Hглавление - dissov.pnzgu.ru€¦ · 2) информационная модель...

2

Оглавление

Введение ...................................................................................................................... 4

1 Электронное обучение в сфере высшего образовании .............................. 13

1.1 Массовые открытые онлайн-курсы ................................................................................ 13

1.2 Информационные технологии, инструменты и стратегии их использования в

образовании ...................................................................................................................... 17

1.3 Современные тенденции развития высшего образования ........................................... 26

1.4 Требования образовательных стандартов в части результатов обучения .................. 30

1.5 Проектирование образовательных программ ................................................................ 33

1.6 Выводы .............................................................................................................................. 36

2 Информационные модели, форматы и протоколы в электронном

обучении .................................................................................................................... 38

2.1 Стандарты и технические отчеты ISO/IEC .................................................................... 38

2.2 Стандарты IEEЕ ................................................................................................................ 60

2.3 Стандарты и соглашения CEN ........................................................................................ 67

2.4 Стандарты консорциума IMS GLC ................................................................................. 74

2.5 Рекомендации и технические отчеты комитета AICC .................................................. 80

2.6 Инициатива ADL .............................................................................................................. 87

2.7 Стандарты ТК 461 ............................................................................................................ 91

2.8 Спецификация Leap2A ..................................................................................................... 92

2.9 Стандарты Open Badges и Blockcerts .............................................................................. 94

2.10 Выводы .............................................................................................................................. 96

3 Управление траекториями обучения и оцениванием результатов

обучения .................................................................................................................... 98

3.1 Модель образовательной программы ............................................................................. 98

3.2 Реализация многоканальной обратной связи .............................................................. 102

3.3 Методика формирования индивидуальных траекторий обучения ............................ 104

3.4 Структура электронного курса ..................................................................................... 110

3.5 Сценарии обучающих диалогов .................................................................................... 130

3.6 Сценарии предъявления учебного материала ............................................................. 148

3.7 Диалоговые формы ........................................................................................................ 155

3.8 Выводы ............................................................................................................................ 172

4 Защита процедур оценивания результатов электронного обучения ... 175

4.1 Методы идентификации обучающихся ........................................................................ 175

4.2 Проведение процедур оценивания в территориальных центрах ............................... 177

4.3 Дистанционный надзор за процедурой оценивания ................................................... 178

4.4 Использование биометрических данных для защиты процедур оценивания .......... 181

4.5 Метод непрерывной идентификации личности обучающегося ................................ 186

4.6 Экспериментальные исследования метода идентификации ...................................... 198

4.7 Выводы ............................................................................................................................ 202

3

5 Технологии реализации индивидуальных траекторий обучения и

оценивания результатов обучения .................................................................... 205

5.1 Электронная информационно-образовательная среда ............................................... 205

5.2 Импорт и экспорт электронных учебно-методических материалов ......................... 216

5.3 Метод управления удаленной лабораторий ................................................................ 230

5.4 Абстрактные алгоритмические машины ...................................................................... 241

5.5 Многостилевой редактор кода ...................................................................................... 243

5.6 Формальная верификация программ для машины Поста .......................................... 248

5.7 Внедрение предлагаемых решений и разработанных технологий ............................ 265

5.8 Выводы ............................................................................................................................ 268

Заключение ............................................................................................................. 271

Список литературы............................................................................................... 273

Приложение А ........................................................................................................ 296

Приложение Б ........................................................................................................ 298

Приложение В ........................................................................................................ 299

Приложение Г ........................................................................................................ 300

Приложение Д ........................................................................................................ 301

Приложение Е ........................................................................................................ 302

Приложение Ж ....................................................................................................... 303

Приложение З ......................................................................................................... 304

Приложение И ........................................................................................................ 305

Приложение К ........................................................................................................ 306

Приложение Л ........................................................................................................ 307

Приложение М ....................................................................................................... 308

Приложение Н ........................................................................................................ 309

Приложение О ........................................................................................................ 311

4

Введение

Актуальность темы исследования. Процессы глобализации и цифровизации, повышение

значимости частных инициатив и инвестиций являются новыми факторами, которые

формируют образ системы образования будущего. Ведущие университеты, занимающие

высокие позиции в международных рейтингах, активно создают онлайн-курсы, которые

позволяют им повысить качество, доступность и престиж образования, сделать

образовательные программы привлекательными для студентов, помочь специалистам в

карьерном росте и совершенствовании профессиональных навыков. Нацеленность

современного образования на массовое обучение и многократное использование обучающих

материалов в образовательном процессе, быстрый рост числа программ, методов и технологий

обучения обуславливает необходимость создания и развития автоматизированных систем,

позволяющих эффективно управлять процессом электронного обучения.

Включение открытых онлайн-курсов в университетские образовательные программы

представляет собой адекватный ответ на вызовы, стоящие перед современным образованием и

преимущественно обусловленные уменьшением интереса молодежи к обучению в технических

университетах, необходимостью постоянного обновления содержания дисциплин, сокращением

времени взаимодействия студентов и преподавателей, разноуровневой подготовкой

абитуриентов. Сложность отбора курсов для включения в образовательную программу и

разработки индивидуального учебного плана, отсутствие должного контроля качества курсов со

стороны университетов, низкий процент успешно завершивших обучение, а также недоверие

университетов к процедурам оценивания результатов обучения, препятствует широкому

внедрению онлайн-курсов в высшее образование. Для преодоления указанных препятствий

требуется разработка новых моделей, методов и алгоритмов построения автоматизированных

систем управления процессом электронного обучения в сфере высшего образования, которые

обеспечат возможность формирования индивидуальных учебных планов и траекторий

обучения, управление траекториями обучения и обучающими диалогами, проведение

подтвержденных процедур оценивания достигнутых результатов обучения.

Особенности автоматизированного обучения с использованием современных

информационных технологий рассматривались в работах В.Н. Васильева, А.Д. Иванникова,

С.Л. Лобачева, В.И. Солдаткина, А.Н. Тихонова. Особое внимание уделяется вопросам

обработки результатов педагогических измерений, представлениям результатов обучения и

компетенций (В.С. Аванесов, В.И. Звонников, Л.С. Лисицына, А.Н. Майоров, В.М. Распопов,

М.Б. Челышкова). Одним из наиболее сложных инструментов, использующихся для

формирования и оценивания сложных результатов обучения в автоматизированных системах

5

управления процессом электронного обучения, являются виртуальные лаборатории, вопросам

проектирования которых посвящены работы В.Г. Парфенова, Ф.Н. Царева, А.А. Шалыто, A.

Bentounsi, H. Djeghloud, M. Larakeb. С целью повышения точности педагогических измерений и

результативности электронного обучения в работах Л.А. Растригина, Л.В. Зайцевой

предложены методы и алгоритмы адаптивного обучения, которые могут быть основаны на

различных моделях студентов (Е.Е. Буль, Р.В. Майер). Однако такие модели, как правило, не

учитывают функциональное состояние обучающегося и не гарантируют достоверность

полученных результатов. Значительные успехи в области обработки физиологических

измерений, в частности анализа вариабельности сердечного ритма (Р.М. Баевский, О.И.

Кириллов, С.М. Клецкин) и анализа и моделирования движений глаз (А.Л. Ярбус, J. Enderle,

L.É. Javal), позволяют рассматривать автоматизированную систему управления процессом

электронного обучения в качестве биотехнической системы эргодического типа (В.М. Ахутин,

П.И. Падерно, Е.П. Попечителев), что обеспечит возможность контроля функционального

состояния обучающегося, непрерывной идентификации его личности и фиксации сложных

результатов обучения. Широкому применению этих методов на практике препятствует

сложность измерительных приборов, поэтому необходима разработка новых методов и

алгоритмов, использующих низкочастотные устройства для измерения биометрических

сигналов.

Цель и задачи исследования. Цель работы состоит в разработке моделей, методов и

алгоритмов построения автоматизированных систем управления процессом электронного

обучения в сфере высшего образования для повышения экономической эффективности

проектирования и реализации образовательных программ в части формирования

индивидуальных учебных планов и траекторий обучения, управления траекториями обучения и

обучающими диалогами, проведения подтвержденных процедур оценивания достигнутых

результатов обучения, включая оценивание практических навыков и непрерывную

идентификацию личности обучающегося. Для достижения сформулированной цели были

поставлены и решены следующие задачи:

1) анализ преимуществ и недостатков электронного обучения с применением открытых

онлайн-курсов, информационных технологий, инструментов и стратегий их

использования в образовании, требований образовательных стандартов и тенденций

развития высшего образования, обзор и анализ информационных моделей, форматов и

стандартов в области электронного обучения, дистанционных образовательных

технологий;

2) разработка концепции многоканальной обратной связи, основанной на ответах

обучающегося и значениях параметров биометрических сигналов;

6

3) разработка модели образовательной программы, содержащей требования к описанию

пререквизитов и результатов обучения совокупности курсов, разработка моделей

результатов обучения и обучающегося, требований к описаниям пререквизитов и

результатов обучения электронного курса, результатов обучения отдельного учебного

модуля электронного курса;

4) разработка информационной модели электронного курса и его компонентов, способов

программирования траекторий изучения электронного курса и диалогов;

5) разработка и исследование метода и алгоритмов непрерывной идентификации личности

обучающегося на основе биометрической информации;

6) разработка алгоритмов, основанных на наборах правил, для сохранения электронного

курса и его компонентов в реляционной базе данных и их восстановления;

7) разработка и исследование универсального метода и протокола для управления

удаленной лабораторией в автоматизированной системе управления процессом

электронного обучения, обеспечивающей автоматическое оценивание заданий с

бесконечным множеством правильных ответов, алгоритма верификации в символьном

виде программ для виртуальных лабораторий, присланных на проверку;

8) внедрение разработанных моделей, методов и алгоритмов в практику построения

автоматизированных систем управления процессом электронного обучения в сфере

высшего образования.

Объект исследования: процесс подготовки глобально конкурентоспособных

компетентных выпускников при сетевой форме реализации образовательных программ в сфере

высшего образования.

Предмет исследования: автоматизация процессов разработки индивидуальных учебных

планов и траекторий обучения, управления траекториями обучения и обучающими диалогами,

проведения процедур оценивания достигнутых результатов обучения и идентификации

личности обучающегося.

Методы исследования: теория множеств, теория формальных языков и грамматик,

математическая логика, теория автоматов, теория вероятности и математическая статистика,

методы распознавания образов и интеллектуального анализа данных.

Научная новизна работы заключается в том, что:

1) впервые сформулирована концепция многоканальной обратной связи, используемой в

процессе электронного обучения, которая предполагает формирование индивидуальной

траектории обучения в зависимости от значений параметров биометрических сигналов и

текущего уровня подготовки обучающегося с целью повышения результативности

учебного процесса;

7

2) разработана новая информационная модель электронного курса, которая, в отличие от

существующих моделей, включает программируемые на основе автоматного подхода

описание структуры курса, модель учета достижений обучающегося и событийную

модель управления траекториями изучения курса, допускает формирование и

оценивание сложных результатов обучения в автоматическом режиме посредством

управления траекторией обучения на основе обратной связи по ответам обучающегося и

значениям параметров биометрических сигналов;

3) разработаны новые метод и алгоритмы непрерывной идентификации обучающихся с

применением статистического анализа характеристик траектории взгляда,

регистрируемой с помощью низкочастотного айтрекера, которые обеспечивают высокую

точность идентификации, сравнимую с точностью существующих методов и алгоритмов

для высокочастотных приборов, и предоставляют возможность проведения

подтвержденных процедур оценивания результатов обучения;

4) впервые разработаны универсальные алгоритмы, построенные на наборах

продукционных правил, которые обеспечивают неизбыточное взаимно однозначное

соответствие между иерархическими и реляционными структурами, используемыми для

передачи и хранения электронных курсов и их компонентов;

5) разработан новый универсальный метод управления удаленной лабораторией, который,

в отличие от существующих методов, позволяет адаптировать пользовательский

интерфейс под требования конкретного электронного курса, оставляя серверную часть

неизменной.

Теоретическая значимость работы. Сформулирована концепция многоканальной

обратной связи, которая позволяет формировать индивидуальные траектории обучения в

зависимости от значений параметров биометрических сигналов и текущего уровня подготовки

обучающегося. Представленная информационная модель электронного курса допускает

автоматическое формирование и оценивание сложных результатов обучения посредством

управления траекторией обучения на основе обратной связи по ответам обучающегося и

значениям параметров биометрических сигналов. Сформулированы правила для неизбыточного

взаимно однозначного преобразования между иерархической и реляционной структурами

данных. Продемонстрирована возможность применения формальной верификации в

символьном виде присланных для оценивания решений заданий с алгоритмически

неразрешимым множеством правильных ответов. Представлено формализованное описание

траекторий взгляда с целью выделения их существенных признаков и решение задачи

классификации низкочастотных дискретизаций сигналов на основе расчета дистанции с

применением статистики Колмогорова-Смирнова.

8

Практическая значимость. Разработанные модели, методы и алгоритмы программно

реализованы в виде автоматизированной системы управления процессом электронного

обучения AcademicNT и базы данных AcademicRM, практическая ценность которых

подтверждена актами внедрения. На автоматизированную систему управления процессом

электронного обучения AcademicNT и базу данных AcademicRM получены свидетельства об

официальной регистрации программы для ЭВМ (№ 2006613980) и базы данных

(№ 2012621123).

Достоверность результатов работы подтверждается корректностью применения

математического аппарата, результатами внедрения и экспериментальных исследований,

практикой многолетнего использования.

Соответствие диссертации паспорту специальности. Диссертация соответствует

паспорту специальности 05.13.10 – Управление в социальных и экономических системах:

в части формулы специальности:

" … проблемами разработки и применения методов теории управления к задачам управления в

социальной и экономической сферах, включая области образования … ", " … вопросы анализа,

моделирования, оптимизации, совершенствования управления и механизмов принятия решений

в организационных системах с целью повышения эффективности их функционирования … ", "

… теоретические и прикладные исследования системных связей и закономерностей

функционирования и развития объектов и процессов в экономике и обществе с учетом

отраслевых особенностей, ориентированные на повышение эффективности управления на

основе развития и использования методов теории управления и принятия решений … ".

в части областей исследования:

п.3 "Разработка моделей описания и оценок эффективности решения задач управления и

принятия решений в социальных и экономических системах";

п.4 "Разработка методов и алгоритмов решения задач управления и принятия решений в

социальных и экономических системах";

п.5 "Разработка специального математического и программного обеспечения систем

управления и механизмов принятия решений в социальных и экономических системах";

п.6 "Разработка и совершенствование методов получения и обработки информации для задач

управления социальными и экономическими системами".

Положения, выносимые на защиту:

1) концепция автоматизированной системы управления процессом электронного обучения

в сфере высшего образования на основе многоканальной обратной связи, учитывающей

значения параметров биометрических сигналов и текущий уровень подготовки

обучающегося;

9

2) информационная модель электронного курса, которая включает описание структуры

курса, модель учета достижений обучающегося и событийную модель управления

траекториями изучения курса;

3) метод и алгоритмы непрерывной идентификации обучающихся по характеристикам

траектории взгляда, регистрируемой с помощью низкочастотного айтрекера;

4) универсальные алгоритмы, которые обеспечивают неизбыточное взаимно однозначное

соответствие между иерархическими и реляционными структурами на основе наборов

правил;

5) универсальный метод управления удаленной лабораторией, который позволяет

встраивать в электронный курс многократно используемые программные компоненты.

Внедрение результатов исследования. Результаты исследования использованы при

выполнении проектов, в которых соискатель являлся руководителем или ответственным

исполнителем: "Разработка технологий тестирования обучающихся в типовой информационной

среде вуза" (Министерство образования и науки Российской Федерации, 2001-2002); "Создание

универсальной среды для сетевых электронных учебников и практикумов" (Министерство

образования и науки Российской Федерации, 2001-2002); "Разработка сетевой информационно-

обучающей системы", (Министерство образования и науки Российской Федерации, 2001-2002);

"Межвузовская сетевая информационно-образовательная система" (Министерство образования

и науки Российской Федерации, 2002); "Разработка перечня учебных программ на основе

набора необходимых компетенций государственных служащих и работников бюджетных

организаций в области ИКТ" (Министерство образования и науки Российской Федерации,

2003); "Разработка и апробация вариативно модульных учебных программ повышения

квалификации и профессиональной переподготовки кадров в области информационных и

телекоммуникационных технологий для обеспечения и организации учебного процесса"

(Министерство образования и науки Российской Федерации, 2004); "Разработка сетевой

интегрированной информационно-обучающей системы" (Правительство Санкт-Петербурга,

2003-2005); "Создание на базе инновационной структуры высшей школы Санкт-Петербурга

центра трансфера технологий из вузов в промышленность и городское хозяйство"

(Правительство Санкт-Петербурга, 2004); "Интернет-поддержка профессионального развития

педагогов" (Национальный фонд подготовки кадров, 2006-2008); "Апробация проведения

экзаменов по информатике в компьютерном виде при проведении процедур оценки качества

образования в 2007 году на примере единого государственного экзамена (ЕГЭ)" (Федеральное

агентство по образованию, 2007); "Совершенствование технологии проведения единого

государственного экзамена по информатике в компьютерном виде" (Федеральное агентство по

образованию, 2008); "Разработка информационно-аналитической системы (программного

10

комплекса) обеспечения взаимодействия специализированного Интернет-портала молодых

ученых и специалистов с научно-образовательными сообществами федеральных округов и

отдельных субъектов Российской Федерации" (Министерство образования и науки Российской

Федерации, 2009-2010); "Развитие процедур оценивания и признания результатов открытого

онлайн-обучения и моделей взаимодействия между информационно-образовательными средами

образовательных организаций и открытыми образовательными площадками" (Федеральная

служба по надзору в сфере образования и науки, 2014).

В ходе исследования разработана автоматизированная система управления процессом

электронного обучения AcademicNT, которая применяется в Университете ИТМО, Институте

имени И.Е. Репина, ФГБОУ ВО ПСПбГМУ им. И.П. Павлова Минздрава России. В онлайн-

курсах, размещенных на площадке Ассоциации "Национальная платформа открытого

образования", используются различные инновационные задания и виртуальные лаборатории из

AcademicNT. В AcademicNT регулярно проводятся олимпиады в форме онлайн-экзаменов с

обязательным учетом достижений участников. Система AcademicNT стала основой для

создания методического интернет-центра повышения квалификации работников образования в

области информационно-коммуникационных технологий, реализации модели проведения

единого государственного экзамена по информатике в компьютерной форме, построения

региональной информационно-аналитической системы "Молодые ученые".

Апробация результатов исследования. Основные результаты работы обсуждались на

53 научных и учебно-методических международных, всероссийских и региональных

конференциях: Международная научно-методическая конференция "Телематика'2000" (Санкт-

Петербург, 2000); VIII Международная научно-методическая конференции "Высокие

интеллектуальные технологии образования и науки" (Санкт-Петербург, 2001); Современные

образовательные технологии (Санкт-Петербург, 2001); Всероссийская научно-практическая

конференция "Российская школа и Интернет" (Санкт-Петербург, 2001); VIII Международная

конференция "Современные технологии обучения" (Санкт-Петербург, 2002); Международная

научно-методическая конференция "Телематика'2002" (Санкт-Петербург, 2002); Конференция

"Оптика и образование" (Санкт-Петербург, 2002); XI Всероссийская научно-методическая

конференция "Телематика'2004" (Санкт-Петербург, 2004); Конференция "Оптика и образование

– 2004" (Санкт-Петербург, 2004); Конференция "Телематика'2005" (Санкт-Петербург, 2005); II

международная конференция "Информационные системы для HRM и обучения" (Санкт-

Петербург, 2005); XI международная конференция "Современные технологии обучения:

международный опыт и российские традиции "СТО-2005"" (Санкт-Петербург, 2005);

Конференция "Оптика и образование – 2006" (Санкт-Петербург, 2006); XIV Всероссийская

научно-методическая конференция "Телематика'2007" (Санкт-Петербург, 2007); XV

11

Всероссийская научно-методическая конференция "Телематика'2008" (Санкт-Петербург, 2008);

Межвузовская научно-методическая конференция (Москва, 2008); XVI Всероссийская научно-

методическая конференция "Телематика'2009" (Санкт-Петербург, 2009); 23rd ICDE World

Conference on Open Learning and Distance Education including the 2009 EADTU Annual Conference

(Maastricht, The Netherlands, 2009); VIII Международная научно-практическая

конференция-выставка "Единая образовательная информационная среда: проблемы и пути

развития" (Томск, 2009); II Международная научно-практическая конференция (Пятигорск,

2009); 8th IFAC Symposium on Advances in Control Education (Kumamoto, Japan, 2009);

Всероссийская объединенная конференция "Интернет и современной общество" (Санкт-

Петербург, 2009); Всероссийской научно-практической конференции с международным

участием "Информационные технологии в обеспечении нового качества высшего образования"

(Москва, 2010); XVII Всероссийская научно-методическая конференция "Телематика'2010"

(Санкт-Петербург, 2010); Конференция "Оптика и образование – 2010" (Санкт-Петербург,

2010); Международная научно-практическая конференция "Дистанционные технологии в

образовании – 2011" (Караганда, 2011); Международная научно-практическая конференция

(Екатеринбург, 2011); Международная научно-практическая конференция "Информационные

технологии в образовании и науке "ИТО-Самара-2011"" (Самара, 2011); XVIII Всероссийская

научно-методическая конференция "Телематика'2011" (Санкт-Петербург, 2011); V

Международная научно-практическая конференция "Информационная среда вуза XXI века"

(Петрозаводск, 2011); Международная научно-практическая конференция "Математические

методы и модели анализа и прогнозирования развития социально-экономических процессов

черноморского побережья Болгарии" (Поморие, Болгария, 2012); Международная научно-

практическая конференция "Новые информационные технологии в образовании – 2012"

(Екатеринбург, 2012); XIX Всероссийская научно-методическая конференция

"Телематика'2012" (Санкт-Петербург, 2012); XXIII Международная конференция "Применение

новых технологий в образовании" (Троицк, 2012); The International Conference on E-Learning and

E-Technologies in Education (Lodz, Poland, 2012); VI Международная научно-практическая

конференция "Информационная среда вуза XXI века" (Петрозаводск, 2012); Международная

научно-практическая конференция "Университет ШОС - новые горизонты дистанционного

образования: опыт, практика, перспективы развития" (Караганда, 2013); Международная

научно-практическая конференция "Новые информационные технологии в образовании"

(Екатеринбург, 2013); XX Всероссийская научно-методическая конференция "Телематика'2013"

(Санкт-Петербург, 2013); VII Всероссийская научно-практическая конференция

"Информационная среда вуза XXI века" (Петрозаводск, 2013); KES Smart Digital Futures 2014

(SDF-14) (Chania, Greece, 2014); XXI Всероссийская научно-методическая конференция

12

"Телематика'2014" (Санкт-Петербург, 2014); 1st International Conference on e-Learning e-

Education and Online Training (Bethesda, USA, 2014); 2nd International KES Conference on Smart

Education and E-Learning (Sorrento, Italy, 2015); 9th IEEE International Conference on Application

of Information and Communication Technologies (Rostov-on-Don, Russia, 2015); 6th IEEE

International Conference on Cognitive Infocommunications (Győr, Hungary, 2015); 13th International

Conference on Emerging eLearning Technologies and Applications (Starý Smokovec, Slovakia, 2015);

The 5th International Symposium on Knowledge Management & E-Learning (Guangzhou, China,

2015); 3rd International KES Conference on Smart Education and E-Learning (Tenerife, Spain, 2016);

3rd EAI International Conference on e-Learning e-Education and Online Training (Dublin, Republic

of Ireland, 2016); IEEE 15th International Symposium on Applied Machine Intelligence and

Informatics (Herl'any, Slovakia, 2017); 4th International KES Conference on Smart Education and e-

Learning (Algarve, Portugal, 2017); 2017 Intelligent Systems Conference (London, United Kingdom,

2017).

Публикации. Основные результаты работы изложены в 89 печатных работах, включая

58 публикаций в изданиях из перечня ВАК и изданиях, индексируемых в WoS/Scopus.

Получены свидетельство об официальной регистрации программы для ЭВМ и свидетельство о

государственной регистрации базы данных.

Структура диссертации. Диссертация состоит из введения, пяти глав и заключения.

Объем диссертации составляет 311 страниц. Список использованных источников включает 259

наименований. Работа содержит 70 рисунков и 85 таблиц.

13

1 Электронное обучение в сфере высшего образовании

Анализируются достоинства и недостатки онлайн-обучения, ключевые проблемы высшего

образования. Обсуждаются возможности использования открытых онлайн-курсов в сфере

высшего образовании, влияние, которое могут оказать на образование информационные

технологии, в целом, инструменты и стратегии их использования. Анализируются нормативно-

правовые акты Российской Федерации в области электронного обучения и дистанционных

образовательных технологий, способы включения онлайн-курсов в образовательные

программы, структура описания результатов обучения.

1.1 Массовые открытые онлайн-курсы

Электронное обучение – образовательная технология, позволяющая обеспечить высокий

уровень доступности образования и одновременно повысить его качество [61]. Сочетание

сетевых форм реализации образовательных программ с электронным обучением способствует

расширению образовательных возможностей, формированию индивидуальных траекторий

обучения. Перспективные модели повышения доступности и качества образования за счет

электронного обучения во всем мире приводят к созданию новых организационных форм

взаимодействия университетов между собой, с бизнесом и потребителями образовательных

услуг. Цифровая революция, процессы глобализации, повышение значимости частных и

предпринимательских инициатив и инвестиций в системе образования – это новые тренды,

которые формируют образ будущей системы образования. Резкий рост интереса к массовым

открытым онлайн-курсам [193], [211] привел к началу этапа формирования международных

образовательных сетей и площадок открытого образования [100], [114], развитию

высокотехнологичных обучающих платформ, которые сочетают в себе имитацию среды

профессиональной деятельности, совместную работу и оценку результатов обучения.

Освоение образовательных программ, модулей или дисциплин с применением

электронного обучения обеспечивается электронной информационно-образовательной средой

[19], [20], [22], [55], [121], [122], включающей в себя электронные информационно-

образовательные ресурсы, совокупность информационно-телекоммуникационных технологий и

технологических средств. Структурированная совокупность электронных информационно-

образовательных ресурсов, обеспечивающая достижение запланированных по дисциплине

результатов обучения с применением электронного обучения, называется электронным курсом

[91]. Массовый открытый онлайн-курс (МООК, Massive open online course, MOOC) –

электронный курс, предназначенный для неограниченного числа студентов [52]. Как правило,

14

курсы этого вида содержат видеолекции, разбитые на легко воспринимаемые фрагменты,

опросы, упражнения и практические задания с автоматической или полуавтоматической

проверкой решений с привлечением асессоров. Для проверки решений также может

применяться взаимное оценивание и самооценивание. Слушателям, изучающим МООК,

предоставляется возможность общения между собой, а также с преподавателями и членами

команды, осуществляющей сопровождение курса. Два различных педагогических направления

привели к появлению онлайн-курсов, основанных на теории коннективизма, которая

предполагает обучение через установление ассоциаций, и курсов, построенных, согласно

теории бихевиоризма, на содержании [257]. Известные типы онлайн-курсов приведены в

таблице 1.1.

Таблицы 1.1 – Типы онлайн-курсов [52]

Обозначение Описание

xMOOC Самый распространенный тип курсов, сконцентрирован

вокруг лектора и содержания

cMOOC Коннективисткие курсы, напоминают семинары,

материалы курса дают отправную точку для дискуссий,

обучение происходит в процессе взаимодействия между

обучающимися.

DOCC Коллаборативные курсы, которые распространяются по

организациям, осуществляющим образовательную

деятельность. Содержание для всех организаций

одинаковое, а то, как курс организован, зависит от

конкретного университета.

BOOC Большие открытые онлайн-курсы похожи на массовые, но

имеют ограниченное число студентов, обычно около 50.

SMOC Синхронные курсы отличаются от xMOOC тем, что лекции

транслируются в прямом эфире. Чтобы их слушать, нужно

подключаться к системе в определенное время.

SPOC Небольшие закрытые онлайн-курсы похожи на BOOC, но

взаимодействие студент-преподаватель строится по

образцу традиционного взаимодействия в классе. SPOC

упоминается в дискуссиях о "перевернутом классе".

Корпоративный MOOCs Предназначены для обучения или повышения

15

Обозначение Описание

квалификации сотрудников, обычно финансируется

работодателем, он же выдает диплом.

Термин МООК был введен в обращение в 2008 году [160], а в 2013 году количество

студентов, записавшихся на массовые открытые онлайн-курсы, превысило 5 миллионов [194].

МООК следует рассматривать не как альтернативу традиционному университетскому

образованию, а как дополнительную возможность для расширения спектра образовательных

услуг с целью привлечения в университет студентов, которые стремятся обучаться новыми

способами, помощи студентам в преодолении географических и социальных барьеров,

продвижения образовательных услуг университета на международный рынок,

позиционирования университета в глобальном образовательном пространстве. Кроме того,

онлайн-курсы помогают студентам в изучении сложных научных, технических, математических

и гуманитарных дисциплин, способствуют интенсификации самостоятельной работы,

социализации студентов. Мотивы студентов к участию в МООК различны: удобство,

любопытство, развлечение, общение, интеллектуальное развитие. Один из самых важных

мотивов – возможность получить представление о предмете без необходимости проходить

полный цикл обучения и аттестации. Таким образом, в качестве достоинств МООК можно

указать следующее [244]:

Содержание курса разбито на модули, доступ к которым предоставляется

последовательно по мере изучения курса, в курсе могут применяться любые

релевантные программные средства.

Участники не ограничены во времени или пространстве – в МООК могут участвовать

люди, которые не имеют доступа к формальной системе высшего образования.

МООК расширяет образовательную среду, совершенствует навыки обучения.

МООК носит неформальный характер и может быть быстро организован. Учебные

мероприятия в курсе планируются заранее, но успех курса зависит от участников,

поскольку каждый из них может исполнять роль и ученика, и преподавателя.

Записаться на курс может любой желающий из любой точки мира. Оплата не

требуется, персональные данные не нужны.

Оценка достигнутых результатов обучения в рамках курса не является приоритетом –

участник сам определяет свою успешность.

Взаимное оценивание работ способствует формированию у студентов навыков,

которые могут оказаться полезными в профессиональной деятельности.

16

Университеты побуждаются к разработке различимых миссий, стимулирующих

развитие методов обучения. Университеты могут настраивать учебный процесс под

разные стили обучения без ущерба для традиционного образования.

Во время обучения между участниками возникают и укрепляются связи. Студенты

учатся не только у преподавателей и их ассистентов, но и друг у друга. После

окончания курса эти связи могут стать основой для создания профессиональных

сообществ.

В то же время обучение с применением МООК имеет ряд недостатков:

Контроль качества МООК является большой проблемой для университетов.

Обучение на платформах открытого образования не подчиняется какой-либо

образовательной программе, что существенно отличается от обучения в

университете.

Обучающиеся должны самостоятельно ставить цели обучения, выбирать курсы и

последовательность их изучения. Цифровая грамотность, мотивация и

дисциплинированность являются обязательными качествами для обучения на

платформах открытого образования. Обучающиеся приобретают навыки и общаются

только в виртуальной среде и не получают аналогичного опыта в реальном мире.

Все процедуры оценивания результатов обучения должны быть либо полностью

автоматическими, либо автоматизированными с применением методов самооценки,

взаимного оценивания, оценки с привлечением асессоров.

Отсутствуют механизмы признания результатов изучения МООК. Признание

результатов МООК преимущественно основывается на честности обучающегося,

добросовестности авторов курса и администрации платформы открытого

образования.

Материал должен быть организован таким образом, чтобы провести обучающегося

через все учебные материалы и процедуры оценивания от первой до последней темы

курса, мотивировать его к участию в дискуссиях на форумах курса. Объем

содержания может привести к информационной перегрузке, а незнакомая среда

вызвать затруднения у обучающегося. Задания, которые не могут оцениваться с

помощью автоматизированной процедуры, вызывают сложности при реализации на

платформах открытого образования.

Процент обучающихся, успешно закончивших онлайн-курс, составляет 5-15% от

количества зарегистрированных на курс [166], [244]. Общепризнанно, что

необходимо увеличить этот показатель, выяснив, почему и на каком этапе студенты

отказываются от изучения курсов.

17

Обучающийся, успешно изучивший МООК, не получает значимого подтверждения,

например, справки об изучении дисциплины (модуля) образовательной программы.

Требуется разработка моделей получения дохода, чтобы сделать концепцию

открытого образования самодостаточной и компенсировать затраты на запуск и

сопровождение МООК.

1.2 Информационные технологии, инструменты и стратегии их

использования в образовании

В ежегодном отчете NMC Horizon Report: 2015 Higher Education Edition [198], подготовленном

консорциумом NMC (New Media Consortium – Консорциум новых медиа) в сотрудничестве с

EDUCAUSE Learning Initiative (Образовательная инициатива EDUCAUSE), указаны наиболее

многообещающие для высшего образования информационные технологии, ключевые факторы,

способствующие их скорейшему внедрению, и наиболее существенные проблемы,

препятствующие широкому распространению новых технологий обучения, в краткосрочной

(один год или менее), среднесрочной (от двух до трех лет) и долгосрочной перспективе (от

четырех до пяти лет).

По мнению авторов отчета, в ближайшее время содействовать внедрению новых технологий

обучения будут следующие факторы:

тенденция к использованию смешанного обучения, при котором аудиторные

занятия сочетаются с самостоятельной работой студента в автоматизированной

системе управления процессом электронного обучения;

тенденция к перепроектированию учебных помещений, обусловленная студенто-

центрированным подходом в образовании и переходом к активным формам

обучения.

тенденция к сбору и анализу данных о поведении обучающихся в онлайн-

системах с целью индивидуализации учебного процесса и непрерывного оценивания

достигнутых результатов обучения (учебная аналитика);

тенденция к распространению открытых образовательных ресурсов, т.е.

ресурсов, которые без каких-либо ограничений можно просматривать, копировать,

редактировать и использовать где-либо.

развитие традиций перманентных обновлений и инноваций, обусловленных

статусом университета как инкубатора новых идей и открытий;

18

рост межуниверситетской кооперации, обусловленный стремлением

университетов к объединению усилий и ресурсов с целью достижения наивысших

показателей в научной и образовательной деятельности.

Наряду с этим, как указано в отчете, внедрение новых информационных технологий в

образование будет сталкиваться со следующими проблемами и рисками:

слияние формального и неформального образования может привести к

выхолащиванию последнего в силу консерватизма системы образования;

отсутствие единого понимания требований к компьютерной грамотности

студентов, тьюторов и преподавателей.

тенденция к персонализированному обучению, которое позволяет строить

учебный процесс исходя из потребностей, устремлений и культурных традиций

индивидуума, требует проведения дополнительных научных исследований и

разработки на их основе новых технологий;

потребность в обучении комплексному и системному мышлению, обусловленная

необходимостью подготовки специалистов способных понимать и решать задачи

реального мира на более высоком уровне, что предполагает разработку новым

методов обучения и технологических средств.

новые модели образования вступают в конкуренцию с традиционными

моделями высшего образования, когда студенты, находясь в университете в

течение четырех лет, получают инструкции от профессорско-преподавательского

состава в соответствии с образовательной программой;

в академической среде сложилась ситуация, при которой преподавание ценится

значительно меньше научной работы, поэтому ведущие сотрудники

университетов, как правило, уделяют меньше внимание преподавательской работе.

В настоящее время существуют семь категорий технологий, инструментов и стратегий

их использования, которое NMC контролирует непрерывно. Они необходимы для

классификации вновь появляющихся технологий, которые относятся к образованию. Список из

семи категорий прошел проверку временем, новые технологии добавляются каждый год,

некоторые технологии меняют названия, другие технологии объединяются под одним

названием.

Пользовательские технологии являются инструментами, созданными для отдыха

или профессиональных целей и не предназначенными, по крайней мере

первоначально, для использования в образовательных целях – хотя они могут

служить в качестве учебных пособий и вполне пригодными для использования в

19

университетах. Эти технологии приходят в университеты, потому что они широко

используются.

Цифровые стратегии не относятся к технологиям, поскольку они являются

способами использования цифровых устройств и программного обеспечения для

обогащения преподавания и обучения, будь то внутри или за пределами аудитории.

Эффективные цифровые стратегии могут быть использованы как в формальном, так

и неформальном обучении.

Высокоэффективные технологии позволяют расширить возможности наших

инструментов, сделать их более совершенными, полезными, а также простыми в

использовании. Это та группа технологий, где главное технологическое новшество

становится явным.

Интернет-технологии включают в себя методы и инфраструктуру, которые

помогают сделать технологии, с помощью которых осуществляется взаимодействие с

сетью, прозрачными и простыми в использовании.

Технологии обучения включают в себя как инструменты и ресурсы, разработанные

специально для использования в образовании, так и инструменты, изначально

созданные для других целей, но адаптированные для применения в образовании. Эта

группа включает в себя технологии, которые расширяют процесс обучения, сделав

его более доступным и персонализированным.

Социальные медиа-технологии могли быть отнесены к пользовательским

технологиям, но так как они стали вездесущими и широко используются по всему

миру, то для них создана отдельная категория. Несмотря на то, что эти технологии

появились достаточно давно, они продолжают развиваться быстрыми темпами.

Технологии визуализации охватывают диапазон от простой инфографики до

сложных форм визуального анализа данных. Их объединяет то, что они основаны на

способности мозга быстро обрабатывать визуальную информацию, выявлять

закономерности, воспринимать смысл и порядок в сложных ситуациях. Эти

технологии принадлежат растущему кластеру инструментов и процессов для

интеллектуального анализа больших наборов данных и динамических процессов.

Экспертам для определения технологий, инструментов и стратегий их использования, которые

окажут наиболее сильное воздействие на высшее образование в течение пяти лет, изначально

был предложен список, приведенный в таблице 1.2, из которого требовалось выбрать по два

наименования на каждую из перспектив: краткосрочную, среднесрочную и долгосрочную.

20

Таблица 1.2 – Группы технологий, инструментов и стратегий их использования

№ Название группы Названия технологий,

инструментов, стратегий

1 Пользовательские технологии

3D-видео, дроны, электронные издательские

системы, мобильные приложения, лайфлоггинг

(самомониторинг), планшеты, телеприсутствие,

носимые устройства.

2 Цифровые стратегии

Принеси свое устройство, перевернутый класс,

игровые механики, интеллектуальный анализ

местоположения, мейкерспейсы (мастерские-

клубы), технологии сохранения и консервации.

3 Высокоэффективные

технологии

Эффективные вычисления, сотовая сеть,

электровибрация, гибкий дисплей, геолокация,

сервисы на основе позиционирования, машинное

обучение, ячеистые сети, мобильная

широкополосная сеть, естественные

пользовательские интерфейсы, связь малого радиуса

действия, батареи нового поколения, открытое

аппаратное обеспечение, синхронный перевод,

статистический машинный перевод, виртуальный

помощник, беспроводная передача электричества.

4 Интернет-технологии

Облачные вычисления, Интернет вещей,

переводчики в реальном масштабе времени,

семантические приложения, технология единого

входа, синдикация содержания.

5 Технологии обучения

Беджи и микрокредиты, учебная аналитика, курсы

типа МООК, мобильное обучение, онлайн-обучение,

открытый контент, открытая лицензия, виртуальные

и удаленные лаборатории.

6 Социальные медиа-технологии

Среда для совместной работы, коллективный

интеллект, краудфандинг, краудсорсинг, цифровое

удостоверение, социальные сети, неявное знание

21

№ Название группы Названия технологий,

инструментов, стратегий

7 Технологии визуализации

3D-печать, быстрое прототипирование, дополненная

реальность, визуализация информации, визуальный

анализ данных, объемные и голографические

дисплеи.

В результате проведенного двухэтапного отбора было установлено, что наибольшее значение

для высшего образования будут иметь:

Стратегия использования мобильных устройств BYOT (Bring Your Own

Technology – принеси свое устройство) основана на склонности людей, использовать

собственные ноутбуки, планшеты и другие мобильные устройства на работе или

учебе. Этот термин ввела компания Intel в 2009 году, когда в компании заметили, что

все большее число сотрудников используют свои собственные устройства,

подключая их к корпоративной сети. Разработка и внедрение стратегии BYOD

способствовало повышению годовой производительности труда в компании на 5

миллионов часов. В системе высшего образования стратегия BYOD аналогичное

значение: многие студенты приходят в класс со своими собственными устройствами,

которые они используют для подключения к сети университета; более 95%

опрошенных преподавателей ответили, что на работе они используют свои

собственные устройства. Хотя университеты ссылаются на проблемы в сфере

информационной безопасности, охраны труда и техники безопасности, разрушение

технологического единства, все большее число моделей применяют стратегию

BYOD, чтобы удовлетворять современным тенденциям развития общества и

технологий.

Перевернутый класс относится к модели обучения, которая изменяет соотношение

времени, проведенного обучающимся в аудитории и вне ее, чтобы переложить

ответственность за обучение с преподавателей на обучающихся. В модели

перевернутого класса аудиторное время предназначается для более высоких форм

познания, активных форм обучения, проектно-ориентированного обучения, когда

обучающиеся работают вместе, чтобы решить локальные или глобальные проблемы с

целью формирования более глубокого понимания предмета. Во время аудиторных

занятий преподаватель не транслирует информацию, обучающийся получает

информацию после занятий, просматривая видеолекции, прослушивая подкасты,

22

читая электронные книги и конспекты, общаясь с коллегами в онлайн-сообществах.

Обучающиеся имеют доступ к онлайн-ресурсам в любое время, когда они нуждаются

в них, могут выбирать комфортный для себя темп и стиль обучения, а также способ

демонстрации полученных знаний. Преподаватели во время занятий могут посвятить

больше времени взаимодействию с каждым отдельным обучающимся, адаптации

методов преподавания и подходов к организации обучения в сотрудничестве под

потребности конкретных обучающихся.

Мейкерспейсы (Makerspaces) – мастерская-клуб, где обучающиеся могут

заниматься конструированием, моделированием или художественным творчеством.

21-й век знаменовал собой сдвиг в направлении навыков, которые имеют реальную,

прикладную ценность в быстроразвивающемся мире. Для художественного

творчества, конструирования, моделирования открываются новые возможности

благодаря развитию таких инструментов, как 3D-принтеры, веб-приложения для 3D-

моделирования, робототехнические конструкторы. Сторонники Makerspaces в

образовании указывают на преимущества этой стратегии привлечения обучающихся

к техническому или художественному творчеству. Для внедрения данной стратегии в

высшее образование потребуется перепрофилировать и оснастить учебные

аудитории.

Носимые технологии используют компьютерные устройства для повседневного

ношения, выполненные в форме аксессуаров, таких как ювелирные изделия, очки или

даже предметы одежды, такие как обувь или куртка. Польза носимых технологий

заключается в том, что с их помощью можно интегрировать различные инструменты

и отслеживать сон, движения, местонахождение, действия в социальных сетях,

реализовать дополненную реальность. Умные очки Google Glass являются одним из

самых известных устройств, позволяющих просматривать информацию о том, что

находится перед человеком. Умные часы от Samsung, Sony и Pebble уже позволяют

пользователям проверять электронную почту и выполнять другие операции через

крошечный интерфейс. Динамично развивающаяся технология носимых устройств

отвечают растущему интересу людей к лайфлоггингу (самомониторигу), который

обусловлен желанием улучшить свою жизнь и здоровье.

Интернет вещей (IoT) - это сеть объектов, связывающих физический мир с миром

информации посредством веб-технологий. Протокол TCP/IP версии 6 расширил

возможности Интернета и поддержки разнообразных объектов, датчиков и устройств,

которые получили IP-адрес и смогли обмениваться данными. Это расширение

адресного пространства стало особенно полезно для автоматизации промышленных и

23

технологических процессов, предоставив возможность отслеживать данные,

поступающие с измерительного оборудования или меток кассовых терминалов,

паспортного контроля, управления имуществом, устройств идентификации.

Встроенные чипы, датчики или крошечные процессоры могут передавать такую

информации об объекте, как стоимость, возраст, температура, цвет, давление,

влажность. Эти сетевые соединения позволяют осуществлять дистанционное

управление и мониторинг состояния и предупреждать, когда объекты, к которым они

прикреплены, находятся в опасности и могут быть повреждены или испорчены. На

другом уровне, IoT используется муниципальными органами власти и

университетами, применяющими средства автоматизации для оптимизации бизнес-

процессов, эффективного использования данных и обеспечения надежности.

Адаптивные технологии обучения включают программное обеспечение и интернет-

платформы, которые приспосабливаются к индивидуальным потребностям

обучающихся. Адаптивное обучение – сложный, зависящий от измерений, а, в

некоторых случаях, нелинейный подход к формированию обучающего и

корректирующего воздействий с целью приспособления к стилю взаимодействия

обучающегося с системой и продемонстрированному уровню его подготовки,

способный предсказывать, какие типы ресурсов требуются обучающемуся в

конкретный момент времени. В этом смысле электронные учебные ресурсы должны

уметь учиться, как учатся люди, используя методы машинного обучения, они могут

адаптироваться к прогрессу каждого обучающегося и настраивать контент в режиме

реального времени, а также выдавать индивидуализированные упражнения, когда это

необходимо. Есть два уровня адаптивных технологий обучения: в первом случае –

платформа реагирует на отдельных обучающихся и адаптирует соответствующим

образом учебный материал; во втором случае – агрегированные данные по большой

выборке обучающихся используются для проектирования и адаптации

образовательных программ и учебных планов. Применение адаптивных технологий

обучения позволяет значительно повысить процент успешно завершивших обучение.

В число долгосрочных перспектив развития образования в отчете за 2016 год NMC

Horizon Report: 2016 Higher Education Edition [199] включено развитие культуры инноваций, в

том числе изменение образовательных программ высшего образования в сторону применения и

разработки новых инновационных подходов к решению задач, а также их нацеленных на

развитие предпринимательских навыков. Другим долгосрочным трендом обозначено

переосмысление структуры образовательных организаций, изменение их направленности. В

частности, предполагается, что организации должны предоставлять обучающимся возможность

24

формирования индивидуальной траектории обучения с выбранными ими курсами. Одной из

среднесрочных перспектив является переработка образовательных пространств в перевернутые

классы, пространства совместной работы обучающихся и т.д. При таком построении

образовательного процесса у обучающихся появится возможность получить не только

всеобъемлющие знания, но и сопутствующие навыки. Подходы к глубокому обучению также

входят в перечень среднесрочных перспектив, и заключаются в формировании

профессиональных умений и навыков, необходимых обучающимся в их дальнейшей

внеучебной профессиональной деятельности. Многие университеты уже начинают

организовывать партнерские программы как с другими образовательными организациями, так и

с компаниями, предоставляя студентам возможность трудоустройства и совмещения рабочей

деятельности с их учебной нагрузкой. Краткосрочные тренды на 2016 год направлены на

формирование новых форм оценивающих мероприятий, предоставление обучающимся

обратной связи по итогам прохождения каждого отдельного испытания на протяжении

обучения, а также сбор данных об их обучении для дальнейшего анализа. Увеличение доли

смешанного обучения в образовательных организациях так же играет немаловажную роль в

краткосрочной перспективе ввиду увеличения числа онлайн-курсов и общей направленности на

цифровизацию образования.

Отчет NMC Horizon Report: 2017 Higher Education Edition [200] за 2017 год во многом

пересекается с предыдущим. В частности, в числе краткосрочных трендов остается

направленность на применение смешанного обучения в образовательных организациях

высшего образования с целью предоставления обучающимся большей свободы в выборе

обучающих материалов и формировании графика обучения. Другим краткосрочным трендом

было обозначено совместное обучение или обучение в коллаборации. Получение навыков

командной работы и проектной деятельности становится одним из основных направлений

развития образования на 2017 год. Отмечается переход трендов из краткосрочных в

среднесрочные, и из среднесрочных в долгосрочные по сравнению с ранними отчетами.

Развитие новых форм оценивающих мероприятий вошло в перечень среднесрочных трендов

наряду с обновлением образовательных пространств и изменением среды обучения, в то время

как разработка новых подходов к глубокому обучению переросло в долгосрочную перспективу.

В 2018 году в NMC Horizon Report: 2018 Higher Education Edition [201] можно заметить

значительные изменения в сторону распространения открытого образования. В долгосрочной

перспективе, образовательным организациям необходимо развивать инновации, что может быть

достигнуто за счет становления вузов местом взращивания предпринимателей, внедрения

новых технологий в образовательный процесс и готовности к переменам. Кроме того, сетевые

межуниверситетские и межотраслевые взаимодействия в целях обмена опытом и

25

возможностями по исследованиям и разработке новых решений также входят в число

долгосрочных трендов. Распространение ресурсов открытого образования оказывает влияние на

развитие образования, усиливает роль смешанного обучения и способствует ускорению

цифровизации образования в целом. Этот тренд отмечен в отчете как среднесрочный. Также

появятся новые формы междисциплинарных исследований, в том числе применение

количественных методов анализа к качественным гуманитарным дисциплинам. Изменение

форм оценивающих мероприятий вновь попало в число краткосрочных трендов развития

образования и объединило в себе как понятия прогресса обучения, оценки сформированности

навыков, так и направленность на развитие методов и подходов учебной аналитики в онлайн-

обучении и смешанном обучении.

В таблице 1.3 представлено сравнение прогнозов NMC, опубликованных в период с 2011

по 2018 год. Необходимо отметить, что на высшее образование продолжают оказывать влияние

технологии, инструменты и стратегии, указанные в прогнозах NMC до 2011 года. Например:

веб-технологии [49], дополненная реальность, социальные сети [87], игровые механики [48],

[208], мобильные технологии. Также можно проследить взаимосвязи между краткосрочными,

среднесрочными и долгосрочными перспективами развития образования, представленными в

отчетах.

Таблица 1.3 – Сравнение прогнозов NMC, опубликованных в период с 2011 по 2018 год

Год публикации

прогноза

Краткосрочная

перспектива

Среднесрочная


Долгосрочная


2018 Изменение форм

оценивающих

мероприятий

Открытое

образование

Культура инноваций

Изменение среды

обучения

Новые формы

междисциплинарных

исследований

Сетевые

межуниверситетские

и межотраслевые

взаимодействия

2017 Смешанное обучение Изменение среды

обучения


Совместное обучение Изменение форм



Подход к глубокому

обучению

26

Год публикации

прогноза

Краткосрочная


Среднесрочная


Долгосрочная


2016 Изменение форм



Изменение среды

обучения


Смешанное обучение Подход к глубокому

обучению

Смена

направленности

образовательных

организаций

2015 Стратегия

использования

мобильных устройств

Мейкерспейсы Адаптивные


обучения

Перевернутый класс Носимые технологии Интернет вещей

2014 Перевернутый класс 3D-печать Лайфлоггинг

Учебная аналитика Игровые механики Виртуальные

ассистенты

2013 МООК-курсы Игровые механики 3D-печать

Планшетные

компьютеры

Учебная аналитика Носимые


2012 Мобильные

приложения

Игровые механики Распознавание

жестов

Планшетные

компьютеры

Учебная аналитика Интернет вещей

2011 Электронные книги Дополненная

реальность

Распознавание

жестов

Мобильные


Игровые механики Учебная аналитика

1.3 Современные тенденции развития высшего образования

Процессы глобализации, охватившие все сферы человеческой деятельности, определяют

современные направления развития высшего образования [241]. Ведущие университеты

признают значимость процессов глобализации, кросс-национальных взаимозависимостей и

взаимосвязей, необходимость поиска, развития и реализации возможностей для

международного сотрудничества и взаимодействия между студентами и преподавателями во

27

всем мире с целью подготовки глобально-конкурентоспособных компетентных специалистов

[180], [248]. Образовательные программы акцентируют внимание на результатах обучения,

необходимых для успешного трудоустройства выпускников – одного из важнейших

показателей при оценке их эффективности. Основными целями современного высшего

образования являются подготовка компетентных специалистов и обеспечение качества

образования, составляющего основу для формирования компетенций выпускника.

Проектирование образовательных программ включает разработку стратегии зачисления в

университет, требований к инфраструктуре, ресурсному и кадровому обеспечению учебного

процесса, системе контроля качества. Выпускник образовательной программы характеризуется

освоенными результатами обучения, степенью сформированности компетенций и

конкурентоспособностью на рынке труда, поэтому программа должна ориентироваться на

требования представителей рынка. По мнению представителей промышленности, успешный

выпускник образовательной программы должен в дополнение к профессиональным знаниям и

навыкам обладать [241]:

навыками решения проблем, в том числе навыками анализа и описания проблем,

поиска решений и их оценки, выбора наиболее эффективного решения;

навыками межличностного общения, в том числе навыками письменной и устной

речи, навыками использования интонации, языка жестов, навыками применения

средств общения;

знаниями в смежных со специализацией областях;

знаниями бизнес-стратегий, которые позволят выпускнику способствовать развитию

предприятия;

навыками межличностных отношений и эмоционального восприятия, знаниями норм

этики;

положительным мышлением, которое приободряет коллег и способствует

увеличению их усилий;

творческим мышлением, приводящим к принципиально новым решениям

проблемных ситуаций, новым идеям и открытиям;

способностью к принятию решений, организационными способностями.

Инженерное образование и инженерная практика в последние десятилетия подверглись

множественным усовершенствованиям [44], [45]. Прошедшие эпохи показали необходимость

создания новых технологий и профессиональных областей с акцентом на развитие

человеческого потенциала и практического обучения. Поэтому в образовании уделяется

значительное внимание разработке образовательных программ, нацеленных на формирование

профессиональных и нетехнических навыков, способствующих подготовке компетенций

28

выпускника. Условиям формирования и оценивания нетехнических навыков посвящена

значительная часть требований для аккредитации инженерных программ, установленных ABET

(Accreditation Board for Engineering and Technology – Совет по аккредитации в области техники

и технологий) [161]. В частности, Критерий 3 "Результаты обучения", описывающий

требования для программ подготовки инженеров, включает:

способность применить знания математики, научных и технических дисциплин (a);

способность к планированию и проведению экспериментов, а также анализу и

интерпретации данных (b);

умение проектировать систему, компонент или процесс, чтобы обеспечить

выполнение предписанных требований при соблюдении экономических,

экологических, социальных, политических, этических ограничений, ограничений

охраны здоровья и безопасности, требований технологичности и устойчивости (c);

способность функционировать в качестве члена многопрофильной команды (d);

понимание профессиональных и этических обязательств (f);

способность эффективно общаться (g);

широкое образование, необходимое для понимания влияния инженерных решений в

глобальном, экономическом, экологическом и социальном контексте (h);

осознание необходимости и способность обучаться на протяжении всей жизни (i);

знание современных проблем (j);

способность использовать методы, навыки и современные технические средства,

необходимые в инженерии (k).

Набор этих результатов обучения предполагает интеграцию нетехнических навыков в

инженерные образовательные программы для того, чтобы, в конечном счете, повысить

конкурентоспособность выпускников на рынке труда. Однако при попытке интегрировать эти

навыки в образовательные программы и оценить соответствующие им результаты обучения

[53] возникает ряд проблем [141]. Одни проблемы обусловлены существующим ограничением

на объем образовательной программы: добавление в программу новых модулей влечет за собой

изменение существующих. Другие проблемы возникают вследствие того, что общекультурные

навыки являются нетрадиционными и нетехническими, в отличие от большинства

профессиональных навыков, которые базируются на знаниях естественнонаучных и

технических дисциплин. Следовательно, эти навыки нелегко описать, сформировать и оценить.

Кроме того, разработка упражнений и практических заданий для формирования и закрепления

этих навыков является отдельной сложной задачей. Таким образом, дальнейшее развитие

инженерного образования требует нахождения баланса между содержанием и формой

29

представления, объемом и расположением в учебном плане модулей, предназначенных для

формирования нетехнических навыков.

Современные тенденции развития высшего образования, главным образом,

предполагают разработку образовательных программ, методов и технологий обучения,

учитывающих индивидуальные потребности и особенности обучающихся, создание

привлекательной образовательной среды, мотивирующей обучающихся и способствующей

подготовке глобально конкурентоспособных компетентных выпускников. Это означает, что:

в образовании необходимо использовать сетевую форму реализации образовательных

программ с широким участием ведущих образовательных и научных организаций,

в образовательных программах должны применяться активные методы обучения и

методы обучения в сотрудничестве, в том числе методы совместной проектной

деятельности,

в образовательных программах практические занятия должны превалировать над

лекциями,

часть дисциплин или модулей образовательной программы должны проводить

специалисты ведущих предприятий по профилю программы.

Возможности электронных курсов согласуются с запросами высшего образования. Онлайн-

курсы – эффективное решение ключевых проблем образования [244]:

необходимость постоянного обновления содержания дисциплин, учебно-

методического и информационного обеспечения,

сокращение времени взаимодействия студентов и преподавателей,

разноуровневая подготовка абитуриентов,

непрерывное образование.

Многие университеты, участвующие в создании онлайн-курсов, занимают высокие позиции в

рейтингах лучших университетов мира [234] (таблица 1.4). Онлайн-курсы позволяют повысить

качество и престиж образования в этих университетах, сделать их образовательные программы

привлекательными для студентов. Ведущие провайдеры онлайн-курсов (Coursera, edX,

KhanAcademy) предлагают курсы в сфере высшего образования. Их цель состоит в том, чтобы,

используя открытые высококачественные курсы с непрерывной обратной связью, повысить

качество образования, предложить лучшее образование в отдаленных уголках мира, помочь

специалистам в карьерном росте и совершенствовании профессиональных навыков. Масштабы

и открытый характер феномена МООК создают возможности для проведения экспериментов с

методами и средствами обучения и оценивания в режиме онлайн для развития новых

эффективных подходов в сфере высшего образования, в полной мере использующих

преимущества появляющихся технологий.

30

Таблица 1.4 – Университеты, разрабатывающие МООК-курсы [234]

Позиция университета в рейтинге QS World

University Rankings 2014 Название университета

1 Massachusetts Institute of Technology

4 Harvard University

7 Stanford University

9 Princeton University

10 Yale University

1.4 Требования образовательных стандартов в части результатов обучения

Образовательные программы (ОП) разрабатываются и утверждаются образовательной

организацией (ОО). ОП, прошедшие государственную аккредитацию, должны быть

разработаны с учетом требований федеральных государственных образовательных стандартов

(ФГОС) или в соответствии с образовательными стандартами (ОС), разработанными и

утвержденными образовательной организацией высшего образования (ВО) самостоятельно. В

соответствии с частью 3 статьи 11 Федерального закона от 29 декабря 2012 года № 273-ФЗ "Об

образовании в Российской Федерации" ФГОС ВО включают в себя требования к:

1) структуре ОП и ее трудоемкости (объему);

2) условиям реализации ОП;

3) результатам освоения ОП.

Порядок, предъявляемый к организации и осуществлению образовательной деятельности по

ОП ВО (программам бакалавриата, специалитета, магистратуры), утвержденный приказом

Минобрнауки России от 19 декабря 2013 года № 1367, устанавливает, что в ОП определяются:

планируемые результаты освоения ОП – компетенции обучающихся, которые

установлены ОС, и компетенции обучающихся, которые установлены ОО

дополнительно к компетенциям, установленным ОС, с учетом направленности

(профиля) ОП;

планируемые результаты обучения (РО) по отдельным дисциплинам (модулям) и

практическим знаниям, умениям, навыкам, которые характеризуют этапы освоения

компетенций и обеспечивают приобретение планируемых результатов освоения ОП.

Под компетенцией выпускника понимается его способность применять сформированные

знания, умения и личностные качества в контексте профессиональной деятельности,

выполнения определенных социальных и профессиональных заданий.

31

Образовательная программа представляется в виде следующих компонентов:

общая характеристика;

учебный план;

рабочие программы дисциплин (модулей) и рабочие программы практик;

календарный учебный график;

методические материалы для государственной итоговой аттестации обучающихся,

программы государственных экзаменов государственной итоговой аттестации

обучающихся.

В общей характеристике ОП указываются:

квалификация, получаемая выпускниками данной ОП;

виды профессиональной деятельности, по которым осуществляется подготовка;

направленность ОП;

планируемые результаты освоения ОП;

информация о профессорско-преподавательском составе, требуемом для успешной

реализации ОП;

другие материалы, описывающие специфику данной ОП, ее конкурентные

преимущества, особенности технологии проектирования и реализации.

В структуре содержания образовательной программы выделяются:

базовая часть, являющаяся обязательной и направленная на формирование у

обучающихся компетенций, которые установлены ОС, включающая в себя

дисциплины (модули) и практики, которые также установлены ОС, а также

дисциплины (модули) и практики, которые установлены ОО;

вариативная часть, определяемая участниками образовательных отношений и

направленная на формирование у обучающихся компетенций, которые установлены

ОО дополнительно к компетенциям, которые установлены ОС, а также на

расширение и (или) углубление компетенций, которые установлены ОС, и включает в

себя дисциплины (модули) и практики, которые установлены ОО.

При реализации ОП обучающимся обеспечивается возможность освоения факультативных и

элективных дисциплин (модулей) в порядке, который установлен нормативным актом ОО.

Элективные дисциплины (модули), выбранные обучающимся, являются обязательными для

освоения. Для обеспечения доступности образования инвалидам и лицам с ограниченными

возможностями здоровья ОО в ОП включаются специализированные адаптационные

дисциплины (модули). При реализации ОП, разработанной в соответствии с ОС, в ее

вариативную часть включаются факультативные, элективные, специализированные

32

адаптационные дисциплины (модули). Сокращение срока получения ВО по ОП при ускоренном

обучении осуществляется через:

зачет (переаттестацию или перезачет) РО (полностью или частично) в рамках

отдельных дисциплин (модулей) или отдельных практик, при успешном их освоении

обучающимся в процессе получения дополнительного профессионального

образования, среднего профессионального образования или высшего образования по

другой ОП;

повышение темпа освоения ОП.

Темп освоения ОП может быть ускорен для обучающихся, которые имеют соответствующие

необходимые для успешного освоения программы способности и уровень развития, при

условии, что годовой объем реализуемой ОП не превысит 75 зачетных единиц. Зачетная

единица для ОП, которые разработаны в соответствии с ФГОС, составляет 36 академических

часов (при продолжительности академического часа 45 минут) или 27 астрономических часов.

При реализации ОП, разработанных в соответствии с ОС, утвержденными ОО, последняя

определяет величину зачетной единицы в диапазоне от 25 до 30 астрономических часов. Объем

ОП не находится в зависимости от таких параметров, как: форма получения образования, форма

обучения, сочетание различных форм обучения, использование сетевой формы реализации ОП,

применение электронного обучения, дистанционных образовательных технологий, обучение по

индивидуальному учебному плану, в том числе плану ускоренного обучения. При построении

индивидуальных траекторий для очной формы обучения должны быть учтены следующие

ограничения:

объем ОП, устанавливаемый образовательным стандартом, не включает объем

факультативных дисциплин (модулей);

годовой объем реализуемой ОП, не включая объем факультативных дисциплин

(модулей), не может быть менее 60 зачетных единиц;

годовой объем реализуемой ОП не должен превышать 75 зачетных единиц;

сокращение срока освоения ОП возможно только при повышении темпа освоения

или перезачете полностью или частично РО.

ОП может реализовываться с использованием различных образовательных технологий, в том

числе электронного обучения, дистанционных образовательных технологий, модульного

принципа построения содержания ОП и учебных планов, и с применением необходимых

образовательных технологий.

33

1.5 Проектирование образовательных программ

Для подготовки глобально конкурентоспособных компетентных специалистов, способных быть

успешными в быстро изменяющемся мире, необходимо проектировать образовательные

программы, используя компетентностный подход, при котором образовательная программа и

каждая ее часть – модуль или дисциплина – разрабатывается для достижения определенных

целей (результатов) обучения [54], [60], [62]. Этот подход к проектированию и реализации

образовательных программ чаще используется в обучении конкретным навыкам, чем

абстрактным понятиям. Он обладает очевидными преимуществами перед традиционными

методами, базирующимися на содержании:

образовательная программа фиксирует результаты обучения, но позволяет

преподавателю выбрать содержание дисциплины, методы обучения и оценивания с

целью наиболее эффективного достижения планируемых результатов обучения;

лаконичное и ясное описание образовательной программы в терминах планируемых

результатов обучения позволяет обучающимся понять, что от них будет требоваться

для успешного завершения обучения, а преподавателям определить, какие знания,

умения, навыки или опыт потребуются для достижения планируемых результатов;

компетентностный подход существенно упрощает взаимообмен между

университетами, организацию академической мобильности обучающихся,

применение сетевых форм реализации образовательных программ;

понимание целей и результатов обучения способствует вовлечению обучающихся в

учебный процесс, интенсификации их самостоятельной работы, вовлечению

родителей и представителей общественных организаций в процессы проектирования

и изменения образовательной программы, разработки образовательных стандартов.

Основная сложность, которая возникает при проектировании образовательных программ с

применением компетентностного подхода, заключается в выборе формулировок результатов

обучения. С одной стороны, оценивание слишком абстрактных результатов обучения, таких как

креативность, уважение себя и окружающих, ответственность, самодостаточность, может

вызывать затруднения из-за отсутствия стандартного средства измерения. Кроме того,

абстрактные формулировки допускают неоднозначные трактовки, что может привести к

неэквивалентным уровням подготовки обучающихся в разных университетах или даже в одном

университете, но у разных преподавателей. С другой стороны, использование слишком

конкретных формулировок может свести на нет все преимущества компетентностного подхода,

затруднить понимание результатов обучения и их признание, привести к резкому увеличению

количества узкоспециальных результатов в образовательной программе.

34

В соответствии с требованиями к аккредитации инженерных программ, установленных

ABET [161] образовательная программа должна иметь образовательные цели (ОЦП), которые

устанавливаются заинтересованными в программе сторонами – студентами, выпускниками,

университетом, промышленностью – и должны быть согласованы с миссией университета.

Образовательные цели программы имеют широкие формулировки, которые описывают то, что

выпускники, как ожидается, достигнут в течение нескольких лет после завершения

образовательной программы, поэтому оценить по ним качество подготовки выпускника сразу

после завершения программы невозможно. Для оценивания качества подготовки обучающегося

во время обучения и сразу после его завершения в каждой образовательной программе

определяются планируемые результаты обучения программы (РОП) –измеряемые и

оцениваемые на различных уровнях и различными методами характеристики, предназначенные

для непрерывного мониторинга достижений обучающегося во время освоения программы

[245]. Образовательная программа состоит из набора дисциплин (модулей), поэтому в

образовательной программе также указаны планируемые результаты обучения (РОД) для

каждой дисциплины (модуля). Совокупность результатов обучения должна обеспечивать

достижение запланированных образовательных целей программы. Таким образом, результаты

обучения по дисциплине (модулю) должны соответствовать результатам образовательной

программы, которые, в свою очередь, соответствуют образовательным целям, согласующимся с

миссией университета (рисунок 1.1).

Компетентностная модель выпускника образовательной программы представляет собой

совокупность компетенций, которые должны быть сформированы у обучающегося в процессе

освоения им образовательной программы. В российском образовании компетентностная модель

по конкретной образовательной программе определяется образовательным стандартом и

университетом совместно с работодателями. На основе компетентностной модели выпускника

и единого тарификатора определяются результаты освоения образовательной программы и

результаты обучения дисциплин (модулей), которые выражаются в виде требований к уровню

знаний, умений и навыков. Известны различные тарификаторы результатов обучения, один из

которых приведен в приложении A [60].

Для описания этапов формирования компетенций может использоваться, например,

таксономия Блума [146]. Блум и его сподвижники были первыми, кто начал анализировать, как

обучение проходит свой путь от низшего уровня "Знания" до наивысшего уровня "Оценка" или

"Синтез". Они ввели три сферы: когнитивная сфера, аффективная сфера и психомоторная

сфера, в каждой из которых осуществляется образовательная деятельность. Когнитивная сфера

подразумевает обучение и применение знаний, в то время как аффективная сфера –

приобретение установок и ценностей. Третья сфера – психомоторная – предполагает развитие

35

навыков физической деятельности. Различные этапы в каждой из этих сфер показаны на

рисунке 1.2. Требуется, чтобы обучающийся в ходе обучения достигал все более высокие

уровни в каждой из сфер.

Рисунок 1.1 – Пирамидальная структура результатов обучения

Рисунок 1.2 – Таксономия Блума

Анализ компетентностной модели выпускника и результатов обучения дисциплины

(модуля) позволяет отобрать и структурировать содержание дисциплины (модуля), методы и

обучения и оценочные средства для текущего, рубежного и промежуточного контролей.

Разделы дисциплины (модуля) определяются результатами обучения, в то время как ее

структура основана на причинно-следственных связях между результатами.

36

Персонализация обучения путем построения индивидуальных траекторий нашла свое

отражение и в высшем образовании, которое стало более открытым к применению новых

технологий обучения и, в частности, онлайн-курсов. Включение онлайн-курсов в

образовательные программы высшего образования может происходит в соответствии с

несколькими моделями. Первая модель подразумевает, что онлайн-курс вводится как

обязательный элемент образовательной программы для освоения в соответствии с учебным

планом. Вторая модель направлена, в первую очередь, на студентов - онлайн-курс предлагается

им как дисциплина по выбору, в том числе как альтернативный дисциплине, осваиваемой с

применением традиционных или смешанных технологий, включающих аудиторную нагрузку.

Третья модель предусматривает использование онлайн-курса, полностью или частично, в

образовательной программе в рамках дисциплины, реализуемой по смешанной технологии.

Четвертая модель позволяет образовательной организации по инициативе студента и по факту

предъявления студентом документа об успешном освоении онлайн-курса осуществить зачет

определенной дисциплины образовательной программы, результаты обучения по которой

совпадают с достигнутыми по факту освоения онлайн-курса. Пятая модель предполагает

внесение образовательной организацией онлайн-курса по факту предъявления студентом

документ об успешном освоении онлайн-курса в документ об образовании как дополнительного

факультативного курса.

