ПОРІВНЯЛЬНИЙ АНАЛІЗ ПІДХОДІВ ДО ВИЗНАЧЕННЯ ЗАЦІКАВЛЕНОСТІ КОРИСТУВАЧА НАВЧАЛЬНИМИ МАТЕРІАЛАМИ В АДАПТИВНИХ НАВЧАЛЬНИХ СИСТЕМАХ
DOI:
https://doi.org/10.18372/2310-5461.32.11180Ключові слова:
адаптивні навчальні курси, системи навчання, рівень зацікавленості, програмне забезпеченняАнотація
У даній статті розглянуто проблему підходів до автоматичного визначення рівня зацікавленості елементами електронних навчальних комплексів. Рівень зацікавленості використовується як один з ключових параметрів, який характеризує якість сприйняття навчальних матеріалів у випадку роботи студента без прямого зворотного зв’язку з викладачем. На основі оцінки якості сприйняття інформації і ряду інших параметрів здійснюється адаптивне формування інформаційних ресурсів, які дозволять автоматично вибудувати гнучку систему наповнення електронного навчального комплексу.
Основна проблема оцінки зацікавленості полягає в такому: 1) відсутність готових математичних моделей, що описують зв’язок реакцій користувача і його інтерес до навчальних матеріалів; 2) відсутність статистичної вибірки з оцінюванням зв’язків матеріал-інтерес-студент; 3) деякі з параметрів оцінки реакцій користувача носять нечислової характер. У статті проводиться порівняльний аналіз наступних методів: байесівський, фазового інтервалу, логічного висновку, нейронних мереж, нечітких множин. Показано, що найбільш перспективним математичним апаратом для розробки системи визначення рівня зацікавленості користувача навчальними матеріалами є нечітка логіка. Застосування нечіткої логіки дає можливість будувати системи оцінки на базі експертних висловлювань про причинно-наслідкові зв’язки між реакціями користувача і рівнем зацікавленості.
Посилання
Evidence-Based Educational Methods / J. M. Da-niel, W. M. Richard, D. R. Roger and others; Edited by J. M. Daniel and W.M. Richard. — Elsevier Science & Technology Books, 2004. — 408 р.
Cristea A. Adaptive Hypermedia and Adaptive Web-Based Systems / Cristea Alexandra, Aroyo Lora // Second International Conference, May 29–31, 2002, Málaga, Spain. — P. 122–132.
Artamonov E. B. Concept of creating a software environment for automated text manipulation // E. B. Artamonov, O. O. Zholdakov. — Scientific journal “Proceedings of the National Aviation University”. — K. : NAU. — 2010. — Вип. 3 (44). — P. 111–115.
Дуда Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт; пер. с англ. — М. : Мир, 1976. —511 с.
Козелецкий Ю. Психологическая теория решений / Ю. Козелецкий. — М. : Прогресс, 1979. — 504 с.
Ротштейн А. П. Прогнозирование надежности алгоритмических процессов при нечетких исходных данных / А. П. Ротштейн, С. Д. Штовба // Кибернетика и системный анализ. — 1998. — №4. — С. 85–93.
Литвиненко А. Е. Определение класса истинности логических формул методом направленного перебора / А. Е. Литвиненко // Кибернетика и системный анализ. — 2000. — № 5. — С. 23–31.
Осуга С. Обработка знаний / С. Осуга; пер. с япон. — М. : Мир, 1989. — 292 с.
Назаров А. В. Нейросетевые алгоритмы прогнозирования и оптимизации систем / А. В. Наза-ров, А. И. Лоскутов. — СПб. : Наука и техника, 2003. — 394 с.
Тененёв В. А. Гибридный генетический алгоритм с дополнительным обучением лидера / В. А. Те-ненёв, Н. Б. Паклин // Интеллектуальные системы в производстве. — 2003. — № 2. — С. 181–206.
