Помощь в написании студенческих работ
Антистрессовый сервис

Модели и средства представления знаний в информационных обучающих системах

Диссертация: Модели и средства представления знаний в информационных обучающих системах
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Методологической основой проектирования ИОС являются исследования Брусиловского П. Л., Савельева А. Я., Растригина JI.A., Соловова A.B., Лобанова Ю. И., Пака Н. И. и многих других. Среди зарубежных исследователей необходимо отметить работы D. Callear, A. Bork, D. Sleeman, J. Brown, G. Weber, M. Specht, E. Soloway и др. Однако, несмотря на заметные успехи в этом направлении, существует ряд причин… Читать ещё >

Модели и средства представления знаний в информационных обучающих системах (реферат, курсовая, диплом, контрольная)

Содержание

  • 1. АНАЛИЗ СРЕДСТВ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В ИНФОРМАЦИОННЫХ ОБУЧАЮЩИХ СИСТЕМАХ
    • 1. 1. Анализ тенденций развития информационных обучающих систем
    • 1. 2. Исследование принципов разработки средств представления знаний в информационных обучающих системах
      • 1. 2. 1. Анализ способов формализации знаний о процессе компьютерного обучения
      • 1. 2. 1. Анализ современных методологий и технологий проектирования информационных обучающих систем
    • 1. 3. Выводы по главе 1
  • 2. МАТЕМАТИЧЕСКИЕ МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В ИНФОРМАЦИОННЫХ ОБУЧАЮЩИХ СИСТЕМАХ
    • 2. 1. Онтология базы знаний информационной обучающей системы на основе методологии ГОЕР
    • 2. 2. Математическая модель предметных знаний на основе теории нечетких множеств и отношений
    • 2. 3. Математическая модель персональных знаний на основе теории нечетких множеств и отношений
    • 2. 4. Математическая модель методических знаний на основе нечеткой логики
      • 2. 4. 1. Построение базы нечетких лингвистических правил сценария обучения
      • 2. 4. 2. Построение базы нечетких лингвистических правил сценария контроля знаний
      • 2. 4. 3. Разработка схемы нечеткого вывода на основе лингвистических правил
      • 2. 4. 4. Разработка способа количественной оценки меры возможности оптимального представления методических знаний на основе теории нечеткой меры
    • 2. 5. Выводы по главе 2
  • 3. ПРОЕКТИРОВАНИЕ СРЕДСТВ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В ИНФОРМАЦИОННЫХ ОБУЧАЮЩИХ СИСТЕМАХ
    • 3. 1. Построение функциональной модели компьютерного обучения с учетом лингвистической неопределенности знаний эксперта
    • 3. 2. Построение информационной модели компьютерного обучения с учетом лингвистической неопределенности знаний эксперта
    • 3. 3. Связывание функциональной и информационной моделей компьютерного обучения
    • 3. 4. Выводы по главе 3
  • 4. РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ИНФОРМАЦИОННОЙ ОБУЧАЮЩЕЙ СИСТЕМЫ
    • 4. 1. Разработка объектно-ориентированной модели информационной обучающей системы
    • 4. 2. Результаты апробации информационной обучающей системы «Educate» в учебном процессе
    • 4. 3. Выводы по главе 4
  • ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ
  • ПЕРЕЧЕНЬ ПРИНЯТЫХ СОКРАЩЕНИЙ

Актуальность темы

Настоящий этап развития системы образования связан с внедрением в учебный процесс информационных технологий, использование которых позволяет повысить доступность образования для широких слоев населения. Новые информационные технологии, постепенно входящие в практику обучения, предоставляют как преподавателю, так и учащемуся более широкие (по сравнению с традиционным обучением) возможности в преподавании и изучении дисциплин самых различных циклов. Информационная обучающая система (ИОС) представляет взаимосвязанный комплекс программно-технических и учебно-методических средств, предназначенный для автоматизации и индивидуализации обучения. Использование ИОС в системе образования позволяет выстроить для каждого обучаемого индивидуальную образовательную траекторию, независимо от того, где бы территориально он ни находился. Таким образом, разработка ИОС обусловлена потребностью их применения на различных этапах обучения в соответствии с современной концепцией открытого образования.