1.6 Выводы

Электронное обучение – образовательная технология, позволяющая обеспечить высокий

уровень доступности образования и, одновременно с этим, повысить его качество. Резкий рост

интереса к массовым открытым онлайн-курсам привел к началу этапа формирования

международных образовательных сетей и площадок открытого образования, развитию

высокотехнологичных обучающих платформ. Как правило, онлайн-курсы содержат

видеолекции, разбитые на легко воспринимаемые фрагменты, опросы, упражнения и

практические задания с автоматической или полуавтоматической проверкой решений с

привлечением асессоров. Открытые онлайн-курсы следует рассматривать не как альтернативу

традиционному университетскому образованию, а как дополнительную возможность для

расширения спектра образовательных услуг с целью привлечения в университет студентов,

которые стремятся обучаться новыми способами, помощи студентам в преодолении

географических и социальных барьеров, продвижения образовательных услуг университета на

международный рынок, позиционирования университета в глобальном образовательном

пространстве. Также онлайн-курсы помогают студентам в изучении сложных научных,

37

технических, математических и гуманитарных дисциплин, способствуют интенсификации

самостоятельной работы, социализации студентов. Вместе с тем применение МООК в

университетском образовании сопряжено с трудностями, которые, в частности, обусловлены:

отсутствием механизмов признания результатов обучения, низким процентом обучающихся,

успешно завершивших онлайн-курс, высоким уровнем автоматизации процедур оценивания

результатов обучения.

Современные тенденции развития высшего образования, главным образом,

предполагают разработку образовательных программ, методов и технологий обучения,

учитывающих индивидуальные потребности и особенности обучающихся, создание

привлекательной образовательной среды, мотивирующей обучающихся и способствующей

подготовке глобально конкурентоспособных компетентных специалистов. Возможности

электронных курсов согласуются с запросами высшего образования. Онлайн-курсы –

эффективное решение ключевых проблем высшего образования: необходимость постоянного

обновления содержания дисциплин, учебно-методического и информационного обеспечения;

сокращение времени взаимодействия студентов и преподавателей; разноуровневая подготовка

абитуриентов; непрерывное образование.

При реализации образовательных программ допускается применение электронного

обучения, дистанционных образовательных технологий. Онлайн-курсы могут быть включены в

образовательную программу для реализации обучения по основным, элективным,

факультативным дисциплинам (модулям), а также специализированным адаптационным

дисциплинам (модулям). Признание результатов открытого онлайн-обучения, как правило,

основывается на двух факторах: доверие к результатам обучения, зафиксированным в

документе, на основании которого осуществляется признание; соответствие результатов

обучения, подтверждаемых документом, результатам обучения образовательной программы, в

рамках которой осуществляется признание.

Современные образовательные программы реализуют компетентностный подход,

связанный с переносом акцента на ожидаемые результаты обучения. На основе

компетентностной модели выпускника формируются планируемые результаты обучения по

дисциплинам (модулям) образовательной программы, которые содержат требования к уровням

знаний, умений, навыков и личных качеств выпускника на основе единого тарификатора.

Достигнутые результаты обучения отражают этапы формирования компетенций выпускника.

38

2 Информационные модели, форматы и протоколы в электронном

обучении

В разделе приведен обзор и анализ стандартов и спецификаций в области электронного

обучения для определения и структуризации результатов обучения и компетенций, для

фиксации достигнутых результатов обучения, сбора информации об обучающихся, их учебной

активности и достижениях для описания образовательных ресурсов, агрегирования

образовательных ресурсов, описания архитектуры образовательной среды, сообщений систем

управления обучением и объектов содержания. Сформулированы выводы об основных

направлениях развития стандартов и спецификаций в области электронного обучения и связи

этих направлений с тенденциями развития открытого образования.

2.1 Стандарты и технические отчеты организации ISO/IEC

Международная организация по стандартизации (International Organization for Standardization,

ISО) и Международная электротехническая комиссия (International Electrotechnical Commission,

IЕC) смогли сформировать технический комитет ISO/IEC JTC 1, объединив свои усилия в

области информационных технологий. В составе комитета существует подкомитет SC 36

"Информационные технологии для обучения, образования и тренинга" (Information Technology

for Learning, Education and Training, ITLET), занимающийся технологиями электронного

обучения и, в частности, их стандартизацией. В составе SC 36 образовано восемь рабочих

групп:

WG 1 "Словарь";

WG 2 "Технологии совместной работы";

WG 3 "Информация для обучающегося";

WG 4 "Управление и предоставление знаний и информации, профессиональная

подготовка";

WG 5 "Обеспечение качества и структуры описаний";

WG 6 "Международные стандартизованные профили";

WG 7 "Культура, язык и индивидуальные потребности";

WG 8 "Интероперабельность учебной аналитики".

В настоящий момент в зоне ответственности подкомитета SC 36 на стадии 60.60

"Международный стандарт опубликован" находятся следующие основные стандарты,

технические отчеты и спецификации:

39

ISO/IEC TR 24763 Информационные технологии – Обучение, образование, тренинг –

Концептуальная эталонная модель информации о компетенции и связанных

объектах;

ISO/IEC 20006 Информационные технологии для обучения, образования и тренинга –

Информационная модель компетенций. Состоит из нескольких частей, не все из

которых опубликованы;

ISO/IEC TS 20013 Информационные технологии для обучения, образования и

тренинга – Эталонная структура информации для электронного портфолио;

ISO/IEC 19788 Информационные технологии – Обучение, образование, тренинг –

Метаданные для образовательных ресурсов. Состоит из нескольких частей, не все из

которых опубликованы;

ISO/IEC 12785 Информационные технологии – Обучение, образование, тренинг –

Упаковка контента, который состоит из четырех частей и является производным от

спецификации "Упаковка контента" версии 1.2 консорциума IMS Global Learning

Consortium (IMS GLC) – будет рассмотрен в разделе, посвященном стандартам и

спецификациям IMS GLC;

ISO/IEC TR 29163 Информационные технологии – Эталонная модель совместного

доступа к контенту (Sharable Content Object Reference Model, SCORM) 2004, 3-я

редакция, который состоит из четырех частей и является производным от

соответствующего сборника спецификаций и стандартов – будет рассмотрен в

разделе, посвященном стандартам и спецификациям инициативы ADL;

Технический отчет ISО/IЕC ТR 24763 определяет концептуальную эталонную модель

информации о компетенции и связанных объектах. Основные классы эталонной модели

перечислены ниже [191].

E1: Action (Действие) – действие, которое относится к обучению, профессиональной

подготовке или управлению человеческими ресурсами;

E2: Actor (Субъект) – обучающийся, группа, программный агент;

E3: Competency (Компетенция) – компетенция с простой или сложной структурой;

E4: Criteria and method (Критерий и метод) – критерий оценивания, метод измерения;

E5: Environment (Среда) – описание среды, длительность, дата и время,

оборудование;

E6: Evaluation, assessment process (Оценка, процесс оценивания) – экзамен,

контрольная работа, тест;

E7: LET institution (Образовательное учреждение) – школа, университет;

40

E8: Outcome (Результат) – измеряемый результат обучения;

E9: Role (Роль) – обучающийся, преподаватель, тьютор, инструктор.

Все 9 классов, а также 17 отношений между ними представлены на рисунке 2.1.

Рисунок 2.1 – Концептуальная эталонная модель информации о компетенции и связанных с ней

объектах

Стандарт ISO/IЕC 20006 предназначен для тех, кто создает и использует обучающие

системы и системы управления человеческими ресурсами. Этот стандарт представлен двумя

составляющими его частями ISO/IЕC 20006-1 [189] и ISO/IЕC 20006-2 [190], посвященных

общей структуре компетенции и информационной модели уровня мастерства соответственно.

В стандарте ISО/IЕC 20006 содержатся:

основы для работы с компетенциями с точки зрения информационных технологий в

обучении, образовании и тренинге;

модель управления и обмена информацией о компетенциях и связанных с ними

объектах;

информационная модель для описания компетенций и связанных с ними объектов,

включающая в себя принципы их композиции;

41

примеры, которые могут помочь в разработке общей структуры и информационной

модели компетенций.

Системы управления обучением и человеческими ресурсами должны иметь дело с данными о

компетенциях. Эти данные необходимо передавать между многими заинтересованными

сторонами, поэтому необходимы единые форматы представления информации о компетенциях,

в частности, идентификационных данных, таких как собственно идентификатор, название и

описание компетенции. С этой целью некоторыми организациями по стандартизации были

сформированы промышленные стандарты, такие как RDC, HR-XML и RDCEO, которые

позволяют управлять и передавать идентификационные данные компетенций. Однако этой

информации недостаточно для использования всех преимуществ компетентстного подхода.

Преподавателям, обучающимся, отделам проектирования образовательных программ и

управления человеческими ресурсами требуется доступ к более подробной семантической

информации о компетенциях. Подробная информация о семантике компетенции полезна не

только для понимания смысла данных, но также для использования в интеллектуальных

информационных системах. Некоторые классы объектов, связанных с компетенцией и

необходимых для представления значащей контекстной информации, были введены в

техническом отчете ISO/IEC TR 24763. Однако эти требования не описывают способы

представления более подробной или специальной информации. Необходимы еще две

информационных сущности для описания компетенций: семантическая информация о

компетенции и информация об уровне мастерства (рисунок 2.2).

Рисунок 2.2 – Расширение информации о компетенции

Первая часть стандарта ISO/IЕC 20006 описывает семантическую информационная

модель компетенций (рисунок 2.3), которая опирается на эталонную модель, представленную в

отчете ISO/IEC TR 24763. Описание элементов модели приведено в таблице 2.1.

42

Рисунок 2.3 – Семантическая информационная модель компетенций

Таблица 2.1 – Описание элементов семантической информационной модели компетенций

Название Описание Примеры

Основной блок

actionVerb

(действие)

Для выражения действия или

способа преобразования

входного значения в выходное.

Может иметь вложенные

элементы.

Необходимый элемент для

описания компетенции. Может

быть использован для

обозначения знаний,

убеждений и других

характеристик.

Из названия "Статистические

навыки" – анализировать.

Из описания "Умение

анализировать статистические

данные" – анализировать.

object (объект) Объект, с помощью которого

может быть определен глагол

или действие.

Из названия "Аналитические

навыки" – нет объекта.


навыки" – статистические данные.

43




данные" – статистические данные.

Блок сценария

relevantKnowledge

(необходимые

знания)

Знания, которые необходимо

получить для достижения

целей и результатов обучения.

Могут быть представлены в

виде списка или некоторого

толкования знаний,

относящихся к компетенции.

Могут быть определены

различными способами.

Для статистических навыков на

высшем абстрактном уровне

можно указать знание математики

и математической статистики. А

можно перечислить конкретные

понятия и методы, знание

которых требуется.

tool (средство) Атрибуты элемента actionVerb.

Могут включать в себя

оборудование, программное

обеспечение или другие

средства, которые

используются во время

демонстрации компетенции.

Например, демонстрация

навыков программирования

требует не только знаний в

области компьютеров и

программного обеспечения, но

и наличия компьютеров и

программного обеспечения как

инструментов.


навыки": а) нет инструментов, б)

специальное программное

обеспечение (ПО) для работы со

статистическими данными.



данные с помощью специального

ПО" – специальное ПО.

resources (ресурсы) Материалы, используемые для

получения компетенции:

Для статистических навыков –

учебник по математической

44


информационные ресурсы или

справочные материалы.

Некоторые умения и навыки

должны удовлетворять

требованиям законодательства

или определенных правил.

статистике, инструкция по

использованию специального

программного обеспечения.

task (задание) Задания, рассчитанные на

демонстрацию определенных

знаний, умений, навыков.

Могут быть определены как

для учебной, так и для

профессиональной

деятельности.

Для статистических навыков:

задание по анализу рынка, задание

по обслуживанию клиента.

performanceProcess

(процесс

выполнения)

Действия и процессы, которые

предполагают наличие

компетенции. Демонстрация

компетенции предполагает

выполнение определенной

деятельности. Этот элемент

используется для

конкретизации компетенции

путем ее разделения на

подчиненные процессы.

Пример: владение факторным

анализом – совершать процедуру

факторного анализа

Разделение на подчиненные

процессы:

1) предоставить письменное

обоснование анализа данных;

2) определить, был ли выполнен

разведочный и подтверждающий

факторный анализ;

3) выполнить три этапа

факторного анализа в правильной

последовательности;

4) записать данные в выходной

файл с помощью программного

пакета.

purpose (цель) Поставленная задача, цель.

Показывает важность освоения

компетенции. Не путать с

Для статистических навыков

адекватная цель – определение

нужд потребителей, а

45


элементом outcome. неопределенная цель – создание

новой теории.

prerequisite

(предпосылки)

Необходимые условия и

требования для начала

освоения компетенции.


пройти курс или тренинг по

математической статистике.

condition (условие) Состояние, благодаря которому

можно оценить полученную

компетенцию и выразить

степень сложности.


работа с биометрическими

данными или умение работать с

большим количеством

полученных данных.

outcome (результат) Описание результата

демонстрации компетенции,

включая конечный и

промежуточные результаты.


подготовка отчета с

использованием статистического

анализа или

описание стратегии по анализу

рынка, основанному на

статистических данных.

role (роль) Ожидаемая в будущем

должность, которая может

повлиять на процесс освоения

компетенции.


консультанта или специалист по

анализу рынка.

assessmentProcess

(процесс

оценивания)

Информация о процессе

оценивания является

подотчетной и служит

доказательством оценки.

Содержит следующие

элементы: оценка, дата и место

оценивания, участники,

используемые методы и

метрики.

Информация может быть записана

различными способами.

Для статистических навыков:

- [Задание] отчет с анализом

данных;

- [Промежуточное тестирование]

дата, оценка;

- [Экзамен] дата, оценка.

46


Контекст компетенции

placement

(положение)

Для описания

непосредственного положения

конкретной компетенции в

сложной структуре или в

модели. Обычно ссылается на

вложенный элемент

"siteInTaxonomy" элемента

"taxonomy"

Классификация –

образовательный стандарт.

Позиция в классификации – ПК3.

relatedCompetency

(связанные

компетенции)

Для описания связи с другими

компетенциями. Существует

несколько типов связи.

Основной тип связи "родитель-

потомок", используемый в

классификации. Другой тип

связи зависит от

последовательности освоения

компетенций. Одни

компетенции могут быть

изучены только в паре с

другими, другие же требуют

наличия набора изученных

компетенций.

Для статистических навыков

родительский элемент –

социологические исследования, а

подчиненный элемент – владение

методом регрессионного анализа.

level (уровень) Компетенция обычно

сопровождается информацией

о профессиональных уровнях.

Если информации об уровнях в

системе нет, то она

размещается непосредственно в

этом элементе. Одна

компетенция может

соответствовать не только

Компетенция "Социологические

исследования":

Всего уровней – 1,

Целевой уровень – 1,

Условие – прохождение экзамена

Навыки статистического анализа

рынков:

Всего уровней – 5,

47


нескольким уровням одного

типа, но и профессиональным

уровням различных типов.

Целевой уровень – 2,

Условие – выполнение основной

процедуры для демонстрации

навыков без посторонней помощи.

Если уровни определены в какой-

либо информационной системе, то

можно использовать ссылку.

criteria (критерии) Предоставляет информацию,

касающуюся измерения

компетенции. Метод,

показатели или критерии,

используемые для измерения и

оценивания компетенций.

1) Метод: экзамен.

2) Критерии: результат от 70 до

100 баллов.

Вторая часть стандарта ISO/IEC 20006 содержит:

информационная модель для выражения семантики уровней сформированности

компетенций;

примеры использования, обеспечивающие разработку информационной модели для

выражения семантики уровней сформированности компетенций.

Для этого определены три структуры данных:

структура для описания компонентов (составляющих) квалификации (proficiency

composition model), например, знаний, умений, навыков;

структура для описания уровней и показателей оценивания отдельного компонента

квалификации (proficiency information model), например, для оценивания знаний

некоторой квалификации может быть определено восемь уровней и пять показателей

оценивания;

структура для описания показателей оценивания каждого уровня отдельного

компонента квалификации (level information model), например, для третьего уровня

владения знаниями в рамках отдельной квалификации может производиться

оценивание только по трем показателям.

Cтруктура для описания компонентов квалификации (структура квалификации)

включает в себя атрибуты идентификатор, название, описание, использующиеся в качестве

48

идентификационных данных в информационной системе, и элементы "Последовательность

компонентов", "Список компонентов" (рисунок 2.4). Элемент "Последовательность

компонентов" служит для перечисления компонетов результатов обучения, а элемент "Список

компонентов" для указания идентификационных данных каждого компонета. Так, например, в

Европейской структуре квалификаций (EQF) последовательность компонетов включает три

основных элемента: уровни знаний, уровни навыков и уровни компетенций. Описание

элементов структуры результата обучения приведено в таблице 2.2.

Рисунок 2.4 – Структура квалификации

Таблица 2.2 – Описание элементов структуры квалификации

Элемент Описание Пример

Последовательность

компонентов

(proficiencySequence)

Этот элемент информации

определяет комбинацию нескольких

компонентов в виде

последовательности, используя

идентификатор или название

компонента. Сложность компонента

обозначается числом: чем больше

число, тем сложнее компонент.

В EQF потенциально

включено три компонента

компетенций:

{1:eqf_knowledge,

1:eqf_skill,

1:eqf_competency}.

Список компонентов

(proficiencyList)

Этот информационный элемент

определяет список компонентов.

Все компоненты должны

быть разделены и должны

49


Для каждого компонента из списка

необходимо указать идентификатор,

название и описание.

иметь идентификатор,

название и описание:

{eqf_knowledge},

{eqf_skill},

{eqf_competency}.

В структуре для описания уровней и показателей оценивания отдельного компонента

квалификации (структуре компонента) элемент "Метрики" определяет уровни и показатели

оценивания компонента квалификации. Для элемента "Метрики компонента" установлены

четыре подчиненных подэлемента: "Количество уровней", "Последовательность уровней",

"Количество показателей" и "Показатель" (рисунок 2.5). Если значение "Количество

показателей" равно 5, следовательно, 5 элементов "Показатель" должно быть явно определено.

Описание элементов структуры компонента приведено в таблице 2.3.

Рисунок 2.5 – Структура компонента

Структура для описания показателей оценивания отдельного уровня компонента

квалификации (структура уровня) состоит из атрибутов и элементов (рисунок 2.6). Уровень

напрямую связан с последовательностью уровней в структуре компонента квалификации.

Элемент "Метрики уровня" определяет название совокупности данных и содержит четыре

подэлемента: "Компонент квалификации", "Позиция уровня", "Количество показателей" и

"Показатель". Количество элементов "Показатель" должно соответствовать значению в поле

50

"Количество показателей". Если значение элемента "Количество показателей" равно 5,

следовательно, необходимо 5 элементов "Показатель". Описание элементов структуры уровня

приведено в таблице 2.4.

Рисунок 2.6 – Структура уровня

Таблица 2.3 – Описание элементов структуры компонента


Метрики

компонента

(proficiencyMetrics)

Метрика указывает то, с помощью чего

оценивается компонент квалификации.

Метрики предоставляют информацию о

количестве уровней компонента и связях

между ними. Имеет подэлементы.

В качестве значения

указывается название

метрики компонента

{eqf_knowledge}:

{eqf_knowledgeMetric}.

Количество уровней

(levelNumber)

Определяет общее число уровней

компонента квалификации. Подобная

информация обычно представляется

одним значением.

В EQF используется 8

уровней.

Последовательность

уровней

(levelSequence)

Эта информация добавляется в

соответствии с количеством уровней. Если

количество уровней равно 5, то 5 значений

может быть представлено в данном

Номинальная

упорядоченная

категория: {уровень 1,

уровень 2, уровень 3,

51


элементе, определяющем название

каждого из уровней и

последовательностей. Наименьший,

наиболее слабый или минимальный

уровень, означающий неопытность и

наименьший уровень навыков, должен

стоять в последовательности на первом

месте, в то время как наивысший уровень

должен быть указан последним.



уровень 8}.

Количество

показателей

(dimensionNumber)

Количество критериев, служащих для

измерения и оценки компонента

квалификации.

В EQF используется 5

критериев.

Показатель

(dimension)

Используется для представления

информации об используемых показателях

оценивания в рамках компонента. Для

оценки одного показателя может быть

использовано несколько критериев.

Широта знаний,

понимание.

Таблица 2.4 – Описание элементов структуры уровня

Атрибут Описание Пример

Метрики уровня

(levelMetrics)

Метрика описывает то, с помощью

чего оценивается уровень

компонента квалификации. Имеет

подэлементы.

В качестве значения

указывается название

метрики уровня {eqf_

knowledgeLevel5}:

{eqf_

knowledgeLevel5_

Metric}

Компонент

(proficiencyInformation)

Этот информационный элемент

идентифицирует вышестоящий

компонент. В элементе используется

идентификатор или специальное имя,

указанные в структуре компонента

квалификации.

52

Позиция уровня

(levelPosition)

Элемент идентифицирует позицию

уровня среди всех уровней

компонента. В качестве значения

элемента должна выступать

десятичная дробь, числителем

которой является номер уровня,

начиная с наименьшего, а

знаменателем общее количество

уровней компонента.

{5/8}

Количество

показателей уровня

(levelDimensionNumber)

Количество показателей,

используемых данным уровнем для

оценки уровня подготовки в рамках

компонента.

5

Показатель уровня

(levelDimension)

Используется для представления

информации об используемых

показателях оценивания в рамках

уровня. Для оценки одного

показателя может быть использовано

несколько критериев.

Специальность,

прогресс, широта

знаний.

Критерии уровня

(levelCriteria)

Элемент определяет критерии

оценивания показателей уровня. При

выборе и описании критериев

оценивания может быть использован

стандарт ISO/IEC 19796-3.

Необходимы знания

на повышенном

уровне.

В технической спецификации ISO/IEC TS 20013 [192] описана эталонная структура

информации для электронного портфолио. На ранней стадии развития электронного обучения

системы управления обучением стали центром применения информационных технологий в

образования. Последние разработки предоставляют новые возможности мониторинга

взаимодействия человека с компьютером в ходе обучения, например, инструменты,

позволяющие оценивать ход выполнения задачи. Однако широкое распространение

электронного обучения поставило также новые задачи перед образованием, например, такие,

как измерение эффективности электронного обучения и поиска методов и средств,

обеспечивающих наиболее точную оценку достигнутых результатов. Существенно, что

обучающиеся, вовлеченные в процесс электронного обучения, обычно имеют возможность

53

обучаться в соответствии со своим темпом и получают доступ к учебным материалам,

удовлетворяющим их персональным потребностям. В контексте образования и

профессиональной подготовки электронные портфолио используются как хранилища, которые

обычно содержат такие наборы данных, как персональные данные, данные об образовании,

различных видах активности, результатах обучения и достижениях. Традиционные,

неэлектронные портфолио имеют ряд недостатков:

низкая скорость обновления данных и доступа к данным;

техническое обслуживание требует много времени, усилий и затрат;

сложность хранения разнотипных данных.

Большинство из указанных недостатков могут быть решены с помощью информационных

технологий, однако долгосрочность хранения данных все еще будет зависеть от практики

управления данными, принятой в организации. Электронные портфолио предоставляют

платформу поддержки обучающихся и преподавателей с целью повышения эффективности

образовательной деятельности. С использованием электронных портфолио преподаватели и

обучающиеся могут управлять информационно-образовательными ресурсами, отслеживать

активность и процесс обучения, получать оперативную обратную связь с целью повышения

результатов обучения. Тремя ключевыми характеристиками электронных портфолио,

устраняющими ограничения традиционных аналогов, являются:

Гибкость в модификации, управлении и переносимости. Пользователи могут комфортно

и легко редактировать свои электронные портфолио, управлять персональной

информацией и экспортировать эту информацию в другие системы и файлы различных

форматов.

Поддержка множественных типов данных. Пользователи могут продемонстрировать

свои результаты с помощью аудиофайлов, видеофайлов, графики и т.д.

Возможность интеграции с другими информационными системами и доступность с

помощью использования сетевых технологий.

Были разработаны основы для электронных портфолио с целью поддержки различных их

типов, которые могут быть использованы для поддержки обучения, преподавания и другой

деятельности. Один из подходов подразумевает классификацию электронных портфолио в

зависимости от целей, функций и целевой аудитории:

Электронное портфолио для оценивания: документирование размышлений и

представление результатов, способствующих подтверждению возможностей;

Электронное портфолио для презентации: предоставляет возможности традиционных

портфолио, такие как размещение артефактов для демонстрации достижений и

компетенций.

54

Электронные портфолио для персонального развития: включает в себя сбор данных и

информации для поддержки трудоустройства и планирования профессионального

развития.

Электронные портфолио обучающегося: отслеживает во времени процесс обучения и его

результаты.

Электронные портфолио неформального обучения: позволяет пользователю собирать

контент и подтверждения достижений, относящиеся к неформальной и самостоятельной

образовательной деятельности, не являющиеся необходимыми в формальном обучении и

профессиональной подготовке.

Также электронные портфолио могут быть классифицированы в зависимости от контекста, в

котором они применяются:

Электронные портфолио дисциплин: включают информацию, собранную обучающимся,

которая документирует достижения и их влияние на достижение результатов обучения.

В дополнение к этому, портфолио дисциплин часто используются для формирования

общей оценки по дисциплине.

Электронные портфолио программ: специфичны для образовательных программ и

документируют завершенность работы обучающегося, достигнутые результаты

обучения и приобретенные компетенции.

Электронные портфолио организаций: создают возможность для оценивания целей,

задач и прогресса организации, а также, если необходимо, предоставляют информацию

для лицензирования.

В зависимости от роли пользователя в учебном процессе электронные портфолио разделяются

на:

портфолио обучающихся: их основной функцией является поддержка обучающегося, но

также они могут быть использованы преподавателями для оценивания обучающихся.

портфолио преподавателей: предназначены для управления навыками преподавателя, с

тем чтобы развить и расширить компетенции преподавателя, и для оценивания

компетенций преподавателя.

Кроме того, существуют региональные и промышленно-ориентированные электронные

портфолио, которые используются для поддержания развития трудовых ресурсов и обучения на

протяжении всей жизни в отдельных географических регионах и отраслевых вертикалях.

Поскольку электронные портфолио эффективно используются в большом количестве

заинтересованных в электронном обучении сообществ, необходимо указать следующие

преимущества. Обучающиеся могут извлечь выгоду из:

55

управления такой информацией об обучении, как успеваемость, обучающие материалы,

обратная связь от преподавателей и т.д.;

получения советов от преподавателей и систем электронного обучения для

персонализации учебного процесса и построения индивидуальных траекторий обучения;

получения доступа к портфолио с помощью различных цифровых сервисов, например,

компьютеров, смартфонов и других;

развития планов обучения индивидуально или при взаимодействии с остальными

участниками учебного процесса;

демонстрации электронных портфолио для работодателей, родителей, преподавателей,

использования портфолио при поступлении в университет или приеме на работу.

Преподаватели могут извлечь выгоду из:

управления информацией, относящейся к преподаванию, например, к учебным

материалам, продвижению по карьерной лестнице, оцениванию информации и т.д.;

предоставления обучающего контента и других ресурсов обучающимся;

отслеживания успеваемости и активности обучающихся;

управления развитием навыков и компетенций обучающихся;

управления развитием своих навыков или своим профессиональным развитием с

помощью электронных портфолио.

Провайдеры электронного обучения, которые разрабатывают и предлагают сервисы

электронного обучения, могут извлечь выгоду из:

возможности развития обучающего контента, соответствующего потребностям

обучающихся;

повышения эффективности разработки сервисов электронного обучения.

Другие заинтересованные лица могут оценить следующие преимущества:

администрации университетов могут оценивать компетентность преподавателей;

родители могут отслеживать успеваемость детей;

работодатели могут в расширенном контексте изучать компетенции потенциальных

работников.

Абстрактная модель электронного портфолио отражает категории и элементы данных

(рисунок 2.7). Категория "Идентификации" представляет информацию о владельце

электронного портфолио (обучающемся или преподавателе), которая в дальнейшем может быть

соотнесена с ресурсами. Эта информация нужна также для идентификации пользователя.

Данная категория состоит из двух элементов: персональная информация и контактная

информация.

56

Категория "Обзор" включает в себя собранную информацию о прошлом, настоящем и

будущем, способную описать владельца электронного портфолио. Данная категория состоит из

трех элементов:

интересы – данные о добровольных обязательствах или целях человека, вытекающих из

социальных взаимоотношений;

цели и планы – достижения предопределенных целей и планов;

резюме – повествовательный текст, описывающий предысторию, опыт и стремления

человека.

Рисунок 2.7 – Абстрактная модель электронного портфолио, отражающая категории и элементы

данных

Категория "Образование" состоит из информации об образовательных учреждениях всех

уровней, реализующих образовательные программы:

детский сад – дошкольные образовательные программы для малолетних детей

(дошкольников);

начальная школа – первый этап формального, в основном, обязательного образования;

основная и средняя школы – вторая ступень образования, характеризующаяся

преподаванием нескольких предметных областей;

колледж – высшее образование, позволяющее студентам получить степени или дипломы

в определенных областях;

57

университет – высшее образование, позволяющее студентам получить степени и

дипломы в определенных академических областях;

профессиональная подготовка и непрерывное образование – курсы, посещаемые в

соответствии с рабочей деятельностью, которые не обязательно приводят к

академическим достижениям;

органы профессиональной аккредитации – контроль профессиональных практик и

аккредитаций.

Категория "Карьера" включает информацию о карьере, относящуюся к

профессиональной деятельности, и состоит из трех элементов:

история трудовой деятельности – сводная ведомость трудоустройства;

карьерный рост – направление, которому следовал или следует пользователь для

достижения профессиональных целей;

карьерные достижения – подтверждения, выдаваемые поставщиком образовательных

сервисов обучающемуся с целью фиксации достижений пользователя.

Категория "Результаты" включает информацию о результатах и фиксации этих

результатов во время освоения образовательных программ и программ профессиональной

подготовки человеком:

баллы – измерения уровня подготовки по изученным программам;

артефакты – конечные результаты, полученные человеком в ходе учебного процесса;

награды – признание академических достижений студента;

самооценка результатов – индивидуальная оценка эффективности и достижений.

Категория "Способности" включает все квалификации, сертификаты, лицензии,

продемонстрированные навыки, сверхурочно изученные языки и состоит из четырех элементов:

лицензии – разрешение, выданное учреждением человеку, подтверждающее, что

профессиональная квалификация соответствует сертификатам – добровольной проверке

степени квалифицированности для выполнения определенных задач;

сертификаты – добровольная проверка степени квалифицированности для выполнения

определенных задач;

навыки – качество выполнения установленных задач;

языки – языковые компетенции в иностранных языках;

самооценка способностей – индивидуальный обзор и оценка степени развития навыков,

компетенций и признанных квалификаций.

Категория "Опыт" рассматривает опыт, полученный вне образовательной среды.

Категория состоит из пяти элементов:

58

саморегулируемая деятельность – процесс участия и управления человеком

деятельностью, нацеленной на достижение желаемых результатов или приобретение

опыта;

карьерные планы – определение потенциальных карьерных целей, включая

планирование шагов для их достижения;

добровольческие сервисы – деятельность, выполняемая человеком или группой людей в

целях помощи остальным без определенного вознаграждения;

социальная активность – взаимодействие с другими людьми в рамках установленных

обществом правил;

самооценка опыта – индивидуальный обзор и оценка значимости социального и

персонального опыта.

Основная цель ISO/IEC 19788 состоит в том, чтобы указать элементы метаданных для

описания учебных ресурсов и их признаки. Он включает правила для идентификации элементов

данных и спецификации их атрибутов. Стандарт ISO/IEC 19788 обеспечивает совместимость

стандартов ISO 15836 Дублинское ядро (DC) и IEEE 1484.12.1-2002 Метаданные учебного

объекта (LOM), многоязычную эквивалентность и культурную адаптируемость. Этот стандарт

позволяет:

● упростить процесс идентификации и спецификации метаданных, требуемых для

описания учебных ресурсов, указав элементы метаданных и их атрибуты;

● упростить поиск, обнаружение, приобретение, оценивание и использование учебных

ресурсов обучающимися, преподавателями и информационными системами.

Стандарт состоит из нескольких частей, на сегодняшний день статус международного

стандарта получили:

● ISO/IEC 19788-1:2011 Информационные технологии – Обучение, образование, тренинг –

Метаданные для образовательных ресурсов – Часть 1: Структура [182];


Метаданные для образовательных ресурсов – Часть 2: Элементы дублинского ядра [183];


Метаданные для образовательных ресурсов – Часть 3: Базовый профиль использования

[184];


Метаданные для образовательных ресурсов – Часть 4: Технические элементы [185];


Метаданные для образовательных ресурсов – Часть 5: Образовательные элементы [186];

59


Метаданные для образовательных ресурсов – Часть 8: Элементы данных для MLR-

записей [187];


Метаданные для образовательных ресурсов – Часть 9: Элементы данных для описания

людей [188].

Спецификация элементов данных состоит из идентификатора и определенного перечня

атрибутов элементов данных с правилами для значений этих атрибутов. Пример заполнения по

шаблону приведен в таблице 2.5. Каждая спецификация элемента данных имеет следующие

атрибуты, характеризующие идентификатор элемента (Identifier), имя элемента (Property name),

определение элемента (Definition), лингвистический индикатор элемента (Linguistic indicator),

класс ресурса, описываемый элементом (Domain), диапазон значений: литерал или класс

ресурса (Range), элемент, который уточняется текущим элементом данных (Refines), примеры

(Example(s)), дополнительная информация (Note(s)), а также если атрибут Range имеет значение

литерал, то необходимо указать кодировку символов – Content value rules.

Таблица 2.5 – Шаблон спецификации элемента данных

Атрибут Значение

Спецификация элемента данных

Identifier (обязательно) ISO_IEC_19788-3:2010::DES0300

Атрибуты элемента данных

Property name (обязательный) format (eng)

Definition (обязательный) file format of the learning resource (eng)

Linguistic indicator (обязательный) non-linguistic

Domain (обязательный) Learning Resource

(ISO_IEC_19788-1:2010::RC0002)

Range (обязательный) literal

Content value rules (условный) RS_DES0300

Refines (условный) ISO_IEC_19788-2:2010::DES0900

Example(s) (необязательный) video/mpeg

text/html

Note(s) (необязательный) -

60

После определения спецификации элемента данных ее можно использовать для описания

элемента данных. Элемент данных может быть описан в следующем виде:

<dataElementSpecificationID,

subject,

contentValue>

или

<dataElementSpecificationID,

subject,

contentValue,

languageCode>

Здесь dataElementSpecificationID – идентификатор спецификации элемента данных, subject –

URI или ISBN ресурса, contentValue – значение атрибутов ресурса, languageCode – код языка по

ISO 639-3, используемого для описания значения атрибута. Например,

<ISO_IEC_19788-2:2010::DES0100,

urn:ISBN:635-1-4450-1827-3,

Системы электронного обучения,

rus>

устанавливает название "Системы электронного обучения" для ресурса, имеющего

идентификатор, равный ISBN 978-1-4000-1952-6.

2.2 Стандарты института IEEЕ

Институт инженеров по электротехнике и электронике (Institute of Electrical and Electronics

Engineers, IEEE) является международной некоммерческой ассоциацией специалистов в сфере

электротехники, электроники, компьютерной техники и информатики. В комитете по

стандартизации технологий обучения (Learning Technology Standards Committee, LTSC)

функционирует ряд рабочих групп, занимающихся разработкой проектов стандартов для

различных аспектов образовательных технологий, включая стандарты архитектуры систем

электронного обучения (LTS), модели обучающегося, терминологии взаимодействия

61

программных средств с агентами в мультиагентных образовательных системах, импорта и

экспорта учебных материалов в информационные образовательные системы, структуру

метаданных учебных ресурсов.

Именно в LSTC предложена структура метаданных, названная "Метаданные учебных объектов"

(Learning Object Metadata, LOM), которую используют другие организации по стандартизации,

в частности, консорциум IMS GLC. На сегодняшний день комитетом опубликованы следующие

стандарты:

1484.1-2003 Стандарт IEEE в области технологий обучения – Архитектура

образовательных систем [129];

1484.11.1-2004 Стандарт IEEE в области технологий обучения – Модель данных для

сообщений между содержанием и системой управления обучением [124];

1484.11.2-2003 Стандарт IEEE в области технологий обучения – Программный

интерфейс ECMAScript для сообщений между содержанием и средой выполнения [125];

1484.11.3-2005 Стандарт IEEE в области технологий обучения – XML-схема для модели

данных сообщений объекта содержания [126];

1484.12.1-2002 Стандарт IEEE метаданных объекта обучения [127];

1484.12.3-2005 Стандарт IEEE в области технологий обучения – XML-схема для

метаданных объекта обучения [128];

1484.13.1-2012 Стандарт IEEE для концептуальной модели агрегации цифровых

ресурсов для обучения, образования и тренингов [130];

1484.20.1-2007 Стандарт IEEE в области технологий обучения – Модель данных для

многократно используемых определений компетенций [136].

Стандарт IEEE 1484.1 описывает архитектуру образовательной системы, состоящую из

шести основных компонентов: "Обучаемый", "Инструктор", "Доставка", "Оценивание",

"Репозиторий" и "База данных обучаемых" (рисунок 2.8). Взаимосвязи на данной схеме

представляют собой потоки информации, которые обучаемые создают во время процесса

обучения. Инструктор на основе информации об обучаемом, результатах его работы и данных

из репозитория управляет выбором учебных ресурсов из репозитория. Инструктором может

быть преподаватель или обучающая система. Учебные материалы передаются обучаемому из

репозитория. Обучаемый при выполнении каких-либо учебных задач воздействует на

компонент "Оценивание", который может обновлять данные в профиле обучаемого. При

необходимости обучаемый может поддерживать связь с инструктором в процессе изучения

материала. Разработанный на уровне черновика стандарт IEEE 1484.1-2003 на данный момент

устарел.

62

Рисунок 2.8 – Архитектура образовательной структуры

Группа стандартов IEEE 1484.11 включает в себя следующие три стандарты стандарта.

Стандарт IEEE 1484.11.1 описывает модель данных для обмена между учебными объектами и

сервисом информационной среды (Runtime Service, RTS), который обеспечивает сеанс работы

пользователя в системе. Этот стандарт не определяет средства взаимодействия между учебным

объектом и средой, он не определяет поведение среды в ответ на конкретное сообщение.

Стандарт основан на модели, указанной в руководстве Computer Managed Instruction (CMI)

Guidelines For Interoperability версии 3.5, разработанном Aviation Industry CBT Committee

(AICC). Чтобы сбалансировать необходимость поддержки существующих реализаций с

необходимостью выполнять технические исправления и внедрение новых практик, настоящий

стандарт включает в себя элементы данных из спецификации CMI, которые часто используются

на практике, переименовывает элементы данных из спецификации CMI с целью более точно

отразить их назначение, меняет типы данных элементов данных из спецификации CMI на типы

данных стандарта ISO в соответствии с требованиями интернационализации, удаляет

некоторые организационные структуры, используемые в спецификации CMI для описания

данных, которые характерны только для AICC, и вводит некоторые элементы данных, которых

нет в описании CMI, с целью исправления известных технических недостатков в элементах

данных, взятых из спецификации CMI. Концептуальная модель стандарта 1484.11.1 приведена

на рисунке 2.9.

63

Рисунок 2.9 – Концептуальная модель стандарта 1484.11.1

В стандарте 1484.11.2 описывается программный интерфейс ECMAScript-приложений (API) для

взаимодействия объектов содержания с сервисами информационных системам. Он основан на

текущей отраслевой практике под названием "CMI–computer managed instruction" (обучение,

управляемое компьютером). Этот API описывает обмен информацией между объектом

содержания и сервисом (RTS), как правило, предоставляемым системой управления обучением

(LMS) посредством обычного API с использованием языка ECMAScript. Целью настоящего

стандарта является разрешение неоднозначностей и устранение дефектов в существующих

спецификациях ECMAScript API для обмена данными между объектами содержания (рисунок

2.10), используемыми в обучении, и LMS. Стандарт IEEE 1484.11.3 определяет правила

представления сообщений в модели данных, определенной в стандарте IEEE 1484.11.1, на языке

Extensible Markup Language (XML), который рекомендован консорциумом World Wide Web

(W3C). Целью настоящего стандарта является обеспечение возможности создания сообщений

модели данных стандарта IEEE 1484.11.1 на языке XML. Настоящий стандарт использует язык

W3C XML-схем для определения форматов взаимодействия и обмена данными между

различными системами.

Группа стандартов IEEE 1484.12 включает в себя два стандарта IEEE 1484.12.1 и

1484.12.3. Метаданные объекта обучения (Learning Object Metadata, LOM) – это модель данных,

которая используется для описания объекта обучения и других электронных ресурсов в

контексте обучения. Метаданные обычно описываются в формате XML. Назначение систем

64

Рисунок 2.10 – Модель ECMAScript API объекта содержания

электронного обучения), облегчении их интероперабельности и большей понятности.

Концептуальная модель данных (рисунок 2.11) определяет структуру метаданных экземпляра

метаданных заключается в возможности многократного использования объектов обучения (в

контексте учебного объекта. В рамках стандарта под учебным объектом понимается любая

сущность, цифровая или нецифровая, которая может использоваться для обучения. Метаданные

могут быть разбиты на следующие группы: общие, жизненный цикл, мета-метаданные,

образовательные, технические, права, связи, аннотация и классификация. Цель стандарта

заключается в упрощении поиска, оценивания и использования учебных объектов учениками,

преподавателями и автоматизированными системами. Этот стандарт также способствует

совместному использованию учебных объектов и обмену учебными объектами, развитию

каталогов и реестров для многократного использования учебных объектов с учетом культурных

и языковых особенностей контекста. В данном стандарте также предусмотрены поля для

описания планируемых результатов обучения и параметров трудоемкости. Отдельно поля для

сроков обучения в стандарте не предусмотрено. Сопоставление полей следующее:

планируемые результаты обучения – 9 Classification (9.1 Purpose, 9.3 Description);

параметры трудоемкости – 5.9 Educational, Typical Learning Time.

65

Стандарт IEEE 1484.12.3 определяет на языке W3C XML-схемы структуру и ограничения

документа XML 1.1 для описания метаданных учебного объекта, которые определены в

стандарте IEEE 1484.12.1.

Рисунок 2.11 — Модель данных IEEE 1484.12

Группа стандартов IEEE 1484.13 включает в себя стандарт IEEE 1484.13.1 и

рекомендации 1484.13.2 [131], 1484.13.3 [132], 1484.13.4 [133], 1484.13.5 [134] и 1484.13.6 [135].

Стандарт IEEE 1484.13.1 определяет концептуальную модель для агрегации цифровых

образовательных ресурсов. Концептуальная модель описывает набор понятий и отношений

между ними, выражается в виде формальной онтологии. В настоящее время агрегация ресурсов,

используемых в обучении, определена во многих стандартах и технических требованиях.

Концептуальная модель, определенная в этом стандарте, облегчает совместимость,

предоставляя онтологию, которая может использоваться для описания многих форматов

агрегации. Совместимость может быть достигнута созданием правил преобразования

различных стандартов агрегации и технических требований. Кроме того, этот стандарт может

служить основой для разработки и развития стандартов и технических требований для

агрегации ресурсов и может помочь развитию профилей, которые максимизируют

совместимость между различными форматами агрегации. Рекомендации:

IEEE 1484.13.2 определяют отображение элементов и атрибутов Metadata Encoding and

Transmission Standard (METS) в компоненты концептуальной модели;

IEEE 1484.13.3 определяют отображение элементов и атрибутов Multimedia Framework

(MPEG-21) в компоненты концептуальной модели;

66

IEEE 1484.13.4 определяют отображение информационной модели пакетирования

объекта содержания спецификации "Упаковка контента" версии 1.2 консорциума IMS

GLC в компоненты концептуальной модели;

IEEE 1484.13.5 определяют отображение элементов и атрибутов Atom Syndication Format

(Atom) в компоненты концептуальной модели;

IEEE 1484.13.6 определяют отображение абстрактной модели стандартов Open Archives

Initiative Object Reuse and Exchange (OAI-ORE) в компоненты концептуальной модели.

Стандарт IEEE 1484.20.1 определяет модель данных для описания и распространения

определений компетенций, в основном, в области распределенного онлайн-обучения. Стандарт

предоставляет способ представления ключевых характеристик компетенций в независимости от

их использования в каком-либо контексте. При помощи него можно обеспечить

интероперабельность информационных систем обучения, которые сталкиваются в своей работе

с компетенциями, за счет предоставления им ссылок на общие понятия и определения. IEEЕ

1484.20.1 позволяет кодировать и распространять информацию о компетенциях, однако он не

позволяет отличить, является ли компетенция умением, знанием, способностью или

результатом обучения. Пример записи определения компетенции представлен ниже:

reusable_competency_definition :

record

{

identifier : // уникальный идентификатор компетенции

long_identifier_type,

title : // название компетенции

bag of langstring_type(1000),

description : // описание компетенции

bag of langstring_type(4000),

definition : // определение компетенции

definition_type,

metadata : // метаданные

metadata_type

)

67

2.3 Стандарты и соглашения CEN

Европейский комитет по стандартизации, (фр. Comité Européen de Normalisation, CEN) –

международная некоммерческая организация, разрабатывающая европейские стандарты

(European Standard, EN). Целями организации являются:

содействие развитию торговли товарами и услугами;

единообразное применение международных стандартов ISO и IEC в странах-членах

CEN;

сотрудничество с различными организациями по стандартизации по всей Европе;

сертификация и проверка на соответствие стандартам.

На сегодняшний день в области технологий обучения были опубликованы один стандарт и

четыре соглашения CEN (CEN Workshop Agreement, CWA), которые по определению не

являются стандартами:

EN 15981:2011 Европейская студенческая мобильность. Информация об успеваемости

[174];

CWA 16132:2010 EuroLMAI – Информация для поддержки академической мобильности

в Европе [162];

CWA 16655-1:2013 InLOC – Часть 1. Информационная модель результатов обучения и

компетенций [163];

CWA 16655-2:2013 InLOC – Часть 2. Рекомендации по внедрению результатов обучения

и компетенций в существующие спецификации [164];

CWA 16655-3:2013 InLOC – Часть 3. Рекомендации по внедрению результатов обучения

и компетенций в стандарты описания резюме, принятые в Европе [165].

Соглашение CWA 16132:2010 разработана для поддержки академической мобильности в

Европе. Сейчас является европейским стандартом EN 15981:2011, в котором описывается

способ записи и обмена информацией, обычно представленной в академической справке

обучающегося (включая описание программ и результатов обучения), между системами

управления обучением. Данная модель не предназначена для представления всего спектра

информации об обучающемся. Охват стандарта ограничивается определением электронного

представления официальной, подтвержденной информации о достижениях обучающегося, с

тем, чтобы облегчить запись и последующий обмен этой информацией в Европейском

образовательном пространстве. Но в связи с тем, что информация о достижениях

структурирована, обучающийся может использовать ее для своего электронного портфолио,

хотя это и не входит в область применения данного стандарта. Пример структуры EuroLMAI

представлен на рисунке 2.12.

68

Рисунок 2.12 – Пример структуры EuroLMAI

Интегрированные результаты обучения и компетенции (Integrating Learning Outcomes

and Competences, InLOC) – это европейский проект, организованный для создания

одноименного стандарта, описывающего управление и обмен результатами обучения и

компетенциями. InLOC позволяет обмениваться определениями планируемых результатов

обучения и компетенций, а также структурой таких определений, включая такие отношения,

как схожесть и идентичность. Соглашения InLOC определяют структуру информации,

описывающей результаты обучения и компетенции. В спецификации четко указана

необходимость использовать уникальный идентификатор результата обучения и компетенции

(LOC) для многократного доступа и использования, т.к. одно и то же название может быть

использовано для различных результатов обучения и компетенций. Помимо идентификатора в

спецификации указана следующая информация (рисунок 2.13), которая может быть полезна в

определении конечных результатов обучения или компетенции:

название и описание (запись может быть произведена на разных языках);

уровни и баллы, которые используются для отображения прогресса обучения, а также

для сравнения профессиональной подготовки: результаты обучения и компетенции

69

могут быть связаны с одним или несколькими уровнями и баллами; названия уровней

обычно взяты из списка возможных значений, например, уровень А, уровень B и т.д.;

баллы имеют числовое значение в установленных пределах;

тема (результаты обучения и компетенции могут быть категорированы по теме).

Результаты обучения и компетенции могут содержать также метаданные о владельце, версии и

датах создания и последнего редактирования.

Большинство результатов обучения и компетенций не существует отдельно, а лишь в

рамках какой-либо структуры (рисунок 2.14). Спецификация описывает отношения между

ними. Результаты обучения и компетенции могут быть сгруппированы вместе в виде дерева или

другой структуры. Также возможно создание правил их группировки. Информационная модель

данной спецификации включает в себя три ключевых класса: LOCdefinition, LOCstructure и

LOCassociation, а также множество полей для описания результатов обучения и компетенций.

UML-диаграмма информационной модели представлена на рисунке 2.15. Описания классов и

их атрибутов представлены в таблице 2.6, допустимых типов ассоциаций – в таблице 2.7,

допустимых типов отношений для ассоциации типа LOCrel – в таблице 2.8, допустимых типов

отношений для ассоциации типа by – в таблице 2.9.

Рисунок 2.13 – Информация о результатах обучения и компетенциях

70

Рисунок 2.14 – Структура результата обучения или компетенции

Рисунок 2.15 – UML-диаграмма информационной модели

71

Таблица 2.6 – Классы и атрибуты информационной модели

Класс Атрибут Описание

LOC (результат

обучения или

компетенция)

Id Идентификатор

language Язык

Title Название

Abbr Аббревиатура

description Описание

Rights Права

created Дата создания

issued Дата публикации

validityStart Дата начала действия

validityEnd Дата окончания действия

version Версия

extraID Идентификатор в другой системе/схеме

modified Дата обновления

furtherInformation Дополнительная информация

LOCdefinition

(определение для

класса LOC)

primaryStructure Ссылка на LOCstructure, где содержится

наиболее полная информация для

понимания данного определения

LOCstructure

(структура

определений,

связанных с

результатами

обучения или

компетенциями,

включая их атрибуты

и отношения)

combinationRules Набор правил для соединения различных

элементов LOCstructure и LOCdefinition

LOCassociation Id Идентификатор LOCassociation

72

Класс Атрибут Описание

(описывает

ассоциацию)

Type Универсальный тип ассоциации или

составной атрибут

hasSubject Субъект отношения или составного

атрибута

hasScheme Схема для отношений, составных

атрибутов

hasObject Обозначение или название – объект

отношений или составных атрибутов

number Положительное число для уровня и

трудоемкости

Subject id Идентификатор

label Обозначение или название

Scheme id Идентификатор


Object id Идентификатор


Таблица 2.7 – Допустимые типы ассоциаций

Значение параметра Описание

LOCrel Связывает экземпляры LOC (LOCdefinition, LOCstructure)

отношением, допустимые типы которого указаны ниже

by Связывает LOC с агентом в качестве объекта (например,

автором)

category Классифицирует LOC

credit Описывает параметры трудоемкости LOC в заданной схеме

level Описывает уровень LOC в заданной схеме

topic Область, раздел, подраздел

73

Таблица 2.8 – Допустимые типы отношений для ассоциации типа LOCrel

Название отношения Описание

closeMatch Связывает два понятия, которые являются достаточно

похожими, чтобы быть взаимозаменяемыми в некоторых

информационно-поисковых приложениях

exactMatch Связывает два понятия, указывая на высокую степень

уверенности в том, что понятия могут быть

взаимозаменяемыми в различных информационно-

поисковых приложениях

hasDefinedLevel Объект описывает уровень субъекта

hasExample Объект описывает пример или иллюстрацию субъекта

hasLOCpart Объект указывает на часть субъекта

hasNecessaryPart Объект является обязательной частью субъекта

hasOptionalPart Объект является необязательной частью субъекта

hasPreRequisite Перед началом изучения субъекта требуется изучить объект

isDefinedLevelOf Субъект является уровнем объекта

isExampleOf Субъект является примером объекта

isLOCpartOf Субъект является частью объекта

isNecessaryPartOf Субъект является обязательной частью объекта

isOptionalPartOf Субъект является необязательной частью объекта

isPreRequisiteOf Перед началом изучения объекта требуется изучить субъект

isReplacedBy Ресурс субъекта заменяется ресурсом объекта

Related Ресурсы субъекта и объекта связаны некоторым способом

Replaces Ресурс субъекта заменяет ресурс объекта

Таблица 2.9 – Допустимые типы отношений для ассоциации типа by


contributor Лица, спонсирующие ресурс

creator Лица, ответственные за создание ресурса

74


Publisher Лица, ответственные за публикацию ресурса

rightsHolder Лицо или организация, владеющая правами на ресурс

2.4 Стандарты консорциума IMS GLC

Консорциум глобального обучения IMS (IMS Global Learning Consortium, IMS GLC) –

некоммерческая организация, созданная в 1997 году ведущими компаниями в области

информационных технологий, правительственными органами и университетами из нескольких

стран. Целью консорциума IMS GLC является рост и увеличение влияния технологий обучения

в сфере образования и корпоративного обучения по всему миру. Консорциум IMS GLC в

основном занимается:

созданием стандартов и технических спецификаций для организации взаимодействия

различных приложений и сервисов, которые участвуют в процессе электронного

обучения;

поддержкой внедрения спецификаций консорциума IMS GLC в процесс создания

программных продуктов и сервисов по всему миру.

Список всех стандартов консорциума IMS GLC с кратким описанием приведен в таблице 2.10.

Таблица 2.10 – Стандарты и спецификации консорциума IMS GLC

Название стандарта Версия Дата Описание

Access For All (AfA) 3.0 10.09.2012 Спецификация предназначена для

определения ресурсов, которые

соответствуют указанным

предпочтениям или потребностям

пользователя. Спецификация

обеспечивает унифицированный язык

для выявления и описания первичных

ресурсов и для определения

эквивалентных альтернатив этим

ресурсам.

Accessible Portable

Item Protocol (APIP)

1.0 28.05.2014 Стандарт обеспечивает программы

оценки и разработчиков тестовых

заданий моделью данных для

75


стандартизации формата файла обмена

электронными тестовыми заданиями.

Стандарт APIP выполняет две важные

задачи: позволяет стандартизировать

электронные тестовые задания и

элементы курса для портирования через

APIP совместимых банков тестовых

заданий; обеспечивает интерфейс

доставки тестовых заданий со всей

информацией и ресурсами,

необходимыми для того, чтобы сделать

тест и задания доступными для

студентов с различными ограничениями

и особыми потребностями.

Caliper Analytics 1.0 19.10.2016 Спецификация определяет способы

сбора и представления информации об

учебной активности для измерения,

сравнения и повышения качества

обучения.

Common Cartridge

(CC)

1.3 17.07.2013 Спецификация организации,

публикации, распространения, доставки,

поиска и авторизации различных

элементов цифрового учебного контента,

приложений, и связанных с ними

онлайн-форумов и сообществ,

используемых для поддержки учебного

процесса.

Content Packaging

(CP)

1.2 08.10.2009 Спецификация определяет

распространение распределенного

цифрового учебного контента и

ресурсов.

Course Planning and

Scheduling (CPS)

1.0 06.01.2014 Спецификация является определением

того, как системы управляют обменом

76


информацией, используемой для

планирования и составления расписаний

курсов, оптимального использования

ресурсов вуза.

Digital Repositories

Interoperability (DRI)

1.0 30.01.2003 Спецификация, включающая набор

рекомендаций для взаимодействия

наиболее распространенных функций

цифровых хранилищ. Спецификация

предназначена для использования уже

существующих схем (например, IMS

Meta-Data и Content Packaging) вместо

того, чтобы вводить любую новую

схему.

ePortfolio (eP) 1.0 05.07.2005 Спецификация для обмена цифровой

информацией (ePortfolios – электронные

портфолио), которая включает сведения

о фактах обучения и его результатах,

профессиональной подготовке, опыте.

Данная информация предназначена для

всесторонней оценки соискателей на

новые должности и содержит более

достоверные сведения по сравнению с

традиционным резюме.

General Web Services

(GLC)

1.0 13.01.2006 Спецификация нацелена на

способствование взаимодействию веб-

сервисов на основе различного

программного обеспечения и

поставщиков платформ.

Interactive

WhiteBoard/Common

File Format (IWB/CFF)

1.0 20.03.2012 Спецификация определяет формат файла

для хранения интерактивного контента,

предназначенного для просмотра на

большом экране.

Learner Information 1.0.1 17.01.2005 Спецификация описывает структуры

77


Package (LIP) данных для обмена информацией о

целях и задачах, а также о достижениях

пользователя, полученных им в процессе

обучения. Также она хранит

информацию о том, что пользователь

предпочитает, его изученные материалы,

квалификации и полученные навыки.

Learner Information

Package Accessibility

for LIP

1.0 25.07.2003 См. стандарт IMS Access For All версии

3.0.

Learning Design (LD) 1.0 13.02.2003 Спецификация описывает подход к

использованию широкого спектра

педагогических подходов в электронном

обучении. Подход основан на

использовании универсального языка

вместо использования специфических

особенностей различных педагогических

подходов.

Learning Information

Services (LIS)

2.0.1 15.07.2014 Стандарт для поддержки взаимодействия

и обмена данными между системами

управления обучением, включая

информацию о студентах, группах,

курсах и результатах обучения.

Learning Tools

Interoperability (LTI)

2.0 06.01.2014 Стандарт для интеграции

образовательных ресурсов,

выполненных в виде самостоятельных

сетевых приложений и размещенных на

независимых серверах, в электронные

информационно-образовательные среды.

В стандарте эти приложения называются

инструментами и распространяются

поставщиками инструментов, а

электронные информационно-

78


образовательные среды называются

потребителями инструментов.

Meta-data (LRM) 1.3 31.08.2006 Спецификация для описания метаданных

электронных обучающих ресурсов.

Определено преобразование данной

модели в IEEE LOM.

Question & Test

Interoperability (QTI)

2.2 20.01.2016 Спецификация описывает структуры

данных, используемые для обмена

содержимым тестовых заданий,

информацией о результатах оценивания

обучаемого и учебными материалами.

Resource List

Interoperability (RLI)

1.0 30.08.2004 Спецификация детализирует, как

системы могут обмениваться

структурированными метаданными,

которые хранят и публикуют ресурсы, и

те, которые собирают и структурируют

списки ресурсов в образовательных

целях. Типичный пример такого списка

ресурсов – список литературы.

Reusable Definition of

Competency or

Educational Objective

(RDCEO)

1.0 25.10.2002 Спецификация предоставляет средства

для создания общего понимания

компетенций (определения), которые

появляются в рамках обучения или

карьерного роста как предпосылки

обучения или как результаты обучения.

Информационная модель в данной

спецификации может быть использована

для обмена этими определениями между

образовательными системами,

хранилищами навыков и другими

соответствующими системами. RDCEO

предоставляет уникальные ссылки на

описания компетенций и целей для

79


включения в другие информационные

модели.

Shareable State

Persistence (SSP)

1.0 30.07.2004 Спецификация описывает расширение к

системам электронного обучения

реального времени (например, SCORM),

что обеспечивает хранение и

совместный доступ к информации о

состоянии между объектами контента.

Simple Sequencing

(SS)

1.0 20.03.2003 Спецификация определяет поведение и

функциональность систем электронного

обучения. Она включает правила,

описывающие последовательность

обучения при взаимодействии

обучающегося с содержанием.

Student Induction to e-

Learning (SIEL)

1.0 10.12.2010 Проектная группа SIEL по разработке

передовых методов для решения

проблемы повышенной скорости

студенческого истощения, связанного с

электронным обучением.

Vocabulary Definition

Exchange (VDEX)

1.0 22.03.2004 Спецификация определяет грамматику

для обмена машиночитаемыми списками

значений различных классов –

словарями. Списки включают

информацию, которая может помочь

человеку в понимании значений или

применимости различных понятий.

VDEX может использоваться для

быстрой валидации данных IEEE LOM,

IMS Metadata, Learner Information

Package, ADL SCORM и других.

80

2.5 Рекомендации и технические отчеты комитета AICC

Комитет по компьютерному обучению в авиационной промышленности (Aviation Industry

Computer-Based Training Committee, CBT) – это международная ассоциация, создающая

рекомендации по разработке, передаче и оценке электронных курсов и систем электронного

обучения. Изначально данные рекомендации использовались в авиационной промышленности,

но, несмотря на это, рекомендации комитета AICC могут использоваться при разработке

средств обучения для различных областей применения. В рекомендациях, технических отчетах

и других документах комитета AICC отражены следующие основные аспекты:

● взаимодействие между учебным ресурсом и системой электронного обучения;

● экспорт и импорт электронных курсов;

● информация о взаимодействии обучающегося с системой.

Список всех документов комитета AICC и их описания приведены в таблице 2.11. С

появлением систем, осуществляющих доставку учебных материалов по сети Интернет,

рекомендации, первоначально ориентированные на системы компьютерного обучения

(Computer Based Training, CBT), претерпели значительные изменения. На данный момент AICC

занимается разработкой рекомендаций нового поколения – CMI-5, предназначенных для

описания систем управления обучением, деятельности обучающегося, структуры электронного

курса.

Таблица 2.11 – Рекомендации и технические отчеты комитета AICC

Название

стандарта

Версия Дата Описание

AGR001 - AICC

Guidelines and

Recommendations

3.0 01.04.1999 Документ содержит краткое описание всех

рекомендаций AICC, технических отчетов

и других документов.

AGR002 -

Courseware Delivery

Stations: Hardware

9.1 06.02.2002 Документ содержит рекомендации по

приобретению и развертыванию

платформы компьютерного обучения

(Computer Based Training), включая такие

компоненты, как компьютер, монитор,

операционная система и периферийные

устройства. Документ содержит

рекомендации, связанные с аппаратным

обеспечением.

81

Название

стандарта


AGR003 - Digital

Audio

2.0 09.01.1997 Документ содержит рекомендации,

которые способствуют совместимости

цифровой звукозаписи. Такая

совместимость означает способность

программного обеспечения учебного курса

воспроизводить аудиоконтент с

использованием разнообразных

персональных компьютеров с различным

оборудованием (звуковыми картами).

Также это означает возможность

компьютера воспроизводить материалы

аудио различных поставщиков.

AGR004 -

Courseware Delivery

Stations: Software


приобретению и использованию системы

компьютерного обучения, связанные с

программным обеспечением. Связан с

документом AGR002.

AGR005 - CBT

Peripheral Devices


которые способствуют совместимости

периферийных устройств. Совместимость

означает возможность воспроизведения

контента электронных курсов на разных

персональных компьютерах с различными

периферийными устройствами. Это также

означает способность персонального

компьютера воспроизводить контент

курсов от различных поставщиков.

AGR006 - Computer

Managed Instruction


которые способствуют взаимодействию

CMI систем (инструкции компьютерно-

управляемых систем).

AGR007 - 1.0 29.08.1995 Документ содержит рекомендации по

82

Название

стандарта


Courseware

Interchange

обмену элементами, из которых состоят

электронные курсы. Такие элементы могут

включать в себя следующее: текстовые

фрагменты; графические изображения;

анимированную графику;

аудиоматериалы; логические правила,

которыми программируется курс.

Рекомендации охватывают: основные

компоненты электронных курсов;

стандартные форматы данных для этих

компонентов.

AGR008 - Digital

Video


созданию, распространению и

использованию цифрового видео в

электронных курсах.

AGR009 - Icon

Guidelines


функционалу пользовательского

графического интерфейса системы

электронного обучения. Рекомендации

призваны снизить беспорядок в

графических интерфейсах, который может

отвлекать от процесса обучения.

AGR010 - Web-

based Computer

Managed Instruction

(CMI)


которые способствуют совместимости веб-

ориентированных CMI систем.

Совместимость означает способность

данной веб-ориентированной CMI

системы управлять электронными курсами

различного происхождения. Это также

означает способность различных CMI

систем обмениваться электронными

курсами.

83

Название

стандарта


AGR011 - CBT

Packet Exchange

Notification


которые способствуют упрощению

передачи пакетов контента между

системами. Описывается принцип сервиса

уведомлений, который объявляет

расположение пакета, доступного для

передачи. Задача состоит в том, чтобы

автоматизировать уведомления, передачу

и подтверждение доставки пакетов

контента между инструментами или

системами, которые генерируют контент,

и системами, которые управляют,

публикуют или доставляют контент.

AGR012 - Training

Development

Checklist


разработке и организации учебных

программ.

AUD001 - Plug &

Play Guidelines for

AICC CBT drivers

18.03.1992 Документ описывает способ организации

одновременной работы драйверов

различных периферийных устройств CBT.

AUD002 - Digital

Audio Portability

Guidelines

21.12.1993 В настоящем документе представлены

рекомендации AICC для переносимости

приложений и систем разработки,

использующих оборудование,

программное обеспечение и данные для

цифрового аудио.

AUD003 - AICC

Extensions to the

IMA Recommended

Practices

04.12.1992 Документ содержит дополнения к

рекомендациям IMA recommended

practices для достижения

функциональности и производительности,

требуемой интерактивными видеокурсами,

используемыми в авиационной

промышленности.

84

Название

стандарта


CMI001 -

AICC/CMI

Guidelines For

Interoperability

4.0 16.08.2004 Целью документа является определение

интерфейсов и правил, позволяющих

компонентам CBT из различных

источников взаимодействовать с CMI

системами. Этот документ определяет:

механизм для запуска CBT

контента на CMI системах;

общие механизмы и данные для

CMI/CBT взаимодействия;

общее определение для

организации и выстраивания

содержания CBT контента в курс.

Следующие пункты выходят за рамки

данного документа:

интерфейс пользователя;

педагогические подходы.

Основные разделы документа:

модель данных взаимодействия;

модель данных структуры курса;

назначаемые последовательности

блоков в курсе;

взаимодействие через файлы;

взаимодействие через HTTP;

взаимодействие через API;

определение структуры курса;

типы данных.

CMI003 -

AICC/CMI

Certification Testing

Procedures

1.5 21.11.2000 Документ определяет тесты, необходимые

для оценки и сертификации соответствия

AICC/CMI Guidelines For Interoperability

для CMI систем и CBT курсов.

CMI008 -

AICC/Web-Based

1.5 22.11.2000 Документ определяет тесты, необходимые

для оценки и сертификации соответствия

85

Название

стандарта


CMI Certification

Testing Procedures

веб-ориентированных CMI систем и веб-

ориентированных CBT курсов (см. AGR-

010 Web-based Computer Managed

Instruction).

CMI010 - Package

Exchange

Notification Services

1.0a 15.03.2006 Спецификация описывает протокол

поддержки сервиса уведомлений для

публикации расположения и содержимого

пакетов контента, которые доступны для

передачи. Задачей является автоматизация

уведомлений, передачи и подтверждения

доставки пакетов контента между

инструментами или системами, которые

генерируют содержание, и системами,

которые управляют, публикуют или

доставляют контент. В данную

спецификацию не включены механизмы

физического развертывания пакетов

контента, управления контентом,

управление версиями, публикации или

отзыв контента.

CMI012 - AICC

Packaging

Specification

1.0 19.09.2006 Спецификация описывает упаковку AICC

курсов для облегчения их перемещения из

одной организации в другую (через

Интернет или другие носители

информации), от обладателя курсов до

пользователя (с помощью любых

носителей информации, таких как CD) или

от сервера контента до пользователя (через

Интернет).

CMI013 - XML for

CMI

Communication

1.0 14.03.2007 Документ предназначен для описания

связей XML для модели данных

взаимодействия CMI. Он использует

86

Название

стандарта


следующие подходы: XML-схемы для

связывания и примеры сообщений с

использованием XML связывания.

CRS002 - Glossary

of Terms Related to

Computer Based

Training (CBT)

3.0 04.02.2003 Документ определяет термины, которые

используются в документации AICC.

Определение этих терминов позволяет

использовать их в AICC публикациях.

CRS003 - Hierarchy

of CBT terms for

AICC Publications

17.12.1992 Документ описывает условия,

относящиеся к различным уровням

системы обучения. Описание этих

терминов позволяет использовать их в

AICC публикациях.

CRS004 - Guidelines

for CBT Courseware

Interchange

31.10.1995 Документ описывает рекомендуемые

функции импорта/экспорта данных для

авторских систем. Эти рекомендации

предназначены для облегчения обмена и

повторного использования CBT курсов.

Данный документ содержит уточнения и

примеры для поддержки AGR007 -

Courseware Interchange.

CRS005 - Bitmap

Graphic File Format

06.09.1995 В данном документе предложены

рекомендации для поддержки в курсах

растровых изображений, рисунков и

фотографий.

DELS002 - Aviation

Industry Metadata

Description

1.0 10.2006 Документ описывает расширения

стандарта IEEE LOM, включающие

функции, которые могут быть необходимы

в авиации и других отраслях.

Полученную модель данных и

описательный материал составляет AICC

профиль LOM.

MP001 - Reusability 1.0 05.06.2003 Документ представляет собой анализ

87

Название

стандарта


Analysis of Reusable

Objects

учебного материала многократного

использования. Этот анализ включает

подходы к многократной агрегации

объекта и классификации.

MPD005 - Part Task

Trainer Interfacing

17.06.1994 Документ содержит подробное описание

соединения аппаратного обеспечения CBT

с Part Task Trainers (PTT).

MPD006 AICC

Audio and the

Migration to

Windows

20.06.1994 Этот документ описывает в общих чертах

рекомендации по размещению аудио,

подготовленного для DOS, в курсах под

Windows.

MPD011 -The Use

of Digital Video in

Computer Based

Training (CBT)

05.04.1995 В документе обсуждаются технические

вопросы, связанные с разработкой и

доставкой цифрового видео для CBT.

2.6 Инициатива ADL

Основная цель инициативы ADL (Advanced Distributed Learning – продвинутое (перспективное)

распределенное обучение, передовые технологии распределенного обучения) заключается в

том, чтобы обеспечить доступ к адаптированным к персональным особенностям обучающихся

и максимально доступным образовательным материалам. Разработка общей технической

структуры компьютерного и сетевого обучения, способствующей созданию многократно

используемых учебных материалов, представленных учебными объектами (Sharable Content

Objects, SCO).

Первый шаг, предпринятый с целью развития инициативы ADL, заключался в

формировании стандарта SCORM (Sharable Content Object Reference Model – эталонная модель

совместного доступа к контенту). Данный стандарт описывает структуру учебных материалов и

интерфейс среды выполнения. Благодаря этому стандарту учебные объекты становятся

доступными для использования в различных системах электронного и дистанционного

обучения. В планах далекой перспективы было создание широкомасштабных библиотек,

которые могут быть использованы любыми системами, поддерживающими данный стандарт.

Стандарт SCORM включает обзорную часть и три книги:

88

Content Aggregation Model (CAM) – предназначена для описания структуры учебных

блоков и пакетов, в которых содержатся учебные материалы;

Run-Time Environment (RTE) – описывает работу объектов SCO, взаимодействующих с

системой управления обучением через программный интерфейс приложения (application

programming interface, API) и сообщающих о ходе прохождения обучения и полученных

результатах;

Sequencing and Navigation (SN) – описывает адаптивную последовательность

предъявления компонентов учебного материала, а также навигацию по ней в

зависимости от действий обучающегося.

