Методы и алгоритмы поддержки разработки нечетких семантических моделей для компьютерных тренажеров тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат технических наук Коцюба, Игорь Юрьевич

  • Коцюба, Игорь Юрьевич
  • кандидат технических науккандидат технических наук
  • 2018, Санкт-Петербург
  • Специальность ВАК РФ05.13.06
  • Количество страниц 0
Коцюба, Игорь Юрьевич. Методы и алгоритмы поддержки разработки нечетких семантических моделей для компьютерных тренажеров: дис. кандидат технических наук: 05.13.06 - Автоматизация и управление технологическими процессами и производствами (по отраслям). Санкт-Петербург. 2018. 0 с.

Оглавление диссертации кандидат технических наук Коцюба, Игорь Юрьевич

СОДЕРЖАНИЕ

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

ГЛАВА 1 АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ

1.1 Процесс разработки компьютерного тренажера

1.2 Компьютерные тренажеры на базе семантических моделей

1.3 Представление результатов обучения

1.4 Онтологические модели в образовании

1.4.1 Обзор онтологических моделей, применяемых для решения различных образовательных задач

1.4.2 Онтологии результатов обучения

1.4.3 Нечеткие семантические модели в образовании

1.4.4 Методы оценки качества онтологий

1.5 Промежуточные модели при разработке семантических моделей

1.5.1 Интеллект-карты (в том числе в образовании)

1.5.2 Концептуальные карты (в том числе в образовании)

1.5.3 Нечеткие когнитивные карты технологических процессов

1.6 Постановка задач диссертационного исследования

1.7 Выводы по главе 1

ГЛАВА 2 МЕТОДЫ И АЛГОРИТМЫ ПОДДЕРЖКИ РАЗРАБОТКИ НЕЧЕТКИХ СЕМАНТИЧЕСКИХ МОДЕЛЕЙ ДЛЯ КОМПЬЮТЕРНЫХ ТРЕНАЖЕРОВ

2.1 Построение модели поддержки принятия решений при разработке тренажера на основе нечетких семантических моделей

2.2 Метод построения нечеткой семантической модели для компьютерного тренажера

2.2.1 Метод построения интеллект-карты тренажера

2.2.2 Метод построения концептуальной карты тренажера

2.2.3 Метод построения нечеткой когнитивной карты тренажера

2.3 Метод анализа нечеткой семантической модели для компьютерного тренажера

2.3.1 Метод анализа интеллект-карты тренажера на основе метрик и их ограничений

2.3.2 Метод анализа концептуальной карты на основе метрик и их ограничений

2.3.3 Метод анализа нечеткой когнитивной карты тренажера

2.4 Алгоритмы, реализующие указанные методы

2.5 Выводы по главе 2

ГЛАВА 3 ПРОЕКТИРОВАНИЕ СИСТЕМЫ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ ПРИ РАЗРАБОТКЕ КОМПЬЮТЕРНОГО ТРЕНАЖЕРА

3.1 Моделирование процессов при проектировании системы

3.2 Сценарии использования

3.3 Проектирование программной архитектуры

3.4 Проектирование системной архитектуры

3.5 Модель данных

3.6 Выводы по главе 3

ГЛАВА 4 ЭКСПЕРИМЕНТАЛЬНОЕ ПОДТВЕРЖДЕНИЕ

4.1 Экспериментальная проверка метода поддержки разработки нечеткой семантической модели для компьютерного тренажера

4.2 Экспериментальная проверка метода анализа нечеткой семантической модели для компьютерного тренажера

4.3 Выводы по главе 4

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

Рекомендованный список диссертаций по специальности «Автоматизация и управление технологическими процессами и производствами (по отраслям)», 05.13.06 шифр ВАК

Введение диссертации (часть автореферата) на тему «Методы и алгоритмы поддержки разработки нечетких семантических моделей для компьютерных тренажеров»

ВВЕДЕНИЕ

Актуальность темы. Одним из приоритетных направлений развития современного образования, согласно Закону «Об образовании в РФ» [37] и государственным программам развития образования [27, 103], является создание единой информационной образовательной среды (ЕИОС), в рамках которой необходимо обеспечивать современные электронные образовательные ресурсы, а также создавать условия для обновления форм, средств, технологий и методов реализации образовательных программ и услуг, распространения знаний, расширения доступа к электронному образованию всех уровней с учетом возможности построения современных механизмов обучения и воспитания. Одной из особенностей современного этапа развития образования является увеличение практики использования компьютерных тренажеров, позволяющих моделировать на различных уровнях функционирование и состояние как сложного технологического процесса в целом, так и отдельных механизмов и аппаратов. Исследование данных вопросов объясняется экономической целесообразностью, высокой эффективностью обучения специалистов с использованием таких систем, а также возможностью многократного воссоздания и эксплуатации процесса тренировки навыков обучающегося, возможностью обучаться в максимально приближенной к реальной ситуации обстановке как индивидуально, так и в составе подразделения; возможностью обучаться без затрат ресурсов оборудования, без опасности для персонала и производственного объекта; возможностью освоения сложных методик медицинских исследований без вреда и риска для пациентов. В настоящее время в понятие технологического процесса также включаются все новые предметные области, например, клиническая медицина, требующие гибкой адаптации информационных моделей для описания технологического процесса. В этих условиях необходимы новые методологические подходы к разработке тренажерных комплексов как компонента ЕИОС.

Поскольку комплексная разработка компьютерного тренажера, описывающего сложный процесс (в том числе, технологический) в максимальном приближении к реальной жизни, является трудоемкой задачей и требует привлечения различных категорий экспертов (эксперта предметной области, педагога, программиста, дизайнера), особую актуальность приобретают вопросы поддержки процесса разработки компьютерных тренажеров, в том числе, его методического, алгоритмического, математического, информационного и программного обеспечения. Процесс разработки компьютерного тренажера в настоящее время все более связан с построением базы знаний, базирующейся на семантической сети, которая позволяет обеспечить необходимую скорость и качество информационного моделирования технологического процесса. Использование семантических моделей дает возможность описания сущностей предметной области со связями между ними, действий и сценариев учебных заданий, а также дает возможность обеспечить разделение работ между различными категориями экспертов, принимающих участие в разработке тренажера, таких как педагог, технолог, дизайнер и программист; дает возможность экспертам, не владеющим достаточно большими навыками программирования, осуществлять свои функции без необходимости изучать сложные средства формализации.

Однако в ходе разработки семантической модели эксперты сталкиваются с целым рядом проблем ввиду разнопрофильности своей квалификации, и сам процесс разработки адекватной модели, учитывающей как педагогические, так и технологические, программные требования, представляет собой комплексную проблему. Как отмечают авторы [84, 98], при построении семантической сети наиболее трудоемкими задачами являются процесс ее разработки, который может быть представлен как набор взаимосвязанных этапов [18, 77, 122], а также процесс оценки ее качества. В этой связи необходимы: модель поддержки принятия решений, ориентированная на формализацию параметров управления процессом разработки компьютерного тренажера; методы снижения количества контролируе-

мых параметров без снижения качества управления; инструментарий для сбора и оценки параметров процесса разработки тренажера.

