Помощь в учёбе, очень быстро...
Работаем вместе до победы

Представление, обработка и контроль знаний на основе элементарных вербальных единиц

Диссертация: Представление, обработка и контроль знаний на основе элементарных вербальных единиц
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Мышление, память, когнитивные процессы человека доступны для непосредственного восприятия только ему самому, а для других людей всегда остаются «черным ящиком». Поэтому судить о знаниях человека, содержании его памяти, способах мышления можно только по внешним проявлениям этих характеристик в деятельности человека, которые выступают своеобразными индикаторами для формирования суждений. Таким… Читать ещё >

Содержание

  • ГЛАВА 1. ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ И МОДЕЛЕЙ АКЗ
    • 1. 1. Общая характеристика задачи АКЗ. Понятия АВЗ и АВАЗ
      • 1. 1. 1. Выявление и оценка знаний
      • 1. 1. 2. Понятия АВЗ и АВАЗ. Две базовые парадигмы решения задачи АКЗ
      • 1. 1. 3. Концептуальная модель АКЗ
    • 1. 2. Классификация методов и моделей АКЗ
      • 1. 2. 1. Классификации компьютерных средств обучения
      • 1. 2. 2. Классификации методов АКЗ по некоторым критериям
      • 1. 2. 3. Классификация методов взаимодействия человек-компьютер, применяемых для решения задачи АКЗ
      • 1. 2. 4. Классификация типов моделей персональных знаний, формируемых с помощью различных методов АКЗ
    • 1. 3. Математические модели АКЗ, ие использующие теорию и методы искусственного интеллекта
      • 1. 3. 1. Математическая теория обучения (научения). Статистическая теория обучения и контроля знаний
      • 1. 3. 2. Модели теории педагогических измерений
    • 1. 4. Модели представления знаний и модели рассуждений в задачах АКЗ
      • 1. 4. 1. Краткий обзор моделей представления знаний и моделей рассуждений
      • 1. 4. 2. Обзор моделей представления знаний и моделей рассуждений, применяемых в существующих интеллектуальных системах обучения и контроля (диагностики) знаний для решения задачи АКЗ (АВЗ)
      • 1. 4. 3. Концептуальная модель применения моделирования знаний и рассуждений для решения задачи АКЗ
    • 1. 5. Выводы по главе
  • ГЛАВА 2. МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ И МОДЕЛИ РАССУЖДЕНИЙ, СОСТАВЛЯЮЩИЕ ОСНОВУ ПРЕДЛАГАЕМОЙ МЕТОДИКИ АКЗ
    • 2. 1. Модели представления знаний
      • 2. 1. 1. Понятие фигуры знания. Связь фигур знания с ассоциативным тезаурусом
      • 2. 1. 2. Представление знаний о предметной области: общая характеристика
      • 2. 1. 3. Представление знаний о предметной области: формальная модель
      • 2. 1. 4. Представление персональных знаний. Инструменты анализа знаний
      • 2. 1. 5. Формальное определение состояний МПЗ и преобразований между ними
      • 2. 1. 6. Формальная постановка задачи АКЗ (АВЗ). Преимущества и недостатки предлагаемого подхода к формализации задачи АКЗ (АВЗ)
    • 2. 2. Модели рассуждений
      • 2. 2. 1. Краткая характеристика типов моделируемых рассуждений
      • 2. 2. 2. Рассуждения о знании/незнании ЦЕЗ и логический анализ персональных знаний на уровне ЦЕЗ на основе логики аргументации А
      • 2. 2. 3. Доказательство монотонности преобразования «МПЗ на уровне вопросов —> МПЗ на уровне ЦЕЗ», задаваемого на основе семантики логики аргументации А
      • 2. 2. 4. Рассуждения о знании/незнании КЕ и операция «свертки». Условие монотонности преобразования «МПЗ на уровне ЦЕЗ МПЗ на уровне КЕ». Структурный анализ персональных знаний
      • 2. 2. 5. Варианты реализации операции «свертки». Логический анализ персональных знаний на уровне КЕ
      • 2. 2. 6. Генетический алгоритм для настройки СНЛВ операции «свертки»
      • 2. 2. 7. Механизм рассуждений в процессе адаптивного взаимодействия. Критерии эффективности адаптации и пример их вычисления
      • 2. 2. 8. Анализ соответствия персональных знаний эталонным образам знания
      • 2. 2. 9. Преимущества и недостатки предлагаемых моделей рассуждений
    • 2. 3. Выводы по главе
  • ГЛАВА 3. ДОПОЛНИТЕЛЬНЫЕ МОДЕЛИ И АЛГОРИТМЫ. ПРЕДЛАГАЕМАЯ МЕТОДИКА АКЗ
    • 3. 1. Дополнительные модели и алгоритмы
      • 3. 1. 1. Алгоритм анализа ответа на вопрос с учетом возможных опечаток
      • 3. 1. 2. Модели отбора подмножеств вопросов
      • 3. 1. 3. Интегральные числовые характеристики когнитивного тезауруса!
      • 3. 1. 4. Модель уменьшения количества ЦЕЗ, имеющих статус «противоречие», на основе решения задачи многокритериальной порядковой экспертной классификации
    • 3. 2. Предлагаемая методика АКЗ
      • 3. 2. 1. Краткая характеристика основных этапов применения методики!
      • 3. 2. 2. Рекомендации по разработке основных компонентов когнитивного тезауруса
      • 3. 2. 3. Модель применения АСКЗ
      • 3. 2. 4. Место предлагаемой методики АКЗ среди других подходов к решению задачи АКЗ (АВЗ)
    • 3. 3. Экспериментальные исследования предлагаемой методики АКЗ
      • 3. 3. 1. Эксперимент по накоплению фигур знания. Разработка когнитивного тезауруса для предметной области «Основы информатики»
      • 3. 3. 2. Экспериментальное исследование валидности выявления знаний
      • 3. 3. 3. Экспериментальное исследование механизма адаптации
    • 3. 4. ВЫВОДЫ ПО ГЛАВЕ
  • ГЛАВА 4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ МЕТОДИКИ АКЗ
    • 4. 1. Общее описание
      • 4. 1. 1. Наименование, цели и назначение разработки
      • 4. 1. 2. Диаграмма прецедентов в нотации UML
      • 4. 1. 3. Функции программного продукта
    • 4. 2. Архитектура системы
      • 4. 2. 1. Реализация системы в рамках архитектуры «клиент-сервер». Автоматизированные рабочие места (АРМ)
      • 4. 2. 2. Характеристика модели базы данных
    • 4. 3. Реализация импорта данных когнитивного тезауруса. Интерфейс взаимодействия «пользователь-система»
      • 4. 3. 1. Обобщенный алгоритм импорта данных когнитивного тезауруса. Форматы файлов загрузки
      • 4. 3. 2. Графы диалога автоматизированных рабочих мест системы
    • 4. 4. Выводы по главе

Представление, обработка и контроль знаний на основе элементарных вербальных единиц (реферат, курсовая, диплом, контрольная)

Актуальность исследования. Современный этап развития науки, образования и народного хозяйства характеризуется разработкой и использованием информационных технологий, основанных на знаниях, на базе средств вычислительной техники, применением методов искусственного интеллекта при создании информационных систем. Возник и развивается широкий класс информационных систем — автоматизированные системы контроля знаний (АСКЗ).

Идея использования моделей и методов искусственного интеллекта в компьютерных средствах поддержки процессов обучения не является новой: первые системы такого типа появились в 70-х годах XX века. К настоящему времени эта идея уже доказала свою эффективность, и с развитием области искусственного интеллекта постоянно развивается и область интеллектуализации таких компьютерных систем.

Под автоматизированной системой контроля знаний (АСКЗ) в работе понимается автоматизированная система, основная функция которой состоит в формировании модели персональных знаний пользователя (МПЗ) в результате взаимодействия система-пользователь (под МПЗ человека понимается любая информация о знаниях человека в некоторой предметной области). Аналогично, автоматизированный контроль знаний (АКЗ) человека определяется как процесс взаимодействия человека и компьютера, в результате которого в памяти компьютера формируется МПЗ человека.

В современном мире научно-технический прогресс и формирование информационного общества создают ситуацию, когда потребность в обучении и самообучении поддерживается на протяжении всей жизни человека. Рассматривая процесс обучения как процесс управления сложной системой, необходимо отметить, что важнейшим компонентом обучения является механизм обратной связи, роль которого играет контроль знаний.

Основная цель любой АСКЗ — реализовать обратную связь: это либо обратная связь от ученика к преподавателю в системе «предметная область — преподаватель (субъект обучения) — ученик (объект обучения)», либо обратная связь от ученика к самому же ученику в системе «предметная область (объект изучения) — ученик (субъект изучения)». В первом случае речь идет о классической ситуации обучения как «совместной целенаправленной деятельности учителя и учащихся» [1], во втором — о ситуации самообучения, т. е. самостоятельного изучения некоторой предметной области, или же о самопроверке и самодиагностике, объектом которых являются знания.

Мышление, память, когнитивные процессы человека доступны для непосредственного восприятия только ему самому, а для других людей всегда остаются «черным ящиком». Поэтому судить о знаниях человека, содержании его памяти, способах мышления можно только по внешним проявлениям этих характеристик в деятельности человека, которые выступают своеобразными индикаторами для формирования суждений. Таким образом, в функционировании любой АСКЗ можно выделить 2 фазы: 1) фаза взаимодействия, результатом которой является совокупность фактических данных о деятельности пользователя в процессе взаимодействия с системой- 2) фаза интерпретации, состоящая в преобразовании полученных в результате предыдущей фазы фактических данных в МПЗ пользователя.

