Курсовая работа: Адаптивные и интеллектуальные технологии для Сетевого обучения

.

ПитерБрусиловски

Carnegie Technology Education and Human-Computer Interaction Institute

Carnegie Mellon University

Работа представляет обзор адаптивных и интеллектуальных технологий в среде Сетевого дистанционного обучения. Мы анализируем, какие виды технологий доступны в настоящее время, насколько легко они могут применяться в Сети, и каково место этих технологий в широкомасштабном Сетевом обучении.

1 Введение

Сетевое обучение (СО, Web-basededucation (WBE)) сейчас является областью усиленного исследования и развития. Выгоды Сетевого обучения ясны: аудиторная независимость и платформенная независимость. Сетевое обучающее программное обеспечение установленное и обслуживаемое в одном месте может использоваться по всему миру тысячами учащихся, имеющих любой вид подключенного к Интернету компьютера. Тысячи программ Сетевого обучения и других образовательных приложений стали доступны в Сети за последние пять лет. Проблема состоит в том, что большинство из них являются не более чем статичными гипертекстовыми страницами. Целью исследований является развитие продвинутых Сетевых образовательных приложений, которые смогли бы предложить некоторое количество адаптивности и интеллектуальности. Эти особенности стали важны для приложений СО с тех пор, как дистанционные обучаемые в основном стали обучаться сами по себе (обычно из дома). Интеллектуальное и личное содействие, которое могут дать учитель или студент-сокурсник в обычном аудиторном положении, нелегко достижимо. Адаптивность важна для программного обеспечения СО еще и потому, что оно должно использоваться намного более разнообразным множеством студентов, чем любое “однопользовательское” обучающее приложение. Сетевое ПО, разработанное для класса пользователей с одним складом ума, может не подойти другим.

С самых ранних дней Сети некоторое число исследовательских групп применяло различные виды адаптивных и интеллектуальных систем для сайтового и дистанционного СО. Цель этой статьи – краткий обзор работы проделанной в этой области. Обзор сконцентрирован на различных адаптивных и интеллектуальных технологиях. Мы находимся на уровне технологий, способных обеспечить совместимость с ранними статьями по адаптивной гипермедиа и Сетевым ИОС. Под адаптивными и интеллектуальными технологиями мы имеем в виду различные пути добавления адаптивной или интеллектуальной функциональности обучающей системе. Технология обычно может быть разобрана на составляющие зерна: технические приемы и методы, которые связаны с различными вариантами функциональности и различными видами ее реализации. В следующем разделе мы проанализируем, какие виды технологий доступны прямо сейчас, и насколько легко их реализовать в Сети. После этого мы обсудим, каково место этих технологий в широкомасштабном Сетевом обучении.

2 Сетевые обучающие системы: обзор технологий

Сетевые адаптивные и интеллектуальные обучающие системы (АИОС) не являются новым видом систем в полном объеме. Исторически, почти все Сетевые АИОС - наследники двух более ранних видов АИОС: интеллектуальных обучающих систем (ИОС) и адаптивных систем гипермедиа. Большинство адаптивных и интеллектуальных технологий применяемых в Сетевых АИОС были напрямую приспособлены либо из области их ИОС, либо из области адаптивной гипермедиа. Как только исследования Сетевых АИОС станут более зрелыми, они будут производить оригинальные технологии, вдохновленные Сетевой обстановкой. По крайней мере, одна из этих Сетью вдохновленных технологий уже может быть определена (подбор моделей). Этот параграф рассматривает существующие технологии, группируя их по происхождению. Для каждой технологии мы перечисляем существующие Сетевые АИОС и проекты, которые реализуют разновидности этой технологии, и обсуждаем пути ее реализации в Сети.