Степень научной разработанности проблемы. Вопросы разработки компьютерных тренажеров технологических процессов представлены в работах Панфилова А.Э., Соловова А.В., Матлина А.О., Ишкильдина Р.Р., Филатовой Н.Н., Вивиловой Н.И., Юхина Е.Г., Кошелева Н.А., Хафизова А.М., Малышевой О.С., Котелевой Н.И., Шабловского И.Е., Кошкина А.В. Отдельно стоит выделить работы, посвященные проблемам разработки тренажеров на основе семантических моделей, рассматриваемые такими учеными, как Грибова В.В., Петряева М.В., Федорищев Л.А., Иващенко А.В., Гончаренко В.И., Лобанов И.А., Кублик Е.И., Губин А.Н., Горбаченко Н.А., Башмаков И.А., Рабинович П.Д., D.Gorecky, M.Loskyll, Ch.Stahl, L.Jin, R.Araujo, а также педагогические аспекты разработки тренажеров: Вагин Р.Н., Дозорцев В.М., Панфилов А.Э., Котелева Н.И., Филатова Н.Н. Вопросам применения онтологических моделей в образовании, а именно он-тологиям для реализации компетентностного подхода к образованию, посвящены работы Титенко С.В., Дороховой О.Е., Даниловой О.В., Синицы К.М., Мартынова Д.В., Галямова А.Ф., Попова Д.В. Аналогичные вопросы поднимаются в ряде работ зарубежных авторов, таких как K.Liu, L.Sun, Y.Fu, H.Chung, J.-M.Kim, J.Qin, N.Hernandez, A.Kalou, G.Solomou, Ch.Pierrakeas, A.Kameas, A.Kouneli, C.Reise, G.Seliger. Однако в работах не рассматриваются особенности реализации компе-тентностного подхода при разработке семантических моделей учебных тренажеров технологических процессов.

Подходы к оценке качества онтологий представлены в работах A.Duque-Ramos, J.T.Fernandez-Breis, M.Iniesta, M.Dumontier, M.E.Aranguren, S.Schulz, N.Aussenac-Gilles, R.Stevens, A.Burton-Jones, V.Storey, V.Sugumaran, P.Ahluwalia, Y.Wang, J.Bao, P.Haase, G.Sunjoo, Y.Heon, A.Gangemi, C.Catenacci, M.Ciaramita, J.Lehmann, N.A.Segura. Отдельного внимания заслуживают работы по оценке онтологий на уровне исследования топологии графов онтологий Гавриловой Т.А.,

Горового В.А., Болотниковой Е.С., A.Gangemi; работы, посвященные разработке онтологий на базе различных промежуточных моделей, таких как интеллект-карты, концептуальные карты, нечеткие когнитивные карты Гавриловой Т. А., Гу-лякиной Н.А., Муромцева Д.И., Баландина Е.А., Карпенко А.П., R.Starr, J.Oliveira, Фотеевой В.Н., Сагайды П. И., Силич М.П., Уварова А.Н. Вопросы использования аппарата нечетких множеств и нечеткой логики в сфере технологических процессов обсуждаются в работах Праховой М.Ю., Краснова А.Н., Хорошавиной Е.А., Михалева А.И., Новиковой Е.Ю., E.LPapageorgюu, K.E.Parsopoulos, C.S.Stylios, P.P.Groumpos, M.N.Vrahatis, а в сфере образования - в работах Валькман Ю.Р., Хала Е.А., Морозовой О.И., Соколова А.Ю., Хуссейна В.М., Нгуен В. Н., Вайн-штейна Ю.В., Шершневой В.А., Есина Р.В., Зыковой Т.В., Денисовой И.Ю., Ма-карычева П.П. Однако в проанализированных работах не рассматриваются методы применения этих промежуточных моделей в совокупности к процессу разработки компьютерных тренажеров технологических процессов и проблемно-ориентированные метрики оценки их качества.

Таким образом, очевидные преимущества использования промежуточных моделей при разработке семантических моделей с использованием процедуры оценки их качества на разных этапах построения могут быть реализованы только при условии разработки новых подходов применительно к специфике управления процессом разработки компьютерного тренажера. Поэтому исследование и разработка методов и алгоритмов поддержки деятельности экспертов, участвующих в разработке тренажера, является актуальной и своевременной задачей.

Цели и задачи исследования. Целью диссертационной работы является разработка методов и алгоритмов поддержки разработки нечетких семантических моделей для компьютерных тренажеров.

Достижение поставленной цели исследования определяет необходимость решения следующих задач:

1. Исследовать современные практики использования семантических

моделей при разработке компьютерных тренажеров;

2. Исследовать существующие подходы к поддержке разработки семантических моделей и оценке их качества;

3. Построить модель поддержки принятия решений при разработке семантических моделей для компьютерного тренажера.

4. Разработать метод поддержки построения нечеткой семантической модели для компьютерного тренажера путем поэтапного построения промежуточных моделей:

— интеллект-карты тренажера;

— концептуальной карты тренажера;

— нечеткой когнитивной карты тренажера.

5. Разработать метод анализа нечеткой семантической модели, в том числе, на основе метрик и их ограничений путем поэтапного анализа:

— интеллект-карты;

— концептуальной карты;

— нечеткой когнитивной карты.

6. Разработать алгоритмы, реализующие соответствующие методы.

7. Экспериментально проверить разработанные методы и алгоритмы на технологических процессах разработки компьютерных тренажеров с использованием семантических моделей.

Методы исследования. Для решения поставленных в диссертационной работе задач использовались методы теории графов, нечетких множеств и нечеткой логики, теории принятия решений. При разработке программного обеспечения использовались методы объектно-ориентированного программирования.

Достоверность работы. Научные положения и выводы, полученные в диссертационной работе, являются достоверными и обоснованными, что подтверждается проведенными в работе экспериментальными и теоретическими исследованиями, представлением основных результатов диссертации на конференциях.

Научная новизна. Научная новизна работы заключается в следующем:

— Построена модель поддержки принятия решений при разработке семантических моделей для компьютерного тренажера, позволяющая учесть быстрое изменение целей и взаимосвязи параметров, характерных для процесса разработки тренажера. Выделены ключевые управляющие события, сформулированы сценарии применения предлагаемых методов.

— Разработан метод построения нечеткой семантической модели для компьютерного тренажера. Метод определяет последовательное применение процедур построения интеллект-карты, концептуальной карты, нечеткой когнитивной карты тренажера в модели поддержки принятия решений с проблемно-ориентированными вершинами и связями, позволяющими эффективно смоделировать предметную область.

— Разработан метод анализа нечеткой семантической модели, ориентированный на поэтапный анализ интеллект-карты, концептуальной карты, нечеткой когнитивной карты тренажера, с использованием метрик и их ограничений, отобранных под специфику каждой из промежуточных моделей. Метод позволяет как учесть педагогические требования, так и оценить качество модели с использованием метрик оценки графовых структур. Результаты анализа позволяют определить самые многофункциональные (интегрированные в комплексе) этапы технологического процесса; выявить результаты обучения, связующие в рамках образовательной траектории; оценить границы образовательной траектории и сделать вывод о том, сколько образовательных траекторий для специалистов разного звена необходимо выделять при разработке тренажера.

— Построен алгоритм поддержки построения нечеткой семантической модели на основе промежуточных моделей, который учитывает особенности представления входных данных в необходимых для каждой промежуточной модели форматах и указывает на причинно-следственные связи при переходах между ними.

— Сформирован алгоритм анализа нечеткой семантической модели в соответствии с предлагаемыми методами поддержки принятия решения, позволяющий определить качество модели с использованием формализованных предельных значений метрик, а также причинно-следственные переходы по этапам разработки тренажера в зависимости от полученных результатов метрик.

Теоретическая значимость работы обусловлена развитием методов построения и анализа нечетких семантических моделей в области разработки компьютерных тренажеров технологических процессов.

Практическая значимость результатов диссертации. Практическая значимость работы заключается в разработанных программных комплексах, реализующих применение разработанных методов, которые позволяют поддерживать разработку компьютерных тренажеров в образовательных целях на основе семантических моделей на всех этапах их создания с использованием ряда промежуточных моделей и для различных категорий экспертов. Компоненты сервиса могут использоваться независимо: программа для ЭВМ «Утилита для автоматизированной оптимизации промежуточных моделей при разработке онтологий» (Свидетельство о регистрации программы для ЭВМ № 2017616269 от 09.06.2017); программа для ЭВМ «Утилита расчёта метрик качества интеллект-карт» (Свидетельство о регистрации программы для ЭВМ № 2017660429 от 21.09.2017); программа для ЭВМ «Модуль анализа наборов медицинских данных на основе методов машинного обучения» (Свидетельство о регистрации программы для ЭВМ № 2016619886 от 31.08.2016).