В большом количестве работ в области построения систем контроля знаний и значительном разнообразии предлагаемых подходов, можно выделить две базовые парадигмы их создания: парадигму оценки (измерения) знаний и парадигму выявления и анализа знаний.

В рамках первой парадигмы МПЗ представляет собой скаляр (так называемая «скалярная модель обучаемого»). В этом случае основной целью контроля знаний является их оценка, формирование некоторой меры (рейтинга, ранга), характеризующей знания человека, их носителя. Системы, построенные на основе этой парадигмы, наиболее часто относят к классу тестирующих, или тестового контроля знаний. Они дают человеку формальную оценку его знаний, т. е. отвечают на вопрос «на сколько?» он знает тот или иной предмет.

Вторая парадигма подразумевает, что МПЗ — это модель данных, для которых характерна внутренняя интерпретируемость, структурированность, связность, иерархичность информационных единиц. Такие системы дают содержательное описание знаний человека, отвечают на вопрос «что он знает или не знает?» о предмете.

Большой вклад в развитие методов формирования оценки знаний, относящихся, прежде всего, к теории педагогических измерений, внесли B.C. Ава-несов, А. Бирнбаум, Ф. Лорд, А. Н. Майоров, В. И. Михеев, Ю. М. Нейман, М. Новик, Г. Раш, А. О. Татур, М. Б. Челышкова, А. О. Шмелев и другие ученые.

Методы создания интеллектуальных систем обучения и контроля знаний исследовали многие отечественные и зарубежные ученые: C.B. Астанин, П. Брусиловский, А. И. Башмаков, ИА. Башмаков, В. И. Васильев, Т. А. Гаврилова, Д. О. Жуков, Дж. Карбонелл, В. М. Курейчик, В. А. Петрушин, Д. И. Попов, JI.A. Растригин, И. Д. Рудинский, Г. В. Рыбина, B.JI. Стефанюк, Т. А. Таран.

В разработку методов создания систем, основанных на знаниях, большой вклад внесли В. Н. Вагин, А. П. Еремеев, A.C. Нариньяни, Г. С. Осипов, Э. В. Попов, Г. С. Поспелов, ДА. Поспелов, В. К. Финн, В. Ф. Хорошевский и другие.

Подходы к созданию АСКЗ в парадигме выявления и анализа знаний, на сегодняшний день, исследованы в гораздо меньшей степени, т.к. в большинстве работ наивысший приоритет отдается решению задачи формирования интегральной оценки знаний.

Предлагаемый в диссертации подход к решению задачи автоматизированного контроля знаний ориентирован на содержательное описание и анализ персональных знаний обучаемого о предметной области.

Актуальность этого подхода обуславливается необходимостью внедрения инновационных образовательных технологий, основанных на активных и инте-f рактивных формах проведения занятий и контроля знаний обучающихся, использования в процессе обучения разнообразных источников информации. Реализация подхода ориентирована также и на устранение следующих характерных недостатков в уже существующих АСКЗ, предназначенных для формирования содержательного описания знаний обучаемого:

1. Использование методов АКЗ, максимально учитывающих специфику конкретной предметной области, и неприменимых для других областей.

2. Моделирование в АСКЗ учебного курса (предмета), а не предметной области как таковой.

3. Поверхностность, низкий уровень детализации описания знаний обучаемого в АСКЗ.

4. Необходимость наличия достаточно больших репрезентативных выборок обучаемых.

5. С одной стороны, закрытая форма заданий обладает существенными недостаткамис другой стороны, для открытой формы заданий, подразумевающей анализ свободного естественно-языкового ответа обучаемого в виде предложения, крайне трудно гарантировать высокую адекватность такого анализа.

6. Применение в АСКЗ таких методов формирования МПЗ, при которых принципиально невозможно пояснить пользователю ход рассуждений, с помощью которых была получена модель его знаний.

7. Отсутствие в АСКЗ инструментов анализа знаний обучаемого, выявленных системой.

8. Ориентированность АСКЗ на один сеанс взаимодействия с обучаемым, после которого ему/ей выдаются результаты, а не на многие сеансы, подразумевающие «диалоги» с системой в течение продолжительного периода времени, когда с каждым сеансом взаимодействия пополняется (уточняется) МПЗ обучаемого.

С точки зрения построения АСКЗ предлагаемый в работе подход основан на концепции АСКЗ как оболочки системы, основанной на знаниях (СОЗ). СОЗ предполагает разделение знаний, используемых системой, и программ для решения прикладных задач. Поэтому, при наличии АСКЗ в виде оболочки СОЗ, разработка новой АСКЗ для определенной предметной области сводится к «наполнению» базы знаний системы, а сопровождение АСКЗ будет заключаться в сопровождении базы знаний без модификации программ для решения задач. Разработка СОЗ предполагает разработку формальных моделей представления знаний, а также алгоритмов обработки этих знаний, позволяющих имитировать рассуждения человека, на основе которых человек решает определенные задачи. В случае АСКЗ необходимо разработать формализм представления экспертных знаний о предметной области, и, на его основе — формализм представления персональных знаний пользователя о предметной области (т.е. формальную модель МПЗ), а основой алгоритмов манипулирования этими знаниями будет являться имитация различных типов рассуждений человека-эксперта, осуществляющего контроль знаний.

С точки зрения концепции интеллектуализации АСКЗ, предлагаемый в работе подход можно наиболее кратко охарактеризовать как создание «активной энциклопедии». В отличие от пассивной энциклопедии, которую можно только читать, активная энциклопедия не «передает» знания пользователю, а предоставляет ему различные стратегии адаптивного вопросно-ответного взаимодействия, целью которых является соотнесение знаний пользователя со знаниями системы и синтез на основе этого соотнесения содержательной, структурной МПЗ пользователя. Вместе с этим система предоставляет пользователю инструменты анализа выявленных ею знаний (структурный анализ, логический анализ, анализ соответствия эталонным образам знания). Конечная цель взаимодействия пользователя с системой в этом случае — узнать все то, что знает система, т. е. устранить имеющиеся пробелы в своих знаниях, а также структурировать и систематизировать знания, и, тем самым, сделать их более осознанными.

Цель и задачи исследования

Целью диссертационного исследования является разработка и практическая реализация в виде программной системы новой методики АКЗ, ориентированной на решение задачи формирования содержательного, структурного описания персональных знаний обучаемого, с учетом устранения описанных выше недостатков в существующих подходах к решению этой задачи.

Для достижения этой цели в диссертационной работе решены следующие основные задачи:

1. Проведены анализ и классификация существующих методов и моделей АКЗ, а также моделей представления знаний и моделей рассуждений, используемых для решения задачи АКЗ.

2. Разработаны математические модели описания экспертных знаний и знаний обучаемого о предметной области для решения задачи АКЗ.

3. Разработаны алгоритмы АКЗ, основанные на использовании различных способов вывода на знаниях.

4. На основе предложенных моделей и алгоритмов разработана методика АКЗ.

5. Разработана и апробирована программная система, реализующая предлагаемую методику АКЗ.

6. Проведены экспериментальные исследования методики АКЗ.

Объектом исследования в работе являются модели представления знаний и модели рассуждений.

Предметом исследования являются способы применения моделей представления знаний и моделей рассуждений в АСКЗ, которые ориентированы на решение задачи формирования содержательного, структурного описания персональных знаний обучаемого, исходя из взаимодействия с ним.

Научная новизна исследования. Научно новыми являются следующие результаты, полученные в диссертационном исследовании:

1. Разработана новая теоретико-множественная модель описания экспертных знаний о предметной области для решения задачи АКЗ, отличающаяся от известных использованием элементарных единиц вербального языкового знания.

2. Разработана новая теоретико-множественная модель описания персональных знаний обучаемого о предметной области для решения задачи АКЗ, отличающаяся от известных использованием целевых единиц знания, а также выделением трех уровней описания, соответствующих трем различным типам анализа персональных знаний обучаемого — структурному анализу, логическому анализу, и анализу соответствия эталонным образам знания.

3. Разработаны новые алгоритмы АКЗ, позволяющие формировать описание персональных знаний обучаемого, исходя из взаимодействия с ним, и основанные на использовании различных способов вывода. Отличительной особенностью этих алгоритмов является обработка знаний, формальное описание которых дано в соответствии с предлагаемыми теоретико-множественными моделями, а также применение четырехзначной логики аргументации.

4. На основе предлагаемых моделей и алгоритмов разработана новая методика АКЗ.

Методы исследования. В работе использованы теория множеств и отношений, методы искусственного интеллекта, аппарат нечетких множеств и нечеткого логического вывода, методы исследования операций (решение задач многокритериальной оптимизации). При разработке программного продукта использовались объектно-ориентированный и реляционный подходы к построению программных систем.

Основные положения, выносимые на защиту.

1. Теоретико-множественные модели описания экспертных знаний и персональных знаний обучаемого о предметной области для решения задачи АКЗ.

2. Алгоритмы АКЗ, основанные на использовании различных способов вывода на знаниях.

3. Комплекс дополнительных моделей и алгоритмов, которые совместно с другими составляют основу для реализации методики АКЗ.

4. Методика АКЗ, основанная на предлагаемых моделях и алгоритмах.

