjenih za oblast obrazovanja. Pojavila se nova klasa ekspertnih sistema - ekspertni nastavni sistemi - najperspektivniji pravac za unapređenje softverskih pedagoških alata u pravcu proceduralnih znanja.

Ekspertski sistem je skup kompjuterskog softvera koji pomaže osobi da donosi informisane odluke. Ekspertski sistemi koriste unapred dobijene informacije od stručnjaka - ljudi koji su najbolji stručnjaci u bilo kojoj oblasti.

Stručni sistemi moraju:

pohranjuju znanje o specifičnoj predmetnoj oblasti (činjenice, opisi događaja i obrasci);
biti u stanju komunicirati s korisnikom na ograničenom prirodnom jeziku (tj. postavljati pitanja i razumjeti odgovore);
imaju skup logičkih alata za izvođenje novog znanja, identifikaciju obrazaca i otkrivanje kontradikcija;
postaviti problem na zahtjev, pojasniti njegovu formulaciju i pronaći rješenje;
Objasnite korisniku kako je do rješenja došlo.

Takođe je poželjno da ekspertski sistem bude u stanju da:

pružaju informacije koje povećavaju povjerenje korisnika u ekspertni sistem;
“pričajte” o sebi, o vlastitoj strukturi

Stručni sistem učenja (ETS) je program koji ostvaruje jedan ili drugi pedagoški cilj zasnovan na znanju stručnjaka u određenoj predmetnoj oblasti, dijagnosticirajući učenje i upravljanje učenjem, te demonstrirajući ponašanje stručnjaka (predmetnih specijalista, metodičara, psihologa). ). Stručnost EOS-a leži u njegovom poznavanju nastavnih metoda, zahvaljujući kojima pomaže nastavnicima da podučavaju, a učenicima da uče.

Arhitektura sistema stručnog učenja uključuje dvije glavne komponente: bazu znanja (repozitorijum jedinica znanja) i softverski alat za pristup i obradu znanja, koji se sastoji od mehanizama za donošenje zaključaka (odluka), sticanje znanja, objašnjenje dobijenih rezultata, i inteligentni interfejs.

Razmjenu podataka između studenta i EOS-a izvodi program inteligentnog sučelja koji prima poruke učenika i pretvara ih u oblik predstavljanja baze znanja i, obrnuto, prevodi internu reprezentaciju rezultata obrade u format učenika i šalje poruku na potrebni medij. Najvažniji uslov za organizovanje dijaloga između učenika i EOS-a je prirodnost, što ne znači doslovno formulisanje potreba učenika u rečenicama prirodnog jezika. Važno je da redoslijed rješavanja problema bude fleksibilan, da odgovara idejama učenika i da se odvija u stručnom smislu.

Prisustvo razvijenog sistema objašnjenja (SO) izuzetno je važno za EOS koji radi u oblasti obrazovanja. Tokom procesa učenja, takav EOS će igrati ne samo aktivnu ulogu „nastavnika“, već i ulogu priručnika, pomažući učeniku da proučava interne procese koji se dešavaju u sistemu koristeći modeliranje područja primjene. Razvijen komunikacioni sistem sastoji se od dve komponente: aktivne, koja obuhvata skup informacionih poruka koje se studentu izdaju tokom rada, u zavisnosti od specifičnog puta do rešavanja problema, koji je u potpunosti određen sistemom; pasivna (glavna komponenta SO), fokusirana na inicijalizacijske akcije učenika.

Aktivna komponenta CO je detaljan komentar koji prati akcije i rezultate koje sistem postiže. Pasivna komponenta informacione podrške je kvalitativno nova vrsta informacione podrške, svojstvena samo sistemima zasnovanim na znanju. Ova komponenta, pored razvijenog sistema HELP-ova koje poziva student, ima sisteme za objašnjenje toka rješavanja problema. Sistem objašnjenja u postojećem EOS-u implementiran je na različite načine. To može biti: skup informacionih sertifikata o stanju sistema; potpuni ili djelimični opis putanje sistema duž stabla odlučivanja; spisak hipoteza koje se provjeravaju (osnova za njihovo formiranje i rezultati njihovog testiranja); spisak ciljeva koji regulišu rad sistema i načina za njihovo postizanje.

