4.5.3. На шляху до адаптивних навчальних систем

Інструментом пізнання вважатимемо процес проектування струк­тури гіпертексту (ГТ) як “кістяк” поля знань, тобто найбільш ін­формаційно-навантажений елемент поля знань. Саме це віддзеркалює структуру знань, яку можна назвати гіперзнаннями. Засвоєння цієї структури є найваж­ливішим компонентом процесу навчання. Оче­вид­но, що більше конкретна структура ГТ відповідатиме індиві­дуальній когнітивній структурі, то ефективніше відбу­ватиметься процес нав­чання. Фактично це означає, що навчання й тренінг будуть організо­вані не через нав’язування конкрет­них когнітивних структур тому, кого навчають, і ламання ста­рих уявлень, а через проекцію нового знання на каркас індивідуального досвіду й нарощування вже наявних когнітивних структур. Така адаптація до індивідуальних пізна­вальних структур може істотно підвищити ефективність на­вчальних систем.

Пропонований підхід дає змогу зобразити поле знань пре­дметної області у вигляді релевантної гіперструктури HS, вузла­ми якої є концепти А, виділені експертами як “опорні”, тобто принципово значущі зв’язки або відношення, які використову­ють для переходів між вузлами. Таке трактування є природ­ним розвитком моделей подання знань типу семантичних мереж, які на сучасному етапі вважаються найадек­ватнішими структурі людської пам’яті. Природно, що такі концептуально-когнітивні структури вирізняються різкою ін­ди­віду­альністю, пов’язаною з особистими, інтелектуальни­ми й про­фесійними розходженнями носіїв знань. У деякому сенсі така струк­тура є когнітивною моделлю індивіда.

Пропонований підхід узгоджується з концепцією мультидерева, що реалізує множинне відображення ПО. Модель користувача, сформована на цьому принципі, відображатиме “модель світу” певного конкретного користувача у вигляді гіперграфа, вузли якого, своєю чергою, можуть бути розкриті у вигляді гіперструктур найнижчого рівня. Фактично це відпо­відає суб’єктивним концептуальним структу­рам у пам’яті. Часто в проблематиці АНС використовують поняття сце­нарію. Традиційно під сценарієм розуміють опис змістовної, ло­гічної й тимчасової взаємодії структурних одиниць програми, за до­помогою яких реалізується авторська мета.

Очевидно, що в гіпермедіа навчальних додатках природ­ним по­данням сценарію є граф гіпертексту. Важли­во домогтися, щоб цей сце­нарій відповідав (був релевантним) уявленням як учителів, так і учнів.

Релевантна ГТ-структура відображає стратифіковану ме­режу HS = <A,R>, що відображає ієрархію понять предметної області у формі, яка відповідає професійним уявленням екс­пертів і не викликає когнітивного дисонансу в користувача.

Для формування стратифікованої множини вершин А мож­на використовувати модифікацію алгоритмів об’єктно-струк­турного аналізу ОСА.

Алгоритм “ОСА-гіпер”

1. Сформулювати мету й зібрати від експертів всю доступ­ну інформацію.

2. Визначити кількість страт N, що підлягають формуванню.

3. З інформації, отриманої від експертів і з літератури, ви­брати всі значущі основні об’єкти й поняття {А} і розмістити їх за ви­тратами, сформувавши опорні метавузли ГТ-структури.

4. Деталізувати концепти, користуючись спадною кон­цепцією (top-down).

5. Утворити метапоняття за концепцією (bottom-up).

6. Вилучити повтори, надмірність і синонімію.

7. Обговорити поняття, що не ввійшли в структуру ГТ із експертом і ввести їх або вилучити.

8. Виявити основні відносини {R} і спроектувати ескіз ГТ-структури.

9. Здійснити обстеження потенційних користувачів з ме­тою ви­явлення їхніх когнітивних уявлень про задану ПО, а та­кож фор­мування моделі користувача.

10. Привести у відповідність ескіз ГТ і подання користувача.

11. Сформувати ряд сценаріїв обходу ГТ із метою спрощення навігації й обліку необхідних сценарних зв’язків і ввести їх у структуру.

Цей алгоритм виявляє канонічний або основний сценарій, альтернативні сценарії формуються на підставі деякого іншо­го досвіду викладання, або з урахуванням категорії користу­вачів.

Розробляючи гіпермедіа-додатки, необхідно також ура­хувати фактор збалансованості звукових і відеовузлів опорної ГТ-структури, тобто аудіо- і відеофрагменти повинні рівномір­но розподілятися по мережі. Для цього введене поняття “розфарбування” вузлів, що дає змогу наочно оцінити збалан­сованість мережі за аудіо- і відеонаван­таженням. Алгоритм “ОСА-гіпер” враховує необхідність аналізу не тільки вихідної інформації, але й навігаційних можливостей:

• переміщення за екраном назад;

• повернення до початку;

• повернення до початку секції;

• перегляд структури;

• озвучування екрана;

• увімкнення відео;

• допомога;

• переміщення на екран уперед.

Особливо корисним в реалізації графічної навігації є те, що в довільний момент користувач може подивитися структуру сценарію й зрозуміти, в якому місці він зараз перебуває.

Такий підхід використаний у процесі створення ГТ АНС в області інженерії знань для систем дистанційного навчання. Системи навчання в області ШІ мають невелику історію, хоча за відсутності підручників із цих дисциплін ці електронні підручники особливо необхідні. Відомі лише поодинокі роботи в нашій країні й за її межа-ми – “База знань для розроблювачів ЕС” і KARTT (Knowledge Aqcuisition Research and Teaching Tool).

Проектуючи будь-яку ГТ-структуру, нетривіальним завданням є виділення “опорних” концептів – питань, прак­тично не висвітлених у літературі. У роботі [35] наведений огляд різних методів видобування знань, що частково передбачають і дослідження з виявлення значущих концептів. Можна запропонувати використовувати для цієї мети методи багатовимірного градуювання, що дають змогу виявляти струк­туру індивідуальних ментальних просторів, аналізуючи попарні зв’яз­ки понять предметної області.

Ці методи застосовувалии й раніше для вивчення се­мантичних просторів пам’яті, однак можна використовувати новий підхід, орієн­тований на аналіз не тільки осей менталь­них просторів з виявленням відповідних конструктів, але й то­чок згущення понять, названих “атракторами” для виявлення метапонять або концептів.

Надалі ці концепти утворять вузли {А} релевантної ГТ-струк­тури, яку можна фактично трактувати як модель ко­ристувача UM (user model):

UM = {А, R}.

Глибші дослідження показали, що психосемантичні методи, збагачені новими елементами (використання метафорич­них планів), можуть сприяти виявленню імпліцитних структур знань, що не піддаються виявленню іншими методами.

Використання UМ як гіперструктури в гіпертекстових АНС дає змогу створювати “гнучкі” релевантні сценарії, орієнтовані на ког­нітивні особливості певних груп користу­вачів. Останнє зауваження мож­на також зарахувати до розроб­лення систем гіпермедіа. Очевидно, що глибоке й конструк­тивне вивчення людського фактора в області комп’ю­терних наук може істотно розмити межі сучасних інтелекту­альних і навчальних систем.