Educational Technology & Society 11(3) 2008

ISSN 1436-4522

Перспектива реализации индивидуальной траектории обучения для хранилищ с SCORM-курсами

И.Н.Келеберда, филиал каф ЮНЕСКО «Новые информационные технологии в образовании для всех». зав.филиалом,  доцент, Харьковский национальный университет радиоэлектроники, Харьков, Украина
  itedu@kture.kharkov.ua  

 

Д.С. Негурица, филиал каф ЮНЕСКО «Новые информационные технологии в образовании для всех», студент, Харьковский национальный университет радиоэлектроники, Харьков, Украина
  itedu@kture.kharkov.ua  

 

В.В.Сокол, кафедра Программного обеспечения ЭВМ, ассистент

Харьковский национальный университет радиоэлектроники, Харьков, Украина
itedu@kture.kharkov.ua  


аннотация

Одни из путей повышения качества дистанционного обучения является построение индивидуальной траектории обучения, которая учитывала бы психофизические характеристики обучаемого. Для построения такой траектории необходимо создать модели обучаемого и учебного курса. Модель обучаемого должна включать информацию об уровне подготовки обучаемого, его учебных целях и психофизических характеристиках. Модель учебного курса должна содержать информацию о взаимосвязи учебных курсов, характеристиках формы изложения материала. Процесс построения индивидуальной траектории подразумевает получение такой последовательности курсов, изучение которых даст обучаемому возможность достичь поставленной учебной цели, используя учебные материалы с формой изложения соответствующей его психофизическим характеристикам. Полученная траектория будет функционировать только при наличии централизованного хранилища электронных курсов. Использование модели SCORM позволит сделать хранилище открытым для интеграции. В результате была разработана веб-ориентированная система хранилища курсов с автономными модулями создания электронных курсов дистанционного обучения, которая может быть использована для построения индивидуальной траектории обучения.

One of the ways to increase the quality of distant learning is creation of individual’s learning trajectory based on psychophysical characteristics. Learner’s and course’s models have to be developed to create such a trajectory. Learner’s model has to include information about level of knowledge, about learning goal and about psychophysical characteristics. Course’s model has to include information about interconnection between courses and about presentation characteristics. Process of learning trajectory creation means getting such sequence of courses which will allow the learner to reach the study goal using courses that suits him best. Obtained trajectory will function only with centralized electronic course depository. Usage of SCORM model will allow to make the depository opened for integration. As a result web-oriented deposit system was developed. It includes the possibility to create new electronic courses. Developed system can be used for creation of individuals learning trajectory.

Ключевые слова

Индивидуальная траектория обучения, электронный учебный курс, хранилище, модель SCORM;

Individual learning trajectory, electronic learning course, repository, SCORM model.

 

Введение

Большинство людей может использовать Интернет в образовательных целях. Это дало толчок для развития дистанционного обучения (ДО).

Перед человеком, поступившим на дистанционную форму обучения ставиться нелегкая задача выбора электронных учебных курсов, которые ему предстоит изучить, исходя из своих ранее приобретенных знаний. Подбор этих электронных курсов должен осуществляться, опираясь на умственные и интеллектуальные возможности, а также на характер человека, который будет ее изучать. Каждый человек мыслит и воспринимает информацию по-разному. Одному легко воспринимать техническую литературу с большим количеством формул, тяжелых определений, графиков и т.п. Другому человеку наоборот, лучше прочитать литературу, в которой будет подробно описываться материал, приводятся различные иллюстрации, а так же будет присутствовать множество различных решенных примеров с подробными объяснениями.

В мировой практике идет активное внедрение SCORM-модели для упаковки курсов дистанционного обучения, и на данный момент большинство систем дистанционного обучения импортируют в этом формате курсы дистанционного обучения для собственных нужд. Используемые на Украине системы дистанционного обучения (Moodle, Learning Space, Прометей и др.) могут использовать курсы в формате SCORM для организации процесса обучения, в связи с этим можно обеспечить совместимость с распространенными системами дистанционного обучения. Разработанные авторами курсы дистанционного обучения можно будет использовать как в Украине, так и передавать их в другие страны.

