Обучение человека и машины

В работе рассмотрены особенности обучения человека и машины, описаны особенности представления знаний при данных типах обучения, эффективность и применимость добычи знаний. Для такого типа обучения как обучение человека рассмотрены особенности, отличающие его от машинного обучения. При учете данных особенностей можно добиться высокой эффективности обучения человека.

Ключевые слова: машинное обучение, обучение человека, эффективное обучение.

Процесс обучения, приобретения знаний имеет свои особенности в зависимости от того, кто эти знания получает: человек или машина. Искусственный интеллект занимается проблемами обучения машины. Педагогика и когнитивная психология занимаются проблемами обучения человека, выявляя, как и в какой последовательности происходит процесс формирования знаний у человека, чтобы в дальнейшем применить это в процессе обучения. Активное внедрение информационных технологий в сферу обучения человека, использование смешанного и дистанционного автоматизированного обучения также способствует выявлению новых аспектов в обучении человека, которые ранее не затрагивались. Помимо автоматизированных обучающих систем начинают использоваться интеллектуальные обучающие системы, которые используют методики искусственного интеллекта и позволяют организовать адаптивное обучение. Для управления процессом обучения используются модели предметной области, обучаемого, обучения. Применение адаптивных методик в обучении человека рассмотрено в работах [1], [2], [3].

Машина и человек обучаются по-разному. Сравнивая специфику машинного обучения и обучения человека, можно понять, что должно в первую очередь учитываться для обеспечения эффективного обучения, в какой форме должны даваться знания.

1 Машинное обучение

Машинное обучение используется при анализе текстов на естественном языке, распознавании образов и др. Например, существуют такие системы как системы автоматической проверки эссе (AES − automated essay scoring systems) [4], которые позволяют проверять стиль и/или содержание эссе студентов. Но прежде чем проверять работы данные системы проходят этап обучения. Преподаватель загружает сотни примеров для каждого задания и соответствующие оценки, чтобы система смогла обучиться оцениванию.

Знания могут быть представлены в явной и неявной форме. Знания в неявной форме — это экстенсиональные знания. Экстенсиональные знания — это сведения, факты о конкретных объектах предметной области [5]. Знания в явной форме — это готовый алгоритм, сеть, программа.

Добыча знаний — это выявление интенсиональных знаний, правил, связывающих между собой факты. Добыча знаний происходит с помощью формальных методик: статистических, индуктивных, вариантов логики, нейросетей (аппроксимационные подходы). Из фактов индуктивно получаются знания, или используется аппроксимация, если знаний недостаточно.

В случае машинного обучения знания отделяются от носителей и представляются в такой форме, чтобы машина смогла их интерпретировать. У машины правильность результатов гарантируется алгоритмом вывода. Метазнания (знания о том, как приобретать знания) закладываются в машину человеком.

Таким образом, знания для компьютера могут быть представлены в явной или неявной форме.

2 Обучение человека

Обучение человека, по сравнению с машинным обучением, обладает рядом особенностей. Во-первых, знания должны быть представлены явно. Экстенсиональные знания не подходят для передачи знаний человеку. Для добычи знания необходимо провести большой объем аналитической, вычислительной работы, а это вызывает у человека трудности. Самостоятельное формирование результата, получение интенсиональных знаний — задача сложная, требует много времени, больше чем время, отводимое на урок, лекцию или самоподготовку. Работа студента в данном случае ведется на пределе своих возможностей. При этом результат обучения не может гарантироваться. Студенты могут сделать не те выводы, которые предполагал автор курса, могут получить ошибочные выводы. Чтобы этого избежать автор учебного курса, преподаватель, должен формализовать свои выводы.

При неявном представлении знаний заявленные показатели качества обучения скромные и сомнительные. Люди могут ошибаться или могут не использовать алгоритмы, а также выборка фактов может быть не представительна. Например, есть архив истории болезней. Прочитав весь архив, человек не сможет стать врачом. В данном случае нужна машина, чтобы формировать интенсионал, знания в явной форме. И только получив последнее, студент сможет выучиться на врача. Чтобы улучшить показатели эффективности обучения, нужно упрощать процесс усвоения знаний, а не усложнять, заставляя студентов добывать знания самостоятельно.

Во-вторых, в обучении должен быть некий процесс, контролирующий процесс приобретения знаний. Должно происходить выявление отклонений в полученных знаниях и их устранение с помощью повторного изучения студентом неусвоенного материала.

