дисертації на здобуття наукового ступеня

доктора технічних наук

Структура та обсяг дисертації. Дисертація складається із вступу, п'яти розділів, висновків, що містять основні результати, списку використаних джерел із 212 найменувань і п'яти додатків. Загальний обсяг дисертації - 302 сторінки. Робота містить 62 рисунки та 40 таблиць.

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі обґрунтовано актуальність теми дисертаційної роботи, сформульовано мету та завдання дослідження, визначено об'єкт, предмет і методи дослідження, описано наукову новизну й практичне значення одержаних результатів. Наведено відомості про впровадження результатів роботи, апробацію, особистий внесок здобувача та публікації.

Перший розділ присвячено аналізу можливостей сучасних систем дистанційного навчання та контролю знань. Огляд найбільш відомих і широковживаних систем, які використовують підходи, що вже стали класичними в сучасному дистанційному навчанні, таких як ANGEL, BlackBoard, Desire2Learn, ILIAS, Lotus LearningSpace, Moodle, WebCT, показав, що, як правило, навчальний курс, поданий у середовищі СДН, являє собою набір статичних гіпертекстових документів. Усі студенти отримують однаковий матеріал для вивчення без урахування їх індивідуальних особливостей. Студент не може одержувати оперативну допомогу від учителя чи іншого студента, як це відбувається у звичайному навчальному класі. Також існують інші проблеми, пов'язані з відсутністю диференціації навчального процесу в середовищах сучасних СДН.

Новий дослідницький напрямок у сфері дистанційного навчання на Web-платформі - це адаптивні й інтелектуальні технології в навчанні. Завдання цього напрямку досліджень - включити до дистанційних навчальних систем можливості індивідуалізації. За допомогою адаптивних та інтелектуальних технологій навчальна система враховує індивідуальні здібності студента, його попередні знання, уміння. На основі цих даних про студента процес навчання проходить для нього оптимальним шляхом.

Розвиток адаптивних інтелектуальних навчальних систем (АІНС) перебуває на стадії розробок і досліджень. Існує декілька сотень програмних пакетів, націлених на практичну реалізацію адаптивних та інтелектуальних технологій. Але немає жодного з них, який би широко використовувався на практиці так, як використовуються системи, що вже стали класичними в дистанційному навчанні. Розробники АІНС акцентують свою увагу лише на адаптивних чи інтелектуальних можливостях системи. Це призводить до того, що в існуючих АІНС відсутній інструментарій для розробки навчальних курсів і тестового матеріалу, планування навчального процесу, взаємодії між студентами й викладачами та інших, який уже став стандартним у класичних системах дистанційного навчання. Серед усіх існуючих АІНС немає жодної, яка б використовувала більшість з наявних нині адаптивних й інтелектуальних технологій навчання (АІТН). До того ж усі ці системи орієнтовані на якусь одну конкретну предметну галузь знань, є експериментальними й здебільшого створені для досліджень і демонстрації можливостей якоїсь однієї технології з напрямку АІТН. Усе це унеможливлює автоматизацію всіх навчальних процесів у таких системах і не дозволяє забезпечити повною мірою індивідуалізований підхід до студентів під час процесу навчання та контролю знань.

Розвиток АІТН дійшов до рівня, коли починається широке практичне впровадження цих технологій у навчальний процес. Наступним кроком повинно стати створення систем нового покоління, які матимуть усі можливості, доступні при використанні класичних СДН, і одночасно дозволять за рахунок застосування інтелектуальних Інтернет-технологій, таких як адаптивна підтримка навігації, адаптивне представлення на основі гіпермедіа та інших, проводити навчання згідно з індивідуальною навчальною траєкторією для кожного студента.

Усе це сприяє тому, що сьогодні існує проблема забезпечення індивідуалізованого навчання в дистанційній освіті, яка полягає в розробці методів, технологій і програмних засобів створення адаптивних систем дистанційного навчання на базі інтелектуальних Інтернет-технологій. Сформульована проблема вимагає вирішення комплексу задач, які окреслені у вступі як завдання дослідження й розглядаються в наступних розділах дисертації.

