Структурно-функціональна модель навчання в комп’ютеризованих системах навчання

Автор(и)

DOI:

https://doi.org/10.30837/2522-9818.2025.1.127

Ключові слова:

комп’ютеризовані системи навчання; оцінювання знань; модель студента; адаптивні алгоритми навчання.

Анотація

Предметом статті є розроблення універсальної структурно-функціональної моделі комп’ютеризованих систем навчання, яка інтегрує моделі студента, навчального процесу та пояснення. Ця модель виконує завдання персоналізації процесу навчання, уваги на індивідуальних особливостях студента та забезпечення довгострокового збереження знань. Мета роботи – розроблення універсальної структурно-функціональної моделі системи навчання, яка поєднує сучасні адаптивні алгоритми, інтегрує психологічні та когнітивні аспекти, а також упроваджує нові підходи до довгострокового збереження знань. Особливу увагу зосереджено на гнучкості системи, що дає змогу адаптувати навчальний контент до потреб кожного окремого користувача, зважаючи на динаміку його розвитку та зміну рівня знань. У статті розв’язано такі завдання: аналіз наявних моделей навчання, виявлення їх обмежень та розроблення нових підходів для побудови адаптивного навчального процесу. Упроваджено такі методи: мережні та векторні моделі для побудови траєкторій навчання, графові структури для візуалізації навчального контенту, алгоритми психологічного профілювання. Крім того, застосовано методи актуалізації знань для оптимізації навчання та зниження рівня забування. Досягнуті результати: створено універсальну структурно-функціональну модель комп’ютеризованих систем навчання, яка інтегрує модель суб’єкта навчання, модель навчального процесу та модель пояснення. Модель відтворює структуру адаптивного навчального процесу та взаємозв’язки між його компонентами, що дає змогу персоналізувати навчальні траєкторії з огляду на рівень знань, мотивацію та психологічні особливості суб’єкта навчання. Запропонована модель подає знання за допомогою мережних і векторних структур, що дає змогу систематизувати навчальний матеріал, візуалізувати зв’язки між поняттями та підтримувати адаптивне управління навчальним процесом. Розроблена модель може застосовуватися для аналізу рівня підготовки студентів, підтримки адаптивних стратегій навчання та оцінювання прогресу. Інтеграція механізмів психологічного профілювання та алгоритмів оновлення знань сприяє підвищенню ефективності освітнього процесу. Висновки: запропонована структурно-функціональна модель демонструє ефективність у розв’язанні ключових завдань персоналізованого та адаптивного навчання. Інтегруючи психологічні профілі, рівні знань та вдосконалені алгоритми, модель допомагає створювати масштабовані та інтелектуальні освітні системи, здійснювати персоналізоване навчання, ефективне оцінювання та цілеспрямований зворотний зв’язок, забезпечуючи довгострокове збереження знань і сприяючи інноваціям у сучасних освітніх технологіях.

Біографії авторів

Володимир Усачов, Харківський національний університет радіоелектроніки

аспірант кафедри програмної інженерії

Ігор Шубін, Харківський національний університет радіоелектроніки

кандидат технічних наук, доцент, професор кафедри програмної інженерії

Посилання

Список літератури

Omran P. G., Wang Z., Wang K. Scalable rule learning via learning representation, Twenty-Seventh International Joint Conference on Artificial Intelligence. IJCAI-18. 2018, Р. 2149–2155. DOI:10.24963/ijcai.2018/297

Omran P. G., Wang K., Wang Z. An Embedding-based Approach to Rule Learning in Knowledge Graphs, IEEE Transactions on Knowledge and Data Engineering. Vol. 33(4), Р. 1348–1359. DOI: http://doi.org/10.1109/TKDE.2019.2941685

Zhou B., Bao J., Liu Y., Song D. BA-IKG: BiLSTM Embedded ALBERT for Industrial Knowledge Graph Generation and Reuse, IEEE 18th International Conference on Industrial Informatics (INDIN), Warwick, United Kingdom, 2020, P. 63–69. DOI: http://doi.org/10.1109/INDIN45582.2020.9442198

Pellissier-Tanon T., Weikum G., Suchanek F. F. YAGO 4: A Reasonable Knowledge Base, 17th International Conference, ESWC 2020, Heraklion, Crete, Greece, May 31–June 4. 2020, P. 583–596. DOI:10.1007/978-3-030-49461-2_34

Kyrychenko I., Malikin D. Research of Methods for Practical Educational Tasks Generation Based on Various Difficulty Levels, 6th International Conference on Computational Linguistics and Intelligent Systems (COLINS-2022), May 12–13, 2022, Gliwice, Poland. CEUR Workshop Proceedings 3171, Volume I: Main, 2022, Р. 1030–1042. URL: https://ceur-ws.org/Vol-3171/paper74.pdf

