Анализ моделей автоматизированных обучающих систем, моделей поведения пользователей компьютерных систем. Разработка модели повышения эффективности взаимодействия пользователя с автоматизированной системой за счет применения модели поведения пользователя.
Аннотация к работе
Понимание того, какие именно выполняет действия пользователь (либо должен выполнить), может использоваться при проектировании различных систем, например, в системах безопасности, также для разработки персонифицированного окружения, которое могут использовать пользователи. В результате выполненного исследования была рассмотрена типовая структура автоматизированной обучающей системы, в состав которой необходимо включить модель поведения студента для повышения эффективности его взаимодействия с обучающей системой. Также были рассмотрены такие модели поведения пользователя как: модель поведения пользователя при выполнении поисковых запросов, модель поведения посетителя при переходе по сайтам, комплексная нейросетевая модель пользователя компьютерных систем. В качестве моделей поведения пользователя в поисковых системах были рассмотрены модель CCM (Click Chain Model), принцип работы которой отражен на блок-схеме, представленной на рисунке 1 и модель DBN (Dynamic Bayesian Network), принцип работы которой отражен на блок-схеме, представленной на рисунке 2. Далее был выполнен анализ автоматизированных обучающих систем, которые отслеживали бы действия пользователя: Автоматизированная система обучения для теоретической подготовки летного и инженерно-технического состава на вертолет КА-52, Система "ОЛИМП:ОКС", Автоматизированная система обучения «Путевой подогреватель нефти» и Проект ТАИС.
Введение
Почти во всех сферах деятельности человека применение компьютерных технологий все больше обращает внимание на самого пользователя систем и интернет-ресурсов. Понимание того, какие именно выполняет действия пользователь (либо должен выполнить), может использоваться при проектировании различных систем, например, в системах безопасности, также для разработки персонифицированного окружения, которое могут использовать пользователи. Поэтому можно сказать, что задача реализации моделей поведения пользователей в компьютерных системах является актуальной.
Целью данной работы является: повышение эффективности взаимодействия пользователя с автоматизированной системой за счет применения модели поведения пользователя.
Для достижения поставленной цели были решены следующие исследовательские задачи: · Провести анализ и исследование моделей автоматизированных обучающих систем (АОС), моделей пользователя компьютерных систем и их применения в АОС.
· Составить математическое описание модели поведения пользователя при его взаимодействии с автоматизированной обучающей системой.
· Выполнить программную реализацию АОС, в составе которой разработана модель поведения пользователя.
· Выполнить проверку эффективности запрограммированных алгоритмов, используемых для построения модели поведения пользователя при его взаимодействии с автоматизированной обучающей системой.
Постановка задачи
В результате выполненного исследования была рассмотрена типовая структура автоматизированной обучающей системы, в состав которой необходимо включить модель поведения студента для повышения эффективности его взаимодействия с обучающей системой. Также были рассмотрены такие модели поведения пользователя как: модель поведения пользователя при выполнении поисковых запросов, модель поведения посетителя при переходе по сайтам, комплексная нейросетевая модель пользователя компьютерных систем.
В качестве моделей поведения пользователя в поисковых системах были рассмотрены модель CCM (Click Chain Model), принцип работы которой отражен на блок-схеме, представленной на рисунке 1 и модель DBN (Dynamic Bayesian Network), принцип работы которой отражен на блок-схеме, представленной на рисунке 2.
Рисунок 1. Блок-схема модели CCM (Click Chain Model)
Рисунок 2. Блок-схема модели DBN (Dynamic Bayesian Network)
Нейросетевая модель пользователя учитывает и динамическую (интерактивная часть), и статистическую (сеансовая часть) модель поведения человека. В основе данной модели лежит нейронная сеть прямого распространения, состоящая из входного, выходного и одного или нескольких скрытых слоев нейронов.
В результате выполненного анализа можно сделать вывод о том, что для применения в АОС необходимо реализовать нейросетевую модель пользователя, т.к. она позволяет варьировать учитываемые параметры.
Далее был выполнен анализ автоматизированных обучающих систем, которые отслеживали бы действия пользователя: Автоматизированная система обучения для теоретической подготовки летного и инженерно-технического состава на вертолет КА-52, Система "ОЛИМП:ОКС", Автоматизированная система обучения «Путевой подогреватель нефти» и Проект ТАИС.
Были выделены следующие критерии для проведения сравнительного анализа перечисленных выше систем: A1 - загрузка материалов для обучения из файлов;
A2 - поддержка нескольких форматов файлов для работы;
A3- хранение информации о действиях пользователя, которые он должен совершить при работе с заданиями системы;
A4 - адаптация поведения системы в зависимости от действия пользователя;
A5 - независимость материала от предметной области.
Для вычисления весов критериев можно использовать аналитическую иерархическую процедуру Саати.
В таблице 1 отображены такие составляющие как: матрица парных сравнений, средние геометрические и веса выбранных критериев.
Таблица 1. Матрица парных сравнений, средние геометрические и веса критериев
Выполнив суммирование произведений сумм столбцов матрицы на соответствующие весовые коэффициенты альтернатив выполняется расчет вспомогательной величины L = 5.46. Индекс согласованности ИС = (L-N)/(N-1) = 0.0116.
Значение величины случайной согласованности для матрицы парных сравнений размерности 5: СЛС = 1.12.
Отношение согласованности ОС=ИС/СЛС = 0.143. не превышает 0.2, это свидетельствует о том, что уточнение матрицы парных сравнений не требуется.
Применяя полученные коэффициенты выполним расчет интегрального показателя качества для программ, выполняющих обучение и контроль знаний пользователей, перечисленных выше.
Необходимо выбрать категориальную шкалу от 0 до 7 (где 0 - качество не удовлетворительно, 7 - предельно достижимый уровень качества на современном этапе) для функциональных возможностей программных продуктов.
