Анализ методов построения генераторов и решателей проблем и организации диагностики в АОС

Лекция 3

Вопросы построения генераторов и решателей проблем и организации диагностики в АОС тесно связаны между собой и во многом опре­деляются характером предметной области (ПО) обучения. Для представления знаний в обучающих системах, в зависимости от характера ПО обучения, используются те или иные модели представления знаний, разработанные для систем искусственного интеллекта.

Системы продукций нашли широкое распространение при построении как генераторов, так и решателей проблем. Продукция представляет собой правило, содержащее часть, связанную с распознаванием ситуации и часть, связанную с действием. Таким образом, продукция - это пара ситуация-действие, в которой так называемая левая часть содержит список признаков, которые следует искать, а правая - список того, что следует сделать. Набор продукций является компонентом любой грамматики. Формальная грамматика G - это совокупность четырех объектов:

(1.12)

где: V_T - множество терминальных символов;

V_N - множество нетерминальных символов;

P - набор продукций;

- начальный символ.

В АОС Контакт разработан и опробован комплекс программ, позволяющий генерировать и анализировать конструкции языков, задаваемые формальными грамматиками. Грамматики могут использоваться для генерации аналитических выражений, химических формул и в других хорошо формализуемых ПО.

Наличие в экспертных системах (ЭС) подсистемы объяснения решений стимулировало создание АОС на базе ЭС. Во многих ЭС модели конкретных ПО формируются на основе систем продукций. Среди АОС, использующих для предоставления знаний систему продукций, можно указать систему GUIDON, основанную на ЭС MYCIN и предназначенную для обучения постановке диагноза заболеваний. Достоинством продукционных систем является локальность представления знаний, независимость от наличия других правил и, как следствие, удобство корректировки знаний и простота восстановления хода решения по дереву вывода.

В случае, когда объекты ПО связаны между собой сложными взаимосвязями, для представления знаний используются семантические сети или фреймовые структуры.

Основой нотаций всех вариантов семантических сетей служит формализация структур знания в виде ориентированного графа с размеченными вершинами и дугами, причем вершинам соответствуют стереотипные ситуации, а дугам - отношения между этими ситуациями. Одним из главных достоинств семантических сетей является способность представлять смысл фраз естественного языка, что и послужило основной причиной использования их в ЭОС. В качестве примеров систем обучения, использующих для представления знаний семантические сети, можно привести системы SCHOLAR и BRAIN.

Фрейм - это структура, предназначенная для представления стереотипной ситуации. Понятие фрейма впервые было введено М.Минским и со временем трансформировалось. Фреймами стали называть структуры представления знаний следующего вида:

(1.13)

где: i - имя фрейма,

V_j- имя слота,

g_j- значение слота.

Во фреймах допускается рекурсивное вложение слотов друг в друга, что порождает иерархическую структуру взаимосвязанных слотов и фреймов. Иногда различают структурные и ролевые фреймы. В ролевых фреймах значения слотов главных ролей обязательно должны быть заполнены. Фреймовые структуры обладают большой гибкостью и широко используются для описания ПО.

В нескольких работах предложена классификация генераторов учебных заданий на базе 8 признаков и проведен анализ ряда генераторов на основе введенной классификации. Проведенный анализ показал наличие разброса качественных характеристик существующих генераторов и отсутствие среди них таких, которые бы максимально удовлетворяли всем предъявленным требованиям. Диапазон разброса значителен: от простейших генераторов, осуществляющих выборку тестов из банка готовых контрольных заданий, до систем, генерирующих вопросы и программы их решения на основе баз знаний. Одним из наиболее эффективных отечественных генераторов является интеллектуальный генератор (ИГ) системы АПРОЗ. На основе знаний о ПО обучения ИГ синтезирует сюжет, формирует текст условия и вычисляет ответ каждой сгенерированной задачи. Знания о ПО представлены в ИГ с помощью фреймовой структуры. Для описания знаний используется язык диалога. Так как трудно заранее регламентировать конструкции языка для всех предметных областей, язык диалога ИГ проектируется как свободный для дополнения новыми конструкциями с учетом введенных ограничений. То есть, сложность использования ИГ для новых ПО со сложноструктурированными объектами может оказаться эквивалентной сложности разработки специализированного, предметно-ориентиро­ванного генератора, а эффективность специализированных систем, с точки зрения использования различных ресурсов, обычно выше чем у систем широкого назначения.