У другому розділі описано теоретичні основи побудови, моделювання та проектування об'єктів і процесів в адаптивних системах дистанційного навчання та контролю знань.

Розроблено концепцію побудови інформаційно-структурної моделі студента, яка передбачає визначення ієрархічної системи оцінок параметрів студента. Першим етапом побудови є уніфікація й нормування показників. Далі проводиться визначення оцінок параметрів (рівень знань, ступінь засвоєння, ступінь сприйняття, час проходження, швидкість проходження, якість засвоєння). На другому етапі проводиться згортка оцінок параметрів в інтегровану оцінку, яка теж характеризується одним нормованим числом у межах від 0 до 1.

Побудована математична модель заняття, використання якої дозволяє отримати із заданим ступенем достовірності ієрархічну систему оцінок параметрів заняття для конкретного студента, таких як етап навчання, рівень складності заняття, якість засвоєння заняття.

Інформаційно-структурна модель студента та математична модель заняття, що описані в роботі, дозволяють на основі попередніх даних здійснити прогнозування значень характеристик студента, які потім використовуються для побудови індивідуальної навчальної траєкторії.

Запропоновано створення моделей адаптивного навчального процесу через реалізацію функції адаптивного викладача, у ролі якого виступає система. При цьому передбачається така послідовність функціонування системи: студентам поставлено завдання щодо опрацювання кванта знань (найменшу неподільну смислову порцію інформації, наприклад, первісне поняття, ключове слово, аксіому, означення тощо), яке передбачає виконання скінченої множини операцій (певних дій для виконання завдання) над даним квантом; студентові відомий початковий стан кванта, коли ще жодної операції не виконано, а кінцевий стан кванта, коли завдання повністю виконане, вибирається ним із множини послідовностей запропонованих варіантів-відповідей і до виконання завдання не відомий.

Оскільки час опрацювання кванта знань має визначальне значення, перед студентом ставиться мета якнайшвидшого виконання завдання й тому вводиться додаткова величина, яка визначає час, відведений на виконання поставленого завдання. Результатом виконання завдання є обчислений індекс успішності виконання , де - час, за який було виконано завдання.

У ході виконання поставленого завдання студент може отримувати додаткову інформацію у вигляді теоретичного матеріалу й прикладів. Існує можливість, що студент намагатиметься виконувати операції над квантом шляхом вгадування, проте система здатна зафіксувати це й скорегувати процес навчання шляхом надання додаткової інформації. Правильна відповідь, що дається після отримання додаткової інформації, повинна бути оцінена нижчим балом, ніж розв'язок, знайдений без жодної допоміжної інформації (підказки). Значення вартості додаткової інформації д дорівнює 1, якщо така додаткова інформація була надана й дозволяє вирішити задачу, і дорівнює нулю, якщо жодної додаткової інформації не надходило. Навчальний процес виглядає як процес постійного пошуку студентом правильного порядку виконання операцій над квантом із деяким обсягом додаткової інформації. Така побудова процесу навчання створює додаткову мотивацію до навчання, викликаючи ефект суперництва, нагородою в якому є досягнення правильного результату за коротший термін, а, отже, і вища оцінка за виконане завдання.

Для забезпечення адаптивного навчального процесу значення повинно бути мінімальним, якщо студент просто вгадуватиме порядок виконання завдання, і максимальним, якщо він правильно визначив операції, які потрібно здійснити над квантом, і їх порядок. Необхідно також ураховувати випадок, коли жодна операція не виконана. Для цього вводиться величина . Якщо над квантом i необхідно виконати одну з типових допустимих операцій, то в разі здійснення її студентом , в іншому разі . Нехай - величина, обернено пропорційна до часу затримки між моментом отримання кванта на опрацювання й відповіддю студента, p_i - імовірність необхідності обробки певного кванта і та - відносна частота появи кванта під час даного навчального процесу. У роботі показано, що при добре організованому навчальному процесі значення , яке обчислюється, буде максимальним.