По введенной шкале определим количественные значения функциональных возможностей Xij (таблица 2). Далее проведем вычисление интегрального показателя качества для каждой программы.
Интегр. показ-ль качества Q 1,835 2,511 1,87 4,074 2,5725 где Qj=?ai*Xij интегральный показатель качества для j-го программного средства.
Выполним построение лепестковую диаграмму, отражающую значения интегральных показателей качества анализируемых программ (рисунок 4).
Рисунок 4. Лепестковая диаграмма, отражающая значения интегральных показателей качества анализируемых программ
Лепестковая диаграмма, отражающая значения функциональных характеристик (критериев) показана на рисунке 5.
Рисунок 5. Лепестковая диаграмма, отражающая значения функциональных характеристик
Базовые значения интегрального показателя качества превышает только 2 системы: ОЛИМП:ОКС, Проект «ТАИС».
На рисунке 6 показана диаграмма верхнего уровня процесса «Обучение и контроль знаний».
Рисунок 6. Диаграмма верхнего уровня процесса «Обучение и контроль знаний»
Входной информацией являются следующие данные: действия студента, которые он выполняет при взаимодействии с автоматизированной обучающей системой, ответы студенты на вопросы контрольного тестирования и лекционный и контрольно-измерительный материал, предоставляемые преподавателем, исходные данные для расчета по уравнению. Данная входная информация используется на всех этапах процесса обучения.
Выходной информацией в процессе обучения с учетом модели пользователя являются: результаты контроля знаний студента и значения коэффициентов модели действий пользователя системы.
Исполнителями процесса являются студент, преподаватель и информационная система (ИС*).
Управление процессом осуществляется на основании математической модели автоматизированной обучающей системы и модели пользователя, отражающей его действия.
На рисунке 7 показана детализация процесса «Обучение и контроль знаний».
Рисунок 7. Декомпозиция диаграммы А1 «Обучение и контроль знаний»
Процесс обучения осуществляется в пять этапов: 1. работа с теоретическим материалом курса» - на данном этапе преподаватель осуществляет ввод лекционного материала для разрабатываемого им курса, материал может содержать как текст, так и графические элементы и генерируется в формат html;
2. работа с контрольно- измерительным материалом курса» - на данном этапе преподаватель выполняет ввод вопросов и вариантов ответов для разрабатываемого курса;
3. вывод информации пользователя и построение его модели на основании его действий» - на данном этапе выполняется вывод материала, предназначенного для изучения студентом, а также фиксация его действий с данным материалом и корректировка значений модели поведения пользователя;
4. выполнение контроля знаний» - на данном этапе система отображает студенту перечень вопросов для определения уровня его знаний по изученному материалу и выполняет сохранение результатов контроля знаний в БД;
5. отображение результатов контроля знаний» - на данном этапе выполняется отображение результатов контроля знаний студенту по пройденному им материалу и статистика полученных оценок преподавателю.
В процессах «работа с теоретическим материалом курса» и «работа с контрольно- измерительным материалом курса» выполняется заполнение БД системы теоретическим и контрольно-измерительным материалами, которые в дальнейшем будут предъявлены студенту для изучения и выполнения. Результаты взаимодействия студента с системой (действия студента при изучении материала и ответах на вопросы, а также сами ответы студента) используются для корректировки модели поведения студента, на основании которой выполняется адаптация самой обучающей системы.
После выполнения программной разработки системы планируется выполнить проверку эффективности ее работы и качества адаптации параметров в соответствии с моделью поведения пользователя.
Список литературы
1. Макушкина Л.А., Лемякина Л.В. Разработка автоматизированной системы интернет тестирования школьников с целью родительского контроля посещаемости и успеваемости учеников // Макушкина Л.А., Лемякина Л.В. Вестник магистратуры. 2013. № 5 (20). С. 49-52.
2. Рыбанов А.А., Сержантова Е.О., Макушкина Л.А. Аналитическая платформа deductor как средство анализа результатов активности пользователей системы дистанционного обучения moodle // Рыбанов А.А., Сержантова Е.О., Макушкина Л.А. Молодой ученый. 2013. № 5. С. 173-176.
3. Рыбанов А.А., Усмонов М.С.О., Попов Ф.А., Ануфриева Н.Ю., Бубарева О.А. Информационные системы и технологии/Научный ред. И. А. Рудакова/Центр научной мысли (г. Таганрог). Москва, 2013. Том Часть 4. С. 90.
4. Рыбанов А.А. Алгоритмическое и математическое обеспечение автоматизированной системы оценки качества учебного процесса по контрольным картам// ВЕСТНИК КОМПЬЮТЕРНЫХ И ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ Издательство: Издательский дом "Спектр" (Москва) Номер: 2 Год: 2009 Страницы: 30-36.
5. Рыбанов А.А. Моделирование динамики процесса формирования ответов на тестовые задания закрытой формы при дистанционном тестировании знаний//Открытое образование. 2006. № 6. С. 43-50.
6. Рыбанов А.А. Моделирование динамики процесса оценивания ответов для тестовых заданий на установление соответствия при дистанционном тестировании знаний//Качество. Инновации. Образование. 2008. № 1. С. 2-9.
7. Фролов Ю.В., Махотин Д.А. Компетентностная модель как основа оценки качества подготовки специалистов // Высшее образование сегодня. - 2014. - № 8. - С. 34-41.
8. Rybanov A., Tretyakova V. Application of fitts"s law to the assessment of users" skills of work with computer devices of targeting//В сборнике: Pedagogical and psychological problems of the modern society: scientific approaches to the study and overcoming practices 2nd edition: research articles. Science editor: A. Burkov. San Francisco, California, USA, 2015. С. 39-47.