Стандарт определяет:

Content Aggregation Model – модель, используемую для создания пакетов электронных

курсов и описания учебных материалов;

Run Time Environment – среду выполнения, описывающую взаимодействие,

воспроизведение и запуск учебных материалов через программный интерфейс на основе

модели данных.

SCORM, по сути, является не отдельным стандартом, а сборником отраслевых спецификаций,

которые используются при создании учебного контента и систем дистанционного обучения. В

состав SCORM входят спецификации, разработанные в сотрудничестве с консорциумом IMS

GLC, т.е. оба сборника спецификаций имеют ряд общих компонентов. Например, разделы

SCORM Metadata и SCORM Content Packaging книги SCORM CAM, разработаны на основе

спецификаций IMS Learning Resources Meta-Data и IMS Content Packaging. Стандарт SCORM

описан в группе технических отчетов ISO/IEC TR 29163, состоящей из четырех отчетов. В

настоящее время широко используемой является версия стандарта SCORM 2004 4th Edition.

Инициатива ADL сыграла роль координатора и посредника в разработке спецификации

Experience API (xAPI) [117], [176]. Experience API рассматривается как часть архитектуры

обучения ADL, которая ориентирована на возможность обучения когда угодно и где угодно.

ADL представляет Experience API как улучшенную версию стандарта SCORM,

поддерживающую аналогичные варианты использования, а также другие, отобранные

инициативой ADL, относящиеся к электронному обучению, но не включенные в SCORM.

Experience API (предыдущее название – Tin Can API) – это современная спецификация

электронного обучения, которая обеспечивает совместимость и взаимодействие различных

программных систем, и, кроме того, ведет мониторинг и запись всех учебных действий. Такие

записи хранятся в хранилище учебных записей (Learning Record Store, LRS) – специальном

решении, которое может быть либо автономной системой, либо частью системы управления

обучением. Данная спецификация позволяет собирать данные о широком диапазоне событий.

89

Основные возможности этой спецификации заключаются в авторизации человека посредством

OAuth и подтверждение его личности при выполнении определенных действий, детальном

отслеживании учебных достижений, обмене данными с обучающими играми и симуляторами,

оффлайне-сборе учебной информации, отслеживании учебной активности в режиме реального

времени (посещение лекций, семинаров, конференций, присутствие на занятиях, и т.д.).

Сервис Experience API позволяет передавать и безопасно хранить информацию об опыте и

достижениях обучающихся в LRS-системах. Данный API предназначен для работы с любыми

видами учебных достижений. Стандарт вводит несколько терминов:

Activity (деятельность) – некоторая деятельность обучающегося, при которой он

получает тот или иной опыт.

Activity Provider (AP) – программное обеспечение, взаимодействующее с LRS и

записывающее информацию о полученном пользователем опыте после учебной


Statement (утверждение) – простая конструкция, предназначенная для записи некоторого

аспекта получения опыта. При помощи набора таких утверждений можно в деталях

описать полученный опыт.

Спецификация Experience API предоставляет модель данных для записи информации о

получении обучающимся опыта в LRS системы через Activity Provider. Она описывает такие

вещи как:

структуру и назначение утверждений, их состояний, обучающихся, деятельности и

других объектов, которых при помощи Activity Provider можно записать в LRS;

методы передачи данных для хранения и доступа к ним через LRS;

методы и средства обеспечения безопасного обмена информацией.

Все элементы xAPI описываются при помощи формата JSON. Ключевым элементом

спецификации является утверждение, предназначенное для описания некоторого аспекта

учебной деятельности. Утверждение может состоять из 11 полей, однако обязательными

полями являются только поля actor, verb, object. В таблице 2.12 представлены все возможные

атрибуты утверждения в xAPI.

Таблица 2.12 – Атрибуты утверждений

Атрибут Тип Описание

id UUID UUID выдается LRS, если ранее не выдан Activity

Provider

90

Атрибут Тип Описание

actor Object О ком утверждение

verb Object Действие, которое описывается утверждением

object Object Объект утверждения. В качестве объекта может

выступать некоторая деятельность обучавшегося,

другой человек или система, а также другое

утверждение

result Object Результат действия

context Object Контекст, в котором был получен опыт

timestamp Date/Time Время события

stored Date/Time Время записи события

authority Object Тот, кто подтвердил правильность полученного

результата

version Version Версия xAPI

attachments Array of

attachment

Objects

Приложенные объекты

Пример простого утверждения, состоящего только из необходимых атрибутов, представлен

ниже.

{ "id": "12345678-1234-5678-1234-567812345678", "actor":{"mbox":"mailto:[email protected]" }, "verb":{ "id":"http://adlnet.gov/expapi/verbs/created", "display":{"en-US":"created"} }, "object":{ "id":"http://example.adlnet.gov/xapi/example/activity" } }

91

Как видно из примера, каждый атрибут также имеет свои собственные атрибуты.

Согласно спецификации xAPI LRS должна поддерживать как минимум один из способов

аутентификации:

OAuth 1.0 (RFC 5849);

базовая HTTP аутентификация;

карты доступа.

Все LRS должны предоставлять права на различные операции только после прохождения

аутентификации. Передача данных в LRS происходит в xAPI при помощи RESTFul API или,

иными словами, при помощи HTTP запросов GET, POST, PUT, DELETE, HEAD:

PUT-запрос предназначен для отправки утверждения с определенным id в LRS на

хранение;

POST-запрос предназначен для сохранения в LRS сразу нескольких утверждений;

GET-запрос предназначен для получения из LRS одного или нескольких утверждений;

HEAD-запрос предназначен для получения только мета-информации об утверждении,

без самого утверждения.

2.7 Стандарты ТК 461

Технический комитет 461 "Информационно-коммуникационные технологии в образовании"

(ТК 461) исполняет функции постоянно действующего национального рабочего органа ISO/IEC

JTC 1 SC 36 в Российской Федерации. Согласно приказу №302-1188 "О создании Технического

комитета по стандартизации "Информационно-коммуникационные технологии в образовании

(ИКТО)", выпущенному в 2004 году, был сформирован ТК 461. ТК 461 является полноценной

структурой, включающей в себя подкомитеты, в которых работают более ста экспертов,

привлеченных от научно-исследовательских и образовательных учреждений, ведущих

отечественных IT-компаний и иных организаций. К работе ISO/IEC JTC 1 SC 36, начиная с 2006

года, активно привлекаются российские делегации с целью разработки международных

стандартов, нацеленных на стандартизацию структуры метаданных, терминологии, и

менеджмента качества в электронном обучении. Структура ТК 461 содержит следующие

подкомитеты, обеспечивающие анализ и разработку стандартов в области основополагающих

нормативных документов по стандартизации ИКТО (ПК1), взаимосвязи открытых

образовательных систем (ПК2), автоматизированных ИС управления отраслью и

образовательными учреждениями (ПК3), образовательными средами и информационными

ресурсами (ПК4), обеспечения функциональной безопасности (ПК5) и качества электронного

обучения (ПК6). ТК 461 уже разработал и опубликовал 22 национальных стандарта, которые

92

определяют основу комплекса стандартов по ИКТО (рисунок 2.16). Комплекс планирует

включать 30 национальных стандартов, часть из которых будет основана на

модифицированных международных стандартах, а другая часть будет включать национальные

стандарты, рассчитанные на применение в условиях российской системы образования. Таким

образом, будет сформирована основа для национальной индустрии по производству и

применению электронных образовательных ресурсов, качество которых будет

конкурентоспособно на данном рынке [47].

2.8 Спецификация Leap2A

Leap2A – это спецификация для электронного портфолио, разработанная как результат проекта

PIOP (Portfolio Interoperability Prototyping – создание прототипов интероперабельных

портфолио) при финансировании комитета объединенных информационных систем (Joint

Information Systems Committee, JISC). Leap2A предлагает модель для представления

информации обучающегося:

описание достижений;

информация о себе, своих способностях и качествах;

планы на дальнейшее обучение;

способ представления этой информации для других людей.

Данная спецификация использует для записи формат Atom Syndication Format, основанный на

XML. Существует также спецификация Leap2R, которая для представления данных использует

формат RDF (Leap2R находится в стадии разработки). Разработчики спецификации отмечают ее

отличие от IMS ePortfolio в следующем:

Спецификация Leap2A была сразу нацелена на разработчиков с учетом их замечаний,

которые открыто обсуждались.

Leap2A имеет не иерархическую, а реляционную структуру, тогда как IMS ePortfolio

использует IMS LIP со сложными структурами.

Leap2A основывается на идеях Semantic Web и Dublin Core, использование которых в

настоящий момент очень актуально.

Leap2A использует известный формат Atom Syndication Format, который используется и

в других спецификациях.

В связи с тем, что в качестве формата используется Atom Syndication Format, важными и

обязательными элементами в Leap2A-записи являются классы, унаследованные от него:

entry – базовый класс записи Leap2A;

feed – весь набор Leap2A записей и их отношений;

93

person_construct – информация о человеке.

Остальные классы являются специфичными для Leap2A объектами:

ability – описание того, что владелец портфолио может знать;

achievement – достижения пользователя;

activity – информация о событии, опыте, действии;

affiliation – связь владельца портфолио с какой-либо организацией;

meeting – информация о некотором событии сразу с несколькими людьми;

organization – информация о коммерческом интересе владельца портфолио;

person – информация о владельце портфолио;

plan – формулировка некоторого курса, необходимого для достижения желаемого

результата;

publication – информация о публикациях, связанных с владельцем портфолио;

resource – информация о чем-либо связанном с владельцем портфолио;

selection – набор связанных записей из портфолио.

Рисунок 2.16 – Комплекс национальных стандартов

Все классы связаны между собой при помощи атрибутов. Атрибуты представлены в полной

спецификации Leap2A [246]. Таким образом, для описания и хранения информации при

помощи Leap2A можно использовать 14 классов и 60 различных атрибутов, связывающих их

между собой. Спецификация Leap2A была успешно внедрена в следующие системы

94

электронных портфолио: ePet (Newcastle University, www.eportfolios.ac.uk/ePET), Mahara

(mahara.org), Really Managing (MyKnowledgeMap, www.myknowledgemap.com/), MyProgressFile

(Interactive solutions, www.myprogressfile.com), PebblePad (Pebble Learning,

www.pebblepad.co.uk), MAPS (TAG, www.maps-ict.com/), eAPEL (University of Derby,

www.eapel.org.uk/), Educa e-portfolio (Educa, www.educa.co.nz/case-studies/leap2a-integration).

2.9 Стандарты Open Badges и Blockcerts

Open Badges – это открытый стандарт сертификатов для онлайн-обучения, разработанный

Mozilla Foundation в 2013 году. Цель данного стандарта заключается в объединении различных

программ электронного обучения, доступных в Интернете, с помощью единой системы

открытых сертификатов или, иными словами, беджей, которые выдаются слушателю по

окончанию программы. Такие сертификаты можно впоследствии разместить в резюме, на

персональном сайте, в социальных сетях, форумах, а их достоверность будет проверяться

средствами сервера Open Badges. С бурным ростом систем массового онлайн-обучения стало

очевидно, что необходимо каким-то образом отмечать достижения слушателя и подтверждать,

что он действительно прошел тот или иной курс. Open Badges предназначен именно для

решения таких задач. Ключевыми особенностями Open Badges являются [230]:

Беджи могут мотивировать обучающегося. Нельзя отрицать эффективность механизмов

геймификации, многие люди намного больше мотивированы, когда они получают что-то

за их достижение. Открыв один бедж, они всегда стремятся открыть еще один.

Беджи являются унифицированной формой сертификата о дистанционном обучении. В

отличие от обычной формы таких сертификатов его можно легко добавить в резюме или

личный профиль.

Беджи легко переносятся. Если сертификат был получен в какой-то одной организации,

то его можно легко перенести в другую, не потеряв свои достижения.

Данный открытый стандарт уже реализован в Open Badges Framework и используется

различными организациями и учреждениями по всему миру для оценки достижений

пользователей. Сейчас в списке участников уже 600 организаций, среди которых

Смитсоновский музей американского искусства, Департамент образования Нью-Йорка,

университет Иллинойса. О своих планах присоединиться к инфраструктуре Open Badges уже

заявили Microsoft, NASA, Pixar и другие. Также многие крупные университеты занимаются

развитием стандарта:

в Университете Пердью (США) разработан специальный Purdue’s Passport на основе

Open Badges, позволяющий оценивать результаты работы студентов;

95

в Университете Карнеги–Меллона (США) была разработана онлайн среда для

электронного обучения – Carnegie Mellon University’s Computer Science Student Network

(CS2N), поддерживающая Open Badges. Студенты при работе с системой получают

онлайн-сертификаты за свои достижения;

в Университете Южной Калифорнии (США) также активно занимается развитием своей

платформы на основе данного стандарта.

Сам бедж представляет собой картинку – визуальное представление умения или знаний, за

которое он был получен. Для предоставления дополнительной информации в бедже

используются метаданные. Такие метаданные включают в себя:

необходимые для получения беджа требования и подтверждения, что слушатель все их

выполнил, чтобы получить бедж и подтвердить свою компетентность;

информацию об организации, выдавшей бедж;

взаимосвязь беджа с более крупными учебными программами;

верификацию личности предъявителя беджа.

Все системы и приложения, поддерживающие стандарт должны уметь хранить и показывать

беджи. Также должен поддерживаться механизм для объединения беджей в единое портфолио

слушателя, которое можно переносить от одного издателя беджа к другому. Таким образом,

Open Badges не должны быть привязаны к какому-либо одному издателю беджев, а должны

быть легко распространяемыми по сети. Технически каждый бедж представляет собой

структуру данных в формате JSON, содержащую код почтового адреса получателя,

информацию о названии беджа, выпустившей его организации, ссылки на его изображение и

подробное описание критериев выдачи беджа. Бедж может быть отозван, если он был выдан по

ошибке или получен нечестным путем. Для создания значка необходимо три JSON-файла.

Первый файл предназначен для описания определенного беджа, выданного слушателю (когда

он был выдан, кем, кому), другой файл предназначен для описания назначения беджа,

последний JSON-файл описывает выдавшую бедж организацию. Существует два механизма для

верификации подлинности беджа: уникальный URL и цифровая подпись. За авторизацию

предъявителя отвечает система Mozilla Persona. Поддержка стандарта уже реализована в

некоторых LMS системах: TotaraLMS 2.4, Moodle 2.5, Blackboard Service Pack 12 [227].

Blockcerts – это открытый стандарт, опубликованный в 2016 году и предназначенный для

создания, выпуска, просмотра и проверки цифровых сертификатов. Эти сертификаты

регистрируются в цепочке блоков транзакций платежной системы Биткойн, криптографически

подписаны, защищены от ошибок и доступны для совместного использования. Цель –

предоставить возможность каждому человеку владеть официальными цифровыми документами

о его достижениях и по необходимости предъявлять их другим. Изначально проектированием и

96

разработкой стандарта и технологии Blockcerts занимались медиалаборатория Массачусетского

технологического института и компания Обучающая машина (Learning Machine). К участию в

дальнейшем развитии проекта разработчики приглашают всех желающих. Стандарт Blockcerts

совместим с Open Badges и расширяет возможности альтернативных академических аттестаций.

В Blockcerts определены четыре сущности:

университеты, выдающие цифровые сертификаты, которые могут содержать подробную

информацию об индивидуальных достижениях человека, и регистрирующие их в

цепочке блоков транзакций платежной системы Биткойн.

сертификаты, совместимые со стандартом Open Badges;

верификаторы, которые, не обращаясь к издателю сертификата, могут установить

подлинность сертификата, издателя сертификата и получателя сертификата;

кошелек, в котором люди могут безопасно хранить свои сертификаты, а также

обмениваться ими с другими, например с работодателями.

2.10 Выводы

Существует множество различных стандартов и спецификаций электронного обучения,

которые можно разбить на следующие группы:

стандарты и спецификации для определения и организации результатов обучения и

компетенций (ISО/IЕC ТR 24763 – 2011, ISO/IEC 20006-1:2014, 20006-1:2015, IEEE

1484.20.1-2007, InLOC – 2013);

стандарты и спецификации для фиксации достигнутых результатов обучения, сбора

информации об обучающихся, их учебной активности и достижениях (ISO/IEC TS

20013:2015, EN 15981:2011, IMS Caliper Analytics – 2016, Experience API – 2016, Leap2A

– 2010, Open Badges – 2013, Blockcerts – 2016);

стандарты и спецификации для описания образовательных обучающих и аттестующих

ресурсов (ISO/IEC 19788:2015, IEEE 1484.12.1-2002, IEEE 1484.12.3-2005, IMS AfA –

2012, IMS APIP – 2014, IMS CC – 2013, IMS QTI – 2016)

стандарты и спецификации для агрегирования образовательных ресурсов (ISO/IEC

12785:2012, ISO/IEC TR 29163:2009, IEEE 1484.13.1-2012, SCORM – 2009, IMS CP –

2009);

стандарты и спецификации для описания архитектуры образовательной среды,

сообщений систем управления обучением и объектов содержания (IEEE 1484.1-2003,

IEEE 1484.11.1-2004, IEEE 1484.11.2-2003, IEEE 1484.11.3-2005, IMS LIS – 2014, IMS

CPS – 2014, IMS LTI – 2016).

97

После названия стандарта или спецификации указан год последнего обновления документа,

если он не указан в названии. Из проведенного обзора и анализа следует, что:

наиболее активно развиваются стандарты и спецификации, посвященные вопросам

описания результатов обучения и компетенций, стандарты и спецификации для

фиксации достигнутых результатов обучения, сбора информации об обучающихся, их

учебной активности и достижениях, стандарты и спецификации для описания

образовательных обучающих и аттестующих ресурсов;

практически прекратили развитие стандарты и спецификации для агрегирования

образовательных ресурсов;

Это обусловлено, во-первых, появлением международных образовательных сетей и площадок

открытого образования, в силу чего отпадает необходимость в агрегировании образовательных

ресурсов с целью межсистемного обмена, но возникает задача обмена информацией о

достигнутых обучающимися результатах обучения, во-вторых, запросами открытого

образования на реализацию результативных методов адаптивного обучения с целью построения

индивидуальных траекторий обучения и повышения процента успешно завершивших изучение.

Кроме того, из анализа приведенных в разделе стандартов и спецификаций, посвященных

описанию результатов обучения и компетенций, следует, что:

информационная модель, описывающая результаты обучения и компетенции, имеет

иерархический характер и может быть представлена набором связанных между собой

деревьев;

результат обучения и компетенция характеризуются в информационной модели

индексом, названием, описанием, действием, объектом, на который направлено

действие, объемом трудозатрат обучающегося, целевым уровнем владения, предметной

областью, пререквизитами.

98

3 Управление траекториями обучения и оцениванием результатов

обучения

В разделе описаны модели, которые используются для построения индивидуальных траекторий

обучения и управления обучением на уровне образовательной программы, электронного курса,

сценария обучения и отдельного диалога. Формулируются требования к модели результатов

обучения, к пререквизитам и результатам обучения образовательной программы и

электронного курса, пререквизитам и результатам обучения совокупности курсов,

составляющих образовательную программу, пререквизитам и результатам обучения отдельного

учебного модуля электронного курса. Обсуждаются вопросы построения обратной связи по

ответам и значениям параметров биометрических сигналов обучающегося для повышения

результативности обучения и точности педагогических измерений. Описываются способы

программирования электронного курса и диалогов на основе событийной модели.

3.1 Модель образовательной программы

На основе анализа информационных стандартов и спецификаций в области электронного

обучения сформирована модель образовательной программы, которая включает требования,

сформулированные по отношению к информационным моделям результатов обучения и

обучающегося, к описанию пререквизитов и результатов обучения образовательной программы

и электронного курса, пререквизитов и результатов обучения совокупности курсов,

составляющих образовательную программу, пререквизитов и результатов обучения отдельного

учебного модуля электронного курса [65]. Обозначим через 𝑉 = {𝐿𝑂𝐶𝑖 ∶ 𝑖 ∈ 𝐼𝐿𝑂𝐶 ⊂ 𝑁}, |𝐼𝐿𝑂𝐶| =

𝑞 множество результатов обучения и компетенций 𝐿𝑂𝐶, где 𝐿𝑂𝐶𝑖 – 𝑖-й результат обучения или

компетенция, 𝐼𝐿𝑂𝐶 – множество индексов результатов обучения и компетенций, 𝑁 – множество

натуральных чисел, 𝑞 – мощность множества 𝐼𝐿𝑂𝐶. На множестве 𝑉 определим строгое

отношение часть-целое

𝑊 = { (𝐿𝑂𝐶𝑖, 𝐿𝑂𝐶𝑗): 𝐿𝑂𝐶𝑖, 𝐿𝑂𝐶𝑗 ∈ 𝑉,𝑊(𝑖, 𝑗)}, (3.1)

где 𝑊(𝑖, 𝑗) – двуместный предикат. Отношение 𝑊 для 𝑖, 𝑗, 𝑘 ∈ 𝐼𝐿𝑂𝐶 должно удовлетворять

условиям:

1) антирефлексивность

∀ 𝑖 ¬𝑊(𝑖, 𝑖), (3.2)

2) асимметричность

∀𝑖 ∀𝑗 𝑊(𝑖, 𝑗) → ¬𝑊(𝑗, 𝑖), (3.3)

99

3) антитранзитивность

∀𝑖 ∀𝑗 ∀𝑘 𝑊(𝑖, 𝑗) ∧ 𝑊(𝑗, 𝑘) → ¬𝑊(𝑖, 𝑘), (3.4)

4) ацикличность – транзитивное замыкание 𝑊+ антирефлексивно.

Предполагается, что любой результат обучения 𝐿𝑂𝐶𝑗, удовлетворяющий условию

∀ 𝑖 ¬𝑊(𝑖, 𝑗), (3.5)

является одномерным, т.е. соответствует одной латентной характеристике обучающегося [42],

[43], [120]. В этом случае результаты выполнения обучающимся любых двух испытаний

результата обучения будут независимыми случайными величинами, т.е.

𝑃(𝑋𝑖 < 𝑥′, 𝑋𝑗 < 𝑥′′) = 𝑃(𝑋𝑖 < 𝑥′) 𝑃(𝑋𝑗 < 𝑥′′), (3.6)

где 𝑋𝑖 и 𝑋𝑗 результаты выполнения обучающимся i-го и j-го испытаний соответственно. При

дихотомической оценке испытаний должны выполняться следующие соотношения:

𝑃(𝑋𝑖 = 0, 𝑋𝑗 = 0) = 𝑃(𝑋𝑖 = 0)𝑃(𝑋𝑗 = 0),

𝑃(𝑋𝑖 = 0, 𝑋𝑗 = 1) = 𝑃(𝑋𝑖 = 0)𝑃(𝑋𝑗 = 1),

𝑃(𝑋𝑖 = 1, 𝑋𝑗 = 0) = 𝑃(𝑋𝑖 = 1)𝑃(𝑋𝑗 = 0),

𝑃(𝑋𝑖 = 1, 𝑋𝑗 = 1) = 𝑃(𝑋𝑖 = 1)𝑃(𝑋𝑗 = 1).

(3.7)

Любая образовательная программа направлена на формирование планируемых

результатов обучения за время 𝜏0 > 0 и может предъявлять требования к начальному уровню

подготовки обучающихся. Поэтому, если 𝑉𝑏 ⊂ 𝑉 – предпосылки (пререквизиты)

образовательной программы, сформулированные на языке результатов обучения, а 𝑉𝑓 ⊂ 𝑉 –

планируемые результаты освоения образовательной программы. Кроме того, пререквизиты и

результаты освоения образовательной программы должны удовлетворять условиям:

1) уникальность пререквизитов программы

(∀𝐿𝑂𝐶𝑖 ∈ 𝑉𝑏) (∀𝐿𝑂𝐶𝑗 ∈ 𝑉

𝑏) ((𝐿𝑂𝐶𝑖, 𝐿𝑂𝐶𝑗) ∉ 𝑊+), (3.8)

2) уникальность результатов освоения программы

(∀𝐿𝑂𝐶𝑖 ∈ 𝑉𝑓) (∀𝐿𝑂𝐶𝑗 ∈ 𝑉

𝑓) ((𝐿𝑂𝐶𝑖, 𝐿𝑂𝐶𝑗) ∉ 𝑊+), (3.9)

3) целесообразность образовательной программы

(∀𝐿𝑂𝐶𝑖 ∈ 𝑉𝑓) (∀𝐿𝑂𝐶𝑗 ∈ 𝑉

𝑏) ((𝐿𝑂𝐶𝑖, 𝐿𝑂𝐶𝑗) ∉ 𝑊+ ∨ 𝑖 ≠ 𝑗). (3.10)

Каждой образовательной программе можно поставить в соответствие кортеж

⟨𝑉𝑏 , 𝑉𝑓 , 𝜏0⟩. (3.11)

Электронный курс может быть представлен как 𝐿𝐶𝑟 ∈ 𝐶 = {𝐿𝐶𝑖: 𝑖 ∈ 𝐼𝐿𝐶 ⊂ 𝑁}, где 𝐶 –

множество всех доступных электронных курсов, 𝐿𝐶𝑖 – 𝑖-й электронный курс, 𝐼𝐿𝐶 – множество

индексов доступных электронных курсов. Такой электронный курс содержит совокупность

100

взаимосвязанных обучающих, информационных и аттестующих модулей, предназначенных для

освоения дисциплины в течение семестра, и соответствует кортежу

𝐿𝐶𝑟 = ⟨𝑉𝑟𝑏 , 𝑉𝑟

𝑓, 𝜏𝑟⟩, (3.12)

где 𝑉𝑟𝑏 ⊂ 𝑉 – множество требований к начальному уровню подготовки (пререквизитов курса),

𝑉𝑟𝑓⊂ 𝑉 – множество планируемых результатов обучения, 𝜏𝑟 > 0 – общая трудоемкость курса.

Курс должен удовлетворять условиям:

1) уникальность пререквизитов курса

(∀𝐿𝑂𝐶𝑖 ∈ 𝑉𝑟𝑏) (∀𝐿𝑂𝐶𝑗 ∈ 𝑉𝑟

𝑏) ((𝐿𝑂𝐶𝑖, 𝐿𝑂𝐶𝑗) ∉ 𝑊+), (3.13)

2) уникальность результатов обучения курса

(∀𝐿𝑂𝐶𝑖 ∈ 𝑉𝑟𝑓) (∀𝐿𝑂𝐶𝑗 ∈ 𝑉𝑟

𝑓) ((𝐿𝑂𝐶𝑖, 𝐿𝑂𝐶𝑗) ∉ 𝑊

+), (3.14)

3) целесообразность электронного курса

(∀𝐿𝑂𝐶𝑖 ∈ 𝑉𝑟𝑓) (∀𝐿𝑂𝐶𝑗 ∈ 𝑉𝑟

𝑏) ((𝐿𝑂𝐶𝑖, 𝐿𝑂𝐶𝑗) ∉ 𝑊+ ∨ 𝑖 ≠ 𝑗). (3.15)

Электронные курсы {𝐿𝐶𝑗1 , 𝐿𝐶𝑗2 , … , 𝐿𝐶𝑗𝑝}, 𝑗𝑘 ∈ 𝐼𝐿𝐶, 𝑘 = 1,2, … , 𝑝, составляющие образовательную

программу, должны удовлетворять условиям:

1) эффективность совокупности курсов

𝜏0 ≥∑𝜏𝑗𝑠 ,

𝑝

𝑠=1

(3.16)

2) результативность совокупности курсов

(∀ 𝐿𝑂𝐶𝑖 ∈ 𝑉𝑓)(∃𝐿𝑂𝐶𝑗 ∈⋃𝑉𝑗𝑠

𝑓

𝑝

𝑠=1

) (𝑖 = 𝑗), (3.17)

3) обоснованность пререквизитов курсов

(∀ 𝐿𝑂𝐶𝑖 ∈⋃𝑉𝑗𝑠𝑏

𝑝

𝑠=1

)(∃𝐿𝑂𝐶𝑗 ∈ 𝑉𝑏 ∪ (⋃𝑉𝑗𝑠

𝑓

𝑝

𝑠=1

))(𝑖 = 𝑗), (3.18)

4) востребованность результатов обучения курсов

(∀ 𝐿𝑂𝐶𝑖 ∈⋃𝑉𝑗𝑠𝑓

𝑝

𝑠=1

)(∃𝐿𝑂𝐶𝑗 ∈ 𝑉𝑓 ∪ (⋃𝑉𝑗𝑠

𝑏

𝑝

𝑠=1

))(𝑖 = 𝑗), (3.19)

5) уникальность результатов обучения совокупности курсов

⋂𝑉𝑗𝑠𝑓

𝑝

𝑠=1

= ∅, (3.20)

101

6) ацикличность совокупности курсов – антирефлексивность всех возможных композиций

отношений

𝑅𝑗𝑘 = 𝑉𝑗𝑘𝑏 × 𝑉𝑗𝑘

𝑓, 𝑗𝑘 ∈ 𝐼𝐿𝐶 , 𝑘 = 1,2, … , 𝑝. (3.21)

Курс может подразделяться на учебные модули, каждый из которых содержит

коллекцию обучающих и аттестующих материалов, предназначенную для формирования и

оценивания одного результата обучения. Пусть 𝑀 – множество учебных модулей, т.е. 𝑀 =

{𝐿𝑈𝑖: 𝑖 ∈ 𝐼𝐿𝑈 ⊂ 𝑁}, где 𝐿𝑈𝑖 – 𝑖-й учебный модуль, 𝐼𝐿𝑈 – множество индексов учебных модулей.

Таким образом, учебный модуль 𝐿𝑈𝑟 ∈ 𝑀 характеризуется кортежем

𝐿𝑈𝑟 = ⟨𝑉𝑟𝑏 , 𝑙𝑟 , 𝜏𝑟⟩, (3.22)

где 𝑉𝑟𝑏 ⊂ 𝑉 – множество требований к начальному уровню подготовки (пререквизиты учебного

модуля), 𝑙𝑟 – идентификатор формируемого результата обучения 𝐿𝑂𝐶𝑙𝑟 ∈ 𝑉, 𝜏𝑟 > 0 – общая

трудоемкость изучения учебного модуля. Модуль должен удовлетворять условиям:

1) уникальность пререквизитов модуля

(∀𝐿𝑂𝐶𝑖 ∈ 𝑉𝑟𝑏) (∀𝐿𝑂𝐶𝑗 ∈ 𝑉𝑟

𝑏) ((𝐿𝑂𝐶𝑖, 𝐿𝑂𝐶𝑗) ∉ 𝑊+), (3.23)

2) целесообразность учебного модуля

(∀𝐿𝑂𝐶𝑗 ∈ 𝑉𝑟𝑏) ((𝐿𝑂𝐶𝑙𝑟 , 𝐿𝑂𝐶𝑗) ∉ 𝑊

+ ∨ 𝑙𝑟 ≠ 𝑗). (3.24)

Уровень подготовки обучающегося характеризуется множеством

𝐿𝐴 = {𝜃𝑖 ∶ 𝜃𝑖 ∈ 𝑅, 𝑖 ∈ 𝐼𝐿𝑂𝐶 ⊂ 𝑁}, (3.25)

где 𝜃𝑖 ∈ 𝐿𝐴 – латентная переменная, соответствующая уровню владения результатом обучения

𝐿𝑂𝐶𝑖, 𝑅 – множество действительных чисел. Цель реализации образовательной программы

⟨𝑉𝑏 , 𝑉𝑓 , 𝜏0⟩ заключается в построении процесса обучения с тем, чтобы за время 𝑡 ≤ 𝜏0

обеспечить выполнение ограничений

𝜃𝑖(𝑡) ≥ 𝜃𝑖∗, 𝐿𝑂𝐶𝑖 ∈ 𝑉

𝑓 (3.26)

при условии, что к началу обучения были выполнены условия

𝜃𝑖(0) ≥ 𝜃𝑖∗, 𝐿𝑂𝐶𝑖 ∈ 𝑉

𝑏 . (3.27)

Здесь и далее 𝜃𝑖∗ обозначает пороговый уровень подготовки в рамках результата обучения

𝐿𝑂𝐶𝑖 ∈ 𝑉. Поэтому в дополнении к множеству 𝑉 определяется множество пороговых значений

𝐿𝐴∗ = {𝜃𝑖∗: 𝜃𝑖

∗ ∈ 𝑅, 𝑖 ∈ 𝐼𝐿𝑂𝐶 ⊂ 𝑁}. По аналогии с образовательной программой, формулируется

цель любого электронного курса. В частности, цель реализации электронного курса 𝐿𝐶𝑟 =

⟨𝑉𝑟𝑏 , 𝑉𝑟

𝑓, 𝜏𝑟⟩, 𝑟 ∈ 𝐼𝐿𝐶 ⊂ 𝑁 заключается в построении процесса обучения с тем, чтобы за время

𝑡 ≤ 𝜏𝑟 обеспечить выполнение ограничений

𝜃𝑖(𝑡) ≥ 𝜃𝑖∗, 𝐿𝑂𝐶𝑖 ∈ 𝑉𝑟

𝑓 (3.28)

102

при условии, что к началу обучения были выполнены условия

𝜃𝑖(0) ≥ 𝜃𝑖∗, 𝐿𝑂𝐶𝑗 ∈ 𝑉𝑟

𝑏 . (3.29)

3.2 Реализация многоканальной обратной связи

В процессе обучения электронная информационно-образовательная среда и

взаимодействующий с ней обучающийся образуют биотехническую систему [6], [12], [102],

[249]. Обучающийся, как основное звено такой системы [77], [83], характеризуется скоростями

восприятия, усвоения, обработки и забывания информации. На эти характеристики, в свою

очередь, оказывают влияние уровень подготовки обучающегося, его умственная

работоспособность. Умственная работоспособность определяется объемом целесообразной

деятельности, выполняемой с некоторой интенсивностью в течение определенного времени,

при установленных критериях качества и уровне надежности [98], и связанной с переработкой

информации. Снижение надежности приводит к возникновению ошибок, следовательно,

прогноз вероятности ошибочных действий решает задачу прогнозирования умственной

работоспособности [7], [8]. Вероятность безошибочной работы в определенном интервале

времени и среднее время работы до ошибки могут быть учтены в качестве критериев

надежности. Прогнозируя умственную работоспособность, нужно различать определенные

периоды умственной работы [30]:

1) врабатываемость – время, в течение которого формируется функциональная система,

которая ориентируется на достижение необходимого результата деятельности, что

влечет напряжение регуляторных механизмов;

2) оптимальная работоспособность (стабильный уровень работоспособности) – это

временной промежуток, когда степень умственной нагрузки соответствует уровню

функционирования физиологических систем человеческого организма;

3) полная компенсация – напряжение нервно-психических и вегетативных процессов, при

полной компенсации признаки утомления человеческого организма могут проявляться

при том же уровне работоспособности;

4) неустойчивая компенсация – нарастающее утомление, которое влечет за собой снижение

работоспособности и определяет время возникновения рассогласования

физиологических систем с разнонаправленной сменой значений показателей;

5) прогрессивное снижение работоспособности, которое характеризуется быстрым

нарастанием утомления и снижением продуктивности работы.

Как отмечено в [7], существует классификация уровней напряжения регуляторных механизмов,

к которой относятся: напряжение, перенапряжение и истощение. Период врабатывания

103

характеризуется увеличением напряжения регуляторных систем, после чего наступает

адаптация к нагрузке, соответствующая периоду оптимальной работоспособности.

Неустойчивая компенсация характеризует более сильную степень напряжения регуляторных

механизмов. При этом адаптация организма к получаемому уровню нагрузки повышается.

Однако, при чрезмерно долгом продолжении деятельности на уровне высокой активности, это

может привести к перенапряжению механизмов регуляции. Перенапряжение соотносится с

длительностью состояния неустойчивой компенсации при условии разнонаправленных

изменений уровней физиологических показателей человеческого организма. Прогрессивное

снижение умственной работоспособности соотносится со стадией истощения регуляторных

механизмов. На этой стадии необходимо понизить уровень когнитивной нагрузки, что

становится возможным в частности с использованием когнитивных тренингов [58], [212], [214].

Исследование вегетативных проявлений при умственной работе и, в особенности, при

появляющихся в ходе нее явлениях психической, (в том числе эмоциональной) напряженности

обеспечивает объективную оценку функционального состояния обучающегося [82]. При этом,

особое внимание уделяется не абсолютным показателям, а их изменениям по отношению к

исходному уровню. Среди используемых методов важное место занимают исследования

сигналов, производимых мозгом, сердцем, мышцами и кожей человека [143], [149], [151], [213].

Могут анализироваться:

электропроводность кожи как функция активности потовых желез на поверхности кожи;

активность сердечно-сосудистой системы;

движения глаз и размер зрачков;

электрическая активность мозга;

частота дыхания.

В процессе взаимодействия обучающегося с электронной информационно-образовательной

средой целесообразно анализировать не только психологические характеристики

обучающегося, информацию о его стиле обучения, способности выполнять задания,

личностных характеристиках и достигнутых им результатов обучения 𝜃 = (𝜃𝑗1 , 𝜃𝑗2 , … , 𝜃𝑗𝑞) , 𝑗𝑘 ∈

𝐼𝐿𝑂𝐶 , 𝑘 = 1,2, … 𝑞 [14], [96], но и значения параметров биометрических сигналов 𝜂 [73], [74],

[75], [76]. Оценки достигнутых результатов обучения 𝜃 = (𝜃𝑗1 , 𝜃𝑗2 , … , 𝜃𝑗𝑞) , 𝑗𝑘 ∈ 𝐼𝐿𝑂𝐶 , 𝑘 = 1,2, … 𝑞

и значений параметров биометрических сигналов �̂� формируются соответствующими

алгоритмами, как показано на рисунке 3.1. Заложенный в электронную информационно-

образовательную среду алгоритм на основе значений переменных 𝜃 и �̂�, пороговых значений

𝜃∗ = (𝜃𝑗1∗ , 𝜃𝑗2

∗ , … , 𝜃𝑗𝑞∗ ) , 𝑗𝑘 ∈ 𝐼𝐿𝑂𝐶 , 𝑘 = 1,2, … 𝑞 формирует обучающее воздействие 𝑢. Алгоритм

обучения может управлять индивидуальной траекторией обучения, оцениванием уровня

104

подготовки обучающегося, выбором формы представления учебных материалов, скоростью их

подачи, их сложностью, режимами работы электронной информационно-образовательной

среды в зависимости от значений параметров биометрических сигналов, в частности от

функционального состояния, и текущего уровня подготовки обучающегося с целью повышения

эффективности учебного процесса [68], [77], [103], [104], [105], [106], [107], [108], [109], [221].

Рисунок 3.1 – Реализация многоканальной обратной связи

Использование параметров биометрических сигналов существенно расширяет

возможности системы управления обучением. Анализ биометрических сигналов обучающегося

можно применять для оценивания функционального состояния обучающегося, непрерывной

идентификации личности и фиксации достигнутых результатов обучения.

3.3 Методика формирования индивидуальных траекторий обучения

Методика предусматривает построение индивидуальных траекторий обучения на трех уровнях

[220]:

уровень образовательной программы,

уровень электронного курса,

уровень сценария взаимодействия.

Уровень образовательной программы предусматривает построение индивидуальной траектории

обучения с учетом модульной структуры программы. В этом случае, формирование

индивидуального учебного плана осуществляется на основе набора учебных курсов, используя:

множество результатов обучения 𝑉 = {𝐿𝑂𝐶𝑖: 𝑖 ∈ 𝐼𝐿𝑂𝐶 ⊂ 𝑁},

множество пороговых значений уровней подготовки 𝐿𝐴∗ = {𝜃𝑖∗: 𝑖 ∈ 𝐼𝐿𝑂𝐶 ⊂ 𝑁},

структуру результатов обучения 𝑊 = { (𝐿𝑂𝐶𝑖, 𝐿𝑂𝐶𝑗): 𝐿𝑂𝐶𝑖, 𝐿𝑂𝐶𝑗 ∈ 𝑉,𝑊(𝑖, 𝑗)},

105

текущий уровень подготовки обучающегося 𝐿𝐴 = {𝜃𝑖: 𝑖 ∈ 𝐼𝐿𝑂𝐶 ⊂ 𝑁},

информацию об образовательной программе ⟨𝑉𝑏 , 𝑉𝑓 , 𝜏0⟩,

множество доступных учебных курсов 𝐶 = {𝐿𝐶𝑖: 𝑖 ∈ 𝐼𝐿𝐶 ⊂ 𝑁},

и предполагает следующий алгоритм действий:

1) формирование множества достигнутых результатов обучения 𝑉𝑎 = {𝐿𝑂𝐶𝑖: 𝐿𝑂𝐶𝑖 ∈ 𝑉, 𝜃𝑖 ≥

𝜃𝑖∗};

2) определение новых множеств пререквизитов и результатов освоения образовательной

программы 𝑈0𝑏 = 𝑉𝑏 ∪ 𝑉𝑎 и 𝑈0

𝑓= 𝑉𝑓\𝑉𝑎;

3) построение булеана 𝒫(𝐶) множества всех курсов 𝐶;

4) формирование на основе булеана 𝒫(𝐶) множества 𝐶∗, содержащего совокупности

курсов, удовлетворяющих одновременно условиям эффективности, результативности,

обоснованности пререквезитов, востребованности и уникальности результатов обучения,

ацикличности совокупности курсов по отношению к множествам 𝑈0𝑏 и 𝑈0

𝑓.

Таким образом, множество 𝐶̅ будет содержать коллекции курсов, удовлетворяющие

требованиям образовательной программы, поэтому любая из коллекций может использоваться

при реализации образовательной программы. Для каждой совокупности курсов средствами

сетевого планирования может быть построен индивидуальный план [113], если принять, что

работами являются курсы, а зависимости описываются через пререквизиты и результаты

обучения курсов. Сетевое планирование позволяет определить критический путь, который

соответствует сроку освоения образовательной программы. Для выбора конкретной коллекции

необходимо применить дополнительный критерий, например:

минимальная трудоемкость образовательной программы;

минимальный срок освоения образовательной программы;

максимальная доля практических занятий;

максимальная доля видеоматериалов;

предпочитаемый авторский коллектив.

В автоматизированной системе управления процессом электронного обучения реализация

образовательной программы по выбранной совокупности курсов не потребует

предварительного построения индивидуального плана. В частности, возможен следующий

алгоритм освоения образовательной программы, если выбрана совокупность курсов 𝐶𝑖∗ =

{𝐿𝐶𝑗1 , 𝐿𝐶𝑗2 , … , 𝐿𝐶𝑗𝑝} ∈ 𝐶∗, 𝑗𝑘 ∈ 𝐼𝐿𝐶 , 𝑘 = 1,2, … , 𝑝, 𝑖 = 0:

1) на выбор обучающемуся предлагается коллекция курсов 𝐶0 = {𝐿𝐶𝑗: 𝐿𝐶𝑗 ∈ 𝐶𝑖∗, 𝐿𝐶𝑗 =

⟨𝑉𝑗𝑏 , 𝑉𝑗

𝑓, 𝜏𝑗⟩, 𝑉𝑗

𝑏 ⊆ 𝑈𝑖𝑏};

106

2) обучающийся в соответствии со своими предпочтениями выбирает курс 𝐿𝐶𝑠 ∈ 𝐶0 и

изучает его;

3) после успешного завершения курса 𝐿𝐶𝑠 ∈ 𝐶0 вычисляются множества 𝑈𝑖+1𝑏 = 𝑈𝑖

𝑏 ∪

𝑉𝑠𝑓, 𝑈𝑖+1𝑓= 𝑈𝑖

𝑓\𝑉𝑠

𝑓, 𝐶𝑖+1∗ = 𝐶𝑖

∗\𝐿𝐶𝑠;

4) если 𝐶𝑖+1∗ = ∅, то обучение по образовательной программе завершается, иначе 𝑖

увеличивается на 1 и осуществляется переход к п. 1.

Очевидно, что при выполнении условий эффективности, результативности, обоснованности

пререквизитов, востребованности и уникальности результатов обучения, ацикличности

совокупности курсов данный алгоритм завершиться за 𝑝 шагов и все планируемые результаты

освоения образовательной программы ⟨𝑉𝑏 , 𝑉𝑓 , 𝜏0⟩ будут достигнуты за время, которое не

превышает 𝜏0.

Для конкретной образовательной программы использование описанного алгоритма

обеспечивает построение нескольких различных схем реализации образовательной программы,

все из которых будут удовлетворять заданным пререквизитам и результатам обучения

образовательной программы. Построение схем осуществляется на основе анализа

пререквизитов и результатов обучения курсов, что позволяет создавать различные наборы

курсов, удовлетворяющие требованиям образовательной программы. Рассмотрим пример

схемы реализации образовательной программы, представленный на рисунке 3.2. Схема

реализации образовательной программы основывается на пререквизитах {𝐿𝑂𝐶1, 𝐿𝑂𝐶2} и

реализует результаты обучения {𝐿𝑂𝐶7, 𝐿𝑂𝐶8, 𝐿𝑂𝐶9}, соответствующие результатам обучения,

указанным в образовательной программе. Рассматриваемая схема реализации образовательной

программы включает 6 курсов {𝐿𝐶1, 𝐿𝐶2…𝐿𝐶6}, часть из которых, в соответствии с

современными тенденциями, может быть представлена в виде открытых онлайн-курсов. Данная

схема предполагает, что результаты обучения курса 𝐿𝐶1 являются пререквизитами курса 𝐿𝐶4,

что требует последовательного прохождения этих курсов. При успешном завершении курсов

𝐿𝐶2 и 𝐿𝐶3 обучающемуся становится доступным курс 𝐿𝐶5. Курс 𝐿𝐶6 является завершающим

курсом, обеспечивающим результаты обучения по образовательной программе. Он становится

доступным для обучающихся после успешного завершения курсов 𝐿𝐶4 и 𝐿𝐶5 . Таким образом,

при построении индивидуального учебного плана (рисунок 3.3) для заданной схемы может

быть выделено 3 семестра, при этом курсы 𝐿𝐶1, 𝐿𝐶2 и 𝐿𝐶3 могут проходить параллельно в

первом семестре, в то время как во втором семестре для обучающегося откроются курсы 𝐿𝐶4 и

𝐿𝐶5, завершится обучение курсом 𝐿𝐶6, по итогам которого будут получены все необходимые

знания, умения и навыки.

107

Наравне с описанной схемой реализации образовательной программы может быть также

сформирована другая схема (рисунок 3.4), удовлетворяющая требованиям к пререквизитам и

результатам обучения образовательной программы. Сформированный набор курсов

основывается на тех же пререквизитах {𝐿𝑂𝐶1, 𝐿𝑂𝐶2} и результатах обучения {𝐿𝑂𝐶7, 𝐿𝑂𝐶8, 𝐿𝑂𝐶9}

образовательной программы, как и в первом случае, однако набор использованных курсов

отличается от первого варианта.

Рисунок 3.2. Первая схема реализации ОП

Рисунок 3.3. Индивидуальный учебный план для первой схемы реализации ОП

Схема реализации образовательной программы, представленная на рисунке 3.4, включает 7

курсов {𝐿𝐶7, 𝐿𝐶8…𝐿𝐶13}, что позволяет создать отличающийся от первого варианта

индивидуальный учебный план (рисунок 3.5). В соответствии с представленным учебным

планом, для освоения образовательной программы с указанной схемой реализации должно быть

отведено четыре семестра. Курс 𝐿𝐶7 является единственным курсом, представленным в первом

семестре, поскольку его результаты обучения обеспечивают пререквизиты для курсов второго

семестра 𝐿𝐶8, 𝐿𝐶9 и 𝐿𝐶10, базирующихся в то же время и на пререквизитах образовательной

программы. Курсы второго семестра должны быть пройдены одновременно с тем, чтобы

обеспечить получение необходимых знаний и навыков, являющихся пререквизитами к курсам

108

третьего семестра. В третьем семестре обучающимся открывается курс 𝐿𝐶11 после успешного

прохождения ими курсов 𝐿𝐶8 и 𝐿𝐶9, и 𝐿𝐶12, к которому обучающиеся могут приступить после

окончания курса 𝐿𝐶9. Курсы третьего семестра обеспечивают 2 из 3 необходимых результатов

обучения образовательной программы. Выполнение требований образовательной программы по

третьему результату обучения достигается в четвертом семестре путем прохождения

завершающего курса 𝐿𝐶13.

Рисунок 3.4. Вторая схема реализации образовательной программы

Рисунок 3.5. Индивидуальный учебный план для второй схемы реализации образовательной

программы

Построение индивидуальной траектории обучения на уровне электронного курса

обеспечивается модульной структурой курса, который включает набор сценариев, отвечающих

за предъявление учебного материала обучающемуся. Сценарии в составе курса обеспечивают

взаимодействие обучающегося с виртуальными лабораториями и тренажерами, электронными

тестами и практикумами, конспектами и информационными ресурсами. Алгоритм работы со

сценариями определяется правилами доступа к учебным материалам курса и правилами

оценивания результатов обучения. Разработчик, формируя систему правил, программирует

последовательность прохождения сценариев курса на основании достигнутых результатов

обучения. Электронная информационно-образовательная среда использует для управления

109

индивидуальной траекторией обучения обратную связь по результатам обучения, т.е.

основанием для перехода к очередному сценарию электронного курса является результат

оценивания предыдущего сценария. Описание подходов к разработке электронного курса,

включая правила, отвечающие за предъявление учебного материала обучающемуся дано в

подразделе 3.4. Алгоритм построения индивидуальной траектории изучения на уровне курса

включает следующую последовательность (рисунок 3.6):

1) На основании достигнутых результатов обучения и календарного учебного графика

формируется список доступных модулей курса и предлагается на выбор обучающемуся;

2) После выбора модуля осуществляется его инициализация;

3) После инициализации модуля проверяется условие доступа к сценарию курса. Переход к

новому состоянию в курсе происходит при разрешенном доступе к сценарию и его

успешном запуске.

4) Завершении работы со сценарием характеризуется одним или несколькими из

следующих действий: изменение переменных, перевод обучающегося в новое состояние

в курсе, повторная инициализация модуля курса.

В переменные курса записывается информация, необходимая для управления траекторией

обучения, доступом к материалам курса, оценивания достигнутых результатов обучения.

Построение индивидуальной траектории обучения на уровне сценария электронного

курса обеспечивает адаптивную подачу материала и адаптивные процедуры оценки результатов

обучения. В этом случае управление подачей учебного материала идет внутри одного сценария.

Управление осуществляется как реакция автоматизированной системы на действия

обучающегося, например, как это осуществляется в адаптивном сценарии, когда следующий

кадр выдается в зависимости от ответов на предыдущие, или как это сделано в адаптивном

диалоге, где реализация обратной связи происходит полностью на уровне кадра. Описание

адаптивных сценариев дано в подразделах 3.5, 3.6 и 3.7.

Учет многоканальной обратной связи от обучающегося, которая предоставляет

информацию не только о ранее достигнутых результатах обучения, но и о значениях

параметров биометрических сигналов обучающегося, в частности о функциональном

состоянии, при формировании индивидуальных траекторий обучения может стать

перспективной методикой. Адаптивная подача материала происходит в соответствии с

алгоритмом, приведенном на рисунке 3.7:

1) Определение количества кадров в обучающем диалоге.

2) Предъявление кадра.

3) Анализ параметров функционального состояния обучающегося. Если параметры в норме

– переход к шагу 6, иначе – переход к шагу 4.

110

4) Показ обучающемуся сообщения о превышении уровня функционального состояния.

5) Сохранение номера кадра и информации о функциональном состоянии.

6) Проверка результата выполнения кадра. Если результат положительный – переход к

шагу 9, иначе – переход к шагу 7.

7) Показ обучающемуся сообщения об отрицательном результате выполнения кадра.

8) Сохранение ответа обучающегося и номера кадра.

9) Проверка достижения конца списка кадров. Если конец списка не достигнут – переход к


10) Проверка критерия качества обучения. При положительном результате – конец

адаптивной подачи материала, иначе – переход к шагу 11.

11) Переформирование списка заданий с учетом сохраненных кадров и переход к шагу 2.

Переформирование происходит по следующему условию: выбираются кадры с

наименьшим отношением оценки ответа обучающегося к оценке его функционального

состояния.

Адаптивная процедура оценки результатов обучения формируется в соответствии с

алгоритмом, приведенном на рисунке 3.8:

1) Определение количества кадров в сценарии.

2) Определение максимального количества попыток прохождения одного задания.

3) Выполнение обучающимся кадра с заданием.

4) Анализ параметров функционального состояния обучающегося. Если параметры в норме

– переход к шагу 7, иначе – переход к шагу 5.

5) Анализ превышения допустимого значения ФС. Если значение превышено – окончание

адаптивной процедуры оценки результатов обучения, иначе переход к шагу 6.

6) Проверка количество попыток на одно задание. Если попытки исчерпаны – переход к


7) Проверка теста на наличие оставшихся заданий. Если задания остались – переход к шагу

2, иначе – окончание аттестации.

3.4 Структура электронного курса

Формирование индивидуальных траекторий изучения электронного курса по дисциплине

(модулю) образовательной программы осуществляется через адаптивную генерацию

последовательности сценариев взаимодействия студента с автоматизированной системой.

Перспективным решением является использование динамической адаптации материалов при

анализе информационного взаимодействия обучающегося с ними. В этом случае может быть

111

адаптировано как содержание материалов курса, так способ их представления. Сценарии

предъявления учебного материала представляются электронными тестами, конспектами,

виртуальными лабораториями и тренажерами, электронными практикумами,

информационными ресурсами [90], [94], [216]. Последовательность работы со сценариями

регламентируется правилами доступа к учебно-методическим материалам электронного курса и

оценивания результатов обучения. Используя систему правил, управляющих доступом к

материалам курса, программируется последовательность прохождения сценариев на основании

освоенных результатов обучения. Учебно-методические материалы, требуемые для

организации учебного процесса по модулю образовательной программы и способствующие

освоению студентами необходимых результатов обучения, представляют собой электронный

учебно-методический комплекс по дисциплине (модулю) образовательной программы, который

содержит описание рабочей программы дисциплины (модуля) и электронных курсов,

содержащих множество обучающих и аттестующих материалов для формирования и

оценивания результатов обучения. Комплекс разрабатывается с учетом компетентностной

модели и обладает иерархической модульной структурой.

Электронный учебно-методический комплекс предоставляет возможность:

долговременного и многократного использования входящих в него электронных курсов,

сценариев, страниц и кадров;

автоматизированной разработки электронного курса на основе компетентностной

модели выпускника;

адаптации курса к возможностям и потребностям конкретного обучающегося путем

формирования адаптивных траекторий обучения и использования обучающих диалогов;

передачи электронных курсов в другие ЭИОС (экспорт и импорт).

Укрупненная модель электронного учебно-методического комплекса с четырьмя

уровнями отображена на рисунке 3.9. Рабочая программа (Program) дисциплины (модуля)

образовательной программы представляет верхний уровень. Дисциплина может включать

несколько семестровых курсов (Courses). Следующий уровень содержит описание конкретных

электронных курсов (Course). Для каждого отдельного электронного курса указывается

перечень модулей (Unit), на которые разбивается данный курс, определяется общий формат

организации структуры электронного курса (Structure) и указывается формула вычисления

рейтинга обучающегося (Variable), который он получает по окончании прохождения курса.

Траектория обучения в курсе и правила фиксации результатов обучения, достигаемые

обучающимся, тоже определяются на втором уровне с использованием механизма состояний

(State), характеризующих этапы изучения курса и режимы работы с ним. Каждое состояние

(State) включает список сценариев, доступных обучающемуся (CourseInput). Минимальный

112

набор состоит из четырех состояний. Изначально обучающийся находится в состоянии "0".

Определение состояния подразумевает назначение уникального номера и названия,

характеризующего состояние, например, "Начало обучения", "Прохождение аттестации",

"Дополнительная попытка на испытание", "Обучение завершено". Третий уровень определяет

программирование сценариев (Script) электронного курса, включая информационные ресурсы,

электронные конспекты, практикумы, обучающие и аттестующие тесты, виртуальные

лаборатории и тренажеры. Наиболее низкий уровень модели электронного учебно-

методического комплекса включает описание обучающих и аттестующих материалов. К числу

таких материалов могут относится файлы (File), страницы (Page) и кадры (Frame),

прикрепляемые к кадрам сценариев.

Рисунок 3.6 – Алгоритм построения индивидуальной траектории обучения на уровне курса

113

Рисунок 3.7 – Алгоритм адаптивной подачи материала

Конечно-автоматный подход лежит в основе алгоритмов программирования

электронного курса [70], [71], [72]. При использовании данного подхода автор электронного

курса определяет перечень состояний, между которыми может переходить обучающийся, и

114

связи между этими состояниями. Также для формирования перечня состояний и связей между

ними определяются сторожевые условия и список действий над переменными,

сопровождающими переход при достижении установленных правилами и требованиями

программы результатов обучения. Переход между состояниями в ходе прохождения обучения

сопровождается возникновением различных событий (Event). К событиям относится запуск

сценария обучающимся (Enter), завершение работы с ним (Exit). Электронный курс (Course)

включает:

● Метаданные (Description) – определяют название курса, его авторов, учебное заведение,

которое разработало данный электронный курс, библиографическое описание курса.

● Переменные (Variables) – позволяют формировать рейтинг обучающегося в курсе,

отображать достигнутый им прогресс и проверку условий переходов между состояниями

в курсе. Значения переменных могут быть представлены числами или функциями. На

основе совокупности объявленных переменных формируется синтаксическое дерево

курса.

● Структуру (Structure) – определяет организацию курса, которая служит для навигации

обучающегося, и является иерархической и модульной. Каждый модуль (Unit) может

быть контейнером для нескольких других модулей или содержать ссылку на

определенный сценарий (Script). Оглавление курса, будучи детальным и

структурированным, облегчает ориентацию обучающихся в курсе. Однако не

рекомендуется создавать модули-контейнеры с недостаточным (один) или избыточным

(более семи) количеством дочерних модулей, в силу того, что это затруднит навигацию

обучающегося в курсе и приведет к снижению скорости доступа к информации.

● Состояния (States) – набор состояний курса и правил их изменения. Данные правила

формируются на основе требований программы к знаниям и умениям обучающегося,

получаемым им в процессе обучения и формировании необходимых компетенций.

Отдельное состояние характеризуется доступными сценариями, правилами задания

переменных курса. Анализ набранных обучающимся баллов, время, потраченное им на

прохождение испытаний, и количество попыток, необходимое для его успешного

завершения могут повлиять на правила изменения значений переменных.

Формат описания объектов Course, Description, Structure, Variables и States представлен в

таблице 3.1.

115

Рисунок 3.8 – Адаптивная процедура оценки результатов обучения

Число сценариев в курсе и их объем должны соотносится с видами учебной работы,

указанными в рабочей программе модуля образовательной программы, и их трудоемкостью,

выраженной в зачетных единицах, а содержание должно соответствовать требованиям

государственных образовательных стандартов и компетентностной модели выпускника.

116

Рисунок 3.9 – Структура электронного учебно-методического комплекса по дисциплине

(модулю) образовательной программы

Таблица 3.1 – Объекты Course, Description, Structure, Variables, States

Название объекта Описание

Course Электронный курс. Включает обязательные атрибуты, характеризующие

идентификатор курс (CourseID), название образовательной организации,

разработавшей курс (University), название курса (Name), номер семестра в

программе дисциплины (SemesterID), язык описания курса (Language), а

также необязательные атрибуты, представляющие значения описания

курса (Description), его организацию (Structure), перечень переменных

курса (Variables), идентификатор владельца (Owner) и перечень

состояний (States).

Описание объектов Unit, Variable, State представлено в таблице 3.2.

Description

Задает библиографическое описание электронного курса. Включает

обязательные атрибуты, характеризующие сведения о курсе (Data),

заголовок курса (Title), название образовательной организации,

117


владеющей курсом (University), а также необязательные атрибуты,

представляющие значения международного стандартного книжного

номера (ISBN, например, номер ISBN 968-4-26-748510-6, где: 968 –

префикс EAN.UCC; 4 – номер регистрационной группы; 26 – номер

регистранта; 748510 – номер издания; 6 – контрольная цифра), данные об

авторе (Author), редакторе (Editor), адресе сервера (PubPlace), издателе

(Publisher), дате публикации (Date), ключевых словах (KeyWord).

Описание приведенных атрибутов представлено в таблице 3.2.

Таблица 3.2 – Объекты, характеризующие библиографическое описание электронного курса


Author Сведения об авторе электронного курса. Включает обязательные

атрибуты, характеризующие фамилию автора курса (LastName), язык

описания курса (Language), а также необязательные атрибуты,

представляющие значения имени (FirstName) и отчества (MiddleName)

автора курса.

Если электронный курс имеет коллектив авторов, каждого соавтора

необходимо описывать в отдельном объекте Author.

Title Заголовок электронного курса. Включает обязательные атрибуты,

характеризующие название (Value) и язык описания (Language) заголовка

курса.

Editor Сведения о редакторе электронного курса. Включает обязательные

атрибуты, характеризующие фамилию редактора курса (LastName), язык

описания (Language), тип доступных редактору прав (Status), а также

необязательные атрибуты, представляющие значения имени (FirstName) и

отчества (MiddleName) редактора курса.

Объект Editor может встречаться в описании электронного курса

несколько раз для указания различных видов редакторства. Каждого

редактора необходимо описывать в отдельном объекте Editor.

PubPlace Сведения о сервере публикации курса. Включает обязательные атрибуты,

характеризующие адрес сервера размещения курса (Value) и язык

описания данных (Language).

Электронный курс может быть одновременно размещен на нескольких

серверах, в этом случае объект PubPlace указывается в объекте Description

необходимое количество раз.

Publisher Содержит сведения об издателе курса. Включает обязательные атрибуты,

характеризующие название организации, разместившей курс (Value),

язык описания данных (Language).

Электронный курс может одновременно иметь нескольких издателей, в

этом случае объект Publisher указывается в объекте Description

необходимое количество раз.

Date Дата публикации электронного курса на сервере. Включает обязательные

атрибуты, характеризующие формат записи данных (Format, например,

118


"dd.mm.yyyy"), дата в нужном формате (Value).

При размещении электронного курса на различных серверах даты

публикации могут не совпадать, поэтому объект Date может

присутствовать в описании электронного курса несколько раз.

KeyWord Ключевое слово или словосочетание, характерное для описываемого

электронного курса. Включает обязательные атрибуты, характеризующие

ключевое слово (Value), язык описания данных (Language).

В описании курса допускается указание нескольких ключевых слов.

Объект, описывающий оглавление курса (Structure), содержит вложенные объекты Unit

(модуль). Такой принцип построения электронного курса позволяет отобрать отдельные виды

учебной работы, представляемые блоками из нескольких модулей. В этом случае,

обучающемуся открывается доступ ко всем элементам во взаимосвязи, что облегчает его работу

по освоению компетенций.

Формирование рейтинга студента строится на основе системы переменных (Variables),

используемых при проверке возможности перехода от состояния к состоянию. Объект,

характеризующий эту систему, имеет вложенный объект Variable – оценка за курс. Список

переменных и их значения определяются, исходя из перечня форм контроля, сформированного

путем анализа планируемых результатов обучения (рисунок 3.10). Отдельный логический

фрагмент курса оценивается отдельной переменной. Значение переменной (Value) задается в

виде числа или функции, аргументами которой являются дочерние переменные, которые

представляются промежуточными вершинами или листьями синтаксического дерева.

Промежуточные вершины представляют собой результат по различным формам учебного

процесса: практическим занятиям, семинарам, лабораторным работам, контрольным работам,

тестам и т.п., а их дочерние переменные, листья, соответствуют результату отдельной работы

или задания. Лист может являться также дочерней переменной по отношению к корневой,

например, в случае наличия итоговой аттестации по курсу. формат описания объектов Unit,

Variable представлен в таблице 3.3. На формирование рейтинга обучающегося в курсе

оказывают влияние результаты испытаний, каждое из которых проходит по определенному

сценарию и представляет собой набор заданий. Кроме результата испытания учитываются

затраченные время и количество попыток. Отдельное задание испытания описывается кадром и

характеризуется весом. Ответ на задание может быть правильным или неправильным.

Правильный ответ может быть полным, когда выбраны все указанные автором правильные

варианты, и неполным, когда указана часть из возможных правильных вариантов. Формула

119

оценки i-го обучающегося по результатам прохождения j-го испытания выглядит следующим

образом:

𝑥𝑖𝑗(𝑣𝑖𝑗) =∑ 𝑥𝑖𝑗𝑘𝑤𝑗𝑘𝑛𝑗𝑝

𝑘=1

∑ 𝑤𝑗𝑘𝑛𝑗𝑝

𝑘=1

ω𝑗𝑡(𝑡𝑖𝑗)ω𝑗

𝑣(𝑎𝑖𝑗), (3.30)

где 𝑤𝑗𝑘 ∈ 𝑅+ – вес k-го задания j-го испытания; 𝑥𝑖𝑗𝑘 ∈ [0,1] – оценка i-го обучающегося за k-е

задание -го испытания, которую можно выразить отношением 𝑥𝑖𝑗𝑘 =𝑛𝑖𝑗𝑘+

𝑛𝑗𝑘+ ; 𝑛𝑖𝑗𝑘

+ – количество

выбранных 𝑖-м обучающимся правильных вариантов ответов на 𝑘-е задание 𝑗-го испытания; 𝑛𝑗𝑘+

– общее количество правильных вариантов ответов на 𝑘-е задание 𝑗-го испытания; 𝑡𝑖𝑗 ∈ 𝑅+ –

время затраченное 𝑖-м обучающимся на 𝑗-е испытание; ω𝑗𝑡: 𝑅+ → [0,1] – невозрастающая

функция времени, затраченного на 𝑗-е испытание; 𝑎𝑖𝑗 ∈ 𝑁 – количество попыток затраченных 𝑖-

м обучающимся на 𝑗-е испытание; ω𝑗𝑎: 𝑁 → [0,1] – невозрастающая весовая функция попыток,

затраченных на 𝑗-е испытание. Итоговый рейтинг в курсе i-го обучающегося вычисляется по

формуле:

𝑥𝑖 = 𝐺[𝑥𝑖1(1),… , 𝑥𝑖1(𝑣𝑖1), 𝑥𝑖2(1),… , 𝑥𝑖2(𝑣𝑖2), … , 𝑥𝑖𝑛𝑒(1), … , 𝑥𝑖𝑛𝑒(𝑣𝑖𝑛𝑒)], (3.31)

где 𝑛𝑒 – количество испытаний в курсе. Для построения функции 𝐺 могут использоваться

операции сложения, умножения, вычисления среднего арифметического значения, максимума,

и минимума.

Таблица 3.3 – Объекты, характеризующие модуль и переменную электронного курса


Unit Модуль электронного курса. Может содержать вложенные объекты Unit.

Включает обязательные атрибуты, характеризующие идентификатор

курса (UnitID), флаг видимости модуля курса (Visible, значения "Yes" или

"No"), ссылку на атрибут CourseID объекта Course (Course), а также

необязательные атрибуты, представляющие массив модулей курса (Unit),

дополнительное описание (Alt), ссылку на атрибут UnitID объекта Unit

(Unit).

Variable

Характеризует переменную курса. Включает обязательные атрибуты,

характеризующие идентификатор переменной (VariableID), название

(Name), флаг видимости переменной (Visible, используется для

объявления скрытых переменных, которые не влияют на рейтинг за курс,

а используются для проверки условий инициализации модулей курса или

правил оценивания модулей), атрибуты для служебного использования

(Course и Variable), а также необязательные атрибуты, представляющие

массив переменных курса (Variable), значение переменной или функция,

применяемая к дочерним переменным (Value, значения, допустимые в

данном атрибуте: определение максимального значения "max",

120


определение минимального значения"min", расчет среднего

арифметического "avg", суммирование "sum", произведение "mul"),

пороговое минимальное значение (LowerValue, обучающийся, которой

набрал количество баллов за испытание равное или больше порогового

значения, не считается задолжником по данному испытанию),

минимальное и максимальное значение переменной в курсе (MinValue и

MaxValue), режим записи значений в переменную курса (WritingMode,

значения: "Max", "Min", "Sum", "Mul", "Rew"), временное ограничение

(TimeLimit), альтернативный текст описания переменной курса (Alt).

Использование перечисленных атрибутов уменьшает количество ошибок

при вводе баллов и обеспечивает более углубленный мониторинг РО.

Необходимым условием положительной аттестации обучающегося по

дисциплине (модулю) является получение количества баллов не менее

установленного порогового значения, а установление сроков сдачи в

сутках от начала семестра необходимо для формирования отчетов по

задолжникам.

Электронный курс включает в себя состояния (State), между которыми переходит

обучающийся в процессе изучения курса. Каждое состояние характеризуется событиями,

условиями и действиями. Инициализация модулей и сценариев курса определяется в события

курса. По завершении инициализации модуля должна осуществляться проверка наличия

доступа к конкретному элементу курса. При наличии доступа проверяются:

время инициализации модуля от начала изучения курса;

максимальный процент набранных баллов по сценарию, закрепленному за модулем в

данном состоянии;

количество предпринятых ранее попыток входа в этот сценарий;

значения переменных, определенных в курсе.

В случае успешной проверки всех заданных условий могут изменяться значения переменных

курса, осуществляться переход в новое состояние и запуск сценария. После завершения

сценария проверяется время завершения сценария (по сравнению со временем начала курса),

процент набранных баллов последней попытки прохождения испытания, значения переменных

курса. После окончания проверки может быть осуществлен переход обучающегося в новое

состояние или же изменены значения переменных курса. Жизненный цикл сеанса

взаимодействия обучаемого с электронным курсом представлен на рисунке 3.11.

Состояния электронного курса описываются в объекте States, включающем

вложенные объекты State. При работе с курсом студент достигает определенные результаты

обучения, а по результатам его работы осуществляется переход между состояниями курса.

Перед началом электронного курса автор должен определить перечень состояний

121

обучающегося в курсе, переходы между ними при выполнении заданных условий и действия с

переменными, сопровождающими переход. Для каждого состояния указывается возможность

доступа обучающегося к элементам электронного курса (CourseInput) из данного состояния, а

также условия его перехода между состояниями, правила оценивания элемента (CourseRules),

которые определены с учетом соответствующего испытания. Для отдельных временных

интервалов выполнения задания от начала обучения (Time) допускается использование разных

наборов правил оценивания результатов. С этой целью автор имеет возможность указать для

отдельного набора правил (CourseRule) характеристики для перехода в новое состояние и

изменение значений переменных курса (SetVariable), учитывающие процент набранных баллов

(Percent) и определенные дополнительные условия (CourseVariableMatch). Такие правила

оценивания составляются для всех модулей курса, влияющих на общий рейтинг, например,

выполнение испытаний – тестов, практикумов, виртуальных лабораторных работ и тренажеров.