Обоснованность и достоверность научных положений, рекомендаций и выводов. Обоснованность и достоверность научных положений, рекомендаций и выводов определяется корректным применением соответствующих методов исследования, а также подтверждается результатами экспериментальных исследований предлагаемой методики АКЗ. Предложенные определения понятий и классификации апробированы на конференциях и в научных публикациях.

Практическая ценность работы. Разработанный программный продукт, который является оболочкой системы, основанной на знаниях, позволяет создавать АСКЗ в различных предметных областях путем «наполнения» базы знаний системы. Разработана база знаний предметной области «Основы информатики», и АСКЗ на основе этой базы знаний. Материалы проведенного исследования были использованы в учебном процессе кафедры «Автоматизированные системы обработки информации и управления» МГТУ им. Баумана, в рамках дисциплин «Семиотика информационных технологий» и «Компьютерные технологии в науке и образовании».

Апробация работы. Основные результаты диссертационной работы докладывались и были одобрены на заседаниях комиссий по аттестации аспирантов кафедры «Автоматизированные системы обработки информации и управления» МГТУ им. Н. Э. Баумана в 2005;2008 гг. Также материалы работы были представлены на следующих научных конференциях и семинарах: Общероссийской научно-технической конференции «Новые технологии в азотной промышленности» (г. Невинномысск, 2003) — I Международной научно-практической конференции «Молодежь и наука: реальность и будущее» (г. Невинномысск, 2008) — Научно-методическом семинаре НОК CLAIM, на кафедре «Автоматизированные системы обработки информации и управления» МГТУ им. Н. Э. Баумана (г. Москва, 2007, 2009) — Научной школе для молодых ученых «Компьютерная графика и математическое моделирование (Visual Computing)» (г. Москва, 2009) — III школе-семинаре «Задачи системного анализа, управления и обработки информации» (г. Москва, 2009) — I Всероссийской дистанционной научно-практической конференции «Инновации в образовательных системах» (г. Челябинск, 2009) — Научной межвузовской конференции преподавателей, аспирантов, молодых ученых и специалистов «Печатные средства информации в современном обществе» (г. Москва, 2010).

Публикации по теме диссертации. Основные результаты по теме диссертации опубликованы в 11 -ти печатных работах, в том числе 1 — в журнале, включенном в Перечень ВАК РФ.

Объем и структура работы. Диссертация состоит из списка основных сокращений, введения, четырех глав, заключения, списка использованных источников из 294 наименований и 9 приложений. Основной текст изложен на.

197 страницах, включая рисунки и таблицы. Приложения выполнены на 46 страницах.

Содержание работы. Во введении к диссертации обосновывается актуальность работы, определена цель и поставлены задачи исследования, сформулирован перечень базисных положений, выносимых на защиту, научная новизна проведенного исследования, практическая ценность результатов работы.

Первая глава диссертации посвящена обзору существующих методов и моделей АКЗ. Дана общая постановка задачи АКЗ, описаны классификации методов решения этой задачи по различным критериям, рассматриваются модели представления знаний и модели рассуждений в задачах АКЗ.

Во второй главе рассматриваются модели представления знаний и алгоритмы их обработки, которые предлагаются в работе для решения задачи АКЗ.

В третьей главе рассматриваются дополнительные модели и алгоритмы, предлагаемая методика АКЗ, и проведенные экспериментальные исследования методики.

В четвертой главе описана программная реализация предлагаемой методики АКЗ. Рассмотрены архитектура программного продукта, его функции, модель базы данных, форматы файлов Microsoft Word, из которых происходит загрузка основной части базы знаний в базу данных программы.

Заключение

содержит основные полученные результаты и выводы из выполненного в работе исследования.

4.4. Выводы по главе.

1. Основной целью разработки системы с точки зрения эксперта является предоставление ему возможности разработки базы знаний (когнитивного тезауруса) в некоторой предметной области, которая впоследствии будет использоваться как некий «эталон», «критерий» при выявлении и анализе знаний обучаемыхосновная цель разработки системы с точки зрения обучаемого — предоставление ему возможности взаимодействовать с системой как с неким «виртуальным» экспертом, и в результате этого взаимодействия выявлять и анализировать свои знания, считая экспертные знания, заложенные ранее в систему, неким «критерием» для этого.

2. Основными, самыми «высокоуровневыми» функциями ИС АВАЗ являются обеспечение возможности разработки экспертом базы знаний в определенной предметной области, а также организация вопросно-ответного взаимодействия с обучаемым, с целью выявления и анализа его знаний, и предоставление обучаемому описания его персональных знаний, выявленных системой, и результатов их анализа.

3. Реализация ИС АВАЗ в виде трех АРМ: АРМ эксперта, АРМ обучаемого и АРМ администратора, позволяет эффективно организовать разделение доступа к данным и действиям для соответствующих категорий пользователей.

4.

Введение

в модель базы данных системы сущности «тезаурус» и хранение в базе данных ссылки на тезаурус для всех видов компонентов тезауруса и результатов различных расчетов, позволяет хранить в одной базе данных любое количество тезаурусов по различным предметным областям, вести несколько «версий» тезауруса, формировать новый тезаурус на основе уже существующего, копировать компоненты из одного тезауруса в другой. Таким образом, создается гибкая среда управления данными, и снижается трудоемкость разработки тезауруса.

ЗАКЛЮЧЕНИЕ

.

Основные полученные результаты и выводы из выполненного в работе исследования состоят в следующем:

1. Проведены анализ и классификация существующих методов и моделей АКЗ, а также моделей представления знаний и моделей рассуждений, используемых для решения задачи АКЗ.

2. Разработана новая теоретико-множественная модель описания экспертных знаний о предметной области для решения задачи АКЗ.

3. Разработана новая теоретико-множественная модель описания персональных знаний обучаемого о предметной области для решения задачи АКЗ.

4. Разработаны новые алгоритмы АКЗ, основанные на использовании различных способов вывода на знаниях.

5. На основе предлагаемых моделей и алгоритмов разработана новая методика АКЗ.

6. Разработана и апробирована программная система, реализующая предлагаемую методику АКЗ.

7. Проведены экспериментальные исследования предлагаемой методики АКЗ, которые подтвердили валидность выявления знаний и эффективность предложенного механизма адаптации.

