Использование интеллектуальных и экспертных систем в образовании. Экспертные обучающие системы

Экспертные системы являются одним из основных приложений искусственного интеллекта. Искусственный интеллект – это один из разделов информатики, в котором рассматриваются задачи аппаратного и программного моделирования тех видов человеческой деятельности, которые считаются интеллектуальными.

Результаты исследований по искусственному интеллекту используются в интеллектуальных системах, которые способны решать творческие задачи, принадлежащие конкретной предметной области, знания о которой хранятся в памяти (базе знаний) системы. Системы искусственного интеллекта ориентированы на решение большого класса задач, к которым относятся так называемые частично структурированные или неструктурированные задачи (слабо формализуемые или неформализуемые задачи).

Информационные системы, используемые для решения частично структурированных задач, подразделяются на два вида:

Создающие управленческие отчеты (выполняющие обработку данных: поиск, сортировку, фильтрацию). Принятие решения осуществляется на основе сведений, содержащихся в этих отчетах.

Разрабатывающие возможные альтернативы решения. Принятие решения сводится к выбору одной из предложенных альтернатив.

Информационные системы, разрабатывающие альтернативы решений, могут быть модельными или экспертными:

Модельные информационные системы предоставляют пользователю модели (математические, статистические, финансовые и т.д.), которые помогают обеспечить выработку и оценку альтернатив решения.

Экспертные информационные системы обеспечивают выработку и оценку возможных альтернатив пользователем за счет создания систем, основанных на знаниях, полученных от специалистов - экспертов.

Экспертные системы - это программы для компьютеров, аккумулирующие знания специалистов - экспертов в конкретных предметных областях, которые предназначены для получения приемлемых решений в процессе обработки информации. Экспертные системы трансформируют опыт экспертов в какой-либо конкретной отрасли знаний в форму эвристических правил и предназначены для консультаций менее квалифицированных специалистов.

Известно, что знания существуют в двух видах: коллективный опыт, личный опыт. Если предметная область представлена коллективным опытом (например, высшая математика), то эта предметная область не нуждается в экспертных системах. Если в предметной области большая часть знаний является личным опытом специалистов высокого уровня и эти знания являются слабоструктурированными, то такая область нуждается в экспертных системах. Современные экспертные системы нашли широкое применение во всех сферах экономики.

База знаний является ядром экспертной системы. Переход от данных к знаниям является следствием развития информационных систем. Для хранения данных применяются базы данных, а для хранения знаний – базы знаний. В базе данных, как правило, хранятся большие массивы данных с относительно небольшой стоимостью, а в базах знаний хранятся небольшие по объему, но дорогие информационные массивы.

База знаний – это совокупность знаний, описанных с использованием выбранной формы их представления. Наполнение базы знаний является одной из самых сложных задач, которая связана с выбором знаний их формализацией и интерпретацией.

Экспертная система состоит из:

базы знаний (в составе рабочей памяти и базы правил), предназначенной для хранения исходных и промежуточных фактов в рабочей памяти (ее еще называют базой данных) и хранения моделей и правил манипулирования моделями в базе правил

решателя задач (интерпретатора), который обеспечивает реализацию последовательности правил для решения конкретной задачи на основе фактов и правил, хранящейся в базах данных и базах знаний

подсистемы пояснения, позволяет пользователю получить ответы на вопрос: «Почему система приняла такое решение?»

подсистемы приобретения знаний, предназначенной как для добавления в базу знаний новых правил, так и модификации имеющихся правил.

интерфейса пользователя, комплекса программ, реализующих диалог пользователя с системой на стадии ввода информации, и получения результатов.

Экспертные системы отличаются от традиционных систем обработки данных тем, что в них, как правило, используется символьный способ представления, символьный вывод и эвристический поиск решений. Для решения слабо формализуемых или неформализуемых задач более перспективными являются нейронные сети или нейрокомпьютеры.

Основу нейрокомпьютеров составляют нейронные сети – иерархические организованные параллельные соединения адаптивных элементов – нейронов, которые обеспечивают взаимодействие с объектами реального мира так же, как и биологическая нервная система.

Большие успехи использования нейросетей достигнуты при создании самообучающихся экспертных систем. Сеть настраивают, т.е. обучают, пропуская через нее все известные решения и добиваясь получения требуемых ответов на выходе. Настройка состоит в подборе параметров нейронов. Часто используют специализированную программу обучения, которая занимается обучением сети. После обучения система готова к работе.