Формат описания объектов State, CourseInput представлен в таблице 3.4, объектов ScriptIndex,

Classroom, CourseInit, CourseRules – в таблице 3.5, объектов CourseInitCondition,

CourseInitVariable, CourseRule – в таблице 3.6; объектов CourseVariableMatch, SetVariable – в

таблице 3.7.

Методика формирования индивидуальной траектории обучения на уровне электронного

курса по модулю образовательной программы осуществляется на основе теории конечных

автоматов. Автомат переходов имеет одно входное состояние, устанавливающее начало

обучения, и одно выходное состояние, соответствующее получению заданных результатов

обучения. Переход между состояниями происходит при инициализации модуля (Unit)

электронного курса или при завершении сценария взаимодействия (Script) с системой.

Построение синтаксического дерева переменных курса необходимо для обеспечения проверки

правил оценивания и условий перехода между сценариями взаимодействия с системой и

состояниями.

Рисунок 3.10 – Дерево переменных курса

122

Рисунок 3.11 – Жизненный цикл сеанса взаимодействия с электронным курсом

Таблица 3.4 – Объекты State, CourseInput


State Состояние электронного курса. Включает обязательные атрибуты,

характеризующие идентификатор состояния (StateID) и ссылку на

атрибут CourseID объекта Course (Course), а также необязательные

представляющие правила входа в состояние курса (CourseInput,

например, осуществляет сравнение значений результатов обучения,

которые обучающийся продемонстрировал на момент входа в состояние,

с заложенными в системе), название состояния курса (Name, например

начальное состояние курса "Обучение", состояние для прохождения

аттестаций "Аттестация", состояние для назначения дополнительных

попыток "Повторение", завершающее состояние курса по окончании

обучения "Оценивание").

CourseInput

Вход в состояние электронного курса. Включает обязательные атрибуты,

характеризующие идентификатор модуля курса (UnitID), флаг

разрешения доступа к состоянию (Flag, значения "Denied" и "Allowed"),

ссылку на атрибут State ID объекта State (State), а также необязательные

представляющие указатель сценария (ScriptIndex), место проведения

аттестации (Classroom), возможность проверки значений переменных

(CourseInit), правила оценивания РО (CourseRules), идентификатор

состояния, в которое переходит обучающийся (StateID), количество

попыток (TryLimit), пороговое количество баллов (Percent), время от

начала семестра до появления доступа к сценарию курса (BeginAccess),

время от начала семестра до окончания доступа к сценарию курса

(EndAccess).

Таблица 3.5 – Объекты CourseInit, ScriptIndex, Classroom, CourseRules


ScriptIndex Указатель на сценарий. Включает обязательные атрибуты,

характеризующие идентификатор схемы с КИМ по дисциплине (Scheme),

123


тип сценария (ScriptType, значения "TextBook", "Test", "PracticalWork",

"Laboratory", "InfoResourse"), идентификатор сценария (ScriptID).

Classroom Место проведения испытания. Включает обязательные атрибуты,

характеризующие информацию о здании (Campus), номер аудитории

(Name).

CourseInit Возможность проверки значений переменных с их последующей

инициализацией. Включает обязательные атрибуты, характеризующие

идентификатор (InitID) и ссылку на объект CourseInput (CourseInput), а

также необязательные представляющие условия проверки значений

переменной (CourseInitCondition), установки значения переменной

(CourseInitVariable).

CourseRules

Признаки оценки выполнения испытания. При установке атрибута Time,

правила будут применяться для выполнения заданий за время, меньшее

установленного значения атрибута. Включает обязательные атрибуты,

характеризующие правила оценивания (CourseRule), время от начала

семестра до начала действия правила (Time), временная единица

измерения (TimeScale, значения "Day", "Hour", "Minute", "Second").

Таблица 3.6 – Объекты CourseRule, CourseInitVariable, CourseInitCondition


CourseInitCondition Проверка значения переменной. Включает обязательные атрибуты,

характеризующие идентификатор проверяемой переменной (VariableID),

сравниваемое значение (Value), ссылка на объект (CourseInit), а также

необязательные, описывающие оператор сравнения (Operator, значения

"Equal", "Greater", "Less") и как оно происходит значения (IsTrue,

значения "Yes" и "No", условия выполняются при равных и неравных

значениях соответственно).

CourseInitVariable

Установка значения переменной при выполнении всех обозначенных

проверок. Включает обязательные атрибуты, характеризующие

идентификатор переменной (VariableID), значение переменной для

установки (Value), ссылку на объект CourseInit (CourseInit).

CourseRule Правило оценивания. Включает обязательные атрибуты,

характеризующие процент баллов, набранных за пройденный сценарий

курса (Percent), ссылку на объект CourseRules (CourseRules), а также

необязательные атрибуты, описывающие условие установки переменной

(CourseVariableMatch), изменение значения переменной

(CourseSetVariable), идентификатор правила при одинаковых значениях

атрибута Percent (RuleID), идентификатор состояния, в которое переходит

система (StateID), сообщение (Message).

124

Таблица 3.7 – Объекты CourseVariableMatch, CourseSetVariable


CourseVariableMatch Условие для установленного значения переменной. Включает

обязательные атрибуты, характеризующие идентификатор проверяемой

переменной (VariableID), сравниваемое значение (Value), а также

необязательные, описывающие оператор сравнения (Operator, значения

"Equal", "Greater", "Less") и как оно происходит значения (IsTrue,

значения "Yes" и "No", условия выполняются при истинном и ложном

значениях соответственно).

CourseSetVariable

Изменение переменной курса. Включает необязательные атрибуты,

характеризующие идентификатор переменной (VariableID), значение

переменной или SQL-выражение, выполняемое для задания значения

переменной и включающее системные переменные (Value, например,

процент баллов за сценарий Script.Output, количество попыток на

испытание Script.Tries, время от начала прохождения курса Course.Time),

ссылку на объект CourseRule (CourseRule).

Индивидуальную траекторию обучения можно представить как упорядоченный перечень

состояний электронного курса, обеспечивающих целостный образовательный процесс по

достижению результатов обучения. Программирование траектории осуществляется за счет

управления данными состояниями. Управление состояниями осуществляется системой, в том

числе с использованием условий инициализации переменных курса. В электронном обучении

можно построить курсы с последовательной и параллельной (произвольной) траекторией

обучения, а также курсы с более сложной структурой. Рассмотрим несколько примеров

формирования индивидуальных траекторий обучения на уровне электронного курса по

дисциплине (модулю) образовательной программы.

Траектория обучения проходит через выполнение двух испытаний в заранее

определенном порядке. Это пример электронного курса, в котором задано последовательное

прохождение двух испытаний для оценивания результатов обучения, то есть попытка пройти

второе испытание может быть реализована только в случае успешного выполнения первого

испытания. Графическое описание алгоритма построения траектории обучения для некоторого

курса приведено на рисунке 3.12. Состояния на данной диаграмме обозначены в виде

прямоугольников. Идентификационный номер состояния приводится в левом верхнем углу.

Для каждого состояния запланирован ряд отображенных на диаграмме в виде окружностей

испытаний, которые должен пройти обучающийся, находящийся в этом состоянии.

Идентификационный номер испытания указывается над окружностью. При разрешенном

доступе к испытанию окружность отображается закрашенной. Переходы между состояниями

отображены в виде стрелок с указанием номера испытания, влияющего на переход. Номера

125

испытаний на переходах имеют верхний индекс: "*" (вход в испытание), "+" (испытание

завершено успешно) или "-" (испытание завершено неуспешно). Помимо испытаний в курсе

реализуются и другие сценарии взаимодействия с системой, такие как, электронные конспекты

лекций, видеолекции, учебные пособия, интерактивные опросы для самопроверки, тренажеры,

способствующие достижению результатов обучения. В состоянии State 0 все сценарии курса

открыты на вход, кроме второго испытания. В курс введены следующие условные состояния:

State 0 – Доступно для выполнения первое испытание.

State 1 – Аттестация. Идет выполнение первого испытания.

State 2 – Доступно для выполнения второе испытание.

State 3 – Аттестация. Идет выполнение второго испытания.

State 4 – Обучение завершено. Все испытания выполнены успешно.

Рисунок 3.12 – Диаграмма состояний курса с последовательным выполнением испытаний

В состоянии State 0 доступно для выполнения первое испытание, вход во второе испытание

заблокировано. При входе в первое испытание, система переводит обучающегося в состояние

аттестации для первого испытания State 1, в котором входы в оба испытания заблокированы.

При успешном выполнении первого испытания система переводит обучающегося в состояние

State 2, где доступен вход во второе испытание. Если попытка выполнения первого испытания

неуспешная, то осуществляется переход в начальное состояние State 0, где можно будет

126

использовать следующую попытку для выполнения первого испытания. Из состояния State 2

при инициализации второго испытания система переводит студента в состояние аттестации для

второго испытания State 3. При успешном выполнении испытания система переводит

обучающегося в состояние State 4, которое символизирует окончание обучения. Если попытка

неуспешная, то осуществляется переход обратно в состояние State 3, где можно будет

использовать следующую попытку для выполнения второго испытания.

На рисунке 3.13 приведено графическое изображение алгоритма формирования

траектории обучения по электронному курсу с общим состоянием для выполнения

испытаний. В курс введены следующие условные состояния:



State 2 – Аттестация. Идет выполнение испытания.


Переход к выполнению испытаний из состояний State 0 и State 1 осуществляется через общее

состояние State 2. При инициализации первого испытания система осуществляется переход в

состояние State 2 "Аттестация. Идет выполнение испытания". В состоянии State 2 входы во все

сценарии курса являются заблокированными. При успешном выполнении первого испытания

система переводит обучающегося в состояние State 1, где доступен вход во второе испытание.

Если попытка выполнения первого испытания неуспешная, то осуществляется переход в

начальное состояние State 0, где можно будет использовать следующую попытку для

выполнения первого испытания. Из состояния State 1 при инициализации второго испытания

осуществляется переход в состояние State 2 "Аттестация. Идет выполнение испытания". При

сравнении алгоритмов на рисунках 3.12 и 3.13 видно, что количество состояний на рисунке 3.13

меньше. Состояние "Аттестация" объединяет в себе два состояния – состояние аттестации

первого теста и состояние аттестации для второго теста. Данное объединение состояний

используется для облегчения процесса программирования, что особенно ощутимо при большом

числе испытаний.

На рисунке 3.14 приведено графическое изображение аналогичного алгоритма

формирования траектории обучения по данному курсу для случая, когда учащийся исчерпал

лимит попыток, отведенных на выполнение испытаний. Для этого в курс вводятся следующие

условные состояния:


State 1 – Аттестация. Идет выполнение первого испытания.

State 2 – Дополнительная попытка для выполнения первого испытания.


127

State 4 – Аттестация. Идет выполнение второго испытания.

State 5 – Дополнительная попытка для выполнения второго испытания.


Переход в состояния State 2 "Дополнительная попытка для выполнения первого испытания"

и(или) State 5 "Дополнительная попытка для выполнения второго испытания" осуществляется

индивидуально для каждого учащегося при условии, что заложенный лимит попыток

выполнения испытаний исчерпан; ликвидированы пробелы в подготовке к выполнению

испытаний; функциональное состояние учащегося позволяет допустить до выполнения

испытания; выявлена необходимость в выполнении испытаний.

Рисунок 3.13 – Диаграмма состояний курса с последовательным выполнением испытаний и

общим состоянием для аттестации

Траектория обучения проходит через выполнение в произвольном порядке трех

испытаний. Алгоритм построения траектории обучения при произвольном доступе к

испытаниям курса отображен на рисунке 3.15. Приведенный конечный автомат

предусматривает по одному состоянию на каждое событие, связанное с прохождением

испытания, без дополнительных состояний перехода в режим аттестации и дополнительных

попыток. Согласно алгоритму, описание соответствующего конечного автомата требует 8

состояний. Количество состояний в описанном случае будет вычисляться по формуле 2𝑚, где 𝑚

– это количество испытаний, т.е. при десяти испытаниях потребуется 1024 состояния для

корректного описания алгоритма построения траектории. Однако такой подход формирования

траектории является неэффективным в силу быстрого роста числа состояний и, следовательно,

128

Рисунок 3.14 – Диаграмма состояний курса с последовательным выполнением испытаний и

состояниями для дополнительных попыток

более сложно программируемой реализации алгоритма. Добавление условий при анализе

переходов между состояниями позволит уменьшить их общее количество. На рисунке 3.16

приведено графическое изображение алгоритма формирования траектории изучения

электронного курса при произвольном доступе к выполнению трех испытаний на основе

конечного автомата, использующего условия. При этом задается переменная 𝑇, содержащая

количество завершенных испытаний и проверяющаяся при переходах между испытаниями.

Состояние State 2 предназначено для выделения дополнительной попытки на требуемое

испытание. Начальное состояние в курсе State 0 обеспечивает доступность для обучающегося

всех испытаний. Состояние State 1 "Аттестация" характеризуется закрытым доступом ко всем

обучающим элементам курса и всем сценариям. В случае, если испытание было пройдено

неуспешно, обучающийся снова переходит к состоянию State 0. Если аттестация для текущего

испытания завершена успешно, проверяется условие успешного прохождения двух оставшихся

испытаний (условие 𝑇 = 2 на рисунке 3.16). Обучающийся переходит в конечное состояние

State 3 только в случае успешного завершения всех трех испытаний. В конечном состоянии

испытания блокируются и становятся недоступны для прохождения. При неуспешном

выполнении хотя бы одного испытания (𝑇 < 2), осуществляется переход в состояние State 0,

129

открывая возможность прохождения оставшегося испытания. В описанном конечном автомате

вводится состояние для назначения дополнительной попытки выполнения испытания State 2, в

котором может быть дана возможность выполнить испытание без учета ограничений или, при

положительной проверке, дополнительных ограничений. Сравнивая рисунок 3.15 и рисунок

3.16, видно, что использование условий при программировании логики формирования

траектории изучения электронного курса значительно уменьшает количество промежуточных

состояний без ущерба для логики прохождения испытаний.

Рисунок 3.15 – Диаграмма состояний курса с произвольным порядком выполнения испытаний

Траектория обучения проходит через выполнение трех испытаний в произвольном

порядке, последовательном выполнении еще двух испытаний, последнее из которых

доступно для выполнения лишь при определенных условиях. Траектория обучения в

электронном курсе может состоять из комбинации последовательного и произвольного

порядков. На рисунке 3.17 приведено графическое изображение алгоритма формирования

траектории обучения в электронном курсе при смешанном порядке выполнении пяти

испытаний. В начале обучения учащемуся доступны первые три испытания, выполнение

которых возможно в произвольном порядке. После успешного прохождения этих испытаний

учащийся переходит к выполнению еще двух испытаний в заданном порядке. Состояния State 0,

State 1, State 2 и переходы между ними аналогичны описанию, соответствующему диаграмме

состояний курса с произвольным порядком выполнения испытаний при использовании

условий, представленных на рисунке 3.16. При успешном завершении трех испытаний,

обучающийся переходит в состояние State 3, и для него становится доступным четвертое

130

испытание. Обучающийся осуществляет переход в состояние аттестации State 4 при

выполнении четвертого испытания, открытие любых других обучающих сценариев курса

оказывается заблокированным. Если испытание завершено неуспешно, обучающийся

возвращается в состояние State 3, в то время как при успешном прохождении он переходит в

состояние State 6, где может приступать к прохождению последнего пятого испытания. Пятое

испытание становится доступным обучающемуся для прохождения в состоянии State 7. Если

испытание завершено неуспешно, обучающийся возвращается в состояние State 6, в то время

как при успешном прохождении он переходит в конечное состояние State 9. Конечное

состояние подтверждает сдачу обучающимся всех требуемых в курсе аттестационных процедур

и получение необходимых результатов обучения. В данной схеме предусмотрены также три

дополнительных состояния, позволяющих обучающемуся получить дополнительные попытки

для сдачи соответствующих испытаний.

Рисунок 3.16 – Диаграмма состояний курса с произвольным порядком выполнения испытаний и

применением дополнительных условий

3.5 Сценарии обучающих диалогов

Применение и разработка новых методов и средств формирования адаптивных алгоритмов

управления траекториями обучения позволяет построить эффективное электронное обучение с

учетом обратной связи от обучающихся [40], [41], [111], [112]. Анализируя данные

многоканальной обратной связи, информационно-образовательная система строит обучающие

диалоги с целью повышения эффективности управления траекториями обучения и контроля

уровня подготовки обучающегося. Правила формирования диалогов определяются с помощью

131

сценариев, каждый из которых содержит описание процесса взаимодействия обучающегося с

системой в течение одного сеанса, при этом учитываются последовательность демонстрации

информационных материалов и заданий, а также режимы их предъявления, ограничения по

времени на прохождение тех или иных испытаний, правила и требования к выставлению

промежуточных и итоговой оценок. В структуре учебно-методического комплекса по

дисциплине (модулю) образовательной программы для построения обучающих диалогов

используются сценарии электронных тестов, виртуальных лабораторий и электронных

практикумов.

Рисунок 3.17 – Диаграмма состояний курса со смешанным порядком выполнения испытаний и

применением дополнительных условий

Электронным тестом называется совокупность кадров – информационных материалов и

заданий, – предъявляемых обучающемуся в некоторой последовательности. Задания могут быть

независимыми между собой или же сцепленными. Сцепленные задания представляют собой

132

цепочку заданий, предъявляемую обучающемуся последовательно. Каждое следующее задание

из последовательности предъявляется обучающемуся после анализа его ответа, данного на

предыдущее задание (рисунок 3.18). Применение обратных связей в этом случае позволяет не

только строить связанные последовательности, но и позволять обучающемуся возвращаться к

заданию в случае, если на него был дан неполный или неверный ответ. Такой подход позволяет

находится в постоянном взаимодействии с обучающимся, анализировать ответы, данные им на

отдельные задания и контролировать поведение системы в зависимости от его поведения. В

частности, обучающемуся может быть показано сообщение с требуемыми в данном задании

пояснениями. При использовании обратной связи количество возвратов к конкретным заданиям

не учитывается в их общем количестве для теста, в отличие от подхода с использованием

сцепленных кадров. Включение обратных связей позволяет осуществлять адаптивную подачу

тестового материала, что особенно важно при создании обучающих диалогов. Существуют

следующие способы формирования электронных тестов:

● Сценарий "Вариант", состоящий из нескольких вариантов, каждый из которых содержит

определенную последовательность информационных материалов и заданий одинакового

объема и уровня сложности. Обучающемуся предъявляется один вариант, выбранный

случайным образом из имеющихся (рисунок 3.19). В каждом варианте кадры

располагаются в последовательности, определяемой методикой преподавания по теме,

разделу или дисциплине (модулю).

● Сценарий "Группа", характеризуется последовательностью групп кадров. Каждая группа

состоит из заданий равного уровня сложности, однако между собой группы могут быть

различны по форме заданий, их сложности или тематике. Последовательность групп при

использовании такого сценария должна быть задана автором, а обучающемуся при

запуске сценария выдается случайный набор кадров, выбранных из разных групп

(рисунок 3.20).

● Сценарий "Уровень", состоящий из уровней, отличающихся сложностью материала.

Каждый уровень содержит определенное количество заданий, которые охватывают весь

материал курса или раздела. Некоторое количество заданий первого уровня

предъявляется обучающемуся. В зависимости от результатов производится переход на

следующий уровень или же сеанс завершается (рисунок 3.21). Технически являются

возможными восходящая или нисходящая последовательности прохождения уровней.

При восходящей последовательности каждый следующий уровень предъявляется в

случае успешного прохождения предыдущего, а при нисходящей последовательности – в

случае неуспешного прохождения предыдущего.

133

Рисунок 3.18 – Адаптивный сценарий

Рисунок 3.19 – Сценарий "Вариант"

Рисунок 3.20 – Сценарий "Группа"

134

В зависимости от способа доступа различают сценарии с последовательным и

произвольным доступом. В сценарии с последовательным доступом у обучающегося нет

возможности самостоятельно управлять последовательностью предъявления заданий,

последовательность формируется автоматически информационно-образовательной средой

(рисунок 3.22). Этот тип сценария характеризуется невозможностью перехода обучающимся к

произвольно выбранному кадру и исправления ранее данных ответов. При последовательном

доступе существует возможность выводить реакцию на полученный ответ, вводить

ограничение времени на отдельный кадр, использовать сцепленные кадры и кадры с

подсказками. Сценарий с произвольным доступом предоставляет обучающемуся возможность

управлять последовательностью предъявления заданий (рисунок 3.23). Он может переходить к

произвольному кадру сценария, возвращаться к пройденному кадру и исправлять ответ. В этом

случае рекомендуется запрещать системе вывод реакции на полученный ответ, что позволяет

эффективно применять такие сценарии при проведении онлайн-олимпиад.

Рассмотрим далее описание электронного теста. Первая часть описания содержит

информацию о сценарии диалога, вторая – информацию о содержащихся в сценарии кадрах.

Сценарий характеризуется следующей информацией: режим работы; тип сценария; общее

количество кадров в сценарии; число кадров, которые могут быть выданы для прохождения

обучающемуся за один сеанс его работы и последовательность этих кадров; временные

ограничения на весь сеанс или на отдельные кадры; система оценивания. Возможность

обучающимся пропускать кадры, использовать в сценарии сцепленные кадры и

вспомогательные кадры, содержащие дополнительные подсказки, демонстрация статистики по

завершении работы со сценарием, шкала затраченного на сценарий времени, реакция системы

на верный, неверный и неполные ответы также включается в настройки сценария.

Описания сценариев электронных тестов размещаются в контейнере Tests, который

включает в себя произвольное количество вложенных объектов ScriptIndex. В свою очередь

объект ScriptIndex является указателем на сценарий теста и содержит вложенный объект Test.

Формат описания объектов ScriptIndex, Test представлен в таблице 3.8. Объект Test, который

определяет настройки сценария, содержит вложенные объекты: Description – метаданные

электронного теста, TestGroup – настройки набора кадров, TestRules – совокупность правил

оценивания, Comment – комментарий. Формат описания объектов Description, TestGroup,

TestRules, Comment представлен в таблице 3.9, формат описания объектов FrameIndex, TestRule

– в таблице 3.10. а формат описания объекта TestGroupItem – в таблице 3.11.

135

Рисунок 3.21 – Сценарий "Уровень"

Рисунок 3.22 – Сценарий с последовательным доступом

136

Рисунок 3.23 – Сценарий с произвольным доступом

Таблица 3.8 – Объекты, характеризующие сценарии


ScriptIndex Указатель на сценарий диалога. Может содержать вложенный объект

Dialog. Включает обязательные атрибуты, характеризующие

идентификатор схемы (Scheme), идентификатор диалога (ScriptID) и два

атрибута для служебного использования (ScriptType и IsKey).

Test

Сценарий электронного теста. Содержит вложенные объекты, описанные

в таблице 3.9: Description, TestGroup, TestRules, Comment. Объект

содержит обязательные атрибуты, описывающие название сценария

(Name), режим электронного теста (Mode, значения "Learning", "Exam"),

тип сценария (Type, значения "Group", "Variant", "LevelUp",

"LevelDown"), временную единицу измерения (TimeScale, одно из

значений: "Day", "Hour", "Minute", "Second"), коэффициент сложности

теста (Weight, от 1 до 9, по умолчанию "1"). К необязательным атрибутам

объекта относятся атрибуты, содержащие значения дополнительного веса

за "честность" (HonestyWeight), ограничения по времени на сценарий

(LimitOnScript, единица измерения – TimeScale) и ограничения времени

на кадр (LimitOnFrame, единица измерения – TimeScale), сообщение при

неправильном ответе (OnWrongAnswer), сообщение при правильном

ответе (OnRightAnswer), сообщение в случае неполного ответа

(OnNotCompleteAnswer), номер кадра с подсказкой (OnHelp, кадр с

подсказкой обязательно должен находится внутри той же схемы, что и

кадр, от которого подсказка вызывается), сцепленный кадр, к которому

переходит обучающийся при неправильном ответе (NextWrong),

сцепленный кадр, к которому переходит обучающийся при правильном

ответе (NextRight), сцепленный кадр, к которому переходит обучающийся

при неполном ответе (NextNotComplete), вид калькулятора (Calculator,

137


доступные значения: "LAdvanced", "LBaseConverter", "LTrigonometric").

Также присутствуют обязательные атрибуты со значениями "Yes"/"No",

характеризующие режим доступа к кадрам сценария (RandomAccess, при

значении "Yes" для обучающегося доступна возможность свободного

переходв между кадрами в рамках сценария, вычисления оценки

происходит по нажатия кнопки "Завершить" и запрещается использовать

сцепленные кадры, при значении атрибута "No" организуется

последовательный доступ к кадрам, размещенном в сценарии),

возможность перемешивания кадров (RandomSequence), возможность

вывода сообщения при неверном ответе (AllowedOnWrongAnswer),

возможность вывода сообщения при верном ответе

(AllowedOnRightAnswer), возможность вывода сообщения при неполном

ответе (AllowedOnNotCompleteAnswer), возможность вывода подсказки

(AllowedOnHelp), возможность перехода к сцепленному кадру при

неверном ответе (AllowedNextWrong), возможность перехода к

сцепленному кадру при верном ответе (AllowedNextRight), возможность

перехода к сцепленному кадру при неполном ответе

(AllowedNextNotComplete), возможность использования сцепленных

кадров (ChainedFrames), возможность показа оставшегося времени

(ShowTime), возможность демонстрации статистики по окончании

процесса аттестации (ShowStatistics), возможность пропуска кадра

обучающимся в процессе прохождения аттестации (FrameSkip),

возможность применения калькулятора (AllowedCalculator).

Таблица 3.9 – Объекты Description, TestGroup, TestRules, Comment


Description Метаданные электронного теста. Содержит вложенные объекты: ISBN,

PubPlace, Publisher, Author, Title, Editor, Data, Date, KeyWord, описание

которых приведено в таблице 3.1. Включает обязательный атрибут,

характеризующий название образовательной организации (University).

TestGroup

Настройки тестового набора. Может содержать вложенные объекты

FrameIndex, описанные в таблице 3.10. Объект содержит обязательные

атрибуты, описывающие идентификатор тест-набора (GroupID),

временную единицу измерения (TimeScale, одно из значений: "Day",

"Hour", "Minute", "Second"), количество вопросов в одном тестировании,

принадлежащих группе (Number), рейтинг за сценарии LevelUp и

LevelDown (Output), пороговое значение для сценария LevelUp и

LevelDown (Threshold), коэффициент сложности теста (Weight, от 1 до 9,

по умолчанию "1"), атрибут для служебного использования (Test). К

необязательным атрибутам объекта относятся атрибуты, содержащие

значения дополнительного веса за "честность" (HonestyWeight),

ограничения по времени на сценарий (LimitOnScript, единица измерения –

TimeScale) и ограничения времени на кадр (LimitOnFrame, единица

измерения – TimeScale), сообщение при неправильном ответе

(OnWrongAnswer), сообщение при правильном ответе (OnRightAnswer),

сообщение в случае неполного ответа (OnNotCompleteAnswer), номер

кадра с подсказкой (OnHelp, кадр с подсказкой обязательно должен

138


находится внутри той же схемы, что и кадр, от которого подсказка

вызывается), сцепленный кадр, к которому переходит обучающийся при

неправильном ответе (NextWrong), сцепленный кадр, к которому

переходит обучающийся при правильном ответе (NextRight), сцепленный

кадр, к которому переходит обучающийся при неполном ответе

(NextNotComplete), вид калькулятора (Calculator, доступные значения:

"LAdvanced", "LBaseConverter", "LTrigonometric"). Также присутствуют

обязательные атрибуты со значениями "Yes"/"No", характеризующие

режим доступа к кадрам сценария (RandomAccess), возможность

перемешивания кадров (RandomSequence), возможность вывода

сообщения при неверном ответе (AllowedOnWrongAnswer), возможность

вывода сообщения при верном ответе (AllowedOnRightAnswer),

возможность вывода сообщения при неполном ответе

(AllowedOnNotCompleteAnswer), возможность вывода подсказки











TestRules Совокупность правил оценивания. Может содержать вложенные объекты

TestRule, описанные в таблице 3.10. Включает обязательные атрибуты,

характеризующие время прохождения теста, для которого будет

действовать этот набор правил (Time), а также атрибут для служебного

использования (Test).

Comment Произвольные символьные данные, характеризующие комментарий

Таблица 3.10 – Объекты FrameIndex, TestRule


FrameIndex Указатель на кадр. Может содержать вложенные объекты TestGroupItem,

описанные в таблице 3.11. Включает обязательные атрибуты,

характеризующие идентификатор схемы (Scheme), идентификатор тест-

кадра (FrameID) и два атрибута для служебного использования

(FrameType и IsKey).

TestRule

Правило оценивания. Включает обязательные атрибуты,

характеризующие процент выполнения задания (Percent, от 0 до 100),

атрибут для служебного использования (TestRules), а также

необязательные атрибуты, содержащие информацию об итоговой оценке

за тест (Result) и системном сообщении (Message).

139

Таблица 3.11 – Объект TestGroupItem


TestGroupItem Ссылка на тест-кадр. Объект содержит обязательные атрибуты,

описывающие идентификатор элемента тест-набора (GroupItemID),

временную единицу измерения (TimeScale, одно из значений: "Day",

"Hour", "Minute", "Second"), коэффициент сложности теста (Weight, от 1

до 9, по умолчанию "1"), атрибут для служебного использования

(TestGroup). К необязательным атрибутам объекта относятся атрибуты,

содержащие значения дополнительного веса за "честность"

(HonestyWeight), ограничения по времени на сценарий (LimitOnScript,

единица измерения – TimeScale) и ограничения времени на кадр

(LimitOnFrame, единица измерения – TimeScale), сообщение при

неправильном ответе (OnWrongAnswer), сообщение при правильном

ответе (OnRightAnswer), сообщение в случае неполного ответа

(OnNotCompleteAnswer), номер кадра с подсказкой (OnHelp, кадр с

подсказкой обязательно должен находится внутри той же схемы, что и

кадр, от которого подсказка вызывается), сцепленный кадр, к которому

переходит обучающийся при неправильном ответе (NextWrong),

сцепленный кадр, к которому переходит обучающийся при правильном

ответе (NextRight), сцепленный кадр, к которому переходит обучающийся

при неполном ответе (NextNotComplete), вид калькулятора (Calculator,

доступные значения: "LAdvanced", "LBaseConverter", "LTrigonometric").

Также присутствуют обязательные атрибуты со значениями "Yes"/"No",

характеризующие режим доступа к кадрам сценария (RandomAccess),

возможность перемешивания кадров (RandomSequence), возможность

вывода сообщения при неверном ответе (AllowedOnWrongAnswer),

возможность вывода сообщения при верном ответе

(AllowedOnRightAnswer), возможность вывода сообщения при неполном

ответе (AllowedOnNotCompleteAnswer), возможность вывода подсказки











Для проведения экспериментов в дистанционном режиме без непосредственного доступа

к объектам исследований используются виртуальные лаборатории. Существуют различные

виды виртуальных лабораторий, часть из которых предоставляет обучающимся удаленный

доступ к исследуемому объекту, в то время как другие представляют собой программируемые

математические модели и обеспечивают вычисление необходимых действий без использования

дополнительного оборудования. Предъявляемое задание виртуальной лабораторной работы

произвольным образом выбирается из набора заданий и закрепляется за конкретным

140

обучающимся. Задание, предъявляемое обучающемуся в рамках лабораторной работы,

выполняется в онлайн-режиме. Время, которое отводится на его выполнение, устанавливается в

сценарии виртуальной лаборатории. По окончании выполнения задания виртуальной

лаборатории формируется отчет, который впоследствии оценивается в автоматическом режиме,

отражая степень выполнения обучающимся полученного задания. Разработка виртуальной

лаборатории целесообразна в том случае, когда авторский замысел не может быть реализован

средствами других видов элементов электронной информационно-образовательной среды.

Например, когда существует достаточно большое количество правильных вариантов ответа или

множество правильных ответов является неразрешимым.

Описание виртуальной лаборатории делится на три части: первая – описывает сценарий

лабораторной работы, вторая – описывает сами задания, третья – виртуальную лабораторную

установку, включающую апплет и проверяющий сервер. Сценарий определяет настройки

виртуальной лаборатории и содержит информацию о: временных ограничениях на выполнение

лабораторной работы; режиме работы; общем количестве заданий лабораторной работы;

системе оценивания. Также в сценарии обозначается возможность использования калькулятора

и его вид, предъявления временной шкалы. Контейнер Laboratories являются корневым

объектом, который включает в себя произвольное количество вложенных объектов ScriptIndex.

В свою очередь объект ScriptIndex является указателем на сценарий лаборатории и содержит

вложенный объект Laboratory. Формат описания объектов ScriptIndex, Laboratory представлен в

таблице 3.12.

Таблица 3.12 – Объекты ScriptIndex, Laboratory


ScriptIndex Указатель на сценарий виртуальной лаборатории. Может содержать

вложенные объекты Laboratory. Включает обязательные атрибуты,

характеризующие идентификатор схемы (Scheme), идентификатор

сценария (ScriptID), атрибуты для служебного использования

(ScriptType и IsKey).

Laboratory

Лабораторная работа. Может содержать вложенные объекты,

описанные в таблице 3.13: Description, LaboratoryFramesArray,

LaboratoryRules, Comment. Включает обязательные атрибуты,

характеризующие название работы (Name), временную единицу

измерения (TimeScale, одно из значений: "Day", "Hour", "Minute",

"Second"), режим выполнения работы (Mode, значения "Learning",

"Exam"), возможность показа оставшегося времени (ShowTime,

значения "Yes", "No"), возможность применения калькулятора

(AllowedCalculator, значения "Yes", "No"), а также необязательные

атрибуты, описывающие ограничение времени на работу (TimeLimit),

вид калькулятора (Calculator, доступные значения: "LAdvanced",

"LBaseConverter", "LTrigonometric"), язык лаборатории (Language).

141

Объект Laboratory, который определяет настройки виртуальной лаборатории, содержит

вложенные объекты: Description – метаданные лабораторной работы; LaboratoryFramesArray –

набор заданий для лабораторной работы, из которых обучающемуся на основе

псевдослучайного алгоритма предоставляется задание; LaboratoryRules – совокупность правил

оценивания; Comment – комментарий. Формат описания объектов Description,

LaboratoryFramesArray, LaboratoryRules, Comment представлен в таблице 3.13; формат описания

объектов FrameIndex, LaboratoryRule – в таблице 3.14; формат описания объекта

LaboratoryFramesArrayItem представлен в таблице 3.15.

Таблица 3.13 – Объекты Description, LaboratoryRules, LaboratoryFramesArray, Comment


Description Описание лабораторной работы. Содержит вложенные объекты

Data, ISBN, Author, Title, Editor, PubPlace, Publisher, Date,

KeyWord (таблица 3.1). Включает обязательный атрибут,

характеризующий название образовательной организации

(University).

LaboratoryFramesArray

Набор заданий для лабораторной работы. При запуске сценария,

задание лабораторной работы выбирается для обучающегося

случайным образом. Может содержать вложенные объекты

FrameIndex, описание которых приведено в таблице 3.14.

LaboratoryRules Множество правил оценивания. Может содержать вложенные

объекты LaboratoryRule, описание которых приведено в таблице

3.14. Включает обязательные атрибуты, характеризующие время,

для которого применяется указанный набор (Time), а также

атрибут для служебного использования (Laboratory).

Comment Комментарий к виртуальной лаборатории.

Таблица 3.14 – Объекты FrameIndex, LaboratoryRule


FrameIndex Указатель на задание лабораторной работы. Может содержать

вложенные объекты LaboratoryFramesArrayItem, описанные в таблице

3.15. Включает обязательные атрибуты, характеризующие

идентификатор схемы (Scheme), идентификатор задания (FrameID),

атрибуты для служебного использования (FrameType и IsKey).

LaboratoryRule Характеризует правило оценивания результатов выполнения

лабораторной работы. Включает обязательные атрибуты,

описывающие процент баллов за выполненное задание (Percent),

атрибут для служебного использования (Laboratory), а также

необязательные атрибуты для хранения оценки за задание (Result) и

сообщения для вывода (Message).

Таблица 3.15 – Объекты LaboratoryFramesArrayItem


LaboratoryFramesArrayItem Ссылка на задание лабораторной работы. Включает

обязательные атрибуты, характеризующие возможность показа

142


оставшегося времени (ShowTime, значения "Yes", "No"), флаг

использования калькулятора (AllowedCalculator, значения

"Yes", "No") атрибут для служебного использования

(Laboratory), а также необязательные атрибуты, описывающие

временную единицу измерения (TimeScale, одно из значений:

"Day", "Hour", "Minute", "Second"), ограничение по времени

(TimeLimit), вид калькулятора (Calculator, доступные значения:

"LAdvanced", "LBaseConverter", "LTrigonometric").

Как было отмечено выше, вторая часть описания виртуальной лаборатории практикума

касается самих заданий (LaboratoryFrames). Под заданием виртуальной лабораторной работы

понимается материал, который выводится на экран и закрепляется за конкретным

обучающимся на время, установленное в сценарии лабораторной работы. В качестве ответа на

задание практикума обучающийся готовит отчет, который может быть автоматически проверен

системой. Сформированность умений и навыков обучающихся проверяется по результатам

выполнения лабораторной работы и подтверждается соответствующей оценкой. Задания

лабораторной работы (LaboratoryFrames) являются корневым объектом, который включает в

себя произвольное количество вложенных объектов FrameIndex. В свою очередь FrameIndex

(указатель на задание практической работы) содержит вложенный объект LaboratoryFrame.

Формат описания объектов FrameIndex и LaboratoryFrame представлен в таблице 3.16; формат

описания объектов ToolIndex, Data, LaboratoryTestsGroups, Attach, Comment, Generator – в

таблице 3.17; формат описания объектов LaboratoryTestsGroup, ByDefault, Algorithm – в таблице

3.18; формат описания объектов LaboratoryTest, LaboratoryTestInput, LaboratoryTestOutput, Text,

Code, Instructions – в таблице 3.19.

Таблица 3.16 – Объекты FrameIndex, LaboratoryFrame


FrameIndex Указатель на задание практической работы. Может содержать

вложенные объекты LaboratoryFrame. Включает обязательные

атрибуты, характеризующие идентификатор схемы (Scheme),

идентификатор задания (FrameID), атрибуты для служебного

использования (FrameType и IsKey).

LaboratoryFrame

Задание виртуальной лаборатории. Может содержать вложенные

объекты, описанные в таблице 3.17: ToolIndex, Data,

LaboratoryTestsGroups, Attach, Comment, Generator. Включает

обязательные атрибуты, характеризующие название лабораторной

работы (Name), возможность показа оставшегося времени (ShowTime,

значения "Yes", "No"), флаг использования калькулятора

(AllowedCalculator, значения "Yes", "No") атрибут для служебного

использования (Laboratory), а также необязательные атрибуты,

описывающие временную единицу измерения (TimeScale, одно из

значений: "Day", "Hour", "Minute", "Second"), ограничение по времени

143



"LAdvanced", "LBaseConverter", "LTrigonometric").

Таблица 3.17 – Объекты ToolIndex, Data, LaboratoryTestsGroups, Attach, Comment, Generator


ToolIndex Указатель на лабораторную установку. Включает обязательные


идентификатор лабораторной установки (ToolID), атрибуты для

служебного использования (ToolType и IsKey).

Data Текст задания лабораторной работы.

LaboratoryTestsGro

ups

Группа тест-наборов. Может содержать вложенные объекты

LaboratoryTestsGroup, описание которого приведено в таблице 3.18.

Включает обязательные атрибуты, характеризующие идентификатор

множества тест-наборов (LaboratoryTestsGroupsID), адрес сервера, где

располагается интерпретатор и обработчик результатов выполнения

задания (URL, доступ по протоколу RLCP, адрес задается в формате

"rlcp://[Логин:Пароль@]( IP-адрес | Доменное_имя):Порт",

ограничение длины RLCP-адреса – 255 символов), атрибут для

служебного использования (LaboratoryFrame), а также необязательные

атрибуты, описывающие временную единицу измерения (TimeScale,

одно из значений: "Day", "Hour", "Minute", "Second"), ограничение по

времени на тест-набор (LimitOnCollection), ограничение по времени на

отдельное задание (LimitOnTest), коэффициент сложности группы

тест-наборов (Weight).

Attach

Вложение для задания лабораторной работы. Включает обязательный

атрибут, характеризующий адрес размещения вложения на сервере

(SRC). Данный объект может быть как опущен, так и указан в виде

нескольких файлов или архивов.

Comment Комментарий к заданию

Generator Данные для предварительного генерирования варианта. Может

содержать вложенные объекты ByDefault, Algorithm, описанные в


Таблица 3.18 – Объекты LaboratoryTestsGroup, ByDefault, Algorithm


LaboratoryTestsGroup Тест-набор лабораторной работы. Может содержать вложенный

объект LaboratoryTest, описанный в таблице 3.19. Включает

обязательные атрибуты, характеризующие идентификатор тест-

набора (LaboratoryTestsGroupsID), адрес сервера, где располагается

интерпретатор и обработчик результатов выполнения задания

(URL, доступ по протоколу RLCP, адрес задается в формате

"rlcp://[Логин:Пароль@]( IP-адрес | Доменное_имя):Порт",

ограничение длины RLCP-адреса – 255 символов), атрибут для

служебного использования (LaboratoryTestsGroups), а также

необязательные атрибуты, описывающие количество проверяющих

кадров (Number), временную единицу измерения (TimeScale, одно

из значений: "Day", "Hour", "Minute", "Second"), ограничение по

времени на отдельное задание (LimitOnTest), коэффициент

144


сложности множества тест-наборов (Weight).

ByDefault

Базовый вариант, используемый при неудачной генерации варианта

задания. Может содержать вложенные объекты Text, Code,

Instructions, описанные в таблице 3.19.

Algorithm Инструкция для генерирования варианта задания.

Таблица 3.19 – Объекты Code, Instructions, Text, LaboratoryTestInput, LaboratoryTestOutput,

LaboratoryTest


LaboratoryTest Тестовые данные для проверки результата выполнения лаборатории.

Может содержать вложенные объекты LaboratoryTestInput и

LaboratoryTestOutput. Включает обязательные атрибуты,

характеризующие идентификатор тестового задания (TestID), адрес

сервера, где располагается интерпретатор и обработчик результатов

выполнения задания (URL, доступ по протоколу RLCP, адрес

задается в формате "rlcp://[Логин:Пароль@]( IP-адрес |

Доменное_имя):Порт", ограничение длины RLCP-адреса – 255

символов), атрибут для служебного использования

(LaboratoryTestsGroup), а также необязательные атрибуты,

описывающие временную единицу измерения (TimeScale, одно из

значений: "Day", "Hour", "Minute", "Second"), ограничение по

времени на отдельное задание (LimitOnTest), коэффициент

сложности множества тест-наборов (Weight).

LaboratoryTestInput Входные данные.

LaboratoryTestOutput Эталонные выходные данные.

Text Вариант по умолчанию.

Code Параметр для лабораторной установки.

Instructions Дополнительные инструкции для проверяющего сервера.

Третья часть описания виртуальной лаборатории касается виртуальных лабораторных

установок (LaboratoryTools), которые являются корневым объектом и имеют произвольное

количество вложенных объектов ToolIndex. В свою очередь объект ToolIndex является

указателем на лабораторную установку и содержит вложенный объект LaboratoryTool. Формат

описания объектов ToolIndex, LaboratoryTool, Attach представлен в таблице 3.20.

Таблица 3.20 – Объекты LaboratoryTool, Attach, ToolIndex


ToolIndex Указатель на лабораторную установку. Может содержать вложенный

объект LaboratoryTool. Включает обязательные атрибуты,


лабораторной установки (ToolID), атрибуты для служебного

использования (ToolType и IsKey).

LaboratoryTool

Виртуальная лабораторная установка. Может содержать вложенные

объекты Attach. Включает обязательные атрибуты, характеризующие

название установки (Name), имя класса или путь к запускаемому

145

файлу (Code), параметра отображения лабораторной установки

(ширина – Width и высота – Height), а также необязательные атрибуты,

описывающие путь к архиву с кодами лабораторной установки

(Archive), язык описания установки (Language).

Attach Вложение к лабораторной установке. Включает обязательный атрибут,

характеризующий адрес размещения вложения на сервере (SRC).

Электронный практикум представляет собой набор заданий, одно из которых

назначается случайным образом обучающемуся на выполнение за определенное время, не

требуя его мгновенной сдачи. Время, которое отводится на его выполнение, устанавливается в

сценарии практикума. Результатом выполнения практического задания является файл в заранее

известном формате или архив файлов, который прикрепляется в качестве ответа и отправляется

на проверку. Проверку правильности выполнения задания осуществляет преподаватель. При

этом, электронный практикум как элемент системы может быть использован при организации

различных видов учебной работы, в том числе, курсовых проектов или курсовых работ,

расчетно-графических работ или рефератов. Описание электронного практикума делится на две

части: первая – описывает сценарий практикума, вторая – описывает сами практические

задания. Сценарий определяет настройки практикума и содержит информацию о: временных

ограничениях на выполнение практикум; режиме работы; общем количестве заданий

практикума; повторной выдаче задания в случае неправильного результата; системе

оценивания. Также в сценарии указывается возможность использования калькулятора и его вид,

временной шкалы. Электронные практикумы (PracticalWorks) являются корневыми объектами,

которые включают в себя произвольное количество вложенных объектов ScriptIndex. В свою

очередь объект ScriptIndex является указателем на сценарий теста и содержит вложенный

объект PracticalWork.Формат описания объектов ScriptIndex, PracticalWork представлен в


Таблица 3.21 – Объекты ScriptIndex, PracticalWork


ScriptIndex Указатель на сценарий электронного практикума. Может содержать

вложенный объект PracticalWork. Включает обязательные атрибуты,


сценария практикума (ScriptID), атрибуты для служебного

использования (ScriptType и IsKey).

PracticalWork

Электронный практикум. Может содержать вложенные объекты

Description, PracticalWorkFramesArray, PracticalWorkRules, Comment,


характеризующие название лабораторной работы (Name), режим

выполнения лабораторной работы (Mode, значения "On" (онлайн) и

"Off", когда задание доступно и при выходе из электронной

информационно-образовательной среды), тип сценария (Type,

146


значения: группа – "Group", вариант – "Variant", восходящая

последовательность – "LevelUp", нисходящая последовательность –

"LevelDown"), временную единицу измерения (TimeScale, одно из

значений: "Day", "Hour", "Minute", "Second"), флаг демонстрации

оставшегося времени (ShowTime, значения "Yes" или "No"), флаг

разрешения использования калькулятора (AllowedCalculator, значения

"Yes" или "No"), поведение системы при неправильном ответе

(OnWrongResult, значения "Another", при котором обучающемуся

предлагается новый вариант, и "Same", когда вариант задания не

меняется, но обучающемуся становится доступен перечень замечаний

преподавателя), а также необязательные, описывающие ограничение

по времени (TimeLimit), вид калькулятора (Calculator, доступные

значения: "LAdvanced", "LBaseConverter", "LTrigonometric"), язык

описания практикума (Language).

Объект PracticalWork, который определяет настройки электронного практикума,

содержит вложенные объекты: Description – метаданные практической работы,

PracticalWorkFramesArray – набор заданий для практической работы, из которых обучающемуся

на основе псевдослучайного алгоритма предоставляется задание, PracticalWorkRules –

совокупность правил оценивания, Comment – комментарий. Формат описания объектов

Description, PracticalWorkFramesArray, PracticalWorkRules, Comment представлен в таблице

3.22; формат описания объектов FrameIndex, PracticalWorkRule представлен в таблице 3.23;

формат описания объектов PracticalWorkFramesArrayItem, PracticalWorkRule представлен в


Таблица 3.22 – Объекты Description, PracticalWorkFramesArray, PracticalWorkRules, Comment


Description Описание практической работы. Может содержать вложенные объекты

ISBN, Author, Title, Editor, PubPlace, Data, Date, Publisher, KeyWord,

описанные в таблице 3.1. Включает обязательный атрибут,

характеризующий название образовательной организации-

разработчика (University).

PracticalWorkFrame

sArray

Набор заданий для практической работы. Задание выбирается для

обучающегося случайным образом из набора. Может содержать

вложенные объекты FrameIndex, описанные в таблице 3.23.

PracticalWorkRules Множество правил оценивания. Может содержать вложенные объекты

PracticalWorkRule, описанные в таблице 3.23.

Comment Комментарий к электронному практикуму.

Таблица 3.23 – Объекты PracticalWorkRule, FrameIndex



вложенный объект PracticalWorkFramesArrayItem, описанный в

147


таблице 3.24. Включает обязательные атрибуты, характеризующие

идентификатор схемы (Scheme), идентификатор задания практической

работы (FrameID), атрибуты для служебного использования

(FrameType и IsKey).

PracticalWorkRule Множество правил оценивания. Может содержать вложенные объекты

PracticalWorkRule, описанные в таблице 3.24. Включает обязательные

атрибуты, характеризующие время выполнения задания, для которого

применяются правила (Time, по умолчанию "-1" – независимо от

времени), атрибут для служебного использования (PracticalWork).

Таблица 3.24 – Объекты PracticalWorkFramesArrayItem, PracticalWorkRule


PracticalWorkFrames

ArrayItem

Ссылка на задание. Включает обязательный атрибут,

характеризующий флаг демонстрации оставшегося времени

(ShowTime, значения "Yes" или "No"), флаг разрешения

использования калькулятора (AllowedCalculator, значения "Yes" или

"No"), атрибут для служебного использования (PracticalWork), а также

необязательные, описывающие ограничение по времени (TimeLimit),

вид калькулятора (Calculator, доступные значения: "LAdvanced",

"LBaseConverter", "LTrigonometric") и временную единицу измерения

(TimeScale, одно из значений: "Day", "Hour", "Minute", "Second").

PracticalWorkRule Правило оценивания практической работы. Включает обязательные

атрибуты, характеризующие процент выполнения задания (Percent, от

0 до 100), атрибут для служебного использования

(PracticalWorkRules), а также необязательные, описывающие

количество баллов, набранных за выполненную работу (Result) и

сообщение, выводимое на экран (Message).

Как было отмечено выше, вторая часть описания электронного практикума касается

самих заданий (PracticalWorkFrames). Под заданием электронного практикума понимается

материал, который выводится на экран с учетом дополнительно приложенных файлов и

закрепляется за конкретным обучающимся на время, установленное в сценарии практикума.

Обучающийся в качестве ответа на задание практикума формирует файл в заранее известном

формате или архив файлов, который затем прикрепляется к заданию и отправляется на ручную

проверку. Проверку правильности выполнения задания практикума осуществляет

преподаватель, который выставляет оценку за проделанную работу. Задания электронного

практикума (PracticalWorkFrames) являются корневым объектом, содержащим произвольное

количество вложенных объектов FrameIndex – указателей на задание практической работы и

содержащих вложенные объекты PracticalWorkFrame. Формат описания объектов FrameIndex и

PracticalWorkFrame представлен в таблице 3.25; формат описания объектов Data, Attach,

Comment – в таблице 3.26.

148

Таблица 3.25 – Объекты PracticalWorkFrame и FrameIndex



вложенный объект PracticalWorkFrame. Включает обязательные


идентификатор задания электронного практикума (FrameID), атрибуты

для служебного использования (FrameType и IsKey).

PracticalWorkFrame

Задание электронного практикума. Может содержать вложенные

объекты: Data, Attach, Comment, описанные в таблице 3.26. Включает

обязательные атрибуты, характеризующие название электронного

практикума (Name), тип файла с результатами выполнения

обучающимся задания (FileType), флаг демонстрации оставшегося

времени (ShowTime, значения "Yes" или "No"), флаг разрешения

использования калькулятора (AllowedCalculator, значения "Yes" или

"No"), а также необязательные, описывающие временную единицу

измерения (TimeScale, одно из значений: "Day", "Hour", "Minute",

"Second"), адрес файла задания (SRC), ограничение по времени


"LAdvanced", "LBaseConverter", "LTrigonometric"), язык страницы

(Language).

Таблица 3.26 – Объекты Data, Attach, Comment


Data Текст практического задания, включая ссылки на дополнительные

файлы-вложения, обязательные к отображению в задании.

Attach

Вложение к заданию электронного практикума. Включает

обязательный атрибут, характеризующий адрес вложения (SRC).

Допускается указание только одного вложение, которое может быть

представлено файлом или архивом.

Comment Комментарий к заданию электронного практикума.

3.6 Сценарии предъявления учебного материала

Одним из основных сценариев электронного курса для предъявления учебного материала

является электронный конспект – структурированная совокупность информационных страниц и

кадров. Содержание информационных страниц представляется в формате гипертекста. Они

могут включать интерактивные и мультимедиа элементы. Например, на странице конспекта

может быть размещен программный элемент, демонстрирующий результаты, основанные на

компьютерном моделировании некоторых физических процессов. В этом случае учащийся

получает возможность проведения виртуальных экспериментов путем изменения параметров

объекта и изучения полученных характеристик.

При формировании структуры конспекта используется принцип многоуровневости,

когда учебный материал структурируется на основе набора уровней или слоев изложения. При

149

многоуровневом представлении материала отдельная структурная единица конспекта может

включать несколько уровней изложения, что упрощает работу учащегося с материалом и делает

его более доступным.

Продуктивная работа с современным электронным конспектом в информационно-

образовательной среде требует наличие специального интерфейса, предоставляющего

возможность перехода между структурными единицами конспекта. Для этого конспект

включает панель навигации, интерфейс которой формируется системой автоматически

благодаря специальным образом построенному описанию структуры конспекта. Элементами

навигации являются оглавление конспекта, поле выбора уровня представления материала,

кнопки перехода между страницами. В конспекте поддерживается полнотекстовый поиск

информации, а также поиск по отдельным элементам, например, названиям или ключевым

словам. Важно отметить, что, работая с электронным конспектом студент может отмечать

фрагменты материала, оставлять заметки и примечания, удалять и добавлять материал,

адаптируя электронный конспект под свои нужды.

Входящие в состав конспекта кадры не формируют его базовую структуру, а

предназначены для информации вспомогательного или справочного характера. Переход к кадру

может осуществляться по ссылке, размещенной на странице конспекта, в списке, полученном в

результате процедуры поиска, или общего списка кадров конспекта. Если кадры в списке

имеют одинаковый статус, то они могут образовать глоссарий, словарь, справочник или

персоналии, основанные на принципе "ключевое слово – содержание". Информация,

размещаемая в кадре, как правило, имеет небольшой объем, однако если ограниченного объема

информации, который доступен в кадре, для разрабатываемого глоссария или справочника

недостаточно, и требуется разместить больший объем информации, то данный элемент может

быть сформирован на основе отдельного конспекта, видимого или скрытого. При этом,

скрытый конспект не показывается в структуре курса, а доступ к нему можно получить

исключительно по ссылкам, размещенным на страницах остальных конспектов. Реализация

обучающих сценариев в курсе может быть выполнена с использованием конспектов различных

типов.

Сценарий конспекта отражает информацию в целом о конспекте и содержит оглавление

страниц (Page) и кадров (Frame) с учетом используемых структурных единиц (Parts) и

вложенности объектов, которые связывают страницы и кадры конспекта, а также уровней

изложения (Levels). Описание электронного конспекта делится на три части: первая –

описывает структуру конспекта, вторая – описывает страницы конспекта, третья – кадры

конспекта. Контейнер TextBooks является корневым объектом, который включает в себя

произвольное количество вложенных объектов ScriptIndex. В свою очередь объект ScriptIndex

150

является указателем на сценарий конспекта и содержит вложенный объект TextBook. Формат

описания объектов ScriptIndex и TextBook представлен в таблице 3.27.

Таблица 3.27 – Объекты ScriptIndex, TextBook


ScriptIndex Указатель на сценарий электронного конспекта. Может содержать

вложенный объект TextBook. Включает обязательные атрибуты,


задания электронного конспекта (ScriptID), атрибуты для служебного


TextBook

Электронный конспект. Может содержать вложенные объекты:

Description, Structure, Content, Comment, FrameIndex, описанные в

таблице 3.28. Включает обязательный атрибут, характеризующий

название электронного конспекта (Name), и необязательный атрибут с

информацией о языке его описания (Language).

Объект TextBook, который определяет сценарий электронного конспекта, содержит вложенные

объекты: Description – метаданные электронного конспекта, Structure – структура конспекта,

Content – содержимое конспекта, FrameIndex – указатель на кадр конспекта, Comment –

комментарий. Формат описания объектов Description, Structure, Content, FrameIndex, Comment

представлен в таблице 3.28.

Таблица 3.28 – Объекты Description, Structure, Content, FrameIndex, Comment


Description Описание электронного конспекта. Может содержать вложенные

объекты Data, ISBN, Author, Title, Publisher, Date, KeyWord, Editor,

PubPlace, описанные в таблице 3.1. Включает обязательный атрибут,

характеризующий название образовательной организации-

разработчика (University).

Structure Структура конспекта. Может содержать вложенные объекты: Parts,

Levels, описанные в таблице 3.29.

Content Содержимое конспекта. Может содержать вложенный объект

TextBookUnit, описанный в таблице 3.29, который должен быть

представлен один или более раз.

FrameIndex Указатель на кадр электронного конспекта. Включает обязательные


идентификатор кадра электронного конспекта (FrameID), атрибуты для

служебного использования (FrameType и IsKey).

Comment Комментарий к электронному конспекту.

Объект Parts задает количество структурных единиц конспекта для организации

оглавления. Например, можно задать следующую структуру оглавления: "Глава", "Раздел",

"Подраздел", "Параграф" и т.д. В этом случае соответствующие модули со страницами

151

конспекта будут подчинены друг другу по заданной структуре. Объект Levels задает количество

уровней изложения учебного материала в конспекте. Например, можно задать уровни

"Основной текст", "Примеры", "Исключения". В таком случае за одним модулем в структуре

оглавления будет закреплено несколько страниц с различным наполнением и обучающийся

самостоятельно переключается между уровнями изложения в ходе работы с конспектом.

Формат описания объектов Parts, Levels, TextBookUnit представлен в таблице 3.29; формат

описания объектов TextBookPart, TextBookLevel, PageIndex представлен в таблице 3.30.

Таблица 3.29 – Объекты Parts, Levels, TextBookUnit


Parts Структурные единицы конспекта. Может содержать вложенный

объект TextBookPart, описанный в таблице 3.30, который должен быть

представлен один или более раз. Включает обязательный атрибут,

характеризующий количество структурных единиц (PartsNumber).

Levels Уровни изложения материалов в конспекте. Может содержать

вложенный объект TextBookLevel, описанный в таблице 3.30, который

должен быть представлен один или более раз. Включает обязательный

атрибут, характеризующий количество уровней (LevelsNumber).

TextBookUnit Модуль конспекта. Может содержать вложенные объекты

TextBookUnit (при сложной структуре), PageIndex, описанные в

таблице 3.30, которые должен быть представлен один или более раз.

Включает обязательные атрибуты, характеризующие название модуля

(Name), видимость (Visible), атрибуты для служебного использования

(TextBook и TextBookUnit), и необязательный атрибут, содержащий

иденификатор модуля (UnitID).

Таблица 3.30 – Объекты TextBookPart, TextBookLevel, PageIndex


TextBookPart Структурную единицу конспекта. Включает обязательные атрибуты,

характеризующие название структурной единицы (Name) и атрибут

для служебного использования (TextBook).

TextBookLevel Уровень изложения в конспекте. Включает обязательные атрибуты,

характеризующие название уровня (Name) и атрибут для служебного

использования (TextBook).

PageIndex Указатель на страницу конспекта. Включает обязательные атрибуты,


страницы электронного конспекта (PageID), атрибуты для служебного

использования (PageType и IsKey).

Каждая страница конспекта характеризуется уникальным идентификационным номером

(PageID), соответствующим уровню изложения материала. Один пункт оглавления логически

может включать несколько страниц, имеющих разный уровень. Элементы Attach,

содержащиеся в объектах, описывающих страницы конспекта, могут содержать ссылки на

дополнительные ресурсы и материалы, представленные в виде иллюстраций, анимаций,

152

видеороликов и т.д. Набор страниц электронного конспекта (TextBookPages) является корневым

объектом, который включает в себя произвольное количество вложенных объектов PageIndex. В

свою очередь объект PageIndex является указателем на страницу конспекта и содержит

вложенный объект TextBookPage. Формат описания объектов PageIndex и TextBookPage

представлен в таблице 3.31. Формат описания объектов KeyWord, Attach, Comment,

SCORMOptions представлен в таблице 3.32.

Таблица 3.31 – Объекты TextBookPage, PageIndex


PageIndex Указатель страницы электронного конспекта. Может содержать

вложенный объект TextBookPage. Включает обязательные атрибуты,


страницы электронного конспекта (PageID), атрибуты для служебного

использования (PageType и IsKey).

TextBookPage

Страница электронного конспекта. Может содержать вложенные

объекты: KeyWord, Attach, SCORMOptions, Comment, описанные в

таблице 3.32. Включает обязательные атрибуты, характеризующие

название страницы электронного конспекта (Name), уровень

изложения (Level), источник страницы (SRC, представляется

отдельным файлом), кодировка страницы (Encoding, по умолчанию –

"CP1251"), а также необязательный атрибут с информацией о языке

станицы (Language).

Таблица 3.32 – Объекты KeyWord, Attach, Comment, SCORMOptions


KeyWord Ключевое слово или словосочетание, характеризующее страницу

конспекта. Включает один обязательный и один необязательный

атрибуты, описывающие ключевое слово или словосочетание (Value,

длиной не более 50 символов) и язык ключевого слова (Language)

соответственно. Может быть указано несколько ключевых слов для

страницы электронного конспекта.

Attach

Вложение на странице электронного конспекта. Включает

обязательный атрибут, характеризующий адрес вложения (SRC).

Может быть указано несколько вложений.

Comment Комментарий к странице электронного конспекта.

SCORMOptions Вариант оформления страниц в виде SCORM-пакета. Объект не

является обязательным. Включает обязательные атрибуты,

характеризующие идентификатор структуры конспекта

(OrganizationIdentifier), идентификатор блока (ItemIdentifier),

идентификатор ресурса (ResourceIdentifier), идентификатор загрузки

(Launch), тип блока (ItemType), заголовок блока (ItemTitle), действия

по истечении времени попытки (TimeLimitAction), оценка,

характеризующая успещное прохождение (CompletionThreshold,

нормализована), атрибут для служебного использования

(TextBookPage), а также обязательные атрибуты со значениями

"Yes"/"No": флаг отображения элемента управления при переходе к

следующему блоку (ShowNext), флаг отображения элемента

153


управления при переходе к предыдущему блоку (ShowPrevious), флаг

отображения элемента управления выхода из блока (ChoiceExit), флаг

отображения элемента управления выхода из электронного конспекта

(ChoiceExitAll), флаг отображения элемента управления при отказе от

прохождения блока (ChoiceAbandon), флаг отображения элемента

управления при приостановке прохождения блока (ChoiceSuspend). К

необязательным атрибутам относятся: строковый параметр блока

(ParameterString), состояние удерживания (PersistState), флаг

требования инициализации переменных окружения для текущего

конспекта (DataFromLMS), минимальная удовлетворительная оценка

(MinNormalizedMeasure, нормализована), ограничение

продолжительности попытки (AttemptAbsoluteDurationLimit,

абсолютное значение).

Третья часть описания электронного конспекта касается его кадров. Под кадрами

электронного конспекта понимаются небольшие фрагменты, выводимые на экран в отдельном

окне. Кадры могут применяться для организации контекстно-зависимых сообщений:

разъяснений, определений, подсказок, иллюстраций. Каждый кадр конспекта имеет уникальный

номер (FrameID), указатель на который описывается в первой части – структуре конспекта.

Страница конспекта может включать несколько кадров. При этом кадры, содержащие

анимации, видеоролики, иллюстрации, или другие ресурсы, обязательно дополняются в

соответствующих элементах (Attach) необходимыми вложениями. Набор кадров электронного

конспекта (TextBookeFrames) является корневым объектом, который включает в себя

произвольное количество вложенных объектов FrameIndex. В свою очередь объект FrameIndex

является указателем на страницу конспекта и содержит вложенный объект TextBookFrame.

Формат описания объектов FrameIndex и TextBookFrame представлен в таблице 3.33; формат

описания объектов Data, KeyWord, Attach, Comment – в таблице 3.34.

Таблица 3.33 – Объекты FrameIndex, TextBookFrame


FrameIndex Указатель на кадр электронного конспекта. Может содержать

вложенный объект TextBookFrame. Включает обязательные атрибуты,


кадра электронного конспекта (FrameID), атрибуты для служебного

использования (FrameType и IsKey).

TextBookFrame

Кадр электронного конспекта. Может содержать вложенные объекты:

Data, KeyWord, Attach, Comment, описанные в таблице 3.34. Включает

обязательные атрибуты, характеризующие название кадра

электронного конспекта (Name), статус кадра (Status), а также

необязательный атрибут, описывающий язык кадра (Language).

154

Таблица 3.34 – Объекты KeyWord, Attach, Comment


Data Cодержимое кадра электронного конспекта.

KeyWord Ключевое слово или словосочетание для кадра электронного

конспекта. Включает один обязательный и один необязательный

атрибуты, описывающие ключевое слово или словосочетание (Value,

длиной не более 50 символов) и язык ключевого слова (Language)

соответственно. Может быть указано несколько ключевых слов для

кадра электронного конспекта.

Attach

Вложение к кадру электронного конспекта. Включает обязательный

атрибут, характеризующий адрес вложения (SRC). Может быть

указано несколько вложений.

Comment Комментарий к кадру электронного конспекта.

Информационный ресурс обеспечивает доступ к материалам, которые могут быть

представлены в виде файла или группы файлов, содержащих графические изображения, тексты

программ, электронные версии печатных изданий, описания баз данных, и т.д. Представляемая

информация не является структурированным и многослойным представлением теоретического

материала. Описание информационного ресурса содержит лишь одну часть, в которой

содержится ссылка на источник с указанием подробной информации о нем. Корневым

объектом является InfoResources – ресурсы. Имеет один или несколько вложенных объектов

ScriptIndex. В свою очередь объект ScriptIndex является указателем на информационный ресурс

и содержит вложенный объект InfoResource. Формат описания объектов ScriptIndex,

InfoResource представлен в таблице 3.35. Объект InfoResource отражает сведения об

информационном ресурсе и содержит вложенный объект Description – метаданные

информационного ресурса. Формат описания объекта Description и вложенных объектов ISBN,

DataEditor, PubPlace, Publisher, Author, Title, Date, KeyWord представлен в таблице 3.1.

Таблица 3.35 – Объекты ScriptIndex, InfoResource


ScriptIndex Указатель на сценарий информационного ресурса. Может содержать

вложенный объект TextBookFrame. Включает обязательные атрибуты,


информационного ресурса (ScriptID), атрибуты для служебного


InfoResource

Информационный ресурс. Может содержать вложенные объекты

Description, описанные в таблице 3.1. Включает обязательные

атрибуты, характеризующие название информационного ресурса

(Name), источник ресурса (SRC), а также необязательный атрибут,

описывающий язык ресурса (Language).

155

3.7 Диалоговые формы

Диалоговые формы в автоматизированной системе управления процессом электронного

обучения служат для организации взаимодействия с обучающимся и определяют способ

построения ответа, формат отображения и местоположение информации, инструкций, заданий

и элементов интерфейса. В области педагогических измерений выделяют, как правило, четыре

основных формы заданий [1], [13], [46], [59], [97], [110], [120]: закрытую (выбор

одного/нескольких ответов из набора), открытую (собственная формулировка ответа), вопросы

на установление соответствия между двумя группами объектов и правильной

последовательности фактов, терминов событий и т.д.

Применение на практике такого набора форм зачастую оказывается недостаточным для

организации обучающих диалогов, особенно когда идет речь о взаимодействии обучающегося с

электронной информационно-образовательной средой. Формирование адаптивного диалога

подразумевает [75], [76], [77], [104]:

1) выбор формы диалога;

2) указание содержания задания и инструкции по его выполнению;

3) определение и инициализацию переменных;

4) организацию обратной связи в задании;

5) программирование обработки результатов выполнения задания;

6) анализ данных о функциональном состоянии учащегося до, во время и после

выполнения задания;

7) оценивание результатов выполнения задания.

Для создания диалоговых форм используются кадры, которые определяют форму

представления информации на экране, схему взаимодействия с обучающимся, правила

обработки ответа и реакцию системы. Для построения ответа в диалоговых формах

применяются следующие элементы графического интерфейса пользователя:

1) поле ввода – ввод ответа в виде целого числа, вещественного числа, строки;

2) слайдер – указание позиции на шкале;

3) переключатель – выделение одного элемента множества;

4) флажок – выделение одного или нескольких элементов множества;

5) список – выбор одного элемента множества;

6) указатель – выделение пикселя на изображении;

7) область – выделение одного или нескольких объектов;

8) спрайт – копирование или перемещение объектов.

156

В качестве ответа в диалоговых формах могут выступать:

1) элемент множества,

2) подмножество,

3) сегмент,

4) кортеж,

5) отношение,

6) цепочка.

Все возможные виды множеств и предикатов правильных ответов в диалоговых формах

приведены в таблице 3.36, где 𝑋𝑟 и 𝑋 – непустые множества правильных ответов и ответов

обучающегося; 𝑥𝑟, 𝑥1𝑟, 𝑥2

𝑟, … , , 𝑥𝑚𝑟 – правильные ответы; 𝑥, 𝑥1, 𝑥2, … , 𝑥𝑚 – ответы

обучающегося; 𝑀, 𝑀1, 𝑀2, … , 𝑀𝑚 – конечные непустые множества вариантов ответов; 𝐴 и 𝐵 –

произвольные конечные непустые множества; Σ+ – множество всех непустых цепочек (слов) в

алфавите Σ. Во всех тестовых заданиях множество правильных ответов является конечным,

поэтому проблема проверки ответа обучающегося всегда алгоритмически разрешима.