Važna karakteristika razvijenog komunikacionog sistema je upotreba prirodnog jezika komunikacije sa učenikom. Široka upotreba sistema „menija“ omogućava ne samo razlikovanje informacija, već i, u razvijenim elektronskim sistemima, procjenu nivoa pripremljenosti učenika, formirajući njegov psihološki portret.

Međutim, učenik možda nije uvijek zainteresiran za kompletan rezultat rješenja, koji sadrži mnogo nepotrebnih detalja. U tom slučaju, sistem bi trebao biti u mogućnosti da odabere samo ključne tačke iz lanca, uzimajući u obzir njihovu važnost i nivo znanja učenika. Da biste to učinili, potrebno je podržati model znanja i namjera učenika u bazi znanja. Ukoliko učenik i dalje ne razume dobijeni odgovor, onda bi sistem trebalo da ga u dijalogu zasnovanom na podržanom modelu problematičnog znanja nauči određenim fragmentima znanja, tj. otkrivaju detaljnije pojedinačne koncepte i zavisnosti, čak i ako ti detalji nisu direktno korišteni u zaključku.

Klasifikacija sistema računarske obuke

Računarska nastavna sredstva dijele se na:

· kompjuterski udžbenici;

okruženja specifična za domene;
laboratorijske radionice;
simulatori;
sistemi kontrole znanja;
Priručnici i baze podataka za obrazovne svrhe;
instrumentalni sistemi;
ekspertski sistemi učenja.

Automatizirani sistemi učenja (ATS) su kompleksi softvera, hardvera, obrazovnih i metodoloških alata koji osiguravaju aktivne aktivnosti učenja. ATS omogućava ne samo podučavanje specifičnih znanja, već i provjeru odgovora učenika, pružanje savjeta, čineći materijal koji se proučava zabavnim itd.

AOS su složeni sistemi čovjek-mašina koji spajaju niz disciplina u jednu: didaktiku (naučno su potkrijepljeni ciljevi, sadržaj, obrasci i principi nastave); psihologija (uzimaju se u obzir osobine karaktera i mentalni sklop učenika); modeliranje, kompjuterska grafika itd.

Glavno sredstvo interakcije između učenika i AOS-a je dijalog. Dijalog sa sistemom obuke mogu kontrolisati i učenik i sistem. U prvom slučaju učenik sam određuje način rada sa AOS-om, birajući metodu proučavanja gradiva koja odgovara njegovim individualnim sposobnostima. U drugom slučaju, metod i način proučavanja gradiva bira sistem, prezentujući učeniku okvire nastavnog materijala i pitanja prema njima u skladu sa scenarijem. Učenik svoje odgovore unosi u sistem, koji sam tumači njihovo značenje i šalje poruku o prirodi odgovora. U zavisnosti od stepena tačnosti odgovora, odnosno od pitanja studenta, sistem organizuje pokretanje određenih putanja scenarija učenja, birajući strategiju učenja i prilagođavajući se nivou znanja učenika.

Stručni sistemi obuke (ETS). Ostvaruju funkcije obuke i sadrže znanja iz određene prilično uske predmetne oblasti. EOS ima sposobnost da objasni strategiju i taktiku rješavanja problema u predmetnoj oblasti koja se proučava i obezbijedi praćenje nivoa znanja, vještina i sposobnosti uz dijagnostiku grešaka na osnovu rezultata učenja.