Використання моделі, яка базується на визначених засадах функціонування адаптивного викладача, дозволяє автоматизувати реалізацію адаптивного навчального процесу в навчальній системі.

У роботі запропоновано технологію автоматичного встановлення послідовності курсу на основі розробленого методу проектування функції пристосованості до індивідуальних особливостей студентів в інтерактивному режимі (рис. 1).

З набору критеріїв, які впливають на вибір об'єкта навчання при формуванні послідовності навчального курсу, при проведенні процесу фільтрування системою використовуються критерії, які приводять до прямого вилучення об'єктів навчання, такі як предмет, мова, тип медіа. Другий набір критеріїв, таких як освітні характеристики об'єктів навчання, застосовуються в моделі екстракції.

Тож у загальному представленні об'єкти навчання оцінюються за допомогою набору критеріїв:

. (1)

Пристосованість об'єктів навчання для конкретного студента визначається загальним критерієм, який названо функцією пристосованості:

, (2)

де s(g_і) - мінімальна пристосованість до об'єктів навчання за -м критерієм;

S (g) - загальна пристосованість до об'єктів навчання.

Рис. 1. Узагальнена структура автоматичного встановлення послідовності курсу.

Для оцінки мінімальної пристосованості за критерієм запропоновано використовувати формулу:

, (3)

де - відповідне значення критерію об'єкта навчання.

Обрахунки значень параметрів a, b, с для кожного критерію вибору і є предметом моделі екстракції знань.

Нехай Р - відношення строгого порядку, а І - відношення еквівалентності чи байдужості, які задані на певній множині об'єктів навчання. Якщо є загальною пристосованістю об'єкта навчання О ₁, а - загальною пристосованістю об'єкта навчання О ₂, тоді такі властивості впливають на функцію пристосованості :

(4)

Інформація, що необхідна для екстракції при цих умовах, визначається відношенням нестрогого порядку , заданим на наборі об'єктів навчання.

Використовуючи нестрогий порядок R і базуючись на характеристиках кожного об'єкта навчання, визначено загальну різницю пристосованості:

,

де m - число об'єктів навчання й

.

Функцію помилки е для кожної різниці пристосованостей подано у вигляді:

. (5)

Розв'язок цієї задачі формування послідовності курсу шукається при умові:

. (6)

Для кожного зі студентів відношення об'єктів навчання перебувають у строгому порядку між собою при встановлених обмеженнях:

. (7)

Вирішення цієї задачі приводить до обчислення значень параметрів а, b, c для кожного критерію вибору об'єктів навчання відносно конкретних студентів.

Нехай - інтервали, на яких знаходяться значення кожного критерію, тоді поверхня загальної пристосованості вважається простором

.

Обрахунки загальної пристосованості над цим простором є додатком поверхонь мінімальної пристосованості для критеріїв кожного з об'єктів навчання до всіх можливих комбінацій характеристик студента. На рис. 2 наведено приклад поверхні загальної пристосованості після сумування поверхонь мінімальної пристосованості по кожній з характеристик об'єкта навчання для кожного з критеріїв.

Ураховуючи велику розмірність цих поверхонь, наведено випадок, коли лише одна характеристика використовується для моделювання. У прикладі продемонстровано врахування оцінки діяльності студента під час роботи над опрацюванням навчально-інформаційного пакета, у якому пристосованість залежить від різних типів інтерактивності об'єктів навчання (активний, пояснюючий, змішаний).

Запропонована методологія дозволяє організувати фільтрувальний процес у системі, який базується на загальних вимогах, таких як характеристики мови або спосіб задання об'єктів навчання, а також на використанні онтології для області знань.

Рис. 2. Поверхня глобальної пристосованості.

У роботі розроблена графоавтоматна модель, використання якої дозволяє забезпечити управління потоком квантів знань в адаптивній системі дистанційного навчання та контролю знань у процесі вивчення курсу. Формально схему управління потоком квантів подано у вигляді орієнтованого графа QSM (Quantum Stream Management - управління потоком квантів), вершини та ребра якого являють собою структурні автомати різних конструкцій (залежно від призначення вершини чи ребра).