Однако из-за многообразия однотипных курсов, разработанных с различными педагогическими теориями, информационными технологиями обучаемый стоит перед сложным выбором во время организации собственного процесса обучения. Поэтому необходимо предложить для существующих хранилищ учебных курсов возможность построения индивидуальной траектории обучения.

В статье описана технология построения индивидуальной траектории обучения на базе существующих хранилищ с SCORM-курсами.

Методы построения индивидуальной траектории обучения

Решением задачи подбора учебного материала для конкретного учебного курса с учетом индивидуальных характеристик конкретного человека является использование нейронных сетей [Келеберда И.Н. и др., 2006]. Такой подход дает нам возможность использовать обучающую выборку, которая может возрастать со временем и таким образом улучшать эффективность работы нейронной сети. Так же нейронные сети обеспечивают высокое быстродействие, производительность и скорость обучения по сравнению, например, с аппаратом ассоциативных правил.

Рассмотрим несколько нейросетевых архитектур и сферы их применения:

1)       многослойный перцептрон – наиболее универсальная архитектура;

2)       самоорганизующиеся карты Кохоннена – данные сети применяются при необходимости определения, к какому классу принадлежит входная выборка;

3)       нечеткая нейронная сеть – данная сеть позволяет осуществлять вывод на основе аппарата нечеткой логики.

Многослойный перцептрон – нейронная сеть прямого распространения сигнала, в которой входной сигнал превращается в выходной, проходя последовательно несколько слоев [Рутковская Д. и др., 2004]. Первый из таких слоев называют входным, последний – выходным. Данные слои содержат так называемые вырожденные нейроны и иногда в общее количество слоев не включаются. Кроме входного и выходного слоев, многослойный перцептрон  содержит один или несколько промежуточных (скрытых) слоев. Элемент сети функционирует в дискретном времени на основании сигналов, которые поступили, и формирует результирующий сигнал. Элемент имеет несколько входов, каждому из которых предложены соответствующие веса. Сигналы, поступающие на входы, подсчитываются с учетом соответствующих весов, и суммарный сигнал сравнивается с порогом срабатывания. Если значение суммарного сигнала меньше, чем порог, то сигнал на выходе элемента близок, либо равен нулю, в противном случае значение сигнала приближается к единице. Каждый элемент входного слоя имеет один вход (с весом 1), по которому поступает соответствующая компонента вектора X={x1,…,xn}. Каждый элемент скрытого слоя получает сигналы от всех элементов входного слоя. Таким образом, элемент скрытого слоя имеет m входов, которые связывают его с элементами входного слоя. Связи между элементами входного слоя и элементами скрытого слоя характеризуются матрицей весов связей w1, компоненты которой определяют величину эффективности связи. Каждый элемент выходного слоя получает сигналы от всех элементов скрытого слоя. Таким образом, при подаче на входной слой сети вектора X, мы сначала получаем вектор активности элементов скрытого слоя, а затем вектор Y на элементах выходного слоя. Результат работы сети зависит от численного значения весов связей между элементами.

Самоорганизующаяся карта признаков Кохонена – соревновательная нейронная сеть с алгоритмом обучения "без учителя", в которой нейроны конкурируют друг с другом за право наилучшим образом сочетаться с входным вектором сигналов, и в этом случае побеждает нейрон, чей вектор весов ближе всего к входному вектору сигналов. Вес нейрона, который выиграл, и его соседей подстраивается с учетом входного вектора. В процессе самоорганизации сети Кохонена формируют нейроны в соответствии с топологическим представлением выходных данных. Алгоритм обучения Кохонена предвидит подстраивание синапсов на основании их значений от предыдущей сети. Сеть состоит из N нейронов, которые образуют прямоугольную решетку на плоскости. Для реализации алгоритма необходимо определить меру соседства нейронов (меру близости), причем зоны соседства на карте признаков уменьшаются с течением времени. Недостаток данной нейронной сети в том, что необходимо знать число существующих кластеров, на которые может разбиваться входная выборка.