Obrazovne baze podataka (UBD) i obrazovne baze znanja (UBZ), usmjerene na određenu predmetnu oblast. UDB-ovi vam omogućavaju da kreirate skupove podataka za dati obrazovni zadatak i odaberete, sortirate, analizirate i obradite informacije sadržane u tim skupovima. UBZ, po pravilu, sadrži opis osnovnih pojmova predmetne oblasti, strategije i taktike rješavanja problema; skup predloženih vježbi, primjera i problema iz predmetne oblasti, kao i spisak mogućih grešaka učenika i informacije za njihovo ispravljanje; baza podataka koja sadrži spisak metodičkih tehnika i organizacionih oblika obuke.

Multimedijalni sistemi. Omogućavaju implementaciju intenzivnih metoda i oblika treninga, povećanje motivacije za učenje korištenjem savremenih sredstava za obradu audiovizuelnih informacija, povećanje nivoa emocionalne percepcije informacija, te razvijanje sposobnosti implementacije različitih oblika samostalnih aktivnosti obrade informacija.

Multimedijalni sistemi se široko koriste za proučavanje procesa različite prirode na osnovu njihovog modeliranja. Ovdje možete učiniti vidljivim život elementarnih čestica mikrosvijeta, nevidljivih običnom oku, kada proučavate fiziku, figurativno i jasno govoriti o apstraktnim i n-dimenzionalnim svjetovima, jasno objasniti kako funkcionira ovaj ili onaj algoritam itd. Sposobnost simulacije stvarnog procesa u boji i zvukom podiže učenje na potpuno novi nivo.

Sistemi<Виртуальная реальность>. Koriste se u rješavanju konstruktivno-grafičkih, likovnih i drugih problema gdje je potrebno razviti sposobnost stvaranja misaone prostorne konstrukcije određenog objekta na osnovu njegovog grafičkog prikaza; prilikom proučavanja stereometrije i crtanja; u kompjuterizovanim simulatorima tehnoloških procesa, nuklearnih instalacija, vazduhoplovstva, pomorskog i kopnenog saobraćaja, gde je bez ovakvih uređaja suštinski nemoguće razviti veštine čovekove interakcije sa savremenim veoma složenim i opasnim mehanizmima i pojavama.

Obrazovne kompjuterske telekomunikacione mreže. Omogućavaju učenje na daljinu (DL) – učenje na daljinu, kada su nastavnik i učenik odvojeni prostorno i (ili) vremenski, a obrazovni proces se odvija korišćenjem telekomunikacija, uglavnom zasnovanih na Internetu. Mnogi ljudi u isto vrijeme imaju priliku poboljšati svoje obrazovanje kod kuće (na primjer, odrasli opterećeni poslovnim i porodičnim brigama, mladi ljudi koji žive u ruralnim područjima ili malim gradovima). U bilo kom periodu svog života, osoba ima priliku da na daljinu stekne novo zanimanje, unapredi svoje kvalifikacije i proširi vidike, i to u skoro svakom naučnom ili obrazovnom centru u svetu.

U obrazovnoj praksi koriste se svi glavni tipovi kompjuterskih telekomunikacija: elektronska pošta, elektronske oglasne table, telekonferencije i druge mogućnosti Interneta. DL takođe omogućava autonomno korišćenje kurseva snimljenih na video diskovima, CD-ovima itd. Računarske telekomunikacije pružaju:

mogućnost pristupa različitim izvorima informacija putem interneta i rada sa tim informacijama;
mogućnost brze povratne informacije tokom dijaloga sa nastavnikom ili sa drugim učesnicima kursa obuke;
mogućnost organizovanja zajedničkih telekomunikacionih projekata, uključujući međunarodne telekonferencije, mogućnost razmene mišljenja sa bilo kojim polaznikom ovog kursa, nastavnikom, konsultantima, mogućnost traženja informacija o bilo kom pitanju od interesa putem telekonferencija.
mogućnost implementacije daljinskih metoda kreativnosti, kao što je učešće na udaljenim konferencijama, daljinski<мозговой штурм>mrežni kreativni radovi, komparativna analiza informacija o WWW-u, istraživanja na daljinu, kolektivni edukativni projekti, poslovne igre, radionice, virtuelne ekskurzije itd.

