Методики и алгоритмы обработки и управления информацией в системах поддержки процессов обучения математическим дисциплинам тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Бавин Эй

• Бавин Эй
• кандидат технических наук
• 2010

Оглавление диссертации кандидат технических наук Бавин Эй

Введение.

Глава I. Современное состояние проблем информатизации процесса обучения.

1.1. Принципы Е-learning технологии.

1.1.1. Основные характеристики e-Iearning технологии.

1.1.2. Дистанционное обучение.

1.2. Базы знаний в интеллектуальной обучающей системе.

1.3. Автоматизация процесса подготовки специалистов.

1.4. Интеллектуальный тренажёр как часть системы обучения.

1.5. Обучение математике на основе компьютерной технологии (ОМК).

1.5.1. Обучен ие математике.

1.5.2. Компьютерная техника в математике.

1.5.3. Компьютерное обучение.

1.6. Цель работы и постановка задачи.

1.7. Выводы.

Глава 2. Разработка алгоритмов и моделей построения тренажерно-обучающего комплекса для обучения теме «Теория вероятностей и математическая статистика».

2.1. Обучение теме «Теория вероятностей и математическая статистика» на основе интеллектуального тренажера.

2.2. Разработка алгоритмов процесса обучения.

2.2.1. Идентификация в системе.

2.2.2. Процесс обучения.

2.2.3. Выход из системы.

2.3. Разработка алгоритмов и моделей использования базы данных для идентификации.

2.4. Разработка методики обучения и выбор методов.

2.4.1. Индуктивный метод.

2.4.2. Дедуктивный метод.

2.5. Использование нечёткой логики и создание модулей нечеткого управления для генерации тестов и контрольных вопросов.

2.5.1. Нечёткая логика.

2.5.2. Нечёткое управление.

2.5.3. Создание базы нечетких правил.

2.6. Использование адаптивной нейро-нечёткой системы для генерации тестов и контрольных вопросов.

2.6.1. Метод генерации тестов и контрольных вопросов.

2.6.2. Построение базы нечетких правил на основе численных данных.

2.6.3. Оценивание сложности и количества тестов и контрольных вопросов.

2.6.4. Разработка алгоритма построения системы оценок с использованием адаптивной нейро-нечёткой системы.

2.7. Выводы.

Глава 3. Программное обеспечение в среде MATLAB и построение программных блоков обучающего комплекса.

3.1. Использование пакета MATLAB.

3.1.1. Варианты использования пакета MATLAB.

3.1.2. Наборы инструментов для пакета MATLAB.

3.1.3. Построение графических пользовательских интерфейсов и визуализация данных.

3.1.4. Описание языка в среде MA TLAB.

3.2. Продукт MATLAB для разработки ТОК.

3.3. Построение интерфейсов обучающего комплекса.

3.3.1. Создание веб-интерфейсов для теоретических сведений

3.3.2. Принципы создания приложений с графическим пользовательским интерфейсом (GUI).

3.3.3. Создание системы оценок.

3.4. Использование Microsoft Excel в среде MATLAB как базы данных.

3.5. Применение MATLAB компилятора для разработки независимых приложений.

3.6. Выводы.

Глава 4. Использование ТОК и его эффективность.

4.1. Использование ТОК при проверке знаний.

4.2. Эффективность использования ТОК.

4.3. Апробация работы и её практическое применение.

4.4. Применение ТОК в МИЭТе.

4.5. Выводы.

Введение диссертации (часть автореферата) на тему «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 СППО; создать алгоритмы автоматической генерации тестовых заданий и контрольных вопросов; разработать адаптивную технологию обучения и методики управления знаниями; создать методики интеллектуального тестирования и оценивания знаний; программно реализовать СППО в виде тренажерно-обучающего комплекса в среде MATLAB; экспериментально 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 сетей; предложен алгоритм автоматической генерации тестовых заданий и контрольных вопросов для формирования множества однотипных, неповторяющихся теоретических и тестовых учебных материалов с возможностью автоматической верификации ответов; 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; предложена 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♦ Все основные результаты получены автором лично. Главными из них являются: разработка алгоритмов автоматической генерации тестов и контрольных вопросов с использованием аппарата нейронных сетей; разработка адаптивной технологии обучения и методик управления знаниями; создание интеллектуальной подсистемы оценивания знаний; разработка модели представления базы данных СППО; программная 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.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Бавин Эй

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

Hello- Userl 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

Введение

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 MATLAB- для 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.