2.1 Технологии ИОС в Сетевом Обучении

Интеллектуальные обучающие системы – это традиционная область исследований, рассматривающих проблему развития АИОС. Целью различных ИОС является использование знаний о сфере обучения, обучаемом и о стратегиях обучения для обеспечения гибкого индивидуализированного заучивания и обучения. Обзор существующих интеллектуальных обучающих систем, выполненный автором в 1990 году, помог распознать три главные составляющие технологии ИОС: построение последовательности курса обучения, интеллектуальный анализ ответов обучаемого и интерактивная поддержка в решении задач. Все эти технологии были осуществлены в многочисленных ИОС. С 1990 года только одна новая технология (помощь в решении задач основанная на примерах) была добавлена к набору для классификации функциональности, которая не охватывалась тремя основными. Несмотря на то, что рассматриваемый набор технологий ИОС может выглядеть субъективным и неполным, он может быть очень полезен для классификации существующих Сетевых АИОС. Сетевые АИОС, использующие традиционные технологии ИОС, обычно называются Сетевыми ИОС. О первых Сетевых ИОС сообщалось в 1995-1996 гг.. Эти системы до сих пор составляют скорее малую часть в области применения ИОС.

2.1.1 Построение последовательности курса обучения

Целью технологии построения последовательности курса обучения (также называемой технологией учебного планирования) является обеспечение обучаемого наиболее подходящей, индивидуально спланированной последовательностью блоков знаний для заучивания и последовательностью учебных заданий (примеры, вопросы, задачи и т.д.) для занятий. Другими словами, она помогает обучаемому найти "оптимальный путь" через учебный материал. Классическим примером является система BIP. Существует два существенно разных вида построения последовательностей: активные и пассивные. Активное построение последовательности подразумевает наличие цели обучения (подмножество понятий сферы обучения или тем, которыми надо овладеть). Системы с активной последовательностью могут построить лучший индивидуальный путь для достижения цели. Пассивная последовательность (которая также называется корректировкой) является возвращающей технологией и не требует активной цели обучения. Она начинает действовать, когда пользователь не способен решить задачу или ответить на вопрос (вопросы) правильно. Ее цель предложить пользователю подмножество доступного материала для заучивания, которое может заполнить пробел в знаниях студента для разрешения заблуждения. В системах с активной последовательностью различают системы с жесткой и приспосабливаемой целью обучения. Большинство существующих систем могут провести своих студентов к фиксированной цели обучения – полному множеству понятий сферы обучения. Несколько систем с приспосабливаемой целью позволяют учителю или студенту выбирать подмножество всех понятий сферы обучения как текущую цель. В большинстве систем ИОС с последовательностями возможно выделить два уровня последовательностей: высокий и низкий. Последовательность высокого уровня (или последовательность знаний) определяет следующую подцель заучивания: следующее понятие, набор понятий, тему или урок, которые необходимо выучить. Последовательность низкого уровня (или последовательность заданий) определяет следующее учебное задание (задачу, пример, тест) внутри текущей подцели. Последовательности высокого и низкого уровня часто исполняются различными механизмами. Во многих системах ИОС только один из этих двух механизмов интеллектуальный, например, урок выбирается обучаемым, в то время как учебные задания внутри этого урока адаптивно выбираются системой. Некоторые системы могут управлять только порядком заданий конкретного вида: обычно задач или вопросов. В этом случае можно также назвать последовательность задач или вопросов.

Построение последовательности в настоящее время наиболее популярная технология в Сетевых АИОС. Почти все виды последовательностей упомянутых выше уже реализованы для Сети. Активная последовательность является преобладающим типом. Только несколько систем (InterBook, PAT-InterBook, CALAT, VCPrologTutor, andRemedialMultimediaSystem) могут предоставлять пассивные корректирующие последовательности. Среди систем с активной последовательностью только горстка систем, таких как ELM-ART-II, AST, ADI, ART-Web, ACE, KBS-Hyperbook и ILESA способны интеллектуально вырабатывать последовательности как высокого, так и низкого уровней. Остальные, такие как Manic, оставляют выбор вида деятельности внутри темы пользователю. И наоборот, некоторые системы, такие как Medtec, оставляют выбор темы пользователю, но могут производить адаптивную последовательность задач внутри темы. Большинство систем поддерживает последовательности с фиксированными целями (равнозначными полному курсу). Только несколько систем поддерживают приспосабливаемые цели заучивания, позволяющие учителю (как в DCG) или обучаемому (как в InterBook и KBSHyperbook) выбирать индивидуальную цель. Обучаемый может выбрать цель в виде подмножества понятий сферы обучения (InterBook) или программы (KBSHyperbook).