Показать весь текст

Список литературы

  1. Педагогический энциклопедический словарь / Под ред. Б.М. Бим-Бад. — М.: Большая рос. энцикл., 2002. 527 с.
  2. М.Б. Теория и практика конструирования педагогических тестов: Учебное пособие. — М.: Логос, 2002.-432 е.: ил.
  3. Г. А. Пустынникова И.Н. Обучение и искусственный интеллект или Основы современной дидактики высшей школы. — Донецк: Изд-во ДОУ, 2002. 504 с.
  4. Ю.Н. Вербальные единицы знания: структура, объем, качество // Язык и мы. Мы и язык: Сборник статей памяти Б. С. Шварцкопфа / Отв. ред. Р. И. Розина. М.: РГГУ, 2006. — 546 с.
  5. Большой энциклопедический словарь. 2-е изд. — М.: Науч. изд-во «Большая российская энциклопедия», 1998.
  6. И.Г. Информационные технологии в образовании: Учеб. пособие для студ. высш. пед. учеб. заведений. — М.: Издательский центр «Академия», 2003.- 192 с.
  7. O.A. Что есть знание? Является ли обучение передачей знаний? Что такое е-знания? Является ли е-обучение передачей е-знания? // Образовательные технологии и общество. — 2003. — № 6(3). — С. 91−96.
  8. И. Н. Педагогическая коммуникация в электронной среде: теория, практика и перспективы развития // Образовательные технологии и общество. — 2004.-№ 7(2).
  9. B.C. Педагогическое измерение латентных качеств // Педагогическая диагностика. — 2003. — № 4.
  10. Ю.М. Как измерять учебные достижения? // Вопросы тестирования в образовании. — 2001. — № 1. — С. 40−56.
  11. О.В. Математические модели стандартизованных педагогических тестов // Материалы международной конференции-выставки «Информационные технологии в образовании». — Москва, 2003.
  12. М.А. Автоматизированная генерация заданий по математике для контроля знаний учащихся // Образовательные технологии и общество. — 2002. № 5(4). — С. 214−221.
  13. И.П., Зимин А. М. Информационные технологии в образовании. -М.: Изд-во МГТУ им. Н. Э. Баумана, 2004. — 352 е.: ил. (Сер. Информатика в техническом университете).
  14. A.C. Модель или алгоритм: новая парадигма информационной технологии // Информационные Технологии. — 1997. № 4. — С. 11−16.
  15. .Е. Теоретические основы информатики: Учебное пособие для вузов. — 2-е изд. перераб. и доп. — М.: Горячая линия — Телеком, 2004. — 312 е.- ил.
  16. А.И., Башмаков И. А. Разработка компьютерных учебников и обучающих систем. — М.: Информационно-издательский дом «Филинъ», 2003. — 616 с.
  17. Е.С., Бухаркина М. Ю., Моисеева М. В. Теория и практика дистанционного обучения: Учеб. пособие для студ. высш. пед. учеб. заведений / Под ред. Е. С. Полат. — М.: Издательский центр «Академия», 2004. — 416 с.
  18. И.Х., Иванов В. Г., Ахмадуллин М. С., Сосновский С. А., Чепегин В. И., Колосов О. В. О развитии инфраструктуры системы открытого образования // Материалы Всероссийской научно-методической конференции «Телематика 2002». — Санкт-Петербург, 2002.
  19. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++, 2-е изд./Пер. с англ. — М.: «Издательство Бином», СПб.: «Невский диалект», 2000. — 560 е., ил.
  20. Т. А. Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2001. 384 е.: ил.
  21. О.В. Введение в теорию экспертных систем и обработку знаний. -Мн.: ДизайнПРО, 1995.-255 е.- ил.
  22. К. Как построить свою экспертную систему: Пер. с англ. — М.: Энергоатомиздат, 1991.-286 е.: ил.
  23. В.М. Методологическое путешествие по океану бессознательного к таинственному острову сознания. — СПб.: Издательство «Речь», 2003.-368 с.
  24. Р. Новый ум короля: О компьютерах, мышлении и законах физики: Пер. с англ. / Общ. ред. В. О. Малышенко. Предисл. Г. Г. Малинецкого. Изд. 2-е, испр. — М.: Едиториал УРСС, 2005. 400 с. (Синергетика: от прошлого к будущему).
  25. Люгер, Джордж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание.: Пер. с англ. — М.: Издательский дом «Вильяме», 2003. 864 с.: ил. — Парал. тит. англ.
  26. Рассел, Стюарт. Норвиг, Питер. Искусственный интеллект: современный подход, 2-е изд.: Пер. с англ. — М.: Издательский дом «Вильяме», 2006. — 1408 с.: ил. — Парал. тит. англ.
  27. Д.А. Интеллектуальные интерфейсы для ЭВМ новых поколений // Электронная вычислительная техника. Сборник статей. Вып.З. М.: Радио и связь, 1989. — С. 4−20.
  28. Э.В. Общение с ЭВМ на естественном языке. Изд. 2-е, стереотипное. — М.: Едиториал УРСС, 2004. 360 с. (Науки об искусственном).
  29. Ю.Р. Моделирование НЕ-факторов — основа интеллектуализации компьютерных технологий // Новости искусственного интеллекта. 2004. — № 2. — С. 64−81.
  30. А.О. Разработка и использование компьютерных обучающих программ // Информационные технологии. 1996. — № 2. — С. 14−18.
  31. Т.А., Червинская K.P. Извлечение и структурирование знаний для экспертных систем. — М.: Радио и связь, 1992.
  32. Л.В., Прокофьева Н. О. Модели и методы адаптивного контроля^ знаний // Образовательные технологии и общество. — 2004. — № 7(4). — С. 265 277.
  33. Л.П., Челак E.H. Контроль знаний по информатике: тесты, контрольные задания, экзаменационные вопросы, компьютерные проекты. — СПб.: БХВ-Петербург, 2004. 448 е.: ил.
  34. B.C. Основы педагогической теории измерений // Педагогические измерения. — № 1.
  35. B.C. Этапы разработки теста // «Конструирование педагогических тестов по русскому языку как иностранному». Доклады и сообщения. ЦМО МГУ им. М. В. Ломоносова. 15−16 апреля 2003 г. М., 2003. — С. 7−12.
  36. B.C. Основы научной организации педагогического контроля в высшей школе. М.: Иссл. центр, 1989. 167 с.
  37. B.C. Композиция тестовых заданий. 1, 2 и 3 изд.- 3 изд. М.: Центр тестирования 2002 г. — 217 с.
  38. B.C. Математические модели педагогического измерения. Научное издание. М.: Иссл. центр проблем качества подготовки специалистов, 1994.-26 с.
  39. Н.С., Соловова Д. В. Логический контроль знаний в компьютерных обучающих системах // Материалы международной научно-методической конференции «Образование и виртуальность». Ялта: ХНУРЭ, 2003.
  40. С.Н., Гаврилов A.B. Архитектура интеллектуальной системы тестирования знаний с анализом ответов на естественном языке. // Международная конференция ИСТ-2003 «Информационные системы и технологии'^ Новосибирск, 2003. Т. З, С. 114−115.
  41. Ерохин A. JL, Захаров И. П., Никитенко А. Н. Программа дистанционного тестирования знаний на основе алгоритма смыслового конструирования. // Материалы международной научно-методической конференции «Образование и виртуальность». — Ялта: ЯИМ, 2001.
  42. Е.А. Методы диагностики знаний обучаемого и анализа его ответов в языковых интеллектуальных обучающих системах // Труды Петрозаводского государственного университета. Сер. «Прикладная математика и информатика». Вып. 7, 1998.
  43. Е.А. Модели представления знаний в языковых интеллектуальных обучающих системах // Труды Петрозаводского государственного университета. Сер. «Прикладная математика и информатика». Вып. 6, 1997.
  44. A.B. Нечеткое моделирование в среде MATLAB и fiizzyTECH. СПб.: БХВ-Петербург, 2005. — 736 е.: ил.
  45. И.Д. Принципы интеллектуального автоматизированного тестирования знаний // Материалы международной конференции-выставки «Информационные технологии в образовании». Москва, 2001.
  46. .Х. К вопросу о компьютерных программах учебного контроля знаний // Образовательные технологии и общество. — 2004. — № 7(2). — С. 158−169.
  47. В.И., Тягунова Т. Н. Культура компьютерного тестирования. Ч. 1. Философия адаптивного тестирования. М.: МГУП, 2002, 200 с.
  48. В.И., Тягунова Т. Н. Культура компьютерного тестирования. Ч.
  49. Программно-дидактическое тестовое задание. М.: МГУП, 2002. 90 с.
  50. В .И., Тягунова Т. Н. Культура компьютерного тестирования. Ч.
  51. Содержательность и логичность тестовых суждений. М.: МГУП, 2002. 95 с.
  52. В.И., Глухов В. В., Тягунова Т. Н. Культура компьютерного тестирования. Ч. 5. Оптимальная оценка уровня учебных достижений тестируемых. М.: МГУП, 2002. 75 с.
  53. А.Н. Пакет серверных компонентов «QTI READY» для работы с тестами в формате IMS QTI // Материалы международной конференции-выставки «Информационные технологии в образовании». — Москва, 2004.
  54. A.A., Манцивода A.B., Романова O.A., Стукушин Н.О. QTI-плейер: онлайновый сервис поддержки тестирования // Материалы Всероссийской научно-методической конференции «Телематика 2004». — Санкт-Петербург, 2004.
  55. В.И., Данин В. Ю., Пинтус Е. С. Система тестирования на основе спецификации EMS QTI // Материалы Всероссийской научно-методической конференции «Телематика 2003». — Санкт-Петербург, 2003.
  56. C.B., Цимбалюк Е. С., Шкиль A.C. Компьютерная система тестирования знаний OpenTEST 2.0 // Материалы международной научно-методической конференции «Образование и виртуальность». Ялта: ХНУРЭ, 2006.
  57. Е.Е. Обзор моделей студента для компьютерных систем обучения // Образовательные технологии и общество. — 2003. — № 6(4). — С. 245−250.