Методологической основой проектирования ИОС являются исследования Брусиловского П. Л., Савельева А. Я., Растригина JI.A., Соловова A.B., Лобанова Ю. И., Пака Н. И. и многих других. Среди зарубежных исследователей необходимо отметить работы D. Callear, A. Bork, D. Sleeman, J. Brown, G. Weber, M. Specht, E. Soloway и др. Однако, несмотря на заметные успехи в этом направлении, существует ряд причин, препятствующих широкому использованию подобного рода программ в школах, вузах и различных предприятиях. Главными среди них являются выполнение большинством ИОС лишь некоторых из основных функций процесса обучения, а также малая приспособленность для реализации основных учебных этапов и разнообразных методических приемов, применяемых педагогом при традиционной форме обучения. Это обусловлено применением точных количественных методов при исследовании процессов создания, накопления, обработки информации и разработке средств представления знаний о такой плохо структурированной и нечеткой предметной области, как процесс обучения. Использование подобных концепций не позволяет учесть лингвистическую неопределенность субъективных представлений эксперта и неточность категорий логики, что значительно ограничивает возможность отражения личного профессионального опыта преподавателя в ИОС. В связи с этим актуальной является задача разработки средств представления в ИОС знаний эксперта, отражающих аспект семантической неоднозначности знаний.

Целью диссертационной работы является научное обоснование, исследование моделей и средств представления в ИОС знаний эксперта о процессе обучения с учетом их лингвистической неопределенности.

Для достижения поставленной цели в диссертационной работе решаются следующие задачи:

— разработка математических моделей знаний эксперта о процессе обучения с учетом лингвистически неопределенного характера субъективных категорий;

— определение метода количественной оценки меры возможности оптимального представления знаний о процессе обучения, характеризующих способ адаптации электронного учебного курса, в базе данных ИОС;

— построение концептуальной модели процесса обучения с применением ИОС, учитывающей особенности архитектуры образовательной технологической системы ЬТБА и отражающей аспект семантической неоднозначности представлений эксперта о проведении учебных занятий;

— разработка информационной модели процесса обучения, учитывающей лингвистическую неточность знаний эксперта;

— разработка базы данных и приложений для представления в ИОС знаний эксперта о процессе обучения.

Методологическая основа работы. Для решения поставленных задач использовались положения теории нечетких множеств и отношений, теории нечеткой логики, нечеткой меры, теории реляционных баз данных, педагогики и методики преподавания, а также методологии структурного и объектно-ориентированного проектирования.

Научная новизна работы заключается в следующем:

1. Разработаны с использованием теории нечетких множеств, отношений и нечеткой логики математические модели представления знаний педагога в реляционной базе данных ИОС и алгоритм выборки данных, которые, в отличие от известных, учитывают аспект лингвистической неопределенности знаний.

2. Предложен способ количественной оценки меры возможности оптимального представления знаний эксперта о способах адаптации ИОС в форме нечеткого интеграла по нечеткой мере, что позволяет учесть размытость субъективных категорий рассуждений эксперта.

3. Разработана концептуальная модель процесса обучения с применением ИОС, которая, в отличие от существующих, отражает представления эксперта об учебной деятельности с учетом семантической неоднозначности субъективных категорий.

4. Разработана информационная модель процесса компьютерного обучения, которая, в отличие от известных, учитывает лингвистическую неопределенность знаний эксперта и позволяет извлечь информацию из базы данных с использованием качественных критериев.

Практическая ценность. На основе исследований, выполненных в рамках настоящей работы, разработана информационная обучающая система «Educate». ИОС «Educate» поддерживает формирование адаптивных педагогических программных средств (ППС) в естественных лингвистических категориях разработчика ППС, носящих расплывчатый характер, что обеспечивает максимально дифференцированную организацию учебного процесса и, следовательно, значительно повышает дидактическую эффективность компьютерного обучения.

Реализация и внедрение результатов. Информационная обучающая система «Educate» внедрена в Пензенском государственном университете,.

Пензенском государственном педагогическом университете, ФГОУ ВПО Пензенской государственной сельскохозяйственной академии, Пензенском филиале Саратовского юридического университета, Пензенском государственном учебном комбинате АТ, Пензенском областном совете ОСТО, что подтверждено актами внедрения.

Основные положения, выносимые на защиту:

1. Математические модели знаний эксперта о процессе обучения, учитывающие лингвистическую неопределенность знаний, выраженную в субъективных категориях.

2. Метод количественной оценки меры возможности оптимального представления знаний эксперта о способах адаптации ИОС в форме нечеткого интеграла по нечеткой мере.