Также необходимо поэтапное представление материала согласно уровню усвоения. В работе [6] описана последовательность освоения деятельности в процессе обучения, разработанная на основе таксономии Блума [7]. Процесс обучения в вузе, согласно данной последовательности представлен на рисунке 1.

Рис. 1. Последовательность обучения в вузе, согласно уровню освоения

В-третьих, у студентов метазнания различны.

В-четвертых, должен учитываться «бэкграунд» студента (багаж знаний, приобретенный студентом к моменту получения нового знания). Знания связаны друг с другом, и отсутствие некоторых из них препятствуют освоению других знаний. К началу обучения у всех студентов «бэкграунд» разный. Он зависит от того, как знания были сформированы ранее. Должны быть процедуры, позволяющие организовать получение недостающих знаний. Например, студенты-медики, изучая методику проведения полостной операции, должны обладать навыками, как остановить кровотечение. Из-за индивидуальных особенностей пациента, даже правильно произведенный разрез может привести к кровотечению.

В-пятых, в отличие от машины человек обладает разным типом восприятия информации. Одни лучше воспринимают текст, другие — аудио, третьи — видео и т. д. Поэтому для обеспечения эффективного обучения учебный материал должен быть представлен в разных формах. Тип восприятия обучающихся определяется с помощью тестирования.

В-шестых, студент нуждается в обратной связи, в общении с преподавателем, иметь возможность задавать вопросы и получать ответы.

Также немаловажным является время отклика преподавателя. В процессе решения задачи, у студента могут возникнуть трудности на одном из этапов решения, и он может обратиться с вопросом к преподавателю. Долгое ожидание, частая безрезультативная проверка, ответил преподаватель или нет (в случае дистанционного обучения), негативно влияют на процесс обучения. Для решения данной проблемы в работе [8] рассмотрена методика оперативного информирования.

Учет данных особенностей при организации процесса обучения человека позволяет добиться высокой эффективности обучения. Дерево целей для обеспечения эффективного обучения человека представлено на рисунке 2:

Рис.2. Дерево целей для обеспечения эффективного обучения человека

Заключение

Были рассмотрены особенности обучения машины и человека. Определены особенности представления знаний при данных типах обучения, эффективность и применимость добычи знаний. Выявлены основные составляющие обучения человека, которые позволяют добиться высокой эффективности обучения человека: необходимость только явного представления знаний, необходимость контроля приобретения знаний, различие в метазнаниях у разных студентов, разный бэкграунд, и тип восприятия информации у разных студентов, необходимость обратной связи с преподавателем и быстрого отклика.

Литература:

1.                  Шабалина О. А. Модели и методы для управления процессом обучения с помощью адаптивных обучающих систем: дис.... канд. тех. наук: 05.13.10. Астрахань, 2005. 158 с.

2.                  Доррер А. Г. Моделирование и разработка интерактивных обучающих систем с адаптацией: дис.... канд. тех. наук: 05.13.01. Красноярск, 2005. 156 с.

3.                  Филиппов С. А. Модели и программное обеспечение стратификационных адаптивных систем управления обучением: дис.... канд. тех. наук: 05.13.01. Москва, 2006. 169 с.

4.                  Balfour S. Assessing writing in MOOCs: automated essay scoring and calibrated peer review // Research & Practice in Assessment. 2013. Vol. 8. pp 40–48.

5.                  Искусственный интеллект. В 3-х кн. Кн.2. Модели и методы: Справочник / Под ред. Д. А. Поспелова — М: Радио и связь, 1990. 304с.

6.                  Евсеев А. И., Савкин А. Н. О необходимости учета познавательной деятельности учащихся при разработке компьютерных средств обучения // Электронный журнал ВЫЧИСЛИТЕЛЬНЫЕ СЕТИ. Теория и практика. 2006. № 2 (9). URL: network-journal.mpei.ac.ru/cgi-bin/main.pl?l=ru&n=9&pa=14&ar=2.

7.                  Krathwohl D. R. A revision of Bloom's taxonomy: An overview // Theory Into Practice. 2002. Vol.41. Num.4. pp. 212–218.

8.                  Латыпова В. А. Оперативное информирование участников учебного процесса в условиях дистанционного и смешанного обучения // Молодой ученый. Ежемесячный научный журнал. 2014. № 6 (65). С.102–106.

9.                  Тюрганов А. Г., Боровская Р. В. Data Mining and a priori intensional knowledge // CSIT’2003. Сборник научных трудов. V.1. Уфа: УГАТУ, 2003. C.217–219.