Новые Internet-технологии электронного обучения

В статье затрагиваются три подхода к решению проблем электронного обучения, а именно управление объектами обучения в открытой и масштабируемой архитектуре, интеграция функций организации учебного процесса студентов в среду обучения на базе Web, а также обучение с помощью цифровых игр.

Несмотря на то что системы электронного обучения могут различаться по предметным областям и реализациям, можно говорить о формировании общих архитектурных принципов. На рисунке представлена эталонная архитектура для разработки системы электронного обучения, из которой следует, что можно рассматривать типичную систему электронного обучения в Internet как распределенную, состоящую из уровня Internet-инфраструктуры (Internet Infrastructure Layer, IIL), уровня концепций/моделирования (Conceptual/Modeling Layer, C/ML) и уровня приложений (Application Layer, AL).

Уровень Internet-инфраструктуры

Электронное обучение позволяет студентам и преподавателям получать доступ к широкому спектру обучающих ресурсов, вне зависимости от места и времени. В рамках электронного обучения предлагаются как традиционные аудиторные виды обучения, в том числе поиск фактов и экспериментирование, так и дополнительные, в частности организация персонифицированных учебных материалов и быстрая оценка знаний с помощью онлайновых тестов. Если курс рассчитан на ограниченное число пользователей, то достаточно простой клиент-серверной архитектуры, но по мере увеличения числа студентов курс может потребовать реализации крупномасштабной системы электронного обучения, включающей поддержку потенциально большого числа одновременно работающих и географически распределенных пользователей, а также объемную базу данных учебных материалов. Основная функциональность IIL направлена на решение такого рода вопросов масштабируемости.

Распределенная серверная архитектура

По мере того, как мультимедиа все активнее начинает применяться в электронном обучении, появляется все больше учебных материалов, составленных из различных видов контента, от простых текстов и изображений до сложных и насыщенных данными видеопотоков и трехмерной геометрии. Подобные материалы поддерживают множество приложений электронного обучения, например извлечение знаний, моделирование и обучающие трехмерные игры. Поддержка столь разнообразной информации и приложений, а также большого числа пользователей требует многосерверных систем, предоставляющих достаточное количество вычислительных ресурсов для обеспечения интерактивной работы.

Многосерверные системы можно разделить на три типа [1]. Параллельная архитектура состоит из серверов, работающих параллельно и выполняющих гомогенные задачи. Приложение, обрабатывающее реальные данные, может распределить их между несколькими серверами. С другой стороны, проектировщик может назначить одно и то же множество данных приложения более чем одному серверу для того, чтобы обеспечить высокую готовность системы. Распределенная архитектура состоит из серверов, выполняющих гетерогенные задачи, и подходит для приложений, которые реализуют сложные логические или объемные операции. В этом случае система может разделить приложение на несколько подзадач и назначить их разным серверам. Наконец, гибридная архитектура объединяет параллельную и распределенную архитектуры, обеспечивая и высокую производительность вычислений, и надежность.

Системы электронного обучения часто состоят из нескольких приложений, в том числе приложений для извлечения информации и трехмерных игр. Первые извлекают представления данных из файлов, находящихся в потенциально огромной базе документов, и используют эти представления для выбора соответствующей информации, такой как материалы курса. В обучающих трехмерных играх первоочередное внимание уделяется интерактивным ответам и доступности игр для студентов. Поскольку эти приложения могут предъявлять разные требования к производительности, провайдер сервиса может использовать разные многосерверные архитектуры.

Извлечение документов. Популярная пример системы извлечения документов из большой базы данных – Google. Для того чтобы получение информации было эффективным, каждый сервер использует параллельную многосерверную архитектуру для поддержки подколлекций документов и локальный словарный индекс. При извлечении документов каждый сервер параллельно с другими находит соответствие введенных пользователем ключевых слов с индексом локального словаря. Затем механизм поиска объединяет результаты, полученные со всех серверов, для получения списка адекватных документов.