Sharonova N., Kyrychenko I., Tereshchenko G. Application of big data methods in E-learning systems, 5th International Conference on Computational Linguistics and Intelligent Systems (COLINS-2021), CEUR Workshop Proceedings, Vol-2870, Р. 1302–1311. URL: https://ceur-ws.org/Vol-2870/paper96.pdf

Sapra D., Pimentel A. D. Deep Learning Model Reuse and Composition in Knowledge Centric Networking, 29th International Conference on Computer Communications and Networks (ICCCN), Honolulu, HI, USA, 2020, Р. 1–11. DOI: http://doi.org/10.1109/ICCCN49398.2020.9209668

Khudhair A. T. The intelligence theory mathematical apparatus formal base, Advanced Information Systems, 1(1), Р. 38–43. DOI: https://doi.org/10.20998/2522-9052.2017.1.07

He L., P. Jiang P-SaaS: knowledge service-oriented manufacturing workflow model for knowledge collaboration and reuse, IEEE 16th International Conference on Automation Science and Engineering (CASE), Hong Kong, China, 2020, Р. 570–575. DOI: http://doi.org/10.1109/CASE48305.2020.9216974

Karataiev О., Shubin І. Formal Model of Multi-Agent Architecture of a Software System Based on Knowledge Interpretation, Radioelectronic and Computer Systems. No 4 (108), Р. 53–64. DOI: http://doi.org/ 10.32620/reks.2023.4.05

Dudar Z., Shubin I., Kozyriev A. Individual Training Technology in Distributed Virtual University, Lecture Notes in Networks and Systems. 2021, 212 LNNS, Р. 379–399. DOI: http://doi.org/10.1007/978-3-030-76343-5_20

Jarrahi, M. H., Lutz, C. & Newlands, G. Artificial intelligence, human intelligence and hybrid intelligence based on mutual augmentation. Big Data and Society, SAGE Publications Ltd. 2022, July no. 1. DOI: http://doi.org/10.1177/20539517221142824

Sharonova N., Doroshenko А., Cherednichenko О. Issues of Fact-based Information Analysis, 5th International Conference on Computational Linguistics and Intelligent Systems (COLINS-2021) CEUR Workshop Proceedings, 2021, Vol. 2870, URL: https://ceur-ws.org/Vol-2136/10000011.pdf

Svato M., Schockaert S., Davis J. STRiKE: Rule-Driven Relational Learning Using Stratified k-Entailment, in: ECAI, 2020, URL: https://ida.fel.cvut.cz/~kuzelka/pubs/ecai2020.pdf

Kamide N. Sequential Fuzzy Description Logic: Reasoning for Fuzzy Knowledge Bases with Sequential Information, IEEE 50th International Symposium on Multiple-Valued Logic (ISMVL), Miyazaki, Japan, 2020, Р. 218–223. DOI: http://doi.org/10.1109/ISMVL49045.2020.000-2

Karataiev O., Sitnikov D., Sharonova N. A Method for Investigating Links between Discrete Data Features in Knowledge Bases in the Form of Predicate Equations, 7th International Conference on Computational Linguistics and Intelligent Systems (COLINS-2023). CEUR Workshop Proceedings, 2023, Р. 224–235, URL: https://ceur-ws.org/Vol-3387/paper17.pdf

References

Omran, P. G., Wang, Z., Wang, K. (2018), "Scalable rule learning via learning representation", Twenty-Seventh International Joint Conference on Artificial Intelligence. IJCAI-18. Р. 2149–2155. DOI:10.24963/ijcai.2018/297

Omran, P. G., Wang, K., Wang, Z. (2021), "An Embedding-based Approach to Rule Learning in Knowledge Graphs", IEEE Transactions on Knowledge and Data Engineering. Vol. 33(4), Р. 1348–1359. DOI: http://doi.org/10.1109/TKDE.2019.2941685

Zhou, B., Bao, J., Liu, Y., Song, D. (2020), "BA-IKG: BiLSTM Embedded ALBERT for Industrial Knowledge Graph Generation and Reuse", IEEE 18th International Conference on Industrial Informatics (INDIN), Warwick, United Kingdom, 2020, P. 63–69. DOI: http://doi.org/10.1109/INDIN45582.2020.9442198

