Visualization of the dynamics of the educational process using cognitive of knowledge diagnosis

Full Text

Введение. Комплексный подход к управлению в интеллектуальных системах, ориентированных на данные, опирается на средства Data Visualization (раздел Data Mining). В кибер-социальных системах такими данными является цифровой след [1]. Когнитивная визуализация важна не только для свёртки больших массивов данных в виде легко воспринимаемого графического образа, но и для реализации возможности результативного пояснения решений интеллектуальных систем [2], с акцентом на самых актуальных элементах модели сложившейся ситуации. Особенно это важно для организации работы планировщиков современных интеллектуальных автоматизированных обучающих систем (ИАОС), где диагностика учебной ситуации происходит на базе образовательного цифрового следа (ОЦС).

Применение графических средств для обобщения данных об ОЦС всё чаще применяется в современных ИАОС [3]. Непосредственная реализация механизма свёртки информации в Data Visualization может базироваться на широком перечне методов [4]: 1) кластеры в гиперпространстве факторов; 2) нейронная сеть Кохонена (SOM, единственный тип искусственных нейронных сетей, ориентированных на визуализацию); 3) кубы данных; 4) дашборды; 5) семантические  сети;  6) онтологии; 7) мнемосхемы;  8) фейкодер Джоунса; 9) лица Чернова; 10) модулор Тризкина; 11) метод унифицированного графического воплощения активности; 12) карты.

Очевидно, что простейшие методы визуализации (таблицы с окрашенными ячейками, 2-D графики, круговые диаграммы и гистограммы) в сравнение не включались, т.к. свёртка данных в них минимальна. Воспользуемся двумя специфическими порядковыми шкалами для сравнения выбранных 12 методов: шкалой «разнообразия элементов» визуального образа (ось абсцисс) и шкалой «уровня обобщения» в плоскости визуального образа (ось ординат). Первая шкала будет описывать следующие состояния: 1) точки (только координаты); 2) линии и векторы; 3) плоскости, поверхности и/или простые геометрические фигуры; 4) многомерные объекты; 5) связки многомерных объектов (структуры); 6) абстрактные образы; 7) целевые (специфицированные под предметную область) комплексные образы.

Для описания второй шкалы выделим следующие семь состояний: 1) количественное усреднение/обобщение параметра; 2) качественное представление или результат фазификации (перевода из количественной оценки в качественную) параметра; 3) множество однородных параметров; 4) множество разрозненных параметров; 5) единый многопараметрический образ; 6) образ с элементами семантики; 7) образ с элементами семантики и динамики. Результат сравнения графических нотаций приведен на рис. 1.

 

Рис. 1. Схема динамики проверки дидактического материала по дисциплине в процессе его изучения

 

Из данного рисунка видно, что нотация карт (№12) имеет ряд преимуществ при комплексной визуализации данных из цифрового образовательного следа. При этом нотации карты бывают разные: от достаточно примитивных (те же SOM [5]) до очень содержательных (например, когнитивные карты диагностики знаний [6]). Дальнейшее сравнение по ряду более простых 11 критериев было проведено нами в [7]. В работах [5-6, 8-9] приводятся различные графические нотации карт, используемые для визуализации содержания цифрового образовательного следа. В этой статье мы подробно рассмотрим такой метод картирования, как когнитивные карты диагностики знаний (ККДЗ или CMKD), который позволяет отображать не только статическую обстановку, но и может быть адаптирован для отображения динамики учебной ситуации.