Zajednički rad podstiče učenike da se upoznaju sa različitim gledištima na problem koji se proučava, da traže dodatne informacije i da evaluiraju sopstvene rezultate.

Stručni sistem obuke

Uvod

Trenutno se, zbog brzog razvoja internet tehnologija, pojavljuje sve više novih interaktivnih usluga Internet i Intranet -mreže, kao što je učenje na daljinu. Sistem učenja na daljinu je prilično popularan oblik obrazovanja u svijetu u onim zemljama koje imaju prilično visok nivo razvoja kompjuterskih komunikacijskih alata. Osposobljavanje savremenih specijalista zahteva organizaciju obrazovnog procesa korišćenjem ovih novih informacionih tehnologija i korišćenjem sistema zasnovanih na znanju – ekspertnih sistema (ES).

Korišćenje ES-a za procenu nivoa znanja studenata u sistemima testiranja određuje važan blok računarskih programa – sisteme ekspertske obuke (ETS).

Sistemi za stručno učenje su kompjuterski programi koji imaju glavne komponente ES-a, ali koji imaju dodatno proširenu komponentu objašnjenja. Ovakvi sistemi su zasnovani kako na znanju stručnjaka za softver tako i na znanju stručnjaka za metodiku nastave. Osim toga, imaju komponentu prilagođavanja prezentacije nastavnog materijala učeniku, u zavisnosti od njegove pripremljenosti. I kao minimum, postoji nekoliko strategija učenja, čiji nivo detalja zavisi od aktivnosti učenika u dijalogu sa sistemom.

Upotreba EOS-a kao alata za testiranje za utvrđivanje kvaliteta znanja učenika takođe je od velikog značaja u nastavi. Budući da prilikom ovakvog testiranja na studenta ne utiče subjektivni faktor, odnosno rezultati testa ne zavise od ličnih karakteristika ispitivača i osobe koja se testira. A upotreba jednoobraznih testova omogućava nastavniku da objektivno procijeni nivo pripremljenosti učenika.

1. Relevantnost teme

U vezi sa raširenom upotrebom računara, sve je veća uloga računarske obuke, čija metodologija povećava intelektualne sposobnosti učenika i samostalnost odlučivanja. A takvi kvaliteti su najtraženiji u konkurentnoj ekonomiji i doprinose obrazovanjuprofesionalni rast. Postoje problemi stvaranja efikasnih nastavnih sistema, kao i stvaranja novih oblika i načina prezentovanja nastavnog materijala, traženja novih pedagoških tehnika i sredstava nastave. Jedan od pravaca za povećanje efikasnosti obuke, asimilaciju informacija i smanjenje troškova samog procesa učenja je razvoj i upotreba automatizovanih sistema obuke stručnjaka. U ovom trenutku postoji mnogo pojmova koji označavaju automatizovani sistem obuke stručnjaka, koji su, zapravo, slični.

Najpopularniji od njih su sistemi učenja na daljinu, kompjuterski sistemi za obuku i drugi. Da bismo objasnili puno značenje gore navedenih pojmova, može se dati sljedeća definicija.
Sistem stručnog usavršavanja (ETS) je kompleks softverskih, hardverskih, obrazovnih i metodoloških alata izgrađenih na osnovu znanja stručnjaka za predmetnu oblast (kvalifikovanih nastavnika, metodičara, psihologa), koji implementiraju i kontrolišuproces učenja. Svrha ovakvog sistema je da, s jedne strane, pomaže nastavniku da podučava i kontroliše učenika, as druge strane učenik samostalno uči.

2. Svrha i ciljevi studije, planirani rezultati

Svrha studija je da se razvije kompjuterski ekspertski nastavni sistem koji će pomoći u povećanju obima stečenog znanja i efikasnosti percepcije informacija, kao i smanjenju vremena utrošenog na proučavanje predmeta, uključujući i vreme koje nastavnik troši na iznošenje informacija. i usađivanje praktičnih vještina učenicima.

