Субъекты взаимодействия как целевая аудитория пользователей иор

Независимо от предметной специфики, предметная ИОС должна реализовывать следующие основные функции:

– оперативная доставка учебной информации обучающемуся;

– осуществление коммуникационной функции между всеми участниками учебного процесса и обратной связи с преподавателем;

– обеспечение индивидуальной и групповой самостоятельной работы.

В основе механизма саморегулирования учебного процесса в среде лежит прямая и обратная связь в системе «преподаватель – ИОР – студент». ИОР рассматривается нами как комплекс компонентов (блоков), который обеспечивает непосредственно взаимодействие субъектов ИОС и системную интеграцию ИОР в процесс обучения дисциплине.

Таким образом, составляющей взаимодействия в предметной ИОС являются обучающиеся, преподаватели и «внешние» участники учебного процесса, взаимодействие которых осуществляется с помощью современных телекоммуникационных средств. Информационно-знаниевые потоки (входящие, исходящие и внутрисредовые) представляют собой динамичную часть, объединяющую различные компоненты этой антропоцентрической системы в единое целое. Эти связи должны носить открытый, диалогический характер и обеспечивать взаимодействие участников учебного процесса между собой и с внешней средой. Необходимым условием должно стать свойство, отражающее адаптивность или интеллектуальную функциональность предметной обучающей среды.

В этой связи рассмотрим концептуальные основы сетевых моделей знаний.

Модели семантических сетей предметной области в контексте интеллектуальной функциональности предметной обучающей среды Обзор моделей семантических сетей

Для формализации предметной области рассмотрим основные модели семантических сетей.

Семантические сети – наиболее мощный класс математических моделей для представления знаний о предметной области (ПО), одно из важнейших направлений искусственного интеллекта. В настоящее время в научной литературе описано множество альтернативных представлений моделей семантических сетей. Они предназначены для решения разнообразных задач в различных ПО. В общем случае под семантической сетью понимаем выражение

S=(O, R₁, R₂, …, R_k),

где: O – множество объектов конкретной предметной области;

Ri|i=1,n – множество связей между объектами;

i –тип связи.

Среди моделей семантических сетей, разработанных в России в последние десятилетия, наибольшую известность получили: расширенные семантические сети И. П. Кузнецова (М1), неоднородные семантические сети Г. С. Осипова (М2), обобщенная модель представления знаний о предметной области А. И. Башмакова (М3) инечеткие семантические сети И. А. Перминова (М4).

Расширенные семантические сети И. П. Кузнецова

Расширенные семантические сети И. П. Кузнецова основываются на аппарате расширенных семантических сетей (PCC). Для устранения неоднородности обычных семантических сетей, возникающих с наличием кванторов, совокупностей объектов, связанных отношениями, отношений, связанных между собой отношениями и др., в PCC введены: вершины, соответствующие именам отношений и вершины связи, выполняющие роль «развязывающих» элементов. Вершина связи разрывает дугу сети и подсоединяется одним ребром к вершине-отношению, а другим ребром – к вершинам-объектам.

Множество вершин обозначим через D. Тогда элементарные фрагменты (ЭФ) PCC представляются в виде:

Очевидно, что ЭФ представляет K-местное отношение: D₀ – имя отношения; D₁,…,D_k объекты, участвующие в отношении; D_k+1 – обозначает всю совокупность объектов, участвующих в отношении связи, эта вершина называется с-вершиной ЭФ.

РСС может представлять наборы отношений связи, различные их ситуации, сценарии. Разные ЭФ обязаны иметь различные с-вершины, выполняющие роль обозначения своего ЭФ.

Формально описание РСС имеет вид:

Здесь имена отношений играют роль объектов и могут вступать в отношения. Этим определяется высокая однородность модели. С– вершина ЭФ Tk может входить в другие ЭФ, но не в роли с-вершины.

Множество вершин В разбито на 3 подмножества:

,

где G - распознанные компоненты, X – нераспознанные компоненты, E – специальные вершины.

,

где R – имена отношений (соответствуют D₀), A – объекты и их классы (понятия), t – true, f – false.

Для представления теоретико-множественных отношений вводятся вершины . Для представления арифметических выражений - . Для представления логических конструкций – . Для представления языка логики предикатов – . Для представления запросов в R введена вершина «?».