  58. И.О., Максимова Н. Е. Закономерности формирования нового компонента структуры индивидуального знания // Психологический журнал. 2003. — № 24(6). — С. 55−76.
  59. А.Б., Усачев Ю. Е. Разработка интеллектуальных средств обучения // Материалы Всероссийской научно-методической конференции «Телематика 2002». Санкт-Петербург, 2002.
  60. Т.Г. Применение аналогии для оценки системы знаний // Перспективные информационные технологии и интеллектуальные системы. — Таганрог: Изд-во, ТРТУ, 2001, № 5. С. 220−232.
  61. М.В., Скляров А. Я., Штангей C.B. Топологическая модель лекционного материала и методов контроля знаний, приобретенных в ходе дистанционного образования // Проблемы бионики. 2002. — № 57. — С. 37−41.
  62. A.B., Бакулйна О. И. Формирование систем тестирования-обучения на основе фрагментных фреймов // Научный вестник МГТУ ГА № 38, серия «Информатика». -М.: Изд-во МГТУ ГА, 2001. С.31−40.
  63. О.И. Проблемы моделирования знаний в целях организации их эффективного автоматизированного контроля // Материалы региональной научно-практической конференции «Моделирование социально-педагогических систем».
  64. Р., Бауэр Г., Кротерс 3. Введение в математическую теорию обучения: Пер. с англ. М.: Мир, 1969. — 486 с.
  65. Л.А., Зренштейн М. Х. Адаптивное обучение с моделью обучаемого. -Рига: Зинатне, 1988. — 160 с.
  66. Буш Р., Мостеллер Ф. Стохастические модели обучаемости. Г.: Физ-матгиз, 1962. — 484 с.
  67. А.П. Условные и безусловные алгоритмы диагностического контроля подготовки операторов ЭВМ. — М.: Моск. энерг. ин-т, 1987. 69с.
  68. А.П. Применение методов планирования эксперимента при обучении обучающих и контролирующих машин. — М.: Моск. энерг. ин-т, 1975. -65с.
  69. А.П. Основы статистической теории обучения и контроля знаний. — М.: Высшая школа, 1981. — 262 с.
  70. И.Д., Грушецкий C.B. Статистические методы вывода оценки результатов автоматизированного тестирования // Материалы международной конференции-выставки «Информационные технологии в образовании». — Москва, 2003.
  71. JI.А. Обучение с моделью // Вопросы кибернетики. Человеко-машинные обучающие системы. -М.: АН СССР, 1979. С. 40−49.
  72. А.Г., Бельцер А. И., Ларионов А. Г., Серебряков А. Г. Адаптивное тестирование знаний в системе «ТЕЛЕТЕСТИНГ» // Тезисы докладов Всероссийской научно-практической конференции «Информационные технологии в образовании». Москва, 2000.
  73. Ю.Н., Черкасова Г. А., Дельфт Д. Ассоциации информационных технологий: эксперимент на русском и французском языках. С предисловием Уфимцевой Н. В. М.: МГУП, 2001. 304 с. Книга в комплекте с CD-ROM.
  74. Ю.Н., Сорокин Ю. С., Тарасов Е. Ф., Уфимцева Н. В., Черкасова Г. А. Русский ассоциативный словарь. Т. 1−6, М., 1994−1998.
  75. B.C., Дударь З. В. Применение методики создания теста в компьютерных системах дистанционного обучения // Материалы международной научно-методической конференции «Образование и виртуальность». — Ялта: ХНУРЭ, 2002.
  76. A.C., Чумаченко C.B., Напрасник C.B. Методика оценивания в компьютерной системе тестирования знаний // Материалы международной научно-методической конференции «Образование и виртуальность». — Ялта: ХНУРЭ, 2002.
  77. В.В., Алёхина C.B., Евсеева И. В. Выбор релевантного алгоритма оценивания знаний обучаемых в системе дистанционного обучения // Материалы международной научно-методической конференции «Образование и виртуальность». -Ялта: ХНУРЭ, 2003.
  78. H.A., Маслов A.A. Модель системы компьютеризированного адаптивного тестирования // Материалы международной научно-методической конференции «Образование и виртуальность». — Ялта: ХНУРЭ, 2002.
  79. A.C. Создание интеллектуальных средств адаптивного тестирования // Материалы международной конференции-выставки «Информационные технологии в образовании». — Москва, 2003.
  80. К.Н. Мультиагентный модуль распознавания уровня знаний студента // Материалы международной научно-методической конференции «Образование и виртуальность». — Ялта: ЯИМ, 2001.
  81. Д.И. Подсистема адаптивного тестирования среды дистанционного обучения // Материалы международной конференции-выставки «Информационные технологии в образовании». — Москва, 2002.
  82. Д.В. Инструментальный комплекс программ для создания обучающих систем на основе интеграции адаптивных технологий // Материалы международной конференции-выставки «Информационные технологии в образовании». Москва, 2002.
  83. C.B., Перескокова О. И., Шестакова JI.B. «Интеллектуальный» генератор тестов // Материалы международной конференции-выставки «Информационные технологии в образовании». — Москва, 1998.
  84. В.И. Математическая модель оценки динамики остаточных знаний // Труды Петрозаводского государственного университета. Сер. «Прикладная математика и информатика». Вып. 7, 1998.
  85. H.H., Любчак В. А., Собаева Е. В. Модуль интерактивной познавательной деятельности в системе дистанционного обучения // Материалы международной научно-методической конференции «Образование и виртуальность». -Ялта: ХНУРЭ, 2003.
  86. А.Э. Принципы функционирования Web-сайта системы тестирования с фреймово-иерархической структурой предметного наполнения в Internet // Труды МАИ. 2003. — № 12.
  87. К.А., Низиенко Б. И. Методы представления знаний в интеллектуальных обучающих системах // Информатика. Сб. научн. тр. — К.: Наукова думка, 1999.-С. 13−17.
  88. К. А. Шаронова Н.В. Лингвистическое обеспечение обучающих систем с интегрированным интеллектом // Новий колепум, Харюв. — 2002. -№ 4/5.-С. 64−68.
  89. К.А., Шаронова Н. В. Использование гибридного интеллекта в учебном процессе высших учебных заведений // «Aima mater» («Вестник высшей школы»). -2001. -№ 11. С. 10−15.
  90. А.Л., Кольченко A.B., Патрах Т. Е., Струкова A.B. О создании систем тестирования знаний с адаптацией на испытуемого // Материалы международной научно-методической конференции «Образование и виртуальность». Ялта: ХНУРЭ, 2003.
  91. Н.С., Штангей C.B. Математическая модель тестовых заданий в информационной системе дистанционного образования // Материалы международной научно-методической конференции «Образование и виртуальность». -Ялта: ХНУРЭ, 2003.
  92. И.Л., Кафтанников И. Л. Методология и средства повышения степени интеллектуализации ИТ-учебного процесса // Образовательные технологии и общество. 2003. — № 6(3). — С. 154−163.
  93. Ю.Н., Прохоров A.B. Семантика информационных технологий: Опыты словарно-тезаурусного описания. С предисловием А. И. Новикова М.: МГУП, 2002. 368 с. Книга в комплекте с CD ROM.
  94. . Методы и алгоритмы вычислений на строках.: Пер. с англ. -М.: ООО «И.Д. Вильяме», 2006. — 496 е.: ил. — Парал. тит. англ.
  95. Г. Ю., Маклакова Г. Г. Некоторые принципы построения компьютерных систем диагностики знаний // Материалы международной научнометодической конференции «Образование и виртуальность». — Ялта: ХНУРЭ, 2006.
  96. Н.В., Куцевич И. В. Методы определения правильности выполнения тестовых заданий // Материалы международной научно-методической конференции «Образование и виртуальность». — Ялта: ХНУРЭ, 2006.
  97. A.A. Открытые формы ответов в дистанционном образовании // Материалы международной научно-методической конференции «Образование и виртуальность». — Ялта: ХНУРЭ, 2006.
  98. В.А. Обучающее адаптивное тестирование с применением экспертных систем // Материалы Всероссийской научно-практической конференции «Информационные технологии в образовании и науке». — М.: МФА, 2006. — Ч. З.-С. 216.
  99. Ф.Т., Мамедова Г. А., Керимов К. В. Использование адаптивных методов тестирования в Интернет-среде // Материалы Всероссийской научно-практической конференции «Информационные технологии в образовании и науке». М.: МФА, 2006. — Ч. 2. — С. 222.
  100. В.В. Исследование операций. Учебное пособие. — М., 2001. — 144с.
  101. Г. Э. Нечеткие множества и нейронные сети: Учебное пособие /Г.Э. Яхъева. М.: Интернет-Университет Информационных Технологий- БИНОМ. Лаборатория знаний, 2006. — 316 е.: ил., табл. — (Серия «Основы информационных технологий»).
  102. Н.О. Алгоритмы оценки знаний при дистанционном обучении // Материалы международной научно-методической конференции «Образование и виртуальность». — Ялта: ЯИМ, 2001.
  103. ПО.Михаль О. Ф. Интеллектуальная система дистанционного тестирования знаний на локально-параллельных нечетких алгоритмах // Материалы международной научно-методической конференции «Образование и виртуальность». -Ялта: ЯИМ, 2001.
  104. Дж. Ш. Исследование базовых принципов построения семантического интерпретатора вопросно-ответных текстов на естественном языке в АОС // Образовательные технологии и общество. — 2001. — № 4(3). — С. 178 192.
  105. Г. С. Искусственный интеллект: состояние исследований и взгляд в будущее, //http://ah.raai.org/about/persons/osipov/pages/ai/ai.html.
  106. Системный анализ и принятие решений: Словарь-справочник: Учеб. Пособие для вузов/Под ред. В. Н. Волковой, В. Н. Козлова. М.: Высш. шк., 2004−616 е.: ил.