Разработанные методы, алгоритмы и программные средства были использованы:

- при разработке компьютерного тренажера для токарного процесса на базе АО "Завод Дагдизель", СПбГБПОУ "Академия машиностроения";

— при разработке компьютерного тренажера для процесса компьютерной диагностики легочных узлов на базе "НМЦ-Томография";

— при разработке и проведении занятий по курсам «Представление знаний в информационных системах» и «Интеллектуальные системы» в Университете ИТМО.

Личный вклад. По теме диссертационного исследования опубликовано тридцать четыре работы, девятнадцать из которых - в изданиях, рекомендованных ВАК для публикации основных результатов диссертационных исследований, три из которых - в изданиях из базы Scopus, в которых нашли отражение теоретические принципы и результаты работы. Основные результаты, представленные в диссертационной работе, получены лично автором. В статьях [2-6, 30, 42,-45, 5364, 67-69] постановка задач, литературный обзор, выбор методов исследования осуществлялись совместно с Гусаровой Н.Ф., Артемовой Г.О., Кайсаровой Д.В., Шиковым А.Н., Гриншпуном Д.М., а результаты получены лично автором. В работах [7-8, 21, 25, 65-66, 81, 106] автор осуществлял математическое моделирование в соответствии с требованиями, формализованными соавторами Подольским М.Д., Таракановым С.А., Гайдуковым В.С., Беляевым А.М., Трофимовым В.А., Виноградовым П.Д., Кузнецовым В.И., Мерабишвили В.М. в работах [7-8], Рябчиковым И.А., Гусаровой Н.Ф. в работе [21], Горлушкиной Н.Н. в работе [25], Никитиной Л.Н., Шиковым П.А. в работе [81], результаты которого были реализованы Барчуком А.С., Атрощенко А.В., Харитоновым М.В., Нефедовой А.В., Комаровым Ю.И., Арсеньевым А.И., Канаевым С.В. в работах [7-8], Сергеевой М.В., Глазневым М.Ю. в работе [21], Чунаевым А.В., Бересневым А.Д. в работах [64, 81], Хлопотовым М.В. в работах [25, 106].

На защиту выносится:

— Обобщенная модель поддержки принятия решений при разработке семантических моделей для компьютерного тренажера.

— Метод поддержки построения нечеткой семантической модели на основе промежуточных моделей для компьютерного тренажера.

— Метод анализа нечеткой семантической модели, в том числе, на основе метрик и их ограничений.

— Алгоритм построения нечеткой семантической модели на основе промежуточных моделей и алгоритм анализа нечеткой семантической модели в соответствии с предлагаемыми методами поддержки принятия решения.

Степень достоверности и апробация результатов исследования. Основные результаты диссертационного исследования докладывались и обсуждались на:

— IV Научно-практической конференции молодых ученых "Вычислительные системы и сети - Майоровские чтения" (2012);

— международной научно-практической конференции "Современное гуманитарное образование: традиции, инновации, перспективы" (2013);

— II, III, IV Всероссийском конгрессе молодых ученых (2013, 2014, 2015);

— международной заочной научно-практической конференции "Современные тенденции в образовании и науке" (2013);

— международных научно-практических конференциях "ИНФОГЕО 2013", "ИНФОГЕО 2014" (2013, 2014);

— XLIII и XLIV научных и учебно-методических конференциях НИУ ИТМО (2014, 2015);

— XXI Всероссийской научно-методической конференции Телематика'2014 (2014);

— международной конференции 19th FRUCT Conference (2016);

— X, XI открытой научно-практической конференции учащихся, студентов и аспирантов «Информационные технологии в области науки и техники» в Государственном бюджетном нетиповом образовательном учреждении «Санкт-Петербургский городской Дворец творчества юных» (2012, 2013).

По теме диссертационного исследования опубликовано тридцать одна работа, девятнадцать из которых - в изданиях, рекомендованных ВАК для публикации основных результатов диссертационных исследований, в которых нашли отражение теоретические принципы и результаты работы.

Разработанные методы, алгоритмы и программные средства были внедрены в процесс разработки компьютерных тренажеров на базе "НМЦ-Томография", АО "Завод Дагдизель", СПбГБПОУ "Академия машиностроения".

Структура работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы. Общий объем работы составляет 190 страниц. Диссертация содержит 44 таблицы и 61 рисунок. Список использованной литературы состоит из 146 наименований.

ГЛАВА 1 АНАЛИЗ ПРЕДМЕТНОЙ ОБЛАСТИ

1.1 Процесс разработки компьютерного тренажера

Процесс разработки эффективного тренажера представляет собой чрезвычайно сложную задачу, в решении которой принимают участие специалисты различных уровней, выполняющие такие работы, как: построение экспертом предметной области модели, адекватной реальному процессу; анализ адекватности требований к проектируемому тренажеру целям обучения; разработка программного обеспечения специалистом в области информационных технологий [84, 98]. Немаловажен и тот факт, что в разработке тренажеров с педагогической стороны участвуют различные субъекты, среди которых выделяют преподавателя, обучающегося, разработчика [13], преследующие свои цели, реализуемые в различных предпосылках для реализации тех или иных качеств тренажера.

Существует несколько направлений, в которых наиболее часто используются тренажеры [104]:

1. Изучение плохо формализуемых методик (в том числе, проектирования, наладки, пуска, ремонта, монтажа и т.д.) с большим деревом разветвленных решений.

2. Изучение сложных ситуационных алгоритмов (управления, принятия решений, ремонта и т.д.)

3. Изучение диагностики с использованием индуктивных методик разработки неявных алгоритмов.

В работах [104, 98] рассмотрены основные этапы разработки тренажеров. В работе [104] отмечается, что концепция структуры модели статического мира тренажера базируется на 3 уровнях представления знаний и данных, таких как:

1. Концептуальный уровень.

2. Логический уровень.

3. Физический уровень. В работе [98] определяются такие этапы разработки тренажеров, как:

1. Выбор учебной задачи.

2. Разработка общей схемы (сюжета) сценария учебной работы.

3. Построение оценочной функции.

4. Детализация сценария.

5. Разработка функциональной схемы.

6. Разработка программного обеспечения.

В работе [109] представлена следующая модель технологии разработки тренажеров (рисунок 1):

Рисунок 1 - Технология разработки тренажера

В работах [84] рассматриваются проблемы разработки компьютерных тренажеров для обучения технологическим процессам.

В статье [33, 84, 104, 109] рассматриваются существующие компьютерные тренажеры и способы их улучшения для обучения сотрудников технологических процессов нефтегазовой отрасли. Процесс проектирования компьютерного тренажера для обучения операторов условно распределяются на три этапа:

1. Разработка приближенной модели технологического процесса.

2. Формирование базы данных с предельными значениями параметров процесса (значения которых должны описывать всю область допустимых значений для технологического процесса) для оптимизации работы компьютерного тренажера.

3. Формирование методики обучения операторов.

В работе также отмечается, что построение грамотной модели технологического процесса начинается с автоматизированного построения концептуальной модели предметной области и идет «от задачи» или множества задач, определяющих назначение и функционал разработки (например, от целей обучения проектированию автоматизированных систем управления технологическими процессами). Автор отмечает, что на данном этапе необходимо проанализировать обязательные положения, регламентированные государственным образовательным стандартом.

В работах [104, 33] отмечается также, что помимо разработки в области моделирования процессов в динамике и создания пользовательских интерфейсов немаловажным аспектом разработки компьютерных тренажеров являются когнитивные исследования процессов формирования и переноса навыков - человеко-машинного взаимодействия и восприятия информации человеком от технических систем. Поэтому при разработке компьютерного тренажера становится актуальным вопрос адаптации разработанных сценариев к индивидуальным возможностям и особенностям обучающегося на основе моделей восприятия и поведения.