В [3] показано представление с помощью РСС нечетких категорий, различного рода неопределенностей, а также динамики изменения объектов и стратегии их поведения.

Важным аспектом анализируемой модели является представление в ней продукций. При этом левой и правой частям продукций ставятся в соответствие сетиTn₁ и Tn₂, а продукция записывается в видеTn₁ Tn₂.

Пусть: Р– специальная вершина модели РСС, соответствующая отношению причина – следствие; S - специальная вершина, соответствующая отношению часть – целое; V1, V2,…, Vm…. – с-вершины, представляющая ЭФ из сети Tn2; D₁ вершина, соответствующая левой части продукции в целом; D2- вершина, соответствующая правой части продукции в целом.

Тогда, подробная запись продукции принимает вид:

В свою очередь, продукции могут входить как в левые, так и в правые части других продукций. Таким образом, создаются металогические уровни на однородной основе. Для обработки информации, представленной с помощью РСС, использован принцип сопоставления по образцу в виде метода наложения двух сетей. В его основе лежат правила идентификации (означивания), позволяющие связывать вершины и сопоставлять сети в соответствии с законами логики. На основе модели РСС построен язык продукционного программирования Декл. Заметим, что в отличии от Пролога в языке Декл условная часть записывается слева, а следствие справа. И в обеих частях может быть множество ЭФ. Понятие ЭФ шире, чем предикат, за счет с-вершин. Металогический уровень Декл также организован иначе: продукции на нижнем уровне записываются как наборы ЭФ, которые могут обрабатываться продукциями. Процесс вычисления носит более гибкий характер за счет операторов активации и использования принципов магазинной памяти.

Неоднородные семантические сети Г. С. Осипова

Неоднородные семантические сети Г. С. Осиповарассматриваются как ориентированные графы с помеченными вершинами и ребрами. НС – это алгебраическая система.

, где D - семейство произвольных множеств - упорядоченные подмножества индексов из множества {1,…,n} – множество таких наборов будем называть типами; τ- множество типов .

Для каждого типа из τ строится декартово произведение множеств из D:

Индекс k_iназван типом декартова произведения. Для каждого D_ki указывается совокупность его подмножеств Δ_ki. Всякое Δ_ki названо событием типа . Δ – множество событий ; F – семейство функций . На множестве событий задано семейство отношений совместности событий. обратно кдля i=1,6.

R_iи специально сконструированы под определенные свойства модели НС: R₁ – частичный порядок; R₂ – нетранзитивно, рефлексивно, симметрично; R₃ – нетранзитивно,иррефлексивно в классе отношений совместности, симметрично; R4–транзитивно, иррефлексивно в классе отношений совместности, антисимметрично; R5 – транзитивно, рефлексивно, ассиметрично в классе отношений совместности; R6 – транзитивно, иррефлексивно, асимметрично в классе отношений совместности.

В [4] установлена связь между отношениями Rи типами сообщений и определены правила перевода и подстановки. Для моделирования рассуждений на неоднородных семантических сетях реализованы алгоритмы, основанные на использовании свойств отношений совместности и следования. Доказаны теоремы, устанавливающие связь между отношениями совместности и выполнимостью событий в различных состояниях НС.

Данная модель положена в основу системы прямого приобретения экспертных знаний SIMMER.

Обобщенная модель представления знаний о предметной области

Категориальным базисом модели М3является триада «вещь – свойство – отношение». Из обоснованного выбора такого базиса вытекают два принципа, положенные в основу М3: взаимообоснования и взаимоперехода, обеспечивающие высокий уровень однородности средств моделирования представления знаний о предметной области. Объекты предметной области в М3являются не базисными, а производными категориями. В зависимости от ситуаций, возникающих при решении прикладных задач, они могут выступать в роли вещей, свойств или отношений (принцип взаимоперехода). Это же относится к категориям свойств отношений.

Формальное описание уровня информационных структур М3базируется на следующих принципах:

1. Центральным элементов модели М3 является множество объектов. Каждый объект существует в трех различных формах: как вещь, как свойство и как отношение, причем только вещь может выделяться и рассматриваться самостоятельно.