Загальну схему вершини графа QSM як структурного автомата зображено на рис. 3.

Вершини (Nodes) розділено на групи (індексовані підмножини): початок курсу (Start), кінець курсу (Finish), заняття (Lesson), навчальні блоки (Block), сортувачі блоків (Sorter), операції (Operation), кванти (Quantum), виконувач операцій (Operator), опрацювання квантів (Teacher).

Кожний із типів вершин має свій набір вхідних і вихідних ребер, свої функції переходу.

Кількість N вершин Lesson дорівнює кількості занять у курсі. Вершин Sorter є така ж кількість N. Вершині Lesson_і відповідає вершина Sorter_і, і = 1...N.

Рис. 3. Загальна схема вершини графа :

- кількість навчальних блоків -го заняття;

- кількість квантів усього курсу;

- кількість операцій;

- -й навчальний блок -го заняття;

- кількість операцій, що використовують квант ;

- кількість квантів, що застосовуються в операції .

Кожний тип вершин має свою структуру автомата й специфічні вирази функцій виходів. Автомат, який використовується для вершин типу , належить до типу вершин, які призначені для запуску на вивчення одного з навчальних блоків уроку при відповідному запиті. Наступний навчальний блок визначається залежно від його попереднього рівня засвоєння. Вершина зв'язується з іншими вершинами за допомогою одного ребра та по ребер , , , j = 1…M_i. Тобто вершина-автомат має входів і виходів, де - ребро, яке використовується для сигналізації про необхідність вивчення блоку, - для активації наступного заняття, - для передачі рівня засвоєння блоку, - для сигналізації про засвоєння блоку.

Функції виходів вершини Sorter поділяються на декілька груп:

- ребро (або ) деактивується в наступний момент часу після активації;

(8)

- активується одне з ребер залежно від рівня засвоєння відповідного навчального блоку порівняно з іншими блоками. Якщо всі блоки засвоєні, вершина припиняє активацію вихідних ребер;

(9)

– якщо всі блоки вивчені, ребра деактивуються.

Загальний алгоритм роботи графа QSM. Робота починається із зовнішньої команди на вершині , після чого активується ребро . Кожна вершина типу по черзі запускає на вивчення один із навчальних блоків заняття залежно від попереднього рівня засвоєння блоку. При засвоєнні блоку студентом активується інший, поки не будуть засвоєні всі блоки заняття. У цьому випадку виконується одна з команд функції й наступна вершина отримує сигнал про початок наступного заняття за допомогою ребра .

Початок вивчення блоку являє собою сигнал усім операціям блоку про необхідність їх опрацювання (рис. 4).

Операції, у свою чергу, сигналізують потрібним квантам про необхідність їх вивчення. Кожен квант стає в чергу на вивчення, давши відповідний сигнал вершині-вчителю . При цьому за допомогою ребер даних до передається додаткова інформація про квант. Це такі дані, як рівень очікуваності кванта операціями (пріоритет), час попередніх вивчень кванта й рівень його засвоєння.

Вони впливають на вибір із черги наступного кванта для його опрацювання. Коли опрацювання кванта завершене , відповідна вершина отримує про це сигнал.

Якщо всі кванти однієї з операцій вивчені, операція ставиться в чергу до оператора на її виконання. Пріоритет операції в черзі визначається часом простою відповідних їй квантів від моменту вивчення.

При готовності операції до виконання вивчення нових квантів припиняється.

Тобто виконання операцій має вищий пріоритет перед вивченням нових квантів. Це необхідно для того, щоб запобігти "забуванню" вже вивчених квантів. У графі для синхронізації роботи вчителя й оператора використовуються спеціальні ребра, що зв'язують ці дві вершини.

Після того, як усі операції блоку виконані, вивчення навчального блоку вважається завершеним. Рівень його засвоєння визначається з даних, отриманих під час виконання операцій. Коли вивчене останнє заняття, тоді активується вершина і завершується навчальний курс.

Рис. 4. Представлення алгоритму роботи графа.