В работе [109] рассматривается разработка виртуального тренажера-имитатора работы трубчатой печи для повышения профессиональных навыков сотрудников предприятий нефтегазовой отрасли. Отмечается, что использование тренажеров позволяет уберечь от опасности персонал, не затрачивая инфраструктуру оборудования. Обращается внимание на то, что основными недостатками методов обучения без компьютерных тренажеров являются абстрактная теоретическая информация, не пригодная в полной мере для развития практических навыков, слишком длительное обучение не имеющего достаточного опыта работы сотрудника, выполнение им не положенных по рабочим инструкциям функций, а обучение в отрыве от производства. При непосредственной разработке компьютерного тренажера управления трубчатыми печами отдельное внимание уделяется графическому оформлению тренажера для более эффективного усвоения инфор-

мации обучающимся.

Как отмечается в работах [74, 52, 40, 29], дополнительные трудности разработки тренажеров заключаются в таких аспектах, как:

1. Ограниченность средств визуального построения виртуальных тренажеров, как правило, одной предметной областью.

2. Отсутствие возможности у представителей ряда предметных областей самостоятельно разрабатывать тренажеры ввиду необходимости иметь хорошие навыки программирования.

3. Несовершенство методов построения математических моделей, лежащих в основе компьютерно-тренажерного комплекса.

4. Необходимость адаптации тренажера как сложного технического изделия под нужды учебного процесса и реализации подходящих методик обучения.

5. Необходимость настройки и конфигурирования учебных тренажеров с учетом индивидуальных требований и специфики того или иного вуза.

6. Привлечение экспертов предметной области только в качестве консультантов, а не полноправных участников в процессе разработки тренажера.

В работе [74] также отмечается, что автоматизированные системы, базирующиеся на использовании компьютерных тренажеров, по функционалу делятся на отдельные подсистемы, такие как:

1. Подсистема создания виртуальных тренажеров.

2. Подсистема воспроизведения виртуальных тренажеров.

В работе [1] обращается внимание на то, что для повышения эффективности разработки компьютерного тренажера технологического процесса (на примере химико-технологических процессов) особое внимание необходимо уделять визуализации построения и чтения элементов тренажера. Для решения этой проблемы авторы предлагают использовать метод графических моделей с построением линейных схем потоков, а также отдельных единиц оборудования и связей между

ними с характерными для них символами и знаками, которые впоследствии выстраиваются на схемах потоков технологического процесса.

Как показал анализ литературы, немаловажным аспектом разработки компьютерных тренажеров также являются предъявляемые к ним педагогические требования, обусловленные предназначением подобных технических комплексов, а именно обучение операторов технологическому процессу. В работах [84, 52] отмечается необходимость решения следующих проблем при разработке компьютерного тренажера:

1. Определение требований нормативных документов по направлению подготовки, для которого проектируется тренажер.

2. Определение целей обучения, планируемых практических навыков и знаний посредством использования тренажера.

3. Определение методик обучения операторов.

4. Разработка системы оценивания результатов обучения.

5. Разработка методов, форм, видов обучения.

6. Разработка средств обучения (в том числе, учебно-методического обеспечения процесса обучения).

Вопросы управления требованиями и проектирования информационных систем регулируются рядом руководящих документов, среди которых ГОСТ Р ИСО/МЭК 12207-2010 "Информационная технология. Системная и программная инженерия. Процессы жизненного цикла программных средств" [26]. Рассмотрим его основные положения, относящиеся к проблематике настоящего исследования:

1. Процесс определения требований правообладателей направлен на обеспечение предоставления услуг, необходимых как пользователям системы, так и другим правообладателям в текущей среде применения.

Похожие диссертационные работы по специальности «Автоматизация и управление технологическими процессами и производствами (по отраслям)», 05.13.06 шифр ВАК

Список литературы диссертационного исследования кандидат технических наук Коцюба, Игорь Юрьевич, 2018 год

СПИСОК ЛИТЕРАТУРЫ

Источники на русском языке

1. Абызгильдин А.Ю., Альмухаметов Е.О., Руднев Н.А. Разработка компьютерных тренажеров технологических процессов // Электронный научный журнал «Нефтегазовое дело». - 2004. - №2. - С. 3-9.

2. Артемова Г.О., Гусарова Н.Ф., Коцюба И.Ю. Применение нечетких когнитивных карт для поддержки принятия решений при разработке рабочего учебного плана высшего учебного заведения на основе учебного плана // Открытое образование. - 2014. - №2. - С. 66-71.

3. Артемова Г.О., Гусарова Н.Ф., Коцюба И.Ю. Система поддержки принятия решений при разработке учебного плана вуза, основанная на применении нечетких когнитивных карт // Дистанционное и виртуальное обучение. - 2014. - №3. - С. 108-119.

4. Артемова Г.О., Гусарова Н.Ф., Коцюба И.Ю. Методика поддержки принятия решений при разработке индивидуального учебного плана студента высшего учебного заведения, основанная на применении нечетких когнитивных карт // Инновации в образовании. - 2014. - №9. - С. 147-160.

5. Артемова Г.О., Гусарова Н.Ф., Коцюба И.Ю. Алгоритмизация разработки онтологий в сфере образования на основе промежуточных моделей с процедурой их оптимизации // Компьютерные инструменты в образовании. -2015. - №2. - С. 14-24.

6. Артемова Г.О., Гусарова Н.Ф., Коцюба И.Ю. Автоматизация поддержки принятия решений при разработке онтологий в сфере образования на основе промежуточных моделей // Открытое образование. - 2015. - №5. - С. 4-10.

7. Барчук А.А., Подольский М.Д., Беляев А.М., Коцюба И.Ю., Гусарова

Н.Ф., Трофимов В.А., Виноградов П.Д., Гайдуков В.С., Кузнецов В.И., Мера-бишвили В.М., Барчук А.С., Атрощенко А.В., Харитонов М.В., Нефедова А.В., Комаров Ю.И., Арсеньев А.И., Канаев С.В., Тараканов С.А. Автоматизированная диагностика в популяционном скрининге рака легкого // Вопросы онкологии. - 2017. - №2. - С. 215-220.

8. Барчук А.А., Подольский М.Д., Тараканов С.А., Коцюба И.Ю., Гайдуков В.С., Кузнецов В.И., Мерабишвили В.М., Барчук А.С., Левченко Е.В., Филочкина А.В., Арсеньев А.И. Автоматизированная идентификация, интерпретация и классификация очаговых изменений в легких на изображениях, полученных при компьютерной томографии, для проведения скрининга рака легких // Вопросы онкологии. - 2015. - №6. - С. 913-919.

9. Башмаков И.А., Рабинович П.Д. Анализ моделей семантических сетей как математического аппарата представления знаний об учебном материале // Справочник. Инженерный журнал. №7. 2002. С.55-60.

10. Болонский процесс: Результаты обучения и компетентностный подход (книга - приложение 1) \ Под науч. ред. д-ра пед. наук, профессора В.И. Бай-денко - М.: Исследовательский центр проблем качества подготовки специалистов, 2009. - 536 с.

11. Бьюзен Т. и Б. Супермышление. Пер. с англ. Мн.: Изд. ООО «Попурри», 2003. - 304 с.

12. Вайнштейн Ю.В., Шершнева В.А., Есин Р.В., Зыкова Т.В. Адаптация математического образовательного контента в электронных обучающих ресурсах // Открытое образование. - 2017. - №4. - С. 4-12.

13. Вагин Р.Н. Разработка компьютерных тренажеров-симуляторов // Молодежь и наука: сборник материалов К Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых с международным участием, посвященной 385-летию со дня основания г. Красноярска [Электронный ресурс]. — Красноярск: Сибирский федеральный ун-т, 2013. — Ре-

жим доступа: http://conf.sfu-kras.ru/sites/mn2013/section111.html.