2. Среди свойств вещи выделяются существенные (качества), без которых вещь существовать не может. Отношения, устанавливаемые по качествам вещей, называются внутренними.

3. Свойства вещей делятся на базовые (неструктурированные) и составные.

4. Для выражения обоснований предложены три способа.

5. Отношения, связывающие свойства и их вещи-носители подразделяются на классы, ассоциируемые с типами предикации свойств и отношений вещам. Каждое свойство или отношение, включенное в описание вещи, характеризуются рядом дополнительных признаков, отражающих:

а) интенсиональный аспект распределенности;

б) экстенсиональный аспект распределенности;

в) устойчивость принадлежности данного свойства или отношения в смысле его значимости, информированности, временных параметров и т.д.

На уровне информационных структур в М3 выделяется множество объектов {O_i}. Объект задается тройкой:где A_i – вещь, соответствующая объекту O_i; {P_ij}- множество свойств, соответствующих Oi; {R_ik } - множество отношений, соответствующих O_i. Структура определенности вещи Ai задается шестеркой:Ai={ Ni, PiAI, PiAH, PiP, RiH, RiA},где Ni- уникальное имя вещи; P_i A_i – нечеткое множество составных свойств, соответствующихродо-видовым отношениям между частями вещи; Pi AH – нечеткое множество составных свойств, соответствующих отношениям типа часть-целое между другими вещами, являющимися частями вещи Ai; Pi P– нечеткое множество базовых свойств; RiH- нечеткое множество внутренних отношений (между частями вещи Ai); RiA- нечеткое множество внешних отношений (между вещью Aiи другими объектами).

Каждое из нечетких множеств Xi, формирующих определенность вещи, образовано нечеткимисвойствами или отношениями Xij, принадлежность которых характеризуется парой показателей:значимостью µ M ( X ij) и информативностью µ I ( X ij) .

Показатель значимости выделяет наиболее важные свойства и отношения, исключение которых из описания вещи приводит к невозможности ее идентификации.

Показатель информативности, во-первых, отражает типичность свойства или отношения, соответствует устойчивости ассоциативных связей между ними и описываемой вещью и, во-вторых, характеризует внешнее проявление восприятия данного элемента описания (впечатляемость той или иной части образа).

Каждое из не четких свойств или отношений X задается парой:

, где X- описываемое свойство или отношение;I( X)–ссылка на объект, соответствующий свойству или отношению; B( X)- обоснование свойства или отношения. В свою очередь обоснование , где B ' ( X ) –выражение обоснования свойства или отношения X одним из трех стандартных способов; S ( X ) –распределенность свойства и отношения X; T ( X ) - временная метка свойства или отношения.

РаспределенностьS (X)задается критерием:

,

где q- качество распределенности (либо положительное, либо отрицательное: отражает принадлежности или непринадлежность данного свойства или отношения X вещи); XI – интенсиональный индекс распределенности; XE - экстенсиональный индекс распределенности.

Структура первого уровня модели М3 наглядно представляется взвешенным нечетким ориентированным мультиграфом, вершины которого соответствуют объектам, ребра – характеризующим вещи элементам определенности. Любая вершина (объект) в совокупности с множеством исходящих из нее ребер трактуется как вещь. Ребро, выходящее из вершины, отражает приписывание данной вещи свойства или отношения, задаваемого объектом, к которому это ребро направлено. Каждое ребро помечено значимым и информативным весом ( µ M, µ I), а также составляющими обоснования ( B' , S, T), указываемого им свойства или отношения.

В модели М3определена многоуровневая система операций (интерфейсных, базисных, верификации, разрешения противоречий, наследования, поиска), а также стратегий управления ими.

Модель М3воплощена в автоматизированной системе ФОРМОД.

Нечеткие семантические сети И. А. Перминова

Кратко рассмотрим модель М4. Начнем с анализа причин ее появления.