  107. Д.В. Введение в искусственный интеллект: конспект лекций. — 2-е изд., перераб. М.: ФИЗМАТЛИТ, 2007. — 264 с.
  108. Д.А. Моделирование рассуждений. Опыт анализа мыслительных актов. -М.: Радио и связь, 1989. — 184 е.: ил.
  109. Д.А. Логико-лингвистические модели в системах управления. -М.: Энергоиздат, 1981. -231 с.
  110. Д.А. Ситуационное управление. Теория и практика. — М.: Наука, 1986.-284 с.
  111. Д. Прад А. Теория возможностей. Приложения к представлению -знаний в информатике: Пер. с фр. — М.: Радио и связь, 1990. — 288 с.
  112. Нечеткие множества в моделях управления и искусственного интеллекта /Под ред. Д. А. Поспелова. М.: Наука, 1986. — 311 с.
  113. Д. Математика и правдоподобные рассуждения. — М.: ИЛ, 1957. -535 с.
  114. Н., Стил Т. Логика вопросов и ответов. — М.: Прогресс, 1981. — 288 с.
  115. Гаазе-Рапопорт М.Г., Поспелов Д. А. От амебы до робота: модели поведения / Предисл. Э. В. Попова. Изд. 2-е. М.: Едиториал УРСС, 2004. 296 с. (Науки об искусственном.)
  116. Н.Г. Основы теории нечетких и гибридных систем: Учеб. пособие. М.: Финансы и статистика, 2004. — 320 е.: ил.
  117. Нечеткие гибридные системы. Теория и практика /Под ред. Н.Г. Яруш-киной. М.: ФИЗМАТЛИТ, 2007. — 208 с.
  118. В.В., Круглов В. В., Федулов A.C. Нечеткие модели и сети. — М.: Горячая линия-Телеком, 2007. — 284 е.: ил.
  119. А.И., Башмаков И. А. Интеллектуальные информационные технологии: Учеб. пособие. М.: Изд-во МГТУ им. Н. Э. Баумана, 2005. — 304 е.: ил. — (Информатика в техническом университете).
  120. М. Фреймы для представления знаний. — М.: Энергия, 1979.
  121. В.В. Системы искусственного интеллекта: Учеб. пособие для вузов. — М.: Изд-во МГТУ им. Н. Э. Баумана, 2001. 352 е., ил. (Сер. Информатика в техническом университете).
  122. П.И. Моделирование рассуждений (конспект лекций). // http://ofap.ulstu.ru/res/kl.zip.
  123. Достоверный и правдоподобный вывод в интеллектуальных системах / Под ред. В. Н. Вагина, Д. А. Поспелова. -М.: ФИЗМАТЛИТ, 2004. 704 с.
  124. Л.А., Курейчик В. В., Курейчик В. М. Генетические алгоритмы / Под ред. В. М. Курейчика. 2-е изд., испр. и доп. — М.: ФИЗМАТЛИТ, 2006. -320 с.
  125. А.И., Ткачев С. Б. Дискретная математика: Учеб. для вузов / Под ред. B.C. Зарубина, А. П. Крищенко. — 4-е изд., исправл. — М.: Изд-во МГТУ им. Н. Э. Баумана, 2006. — 744 с. (Сер. Математика в техническом университете- Вып. XIX).
  126. Представление знаний в человеко-машинных и робототехнических системах / Том А. Фундаментальные исследования в области представления знаний. (Отчет рабочей группы РГ-18 КНВВТ.) М.: ВИНИТИ, 1984.
  127. Статические и динамические экспертные системы: Учеб. пособие / Э. В. Попов, И. Б. Фоминых, Е. Б. Кисель, М. Д. Шапот. — М.: Финансы и статистика, 1996.-320 е.: ил.
  128. Е.М. Алгебраические методы в теории баз данных и представлении знаний. — М.: Научный мир, 2003. — 184 с.
  129. С.Д. Содержание слова, значение и обозначение. /Под общ. ред. В. М. Жирмунского, М. М. Гухман, С. Д. Кацнельсона. Изд-е 2-е, стереотипное. — М.: Едиториал УРСС, 2004. — 112 с. (Лингвистическое наследие XX века.).
  130. В.О. Модели представления знаний предметных областей диалоговых систем // Изв. РАН. Техническая кибернетика. — 1993. — № 5. С. 24−44.
  131. П.Л. Построение и использование моделей обучаемого в интеллектуальных обучающих системах // Изв. РАН. Техническая кибернетика. -1992.-№ 5.-С. 97−119.
  132. В.А. Интеллектуальные обучающие системы: архитектура и методы реализации (обзор) // Изв. РАН. Техническая кибернетика. — 1993. — № 2.-С. 164−189.
  133. Л.А. Обучающие системы // Изв. РАН. Техническая кибернетика. 1993.-№ 2. — С. 153−163.
  134. В.В., Кудрявцева С. П., Сахно A.A. Разработка и реализация семейства интеллектуальных обучающих систем на основе учебных структур знаний // Изв. РАН. Техническая кибернетика. — 1993. — № 2. — С. 190−201.
  135. С.Д. Интегрированная система компьютерного обучения управлению проектами в условиях рынка // Изв. РАН. Техническая кибернетика. 1993. — № 2. — С. 202−208.
  136. А.Э., Черткова Е. А. Компьютерные обучающие системы. — М.: ДеЛи принт, 2006. — 296 е.: 93 ил.
  137. В.Л. Введение в интеллектуальные обучающие системы: Учебно-метод. пособие. — М.: Изд-во РУДН, 2002. — 58 с.
  138. Т.А., Зудилова Е. В., Ильясов М. З. Интеллектуальные и обучающие системы: Учеб. пособие. — СПб. гос. техн. ун-т, СПб., 1996. — 110 с.
  139. И.Д., Клеандрова И. А. Математические основы педагогического тестирования знаний. Часть 1. Модели нечеткого оценивания знаний и количественного оценивания степени объективности тестирования. — Калининград: Изд-во КГТУ, 2003. 70 с.
  140. И.Д. Математические основы педагогического тестирования знаний. Часть 2. Информационно-кибернетический анализ системы педагогического контроля знаний. Калининград: Изд-во КГТУ, 2003. — 73 с.
  141. С.Н. Понятие. — СПб: «Издательство Александра Сазанова», Ре-дакционно-издательская фирма «Роза мира», 2005. — 88 с.
  142. Т.М. Системы продукций: структура, технология, применение. — ВЦ РАН, Новосибирск. 1990. — 127 с.
  143. Г. С. Приобретение знаний интеллектуальными системами: Основы теории и технологии. М.: Наука. Физматлит, 1997. — 112 с. — (Проблемы искусственного интеллекта).
  144. Г. В. Фреймовая модель представления знаний как основа построения адаптивных систем автоматизированного обучения // Проблемы создания автоматизированных обучающих и тестирующих систем: Сб. науч. тр. — Новочеркасск: ЮРГТУ (НПИ), 2001. С. 55−58.
  145. СВ., Драгныш Н. Г., Жуковская Н. К. Особенности разработки обучающей экспертной системы // Перспективные информационные технологии и интеллектуальные системы. — Таганрог: ТРТУ, 2002. — № 1(9). — С. 72−77.
  146. C.B., Калашникова Т. Г. Разработка индивидуальной модели поведения обучаемого в системе дистанционного образования // Перспективные информационные технологии и интеллектуальные системы. — Таганрог: ТРТУ, 2001.-№ 1.-С. 179−196.
  147. В.И., Горбатюк Н. В. Интеллектуальная система компьютерного обучения // Перспективные информационные технологии и интеллектуальные системы. Таганрог: ТРТУ, 2001. -№ 1. — С. 196−206.
  148. И.В. Приобретение знаний экспертными системами // Перспективные информационные технологии и интеллектуальные системы. — Таганрог: ТРТУ, 2001. № 1. — С. 46−49.
  149. Д.И., Никифорова A.M. Оценка тестовых заданий при дистанционном контроле знаний // Перспективные информационные технологии и интеллектуальные системы. — Таганрог: ТРТУ, 2001. — № 1. — С. 206−213.
  150. В.В., Головинова Г. Компьютерный контроль знаний // Перспективные информационные технологии и интеллектуальные системы. — Таганрог: ТРТУ, 2003. -№ 1. С. 68−72.
  151. Т.Г. Применение дистанционных технологий в образовании // Перспективные информационные технологии и интеллектуальные системы. Таганрог: ТТТУ, 2005. — № 1 (21). — С. 117−125.
  152. Д.И., Попова Е. Д. Количественные характеристики банков тестовых заданий // Перспективные информационные технологии и интеллектуальные системы. Таганрог: ТРТУ, 2005. -№ 1 (21). — С. 90−93.
  153. Т.А. Контроль и оценка в вузовском образовании // Перспективные информационные технологии и интеллектуальные системы. — Таганрог: ТРТУ, 2007. № 1 (29). — С. 64−67.
  154. Ю.М., Родзин С. И. Проблемы интеграции интеллектуальных гипермедийных обучающих сред в виртуальные образовательные структуры // Перспективные информационные технологии и интеллектуальные системы. — Таганрог: ТРТУ, 2001. № 2. — С. 207−220.
  155. Ю.А., Марков В. В. Роль интеллектуальных систем обучения в развитии дивергентного мышления // Перспективные информационные технологии и интеллектуальные системы. — Таганрог: ТРТУ, 2007. — № 2 (30). — С. 22−25.
  156. Е.В. Возможности построения эффективных средств получения и контроля знаний в средах компьютерного обучения // Перспективные информационные технологии и интеллектуальные системы. — Таганрог: ТРТУ, 2000.-№ 3.-С. 190−196.
  157. И.Н., Попов Д. И. Модель представления знаний в интеллектуальной системе дистанционного образования // Перспективные информационные технологии и интеллектуальные системы. — Таганрог: ТРТУ, 2001. — № 3. — С. 135−138.
  158. Д.И. Проектирование интеллектуальных систем дистанционного образования // Перспективные информационные технологии и интеллектуальные системы. Таганрог: ТРТУ, 2001. -№ 3. — С. 123−130.
  159. М.А. Построение интеллектуальных обучающих систем по математике с использованием языка Tree-REFAL // Перспективные информационные технологии и интеллектуальные системы. — Таганрог: ТРТУ, 2003. — № 3 (15). С. 98−105.
  160. И.Н., Попов Д. И. Построение пространства знаний на основе результатов тестирования // Перспективные информационные технологии и интеллектуальные системы. — Таганрог: ТРТУ, 2003. — № 4 (16). С. 119−123.