14. Валькман Ю.Р., Хала Е.А. Проектирование онтологии для правовой предметной области на основе текстового контента с использованием нечёткой логики // Онтология проектирования. - 2014. - №2. - С. 19-39.

15. Гаврилова Т.А., Горовой В.А., Болотникова Е.С. Субъективные методы оценки онтологий // Материалы Всероссидокой конференции с международным участием. Знания — Онтологии — Теории (ЗОНТ-09), 2009. - С. 178187.

16. Гаврилова Т.А., Гулякина Н.А. Визуальные методы работы со знаниями: попытка обзора. Искусственный интеллект и принятие решений. -2008. - № 1. - С. 15-21.

17. Гаврилова Т.А., Лещева И.А., Кудрявцев Д.В. Использование моделей инженерии знаний для подготовки специалистов в области информационных технологий. Системное программирование. - 2012. - Т.7. №1. - С. 90-105.

18. Гаврилова Т.А., Лещева И.А., Страхович Э.В. Об использовании визуальных концептуальных моделей в преподавании. Вестник Санкт-Петербургского университета. Серия 8: Менеджмент. - 2011.- № 4. - С. 124150.

19. Галямов А.Ф., Попов Д.В. Поддержка принятия решений при управлении процессом формирования компетенций // Современные проблемы науки и образования. - 2012. - №3. - С. 98-107.

20. Гамма Э., Хелм Р., Джонсон Р., Влиссидес Дж.. Приемы объектно-ориентированного проектирования. Паттерны проектирования = Design Patterns: Elements of Reusable Object-Oriented Software. — СПб.: «Питер», 2007. — С. 366. — ISBN 978-5-469-01136-1.

21. Глазнев М.Ю., Гусарова Н.Ф., Коцюба И.Ю., Рябчиков И.А., Сергеева М.В. Сравнительный анализ методов классификации легочных узлов по изображениям компьютерной томографии // Оптический журнал. - 2017. - №1. -

С. 58-68.

22. Гончаренко В.И., Лобанов И.А., Кублик Е.И., Губин А.Н. Совершенствование тренажерных комплексов различного назначения посредством реализации интеграционных компонентов виртуальной семантической среды // Труды XVI международной молодёжной конференции "Системы проектирования, технологической подготовки производства и управления этапами жизненного цикла промышленного продукта (CAD/CAM/PDM-2016)". - М.: ООО "Аналитик", 2016. - С. 76-78.

23. Горбунова О. Ю. Экспериментальная проверка эффективности формирования профессиональной переводческой компетентности будущего лингвиста в предметной области автомобилестроения на основе тезаурусного подхода // Вектор науки Тольяттинского государственного университета. Серия: Педагогика, психология. - 2016. - №2. - С. 27-34.

24. Горелова Г.В., Мельник Э.В. О возможности анализа и синтеза структур отказоустойчивых распределенных информационно-управляющих систем, основанных на когнитивном подходе. Искусственный интеллект. 2008. с. 638-644.

25. Горлушкина Н.Н., Коцюба И.Ю., Хлопотов М.В. Задачи и методы интеллектуального анализа образовательных данных для поддержки принятия решений // Образовательные технологии и общество. - 2015. - №1. - С. 472482.

26. ГОСТ Р ИСО/МЭК 12207-2010 // Федеральное агентство по техническому регулированию и метрологии [Электронный ресурс]. URL: http://protect.gost.ru/document. aspx?control=7&id= 176990 (дата обращения: 31.08.2018).

27. Государственная программа Российской Федерации «Развитие образования» на 2013-2020 годы: [утверждена распоряжением Правительства РФ от 18.04.2014 № 295] [Электронный ресурс]. URL:

http://base.garant.ru/70643472/ (дата обращения:31.08.2018).

28. Грибова В. В., Петряева М. В., Федорищев Л. А. Компьютерный обучающий тренажер с виртуальной реальностью для офтальмологии // Открытое образование. - 2013. - №6. - С. 45-51.

29. Грибова В.В., Федорищев Л.А. Разработка и генерация виртуальных сред на основе семантических представлений // OSTIS-2015 (Open Semantic Technologies for Intelligent Systems). - Минск: 2015. - С. 183-186.

30. Гриншпун Д.М., Коцюба И.Ю. Концепция воспитательной работы в рамках подготовки технических специалистов в системе среднего профессионального образования на базе вуза // Инновации в образовании. - 2016. -№9. - С. 138-146.

31. Данилова О. В., Синица К. М., Мартынов Д. В. Использование компе-тентностного подхода при создании учебного он-лайн курса ELTEC // Образовательные технологии и общество. - 2008. - №3. - С. 351-367.

32. Денисова И.Ю., Макарычев П.П. Онтологическое исследование процесса электронного обучения и проектирование средств поддержки // Онтология проектирования. - 2012. - №4. - С. 61-72.

33. Дозорцев В.М. Компьютерные тренажеры для обучения операторов технологических процессов: Теория, методология построения и использования: дис. ... д-р техн. наук: 05.13.01. - М., 1999. - 442 с.

34. Дорохова О.Е. Семантические модели компетенций в адаптивной системе автоматизированного обучения // Современные проблемы науки и образования. - 2015. - №3. - С. 434-443.

35. Европейские публикации по вопросам написания результатов обучения. Материалы отчета по проекту № 11286 «Сравнительный анализ опыта разработки компетентностно-ориентированных образовательных программ в вузах РФ и ведущих европейских странах» / Исслед. центр проблем качества подготовки специалистов МИСиС, 2008. URL:

http://main.isuct.ru/files/edu/umu/publ_result_obucheniya.pdf (дата обращения: 26.08.2018).

36. Ерохин Д.В. Моделирование инновационного механизма предприятия с применением нечетких когнитивных карт / Д.В.Ерохин, Д.Г.Лагерев, Е.А.Ларичева, А.Г.Подвесовский // Менеджмент в России и за рубежом. -2006. - № 3. - С. 95-111.

37. Закон №273-Ф3 «Об образовании в Российской Федерации» : [федеральный закон: Принят Государственной Думой 21 декабря 2012 года от 29.12.2012 N 273-ФЗ (действующая редакция, 2016)] [Электронный ресурс]. URL: http://www.consultant.ru/document/cons_doc_LAW_140174 (дата обращения: 22.08.2018)

38. Захарова А.С., Глызин А.А. Нечеткое когнитивное моделирование слабоформализуемых систем и процессов // Фундаментальные исследования. - 2014. - №9. - С. 511-515.

39. Зимняя И.А. Формирование и оценка сформированности социальных компетентностей у студентов вузов при освоении нового поколения ООП ВПО: Образовательный модуль. Для программы повышения квалификации преподавателей вузов в области проектирования ООП, реализующих ФГОС ВПО. - М.: Исследовательский центр проблем качества подготовки специалистов, 2010. - 42 с.

40. Иващенко А.В., Горбаченко Н.А. Сценарная онтология учебного си-мулятора // Известия Самарского научного центра Российской академии наук. - 2016. - №4. - С. 720-725.

41. Ишкильдин Р.Р. Автоматизация разработки имитаторов и тренажеров для систем управления установками подготовки природного газа: дис. ... к. т. н.: 05.13.06. - Уфа, 2018. - 265 с.

42. Кайсарова Д.В., Коцюба И.Ю., Жогина В.А. Приложение для создания тестовых заданий в формате интеллект-карт // Дистанционное и виртуальное

обучение. - 2013. - №10. - С. 59-63.

43. Кайсарова Д.В., Коцюба И.Ю. Использование интеллект-карт для длительного наблюдения за процессом усвоения обучающимися содержания дисциплины // Дистанционное и виртуальное обучение. - 2014. - №4. - С. 101-105.