Если в экспертную систему ее создатели предварительно закладывают знания в определенной форме, то в нейронных сетях неизвестно даже разработчикам, как формируются знания в ее структуре в процессе обучении и самообучении, т.е. сеть представляет собой «черный ящик».

Нейрокомпьютеры, как системы искусственного интеллекта, являются весьма перспективными и могут бесконечно совершенствоваться в своем развитии. В настоящее время системы искусственного интеллекта в форме экспертных систем и нейронных сетей находят широкое применение при решении финансово – экономических проблем.

Тема 2.3. Программные средства презентаций и основы офисного программирования

Тема 2.4.

2.4.11. Учебная база данных с главной кнопочной формой "Training_students" - Скачать

Системы управления базами данных и экспертные системы

2.4. Системы управления базами данных и экспертные системы

2.4.10. Экспертные и обучающиеся системы

Экспертные системы являются одним из основных приложений искусственного интеллекта. Искусственный интеллект – это один из разделов информатики, в котором рассматриваются задачи аппаратного и программного моделирования тех видов человеческой деятельности, которые считаются интеллектуальными.

Результаты исследований по искусственному интеллекту используются в интеллектуальных системах, которые способны решать творческие задачи, принадлежащие конкретной предметной области, знания о которой хранятся в памяти (базе знаний) системы. Системы искусственного интеллекта ориентированы на решение большого класса задач, к которым относятся так называемые частично структурированные или неструктурированные задачи (слабо формализуемые или неформализуемые задачи).

Информационные системы, используемые для решения частично структурированных задач, подразделяются на два вида:

1. Создающие управленческие отчеты (выполняющие обработку данных: поиск, сортировку, фильтрацию). Принятие решения осуществляется на основе сведений, содержащихся в этих отчетах.
2. Разрабатывающие возможные альтернативы решения. Принятие решения сводится к выбору одной из предложенных альтернатив.

Информационные системы, разрабатывающие альтернативы решений, могут быть модельными или экспертными:

1. Модельные информационные системы предоставляют пользователю модели (математические, статистические, финансовые и т.д.), которые помогают обеспечить выработку и оценку альтернатив решения.
2. Экспертные информационные системы обеспечивают выработку и оценку возможных альтернатив пользователем за счет создания систем, основанных на знаниях, полученных от специалистов - экспертов.

Экспертные системы - это программы для компьютеров, аккумулирующие знания специалистов - экспертов в конкретных предметных областях, которые предназначены для получения приемлемых решений в процессе обработки информации. Экспертные системы трансформируют опыт экспертов в какой-либо конкретной отрасли знаний в форму эвристических правил и предназначены для консультаций менее квалифицированных специалистов.

Известно, что знания существуют в двух видах: коллективный опыт, личный опыт. Если предметная область представлена коллективным опытом (например, высшая математика), то эта предметная область не нуждается в экспертных системах. Если в предметной области большая часть знаний является личным опытом специалистов высокого уровня и эти знания являются слабоструктурированными, то такая область нуждается в экспертных системах. Современные экспертные системы нашли широкое применение во всех сферах экономики.

База знаний является ядром экспертной системы. Переход от данных к знаниям является следствием развития информационных систем. Для хранения данных применяются базы данных, а для хранения знаний – базы знаний. В базе данных, как правило, хранятся большие массивы данных с относительно небольшой стоимостью, а в базах знаний хранятся небольшие по объему, но дорогие информационные массивы.

База знаний – это совокупность знаний, описанных с использованием выбранной формы их представления. Наполнение базы знаний является одной из самых сложных задач, которая связана с выбором знаний их формализацией и интерпретацией.

Экспертная система состоит из:

• базы знаний (в составе рабочей памяти и базы правил), предназначенной для хранения исходных и промежуточных фактов в рабочей памяти (ее еще называют базой данных) и хранения моделей и правил манипулирования моделями в базе правил;
• решателя задач (интерпретатора), который обеспечивает реализацию последовательности правил для решения конкретной задачи на основе фактов и правил, хранящейся в базах данных и базах знаний;
• подсистемы пояснения, позволяет пользователю получить ответы на вопрос: «Почему система приняла такое решение?»;
• подсистемы приобретения знаний, предназначенной как для добавления в базу знаний новых правил, так и модификации имеющихся правил;
• интерфейса пользователя, комплекса программ, реализующих диалог пользователя с системой на стадии ввода информации, и получения результатов.

Экспертные системы отличаются от традиционных систем обработки данных тем, что в них, как правило, используется символьный способ представления, символьный вывод и эвристический поиск решений. Для решения слабо формализуемых или неформализуемых задач более перспективными являются нейронные сети или нейрокомпьютеры.