Многопользовательские игры. Многопользовательские онлайн-игры позволяют удаленным пользователям взаимодействовать в рамках совместной игры, что требует более значительных вычислительных ресурсов по мере увеличения числа игроков. В подобной ситуации провайдер сервисов может использовать параллельную архитектуру для того, чтобы распределить рабочую нагрузку между несколькими серверами, разделив пользователей на группы или на игровые сцены в регионах так, чтобы их поддерживали разные серверы [2].

Мультимедиа приложения и потоки. Мультимедиа приложения предоставляют пользователям разнообразную мультимедиа информацию, и для обеспечения интерактивности ответов необходимо выделять специальный сервер. Поскольку мультимедиа приложения могут быть составлены из множества подприложений, таких как те, что доставляют спутниковые изображения, трехмерные строительные модели и информацию об отелях в Google Earth, то в этом случае окажется полезной гибридная многосерверная архитектура.

Распределенные протоколы и компонентные архитектуры

За последние десять лет было создано множество коммерческих систем электронного обучения, таких как WebCT и BlackBoard, которые теперь широко применяются в школах и университетах, однако предстоит решить еще множество проблем системной архитектуры для того, чтобы эти системы превратились в настоящую, устойчивую распределенную среду электронного обучения.

Компонентные архитектуры. Коммерческие системы электронного обучения – мощные, интегрированные системы, которые предоставляют важнейшие функции, способные удовлетворить потребности участников учебного процесса. Однако таким сложным монолитным системам с трудом удается соответствовать требованиям каждого уровня образовательной структуры, а изменение суммы знаний в предметной области может потребовать модификации всей системы [3]. Перспективными могут стать компонентные архитектуры, поскольку они позволяют заменить монолитные системы совокупностью распределенных взаимодействующих серверов. Эти архитектуры должны предоставить преподавателям и студентам всеобъемлющую, комплексную поддержку и позволить сообществу электронного обучения повторно использовать имеющиеся образовательные системы в качестве компонентов. Открытость и гибкость архитектур поддерживают конкуренцию между разработчиками образовательных систем и заставляют их предлагать более качественные и инновационные сервисы.

Альтернативное решение может предложить сообщество Open Source, создающее такие системы, как Moodle, позволяющие интегрировать новые возможности в существующие системы электронного обучения с минимальными затратами.

Распределенные протоколы. Можно реализовать распределенные системы электронного обучения, используя технологию Web-сервисов, которая в основном поддерживает компонентную архитектуру посредством стандартизованных инструментальных средств [3]. Например, WSDL представляет собой единый язык, позволяющий провайдерам описывать и публиковать свои сервисы, а SOAP дает пользователям возможность вызывать Web-сервисы, перемещающие данные между платформами. С другой стороны, и серверы, и обучающие ресурсы требуют использования технологии программных агентов для того, чтобы обеспечить адаптивную и интеллектуальную поддержку и студентов, и преподавателей. Агенты и программы могут независимо взаимодействовать друг с другом и с пользователями. Например, можно применять агенты для разработки адаптивных гипермедиа-систем (Adaptive Hypermedia, AH), которые корректируют процесс обучения с учетом предпочтений и знаний отдельных студентов [4].

Обучающие ресурсы с открытым доступом. Для того чтобы поддерживать открытый доступ пользователей (студентов и программных агентов) к учебным материалам и предоставлять контент, которым можно обмениваться и повторно использовать, несколько организаций по стандартам, в том числе Advanced Distributed Learning Initiative (www.adlnet.gov), предложили образовательные стандарты [5], имеющие особую важность для крупномасштабных распределенных сред обучения. Одни касаются описания методов хранения обучающего контента, обеспечивающих обмен информацией между обучающими системами. Стандарты на описание обучающего контента, такие как Learning Object Metadata (LOM), поддерживают репозитарии объектов обучения для обеспечения эффективного поиска обучающего контента. Другие стандарты ориентированы на поддержку интероперабельности компонентов систем электронного обучения для их повторного использования и замены, например, Shareable Content Object Reference Model (SCORM) объединяет набор широко принятых стандартов и спецификаций для обмена и повторного использования учебных материалов.