44. Кайсарова Д.В., Коцюба И.Ю. Использование интеллект-карт для формирования междисциплинарных связей // Дистанционное и виртуальное обучение. - 2014. - №11. - С. 117-122.

45. Кайсарова Д.В., Коцюба И.Ю. Использование электронных лексических карт в рамках преподавания дисциплины «Иностранный язык в профессиональной сфере» студентам технических направлений подготовки // Дистанционное и виртуальное обучение. - 2015. - №7. - С. 22-30.

46. Карпенко А.П. Меры важности концептов в семантической сети онтологической базы знаний. Наука и образование: электронное научно-техническое издание. - 2010.- №7. - С. 1-12.

47. Касти Дж. Большие системы. Связность, сложность, катастрофы/ Дж.Касти. - М.: Мир, 1982.

48. Клещев А.С., Черняховская М.Ю., Шалфеева Е.А. Парадигма автоматизации интеллектуальной профессиональной деятельности. Часть 1. Особенности интеллектуальной профессиональной деятельности // Онтология проектирования. - 2013. - №3. - С. 53-69.

49. Клещев А.С., Черняховская М.Ю., Шалфеева Е.А. Парадигма автоматизации интеллектуальной профессиональной деятельности. Часть 2. Автоматизация отрасли // Онтология проектирования. - 2013. - №4. - С. 28-41.

50. Когнитивные образовательные технологии XXI века // Сайт М.Е. Бершадского URL: http://bershadskiy.ru/ (дата обращения: 28.08.2018).

51. Козлов Ф.А. Методы агрегирования и анализа данных в системах электронного обучения с использованием семантических технологий: дис. ...

к. т. н.: 05.13.06. - СПб, 2015. - 121 с.

52. Котелева Н.И., Шабловский И.Е., Кошкин А.В. Компьютерные тренажеры для обучения операторов технологических процессов нефтегазовой отрасли: анализ существующих решений и пути их усовершенствования // Записки Горного института. - 2011. - С. 212-215.

53. Коцюба И.Ю. Проектирование информационной системы поддержки разработки учебных проектов, создаваемых с использованием интеллект-карт // Информационные технологии в области науки и техники: материалы X открытой научно-практической конференции учащихся, студентов и аспирантов / ГБОУ ЦО "СПбГДТЮ". - СПб., 2012. - С. 80-82.

54. Коцюба И.Ю. Оценка связности учебных дисциплин для поддержки принятия решений при разработке учебного плана в вузе с применением q-анализа // Труды XXI Всероссийской научно-методической конференции Телематика'2014.-СПб: 2014. - С. 85.

55. Коцюба И.Ю. Автоматизация процесса разработки учебного плана для вуза с применением нечетких когнитивных карт // Аннотированный сборник научно-исследовательских выпускных квалификационных работ магистров Университета ИТМО. - СПб: Университет ИТМО, 2014.-С. 485-487.

56. Коцюба И.Ю. Алгоритмизация поддержки принятия решений при разработке образовательных траекторий студентов вузов на основе промежуточных моделей онтологий // Сборник тезисов докладов конгресса молодых ученых. Электронное издание. - СПб: Университет ИТМО, 2015. - С. 22-24.

57. Коцюба И.Ю., Артемова Г.О. Система поддержки принятия решений при разработке рабочего учебного плана высшего учебного заведения, основанная на применении когнитивных карт // Сборник тезисов докладов конгресса молодых ученых. - СПб: СПбНИУ ИТМО, 2013. - С. 8-9.

58. Коцюба И.Ю., Артемова Г.О. Управление разработкой учебного плана ВУЗа с использованием нечетких когнитивных карт // Альманах научных ра-

бот молодых ученых. - СПб: СПбНИУ ИТМО, 2013. - С. 320-322.

59. Коцюба И.Ю., Артемова Г.О. Методы поддержки принятия решений при разработке рабочего учебного плана вуза с использованием нечетких когнитивных карт // Современное гуманитарное образование: традиции, инновации, перспективы: материалы международной научно-практической конференции. - СПб: ООО "Книжный Дом", 2013. - С. 101-104.

60. Коцюба И.Ю., Артемова Г.О. Применение нечетких когнитивных карт и методов оптимизации для разработки рабочего учебного плана высшего учебного заведения // Сборник трудов молодых ученых и сотрудников кафедры ВТ. - СПб: СПбНИУ ИТМО, 2013. - С. 29-31.

61. Коцюба И.Ю., Артемова Г.О., Гусарова Н.Ф. Особенности применения нечетких когнитивных карт и методов оптимизации при составлении вариативной части рабочего учебного плана высшего учебного заведения // Информационные технологии в области науки и техники: материалы XI открытой научно-практической конференции учащихся, студентов и аспиран-тов.-СПб: ГБОУ ЦО "СПбГДТЮ", 2013. - С. 48-50.

62. Коцюба И.Ю., Гальперин М.Я. Автоматизация процессов организации и проведения интеллектуальных игр в рамках образовательного процесса // Дистанционное и виртуальное обучение. - 2016. - №8. - С. 83-88.

63. Коцюба И.Ю., Гусарова Н.Ф. Автоматизация процесса разработки учебного плана вуза с применением нечетких когнитивных карт // Сборник тезисов докладов конгресса молодых ученых. - СПб: СПбНИУ ИТМО, 2014. - С. 14-15.

64. Коцюба И.Ю., Чунаев А.В., Береснев А.Д. Проблемы управления требованиями в проектах, реализуемых по стандарту ПГЬ // Сборник тезисов докладов конгресса молодых ученых. - СПб: СПбНИУ ИТМО, 2014. - С. 3233.

65. Коцюба И.Ю., Чунаев А.В., Шиков А.Н. Основы проектирования ин-

формационных систем. - СПб: Университет ИТМО, 2015. - 205 с.

66. Коцюба И.Ю., Чунаев А.В., Шиков А.Н. Методы оценки и измерения характеристик информационных систем. - СПб: Университет ИТМО, 2016. -264 с.

67. Коцюба И.Ю., Шиков А.Н. Метод анализа усвоения материала учащимися с использованием интеллект-карт // Сборник научных трудов Международной научно-практической конференции «Современные тенденции в образовании и науке». - Тамбов: ТРОО "Бизнес-Наука-Общество", 2013. - С. 88-89.

68. Коцюба И.Ю., Шиков А.Н. Автоматизированный анализ интеллект-карт учащихся, применяемых для оценки усвоения учебного материала // Педагогическая информатика. - 2014. - №3. - С. 25-31.

69. Коцюба И.Ю., Шиков А.Н. Интеллект-карты как средство е-дидактики в компьютерных технологиях обучения // Образовательные технологии и общество. - 2015. - №1. - С. 600-611.

70. Лаптев В.В. Модель предметной области и оценка ее сложности в обучающей системе по программированию. Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. - 2010. - № 2. - С. 35-44.

71. Левашова Т.В., Пашкин М.П. Онтологический подход к конфигурированию продуктов операторов сотовой связи для абонентов // Научный вестник НГТУ. - 2016. - №2. - С. 99-114.

72. Лисицына Л.С., Лямин А.В., Шехонин А.А. Разработка рабочих программ дисциплин (модулей) в составе основных образовательных программ, реализующих ФГОС ВПО. Методическое пособие. СПб: СПбГУ ИТМО, 2011. - 63 с.

73. Мамонтова М.Ю. Интеллект-карта как средство оценивания качества знаний обучающихся: возможности и ограничения структурно-

информационного подхода // Педагогическое образование в России. - 2017. -№6. - С. 83-91.

74. Матлин А.О. Автоматизация процесса создания виртуальных тренажеров: дис. ... к. т. н.: 05.13.12. - Волгоград, 2012. - 143 с.

75. Михалев А.И., Новикова Е.Ю. Нечетко - когнитивный подход в задаче управления процессом выплавки FESI // "АСАУ". - 2006. - №9. - С. 133139.