Основу нейрокомпьютеров составляют нейронные сети – иерархические организованные параллельные соединения адаптивных элементов – нейронов, которые обеспечивают взаимодействие с объектами реального мира так же, как и биологическая нервная система.

Большие успехи использования нейросетей достигнуты при создании самообучающихся экспертных систем. Сеть настраивают, т.е. обучают, пропуская через нее все известные решения и добиваясь получения требуемых ответов на выходе. Настройка состоит в подборе параметров нейронов. Часто используют специализированную программу обучения, которая занимается обучением сети. После обучения система готова к работе.

Если в экспертную систему ее создатели предварительно закладывают знания в определенной форме, то в нейронных сетях неизвестно даже разработчикам, как формируются знания в ее структуре в процессе обучении и самообучении, т.е. сеть представляет собой «черный ящик».

Нейрокомпьютеры, как системы искусственного интеллекта, являются весьма перспективными и могут бесконечно совершенствоваться в своем развитии.

В настоящее время системы искусственного интеллекта в форме экспертных систем и нейронных сетей находят широкое применение при решении финансово – экономических проблем.

УДК 004.891.2

ИСПОЛЬЗОВАНИЕ ЭКСПЕРТНЫХ СИСТЕМ В ОБРАЗОВАНИИ1

М.С. Чванова, И.А. Киселева, А.А. Молчанов, А.Н. Бозюкова

Тамбовский государственный университет имени Г.Р. Державина Россия, г. Тамбов. e-mail: [email protected]

В статье рассматриваются проблемы применения и разработки экспертных систем в образовании, а также конкретные примеры использования таких систем. Авторы считают необходимым применение аппарата нечеткой логики для проектирования и разработки интеллектуальной подсистемы.

Ключевые слова: информационные технологии, экспертная система, нечеткая логика, система образования.

Изучение исследований по проблеме показало, что в начале восьмидесятых годов в исследованиях по искусственному интеллекту сформировалось самостоятельное направление, получившее название «экспертные системы» (ЭС). Исследователи в области ЭС для названия своей дисциплины часто используют также термин «инженерия знаний», введенный Е. Фейгенбаумом . Экспертные системы (ЭС) - это набор программ, выполняющий функции эксперта при решении задач из некоторой предметной области. Название обусловлено тем, что они как бы имитируют людей, являющихся экспертами.

Каждая экспертная система состоит из трех частей: очень большой базы современных данных, подсистемы формирования вопросов и совокупности правил, позволяющих делать выводы. Некоторые экспертные системы могут рассказать о методе, который они используют при выработке своего заключения.

В нашей стране современное состояние разработок в области экспертных систем можно охарактеризовать как стадию всевозрастающего интереса среди широких слоев экономистов, финансистов, преподавателей, инженеров, медиков, психологов, программистов, лингвистов. К сожалению, этот интерес имеет недостаточное материальное подкрепление: явная нехватка учебников и специальной литературы, отсутствие символьных процессоров и рабочих станций искусственного интеллекта, ограниченное фи-

1 Тема поддержана в рамках Программы Минобрнауки «Проведение научных исследований молодыми учеными - кандидатами наук» № 14.В37.21.1141, 20122013 гг.

нансирование исследований в этой области, слабый отечественный рынок программных продуктов для разработки экспертных систем, а высокая стоимость имеющихся делает их применение и анализ эффективности применения практически недоступным.

Общеизвестно, что процесс создания экспертной системы требует участия высококвалифицированных специалистов в области искусственного интеллекта, которых пока выпускает небольшое количество высших учебных заведений страны.

Анализ теоретических исследований и педагогической практики показал, что недостаточное внимание уделяется разработкам экспертных систем в системе дистанционного образования. Экспертные системы в области образования чаще всего используются для построения базы знаний, которая позволяет отразить минимально необходимое содержание предметной области с учетом ее количественной и качественной оценок.

Исследования в области применения и разработки экспертных систем в образовании, как мы полагаем, условно можно разделить на три группы. К первой группе представляется возможным отнести авторов, исследующих теоретико-педагогические аспекты применения экспертных систем в образовании. Ко второй группе - авторов, которые разработали конкретные экспертные обучающие системы совместно с преподавателями на основе известных технологий. К третьей группе - авторов, которые исследуют новые подходы к созданию экспертных систем в образовании.