3. Концептуальная модель процесса обучения с применением ИОС, базирующаяся на лингвистически нечетком представлении процесса обучения.

4. Информационная модель процесса компьютерного обучения, учитывающая семантическую неопределенность знаний о процессе обучения.

Апробация работы. Основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях: Международная научно-методическая конференция «Университетское образование» (г.Пенза, 2003 г.) — Международный юбилейный симпозиум «Актуальные проблемы науки и образования» (г.Пенза, 2003 г.) — VI Международная научно-техническая конференция «Новые информационные технологии и системы» (г.Пенза, 2004 г.) — Международная научно-техническая конференция «Открытое образование и информационные технологии» (г.Пенза, 2005).

Публикации. По теме диссертационной работы опубликовано 10 печатных работ, в том числе 8 статей и 2 тезиса доклада.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы (135 наименований) и 4 приложений. Объем работы: 123 страницы основного текста, включающего 22 рисунка и 25 таблиц.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ.

1. Предложены способ представления знаний эксперта в реляционной базе данных ИОС и алгоритм выборки из нее знаний, основанные на теории нечетких множеств, отношений и нечеткой логики, что позволяет, в отличие от известных способов формализованного описания знаний, адекватно отразить рассуждения эксперта, носящие аспект лингвистической неоднозначности, о качественных характеристиках учебного материала, степени знаний обучаемого и методиках адаптации учебного курса.

2. Разработана имитационная модель процесса компьютерного обучения, с учетом результатов которой определена функция нечеткой меры возможности оптимального представления методических знаний. Предложен способ количественной оценки меры возможности оптимального представления знаний эксперта о способах адаптации ИОС в форме нечеткого интеграла по нечеткой мере, что, в отличие от других способов, позволяет оценить альтернативы в модели адаптации учебного курса.

3. Разработана концептуальная модель процесса компьютерного обучения с учетом особенностей архитектуры технологических систем в образовании ЬТБА и требований стандартов ШЕБ. В отличие от известных, построенная модель учитывает аспект семантической неоднозначности представлений о проведении учебных занятий, что позволяет более полно отразить личный профессиональный опыт педагога.

4. Разработана информационная модель процесса обучения на основе стандарта ПЖР1Х, отображающая выделенные нечеткие множества и отношения, что обусловливает адекватность представления знаний эксперта о процессе обучения и позволяет извлечь информацию из базы данных с использованием нечетких запросов, решая, таким образом, проблему «пропадания» информации.

5. Разработаны база данных и приложения ИОС, обеспечивающей формирование адаптивных педагогических программных средств в естественных лингвистических категориях и индивидуализированную организацию проведения учебных занятий без присутствия педагога.

ПЕРЕЧЕНЬ ПРИНЯТЫХ СОКРАЩЕНИЙ.

CASE (Computer-Aided Software Engineering) — технология проектирования ИС.

IDEF (ICAM Definition) — методология структурного проектирования.

LTSA (Learning Technology Systems Architecture) — архитектура технологических систем в образовании.

АРМавтоматизированное рабочее место.

БДбаза данных.

ГОСТгосударственный стандарт.

НОС — информационная обучающая система.

ИС — информационная система.

ЛВС — локальная вычислительная сеть.

ПК — персональный компьютер.

ПО — программное обеспечение.

ПЭ — предметный элемент.

СУБДсистема управления базами данных.

ЭУК — электронный учебный курс.