Уровень концепций/моделирования

Уровень концепций/моделирования образуют инструменты высокого уровня, служащие для поддержки разработки приложений электронного обучения. Пользовательские модели играют важную роль в системах электронного обучения, обеспечивая студентам непрерывность обучения, преподавателям – свидетельства прогресса студентов, тем и другим – возможность персонифицировать учебные материалы для студентов в соответствии с их способностями и предпочтениями. Персонификация информации долгое время оставалась главным движущим мотивом разработки систем электронного обучения, порождая системы типа AH. Различия в способностях студентов, их опыте, предпочтениях при обучении и так далее влияет на предоставление информации.

Пользовательские модели применяются для самых разных целей. В коммерческом мире они формируют основу для рекомендующих систем. Например, в Amazon они служат для вывода перечня товаров, которые, по мнению продавцов, заинтересуют конкретного покупателя. Опираясь на тот же подход, системы электронного обучения могут интегрировать опыт студентов, формируя материалы для группового обучения. Так, группа студентов может создавать соответствующий список литературы, который система будет рекомендовать другим студентам той же группы.

Пользовательские модели могут быть краткосрочными и долгосрочными. Так, Amazon реализует краткосрочные пользовательские модели для анонимных пользователей, анализируя данные по их покупкам и сведениям, которые их интересовали на сайте, и в дальнейшем рекомендуя товары с учетом того, что просматривал покупатель. Долгосрочные пользовательские модели, как правило, хранят персональную информацию о посетителях, и именно эта модель широко применяется в большинстве систем электронного обучения. В частности, имеется возможность преподавателям наблюдать взаимодействие студентов с системой, выявлять проблемные области и в целом следить за успехами студентов.

Создавать и менять пользовательские модели можно двумя разными способами [4]: явно присваивая переменные пользовательской модели (например, имена студентов или возможные предпочтения при просмотре материалов) или неявно их обновляя, записывая информацию или делая выводы с учетом данных о взаимодействиях студентов с системой электронного обучения. Таким взаимодействием могут быть тесты, позволяющие оценивать, насколько студенты усвоили материал перед тем, как предоставить им возможность перейти к более сложным темам. Однако при создании моделей возникает целый ряд проблем.

Во-первых, сделать так, чтобы пользовательские модели могли взаимодействовать в различных системах электронного обучения, труднее, чем просто обеспечить интероперабельность информации, поскольку у AH-систем, кроме контента и пользовательских моделей, есть также правила адаптации. В связи с этим в свою очередь возникает множество вопросов. В частности, что делать с неиспользуемыми переменными при переносе пользовательской модели в другую систему электронного обучения (и обратно); как дать возможность получающей системе применять правила адаптации к импортированной пользовательской модели, если какая-то информация пропущена, и как, если вообще это возможно, получающая система должна обновить пользовательскую модель перед тем, как переслать ее обратно.

Во-вторых, пользовательские модели не всегда оказываются полезны как средства персонификации в системе электронного обучения. Например, некоторые исследователи считают, что одним из аспектов персонификации информации для студентов является стиль обучения. Они делят студентов на визуальных и вербальных или глобальных и последовательных, привязывая информацию, которую получают студенты, к тому, что преподаватель считает приемлемым для данного стиля обучения. Однако есть определенные свидетельства того, что привязка представления к стилям обучения неэффективна, по крайней мере в рамках некоторой группы студентов, обучающихся в университете [6]. Наконец, у такого подхода есть и некий этический аспект. Тот факт, что разным студентам информация предлагается по-разному, можно считать некорректным, поскольку одни не получают доступ к материалам, открытым для других. Разумное решение состоит в том, чтобы предоставить студентам возможность самим управлять своими пользовательскими моделями и процессами персонификации.

Несмотря на эти проблемы, пользовательские модели могут все же оказаться полезными в системах электронного обучения. Преподаватели могут очень быстро создавать персональный план обучения, что особенно важно, учитывая растущий размер классов и число онлайновых курсов.