Исследования в области применения и разработки экспертных систем в образова-

нии, как мы полагаем, условно можно разделить на три группы. К первой группе представляется возможным отнести авторов, исследующих теоретико-педагогические аспекты применения экспертных систем в образовании. Ко второй группе - авторов, которые разработали конкретные экспертные обучающие системы совместно с преподавателями на основе известных технологий. К третьей группе - авторов, которые исследуют новые подходы к созданию экспертных систем в образовании.

Рассмотрим первую группу публикаций, анализирующих теоретико-педагогические аспекты применения экспертных систем.

В исследовании Н.Л. Юговой сконструировано содержание профильного обучения с применением экспертной системы. Автор рассматривает экспертную систему для проведения диагностики по уровням обученности и профессиональным предпочтениям обучающихся, которая реализована на основе построения фреймовой модели профильной учебной информации, установления субъект-субъектных взаимоотношений участников образовательного процесса: обучающегося, учителя, педагога-когнитолога.

Н.М. Антипиной разработана технология формирования профессиональных методических умений в ходе самостоятельной работы студентов педагогических вузов с применением экспертной системы. Специализированная обучающая экспертная система, разработанная автором, способна в ходе самостоятельной работы студентов за компьютером выдавать индивидуальные задания различных уровней трудности, вырабатывать рекомендации по способам их выполнения, оказывать помощь в виде консультаций, осуществлять контроль знаний и умений студентов на различных стадиях выполнения ими методических заданий и т.п.

Н.Л. Кирюхиной разработана модель экспертной системы диагностики знаний студентов по психологии. Автор рассматривает экспертную систему для решения задачи диагностики психологических знаний студентов, проверки гипотез о правильности ответов студента, степени усвоения материала по разным темам курса. И.В. Гречиным реализуется новый подход к использованию экспертной системы в технологии обучения.

Он предлагает систему, которая при использовании обратной связи в интерактивном режиме генерирует и отслеживает последовательность цепочки рассуждений при обучении.

Н.А. Барановой рассматривается вопрос о применении экспертных систем в непрерывном педагогическом образовании. Экспертная система структурирует учебную информацию и создает индивидуальные учебные планы для каждого студента при сокращенных сроках обучения, что повышает эффективность процессов обучения, преподавания и самообразования.

A.Б. Андреев, В.Б. Моисеев, Ю.Е. Усачев используют экспертные системы для анализа знаний обучающихся в среде открытого образования. Анализ качества знаний проводится с помощью экспертной системы анализа знаний. Для реализации такой системы авторами рассматривается структурный подход к созданию интеллектуальных обучающих и контролирующих компьютерных систем. Таким образом, данный подход позволяет разрабатывать эффективные средства анализа знаний обучающихся на основе использования структурной модели учебного материала. Структурной единицей совокупности знаний в предложенной модели является понятие, обладающее содержанием и объемом.

Е.В. Мягковой рассматривается возможность применения экспертных систем как информационных технологий в сфере высшего образования. По мнению автора, экспертность заключается в наличии в экспертной обучающей системе знаний по методике обучения, благодаря которым она помогает преподавателям обучать, а учащимся - учиться. Главной целью реализации экспертной обучающей системы, по мнению автора статьи, является обучение и оценка текущего уровня знаний студента относительно уровня знаний преподавателя. Таким образом, сравнение двух решеток (эталонной, отражающей представления преподавателя, и решетки, заполненной обучаемым в ходе диалога) позволяет оценить различия в представлениях преподавателя и обучаемого.

B.М. Московкиным построена имитационная экспертная система выбора университетов для обучения. Автором проведен краткий обзор зарубежных исследований в

области моделирования процессов принятия решения о выборе колледжей и университетов для дальнейшего обучения. На концептуальном уровне построена соответствующая имитационная экспертная система.

Рассмотрим вторую группу публикаций, в которых рассматриваются разработанные совместно с преподавателями экспертные системы для образования на основе известных технологий.

Е.Ю. Левиной разработана внутри-вузовская диагностика качества обучения на основе автоматизированной экспертной системы, применение которой сводится, по сути, к диагностике качества учебного процесса в вузе, позволяющей на основе информационных средств и математических методов управлять базами данных для осуществления процедур исследования и анализа статистики результатов учебного процесса, выработке рекомендаций для принятия управленческих решений по обеспечению качества образования.

М.А. Смирновой разработана экспертная система для оценки качества педагогической подготовки будущего учителя, которая сводится к оценке качества его подготовки в школе, позволяющей исследовать уровень подготовленности педагога.