Glavni ciljevi studije:

Razvoj ontološkog modela EOS-a;
Razvoj EOS strukture;
Opravdanje i izbor alata za implementaciju računala;
Uvođenje aktivnih komponenti u EOS (igre, interaktivni sistemi, direktan pristup komunikaciji, na primjer, preko Skypea sa menadžerom);

Predmet proučavanja: sistem stručnog usavršavanja.

Predmet studija: modeli, strukture i funkcije EOS-a.

Naučna novina sastoji se od novi pristup EOS dizajnu zasnovan na modeliranju aktivnosti učenika i korištenju metoda umjetne inteligencije.

U okviru magistarskog rada planirano je sticanje relevantnog naučni rezultati u sljedećim oblastima:

Modeliranje procesa učenja.
Dizajniranje EOS strukture za Internet i Intranet.

Planirani rezultati rada: prototip stručnog sistema obuke koji će poboljšati kvalitet obuke i smanjiti vrijeme obuke.

3. Pregled naučnih istraživanja.

Budući da su pitanja istraživanja ekspertnih nastavnih sistema i povećanja efikasnosti obuke u ovom sistemu važan dio rješavanja složenih problema korištenjem ekspertnih sistema. EOS su naširoko proučavali i strani i domaći stručnjaci.

3.1. Pregled međunarodnih izvora

Prvi sistem obuke Platon baziran na moćnom računaru kompanije " Control Data Corporation "razvijen je u SAD-u kasnih 50-ih i razvijan je tokom 20 godina. Kreiranje i upotreba programa obuke postali su zaista rašireni od ranih 80-ih, kada su se pojavili i postali široko rasprostranjeni personalni računari. Od tada su obrazovne aplikacije računara postale jedna od njihovih glavnih aplikacija, zajedno sa obradom teksta i grafikom, gurajući matematičke proračune u drugi plan.

ECSI je također osnovan 1972. godine i od tada se etablirao kao vodeći pružatelj usluga u obrazovnoj industriji. Kompanija je specijalizirana za razvoj proizvoda i usluga za poboljšanje iskustva učenja za studente i njihove roditelje univerzitetima širom zemlje, nudeći širok spektar potpuno prilagođenih, intuitivnih sistema učenja.

3.2. Pregled nacionalnih izvora

Moderni sistemi obuke uključuju TrainingWare, eLearning Server 3000 v2.0, eLearningOffice 3000, IBM Workplace Collaborative Learning i HyperMethod 3.5 kompanije HyperMethod, koja je najveći ruski proizvođač gotovih rješenja i softvera u oblasti multimedije, stručnog usavršavanja i e- commerce.

4. Sistemi obuke stručnjaka

Stručni sistem učenja (ETS) je kompjuterski program izgrađen na osnovu znanja stručnjaka za predmetnu oblast (kvalifikovanih nastavnika, metodičara, psihologa) koji sprovodi i kontroliše proces učenja. Svrha ovakvog sistema je da, s jedne strane, pomaže nastavniku da podučava i kontroliše učenika, as druge strane učenik samostalno uči.

Glavne komponente EOS-a su:

baza znanja;
izlazna mašina;
modul za ekstrakciju znanja;
modul obuke;
sistem objašnjenja;
modul za testiranje.

Slika 1- Funkcionalni model strukture EOS-a

(animacija: 8 kadrova, 5 ciklusa ponavljanja, 118 kilobajta)

U ovom modelu gornji dio EOS-a je naslijeđen od ES-a, a donji dio predstavlja blokove koji osiguravaju proces obuke i testiranja.

Baza znanja je skladište modula znanja. Modul znanja ekspertnih sistema je formalizovan, korišćenjem nekog metoda predstavljanja znanja (proizvodni sistem, okviri, semantičke mreže, predikatski račun 1. reda) prikaz objekata predmetne oblasti, njihovih odnosa, delovanja na objekte.