Целесообразность использования генераторов проблем существенно зависит от наличия в системе обучения соответствующих решателей проблем. Как уже отмечалось выше, в ряде систем обучения реализованы решатели проблем для конкретных предметных областей. В дополнение можно отметить решатель алгебраических задач в АОС ВУЗ. Он обеспечивает имитацию и анализ решения алгебраических задач и может использоваться при обучении решению задач обычной алгебры, тригонометрии, некоторых разделов математического анализа (дифференцирование, интегрирование, решение уравнений), математической логики, а также некоторых разделов физических, химических и технических дисциплин. Предпринимались попытки создания универсальных решателей проблем, например, GPS, QA3, STRIPS и некоторые другие. В одних из них использовалось процедурное представление знаний (например, в GPS), в других декларативное (например, в QA3 знания представлены в виде правильно построенных формул исчисления предикатов первого порядка). Проблемы построения универсального решателя и соответственно универсальной ЭОС остаются открытыми.

Подсистема диагностики в АОС обеспечивает решение двух задач:

§ собственно контроль ответов обучаемого с выдачей ему соответствующих диагностических сообщений;

§ формирование информации о типе и количестве ошибок, используемых АОС для организации адаптивного обучения.

В системах обучения используются ответы трех видов: выборочные, выборочно-конструируемые и конструируемые (свободно-конструируемые).

В случае выборочного ответа обучаемому наряду с вопросом предлагается ряд ответов, из которых он должен выбрать правильный. Обычно ввод ответа осуществляется указанием его порядкового номера. Выборочные ответы универсальны, организация диагностики с их помощью проста, их можно использовать, например, при обучении лексике иностранного языка. Использование выборочных ответов при обучении решению некоторого класса задач нецелесообразно, поскольку мыслительная деятельность обучаемого в этих системах используется слабо.

Выборочно-конструируемый ответ представляет собой ответ, частично сконструированный обучаемым, а частично - автором. Конструируемый ответ полностью формируется обучаемым и может быть представлен в различных формах, например: числовой, символьной (формульной), графической, в виде фрагментов и целых программ, в виде текстов на естественном языке и т.д.

Базовым методом анализа ответов в селективных АОС является метод анализа по эталонам. Ответ обучаемого сравнивается с рядом эталонов правильных ответов, предусмотренных автором. В большинстве АОС существует возможность задания эталонов неправильных ответов, содержащих типичные ошибки. При желании автора указать максимальное число возможных ответов для обеспечения приемлемой диагностики сложность АУК резко возрастает, а реактивность системы обучения существенно снижается. Указанный недостаток частично компенсируется возможностью задавать не эталоны ответов, а классы эталонов ответов. Для этого в авторских языках предус­мотрена возможность замещения отдельных символов в слове, введены средства реализации игнорируемости слов, осуществляется проверка ответа на вхождение запрещенных слов, предусматривается проверка степени сходства с эталоном по проценту искаженных символов в ответе и т.д. По существу метод анализа по эталонам трансформируется в метод анализа по ключевым словам, нашедший широкое распространение при реализации АУК. Однако возможности распознавания смысла ответа с его помощью ограничены, так как при перечислении ключевых слов не задаются связи между ними. Введение простейших синтаксических отношений между ключевыми словами, например, "находится правее" и "находится в произвольном месте", позволяет частично устранить этот недостаток. Возможность учета синонимов в ответе также позволяет сократить число возможных ответов с эквивалентным смыслом.

В ЭОС осуществляется сравнение ответа обучаемого с ответом, полученным решателем проблем.

Не возникает затруднений при сравнении численных ответов, необходимо только учитывать погрешность вычислений. В случае, когда ответ представлен аналитическим выражением, используется ме­тод сравнения по точкам, так как проблема эквивалентности аналитических выражений алгоритмически не разрешима. Суть метода заключается в вычислении значения аналитического выражения в нескольких точках. Выражения считаются эквивалентными, если массивы их значений совпадают (в пределах точности вычислений).