Л.С. Болотовой на основе технологии экспертных систем ситуационного управления реализуется адаптивное дистанционное обучение принятию решений. В качестве инструментальных программных средств разработаны экспериментальные образцы инструментальных проблемных предметно-ориентированных экспертных систем ситуационного управления муниципальными образованиями и малым бизнесом на основе разработанного ситуационного тренажера - имитатора.

Компьютерная система принятия решений по результатам экспертного оценивания в задачах оценки качества образования, разработанная О.Г. Берестневой и О.В. Ма-рухиной позволяет выделить наиболее обоснованные утверждения специалистов-экспер-тов и использовать их, в конечном счете, для подготовки различных решений. Разработанный авторами и описанный в статье универсальный программный продукт позволяет наиболее оптимально решать задачу оценки качества образовательного процесса по результатам экспертного оценивания.

Е.Ф. Снижко рассмотрена методика применения экспертных систем для корректировки процесса обучения и оценки эффективности педагогических программных средств. В ходе исследования автором разработан экспериментальный фрагмент педагогического программного средства по изучению языка Пролог для учащихся 9 класса средней школы с целью демонстрации основных моментов разрабатываемой методики и ее экспериментальной проверки. Встроенная в педагогическое программное средство экспертная система была доведена до уровня демонстрационного прототипа.

Анализ литературы по данному направлению показал, что одним из подходов к созданию экспертных систем являются попытки предложить использовать методы нечеткой логики, основанные на теории нечетких множеств.

В.С. Тоискин выделяет несколько причин, на основании которых предпочтение отдается применению систем именно с нечеткой логикой:

Она концептуально легче для понимания;

Это гибкая система и устойчива к неточным входным данным;

Она может моделировать нелинейные функции произвольной сложности;

В ней учитывается опыт специали-стов-экспертов;

Она основана на естественном языке человеческого общения.

И.В. Солодовников, О.В. Рогозин, О.В. Шу-руев рассматривают общие принципы построения программного комплекса, способного производить комплексную успеваемость студентов в семестре с помощью экспертной системы, с использованием элементов аппарата нечеткой логики.

Посещение лекций. Оценка посещаемости рассчитывалась по среднему арифметическому всех имеющихся оценок;

Работа на семинаре. Оценка работы проводилась аналогичным образом;

Выполнение контрольных работ. Оценка выполнения контрольных работ проводилась с учетом коэффициента сложности;

Выполнение домашнего задания. Оценка выполнения проводилась аналогичным образом.

Для оценки успеваемости авторы использовали лингвистические переменные: «посещал лекции», «работал на семинаре», «выполнял контрольные работы», «выполнял домашнее задание». Характеристиками данных переменных являлись понятия «активность», «эффективность», «оценка». Такой подход дает возможность проанализировать работу студента и на основе сформулированных критериев оценить эффективность качества знаний студента.

На основе моделей нечеткой логики И.В. Самойло, Д.О. Жуков рассматривают проблему создания экспертных систем, позволяющих давать рекомендации по профессиональной ориентации конкретному абитуриенту.

Группа переменных (О) - оценки. В общем случае для группы переменных О можно записать О = {О1, О2, О3, ..., Оп}.

Группа переменных (С) - психологические тесты, направленные на выявление способностей, связанных с обучением и интеллектом.

Группа переменных (Ц) - характеристики личности обучаемого.

Группа переменных (М) - результаты диагностики сферы интересов обучаемого: М = {т1, т2, ...,тк}.

Таким образом, прототип такой системы позволил сформировать механизм управления кафедральным выбором:

Абитуриент заходит на стартовую страницу системы, заносит школьные оценки и (или) вносит результаты единого государственного экзамена, результаты текущей успеваемости, система проводит оценку достоверности результата с помощью нечеткой логики;

Пользователь проходит тестирование психологических особенностей личности и способности к обучению, сферы интересов с

оценкой достоверности результата с помощью нечеткой логики;

Автоматизированная экспертная система (АЭС) проверяет, соответствует ли данный абитуриент требованиям кафедры (учебного заведения). Если «да», то с помощью управляющей образовательной среды корректируются знания пользователя, создаются оптимальные условия преодоления кафедрального «барьера», кроме этого у пользователя есть возможность отказаться от борьбы за интересующую его кафедру и продолжить образование на той кафедре, на которой позволяют его достижения;

Последующие тестирования проходят раз в полгода. Результаты тестирования помогают отследить динамику развития студента, выбрать оптимальную стратегию формирования будущего профессионала.