Активная последовательность в большинстве систем управляется знаниями обучаемого (точнее разницей между знаниями обучаемого и глобальной целью). Однако несколько систем и проектов экспериментируют с использованием предпочтений обучаемого в типе и способах представления доступного учебного материала для управления последовательностью заданий внутри темы. Найдено два интересных случая последовательностей: в системах DCG и SIETTE. DCG может выдавать продвинутую последовательность образовательного материала, приспособленного к цели обучения. Однако построение последовательности выполняется перед тем, как обучаемый начинает работать с системой производящей статический сетевой курс. SIETTE является примером Сетевой адаптивной тестирующей системы. Единственный вид учебного материала, которым она обладает, вопросы. Единственное, что она может делать, это – генерировать адаптивную последовательность вопросов для оценивания знаний обучаемого. Системы типа SIETTE неполны по своей природе, и должны использоваться как компоненты распространяемых Сетевых АИОС.

Хотя построение последовательности курса обучения можно рассматривать как старейшую технологию ИОС (она была почти во всех первых ИОС), около 20 лет она была Золушкой среди остальных технологий. Ей уделялось очень мало внимания. Основные исследования ИОС были сконцентрированы вокруг технологий поддержки в решении задач (они будут проанализированы ниже). Поддержка в решении задач рассматривалась как главная обязанность ИОС, в то время как доставка и построение последовательностей образовательного материала предполагались выполняемыми вне системы (обычно учителем-человеком). Конечно, почти нет ИОС, содержащих образовательный материал внутри себя (в отличии от набора задач). Положение с Сетевыми АИОС очень отличается. В среде Сетевого образования целые пласты гранита науки (обычно выстроенного в виде гиперпространства) являются одной из главных привлекательных черт образовательной системы. Здесь (в связи с проблемой "потери в гиперпространстве") технология последовательности курса обучения становится очень важной для указания пути обучаемому в гиперпространстве доступной информации. Также эта технология может быть легко и естественно реализована в Сети: все знания могут быть расположены на сервере и все построения последовательностей могут быть сделаны CGI-скриптом. Не удивительно, что это не только старейшая, но также и наиболее популярная технология Сетевых АИОС.

2.1.2 Поддержка в решении задач

Как это упоминалось выше, в течении многих лет поддержка в решении задач рассматривалась как главная обязанность систем ИОС и главное значение технологии ИОС. Мы установили три технологии поддержки в решении задач: интеллектуальный анализ решений обучаемого, интерактивная поддержка в решении задач и поддержка в решении задач на примерах. Все эти технологии могут помочь студенту в процессе решения образовательной задачи, но делают они это разными способами.

Интеллектуальный анализ решений обучаемого имеет дело с конечными ответами обучаемого на образовательные задачи (как были получены эти ответы неважно). Чтобы считаться интеллектуальным, анализатор решений должен решить, верно решение или нет, найти, что конкретно неправильно или неполно, и, возможно, определить, какие недостающие или неправильные знания могут быть ответственны за ошибку (последнее действие относится к определению знаний). Интеллектуальные анализаторы могут предоставлять обучаемым далеко идущую обратную связь и обновлять модель обучаемого. Классическим примером является PROUST [Johnson, 1986 #681]. Как можно увидеть в таблицах 1 и 3, число сетевых АИОС реализующих интеллектуальный анализ решений обучаемого невелико.