Rad sa bazom znanja uključuje sljedeće faze:

izvlačenje znanja od stručnjaka;
formalizacija znanja;
pristup, obrada modula znanja.

U toku procesa učenja, na učenika se može prenijeti stručno znanje u vidu informacija (tekst, grafika, multimedija), kao i znanja zasnovana na iskustvu, koja se ne mogu direktno prenijeti na učenika, već se stiču od nego u toku samostalne aktivnosti].

Za prenošenje stručnog znanja široko se koristi razvijena hipertekstualna tehnologija - od tradicionalnih programa pomoći do modernih alata za kreiranje i podršku web stranica (na primjer, Dreamweaver MX).

Za razliku od ES-a, za izgradnju baze znanja EOS-a nisu uključeni samo stručni nastavnici, već se koristi i znanje o pedagoškim tehnikama i strategijama podučavanja te o psihološkim karakteristikama pojedinca. Stoga module znanja formiraju mnogi stručnjaci. I ovdje je potrebno voditi računa o konzistentnosti stručnih mišljenja i fino podesiti bazu znanja, uzimajući u obzir kompetentnost stručnjaka. Naravno, ove poteškoće se mogu zaobići ako postoji stručnjak koji kombinuje znanja specijaliste iz predmetne oblasti, poznavanje nastavnih taktika i strategija, te ovlada psihološkim nastavnim tehnikama, odnosno visokokvalifikovanog nastavnika.

Komponenta obuke je skup softverskih modula koji implementiraju različite izlazne mehanizme za postizanje pedagoškog cilja u obuci. EOS su, za razliku od drugih kompjuterskih nastavnih sredstava, interaktivni: vode dijalog sa učenikom, što je za potonjeg veoma privlačno.

Izgradnja dijaloga zasniva se na osnovnim psihološkim principima učenja:

korisničko sučelje;
izaći iz dijaloga u bilo kom trenutku;
pravovremenu i motivisanu pomoć.

Svako pitanje koje se postavlja učeniku mora biti pažljivo promišljeno, i ako je potrebno, dati detaljnije pitanje kako bi ga bolje razumjeli.

Kao rezultat studije Pokazalo se da mnoge komponente kreiranja EOS-a ovise o ishodu obuke, stoga je za kreiranje EOS baze znanja potreban stručnjak koji odlično poznaje predmetnu oblast i također je siguran u tehnike učenja.

5. Klijent-server tehnologija sistema obuke stručnjaka za mreže InternetIIntranet

Arhitektura klijent-server sastoji se od sljedećih komponenti:

server koji ispunjava zahtjeve klijenata; klijent, koji obezbeđuje korisnički interfejs koji šalje zahteve serveru i prima odgovore od njega; softver za mrežnu komunikaciju koji komunicira između klijenta i servera. Upotreba klijent-server tehnologije daje određene prednosti pri izgradnji ES-a: baza znanja se pohranjuje na serveru i stoga se potreba za ažuriranjem vrši jednom;
baza znanja može biti dostupna drugim aplikacijama; a prednost za sisteme stručnog učenja (ETS) je što možete pohraniti sadržaj na server i pratiti statistiku učenja na njemu.
Klijent-server ES i EOS za Internet/Intranet mreže omogućavaju proširenje mogućnosti njihovog korištenja u obrazovanju na daljinu.
Kompjuterski sistemi obuke omogućavaju i razvoj ES prototipova i mogu se koristiti za prilagođeno testiranje i obuku učenika preko lokalne mreže.
Glavne komponente EOS-a su sljedeće: urednik baze znanja; mašine za logičko zaključivanje (direktno, inverzno, indirektno zaključivanje, Bayesova formula); podsistem objašnjenja; analizator tijesta; modul nastavnika; komponenta obuke.

Osnovni zadatak sistema ekspertskog učenja je da studentima pruže mogućnost da steknu znanja, veštine i sposobnosti u razvijanju baza znanja i kreiranju prototipova elektronskih sistema samostalno, kao i za obučeno testiranje.