О.А. Мелиховым рассматривается вопрос о возможности реализации экспертной системы мониторинга образовательного процесса вуза на основе нечеткого подхода к моделированию интеллектуальных систем. В данном подходе используются «лингвистические» переменные, отношения между которыми описываются с помощью нечетких высказываний и нечетких алгоритмов.

Построение системы мониторинга учебного процесса включает этапы:

Формулировка целей обучения, определение уровня требований каждого преподавателя (высший, средний, низший);

Построение системы мониторинга, определение степени обученности по каждой дисциплине. Показатели: различение, запоминание, понимание, элементарные умения и навыки, перенос знаний;

Определение фактической эффективности деятельности преподавателя на основании показателей степени обученности учащихся. Основными показателями эффективности деятельности преподавателя являются прочность, глубина и осознанность знаний обучаемых. Эти же показатели определяют качество образования.

Д.И. Попов в своей работе рассматривает интеллектуальную систему дистанционного обучения (ИСДО) «KnowledgeCT» на базе интернет-технологий, которую планируется использовать в учебных целях Центра дистанционного образования. Она позволяет

производить не только оценку знаний, но и осуществлять сбор данных о студентах, что необходимо для создания математических моделей обучаемого, сбора статистики.

Оценка знаний производится с помощью системы адаптивного тестирования, базирующейся на методах и алгоритмах нечеткой логики: для каждого уровня сложности эксперту по дисциплине (преподавателю) необходимо разработать соответствующий набор вопросов. Подобная система позволяет сделать процесс обучения более гибким, учесть индивидуальные особенности обучаемого и повысить точность оценки знаний студента.

В.М. Курейчик, В.В. Марков, Ю.А. Кравченко в своей работе исследуют подход к проектированию интеллектуальных систем дистанционного обучения на основе правил и технологий вывода, основанных на прецедентах.

Экспертные системы моделируют процесс принятия экспертом решения как дедуктивный процесс с использованием вывода, основанного на правилах. В систему закладывается совокупность правил, согласно которым на основании входных данных генерируется заключение по адекватности предложенной модели. Есть недостаток: дедуктивная модель эмулирует один из наиболее редких подходов, которому следует эксперт при решении проблемы.

Вывод, основанный на прецедентах, делает заключения по результатам поиска аналогий, хранящихся в базе прецедентов. Данный метод эффективен в ситуациях, когда основным источником знаний о проблеме или ситуации является опыт, а не теория; решения не уникальны для конкретной ситуации и могут быть использованы в других для решения аналогичных задач; целью вывода является не гарантированное верное решение, а лучшее из возможных. Реализация данной технологии вывода может быть осуществлена с применением нейросетевых алгоритмов.

Анализ литературы по проблеме использования экспертных систем в системе дистанционного обучения показал, что данное направление мало изучено и только развивается, о чем свидетельствует небольшое количество публикаций исследователей-педа-гогов, работающих в указанном проблемном поле. Публикации по данному направлению носят, в основном, прогнозный характер.

Отмечается интерес к распределенным интеллектуальным системам в системе дистанционного обучения, вместе с тем, не совсем ясно как можно эффективно организовать образовательный процесс, чтобы он приводил к желаемому качеству образования. Видимо, речь должна идти, прежде всего, о построении педагогических образовательных моделей в системе открытого образования.

По нашему мнению, проблема обусловлена тем, что значительная часть исследователей в области технологий дистанционного обучения переносят известные в практике методы и приемы, наполняя ими дистанционное обучение. Вместе с тем, совершенно очевидно, что новые технологии в образовании должны опираться на принцип «новых задач». Передовые технологии несут в себе новое решение, новые методы, новые подходы, новые возможности, еще не известные системе образования. Сейчас стало очевидным, что «традиционная лекция» и «традиционный учебник» малоэффективны при дистанционном обучении. Нужен организованный и направленный доступ к динамичным системам актуальной информации, нужны доступные в любое время «автоматизированные консультации», нужны новые способы и приемы организации совместной проектной деятельности и многое другое.

К настоящему времени накоплен определенный опыт в передаче части интеллектуальных функций по организации и проведению образовательного процесса в системе открытого образования средствам информатизации.