Список литературы диссертационного исследования кандидат технических наук Бавин Эй, 2010 год

1. О выборе технологии электронного обучения. http://www.distance-learning.ru

2. База знаний. http://ru.wikipedia.org/wiki/5a3a знаний

3. Nicolas Balcheff, James Kaput (1996), "13 Computer-based Learning Environments in Mathematics", International Handbook of Mathematics Education, Springer, p. 469

4. Stephen M. Alessi, Stanley R. Trollip (2001), Multimedia for Learning, Allyn and Bacon.

5. Новак В., Перфильева И., Мочкрож И. Математические принципы нечеткой логики, пер с англ. М.: Физматлит, 2006.

6. Заде JI. Понятие лингвистической переменной и его применение к принятию приближенных решений. М.: Мир, 1976.

7. Круглов В. В. Дли М. И. Голунов Р. Ю. Нечеткая логика и искусственные нейронные сети. М.: Физматлит, 2001.

8. Рутковская Д., Пилиньский М., Рутковский Л., Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского.

9. Hirota К., Ed., Industrial Applications of Fuzzy Technology, Springer 1993.

10. Driankov D., Hellendoorn H., Reinfrank M., An Introduction of Fuzzy Control, Springer-Verlag, Berlin 1993.

11. Graeme Martin, Angela Jennings. E-Learning Technology Evaluation Report. University of Abertay Dundee, 2002.

12. Айвазян С. А., Мхитарян В. С. Прикладная статистика и основы эконометрики. М.: ЮНИТИ. 1998.

13. Вентцель Е. Теория вероятностей и математическая статистика. М.: Мир. 2000.

14. Бавин Эй, Лисов О.И, Лисовец Ю.П, Использование графического пользовательского интерфейса GUT пакета MATLAB для обучения математическим дисциплинам. Известия высших учебных заведений «Электроника». № 2 (76), 2009.

15. Бавин Эй, Зар Ни Хлайнг,. Разработка тренажерно-обучающих комплексов (ТОК) на базе пакета MATLAB. В журнале «Естественные и технические науки» № 4. 2009.

16. Агапов Г. И. Задачник по теории вероятностей. М;: Высш. Шк., 1986.

17. Мешалкин Л. Д. Сборник задач по теории вероятностей. М.: Изд-во Моск. Ун-та, 1963.

18. Колемаев В. А., Калинина В. Н. Теория вероятностей и математическая статистика. М.: ИНФРА-М. 1997.

19. Вентцель Е. С., Овчаров Л. А. Задачи и упражнения по теории вероятностей. М.: Высшая школа. 2000.

20. Колемаев В. А., Староверов О. В., Турундаевский В. Б. Теория вероятностей и математическая статистика. М.: Высшая школа. 1991.

21. Дьяконов В. П. Справочник по применению системы PC MATLAB. — М.: «Физматлит», 1993.

22. Создание сайта при помощи визуального редактора FrontPage. http://web-miheeff.iu/news/web front page.php

23. Дьяконов В.П. Круглов В.В. Математические пакеты расширения MATLAB. Специальный справочник.- СПб.: Питер, 2001.

24. Бавин Эй. Предсказание временных рядов с помощью нечеткой логики, Микроэлектроника и информатика — 2006. 13-я Всероссийская межвузовская научно-техническая конференция студентов и аспирантов: тезисы докладов.-М.: МИЭТ, 2006.-С 141.

25. Иглин С. П. Математические расчеты на базе MATLAB. — СПб. : БХВ-Петербург, 2005. — С 445 451.

26. Бавин Эй. Предсказание временных рядов по уравнениям регрессии с учетом задержек. Микроэлектроника и информатика — 2007 . 14-я Всероссийская межвузовская научно-техническая конференция студентов и аспирантов: тезисы докладов. М.: МИЭТ, 2007. - С 138.

27. Сборник задач по математике для втузов: Ч. 3. / Вуколов Э. А, Ефимов А. В., Земсков В. Н., Поспелов А. С. — М. : Наука, 1993.

28. Сборник задач по математике для втузов: В 4 частях. Вуколов Э. А, Ефимов А. В., Земсков В. Н., Поспелов А. С. М.: Изд-во физ.-мат. лит., 2003.

29. Brian R. Hunt, Ronald L. Lipsman, Jonathan M. Rosenberg. A Guide to MATLAB for Beginners and Experienced Users. Cambridge Press, 2001.

30. Neural Network Toolbox For Use with MATLAB®. Howard Demuth, Mark Beale. The Math Works, Inc. 2000.

31. MATLAB User's Guide Fuzzy Logic Toolbox. J.S. Roger Jang, Ned Gulley. The Math Works, Inc. 1997.

32. Jim Ledin. Embedded Control Systems in C/C++: An Introduction for Software Developers Using MATLAB, CMP Books, 2004.

33. MATLAB Demo, R2006b, The Mathworks, Inc.

34. MATLAB Compiler Demo, The Mathworks, Inc. http://www.mathworks.com/products/compiler/demos.html?BB=l