Postoji najmanje pet važnih razloga koji ometaju implementaciju klijent-server (distribuiranog) ES-a:

Strukturni elementi komponenti ES nisu izolovani jedan od drugog.
Baza podataka nije baza podataka, za koju postoje moćni DBMS-ovi (Oracle, InterBase, MySQL i tako dalje) koji koriste SQL upite.
Višekorisnički pristup bazi znanja za uređivanje jednostavno nije prihvatljiv.
Logičan zaključak i specifičnosti stvaranja baze znanja (različiti načini predstavljanja znanja) ne doprinose potrebi njihovog kombinovanja u jedinstven sistem. Za Symantec Web razvijen je niz jezika opisa i web servisa, ali još uvijek nema prijedloga za implementaciju logičkog zaključivanja.
Softverski alati za izgradnju ES i baza znanja su ekskluzivni i skupi.

Možete, naravno, postaviti ES na web server za preuzimanje na klijentsku mašinu putem linka za preuzimanje i ažurirati ga na serveru, ali ovo nije klijent-server rešenje.

Slično, može se raspravljati o korišćenju troslojne klijent-server arhitekture (Server - CORBA - Klijent), kada se baza znanja nalazi na serveru aplikacija i predstavlja u obliku pravila poslovnog odlučivanja.

Takođe nije pogodan za tehnologiju “tankog klijenta” (KB, logičko zaključivanje, sistem objašnjenja nalaze se na serveru, a dijalog sa ES-om je podržan i na serveru i na klijentu) i “debeli klijent” (KB, logički zaključivanje, sistem objašnjenja nalaze se na klijentskoj mašini, a interfejs dijaloga podržavaju klijent i server).

Imajte na umu da je ES baza znanja intelektualno vlasništvo i ne može biti dostupna za besplatno korištenje. A obrazovne KB-ove treba postaviti na web server kako bi svaki zainteresovani korisnik mogao analizirati kako ES radi i unaprijediti svoje znanje o predmetnoj oblasti.

Ne treba zaboraviti na opterećenje servera tokom vršnih situacija. Nijedan provajder neće dati server samo za funkcionisanje ES-a, jer reakcija korisnika tokom konsultacija ili objašnjenja nije predvidljiva. A to su važni aspekti funkcionisanja ES (konsultacije mogu trajati od minuta do nekoliko sati).

Razvijanje EOS-a za Internet/Intranet mreže je sasvim druga stvar.

EOS je kompjuterski sistem izgrađen na osnovu znanja stručnjaka za predmetnu oblast (kvalifikovanih nastavnika, metodičara, psihologa), koji sprovodi i kontroliše proces učenja. Svrha ovakvog sistema je da, s jedne strane, pomaže nastavniku da podučava i kontroliše učenike, as druge strane, učenici samostalno uče.

Glavne komponente EOS-a su sljedeće: baza znanja; izlazna mašina; modul obuke; sistem objašnjenja; modul za testiranje učenja.

Baza znanja po pravilu sadrži:

Psihodijagnostička pravila za identifikaciju psiholoških tipova učenika.

Didaktičke tehnike nastave. Pravila predstavljaju akumulirano znanje nastavnika za provjeru znanja učenika.

Pravila učenja mijenjaju redoslijed prikazanih sadržajnih zadataka. Ova sekvenca je funkcija mnogih varijabli: psihološkog tipa učenika, stepena obučenosti, trenutnog odgovora učenika, stepena težine zadatka, količine završene obuke.