Так, Г.А. Самигулиной приводится пример интеллектуальной экспертной системы дистанционного обучения на основе искусственных иммунных систем, которая позволяет в зависимости от принадлежности обучаемого к определенной группе оценить его интеллектуальный потенциал и в соответствии с ним оперативно предоставить индивидуальную программу обучения. На выходе комплексная оценка знаний, дифференциация студентов и прогноз качества полученного образования. Группы определяются экспертами и соответствуют определенным знаниям, практическим навыкам, творческим способностям, логическому мышлению и т.д. Разработанная экспертная система подразумевает реализацию подсистем:

- «Информационная подсистема» -разработка методов и средств хранения информации, разработка баз данных, баз знаний. Включает электронные учебники, справочки, каталоги, библиотеки и т.д.;

- «Интеллектуальная подсистема» -обучение иммунной сети, обработка многомерных данных в режиме реального времени. Применение алгоритма оценок энергий связи на основе свойств гомологичных пептидов позволяет уменьшить ошибки при прогнозировании интеллектуальной системы, что позволяет производить обучение студентов в соответствии с их индивидуальными особенностями;

- «Обучающая подсистема» осуществляет разработку методов, средств и форм подачи обучающей информации, адаптированной на конкретного пользователя с учетом его индивидуальных характеристик. Составляется график выполнения объема требуемых работ и сроки реализации;

- «Контролирующая подсистема» предназначена для комплексной оценки знаний обучающегося с целью оперативной корректировки программы и процесса обучения.

Таким образом, в результате оперативного анализа знаний огромного числа обучающихся можно быстро корректировать процесс обучения, так как экспертная система предлагает индивидуальную программу обучения.

Анализ исследований экспертных систем в области дистанционного образования показал, что это новое и актуальное направление в науке, которое мало изучено. Зачастую под экспертной системой педагогами понимается тестирование студентов в той или иной системе дистанционного образования и экспертиза их знаний.

Так, А.В. Зубовым и Т.С. Денисовой разработаны комплексные экспертные интернет-системы для дистанционного обучения на основе системы дистанционного обучения «Finport Training System». В системе имеется возможность разрабатывать учебные курсы, проводить обучение и аттестацию и одновременно анализировать результаты и эффективность обучения на основе тестов, разработанных высококвалифицированными специалистами.

В.Г. Никитаевым и Е.Ю. Бердникови-чем разработаны мультимедийные кур-

сы дистанционного обучения врачей по гистологической и цитологической диагностике с применением экспертных систем на базе системы управления контентом Moodle. Система позволяет добавлять курсы в контент и на основе тестирования проверять уровень усвоение материала в зависимости от ответа студентов.

Таким образом, в системах дистанционного обучения имеется возможность произвести экспертную оценку знаний на основе разработанных специалистами тестовых заданий.

Вместе с тем, по нашему мнению, технологии дистанционного обучения требуют использования множества подсистем для снятия рутинной нагрузки с организаторов и преподавателей-тьюторов. Эта нагрузка увеличивается в связи с тем, что человек выбирает для себя свой ритм, темп и время обучения. Индивидуализация требует развитой автоматизированной системы «интеллектуальных» подсказок, помощи, консультаций в течение всего периода дистанционного обучения и при использовании разных образовательных методов и приемов: лекции, практики, проектной деятельности, конференции и др. Только уникальные вопросы адресуются преподавателю эксперту. На основе анализа публикаций и личной практики организации дистанционного обучения мы пришли к выводу о том, что указанные выше интеллектуальные подсистемы могут быть организованы на разной теоретической и программной основе в виде подключаемых к системе отдельных модулей. Это связано с тем, что подсистемы несут разную интеллектуальную «нагрузку»: где-то достаточно использовать традиционную логику при проектировании конкретной подсистемы, а в другом случае удобно создавать подсистему с использованием аппарата нечеткой логики.

Список литературы

1. Андрейчиков А.В., Андрейчикова О.Н. Интеллектуальные информационные системы. М.: Финансы и статистика, 2006.

2. Югова Н.Л. Конструирование содержания профильного обучения с применением экспертной системы: автореф. дис. ... канд. пед. наук. Ижевск, 2006.

3. Антипина Н.М. Технология формирования профессиональных методических умений в ходе самостоятельной работы студентов педаго-

гических вузов с применением экспертной системы: дис. ... канд. пед. наук. М., 2000.

4. Кирюхина Н.Л. Модель экспертной системы диагностики знаний студентов по психологии: дис. ... канд. психол. наук. М., 1998.

5. Гречин И.В. Новый подход к экспертной системе в технологии обучения // Известия ТРТУ. Тематический выпуск «Интеллектуальные САПР». Таганрог: ТРТУ, 2001. № 4.

6. Баранова Н.А. К вопросу о применении экспертных систем в непрерывном педагогическом образовании // Образование и наука. 2008. № 4. С. 24-28.

7. Моисеев В.Б., Андреев А.Б. Внутривузовская система обеспечения качества подготовки специалистов // Инженерное образование.