Показать весь текст

Список литературы

  1. Anderson, J. R. and Reiser, B.: The LISP tutor. Byte 10, 4 (1985) 159 175.
  2. Benjamin, P., Menzel, R., Mayer and N. Padmanaban: Toward a Method for Acquiring CIM Ontologies. International Journal of Computer Integrated Manufacturing. 8 (1995) 126 138.
  3. Brusilovsky, P., Eklund, J., and Schwarz, E.: Web-based education for all: A tool for developing adaptive courseware. Computer Networks and ISDN Systems. 30,1−7 (1998) 291 300.
  4. Brusilovsky, P.: Intelligent tutoring systems for World-Wide Web. In: Holzapfel, R. (ed.) Proc. of Third International WWW Conference (Posters), Darmstadt, Fraunhofer Institute for Computer Graphics (1995) 42−45.
  5. Brusilovsky, P.: Methods and techniques of adaptive hypermedia. User Modeling and User-Adapted Interaction 6, 2−3 (1996) 87 129.
  6. Callear, D. ITEs as Teacher Substitutes: Use and Feasibility // Proceedingsit t of 8 International conference on Human-Computer Interaction:
  7. Communications, Cooperation and Application Design, Volume 2 / editedby Hans-Jorg Bullinger and Jurgen Ziegler / Lawrence Erlbaum
  8. Associate, Publishers, London / ISBN 0−8058−3392−7, Munich, Germany1999) 138−145
  9. Eliot, С., Neiman, D., and Lamar, M.: Medtec: A Web-based intelligent tutor for basic anatomy. In: Lobodzinski, S. and Tomek, I. (eds.) Proc. of WebNet'97, World Conference of the WWW, Internet and Intranet, Toronto, Canada, AACE (1997) 161 165.
  10. Henze, N., Naceur, K., Nejdl, W., and Wolpers, M.: Adaptive hyperbooks for constructivist teaching. Kunstliche Intelligenz, 4 (1999) 26−31.
  11. IEEE P1484.1/D8, 2001−06−04 Draft Standard for Learning Technology -Learning Technology Systems Architecture (LTSA). IMS Global Learning Consortium (2001) 38.
  12. ISO 9001:2001 (ГОСТ P ИСО 9001−2001) «Системы менеджмента качества. Требования». М.: Издательство стандартов, 2000. 25 с.
  13. Johnson, W. L.: Intention-based diagnosis of novice programming errors. Pitman: Morgan Kaufmann. (1986) 48−62.
  14. Kinshuk & Patel A. A conceptual framework for Internet based intelligent tutoring systems. Knowledge transfer (volume II) (ed. A. Behrooz), London, (ISBN 1−900 427−015-X), (1997) 117 124.
  15. Saaty R.W. The analytic hierarchy process- what is it and how it is used // Mathematical Modelling. Vol. 9, N 3−5. (1987) 161 176.
  16. Saaty T.L. Exploring the interface between hierarchies, multiple objectives and fuzzy sets // Fuzzy Sets and Systems. Vol.1. (1978) 57 68.
  17. Saaty T.L. Measuring the fuzziness of sets // Journal of Cybernetics. Vol.4. (1974) 53−61.
  18. Sleeman. D., Brown, J.S., Intelligent Tutoring Systems, Academic Press. Computers and People Series, Ed. Gaines, B.R. Vol.2. (1982) 115 122.
  19. Specht, M. and Oppermann, R.: ACE Adaptive Courseware Environment. The New Review of Hypermedia and Multimedia 4 (1998) 141−161.
  20. Stern, M. K. and Woolf, B. P.: Curriculum sequencing in a Web-based tutor. In: Goettl, B. P., Halff, H. M., Redfield, C. L. and Shute, V. J. (eds.) Intelligent Tutoring Systems. Lecture Notes in Computer Science, Springer-Verlag, Berlin (1998) 574−583.
  21. Weber, G. and Specht, M.: User modeling and adaptive navigation support in WWW-based tutoring systems. In: Jameson, A., Paris, C. and Tasso, C. (eds.) User Modeling. Springer-Verlag, Wien (1997) 289 300
  22. Weber, G.: Individual selection of examples in an intelligent learning environment. Journal of Artificial Intelligence in Education 7, 1 (1996)3 -31.
  23. C.B., Кречман Д.JI., Кузьмина Е. А. Система управления обучением eLearning Server 3000 v2.0 // Educational Technology & Society 6(4), ISSN 1436−4522 (2003) 177 185.