Метод когнитивных карт диагностики знаний. ККДЗ – это метод составления когнитивных карт (картирования), осуществляющий компактное представление (визуализацию) семиотических структур (данных о синтактике, семантике и прагматике) в приложении к диагностике знаний об экземпляре какого-либо объекта или выполняемого им процесса (денотат) с целью повышения качества процесса принятия решений и их аргументированности [6]. Примеры карт в различных режимах приведены далее на рис. 2-4 и 6. Каждый элемент карты (квадрат ui) соответствует дидактической единице, а его раскраска – оценке степени её освоения в знаниевом или одном из компетентностных аспектов (в зависимости от выбранного): зелёный – полностью освоен, красный – совсем не освоен, белый – граница неопределённости, серый – не укомплектован измерительными материалами. За счёт того, что в этой графической нотации совмещены синтактическая (структурная) составляющая (дидактический материал ui расположен по кругу в соответствии с исходной образовательной траекторией) и семантическая (соответствующие причинно-следственные связи внутри круга), такое представление позволяет сформировать целостный образ сложившейся учебной ситуации. Рассмотрим пример на базе одной из учебных дисциплин «Методология научной деятельности», состоящей из 33-х дидактических единиц. Базовая карта этого курса ориентирована на отражение структуры учебного материала (левая часть с рис. 2), а частная карта адаптируется под индивидуальный образовательный запрос конкретного учащегося (см. правую часть). Для дополнения этой конструкции элементами прагматики (для довершения построения сущности по квадрату Поспелова из подхода прикладной семиотики [10]) используется другая нотация – сквозная карта, о которой можно подробнее прочитать в [11] (далее для иллюстрации данной статьи нам эти нотации ККДЗ не понадобятся).

 

Рис. 2. Базовая ККДЗ по курсу «Методология научной деятельности» и её индивидуализированная версия для одного из учащихся

 

Рис. 3. Примеры ККДЗ одного из учащихся на различных этапах изучения дисциплины (частная карта, знаниевый аспект)

 

Рис. 4. Схема динамики проверки дидактического материала по дисциплине в процессе его изучения

 

Пусть учащийся (магистрант первого курса специальности «Информатика и вычислительная техника» при изучении дисциплины «Системный анализ и синтез» в весеннем семестре 2024 учебного года в результате работы в экспериментальной ИАОС AESU) произвел запись на курс и по результатам анкетирования и входного контроля для него сформировалась индивидуализированная ККДЗ (правая часть с рис. 2). Далее он обращается к дидактическому материалу и ИАОС накапливает ОЦС. На рис. 3 приведены примеры трех частных ККДЗ, которые построены для этого учащегося: первая карта построена в самом начале изучения дисциплины, вторая – в середине семестра, а третья – ближе к его завершению. Из них видно, что проблемные ui не всегда могут быть освоены только при повторном их изучении: в ряде случаев потребуется повторно поработать и с тем материалом, который напрямую влиял на него (см, например, связку u9 с u5 на центральной карте).

Достаточно ли в таком виде отображать динамику, обращаясь к реальным данным из цифрового образовательного следа? Очевидно, что нет, т.к., во-первых, не в каждый момент времени целесообразно проводить контрольно-измерительные мероприятия по всему учебному материалу (включая тот, который ещё не изучен) и, во-вторых, упор в контроле следует делать на том материале, который был только что изучен (включая непосредственно связанный с ним) для закрепления знаний и оперативного выявления затруднений. По этой причине пересмотрим подход к процессу формирования карты.

Динамика показателей. Данные, которые будут учитываться при отрисовке ККДЗ для дисциплины из примера, приведены на схеме (рис. 4). По оси абсцисс (горизонтали) показан номер дидактической единицы, а по оси ординат (вертикали) – шаг обучения относительно базовой траектории обучения (исключая повторное обращение к учебному материалу): очевидно, что на этапе входного и итогового контроля в проверке участвовал материал всего курса, в середине семестра аналогичный срез делался в качестве фиксации промежуточных результатов изучения дисциплины. Цвета обозначают три режима актуализации (охвата контролируемого материала):

• зеленый – все задания к текущей дидактической единице (оценки определяются впервые);
• желтый – часть заданий, связанных с дидактическими единицами, которые связаны с текущей родительскими связями (оценки обновляются);
• красный – результаты оценки заданий, которые прямо и косвенно участвуют в изучении текущей дидактической единицы (загружаются последние сохраненные оценки из ОЦС).

Визуализация динамики. При таком подходе к фиксации и обновлении исходных данных для карты появляется возможность формировать карту на определённую дату, обозначая отдельным цветом тот материал, к изучению которого учащийся ещё не приступал. На рисунке 5 приведен пример такой карты на те же даты, что и для рис. 3. Здесь неизученный материал из модели курса на момент его фиксации в ОЦС окрашен желтым цветом.