Уровень приложений

Так называемые интеллектуальные системы организации обучения (Intelligent Tutoring System, ITS), иллюстрирующие многие особенности электронных учебных процессорв. Самые общие архитектуры ITS предусматривают создание хорошей студенческой модели, которая отражает представление системы об уровне знаний учащихся по определенным темам. Более того, такая архитектура позволяет организовывать для учащихся индивидуальное преподавание [7]. Для того чтобы еще дальше распространить общую архитектуру ITS, ученые разрабатывают различные типы ITS на основе разных предметных областей, стратегий преподавания и других факторов [5].

В первых системах ITS особое внимание уделялось имитации взаимодействия студента и преподавателя-человека. Система Scholar была создана в начале 70-х годов для обучения географии Южной Америки [8]. Такие системы не пользовались особым успехом из-за технологических трудностей при создании адекватной компьютерной конфигурации, оптимизированной для оперативного ответа на различные вопросы. WWW изменила педагогические подходы к образовательному программному обеспечению, заставив сосредотачиваться на более простых решениях, предусматривающих выдачу инструкций, поскольку их легче программировать. Другие ITS создают сложные командные стратегии, требующие использования крупных экспертных систем для формирования представлений, адаптированных к данной предметной области. Модели представлений включают в себя геометрию и компьютерное программирование.

ITS могут оценивать эффективность работы студентов. Существует два основных метода оценки: суммарные оценки, которые формально определяют, смог ли студент добиться поставленных учебных целей, и накапливаемые оценки, которые помогают студентам более эффективно добиваться этих целей. Ведутся споры о том, нужно ли программировать последние, поскольку кое-кто считает, что студенты должны получать обратную связь непосредственно в процессе обучения. ITS должны эффективно собирать программируемые накапливаемые оценки и отражать их количественно, поскольку лишь в этом случае они будут полезны для поддержки непосредственной обратной связи.

ITS на базе Web наследуют большую часть общих особенностей архитектуры ITS, таких как AH, генерируя контент с различным уровнем детализации в соответствии со знаниями пользователей. Кроме того, система AH может предлагать адаптивную навигацию, оказывая пользователям помощь в выборе наиболее адекватной ссылки. Основная цель таких адаптивных методов в контексте ITS состоит в том, чтобы помочь студентам ориентироваться и перемещаться в гиперпространственной среде, увеличивая эффективность при выполнении конкретной задачи, например, «как изучить тему».

Адаптивные и интеллектуальные образовательные системы (Adaptive and Intelligent Educational System, AIES) на базе Web начали эффективно использовать технологии AH. Среди примеров – администрируемые через Web системы преподавания с широкими возможностями выбора [9]. Три самые популярные методики, использующие AIES на базе Web, – это прямое указание, адаптивное аннотирование ссылок и адаптивное сокрытие ссылок, причем некоторые из них довольно похожи на адаптивное управление последовательностью шагов (или динамическую навигацию). Действительно, различия между прямыми указаниями и адаптированным к ITS управлением последовательностью шагов в Web-контексте постепенно исчезают. До тех пор пока некоторые учебные материалы, такие как презентации или вопросы, представляются как набор узлов в гиперпространстве, управление последовательностью шагов становится неотличимым от прямого указания. Ярким примером тому могут служить решения ELM Adaptive Remote Tutor (ELM-ART), Adaptive Statistics Tutor (AST) и InterBook.

Электронное обучение в широком смысле (в том числе дистанционное обучение, обучение на базе Web и обучение на базе цифровых игр) привлекает все большее внимание и в отрасли, и в сфере образования. Для того чтобы поддержать разработку успешных систем электронного обучения на открытых платформах Internet, необходимы масштабируемые технологии, которые позволяют работать с ними произвольному количеству пользователей, в то же время предоставляя хорошую обучающую среду. Кроме технических проблем будет возникать все больше вопросов (как технологического, так и педагогического плана), связанных с разработкой и развертыванием систем электронного обучения, особенно учитывая разнообразие и междисциплинарную природу этой области. n