Нечеткая логика. Нечеткая логика моделирует процессы мышления. В отличие от бинарной логики, требующей точных и однозначных формулировок, нечеткая логика предлагает иной уровень мышления. После постановки задачи в терминах правил, четкие значения условий  преобразуются в нечеткую форму. Затем производится их обработка с помощью логических операций и обратное преобразование к числовым переменным. По сравнению с вероятностными методами нечеткие позволяют резко сократить объем производимых вычислений, но обычно не повышают их точность. Математическая теория нечетких множеств (fuzzy sets) и нечеткая логика (fuzzy logic) являются обобщениями классической теории множеств и классической формальной логики.

Характеристикой нечеткого множества выступает функция принадлежности (Membership Function). Обозначим через MFc(x) – степень принадлежности к нечеткому множеству C, представляющей собой обобщение понятия характеристической функции обычного множества. Тогда нечетким множеством С называется множество упорядоченных пар вида C={MFc(x)/x}, MFc(x)  [0,1]. Значение MFc(x)=0 означает отсутствие принадлежности к множеству, 1 – полную принадлежность к множеству.

Например, формализуем нечеткое определение «хороший учебный материал». В качестве x (область рассуждений) будет выступать шкала оценивания учебного материала. Допустим, что данная шкала будет измеряться от 0 до 10. Нечеткое множество для понятия «хороший учебный материал» может выглядеть следующим образом:

 

C={0/0; 0/1; 0,15/2; 0,25/3; 0,40/4; 0,50/5; 0,60/6; 0,80/7; 1/8; 1/9; 1/10}.

 

Так, учебный материал с оценкой 6 принадлежит к множеству «хороший» со степенью принадлежности 0,60. Для одного человека книга с оценкой 6 может оказаться хорошей, для другого – не слишком хорошей.  Именно в этом и проявляется нечеткость задания соответствующего множества.

В общем случае механизм логического вывода включает четыре этапа: введение нечеткости (фазификация), нечеткий вывод, композиция и приведение к четкости, или дефазификация (рисунок 1).

 

Рис. 1.  Система нечеткого логического вывода

 

Нечеткая нейронная сеть. Нечеткие нейронные сети (fuzzy-neural networks) осуществляют выводы на основе аппарата нечеткой логики, однако параметры функций принадлежности настраиваются с использованием алгоритмов обучения НС [Рутковская Д. и др., 2004]. Поэтому для подбора параметров таких сетей применим метод обратного распространения ошибки, изначально предложенный для обучения многослойного перцептрона. Для этого модуль нечеткого управления представляется в форме многослойной сети. Нечеткая нейронная сеть, как правило, состоит из четырех слоев: слоя фазификации входных переменных, слоя агрегирования значений активации условия, слоя агрегирования нечетких правил и выходного слоя.

Для решения существующей проблемы лучше всего использовать нечеткую нейронную сеть и нечеткую логику. Потому что входные данные можно описать с помощью нечетких правил, а это в свою очередь даст возможность более точно подбирать учебный курс. Обучение сети производится на основе алгоритма обратного распространения ошибки.

Психофизические характеристики. В процессе исследования проблемы и опираясь на исследования психологов, были найдены следующие индивидуальные характеристики, которые наиболее влияют на процесс обучения и успеваемость человека [Мерлин В.С., 1996] [Холодная М.А., 2002]:

1)       память;

2)       базовая мотивация;

3)       внимание;

4)       возбудимость;

5)       коэффициент искусственного интеллекта;

6)       аналитичность;

7)       креативность;

8)       практичность.

Значения данных характеристик определяются путем проведения психологических тестов по каждой характеристике специально разработанных психологами.

Также были исследованы наиболее используемые при описании учебного материала метаданные (стандарт LOMLearning Object Metadata):

1)       объем;

2)       актуальность;

3)       детализированность;

4)       проиллюстированность;

5)       интерактивность;

6)       качество изложения;

7)       техническое исполнение;

8)       развитие навыков;

9)       перечень ссылок.

При анализе этих метаданных можно судить о пригодности учебного курса для изучения. Это позволяет избежать рассмотрения электронного учебного курса, который просто не может быть эффективно использован потенциальными учащимися по причине неприемлемого контента, подхода к его представлению, пропущенного материала и пр.

