|
должно быть гибким, основанным как на анализе его текущего состояния Y, измеряемого датчиком D Y , и представленного в виде Y'=(y'l, у'2, у'З у'т), так и на данных его многопараметрической модели ° ^ сзМногопараметрическая модель обучаемого ^учитывает совокупность его индивидуальных особенностей — количество и качество усвоенных знаний, контролируемое тестовой системой, уровень подготовки, предысторию обучения, цель и предпочтения обучаемого и др. При этом необходимо отметить, что информация в модели обучаемого о "(СП, о2, оз, ..Ор)^ носит весьма неполный характер по вполне объективным причинам: всю информацию собрать невозможно; собранная информация может неадекватно отражать состояние ОУ в текущей момент времени или даже в отдельных случаях быть противоречивой. Если также учесть тот факт, что и ОУ (обучаемый) и обучающая среда являются достаточно сложными объектами в плане диагностики их состояния и управления, можно сделать вывод о том, что классические методы параметрического управления, основанные на детерминированном подходе далеко не во всех случаях могут быть неприменимы для реализации адаптивного обучения. В этой связи алгоритм управления Л целесообразно строить с использованием одного из методов управления, основанных на базе: • четкой (детерминированной) логики (метод параметрического управления хМПУ); • ситуационного управления (метод ситуационного управления МСУ); • нечеткой логики (метод управления на базе нечеткой логики МУИЛ). Применение четкой логики в управлении обучением целесообразно в тех случаях, когда обучение должно выполняться по строго определенному алгоритму классическое программированное обучение на основе методов, предложенных Б.Скиннером и С. Пресси. Такой подход приемлем, например, при решении обучаемым задач, когда ошибка на некотором шаге / недопустима, и однозначно приведет к неверному результату. В этом случае 34 |
(Х'чХ), а на вектор измеряемых датчиком DY параметров состояний объекта управления Y'=(y'l, у'2, у'З, ..., у'т) т не равен вектору его фактических состояний (У'еУ) в силу того, что датчики измеряют только то, что используется в процессе управления. Однако X X и У'еУ , т.е. получаемая информация в какой-то мере (но далеко не полностью) отражает действительное состояние объекта и среды, которая дополняется параметрами ° "C°iаза»)тмодели обучаемого. Ресурсы R , выделяемые на создание системы адаптивного управления, в значительной степени определяют и объем собираемой датчиками DX и DY информации*’ и Y'. Устройство адаптивного управления, получая на входе информацию о среде X, объекте Y, цели Z * и ресурсах системы R (база данных учебнометодической информации, методов ее обработки, правил и шаблонов, ситуаций, а также функциональные модули системы обучения), выдает на выходе управляющее воздействие U -(u'l, и'2, ..., и'к) т, с помощью которого возможно достичь цели Z* и перевести объект в искомое состояние Y* , соответствующее выполнению заданной цели Z* в рамках ресурсов R=(r'I, г'2, г'З, ..., г'р) т, т.е./*' Y', Z* R}>U*->Y* . Алгоритм управления А призванный решить эту задачу U*=A (Х\ Y', Z* R) и является оператором, перерабатывающим исходную информацию в управление. В процессе обучения управление U имеет двоякую форму — обучающей информации, а также вопросов и заданий, ответы Г ’ на которые дают возможность оценить степень обученности (усвоения УММ). Для эффективного проведения учебного процесса, управление обучаемым должно быть гибким, основанным как на анализе его текущего состояния Y, измеряемого датчиком D Y , и представленного в виде Y'=(y'l, у'2, у'З, ..., у'т), так и на данных его многопараметрической модели п °3°*> ■а^т. Многопараметрическая модель обучаемого ^учитывает совокупность его индивидуальных особенностей — количество и качество усвоенных знаний, контролируемое тестовой системой, уровень подготовки, предысторию обучения, цель и предпочтения обучаемого и др. При этом необходимо отметить, что информация в модели обучаемого я =(°ь оз. ...ор)т) носит весьма неполный характер по вполне объективным причинам: всю информацию собрать невозможно; собранная информация может неадекватно отражать состояние ОУ в текущей момент времени или даже в отдельных случаях быть противоречивой. Если также учесть тот факт, что и ОУ (обучаемый) и обучающая среда являются достаточно сложными объектами в плане диагностики их состояния и управления, можно сделать вывод о том, что классические методы параметрического управления, основанные на детерминированном подходе далеко не во всех случаях могут быть неприменимы для реализации адаптивного обучения. В этой связи алгоритм управления А целесообразно строить с использованием одного из методов управления, основанных на базе: • четкой (детерминированной) логики (метод параметрического управления МПУ); • ситуационного управления (метод ситуационного управления МСУ); • нечеткой логики (метод управления на базе нечеткой логики МУНЛ). Применение четкой логики в управлении обучением целесообразно в тех случаях, когда обучение должно выполняться по строго определенному алгоритму классическое программированное обучение на основе методов, предложенных Б.Скиннером и С. Пресси. Такой подход приемлем, например, при решении обучаемым задач, когда ошибка на некотором шаге i недопустима, и однозначно приведет к неверному результату. В этом случае на каждом шаге i после соответствующего контроля параметров У вектора состояния ОУ выбирается очевидное и единственно возможное управляющее воздействие U. Применение ситуационного управления позволяет в результате анализа параметров X ' и Y собираемых датчиками DX и DY , параметров модели |