Интерактивная поддержка в решении задач более современная и более мощная технология. Вместо ожидания конечного решения эта технология предоставляет обучаемому интеллектуальную помощь на каждом шаге решения задачи. Уровень помощи может быть разным: от оповещения о неправильно сделанном шаге до выдачи совета и выполнения следующего шага за студента. Системы (часто называемые интерактивными тренажерами), в которых реализуется эта технология, могут наблюдать за действиями студента, понимать их и использовать их понимание для предоставления помощи и обновления модели обучаемого. Классический пример - LISP-TUTOR. Эта технология также представлена в Сетевых АИОС (Таблицы 1 и 3).

Технология поддержки в решении задач на примерах самая новая. Эта технология помогает обучаемым решать новые задачи, не выделяя их ошибки, а предлагая примеры успешного решения схожих задач из их более раннего опыта (это могут быть примеры, объясненные им, или задачи решенные ими ранее). Пример: ELM-PE. В Сети эта технология реализована в ELM-ART и ELM-ART-II.

В области традиционных ИОС технология поддержки в решении задач на примерах абсолютно преобладает. Интерактивная поддержка в решении задач является предельной целью почти всех ИОС, в то время как интеллектуальный анализ решений обучаемого часто считается несовершенным, а поддержка в решении задач на примерах слишком редка, чтобы рассматривать ее как соперника. Но опять же, в Сети ситуация меняется: и интеллектуальный анализ решений обучаемого, и поддержка в решении задач на примерах кажутся в Сети очень естественными и полезными. Обе технологии пассивны (работают по запросу обучаемого) и соответственно могут быть относительно легко реализованы в сети при помощи интерфейса CGI. Более того, старые однопользовательские программы АИОС, использующие эти технологии, могут быть относительно легко размещены в сети реализацией CGI-шлюзов к ним. Неудивительно, что эти технологии были среди первых реализованных для Сети. Важной выгодой применения этих двух технологий в сети является их низкая интерактивность: им обоим обычно требуется только одно взаимодействие между браузером и сервером для цикла решения задачи. А это очень важно в случае медленной Интернет-связи. Эти технологии могут обеспечивать интеллектуальную поддержку в случае, когда трудно использовать более интерактивные технологии. В настоящее время эти технологии преобладают в Сетевой среде над более мощной, но жадной до взаимодействия интерактивной поддержкой в решении задач.

Технология интерактивной поддержки в решении задач последней из технологий ИОС переселилась в Сеть. Проблема в том, что подход к реализации Сетевых ИОС "наспех" (разработка интерфейсов CGI к старым однопользовательским ИОС), использовавшийся в первых системах, не проявил себя должным образом для этой технологии. Это можно продемонстрировать на примере системы PAT-Online, которая вероятно была первой попыткой реализации интерактивной поддержки в решении задач в Сети. Эта система использует основанный на разновидности CGI-AppleScript интерфейс для однопользовательской системы Репетитор по практической алгебре (PracticalAlgebraTutor - PAT). Поскольку интерфейс CGI пассивный, Сетевая версия должна предоставлять обучаемому кнопку "подчинения" для получения обратной связи с системой. Естественно это также добавляло еще одну особенность, которая была важна для обучаемых с медленным Интернет-соединением: возможность требования обратной связи после выполнения нескольких шагов решения задачи. В результате PAT-Online переместилась в категорию интеллектуальных анализаторов задач, точнее в подкатегорию анализаторов, способных анализировать неполные решения (ELM-ART также принадлежит этой подкатегории). Интеллектуальные анализаторы этой подкатегории можно расположить между традиционными анализаторами и интерактивными репетиторами (в Таблицах 1 и 3 они обозначены ключевым словом "частичная", однако, их нельзя рассматривать как настоящие интерактивные тренажеры).