Використання описаної моделі, поданої за допомогою графа , дозволяє забезпечувати управління потоком квантів знань в адаптивній системі дистанційного навчання та контролю знань у процесі вивчення курсу.

У третьому розділі із системних позицій розглянуто математичні моделі та методи, які використовуються для забезпечення адаптивного контролю знань.

Зазначено, що організація адаптивного контролю знань потребує визначення відношення міри складності завдань до міри рівня знань в одній шкалі. Розглянуто підходи до використання даної міри, яка в теорії педагогічних вимірів називається словом "логіт", для організації процесу адаптивного контролю знань. Проаналізовано способи регулювання складності й кількості пропонованих завдань залежно від відповіді студентів. Підкреслено, що використання даних способів вимагає попереднього випробування всіх завдань, визначення міри їх складності, а також створення банку завдань і спеціальної програми.

Зроблено висновок, що сучасний етап розвитку й функціонування тестового контролю характеризується застосуванням вирішення психолого-педагогічних задач методології латентно-структурного аналізу (LSA). Одним із напрямків LSA є Item Response Theory (IRT) - математична теорія параметричної оцінки тестових завдань і тих, хто проходить тестування. Відповідно до цієї теорії встановлено, що між результатом виконання, що спостерігається, і латентним параметром учасників тестування існує функціональна залежність.

Відповідність двох множин значень латентних параметрів обґрунтовують результати виконання тесту. Елементи першої множини - це значення латентного параметра, що встановлює рівень знань n учасників тестування _i, де . Другу множину утворюють значення латентного параметра , де , що відповідають рівням складності m завдань тесту. Відшукання умовної імовірності правильного виконання j-го завдання з рівнем складності д_j різними студентами нами здійснювався за допомогою однопараметричної моделі Раша:

.

Більш складні моделі на сьогоднішньому рівні розвитку систем передачі знань (дво- та трипараметричні моделі Бірнбаума) практично не застосовуються у зв'язку зі складністю обчислювальної реалізації.

На основі цієї моделі запропоновано метод калібрування та шкалування тестових завдань (рис. 5). Як можна побачити з рис. 5, на 1 етапі для тестового контролю під час вивчення певного курсу викладач формує категорії завдань різної складності, з яких системою будуть формуватися пакети тестових завдань. Для першого тесту він задає кількість завдань, які випадково відбираються, і кількість конкретно визначених завдань із цих категорій. Після цього кроку формується нова категорія зважених завдань, у котру ці завдання автоматично переносяться з наявних уже категорій. По закінченні процесу тестування отримується первинна матриця результатів, яка опрацьовується за допомогою моделі Раша.

У результаті визначається масив логітів цих завдань. При розробці наступних пакетів тестів викладач вибирає завдання з групи незважених завдань, що залишилися в наявних категоріях. Таким чином, протягом поточних тестувань опрацьовується вся генеральна сукупність тестових завдань, передбачених для даного курсу.

Перед початком 2 етапу для того, щоб звести на одну метричну шкалу логіти рівнів складності завдань, задіяних у другому тесті, відбувається процес визначення вузлових завдань, на основі яких визначається поправка значення логітів. У запропонованому методі для цього використовуються три рівні складності: значення, що набувають від'ємного, близького до нуля та додатного значень відповідно. За допомогою результатів відповідей на ці питання в другому тестуванні визначається поправка для визначення логітів, які розміщуються на необхідній при даному варіанті контролю знань метричній шкалі.

Використання моделі параметричної оцінки тестових завдань дозволяє не тільки коректно порівнювати результати студентів, але й на основі результатів попередніх тестувань визначати рівні складностей тестових завдань. Як наслідок, питання, що використовуються в тесті, розміщуються на одній шкалі й у результаті скінченої кількості тестувань відкалібровуються всі значення складності питань із бази тестових завдань і зводяться на одну метричну шкалу.

Рис. 5. Схема методу шкалування тестових завдань.

У четвертому розділі розглянуто методи й технології побудови адаптивних систем дистанційного навчання та контролю знань, описано розроблені архітектурні рішення на базі варіабельного ядра.