  24. C.B., Кречман Д. Л., Никифоров И. С., Ченосов Д. С. Мультимедиа конструктор дистанционных курсов // Интернет. Общество. Личность: Тр. V Межд. науч.-метод. конф. Санкт-Петербург, 2000,-С. 159−160.
  25. С.В., Кречман Д. Л., Никифоров И. С., А.В. Юрков. Поддержка объяснений в eLearning Server 3000 // Advanced Learning Technologies, IEEE International Conference, 2002. C. 293 — 298.
  26. C.B., Николаев А. Б., Строганов В. Ю. Модели адаптивного тестового контроля в системе дистанционного образования // Информационные технологии в образовании: Тр. XV Межд. конф. М., МИФИ, 2001. С. 86 — 88.
  27. P.A., Церковный А. Э., Мамедова Г. А. Управление производством при нечеткой исходной информации // М.: Энергоатомиздат, 1991.-201 с.
  28. C.B. Нечеткая автоматная модель стратегического управления. Изв. ТРТУ. Интеллектуальные САПР, № 3. Таганрог: Изд. ТРТУ, 1997. -С. 12−8.
  29. C.B. Сопровождение процесса обучения на основе нечеткого моделирования // Дистанционное образование. М: МЭСИ, № 5, 2000.-С. 38−46.
  30. C.B., Захаревич В. Г., Калашникова Т. Г. Правдоподобные рассуждения в системах принятия решений. // Известия высших учебных заведений. Северо-Кавказкий регион, № 4, 1999. С. 10−18.
  31. C.B. Трансформационная модель поведения // Объектно-ориентированный анализ и проектирование адаптивных интеллектуальных систем реального времени: Тр. межвуз. конф. -Новочеркасск: Изд. НГТУ, 1996. С. 56 — 62.
  32. А.И., Корженевич С. К. Задачи апостериорного оценивания для линейных дискретных систем с помехами, описываемыми нечеткими множествами // Изв. АН: серия техническая кибернетика, № 4, 1993.-С. 24−29.
  33. Р., Бауэр Г., Кротерс 3. Введение в математическую теорию обучения: Пер. с англ. М.: Мир, 1969.'— 486 с.
  34. В.Ф., Рыженко И. Н. Аспекты проектирования информационных систем // Информационные системы: Тр. Всерос. науч.-практ. конф. -Бишкек: КРСУД999. С. 34- 40.
  35. Р., Заде Л. Принятие решений в расплывчатых условиях // Вопросы анализа и процедуры принятия решений: Сб. статей / Пер. с англ.- Под ред. И. Ф. Шахнова. М., 1976. — С.172 — 215.
  36. Л.С., Казупеев В. М., Коровин С .Я., Мелихов А. И. Параллельный процессор нечеткого вывода для ситуационных экспертных систем // Изв. АН: серия техническая кибернетика, № 5, 1990.-С.86−90.
  37. JI.C., Коровин С. Я., Мелихов А. Н., Серяев И. Е. Функционально-структурное исследование ситуационно-фреймовой сети эксплуатационной системы с нечеткой логикой // Изв. АН: серия техническая кибернетика, № 2, 1994. С. 120 — 124.
  38. В.П. Основы теории педагогических систем. Воронеж: Изд-во Воронеж, ун-та, 1977. 303 с.
  39. Бим-Бад Б. М. Педагогический энциклопедический словарь. М: Изд-во: «Большая Российская Энциклопедия», 2003. 280 с.
  40. Боггс У. UML Rational Rose. / У. Боггс, М. Боггс. М. Издательство «Лори», 2000. — 582 с.
  41. А. Н. Принятие решений на основе нечетких моделей: Примеры использования. Рига: Зинатне, 1990. — 184 с.
  42. А.Н., Алексеев A.B., Крумберг O.A. Модели принятия решений на основе лингвистической переменной. Рига: Знатне, 1982. — 256 с.
  43. А.Н., Алексеев A.B., Меркурьева Г. В., Слядзь H.H., Глушков В. И. Обработка нечеткой информации в системах принятия решений // М.: Радио и связь, 1989. 304 с.
  44. А. Компьютеры в обучении: чему учит история / /Информатика и образование,№ 5, 1990.-С. 110−118.
  45. Буч Г. Язык UML. Руководство пользователя / Г. Буч, Д. Рамбо, А. Джекобсон. М.: ДМК, 2000. — 360 с.
  46. Буш Р., Мостеллер Ф. Стохастические модели обучаемости. -Г.: Физматгиз, 1962.-484 с.
  47. В.Н., Рузанова Н. С., Попова И. А., Райкова И. С., Соснина Е. В., Штивельман Я. Е. Основные бизнес-процессы в типовой интегрированной информационно-аналитической системе управления ВУЗом. Индустрия образования, № 6, 2001. — С. 12 — 18.