Настоящий интерактивный репетитор должен быть не только интерактивным, но и активным. Он не должен спать в промежутках от одного запроса к другому, а вместо этого он должен быть способен наблюдать, что делает обучаемый и немедленно реагировать на ошибки. Но это просто не может быть реализовано при помощи обычной интерактивности CGI на сервере и требует клиентской интерактивности основанной на Java. Технология Java развилась очень недавно. Два года назад в обзоре она называлась как перспективная платформа для Сетевых АИОС, но было упомянуто всего три Java системы. Сейчас Java обеспечивает надежное решение проблемы для Сетевых интерактивных репетиторов. Если быть более точным, то Java предлагает два различных решения. Одно состоит в том, что репетитор полностью реализован на Java. Это может быть как апплет, работающий в браузере, так и приложение Java. Другим решением является распространяемый клиент-серверный репетитор, в котором часть функций реализована на Java и работает на клиентской стороне, а другая часть работает на сервере. Части связаны через Интернет. Хотя чистое Java решение выглядит проще (всего лишь новый язык для создания АИОС), клиент-серверная архитектура предлагает более привлекательный выбор для развития Сетевых репетиторов. Это определенный выбор для размещения однопользовательских интерактивных репетиторов в Сети. D3-WWW-Trainer и AlgeBrain показывают, как заново использовать интеллектуальные функции предшествующих однопользовательских репетиторов, заменяя их на серверные приложения, и разрабатывая относительно слабых "безмозглых" Java клиентов, которые реализуют интерфейсные функции и связываются с интеллектуальным сервером. Недавно реализованные событийные репетиторы, такие как ADIS и ILESA, которые могут быть легко реализованы на чистой Java, в отличии от клиент-серверной архитектуры имеют такую выгоду как централизованное построение модели обучаемого. В конечном итоге накладные расходы клиент-серверного подхода (необходимость иметь распространяемую систему) не такие большие, с тех пор как Java естественным образом поддерживает несколько способов клиент-серверной взаимосвязи - HTTP/CGI, сокеты или RMI/CORBA. Мы думаем, что архитектура клиент-сервер станет очень популярной в будущие годы в качестве стандарта реализации Сетевых интерактивных репетиторов и пути реализации всех видов высоко интерактивных Сетевых АИОС. Мы уже видим примеры ее использования: в реализации интерфейса основанного на пере в WITS-II и одушевленного педагогического агента Винсента в TEMAI.

2.2 Технологии адаптивной гипермедиа в Сетевом обучении

Адаптивная гипермедиа – это относительно новая область исследований. Системы адаптивной гипермедиа применяют различные виды моделей пользователя для приспосабливания содержимого и ссылок страниц гипермедиа для него. Мы различаем две главные технологии в адаптивной гипермедиа: адаптивное представление и адаптивная поддержка в навигации. Образование всегда было одной из главных областей применения адаптивной гипермедиа. Некоторое количество однопользовательских (т.е. несетевых) адаптивных образовательных систем гипермедиа было создано между 1990 и 1996 годами. О первых Сетевых АИОС использующих адаптивную гипермедиа сообщалось в 1996 году. С тех пор Сеть стала основной платформой для развития образовательных систем адаптивной гипермедиа.

Цель технологии адаптивной поддержки в навигации - это поддержка обучаемого в ориентации и навигации в гиперпространстве посредством изменения проявления видимых ссылок. Адаптивную поддержку в навигации (АПН) можно рассмотреть как обобщение технологии последовательности курса обучения для гипермедиа. Их объединяет общая цель – помочь обучаемому найти "оптимальный путь" через учебный материал. В то же время адаптивная поддержка в навигации имеет больший выбор, чем обычная последовательность: она может вести пользователя явно и неявно. В WWW, где гипермедиа является основным образцом устройства, адаптивная поддержка в навигации может использоваться очень легко и эффективно. Существует несколько известных способов приспосабливать ссылки. Вот два примера однопользовательских АПН систем: ISIS-Tutor с адаптивными сокрытием и помечиванием и Hypadapter с адаптивными сокрытием и сортировкой. Тремя наиболее популярными путями, используемыми в Сети, являются прямое руководство, адаптивное помечивание ссылок и адаптивное сокрытие ссылок.