Для забезпечення організації процесу індивідуалізованого навчання спроектовано структуру адаптивної навчальної системи (рис. 6).

Відповідно до спроектованої структури розглянуто п'ять функціональних модулів системи.

Студент взаємодіє з навчальною системою через інтерактивний модуль. Модуль забезпечує можливість взаємодії користувачів із системою за допомогою інтуїтивно зрозумілого інтерфейсу. У процесі взаємодії студента із системою студентський модуль змінюється, перетворюючись у більш досконалий, який точніше відповідає можливостям і потребам студента й максимально точно відображає картину засвоєних знань і набутих навичок. Використання моделі студента дозволяє спрогнозувати поведінку студента і його мотивацію до навчання.

Рис. 6. Структура адаптивної навчальної системи.

Домен-експерт дозволяє навчальній системі функціонувати в режимі експерта (здійснювати адаптивний контроль за навчанням). На нього покладається функція всесторонньої оцінки процесу навчання, якості знань, прогресу тощо.

Модуль навчання системи відповідає за процес зміни навчального модуля. Цей процес відбувається під впливом взаємодії системи зі студентом (тобто індивідуально для кожного студента) за результатами, отриманими від роботи домену-експерта.

Навчальний модуль відповідає за створення й представлення навчального контенту засобами адаптивної навігації, адаптивного подання та адаптивного планування курсу.

У роботі описано розроблені технології реалізації кожного запропонованого модуля та системи в цілому.

Зокрема, при розробці технології побудови навчального модуля використовується модель, у якій процес роботи модуля подано у вигляді орієнтованого графа, вершини й сторони якого володіють певними властивостями.

1. Кожна вершина подає самостійну одиницю навчального матеріалу (урок).

2. Кожна вершина характеризується:

а) типом - обов'язкова для вивчення або така, що вивчається за вибором студента. Усього студентові пропонується для вивчення за вибором певну кількість уроків, сумарна кількість яких однакова для всіх студентів;

б) вагою - числова величина, яка визначає складність уроку та задає послідовність вивчення матеріалу;

в) номерами навчальних блоків, з яких складається урок із вказанням їх ваг;

г) відсотком новизни знань (нового матеріалу, який подається впродовж даного уроку);

д) множиною ключових слів;

е) множиною запитань для самоперевірки.

Вершині, що позначає урок більшої ваги, відповідає дуга, що з'єднує її з попередньою вершиною більшої довжини.

Кожна вершина, яка є коренем деякого дерева, - це урок, обов'язковий для вивчення. Вершини одного ієрархічного рівня - це множина уроків однакової ваги, що пропонуються студентові для вивчення за вибором. Висота такого дерева залежить від кількості послідовних уроків, що складають окремий курс.

3. Ребра графа задають відношення між одиницями навчального матеріалу - уроками.

Між кожними двома вершинами графа існує один із трьох типів відношень:

1) ієрархічний (предок - нащадок);

2) оглядова послідовність (вперед - назад);

3) семантичні відношення (гіперпосилання), що пов'язують уроки, зміст яких володіє смисловою кореляцією.

Будь-який і-й урок () складається з k () навчальних блоків, кожен з яких може відповідати практичним вправам, завданням, тестам, блоку нового матеріалу в лекційному викладі тощо. Кожен із них передбачає розв'язання певної навчальної задачі, яка характеризується набором операцій (). Під типовою операцією будемо розуміти завершену смислову операцію, яка передбачає виконання елементарних дій над квантами.

Взаємозв'язок операцій і квантів відображає відношення де Y - множина операцій, а X - множина квантів. Це відношення задається матрицею , рядки якої відповідають операціям , а стовпчики - квантам . Елементи матриці визначаються так:

(10)

У будь-якому -му навчальному блоці рівень засвоєння студентом кожного кванта, що задіяний в операції , не може бути нижчим, ніж рівень засвоєння даної операції в цілому в блоці, тобто , де - оцінка рівня засвоєння кванта , - імовірність правильного застосування операції j-го типу.