  48. С.П. Классификация субъектов управления при выборе стратегии обучения // Интеллектуальные САПР, № 5, Таганрог, 1995. С. 44 — 50.
  49. С.П. Моделивание взаимодействия «педагог-студент» с использованием четких и нечетких игр // Интеллектуальные САПР, № 10, Таганрог, 1997. С. 21 — 25.
  50. А.Н., Пузикова Л. А., Пылькин А. И. Последовательная процедура принятия решений о состоянии канала связи на основе проверки нечетких гипотез // Изв. АН: серия техническая кибернетика, № 2, 1994.-С. 10−13.
  51. И.Х. Модели и методы построения информационных обучающих систем // Информатика. Научно-технический сборник. Серия Кадровое обеспечение. Выпуск 1. М.: ВМНУЦ ВТИ, 1990. — С.64 — 72.
  52. ГОСТ 15 467–79 «Управление качеством продукции. Основные понятия, термины и определения». М.: Издательство стандартов, 1991. 23 с.
  53. Г. С., Деменков Н. П. Программный комплекс для проектирования нечеткого логического регулятора // Приборы и системы управления, № 8, 1997. С. 19−21.
  54. Г. С., Деменков Н. П., Евлампиев A.A. Решение многокритериальных задач оптимизации в условиях качественной неопределенности // Вестник МГТУ, № 1,1998. С. 45 — 53.
  55. П.И. Интерпретация нечетких подмножеств в задачах моделирования и управления // Изв. АН: серия техническая кибернетика, № 3, 1992.-С. 26−30.
  56. Е. А. Оценка и выбор решений по многим критериям. М.: МИФИ, 1995.- 111 с.
  57. H.A. Моделирование месторождений углеводородов методами нечеткой логики. М.: Наука, 1995. 462 с.
  58. В.Е. Нечеткие многокритериальные модели принятия решений. Тбилиси: Мецниереба, 1988. 69 с.
  59. JI. Нечеткая логика / Копия перевода ГПНТБ. N 190 786. — М., 12.9.89. — 10 с. — Пер. ст. Zadeh L. из журнала: Computer, Vol. 21, N 4, (1988) 83 -93.
  60. JI. Понятие лингвистической переменной и его применение для принятия приближенных решений. М.: Мир, 1976. — 165с.
  61. Л., Дезоэр Ч. Теория линейных систем. Метод пространства состояний. М.: Наука, 1970. 704 с.
  62. Ю.П. Исследование операций. Нечеткая оптимизация // Киев: Выща школа, 1991. 191 с.
  63. В.И., Ульянов C.B. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления: Научно-организационные, технико-экономические и прикладные аспекты // Изв. РАН. Техническая кибернетика, № 5,1992. С. 171 — 196.
  64. В.И., Ульянов C.B. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления: Эволюция и принципы построения // Изв. РАН. Техническая кибернетика, № 5, 1993. -С. 197−216.
  65. В.И., Ульянов C.B. Нечеткие модели интеллектуальных промышленных регуляторов и систем управления // Изв. АН: серия техническая кибернетика, № 4, 1993. С. 141 — 150.
  66. Калянов Г. Н. CASE технологии. Консалтинг при автоматизации бизнес- процессов. М.: Горячая линия — Телеком, 2000. — 254 с.
  67. Р. Функции полезности многомерных альтернатив // Вопросы анализа и процедуры принятия решений: Сб. статей / Пер. с англ.- Под ред. И. Ф. Шахнова. М., 1976. — С. 59 — 79.
  68. М.В. Инновации в обучении. М., Наука. 1997. 224 с.
  69. Т., Бегг К. Базы данных: Проектирование, реализация и сопровождение. Теория и практика. М.: Вильяме, 2001. — 364 с.
  70. А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982.-432 с.
  71. О. И., Мошкович Е. М. Качественные методы принятия решений: Вербальный анализ решений, — М.: Наука: Физматлит, 1996.-207 с.
  72. В.И., Савинова A.A. Матричное представление нечетких предикаторов и его приложение // Изв. АН: серия техническая кибернетика, № 5, 1993. С. 183 — 194.
  73. A.B. Нечеткое моделирование в среде MATLAB и fuzzy TECH.- СПб.:БХВ-Петербург, 2003. 736 с.
  74. В.В. Качество программных средств. Методические рекомендации. М.: Янус-К, 2002. 120 с.
  75. Ю.И., Брусиловский П. Л., Съедин В. В. Экспертно-обучающие системы. М.: НИИВО, 1991. 56 с.