  161. В.В. Анализ, проблемы и состояние моделей представления знаний в системах принятия решений // Перспективные информационные технологии и интеллектуальные системы. — Таганрог: ТРТУ, 2006. — № 4 (28). — С. 16−24.
  162. И.М. Информационные технологии и средства дистанционного обучения: учеб. пособие для студ. высш. учеб. заведений / И.М. Ибрагимов- под ред. А. Н. Ковшова. — 2-е изд., стер. — М.: Издательский центр «Академия», 2007. 336 с.
  163. С.Г., Овакимян A.C., Бархударян C.B. Генетические алгоритмы в интерактивных обучающих системах // Новости искусственного интеллекта.-2005.-№ 1.-С. 58−62.
  164. Т.А., Ривкинд А. И. Аргументационная система контроля знаний // Новости искусственного интеллекта. — 2001. — № 5−6. — С. 12−18.
  165. B.JI. Учить или учиться? // Новости искусственного интеллекта. 2002. — № 5(53). — С. 13−24.
  166. Т.А., Сирота C.B. Технология обучения понятиям в интеллектуальных обучающих системах // Новости искусственного интеллекта. — 2003. — № 6(60).-С. 18−23.
  167. О. И., Нарыжный Е. В. Компьютерное обучение процедураль-ным знаниям // Психологический журнал. — 1999. Т. 20, № 6. — С. 53−61.
  168. В.В., Емельянов В. В., Тарасов В. Б. Виртуальные кафедры и интеллектуальные обучающие системы // Новости искусственного интеллекта. -2001.-№ 4.-С. 3−13.
  169. Н.К. Исследование и разработка моделей рассуждений в интеллектуальных обучающих системах: Дис. канд. тех. наук: 05.13.17. — М.: РГБ, 2003.-222 с.
  170. И.Ю. Модели и средства представления знаний в информационных обучающих системах: Дис. канд. тех. наук: 05.13.17, 05.25.05 Пенза.: РГБ, 2006.-181 с.
  171. И.П. Исследование и разработка подсистемы контроля знаний в распределенных автоматизированных обучающих системах: Автореферат дис. канд. тех. наук: 05.13.13 -М., 2002. 18 с.
  172. Д.О. Математические модели управления знаниями в информационных обучающих системах: Дис. д-ра техн. наук: 05.13.10 М.: РГБ, 2006. -347 с.
  173. Интеллектуальные обучающие системы для пользователей лазерных технологических комплексов / О. И. Ларичев, М. Ю. Стернин, С. С. Маломуж и др. // Новости искусственного интеллекта. — 2003. № 4(58). — С. 4−11.
  174. А.П., Малиновский В. П. Реализация онтологического подхода в обучающей экспертной системе для подготовки менеджеров проектов // Материалы 9-ой Национальной конференции по искусственному интеллекту с международным участием КИИ-2004.
  175. В.Э., Карпова И. П. Язык описания системы контроля знаний // Компьютеры в учебном процессе. — 2000. — № 4. — С. 147−155.
  176. А.Н., Гаазе-Рапопорт М.Г., Поспелов Д. А. Толковый словарь по искусственному интеллекту. — М.: Радио и связь, 1992. — 256 с.
  177. Д.А. Из. истории искусственного интеллекта: история искусственного интеллекта до середины 80-х годов // Новости искусственного интеллекта. 1994. — № 4. — С. 70−90.
  178. Г. С. Понятийно-ориентированные языки в инженерии знаний // Новости искусственного интеллекта. — 2003. — № 6(60). — С. 3−9.
  179. Н.О. Методы контроля знаний при компьютерном обучении // Материалы международной научно-методической конференции «Образование и виртуальность». — Ялта: ХНУРЭ, 2005.
  180. Интеллектуальные составляющие в электронном образовании /В.М. Бредихин, В. В. Карасюк, A.B. Карпухин и др. // Материалы международной научно-методической конференции «Образование и виртуальность». — Ялта: ХНУРЭ, 2005.
  181. Н.С., Марченко Ю. С. Базы знаний для логического контроля изучаемого материала в системе дистанционного образования // Материалы международной научно-методической конференции «Образование и виртуальность». -Ялта: ХНУРЭ, 2005.
  182. И.М. Лингвистическая семантика: Учебник. Изд. 3-е, стереотипное. М.: КомКнига, 2007. — 352 с. (Новый лингвистический учебник.)
  183. Словарь терминов логики, //http://diс.academic.ru/diс.nsf/logic/279.
  184. P.K. Новые информационные технологии и лингвистика: Учебное пособие. Изд. 2-е. М.: Едиториал УРСС, 2004. — 320 с.
  185. Р. Шаг в направлении инженерии онтологий // Новости искусственного интеллекта. — 2000. — № 1−2. С. 11−37.
  186. В.Д. Принятие решений в многокритериальной среде: количественный подход. -М.: ФИЗМАТЛИТ, 2002. 144 с.
  187. В. В. Использование тестового контроля для проверки уровня- усвоения дидактических единиц // Материалы международной научно-практической конференции «Информационные технологии в образовании (ИТС)-Черноземье-2008)», 8−11 декабря, г. Курск, 2008.
  188. В.Ф. Пространства знаний в сети Интернет и Semantic Web (Часть 1) // Искусственный интеллект и принятие решений. — 2008. — № 1. С. 80−97.
  189. С.В., Гагарш О. О. Семантична модель знань для цшей оргашзацй' контролю знань у навчальнш системь // Сборник трудов международной конференции «Интеллектуальный анализ информации-2006». — Кшв: npocBITa, 2006. С. 298−307.
  190. В.М. Применение интеллектуальных технологий к формированию компетенций обучающихся // Искусственный интеллект и принятие решений. 2008. — № 2. — С. 34−45.
  191. Г. В. Обучающие интегрированные экспертные системы: некоторые итоги и перспективы // Искусственный интеллект и принятие решений. — 2008.-№ 1.-С. 22−46.
  192. Е.А., Макаров С. И., Скуратов А. К. Инновационные технологии тестирования компьютерной грамотности и ИКТ-компетентности // Материалы XV Всероссийской научно-методической конференции «Телематика 2008», Санкт-Петербург, 2008.
  193. О.Ю. Автоматизированный анализ конструкции заданий в тестовой форме // Материалы XV Всероссийской научно-методической конференции «Телематика 2008», Санкт-Петербург, 2008.
  194. Т.Ш. О структуризации знаний в области информатики на основе адаптивных семантических образовательных моделей // Материалы XV Всероссийской научно-методической конференции «Телематика 2008», Санкт-Петербург, 2008.
  195. С.Д. Введение в теорию нечетких множеств и нечеткую логику http://matlab.exponenta.ru/fiizzvlogic/bookl/index.php.
  196. A.A. Интеллектуальные системы тестирования и контроля знаний // Вестник информационных технологий в образовании. Сборник учебно-методических и научных работ. Выпуск 1. — М.: УМК по специальности ИТО, 2005.-С. 152−160.
  197. A.A. Математические модели оценки знаний // Интеллектуальные технологии и системы. Сборник учебно-методических работ и статейаспирантов и студентов. Выпуск 7. / Сост. и ред. Ю. Н. Филипповича. — М.: Изд-во ООО «Эликс+», 2005. С. 197−210.
  198. A.A. Автоматизированная система контроля знаний // Интеллектуальные технологии и системы. Сборник учебно-методических работ и статей аспирантов и студентов. Выпуск 8. / Сост. и ред. Ю. Н. Филипповича. — М.: Изд-во ООО «Эликс+», 2006.
  199. Brusilovsky, P. Adaptive and Intelligent Technologies for Web-based Education // Special Issue on Intelligent Systems and Teleteaching. — Konstliche Intelligenz, 1999.-№ 4.-P. 19−25.
  200. Brusilovsky, P. Adaptive and Intelligent Web-based Educational Systems // International Journal of Artificial Intelligence in Education. — 2003. — № 13. — P. 156−169.
  201. Sosnovsky S., Shcherbinina O., Brusilovsky P. Web-based Parameterized Questions as a Tool for Learning // Proceedings of E-Learn 2003, Phoenix, Arizona USA, November 7−11, 2003. P. 2151−2154.
  202. Person K., Graesser S., Kreuz J., Pomeroy V. and the Tutoring Research Group. Simulating Human Tutor Dialog Moves in AutoTutor // International Journal of Artificial Intelligence in Education. -2001. -№ 12. -P.23−39.
  203. Soh L.-K., Blank, T. Integrating Case-Based Reasoning and Meta-Learning for a Self-Improving Intelligent Tutoring System // International Journal of Artificial Intelligence in Education. 2008. — № 18. — P.27−58.
  204. Rash G. Probabilistick Models for Some Intelligence and Attainment Tests, 1960, Copenhagen, Denmark: Danish Institute for Educational Re-search.
  205. Brusilovsky, P., Miller, P. Web-based testing for distance education // Proceedings of WebNet'99, World Conference of the WWW and Internet, Honolulu, HI, Oct. 24−30, AACE, 1999. P. 149−154.
  206. Kinshuk A., Patel A. A conceptual framework for Internet based intelligent tutoring systems // Knowledge transfer (volume II) (ed. A. Behrooz), pAce, London, 1997.-P. 117−124.
  207. Brusilovsky, P., Nijhawan, H. A Framework for Adaptive E-Learning Based on Distributed Re-usable Learning Activities // Proceedings of World Conference on E-Learning, E-Learn 2002, Montreal, Canada, October 15−19, 2002, AACE. P. 154 161.
  208. Galeev I., Chepegin V., Sosnovsky S. MONAP: Models, Methods and Applications // Proceedings of the International Conference KBCS 2000, Mumbai, India, 2000.-P. 217−228.
  209. Mizoguchi R., Bourdeau J. Using Ontological Engineering to Overcome Common AI-ED Problems // International Journal of Artificial Intelligence in Education.-2000.-№ 11.-P. 107−121.
  210. Self J. Theoretical Foundations for Intelligent Tutoring Systems // International Journal of Artificial Intelligence in Education. 1990. — № 1(4). — P. 3−14.