76. Морозова О.И., Соколов А.Ю., Хуссейн В.М. Метод нечеткого структурного анализа онтологий // Система обработки информации. - 2010. - №5.

- С. 104-107.

77. Муромцев Д.И., Баландин Е.А., Катков Ю.В., Починок И.Н. Опыт использования онтологий верхнего уровня при проектировании базы знаний музея оптических технологий // Материалы второй Всероссийской конференции с международным участием «Знания-Онтологии-Теории» (ЗОНТ-09)

- 2009. - Т. 1. - С. 165-172

78. Назаренко Г.И., Осипов Г.С. Основы теории медицинских технологических процессов. Ч. 1. - М.: ФИЗМАТЛИТ. 2005. - 144 с.

79. Нгуен В. Н. Методы и алгоритмы структуризации образовательного контента и управления процессом электронного обучения персонала предприятий на основе графовых моделей: дис. ... к. т.н.: 05.13.01. - Новочеркасск, 2016. - 257 с.

80. Нечеткие деревья решений // BaseGroup Labs: технологии анализа данных URL: https://basegroup.ru/community/articles/fuzzy-dtrees (дата обращения: 26.08.2018).

81. Никитина Л.Н., Шиков П.А., Коцюба И.Ю., Чунаев А.В. Алгоритм оценки инновационного потенциала малых инновационных предприятий на основе KPI // Экономика и предпринимательство. - 2016. - №12-3. - С. 804810.

82. Норенков И.П., Соколов Н.К. Синтез индивидуальных маршрутов обучения в онтологических обучающих системах. Информационные технологии. - 2009 - № 3 - С. 74-77.

83. Основы автоматизации технологических процессов и производств: учебное пособие : в 2 т. / [Г. Б. Евгенев и др.] ; под ред. Г. Б. Евгенева. — М: Издательство МГТУ им. Н. Э. Баумана, 2015. - Т. 1. Информационные модели.

84. Панфилов А.Э. Конструирование виртуальных технологических процессов для системы компьютерной поддержки подготовки инженеров-системотехников: дис. ... к. т.н.: 05.13.10. - Астрахань, 2006. - 128 с.

85. Петряева М. В., Черняховская М. Ю. Острый панкреатит в формальном представлении для банка знаний медицинской диагностики // Информатика и системы управления. - 2011. - №3. - С. 96-103.

86. Петунин О. В. Тезаурус как методологическое основание для конструирования тезаурусного поля педагогической проблемы // Знание. Понимание. Умение. - 2008. - №4. - С. 50-53.

87. Пирская А.С. Автоматизация управления образовательными траекториями студентов на основе результатов освоения компетенций ФГОС ВПО: автореф. дис. ... к. т.н.: 05.13.06. - СПб, 2012. - 18 с.

88. Пискунова Т.А. Применение интеллектуального анализа данных для создания системы решающих правил // Материалы XIII Всероссийской научно-практической конференции «Технологии Microsoft в теории и практике программирования». - Томск: 2016. - С. 90-92.

89. Прахова М.Ю., Краснов А.Н., Хорошавина Е.А. Анализ методов диагностирования гидратообразования в шлейфах // Электронный научный журнал «Нефтегазовое дело». - 2017. - №1. - С. 77-94.

90. Пушкарева Т. П. Формирование интегрированного тезауруса как результат обучения математике // Вестник КГПУ им. В.П. Астафьева. - 2012. -

№2. - С. 132-137.

91. Сагайда П.И. Информационная технология и программно-методический комплекс для моделирования сложных объектов проектирования с использованием нечетких когнитивных карт // Вестник Донбасской государственной машиностроительной академии. - 2013. - №2. - С. 50-58.

92. Силич М.П., Гуцалова Т.Ю. Онтология задач информационной системы «Анализ энергоэффективности территориальных образований» // Проблемы и достижения в науке и технике / Сборник научных трудов по итогам международной научно-практической конференции. - Омск: 2014. - 31 с.

93. Силич М. П., Силич В. А., Аксенов С. В. Анализ энергетической эффективности территорий на основе иерархии гибридных когнитивных карт // Известия ТПУ. - 2013. - №5. - С. 26-32.

94. Силов В.Б. Принятие стратегических решений в нечеткой обстановке. - М.: ИНПРО-РЕС, 1995.

95. Скляренко А. Н. Технология формирования компетенций в процессе реализации учебной программы дисциплины // Научные исследования в образовании. - 2011. - №3. - С. 12-20.

96. Смирнова Г.И. Об эффективности применения тезаурусного подхода в преподавании дисциплины «Современные средства оценивания результатов обучения» // Вестник Башкирского университета. - 2008. - №4. - С. 11251128.

97. Смирнова Г.И. Словник дисциплины «Современные средства оценивания результатов обучения» // Известия РГПУ им. А.И. Герцена. - 2009. -№94. - С. 209-213.

98. Соловов А.В. Электронное обучение: проблематика, дидактика, технология. - Самара: «Новая техника», 2006. - 462 с.

99. Тарасов В.Б., Калуцкая А.П., Святкина М.Н. Гранулярные, нечеткие и лингвистические онтологии для обеспечения взаимопонимания между когни-

тивными агентами // OSTIS-2012 (Open Semantic Technologies for Intelligent Systems). - Минск: 2012. - С. 267-278.

100. Титенко С.В. Онтологически-ориентированная система управления контентом информационно-учебных Web-порталов // Образовательные технологии и общество. - 2012. - №3. - С. 522-530.

101. Уваров А.Н. Подход к описанию обстановки в информационно-измерительных системах // Инновации в информационно-аналитических системах. - 2014. - №3. - С. 25-31.

102. Учебная задача как дидактическая категория // Сайт академика РАО Новикова А.М. URL: http://www.anovikov.ru/ (дата обращения: 26.08.2018).

103. Федеральная целевая программа развития образования на 2011-2015 годы: [утверждена распоряжением Правительства РФ от 7.02.2011 № 163-p] [Электронный ресурс]. URL: http://www.garant.ru/products/ipo/prime/doc/55070647 (дата обраще-ния:31.08.2018).

104. Филатова Н.Н., Вавилова Н.И. Проектирование мультимедиа тренажеров на основе сценарных моделей представления знаний // Образовательные технологии и общество. - 2000. - №3 (4). - С. 193-202.

105. Фотеева В. Н. Онтология учебного плана как основа АИС проектирования образовательных программ. Инженерия знаний и технологии семантического веба. - 2010. - № 1. - С. 64-68.

106. Хлопотов М.В., Коцюба И.Ю. Методы интеллектуального анализа данных для мониторинга и диагностики качества образования // Дистанционное и виртуальное обучение. - 2014. - №5. - С. 18-25.

107. Шахгельдян К.И. Теоретические принципы и методы повышения эффективности автоматизации образовательных учреждений на основе онтологического подхода: автореф. дис. ... доктора техн. наук. - Москва, 2009.

108. Швецов А.Н. Агентно-ориентированные системы: от формальных мо-

делей к промышленным приложениям / Всероссийский конкурсный отбор обзорно-аналитических статей по приоритетному направлению "Информационно-телекоммуникационные системы", 2008. - 101 с.

109. Юхин Е.Г., Кошелев Н.А., Хафизов А.М., Малышева О.С. Разработка виртуального тренажера-имитатора работы трубчатой печи для повышения профессиональных навыков сотрудников предприятий нефтегазовой отрасли // Фундаментальные исследования. - 2015. - №12. - С. 970-974.

Источники на английском языке

110. Araujo R. B., Rocha R. V., Campos M. R., Boukerche A. Creating emergency management training simulations through ontologies integration // The 11th IEEE International Conference on Computational Science and Engineering. 16-18 July 2008. - 373-378 pp.