  76. Ю.И., Крюкова О. П., Тартарашвили Т. А. и др. Дистанционное обучение. Опыт, проблемы, перспективы. -М., 1996. 108 с.
  77. С.П. Декомпозиционные задачи вычисления функции от взаимодействующих нечетких переменных // Изв. АН: серия техническая кибернетика, № 5, 1990. С. 47 — 55.
  78. С.П., Пицык В. В., Полуденко В. А. Согласование целей развития больших технических систем с возможностями реализации их характеристик при нечеткой исходной информации // Изв. АН: серия техническая кибернетика, № 5, 1991. С. 116−124.
  79. Маклаков C.B. BPWin и ERWin. CASE средства разработки информационных систем. — М.: ДИАЛОГ — МИФИ, 1992. — 388 с.
  80. C.B. Моделирование бизнес процессов с BPWin. — M.: ДИАЛОГ — МИФИ, 2002. — 420 с.
  81. C.B. Создание информационных систем с ALLFusion Modeling Suite. M.: ДИАЛОГ-МИФИ, 2003. — 432 с.
  82. А.Н., Бернштейн Л. С., Коровин С. Л. Ситуационные советующие системы с нечеткой логикой. М.: Наука, 1990. — 272 с.
  83. А.Н., Бернштейн Л. С., Коровин С. Я. Ситуационные советующие системы с нечеткой логикой // М.: Наука, Физматлит, 1990. 272 с.
  84. М.В. Замечания о дискуссии Дж. Дайра и Т. Саати // Кибернетика и системный анализ, № 1, 1991. С. 97 — 102.
  85. В.Б., Усманов В. В., Пятирублевый Л. Г., Таранцева К. Р., Статистический подход к принятию решений по результатамтестирования для тестов открытой формы // Открытое образование, № 1,2001.-С.51−57.
  86. Нгуен Минь Хай. Моделирование с помощью нечетко-значной вероятностной логики // Изв. АН: серия техническая кибернетика, № 5, 1993.- С.118−126.
  87. Нечеткие множества в моделях управления и искусственного интеллекта / Под ред. Д. А. Поспелова. М.: Наука, 1986. 311 с.
  88. Нечеткие множества и теория возможностей. Последние достижения / Под. ред. Р. Ягера. М.: Радио и связь, 1986. 391с.
  89. Обработка нечеткой информации в системах принятия решений / А. Н. Борисов, A.B. Алексеев, Г. В. Меркурьева и др. М.: Радио и связь, 1989.-305 с.
  90. А.И. Задачи оптимизации и нечеткие переменные // М.: Знание, 1980.-63 с.
  91. С.А. Проблемы принятия решений при нечеткой исходной информации. М.: Наука, 1981. 206 с.
  92. Пак Н. И. Нелинейные технологии обучения в условиях информатизации / Монография. Красноярск, КГПУ, 1999. 86 с.
  93. Пак Н.И., Симонова A.JI. Методика составления тестовых заданий // ИНФО, 1998, № 5. С. 52 — 56.
  94. Пак Н.И., Филиппов В. В. О технологии создания компьютерных тестов // ИНФО, 1997, № 5. С. 22 — 27.
  95. Д.И. Проектирование интеллектуальных систем дистанционного образования // Перспективные информационные технологии и интеллектуальные системы, № 4, 2002. С. 46 — 52.
  96. Д.А. Логико-лингвистические модели в системах управления. -М.: Энергоиздат, 1981. -231с.
  97. А.Ю. Решение задачи идентификации нечетких систем // Изв. АН: серия теория и системы управления, № 2, 1996. С. 96 — 104.
  98. Прикладные нечеткие системы / Под ред. Т. Тэрано. М: Мир, 1993.-512 с.
  99. A.A. Авторская система TeachLab CourseMaster. Educational Technology & Society, № 6(2), ISSN 1436−4522, 2003. C. 94 — 107.
  100. JI.А., Зренштейн M.X. Адаптивное обучение с моделью обучаемого. Рига: Зинатне, 1988. 160 с.
  101. А.Ф., Шемакин Ю. И. Индуктивно-дедуктивный логический вывод в нечетких условиях // Изв. АН: серия техническая кибернетика, № 2, 1992. С. 34 — 40.
  102. А.Я. Автоматизированные обучающие системы. М.: 1981.- 80 с.
  103. А.Я. Особенности управления познавательной деятельностью // Методы и средства кибернетики в управлении учебным процессом высшей школы. Рига: 1985. С. 5 — 15.
  104. И.Ю. Функциональная модель процесса компьютерного обучения / Сарвилина И. Ю., Макарычев П. П., // Открытое образование и информационные технологии: Тр. Всерос. научн.-метод. конф. Пенза: ПензГУ, 2005.-С. 135- 139.
