
Тип работы:	Предмет:	Язык работы:

РАЗРАБОТКА МОДЕЛИ СТУДЕНТА ДЛЯ ИНТЕЛЛЕКТУАЛЬНЫХ ОБУЧАЮЩИХ СИСТЕМ

Работа №	38963
Тип работы	Дипломные работы, ВКР
Предмет	информационные системы
Объем работы	102
Год сдачи	2019
Стоимость	0 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено	297

Не подходит работа?

Узнай цену на написание

Содержание

ВВЕДЕНИЕ 4
1. ИНДИВИДУАЛИЗАЦИЯ В ИНТЕЛЛЕКТУАЛЬНЫХ ОБУЧАЮЩИХ
СИСТЕМАХ 6
1.1. ИНТЕЛЛЕКТУАЛЬНЫЕ ОБУЧАЮЩИЕ СИСТЕМЫ 6
1.2. РЕКОМЕНДАТЕЛЬНЫЕ СИСТЕМЫ 8
2. МОДЕЛЬ СТУДЕНТА 11
2.1. ОПИСАНИЕ МОДЕЛИ СТУДЕНТА 11
2.2. КЛАССИФИКАЦИЯ МОДЕЛЕЙ СТУДЕНТА 12
2.2.1. КЛАССИФИКАЦИЯ ПО ПОЛУЧЕНИЮ ДАННЫХ 12
2.2.2. Классификация по доступности данных 13
2.2.3. Классификация по инициализации студента 14
2.2.4. Классификация по зависимости информации 15
2.3. ПОДХОДЫ К ПОСТРОЕНИЮ МОДЕЛИ СТУДЕНТА 17
2.3.1. Скалярная модель 17
2.3.2. Векторная модель 17
2.3.3. Стереотипическая модель 18
2.3.4. Оверлейная модель 19
2.3.6. Разностная модель 21
2.3.7. Пертурбационная модель 21
2.3.8. Модель ошибок 22
2.3.9. Модель достижения плана 22
2.3.10. Модель ограничений 23
2.3.11. Сеть Байеса 24
2.3.12. Модель на основе нейронной сети 24
2.4. ТРЕБОВАНИЯ 26
2.4.1. Требования к обучающей системе 26
2.4.2. Общие требования к модели студента 27
2.5. СРАВНЕНИЕ МОДЕЛЕЙ СТУДЕНТА 28
2.6. ОПИСАНИЕ ГИБРИДНОЙ МОДЕЛИ 30
2.6.1. Сеть Байеса 31
2.6.2. Структура курса 32
2.6.3. Уровень освоения темы, компетенции 34
2.6.4. Применение модели ошибок 36
2.6.5. Преимущества гибридной модели 37
3. РЕАЛИЗАЦИЯ МОДЕЛИ 40
3.1. СТРУКТУРА СИСТЕМЫ 40
3.2. ОПИСАНИЕ РАБОТЫ 42
3.3. КЛАССЫ В СИСТЕМЕ 43
3.4. РЕКОМЕНДАЦИЯ ЗАДАНИЙ 47
ЗАКЛЮЧЕНИЕ 49
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 50
ПРИЛОЖЕНИЕ 53

Введение

Использование информационных технологий и различных автоматизированных систем в обучении становится трендом в последнее время. В большинстве учебных заведений обучающие системы являются неотъемлемой частью процесса обучения. Современные системы позволяют поднять качество предоставления учебного материала, снизить нагрузку на преподавателей и увеличить уровень индивидуализации обучения студентов. Помимо этого, автоматизированный анализ результатов, уровня знаний и других характеристик студента может помочь находить у него проблемы, которые гораздо проще устранить на ранних стадиях путем изучения сложных для студента тем или решения заданий на выработку определенных компетенций. Таким образом, использование подобных систем позволяет и студентам, и преподавателям полностью контролировать процесс обучения, что несомненно влияет на повышение качества самого обучения.
Одним из важных элементов автоматизированной системы для обучения является интеллектуальная подсистема хранения и обработки знаний студента. От того, как система представляет студента и каким образом хранит его знания, зависит не только удобство взаимодействия с системой, но и ее функциональные возможности, такие как возможность построения индивидуальной траектории обучения студента или выдача подсказок и рекомендованных заданий. Для того, чтобы реализовать эту функциональность, в интеллектуальных обучающих системах присутствует такой компонент, как модель студента - некое отображение студента в системе с информацией о нем, его характеристиках и процессе обучения.
Построение рекомендаций для студента на основе модели студента является элементом индивидуализации обучения. Для этого модель студента должна иметь удобную структуру хранения, обработки и представления информации о студенте, однако на данный момент существует проблема, заключающаяся в сложности этих процессов.
Целью данной работы является разработка модели студента с удобной структурой хранения знаний и возможностью построения рекомендаций.
Для достижения поставленной цели необходимо решить следующие задачи:
1. Изучить существующие модели студента и подходы к их построению.
2. Определить требования к модели студента.
3. Сравнить подходы к построению модели студента относительно требований.
4. Выбрать подходящие подходы или разработать свою модель студента с возможностью рекомендации заданий, исходя из индивидуальных характеристик студента.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!

ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ

Курсовые Статьи Диплом Рязань

Заключение

В рамках данной дипломной работы были рассмотрены существующие подходы к построению модели студента, выделены их преимущества и недостатки, сформулированы требования, необходимые для разработки модели студента. В процессе сравнения моделей было выявлено, что ни одна из них в полной мере не соответствует требованиям, поэтому была разработана собственная модель студента на основе трёх подходов: оверлейный подход, сеть Байеса и подход учета ошибок. Получившаяся модель студента имеет удобную структуру хранения знаний и обеспечивает поддержку индивидуализированного подхода в обучении благодаря использованию системы рекомендации заданий на основе индивидуальных характеристик студента, таких как уровень знаний по конкретной теме, освоенные компетенции. При этом учитывается сложность выполнения заданий. Данная модель с поддержкой рекомендательной системы была реализована в виде программного модуля на языке Java. Разработанная модель может помочь студенту с помощью рекомендации заданий восполнить пробелы в знаниях и повысить уровень знаний. Например, имея информацию о том, где студент чаще всего ошибается, система может порекомендовать ему решить больше заданий на проработку необходимых компетенций.
В процессе написания дипломной работы было опубликовано несколько научных статей о разработанной модели студента и поддержке индивидуализированного обучения в интеллектуальных обучающих системах [17], [23]. Статьи индексируются в базе РИНЦ.

Литература

1. Манако А.Ф. Подход к построению формализованного описания информационных систем для образования и обучения // Международный электронный журнал «Образовательные технологии и общество». - 2013. - №1. - С. 10-15.
2. Омербекова А.С., Исмагамбетов Б., Сундетова А. Интеллектуальные обучающие системы // Интеллектуальный обучающий журнал Евразийского национального университета им. Л.Н.Гумилева, г. Астана. - 2012. - №5. - С. 98-107.
3. Gaudioso E., Boticario J.G. Towards web-based adaptive learning communities // Artificial Intelligence in Education. - 2003. - №1. - С. 129-145.
4. Brusilovsky P., Milan E. User models for adaptive hypermedia and adaptive educational systems // International Journal of Educational Research. - 2010. - №4. - С.3-53.
5. Lora Aroyo. User Modeling and Recommender Systems // International Journal of Adaptive and Innovative Systems. - 2006. - №3. - С. 12-17.
6. Рекомендательные системы [Электронный ресурс]. - Режим доступа: https://www.ibm.com/developerworks/ru/library/os-recommender1/index.html, свободный.
7. Konstantina Chrysafiadi, Maria Virvou. Student modeling approaches: A literature review for the last decade // Expert Systems with Applications. - 2013. - №40. - С.4715-4729.
8. Sibel Somyurek. Student modeling: Recognizing the individual needs of users in elearning environments // International Journal of Human Sciences. - 2009. - №6. -
С. 10-16.
9. Glushkova T. Adaptive model for user knowledge in the e-learning system // Computer systems and technologies. - 2010. - №1. - С. 35-47.
10. Castillo G., Gama J., Breda A. M. An adaptive predictive model for student modeling // Personalized learning environments. - 2009. - №1. - С. 70-92.
11. Gonzalez C., Burguillo J. C., Llamas M. A qualitative comparison of techniques for student modeling in intelligent tutoring systems // International Journal of Education and Learning Systems. - 2009. - №5. - С. 13-18.
12. Jeremic Z., Jovanovic J., Gasevic D. Student modeling and assessment in intelligent tutoring of software patterns // Expert Systems with Applications. 2012. - №39. - С. 210-222.
13. Desmarais M. C., Baker R. S. A review of recent advances in learner and skill modeling in intelligent learning environments // User Modeling and User-Adapted Interaction. - 2012. - №22. - С. 9-38.
14. Martins A. C., Faria L., Vaz de Carvalho C., Carrapatoso E. User modeling in adaptive hypermedia educational systems // Educational Technology & Society. - 2008. - №11. - С. 194-207.
15. Durrani S., Durrani, D. S. Intelligent tutoring systems and cognitive abilities // International Journal of Education and Learning Systems. - 2010. - №1. - С. 10
24.
16. Liu C. Using bayesian networks for student modeling // International Journal of Teaching & Education. - 2008. - №2. - С. 97-113.
17. Каяшев М.В., Макаров Д.Ю., Марченко А.А. Образовательная аналитика и адаптивное обучение с использованием модели студента в интеллектуальных обучающих системах // Российский научный электронный журнал «Электронные библиотеки». - 2018. - №3. - С. 181-192.
18. Mayo M. J. Bayesian student modelling and decision-theoretic selection of tutorial actions in intelligent tutoring systems [Электронный ресурс]. - Режим доступа: http://www.cosc.canterbury.ac.nz/research/reports/PhdTheses/2001/phd 0102.pdf, свободный.
19. Millan E., Perez de la Cruz J. A Bayesian diagnostic Algorithm for student modeling // User Modeling and User-Adapted Interaction. - 2002. - №12. - С. 281330.
20. Millan, E., Loboda T., Perez-de-la-Cruz J. Bayesian networks for student model engineering // Computers & Education. - 2010. - №55. - С. 1663-1683.
21. Sucar L. E., Noguez J. Student modeling // Journal of Information Systems Education. - 2008. - №5. - С. 173-185.
22. Kay J. Stereotypes, student models and scrutability // Intelligent Tutoring Systems. - 2010. - №3. - С. 19-30.
23. Каяшев М.В. Реализация механизмов поддержки индивидуализированного обучения в интеллектуальных обучающих системах // Вопросы науки и образования. - 2017. - №8. - С. 20-22.