U vezi sa onim što je rečeno o distribuiranom ES-u, preporučuje se upotreba tehnologije “debelog klijenta” za obuku i testiranje, odnosno kada se sve komponente ES-a nalaze na klijentskoj mašini, a rezultati obuke i testiranja se prenose na server. I nema potrebe za strahom da se rezultati mogu zamijeniti, s obzirom na moderne mogućnosti enkripcije protokola sa udaljenim serverom. Zašto baš ova tehnologija? Poznato je da oko 80% svih informacija percipira osoba - to je vizuelno. Stoga su multimedijalne tehnologije (avi fajlovi) prioritet u obuci. Ako ih postavite i pokreneteserver - ovo je veliko opterećenje na serveru i, kao rezultat, promet se povećava do ogromnih veličina.

zaključci

EOS, za razliku od drugih kompjuterskih tehnologija učenja, ima mogućnost implementacije procesa učenja prema individualnom modelu učenika. Učenje uz pomoć ES je usmjereno na stjecanje znanja od strane samog učenika. Naime, takvi stručnjaci su traženi na savremenom tržištu rada. EOS također ima svoje prednosti i nedostatke.

Glavni nedostaci povezani sa stručnim sistemima učenja mogu se podijeliti na psihološki povezano sa nedostatkom „žive“ komunikacije sa nastavnikom, visokim zahtevima za samoorganizacijom i tehnički, koje su uzrokovane nesavršenostima sadržaja, tehnologije i telekomunikacijske infrastrukture.

Prednosti sistema stručnog usavršavanja su:

Geografske i vremenske prednosti.
Personalizacija procesa učenja. Mogućnost osposobljavanja različitih kategorija ljudi, uključujući osobe sa invaliditetom.
Proširivanje informacija koje se proučavaju i povećanje intenziteta učenja.
Optimizacija i automatizacija procesa prenosa znanja.

Magistarski rad je posvećen aktuelnom naučnom problemu automatizacije ekspertnog nastavnog sistema. U sklopu istraživanja sprovedeno je sljedeće:

Analiziraju se postojeći sistemi obuke stručnjaka.
Urađena je studija na automatizovanom sistemu obuke stručnjaka.
Razmatrana je klijent-server tehnologija sistema obuke stručnjaka za Internet i Intranet mreže.

U skladu sa konstatacijom problema, dalji pravac istraživanja je izbor, razvoj i adaptacija sistema stručnog usavršavanja, njegova softverska implementacija i testiranje.

U vrijeme pisanja ovog sažetka, magistarski rad još nije završen. Konačni završetak: decembar 2013. Kompletan tekst rada i materijale na temu možete dobiti od autora ili njegovog mentora nakon navedenog datuma.

Spisak izvora

1. Brooking A. Ekspertni sistemi. Principi rada i primjeri: Transl. sa engleskog / A. Brooking, P. Jones; [Ed. R. Forsyth. - M.: Radio i komunikacija, 1987. - 224 str.

2. - Američko udruženje za umjetnu inteligenciju Američko udruženje za umjetnu inteligenciju (AAAI).

7. Karpova I.P. Analiza odgovora učenika u automatizovanim sistemima učenja / I.P. Karpova // - Informacijske tehnologije, 2001, br. 11. - str. 49-55.

8. Pusilovski, P., Adaptivne i inteligentne tehnologije za obrazovanje zasnovano na vebu. U C. Rollinger i C. Peylo (ur.), Specijalno izdanje o inteligentnim sistemima i telenauci, Konstliche Intelligenz, 4, 19 - 25.

9. Burdaev V.P. Klijent-server tehnologija sistema obuke stručnjaka za Internet i Intranet mreže. // Umjetna inteligencija.

11. Andreychikov A.V. Inteligentni informacioni sistemi. /A. V. Andreichikov, O. N. Andreichikova: Udžbenik. - M.: Finansije i statistika, 2004. - 424 str.

12. Atanov G. A. Obuka i umjetna inteligencija, ili temelji moderne visokoškolske didaktike. /G. A. Atanov, I. N. Pustynnikova. - Donjeck: DOU, 2002. - 504 str.

13. Marvin Minsky. Mašina za emocije: zdravorazumsko razmišljanje, umjetna inteligencija i budućnost ljudskog uma. 2007. - 332 str.