  105. И.Ю. Информационная обучающая система «Educate» // Информационные технологии в науке и образовании: Тр. V Межд. науч,-практ. конф. Шахты: ЮРГУЭС, 2005. — С. 56 — 62.
  106. И.Ю. Система показателей качества автоматизированных обучающих систем. Новые информационные технологии: Тр. VIII Всерос. науч.-техн. конф. М.: МГАПИ, 2005. — С. 54 — 58.
  107. И.Ю. Онтологическое исследование структуры знаний в интеллектуальной обучающей системе / Сарвилина И. Ю., Басманова Н.Г.
  108. Новые информационные технологии и системы: Тр. VI Межд. научн.-техн. конф. Пенза: ПензГУ, 2004. — С. 198 — 202.
  109. И.Ю. Проектирование интеллектуальных обучающих систем на основе структурного подхода// Новые информационные технологии: Тр. VII Всерос. научн.-техн. конф. М.: МГАПИ, 2004. — С.43 — 48.
  110. И.Ю. Методы моделирования процесса обучения // Наука и образование: Тр. V Межд. науч. конф- Белово: КемГУ, 2004. С. 21 -25.
  111. И.Ю. Оценка уровня знаний с использованием нечеткой логики / Сарвилина И. Ю., Макарычев П. П. // Актуальные проблемы науки и образования: Тр. Межд. юбилейного симпозиума. Пенза: ПензГУ, 2003. — С.474 — 477.
  112. И.Ю. Применение логико-лингвистического метода в организации процесса обучения // Новые информационные технологии: Тр. VI Всерос. научн.-техн. конф. М.: МГАПИ, 2003. — С.45 — 48.
  113. И.Ю. Моделирование процесса обучения на основе нечеткой логики // Университетское образование: Тр. научн.-метод, конф. Пенза: Поволжский Дом знаний, 2003. — С.36 — 37.
  114. А.П. Основы статистической теории обучения и контроля знаний. М.: Высшая школа, 1981. — 262 с.
  115. А.П. Применение методов планирования эксперимента при обучении обучающих и контролирующих машин. М.: Моск. энерг. ин-т, 1975.-65 с.
  116. А.П. Условные и безусловные алгоритмы диагностического контроля подготовки операторов ЭВМ. М.: Моск. энерг. ин-т, 1987.-69 с.
  117. В.Б. Оптимизация многокритериальных систем нечетко-условного программирования // Изв. АН: серия техническая кибернетика, № 4, 1992. -С.43−49.
  118. . Наука об учении и искусство обучения / М.: Высшая школа, 1968.- 136 с.
  119. A.B. Обратные связи в учебных пакетах прикладных программ // ЭВМ в учебном процессе вуза: Тр. межвуз. науч.-техн. сб. /Под ред. В. Н. Врагова. Новосибирск: НГУ, 1988. С. 39 — 53.
  120. A.B. Проектирование компьютерных систем учебного назначения: Учебное пособие, СГАУ, Самара, 1995. 140 с.
  121. A.B., Меньшикова A.A. Дискретные математические модели в исследовании процессов автоматизированного обучения // Информационные технологии, № 12, 2001. С. 32 — 36.
  122. А.Е. Анализ производственной ситуации с помощью нечеткой логики. Пермь: Пермский политех, ин-т, 1986. — 86 с.
  123. Е. А., Ельчанинов Д. Б., Маторин С. И. Применение теории категорий к исследованию и моделированию естественной классификации // НТИ. Сер. 2,1999. С. 54 — 62.
  124. П.И., Канаев О. Г., Афанасьев А. И. Процессоры обработки нечеткой информации. Саратов: Из-во Саратовского университета, 1988.-76 с.
  125. C.B. Нечеткие модели интеллектуальных систем управления: теоретические и прикладные аспекты // Изв. АН: серия техническая кибернетика, № 3, 1991. С. 67 — 72.
  126. Я.И. Нечеткие уравнения в моделях принятия решений // Изв. АН: серия техническая кибернетика, № 3,1993. С. 44 — 52.
  127. В.Г. Организация ввода аналитических данных в нечеткие контроллеры // Изв. АН: серия техническая кибернетика, № 5, 1994.-С.96−102.
  128. A.B. Квазиэффективные решения задач многокритериальной нечеткой оптимизации // Изв. АН: серия техническая кибернетика, № 5, 1992.-С.114−123.
  129. A.B. Линейное программирование со случайными нечеткими данными // Изв. АН: серия техническая кибернетика, № 3, 1991. С. 64 — 70.
Заполнить форму текущей работой

Сессия? Спокойно!