Методики и алгоритмы обработки и управления информацией в системах поддержки процессов обучения математическим дисциплинам

Актуальность темы

В настоящее время в системах поддержки процессов обучения (СППО) все более важное место занимает использование компьютерных технологий. Они используются для повышения эффективности и качества учебного процесса. Можно привести такие примеры, как использование Е — learning, дистанционного обучения и обучающих интеллектуальных тренажеров. Особенно актуальным это становится для обучения некоторым разделам высшей математики. Теория вероятностей и математическая статистика (ТВ и МС) стала одним из важнейших компонентов образования специалиста в области естественных наук, экономики, социологии и т. д. Невозможно представить выполнение сложных математических операций и исследование математических моделей без применения компьютеров. Компьютеры используются также для передачи математических знаний через телекоммуникационные системы.

В преподавании высшей математики в настоящее время успешно сосуществуют и дополняют друг друга два направления: традиционное обучение и применение новейших компьютерных технологий (пакеты MATLAB, MathCAD. и т. д.). Последнее направление весьма актуально в связи с новыми требованиями к образовательным технологиям. Использование интеллектуальных компьютерных сред позволяет повысить качество учебного процесса и эффективность изучения некоторых разделов высшей математики, например, курса «Теория вероятностей и математическая статистика».

Вопросами создания автоматизированных обучающих систем и электронного обучения занимаются многие зарубежные и российские ученые, в частности хорошо известны работы Б. Ятленко, А. Бодаренко, Марка Розенберга, А. Я. Савельева, И. Г. Игнатовой и многих других.

Современные обучающие системы в области математики недостаточно эффективны, в частности остаются открытыми вопросы, связанные с обоснованным выбором траекторий обучения, генерацией тестовых заданий, обучающих материалов и контрольных мероприятий, объективным оцениванием знаний обучающихся. Все это в совокупности требует повышения интеллекта современных систем поддержки процессов обучения, расширения их функциональности и репрезентативности предоставления материалов. Таким образом, актуальными являются исследования направленные на создание методики и алгоритмов обработки и управления информацией в системе поддержки процессов обучения (СППО) математическим дисциплинам.

Выбор MATLAB в качестве инструментальной платформы построения СППО математическим дисциплинам обусловлен высокой мощностью вычислений, возможностью визуализации результатов расчетов, наличием встроенного языка программирования, удобным графическим пользовательским интерфейсом, а также удобством применения пакета для решения практических задач.

Объектом исследования являются структура ТОК и программный комплекс ТОК.

Цель работы является создание методик и алгоритмов управления и обработки информации в системах поддержки процессов обучения математическим дисциплинам для повышения эффективности обучения и тестирования знаний на основе интеллектуальной технологии.

Для достижения этой цели необходимо решить следующие задачи: разработать структуры, алгоритмы работы и программно реализовать СППОсоздать алгоритмы автоматической генерации тестовых заданий и контрольных вопросовразработать адаптивную технологию обучения и методики управления знаниямисоздать методики интеллектуального тестирования и оценивания знанийпрограммно реализовать СППО в виде тренажерно-обучающего комплекса в среде MATLABэкспериментально исследовать предложенные в работе методики и алгоритмы.

Методы исследования. При создании СГТГЮ использовались методы объектно-ориентированного программирования в среде MATLAB. При создании интеллектуальной подсистемы оценивания, генерации тестов и контрольных вопросов применялись методы теории нечетких множеств. При апробации СППО использовались статистические методы проверки эффективности.

Научная новизна работы состоит в создании новой методики и алгоритмов, обеспечивающих повышение эффективности процесса поддержки обучения математическим дисциплинам на основе интеллектуальных технологии.

В результате выполнения работы получены следующие новые научные результаты: на базе адаптивно-нечеткой логики разработаны принципы построения, структура, алгоритмы работы и программная реализация СППО математическим дисциплинам с использованием аппарата нейронных сетейпредложен алгоритм автоматической генерации тестовых заданий и контрольных вопросов для формирования множества однотипных, неповторяющихся теоретических и тестовых учебных материалов с возможностью автоматической верификации ответовразработана интеллектуальная система оценивания знаний обучаемых с использованием адаптивной нейро-нечёткой системы «ANFIS», обеспечивающая индивидуальную траекторию обучения по одному из двух возможных методов: индуктивному или дедуктивномупредложена адаптивная методика интеллектуального тестирования и рейтингования знаний обучающихся, учитывающая сложность и количество контрольных вопросов, а также динамику успеваемости студентов.

Практическая ценность работы заключается в повышении эффективности использования СППО математическим дисциплинам за счет адаптивной технологии обучения интеллектуальных средств тестирования и оценивания знаний, повышения объективности рейтингования обучающихся. Разработанный тренажерно-обучающий комплекс обеспечивает повышение среднего балла успеваемости студентов, обучающихся по дисциплинам «Теория вероятностей и математическая статистика» и «Компьютерное моделирование» на 23%, уменьшение времени выполнения контрольных мероприятий в среднем на 33% по сравнению со стандартными технологиями обучения и обеспечивает проведение учебного процесса как на базе среды MATLAB, так и автономно.

Личный вклад автора&diamsВсе основные результаты получены автором лично. Главными из них являются: разработка алгоритмов автоматической генерации тестов и контрольных вопросов с использованием аппарата нейронных сетейразработка адаптивной технологии обучения и методик управления знаниямисоздание интеллектуальной подсистемы оценивания знанийразработка модели представления базы данных СППОпрограммная реализация СППО в виде тренажерно-обучающего комплекса.