При разработке компьютерных обучающих средств, в частности компьютерных тренажеров, необходимо описывать и обрабатывать значительные объемы разнородной и плохо формализованной информации. В [3] отмечается, что основным недостатком существующих языков искусственного интеллекта является их слабая структурированность как в представлении данных, так и в особенности в организации процесса вычислений, что является препятствием для эффективного создания сложных систем. Кроме того, при разработке конкретных систем помимо задач искусственного интеллекта необходимо решать и общепрограммистские задачи, к которым языки искусственного интеллекта применимы слабо. По этим причинам в [3] была поставлена задача создания хорошо структурированного, модульного языка искусственного интеллекта, который в то же время мог бы служить и языком общего назначения. Отмечено, что предложенный в [3] механизм обработки PCC имеет два существенных недостатка: слабая структурированность конструируемых программ и сложность организации процесса вычисления. Для устранения этих недостатков разрабатывается модель объектно-ориентированной семантической сети OCC, а за основу языка манипулирования OCC взят Пролог, наиболее соответствующий структуре сети.

Для достижения поставленных целей в [7,8] расширенная семантическая сеть объединена с нечетким Прологом с использованием объектно-ориентированного подхода. В сеть добавлены средства обработки нечеткой информации, вершины-переменные и вершины-классы, объекты и экземпляры. Аргументы предикатов интерпретируются как вершины семантической сети, а факты представляют ее фрагменты. Правила привязаны к классам. Синтаксис Пролога расширен для обработки сети.

При этом предикат Пролог ставится в соответствие элементарному фрагменту PCC. Так,предикату L:relaton( X₁ ,..., X_k) соответствует ЭФ D₀ ( D₁ ,..., D_k/ D_k+1 ) , где вершина D₀соответствует имени отношения «relation», а вершины D_iпредметным переменным xi, 1 ≤ i≤ k. При этом Lсоответствует вершине связи D_k+1. При таком подходе правила Пролога являются частным случаем сетевых продукций (СП) в PCC.

В НОСС различаются вершины следующих типов:

1. Простые вершины-сущности предметной области без детализации объектно-ориентированными средствами.

2. Вершины-переменные, содержащие присваиваемую ссылку на другую вершину сети.

3. Вершины-описатели отношений (идентифицируются с вершинами элементарных фрагментов сети). С каждой такой вершиной ассоциировано описание свойств отношения. 0D

4. Вершины-связи (идентифицируются с вершинами элементарных фрагментов сети), используемые для ссылок на ЭФ как на единое целое. 1+kD

5. Вершины-описатели классов – представляют используемые в сети классы объектов. С каждой из них связано описание свойств и правил класса и значения свойств.

6. Вершины-объекты – представляют используемые в сети объекты. С каждой такой вершиной ассоциированы значения свойств, принадлежащих объекту данного класса.

7. Вершины-экземпляры. С каждой из них ассоциированы значения свойств, принадлежащих данному экземпляру.

Следующие типы вершин представляют встроенные в НОСС типы данных:

1. Вершины – нечеткие множества.

2. Вершины – строки.

3. Вершины – целые числа.

4. Вершины – вещественные числа.

Для эффективной организации больших объемов данных и кода, система, реализующая модель НОСС, имеет средства для разбиения на модули.

Объектная модель представлена классами, объектами и экземплярами объектов. Класс содержит выполнимые правила и описания вычислимых и невычислимых свойств. Свойства и методы имеют атрибут доступности из других классов и модулей. Как и в нечетком Прологе, выполнение программы базируется на методе нечеткой резолюции [9]. Результат вывода характеризуется степенью истинности заключения, степенью доверия к резольвенте и интегральной оценкой, основанной на первых двух, - смешанной истинностью заключения. Из-за недостатков известной стратегии нечеткого вывода в НОСС использована линейная стратегия вывода с бэктрекингом, позволяющая рассматривать программу с декларативной точки зрения как выполнение нечеткого ввода, а с процедурной точки зрения как вызов рекурсивных процедур или функций.

В НОСС используется объектно-ориентированный подход. Поэтому каждое правило программы принадлежит какому-либо классу в сети и рассматривается как метод в этом классе. Правила делятся на встроенные в систему и определенные пользователем.

Для описания данных и кода сети разработан язык FSNL (FuzzySemanticNetworkLanguage). FSNL – это объектно-ориентированный язык без строгой типизации, предназначенный для оперирования нечеткими семантическими сетями и обладающий предъявляемыми при создании модели НОСС свойствами. Язык FSNL может быть использован как для решения задач искусственного интеллекта, так и для решения общепрограммистских задач.