Под прямым руководством подразумевается то, что система сообщает обучаемому, какая из ссылок на текущей странице приведет его или ее на "лучшую" страницу в гиперпространстве (какая страница "лучшая" решается на основе текущих знаний обучаемого и цели обучения). Часто, если ссылка на следующую страницу не присутствует на текущей странице, система может сгенерировать динамическую "следующую" ссылку. Как можно увидеть, адаптивная поддержка в навигации с прямым руководством почти эквивалентна технологии последовательности курса обучения. Тем не менее, есть некоторые различия (вдобавок к разному происхождению). Страница, предлагаемая прямым руководством, всегда страница существующего гиперпространства. Обучаемый обычно может достичь этой страницы за один или несколько шагов без руководства системы. Руководство всего лишь помогает обучаемому осознать, что эта страница "лучшая", и быстрее до нее добраться. В ИОС с адаптивной последовательностью "страница" с лучшим следующим заданием или представлением может быть полностью порождена из знаний системы, поэтому у обучаемого нет другого пути добраться до этого материала, кроме как используя последовательность. Также прямое руководство обычно применяет одноуровневый механизм последовательностей по сравнению с двухуровневыми последовательностями в большинстве ИОС: лучшая страница просто выбирается из набора приемлемых страниц, используя некоторую эвристику. Мы называем этот способ последовательностью страниц. InterBook и ELM-ART представляют хороший пример этой технологии. Однако различия между этими двумя технологиями начинают исчезать в Сетевой обстановке. Сетевые системы ИОС естественно перемещаются на платформу представлений в виде гипермедиа, в крайнем случае, хотя бы части материала. С тех пор как некоторые виды образовательного материала (представления, задачи и вопросы) представлены как набор узловых точек в гиперпространстве, их последовательность стала неотличимой от прямого руководства. Чтобы подчеркнуть это сходство мы расположили адаптивную последовательность и адаптивную поддержку в навигации с прямым руководством в одном столбце таблиц.

Наиболее популярный вид АПН в Сети – помечивание. Впервые оно использовалось в ELM-ART и с тех пор применяется во всех потомках ELM-ART, таких как InterBook, AST, ADI, ACE и ART-Web, а также и в некоторых других системах как WEST-KBNS и KBSHyperBook. В ELM-ART и InterBook также используется адаптивная поддержка в навигации сортировкой. Другой популярной технологией является сокрытие и отключение (разновидность сокрытия, оставляющая ссылку видимой, но не позволяющая пользователю отправиться на страницу этой ссылки, если эта страница еще не готова к заучиванию). Выбор состоит в том, что можно сделать ссылку полностью нерабочей (ничего не происходит, когда пользователь нажимает на нее), как сделано, например, в RemedialMultimediaSystem, или показать пользователю список страниц, которые необходимо прочесть перед конечной, как сделано в Albatros. В таблицах 1 и 2 перечисляются все главные системы, которые используют адаптивную поддержку в навигации, и указывается ее вид.

Цель технологии адаптивного представления – приспособить содержимое страницы гипермедиа к целям, знаниям пользователя, а также к другой информации хранящейся в модели пользователя. В системе с адаптивным представлением страницы не статичны, а адаптивно генерируемы или собираемы по частям для каждого пользователя. Например, при использовании некоторых адаптивных способах представления опытный пользователь получает более подробную и глубокую информацию, в то время как новички получают больше дополнительных объяснений. Адаптивное представление очень важно в Сети, где одна и та же "страница" должна подходить сильно различающимся обучаемым. Только в двух Сетевых АОС реализовано адаптивное представление в законченном виде: PT и AHA. Обе эти системы применяют гибкий, но низкоуровневый условный текстовый способ. Некоторые другие системы используют адаптивное представление в особых случаях. Medtec способна генерировать адаптивный конспект глав книги. MetaLinks способна породить особое предисловие к содержимому страницы, зависящее от того, откуда обучаемый попал на эту страницу. ELM-ART, AST, InterBook и другие потомки ELM-ART используют адаптивное представление для обеспечения адаптивной вставки предупреждений об образовательном статусе страницы. Например, если страница не готова к заучиванию, ELM-ART и AST вставляют текстовое предупреждение в ее конце, а InterBook вставляет предупреждающее изображение в виде красного препятствия. Очень интересный пример адаптивного представления предложен в проекте WebPersona, где индивидуальное представление информации в образовательном гипертексте выполняется похожим на живого агентом.