Реализация полученных результатов. Диссертационная работа выполнялась в соответствии с планом научно-технических исследований кафедры «Информатика и программное обеспечение вычислительных систем» Московского государственного института электронной техники (технического университета) и являлась составной частью исследовательских мероприятий в рамках НИОКР «Разработка методологии практической подготовки студентов в рамках инновационных образовательных программ» Федеральной целевой программы развития образования.

Все работы по программной реализации СППО проводились под руководством или при непосредственном участии автора. Результаты диссертационной работы используются в учебном процессе кафедры в материалах курсов «Теория систем», «Системный анализ и математическое моделирование», «Теория вероятностей и математическая статистика» и «Компьютерное моделирование».

Апробация и внедрение результатов работы: основные положения и результаты диссертационной работы были доложены на всероссийских межвузовских научно-технических конференциях «Микроэлектроника и информатика» (Москва, Зеленоград, 2006;2009), на третьей всероссийской научной конференции «Проектирование инженерных и научных приложений в среде MATLAB» (Санкт-Петербург, 2007г), на международной конференции «Информационные технологии в науке, образовании, -телекоммуникации и бизнесе» (Ялта-Гурзуф, Украина, 2008) и на всероссийских межвузовских научно-технических конференциях «Актуальные проблемы информатизации, развитие информационной инфраструктуры, технологий и систем» (Москва, Зеленоград, 2007;2008).

Основные результаты диссертационной работы опубликованы в девяти печатных трудах. В том числе две работы в изданиях, утвержденных ВАК. Без соавторов опубликовано 5 работ.

Программные средства. При проведении работы используется объектно-ориентированный подход. Реализация программной части интеллектуального тренажера проводится на языке MATLAB.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения и приложений. Диссертация изложена на 134 страницах текста, содержит 53 рисунка и 1 таблицу.

Выход.

Рис 39. Авторизация пользователя aS ?

ШВЯ О «х.

Тренажерно обучающий комплекс.

Оглавление Классическое Опр Вероятности | | Числовые Характеристики | j Геометрическое Опр Вероятности | | Метод Наименьших Квадратов j Дискретные Случайные Величины | [ Корреляционный Анализ Непрерывные Случайные Величины | ] Регрессионный Анализ |.

Теория вероятностей и математическая.

Московский Институт Электронной Техники.

Режим Обучения.

• Изучение О Тесты.

С Контрольные вопросы С Повторение.

HelloUserl Реяадм Изучения.

Панель управления. | I j Помощь J f§ Р*П!Юр4ЦИ* | Личный Кабинет) Выход 1.

Рис 40. Элементы данной темы интеллектуального тренажера 0 Ш М Location: f*>:///F:ySnjDY I STUDY ZOCWPioieit m WTLM/SlmiatorPTWSWejcsiiiWnaessMn 01. Mm vj.

Edit Vtew Go Debug Desktop Window Heip.

Й1.

Рефессионный анализ.

В теории вероятностей и математической статистике зависимость среднего значения кекой-ли&о величины от некоторой другой величины или от нескольких величин Б отличие от чисто функциональной зависимости у = Ях> когда каждому значению независимой переменной х соответствует одно определенное значение величины у при регрессионной связи одному и тому же значению х могут соответствовать в зависимости от случая различные значения величины у Когда нам нужно узнать регрессионный анализ чтобы как связывать друг с другом для экономических процессов мы можем построить математическую модель и анализировать, а среде MATLAB Регрессионный анализ раздел математической статистики объединяющий практические методы исследования регрессионной зависимости между величинами по статистическим данным.

Заключение

.

В диссертационной работе решена проблема создания интеллектуальных тренажерно-обучающих комплексов (ТОК) по математическим дисциплинам с целью повышения теоретической и практической подготовки специалистов в области естественных и технических наук. В ходе выполнения диссертационной работы получены следующие основные научные и практические результаты.

1. На базе адаптивно-нечеткой логики разработаны принципы построения, структура, алгоритмы работы и программная реализация интеллектуального тренажерно-обучающего комплекса с использованием аппарата нейронных сетей.

2. Впервые предложен алгоритм автоматической генерации тестовых заданий и контрольных вопросов для формирования множества однотипных, неповторяющихся теоретических и тестовых учебных материалов с возможностью автоматической верификации ответов.

3. Разработана интеллектуальная система оценивания знаний обучаемых с использованием адаптивной нейро-нечёткой системы «ANFIS», обеспечивающая индивидуальную траекторию обучения по одному из двух возможных методов: индуктивному или дедуктивному.

4. Предложена адаптивная методика интеллектуального тестирования и рейтингования знаний обучающихся, учитывающая сложность и количество контрольных вопросов, а также динамику успеваемости студентов.

5. Создан базовый набор встроенных программных блоков в инструментальной среде MATLABдля обучения дисциплинам «Теория вероятностей и математическая статистика» и «Компьютерное моделирование». Создано независимое программное приложение, позволяющее использовать ТОК автономно от среды MATLAB.

6. В целях оперативного контроля процесса обучения программно реализованы динамические базы данных учебных материалов и ретроспективы успеваемости обучающихся с использованием OLE технологии.

7. Разработан и внедрен в учебный процесс кафедры ИПОВС Московского государственного института электронной техники тренажерно-обучающий комплекс, экспериментальное использование которого обеспечило: повышение среднего балла успеваемости студентов, обучающихся по дисциплинам «Теория вероятностей и математическая статистика» и «Компьютерное моделирование» на 23%- уменьшение времени выполнения контрольных мероприятий в среднем на 33% по сравнению со стандартными технологиями обучения.