По каждой характеристике учебного материала проводится экспертная оценка на соответствие метаданным, после которой характеристикам назначаются числовые коэффициенты. Полученные числовые коэффициенты характеристик учебного курса и индивидуальных характеристик человека подаются на вход нейронной сети. Подавая на вход нейронной сети числовые значения индивидуальных характеристик и числовые значения метаданных учебного материала, на выходе получаем числовое значение, которое характеризует, на сколько учебный материал с исходными метаданными подходит человеку с исходными характеристиками. И на основании этого предлагаем изучение данного учебного материала или исключаем его изучение человеком с набором исходных характеристик.

Полученная комбинированная нейронная сеть состоит из нечеткой нейронной сети и многослойного перцептрона (рисунок 2).

 

 

Рис. 2.  Комбинированная нейронная сеть

 

На входы нечеткой нейронной сети подаются числовые значения характеристик человека, а на выходе получаем значение принадлежности человека к одному из классов (полученных при обучении). На вход многослойного перцептрона подаем значения метаданных учебного курса и значение, полученное на выходе нечеткой нейронной сети. Выходом сети будет являться значение прогнозируемой оценки для конкретного человека изучающего конкретный учебный курс. Анализируя эту оценку, принимается решение об эффективности учебного материала.

Современные веб-технологии для реализации индивидуальной траектории обучения

Вычислительная мощь современных компьютеров позволяют создавать достаточно сложные системы интеллектуальной обработки информации, но, к сожалению, все эти системы пока не могут анализировать качество и прочие показатели предоставляемой информации. Наиболее точным решением при проведении экспертизы учебных электронных изданий является использование методов экспертных оценок. Это позволяет использовать особенности аппарата человеческого восприятия недетерминированного в жестких рамках правил, а также математический аппарат для формализации полученных результатов. Для реализации алгоритмов и создания системы автоматизирующую экспертную оценку необходимо исследовать и решить такие задачи:

-    исследовать характеристики учебных курсов, выделить наиболее значимые из них;

-    выбрать общую модель входных и выходных данных для описания характеристик учебных курсов и их оценок, что позволит легко интегрировать данную систему с другими системами, автоматизирующими процесс обучения;

-    решить задачу классификации учебных курсов;

-    исследовать методы экспертных оценок и разработать алгоритм получения экспертных данных наиболее точно подходящий для решения поставленной задачи;

-    на основе проведенных исследований разработать экспертную систему для автоматизации процесса оценки учебных материалов курса заявленным характеристикам с целью построения индивидуальной траектории обучения.

Как уже упоминалось ранее, за последние годы было создано немало систем автоматизирующих процесс обучения. Все они использовали свою уникальную методику и подход к обучаемому. У всех этих систем отсутствует возможность сторонней оценки учебных материалов экспертом, именно этот фактор определяет актуальность работы.

Характеристики учебных курсов. Проанализировав программы и материалы различных учебных курсов, в том числе и электронных изданий, были выявлены такие основные характеристики:

-    название;

-    продолжительность;

-    дата издания;

-    цена;

-    план изучения курса;

-    объем;

-    актуальность;

-    детализированность;

-    интерактивность;

-    качество изложения;

-    техническое исполнение;

-    развитие навыков;

-    перечень ссылок;

Каждая характеристика будет иметь свой вес (значимость) и может быть оценена количественно экспертами при оценке курса.

Для достижения универсальности системы в качестве формата для входных и выходных данных целесообразно использовать XML документы. Так как XML документы представляют собой обычный текст, их сможет обрабатывать любая система. Необходимо только согласовать так называемую схему этих документов.