2.3 Вдохновленные Сетевой обстановкой технологии в Сетевом обучении

Последняя группа технологий является, вероятно, самой волнующей, поскольку эти технологии почти не имеют корней в доинтернетовских образовательных системах. В настоящее время в эту группу входит только одна технология. Мы называем ее подбором моделей обучаемых (или просто подбором моделей), потому что суть этой технологии состоит в способности анализировать и подбирать модели многих обучаемых одновременно. Обычные адаптивные и интеллектуальные образовательные системы не имеют возможности исследовать эту технологию, так как они обычно работают с одним обучаемым (и одной моделью обучаемого) за раз. Иначе в случае СО, эта возможность естественна, поскольку записи обучаемых хранятся централизованно на сервере (по крайней мере, в административных целях). Это обеспечивает отличную основу для развития различных адаптивных и интеллектуальных технологий, которые смогут как-то использовать подбор моделей для различных обучаемых. Пока мы определили два примера подбора моделей обучаемых, которые мы называем адаптивной поддержкой сотрудничества и интеллектуальным наблюдением за классом. Эти примеры полностью отличаются друг от друга и вероятно могут рассматриваться как различные технологии внутри группы подбора моделей обучаемых.

Адаптивная поддержка сотрудничества – это очень новая технология, которая развивалась последние 5 лет вместе с развитием сетевых образовательных систем. Целью адаптивной поддержки сотрудничества является использование знаний системы о различных обучаемых для подбора групп для различных видов сотрудничества. Первые примеры не-СОИ (т.е. ни Сетевой, не образовательной) адаптивной поддержки сотрудничества известны уже несколько лет. В эти примеры входит формирование групп для совместного решения задач в подходящий момент времени или нахождение наиболее компетентного сокурсника, чтобы ответить на вопрос о теме (т.е. нахождение человека с моделью, показывающей хорошее знание этой темы). Меньше чем два года назад Брусиловски предсказывал, что адаптивная поддержка сотрудничества станет популярной технологией. Почти сразу предсказание стало правдой. Сейчас мы можем перечислить несколько существующих примеров адаптивной поддержки сотрудничества в среде СОИ. Группа из Университета Саскачевана расширила свою оригинальную, ориентированную на рабочие места технологию помощи сокурсников разработанную для системы PHelpS для среды СОИ в своей системе IntelligentHelpdesk. Другая схожая система развивалась и эволюционировала в Университете Центральной Флориды. Вдобавок к этому, группа в Университете Дьюисберга, известная своей новаторской работой по адаптивной поддержке сотрудничества недавно предложила основательный фундамент для реализации методов интеллектуальной поддержки для распространяемого интернетовского образования. Эта основа может естественным образом поддерживать их оригинальный способ адаптивной поддержки сотрудничества и обеспечивает основу для исследований других методов подбора моделей.

Интеллектуальное наблюдение за классом также основано на возможности сравнивать записи о различных обучаемых. Однако вместо поиска совпадений оно ищет различия. Целью является определение обучаемых, которые учат записи существенно отличающимся образом от их сокурсников. Эти обучаемые могут отличаться от остальных по-разному. Они могут быть развивающимися слишком быстро, или слишком медленно, или просто имеющими доступ к гораздо меньшему материалу, чем остальные. В любом случае эти обучаемые нуждаются во внимании преподавателя больше, чем остальные, чтобы бросить вызов тем, кто может; чтобы обеспечить больше объяснений тем, кто не может; и подтолкнуть тех, кто мешкает. В обычной аудитории преподаватель может следить за посещаемостью и вниманием обучаемых, чтобы найти обучаемых нуждающихся в особом внимании. В Сетевой аудитории преподаватель в лучшем случае имеет только данные из журнала, которые тяжелы для понимания. В то же время необходимость распознавания небольшого подмножества обучаемых, нуждающихся в помощи больше, чем остальные, является более важной. В среде СОИ на общение между преподавателем и обучаемыми обычно тратится больше времени, и отдаленный преподаватель просто не может индивидуально обратиться больше чем к небольшому подмножеству класса. Система HyperClassroom представляет интересный пример использования нечетких механизмов для определения застоявшихся обучаемых в аудитории СОИ. На время написания это единственный пример технологии интеллектуального наблюдения за классом известный автору.