 

Рис. 5. Примеры ККДЗ учащегося на различных этапах изучения дисциплины с исключением из визуализации оценок ещё не изученного материала (частная карта, знаниевый аспект)

 

Очевидно, что приведённый пример, несмотря на достижение более реалистичной картины текущих знаний (или уровня развития компетентностей, если выбран соответствующий аспект), достаточно сложен для восприятия. Для повышения концентрации данных на карте и расстановке акцентов используем нотацию упрощённой карты. Для примера выведем те же три карты, что и на рис. 5, но в упрощенном режиме отрисовки ККДЗ (см. рис. 6). Теперь более наглядно показано то, к какому учебному материалу ИАОС рекомендует обратиться в первую очередь: например, для центральной карты это u5 и u12. При необходимости исключить рассеивания внимания на «лишних» элементах карты, элементы учебного курса, окрашенные желтым, также можно «спрятать».

 

Рис. 6. Примеры ККДЗ учащегося на различных этапах изучения дисциплины в упрощенном режиме (знаниевый аспект)

 

Как видно из приведённого выше иллюстративного материала, метод ККДЗ может не только повысить концентрацию отображаемых данных, но и сделать отображение синхронным с процессом обучения, т.е. адекватно отражать динамику успехов учащегося при работе с ИАОС. Наши эксперименты показывают, что согласование содержимого карт с текстом рекомендаций/подсказок ускоряют восприятие учащимся сложившейся ситуации и способствуют развитию его инициативы по выяснению причин предъявляемых оценок со стороны обучающей системы.

Таким образом, в экспериментальной ИАОС AESU можно отобразить данные об учащемся на любую дату по выбранной дисциплине. Так, например, на декабрь 2024 г. в хранилище ОЦС обучающей системы зафиксированы более 2000 этапов работы магистрантов с электронными курсами, каждый из которых может быть выведен в виде ККДЗ относительно различных аспектов.

Заключение. В качестве завершения хотелось бы порассуждать о перспективах дальнейшего повышения уровня концентрации данных из ОЦС, выводимых с помощью карт, для демонстрации динамики показателей. Мы можем выделить по меньшей мере три такие возможности:

1. Закодировать приращения значений данных текущей карты за счёт внесения в карту условных обозначений уже имеющихся элементов. Мы эту возможность изначально привязывали к начертанию текстовой метки: прямой шрифт – оценка существенно не изменилась (например, определять через фазификацию по методу нечёткой логики [12]) или выставлена впервые; курсив – оценка имеет значительно меньшее значение, чем та, которая была получена при предыдущем этапе проверки; жирность – значение оценки возросло по сравнению с предыдущим этапом контроля. Пример реализации такой карты можно увидеть на рис. 3, приведенном в работе [11].
2. Предусмотреть изменение заливки каждого элемента курса на карте в виде градиента значений той оценки, которая имелась для каждого элемента относительно предыдущего этапа контроля.
3. Реализовать последовательную анимацию карты в соответствии с изменениями оценок.

Все возможности одновременно могут быть реализованы в рамках ИАОС, как альтернативные варианты отображения. Преимущества последнего – это возможность дополнительно выводить в анимации данные о траектории работы учащегося с курсом. Ещё большие возможности по концентрации данных можно получить путём комбинирования предложенных идей со сквозной нотацией ККДЗ, о которой можно узнать подробней из [6].

About the authors

Viktor A. Uglev

Siberian Federal University

Author for correspondence.
Email: vauglev@sfu-kras.ru
ORCID iD: 0000-0003-1205-2652
SPIN-code: 7368-2910

Candidate of Technical Sciences, Associate Professor, Member of the Russian Association of Artificial Intelligence

Russian Federation, 79, Svobodny Ave., Krasnoyarsk, 660041

Georgy A. Smirnov

Siberian Federal University

Email: Determaer2012@gmail.com
ORCID iD: 0009-0003-7402-4419
SPIN-code: 9183-5051

Postgraduate Student

Russian Federation, 79, Svobodny Ave., Krasnoyarsk, 660041

References

Supplementary files