
- •Лекция № 5
- •5. Интеллектуальные обучающие системы (иос)
- •5.1 Анализ функциональных структур аос
- •5.2 Анализ моделей и методов организации адаптивного обучения в аос
- •Вопросы для самоконтроля
- •Лекция № 6
- •6. Исследование и разработка модели обучения навыкам алгоритмической природы (монап)
- •6.1 Психолого-педагогические основы построения модели обучения
- •6.2 Модель обучения навыкам алгоритмической природы (монап)
- •6.3 Идентификация умений обучаемого.
- •Вопросы для самоконтроля
6.3 Идентификация умений обучаемого.
В
предлагаемой модели обучения определение
осуществляется следующим образом. Для
каждой операции
вводится
N
гипотез
,
соответствующих N
состояниям обученности. Каждому i-му
состоянию обученности соответствует
условная вероятность
правильного применения операции yj
в каждом из Lj
ее применений, равная
.
Гипотезы
образуют полную группу несовместных
событий, т.е. имеет место:
,
(13)
где: Pij- вероятность гипотезы Hi для операции yj.
Число
состояний обученности зависит от
необходимой точности определения
состояния обученности. Значение N
задается
экспертом-педагогом и используется,
кроме того, для определения значения
равного
.
На
каждом шаге обучения наблюдается событие
,
состоящее в правильном применении j-й
операции
раз из
заданных.
Эта информация служит для перерасчета распределения вероятностей гипотез Pij с помощью формулы Бейеса.
Каждый
k-й
шаг обучения характеризуется априорным
и апостериорным распределениями
вероятностей гипотез о состояниях
обученности
и
,
связанных между собой следующей
зависимостью:
(14)
где:
-
определяется по теореме Бернулли, т.е.
(15)
где:
-
число сочетаний из
по
.
Учитывая, что априорное распределение вероятностей гипотез на k-м шаге совпадает с апостериорным распределением на (k-1)-м шаге, т.е. имеет место:
(16)
формулу (14) можно переписать в виде, который подчеркивает ее рекурсивный характер (учитывается вся история обучения), а именно:
(17)
Вероятность правильного применения операции yj на k-м шаге определяется по формуле полной вероятности:
(18)
Окончательная
оценка
получается приведением значения,
вычисленного по формуле, до введенных
состояний обученности.
Осуществление на k-м шаге обучения контроля ошибок и выдачи необходимых объяснений позволяет вести прогнозирование вероятности правильного применения операции yj на (k+1)-й шаг обучения:
(19)
где: V определяется следующим образом:
(20)
Прогнозирование вводится после первых двух шагов обучения.
Если имеет место:
(21)
то V приравнивается 1, так как обучающие воздействия не могут понижать уровень знаний обучаемого, тогда:
(22)
Использование
бейесовского подхода при идентификации
знаний, а также осуществление контроля
на аварийное окончание обучения
(обеспечиваемое хранением векторов
,
для каждого текущего k)
позволяет учитывать предысторию
обучения при формировании очередного
управляющего воздействия (учебного
задания). Таким образом, создается
основа для обеспечения максимальной
адаптации управления процессом обучения
к индивидуальным характеристикам
обучаемого.
Вопросы для самоконтроля
Перечислите этапы которые можно выделить в каждом шаге обучения.
Кем и как разрабатывается алгоритмическое предписание?
Для чего служит модель обучаемого?
Как описывается сложность задачи?
Как описывается трудность задач?
Как формализуется стабилизация трудности?
В чем заключается цель обучения?
Когда заканчивается обучение?
Чем вызвана необходимость использования системы неравенств для описания аварийного окончания?
Что дает использование бейесовского подхода?