Таблица 3.36 – Виды множеств правильных ответов в диалоговых формах

№ Название ответа Множество правильных

ответов

Предикат правильного

ответа

1 Элемент множества 𝑋𝑟 = {𝑥𝑟} ⊂ 𝑀,

|𝑀| ∈ ℕ

𝑥 = 𝑥𝑟

2 Подмножество 𝑋𝑟 ⊂ 𝑀, |𝑀| ∈ ℕ 𝑋 ⊆ 𝑋𝑟

3 Сегмент 𝑋𝑟 = {𝑥𝑟 ∈ 𝑀:

𝑎 ≤ 𝑥𝑟 ≤ 𝑏},

𝑎 ∈ 𝑀, 𝑏 ∈ 𝑀,

|𝑀| ∈ ℕ

𝑥 ∈ 𝑋𝑟

4 Кортеж 𝑋𝑟 =

{(𝑥1𝑟 , 𝑥2

𝑟 , … , 𝑥𝑚𝑟 )} ⊂

𝑀1 ×𝑀2 × …×𝑀𝑚,

|𝑀𝑖| ∈ ℕ,

𝑖 = 1,2, … ,𝑚

𝑥1 = 𝑥1𝑟 ,

𝑥2 = 𝑥2𝑟 ,

…

𝑥𝑚 = 𝑥𝑚𝑟

5 Отношение 𝑋𝑟 ⊂ 𝐴 × 𝐵,

|𝐴| ∈ ℕ, |𝐵| ∈ ℕ

𝑋 ⊆ 𝑋𝑟

6 Цепочка 𝑋𝑟 ⊂ Σ+, |𝑋𝑟| ∈ ℕ 𝑥 ∈ 𝑋𝑟

157

Кадры, которые применяются для диалоговых форм, в зависимости от формы

представления информации на экране, схемы построения ответа и множества правильных

ответов можно разделить на следующие типы:

1) Информационный кадр (Inform). Содержит информацию для изучения и не требует

никакой реакции обучающегося, кроме перехода к следующему кадру.

2) Задание закрытой формы (Close) с выбором одного или нескольких вариантов из

предложенного набора. Для выбора вариантов ответа используется переключатель или

флажок. В качестве правильного ответа может выступать элемент 𝑥𝑟 или подмножество

𝑋𝑟 заданного конечного непустого множества M.

3) Задание открытой формы (Open). Обучающийся указывает ответ в поле ввода. В

качестве правильного ответа может выступать заданное целое число 𝑥𝑟 ∈ ℤ,

вещественное число из заданного сегмента {𝑥𝑟 ∈ ℝ: 𝑎 ≤ 𝑥𝑟 ≤ 𝑏}, 𝑎 ∈ ℝ, 𝑏 ∈ ℝ или

цепочка символов, принадлежащая заданному конечному непустому множеству 𝑋𝑟 ⊂

Σ+. Для исключения ошибок ввода этот тип кадров позволяет использовать шаблон

ответа.

4) Задание на установление соответствия (Conformity). Используя поля ввода,

обучающийся восстанавливает функциональное соответствие между элементами двух

конечных непустых множеств 𝑋𝑟: 𝐴 → 𝐵, |𝐴| ∈ ℕ, |𝐵| ∈ ℕ.

5) Задание на установление правильной последовательности (Sequence). Используя поля

ввода, обучающийся упорядочивает элементы конечного множества, или, что

эквивалентно, восстанавливает отношение строгого полного порядка 𝑋𝑟: {1, … ,𝑚} →

𝑀, |𝑀| = 𝑚.

6) Задание на установление позиции на шкале (SliderCtrlClose). Используя слайдер,

обучающийся указывает позицию на шкале, что эквивалентно выбору элемента

заданного точечного дискретного множества 𝑀 = {𝑎𝑖 = 𝑎1 + (𝑖 − 1)ℎ, 𝑖 = 1,… , ℎ,

𝑎1, ℎ ∈ ℝ}.

7) Задание на установление соответствия с помощью взаимодействия с графическими

объектами (MouseCtrlConformity). Используя манипулятор "мышь", обучающийся

восстанавливает бинарное отношение на заданном конечном непустом множестве

𝑋𝑟 ⊆ 𝑀2, |𝑀| ∈ ℕ.

8) Задание на установление последовательности с помощью взаимодействия с

графическими объектами (MouseCtrlSequence). Используя манипулятор "мышь",

обучающийся упорядочивает элементы подмножества конечного множества, или, что

эквивалентно, восстанавливает отношение строгого частичного порядка 𝑋𝑟: {1, … , 𝑛} →

𝑀, |𝑀| = 𝑚, 𝑛 ≤ 𝑚.

158

9) Задание на установление соответствия путем заполнения таблицы (MatrixConformity).

Используя переключатели или флажки, расположенные в ячейках таблицы,

обучающийся восстанавливает отношение между элементами двух конечных непустых

множеств 𝑋𝑟 ⊂ 𝐴 × 𝐵, |𝐴| ∈ ℕ, |𝐵| ∈ ℕ.

10) Бланковое задание на основе текста (TextBlank). Используя списки, поля ввода, спрайты,

обучающийся дополняет текст или, используя активные области, выделяет фрагменты

текста, удовлетворяющие заданному критерию, или, что эквивалентно, восстанавливает

кортеж 𝑋𝑟 = {(𝑥1𝑟 , 𝑥2

𝑟 , … , 𝑥𝑚𝑟 )} ⊂ 𝑀1 ×𝑀2 × …×𝑀𝑚, |𝑀𝑖| ∈ ℕ, i = 1, … ,𝑚.

11) Бланковое задание на основе изображения (GraphicBlank). Используя списки, поля

ввода, спрайты, обучающийся дополняет изображение или, используя активные области,

выделяет фрагменты изображения, удовлетворяющие заданному критерию, или, что

эквивалентно, восстанавливает кортеж 𝑋𝑟 = {(𝑥1𝑟 , 𝑥2

𝑟 , … , 𝑥𝑚𝑟 )} ⊂ 𝑀1 ×𝑀2 × …×

𝑀𝑚, |𝑀𝑖| ∈ ℕ, i = 1, … ,𝑚.

12) Графическое задание на построение маршрута (GraphicMap). Используя указатель,

обучающийся на заданном изображении восстанавливает либо конечное непустое

подмножество 𝑋𝑟 ⊂ ℝ2 точек изображения, либо отношение строгого частичного

порядка 𝑋𝑟: {1, … , 𝑛} → ℝ2 между заданными точками изображения.

13) Графическое задание на установление связей (GraphicLinks). Используя указатель,

обучающийся на заданном изображении восстанавливает отношение 𝑋𝑟 ⊂ ℝ2 × ℝ2

между заданными точками плоскости.

14) Задание на моделирование процессов и систем (LaboratoryInclude). Используя

визуальную среду лаборатории, обучающийся строит выражения в заданной формальной

системе.

15) Задание на выполнение практической работы (PracticalWorkInclude). Обучающийся

выполняет практическую работу, готовит отчет и прикладывает его в качестве ответа.

16) Комбинированное задание (Combined). Задание, которое может состоять из нескольких

кадров разного типа.

TestsFrames представляет собой контейнер и является корневым объектом, который

содержит любое число вложенных объектов FrameIndex. Объект FrameIndex, в то же время,

служит указателем для кадра и содержит вложенный объект TestFrame. Таблица 3.37 описывает

формат объектов FrameIndex и TestFrame.

159

Таблица 3.37 – Объекты FrameIndex, TestFrame


FrameIndex Указатель на тест-кадр. Включает вложенный объект TestFrame.

Объект содержит обязательные атрибуты, описывающие

идентификатор тест-кадра (FrameID) и идентификатор схемы

(Scheme),а также атрибуты для служебного использования FrameType и

IsKey.

TestFrame

Тест-кадр. Содержит вложенные объекты, описанные в таблице 3.38:

TestFrameVariables, Comment, Attach, TestResponseProcessing, Data или

ComplexData (при этом, объект ComplexData может включать

один/несколько вложенных объектов InlineData, а объект InlineData

могут содержать вложенные объекты Control и/или Data) (таблица

3.38). Объект TestFrame должен включать объект описания типа кадра,

представленный в таблице 3.39 и выбираемый из следующего списка:

SliderCtrlClose, GraphicMap, GraphicLinks, MouseCtrlSequence,

MouseCtrlConformity, TextBlank, GraphicBlank, LaboratoryInclude,

PracticalWorkInclude, MatrixConformity, Combined, Close, Open,

Sequence, Inform, Conformity. Объект содержит обязательные атрибуты,

описывающие название кадра (Name), коэффициент сложности теста

(Weight, от 1 до 9, по умолчанию "1"), шкалу (Scale), временную

единицу измерения (TimeScale, одно из значений: "Day", "Hour",

"Minute", "Second"), язык тест-кадра (Language, по умолчанию – "ru").

К необязательным атрибутам объекта относятся атрибуты, содержащие

значения дополнительного веса за "честность" (HonestyWeight) и

ограничения по времени на отдельный тест-кадр (LimitOnTest, единица

измерения – TimeScale), сообщение при неправильном ответе

(OnWrongAnswer), сообщение при правильном ответе (OnRightAnswer),

сообщение в случае неполного ответа (OnNotCompleteAnswer), номер

кадра с подсказкой (OnHelp, кадр с подсказкой обязательно должен

находится внутри той же схемы, что и кадр, от которого подсказка

вызывается), сцепленный кадр, к которому переходит обучающийся

при неправильном ответе (NextWrong), сцепленный кадр, к которому

переходит обучающийся при правильном ответе (NextRight),

сцепленный кадр, к которому переходит обучающийся при неполном

ответе (NextNotComplete), вид калькулятора (Calculator, доступные

значения: "LAdvanced", "LBaseConverter", "LTrigonometric"). Также

присутствуют обязательные атрибуты со значениями "Yes"/"No",

характеризующие возможность вывода сообщения при неверном ответе

(AllowedOnWrongAnswer), возможность вывода сообщения при верном

ответе (AllowedOnRightAnswer), возможность вывода сообщения при

неполном ответе (AllowedOnNotCompleteAnswer), возможность вывода

подсказки (AllowedOnHelp), возможность перехода к сцепленному

кадру при неверном ответе (AllowedNextWrong), возможность перехода

к сцепленному кадру при верном ответе (AllowedNextRight),

возможность перехода к сцепленному кадру при неполном ответе


кадров (ChainedTests), возможность показа оставшегося времени


процесса аттестации (ShowStatistics), возможность применения

160


серверных команд при выдаче кадра (ServerSideIncludes), возможность

пропуска тест-кадра обучающимся в процессе прохождения аттестации

(TestSkip), возможность применения калькулятора (AllowedCalculator).

Описание заданий включает три части. Сначала определяются переменные кадра

(TestFrameVariables), которые используются при управлении возможностью отображения

фрагмента данных, обработки результатов испытания, а также применяются для указания

возможных значений переменных кадров в различных шаблонах заданий. В таблице 3.38

содержит описание объектов TestFrameVariables, Data, ComplexData, InlineData, Attach,

TestResponseProcessing, Control и Comment. Объект TestFrameVariables содержит переменные

кадра, а также объект, отражающий тип переменной: Single – простая и Multiple – составная,

описание которых приведено в таблице 3.40.

Вторая часть описания кадра включает указание типа тестового задания и определяет его

содержание. Содержание может быть разделено на логические фрагменты, основываясь на

отдельном выбранного типа задания, позволяя тем самым управлять возможностью

отображения каждого отдельного фрагмента. При этом, часть фрагментов может отображаться

исключительно при повторном предъявлении вопроса. Для каждого кадра задается предельное

время его выполнения; реакция системы (в виде сообщений) на неполный, верный и неверный

ответы; флаг запрета/разрешения демонстрации сообщений, использования сцепленных кадров,

возможности обучающемуся пропустить задания. Значения настроек кадра становятся важнее

общих настроек, заданных в сценарии теста. Таблица 3.39 содержит формат описания

следующих объектов, которые могут быть включены в объект TestFrame: Close, Open,

Conformity, Inform, SliderCtrlClose, Sequence, MouseCtrlSequence, MouseCtrlConformity,

MatrixConformity, GraphicLinks, GraphicBlank, PracticalWorkInclude, GraphicMap,

LaboratoryInclude, TextBlank, Combined. Таблица 3.40 содержит описание объекта переменной

TestFrameVariable и объектов ее типов Single, Multiple. Одиночная переменная типа Single

(простого типа) может быть представлена в виде числа или строки. Переменная типа Multiple

(составная переменная) задается как массив или запись. Также можно задать внутренние

переменные, характеризующие значение текущего ответа (Response), время работы с кадром

(Time); число обращений к кадру (TryNumber). Можно также определить неограниченное

количество дополнительных переменных, например, идентификатор последнего ответа

(LastAnswer), общее время, затраченное на выполнение кадра (TotalTime), остаток (Remainder),

текущая дата (CurrentDate), выбранный язык (Language).

161

Таблица 3.38 – Объекты, относящиеся к переменным кадра


TestFrameVariables Объект TestFrameVariables содержит вложенные объекты переменных

кадра (таблица 3.40).

Attach

Объект Attach представляет собой вложение к кадру, не включает

дополнительных объектов. Содержит атрибут, описывающий адрес

вложения (SRC).

TestResponseProcessing Объект TestResponseProcessing описывает условия обработки

результатов теста и включает объекты TestResponseInit,

TestResponseCondition, TestResponseOutcome, описание которых

приведено в таблице 3.41.

Comment Объект Comment представляет собой комментарий в виде символьных

данных.

Data Объект Data описывает данные кадра и содержит символьную

информацию.

ComplexData Объект ComplexData включает в себя вложенные объекты InlineData.

InlineData Объект InlineData определяет некоторый фрагмент данных и включает

объекты Data и Control. InlineData содержит атрибут, описывающий

идентификатор вложенных данных (InlineDataID).

Control Объект Control описывает возможность управления отображением

фрагмента данных. Включает три обязательных атрибута, содержащих

идентификатор проверяемой переменной (VariableID), верное значение

переменной для проверки (Value), разрешение скрытия фрагмента

данных при успешном результате проверки (ShowHide, значения:

"Show", "Hide").

Таблица 3.39 – Объекты, характеризующие типы кадров


Close Вопрос закрытого типа. Может содержать вложенные объекты Variant,


описывающие минимум и максимум количества вариантов (MinChoices и

MaxChoices, по умолчанию – "-1"), возможно ли перемешивание

вариантов ответа (RandomSequence, значения "Yes" или "No"), а также

атрибут для служебного использования (FrameType).

Open

Вопрос открытого типа. Может иметь вложенные объекты,

характеризующие тип ответа, представленные в таблице 3.42.

Conformity Вопрос на установление соответствия. Может содержать вложенные

объекты TestQuestions, TestAnswers или ConformityRelations, описание

которых приведено в таблице 3.43. Включает обязательные атрибуты,

описывающие минимум и максимум выбираемых вариантов (MinChoices

162


и MaxChoices соответственно, по умолчанию – "-1"), возможно ли

перемешивание вариантов ответа (RandomSequence, значения "Yes" или

"No"), а также атрибут для служебного использования (FrameType).

Sequence Вопрос на установление правильной последовательности. Может

содержать вложенные объекты SequenceItem, описание которых

приведено в таблице 3.43. Включает обязательные атрибуты,




"No"), а также атрибут для служебного использования (FrameType).

Inform Информационный кадр. Содержит атрибут для служебного

использования (FrameType).

SliderCtrlClose Вопрос закрытого типа с числовым ответом. Включает обязательные

атрибуты со значением верного ответа (Value), минимальным и

максимальным значением (Min и Max соответственно), шагом изменения

числа слайдера (Step), атрибут для служебного использования

(FrameType), а также необязательные атрибуты, содержащие базовое

значение (Default).

MouseCtrlSequence Вопрос на установление последовательности с помощью работы с

графикой. Может содержать вложенные объекты SequenceItem, описание

которых приведено в таблице 3.43. Включает обязательные атрибуты,




"No"), начальный порядок ответов (SequenceItemPosition, принимаемые

значения: "Top" (готовая последовательность), "Bottom" (корзина с

дальнейшей сортировкой)).

MouseCtrlConformity Вопрос установления соответствия с помощью работы с графикой.

Может содержать вложенные объекты ConformityRelations и

ConformityItems, описание которых приведено в таблицах 3.43 и 3.44

соответственно. Включает обязательные атрибуты, описывающие

минимум и максимум выбираемых вариантов (MinChoices и MaxChoices

соответственно, по умолчанию – "-1"), возможно ли перемешивание

вариантов ответа (RandomSequence, значения "Yes" или "No"), а также

атрибут для служебного использования (FrameType).

MatrixConformity Вопрос установления соответствия матричного типа. Может содержать

вложенные объекты ConformityRelations, ConformityRows и

ConformityItems, описание которых приведено в таблицах 3.43 и 3.44

соответственно. Содержит атрибут для служебного использования

(FrameType).

GraphicMap Вопрос графического типа. Может содержать вложенные объекты,

описанные в таблице 3.45: MapOption, Point, GraphicObject. Включает

обязательные атрибуты, описывающие минимум и максимум

выбираемых вариантов (MinChoices и MaxChoices соответственно, по

163


умолчанию – "-1"), а также атрибут для служебного использования

(FrameType).

GraphicLinks Вопрос на установление связей для графического типа. Может содержать

вложенные объекты, описанные в таблице 3.45: LinkItems, Point,

GraphicObject. Включает обязательные атрибуты, описывающие


соответственно, по умолчанию – "-1"), а также атрибут для служебного


TextBlank Открытый текстовый вопрос. Может содержать вложенные объекты,

описанные в таблице 3.46: Heap (один), Segment (один или несколько).

Включает обязательные атрибуты, описывающие минимум и максимум

выбираемых вариантов (MinChoices и MaxChoices соответственно, по

умолчанию – "-1"), а также атрибут для служебного использования

(FrameType).

GraphicBlank Открытый вопрос графического типа. Может содержать вложенные

объекты GraphicObject и Field, описанные в таблицах 3.45 и 3.46

соответственно. Включает обязательные атрибуты, описывающие


соответственно, по умолчанию – "-1"), а также атрибут для служебного


LaboratoryInclude Включение кадра виртуальной лаборатории. Включает атрибут для

служебного использования (FrameType). Обязательным условием

является назначение тест-кадру номера, идентичного номеру кадра

виртуальной лаборатории.

PracticalWorkInclude Включение кадра практической работы. Включает атрибут для

служебного использования (FrameType). Обязательным условием

является назначение тест-кадру номера, идентичного номеру кадра

практической работы.

Combined Комбинированный кадр. Может содержать вложенные объекты

TestFrameInclude, описанные в таблице 3.46. Включает атрибут для

служебного использования (FrameType).

Таблица 3.40 – Объекты, характеризующие переменную тест-кадра


TestFrameVariable Переменная кадра. Может содержать вложенные объекты Comment

(необязательный), один из объектов Multiple или Single. Включает

обязательные атрибуты, описывающие идентификатор переменной

(TestFrameVariableID), ее логическое имя (VariableID), описание (Name),

и два атрибута для служебного использования (TestFrameVariable и

TestFrame).

Single Простая переменная. Включает обязательные атрибуты, описывающие

164


значение переменной (Value) и тип переменной (Type, возможные

значения: "Number", "String").

Multiple Составная переменная. Может содержать вложенные объекты

TestFrameVariable. Включает обязательный атрибут, описывающий тип

переменной (Type, возможные значения – массив и запись – "Array" и

"Record" соответственно).

В процессе обучения необходимо сформировать обратную связь для взаимодействия с

обучающимся, что отражено в объекте, характеризующем процесс обработки результатов

тестирования по кадрам (TestResponseProcessing). Этот элемент позволяет осуществлять

обработку и анализ значений переменных в соответствии с условиями, обозначенными автором,

и может включать любое количество объектов TestResponseInit, представляющих возможность

инициализации переменных перед проверкой результата выполнения тест-кадра. Объект

TestResponseProcessing содержит вложенный в него объект TestResponseCondition, в котором

указывается перечень условий, выполняющихся при успешном прохождении всех сравнений,

указанных TestResponseMatch. В свою очередь, объект TestResponseCondition может включать

любое количество вложенных объектов, описывающих команды передачи реакции

обучающегося на сервер (TestResponseCommand), сравнение переменной с эталонным

значением (TestResponseMatch), смену значения переменной при выходе после завершения

выполнения кадра (TestResponseOutcome). Формат описания объектов TestResponseInit,

TestResponseCondition, TestResponseCommand, TestResponseMatch, PatternCheck, Value, Min и

Max, Min, Max, TestResponseOutcome представлен в таблице 3.41.

Таблица 3.41 – Объекты TestResponseInit, TestResponseCondition, TestResponseOutcome


TestResponseInit Инициализация переменной. Включает обязательные атрибуты,

характеризующие идентификатор инициализации переменной (InitID),

логическое имя переменной (VariableID) и присваиваемое ей значение

(Value).

TestResponseCondition

Характеризует условие ответа. Может содержать вложенные объекты

TestResponseMatch, TestResponseOutcome и TestResponseCommand.

Включает обязательные атрибуты, представляющие идентификатор

условия (TestResponseConditionID), в какое время действует набор

правил (Time, по умолчанию – "-1", без влияния на время), временная

единица измерения (TimeScale, доступные значения: "Day", "Hour",

"Minute", "Second"), количество попыток (TryNumber), следующий

тест-кадр (NextTestFrame), сообщение (Message) и атрибут выхода

165


(Output).

TestResponseCommand Характеризует команду, запускающую процесс передачи реакции

пользователя для обработки системным сервером. Включает

обязательный атрибут, представляющий идентификатор команды

(CommandID), который может принимать значения: "Exam" (в режиме

аттестации включение проверки кадра на проверяющем сервере),

"Check", "TimeOut" (флаг окончания времени), переходы к

предыдущему ил следующему кадру ("Forward", "Backward"), "Skip"

(возможность пропустить кадр), "Refuse" (нажатие кнопки "Нет

ответа"), "Help".

TestResponseMatch Сравнение переменной. Может содержать вложенные объекты

PatternCheck, или сочетания Value и Error, Min и Max, или же объекты

Min и Max по отдельности. Включает обязательные атрибуты,

описывающие логическое имя переменной (VariableID), действия при

определенном результате проверке (IsTrue, значения "Yes" или "No").

PatternCheck Сравнение с использованием шаблона. Включает обязательный

атрибут, описывающий шаблон (Pattern), а также необязательный

атрибут со знаками-разделителями (OrdinaryChars).

Value Сравнение значения

Error Характеризует ошибку

Min Характеризует минимальное значение

Max Характеризует максимальное значение

TestResponseOutcome Установка значения переменной при выполненном условии по

окончании работы с тест-кадром. Включает обязательные атрибуты,

описывающие идентификатор (OutcomeID), логическое имя

(VariableID) и значение для присвоения (Value).

Задание закрытого типа (Close) может включать один или более объектов Variant.

Задания открытого типа (Open) может включать один из объектов, характеризующих тип

принимаемого значения: целое число (Integer), число с плавающей точкой (Float), строка

(String). Формат описания этих объектов представлен в таблице 3.42.

Вопрос на установление соответствия (Conformity) включает объекты, характеризующие

перечень вопросов (TestQuestions), где каждый вопрос описан в объекте (TestQuestion),

множество ответов (TestAnswers) с вложенными объектами TestAnswerConformity,

необязательный к включению объект Relations (необязательный), характеризующий множество

связей вопросов и ответов и включающий объекты TestRelation. Таблица 3.43 содержит

описание объекта Sequence, характеризующего вопрос на установление правильной

последовательности, и объект MouseCtrlSequence, относящегося к вопросу на установление

166

последовательности, основываясь на взаимодействии с графическим объектом. Данные объекты

могут включать вложенные объекты SequenceItem, характеризующие элементы

последовательности. Помимо указанных объектов, таблица 3.43 содержит информацию о

формате объектов тестовых вопросов.

Описание задания на установление соответствия при взаимодействии с графическими

объектами содержится в объекте MouseCtrlConformity, включающем объекты,

характеризующие множество объектов для определения соответствия (ConformityItems),

множество соответствий указанных объектов (ConformityRelations). В свою очередь объект

ConformityItems содержит один или несколько вложенных объектов ConformityItem, а объект

ConformityRelations – один или несколько объектов TestRelation (таблица 3.43).

Таблица 3.42 – Объекты Variant, Integer, Float, String


Variant Вариант ответа. Может содержать вложенные объекты в числе

необязательных объектов Control и Attach (любое количество) и

обязательного ComplexData, описанные в таблице 3.38. Включает

обязательные атрибуты, описывающие идентификатор варианта

(VariantID), флаг фиксации расположения варианта ответа (Fixed,

значения "Yes" или "No"), является ли данный вариант ответа

правильным (Value, значения "Wrong" или "Right").

Integer

Целочисленный ответ. Включает обязательный атрибут, описывающий

значение ответа (Value), необязательные атрибуты, описывающие базовое

значение (Default), длину ответа (ExpectedLength), формат ответа

(Format), а также атрибут для служебного использования (FrameType).

Float Ответ, представленный числом с плавающей запятой. Включает

обязательный атрибут, описывающий значение ответа (Value),

необязательные атрибуты, описывающие базовое значение (Default),

длину ответа (ExpectedLength), формат ответа (Format), а также атрибут

для служебного использования (FrameType) и атрибут, содержащий

значение допустимой ошибки (Error).

String Строковый ответ. Включает обязательные атрибуты, описывающие

значение ответа (Value), флаг необходимости проверки регистра для

введенных символов (MatchCase, значения "Yes" или "No"),


длину ответа (ExpectedLength), формат ответа (Format), перечень знаков-

разделителей (OrdinaryChars), а также атрибут для служебного


167

Таблица 3.43 – Объекты TestQuestions, TestQuestion, TestAnswers, TestAnswer,

ConformityRelations, TestRelation, SequenceItem


TestQuestions Совокупность вопросов. Может содержать вложенные объекты

TestQuestion.

TestQuestion Вопрос теста. Может содержать вложенные объекты в числе


обязательного Data или ComplexData, описанные в таблице 3.38.

Включает обязательные атрибуты, описывающие идентификатор вопроса

(TestQuestionID) и флаг фиксации расположения варианта ответа (Fixed,

значения "Yes" или "No").

TestAnswers

Совокупность ответов. Может содержать вложенные объекты TestAnswer.

TestAnswer Ответ. Может содержать вложенные объекты в числе необязательных

объектов Control и Attach (любое количество) и обязательного Data или

ComplexData, описанные в таблице 3.38. Включает обязательные

атрибуты, описывающие идентификатор ответа (TestAnswerID) и флаг

фиксации расположения варианта ответа (Fixed, значения "Yes" или

"No").

ConformityRelations Характеризует множество связей между вопросами и ответами. Может

содержать вложенные объекты TestRelation.

TestRelation Характеризует связь между вопросом и ответом. Включает обязательные

атрибуты, описывающие идентификаторы вопроса и ответа

(RelationTestQuestion и RelationTestAnswer соответственно).

SequenceItem Характеризует элемент последовательности. Данный объект может

включать необязательные объекты Control и Attach и обязательный

объект Data или ComplexData, описание которых приведено в таблице

3.38. Содержит обязательные атрибуты, характеризующие идентификатор

элемента (SequenceItemID) и флаг фиксации местоположения элемента

(Fixed, значения "Yes" или "No").

Вопрос матричного типа на установление соответствия описывается объектом

MatrixConformity и содержит вложенные объекты, характеризующие множество элементов

строк таблицы (ConformityRows), множество элементов столбцов таблицы

(ConformityColumns), множество соответствий (ConformityRelations). В свою очередь объект

ConformityRows содержит один или несколько вложенных объектов ConformityRow, объект

ConformityColumns – один или несколько объектов ConformityColumn, а объект

ConformityRelations – один или несколько объектов TestRelation (таблица 3.43). Формат

168

описания объектов ConformityItems, ConformityItem, ConformityRows, ConformityRow,

ConformityColumns, ConformityColumn представлен в таблице 3.44.

Таблица 3.44 – Объекты ConformityItems, ConformityItem, ConformityRows, ConformityRow,

ConformityColumns, ConformityColumn


ConformityItems Множество объектов для построения связей. Может содержать

вложенные объекты ConformityItem.

ConformityItem Объект для создания связи. Может содержать вложенные объекты в числе



Включает обязательные атрибуты, описывающие идентификатор

элемента (ConformityItemID), флаг фиксации расположения элемента

(Fixed, значения "Yes" или "No"), исходное положение элемента

(ConformityItemPosition, значения "Left", "Right" или "Bottom"),

производимое действие в случае воздействия компьютерной мышью на

него (OnMouseAction, значения "Move", "Copy", "Fixed").

ConformityRows

Множество элементов в строках таблицы. Может содержать вложенные

объекты ConformityRow. Включает обязательные атрибуты,


и MaxChoices соответственно, по умолчанию – "-1"), флаг возможности

перемешивания строк (RandomSequence, значения "Yes" или "No").

ConformityRow Элемент, который находится в начале строки. Может содержать

вложенные объекты в числе необязательных объектов Control и Attach

(любое количество) и обязательного Data или ComplexData, описанные в

таблице 3.38. Включает обязательные атрибуты, описывающие

идентификатор объекта (ConformityRowID), флаг фиксации

расположения элемента (Fixed, значения "Yes" или "No").

ConformityColumns Множество элементов в столбцах таблицы. Может содержать вложенные

объекты ConformityColumn. Включает обязательный атрибут,

описывающий флаг возможности перемешивания столбцов

(RandomSequence, значения "Yes" или "No").

ConformityColumn Элемент заголовка столбца. Может содержать вложенные объекты в

числе необязательных объектов Control и Attach (любое количество) и



элемента (ConformityColumnID), флаг фиксации расположения элемента


Вопрос графического типа описывается объектом GraphicMap. Данный объект включает

объекты, характеризующие описание графического объекта (GraphicObject), описание точки на

поверхности данного объекта (Point), параметры управления им (MapOption). Вопрос

169

графического типа также могут содержать задания на установление связей (GraphicLinks).

Такие вопросы включают объекты, также характеризующие описание графического объекта

(GraphicObject), описание точки на поверхности данного объекта (Point) и множество

отношений между точками (LinkItems, включает объекты LinkItem). Таблица 3.45 содержит

описание приведенных объектов.

Задание текстового типа с бланковым форматом описывается объектом TextBlank.

Данный объект может включать объекты, характеризующие место хранения различных

вариантов ответов (Heap, включает объекты CellChoiceObject), элементы задания такого типа

(Segment), содержащий объекты описания ячеек для ввода ответов и их типа (CellObject,

CellChoice, CellInteger, CellReal, CellString). При использовании объекта CellChoice необходимо

вложить в него объекты, характеризующие тип выбранного ответа – текстовый

(CellChoiceText), и указатель верного ответа (CellChoiceObjectRef).

Таблица 3.45 – Объекты GraphicObject, Point, MapOption, LinkItems, LinkItem


GraphicObject Графический объект. Может содержать вложенные объекты в числе



Point Содержит характеристики параметров и положения точки в графическом

объекте. Включает обязательные атрибуты, описывающие

идентификатор точки (PointID), флаг правильности ответа (Value,

значения "Wrong" или "Right"), флаг отображения точки (Visible,

значения "Yes" или "No"), координату по горизонтали (XCoordinate),

координату по вертикали (YCoordinate), радиус зоны притяжения вокруг

точки (Neighbourhood).

MapOption

Параметры управления. Включает обязательные атрибуты, описывающие

флаг отображения последовательности (NumberMarked, значения "Yes"

или "No"), флаг связности линий определенных выбранных узлов

(LineConnected, значения "Yes" или "No").

LinkItems Связи между точками. Может содержать вложенные объекты LinkItem.

LinkItem Описание связи между точками. Включает обязательные атрибуты,

описывающие идентификаторы первой и второй точки (FirstPointID и

SecondPointID соответственно).

Комбинированный кадр описывается объектом Combined, который содержит один или

несколько объектов TestFrameInclude – подключаемый кадр. Формат описания объектов Heap,

CellChoiceObject, Segment, CellObject, CellChoice, CellChoiceText, CellChoiceObjectRef,

CellInteger, CellReal, CellString, Field, TestFrameInclude представлен в таблице 3.46.

170

Таблица 3.46 – Объекты Heap, Segment, CellChoice, CellChoiceObject, CellInteger, CellString,

CellObject, CellReal, TestFrameInclude, Field


Heap Контейнер для хранения вариантов ответов. Хранятся в виде объектов.

Может содержать вложенные объекты CellChoiceObject.

CellChoiceObject Верный вариант ответа. Включает обязательные атрибуты, описывающие

идентификатор элемента (CellChoiceObjectID), флаг фиксации

расположения элемента (Fixed, значения "Yes" или "No"), способ выбора

объекта из нижнего поля в случае воздействия компьютерной мышью на

него (OnMouseAction, значения "Move", "Copy").

Segment

Элемент тестового задания. Может содержать один из следующих

вложенных объектов: CellInteger, CellChoice, CellString, CellObject,

CellReal. Включает обязательный атрибут, описывающий идентификатор

объекта (SegmentID).

CellObject Ячейка для ввода ответа. Хранится в виде объекта. Может содержать

вложенные объекты в числе необязательных объектов Control и Attach

(любое количество) и обязательного Data или ComplexData, описанные в

таблице 3.38. Включает обязательные атрибуты, описывающие флаг

доступного объекта для выделения (HotObject, значения "Yes" или "No")

и флаг правильности ответа (Value, значения "Wrong" или "Right").

CellChoice Ячейка ввода ответа. Ответ выбирается из списка. Может содержать один

из следующих вложенных объектов CellChoiceObjectRef или

CellChoiceText. Включает обязательные атрибуты, описывающие


соответственно, по умолчанию – "-1"), флаг возможности перемешивания

строк (RandomSequence, значения "Yes" или "No").

CellChoiceText Вариант ответа. Представляется в текстовом виде. Может содержать

вложенные объекты в числе необязательного объекта Control и



элемента (CellChoiceTextID), флаг фиксации расположения элемента

(Fixed, значения "Yes" или "No") и флаг правильности ответа (Value,

значения "Wrong" или "Right").

CellChoiceObjectRef Указатель на верный вариант ответа. Представляется в виде объекта.


элемента (CellChoiceObjectID), флаг фиксации расположения элемента


CellInteger Ячейка ввода ответа. Представляется целым числом. Включает

обязательные атрибуты, описывающие значение ответа (Value),


длину ответа (ExpectedLength), формат числа (Format).

CellReal Ячейка ввода ответа. Представляется вещественным числом. Включает

обязательные атрибуты, описывающие значение ответа (Value),

171



длину ответа (ExpectedLength), формат числа (Format), а также

допустимое значение ошибки (Error, по умолчаию – "0").

CellString Ячейка ввода ответа в виде текста. Включает обязательные атрибуты,

описывающие значение ответа (Value), флаг необходимости проверки

регистра для введенных символов (MatchCase, значения "Yes" или "No"),


длину ответа (ExpectedLength), формат ответа (Format), перечень знаков-

разделителей (OrdinaryChars), а также атрибут для служебного


Field Поле графического объекта. Может содержать один из следующих

вложенных объектов: CellInteger, CellChoice, CellString, CellObject,

CellReal. Включает обязательные атрибуты, описывающие

идентификатор элемента (FieldID), координату поля по горизонтали

(XCoordinate) и координату поля по вертикали (YCoordinate).

TestFrameInclude Подключаемый кадр. Должен содержать вложенный объект control,

опсианный в таблице 3.38. Включает обязательные атрибуты,

описывающие идентификатор кадра (TestFrameID), идентификатор кадра,

вложенного в текущий (TestFrameIncludeID), временное ограничение на

тест-кадр (LimitOnTest, единицы измерения хранятся в атрибуте

TimeScale), временная единица измерения (TimeScale, принимаемые

значения: "Day", "Hour", "Minute", "Second"), а также атрибут для

служебного использования (TestFrame).

Алгоритм формирования адаптивного обучающего диалога и правила оценивания результатов

работы обучающегося над отдельным заданием определяются в описании кадра. Система

оказывает воздействие (акцию) на обучающегося, передавая ему инструкции в текстовом или

графическом виде, и получает информацию о текущем уровне подготовки обучающегося через

его ответы (реакцию). Эта информация используется для формирования следующих

воздействий [9], [10]. Алгоритм формирования следующего обучающего воздействия на основе

анализа полученного ответа обучающегося в форме диаграммы деятельности представлен на

рисунке 3.24. Корневой объект описания кадра TestFrame имеет ряд атрибутов для присвоения

значений основным параметров диалога и вложенные объекты, в частности, TestFrameVariables

и TestResponseProcessing. Объект TestFrameVariables позволяет определить переменные,

которые могут потребоваться для временного хранения данных, используемых алгоритмом

формирования адаптивного диалога. Объект TestResponseProcessing предназначен для описания

правил обработки ответов обучающегося и данных о значениях параметров его биометрических

сигналов. Он содержит объекты TestResponseInit, TestResponseCondition и

TestResponseOutcome. В первом объекте описываются правила инициализации значений

172

переменных. Во втором объекте с помощью вложенного объекта TestResponseMatch

описываются условия, которым должен удовлетворять ответ обучающегося, и посредством

вложенного объекта TestResponseOutcome определяются значения, которые необходимо

присвоить переменным, когда условия выполняются. Объект TestResponseOutcome имеет ряд

атрибутов, например:

Output, содержащий оценку результата выполнения задания, если условие

истинно;

NextTestFrame, включающий номер кадра, на которое осуществляется переход,

если условие выполняется;

Message, содержащий сообщение, которое увидит обучающийся, если условие

выполняется.

Данный алгоритм позволяет формировать обучающее воздействие на основе анализа ответов

обучающегося и таким образом реализует обратную связь, которая позволяет повысить

результативность взаимодействия обучающегося с системой.

3.8 Выводы

На основе анализа информационных стандартов и спецификаций в области электронного

обучения сформирована модель образовательной программы, содержащая требования к

структуре компетенций и результатов обучения программы, курса и модуля, структуры

описания программы, электронного курса и модуля, структуру описания достигнутых

обучающимся результатов. В процессе взаимодействия обучающегося с электронной

информационно-образовательной средой целесообразно анализировать не только достигнутые

им результаты обучения, но и значения параметров биометрических сигналов. Алгоритм

обучения может управлять индивидуальной траекторией обучения, оцениванием уровня

подготовки обучающегося, выбором формы представления учебных материалов, скоростью их

подачи, их сложностью, режимами работы электронной информационно-образовательной

среды в зависимости от значений параметров биометрических сигналов, в частности от

функционального состояния, и текущего уровня подготовки обучающегося с целью повышения

эффективности учебного процесса.

Методика формирования индивидуальных траекторий обучения предусматривает

построение индивидуальных траекторий на трех уровнях: уровень образовательной программы,

уровень электронного курса, уровень сценария взаимодействия. Построение индивидуальной

траектории обучения на уровне образовательной программы подразумевает формирование

173

Рисунок 3.24 – Обработка ответа обучающегося

174

индивидуального учебного плана на основе наборов учебных курсов. Для выбора конкретного

набора необходимо применить дополнительный критерий, например: минимальная

трудоемкость образовательной программы, минимальный срок освоения образовательной

программы, максимальная доля практических занятий, максимальная доля видеоматериалов,

предпочитаемый авторский коллектив. Построение индивидуальной траектории обучения на

уровне электронного курса обеспечивается модульной структурой курса, который включает

набор сценариев, отвечающих за предъявление учебного материала обучающемуся. Алгоритм

работы со сценариями определяется правилами доступа к учебным материалам курса и

правилами оценивания результатов обучения. Построение индивидуальной траектории

обучения на уровне сценария электронного курса обеспечивает адаптивную подачу материала и

адаптивные процедуры оценки результатов обучения. В этом случае управление подачей

учебного материала идет внутри одного сценария. Управление осуществляется посредством

реакции автоматизированной системы управления процессом электронного обучения на

действия обучающегося, например, как это осуществляется в адаптивном сценарии, когда

следующий кадр выдается в зависимости от ответов на предыдущие, или как это сделано в

адаптивном диалоге, где реализация обратной связи происходит полностью на уровне кадра.

Диалоговые формы, применяемые для обучения и аттестации, характеризуются

представлением информации на экране, схемой построения и правилами обработки ответа,

множеством правильных ответов и реакцией системы. Для построения диалоговых форм в

автоматизированной системе управления процессом электронного обучения используются

кадры, которые могут быть разделены на 16 типов. Для построения ответа в кадрах

применяются следующие элементы управления: поле ввода, слайдер, переключатель, флажок,

список, указатель, область, спрайт. В качестве ответа в диалоговых формах могут выступать:

элемент множества, подмножество, сегмент, кортеж, отношение, цепочка.

175

4 Защита процедур оценивания результатов электронного

обучения

В разделе описаны методы защиты процедур оценивания результатов обучения, структура

территориального центра для проведения процедур подтвержденного оценивания результатов

обучения, функции и состав программного обеспечения для проведения дистанционного

надзора во время процедур оценивания результатов обучения, перспективные методы защиты

процедур оценивания, основанные на биометрической информации обучающегося. Предложен

новый метод и два алгоритма идентификации личности обучающегося по траектории взгляда,

зарегистрированной низкочастотным прибором, и приведены результаты экспериментальных

исследований, которые продемонстрировали их высокую точность, сравнимую с точностью

существующих методов и алгоритмов для высокочастотных приборов.

4.1 Методы идентификации обучающихся

Электронные информационно-образовательные среды обладают различными средствами для

оценивания результатов обучения. К ним относятся, например, инновационные задания и

компьютерные симуляторы, виртуальные лаборатории и тренажеры. На основе результатов

оценивания обучающийся получает сертификат, который размещается в его портфолио и может

быть использован для полного или частичного перезачета результатов обучения по отдельным

дисциплинам (модулям) образовательной программы. Поэтому необходимо защитить

процедуру оценивания от возможных нарушений правил ее проведения, в том числе обеспечить

непрерывную идентификацию личности обучающегося. С увеличением спроса на услуги,

предоставляемые системами открытого онлайн-обучения, возникает необходимость разработки

надежных, недорогих и удобных методов идентификации обучающихся.

Процедура идентификации подразумевает установление личности пользователя с

помощью характерных признаков. Можно выделить три категории методов идентификации

[142]:

идентификация по наличию у пользователя специального токена,

идентификация по наличию у пользователя определенных знаний,

биометрическая идентификация:

o идентификация по физиологическим особенностям,

o идентификация по поведенческим характеристикам.

176

Методы, относящиеся к первой категории, предполагают наличие у пользователя компактного

устройства – токена, который может быть выполнен, например, в виде RFID-метки, смарт-

карты, USB-ключа или Bluetooth-токена. Все токены хранят некоторые секретные сведения,

которые используются для идентификации личности владельца. Поскольку токен можно

потерять, его легко украсть или повредить, эта категория методов не обеспечивает высокого

уровня защиты. Ко второй категории методов относятся те, которые требуют от пользователя

специальных знаний, например пароля или ответа на секретный вопрос, что создает неудобство,

т.к. необходимо помнить много дополнительной информации. Кроме того, эти методы не

обеспечивают непрерывной идентификации пользователей во время их работы в

информационной системе. Третью категорию методов идентификации представляют методы

биометрической идентификации, которые основаны на анализе физиологических особенностей

(отпечаток пальца [256], форма ладони [229], геометрия лица [228], форма ушной раковины

[238], рисунок кровеносных сосудов на сетчатке глаза [139], узор радужной оболочки [101], и

т.д.) или поведенческих характеристик (походка [115], подпись [3], электронный почерк [119],

голос [99], траектория взгляда [207], электрокардиограмма [153], [217] или

электроэнцефалограмма [242] и т.д.) пользователя информационной системы. К неоспоримым

преимуществам методов биометрической идентификации по поведенческим характеристикам

относят высокий уровень защищенности и возможность использования их для непрерывной

идентификации пользователей информационной системы. Необходимо отметить, что для

повышения уровня защищенности доступа к информационным ресурсам часто используют

сочетания вышеперечисленных методов (многофакторные методы идентификации).

К наиболее перспективным методам непрерывной идентификации пользователей

информационных систем можно отнести методы, основанные на анализе характеристик

движения глаз [95], [155], [215], [218]. Эти характеристики трудно скопировать и

воспроизвести, поэтому эта группа методов отличается высоким уровнем защищенности.

Траектория взгляда состоит из последовательности саккад (быстрых перемещений взгляда) и

фиксаций (областей, в которых взгляд фиксируется на некоторое время). Пример траектории

взгляда приведен на рисунке 4.1. Здесь испытуемому требовалась найти два одинаковых

элемента квадратной матрицы пятого порядка. Для регистрации этих характеристик применяют

специальное устройство, которое называется айтрекером, но при определенных условиях может

использоваться веб-камера, что способствует широкому распространению этих методов

идентификации пользователей информационных систем.

177

4.2 Проведение процедур оценивания в территориальных центрах

Одним из основных средств оценивания результатов обучения является электронный

контроль, который осуществляется в системах электронного обучения. Работа в таких системах

Рисунок 4.1 – Визуализация фиксаций (точки) и саккад (линии)

возможна с любого компьютера, имеющего выход в компьютерную сеть, но для проведения

контрольных мероприятий необходимы решения, в которых обеспечивается непрерывная

идентификация личности и верификация условий проведения процедур оценивания. К таким

решениям относятся территориальные центры, построенные на основе компьютерных классов

общего доступа, в частности, с применением систем терминального доступа [86]. К

достоинствам системы управления работой компьютерного класса общего доступа, который

строится на основе терминальной системы, относятся: длинный жизненный цикл, низкая

стоимость сопровождения, высокий уровень управляемости, надежности и доступности.

Необходимо отметить, что планирование работы класса происходит в условиях, когда график

работы пользователей неизвестен, а их количество значительно превосходит число рабочих

мест в классе [29]. Поэтому система управления компьютерным классом общего доступа

должна обеспечить выполнение следующих функций:

формирование графика работы компьютерного класса по заявкам обучающихся,

распределение рабочих станций между обучающимися,

непрерывная идентификация личности обучающегося,

удаленное администрирование рабочих станций,

управление временем работы обучающихся,

непрерывный надзор за обучающимися.

Взаимодействие пользователя с системой может происходить по следующему алгоритму:

178

1) каждому обучающемуся в зависимости от количества запланированных

аттестаций назначается лимит времени работы в компьютерном классе;

2) через веб-интерфейс системы управления обучающийся подает заявку на

желаемые дату и время с учетом пропускной способности компьютерного класса

и уже поданных заявок всеми обучающимися;

3) система управления классом общего доступа в автоматическом режиме

анализирует заявки, принимает решение и распределяет обучающихся по

терминалам;

4) в заданное в заявке время обучающийся приходит в класс и проходит

идентификацию на стойке регистрации;

5) при успешной идентификации обучающегося открывают доступ к терминалу,

назначенному системой;

6) терминал автоматически запускается, при этом включается счетчик,

показывающий оставшееся время до окончания сеанса;

7) после окончания работы обучающийся выходит из класса, при этом на стойке

регистрации фиксируется время выхода, а терминал, за которым он работал,

отключается;

8) при неявке обучающегося на заявленный сеанс система фиксирует факт

невыполнения заявки и дополнительно вычитает из его лимита времени штраф.

Состав и структура системы управления компьютерным классом общего доступа

приведена на рисунке 4.2. Она включает веб-сервер, базу данных и системы управления

терминалами. Эксплуатация этой системы в течение длительного времени показала, что

система управления компьютерным классом общего доступа является эффективным

инструментом в условиях, когда количество обучающихся значительно превосходит количество

доступных рабочих мест, а график работы обучающихся регламентировать невозможно, и

позволяет снизить затраты на верификацию процедур оценивания результатов обучения.

4.3 Дистанционный надзор за процедурой оценивания

Компьютерные классы общего доступа применимы для очного прохождения

электронного контроля, но такое не всегда возможно. В Университете ИТМО разработана

система дистанционного надзора ITMOproctor [142], которая предназначена для сопровождения

процесса территориально удаленного прохождения экзаменов, подтверждения личности

обучающегося и результатов его аттестации. Система ITMOproctor обеспечивает инспектора

необходимыми инструментами для идентификации обучающегося и дистанционного

наблюдения за ним во время сдачи онлайн-экзаменов в системах электронного обучения.

179

Рисунок 4.2 - Схема взаимодействия узлов системы

Система представляет собой клиент-серверное веб-приложение с интерфейсами обучающегося

и инспектора. После входа в систему обучающийся видит список своих экзаменов и оставшееся

время до ближайшего экзамена. Когда время экзамена подошло, испытуемый может начать

экзамен, тем самым разрешив подключение инспектора к своему компьютеру. В интерфейсе

инспектора видно всех ожидающих начала экзамена обучающихся, где можно подключиться к

любому из них и начать прием экзамена. На протяжении всего экзамена инспектор наблюдает

за обучающимся по веб-камере, отслеживает экран компьютера обучающегося, направляет его

и может давать советы технического плана. Помимо аудиовидеосвязи, инспектор может

обмениваться с обучающимся текстовыми сообщениями и файлами. Инспектору также

доступна информация об IP-адресе обучающегося и его территориальном местоположении,

данные для идентификации (фотография, паспортные данные и пр.), информация о текущем

экзамене и другая полезная информация. На протяжении всего экзамена инспектор может

оставлять заметки и сохранять снимки экрана своего рабочего пространства. Завершить экзамен

инспектор может двумя способами: подписать экзамен или прервать экзамен. Инспектор имеет

право прервать экзамен в любое время, в случае обнаружения нарушений со стороны

обучающегося, или же подписать экзамен после завершения экзамена обучающимся, что будет

означать успешное завершение испытания. Все аудиозаписи, видеозаписи, сообщения и файлы

сохраняются на сервере для каждого экзамена и доступны для последующего просмотра.

180

Система ITMOproctor реализована на базе открытых технологий и свободного

программного обеспечения. Общая архитектура системы ITMOproctor представлена на рисунке

4.3. Приложение-клиент разработано на базе фреймворка NW.js и работает в операционных

системах Windows, Linux и OS X. Серверная часть системы разработана на платформе Node.js,

база данных - MongoDB с хранилищем данных Grid FS. Мультимедиа потоки обслуживает

медиа-сервер Kurento, взаимодействующий с клиентами по технологии WebRTC. Запись

медиапотоков с привязкой к каждому экзамену осуществляется в хранилище медиаданных.

Система ITMOproctor прошла успешную апробацию в Университете ИТМО. С помощью

системы были проведены экзамены для поступления в аспирантуру и магистратуру для

студентов, живущих в удаленных регионах России и других странах мира, не имеющих

возможность приехать в Санкт-Петербург для очной сдачи испытаний. Испытуемым было

необходимо скачать и запустить приложение ITMOproctor, ссылка на скачивание которого была

доступна им ранее из инструкции по установке и использованию приложения. Перед

экзаменом необходимо проверить качество связи, для чего в приложении предусмотрены

соответствующие функции. В назначенное время испытуемый должен выйти на связь с

инспектором, подключившись к нужному экзамену. Экзаменационные тесты испытуемые

проходили в автоматизированной системе управления процессом электронного обучения

Университета ИТМО, в то время как инспектор наблюдал за их действиями через приложение.

Во время всех испытаний была обеспечена стабильная связь инспекторов с испытуемыми.

После завершения экзаменов протоколы были переданы в отдел аспирантуры для выставления

итоговых баллов. Более того, система ITMOproctor использовалась для верификации

прохождения испытаний онлайн-курсов Университета ИТМО на портале

ОткрытоеОбразование.РФ.

Апробация системы позволила собрать статистику, замерить производительность

системы и расход ресурсов. Так на один экзамен требуются следующие серверные ресурсы:

сетевой канал 2 Мбит/с;

хранилище медиаданных 3-5 МБ/мин;

¼ ядра AMD Opteron 2.6 ГГц;

оперативная память 100 МБ.

Архитектура системы дистанционного надзора может быть расширена модулями. Один

из таких модулей - автоматическое распознавание лиц, которое может применяться как помощь

инспектору в идентификации личности испытуемого и для непрерывного отслеживания его

перед компьютером в процессе прохождения экзамена. Медиасервер Kurento поддерживает

программные фильтры, которые могут быть подключены к медиапотокам и выполнять

обработку видео в реальном времени. Модуль распознавания лиц может быть основан на

181

использовании библиотеки OpenCV, что позволит находить и отслеживать лицо испытуемого

на протяжении всего экзамена и отображать предупреждение, если лицо испытуемого

пропадает из поля видимости веб-камеры.

Рисунок 4.3 - Архитектура системы ITMOproctor

4.4 Использование биометрических данных для защиты процедур

оценивания

Наиболее перспективные методы идентификации личности построены на результатах анализа

биометрических данных, которые позволяют определить физиологические или поведенческие

особенности человека. Создание систем для защиты процедур оценивания, построенных на

анализе биометрических данных, позволит преодолеть ограничения и недостатки, свойственные

наблюдению за процедурой оценивания в территориальном центре или дистанционно (таблица

4.1).

Таблица 4.1 – Сравнение методов защиты процедур оценивания

Метод защиты Достоинства Недостатки

Территориальный центр Высокий уровень защиты.

Высокий уровень доверия

со стороны педагогического

сообщества.

Высокая стоимость

одного испытания.

Необходимость аренды

специализированных

компьютерных классов.

182

Метод защиты Достоинства Недостатки

Необходимость

составления расписания

работы классов.


подготовки и привлечения

значительного числа

инспекторов.


присутствия обучающегося

в территориальном центре.

Дистанционный надзор Высокий уровень защиты.

Возможность прохождения

испытаний из любой точки

глобальной сети.

Высокий уровень доверия



Значительная

стоимость одного

испытания.


составления расписания

работы инспекторов.


подготовки и привлечения

значительного числа

инспекторов.

Анализ биометрических

данных

Высокий уровень защиты.

Возможность прохождения

испытаний из любой точки

глобальной сети в любое

удобное время.

Низкая стоимость одного

испытания.

Возможность

использования данных для

управления траекторией

обучения и повышения

точности оценивания

результатов обучения.

Низкий уровень доверия




проведения исследований с

целью разработки новых

высокоэффективных

алгоритмов идентификации

личности обучающегося по

биометрическим данным,

полученным с применением

компактных и недорогих

устройств.

183

В силу ряда причин среди биометрических данных человека особо большое значение для

электронного обучения имеют параметры движения глаз обучающегося во время его работы в

автоматизированной системе управления процессом обучения, т.к. эти данные можно

одновременно использовать для идентификации личности обучающегося и его состояния, для

оценивания результатов обучения и организации интерфейсов пользователя нового типа.

Появляется возможность, анализируя параметры движения глаз, одновременно осуществлять

идентификацию личности обучающегося, оценивание его функционального состояния и

достигнутых им результатов обучения. В конце 70-х годов 19-го века известный французский

офтальмолог Луи Эмиль Жаваль определил понятия [197] фиксаций – фокусировки взгляда в

определенной области – и саккад – быстрых перемещений взгляда между точками фиксаций. В

связи с началом быстрого развития технологий в начале 20-го века стали появляться первые

айтрекеры – приборы для регистрации параметров движения глаз и траектории взгляда [123],

которые позволили различить другие типы движения взгляда, такие как плавные и вергентные

перемещения [175]. С тех пор, технологии ушли далеко вперед [177], [178], [236], [259], и на

данный момент существует множество типов айтрекеров с различными частотами

дискретизации данных, используемых в разнообразных научных областях и сферах


Высокочастотные айтрекеры с частотой дискретизации данных 120 Гц и выше широко

используются в различных медицинских исследованиях, в том числе в области когнитивной

психологии и неврологии [252] или офтальмологии [150]. Технологии для регистрации

траектории взгляда также применяются для определения психофизиологического состояния

человека [213], [249] или когнитивной нагрузки во время обучения [149], поскольку данные

движения глаз предоставляют множество информации, в том числе и об изменении размеров

зрачков, что часто используется в качестве индикатора функционального состояния человека

[243], [253]. Айтрекеры широко применяются при проведении различных исследований в сфере

информационных технологий. Одной из основных областей являются юзабилити-исследования

[159], [235]. Также подобные системы используются при проектировании пользовательских

интерфейсов, основанных на управлении взглядом [196], [225], и в области образования [204]

для определения результатов обучения с помощью анализа траектории взгляда.

Одной из наиболее перспективных сфер исследований движения глаз является

биометрическая идентификация [167], [168], [210], [251], [258]. В современном мире

существует множество систем, предоставляющих доступ к различным информационным

ресурсам. Большинство таких систем являются закрытыми и требуют прохождения человеком

процедуры подтверждения личности, в связи с чем, одним из наиболее важных вопросов

является обеспечение стабильных высокоточных методов идентификации. Наиболее часто

184

используемым в информационных системах способом идентификации является проверка

личных данных – имени пользователя и пароля, однако такой способ не предоставляет точной

информации о человеке, пытающемся получить доступ к ресурсу. Вследствие этого, некоторые

системы постепенно внедряют методы биометрической идентификации, которые в последнее

время обретают все большую область применения в силу предоставления неподдельной

информации о человеке. На текущее время существует множество различных методов

биометрической идентификации, в том числе анализ отпечатков пальцев [152] или ладони

[237], определение формы ушной раковины [231], анализ радужной оболочки глаз [179],

исследование формы сигнала ЭКГ [145], идентификация с помощью клавиатурного почерка

[144] и др. Тем не менее, вышеупомянутые методы биометрической идентификации не

предоставляют высокоточной информации и подобные данные являются воспроизводимыми,

что не обеспечивает достаточную защиту от подлога. В то же время, глаза предоставляют

огромное количество информации о человеке. Движения глаз являются сложными и

уникальными для каждого человека особенностями, неповторимыми биометрическими

данными, включающими также поведенческие характеристики. Следовательно, методы

биометрической идентификации, основанные на анализе движения глаз человека, призваны

стать одними из наиболее высокоточных.

Глаза человека являются динамической системой, на которую оказывает влияние

показанный стимул, например, текст или изображение, а выходным параметром является

траектория взгляда, которая может быть отслежена с помощью айтрекера. Глаза обладают

различными динамическими характеристиками, в том числе скоростью, ускорением, угловой

скоростью и другими. Были проведены различные исследования, направленные на изучение

этих особенностей [167], [210]. Авторы в своих публикациях описывают эксперименты по

комбинированию этих параметров с другими параметрами, рассчитанными по траектории

взгляда и исследуют возможное их использование для биометрической идентификации

пользователей. На данный момент подобные методы идентификации не предоставляют

необходимой точности, поэтому проводится большое количество исследований, связанных с

поиском наилучших методов. Авторы используют различные параметры для идентификации и

различные стимулы для получения данных о траектории взгляда [167]. Также проводятся

соревнования, нацеленные на поиск методов идентификации, основанных на анализе

траектории взгляда, предоставляющих наиболее точные результаты по определенному набору

данных, выданному участникам [205], [206]. Благодаря возрастающему количеству упоминаний

данной темы, все большее количество исследователей по всему миру демонстрируют к ней свой

интерес.

185

Айтрекеры – это технические устройства, включающие аппаратное и программное

обеспечение. В большинстве исследований используются высокочастотные айтрекеры с

частотой дискретизации данных от 120 Гц. Однако, чем больше частота дискретизации, тем

более сложным внутренним устройством обладает айтрекер. Многие авторы также описывают

применение камер для регистрации траектории взгляда, но, в основном, камеры также являются

высокочастотными, например, в исследовании [251] была использована камера с частотой 500

кадров в секунду. Следовательно, является востребованным применение низкочастотных

айтрекеров, и в текущем исследовании использовался прибор с частотой дискретизации 30 Гц,

что приближенно равно частоте кадров, установленной в стандартных камерах.

В последнее время многими авторами были представлены различные методы

идентификации на основе анализа траектории взгляда. Для каждого метода авторы

подсчитывают погрешность, определяющую точность представленного метода. Наиболее часто

используемыми типами оценки точности являются процент ложных принятий (FAR) и ложных

отказов (FRR), а также половинная оценка, объединяющая две предыдущие (HTER) [195], [232].

FAR определяется отношением количества ложных принятий к общему количеству возможных

ложных входов. Ошибка FRR представлена отношением количества ложных отказов к общему

количеству попыток доступа к системе зарегистрированными пользователями системы. HTER

объединяет два описанных ранее типа ошибок и определена как (FAR+FRR)/2. Многие авторы

также оценивают точность, используя оценку равных ошибок (EER), рассчитываемую в точке,

где значения FAR и FRR равны. Другим методом оценки точности методов служит построение

кривых рабочих характеристик приемника (ROC) [195], [203] – кривых, основанных на FAR и

FRR, рассчитанных по значениям экспериментов.

Данные траектории взгляда могут быть собраны с применением различных стимулов.

Например, в исследовании [167] были использованы 4 стимула, два из которых представляли

собой наборы точек и пользователю было необходимо воспроизвести путь между

определенными точками с помощью взгляда, третий стимул состоял из трех линейных

графиков и предназначался для того, чтобы пользователь отследил глазами каждый из

графиков, четвертый стимул не заключал в себе определенного задания и представлял собой

некоторое изображение. Одним из наиболее часто используемых стимулов являются

определенным образом перемещающиеся по экрану точки [251], [258].

После получения необходимых данных о траектории взгляда применяется некоторый

метод для их обработки. В нескольких исследованиях [167], [168] авторы рассматривают

различные динамические параметры взгляда, например, скорость, ускорение, угловую скорость

взгляда, а также скорость изменения размеров зрачков и другие параметры для саккад и

фиксаций. Некоторые методы сконцентрированы на анализе одного конкретного типа движения

186

взгляда, например, скорость, ускорение, амплитуда и другие особенности саккад [210], [251],

[258].

После завершения расчетов параметров, к полученным данным применяется

определенный классификатор для осуществления непосредственной идентификации записей.

Наиболее часто используемыми являются наивный байесовский классификатор [254] и

классификатор на основе k-ближайших соседей (k-NN). В исследовании [258] были применены

оба указанных классификатора с целью сравнения точности итоговых результатов

классификации. В различных условиях эксперимента ошибка HTER классификатора Байеса

составляла от 13% до 3%, в то время как HTER для k-NN показал результат в 10%. Также была

опробована классификация методом опорных векторов, показавшая ошибку HTER в 3%, и

классификатор Фишера, завершивший работу с наилучшим результатом в 1% и 0% HTER в

зависимости от условий эксперимента. Другим типом классификации является алгоритм на

основе построения случайных лесов [148]. Этот тип классификации данных был использован в

[251] к рассчитанным для саккад параметрам, HTER для которого был равен 13.9% при

первоначальных условиях. После смены условий формирования входных данных, с

добавлением параметров пост-саккадных колебаний точность метода возросла, HTER составила

13.6%. Авторы всех описанных исследований использовали для измерения точности методов

оценку HTER, некоторые авторы также применяют оценку методом построения ROC-кривых

[168].

Большинство исследований основаны на данных траектории взгляда, полученных при

помощи высокочастотных айтрекеров, с частотой дискретизации 120 Гц и выше, в частности

применение камеры с частотой кадров 500 fps в [251], айтрекер с частотой 120 Гц в [167] и

[210], электроокулографическая система (400 Гц) в [258] и айтрекер (50 Гц) в [168]. Высокая

частота дискретизации данных влечет за собой более сложное строение устройства. Вследствие

этого, одной из основных целей проведенного исследования было определение возможности

использования низкочастотных айтрекеров для биометрической идентификации пользователей.

В экспериментах был использован прибор с частотой дискретизации данных 30 Гц.

4.5 Метод непрерывной идентификации личности обучающегося

В данном подразделе описывается система, осуществляющая непрерывную идентификацию

обучающихся на основе анализа движения глаз, регистрируемых низкочастотным айтрекером

[215]. Саккады – это быстрые перемещения взгляда между фиксациями длительностью 30-100

мс с латентным периодом 100-300 мс [175], амплитуда которых обычно составляет 12-15

градусов. Вследствие этого современные айтрекеры используют фильтры скоростей,

187

позволяющие отличить саккады и фиксации в исходном сигнале. Однако из-за применения

таких фильтров данные, полученные для фиксаций, являются ограниченными сверху и не несут

в себе характерной специфической информации, необходимой для идентификации личности

людей. Поэтому большинство авторов в своих исследованиях, как было описано в предыдущих

подразделах, используют данные саккад или содержащих их фрагментов. Разработанный метод

идентификации, представленный далее, так же основан на анализе фрагментов, содержащих

саккады.

На рисунке 4.4 показано изменение абсциссы (координаты) положения взгляда на экране

по времени 𝑥𝑗(𝑡) в декартовой системе координат 𝐴𝑗𝑥𝑗𝑦𝑗 с началом в первой точке сегмента 𝐴𝑗

траектории движения взгляда и осью 𝐴𝑗𝑥𝑗 , направленной в конечную точку 𝐵𝑗 сегмента

траектории движения (рисунок 4.5). Система координат 𝐴𝑗𝑥𝑗𝑦𝑗 повернута относительно

системы координат экрана 𝐴0𝑥0𝑦0 на угол 𝛼𝑗 вдоль траектории движения взгляда.

Рисунок 4.4 – Траектория взгляда на выделенном участке с саккадой

Во время просмотра человеком определенного стимула, например, текста, изображения,

видеофрагмента, траектория движения его взгляда будет состоять из множества саккад и

фиксаций.

Поскольку метод рассматривает фрагменты траектории взгляда, то траекторию в целом

можно представить так, как показано на рисунке 4.6, где точки 𝐴𝑗и 𝐵𝑗 являются начальными и

конечными точками фрагмента j, j=1,2,…,n, 𝐴𝑗𝑥𝑗𝑦𝑗 – система координат соответствующего

фрагмента, 𝛼𝑗 – угол поворота системы координат фрагмента.

188

Рисунок 4.5 – Системы координат 𝐴0𝑥0𝑦0 и 𝐴𝑗𝑥𝑗𝑦𝑗

Рисунок 4.6 – Траектория взгляда, представленная выделенными фрагментами с саккадами

Для определения типа взгляда и отделения саккад от фиксаций используются фильтры

скоростей, пороги которых рассчитываются на основе координат взгляда в декартовой системе

координат экрана и координат положения глаз в пространстве. Если рассматривать фрагмент,

изображенный на рисунке 4.4, то в нем саккада будет определена прибором лишь на

центральном участке наибольших скоростей. Рисунок 4.7 отражает дискретизацию фрагмента,

представленного на рисунке 4.4. Таким образом, из 5 точек траектории взгляда:

𝑥1𝑗= 𝑥(𝑡1),

𝑥2𝑗= 𝑥(𝑡2),

𝑥3𝑗= 𝑥(𝑡3),

𝑥4𝑗= 𝑥(𝑡4),

𝑥5𝑗= 𝑥(𝑡5),

(4.1)

189

4 точки 𝑥1𝑗, 𝑥2𝑗, 𝑥4𝑗, 𝑥5𝑗 будут определены как фиксации, и только 1 точка – 𝑥3

𝑗 – как саккада.

Большинство фрагментов, зарегистрированных с использованием низкочастотного айтрекера

имеют продолжительность 130 мс (или 5 точек). Распределение длин фрагментов,

зарегистрированных айтрекером с частотой дискретизации 30 Гц отражено в таблице 4.2.

Проанализировав таблицу можно увидеть, что наиболее целесообразно брать на рассмотрение 5

точек для дальнейшей обработки. Стоит отметить, что первая точка каждого фрагмента

является точкой отсчета для построенной системы координат. Следовательно, каждый

фрагмент j описывается четырьмя точками 𝑥2𝑗, 𝑥3𝑗, 𝑥4𝑗, 𝑥5𝑗.

Рисунок 4.7 – Траектория взгляда на выделенном участке с саккадой

Для восстановления дискретного сигнала до непрерывной формы в разработанном методе

идентификации применяется правило конечных разностей, основанное на рядах Тейлора:

𝑥𝑗(𝑡𝑖 + 𝜏) = 𝑥𝑗(𝑡𝑖) +

(𝑥𝑗(𝑡𝑖))′

1!𝜏 +

(𝑥𝑗(𝑡𝑖))′′

2!𝜏2 +⋯+

(𝑥𝑗(𝑡𝑖))(𝑚)

𝑚!𝜏𝑚 +⋯,

(4.2)

где 𝑖 = 2,3,4,5, 𝜏 = 𝑡 − 𝑡𝑖. (𝑥𝑗(𝑡𝑖))

(𝑚)

=∇𝑚𝑥𝑖

𝑗

ℎ𝑚, ∇𝑚𝑥𝑖

𝑗 – обратная конечная разность порядка m,

h>0 – интервал дискретизации.

Таблица 4.2 – Распределение длин фрагментов, зарегистрированных с использованием

низкочастотного айтрекера

190

Количество точек в фрагменте Общий процент фрагментов

5 точек 72.26 %

6 точек 22.79 %

7 точек 3.65 %

8 точек и более 1.30 %

Точность описанной аппроксимации фрагмента зависит от числа членов в строящемся

ряде Тейлора и методе расчета производных. Если, как в представленном случае, расчет ведется

с использованием конечных разностей, ошибка аппроксимации будет зависеть от выбранного

шага дискретизации h. Для рассматриваемого случая использования низкочастотного айтрекера

с частотой дискретизации данных 30 Гц конечные разности могут быть рассчитаны только на

основе точек 𝑥2𝑗, 𝑥3𝑗, 𝑥4𝑗, 𝑥5𝑗, как показано на рисунке 4.8, что в совокупности с самими

значениями абсцисс точек будут являться характеристиками фрагмента j. Также следует

заметить, что измерения получаются при наличии некоторых стохастических эффектов, в

частности, погрешности частоты дискретизации, точности определения взгляда прибором и т.д.

Такая проблема также присутствует в задачах управления движением [147]. Следовательно,

биометрическая идентификация с использованием низкочастотных приборов поднимает

недетерминированную проблему идентификации в условиях неполноты измерений, что требует

создания нетривиальных подходов и алгоритмов обработки и анализа данных [156].

С частотой 30 Гц айтрекер фиксирует следующие данные: время (в мс); тип взгляда

(саккада или фиксация); координаты взгляда в абсолютной декартовой системе координат

экрана (дисплея) 𝐴0𝑥0𝑦0 (в мм); координаты глаз в абсолютной декартовой системе координат

монитора (устройства) 𝐴0𝑥0𝑦0𝑧0 (в мм); диаметры зрачков (в мм) и т.д. Совокупность этих

данных за определенный интервал времени называется записью.