Язык OWL для описания учебных курсов. Специально для обработки сложных структур данных был разработан язык Веб-Онтологий OWL [M. Dean et al., 2004]. Этот язык используется приложениями, которые должны обрабатывать содержимое информации, а не только представлять эту информацию людям. OWL обеспечивает более полную машинную обработку Веб-контента, чем та, которую поддерживают XML, RDF, и RDF Schema (RDF-S), предоставляя наряду с формальной семантикой дополнительный терминологический словарь. Поэтому в качестве формата входных и выходных данных используется язык Веб-Онтологий OWL. Онтологические модели для описания учебных материалов и курсов были неоднократно исследованы и применялись при создании систем дистанционного обучения [Келеберда И.Н., 2002]. Для решения нашей задачи было решено использовать модель описанную в [Келеберда И.Н. и др., 2006], так как данная модель позволяет описать учебные курсы, а также данная модель оптимизирована для построения индивидуальной траектории обучения, что так же является одной из задач которую необходимо решить.

Для более точного понимания алгоритмов необходимо четко формализовать само понятие курса. Понятие «учебный курс» следует разделить «абстрактный курс» и «конкретный курс» (рис.3). Под абстрактным курсом подразумевается обобщенное краткое описание того, что будет изучено по прохождению курса. Примером такого абстрактного курса может служить «Высшая математика для вузов». Под конкретным курсом подразумевается название реально существующего курса, со своей программой, материалами и.т.д. Именно конкретные курсы будут оцениваться экспертами. Каждый абстрактный курс состоит из нескольких  конкретных курсов, и для изучения абстрактного курса, необходимо изучить один из конкретных.

 

 

Рис. 3. «Абстрактные» и «конкретные» курсы

 

Эксперты оценивают конкретные курсы в рамках абстрактных. Перед оцениванием курсы необходимо классифицировать, т.е. указать, какому именно абстрактному курсу относиться каждый конкретный курс. Существует множество математических аппаратов для решения задачи классификации. Один из них это классификация с помощью нейронной сети. Нейронные сети достаточно эффективно справляются с задачей классификацией, существует множество их разновидностей, но основной недостаток, это необходимость обучения сети. При обучении в большинстве случаев нужно использовать реальные данные. Но допустим, что через некоторое время формат входных данных изменился, добавились новые классы, добавились новые значения и.т.д. В этом случае нейронную сеть придеться переучивать. Этот фактор является одним из основных недостатков при использовании нейронных сетей в решении данной задачи.

Язык SWRL для логического вывода. Для решения задачи классификации целесообразно использовать язык SWRL (the Semantic Web Rules Language). Данный язык является дополнением к OWL а так как моделью для входных и выходных данных был выбран именно OWL то существующую модель достаточно просто расширить SWRL правилами [Ian Horrocks et al., 2004].

Предлагаемые правила достаточно просты. В основе данных правил лежит зависимость между предшествующими условиями и последующими по принципу: если условия указанные в предшествующих условиях соотношения являются истинной, тогда последующее условия также является истинной. Предшествующее и последующее условия правила состоят из так называемых атомов. Атомы могут быть представлены в форме C(x), P(x,y), sameAs(x,y), differentFrom(x,y), где C(x) – является описанием OWL DL, P это свойство OWL, а x и y это переменные. Переменные атомов могут ссылаться на элементы домена обычным способом как это реализуется в OWL [Ian Horrocks et al., 2004].

Несколько атомов в предшествующем условии рассматриваются как конъюнкция. Если предшествующее условие пустое, то оно трактуется как истинное, следовательно, последующее условие всегда истинно.

Несколько атомов в последующем условии трактуются как отдельные последовательности (т.е. они все должны быть удовлетворены). Пустое последующее условие трактуется как ложное. Следует заметить, что правила с несколькими атомами в последующем условии могут быть легко реорганизованы в несколько правил, каждое из которых состоит из одного атома в последующем условии [Ian Horrocks et al., 2005].

Простейшим абстрактным примером такого правила является: «Если свойство Title конкретного курса содержит слово «математика» и абстрактный класс же содержит слово математика, то конкретный курс является подклассом абстрактного».

Автоматизация экспертизы учебных курсов. После классификации конкретных курсов эксперт может приступать к их оценке. Экспертное оценивание представляет собой процесс измерения, который можно определить как процедуру сравнения объектов по выбранным показателям (характеристикам). Методы экспертных оценок являются одними из важных методов сбора информации, а главное, её анализа, отбора из множества свойств объектов существенных для поставленной задачи. С помощью экспертов получают информацию качественного характера, основанную на опыте и интуиции специалиста, – эту информацию называют экспертными данными или экспертными оценками.