Pellissier-Tanon, T., Weikum, G., Suchanek, F. (2020), "F. YAGO 4: A Reasonable Knowledge Base", 17th International Conference, ESWC 2020, Heraklion, Crete, Greece, May 31–June 4. 2020, P. 583–596. http://doi.org/DOI:10.1007/978-3-030-49461-2_34

Kyrychenko, I., Malikin, D. (2022), "Research of Methods for Practical Educational Tasks Generation Based on Various Difficulty Levels", 6th International Conference on Computational Linguistics and Intelligent Systems (COLINS-2022), May 12–13, 2022, Gliwice, Poland. CEUR Workshop Proceedings 3171, Volume I: Main, 2022, Р. 1030–1042, available at: https://ceur-ws.org/Vol-3171/paper74.pdf

Sharonova, N., Kyrychenko, I., Tereshchenko, G. (2021), "Application of big data methods in E-learning systems", 5th International Conference on Computational Linguistics and Intelligent Systems (COLINS-2021), CEUR Workshop Proceedings, Vol-2870, Р. 1302–1311, available at: https://ceur-ws.org/Vol-2870/paper96.pdf

Sapra, D., Pimentel, A. D. (2020), "Deep Learning Model Reuse and Composition in Knowledge Centric Networking", 29th International Conference on Computer Communications and Networks (ICCCN), Honolulu, HI, USA, 2020, Р. 1–11. DOI: http://doi.org/10.1109/ICCCN49398.2020.9209668

Khudhair, A. T. (2017), "The intelligence theory mathematical apparatus formal base", Advanced Information Systems, 1(1), Р. 38–43. DOI: https://doi.org/10.20998/2522-9052.2017.1.07

He, L., Jiang, P. (2020), "P-SaaS: knowledge service-oriented manufacturing workflow model for knowledge collaboration and reuse", IEEE 16th International Conference on Automation Science and Engineering (CASE), Hong Kong, China, 2020, Р. 570–575. DOI: http://doi.org/10.1109/CASE48305.2020.9216974

Karataiev, О., Shubin, І. (2023), "Formal Model of Multi-Agent Architecture of a Software System Based on Knowledge Interpretation", Radioelectronic and Computer Systems. No 4 (108), Р. 53–64. DOI: http://doi.org/ 10.32620/reks.2023.4.05

Dudar, Z., Shubin, I., Kozyriev, A. (2021), "Individual Training Technology in Distributed Virtual University", Lecture Notes in Networks and Systems. 2021, 212 LNNS, Р. 379–399. DOI: http://doi.org/10.1007/978-3-030-76343-5_20

Jarrahi, M. H., Lutz, C. Newlands, G. (2022), "Artificial intelligence, human intelligence and hybrid intelligence based on mutual augmentation. Big Data and Society", SAGE Publications Ltd. 2022, July no. 1. DOI: http://doi.org/10.1177/20539517221142824

Sharonova, N., Doroshenko, А., Cherednichenko, О. (2021), "Issues of Fact-based Information Analysis", 5th International Conference on Computational Linguistics and Intelligent Systems (COLINS-2021) CEUR Workshop Proceedings, 2021, Vol. 2870, available at: https://ceur-ws.org/Vol-2136/10000011.pdf

Svato, M., Schockaert, S., Davis, J. (2020), "STRiKE: Rule-Driven Relational Learning Using Stratified k-Entailment", in: ECAI, 2020, available at: https://ida.fel.cvut.cz/~kuzelka/pubs/ecai2020.pdf

Kamide, N. (2020), "Sequential Fuzzy Description Logic: Reasoning for Fuzzy Knowledge Bases with Sequential Information", IEEE 50th International Symposium on Multiple-Valued Logic (ISMVL), Miyazaki, Japan, 2020, Р. 218–223. DOI: http://doi.org/10.1109/ISMVL49045.2020.000-2

Karataiev, O., Sitnikov, D., Sharonova, N. (2023), "A Method for Investigating Links between Discrete Data Features in Knowledge Bases in the Form of Predicate Equations", 7th International Conference on Computational Linguistics and Intelligent Systems (COLINS-2023). CEUR Workshop Proceedings, 2023, Р. 224–235, available at:

https://ceur-ws.org/Vol-3387/paper17.pdf

##submission.downloads##

Опубліковано

2025-03-31

Як цитувати

Усачов, В., & Шубін, І. (2025). Структурно-функціональна модель навчання в комп’ютеризованих системах навчання. СУЧАСНИЙ СТАН НАУКОВИХ ДОСЛІДЖЕНЬ ТА ТЕХНОЛОГІЙ В ПРОМИСЛОВОСТІ, (1(31), 127–142. https://doi.org/10.30837/2522-9818.2025.1.127