Рисунок 4.8 – Конечные разности рассматриваемых фрагментов

191

На основании обозначенных данных для каждой r-й записи и для каждого j-го фрагмента

в системе координат 𝐴𝑗𝑥𝑗𝑦𝑗 могут быть определены следующие величины:

1) Координаты 𝑥2𝑟𝑗, 𝑥3𝑟𝑗, 𝑥4𝑟𝑗, 𝑥5𝑟𝑗

2) Разности первого порядка: (𝑥3𝑟𝑗)′=∇𝑥3𝑟𝑗

ℎ, (𝑥4𝑟

𝑗)′=∇𝑥4𝑟𝑗

ℎ, (𝑥5𝑟

𝑗)′=∇𝑥5𝑟𝑗

ℎ

3) Разности второго порядка: (𝑥4𝑟𝑗)′′=∇2𝑥4𝑟

𝑗

ℎ2, (𝑥5𝑟

𝑗)′′=∇2𝑥5𝑟

𝑗

ℎ2

4) Разности третьего порядка:(𝑥5𝑟𝑗)′′′=∇3𝑥5𝑟

𝑗

ℎ3

5) Диаметр зрачка ρ.

Все обозначенные величины являются динамическими и описывают различные аспекты

движений глаз. Диаметр зрачков также часто используется в медицинских и психологических

исследованиях для определения функционального состояния или реакции на какой-либо

стимул, что может также применяться при аффективных вычислениях [151], [209].

Для определения итогового списка характеристик, которые могут быть использованы в

целях идентификации пользователей, все указанные выше величины были проверены на

стационарность, поскольку это свойство является обязательным для обеспечения возможности

проведения идентификации. Тестовый набор данных текущего исследования включал 325

записей, полученных в ходе проведения эксперимента с 40000 извлеченными фрагментами,

содержащими саккады. Для проверки гипотезы о стационарности величин были использованы

методы, основанные на статистике Хи-квадрат и t-критерии Стьюдента, также применялся тест

Колмогорова-Смирнова. Значения вероятностей (p), полученные по результатам тестов,

представлены в таблице 4.3. Все гипотезы были проверены с пятипроцентным уровнем

значимости.

Для всех трех выбранных методов проверки гипотезы были использованы данные,

полученные в ходе экспериментального исследования с помощью низкочастотного айтрекера с

частотой дискретизации 30 Гц. Сначала гипотеза на стационарность проверялась тестом Хи-

квадрат, при этом в качестве наблюдаемых значений были взяты точки, превышающие

значение среднего для части текущей записи или равные ему, а в качестве ожидаемых значений

– большие или равные среднему по всей записи в отношении к наблюдаемым значениям. После

завершения расчетов было рассчитано значение статистики Хи-квадрат и произведено

сравнение с базовым значением статистики на пятипроцентном уровне значимости. В качестве

второго способа проверки стационарности был выбран парный t-тест, массивы данных для

которого были получены на основе разностей между количеством значений больше среднего

для каждой из частей каждой записи. После этого для сформированных наборов было

рассчитано значение критерия Стьюдента на основе математического ожидания и стандартного

192

отклонения наборов, и произведено сравнение с базовым значением. Тест Колмогорова-

Смирнова был запущен для двух частей каждой записи в отдельности. Итоговое значение

вероятности было рассчитано как среднее значение вероятностей всех записей, участвовавших

в эксперименте.

Таблица 4.3 – Проверка величин на стационарность

Величина Хи-квадрат Парный t-тест Тест Колмогорова-

Смирнова

ρ 0.000072 0.0201 0.0491

𝑥2𝑟𝑗

0.586305 0.4855 0.4921

𝑥3𝑟𝑗

0.294832 0.3321 0.4935

𝑥4𝑟𝑗

0.108162 0.0794 0.3781

𝑥5𝑟𝑗

0.052011 0.0790 0.3570

(𝑥3𝑟𝑗)′ 0.505074 0.4155 0.4618

(𝑥4𝑟𝑗)′ 0.280757 0.3320 0.5392

(𝑥5𝑟𝑗)′ 0.140377 0.3297 0.4458

(𝑥4𝑟𝑗)′′

0.064949 0.0592 0.4903

(𝑥5𝑟𝑗)′′

0.256798 0.5494 0.5272

(𝑥5𝑟𝑗)′′′

0.339146 0.5225 0.5067

Анализируя представленную выше таблицу, видно, что единственной величиной, получившей

отказ в проверке гипотезы на стационарность на пятипроцентном уровне значимости, является

диаметр зрачка. Рисунок 4.9 отражает непостоянство диаметра зрачка во времени в виде

графика, построенного методом скользящего среднего при равенстве ширины окна 30 мс, и

доверительных интервалов. Значения доверительных интервалов приведены в таблице 4.4.

Подобные отличие могли быть вызваны изменением функционального состояния человека, в

частности увеличением когнитивной нагрузки, утомляемости, снижением работоспособности и

т.д. Таким образом, в разработанном методе анализируются 10 характеристик, рассчитанных

для каждого фрагмента в отдельности:

1) Координаты 𝑥2𝑟𝑗, 𝑥3𝑟𝑗, 𝑥4𝑟𝑗, 𝑥5𝑟𝑗

2) Разности первого порядка: (𝑥3𝑟𝑗)′, (𝑥4𝑟

𝑗)′, (𝑥5𝑟

𝑗)′

3) Разности второго порядка: (𝑥4𝑟𝑗)′′

, (𝑥5𝑟𝑗)′′

193

4) Разности третьего порядка:(𝑥5𝑟𝑗)′′′

Таблица 4.4 – Проверка величин на стационарность

Рисунок 4.10 (а) Рисунок 4.10 (б) Рисунок 4.10 (в) Рисунок 4.10 (г)

[ 3.8101, 3.8555] [ 3.3299, 3.3757] [ 3.0215, 3.0474] [ 2.9396, 2.9607]

[ 3.8253, 3.8760] [ 3.2980, 3.3325] [ 2.9739, 3.0042] [ 2.9686, 2.9921]

[ 3.8099, 3.8685] [ 3.3533, 3.3700] [ 3.0717, 3.1047] [ 3.0889, 3.1118]

[ 3.7674, 3.8063] [ 3.3514, 3.3886] [ 3.0737, 3.1155] [ 2.9991, 3.0317]

[ 3.7870, 3.8730] [ 3.3542, 3.3829] [ 2.9882, 3.0255] [ 2.8331, 2.8696]

[ 3.7155, 3.7521] [ 3.3613, 3.3869] [ 3.0291, 3.0628] [ 3.0085, 3.0358]

[ 3.7032, 3.7430] [ 3.3476, 3.3717] [ 3.0253, 3.0603] [ 3.0057, 3.0750]

[ 3.7288, 3.7525] [ 3.2770, 3.3269] [ 2.9224, 2.9402] [ 3.0253, 3.0662]

[ 3.7068, 3.7729] [ 3.1948, 3.2442] [ 2.9216, 2.9607] [ 2.9654, 2.9985]

[ 3.3143, 3.3342] [ 2.9100, 2.9454] [ 3.0267, 3.0569]

[ 3.3220, 3.3488] [ 2.9520, 2.9844]

[ 3.3018, 3.3398]

Рисунок 4.9 – Примеры непостоянства величины диаметра зрачка для 4 разных записей

В рамках метода непрерывной идентификации обучающегося было разработано два

алгоритма, основанных на классификаторе k-ближайших соседей и наивном байесовском

классификаторе. Общая схема метода представлена на рисунке 4.10. В качестве основной

194

гипотезы было выдвинуто предположение, что человек может быть идентифицирован

благодаря анализу определенных ранее специфических характеристик, при том. Что

распределение характеристики для всех фрагментов не изменяется с течением времени. Таким

образом, человек может быть полностью идентифицирован вне зависимости от того, когда он

входит в систему.

В методе предполагается наличие некоторого хранилища данных, содержащего записи с

сохранением их связи с идентификатором человека, для которого записи были собраны.

Обозначим набор идентификаторов записей как I. Тогда 𝐶𝑠 ⊂ 𝐼 – подмножество

идентификаторов записей для конкретного человека, называемое классом s. Каждая r-тая

запись описывается набором 10 характеристик: ξ𝑟 = {ξ𝑟,1 , ξ𝑟,2 , … , ξ𝑟,10}, где:

ξ𝑟,1 = {𝑥2𝑟𝑗}, 𝑗 = 1,2, … , 𝑛𝑟,

ξ𝑟,2 = {𝑥3𝑟𝑗}, 𝑗 = 1,2, … , 𝑛𝑟,

ξ𝑟,3 = {𝑥4𝑟𝑗}, 𝑗 = 1,2, … , 𝑛𝑟,

ξ𝑟,4 = {𝑥5𝑟𝑗}, 𝑗 = 1,2, … , 𝑛𝑟,

ξ𝑟,5 = {(𝑥3𝑟𝑗)′} , 𝑗 = 1,2, … , 𝑛𝑟,

ξ𝑟,6 = {(𝑥4𝑟𝑗)′} , 𝑗 = 1,2, … , 𝑛𝑟,

ξ𝑟,7 = {(𝑥5𝑟𝑗)′} , 𝑗 = 1,2, … , 𝑛𝑟,

ξ𝑟,8 = {(𝑥4𝑟𝑗)′′} , 𝑗 = 1,2, … , 𝑛𝑟,

ξ𝑟,9 = {(𝑥5𝑟𝑗)′′} , 𝑗 = 1,2, … , 𝑛𝑟,

ξ𝑟,10 = {(𝑥5𝑟𝑗)′′′} , 𝑗 = 1,2, … , 𝑛𝑟,

(4.3)

где 𝑛𝑟 – количество фрагментов в записи r. Оба алгоритма подразумевают расчет дистанции

между записью и s-м классом для определения идентификатора класса, к которому может быть

отнесена запись. Однако расчет дистанций отличается для двух алгоритмов.

Алгоритм попарного сравнения. Алгоритм попарного сравнения основан на

концепции классификации методом k-ближайших соседей. Для расчета дистанции между

записями r и q для i-той характеристики в данном алгоритме используется следующая формула:

𝑑(ξ𝑟,𝑖, ξ𝑞,𝑖) = − ln(𝑝(K > √𝑛𝑟𝑛𝑞

𝑛𝑟 + 𝑛𝑞𝐷𝑟,𝑞𝑖 )) , (4.4)

где K – случайная величина, которая имеет распределение Колмогорова,

195

𝐷𝑟,𝑞𝑖 = sup

ξ|𝐹𝑟,𝑛𝑟𝑖 (ξ) − 𝐹𝑞,𝑛𝑞

𝑖 (ξ)| (4.5)

является статистикой теста Колмогорова-Смирнова для эмпирических функций распределения

𝐹𝑟,𝑛𝑟𝑖 (ξ) и 𝐹𝑞,𝑛𝑞

𝑖 (ξ) i-й характеристики записей r и q. Следовательно, дистанция между двумя

записями с учетом всех десяти характеристик определяется по следующей формуле:

𝑑(ξ𝑟 , ξ𝑞) =∑𝑑(ξ𝑟,𝑖, ξ𝑞,𝑖)

10

𝑖=1

. (4.6)

При этом дистанция от r-той записи до класса 𝐶𝑠 рассчитывается как:

𝑑(ξ𝑟 , 𝐶𝑠) = min𝑞∈𝐶𝑠[𝑑(ξ𝑟 , ξ𝑞)]. (4.7)

Как показано на схеме (рисунок 4.10), первым шагом применения разработанного метода

идентификации с использованием алгоритма попарного сравнения является сбор данных о

траектории взгляда человека. Для этого пользователю демонстрируется определенный стимул

на экране монитора и дается определенное задание, соответствующее показанному стимулу,

которое он должен выполнить. В ходе выполнения пользователем задачи происходит сбор

необходимых данных о траектории взгляда с помощью айтрекера и формируется запись.

Вследствие того, что разработанный метод основан на анализе саккад, следующим

шагом является выделение фрагментов, содержащих саккады, для собранной записи. После

завершения данного шага формируется структура данных с выделенными фрагментами, длина

которых составляет 5 точек из-за использования низкочастотного айтрекера с частотой

дискретизации 30 Гц.

Следующим важным шагом алгоритма является вычисление характеристик записи. Для

каждого фрагмента записи вычисляются 10 характеристик, формируя наборы необходимых для

дальнейшего анализа данных.

После завершения всех необходимых расчетов, происходит непосредственная

классификация записей. При использовании алгоритма попарного сравнения необходимо

провести запуск теста на соответствие для текущей собранной записи и всех записей,

содержащихся в хранилище данных. На данном шаге применяется тест Колмогорова-Смирнова

для каждого отдельного признака для каждой из пар записей – текущей записи и какой-либо

записи базы данных. После завершения данного шага в памяти будут сохранены массивы

полученных значений вероятности соответствия функция распределения каждой пары записей.

Решающее правило алгоритма основано на значениях дистанций между записями 𝑑(ξ𝑟 , ξ𝑞),

рассчитанных на основе значений вероятностей теста Колмогорова-Смирнова. Таким образом,

на данном шаге анализируется сформированная структура данных, содержащая: значение

дистанции от рассматриваемой записи до каждой записи из базы данных, идентификаторы

196

соответствующих записей базы данных, а также идентификаторы классов, к которым

принадлежат записи. Впоследствии данные массивы совместно сортируются по возрастанию

значений дистанций.

Рисунок 4.10 – Общая схема метода непрерывной идентификации на основе анализа траектории

взгляда

Поскольку представленный алгоритм идентификации может быть использован в

реальных системах, необходимо учитывать возможное наличие нарушителей, пытающихся

получить несанкционированный доступ в систему. В этом случае предлагается использовать

пороги для дистанций с целью отбора ближайших к классу записей для формирования

итогового решения. Пороги рассчитываются для каждого класса по следующей формуле:

197

𝑑𝑠∗ = max𝑟∈𝐶𝑠[𝑑(ξ𝑟 , 𝐶𝑠\{𝑟})], (4.8)

где 𝑑𝑠∗ – порог для класса 𝐶𝑠, 𝑑(ξ𝑟 , 𝐶𝑠\{𝑟}) – дистанция от записи r до класса 𝐶𝑠. В случае, если

рассчитанное значение дистанции между текущей записью и записями класса больше порога,

считается, что запись не может быть отнесена к данному классу и все его записи удаляются из

общей структуры данных.

Итоговое решение принимается на основе итогового набора дистанций после

завершения проверки порогов, а также руководствуясь параметром k, отражающим

необходимое количество ближайших записей для отнесения рассматриваемой записи к

некоторому классу. Число операций, требуемое для завершения работы данного алгоритма,

сравнимо с количеством записей, находящихся в базе данных.

Алгоритм объединенных данных. Вторым разработанным алгоритмом является

алгоритм объединенных данных, для которого используется формула расчета дистанции между

записями, основанная на теореме Байеса:

𝑝(𝐶𝑠|ξ𝑟) =𝑝(𝐶𝑠)×𝑝(ξ𝑟|𝐶𝑠)

𝑝(ξ𝑟)=𝑝(𝐶𝑠)

𝑝(ξ𝑟)∏ 𝑝(ξ𝑟,𝑗|𝐶𝑠)10𝑗=1 , (4.9)

где 𝐶𝑠 – некоторый класс, ξ𝑟 = {ξ𝑟,1 , ξ𝑟,2 , … , ξ𝑟,10} – набор характеристик, рассчитанных для

записи r, 𝑝(𝐶𝑠|ξ𝑟) – вероятность принадлежности записи с набором характеристик ξ𝑟 классу 𝐶𝑠,

𝑝(𝐶𝑠) – вероятность принадлежности какой-либо записи классу 𝐶𝑠, 𝑝(ξ𝑟) – вероятность

обладания записями набора характеристик ξ𝑟. 𝑝(𝐶𝑠) и 𝑝(ξ𝑟) вычисляются по следующим

формулам:

𝑝(𝐶𝑠) =|𝐶𝑠|

∑ |𝐶𝑠|𝑠,

𝑝(ξ𝑟) = ∑ 𝑝(C𝑠)𝑠 ∏ 𝑝(ξ𝑟,𝑗|𝐶𝑠)10𝑗=1 .

(4.10)

На основе представленных формул может быть рассчитана дистанция между записью r,

обладающей набором характеристик ξ𝑟, и классом 𝐶𝑠:

𝑑(ξ𝑟 , 𝐶𝑠) = −(ln (𝑝(𝐶𝑠)

𝑝(ξ𝑟)) + ∑ ln (𝑝(ξ𝑟,𝑗|𝐶𝑠))

10𝑗=1 ). (4.11)

Одним из основных отличий алгоритма объединенных данных от алгоритма попарного

сравнения является изменение схемы формирования наборов для теста Колмогорова-Смирнова.

Если в первом алгоритме были использованы массивы значений характеристик для каждой

записи в отдельности, то в алгоритме объединенных данных используется объединение

значений характеристик ⋃ ξ𝑟,𝑗 , 𝑗 = 1,2, … ,10𝑟∈𝐶𝑠 для записей класса 𝐶𝑠. Таким образом, при

использовании данного алгоритма тест Колмогорова-Смирнова будет запущен со

сформированным набором данных для текущей записи и комбинированным набором для

каждого из классов.

198

Начальные этапы применения алгоритма объединенных данных полностью совпадают с

этапами алгоритма попарного сравнения, в частности, показ стимула, сбор данных траектории

взгляда, выделение фрагментов, содержащих саккады, расчет характеристик. После завершения

этих этапов, для вычисления вероятностей, используемых при расчете дистанций, применяется

тест Колмогорова-Смирнова на наборах данных, описанных ранее. Для всех классов,

хранящихся в базе данных, устанавливается порог, рассчитанный аналогично вычислению

порога в алгоритме попарного сравнения, и, после проверки соответствия значений дистанций

порогам классов, формируется итоговая структура данных. Итоговым решением алгоритма

будет класс, находящийся ближе всего к рассматриваемой записи. Наибольшее число операций

для идентификации человека с использованием алгоритма объединенных данных определяется

общим количеством классов.

4.6 Экспериментальные исследования метода идентификации

В ходе проведения экспериментального исследования был использован оптический айтрекер

Tobii X2-30 с частотой дискретизации данных 30 Гц. Данный прибор является портативным,

поэтому экспериментальная установка состояла из компьютера с монитором, к которому был

прикреплен айтрекер. В ходе эксперимента на мониторе испытуемым демонстрировался

определенный стимул, в то время как айтрекер фиксировал необходимые данные траектории

взгляда. Калибровка устройства проводилась перед каждым отдельным экспериментом с

использованием стимула, представленного в виде перемещающейся по экрану точке.

Спецификации устройства представлены в таблице 4.5, которая также отражает некоторые

типы существующих ошибок прибора, в частности разброс частоты и интервала дискретизации,

ограничение дистанции между человеком и прибором в ходе эксперимента и т.д. Пример

данных исходного сигнала приведен в таблице 4.6.

Таблица 4.5 – Характеристики устройства

Параметр Значение

Частота дискретизации [28, 32] Гц

Интервал дискретизации [31, 36] мс

Свобода перемещений головы по

горизонтали и по вертикали

50 × 36 см

Рабочая дистанция [40, 90] см

Рекомендованный размер экрана

(соотношение сторон)

25ʹʹ (16:9)

199

Угол взгляда 36°

Точность измерений 0.4° – 1.0°

Таблица 4.6 – Пример исходных данных

Временная

метка

Тип

взгляда

Координата

взгляда на экране

(X,Y)

Позиция глаза в

пространстве (X,Y,Z)

Левый / Правый

Диаметр

зрачка

Левый /

Правый

... ... ... ... ... ... ... ...

1133 Fixation 96.55 162.64 123.56

181.55

179.35

181.46

578.90

576.15

4.04

3.89

1168 Fixation 98.05 166.25 123.54

181.52

179.37

181.48

578.86

576.19

3.97

3.81

1202 Saccade 98.03 153.73 123.54

181.52

179.36

181.46

578.86

576.17

3.90

3.86

1235 Saccade 96.78 167.08 123.49

181.47

179.44

181.54

578.98

576.19

3.86

3.70

1269 Fixation 95.12 162.65 123.45

181.44

179.42

181.59

578.85

576.21

3.82

3.73

1301 Fixation 97.89 165.48 123.40

181.35

179.40

181.57

578.89

576.18

3.84

3.64

1337 Fixation 95.45 163.26 123.33

181.31

179.42

181.59

579.00

576.22

3.75

3.60

1368 Fixation 96.20 167.56 123.26

181.22

179.40

181.61

578.85

576.15

3.78

3.59

1401 Saccade 133.63 161.10 123.65

181.62

179.36

181.63

578.80

576.25

3.79

3.56

1433 Fixation 135.83 157.86 123.60

181.56

179.37

181.62

578.72

575.99

3.80

3.56

1467 Fixation 133.77 160.17 123.56

181.54

179.35

181.62

578.62

575.91

3.81

3.56

... ... ... ... ... ... ... ...

Общая продолжительность экспериментального исследования составила один месяц.

Каждую неделю испытуемым было необходимо в определенный день проходить эксперимент, в

200

ходе которого были зафиксированы необходимые данные траектории взгляда и сформирована

запись в соотношении с идентификатором испытуемого. Каждому участнику было установлено

количество экспериментов, равное 10. Однако данное количество не являлось строго

обязательным, и испытуемые могли сами определить, в скольких экспериментах примут

участие.

Экспериментальный тест состоял из стимула, представленного на рисунке 4.11,

реализующего тест переплетенных линий Рея, с целью получения качественных данных.

Испытуемым было необходимо поочередно отследить каждую из десяти представленных на

рисунке линий. В ходе теста записывались движения глаз испытуемых.

Рисунок 4.11 – Стимул, использованный в ходе экспериментального исследования

Поскольку экспериментальное исследование было проведено в Университете ИТМО,

испытуемыми являлись студенты технических специальностей первого года обучения. Общее

количество участников эксперимента составило 45 человек (общее количество классов), общее

количество зарегистрированных записей составило 325 с 40000 выделенными фрагментами,

содержащими саккады, необходимыми для дальнейшего анализа. Общее количество тестов,

выполненных испытуемыми, представлено в таблице 4.7. Каждый эксперимент занимал 1-1.5

минуты, при этом из полученной записи, в среднем, можно было выделить 120 фрагментов.

Пример исходного сигнала изображен на рисунке 4.12.

201

Таблица 4.7 – Распределение испытуемых по количеству пройденных тестов

Количество тестов Процент испытуемых

12 2.2

10 57.8

9 4.4

7 2.2

6 и менее 33.3

Рисунок 4.12 – Пример исходного сигнала

Оба описанных в методе алгоритма были проверены на основе сравнения значений EER,

рассчитанных для каждого алгоритмов. Метод анализа корректности работы алгоритмов

состоял из представленных далее шагов. Изначально было выбрано 27 классов из 45

возможных, которые включали 10 или более записей. На каждом этапе проверки для каждого из

выделенных классов была выбрана одна запись в качестве испытуемой, в то время как

остальные записи представляли шаблоны классов. После завершения процедуры

идентификации для различных значений порогов классов было определено количество неверно

принятых и неверно отвергнутых записей для каждого из участвующих 27 классов. По итогам

проверки, были построены графики рабочих характеристик приемника (рисунок 4.13) и

определено значение EER для алгоритма в точке, где значение FAR было равно значению FRR.

202

4.7 Выводы

В связи со стремительным развитием всемирной паутины и появлением большого числа

различных информационных систем, все чаще поднимается вопрос о разработке методов

предотвращения несанкционированного доступа к ним. Процедура идентификации

обеспечивает установление личности пользователя с помощью характерных признаков. Можно

выделить три категории методов идентификации:

идентификацию по наличию у пользователя специального токена,

идентификацию по наличию у пользователя определенных знаний,

биометрическую идентификацию:

o идентификация по физиологическим особенностям,

o идентификация по поведенческим характеристикам.

Одно из основных оценочных средств учебной деятельности – электронный контроль –

реализуется в системах электронного обучения. Для осуществления полноценного контроля

процедуры оценивания результатов обучения необходимо использование решений,

обеспечивающих идентификацию личности. Одним из таких решений являются

специализированные компьютерные классы общего доступа. При организации работы

компьютерного класса нужно учитывать недостаток количества рабочих мест по сравнению с

количеством возможных пользователей. Для упрощения администрирования класса была

разработана система управления работой компьютерного класса общего доступа, которая

строится на основе терминальной системы. Достоинства использования данной системы

включают:

длительной срок эксплуатации,

минимальная стоимость поддержки системы,

централизованное администрирование,

высокий уровень доступности и надежности.

Компьютерные классы общего доступа могут быть использованы использовать, когда

требуется очное прохождение электронного контроля, что не всегда является возможным. В

целях проведения процедуры дистанционного электронного контроля была разработана

система дистанционного надзора ITMOproctor, которая предназначена для сопровождения

процесса территориально удаленного прохождения испытаний, подтверждения личности

обучающегося и результатов его аттестации. Во время сдачи экзамена в автоматизированной

системе управления процессом электронного обучения за обучающимся наблюдает инспектор,

контролируя процесс сдачи испытания. В ходе прохождения аттестации обеспечивается

аудиовидеосвязь инспектора и обучающегося, отслеживание экрана компьютера обучающегося

203

и другие функции. Протоколы испытаний со всеми аудиозаписями, видеозаписями,

сообщениями и файлами сохраняются на сервере для каждого экзамена и доступны для

последующего просмотра.

Рисунок 4.13 – ROC-кривые для алгоритмов попарного сравнения (черная сплошная линия) и

алгоритма объединенных данных (серая пунктирная линия)

Методы биометрической идентификации обучающихся являются наиболее

перспективными, поскольку содержат трудновоспроизводимую уникальную информацию о

конкретном человеке. C развитием технического прогресса и появлением айтрекеров, возрос

интерес к разработке методов идентификации на основе анализа траектории взгляда, однако

многие авторы применяют в своих исследованиях высокочастотные приборы, что ограничивает

применение данных методов на практике в силу высокой стоимости и сложного программно-

аппаратного обеспечения устройства. Представленный в работе метод обеспечивает высокую

точность при условии использования низкочастотного устройства. Результаты проверки

корректности работы алгоритмов метода оказались сравнимы: для алгоритма попарного

сравнения полученное значение ошибки EER не превышает 15.44%, в то время как для

алгоритма объединенных данных EER не превышает 16.18%. Таким образом, можно сделать

вывод, что оба алгоритма предоставляют высокую точность идентификации при использовании

204

низкочастотного айтрекера. Но следует отметить, что при наличии более высокой точности для

алгоритма попарного сравнения (15.44%), алгоритм объединенных данных требует меньшего

количества операций для завершения процедуры идентификации и принятия итогового

решения. Также следует обозначить возможные погрешности работы метода, возникающие за

счет:

1) ограничения числа членов ряда Тейлора вследствие использования низкочастотного

устройства;

2) возможных погрешностей при аппроксимации методом конечных разностей;

3) стандартной ошибки прибора, например, задержка измерений, слишком темное или

слишком яркое освещение и т.д.

Для применения метода в реальных информационных системах важно учитывать ограничения

вычислительной мощности серверов и времени на обработку данных. Для уменьшения

количества времени, затрачиваемого на этапы вычислений, метод предполагает возможное

добавление физиологической стационарной характеристики– дистанции между зрачками.

Данная характеристика не может быть использована в качестве основных признаков в методе

идентификации в силу близости значений для разных людей. Однако дистанция между

зрачками может быть использована в качестве ограничительного параметра с целью

уменьшения общего количества рассматриваемых классов.

В разработанном методе предполагается использование низкочастотного айтрекера для

сбора необходимых данных о траектории взгляда, в то время как в других исследованиях, как

было обозначено выше, в основном, применяются высокочастотные устройства с частотой

дискретизации 120-400 Гц. Сравнивая результаты проведенного исследования с результатами

других экспериментов можно отметить, что итоговая ошибка алгоритма попарного сравнения

(15.44%) сравнима с результатом исследования [251], где авторам удалось достичь HTER,

равного 13.6% для высокочастотного устройства, что свидетельствует о преимуществах

разработанных алгоритмов. Таким образом, представленный метод обеспечивает высокую

точность идентификации для данных, полученных с использованием низкочастотного

айтрекера с частотой дискретизации 30 Гц, и может быть использован в реальных системах в

качестве модуля определения личности пользователя на основе данных о траектории взгляда.

205

5 Технологии реализации индивидуальных траекторий обучения и

оценивания результатов обучения

В разделе описаны функции и структура автоматизированной системы управления процессом

электронного обучения, перечислены основные группы безопасности и их права, представлены

алгоритмы, основанные на правилах, сохранения XML-документов в реляционную базу данных

и их восстановления, метод и соответствующий протокол управления удаленной лабораторией,

приведены примеры виртуальных лабораторий по информатике и алгоритм верификации

программ на примере машины Поста в символьном виде.

5.1 Электронная информационно-образовательная среда

Электронная информационно-образовательная среда [63], [85], [93] призвана обеспечить

освоение обучающимися образовательных программ или их частей с применением

электронного обучения, дистанционных образовательных технологий и представляет собой

совокупность информационных и образовательных ресурсов, информационных и

телекоммуникационных технологий, соответствующих технологических средств.

В электронной информационно-образовательной среде существенную роль играет

автоматизированная система управления процессом электронного обучения, которая

обеспечивает:

электронное обучение и оценивание результатов обучения [23], [25], [34], [35], [37], [38],

[39], [51], [69];

управление правами доступа пользователей к сервисам системы и электронным учебно-

методическим материалам [20];

обеспечение взаимодействия пользователей с использованием встроенных

коммуникационных средств [88];

мониторинг и оценка качества электронных учебно-методических материалов и

подготовки обучающихся на основе модульной балльно-рейтинговой системы [89];

разработку электронных учебно-методических материалов, рабочих программ, учебных

планов и индивидуальных планов преподавателей [78], [79];

администрирование системы, электронных учебно-методических материалов и учебного

процесса [92].

Для распределения прав доступа участников учебного процесса к системе в ней должны быть

предусмотрены следующие группы безопасности пользователей:

206

Группа безопасности "Администратор системы" предназначена для лиц, выполняющих

следующие основные функции:

обеспечение работы системы, как межвузовской информационной среды;

администрирование системы;

редактирование списка команд;

распределение команд по группам безопасности;

редактирование интерфейсов пользователей;

мониторинг состояния системы.

Группа безопасности "Администратор университета" предназначена для лиц,

выполняющих следующие основные функции:

обеспечение работы системы в рамках университета;

администрирование в системе подразделений университета;

создание и редактирование учетных записей пользователей университета в

системе;

введение информации об аудиториях университета, из которых разрешена

аттестация;

создание и редактирование разрешающих ключей, назначение на ключ

программы или темы аттестации, группы учащихся;

управление правами владения информационными объектами в системе.

Группа безопасности "Руководитель" предназначена для лиц, выполняющих функцию

организации и управления учебным процессом в рамках университета.

Группа безопасности "Заведующий кафедрой" предназначена для лиц, выполняющих

функцию организации и управления учебным процессом в рамках подразделения.

Группа безопасности "Методист" предназначена для лиц, выполняющих следующие

основные функции:

создание и редактирование программ, курсов, схем и описаний;

консультирование преподавателей образовательной организации и авторов

электронных учебно-методических материалов;

управление списком авторов элементов электронных учебно-методических

материалов.

Группа безопасности "Преподаватель" предназначена для лиц, которые яввляются

авторами электронных учебно-методических материалов и реализуют в системе

дисциплины (модули) образовательной программы.

Группа безопасности "Инструктор" предназначена для лиц, выполняющих следующие

основные функции:

207

надзор во время проведения процедур оценивания результатов обучения;

разработка электронных учебно-методических материалов;

сопровождение учебного процесса;

выдача ключей для смены пароля.

Группа безопасности "Сотрудник" предназначена для лиц, выполняющих функции:

разработка электронных материалов;

сопровождение учебного процесса.

Группа безопасности "Студент" предназначена для лиц, проходящих в системе обучение

и аттестацию.

Группа безопасности "Гость" предназначена для лиц, осуществляющих знакомство с

функционалом системы или электронными учебно-методическими материалами.

Большинство систем электронного обучения разрабатываются по шаблону программирования

Модель-Представление-Контроллер (Model-View-Controller, MVC), который применяется при

создании сложных веб-ориентированных проектов и позволяет эффективно организовать

работу больших коллективов разработчиков, структурировать код системы и систему в целом:

Контроллер может отправлять модели команды, чтобы изменять ее состояние. Он также

может отправлять команды с целью изменить состояние представления приложения.

Модель хранит данные, полученные в соответствии с командами контроллера и

отображаемые представлением.

Представление создает внешний вид приложения на основе состояния модели в

соответствии с командами контроллера.

Так, например, взаимодействия основных программных подсистем автоматизированной

системы управления процессом электронного обучения AcademicNT [20], [21], [81], [84], [116]

можно описать схемой, представленной на рисунке 5.1. В качестве клиента выступает веб-

обозреватель, пользователь взаимодействует с системой с помощью стандартных элементов

управления HTML и ECMAScript-совместимых сценариев (JavaScript). Сценарии используются

для обработки информации на стороне клиента и построения сложных интерфейсов

пользователя. Взаимодействие между клиентской частью и контроллером происходит по

протоколу HTTP или защищенному протоколу HTTPS. Контроллер, реализованный в системе

как Java-сервлет, преобразует HTTP-запросы в команды и выполняет их, используя функции

ядра системы. Эти функции реализованы на стороне СУБД Oracle в виде хранимых процедур,

при вызове которых контроллер осуществляет подстановку значений параметров. Для этого в

контроллере реализован механизм выбора значений параметров с учетом приоритетов:

предустановленные переменные, переменные сессии, параметры запроса. Контроллер также

допускает выполнение команд по требованию функций ядра, что используется, например, для

208

отправки сообщений по электронной почте, создания электронных таблиц или графических

файлов, проверки заданий виртуальной лаборатории. Функции ядра системы обеспечивают

сохранение, выборку, изменение, удаление данных в хранилище. Выходными параметрами

процедур являются XML-документ и XSLT-шаблон, используемые для формирования HTML-

страницы, а также, в случае необходимости, курсор специального типа, предназначенный для

описания команды, которую должен выполнить контроллер. Таким образом, модель в системе

AcademicNT реализована на стороне СУБД, что обеспечивает высокую скорость выполнения

операций и безопасность системы.

Уровень представления в системе AcademicNT реализован с помощью XSLT-шаблонов

(рисунок 5.2). Шаблон отвечает за формирование HTML-страниц на основе XML-документов,

генерируемых функциями ядра. Задача шаблонов – выбор данных из XML-документов и

формирование интерфейса пользователя с помощью сценариев веб-обозревателя и стандартных

HTML-тэгов. Кроме того, уровень представления управляет переходами между интерфейсами.

В сложных интерфейсах для этого используется стек переходов, в более простых – в XML-

документы записывается дополнительная информация, на основе которой XSLT-шаблон

генерирует переходы к следующей и предыдущей страницам интерфейса. С целью повторного

использования проверяющие серверы выделены в отдельные приложения системы.

Взаимодействие контроллера и проверяющих серверов основано на разработанном протоколе

управления удаленной виртуальной лабораторией (Remote Laboratory Control Protocol, RLCP).

Вызов проверяющего сервера реализуется командой со стороны функции ядра, которая, в свою

очередь, может быть вызвана командой со стороны клиента или обработчиком отложенных

задач. Обработчик отложенных задач интегрирован в контроллер и выполняет задачи,

записанные в специальное табличное пространство, по установленному расписанию.

Рассмотрим более подробно алгоритм функционирования подсистем автоматизированной

системы управления процессом электронного обучения на примере AcademicNT. Клиент через

веб-обозреватель отправляет HTTP-запрос на веб-сервер. Веб-сервер перенаправляет запрос

веб-приложению, которое взаимодействует с СУБД. Ответ от СУБД возвращается в формате

XML и веб-приложение преобразует его в HTML-страницу. Контроллер реализует веб-

приложение (сервлет), построенное по технологии Java Servlets. Для взаимодействия с СУБД

используются библиотеки JDBC. Алгоритмы преобразования XML- документов используют

библиотеки Xerces и Xalan от Apache. Сервлет осуществляет преобразование HTTP-запроса к

вызову хранимой процедуры на стороне СУБД, формирует HTML-ответ и направляет

обозревателю клиента. Более сложная схема взаимодействия контроллера и СУБД допускает

вызов команд системы со стороны хранимых процедур – список команд приведен в таблице 5.1.

В таком случае исходная процедура формирует специальный курсор команд. Формат вызова

209

допускает регистрацию, дерегистрацию и задание значений для переменных сессии

пользователя. Таким образом, хранимые процедуры могут вызывать команды системы с

подстановкой параметров. Схема вызова хранимой процедуры по команде показана на рисунке

5.3. "Клиент" – это веб-обозреватель, с помощью которого пользователь отправляет HTTP-

запрос с именем команды и параметрами. Вместе с именем хранимой процедуры, контроллер

получает идентификатор XSLT-шаблона. На этапе вызова процедуры происходит подстановка

параметров. После выполнения, процедура возвращает XML-документ и XSLT-шаблон.

Контроллер выполняет преобразование и отправляет HTML-ответ клиенту. Если контроллер не

может привести параметр HTTP-запроса к типу входного параметра хранимой процедуры,

подставляется значение по умолчанию. Если же значения по умолчанию для типа данных не

существует, обработка запроса прекращается без вызова хранимой процедуры. Таким образом,

гарантируется достоверность данных, необходимых для работы хранимых процедур.

Рисунок 5.1 – Схема взаимодействия подсистем

Рисунок 5.2 – Формирование HTML-страниц

210

Таблица 5.1 – Список команд системы, которые могут быть выполнены по требованию

функций ядра

Команда Описание

Generate Формирование варианта задания лабораторной работы

на стороне проверяющего сервера виртуальной

лаборатории.

Check Выполнение предварительной проверки лабораторной

работы или вспомогательных вычислений на стороне

проверяющего сервера виртуальной лаборатории.

Calculate Вызов хранимой процедуры.

Call Выполнение проверки задания на стороне

проверяющего сервера виртуальной лаборатории.

SystemExit Принудительное завершение сессии сервлета.

RegVar Сохранение переменных в сессии.

SpaceVars Сохранение переменных в заданном пространстве

сессии.

UnregVar Удаление переменной из сессии.

UnregSpace Удаление пространства переменных из сессии.

SpaceOps Операции над заданным пространством переменных.

RestoreSession Восстанавливает сессию по заданному идентификатору

JsessionID.

OutputMimeType Установка заданного MIME-типа при ответе клиенту.

CommandExec Выполнение команды, реализованной как Java-класс.

Для хранения информации о связи имени команды с группой безопасности пользователя

и XSLT-шаблоном используется табличное пространство, представленное на рисунке 5.4, где

PK – первичный ключ, FK – внешний ключ. Группа безопасности пользователя выбирается при

регистрации в системе и сохраняется на время работы пользователя. Таким образом, зная имя

команды, можно однозначно определить название хранимой процедуры и идентификатор

XSLT-шаблона.

При формировании вызова процедуры, значения параметров выбираются в порядке

перечисления при совпадении имен из:

1) предустановленных переменных (таблица 5.2);

2) переменных сессии (пространств переменных);

3) HTTP-запроса.

211

Например, если переменная с именем "key" есть в параметрах HTTP-запроса и в переменных

сессии, то значение будет выбрано из переменных сессии. Хранение данных в переменных

сессии позволяет скрыть их во время сеансов аттестации, не передавая на сторону клиента с

каждым запросом. Это повышает защищенность системы. Пространства переменных – это

частный случай переменных сессии, когда под некоторым ключевым значением сохраняется

набор данных. Адресация к таким переменным производится по ключевому значению, которое

и передается на сторону клиента. Диаграмма последовательности вызовов команд системы с

использованием пространств переменных представлена на рисунке 5.5. В данном примере

продемонстрирован алгоритм добавления, использования и удаления пространства переменных

с двумя переменными (v1 и v2), где cmd1, cmd2, cmd3 – команды системы, pack.func1,

pack.func2 и pack.func3 – хранимые процедуры, связанные с командами, space_name –

идентификатор пространства переменных. Как видно из диаграммы, space_name передается на

сторону клиента в HTML-странице и используется, как параметр, при формировании

HTTP-запросов. Контроллер использует этот параметр для присваивания значений параметрам

вызова хранимой процедуры. После удаления пространства переменных (результат выполнения

pack.func2) вызов pack.func3 приведет к ошибке, т.к. параметры v1, v2 не были объявлены.

Процедуры, формирующие интерфейс пользователя должны иметь три обязательных

параметра: XML типа CLOB, XSL типа CLOB и XSL_ID типа NUMBER. В параметре XML

должен находиться корректный XML-документ, XSL – XSLT-шаблон, XSL_ID –

идентификатор шаблона (для кэширования). Разобранные шаблоны кэшируются сервлетом, что

значительно повышает производительность преобразования при формировании HTML-ответа.

Взаимодействие с контроллером хранимых процедур используется в следующих

случаях:

формирование запроса к проверяющему серверу виртуальной лаборатории;

вызов другой хранимой процедуры с использованием параметров, сохраненных в

переменных сессии;

принудительное завершение и очистка сессии;

регистрация переменных и пространств переменных;

установка MIME-типа ответа, отличного от text/html;

запуск команды, реализованной как Java-класс (используется, например, при отправке

почты или разборе файлов формата Microsoft Excel).

212

Рисунок 5.3 – Диаграмма последовательности вызова процедуры и обработки результата

213

Рисунок 5.4 – Инфологическая модель табличного пространства с информацией о правах

доступа

Таблица 5.2 – Предустановленные переменные

Название Назначение

Key Значение ключа доступа к базе данных.

CRC32 Значение контрольной суммы CRC32, рассчитанной для

загруженного файла.

UploadFileName Имя файла, загруженного через форму типа

multipart/form-data.

IPAddress Значение из session-элемента "clientIP".

SpaceName Задает текущее пространство переменных в запросе

клиента. Если SpaceName не указана или значение пустое,

текущее пространство переменных – ‘DEFAULT’.

StreamSize Размер файла, загруженного через форму типа

multipart/form-data.

CurrentTime Текущее время сервлета.

JsessionID Идентификатор сессии сервлета.

XSLID Идентификатор шаблона XSLT, сопоставленного

хранимой процедуре для команды, указанной в запросе

клиента.

Имена, перечисленные в

атрибутах //Keys/Key/@name

файла, указанного в параметре

keyfile.path файла web.xml

Имена параметров для хранимых процедур, в которые

будут записаны ключи шифрования.

214

Название Назначение

XML XML-документ, который будет преобразован с

использованием параметра XSL в качестве шаблона

XSLT-преобразования.

XSL Шаблон для преобразования XML-документа из

параметра XML.

ServerXML Специальный параметр типа CLOB, в котором передается

группа проверяющих наборов и ответ студента из

хранимой процедуры для вызова проверяющего сервера.

Commands Параметр типа DE_COMMON.OpCursor. Курсор, в

который записываются команды от хранимой процедуры

к сервлету.

Рисунок 5.5 – Использование пространств переменных

В случае возникновения ошибки при вызове процедуры, используется планировщик задач для

организации повторного вызова через время, заданное в файле конфигурации (scheduler.xml,

элемент – FunctionCallPause).

215

Взаимодействие с проверяющими серверами виртуальных лабораторий организовано по

протоколу RCLP. Взаимодействие модулей системы AcademicNT при проверке виртуальных

лабораторных работ происходит по следующей схеме. Пользователь отправляет через

веб-обозреватель команду vl_answerReady. Контроллер вызывает хранимую функцию

vl_answerReady(), которая возвращает XML-документ, XSLT-шаблон для формирования

HTML-ответа и команду сервлету на проверку лабораторной работы. Контроллер отправляет

RLCP-запрос на проверяющий сервер, получает RLCP-ответ, разбирает его и вызывает

хранимую функцию для внесения данных в БД (vl_putCheckResult). Диаграмма

последовательности вызовов представлена на рисунке 5.6. Проверка лабораторной работы

может занять длительное время, поэтому пользователь сразу получает HTML-ответ от сервера и

после этого данные отправляются на проверяющий сервер. Хранимая функция

vl_putCheckResult записывает результаты проверки в БД, таким образом, они становятся

доступны через средства мониторинга. Ошибки при взаимодействии между контроллером и

проверяющим сервером обрабатываются аналогично ошибкам при вызове хранимых процедур.

Рисунок 5.6 – Диаграмма последовательности вызовов при проверке виртуальной лабораторной

работы

Процедура vl_answerReady с параметрами заносится в расписание, и планировщик задач

выполняет ее позднее (когда ошибка будет устранена). Причинами ошибок могут служить

отсутствие сетевого доступа к компьютеру с проверяющим сервером или отсутствие ресурсов,

необходимых для корректного функционирования проверяющего сервера.

216

5.2 Импорт и экспорт электронных учебно-методических материалов

В современных информационных системах для хранения перманентных данных используют

реляционные базы данных, которые характеризуются высокой производительностью и

надежностью. Эти базы данных основаны на реляционной модели и используют для хранения

объектов предметной области таблицы с наперед заданными столбцами. Каждая такая таблица

соответствует отношению в реляционной модели. В то же время для межсистемного обмена

данными часто используются форматы XML (eXtensible Markup Language – расширяемый язык

разметки), JSON (JavaScript Object Notation – текстовый формат обмена данными, основанный

на JavaScript), построенные на иерархической модeли. Для обмена электронными учебно-

методическими материалами XML-формат предпочтителен по нескольким причинам:

гибкость, доступность и содержательная ориентированность формата позволяет хранить

практически любые иерархические структуры;

возможность описания структур данных с помощью файлов DTD (Document Type

Definition – определение типа документа) или XSD (XML Schema Definition –

определение схемы XML-документа, или, XML-схемы) позволяет определять единые

стандарты обмена данными внутри организации, на региональном, национальном или

международном уровне;

наличие единого стандарта данных позволяет осуществлять верификацию структуры

вводимых, передаваемых или получаемых данных.

Применение реляционной модели для хранения данных и иерархической модели для обмена

данными предполагает поиск условий, при которых существует взаимно однозначного

соответствие между реляционными и иерархическими структурами.

Структурной единицей XML-документа является элемент. Каждый элемент может

описываться множеством атрибутов и содержать другие элементы или данные. В документе

должен быть один элемент, которые называется корневым и содержит остальные элементы

документа. Элемент, который не содержит другие элементы и данные называется пустым.

Непустой элемент в документе обязательно имеет открывающий и закрывающий теги. В

документе закрывающие теги элементов должны следовать в обратном порядке открывающим

тегам. Документ, который удовлетворяет перечисленным правилам, называется правильным

XML-документом. Для описания структуры XML-документа используются DTD-определения

или XML-схемы. XML-схема в отличие от DTD-определения является правильным XML-

документом и предоставляет дополнительные возможности для описания ограничений

предметной области, в частности, позволяет предписывать простые и сложные типы данных,

217

диапазоны значений атрибутов, точные значения мощности связей. С точки зрения структуры

данных XML-документ представляет собой дерево и, следовательно, преобразование его в

строки и столбцы таблиц реляционной базы данных является нетривиальной задачей. При

решении этой задачи стремятся выбрать метод, который обеспечивает неизбыточное

нормализованное представление содержания XML-документа с помощью минимального набора

отношений на основе анализа функциональных зависимостей, первичных и внешних ключей

[138], специального фиксированного набора таблиц и алгоритма преобразования XPath-

запросов в SQL-запросы [240], [255], самообучающегося алгоритма преобразования XML-

документа в таблицы реляционной базы данных [201]. Однако в настоящий момент не

существует единого универсального подхода к хранению XML-документа в реляционной базе

данных [137]

Существующие методы хранения XML-данных можно отнести к одной из трех

категорий. К первой категории относятся методы, которые предполагают хранение XML-

документа как одного большого текстового блока данных, такого как CLOB (Character Large

Object – большой текстовый объект). В этом случае не требуется тратить время на анализ XML-

документа, который сохраняется в оригинальном виде, однако нельзя использовать

возможности СУБД для эффективного поиска, выборки и обновления информации. Для

выполнения этих операций необходимо выгружать в память весь документ. Также такие

методы хранения приводят к избыточности данных. Поэтому хранение документа как одного

блока данных является неэффективным. К следующей категории относятся методы, которые

используют СУБД, поддерживающие XML-тип данных. Эти методы не требуют каких-либо

предварительных преобразований XML-документов. Кроме того, появляется возможность

использовать встроенные механизмы СУБД для манипуляции XML-данными. Но эти методы не

устраняют избыточность, которая свойственна иерархическим структурам, поэтому операции

обновления данных будут неэффективными, а реализация операций поиска и объединения

могут оказаться громоздкими. К последней категории относятся методы, которые отображают

XML-данные в строки и столбцы таблиц реляционной базы данных, которые, как известно,

обладают эффективными встроенными средствами поиска, выборки, обновления и удаления

данных. Сохранение XML-документа в базе данных требует его специального преобразования –

XML-реляционного преобразования. Запросы, выраженные языком структуры XML-документа,

должны быть преобразованы в SQL-запросы, а результаты запросов надо преобразовывать в

XML-формат. Поэтому во многом эффективность этих методов зависит от вида

преобразований, которые они используют. Производители систем управления данными, такие

как IBM, Microsoft, Oracle, Sybase, разрабатывают инструменты для поддержки этих

преобразований, однако единые стандарты и методы преобразования пока не существуют.

218

В системе AcademicNT используется реляционная модель для хранения данных и

иерархическая модель для обмена данными. Структура базы данных системы AcademicNT

оптимизирована для максимальной производительности и контроля целостности данных. В

комплект для импорта и экспорта данных входит несколько типов XML-документов, каждый из

которых предназначен для отдельных составляющих электронных материалов:

учебный план,

рабочая программа дисциплины,

структура электронного курса,

сценарии электронного конспекта,

страницы электронного конспекта,

кадры электронного конспекта,

сценарии электронных тестов,

кадры электронных тестов,

сценарии виртуальных лабораторий,

кадры виртуальных лабораторий,

виртуальная лабораторная установка,

сценарии электронных практикумов,

кадры электронных практикумов,

информационные ресурсы.

Для каждого типа XML-документа сформировано отдельное DTD-определение и XML-

схема. Таким образом, каждый XML-файл является логически законченной структурой данных,

удобной для заполнения. Для XML-реляционного преобразования материалов была разработана

система продукционных правил, которые предназначены для анализа входных данных. С целью

корректного формирования правил должны быть определены следующие параметры:

S – класс применимости правила;

L – условие запуска правила;

A→B – основная часть правила, содержащая описание действия;

Q – постусловия.

Таким образом, полная формула для продукционного правила будем иметь вид:

, , ,S L A B Q (5.1)

Следование правилам позволяет отобразить элементы и их атрибуты в отношения и их

атрибуты, а вложенные элементы – в связи между отношениями [5], [67], [219].

219

В рамках разработанной системы правил [63] используются следующие обозначения:

Ancestors(element) – функция возвращает список родительских элементов

текущего элемента (element);

Attributes(source) – функция возвращает список атрибутов для указанного объекта

(source);

ChecksumCRC32(binary object) – функция рассчитывает и возвращает контрольную

сумму по алгоритму CRC32 для бинарного объекта (binary object);

Descendants(element) – функция возвращает список потомков текущего элемента

(element);

Download(binary object) – функция возвращает файл, сформированный на основе

бинарного объекта (binary object) базы данных;

Exists(source) – функция проверяет наличие объекта (source) в документе или базе

данных и возвращает true, если объект существует, иначе – false;

GetAttribute(name) – метод возвращает атрибут с указанным именем (name);

GetName() – метод возвращает имя объекта, для которого вызывается;

GetRelation() – метод возвращает отношение базы данных на основе анализа имени

объекта, для которого вызывается;

GetValue() – метод возвращает значение объекта;

IsEmpty() – метод проверяет значение объекта, для которого вызывается,

возвращает true, если объект пустой, иначе – false;

Not() – логическая функция отрицания;

Relations – множество отношений реляционной базы данных;

SetName(name) – метод присваивает имя (name) объекту, для которого вызывается;

SetValue(value) – метод присваивает значение (value) объекту, для которого

вызывается;

ShowError() – функция возвращает сообщение об ошибке;

Store(source) – функция сохраняет информацию (source) в базе данных;

TextElements – множество элементов с текстовым типом данных (PCDATA);

Tuples(relation) – функция возвращает кортежи отношения (relation);

UpdateConnections() – метод обновляет информацию о связях между кортежами

отношений;

220

Upload(file name) – функция загружает файла (file name) в базу данных.

Для хранения справочной информации в базе данных создано отношение TABLE_INDEX

с атрибутами TABLE_NAME, INDEX_COLUMN, RETURN_COLUMN. Используя кортежи

этого отношения, алгоритм определяет внешние ключи и их значения по значениям

других атрибутов отношения, заданных в XML-документе, что позволяет освободить

оператора от необходимости ввода в XML-документ трудно запоминаемых

идентификаторов. Перед началом преобразования XML-документа для каждого

элемента и атрибута, содержащих данные в текстовом формате, значения сначала

преобразуются к типу java.util.Date, в случае возникновения ошибки – к типу

java.lang.Double, иначе – к типу java.lang.String. Разработанная система правил импорта

XML-документов в реляционную базу данных представлена в таблице 5.3.

Таблица 5.3 – Правила импорта XML-документов в реляционную базу данных

№ Описание правила

1 Обход дерева XML-документа происходит сверху вниз, в качестве текущего

отношения определяется первый элемент, имя которого совпадает с именем

отношения.

S : Обход дерева XML-документа

L : . ()currentElement GetRelation Relations

: . ()A B currentRelation currentElement GetRelation

Q : currentRelation Relations

2 Элемент с данными в PCDATA-формате, имя которого совпадает с именем

отношения, интерпретируется как атрибут отношения c именем DATA.

S : Анализ элемента (currentElement)

:L currentElement TextElements

: . (' '). ( . ())A B currentRelation GetAttribute DATA SetValue currentElement GetValue

: ( . (' '). ())Q Not currentRelation GetAttribute DATA IsEmpty

3 Элемент, являющийся потомком текущего элемента, с данными в PCDATA-

формате, имя которого не совпадает с именем отношения, интерпретируется как

атрибут текущего отношения (имя атрибута соответствует имени элемента).

S : Анализ потомков элемента (currentElement)

221


: ( ( ) )

. ()

L childElement Descendants currentElement TextElements

childElement GetRelation Relations

: . ( . ())

. ( . ())

A B currentRelation GetAttribute childElement GetName

SetValue childElement GetValue

: ( . ( . ()). ())Q Not currentRelation GetAttribute childElement GetName IsEmpty

4 Элемент, имя которого совпадает с именем отношения и имеет атрибут IsKey со

значением "Yes", вносится в отношение, если в отношении не существует

аналогичного кортежа. Если такой кортеж существует, то будет сгенерировано

сообщение об ошибке. Если атрибут IsKey имеет значение "No" и кортеж,

соответствующий элементу, в отношении не присутствует, так же будет

сгенерировано сообщение об ошибке.

4.1 S : Анализ элемента (currentElement) с атрибутом IsKey

: ( )

. (' '). () ' '

( )

L IsKey Attributes currentElement

currentElement GetAttribute IsKey GetValue Yes

currentElement Tuple currentRelation

: . ( )A B currentRelation Store currentElement

: ( )Q currentElement Tuples currentRelation

4.2 S : Анализ элемента (currentElement) с атрибутом IsKey

: ( )

(( . (' '). () ' '

( ))

( . (' '). () ' '

L IsKey Attributes currentElement

currentElement GetAttribute IsKey GetValue Yes

currentElement Tuple currentRelation

currentElement GetAttribute IsKey GetValue No

currentElement

( )))Tuple currentRelation

: ()A B ShowError


5 Элемент, имя которого совпадает с именем отношения, и для которого не задан

атрибут IsKey, вносится в таблицу. В случае существования кортежа происходит

обновление связей отношения, иначе - в отношении создается новый кортеж.

5.1 S : Анализ элемента (currentElement) без атрибута IsKey

: ( ) ( )L IsKey Attributes currentElement currentElement Tuple currentRelation

: . ()A B currentRelationUpdateConnections


5.2 S : Анализ элемента (currentElement) без атрибута IsKey

222


: ( ) ( )L IsKey Attributes currentElement currentElement Tuple currentRelation

: . ( )A B currentRelation Store currentElement


6 Значение атрибута SRC элемента заносится в атрибут SRC отношения, а сам файл,

имя которого содержится в атрибуте, загружается в атрибут CNT отношения в

бинарном виде.

S : Анализ элемента (currentElement) с атрибутом SRC

: ( )L SRC Attributes currentElement

:

. (' ')

. ( ( . (' '). ())),

. (' ')

. ( . (' '). ())

A B

currentRelation GetAttribute CNT

SetValue Upload currentElement GetAttribute SRC GetValue

currentRelation GetAttribute SRC

SetValue currentElement GetAttribute SRC GetValue

:

( . (' '). ())

( . (' '). ())

Q

Not currentRelation GetAttribute CNT IsEmpty

Not currentRelation GetAttribute SRC IsEmpty

7 Для элемента с именем ATTACH автоматически создается атрибут CRC32,

хранящий значение контрольной суммы, вычисленной по алгоритму CRC32. Этот

атрибут вносится в отношение ATTACH. Расчет контрольной суммы

осуществляется с целью соблюдения уникальности данных и предотвращения

возможности дублирования данных.

S : Анализ элемента (currentElement) с именем ATTACH

: ( . (' '). ())L currentElement ATTACH Not currentElement GetAttribute SRC IsEmpty

: . (' 32 '). (

32( ( . (' '). ()))

A B currentRelation GetAttribute CRC SetValue

ChecksumCRC Upload currentElement GetAttribute SRC GetValue

: ( . (' 32 '). ())Q Not currentRelation GetAttribute CRC IsEmpty

8 Если имя атрибута некоторого элемента совпадает с именем отношения, то из

отношения TABLE_INDEX с атрибутами TABLE_NAME, INDEX_COLUMN,

RETURN_COLUMN, выбирается кортеж, для которого его атрибут TABLE_NAME

совпадает с именем атрибута элемента. После этого из отношения с именем,

совпадающим с именем атрибута элемента, выбирается атрибут, имя которого

содержится в атрибуте RETURN_COLUMN кортежа, для которого выполняется

223


условие равенства INDEX_COLUMN значению атрибута элемента.

S : Анализ атрибутов элемента (currentElement)

: ( )

. () _

. () _ . _

_ .

_

_

.

L attribute Attributes currentElement

attribute GetName TABLE NAME

attribute GetValue TABLE NAME INDEX COLUMN

value TABLE

TABLE INDE

NAME RETURN C

X

OLUM

: . ( . ()). ( )A B currentRelation GetAttribute attribute GetName SetValue value

: . ( . ()). ()Q currentRelation GetAttribute attribute GetName GetValue value

9 Все атрибуты текущего отношения должны соотноситься с атрибутами элемента.

Если атрибут элемента отсутствует в текущем отношении, то необходимо

подняться вверх по иерархии XML-документа и найти отношение с нужным

атрибутом. Поиск начнется с отношения, имя которого сформировано именами

родительского и дочернего элементов с разделением через символ '_'.

9.1 S : Анализ атрибутов элемента (currentElement)

: ( )

( )

( )

. () ( '_' )


attribute Attributes currentRelation

parentElement Ancestors currentElement

relation Relations

relation GetName parentElement currentElement

attribute

( )Attributes relation

: . ( . ()). ( . ())A B relation GetAttribute attribute GetName SetValue attribute GetValue

: . ( . ()). () . ()Q relation GetAttribute attribute GetName GetValue attribute GetValue

9.2 S : Анализ атрибутов элемента (currentElement)

: ( )

( )

( )

. ()

(


attribute Attributes currentRelation

parentElement Ancestors currentElement

relation Relations

relation parentElement GetRelation

attribute Attributes relat

)ion

: . ( . ()). ( . ())A B relation GetAttribute attribute GetName SetValue attribute GetValue

: . ( . ()). () . ()Q relation GetAttribute attribute GetName GetValue attribute GetValue

10 Если существует отношение с именем, которое сформировано за счет имен

родительского и дочернего элементов, разделенных символом подчеркивания ('_'),

224


то к отношениям применяется связь "Многие ко многим".

S : Анализ родительского и дочернего элементов

: . ()

. ()

( '_' ). ()

L parentElement GetRelation Relations

currentElement GetRelation Relations

relation parentElement currentElement GetRelation

relation Relations

: . ( . ())

. ( . (). (' '). ()),

. ( . ())

. ( .

A B relation GetAttribute parentElement GetName

SetValue parentElement GetRelation GetAttribute ID GetValue

relation GetAttribute currentElement GetName

SetValue currentElement GetRelati

(). (' '). ())on GetAttribute ID GetValue

: . ( . ()). ()

. (). (' '). ())

. ( . ()). ()

.

Q relation GetAttribute parentElement GetName GetValue

parentElement GetRelation GetAttribute ID GetValue

relation GetAttribute currentElement GetName GetValue

currentElement GetRe

(). (' '). ())lation GetAttribute ID GetValue

11 Если отношение для связи не было найдено, реализуется попытка применения

связи "Один ко многим" с внесением значения атрибута ID из отношения с

именем родительского элемента в отношение с именем дочернего элемента. В

отношении с именем дочернего элемента должен находится атрибут с именем

родительского элемента.

S : Анализ родительского и дочернего элементов

: . ()

. ()

( . ( . ())

L currentRelation currentElement GetRelation

parentRelation parentElement GetRelation

Exists currentRelation GetAttribute parentRelation GetName

: . ( . ())

. ( . (' '). ())

A B currentRelation GetAttribute parentRelation GetName

SetValue parentRelation GetAttribute ID GetValue

: . ( . ()). ()

. (' '). ()

Q currentRelation GetAttribute parentRelation GetName GetValue

parentRelation GetAttribute ID GetValue

12 Если не получается применить связь "Один ко многим", значение атрибута ID из

отношения с именем дочернего элемента вносится в отношение с именем

родительского элемента. В таблице с именем родительского элемента должен

находится атрибут с именем дочернего элемента.

S : Анализ дочернего и родительского элементов

225


: . ()

. ()

( . ( . ())

L currentRelation currentElement GetRelation

parentRelation parentElement GetRelation

Exists parentRelation GetAttribute currentRelation GetName

: . ( . ())

. ( . (' '). ())

A B parentRelation GetAttribute currentRelation GetName

SetValue currentRelation GetAttribute ID GetValue

: . ( . ()). ()

. (' '). ()

Q parentRelation GetAttribute currentRelation GetName GetValue

currentRelation GetAttribute ID GetValue

При импорте в базу данных ключевым элементом является XML-элемент документа. На

уровне отдельного элемента вычисляется текущее отношение, верхнее по иерархии отношение,

атрибуты отношений и внешние ключи. Экспорт производится по DTD-описанию или XML-

схеме, т.е. дерево трансляции строится уже на их основе. ID корневого элемента и сам элемент

для DTD-описания задается при запуске трансляции, а подчиненные элементы экспортируются

исходя из текущего состояния базы данных. Выходными данными являются XML-документы,

соответствующие DTD-описанию или XML-схеме. В процессе экспорта используются правила,

перечисленные в таблице 5.4.

Таблица 5.4 – Правила экспорта XML-документов из реляционной базы данных


1 Для заданного отношения и множества кортежей startTuples отношения startRelation

определяется первый элемент, имя которого соответствует имени отношения.

S : Построение дерева XML-документа

:

( )

. ()

L startRelation Relations

tuple Tuples startRelation

currentElement GetRelation startRelation

: . ( )A B currentElement SetValue tuple

:Q currentElement tuple

2 В рамках XML-документа осуществляется поиск дочернего элемента childElement,

имя которого совпадает с именем отношения childRelation. Для найденного

отношения определяется множество кортежей childTuples, связанных с помощью

атрибута или промежуточного отношения с множеством кортежей parentTuples

отношения parentRelation, соответствующего родительскому элементу parentElement.

Промежуточное отношение должно иметь имя, образованное из имен родительского

226


и дочернего элементов с разделением с помощью символа подчеркивания ('_').

S : Анализ дочернего и родительского элементов

: ( )

. ()

L childElement Descendants parentElement

childElement GetRelation childRelation

tuple childTuples

: . ( )A B childElement SetValue tuple

:Q childElement tuple

3 Атрибуты элемента currentElement, соответствующего отношению currentRelation,

данные в формате PCDATA, вложенные элементы childElements, не совпадающие с

именами отношений, их атрибуты и данные в формате PCDATA соотносятся с

атрибутами отношения currentRelation, которое соответствует текущему элементу, и

отношения socketRelation, имя которого состоит из имен текущего элемента и

ближайшего родительского элемента с разделением символом подчеркивания ("_").

Все элементы и атрибуты включают данные.

S : Анализ атрибутов отношения и элемента, дочерних элементов и атрибутов

: . ()

. ()

( ) ( )

( ) ( )

L currentElement GetRelation currentRelation

childElements GetRelation Relations

Attributes currentElement Attributes childElements

Attributes currentRelation Attributes socketRelation

: ( ( ) ( ))

. (( ( ) ( ))

. ())

A B Attributes currentElement Attributes childElements

SetValue Attributes currentRelation Attributes socketRelation

GetValue

: ( ( ) ( )). ())Q Not Attributes currentElement Attributes childElements IsEmpty

4 Если атрибут elementAttribute некоторого элемента currentElement совпадает с

именем отношения relation, то из отношения TABLE_INDEX, имеющего атрибуты

TABLE_NAME, RETURN_COLUMN, INDEX_COLUMN, выбирается кортеж, для

которого атрибут TABLE_NAME соответствует имени атрибута элемента. После чего

из кортежа tuple отношения relation с именем атрибута elementAttribute выбирается

значение атрибута relationAttribute, имя которого содержится в атрибуте

INDEX_COLUMN. Атрибут RETURN_COLUMN кортежа отношения relation должен

быть равен текущему значению атрибута elementAttribute. Значение атрибута

relationAttribute кортежа записывается в атрибут elementAttribute элемента.

227


S : Поиск значения атрибута с именем отношения

: . ()

. () _ . _

elementAttribute

elemen

L GetRelation relation

GetValue TABLE NAMtAtt E RETURN COLUMNribute

: . ( _ . _ )A B SetValuele e TABLE NmentAttribute AME INDEX COLUMN

: . () _ . _elQ GetValue TABLE NAME INDEX COLUMNementAttribute

5 Атрибут SRC отношения currentRelation вносится как атрибут SRC элемента

currentElement. Бинарные данные из атрибута CNT отношения записываются в файл

file с именем из атрибута SRC.

S : Анализ отношения с атрибутом SRC

: ( )

( )

( )

currentElement

currentRelat

L SRC Attributes

SRC Attributes

CNT Attribute

ion

currentRelations

:( . . ( . . ()),

( . ( ( . . ()))),

( . ( . . ()))

A B currentElement SRC SetValue currentRelation SRC GetValue

file SetValue Download currentRelation CNT GetValue

file SetName currentRelation SRC GetValue

: . . () . . ()

( . ())

Q currentElement SRC GetValue currentRelation SRC GetValue

Not file IsEmpty

Рассмотрим в качестве примера импорт установок виртуальных лабораторий. DTD-

определение XML-документа, содержащего описания установок виртуальной лаборатории

имеет вид:

228

Корневым элементом является LaboratoryTools, которые не имеет атрибутов и может содержать

произвольное количество элементов ToolIndex. Элемент ToolIndex предназначен для

уникальной идентификации установок виртуальных лабораторий в разделенной на

административные зоны (схемы) системе. Атрибут Scheme указывает номер схемы, атрибут

ToolType – тип установки, атрибут ToolID – уникальный номер установки указанного типа в

рамках заданной схемы. Таким образом, триплет (Scheme, ToolType, ToolID) является ключом

описания установки виртуальной лаборатории и должен быть уникальным. На необходимость

выполнения этого условия указывает значение Yes атрибута IsKey элемента ToolIndex. В

соответствии с DTD-определением каждый элемент ToolIndex содержит один и только один

элемент LaboratoryTool, атрибуты которого определяют название установки (Name), свойства

(Width, Height, Code), необходимые для корректного отображения и организации

взаимодействия с другими приложениями в рамках страницы, а также ссылку (SRC) на архив с

программным кодом установки. Кроме этого архива установке могут потребоваться другие

файлы, каждый из которых должен быть указан в атрибуте SRC элемента Attach, вложенного в

элемент LaboratoryTool. Объектная модель рассматриваемого XML-документа

представлена на рисунке 5.7. Реляционная структура данных, согласованная по правилам

таблицы 5.3 с представленным DTD-определением, приведена на рисунке 5.8. Транслятор,

осуществляя импорт описания в базу данных, обходит дерево XML-документа, находит первый

элемент ToolIndex, название которого совпадает с именем отношения. Поскольку атрибут IsKey

имеет значение Yes, то триплет (Scheme, ToolType, ToolID) добавляется в отношение ToolIndex,

если до этого он не принадлежал отношению (правило 4). Следующим по иерархии элементом,

которому соответствует отношение в реляционной структуре, является элемент LaboratoryTool.

В атрибут ToolIndex отношения LaboratoryTool заносится идентификатор кортежа (Scheme,

ToolType, ToolID) из отношения ToolIndex (правило 11), а атрибут Language – идентификатор

языка описания из одноименного отношения (правило 8). В остальные атрибуты отношения

заносятся значения атрибутов элемента (правило 5). В атрибут CNT записывается файл,

название которого указано в атрибуте SRC (правило 6). Данные из элементов с названием

Attach записываются в одноименное отношение (правило 7), а с помощью отношения

LaboratoryTool_Attach организуется связь "Многие ко многим" между кортежами отношений

LaboratoryTool и Attach (правило 10).

При импорте электронных учебно-методических материалов в базу данных

автоматизированной системы управления процессом электронного обучения могут

использоваться ссылки, для создания которых используется запись следующего вида:

<a href = 'dlc:// Index (Scheme, Type, ID)'>,

229

где Index – указатель на необходимый тип элементы электронного учебно-методического

комплекса, принимает одно из значений:

ScriptIndex – сценарий,

PageIndex – страница,

FrameIndex – кадр,

ToolIndex – установка;

Рисунок 5.7 – Объектная модель данных установки виртуальной лаборатории

230

Рисунок 5.8 – Реляционная структура данных установки виртуальной лаборатории

Scheme – номер схемы, в которую загружен элемент; Type – тип элемента, может принимать

одно из значений, описывающих электронный конспект (TextBook), электронный тест (Test),

электронный практикум (PracticalWork), виртуальную лабораторию (Laboratory),

информационные ресурсы (InfoResourse), ID – уникальный идентификатор элемента в рамках

схемы. Для создания на информационной странице закладки необходимо задать атрибут id

элемента <a>. Имя закладки должно начинаться со строчной или прописной латиской буквы,

после чего может следовать любое количество букв, цифр, символов подчеркивания, дефисов,

точек и двоеточий. Например, закладка с именем a1 может иметь вид: <a id = "a1">. Для

перехода к закладке Frament используется запись следующего вида:

<a href = "dlc:// Index (Scheme, Type, ID)#Frament">

5.3 Метод управления удаленной лабораторий

Отказ от малоэффективных форм взаимодействия с обучающимися и переход к активным

методам обучения предполагает развитие методов и технологий электронного обучения, в том

числе разработку компьютерных симуляторов, виртуальных лабораторий и тренажеров [20],

[21].