В настоящее время применяются различные разновидности метода экспертных оценок. К основным видам относятся: анкетирование и интервьюирование; мозговой штурм; дискуссия; совещание; оперативная игра; сценарий. Каждый из этих видов экспертного оценивания обладает своими преимуществами и недостатками, определяющими рациональную область применения. Во многих случаях наибольший эффект дает комплексное применение нескольких видов экспертизы.

Анкетирование и сценарий предполагают индивидуальную работу эксперта. Интервьюирование может осуществляться как индивидуально, так и с группой экспертов. Остальные виды экспертизы предполагают коллективное участие экспертов, в работе. Независимо от индивидуального или группового участия экспертов в работе целесообразно получать информацию от множества экспертов. Это позволяет получить на основе обработки данных более достоверные результаты не содержащуюся в явном виде в высказываниях экспертов.

При решении поставленной задачи применяется метод предполагающий индивидуальную работу эксперта. Применение такого метода экспертных оценок придаст дополнительную гибкость. Эксперты физически могут находиться практически в любой точке планеты, и имея доступ к Интернету смогут анализировать материалы и производить их оценку. При анализе учебных курсов эксперту необходимо проанализировать представленные материалы и оценить их на соответствие заявленным характеристикам, при этом эксперт будет выносить количественную оценку по каждой характеристике учебного курса.

Блок схема алгоритма экспертной оценки учебного курса показана на рисунке 4. Оценка будет проходить в два этапа. Первый этап это выбор абстрактного курса для оценки. Второй этап это анализ и оценка всех характеристик и материалов каждого конкретного курса. На втором этапе каждое свойство курса и материалы курса будут оценены количественно экспертом.

Рис. 4.  Обобщенный алгоритм экспертной оценки учебного курса.

После оценки курсы могут быть использованы при построении индивидуальной траектории обучения исходя из потребностей обучаемого, и учитывать при этом уже изученные курсы и результаты экспертизы.

Построение индивидуальной траектории для хранилищ с SCORM-курсами.

SCORM (Shareable Content Object Reference Model) - промышленный стандарт для обмена учебными материалами на базе концептуальной модели стандарта IEEE 1484.12.1 [“Standard for Learning Object Metadata”, 2002]. Целью создания SCORM является обеспечение многократного использования учебных материалов, интероперабельности учебных курсов, сопровождения и адаптации курсов, ассемблирования информации отдельных учебных материалов в учебные курсы или дисциплины в соответствии с индивидуальными запросами пользователей. В SCORM достигается независимость учебных материалов от программ управления [SCORM 3rd Edition, 2007].

Основой модели SCORM является модульное построение учебного материала. Модули учебных материалов в SCORM называются разделяемыми объектами контента (SCO - Shareable Content Objects). SCO – автономная единица учебного материала, имеющая метаданные и содержательную часть. Совокупность модулей определенной предметной области называется библиотекой знаний (Web-репозиторием). Модули (SCO) могут в различных сочетаниях объединяться друг с другом в составе учебных материалов.

В SCORM используется язык XML для представления содержимого модулей, определяются связи с программной средой и API (Программным интерфейсом приложений – Application Programming Interface), предоставлены спецификации создания метаданных, базирующиеся на стандарте IEEE 1484.12.1 .

Структура модели SCORM включает три части:

1) Введение (общая часть), в котором описываются основы концепции SCORM и перспективы ее развития.

2) Модель агрегирования модулей CAM (Content Aggregation Model) в окончательный учебный материал.

3). Описание среды исполнения (Run Time Environment), представляющей собой интерфейс между содержательной и управляющей частями и использующей Web-технологии и язык JavaScript. Эта часть опирается на модель данных и концепцию API.