111. Bingham, J. (1999), Guide to Developing Learning Outcomes. The Learning and Teaching Institute Sheffield Hallam University, Sheffield: Sheffield Hallam University.

112. Bloom, B.S. (1975) Taxonomy of Educational Objectives, Book 1 Cognitive Domain. Longman Publishing.

113. Burton-Jones, A., Storey, V., Sugumaran, V., Ahluwalia, P. A semi-otic metrics suite for assessing the quality of ontologies, Data & Knowledge Engineering, v.55 n. 1, p.84-102, 2005.

114. Casali, A., Deco, C., Romano, A., Tome, G. 2013. An assistant for loading learning object metadata: an ontology-based approach. IJELL, 9 (2013), 77-87.

115. Y.-L. Chi. Ontology-based curriculum content sequencing system with semantic rules. Expert Systems with Applications, 36 (2009) 7838-7847.

116. K.-K. Chu, Ch.-I Lee Ontology-based concept map assistant learning system with rule-based reasoning mechanism // International Journal of e-Education, e-Business, e-Management and e-Learning, Vol. 3, No. 3, June 2013.

117. H. Chung, J.-M. Kim Learning Ontology Design for Supporting Adaptive Learning in eLearning Environment // 2012 International Conference on Information and Computer Networks (ICICN 2012).

118. Dave, R. H. (1970). Developing and Writing Behavioural Objectives. (R J Armstrong, ed.) Tucson, Arizona: Educational Innovators Press.

119. Duque-Ramos, A., Fernandez-Breis, J.T., Iniesta, M., Dumontier, M., Aranguren, M.E., Schulz, S., Aussenac-Gilles, N., Stevens, R. 2013. Evaluation of the OQuaRE framework for ontology quality. Expert Systems with Applications, 40 (2013), 2696-2703.

120. Elz A., Beache G.M., Gimel'farb G., Suzuki K., Okada K., Elnakib A., Soliman A., Abdollahi B. Computer-aided diagnosis systems for lung cancer: challenges and methodologies // International Journal of Biomedical Imaging. 2013. P. 1-46.

121. Gangemi, A., Catenacci, C., Ciaramita, M., Lehmann, J., Modelling ontology evaluation and validation, Proceedings of the 3rd European conference on The Semantic Web: research and applications, June 11-14, 2006, Budva, Montenegro.

122. Gavrilova T., Gladkova M. Big data structuring: the role of visual models and ontologies. Procedia Computer Science, 31 (2014), 336-343.

123. Glaznev M.Yu., Gusarova N.F., Kotsyuba I.Yu., Ryabchikov I.A., Sergeeva M.V. Comparative analysis of methods for classifying pulmonary nodules from computer-tomography images // Journal of Optical Technology. - 2017. - №1. - C. 41-48.

124. D. Gorecky, M. Loskyll, Ch. Stahl Semantic Digital Factory - Using Engineering Knowledge to Create Ontologies for Virtual Training // Proceedings

of the 19th World Congress The International Federation of Automatic Control. -Cape Town, South Africa: August 24-29, 2014. - C. Volume 47, Issue 3, 2014, Pages 7825-7830.

125. S. A. Gray, E. Zanre, S. Gray. Fuzzy cognitive maps as representations of mental models and group beliefs // Fuzzy Cognitive Maps for Applied Sciences and Engineering. 2014. - C. 29-48.

126. V. P. Gurupur, U. Sakoglu, G. P. Jain, U. J. Tanik Semantic requirements sharing approach to develop software systems using concept maps and information entropy: A Personal Health Information System example // Advances in Engineering Software 70 (2014) 25-35.

127. ISO/IEC 25000:2005 Software Engineering-Software product Quality Requirements and Evaluation (SQuaRE)-Guide to SQuaRE.

128. Jin, L., et al. (1997). Role explication of simulation in intelligent training systems by training task ontology. In: Proc. Of AIED97

129. Jonassen D. H. Designing constructivist learning environments // Instructional design models and strategies/ Ed. by C.M. Reigeluth. 2nd ed. Mahwah, NJ: Lawrence Eribaum, 1998.

130. A. Kalou, G. Solomou, Ch. Pierrakeas, A. Kameas An Ontology Model for Building, Classifying and Using Learning Outcomes // 2012 IEEE 12th International Conference on Advanced Learning Technologies.

131. Kontopoulus, E., Vrakas, D., Kokkoras, F., Bassiliades, N., Vlahavas, I. 2008. An ontology-based planning system foe e-course generation. Expert Systems and Applications, 35 (2008), 398-406.

132. Kosko B. Fuzzy Cognitive Maps // International Journal of Man-Machine Studies. - 1986

133. A. Kouneli, G. Solomou, C. Pierrakeas, A. Kameas Modeling the Knowledge Domain of the Java Programming Language as an Ontology. Advances in Web-Based Learning - ICWL 2012: 11th International Conference, Sinaia, Ro-

mania, September 2-4, 2012. Proceedings (pp.152-159)

134. K. Liu, L. Sun, Y. Fu Ontological modelling of content management and provision // Information and Software Technology. - 2008. - №50.-pp. 11551164.

135. Mamontova M., Starichenko B., Novoselov S., Kusova M. Use of Electronic Mind Maps For Creation Of Flexible Educational Information Environments // Smart Innovation, Systems and Technologies. - 2016. - T. 59. - P. 605-615.

136. E. I. Papageorgiou, K. E. Parsopoulos, C. S. Stylios, P. P. Groumpos, M. N. Vrahatis Fuzzy cognitive maps learning using particle swarm optimization // Journal of Intelligent Information Systems. - 2005. - №25:1. - C. 95-121.

137. C. Reise, G. Seliger Knowledge Based Systems For Planning Learning Outcomes In Manufacturing Engineering. Joint International IGIP-SEFI Annual Conference 2010, 19-20.09.2010

138. Roussey, C. and Pinet, F. and Ah Kang, M. and Corcho, Oscar. An Introduction to Ontologies and Ontology Engineering. In: «Ontologies in Urban Development Projects». Springer-Verlag. 2011

139. Segura, N.A., Salvador-Sanchez, Garcia-Barriocanal, E., Prieto, M. 2011. An empirical analysis of ontology-based query expansion for learning resource searches using MERLOT and the Gene ontology. Knowledge-based Systems, 24 (2011), 119-133.

140. G. Solomou, Ch. Pierrakeas, A. Kameas Characterization of Educational Resources in e-Learning Systems Using an Educational Metadata Profile // Journal of Educational Technology & Society. - 2015. - №18. - pp. 246-260.

141. Starr, R.R., Oliveira, J.M.P. 2013. Concept maps as the first step in an ontology construction method. Information Systems, 5 (2013), 771-783.

142. C. D. Stylios, P. P. Groumpos Modeling complex systems using fuzzy cognitive maps // IEEE Transactions on systems, man, and cybernetics—Part

A: Systems and humans. - 2004. - №1. - C. 155-162.

143. J. Qin, N. Hernández Ontological representation of learning objects: building interoperable vocabulary and structures // Proceedings of the 13th international conference on World Wide Web-Alternate Track Papers & Posters, WWW 2004, New York, NY, USA, May 17-20, 2004.

144. Sunjoo, Oh, Heon, Y. Yeom. 2012. A comprehensive framework for the evaluation of ontology modularization. Expert Systems with Application, 39 (2012), 8547-8556.

145. Tartir, S., Arpinar, I., Moore, M., Sheth, A., Aleman-Meza, B., OntoQA: metric-based ontology quality analysis, in: Proceedings of the Workshop on Knowledge Acquisition from Distributed, Autonomous, Semantically Heterogeneous Data and Knowledge Sources (KADASH), Citeseer, 2006.

146. Wang, Y., Bao, J., Haase, P. and Qi, G., Evaluating formalisms for modular ontologies in distributed information systems. 2007. Lecture Notes in Computer Science, 2007.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.