От LMS к адаптивным обучающим системам

Использование информационных технологий и, в частности, автоматизированных систем управления обучением, увеличивает возможности как преподавателя, так и обучаемого, в достижении своих целей в образовательном процессе. Такие системы предоставляют учебный контент, помогают организовать и контролировать обучение, собирают статистику прогресса, а также могут учитывать индивидуальные особенности каждого пользователя системы. Целью данного исследования является определение направления развития современных обучающих систем и технологий их реализации. Была рассмотрена эволюция автоматизированных систем управления обучением, переход к интеллектуальным обучающим системам, основные этапы работы таких систем, проанализированы виды последовательностей обучения, выявлена трансформация в адаптивные обучающие системы, приведена схема работы системы и ее математическая модель. В качестве механизмов реализации обучающих систем определены экспертные системы, теория нечетких множеств и нечеткой логики, кластерный анализ, а также генетические алгоритмы и искусственные нейронные сети. Искусственная нейронная сеть в адаптивной обучающей системе позволит создавать уникальную программу обучения, которая будет отталкиваться от имеющихся знаний и уровня восприятия учебного материала обучающимся. Формализовав интеллектуальные процессы, которые осуществляют как преподаватель, так и обучающийся, можно автоматизировать определенную часть функций преподавателя, сократить затраты на ручной труд, что позволит более просто осуществлять контроль за учебным процессом, а также сделать процесс обучения более эффективным.

1. Ellis, Ryann K. Field Guide to Learning Management Systems // ASTD Learning Circuits [Электронный ресурс]. – 2009. – Режим доступа: http://www.astd.org//media/Files/Publications/LMS_fieldguide_20091 – Дата доступа: 03.11.2018.

2. Попова, Ю. Б. Классификация автоматизированных систем управления обучением / Ю. Б. Попова // Системный анализ и прикладная информатика. – 2016. – № 3. – С. 51–58.

3. Брусиловский, П. Л. Адаптивные и интеллектуальные технологии в сетевом обучении / П. Л. Брусиловский // Новости искусственного интеллекта. – 2002. – № 5. – С. 25–31.

4. Брусиловский, П. Л. Интеллектуальные обучающие системы / П. Л. Брусиловский // Информатика. Информационные технологии. Средства и системы. – 1990. – № 2. – С. 3–22.

5. Семенова, Н. Г. База знаний интеллектуальной обучающей системы технической дисциплины / Н. Г. Семенова, А. М. Семенов, И. Б. Крылов // Вестник Оренбургского государственного университета. – 2013. – № 9. – С. 44–54.

6. Пелюшенко, А. В. Обучающие среды и интеллектуальные обучающие системы: возможности использования в образовательном процессе / А. В. Пелюшенко // Известия Волгоградского государственного технического университета. – 2006. – № 3. – C. 48–50.

7. Попова, Ю. Б. Представление знаний в обучающих системах на основе теории нечетких множеств / Попова, Ю. Б., Бураковский А. И. // Системный анализ и прикладная информатика. – 2016. – № 2. – С. 58–65.

8. Модельное обеспечение автоматизированных обучающих систем. Обзор // Наука и образование: [Электронный ресурс] / МГТУ им. Н. Э. Баумана / Карпенко А. П., 2011. – Режим доступа: http://technomag.edu.ru/doc/193116.html – Дата доступа: 09.11.2018.

9. Стандарты в сфере дистанционного обучения [Электронный ресурс]. – Режим доступа: http://dist.by/distantsionnoe/16-standarty-v-sfere-distantsionnogo-obucheniya – Дата доступа: 20.10.2018.

10. Информационно-коммуникационные технологии в образовании [Электронный ресурс]. – Современные тенденции в кластерном анализе. В. Б. Бериков, Г. С. Лбов. – Режим доступа: http://www.ict.edu.ru/ft/005638/62315e1st02.pdf – Дата доступа: 09.11.2018.

11. Попова Ю. Б., Яцынович С. В. Обучение искусственных нейронных сетей методом обратного распространения ошибки. // [Электронный ресурс]. – Режим доступа: http://www.bntu.by/news/67-conference-mido/4860-2016-1118-15-47-40.html – Дата доступа: 01.10.2018.