В ряде систем обучения осуществляется идентификация синтаксических ошибок при использовании входных языков с определенной грамматикой.

Семантический анализ осуществляется только для отдельных средств конкретных языков. Формальные методы полного семантического анализа текстов на алгоритмических языках к настоящему времени не только не созданы, но и сама возможность их создания в общем случае ставится под сомнение. Для семантического анализа программ, сконструированных обучаемым, чаще всего используются тестовые наборы данных. Система прогоняет программу, написанную обучаемым, на наборе тестов и при несовпадении результатов работ программы с эталонными (или с результатом работы эталонной программы) делает вывод об ошибке. Указанный подход не обеспечивает локализацию ошибок. Для устранения этого недостатка используются различные методы, основанные на хранении специальных знаний о программировании и о типичных ошибках, допускаемых обучаемым.

Одной из наиболее сложных проблем диагностики является семантический анализ ответов на предметно-ограниченном естественном языке. В настоящее время ведутся активные работы для решения указанной проблемы. Использование методов искусственного интеллекта, в частности, представление знаний с помощью семантических сетей и фреймовых структур, позволяет получать в ряде случаев обнадеживающие результаты.

Вопросы для самоконтроля

1. Чем во многом определяются вопросы построения генераторов и решателей проблем и организации диагностики в АОС?

2. Где нашли широкое распространение системы продукций?

3. Наличие какой подсистемы в экспертных системах стимулировало создание АОС на базе ЭС?

4. Для представления знаний каких объектов используются семантические сети или фреймовые структуры?

5. От чего зависит целесообразность использования генераторов проблем?

6. Что обеспечивает решатель алгебраических задач в АОС ВУЗ?

7. Решение каких задач обеспечивает подсистема диагностики в АОС?

8. Какой метол является базовым методом анализа ответов в селективных АОС?

9. Что является одной из наиболее сложных проблем диагностики в настоящее время?

Выводы

1. Анализ функциональных структур АОС показал наличие ряда существенных преимуществ у ЭОС по сравнению с селективными АОС. В основе указанных преимуществ лежит организация функциональной структуры ЭОС, обеспечивающая разделение знаний об управлении процессом обучения, реализуемых в подсистеме модели обучения, от знаний о предметной области обучения (учебного материала), реализуемых в подсистемах формирования заданий, решателя проблем и диагностики.

2. Разделение учебного материала от управления процессом обучения позволяет:

§ автоматизировать управление процессом обучения путем разработки и реализации требуемых моделей обучения;

§ создать динамическую адаптивную обучающую среду;

§ снизить трудоемкость формирования учебного материала за счет минимизации дублирования его фрагментов, имеющего место в традиционных АУК;

§ упростить возможную модификацию учебного материала из-за отсутствия в нем избыточности.

3. Анализ моделей и методов организации адаптивного обучения в АОС показал отсутствие моделей, обеспечивающих адаптивное управление процессом обучения некоторому виду формируемой деятельности, что вызывает необходимость разработки требуемой модели.

4. Одним из основных требований, предъявляемых к модели обучения, является ее универсальность, т.е. предметная независимость. Выполнение указанного требования позволит перейти к разработке инструментальных средств проектирования адаптивных проблемно-ориентированных ЭОС для заданного класса задач обучения.

5. Анализ методов построения генераторов и решателей проблем показал существенную зависимость целесообразности их разработки от характера предметной области (ПО) обучения. Разработка генератора и (или) решателя проблем целесообразна в следующих основных случаях:

§ генератор и (или) решатель проблем могут использоваться для широкого класса ПО обучения;

§ затраты на разработку не значительны для некоторой хорошоформализуемой ПО обучения.

Для слабо формализуемых ПО обучения с точки зрения трудоемкости разработки генератора проблем может оказаться целесообразной простейшая форма генерации - управляемая выборка уже сформированных учебных проблем.

6. При обучении некоторому виду формируемой деятельности наиболее эффективной с дидактической точки зрения является такая организация диагностики знаний обучаемого, которая обеспечивает анализ выборочно-конструируемых или свободно-конструируемых ответов обучаемого.

Исследование и разработка модели обучения навыкам алгоритмической природы (МОНАП)