Модуль хранилища основан на XML и представляет собой систему хранения и управления учебными объектами. Хранилище должно быть реализовано в виде веб-службы с открытым документированным интерфейсом, работающим по протоколу SOAP, что позволяет авторизованное подключение к хранилищу из любого Интернет-приложения, открывая огромные возможности по его  интеграции в информационную образовательную среду в сети Интернет. Для хранилища должен быть реализован инструментарий совместной работы для разработчиков дистанционных курсов, включающий в себя создание рабочих областей, содержащих доступные авторам ресурсы и фрагменты готовых курсов; управление правами доступа к материалу для каждого автора внутри рабочих областей; инструменты общения в процессе разработки - чат, форум, доска объявлений. Единый механизм авторизации позволит осуществлять доступ к рабочим областям как из портала, так и из средства разработки дистанционных курсов.

Средство разработки электронных курсов содержит все необходимые инструменты для создания электронного курса, включая продвинутый текстовый редактор, визуальный редактор HTML-страниц, а также возможность использования шаблонов оформления (или цветовые схемы) учебного объекта. Создав собственный шаблон, можно поддерживать корпоративный стиль в оформлении учебных материалов, а также единообразие средств навигации.

При разработке учебных материалов в средство разработки электронных курсов могут использоваться не только шаблоны оформления учебных объектов, но и так называемые модели. Модели описываются на документированном языке, основанном на XML/XSL, и включают в себя:

-       описание структуры – элементы, доступные в процессе создания дистанционного курса на основе модели; возможное количество любого из элементов; вложенность элементов и их место в структуре модели; тип данных, используемый каждым из элементов;

-       описание инструментов редактирования, используемых для создания учебного объекта на основе моделей в Упаковщике; набора свойств каждого из элементов создаваемого учебного объекта;

-       описание внешнего вида, или представления элементов мультимедийного курса, созданного на основе модели;

-       описание логики взаимодействия элементов учебного объекта с системой управления обучением в момент воспроизведения в соответствии со стандартом SCORM[SCORM 3rd Edition, 2007].

Таким образом, вместо трудоемкой сборки курсов с нуля, процесс разработки делится на две ступени: создание моделей учебных объектов и наполнение моделей ресурсами. Созданный  курс дистанционного обучения и входящие в него ресурсы можно снабдить метаданными и затем поместить в хранилище; интерфейс к которому реализован напрямую из средства разработки. Затем, можно производить поиск по объектам, находящимся в этом и других хранилищах, к которым будет открыт доступ, с помощью запросов по полям метаданных. Полученные в результате объекты можно использовать в своих курсах, перетаскивая их из хранилища методом drag-and-drop.

Разработан проект, который представляет собой веб-ориентированную систему хранилища курсов с автономными модулями создания электронных курсов дистанционного обучения.

На рисунке 5 представлена диаграмма взаимодействия,  в которой ключевым элементом является учебный курс в архиве.

Учебный курс дистанционного обучения состоит из модулей, которые создаются на основе предлагаемых шаблонов. Причем могут быть созданы авторские модули, которые интегрированы в курс дистанционного обучения. В курсе дистанционного обучения могут использоваться модули разных авторов, которые прошли аттестацию. Шаблон может предложить автор учебного материала или автор может воспользоваться уже готовым шаблоном в системе.

 

 

 

 

Рис. 5. Диаграмма взаимодействия пользователей c хранилищем SCORM-курсов

SCORM-курс создается на основе существующих модулей в системе, а также созданных модулей автором курса. К каждому модулю создается минимальный набор метаданных для возможности их интеграции в курс дистанционного обучения. Автор курса дистанционного обучения формирует обобщенные метаданные, которые являются визитной карточкой этого курса.

 

 

Рис. 6. Алгоритм функционирования веб-ориентированной системы создания хранилища учебных курсов

 

В основе системы лежит идеология объектного подхода к созданию и управлению учебными материалами. Это предполагает декомпозицию массивов знаний на самодостаточные элементы, достаточно мелкие для использования в иных контекстах кроме тех, для которых они были созданы изначально.

Веб-ориентированная программная система создания хранилища курсов дистанционного обучения состоит из 3-х основных компонентов:

1)                Учебный портал;

2)                Хранилище SCORM-курсов (Хранилище учебных объектов);

3)                Средство создания SCORM-курсов.

