В статье рассмотрен вопрос контроля знаний студентов на основе нейронных сетей. Принцип работы основан на применении методов искусственного интеллекта. Контроль знаний учащегося осуществляется автоматизированной системой в форме «вопрос-ответ». По сути, она представляет собой серию вопросов и ответов на естественном языке, что является своеобразной контрольной работой по предмету.
Ключевые слова: электронное обучение, искусственный интеллект, нейронные сети, контроль знаний.
This article describes new methods of control students’ knowledge on the basis of neural networks. The operation of this device is based on the application of the methods of artificial intelligence. The knowledge control procedure is performed as a dialog between the student and the automatic system. The dialog consists of questions and answers in the native human language that is the analogue of the traditional exam with the teacher.
Keywords: distant education systems, neural networks, knowledge control.
Одним из важных аспектов масштабного внедрения технологий электронного обучения является обеспечение гарантий качества, в том числе оценки знаний студентов на всех этапах цикла обучения. Реализация процесса оценки и контроля знаний в системах электронного обучения, как показывает опыт, представляется достаточно сложной и недостаточно эффективной процедурой, которая не всегда позволяет получить объективную оценку.
Для того чтобы создать систему контроля знаний, необходимо использовать методы искусственного интеллекта, в частности нейронные сети с особой коммутаторной архитектурой построения [4]. Отличительной особенностью системы контроля знаний [3] является диалог на естественном языке в форме «вопрос — ответ». Система генерирует вопросы по заданной теме, а учащийся дает ответ на естественном языке. Система позволяет повысить качество контроля знаний за счет автоматизации процесса и исключения субъективного подхода.
При большом разнообразии учебно-методических материалов, книг и пособий, электронных учебных курсов, планов и программ обучения по разным специальностям, необходимы универсальные средства для автоматизации обучения и контроля знаний студентов.
Вопросы и ответы формулируются на естественном языке, при этом вопросы генерирует центральный компьютер и направляет их на персональные компьютеры (ПК) пользователей, ответы пересылаются по сети из ПК в центральный компьютер. Центральные компьютеры образовательных учреждений будут объединены между собой с помощью сети передачи данных и подключены к базам знаний по предметам.
Качество, полноту и содержание ответа на поставленный вопрос оценивает обученная нейронная сеть с искусственным интеллектом (НСИИ). НСИИ реализована на аппаратно-программных системах, которые подключаются к центральным компьютерам через сеть передачи данных.
Система должна предусматривать следующие возможности.
Возможность генерации дополнительных, наводящих вопросов при недостаточно полном или частично неверном ответе.
Возможность проводить контроль знаний последовательно по всем курсам на одном ПК, используя импорт содержимого разных баз знаний. Это позволяет проводить контроль знаний в удаленном режиме (например, для инвалидов или для учащихся, проживающих в труднодоступных районах), в свободное от основной работы время (как при заочной форме обучения).
Возможность проводить контроль знаний одновременно в нескольких регионах, используя единую базу.
Возможность тиражирования базы знаний.
Система контроля знаний может использоваться для обучения учащихся с ограниченными возможностями, инвалидов, для самообучения, репетиторства. Систему контроля знаний можно применять в качестве справочного или учебного пособия для консультантов, экспертов и т. д.
Отметим некоторые особенности предложенного способа контроля знаний. Естественный язык является достаточно сложной лингвистической системой, где количество только терминальных символов (слов) измеряется десятками и сотнями тысяч единиц. Соответствующая такому языку НСИИ должна содержать миллионы и миллиарды нейронов. Такой же объем имеют и нейронная сеть семантического процессора и лингвистического генератора. Поэтому устройство контроля знаний может быть реализовано только на больших нейронных сетях, с миллионами или даже миллиардами нейронов. При этом, время оценки знаний должно быть небольшим и измеряться минутами.
Способы реализации нейронной сети.
В настоящее время известны три способа реализации нейронной сети.
Первый способ, программный, представляет нейронную сеть как совокупность программных объектов. При обработке нейронной сети используется комплекс процессоров или компьютеров с архитектурой, основанной на принципах фон Неймана. Выполнение вычислительных операций на таких компьютерах происходит последовательно, в виде цепочки действий, одна операция за другой. Количество таких цепочек не может превышать количество процессоров в вычислительном комплексе. Несмотря на высокое быстродействие процессоров, скорость выполнения столь ресурсоемких программных продуктов, как нейронная сеть, требует достаточно много времени. Для выполнения вычислений необходимы суперкомпьютеры [4]. Для задач автоматизации контроля знаний в системе образования использование подобных технических средств невозможно по экономическим соображениям, из-за высокой стоимости суперкомпьютеров.
Вторым способом реализации нейронной сети является аппаратный способ. При нем нейронные сети выполняются в виде аппаратной системы. Все нейроны функционируют параллельно, обеспечивая высокое быстродействие системы. Для реализации связей между нейронами требуются отдельные линии, что создает трудности при аппаратной реализации большой нейронной сети. По технологическим соображениям невозможно отвести от нейрона более 100–1000 линий связи. Этот способ построения системы не подходит из-за сложной технической реализации.
Третьим способом построения нейронной сети является аппаратно-программный способ, когда часть системы реализована аппаратно, а часть — программно. На аппаратно-программном способе основана разработанная авторами технология коммутаторных нейронных сетей [4], на базе которой и реализовано устройство контроля знаний [3].
При создании аппаратных компонентов для контроля знаний необходимо руководствоваться следующими принципами:
Нейронная сеть должна содержать сколь угодно большое количество нейронов.
Аппаратный комплекс нейронной сети должен представлять собой модульную вычислительную систему, в которой компоненты работают параллельно.
Обученная нейронная сеть должна быть разделена на слабо связанные между собой сегменты, причем размер каждого такого сегмента определяется техническими характеристиками аппаратного обеспечения модуля. Каждый модуль содержит сегмент большой нейронной сети. Для масштабирования нейронной сети, т. е. использования нейронной сети большего размера, целесообразно использовать не один, а каскад однотипных модулей.
Реализация системы аппаратными методами имеет существенные преимущества по быстродействию, но требует значительных затрат на разработку топологии микросхемы типового интеллектуального модуля нейронной сети. Поэтому прототип системы был проверен на математической имитационной модели.
Результаты моделирования доказали работоспособность предложенного метода и системы контроля знаний.
Литература:
1. Контроль знаний студентов на основе нейронных сетей. Б. М. Позднеев, И. С. Кабак, Н. В. Суханова. Открытое образование •6/2011
2. Позднеев Б. М. О развитии систем электронного обучения на основе стандартизации и сертификации // Вестник МГТУ «Станкин», 2010. № 1. С. 110–119.
3. Позднеев Б. М. Разработка национальных и международных стандартов в области электронного обучения // Информатизация образования и науки, 2009. № 2. С. 3–11.
4. Кабак И. С., Суханова Н. В. Система контроля знаний: Патент РФ на полезную модель № 80979 // Бюл., 2008. № 1.
5. Кабак И. С., Суханова Н. В. Нейронная сеть: Патент РФ на полезную модель № 66831 // Бюл., 2007. № 10.
6. Нариньяни А. С. Лингвистические процессоры ЗАПСИБ // Проект ЗАПСИБ: Препринт. — М.: РосНИИ ИИ, 1997. 250 с.
7. Галушкин А. И., Томашевич Н. С., Рябцев Е. И. Супернейрокомпьютеры для систем обработки изображений «Силиконовый мозг» // Нейрокомпьютеры: разработка, применение, 2006. № 11–12. С. 7274.
8. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений. — М.: Финансы и статистика, 2004. 176 c.