3 Адаптивные и интеллектуальные технологии в широких масштабах Сетевого образования

Тем, кто знаком с нуждами Сетевого обучения должно быть ясно, что адаптивные и интеллектуальные технологии могут повысить качество разных сторон Сетевых образовательных систем. Адаптивное представление может улучшить пригодность к использованию учебного материала. Адаптивная поддержка в навигации и адаптивное построение последовательности могут использоваться для полного контроля за курсом и для помощи в выборе наиболее подходящих заданий и предписаний. Поддержка в решении задач и интеллектуальный анализ решений интерактивной и интеллектуальной обратной связью могут значительно увеличить качество обеспечения предписаниями, в серьезной степени снимая груз с плеч преподавателя. Технологии подбора моделей могут усилить и управление дистанционными курсами, и общение / сотрудничество между обучаемыми и преподавателями.

С другой стороны адаптивные и интеллектуальные технологии еще не нашли себе место в "настоящей" виртуальной аудитории, т.е. в качестве части настоящих средств обучения используемых сотнями дистанционных обучаемых. Большинство систем обсуждавшихся выше – это типичные "лабораторные" системы, которые никогда не использовались в настоящих дистанционных занятиях. Остальные из них, горстка систем, в основном из семейств ELM-ART и AHA, использовались в нескольких относительно маленьких занятиях. В то же время ни одна из дюжин коммерческих и "университетских" систем Сетевых средств обучения, которые используются в сотнях существующих дистанционных курсов, не использует адаптивные и интеллектуальные технологии. Не значит ли это, что исследования и практика в Сетевом образовании не сойдутся вместе?

Позиция автора следующая. Сетевое образование само по себе относительно молодо. До настоящего времени различные компании, производящие системы Сетевого образования были способны конкурировать на рынке с их простыми не адаптивными системами. Однако количественное исследование уровня систем уже ясно показывает на преимущества адаптивных и интеллектуальных технологий. По ходу увеличения конкуренции на рынке Сетевых образовательных систем “быть адаптивной” или “быть интеллектуальной” станет важным фактором для завоевания покупателей. Традиционные компании Сетевого образования начнут использовать адаптивные и интеллектуальные методы. Команды исследователей с серьезным опытом использования адаптивных и интеллектуальных технологий неожиданно найдут компании для вывода своих технологий на рынок. Первыми технологиями для использования в коммерческих системах, вероятно, будут технологии построения последовательностей (последовательность страниц и последовательность вопросов), так как они очень хорошо подходят для текущей структуры Сетевых образовательных систем. Потом придет ход адаптивной поддержки в навигации и подбора модели. Технологии поддержки в решении задач будут оставаться на уровне исследований дольше, хотя мы можем ожидать появления маленьких Сетевых тренажеров предназначенных для поддержки в заучивании части некоторого предмета. Я надеюсь, что следующие пять лет покажут нам несколько примеров адаптивных и интеллектуальных систем коммерческого уровня, так же как и множество новых и волнующих разработок на уровне исследований.

Table 1 Адаптивные и интеллектуальные технологии в Сетевых образовательных системах, комбинирующие адаптивную гипермедиа и методы ИОС

Таблица 2 Адаптивные и интеллектуальные технологии в Сетевых адаптивных системах гипермедиа

Таблица 3 Адаптивные и интеллектуальные технологии в Сетевых системах ИОС