231

В информационно-образовательных средах виртуальные лаборатории необходимы с

целью формирования и проведения проверки креативных навыков. Вопросам создания и

применения в учебном процессе виртуальных лабораторий посвящено значительное количество

научных публикаций [2], [16], [18], [24], [27], [28], [50], [56]. По трем классификационным

признакам виртуальные лаборатории могут быть подразделены на:

автономные [4], [169] и клиент-серверные [222], [223], [224] виртуальные лаборатории;

виртуальные лаборатории, которые предоставляют доступ к реальному оборудованию

[181], [239] и виртуальные лаборатории, которые используют математические модели

[226];

виртуальные лаборатории, которые обеспечивают автоматическую проверку решений

[32], [33], [158], [222], [223].

Автономные виртуальные лаборатории устанавливаются на рабочую станцию, имеет полный

доступ к ее ресурсам и, в отличие от клиент-серверных (сетевых) лабораторий, не требуют

сетевых подключений. Однако сетевые лаборатории повышают оперативность

централизованного сбора и анализа действий пользователей, позволяют организовать

совместную работу групп обучающихся, упрощают обновление программного обеспечения.

Применение виртуальных лабораторий с доступом к физическому оборудованию снижает

стоимость разработки программного обеспечения, но требует значительных расходов на

сопровождение, в отличие от виртуальных лабораторий, использующих математические

модули. Наличие алгоритма, который обеспечивает автоматическую проверку хода выполнения

работы и ее результатов, позволяет снизить трудозатраты на реализацию дисциплин (модулей)

образовательной программы, освободить преподавателей от выполнения многократно

повторяющихся неинтеллектуальных операций и повысить оперативность оценивания

результатов обучения. Задания виртуальных лабораторий часто имеют неразрешимое

множество правильных ответов, что ведет к сложности разработки алгоритмов автоматической

проверки хода решения таких задач. Подобные виртуальные лаборатории могут быть

применены в разных дисциплинах [2], [24], [28], [50]. В качестве одного из наиболее ярких

примеров виртуальных лабораторий с автоматической проверкой хода решения задачи можно

привести многостилевой редактор кода, предназначенный для проверки навыков реализации

алгоритмов при работе с распространенными языками программирования [16], [18], [27].

Для полноценной оценки хода решения задачи обучающимся, необходимо представить

его ответ в виде системы с множеством входов, выходов и их отношений. В это случае,

становится возможным сформировать эталонные наборы входов и выходов, которые будут

отражать требования к правильному ответу на задание лаборатории. Оценка корректности

выполнения задания осуществляется за счет анализа реакции системы для эталонных наборов

232

данных, сравнивая выходные данные, выданные системой для заданных входов. Соответствие

реакции системы эталонному набору характеризует правильность ответа обучающегося.

Систему обучающийся строит средствами виртуального стенда согласно заданию, используя

объекты и отношения предметной области, в то время как виртуальная машина позволяет

получить и проанализировать реакцию системы, построенной обучающимся на заданных

эталонных наборах. Информационно-образовательная среда обеспечивает формирование

заданий виртуальных лабораторий, эталонных наборов для проверки результатов их

выполнения, протоколов действий обучающегося для последующего анализа со стороны

преподавателя, а также взаимодействие виртуального стенда и виртуальной машины.

С целью обеспечения возможности многократного использования виртуальных

лабораторий в различных программных средах электронного обучения был разработан метод

управления удаленной лабораторией, реализованный в протоколе RLCP (Remote Laboratory

Control Protocol – протокол управления удаленной лабораторией) [26], [31], [36], [158], [170],

[171], [173], в котором определены требования к виртуальному стенду и виртуальной машине,

описана общая схема взаимодействия между различными компонентами информационно-

образовательной среды в процессе формирования задания и его выполнения, проверки

результата (рисунок 5.9). Виртуальная лаборатория, которая удовлетворяет требованиям

протокола RLCP, называется RLCP-совместимой, виртуальный стенд – RLCP-стендом

(стендом), виртуальная машина – RLCP-сервером (сервером). Функции RLCP-клиента

(клиента) выполняет контроллер электронной информационно-образовательной среды. RLCP-

клиент взаимодействует с обозревателем по протоколу HTTP или его защищенной версии

HTTPS, а с RLCP-сервером по протоколу RLCP, для доступа к базе данных RLCP-клиент

использует его программный интерфейс, обозреватель использует его программный интерфейс

для взаимодействия с RLCP-стендом. По инициативе обучающегося обозреватель отправляет

RLCP-клиенту HTTP-запрос на получение задания лабораторной работы (рисунок 5.10). RLCP-

клиент считывает значения параметров виртуальной лаборатории из базы данных и либо с

использованием метода GENERATE получает вариант задания с помощью RLCP-сервера, либо

выбирает вариант задания из базы данных в зависимости от того, имеет эта лаборатории

генератор или нет. Далее RLCP-клиент сохраняет всю необходимую информацию для

последующего оценивания ответа обучающегося в базе данных и отправляет обозревателю веб-

страницу с вариантом задания и RLCP-стендом. Обучающийся, используя RLCP-стенд,

выполняет задание лабораторной работы. Во время выполнения задания обучающийся может

использовать ресурсы RLCP-сервера, например, для сложных вычислений или для

предварительной проверки текущего решения задания, если это предусмотрено регламентом

лабораторной работы. Для этих целей в протоколе RLCP предусмотрен метод CALCULATE.

233

После выполнения задания обучающийся инициализирует команду "Ответ готов", по которой

обозреватель забирает данные, введенные обучающимся, из RLCP-стенда и отправляет их по

протоколу HTTP RLCP-клиенту. RLCP-клиент считывает необходимую для оценивания

информацию из базы данных и вместе с решением обучающегося отправляет ее на RLCP-

сервер, используя метод CHECK. Клиент повторяет отправку данных на сервер до тех пор, пока

не получит ответ сервера, содержащий результаты оценивания. Далее результаты оценивания

задания лабораторной работы записываются в базу данных и сообщаются обучающемуся.

Протокол RLCP является ассиметричным, т.е. любое взаимодействие всегда начинается

по инициативе RLCP-клиента. Взаимодействие происходит по следующей схеме:

1) установление TCP-соединения;

2) запрос RLCP-клиента;

3) ответ RLCP-сервера;

4) разрыв TCP-соединения.

Таким образом, RLCP-клиент отправляет запросы и получает ответы RLCP-сервера.

Запрос RLCP-клиента содержит следующие компоненты:

строка состояния (обязательный, содержит название метода, нечувствительно к

регистру);

поля заголовка (обязательный, поля заголовка перечисляются в произвольном порядке,

каждое поле упоминается не более одного раза, нечувствительны к регистру);

пустая строка (обязательный);

тело запроса (обязательный).

В строке состояния в качестве названия метода может быть указано название одного из трех

методов, предусмотренных в системе: GENERATE – формирует вариант задания для

обучающегося [171], CALCULATE – вычисляет результат при промежуточной проверке

обучающимся своего решения, CHECK – проверяет итоговое решение обучающегося. Поля

заголовка являются совокупностью строк, каждая из которых в расширенной форме Бэкуса-

Наура (РФБН) описана правилом:

Поля заголовка = Название поля , ":" , Значение.

Названия полей заголовка приведены в таблице 5.5. Компонент "тело запроса" описывается в

соответствии с DTD-определением:

234

Описание использованных в теле запроса элементов и атрибутов приведено в таблице 5.6.

Рисунок 5.9 – Схема RLCP-совместимых виртуальных лабораторий

Таблица 5.5 – Названия полей в запросе RLCP-клиента

Поле Значение

url URL RLCP-сервера. В качестве схемы указывается

название протокола: "rlcp".

content-length Размер тела запроса в байтах

235

Таблица 5.6 – Описание элементов и атрибутов тела запроса RLCP-клиента

Название Описание

Request Корневой элемент сообщения.

Request/Conditions/

ConditionForGenerating/

Input

Элемент включается в запрос типа GENERATE для

передачи условий формирования варианта задания.

Данные должны быть вложены в XML-комментарий.

Request/Conditions/

ConditionForCalculating/

@Time

В запросе типа CALCULATE атрибут содержит

ограничение времени на выполнение промежуточных

вычислений.

Request/Conditions/

ConditionForCalculating/

Input

В запросе типа CALCULATE элемент используется

для передачи условий организации промежуточных

вычислений. Данные должны быть вложены в XML-

комментарий.

Request/Conditions/

ConditionForChecking/

@id

В запросе типа CHECK атрибут содержит

идентификатор пары эталонных набор входных и

выходных данных.

Request/Conditions/


@Time

В запросе типа CHECK атрибут содержит

ограничение времени на выполнение проверки.

Request/Conditions/


Input

В запросе типа CHECK элемент содержит эталонный

набор входных данных. Данные должны быть

вложены в XML-комментарий.

Request/Conditions/


Output

В запросе типа CHECK элемент содержит эталонный

набор выходных данных. Данные должны быть


Request/Instructions В запросе типа CALCULATE или CHECK элемент

содержит решение, которое обучающийся построил

посредством RLCP-стенда. Данные должны быть


Request/PreGenerated/

Text

В запросе типа CHECK элемент содержит текст,

предварительно полученный в результате

выполнения запроса типа GENERATE и

предназначенный для отображения на странице с

заданием. Данные должны быть вложены в XML-


236


Code

В запросе типа CHECK элемент содержит

программный код, предварительно полученный в

результате выполнения запроса типа GENERATE и

предназначенный для RLCP-стенда. Данные должны

быть вложены в XML-комментарий.


Instructions

В запросе типа CHECK элемент содержит

инструкции, предварительно полученные в

результате выполнения запроса типа GENERATE и

предназначенные для проверки решения

обучающегося. Данные должны быть вложены в

XML-комментарий.

Ниже приведен пример запроса типа CHECK для проверки решения задачи добавления

единицы для виртуальной лаборатории "Машина Поста":

237

Ответ RLCP-сервера содержит следующие компоненты:

строка состояния (обязательный, содержит код ответа из трех цифр: класс ответа и две

дополнительные характеристики к нему);

поля заголовка (обязательный, поля заголовка перечисляются в произвольном порядке,

каждое поле упоминается не более одного раза, нечувствительны к регистру);

пустая строка (обязательный);

тело ответа (обязательный).

Коды ответов приведены в таблице 5.7. Названия полей заголовка ответа RLCP-сервера

приведены в таблице 5.8. Компонент "пустая строка" должен быть указан даже при отсутствии

тела ответа. Тело ответа описывается DTD-определением:

Описание использованных в теле запроса элементов и атрибутов приведено в таблице 5.9.

238

Рисунок 5.10 – Диаграмма последовательности выполнения лабораторной работы

239

Таблица 5.7 – Коды ответов RLCP-сервера

Код ответа Пояснения

100 Сервер продолжает обрабатывать запрос.

200 Запрос успешно обработан. Ответ содержит данные запроса.

300 Ресурс временно изменил адрес.

400 Некорректный XML-документ.

401 Некорректный набор входных данных.

402 Некорректная комбинация логина и пароля.

403 Неподдерживаемый метод.

404 Отсутствуют обязательные компоненты запроса.

405 Отсутствует значение поля заголовка.

500 Ресурс временно недоступен.

501 Метод поддерживается протоколом, но не поддерживается текущим

сервером.

Таблица 5.8 – Названия полей в ответе RLCP-сервера

Поле Значение

content-length Размер тела ответа в байтах. Используется при коде ответа 200.

location Указывает на реальное расположение ресурса. Используется при коде

ответа 300 (перенаправление запроса).

Таблица 5.9 – Описание элементов и атрибутов тела ответа RLCP-сервера


Response Корневой элемент сообщения.

Response/GeneratingResult/

Text

В ответе на запрос типа GENERATE элемент

содержит текст, определяющий содержание

варианта задания и предназначенный для

отображения на странице с заданием. Данные

должны быть вложены в XML-комментарий.


Code


содержит программный код варианта задания,

предназначенный для обработки RLCP-стендом.

Данные должны быть вложены в XML-


240



Instructions


содержит инструкции, предварительно

полученные в результате выполнения запроса

типа GENERATE и предназначенные для

проверки решения обучающегося к

сформированному варианту задания. Данные

должны быть вложены в XML-комментарий.

Response/

CalculatingResult/Text

В ответе на запрос типа CALCULATE элемент

содержит текстовое описание результата

вычислений, предназначенное для отображения

на странице с заданием. Данные должны быть


Response/

CalculatingResult/Code

В ответе на запрос типа CALCULATE элемент

содержит результат вычислений,

предназначенный для обработки RLCP-стендом.

Данные должны быть вложены в XML-


Response/CheckingResult В ответе на запрос типа CHECK элемент

содержит результат испытания решения

обучающегося на одном эталонном наборе

входных данных. Данные должны быть


Response/CheckingResult/

@id

В ответе на запрос типа CHECK атрибут

содержит идентификатор исходного эталонного

набора входных данных.


@Time


содержит время, затраченное на испытание

решения обучающегося на одном эталонном

наборе входных данных.


@Result


содержит оценку результата испытания

решения обучающегося на одном эталонном

наборе входных данных, полученную путем

241


сопоставления результата испытания с

эталонным набором выходных данных. Может

принимать любые значения на отрезке от 0 до 1.

Ниже приведен пример ответа на запрос типа CHECK для проверки решения задачи добавления

единицы для виртуальной лаборатории "Машина Поста":

5.4 Абстрактные алгоритмические машины

Виртуальные лаборатории используются в различных учебных дисциплинах для формирования

или оценивания навыков. В частности, в информатике для формирования начальных навыков

решения алгоритмических задач с успехом применяются виртуальные лаборатории,

моделирующие абстрактные алгоритмические машины Поста [233] и Тьюринга [247], которые,

как известно, были введены для формализации понятия самого алгоритма. Программирование

этих машин не требует знание сложных языков, что позволяет максимально точно оценить

способность обучающегося к алгоритмизации задач и анализу алгоритмов. Кроме того, простое

устройство машин Поста и Тьюринга снижает стоимость разработки программного

обеспечения лабораторий. В автоматизированной системе управления процессом электронного

обучения AcademicNT были разработаны RLCP-совместимые виртуальные лаборатории для

каждой из указанных машин [170].

Интерфейс RLCP-стенда лаборатории "Машина Поста" представлен на рисунке 5.11.

Стенд машины Поста включает: бесконечную влево и вправо ленту, разделенную на ячейки

одинакового размера; редактор программы, рассчитанный на неограниченное количество

242

команд; области для вывода номера текущей команды и системных сообщений; элементы

управления. Обучающийся может выполнять следующие действия:

устанавливать метку в неотмеченную ячейку или снимать метку с отмеченной ячейки;

перемещать ленту вправо и влево;

вводить и редактировать команды nKm в редакторе программы, где n – номер команды,

K – операция машины Поста, m – номер следующей команды;

используя элементы управления, добавлять и удалять строку программы, снимать метки

со всех отмеченных ячеек на ленте, запускать программу в пошаговом режиме,

запускать на выполнение всю программу, выходить из режима пошагового выполнения

программы.

Стенд выдает сообщение, если найдена ошибка или программа успешно завершена. В

частности, стенд сообщает, когда в команде не указана операция, не указан номер следующей

команды, найден бесконечный цикл, возникла ошибка во время выполнения программы.

Таблица 5.10 – Описание команд машины Поста

Команда Описание

n m Сдвинуть каретку вправо, перейти к команде с номером m.

n m Сдвинуть каретку влево, перейти к команде с номером m.

n V m Установить метку, перейти к команде с номером m.

n X m Снять метку, перейти к команде с номером m.

n ? m1, m2 Если в ячейке нет метки, то перейти к команде с номером m1, иначе

перейти к команде с номером m2.

n ! Команда остановки.

На рисунке 5.12 показан интерфейс RLCP-стенда виртуальной лаборатории "Машина

Тьюринга". В сравнении с машиной Поста машина Тьюринга имеет более сложное устройство.

В частности, обучающемуся в процессе решения задачи необходимо определить конечное

множество состояний машины Q и конечный алфавит A, символы которого могут быть

записаны на ленте. Стенд машины Тьюринга включает: бесконечную влево и вправо ленту,

разделенную на ячейки одинакового размера; редактор алфавита; редактор кода; области для

отображения символа алфавита и состояния, соответствующих выделенной команде, и

системных сообщений; элементы управления. Каждая команда содержит:

символ, который надо записать на ленту;

операцию, которую должна выполнить машина;

243

состояние, в которое должна перейти машина.

Стенд допускает использование трех операций: сдвинуть каретку влево; сдвинуть каретку

вправо; остановить программу. С помощью RLCP-стенда обучающийся может выполнять

следующие действия:

записывать символ в ячейку ленты;

перемещать ленту вправо и влево;

вводить и редактировать команды;

используя элементы управления, вставлять новое состояние и удалять символ или

состояние, очищать ленту, запускать программу в пошаговом режиме, запускать на

выполнение всю программу, выходить из режима пошагового выполнения программы.

Рисунок 5.11 – RLCP-стенд лаборатории "Машина Поста"

Стенд выдает сообщение, если найдена ошибка или программа успешно завершена. Если

команда описана не полностью, в программе найден бесконечный цикл или возникла ошибка

при ее выполнении, стенд сообщит об этом путем вывода соответствующего сообщения.

5.5 Многостилевой редактор кода

Многостилевой редактор кода [157], [223] представляет собой виртуальную лабораторию,

предназначенную для проверки у обучающихся навыков реализации алгоритмов с

использованием наиболее распространенных языков программирования: Pascal, C, Basic. Перед

244

началом работы обучающемуся, используя стенд виртуальной лаборатории, необходимо задать

переменные, нужные для написания и работы программы, и их начальные значения. Также

стенд предоставляет возможность написания программного кода и содержит библиотеку

готовых конструкций, которые обучающийся может использовать для написания определенных

частей программы. Корректные программы можно отладить, используя пошаговый режим

выполнения кода или выполнить их с возможностью принудительной остановки.

Рисунок 5.12 – RLCP-стенд лаборатории "Машина Тьюринга"

Внешний вид RLCP-стенда виртуальной лаборатории приведен на рисунке 5.13, верхняя

часть которого предназначена для задания и редактирования переменных. Редактирование

происходит по нажатию соответствующей кнопки и перехода к окну "Список переменных".

Правая часть содержит библиотеку базовых конструкций языка, которые могут быть

использованы обучающимся для упрощения и ускорения написания кода программы, а также

доведения навыков алгоритмизации задач до автоматизма без необходимости запоминания

синтаксиса конкретных языков. Центральная часть стенда предназначена для

непосредственного написания кода программы. При этом, код будет подсвечен в соответствии с

выбранным языком программирования. Внизу располагается область вывода сообщений,

информации об ошибках и статуса выполнения программы при отладке. В левой части нижней

области находится выпадающий список выбора стиля кодирования, при изменении которого

происходит обновление настроек виртуального стенда и библиотеки операторов, а в правой

части – кнопки выполнения программы и остановки, а также кнопки, управляющие запуском

программы в режиме пошагового выполнения. Кнопка остановки программы применяется в

245

режиме отладки и позволяет прервать ее выполнение. Стенд не будет выполнять программу, в

которой будет обнаружен бесконечный цикл. Обучающемуся в этом случае будет выведено

соответствующее сообщение. Во время выполнения программы происходит индикация

меняющихся значений переменных. На сервере время выполнения каждой программы

контролирует отдельный поток. При превышении лимита времени, установленного для

виртуальной лаборатории, проверка прекращается, а ответ признается неверным.

Выполнение или отладка программа не могут быть запущены без объявления и

инициализации переменных (входных, выходных и внутренних, при необходимости). Стенд

выдаст ошибку в случае, если в коде будет обнаружена переменная, не присутствующая в

списке. Диалоговое окно для работы с переменными представлено на рисунке 5.14. Входные и

выходные переменные используются при автоматической проверке ответа, данного

обучающимся, на сервере. При проверке ответа сервером в качестве значений входных

переменных подставляются значения из эталонного входного набора, а значения выходных –

сравниваются с данными эталонного выходного набора. Внутренние переменные,

определенные в программе, могут потребоваться обучающимся для реализации алгоритмов. В

программе могут быть использованы переменные, представленные в виде целых и

вещественных чисел, массивы целых и вещественных чисел, а также массивы символов.

Значения элементов массивов устанавливаются в диалоговом окне "Редактирование массива",

отображенном на рисунке 5.15. При взаимодействии обучающегося с RLCP-стендом, в случае

обнаружения несоответствия типов переменных будет выведена ошибка. На сервере при

аналогичной ситуации программа будет признана неверной.

Перед отправкой стенд кодирует ответ пользователя в виде XML-документа, который

описывается следующим DTD-определением:

246

Данные вкладываются в комментарии к элементам Name, Type, Value, Code, вследствие чего

стенду необходимо экранировать спецсимволы XML (в частности, "-") во избежание ошибки

анализа XML-документа и прекращения проверки. Для этого спецсимволы преобразуются в

сущности в соответствии с таблицей 5.11. Окончательный XML-документ также экранируется

для передачи по протоколу HTTP. В то же время, сервер при получении ответа осуществляет

его обработку путем обратного преобразования сущностей в символы. Задача восстановления

исходного вида ответа возникает при повторном обращении обучающегося к заданию, проверке

его ответа на сервере и при подготовке отчета о выполнении задания, на которой требуется

форматированный вывод программы и переменных.

Рисунок 5.13 – RLCP-стенд многостилевого редактора кода

Рисунок 5.14 – Редактирование набора переменных

247

Рисунок 5.15 – Редактирования значений массива целых чисел

Таблица 5.11 – Специальные символы в XML-ответе

Символ Сущность

& &

< <

> >

- −

“ "

Переносы строки (одиночные символы и последовательности

символов с кодами 10 и 13)

<br/>

Контекстно-свободную грамматику эталонных данных можно представить в РФБН следующим

образом:

248

Ниже приведен пример описания эталонного набора выходных данных:

В данном случае от испытуемого требуется вычисление пяти выходных переменных.

Требования к значениям переменных, которые должны быть установлены после выполнения

программы, представлены в таблице 5.12.

Таблица 5.12 – Требования к значениям выходных переменных

№ Имя Тип Значение Допустимая

погрешность (%)

1 a Целое число или

вещественное число 2 0

2 b Вещественное число 1.1 20

3 c Массив символов из четырех

элементов a b c d -

4 D Вещественное число 1100 0

5.6 Формальная верификация программ для машины Поста

Лабораторные работы отличаются от тестовых заданий видом множества правильных ответов.

В тестовых заданиях множество правильных ответов перечислимо и разрешимо, т.е. обладает

общерекурсивной характеристической функцией. В заданиях лабораторных работ в качестве

множества правильных ответов в общем случае выступает язык, порожденный формальной

грамматикой произвольного вида. Таким образом, множество правильных ответов в заданиях

лабораторной работы может оказаться алгоритмически неразрешимым [25]. Это означает, что

249

не существует алгоритма, который по любому ответу обучающегося дает ответ, правильный он

или нет. В большинстве случаев ответ представляет собой описание некоторой системы,

которое составлено на указанном языке. Функционирование описанной системы может быть

воспроизведено в определенной программной среде и заключается в переработке входных

данных в выходные. Для того чтобы убедиться в правильности ответа обучающегося,

необходимо проверить реакцию системы на всех возможных наборах входных данных. Однако

даже в простейших случаях множество наборов входных данных оказывается бесконечным,

поэтому ограничиваются проверкой реакции системы на некоторых наиболее характерных

наборах входных данных, что не гарантирует правильную работу системы на других наборах

данных. Для решения указанной проблемы можно прибегнуть к методу символьного

выполнения [140], [154], [250], который может стать эффективным инструментом для проверки

ответов обучающихся в силу ограниченности их размера.

Проиллюстрируем сказанное с помощью виртуальной лаборатории "Машина Поста",

поскольку она является наиболее простой алгоритмической машиной, имеющей минимальный

алфавит, представленный двумя элементами. Машина Поста состоит из ленты и каретки,

называемой также считывающей и записывающей головкой. Лента бесконечна в обе стороны и

разделена на ячейки одинакового размера, каждая из которых может либо содержать метку,

либо быть пустой. Информация о том, какие ячейки отмечены, описывает состояние ленты. В

начальный момент времени только конечное количество ячеек содержат метку, остальные

остаются пустыми. Если единицей обозначить отмеченную ячейку, а нулем пустую, то каждому

состоянию ленты можно поставить во взаимно однозначное соответствие слово из нулей и

единиц. Слова, соответствующие состояниям ленты машины Поста, образуют язык, который

можно определить регулярным выражением +1+1(0+1)*1, где – пустая цепочка. За единицу

времени, которую называют шагом, каретка может переместиться вдоль ленты на одну ячейку

влево или вправо, поставить метку в неотмеченную ячейку или снять метку с отмеченной

ячейки, определить, отмечена или нет ячейка, напротив которой она находится. Ячейка ленты,

напротив которой находится каретка, называется обозреваемой. Состояние, или конфигурация,

машины определяется состоянием ленты и положением каретки на ленте. Описать состояние

машины можно тройкой α1α2, где α1 – слово, описывающее состояние фрагмента ленты слева

от каретки, – символ, символизирующий положение каретки, α2 – слово, описывающее

состояние фрагмента ленты, образованного обозреваемой кареткой ячейкой и ячейками справа

от нее. Стандартной конфигурацией называется конфигурация, при которой каретка обозревает

крайнюю слева отмеченную ячейку, т.е. состояние α, где α – слово, описывающее состояние

ленты.

250

Программа машины Поста состоит из команд следующих видов:

1) переместить каретку вправо и перейти к команде с номером j (движение вправо)

i > j

2) переместить каретку влево и перейти к команде с номером j (движение влево)

i < j

3) установить метку в обозреваемую ячейку и перейти к команде с номером j

i V j

4) снять метку с обозреваемой ячейки и перейти к команде с номером j

i X j

5) если обозреваемая ячейка не содержит метки, то перейти к команде с номером j1,

иначе перейти к команде с номером j2 (команда передачи управления)

i ? j1 j2

6) остановка

i !

Здесь i – порядковый номер команды в программе, j, j1, j2 – ссылки, номера команд, которым

будет передано управление после выполнения команды. Количество команд программы F

обозначим |𝐹|. Программа для машины Поста считается правильной, если для каждой ссылки

существует команда с указанным номером. Команда установки метки в отмеченную ячейку и

команда снятия метки из пустой ячейки считаются невыполнимыми. Чтобы запустить машину

Поста, надо задать программу и начальную конфигурацию машины. После запуска машина

приступает к выполнению первой команды и выполняет ее за один шаг. Далее машина

переходит к выполнению команды, номер которой указан в ссылке или ссылках первой

команды. Если, задав программу и начальную конфигурацию, запустить машину, то может

произойти одно из трех событий:

1) машина достигнет невыполнимой команды – выполнение программы прекращается,

происходит безрезультатная остановка;

2) машина достигает команды остановки – выполнение программы прекращается,

происходит результативная остановка;

3) машина работает бесконечно – выполнение программы никогда не прекращается.

Во время выполнения программы машина переходит из одной конфигурации в другую. Если во

время выполнения i-й команды программы F машина за один шаг перешла из конфигурации 𝐾1

в конфигурацию 𝐾2, то пишут 𝐾1𝑖→𝐾2. Индекс i можно опустить при условии, что из контекста

ясно, о какой команде идет речь. Если в процессе выполнения программы F машина за n шагов

переходит из конфигурации 𝐾1 в конфигурацию 𝐾2, выполняя последовательность команд

251

𝑆 = (𝑖1, 𝑖2, … , 𝑖𝑛−1), где 1 ≤ 𝑖𝑗 ≤ |𝐹|, 𝑗 = 1,2, … , 𝑛 − 1, то будем писать 𝐾1𝑆⇒𝐾2. Если машина из

конфигурации α1α2 начинает выполнять программу F и осуществляет результативную

остановку в конфигурации 12, то говорят, что программа F перерабатывает слово α1α2 в

слово 12, и писать F(α1α2)=12. Вместе с тем запись F(α) может обозначать программу F с

исходными данными α. В дальнейшем будут рассматриваться программы, которые машина

начинает выполнять из стандартной конфигурации и осуществляет результативную остановку в

стандартной конфигурации.

Пример 5.1. В качестве примера рассмотрим программу, которая добавляет единицу к

числу, записанному на ленте машины в унарном коде:

1 < 2

2 V 3

3 !

В унарном коде любое натуральное число x представляется словом 11…1=1x,

последовательность натуральных чисел x1, x2, … , xn представляется словом

1𝑥10𝑦11𝑥20𝑦2 …0𝑦𝑛−11𝑥𝑛, где y1, y2, … , yn – некоторые натуральные числа. В рассматриваемом

примере начальная стандартная конфигурация машины будет иметь вид Λ1𝑥. Первая команда

перемещает каретку влево и переводит машину в конфигурацию Λ01𝑥; вторая команда

устанавливает метку в обозреваемую ячейку и переводит машину в конфигурацию Λ1𝑥+1;

третья команда не меняет конфигурацию машины и осуществляет результативную остановку.

Поэтому программе соответствует следующая последовательность конфигураций Λ1𝑥

1→ Λ01𝑥

2→Λ1𝑥+1

3→Λ1𝑥+1, отсюда следует, что Λ1𝑥

1,2,3⇒ Λ1𝑥+1 и 𝐹(1𝑥) = 1𝑥+1. Подобные

рассуждения позволяют описать результат работы программы в символьном виде, и,

следовательно, восстановить функцию, значения которой вычисляет программа, что можно

использовать для оценивания программ [64].

Базовые правила вычислений в символьном виде. Пусть 𝑎 ∈ Σ ∪ {ε}, α, β ∈ Σ∗,

𝑥, 𝑦 ∈ ℕ, где Σ = {0,1} – двоичный алфавит, ε – пустой символ, тогда:

1) 𝑎0 = ε

2) 𝑎1 = 𝑎

3) α0 = ε

4) α1 = α

5) α 0𝑥 = 0𝑥α = α

6) 𝑎𝑥𝑎𝑦 = 𝑎𝑦𝑎𝑥 = 𝑎𝑥+𝑦

252

7) α𝑥α𝑦 = α𝑦α𝑥 = α𝑥+𝑦

8) αΛ𝑎β𝑖 > 𝑗→ α𝑎Λβ

9) α𝑎Λβ𝑖 < 𝑗→ αΛ𝑎β

10) αΛ0β𝑖 V𝑗→ 𝑎Λ1𝑏

11) αΛ1β𝑖 X𝑗→ 𝑎Λ0𝑏

12) αΛ1β𝑖 V𝑗→ ε

13) αΛ0β𝑖 X𝑗→ ε

14) αΛβ𝑖 ?𝑗1,𝑗2→ αΛβ

15) αΛβ𝑖 !→ αΛβ

Пример 5.2. Рассмотренная программа в примере 5.1 состоит из трех команд и не

содержит циклов, а именно они могут приводить к бесконечному выполнению программ из

начальных конфигураций, описанных в символьном виде. В следующем примере программа

вычисляет сумму двух чисел, записанных на ленте и разделенных пустыми ячейками, т.е.

перерабатывает слово 1𝑥10𝑦1𝑥2 в слово 1𝑥1+𝑥2:

1 > 2

2 ? 3 1

3 < 4

4 X 5

5 < 6

6 ? 13 7

7 > 8

8 ? 7 9

9 < 10

10 V 11

11 < 12

12 ? 11 4

13 > 14

14 ? 13 15

15 < 16

16 V 17

17 !

В этой программе левая последовательность меток перемещается к правой. Для этого

снимается крайняя правая метка левой последовательности и добавляется слева к правой

последовательности меток. Ниже представлен ход выполнения программы на машине с

начальной конфигурацией 130

31

6:

130

31

6

1: 1120

31

6

2: 1120

31

6

1: 1210

31

6

2: 1210

31

6

1: 130

31

6

253

2: 130

31

6

3: 1210

31

6

4: 120

41

6

5: 11041

6

6: 11041

6

7: 120

41

6

8: 120

41

6

7: 1200

31

6

8: 1200

31

6

7: 120

20

21

6

8: 120

20

21

6

7: 120

301

6

8: 120

301

6

7: 120

41

6

8: 120

41

6

9: 120

301

6

10: 120

31

7

11: 120

201

7

12: 120

201

7

11: 1200

21

7

12: 1200

21

7

11: 120

31

7

12: 120

31

7

11: 11031

7

12: 11031

7

4: 1041

7

5: 1041

7

6: 1041

7

7: 1041

7

8: 1041

7

7: 10031

7

8: 10031

7

7: 1020

21

7

8: 1020

21

7

7: 10301

7

8: 10301

7

7: 1041

7

8: 1041

7

9: 10301

7

10: 1031

8

11: 10201

8

12: 10201

8

11: 10021

8

12: 10021

8

11: 1031

8

12: 1031

8

11: 1031

8

12: 1031

8

4: 041

8

5: 051

8

6: 051

8

13: 041

8

14: 041

8

13: 031

8

14: 031

8

13: 021

8

14: 021

8

13: 018

14: 018

13: 18

14: 18

15: 018

16: 19

17: 19

В первой строке указана начальная конфигурация машины, каждая следующая строка

имеет формат: i: α, где i – номер команды, которая была выполнена, α – конфигурация

машины после выполнения команды. В протоколе можно выделить повторяющиеся

фрагменты, которые соответствуют циклам. Один из таких фрагментов представлен ниже:

1: 1120

31

6

2: 1120

31

6

1: 1210

31

6

2: 1210

31

6

254

1: 130

31

6

2: 130

31

6

В этом фрагменте команды 1 и 2 выполняются три раза, последовательность единиц от

обозреваемой ячейки вправо от каретки уменьшается на единицу до тех пор, пока не будет

исчерпана полностью. В другом фрагменте повторяются команды 11 и 12 четыре раза,

последовательность нулей от обозреваемой ячейки влево от каретки уменьшается до тех

пор, пока в обозреваемой ячейки не появится метка:

11: 120

201

7

12: 120

201

7

11: 1200

21

7

12: 1200

21

7

11: 120

31

7

12: 120

31

7

11: 11031

7

12: 11031

7

Из анализа программы следует, что:

1) цикл останавливается, если в ходе выполнения цикла уменьшается количество

нулей или единиц, записанных на ленте;

2) цикл выполняется до тех пор, пока уменьшающаяся последовательность не

будет исчерпана;

3) цикл не завершается, если ни одна из последовательностей не убывает.

Эти простые правила позволяют вычислять в символьном виде результат выполнения

циклов, которые завершаются за конечное количество шагов.

Правила вычисления циклов в символьном виде. Пусть 𝑆 – цикл –

повторяющаяся в ходе выполнения программы последовательность команд, последней

командой которой служит команда передачи управления, содержащая ссылку на первую

команду. Пусть также 𝑎 ∈ Σ ∪ {ε}, 𝑏, 𝑐 ∈ Σ, 𝑏 ≠ 𝑐, α1, … , α𝑛, β1, … , β𝑛, γ1, … , γ𝑚,

δ1, … , δ𝑚 ∈ Σ∗, 𝑥1, … 𝑥𝑛 , 𝑦, 𝑧1, … , 𝑧𝑚 ∈ ℕ, 𝑓:ℕ → ℕ – возрастающая функция, 𝑓−1 – обратная

функция, ℎ1, … , ℎ𝑛, 𝑔1, … 𝑔𝑚: ℕ → ℤ. Тогда, если Δ𝑘𝑓 = Δ𝑘ℎ1 = ⋯ = Δ𝑘ℎ𝑛 = Δ

𝑘𝑔1 = ⋯ =

Δ𝑘𝑔𝑚 = 0, 𝑦 − 𝑓(𝑘) = 0, 𝑥1 + ℎ1(𝑓−1(𝑦)) ≥ 0,…, 𝑥𝑛 + ℎ𝑛(𝑓

−1(𝑦)) ≥ 0, 𝑧1 + 𝑔1(𝑓−1(𝑦)) ≥

255

0,…, 𝑧𝑚 + 𝑔𝑚(𝑓−1(𝑦)) ≥ 0, то для вычисления цикла в символьном виде могут быть

применены следующие соотношения:

1) движение вправо

α𝑛𝑥𝑛β𝑛…α1

𝑥1β1Λ𝑏𝑦𝑐1γ1δ1

𝑧1…γ𝑚δ𝑚𝑧𝑚

𝑆⇒

𝑆⇒α𝑛

𝑥𝑛+ℎ𝑛(1)β𝑛…α1𝑥1+ℎ1(1)β1𝑎

𝑓(1)Λ𝑏𝑦−𝑓(1)𝑐1 ∙

γ1δ1𝑧1+𝑔1(1)…γ𝑚δ𝑚

𝑧𝑚+𝑔𝑚(1)

𝑆⇒…

𝑆⇒α𝑛

𝑥𝑛+ℎ𝑛(𝑘)β𝑛…α1𝑥1+ℎ1(𝑘)β1𝑎

𝑓(𝑘)Λ𝑏𝑦−𝑓(𝑘)𝑐1 ∙

γ1δ1𝑧1+𝑔1(𝑘)…γ𝑚δ𝑚

𝑧𝑚+𝑔𝑚(𝑘)

𝑆⇒…

𝑆⇒α𝑛

𝑥𝑛+ℎ𝑛(𝑓−1(𝑦))

β𝑛…α1𝑥1+ℎ1(𝑓

−1(𝑦))β1𝑎

𝑦Λ𝑐1 ∙

γ1δ1𝑧1+𝑔1(𝑓

−1(𝑦))…γ𝑚δ𝑚

𝑧𝑚+𝑔𝑚(𝑓−1(𝑦))

,

(5.2)

2) движение влево

α𝑛𝑥𝑛β𝑛…α1

𝑥1β1𝑐1𝑏𝑥−1Λ𝑏1γ1δ1

𝑧1…γ𝑚δ𝑚𝑧𝑚

𝑆⇒

𝑆⇒α𝑛

𝑥𝑛+ℎ𝑛(1)β𝑛…α1𝑥1+ℎ1(1)β1𝑐

1𝑏𝑦−1−𝑓(1)Λ𝑏1𝑎𝑓(1) ∙

γ1δ1𝑧1+𝑔1(1)…γ𝑚δ𝑚

𝑧𝑚+𝑔𝑚(1)

𝑆⇒…

𝑆⇒α𝑛

𝑥𝑛+ℎ𝑛(𝑘)β𝑛…α1𝑥1+ℎ1(𝑘)β1𝑐

1𝑏𝑦−1−𝑓(𝑘)Λ𝑏1𝑎𝑓(𝑘) ∙

γ1δ1𝑧1+𝑔1(𝑘)…γ𝑚δ𝑚

𝑧𝑚+𝑔𝑚(𝑘)

𝑆⇒…

𝑆⇒α𝑛

𝑥𝑛+ℎ𝑛(𝑓−1(𝑦))

β𝑛…α1𝑥1+ℎ1(𝑓

−1(𝑦))β1Λ𝑐

1𝑎𝑦 ∙

γ1δ1𝑧1+𝑔1(𝑓

−1(𝑦))…γ𝑚δ𝑚

𝑧𝑚+𝑔𝑚(𝑓−1(𝑦))

.

(5.3)

В случае 𝑓(𝑘) = 𝑘, α1 = … = α𝑛 = β1 = ⋯ = β𝑛 = γ1 = ⋯ = γ𝑚 = δ1 = ⋯ = δ𝑚 = ε

указанные соотношения принимают следующий вид:

Λ𝑏𝑦𝑐1𝑆⇒𝑎1Λ𝑏𝑦−1𝑐1

𝑆⇒…

𝑆⇒𝑎𝑥+𝑦Λ𝑐1,

𝑐1𝑏𝑦−1Λ𝑏1𝑆⇒𝑐1𝑏𝑦−2Λ𝑏1𝑎1

𝑆⇒…

𝑆⇒Λ𝑐1𝑎𝑦.

(5.4)

Условие Δ𝑘𝑓 = Δ𝑘ℎ1 = ⋯ = Δ𝑘ℎ𝑛 = Δ

𝑘𝑔1 = ⋯ = Δ𝑘𝑔𝑚 = 0 гарантирует, что функции

𝑓, ℎ1, … , ℎ𝑛, 𝑔1, … 𝑔𝑚 могут быть интерполированы полиномами, степень которых не

превышает 𝑘 − 1.

Пример 5.3. В примере 5.2 была приведена программа, которая вычисляет сумму

двух чисел, записанных на ленте на произвольном расстоянии друг от друга, был

проанализирован ход выполнения программы для начальной конфигурации 130

31

6. Ниже

256

представлен ход выполнения программы в символьном виде, полученный с помощью

базовых правил и правил вычисления циклов в символьном виде, – перед запуском

программы машина имеет конфигурацию Λ1𝑥0𝑦1𝑧:

1x0

y1

z

1: 111

x-10

y1

z

2: 111

x-10

y1

z

1: 121

x-20

y1

z

2: 121

x-20

y1

z

Цикл (1,2):

2: 1x0

y1

z

3: 1x-11

10

y1

z

4: 1x-10

y+11

z

5: 1x-210

y+11

z

6: 1x-210

y+11

z

7: 1x-10

y+11

z

8: 1x-10

y+11

z

7: 1x-1

010

y1

z

8: 1x-1

010

y1

z

Цикл (7,8):

8: 1x-1

0y+11

z

9: 1x-1

0y0

11

z

10: 1x-1

0y1

z+1

11: 1x-1

0y-10

11

z+1

12: 1x-1

0y-10

11

z+1

11: 1x-1

0y-20

21

z+1

12: 1x-1

0y-20

21

z+1

Цикл (11,12):

12: 1x-210

y1

z+1

4: 1x-20

y+11

z+1

5: 1x-31

10

y+11

z+1

6: 1x-31

10

y+11

z+1

Цикл (7,8,…,12,4,5,6):

6: 0y+2

1z+x-1

13: 0y+1

1z+x-1

14: 0y+1

1z+x-1

13: 0y1

z+x-1

14: 0y1

z+x-1

Цикл (13,14):

14: 1z+x-1

15: 01z+x-1

16: 1z+x

17: 1z+x

В результате символьных вычислений получена строка 1z+x

, которая совпадает с

правильным ответом.

Пример 5.4. Рассмотрим более короткий вариант программы сложения двух

натуральных чисел:

1 > 2

2 ? 3 1

3 > 4

4 ? 3 5

5 < 6

6 V 7

7 < 8

8 ? 7 9

9 X 10

10 < 11

11 ? 12 1

12 > 13

13 ? 12 14

14 !

Сокращение достигнуто изменением порядка перемещения меток: метка сначала

добавляется к правой последовательности, а затем удаляется из левой

257

последовательности. Ниже представлен ход выполнения программы в символьном виде на

машине с начальной конфигурацией Λ1𝑥0𝑦1𝑧:

1x0

y1

z

1: 111

x-10

y1

z

2: 111

x-10

y1

z

1: 121

x-20

y1

z

2: 121

x-20

y1

z

Цикл (1,2):

2: 1x0

y1

z

3: 1x0

10

y-11

z

4: 1x0

10

y-11

z

3: 1x0

20

y-21

z

4: 1x0

20

y-21

z

Цикл (3,4):

4: 1x0

y1

z

5: 1x0

y-10

11

z

6: 1x0

y-11

z+1

7: 1x0

y-20

11

z+1

8: 1x0

y-20

11

z+1

7: 1x0

y-30

21

z+1

8: 1x0

y-30

21

z+1

Цикл (7,8):

8: 1x-110

y-11

z+1

9: 1x-10

y1

z+1

10: 1x-210

y1

z+1

11: 1x-210

y1

z+1

1: 1x-10

y1

z+1

2: 1x-10

y1

z+1

3: 1x-1

010

y-11

z+1

4: 1x-1

010

y-11

z+1

Цикл (3,4):

4: 1x-1

0y1

z+1

5: 1x-1

0y-10

11

z+1

6: 1x-1

0y-11

z+2

7: 1x-1

0y-20

11

z+2

8: 1x-1

0y-20

11

z+2

Цикл (7,8):

8: 1x-21

10

y-11

z+2

9: 1x-20

y1

z+2

10: 1x-31

10

y1

z+2

11: 1x-31

10

y1

z+2

Цикл (1,2,...,11):

11: 0y+1

1z+x

12: 0y1

z+x

13: 0y1

z+x

12: 0y-1

1z+x

13: 0y-1

1z+x

Цикл (3,4):

13: 1z+x

14: 1z+x

Пример 5.5. В этом примере сокращение программы сложения двух чисел

произошло вследствие изменения способа перемещения левой последовательности: метка

удаляется слева и добавляется справа. В результате программа будет иметь следующий

вид:

1 X 2

2 > 3

3 ? 4 2

4 V 5

5 > 6

6 ? 7 10

7 < 8

8 ? 9 7

9 > 1

10 < 11

11 ? 12 10

12 > 13

13 !

258

Ход выполнения программы будет иметь вид:

1x0

y1

z

1: 01x-1

0y1

z

2: 1x-1

0y1

z

3: 1x-1

0y1

z

2: 111

x-20

y1

z

3: 111

x-20

y1

z

Цикл (2,3):

3: 1x-10

y1

z

4: 1x-11

10

y-11

z

5: 1x0

y-11

z

6: 1x0

y-11

z

7: 1x-11

10

y-11

z

8: 1x-11

10

y-11

z

7: 1x-21

20

y-11

z

8: 1x-21

20

y-11

z

Цикл (7,8):

8: 01x0

y-11

z

9: 1x0

y-11

z

1: 01x-1

0y-1

1z

2: 1x-1

0y-1

1z

3: 1x-1

0y-1

1z

Цикл (2,3):

3: 1x-10

y-11

z

4: 1x-11

10

y-21

z

5: 1x0

y-21

z

6: 1x0

y-21

z

Цикл (7,8,9,1,2,…,6):

6: 1x1

z

10: 1x-11

z+1

11: 1x-11

z+1

10: 1x-21

z+2

11: 1x-21

z+2

Цикл (10,11):

11: 1z+x

Пример 5.6. В начальный момент времени машина имеет конфигурацию Λ1𝑥0𝑦1𝑧,

𝑥, 𝑦, 𝑧 ∈ ℕ, 𝑥 − 𝑧 > 0. Требуется написать программу, которая осуществит результативную

остановку машины в конфигурации Λ1𝑥−𝑧. Таким образом, программа должна вычислять

разность 𝑥 − 𝑧. Один из вариантов программы, удовлетворяющей требованиям,

представлен ниже:

1 X 2

2 > 3

3 ? 4 2

4 > 5

5 ? 4 6

6 X 7

7 > 8

8 ? 12 9

9 < 10

10 ? 9 11

11 X 4

12 < 13

13 ? 12 14

14 < 15

15 ? 16 14

16 > 17

17 !

Программа сначала удаляет метку в левой последовательности, затем – в правой

последовательности. Машина останавливается после того, как будут удалены все метки из

правой последовательности. Ход выполнения программы будет иметь следующий вид:

259

1x0

y1

z

1: 01x-1

0y1

z

2: 1x-1

0y1

z

3: 1x-1

0y1

z

2: 111

x-20

y1

z

3: 111

x-20

y1

z

Цикл (2,3):

3: 1x-10

y1

z

4: 1x-1

010

y-11

z

5: 1x-1

010

y-11

z

4: 1x-1

020

y-21

z

5: 1x-1

020

y-21

z

Цикл (4,5):

5: 1x-1

0y1

z

6: 1x-1

0y0

11

z-1

7: 1x-1

0y+11

z-1

8: 1x-1

0y+11

z-1

9: 1x-1

0y0

11

z-1

10: 1x-1

0y0

11

z-1

9: 1x-1

0y-10

21

z-1

10: 1x-1

0y-10

21

z-1

Цикл (9,10):

10: 1x-21

10

y+11

z-1

11: 1x-20

y+21

z-1

4: 1x-2

010

y+11

z-1

5: 1x-2

010

y+11

z-1

Цикл (4,5):

5: 1x-2

0y+21

z-1

6: 1x-2

0y+20

11

z-2

7: 1x-2

0y+31

z-2

8: 1x-2

0y+31

z-2

Цикл (9,10,11,4,5,…,8):

8: 1x-z

0y+2z-1

12: 1x-z

0y+2z-2

13: 1x-z

0y+2z-2

12: 1x-z

0y+2z-3

13: 1x-z

0y+2z-3

Цикл (12,13):

13: 1x-z-1

11

14: 1x-z-2

12

15: 1x-z-2

12

14: 1x-z-3

13

15: 1x-z-3

13

Цикл (14,15):

15: 011

x-z

16: 1x-z

17: 1x-z

Пример 5.7. В этом примере рассматривается задача копирования

последовательности меток – требуется перевести машину из конфигурации Λ1𝑥 в

конфигурацию Λ1𝑥011𝑥. Программа для решения указанной задачи может иметь

следующий вид:

1 X 2

2 > 3

3 ? 4 2

4 > 5

5 V 6

6 > 7

7 ? 8 6

8 > 9

9 ? 10 8

10 V 11

11 < 12

12 ? 13 11

13 < 14

14 ? 15 13

15 < 16

16 ? 18 17

17 X 4

18 > 19

19 > 20

20 !

260

Эта программа для каждой отмеченной в начальный момент ячейки, удаляя метку,

добавляет по метке в две новые последовательности. Ход выполнения программы

представлен ниже:

1x

1: 011

x-1

2: 1x-1

3: 1x-1

2: 111

x-2

3: 111

x-2

Цикл (2,3):

3: 1x-1

4: 1x-1

01

5: 1x-1

011

1

6: 1x-1

011

1

7: 1x-1

011

1

8: 1x-1

011

10

1

9: 1x-1

011

10

1

10: 1x-1

011

10

11

1

11: 1x-1

011

10

11

1

12: 1x-1

011

10

11

1

13: 1x-1

011

10

11

1

14: 1x-1

011

10

11

1

13: 1x-10

11

10

11

1

14: 1x-10

11

10

11

1

15: 1x-21

10

11

10

11

1

16: 1x-21

10

11

10

11

1

17: 1x-20

21

10

11

1

4: 1x-2

010

11

10

11

1

5: 1x-2

011

20

11

1

6: 1x-2

011

11

10

11

1

7: 1x-2

011

11

10

11

1

6: 1x-2

011

20

11

1

7: 1x-2

011

20

11

1

8: 1x-2

011

20

11

1

9: 1x-2

011

20

11

1

8: 1x-2

011

20

11

1

9: 1x-2

011

20

11

1

10: 1x-2

011

20

11

11

1

11: 1x-2

011

20

11

2

12: 1x-2

011

20

11

2

11: 1x-2

011

20

11

2

12: 1x-2

011

20

11

2

13: 1x-2

011

11

10

11

2

14: 1x-2

011

11

10

11

2

13: 1x-2

011

20

11

2

14: 1x-2

011

20

11

2

Цикл (13,14):

14: 1x-20

11

20

11

2

15: 1x-31

10

11

20

11

2

16: 1x-31

10

11

20

11

2

Цикл: (17,4,5,…,16):

16: 021

x0

11

x

18: 011

x0

11

x

19: 1x0

11

x

20: 1x0

11

x

Пример 5.7. Требуется написать программу, которая перерабатывает слово 1𝑥 в

12𝑥, т.е. осуществляет умножение заданного числа на два. В этом случае начальная

конфигурация машины – Λ1𝑥, заключительная – Λ12𝑥. Ниже представлена программа,

которая стирает метку из заданной последовательности и добавляет две метки в новую

последовательность:

1 X 2

2 > 3

3 ? 4 2

4 > 5

5 ? 6 4

6 V 7

7 > 8

8 V 9

261

9 ? 11 10

10 < 9

11 < 12

12 ? 16 13

13 < 14

14 ? 15 13

15 > 1

16 > 17

17 > 18

18 !

В этой программе в отличие от рассмотренных ранее примеров есть цикл с предусловием

(9,10). Ход выполнения программы будет иметь вид:

1x

1: 011

x-1

2: 1x-1

3: 1x-1

2: 111

x-2

3: 111

x-2

Цикл (2,3):

3: 1x-1

4: 1x-1

01

5: 1x-1

01

6: 1x-1

011

1

7: 1x-1

011

1

8: 1x-1

011

11

1

9: 1x-1

011

11

1

10: 1x-1

011

2

9: 1x-1

011

2

10: 1x-10

11

2

9: 1x-10

11

2

11: 1x-21

10

11

2

12: 1x-21

10

11

2

13: 1x-31

20

11

2

14: 1x-31

20

11

2

13: 1x-41

30

11

2

14: 1x-41

30

11

2

Цикл (13,14):

14: 011

x-10

11

2

15: 1x-1

011

2

1: 011

x-20

11

2

2: 1x-2

011

2

3: 1x-2

011

2

2: 111

x-30

11

2

3: 111

x-30

11

2

Цикл (2,3):

3: 1x-20

11

2

4: 1x-2

011

2

5: 1x-2

011

2

4: 1x-2

011

11

1

5: 1x-2

011

11

1

Цикл (4,5):

5: 1x-2

011

2

6: 1x-2

011

21

1

7: 1x-2

011

3

8: 1x-2

011

31

1

9: 1x-2

011

31

1

10: 1x-2

011

21

2

9: 1x-2

011

21

2

10: 1x-2

011

11

3

9: 1x-2

011

11

3

Цикл (10,9):

9: 1x-20

11

4

11: 1x-31

10

11

4

12: 1x-31

10

11

4

13: 1x-41

20

11

4

14: 1x-41

20

11

4

13: 1x-51

30

11

4

14: 1x-51

30

11

4

Цикл (13,14):

14: 01x-2

011

4

15: 1x-2

011

4

1: 011

x-30

11

4

2: 1x-3

011

4

3: 1x-3

011

4

2: 111

x-40

11

4

3: 111

x-40

11

4

Цикл (2,3):

3: 1x-30

11

4

4: 1x-3

011

4

5: 1x-3

011

4

4: 1x-3

011

11

3

5: 1x-3

011

11

3

Цикл (4-5):

5: 1x-3

011

4

262

6: 1x-3

011

41

1

7: 1x-3

011

5

8: 1x-3

011

51

1

9: 1x-3

011

51

1

10: 1x-3

011

41

2

9: 1x-3

011

41

2

10: 1x-3

011

31

3

9: 1x-3

011

31

3

Цикл (10,9):

9: 1x-30

11

6

11: 1x-41

10

11

6

12: 1x-41

10

11

6

Цикл: (13,14,15,1,2,…,

12):

12: 021

2x

16: 011

2x

17: 12x

18: 12x

Пример 5.8. Следующий пример – операция умножения. Начальная конфигурация

машины – 1x0

11

y, заключительная – 1

xy. Ниже представлены код программы и ход ее

выполнения в символьном виде. Программа создает x-1 экземпляров последовательности

из y меток, одновременно удаляя последовательность из x меток, на заключительном этапе

обединяет все последовательности в одну.

1 X 2

2 > 3

3 ? 29 4

4 > 5

5 ? 6 4

6 > 7

7 ? 8 4

8 < 9

9 < 10

10 X 11

11 > 12

12 ? 13 11

13 > 14

14 ? 15 13

15 V 16

16 < 17

17 ? 18 16

18 < 19

19 ? 20 18

20 V 21

21 < 22

22 ? 23 10

23 < 24

24 ? 25 23

25 < 26

26 ? 27 23

27 > 28

28 > 1

29 > 30

30 X 31

31 > 32

32 ? 33 31

33 V 34

34 > 35

35 ? 38 36

36 < 37

37 ? 29 36

38 < 39

39 ? 40 38

40 > 41

41 !

263

Ход выполнения программы будет иметь вид:

1x0

11

y

1: 1x-1

011

y

2: 111

x-20

11

y

3: 111

x-20

11

y

4: 121

x-30

11

y

5: 121

x-30

11

y

4: 131

x-40

11

y

5: 131

x-40

11

y

Цикл (4,5):

5: 1x-10

11

y

6: 1x-1

011

y

7: 1x-1

011

y

4: 1x-1

011

11

y-1

5: 1x-1

011

11

y-1

Цикл (4,5):

5: 1x-1

011

y

6: 1x-1

011

y0

1

7: 1x-1

011

y0

1

8: 1x-1

011

y

9: 1x-1

011

y-11

1

10: 1x-1

011

y-1

11: 1x-1

011

y-10

1

12: 1x-1

011

y-10

1

13: 1x-1

011

y-10

2

14: 1x-1

011

y-10

2

15: 1x-1

011

y-10

21

1

16: 1x-1

011

y-10

10

11

1

17: 1x-1

011

y-10

10

11

1

18: 1x-1

011

y-10

21

1

19: 1x-1

011

y-10

21

1

20: 1x-1

011

y-11

10

11

1

21: 1x-1

011

y-21

20

11

1

22: 1x-1

011

y-21

20

11

1

10: 1x-1

011

y-20

11

10

11

1

11: 1x-1

011

y-20

11

10

11

1

12: 1x-1

011

y-20

11

10

11

1

11: 1x-1

011

y-20

11

10

11

1

12: 1x-1

011

y-20

11

10

11

1

13: 1x-1

011

y-20

11

10

11

1

14: 1x-1

011

y-20

11

10

11

1

13: 1x-1

011

y-20

11

10

11

1

14: 1x-1

011

y-20

11

10

11

1

15: 1x-1

011

y-20

11

10

11

11

1

16: 1x-1

011

y-20

11

10

11

2

17: 1x-1

011

y-20

11

10

11

2

16: 1x-1

011

y-20

11

10

11

2

17: 1x-1

011

y-20

11

10

11

2

18: 1x-1

011

y-20

11

10

11

2

19: 1x-1

011

y-20

11

10

11

2

18: 1x-1

011

y-20

11

10

11

2

19: 1x-1

011

y-20

11

10

11

2

20: 1x-1

011

y-21

20

11

2

21: 1x-1

011

y-31

30

11

2

22: 1x-1

011

y-31

30

11

2

Цикл (10,…,22):

22: 1x-10

11

y0

11

y

23: 1x-21

10

11

y0

11

y

24: 1x-21

10

11

y0

11

y

23: 1x-31

20

11

y0

11

y

24: 1x-31

20

11

y0

11

y

Цикл (23,24):

24: 011

x-10

11

y0

11

y

25: 021

x-10

11

y0

11

y

26: 021

x-10

11

y0

11

y

27: 011

x-10

11

y0

11

y

28: 1x-1

011

y0

11

y

1: 011

x-20

11

y0

11

y

2: 1x-2

011

y0

11

y

3: 1x-2

011

y0

11

y

Цикл (4,…,28,1,2,3):

3: (011

y)x

29: 1y(0

11

y)x-1

30: 011

y-1(0

11

y)x-1

31: 1y-1

(011

y)x-1

32: 1y-1

(011

y)x-1

31: 111

y-2(0

11

y)x-1

32: 111

y-2(0

11

y)x-1

Цикл (31,32):

32: 1y-1(0

11

y)x-1

33: 1y-11

y+1(0

11

y)x-2

34: 1y1

y(0

11

y)x-2

35: 1y1

y(0

11

y)x-2

36: 1y-11

y+1(0

11

y)x-2

37: 1y-11

y+1(0

11

y)x-2

36: 1y-21

y+2(0

11

y)x-2

37: 1y-21

y+2(0

11

y)x-2

Цикл (36,37):

37: 011

2y(0

11

y)x-2

29: 12y

(011

y)x-2

30: 011

2y-1(0

11

y)x-2

31: 12y-1

(011

y)x-2

32: 12y-1

(011

y)x-2

31: 111

2y-2(0

11

y)x-2

264

32: 111

2y-2(0

11

y)x-2

Цикл (31,32):

32: 12y(0

11

y)x-2

33: 12y-1

1y+1

(011

y)x-3

34: 12y1

y(0

11

y)x-3

35: 12y1

y(0

11

y)x-3

Цикл (36,37,29,…,35):

35: 1(x-1)y

1y

36: 1(x-1)y-1

1y+1

37: 1(x-1)y-1

1y+1

36: 1(x-1)y-2

1y+2

37: 1(x-1)y-2

1y+2

Цикл (36,37):

37: 011

xy

29: 1xy

30: 011

xy-1

31: 1xy-1

32: 1xy-1

31: 111

xy-2

32: 111

xy-2

Цикл (31,32):

32: 1xy-1

33: 1xy-1

11

34: 1xy

35: 1xy

38: 1xy-1

11

39: 1xy-1

11

38: 1xy-2

12

39: 1xy-2

12

Цикл (38,39):

39: 011

xy

40: 1xy

41: 1xy

Для внедрения метода в информационные системы и, в частности,

автоматизированные системы управления процессом электронного обучения необходимо

разработать алгоритм, позволяющий анализировать исходный код, отправленный

студентом на проверку серверу, и принимать решение о результате выполнения задания с

последующей фиксацией результата в системе. Рассмотренные ранее примеры программ

(примеры 5.3 – 5.8) позволяют сформировать набор символьных представлений

различных блоков программы для начальной стандартной конфигурации машины Поста.

Аналогичные наборы могут быть составлены для иных начальных конфигураций машины

в соответствии с правилами, указанными в задании. Сформированные наборы могут быть

объединены в общую таблицу базы данных системы, таким образом, формируя

хранилище символьных представлений фрагментов программ.

Фрагменты исходного программного кода, результат выполнения которых

определен в символьном виде, так же могут быть формализованы представлениями в

символьном виде с целью упрощения их идентификации в программе независимо от

используемых номеров команд в анализируемом фрагменте. Обозначенный выше пример

программного кода для решения задачи сложения чисел на ленте машины Поста (пример

5.5) содержит два полностью идентичных друг другу цикла, отличающихся друг от друга

номерами команд:

…

7 < 8

8 ? 9 7

…

10 < 11

11 ? 12 10

…

В символьном виде представленные циклы могут описаны как:

𝑖 < 𝑖 + 1,

𝑖 + 1 ? 𝑖 + 2, 𝑖,

где 𝑖 – номер команды исходного программного кода. Таким образом, зная текущую

конфигурацию машины перед началом выполнения цикла и правила выполнения циклов такого

вида, зафиксированные в базе данных, становится возможным сделать вывод о конфигурации

машины после его окончания. Циклы (7,8) и (10,11) служат для перемещения каретки влево до

пустой ячейки, после чего происходит переход к следующей команде. Идентифицировав эти

циклы на этапе анализа программного кода и проанализировав программу с целью получения

конфигурации машины на момент начала цикла, алгоритм формирует вывод о конфигурации

машины после него. Например, в цикле (7,8) примера 5.5:

𝟏𝒙𝚲𝟎𝒚−𝟏𝟏𝒛(7,8)→ 𝚲𝟎𝟏𝒙𝟎𝒚−𝟏𝟏𝒛

Следовательно, правила для указанного вида циклов были выполнены, и машина перешла в

новую конфигурацию.

Используя описанный подход, возможно повысить точность оценки присланных на

проверку заданий. В случае, если не удается выполнить формальную верификацию программы

в символьном виде, в частности, при отсутствии представления некоторого фрагмента, можно

прибегнуть к стандартному методу тестирования исходного кода программы с использованием

вход-выходных наборов данных. При этом, такой случай будет зафиксирован в базе данных для

проведения последующего анализа и модификации алгоритма верификации.

5.7 Внедрение предлагаемых решений и разработанных технологий

Предлагаемые решения и разработанные технологии были внедрены и успешно применяются в

автоматизированной системе управления процессом электронного обучения AcademicNT

(Свидетельство об официальной регистрации программ для ЭВМ № 2006613980 от 24.07.2006,

приложение Б), которая используется в Университете ИТМО (приложение И), ФГБОУ ВО

ПСПбГМУ им. И.П. Павлова Минздрава России (приложение З), Институте имени И.Е. Репина

(приложение Ж). Масштабы апробации системы AcademicNT в учебном процессе указанных

университетов представлены в таблице 5.13. В онлайн-курсах, размещенных на площадке

Ассоциации "Национальная платформа открытого образования", используются различные

266

инновационные задания и виртуальные лаборатории из AcademicNT (приложение Е) [172].

Масштабы апробации системы AcademicNT в онлайн-обучении приведены в таблице 5.14. В

системе AcademicNT регулярно проводятся олимпиады в форме онлайн-экзаменов с

обязательным учетом достижений участников (таблица 5.15). Система AcademicNT стала

основой для создания методического интернет-центра повышения квалификации работников

образования в области информационно-коммуникационных технологий [15], [17], [57]

(приложения К, Л), реализации модели проведения единого государственного экзамена по

информатике в компьютерной форме [18], [80] (приложения М, Н), построения региональной

информационно-аналитической системы "Молодые ученые" [11] (приложение О). В 2008 году

AcademicNT прошла сертификацию на соответствие требованиям ГОСТ Р ИСО/МЭК 12119-

2000 (п.п. 3.2, 3.3), ГОСТ Р ИСО 9127-94 (п.п. 6.1, 6.3, 6.4, 6.5) в Системе добровольной

сертификации информационно-коммуникационных технологий в образовании (Сертификат

соответствия № РОСС RU.04ИК.П00016, приложение В). База данных системы AcademicNT

зарегистрирована в 2012 году под названием AcademicRM (Свидетельство о государственной

регистрации базы данных № 2012621123 от 13.07.2012, приложение Г). В 2008 году система

AcademicNT была признана победителем в номинации "Корпоративные системы

дистанционного обучения" Всероссийского творческого конкурса научно-технических

решений, образовательных продуктов и услуг в области информатизации образования, который

проводился в рамках 10-го Юбилейного Всероссийского форума "Образовательная среда –

2008" (приложение Д).

Таблица 5.13 – Масштабы апробации системы AcademicNT в учебном процессе университетов

№ Название Количество

1 Количество дисциплин (модулей) 1895

2 Количество курсов 1675

3 Общее количество сценариев 6196

4 Количество электронных тестов / кадров 3069 / 129134

5 Количество электронных практикумов / кадров 439 / 4393

6 Количество виртуальных лабораторий / кадров /

установок / серверов

122 / 338 / 61 / 37

7 Количество электронных конспектов / страниц /

кадров

671 / 11774 / 9278

8 Количество информационных ресурсов 1895

9 Количество студентов 43885

267


10 Количество аттестаций 4925346

11 Количество сообщений 222394

Таблица 5.14 – Масштабы апробации системы AcademicNT в онлайн-обучении


1 Количество курсов 12

2 Общее количество сценариев 58

3 Количество электронных тестов / кадров 10 / 1229

4 Количество виртуальных лабораторий / кадров /

установок / серверов

48 / 70 / 23 / 23

5 Количество слушателей 2635

6 Количество аттестаций 25142

Таблица 5.15 – Масштабы апробации системы AcademicNT в онлайн-экзаменах


1 Количество мероприятий 47

2 Количество заданий 4739

3 Количество участников 3180

4 Количество присланных решений 127916

В соответствии с методикой, приведенной в [118], была проведена оценка

экономической эффективности внедрения разработанных моделей, методов и алгоритмов

построения автоматизированных систем управления процессом электронного обучения,

которая превысила 65% для дисциплин с большой трудоемкостью (таблица 5.16).

Таблица 5.16 – Эффективность разработанных моделей, методов и алгоритмов построения

автоматизированных систем управления процессом электронного обучения

Объем

дисциплины

Стоимость реализации

дисциплины без

применения

электронного курса

Экономия средств на

реализацию дисциплины с

применением электронного

курса

Экономическая

эффективность

3 з.е. 36 223,20 руб. 11 223,20 руб. 30,98 %

4 з.е. 48 297,60 руб. 23 297,60 руб. 48,24 %

268

5 з.е. 60 372,00 руб. 35 372,00 руб. 58,59 %

6 з.е. 72 446,40 руб. 47 446,40 руб. 65,49 %

5.8 Выводы

Центральным компонентом электронной информационно-образовательной среды является

автоматизированная система управления процессом электронного обучения, которая

обеспечивает выполнение следующих функций:

электронное обучение и оценивание результатов обучения;

управление правами доступа пользователей к сервисам системы и электронным учебно-

методическим материалам;

обеспечение взаимодействия пользователей с использованием встроенных

коммуникационных средств;

мониторинг и оценка качества электронных учебно-методических материалов и

подготовки обучающихся на основе модульной балльно-рейтинговой системы;

разработку электронных учебно-методических материалов, рабочих программ, учебных

планов и индивидуальных планов преподавателей;

администрирование системы, электронных учебно-методических материалов и учебного

процесса.

Для распределения прав доступа участников учебного процесса к системе в ней должны быть

предусмотрены группы безопасности пользователей. Большинство систем электронного

обучения разрабатываются по шаблону программирования Модель-Представление-Контроллер,

который применяется при создании сложных веб-ориентированных проектов и позволяет

эффективно организовать работу больших коллективов разработчиков, структурировать код

системы и систему в целом. Контроллер преобразует HTTP-запросы в команды и выполняет их,

используя функции ядра системы. При вызовах функций контроллер осуществляет подстановку

значений параметров, для этого в контроллере реализован механизм выбора значений

параметров с учетом приоритетов: предустановленные переменные, переменные сессии,

параметры запроса. Хранение данных в переменных сессии позволяет скрыть их во время

сеансов аттестации, не передавая на сторону клиента с каждым запросом, что повышает

защищенность системы.

В современных информационных системах для хранения перманентных данных

используют реляционные базы данных, которые характеризуются высокой

производительностью и надежностью. Эти базы данных основаны на реляционной модели и

269

используют для хранения объектов предметной области таблицы с наперед заданными

столбцами. Каждая такая таблица соответствует отношению в реляционной модели. В то же

время для межсистемного обмена данными часто используются форматы XML и JSON,

построенные на иерархической модели. При использовании одновременно двух моделей

данных – реляционной для хранения данных, иерархической для обмена данными –

естественным образом встает вопрос о поиске условий, при которых существует взаимно

однозначного соответствие между реляционными и иерархическими структурами.

Предложенные алгоритмы предполагают использование наборов правил для управления

преобразованием XML-документа в реляционную модель данных и обратно. Они позволяют

сохранить удобочитаемость XML-документов и обеспечить неизбыточность данных при

хранении. Кроме того, структуры XML-документа и базы данных оказываются связанными

посредством этих правил, что позволяет снизить трудозатраты при модификации этих структур.