  211. Ragnemalm E. Student diagnosis in practice- bridging a gap // User Modeling and User-Adapted Interaction. 1995. — № 5(2). — P. 93−116.
  212. Sophiana Chua Abdullah. Student Modelling by Adaptive Testing A Knowledge-based Approach. PhD thesis, Computing Laboratory, University of Kent, Canterbury, Kent, UK, June 2003.
  213. Shiri M., Aimeur E., Frasson C. Student Modelling by Case Based Reasoning // Proceedings of the 4th International Conference, ITS' 98 San Antonio, Texas, USA, August 16−19, 1998. Springer Berlin/Heidelberg, 1998. — P. 394−403.
  214. Gonzalez C., Burguillo J.C., Llamas, M. A Qualitative Comparison of Techniques for Student Modeling in Intelligent Tutoring Systems // Frontiers in Education! Conference, 36th Annual, 2006. P. 13−18.
  215. Guzman E., Conejo R. A model for student knowledge diagnosis through adaptive testing // International conference on intelligent tutoring systems, Maceio, 30 August 3 September, 2004. — P. 12−21.
  216. Kurt Vanlehn, Zhendong Niu. Bayesian student modeling, user interfaces and feedback: A sensitivity analysis // International Journal of Artificial Intelligence in Education.-2001.-№ 12.-P. 154−184.
  217. Eunice E. A Review of: «Cognitive Diagnostic Assessment for Education: Theory and Application» // International Journal of Testing. 2008. — № 8 (3). — P. 290−295.
  218. Branko Zitko, Slavomir Stankov, Marko Rosic, Ani Grubisic. Dynamic test generation over ontology-based knowledge representation in authoring shell // Expert Systems with Applications. 2009. — № 36 (4). -P. 8185−8196.
  219. Manning S., Dix A. Identifying students' mathematical skills from a multiple-choice diagnostic test using an iterative technique to minimise false positives // Computers & Education. 2008. — № 51 (3). — P. 1154−1171.
  220. Chih-Ming Chen, Ling-Jiun Duh. Personalized web-based tutoring system based on fuzzy item response theory // Expert Systems with Applications. — 2008. — № 34 (4).-P. 2298−2315.
  221. Stathacopoulou R., Magoulas G., Grigoriadou M., Samarakou M. Neuro-fuzzy knowledge processing in intelligent learning environments for improved student diagnosis // Information Sciences. 2005. — № 170 (2−4). — P. 273−307.
  222. Yang Shuqun, Ding Shuliang, Cai Shengzhen, Ding Qiulin. An algorithm of constructing concept lattices for CAT with cognitive diagnosis // Knowledge-Based Systems. 2008. -№ 21. — P. 852−855.
  223. Chang, K.-E., Sung, Y.-T., Chang, R.-B., & Lin, S.-C. A New Assessment for Computer-based Concept Mapping // Educational Technology & Society. 2005. — № 8 (3). — P. 138−148.
  224. Liu, C.-L. Using Mutual Information for Adaptive Item Comparison and Student Assessment // Educational Technology & Society. 2005. — № 8 (4). — P. 100 119.
  225. Nykanen, O. Inducing Fuzzy Models for Student Classification // Educational Technology & Society. 2006. — № 9 (2). — P. 223−234.
  226. Henze, N., Dolog, P., & Nejdl, W. Reasoning and Ontologies for Personalized E-Learning in the Semantic Web // Educational Technology & Society. — 2004. -№ 7 (4).-P. 82−97.
  227. Lu, C.-H., Wu, C.- W., Wu, S.-H. Chiou, G.-F., & Hsu, W.-L. Ontological Support in Modeling Learners' Problem Solving Process // Educational Technology & Society. 2005. — № 8 (4). — P. 64−74.
  228. Wang, H.-Y., & Chen, S. M. Artificial Intelligence Approach to Evaluate Students' Answerscripts Based on the Similarity Measure between Vague Sets // Educational Technology & Society. 2007. -№ 10 (4). — P. 224−241.
  229. , S., & Pahl, C. Developing Domain Ontologies for Course Content. Educational Technology & Society. 2007. — № 10 (3). — P. 275−288.
  230. Al-A'ali, M. Implementation of an Improved Adaptive Testing Theory. Educational Technology & Society. 2007. — № 10 (4). — P. 80−94.
  231. Patokorpi, E. Logic of Sherlock Holmes in Technology Enhanced Learning. Educational Technology & Society. 2007. — № 10 (1). — P. 171−185.
  232. Chang, S.-H., Lin, P.-C., & Lin, Z. C. Measures of Partial Knowledge and Unexpected Responses in Multiple-Choice Tests // Educational Technology & Society. 2007. — № 10 (4). — P. 95−109.
  233. , R., & Zulantay, H. Reliability and Validity of Authentic Assessment in a Web Based Course // Educational Technology & Society. 2007. — № 10 (4). — P. 156−173.
  234. Tao, Y.-H., Wu, Y.-L., & Chang, H.-Y. A Practical Computer Adaptive Testing Model for Small-Scale Scenarios // Educational Technology & Society. 2008. -№ 11(3).-P. 259−274.
  235. Huang, C.-J., Chen, C.-H., Luo, Y.-C., Chen, H.-X., & Chuang, Y.-T. Developing an Intelligent Diagnosis and Assessment E-learning Tool for Introductory Programming // Educational Technology & Society. 2008. — № 11 (4). — P. 139−157.
  236. Heh, J.-S., Li, S.-C., Chang, A., Chang, M., & Liu, T.-C. Diagnosis Mechanism and Feedback System to Accomplish the Full-Loop Learning Architecture // Educational Technology & Society. 2008. — № (l). p. 29−44.
  237. , A. M., & Cronje, J. C. Randomised Items in Computer-based Tests: Russian Roulette in Assessment? // Educational Technology & Society. — 2008. № 11 (4).-P. 41−50.
  238. Lin, F. O. Book review: Semantic Web and Education (Vladan Devedzic) // Educational Technology & Society. 2008. — № 11(3). — P. 292−293.
  239. Martins, A. C., Faria, L., Vaz de Carvalho, C., & Carrapatoso, E. User Modeling in Adaptive Hypermedia Educational Systems // Educational Technology & Society. 2008. — № 11 (l).-P. 194−207.
  240. Bunt A., Conati C. Probabilistic Student Modelling to Improve Exploratory Behaviour // User Modeling and User-Adapted Interaction. — 2003. — № 13(3). — P. 269−309.
  241. Jameson A. Numerical uncertainty management in user and student modeling: An overview of systems and issues // User Modeling and User-Adapted Interaction. 1995.-№ 5(3−4).-P. 193−251.
  242. Self J. Model-based cognitive diagnosis // User Modeling and User-Adapted Interaction. 1993. — № 3(1). — P. 89−106.
  243. Cartucci A., Cialdea M., Nardi D. Reasoning about Student Knowledge and Reasoning // Proceedings of the International Joint Conference on Artificial Intelligence, 1991, volume 2.-P. 1087−1093.
  244. Dolog P., Nejdl W. Challenges and benefits of the semantic web for user modelling // Workshop on Adaptive Hypermedia and Adaptive Web-Based Systems (AH2003), 2003. P. 99−112.
  245. Davis R., Shrobe H., Szolovits P. What is a Knowledge Representation? // AI Magazine.- 1993. -№ 14(1).-P. 17−33.
  246. Aamodt A., Plaza E. Case-based reasoning: foundational issues, methodological variations, and system approaches // AI Communications. IOS Press. Vol. 7:1. 1994.-P. 39−59.
  247. Wille R., Ganter B. Formal Concept Analysis: Mathematical Foundations. — Springer Verlag, Berlin. — 1998.
  248. . В., Цуканова Н. И. Управление процессом обучения с использованием нечетких сетей Петри // «Микросистема-93»: Тезисы докладов научно-техн. конф., Москва, МГИЭМ, 1993. С. 8−11.
  249. Е.В. Разработка и исследование интеллектуальных контролирующих систем с настраиваемой нечеткой экспертной подсистемой выставления оценок: Дис. канд. тех. наук: 05.13.11. — М.: РГБ, 2005. — 180 с.
  250. Plantinga Е. Student Modelling Using a Genetic Algorithm. Artificial Intelligence University of Groningen, The Netherlands, 2003.
  251. Д.И. Комплексная автоматизация и управление процессами аттестации персонала промышленных предприятий: Дис. д-ра техн. наук: 05.13.06: — М.: РГБ, 2007.-290 с.
  252. Doignon J.-P., Falmagne J.-C. Spaces for the assessment of knowledge // International Journal of Man-Machine Studies. 1985. — № 23. — P. 175−196.
  253. Ю.Н. О единицах знания // Полифония образования и англистика в мультикультурном мире. Тезисы первой международной конференции Ассоциации англоведов и преподавателей английского языка 25−26 ноября 2003 г. Москва, МГЛУ, 2003.
  254. А.П. Интеллектуальные технологии идентификации: нечеткая логика, генетические алгоритмы, нейронные сети. Винница: УНИВЕРСУМ-Винница, 1999.-320 с.
  255. Д.А. «Серые» и/или «черно-белые» // Прикладная эргономика. Специальный выпуск «Рефлексивные процессы». — 1994. — № 1. — С. 29−33.
  256. А.О. Применение нечетких множеств в бизнесе, экономике и финансах (Послесловие к конференции FSSCEF-2004) // Новости искусственного интеллекта. 2004. — № 2. — С. 27−34.
  257. М.Т. Программирование искусственного интеллекта в приложениях / М. Тим Джонс- Пер. с англ. Осипов А. И. М.: ДМК Пресс, 2004. — 312 е.: ил.
  258. A.A. Методы извлечения и анализа экспертных знаний: Автореферат дис. канд. тех. наук: 05.13.10 -М., 2002. 31 с.
  259. Д.Ю. Построение баз экспертных знаний для интеллектуальных обучающих систем: Автореферат дис. канд. тех. наук: 05.13.01 — М., 2006. — 24 с.
Заполнить форму текущей работой

Пора сдавать?