Оскільки при розв'язанні задачі в k-му навчальному блоці один і той самий квант може використовуватися в різних операціях, то для обчислення інтегрованої оцінки рівня засвоєння кванта необхідно врахувати рівень засвоєння відповідних операцій. Таким чином, інтегрована оцінка рівня засвоєння кванта за результатами виконання навчальної задачі в k-му навчальному блоці обчислюється за формулою:

(11)

- кількість операцій з усієї множини операцій у яких використовуються

Аналогічно відношення:

,

де - множина уроків, задає взаємозв'язок між уроками й квантами, описаними в цих уроках. Відношення задається матрицею , рядки якої відповідають урокам , а стовпчики - квантам . Елементи цієї таблиці визначаються схожим чином:

(12)

Оцінка незасвоєння студентом знань у k-му навчальному блоці i-го уроку обчислюється за формулою:

(13)

Обчисливши всі для , визначимо рівень незасвоєння знань студентом і-го уроку в цілому:

(14)

де н_і (k) - вага k-го навчального блоку,

Чим ближче значення до 1, тим гірше засвоїв студент даний навчальний матеріал. Після завершення навчання навчальні блоки сортуються в порядку спадання значень і студентові пропонується повернутися до вивчення того матеріалу, який ним засвоєно найгірше.

Запропонована технологія розробки інтелектуального навчального блоку адаптивної системи дистанційного навчання й контролю знань, що базується на ймовірнісній моделі, дозволяє забезпечити автоматичне розбиття навчального матеріалу на блоки способом, який створює найбільш сприятливі умови його засвоєння студентами.

У п'ятому розділі описано використання розроблених моделей, технологій і методів побудови адаптивних систем дистанційного навчання під час створення та впровадження в навчальний процес адаптивної системи дистанційного навчання та контролю знань EduPro (рис. 7).

Для побудови системи EduPro було застосовано інтелектуальні Інтернет-технології адаптивного подання, адаптивної навігації, адаптивного планування курсу, використано засоби щодо забезпечення доступу до баз даних, які можна класифікувати за місцем обробки даних зовнішніми програмами таким чином:

- засоби, які забезпечують доступ до баз даних на стороні сервера;

- засоби, які працюють на стороні клієнта.

Функціонування програмної оболонки на стороні сервера забезпечується СУБД PostgreSQL (v 8.x), сервером для обробки http запитів Apache (v 1.3.33 або вище), шлюзовим інтерфейсом СGI (v 2.46 або вище), які функціонують в операційному середовищі Unix.

На стороні сервера для доступу до баз даних використовується механізм CGI (Fast CGI) та PHP.

Рис. 7. Схема побудови системи EduPro.

Усі запити для вибору потрібної інформації побудовані з використанням мови SQL. Інтерфейси користувачів розроблено на основі НТМL-форм (рис. 8).

Рис. 8. Інтерфейси студента та викладача в системі EduPro.

Розглянуто ефективність функціонування експериментальної адаптивної системи дистанційного навчання та контролю знань EduPro. Для порівняння класичної й адаптивної систем дистанційного навчання проведено відповідний експеримент, у якому були задіяні 203 студенти четвертого курсу Прикарпатського національного університету ім. Василя Стефаника, які проходили навчання із дисципліни "Штучний інтелект" у двох навчальних системах. адаптивна навчальна індивідуальна дистанційна

Половина студентів навчалася в одній із найбільш популярних систем дистанційного навчання Moodle, інша - в адаптивній системі дистанційного навчання й контролю знань EduPro.

Для обґрунтування висновків щодо відмінності результатів навчання студентів у групах попередньо було підтверджено їх початкову однорідність щодо успіхів в навчанні. Досліджувалися результати навчання студентів за попередні роки. Перевірку гіпотез було проведено з використанням непараметричного критерію Манна-Уітні (реалізованого в програмі STATISTICA), оскільки досліджувані характеристики (результати навчання) є категоріальними та виміряні в порядковій шкалі. Перевірку однорідності груп студентів, які навчалися в системах EduPro та Moodle, проведено за допомогою кластерного аналізу (рис. 9).