С целью обеспечения возможности многократного использования виртуальных

лабораторий в различных программных средах электронного обучения был разработан

протокол RLCP, в котором определены требования к виртуальному стенду и виртуальной

машине, описана общая схема взаимодействия между различными компонентами

информационно-образовательной среды в процессе формирования задания, его выполнения и

проверки результата. Виртуальная лаборатория, которая удовлетворяет требованиям протокола

RLCP, называется RLCP-совместимой, виртуальный стенд – RLCP-стендом, виртуальная

машина – RLCP-сервером. Функции RLCP-клиента выполняет контроллер электронной

информационно-образовательной среды. RLCP-клиент взаимодействует с обозревателем по

протоколу HTTP или его защищенной версии HTTPS, а с RLCP-сервером по протоколу RLCP,

для доступа к базе данных RLCP-клиент использует ее программный интерфейс, обозреватель

использует программный интерфейс для взаимодействия с RLCP-стендом. В сравнении со

стандартом IMS LTI 2.0 протокол RLCP обеспечивает возможность многократного

использования в электронных информационно-образовательных средах сложных программно-

аппаратных компонентов и независимого изменения вида и функциональных возможностей

графического интерфейса обучающегося в соответствии с потребностями конкретного

электронного курса.

Лабораторные работы отличаются от тестовых заданий множеством правильных

ответов. В тестовых заданиях множество правильных ответов перечислимо и разрешимо, т.е.

обладает общерекурсивной характеристической функцией. В заданиях лабораторных работ в

качестве множества правильных ответов в общем случае выступает бесконечное множество

цепочек над некоторым фиксированным алфавитом, или, что эквивалентно, язык, порожденной

формальной грамматикой произвольного вида. Таким образом, множество правильных ответов

270

в заданиях лабораторной работы может оказаться алгоритмически неразрешимым. Это

означает, что не существует алгоритма, который по любому ответу обучающегося дает ответ,

правильный он или нет. В большинстве случаев ответ представляет собой описание некоторой

системы, которое составлено на указанном языке. Функционирование описанной системы

может быть воспроизведено в определенной программной среде и заключается в переработке

входных данных в выходные. Для того чтобы убедиться в правильности ответа обучающегося,

необходимо проверить реакцию системы на всех возможных наборах входных данных. Однако

даже в простейших случаях множество наборов входных данных оказывается бесконечным,

поэтому ограничиваются проверкой реакции системы на некоторых наиболее характерных

наборах входных данных, что не гарантирует правильную работу системы на других наборах

данных. Для решения указанной проблемы предлагается использовать метод символьного

выполнения, который может стать эффективным инструментом для проверки ответов

обучающихся в силу ограниченности их размера.

Предлагаемые решения и разработанные технологии были внедрены и успешно

применяются в автоматизированной системе управления процессом электронного обучения

AcademicNT, которая используется в Университете ИТМО, ФГБОУ ВО ПСПбГМУ им. И.П.

Павлова Минздрава России, Институте имени И.Е. Репина. В онлайн-курсах, размещенных на

площадке Ассоциации "Национальная платформа открытого образования", используются

различные инновационные задания и виртуальные лаборатории из AcademicNT. В системе

AcademicNT регулярно проводятся олимпиады в форме онлайн-экзаменов с обязательным

учетом достижений участников. Система AcademicNT стала основой для создания

методического интернет-центра повышения квалификации работников образования в области

информационно-коммуникационных технологий, реализации модели проведения единого

государственного экзамена по информатике в компьютерной форме, построения региональной

информационно-аналитической системы "Молодые ученые". В системе размещено 1675

электронных курсов и проведено более 5 миллионов аттестаций.

271

Заключение

Проведенное исследование позволило получить новые научно-обоснованные методические и

технические решения, внедрение которых вносит значительный вклад в повышение

эффективности электронного обучения в высшем образовании, в том числе повышение

экономической эффективности до 65% для дисциплин с большой трудоемкостью. Результаты

исследования способствуют автоматизации построения индивидуальных учебных планов и

траекторий обучения, управления траекториями обучения и обучающими диалогами,

проведения подтвержденных процедур оценивания достигнутых результатов обучения,

включая оценивание практических навыков и непрерывную идентификацию личности

обучающегося, что подтверждено практикой многолетнего использования разработанных

моделей, методов и алгоритмов и результатами экспериментальных исследований. Научные и

практические результаты работы состоят в следующем:

1) определены области и стратегии использования электронного обучения,

информационных технологий и инструментов в высшем образовании, характеристики

результатов обучения в информационной модели образовательной программы, варианты

включения онлайн-курсов в образовательные программы высшего образования;

2) сформулирована концепция автоматизированной системы управления процессом

электронного обучения в сфере высшего образования на основе многоканальной

обратной связи, используемой в процессе электронного обучения, которая предполагает

формирование индивидуальной траектории обучения в зависимости от значений

параметров биометрических сигналов и текущего уровня подготовки обучающегося с

целью повышения результативности учебного процесса;

3) разработана модель образовательной программы, включающая требования к описанию

пререквизитов и результатов обучения образовательной программы и электронного

курса, пререквизитов и результатов обучения множества курсов, составляющих

образовательную программу, пререквизитов и результатов обучения отдельного

учебного модуля электронного курса, включает модели результатов обучения и

обучающегося, обеспечивает возможность автоматизации построения индивидуальных

траекторий обучения;

4) разработана информационная модель электронного курса и соответствующие ей DTD-

определения, которая включает организацию курса, модель учета достижений

обучающегося, событийную модель управления траекториями изучения курса, сценарии

взаимодействия и диалоговые формы, характеризующиеся способом представления

информации на экране, схемой построения, правилами обработки ответа, множеством

272

правильных ответов и реакцией системы, предложена методика формирования

индивидуальных траекторий в процессе электронного обучения, которая

предусматривает автоматизированное построение индивидуальных учебных планов,

автоматическое управление траекторией изучения электронного курса и адаптивными

обучающими диалогами с использованием многоканальной обратной связи;

5) разработаны метод и алгоритмы непрерывной идентификации обучающихся по

характеристикам траектории взгляда, регистрируемой с помощью айтрекера с частотой

дискретизации 30 Гц, построенные на основе расчета дистанции с применением

статистики Колмогорова-Смирнова и обеспечивающие высокую точность

идентификации, сравнимую с точностью существующих методов и алгоритмов для

высокочастотных приборов;

6) разработаны алгоритмы, основанные на наборах правил, которые обеспечивают

неизбыточное взаимно однозначное соответствие между иерархическими и

реляционными структурами, используемыми для передачи и хранения электронных

курсов и его компонентов, что позволяет сочетать гибкость, доступность,

содержательную ориентированность иерархических моделей и производительность,

надежность реляционных моделей, упростить процесс проектирования базы данных на

основе информационной модели электронного курса и его компонентов;

7) разработан универсальный метод управления удаленной лабораторией и

соответствующий ему протокол RLCP, который предназначен для применения в

электронных информационно-образовательных средах и позволяет встраивать в

электронный курс многократно используемые программные компоненты,

предоставляющие возможность оценивания задач, имеющих алгоритмически

неразрешимые множества верных ответов, с помощью проверки на множестве наборов

входных данных и методом формальной верификации, для частного случая которого

разработан алгоритм символьного выполнения;

8) на основе предложенных модели образовательной программы и информационной

модели электронного курса и его компонентов с применением протокола управления

удаленной лабораторией RLCP разработана и прошла апробацию автоматизированная

система управления процессом электронного обучения AcademicNT и ее база данных

AcademicRM, которая позволила создать 1675 электронных курсов и провести обучение

более 5 миллионов аттестаций, реализовать сложные программные компоненты для

онлайн-обучения на площадке ОткрытоеОбразование.РФ, провести 47 мероприятий в

форме онлайн-экзаменов.

273

Список литературы

[1] Аванесов В.С. Форма тестовых заданий. – М.: Центр тестирования, 2006. – 152 с.

[2] Аврунин О.Г., Крук О.Я., Носова Т.В., Семенец В.В. Технические аспекты разработки

виртуальных лабораторных работ по техническим дисциплинам // Открытое

образование. – 2008. – № 3. – С. 11-17.

[3] Анисимова Э. Идентификация подписи с помощью радиальных функций //

Фундаментальные исследования. – 2014. – № 9–6. – С. 1185–1189.

[4] Антонов С.Е., Марусина М.Я., Лямин А.В., Киселев С.С., Федосов Ю.В. Программный

инструментарий для исследования математических моделей прецизионных триподов //

Известия высших учебных заведений. Приборостроение. – 2011. – № 7. – С.72-75.

[5] Аржаник А.В., Воллосович С.А., Лямин А.В. XML-реляционные преобразования //

Труды XI Всероссийской научно-методической конференции "Телематика'2004". –

Санкт-Петербург, 2004. – Т. 1. – С. 193-194.

[6] Ахутин В.М. Бионические аспекты синтеза биотехнических систем. // Информационные

материалы: Кибернетика. – 1976. – № 4 (92). – С.3-26.

[7] Баевский Р.М. Прогнозирование состояний на грани нормы и патологии. – М.:

Медицина, 1979. – 298 с.

[8] Баевский Р.М., Кириллов О.И., Клецкин С.М. Математический анализ изменений

сердечного ритма при стрессе. – М.: Наука, 1984. – 221 с.

[9] Бердникова Е.А., Лямин А.В., Русак А.В. Средства построения адаптивных обучающих

диалогов в системе AcademicNT на основе концептуальной модели предметной области

// Научно-технический вестник информационных технологий, механики и оптики. –

2009. – № 3 (61). – С.105-110.

[10] Бердникова Е.А., Лямин А.В., Чежин М.С. Методы и средства электронного адаптивного

обучения в информационно-образовательной среде AcademicNT // Информационные

технологии в обеспечении нового качества высшего образования. Сборник научных

статей. Книга 1 / Труды всероссийской научно-практической конференции с

международным участием "Информационные технологии в обеспечении нового качества

высшего образования (14 - 15 апреля 2010 г., Москва, НИТУ "МИСиС")". – М.:

Исследовательский центр проблем качества подготовки специалистов НИТУ "МИСиС",

2010. – С.132-138.

[11] Бердникова Е.А., Лямин А.В., Чежин М.С. Региональная информационно-аналитическая

система "Молодые учёные России". Северо-Западный федеральный округ. – СПб.:

СПбГУ ИТМО, 2010. – 60 с.

274

[12] Биотехнические системы / Под ред. В.М. Ахутина. – Л.: Изд-во Ленинградского

университета, 1981. – 163 с.

[13] Бобцов А.А., Лямин А.В., Чежин М.С. Современное состояние и перспективы развития

системы тестирования знаний в системе дистанционного обучения для университета //

Научно-технический вестник информационных технологий, механики и оптики. – 2001.

– № 1 (1). – С. 23-27.

[14] Буль Е.Е. Обзор моделей студента для компьютерных систем обучения //

Образовательные технологии и общество. – 2003. – 6(4). – Р.245-250.

[15] Васильев В.Н., Лисицына Л.С., Лямин А.В. Методический интернет-центр. – СПб:

Питер, 2005. – 96 с.

[16] Васильев В.Н., Лисицына Л.С., Лямин А.В. Сетевая технология проведения

вступительных испытаний по информатике в режиме on-line // Сборник научных трудов

"Использование информационно-коммуникационных технологий в процессе оценки

качества образования". – СПб., 2008. – С. 55-70.

[17] Васильев В.Н., Лисицына Л.С., Лямин А.В. Сетевое сообщество на основе

методического интернет-центра: первый опыт создания и перспективы развития //


– № 9 (32). – С. 254-259.

[18] Васильев В.Н., Лисицына Л.С., Лямин А.В. Технология проведения ЕГЭ по информатике

в компьютерной форме // Научно-технический вестник информационных технологий,

механики и оптики. – 2007. – № 11 (45). – С.126-143.

[19] Васильев В.Н., Лисицына Л.С., Лямин А.В., Шехонин А.А. Система дистанционного

обучения СПбГИТМО: Современное состояние и перспективы развития // Современные

образовательные технологии: Сборник статей / Под ред. Колесникова Ю.Л. – СПб.:

СПбГИТМО(ТУ), 2001. – С. 13-34.

[20] Васильев В.Н., Лямин А.В., Чежин М.С. Система дистанционного обучения второго

поколения // Научно-технический вестник информационных технологий, механики и

оптики. – 2007. – № 11 (45). – С.148-157.

[21] Васильев В.Н., Лямин А.В., Чежин М.С. Средства организации самостоятельной работы

студентов в сетевой информационно-образовательной среде AcademicNT // Материалы

межвузовской научно-методической конференции "Проблемы разработки учебно-

методического обеспечения перехода на двухуровневую систему в инженерном

образовании" / МИСиС. – М., 2008. – С. 224-232.

[22] Васильев В.Н., Шехонин А.А., Лямин А.В., Тарлыков В.А. Развитие системы

дистанционного обучения в соответствии с целевой комплексной программой

275

университета // Научно-технический вестник информационных технологий, механики и

оптики. – 2001. – № 1 (1). – С.45-49.

[23] Вашенков О.Е, Ковальчук С.В., Лямин А.В. Внутренний мир сетевой системы для

проведения обучений и аттестаций СПбГИТМО // Телематика 2002: Тезисы докладов

Международной научно- методической конференции. – Санкт-Петербург, 2002. – С. 238-

239.

[24] Вашенков О.Е., Волкова А.А., Лямин А.В. Примеры реализации сетевых виртуальных

лабораторий в среде системы дистанционного обучения // Научно-технический вестник

информационных технологий, механики и оптики. – 2007. – № 11 (45). – С.157-164.

[25] Вашенков О.Е., Лямин А.В. Методика формирования эталонных наборов входных и

выходных данных для анализа результатов выполнения заданий с неразрешимым

множеством правильных ответов // Научно-технический вестник информационных

технологий, механики и оптики. – 2009. – № 3 (61). – С.99-105.

[26] Вашенков О.Е., Лямин А.В. Механизм реализации виртуальных лабораторий в

информационно-образовательной среде AcademicNT // Открытое образование. - 2009. -

№ 4. - С. 24-33.

[27] Вашенков О.Е., Лямин А.В. Технология разработки виртуальных лабораторий в

информационно-образовательной среде AcademicNT на примере работы по информатике

// Материалы межвузовской научно-методической конференции "Проблемы разработки

учебно-методического обеспечения перехода на двухуровневую систему в инженерном

образовании" / МИСиС. – М., 2008. – С. 239-249.

[28] Вашенков О.Е., Лямин А.В., Тарлыков В.А. Оценивание результатов обучения в среде

электронного учебно-методического комплекса по дисциплине "Когерентная оптика" //

Конференция "Оптика и образование – 2006" / СПбГУ ИТМО. – СПб., 2006. – С. 70-71.

[29] Гой Е.Г., Лямин А.В. Организация учебного процесса в среде системы дистанционного

обучения университета // Научно-технический вестник информационных технологий,

механики и оптики. – 2004. – № 4 (15). – С. 382-385.

[30] Егоров А.С., Загрядский В.П. Психофизиология умственного труда. – Л.: Наука, 1973.

[31] Ефимчик Е.А., Лямин А.В. Автоматизация подготовки вариантов и оценивания решений

алгоритмических заданий для виртуальных лабораторий на основе автоматной модели //

Дистанционное и виртуальное обучение - 2015. – № 6(96). – С. 20-33.

[32] Ефимчик Е.А., Лямин А.В. Автоматическое построение заданий для проверки навыков

выполнения операций над множествами // Новые информационные технологии в

образовании: материалы международная научно-практическая конференция –

Екатеринбург: ФГАОУ ВПО "Рос. гос. проф. –пед. ун-т", 2013. – С. 278-281.

276

[33] Ефимчик Е.А., Лямин А.В. Виртуальная лаборатория для проверки навыков

восстановления логической функции // Информационная среда вуза XXI века: материалы

VI Международной научно-практической конференции (4-10 декабря 2012 года). –

Петрозаводск: ПетрГУ, 2012. – С. 78-81.

[34] Ефимчик Е.А., Лямин А.В. Виртуальные лаборатории в дистанционном образовании и

особенности их разработки // Материалы Международной научно-практической

конференции "Математические методы и модели анализа и прогнозирования развития

социально-экономических процессов черноморского побережья Болгарии" - Поморие,

Болгария, 2012. – С.135-139.

[35] Ефимчик Е.А., Лямин А.В. Генерирование заданий для виртуальных лабораторий по

дискретной математике // Труды XVIII Всероссийской научно-методической

конференции "Телематика'2011". – Санкт-Петербург, 2011. – Т.1.Секция А - С. 169-170.

[36] Ефимчик Е.А., Лямин А.В. Определение сложности вариантов алгоритмических заданий

для виртуальных лабораторий на основе автоматной модели // Компьютерные

инструменты в образовании. – 2014. – Вып. 3. – С. 34-43.

[37] Ефимчик Е.А., Лямин А.В. Особенности разработки алгоритмов автоматизации процесса

построения заданий для виртуальных лабораторий // Материалы XXIII Международной

конференции "Применение новых технологий в образовании". – Троицк, 2012. – С. 231-

232.

[38] Ефимчик Е.А., Лямин А.В. Средства разработки и тестирования RLCP-совместимых

виртуальных лабораторий // Дистанционное и виртуальное обучение. – 2012. – № 10. – С.

37-47.

[39] Ефимчик Е.А., Лямин А.В. Схема реализации виртуальных лабораторий с возможностью

автоматического построения заданий и оценивания результатов их выполнения //

Материалы международной научно-практической конференции "Новые

информационные технологии в образовании - 2012". – Екатеринбург, 2012. – С. 143-145.

[40] Зайцева Л.В. Методы и модели адаптации к учащимся в системах компьютерного

обучения // Образовательные технологии и общество. – 2003. – 6 (4). – P.204-211.

[41] Зайцева Л.В., Прокофьева Н.О. Модели и методы адаптивного контроля знаний //

Образовательные технологии и общество. – 2004. – 7(4). – P.265-277.

[42] Звонников В.И., Челышкова М.Б. Контроль качества обучения при аттестации:

компетентностный подход. – Логос, Университетская книга: Москва, 2009. – 207 с.

[43] Звонников В.И., Челышкова М.Б. Современные средства оценивания результатов

обучения: учеб. пособие для студ. высш. учеб. заведений. – М.: Издательский центр

"Академия", 2007. - 224 с.

277

[44] Интернет-порталы: содержание и технологии: сб. науч. ст. / Редкол.: А.Н. Тихонов

(пред.) и др.; ГНИИТ ИТТ «Информика». – М.: Просвещение, 2003. – Выпуск 1. – 720 с.

[45] Интернет-порталы: содержание и технологии: сб. науч. ст. / Редкол.: А.Н. Тихонов

(пред.) и др.; ГНИИТ ИТТ «Информика». – М.: Просвещение, 2004. – Выпуск 2. – 499 с.

[46] Ким В.С. Тестирование учебных достижений. Монография. – Уссурийск: Издательство

УГПИ, 2007. – 214 с.

[47] Климанов В.П., Косульников Ю.А., Позднеев Б.М., Сосенушкин С.Е., Сутягин М.В.

Международная и национальная стандартизация информационно-коммуникационных

технологий в образовании / Под ред. Б.М. Позднеева. – М.: ФГБОУ ВПО МГТУ

"СТАНКИН". – 2012 . – 186 с.

[48] Копылов Д.С., Лямин А.В., Федореева М.К. Турниры как один из подходов к

повышению качества обучения и мотивации студентов // Дистанционное и виртуальное

обучение. – 2016. – № 1. – С. 21-30.

[49] Копылов Д.С., Тихонов Д.О., Лямин А.В. Студенческое научное общество как основа

организации самостоятельной работы студентов // Информационная среда вуза XXI века:

материалы VII Всероссийской научно-практической конференции (23 - 27 сентября 2013

года). – Петрозаводск, 2013. – С. 110-114.

[50] Красильников Н.Н., Парфенов В.Г., Царев Ф.Н., Шалыто А.А. Виртуальная лаборатория

для первоначального обучения проектированию программ. // Компьютерные

инструменты в образовании. – 2007. – № 5. – С. 62-67.

[51] Крокер Л., Алгина Дж. Введение в классическую и современную теорию тестов: учебник

/ Пер. с англ. Н.Н. Найденовой, В.Н. Симкина, М.Б. Челышковой; под общ. ред. В.И.

Звонникова, М.Б. Челышковой. - М.: Логос, 2010. - 668 с.

[52] Ликбез: инфографика про MOOC и их разновидности [Электронный ресурс] //

Edutainme. – 2014. – 1 июля. – URL: http://www.edutainme.ru/post/likbez-infografika-pro-

mooc-i-ikh-raznovidnosti/.

[53] Лисицына Л.С. Методология автоматизации и управления разработкой результатов

обучения средствами сетевых информационных систем // Информатизация образования

и науки. – 2009. № 4. – С.118-132.

[54] Лисицына Л.С. Теория и практика компетентностного обучения и аттестаций на основе

сетевых информационных систем. – СПб: СПбГУ ИТМО, 2006. – 147 с.

[55] Лисицына Л.С., Лямин А.В. Общая структура системы дистанционного образования вуза

// Материалы VIII Международной научно-методической конференции "Высокие

интеллектуальные технологии образования и науки". – СПб, 2001. – С. 131-132.

278

[56] Лисицына Л.С., Лямин А.В. Сетевая технология для тренинга школьников выпускных

классов, готовящихся к сдаче ЕГЭ по информатике // Компьютерные инструменты в

школе. – 2008. – № 6 – С.15-23.

[57] Лисицына Л.С., Лямин А.В. Технологии сетевой ИС AcademicNT для разработки и

методической поддержки очных и очно-заочных (дистанционных) курсов повышения

ИКТ-компетентности педагогов. Методическое пособие. – СПб.: СПбГУ ИТМО, 2007. –

35 с.

[58] Лисицына Л.С., Лямин А.В., Быстрицкий А.С., Мартынихин И.А. Проблема поддержки

когнитивных функций в процессе электронного обучения // Научно-технический вестник

информационных технологий, механики и оптики. – 2014. – № 6(94). – C. 177-184.

[59] Лисицына Л.С., Лямин А.В., Чежин М.С. Руководство пользователя компьютерной

сетевой системы для проведения обучения и аттестаций. – СПб.: СПбГИТМО(ТУ), 2002.

– 44 с.

[60] Лисицына Л.С., Лямин А.В., Шехонин А.А. Разработка рабочих программ дисциплин

(модулей) в составе основных образовательных программ, реализующих ФГОС ВПО.

Методическое пособие. – СПб.: СПбГУ ИТМО, 2011. – 63 с.

[61] Лисицына Л.С., Лямин А.В., Шиегин В.В. Совершенствование технологии обучения в

СДО СПбГИТМО // Тезисы докладов Международной научно-методической

конференции "Телематика'2000" - Санкт-Петербург, 2000. – С. 181-182.

[62] Лисицына Л.С., Пирская А.С. Разработка универсальных компетенций и управление

образовательными траекториями // Информатизация образования и науки. – 2010. – № 5.

– С.102-114.

[63] Лямин А.В. XML-реляционное преобразование с использованием системы

продукционных правил // Компьютерные инструменты в образовании. – 2018. – № 1. –

С. 51–64.

[64] Лямин А. В. Метод формальной верификации программ для виртуальной лаборатории

«Машина Поста» // Информационно-управляющие системы. – 2018. – № 2. – С. 104-114.

[65] Лямин А.В. Формирование индивидуальных траекторий обучения на основе анализа

достижений и функционального состояния обучающегося // Научно-технический

вестник информационных технологий, механики и оптики. – 2018. – Т. 18. – №3. – С.

543-553.

[66] Лямин А.В., Васильев В.Н., Колесников Ю.Л., Чежин М.С. Опыт использования

компьютерных образовательных технологий в национальном исследовательском

университете информационных технологий, механики и оптики // Материалы

279

международной научно-практической конференции "Дистанционные технологии в

образовании - 2011" – Караганда: КЭУ, 2011. – С. 68-70.

[67] Лямин А.В., Воллосович С.В., Аржаник А.В. Гомологические модели электронных

учебно-методических материалов // Научно-технический вестник информационных

технологий, механики и оптики. – 2004. – № 4 (15). – С. 386-393.

[68] Лямин А.В., Незнанов Н.Г., Мартынихин И.А., Мартынихин А.В. Циркадные ритмы,

последствия их смены и астения в аспекте обучения в ВУЗе с использованием

дистанционных технологий // Журнал неврологии и психиатрии. – 2013. – 12. – С.97-99.

[69] Лямин А.В., Ольшевская А.В. Шаблоны тестовых заданий и их представление в системе

AcademicNT // Труды XV Всероссийской научно-методической конференции

"Телематика'2008". – Санкт-Петербург, 2008. – Т. 2. – С. 481-482.

[70] Лямин А.В., Плешкова М.В. Автоматизация процессов построения электронных курсов

// Труды XVI Всероссийской научно-методической конференции "Телематика'2009". –

Санкт-Петербург, 2009. – Т. 2. – С. 363-364.

[71] Лямин А.В., Плешкова М.В. Программирование электронного курса на основе

автоматного подхода // Научно-технический вестник информационных технологий,


[72] Лямин А.В., Плешкова М.В. Разработка среды программирования структуры

электронных курсов // Научно-технический вестник информационных технологий,


[73] Лямин А.В., Разыграева В.А. Анализ вариабельности сердечного ритма при

педагогических измерениях в системе дистанционного обучения // Труды XVI

Всероссийской научно-методической конференции "Телематика'2009". - Санкт-

Петербург, 2009. - Т. 2. - С. 345-346.

[74] Лямин А.В., Разыграева В.А. Исследование влияния обучающего воздействия в системе

ДО на функциональное состояние студентов // Труды XVII Всероссийской научно-

методической конференции "Телематика'2010". - Санкт-Петербург, 2010. - Т.1. - С. 199-

203.

[75] Лямин А.В., Разыграева В.А. Результаты экспериментальных исследований влияния

интеллектуальной нагрузки на функциональное состояние студента в информационно-

образовательной среде // Открытое образование. - 2011. - № 1. - С.21-33.

[76] Лямин А.В., Разыграева В.А., Скшидлевский А.А. Модель формирования обучающего

воздействия на основе анализа функционального состояния студента // Открытое и

дистанционное образование. - 2011.- №2(42). - С.12-18.

280

[77] Лямин А.В., Разыграева В.А., Скшидлевский А.А. Модель электронного адаптивного

обучения с оценкой функционального состояния обучающегося // Материалы VIII

Международной научно-практической конференции-выставки "Единая образовательная

информационная среда: проблемы и пути развития".- Томск: Графика-Пресс, 2009. - С.

108-109.

[78] Лямин А.В., Русак А.В. Жизненный цикл индивидуального плана преподавателя в

системе AcademicNT // Информационная среда вуза XXI века: материалы VII

Всероссийской научно-практической конференции (23 - 27 сентября 2013 года). –

Петрозаводск, 2013. – С. 143-145.

[79] Лямин А.В., Русак А.В. Жизненный цикл рабочей программы дисциплины в системе

электронного обучения // Материалы V Международной научно-практической

конференции "Информационная среда вуза XXI века". – Петрозаводск, 2011. – C. 121-

124.

[80] Лямин А.В., Скшидлевский А.А. Методика расчета вычислительной мощности

программно-аппаратного комплекса для проведения ЕГЭ в компьютерной форме //


– № 11 (56). – С.103-111.

[81] Лямин А.В., Скшидлевский А.А. Планирование развертывания сетевой информационно-

образовательной среды AcademicNT // Материалы Международной научно-практической

конференции "Информационные технологии в образовании и науке "ИТО-Самара-2011"

- Самара, 2011. – С. 434-437.

[82] Лямин А.В., Скшидлевский А.А. Программное обеспечение для выявления влияния

обучающего воздействия на функциональное состояние студента // Труды XVII

Всероссийской научно-методической конференции "Телематика'2010". – Санкт-

Петербург, 2010. – Т.1. – С. 188-189.

[83] Лямин А.В., Скшидлевский А.А. Разработка поведенческой модели испытуемого при

проведении педагогических измерений // Труды XVI Всероссийской научно-

методической конференции "Телематика'2009". – Санкт-Петербург, 2009. – Т. 2. – С. 349.

[84] Лямин А.В., Скшидлевский А.А. Стенд для исследования вариантов развертывания

системы дистанционного обучения AcademicNT // Новые информационные технологии в

образовании: Материалы международной научно-практической конференции. Ч.2,

Екатеринбург, 1-4 марта 2011г. – Екатеринбург: ФГАОУ ВПО "Рос.гос.проф. –пед.ун-т.",

2011. – С. 206-209.

[85] Лямин А.В., Скшидлевский А.А., Чежин М.С. Организация сетевого межвузовского

взаимодействия в информационно-образовательной среде AcademicNT //

281

Информационные технологии в обеспечении нового качества высшего образования.

Сборник научных статей. Книга 1 / Труды всероссийской научно-практической

конференции с международным участием "Информационные технологии в обеспечении

нового качества высшего образования (14 - 15 апреля 2010 г., Москва, НИТУ

"МИСиС")". – М.: Исследовательский центр проблем качества подготовки специалистов

НИТУ "МИСиС", 2010. – С.111-115.

[86] Лямин А.В., Скшидлевский А.А., Чежин М.С. Система управления работой

компьютерного класса общего доступа // Информационно-управляющие системы. –2011.

– Вып. 4(53). – С. 66-69.

[87] Лямин А.В., Хоботова А.Р., Чежин М.С. Использование социальных сетей в

образовании. – СПб: Университет ИТМО, 2015. – 68 с.

[88] Лямин А.В., Чежин М.С. Методика использования сетевых средств общения в учебном

процессе // Материалы VIII Международной научно-методической конференции

"Высокие интеллектуальные технологии образования и науки". – СПб, 2001. – С. 132-

133.

[89] Лямин А.В., Чежин М.С. Обработка и интерпретация результатов обучения при балльно-

рейтинговой системе оценивания // Сборник трудов конференции "Оптика и образование

- 2010"/ Под общ.ред. проф. А.А.Шехонина. – Санкт-Петербург, СПбГУ ИТМО, 2010. –

С. 23-24.

[90] Лямин А.В., Чежин М.С. Организация учебного процесса университета на базе

использования современных компьютерных технологий // Учебно-методический

сборник. Выпуск 1. – СПб: СПбГУ ИТМО, 2005. – С. 63-77.

[91] Лямин А.В., Чежин М.С. Построение электронных курсов для открытого онлайн-

обучения // Труды XX Всероссийской научно-методической конференции

Телематика'2013. – Санкт-Петербург, 2013. – С. 165-166.

[92] Лямин А.В., Чежин М.С. Развитие электронного обучения, дистанционных

образовательных технологий в НИУ ИТМО // Информационная среда вуза XXI века:

материалы VII Всероссийской научно-практической конференции (23 - 27 сентября 2013

года). – Петрозаводск, 2013. – С. 145-148.

[93] Лямин А.В., Чежин М.С. Система дистанционного обучения СПбГУ ИТМО // Труды II

международной конференции "Информационные системы для HRM и обучения". –

Санкт-Петербург, 2005. – С. 80-83.

[94] Лямин А.В., Чежин М.С. Типовая структура системы дистанционного обучения //


– № 4 (15). – С. 376-381.

282

[95] Лямин А.В., Череповская Е.Н. Экспериментальные исследования методов

биометрической идентификации пользователей на основе данных айтрекера Tobii X2-30

// Информационно-управляющие системы. – 2015. – № 5. – С. 21–28.

[96] Майер Р.В. Кибернетическая педагогика: Имитационное моделирование процесса

обучения. – Глазов: ГГПИ, 2013. – 138 c.

[97] Майоров А.Н. Теория и практика создания тестов для системы образования. – М.:

Интеллект-центр, 2001. – 296 с.

[98] Методологические исследования по инженерной психологии и психологии труда / под

ред. А. А. Крылова. – Л.: Из-во ЛГУ, 1974.

[99] Можаров Г. П., Чеботарев Р. С. Текстонезависимый метод идентификации человека по

его голосу // Вестник МГТУ им. Н. Э. Баумана. Серия "Приборостроение". Спец. выпуск

"Моделирование и идентификация компьютерных систем и сетей". – 2012. – С. 168–179.

[100] Основы открытого образования / А.А. Андреев, С.Л. Каплан, Г.А. Краснова,

С.Л. Лобачев, К.Ю. Лупанов, А.А. Поляков, А.А. Скамницкий, В.И. Солдаткин; Отв. ред.

В.И. Солдаткин. – Российский государственный институт открытого образования. – М.:

НИИЦ РАО, 2002. – Т.1. – 676 с.

[101] Павельева Е. А., Крылов А. С., Ушмаев О. С. Развитие информационной технологии

идентификации человека по радужной оболочке глаза на основе преобразования Эрмита

// Системы высокой доступности. – 2009. – № 1. – С. 36–42.

[102] Падерно П.И., Попечителев Е.П. / Под общей редакцией проф. Е.П. Попечителева.

Надежность и эргономика биотехнических систем. – СПб: Изд-во СПбГЭТУ, 2007. –

288 с.

[103] Разыграева В.А., Лямин А.В. Автоматизация процесса адаптивного электронного

обучения // Труды XVIII Всероссийской научно-методической конференции

"Телематика'2011".- Санкт-Петербург, 2011. – Т.1. – С. 168-169.

[104] Разыграева В.А., Лямин А.В. Адаптивная электронная система обучения с учетом оценки

функционального состояния обучающегося // Информационные системы и технологии. –

2011. - №3. – С. 76-83.

[105] Разыграева В.А., Лямин А.В. Адаптивное электронное обучение в информационно-

образовательной среде СПбГУ ИТМО AcademicNT // Материалы Международной

научно-практической конференции "Информационные технологии в образовании и

науке "ИТО-Самара-2011" - Самара, 2011.- С. 428-431.

[106] Разыграева В.А., Лямин А.В. Алгоритмическое обеспечение формирования

индивидуальной траектории обучения с учетом функционального состояния студента //

283

Материалы V Международной научно-практической конференции "Информационная

среда вуза XXI века". - Петрозаводск, 2011. - C. 158-161.

[107] Разыграева В.А., Лямин А.В. Повышение эффективности дистанционного обучения на

основе формирования динамически адаптируемого материала // Новые информационные

технологии в образовании: Материалы международной научно-практической

конференции. Ч.2, Екатеринбург, 1-4 марта 2011г. – Екатеринбург: ФГАОУ ВПО

"Рос.гос.проф.-пед.ун-т.", 2011. - С. 227-230.

[108] Разыграева В.А., Лямин А.В. Построение модели адаптивного электронного обучения,

учитывающей функциональное состояние обучающегося // Развитие региональной

образовательной среды. Сборник научных статей межрегиональной научно-

практической конференции: Труды всероссийской объединенной конференции

"Интернет и современной общество". Санкт-Петербург, 27-29 октября 2009 г. - СПб.:

ЛОИРО, 2009. - С.49-51.

[109] Разыграева В.А., Лямин А.В. Разработка автоматизированной адаптивной обучающей

системы на базе информационно-образовательной среды AcademicNT // Дистанционное

и виртуальное обучение. - 2011. - №5. - С. 83-96.

[110] Распопов В.М. Программирование и организация самостоятельной работы учащихся. –

М.: Высшая школа, 1989. – 55 с.

[111] Растригин Л.А. Адаптация сложных систем. – Рига: Зинатне, 1981. – 375 с.

[112] Растригин Л.А., Эренштейн М.Х. Адаптивное обучение с моделью обучаемого – Рига:

Зинатне, 1988. – 160 с.

[113] Романовский И.В. Дискретный анализ. – Изд. 4-е, испр. и доп. – СПб.: Невский Диалект;

БХВ-Петербург, 2008. – 335 с.

[114] Российский портал открытого образования: обучение, опыт, организация / Отв. ред.

В.И. Солдаткин. – М.: МГИУ, 2003. – 508 с.

[115] Сазонов В. А., Садов В. С., Тихоненко С. Г. Идентификация личности по походке на

основе скрытых Марковских моделей // Электроника инфо. – 2012. – № 4. – С. 105–109.

[116] Скшидлевский А.А., Лямин А.В. Разработка стенда для экспериментальных

исследований типовых схем развертывания системы AcademicNT // Научно-технический

вестник информационных технологий, механики и оптики. – 2011. – № 3 (73). – С.126-

129.

[117] Спецификация Experience API. Версия 1.0.1 / Перевод с английского А.Д. Копилов, А.В.

Лямин – СПб: Университет ИТМО, 2015. – 120 с.

284

[118] Третьяков В.С., Ларионова В.А. Открытые онлайн-курсы как инструмент модернизации

образовательной деятельности в вузе // Высшее образование в России. – 2016. – №7. –

С. 55-66.

[119] Ходашинский И. А., Савчук М. В., Горбунов И. В., Мещеряков Р. В. Технология

усиленной аутентификации пользователей информационных процессов // Доклады

Томского государственного университета систем управления и радиоэлектроники. –

2011. – № 2–3. – С. 236–248.

[120] Челышкова М.Б. Теория и практика конструирования педагогических тестов: Учебное

пособие. - М: Логос, 2002. - 432 с.

[121] Шехонин А.А., Лямин А.В. Информационные технологии образования в университете.

Система дистанционного обучения СПбГУ ИТМО // Вестник Санкт-Петербургского

государственного университета технологии и дизайна. – 2003. – № 9. – С. 90-99.

[122] Шехонин А.А., Лямин А.В. Развитие сетевой системы дистанционного обучения

СПбГИТМО // Современные технологии обучения: Материалы VIII Международной

конференции. – Санкт-Петербург, 2002. – С. 7-9.

[123] Ярбус А.Л. Роль движений глаз в процессе зрения. – М.: Наука, 1965. – 173 с.

[124] 1484.11.1-2004 IEEE Standard for Learning Technology – Data Model for Content to Learning

Management System Communication.

[125] 1484.11.2-2003 IEEE Standard for Learning Technology – ECMAScript Application

Programming Interface for Content to Runtime Services Communication.

[126] 1484.11.3-2005 IEEE Standard for Learning Technology – Extensible Markup Language

(XML) Schema Binding for Data Model for Content Object Communication.

[127] 1484.12.1-2002 IEEE Standard for Learning Object Metadata.

[128] 1484.12.3-2005 IEEE Standard for Learning Technology – Extensible Markup Language

(XML) Schema Definition Language Binding for Learning Object Metadata.

[129] 1484.1-2003 – IEEE Standard for Learning Technology – Learning Technology Systems

Architecture (LTSA).

[130] 1484.13.1-2012 IEEE Standard for Conceptual Model for Resource Aggregation for Learning,

Education, and Training.

[131] 1484.13.2-2013 - IEEE Recommended Practice for Learning Technology -- Metadata Encoding

and Transmission Standard (METS) Mapping to the Conceptual Model for Resource

Aggregation

[132] 1484.13.3-2014 - IEEE Recommended Practice for Learning Technology--ISO 21000-2:2005

Information Technology--Multimedia Framework (MPEG-21)--Part 2: DigitalItem Declaration

Mapping to the Conceptual Model for Resource Aggregation

285

[133] 1484.13.4-2016 - IEEE Approved Draft Recommended Practice for Learning Technology -

IMS Content Packaging Information Model (CP) Version 1.2 - Mapping to the Conceptual

Model for Resource Aggregation

[134] 1484.13.5-2013 - IEEE Recommended Practice for Learning Technology IETF RFC 4287

Atom Syndication Format Mapping to the Conceptual Model for Resource Aggregation

[135] 1484.13.6-2015 - IEEE Recommended Practice for Learning Technology - Open Archives

Initiative Object Reuse and Exchange Abstract Model (OAI-ORE) - Mapping to the Conceptual

Model for Resource Aggregation

[136] 1484.20.1-2007 IEEE Standard for Learning Technology – Data Model for Reusable

Competency Definitions.

[137] Ahmad K. A Comparative Analysis of Managing XML Data in Relational Database // Lecture

Notes in Artificial Intelligence – Heidelberg: Springer, 2011. – Vol. 6591. – P. 100-108.

[138] Ahmad K., Samad R. Semantic Based Mapping from XML to Relations // 2012 8th

International Conference on Information Science and Digital Content Technology (ICIDT). –

2012. – Vol. 2. – P. 255-260.

[139] Akram M. U., Tariq A., Khan S. A. Retinal Recognition: Personal Identification Using Blood

Vessels // International Conference for Internet Technology and Secured Transactions

(ICITST). – 2011. – P. 180–184.

[140] Arifi S.M., Zahi A., Benabbou R. Semantic similarity based evaluation for C programs through

the use of symbolic execution // 2016 IEEE Global Engineering Education Conference

(EDUCON). – Abu Dhabi, UAE, 2016. – P. 826-833.

[141] Barakat, N.; Plouff, C. A model for on-line education of ABET-required professional aspects of

engineering. – 2014 IEEE Global Engineering Education Conference (EDUCON). – 2014. – P.

507-51.

[142] Belashenkova N.N., Cherepovskaya E.N., Lyamin A.V., Skshidlevsky A.A. Protection

Methods of Assessment Procedures Used in e-Learning // 13th International Conference on

Emerging eLearning Technologies and Applications. – Smokovec, Slovakia, 2015. – P. 27–32.

[143] Berdnikova E.A., Lyamin A.V., Skshidlevsky A.A. Analysis of Heart Rate Monitors for

Evaluating Student’s Mental Working Capacity // Current Developments in Web Based

Learning: ICWL 2015 International Workshops, KMEL, IWUM, LA, Guangzhou, China,

November 5-8, 2015, Revised Selected Papers. – Cham: Springer International Publishing,

2016. – P. 13-22.

[144] Bergadano F., Gunetti D., Picardi C. User Authentication Through Keystroke Dynamics //

ACM Transactions on Information and System Security. – 2002. – Vol. 5, № 4. – P. 367–397.

286

[145] Biel L., Pettersson O., Philipson L., Wide P. ECG Analysis: a New Approach in Human

Identification // IEEE Transactions on Instrumentation and Measurement. – 2001. – Vol. 50, №

3. – P. 808–812.

[146] Bloom B. S., Engelhart M. D., Furst E. J., Hill W. H., Krathwohl D. R. Taxonomy of

educational objectives: The classification of educational goals. Handbook I: Cognitive domain.

– New York: David McKay Company. – 1956.

[147] Bobtsov A.A., Lyamin A.V. Stabilization of nonlinear systems with input uncertainties //

Preprints of the 7th IFAC International Workshop on Control Applications for Optimization. –

2000. – Vol. 2. – P. 6–10.

[148] Breiman L. Random Forests // Machine Learning. – 2001. – Vol. 45, № 1. – P. 5–32.

[149] Brünken R., Plass J. L., Leutner D. Direct Measurement of Cognitive Load in Multimedia

Learning // Educational Psychologist. – 2003. - 38(1). – P. 53–61.

[150] Calabrèse A., Bernard J. B., Faure G., Hoffart L., Castet E. Eye Movements and Reading Speed

in Macular Disease: the Shrinking Perceptual Span Hypothesis Requires and is Supported by a

Mediation Analysis // Investigative Ophthalmology and Visual Science. – 2014. – Vol. 55, №

6. – P. 3638–3645.

[151] Calvo R.A., D'Mello S. Affect Detection: An Interdisciplinary Review of Models, Methods,

and Their Applications // IEEE Transactions on Affective Computing. – 2010. – Vol. 1, № 1. –

P. 18-37.

[152] Cappelli R., Ferrara M., Maltoni D. Minutia Cylinder-Code: A New Representation and

Matching Technique for Fingerprint Recognition // IEEE Transactions on Pattern Analysis and

Machine Intelligence. – 2010. – Vol. 32, № 12. – P. 2128–2141.

[153] Chan A. D. C., Hamdy M. M., Badre A., Badee V. Person Identification Using

Electrocardiograms // Canadian Conference on Electrical and Computer Engineering. – 2006. –

P. 1–4.

[154] Cheatham T.E., Holloway G.H., Townley J.A. Symbolic Evaluation and the Analysis of

Programs // IEEE Transactions on Software Engineering. – 1979. – Vol. SE-5, № 4. – P. 402-

417.

[155] Cherepovskaya E.N., Lyamin A.V. An Evaluation of Biometric Identification Approach on

Low-Frequency Eye Tracking Data // Proceedings of the IEEE 15th International Symposium

on Applied Machine Intelligence and Informatics (SAMI 2017). – Herl'any, Slovakia, 2017. –

P.123-128.

[156] Cherepovskaya E.N., Lyamin A.V. A Unified Pattern Recognition Approach for Low-

Frequency Biometric Signals // Proceedings of 2017 Intelligent Systems Conference

(IntelliSys). – 2017. – P. 843-848.

287

[157] Cherepovskaya E.N., Gorshkova E.V., Lyamin A.V. Assessment of Students’ Programming

Skills by Using Multi-Style Code Editor // Smart Education and e-Learning 2017. – Cham:

Springer International Publishing, 2018. – P. 225-234.

[158] Chezhin M.S., Efimchik E.A., Lyamin A.V. Automation of Variant Preparation and Solving

Estimation of Algorithmic Tasks for Virtual Laboratories Based on Automata Model // E-

Learning, E-Education, and Online Training: Second International Conference, eLEOT 2015,

Novedrate, Italy, September 16-18, 2015, Revised Selected Papers. – Cham: Springer

International Publishing, 2016. – Vol. 160. – P. 35-43.

[159] Cooke L. Is Eye Tracking the Next Step in Usability Testing? // 2006 IEEE International

Professional Communication Conference. – 2006. – P. 236-242.

[160] Cormier D. The CCK08 MOOC – Connectivism course, 1/4 way [Электронный ресурс] //

Dave's Educational Blog. – 2008. – October 2. -

URL:http://davecormier.com/edblog/2008/10/02/the-cck08-mooc-connectivism-course-14-

way/.

[161] Criteria for Accrediting Engineering Programs, 2015-2016 [Электронный ресурс] //

Engineering Accreditation Commission of ABET. – Baltimore: ABET Inc., 2014. – URL:

http://www.ABET.org.

[162] CWA 16132:2010 European learner mobility achievement information (EuroLMAI).

[163] CWA 16655-1:2013 InLOC – Part 1: Information Model for Learning Outcomes and

Competences.

[164] CWA 16655-2:2013 InLOC – Part 2: Guidelines including the integration of Learning

Outcomes and Competences into existing specifications.

[165] CWA 16655-3:2013 InLOC – Part 3: Application Profile of Europass Curriculum Vitae and

Language Passport for Integrating Learning Outcomes and Competences.

[166] Daradoumis T., Bassi R., Xhafa F., Caballé S. A Review on Massive E-Learning (MOOC)

Design, Delivery and Assessment // International Conference on P2P, Parallel, Grid, Cloud and

Internet Computing (3PGCIC). – 2013. – P. 208-213.

[167] Darwish A., Pasquer M. Biometric Identification Using the Dynamic Features of the Eyes // 6th

IEEE International Conference on Biometrics: Theory, Applications and Systems. – 2013. – P.

1–6.

[168] Deravi F., Guness S. P. Gaze Trajectory as a Biometric Modality // International Conference on

Bio-Inspired Systems and Signal Processing. – 2011. – P. 335-341.

[169] Djeghloud H., Larakeb M., Bentounsi A. Virtual Labs of Conventional Electric Machines //

2012 International Conference on Interactive Mobile and Computer Aided Learning (IMCL). –

2012. – P. 52–57.

288

[170] Efimchik E.A., Cherepovskaya E.N., Lyamin A.V. RLCP-Compatible Virtual Laboratories in

Computer Science // Smart Education and e-Learning 2016. – Cham: Springer International

Publishing, 2016. – P. 303-314.

[171] Efimchik E.A., Chezhin M.S., Lyamin A.V., Rusak A.V. Using Automaton Model to

Determine the Complexity of Algorithmic Problems for Virtual Laboratories // 2015 9th

International Conference on Application of Information and Communication Technologies

(AICT2015). – Rostov-on-Don, Russia, 2015. – P. 541-545.

[172] Efimchik E.A., Ivaniushin D.A., Kopylov D.S., Lyamin A.V. A Technique for Applying

RLCP-Compatible Labs on Open edX Platform // E-Learning, E-Education, and Online

Training: Third International Conference, eLEOT 2016, Dublin, Ireland, August 31 –

September 2, 2016, Revised Selected Papers. – Cham: Springer International Publishing, 2017.

– P. 12-18.

[173] Efimchik E.A., Lyamin A.V. RLCP-Compatible Virtual Laboratories // The International

Conference on E-Learning and E-Technologies in Education (ICEEE 2012) Technical

University of Lodz, Poland Sept. 24-26, 2012 Proceedings. - Lodz, Poland, 2012. - С. 59-64.

[174] EN 15981:2011 European Learner Mobility - Achievement information (EuroLMAI).

[175] Enderle J. Models of Horizontal Eye Movements, Part I: Early Models of Saccades and Smooth

Pursuit // Synthesis Lectures on Biomedical Engineering. – 2010. – Ed. 1. – P. 1-163.

[176] Experience API Specification [Электронный ресурс]. – 2013. – URL:

https://github.com/adlnet/xAPI-Spec/.

[177] Hansen D. W., Ji Q. In the Eye of the Beholder: A Survey of Models for Eyes and Gaze // IEEE

Transactions on Pattern Analysis and Machine Intelligence. – 2010. – Vol. 32, № 3. – P. 478–

500.

[178] Harezlak K., Kasprowski P., Stasch M. Idiosyncratic Repeatability of Calibration Errors During

Eye Tracker Calibration // 7th International Conference on Human System Interactions. – 2014.

– P. 95–100.

[179] Hollingsworth K. P., Bowyer K. W., Flynn P. J. Improved Iris Recognition through Fusion of

Hamming Distance and Fragile Bit Distance // IEEE Transactions on Pattern Analysis and

Machine Intelligence. – 2011. – Vol. 33, № 12. – P. 2465–2476.

[180] Hrbácek J. Efficiency of using blended learning in education of technical subjects // Int. Conf.

on Applied Natural Sciences. – Trnava, 2011 – P. 362-365.

[181] Hristov G., Zahariev P., Bencheva N., Ivanov I. Designing the next generation of virtual

learning environments - Virtual laboratory with remote access to real telecommunication

devices // Proceedings of the 24th EAEEIE Annual Conference (EAEEIE). – 2013. – P. 139–

144.

289

[182] ISO/IEC 19788-1:2011 Information technology – Learning, education and training – Metadata

for learning resources – Part 1: Framework.


for learning resources – Part 2: Dublin Core elements.


for learning resources – Part 3: Basic application profile.


for learning resources – Part 4: Technical elements.


for learning resources – Part 5: Educational elements.


for learning resources – Part 8: Data elements for MLR records.


for learning resources – Part 9: Data elements for persons.

[189] ISO/IEC 20006-1:2014 Information technology for learning, education and training --

Information model for competency – Part 1: Competency general framework and information

model.

[190] ISO/IEC 20006-2:2015 Information technology for learning, education and training --

Information model for competency – Part 2: Proficiency level information model.

[191] ISO/IEC TR 24763 Information technology. Learning, education and training. Conceptual

Reference Model for Competency Information and Related Objects.

[192] ISO/IEC TS 20013:2015 Information technology for learning, education and training -- A

reference framework of e-Portfolio information.

[193] Ivaniushin D.A., Lyamin A.V., Kopylov D.S. Assessment of Outcomes in Collaborative

Project-Based Learning in Online Courses // Smart Education and e-Learning 2016. – Cham:

Springer International Publishing 2016. – P. 351-361.

[194] Jacobs A.J. Two Cheers for Web U! [Электронный ресурс] // The New York Times. – 2013. –

April 20. – URL: http://www.nytimes.com/2013/04/21/opinion/sunday/grading-the-mooc-

university.html?pagewanted=1&_r=1&.

[195] Jang J., Kim H. Score-Level Fusion in Multiple Biometrics Using Non-Linear Classification //

2008 10th International Conference on Control, Automation, Robotics and Vision. – 2008. – P.

417–421.

[196] Janko Z., Hajder L. Improving Human-Computer Interaction by Gaze Tracking // 3rd IEEE

International Conference on Cognitive Infocommunications. – 2012. – P. 155–160.

[197] Javal L. É. Manuel théorique et pratique du strabisme. – Paris: G. Masson, 1896. – 372 p.

290

[198] Johnson, L., Adams Becker, S., Estrada, V., and Freeman, A. (2015). NMC Horizon Report:

2015 Higher Education Edition. Austin, Texas: The New Media Consortium.

[199] Johnson, L., Adams Becker, S., Cummins, M., Estrada, V., Freeman, A., and Hall, C. (2016).

NMC Horizon Report: 2016 Higher Education Edition. Austin, Texas: The New Media

Consortium.

[200] Adams Becker, S., Cummins, M., Davis, A., Freeman, A., Hall Giesinger, C., and

Ananthanarayanan, V. (2017). NMC Horizon Report: 2017 Higher Education Edition. Austin,

Texas: The New Media Consortium.

[201] Adams Becker, S., Malcolm Brown, Eden Dahlstrom, Annie Davis, Kristi DePaul, Veronica

Diaz, and Jeffrey Pomerantz. NMC Horizon Report: 2018 Higher Education Edition.

Louisville, CO: EDUCAUSE, 2018.

[202] Kahloula B., Bouamrane, K. Using a Mapping Knowledge Base in a System for (Semi-)

Automatic Loading of XML Data into Relational Databases // 2013 World Congress on

Computer and Information Technology (WCCIT). – 2013. – P. 1-7.

[203] Kanungo T., Haralick R. M. Receiver Operating Characteristic Curves and Optimal Bayesian

Operating Points // Proceedings of the 1995 IEEE International Conference on Image

Processing. – 1995. – Vol. 3. – P. 256–259.

[204] Kardan S., Conati C. Exploring Gaze Data for Determining User Learning with an Interactive

Simulation // Lecture Notes in Computer Science. – Heidelberg: Springer, 2012. – Vol. 7379. –

P. 126–138.

[205] Kasprowski P., Harezlak K. The Second Eye Movements Verification and Identification

Competition // 2nd IEEE/IAPR International Joint Conference on Biometrics. – 2014. – P. 1–6.

[206] Kasprowski P., Komogortsev O. V., Karpov A. First Eye Movement Verification and

Identification Competition at BTAS 2012 // 2012 IEEE 5th International Conference on

Biometrics: Theory, Applications and Systems. – 2012. – P. 195–202.

[207] Kasprowski P., Ober J. Enhancing Eye Movement Based Biometric Identification Method by

Using Voting Classifiers // Proceedings of SPIE. – 2005. – Vol. 5779. – P. 314–324.

[208] Kopylov D.S., Fedoreeva M.K., Lyamin A.V. Game-based Approach for Retaining Student’s

Knowledge and Learning Outcomes // 2015 9th International Conference on Application of

Information and Communication Technologies (AICT2015). – Rostov-on-Don, Russia, 2015. –

P. 609-613.

[209] Lanatà A., Armato A., Valenza G., Scilingo E.P. Eye tracking and pupil size variation as

response to affective stimuli: A preliminary study // 5th International Conference on Pervasive

Computing Technologies for Healthcare (PervasiveHealth). – 2011. – P. 78–84.

291

[210] Liang Z., Tan F., Chi Z. Video-based biometric identification using eye tracking technique //

2012 2nd IEEE International Conference on Signal Processing, Communications and

Computing. – 2012. – P. 728–733.

[211] Lisitsyna L., Lyamin A. Approach to Development of Effective E-Learning Courses // Smart

digital futures 2014. – Amsterdam; Berlin; Tokyo; Washington DC: IOS Press, 2014. – P. 732-

738.

[212] Lisitsyna L., Lyamin A., Martynikhin I.A., Cherepovskaya E.N. Situation Awareness Training

in E-Learning // Smart Education and Smart e-Learning. – Cham: Springer International

Publishing, 2015. – P. 273-285.

[213] Lisitsyna L., Lyamin A., Skshidlevsky A. Estimation of Student Functional State in Learning

Management System by Heart Rate Variability Method // Frontiers in Artificial Intelligence

and Applications. – 2014. – Vol. 262. – P. 726–731.

[214] Lisitsyna L.S., Lyamin A.V., Martynikhin I.A., Cherepovskaya E.N. Cognitive Trainings Can

Improve Intercommunication with e-Learning System // 2015 6th IEEE International

Conference Series on Cognitive Infocommunications. – Győr, Hungary, 2015. – P. 39-44.

[215] Lyamin A.V., Cherepovskaya E.N. An Approach to Biometric Identification by Using Low-

Frequency Eye Tracker // IEEE Transactions on Information Forensics and Security. – 2017. –

Vol. 12(4). – P. 881-891.

[216] Lyamin A.V., Cherepovskaya E.N. An Automata Model for an Adaptive Course Development

// Smart Education and e-Learning 2017. – Cham: Springer International Publishing, 2018. – P.

92-101.

[217] Lyamin A.V., Cherepovskaya E.N. An Evaluation of Biometric Identification Approach on

Low-Frequency ECG Signal // Proceedings of the IEEE 15th International Symposium on

Applied Machine Intelligence and Informatics (SAMI 2017). – Herl'any, Slovakia, 2017. –

P.137-142.

[218] Lyamin A.V., Cherepovskaya E.N. Biometric Student Identification Using Low-frequency Eye

Tracker // 2015 9th International Conference on Application of Information and

Communication Technologies (AICT2015). – Rostov-on-Don, Russia, 2015. – P. 191-195.

[219] Lyamin A.V., Cherepovskaya E.N. XML-Relational Mapping Using Production Rule System //

Proceedings of 2017 Intelligent Systems Conference (IntelliSys). – 2017. – P. 422-429.

[220] Lyamin A.V., Cherepovskaya E.N., Chezhin M.S. An Outcome-based Framework for

Developing Learning Trajectories // Smart Education and e-Learning 2017. – Cham: Springer

International Publishing, 2018. – P. 129-142.

292

[221] Lyamin A.V., Neznanov N.G., Martynikhin I.A., Martynikhin A.V. Circadian Rhythms, Effects

of Their Changes, and Asthenia in the Context of Higher Educational Studies with Remote

Learning // Neuroscience and Behavioral Physiology. – 2015. – Vol. 45, № 5. – P. 583-585.

[222] Lyamin A.V., Vashenkov O.E. Virtual Environment and Instruments for Student Olympiad on

Cybernetics // Proceedings of 8th IFAC Symposium on Advances in Control Education. –

Kumamoto, Japan, 2009. – C. 95-100.

[223] Lyamin A.V., Vashenkov O.E. VIRTUAL LABORATORY: MULTI-STYLE CODE EDITOR

// 23rd ICDE World Conference on Open Learning and Distance Education including the 2009

EADTU Annual Conference. – Maastricht, The Netherlands, 2009. – URL: http://de.ifmo.ru/--

doc/Final_paper_353Vashenkov.pdf.

[224] Magyar Z., Zakova K. Using SciLab for building of virtual lab // 9th International Conference

on Information Technology Based Higher Education and Training (ITHET). – 2010. – P. 280–

283.

[225] Miyoshi T., Murata A. Input device using eye tracker in human-computer interaction // 10th

IEEE International Workshop on Robot and Human Communication. – 2001. – P. 580–585.

[226] Moritz D., Willems C., Goderbauer M., Moeller P., Meinel C. Enhancing a virtual security lab

with a private cloud framework // IEEE International Conference on Teaching, Assessment and

Learning for Engineering (TALE). – 2013. – P. 314–320.

[227] Mozilla Open Badges Specification [Электронный ресурс]. – 2014. – URL:

https://github.com/mozilla/openbadges.

[228] Napieralski J. A., Pastuszka M. M., Sankowski W. 3D Face Geometry Analysis for Biometric

Identification // |Mixed Design of Integrated Circuits & Systems (MIXDES), Proceedings of

the 21st International Conference. – 2014. – P. 519-522.

[229] Nowak P. A Comparative Study on Biometric Hand Identification // Mixed Design of

Integrated Circuits & Systems (MIXDES), Proceedings of the 21st International Conference. –

2014. – P. 411–414.

[230] Open Badges for Higher Education, Acclaim [Электронный ресурс]. – 2013. – URL:

http://www.pearsonlearningsolutions.com/blog/wp-content/uploads/2013/12/Open-Badges-for-

Higher-Education.pdf.

[231] Ping Yan, Bowyer K. W. Biometric Recognition Using 3D Ear Shape // IEEE Transactions on

Pattern Analysis and Machine Intelligence. – 2007. – Vol. 29, № 8. – P. 1297–1308.

[232] Poh N., Bengio S. Database, Protocols and Tools for Evaluating Score-Level Fusion

Algorithms in Biometric Authentication // Pattern Recognition. – 2006. – Vol. 39, № 2. – P.

223–233.

293

[233] Post E.L. Finite Combinatory Processes-Formulation 1 // The Journal of Symbolic Logic. –

1936. – Vol. 1, № 3. – P. 103–105.

[234] QS World University Rankings 2014/15 [Электронный ресурс]. – URL:

http://www.topuniversities.com/ university-rankings/world-university-rankings/2014.

[235] Rakoczi G., Pohl M. Visualisation and Analysis of Multiuser Gaze Data: Eye Tracking

Usability Studies in the Special Context of E-learning // 12th IEEE International Conference on

Advanced Learning Technologies. – 2012. – P. 738–739.

[236] Rantanen V., Vanhala T., Tuisku O., Niemenlehto P., Verho J., Surakka V., Juhola M., Lekkala

J. A Wearable, Wireless Gaze Tracker with Integrated Selection Command Source for Human‐

Computer Interaction // IEEE Transactions on Information Technology in Biomedicine. – 2011.

– Vol. 15, № 5. – P. 795–801.

[237] Ribaric S., Fratric I. A Biometric Identification System Based on Eigenpalm and Eigenfinger

Features // IEEE Transactions on Pattern Analysis and Machine Intelligence. – 2005. – Vol. 27,

№ 11. – P. 1698–1709.

[238] Ross A., Abaza A. Human Ear Recognition // Computer. – 2011. – Vol. 44(11). – P. 79–81.

[239] Saenz J., Chacon J., De La Torre L., Visioli A., Dormido S. Open and Low-Cost Virtual and

Remote Labs on Control Engineering // IEEE Access. – 2015. – P. 805–814.

[240] Sainan L., Caifeng L., Liming G. A Storage Method for XML Document Based on Relational

Database // International Symposium on Computer Science and Computational Technology

(ISCSCT). – 2008. – Vol. 1. – P. 50-53.

[241] Sandya M. Competence possessed by engineering professionals in regard to the prevailing

trends and worldwide attitudes towards engineering education // 2012 IEEE International

Conference on Engineering Education: Innovative Practices and Future Trends (AICERA). –

2012. – P. 1-6.

[242] Shedeed H. A. A New Method for Person Identification in a Biometric Security System Based

on Brain EEG Signal Processing // 2011 World Congress on Information and Communication

Technologies (WICT). – 2011. – P. 1205–1210.

[243] Stoilova I. M., Jordanova M. M. Sleep in Microgravity // 2nd International Conference on

Recent Advances in Space Technologies. – 2005. – P. 744–748.

[244] Stuchlikova L., Kosa A. Massive open online courses – Challenges and solutions in

engineering education // IEEE 11th International Conference on Emerging eLearning

Technologies and Applications (ICETA). – 2013. – P. 359-364.

[245] Subbaraman S., Jagtap R.R., Shinde S.S. Outcome Based Learning: A case study // 2013 IEEE

International Conference in MOOC Innovation and Technology in Education (MITE). – 2013.

– P. 375-379.

294

[246] The Leap2A Specification for e-portfolio portability and interoperability [Электронный

ресурс]. – URL: http://www.leapspecs.org/2012/2A/Leap2A_core-specification.pdf.

[247] Turing A.M. On Computable Numbers, with an Application to the Entscheidungsproblem //

Proceedings of the London Mathematical Society. – 1936. – Vol. 2, №.42. – P. 230–265.

[248] Uherek F., Donoval D., Chovan J. Extension of Micro/Nano-Electronics Technology Towards

Photonics Education // Int. Conf. on Microelectronic Systems Education. – San Francisco,

2009. – P. 108-110.

[249] Uskov V., Lyamin A., Lisitsyna L., Sekar B. Smart e-Learning as a Student-Centered

Biotechnical System // E-Learning, E-Education, and Online Training: First International

Conference, eLEOT 2014, Bethesda, MD, USA, September 18-20, 2014, Revised Selected

Papers. – Cham: Springer International Publishing, 2014. – Vol. 138. – P. 167–175.

[250] Vidal G. Closed Symbolic Execution for Verifying Program Termination // 2012 IEEE 12th

International Working Conference on Source Code Analysis and Manipulation (SCAM). – Riva

Del Garda, Trento, Italy, 2012. – P. 34-43.

[251] Vitonis D., Hansen D. W. Person Identification using Eye Movements and Post Saccadic

Oscillations // 10th International Conference on Signal-Image Technology and Internet-Based

Systems. – 2014. – P. 580–583.

[252] Woods H. C., Scheepers C., Ross K. A., Espie C. A., Biello S. M. What are you looking at?

Moving toward an attentional timeline in insomnia: a novel semantic eye tracking study //

Sleep. – 2013. – Vol. 36, № 10. – P. 1491–1499.

[253] Yamada Y., Umetani Y., Hirasawa Y. Proposal of a Psychophysiological Experiment System

Applying the Reaction of Human Pupillary Dilation to Frightening Robot Motions //

Proceedings of the IEEE International Conference on Systems, Man and Cybernetics. 1999. –

Vol. 2. – P. 1052–1057.

[254] Yang Y., Webb G. I. On why discretization works for naive-bayes classifiers // Lecture Notes

in Computer Science. – Heidelberg: Springer, 2003. – Vol. 2903. – P. 440–452.

[255] Ying J., Cao S., Long Y. An Efficient Mapping Approach to Store and Query XML Documents

in Relational Database // 2012 2nd International Conference on Computer Science and Network

Technology (ICCSNT). – 2012. – P. 2140-2144.

[256] Youssif A. A. A., Chowdhury M. U., Ray S., Nafaa H. Y. Fingerprint Recognition System

Using Hybrid Matching Techniques // 6th IEEE/ACIS International Conference on Computer

and Information Science. – 2007. – P. 234–240.

[257] Yuan L., Powell S. MOOCs and Open Education: Implications for Higher Education

[Электронный ресурс] // CETIS. – 2013. – URL: http://publications.cetis.ac.uk/2013/667.

295

[258] Zhang Y., Rasku J., Juhola M. Biometric verification of subjects using saccade eye movements

// International Journal of Biometrics. – 2012. – Vol. 4, № 4. – P. 317–337.

[259] Zhu Z., Ji Q. Novel Eye Gaze Tracking Techniques under Natural Head Movement // IEEE

Transactions on Biomedical Engineering. – 2007. – Vol. 54, № 12. – P. 2246–2260.

296

Приложение А

Таксономическая таблица (тарификатор) результатов обучения (компетенций)

Дескрипторы уровней знаний

(дифференциация требования "должен знать")

Индекс

уровня

Уровень Дескриптор (описание уровня)

З1 Знание – знакомство Узнавание объекта, понятия, явления и при

повторном восприятии ранее усвоенной информации

о них, нахождение в них различий и отнесение к той

или иной классификационной группе, знание

источников получения информации.

З2 Знание – копия Самостоятельное осуществление репродуктивных

действий над знаниями через самостоятельное

воспроизведение и применение информации.

З3 Знание – продукция

(аналитические знания)

Воспроизведение и понимание полученных знаний,

самостоятельная систематизация их, т.е.

представление знаний в виде элементов системы и

установление взаимосвязи между ними,

продуктивное применение в отдельных ситуациях.

З4 Знание – трансформация

(системные знания)

Самостоятельное извлечение новых знаний из

окружающего мира, их творческое использование для

принятия решений в новых нестандартных

ситуациях.

Дескрипторы уровней умений (дифференциация требования "должен уметь")

Индекс

уровня


У1 Первичные умения Корректное выполнение предписанных действий по

инструкции, алгоритму и т.п. в известной ситуации.

У2 Репродуктивные умения Самостоятельное выполнение действий по решению

типовых задач, которые требуют выбора из числа

известных методов, в предсказуемо изменяющейся

ситуации.

У3 Продуктивные умения

(умелая деятельность)

Самостоятельное выполнение действий (приемов,

операций) по решению нестандартных задач, которые

требуют выбора на основе комбинации известных

методов, в непредсказуемо изменяющейся ситуации.

У4 Исследовательские умения Самостоятельное выполнение действий, связанных с

решением исследовательских задач, творческое

использование умений (технологий).

297

Дескрипторы уровней личностных качеств (дифференциация понятия "отношение к осуществляемой деятельности")

Индекс

уровня


СЛ0 Безответственность Безразличное, безответственное отношение к учебе,

порученному делу.

СЛ1 Ответственность Демонстрирование позитивного отношения к

учебной и трудовой деятельности, проявление

активности при выполнении порученного дела.

СЛ2 Инициативная

ответственность

Проявление настойчивости и увлеченности,

трудолюбия, творческого подхода, готовности

самостоятельно выполнять порученное дело.

298

Приложение Б

Свидетельство об официальной регистрации программ для ЭВМ № 2006613980

299

Приложение В

Сертификат соответствия № РОСС RU.04ИК.П00016

300

Приложение Г

Свидетельство о государственной регистрации базы данных № 2012621123

301

Приложение Д

Диплом победителя в номинации "Корпоративные системы дистанционного обучения"

Всероссийского творческого конкурса научно-технических решений, образовательных

продуктов и услуг в области информатизации образования

302

Приложение Е

Акт о внедрении результатов диссертационной работы Лямина А.В. в Ассоциации

«Национальная платформа открытого образования»

303

Приложение Ж

Акт о внедрении результатов диссертационной работы Лямина А.В. в учебный процесс

Института имени И.Е. Репина

304

Приложение З


ФГБОУ ВО ПСПбГМУ им. И.П. Павлова Минздрава России

305

Приложение И


Университета ИТМО

306

Приложение К

Акт о внедрении результатов диссертационной работы Лямина А.В. при выполнении

НИР в рамках Государственного контракта от 31.07.2003 №1780

307

Приложение Л


НИР в рамках Государственного контракта от 27.10.2004 №567

308

Приложение М


проекта в рамках Государственного контракта от 18 июня 2007 г. №П229

309

Приложение Н


проекта в рамках Государственного контракта от 18 июня 2008 г. №П248

311

Приложение О


проекта в рамках Государственного контракта от 07 декабря 2009 г. №П2664

Hглавление - dissov.pnzgu.ru€¦ · 2) информационная модель...

Documents

Transcript of Hглавление - dissov.pnzgu.ru€¦ · 2) информационная модель...