Учебный портал реализует функциональные возможности:

-   управление пользователями учебного портала и хранилища

-   публикация аттестованных курсов, создание и управление учебными группами, подписка на курсы тьюторов и студентов;

-   календарь событий;

-   сервисы для виртуального общения (чат, форум, гостевая книга).

Доставка электронных учебных материалов осуществляется при помощи модуля просмотра электронных курсов, который также предоставляет продвижение по курсу в соответствии с эталонной моделью SCORM.

Разработан алгоритм работы системы, которые представлен на рисунке 6.

Предложена технология реализации веб-ориентированной системы хранилища курсов с автономными модулями создания электронных курсов дистанционного обучения для учебных заведений на основе свободно распространяющегося программного обеспечения (рис. 7).

 

Рис. 7. Веб-ориентированная системы создания хранилища SCORM- курсов

 

Использование баз данных под управлением СУБД MySQL позволит контролировать доступ к данным и отслеживать все их изменения. По запросу по имени курса пользователь получит его описание и в случае, если данное описание устраивает пользователя, он загрузит zip-файл курса.

Использование платформы J2EE (JSP, Servlets) и фраймверка Struts позволит свободно распространят разработанную систему и обеспечит кросс-платформенную независимость, что является немаловажным для систем дистанционного образования.

Заключение

Разработан проект, который представляет собой веб-ориентированную систему хранилища курсов с автономными модулями создания электронных курсов дистанционного обучения.

Учебный курс в формате SCORM состоит из модулей, которые создаются на основе предлагаемых шаблонов. Причем могут быть созданы авторские модули, которые интегрированы в курс. В учебном курсе могут использоваться модули разных авторов, которые прошли аттестацию. Шаблон может предложить автор учебного материала или автор может воспользоваться уже готовым шаблоном в системе.

Предложена технология реализации веб-ориентированной системы хранилища курсов на основе свободно распространяемого программного обеспечения.

Использование баз данных под управлением СУБД MySQL позволит контролировать доступ к данным и отслеживать все их изменения. По запросу по имени курса пользователь получит его описание и в случае, если данное описание устраивает пользователя, он загрузит zip-файл курса.

Использование платформы J2EE (JSP, Servlets) и фреймверка Struts позволит свободно распространять разработанную систему и обеспечит кросс-платформенную независимость, что является немаловажным для программных систем в сфере образования.

Литература

[Келеберда И.Н. и др., 2006] Келеберда И.Н., Лесная Н.С., Сокол В.В. "Создание моделей обучаемого и учебного курса для построения индивидуальной траектории обучения // Радиотехника. 2006

[Рутковская Д. и др., 2004] Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. – М., 2004.

[Мерлин В.С., 1996] Мерлин В.С. Психология индивидуальности. – Москва-Воронеж. 1996.

[Холодная М.А., 2002] Холодная М.А. Психология интеллекта. - СПб., 2002.

[M. Dean et al., 2004] M. Dean, D. Connolly, F. van Harmelen и др. OWL Web Ontology Language Reference. W3C Recommendation, 10 February 2004. http://www.w3.org/TR/owl-ref/.

[Келеберда И.Н., 2002] Келеберда И.Н. Создание спецификации языка разметки учебного материала для разработки обучающего ресурса при организации дистанционного обучения // Радиотехника. 2002. № 130. С.215 – 220.

[Ian Horrocks et al., 2004] Ian Horrocks, Peter F. Patel-Schneider, Harold Boley и др.. SWRL: A Semantic Web Rule Language Combining OWL and RuleML. http://www.w3.org/Submission/2004/SUBM-SWRL-20040521/.

[Ian Horrocks et al., 2005] Ian Horrocks, Peter F. Patel-Schneider, Sean Bechhofe и др. OWL Rules: A Proposal and Prototype Implementation, February 28, 2005

[“Standard for Learning Object Metadata”, 2002] “Standard for Learning Object Metadata”, PISCATAWAY, NJ, 2002. – p. 44

[SCORM 3rd Edition, 2007] SCORM 3rd Edition, Sharable Content Object Reference Model,  Advanced Distributed Learning (http://www.adlnet.org), 2007