2005. № 3. С. 62-74.

8. Мягкова Е.В. Роль и возможность примене-

ния экспертных систем как информационных технологий в сфере высшего образования // Информационные технологии в проектировании и производстве: научно-технический

журнал. 2008. № 1. С. 13-15.

9. Московкин В.М. Имитационная экспертная система выбора университетов для обучения // НТИ. Серия 2. 2009. № 10. С. 19-21.

10. Левина Е.Ю. Внутривузовская диагностика качества обучения на основе автоматизированной экспертной системы: автореф. дис. ... канд. пед. наук. Казань, 2008.

11. Смирнова М.А. Применение экспертной системы для оценки качества педагогической подготовки будущего учителя: дис. ... канд. пед. наук. Тула, 1997.

12. Болотова Л.С. [и др.] Адаптивное дистанционное обучение принятию решений на основе технологии экспертных систем ситуационного систем ситуационного управления муниципальными образованиями и малым бизнесом // Научные исследования. Вып. 5. Ежегодный отчет об основных результатах научно-исследовательских работ, 2003. М., 2004.

13. Берестнева О.Г., Марухина О.В. Компьютерная система принятия решений по результатам экспертного оценивания в задачах оценки качества образования // Материалы региональной научно-методической конференции «Современное образование: системы и практика обеспечения качества», Томск, 29-30 янв. 2002 г. Томск, 2002. С. 29-30.

14. Снижко Е.А. Методика применения экспертных систем для корректировки процесса обучения и оценки эффективности ППС: дис. ... канд. пед. наук. СПб., 1997.

15. Тоискин В.С. Интеллектуальные информационные системы: учебное пособие. Ставрополь: Изд-во СГПИ, 2010. Ч. 2.

16. Экспертная система оценки эффективности обучения на основе математического аппарата нечеткой логики / И.В. Солодовников [и др.] // Качество. Инновации. Образование. 2006. № 1. С. 19-22.

17. Самойло И.В., Жуков Д.О. Информационные технологии в обеспечении нового качества высшего образования // Сборник научных статей. Кн. 2. Труды Всероссийской научнопрактической конференции с международным участием «Информационные технологии в обеспечении нового качества высшего образования (14-15 апр. 2010 г., Москва, НИТУ «МИСиС»)». М.: Исследовательский центр проблем качества подготовки специалистов НИТУ «МИСиС», 2010. С. 89-95.

18. Мелихова О.А., Мелихова З.А. Использование нечеткой математики при моделировании систем искусственного интеллекта // Тематический выпуск «Интеллектуальные САПР»: в 2 т. Таганрог: Изд-во ТРТУ, 2007. С. 113-119.

19. Попов Д.И. Проектирование интеллектуальных систем дистанционного образования // Известия Южного федерального университета. Серия: Технические науки. 2001. Т. 22. № 4. С. 325-332.

20. Астанин С.В. [и др.] Интеллектуальная образовательная среда дистанционного обучения // Новости искусственного интеллекта. 2003. № 1.

21. Самигулина Г.А. Интеллектуальная экспертная система дистанционного обучения на основе искусственных иммунных систем // Информационные технологии моделирования и управления. 2007. Вып. 9 (43). С. 1019-1024.

22. Зубов А.В., Денисова Т.С. Создание комплексных экспертных Интернет-систем для дистанционного обучения // Информатизация образования и науки. М.: Г осударственный научноисследовательский институт информационных технологий и телекоммуникаций, 2010.

23. Никитаев В.Г., Бердникович Е.Ю. Разработка мультимедийных курсов дистанционного обучения врачей по гистологической и цитологической диагностике с применением экспертных систем // Фундаментальные исследования: научный журнал. 2007. № 12. С. 334-334.

1. Andrejchikov A.V., Andrejchikova O.N. Intel-lektual"nye informacionnye sistemy. M.: Finansy i statistika, 2006.

2. Jugova N.L. Konstruirovanie soderzhanija pro-fil"nogo obuchenija s primeneniem ekspertnoj sis-temy: avtoref. dis. ... kand. ped. nauk. Izhevsk,

3. Antipina N.M. Tehnologija formirovanija profes-sional"nyh metodicheskih umenij v hode samosto-jatel"noj raboty studentov pedagogicheskih vuzov

s primeneniem ekspertnoj sistemy: dis. ... kand. ped. nauk. M., 2000.

4. Kirjuhina N.L. Model" ekspertnoj sistemy diag-nostiki znanij studentov po psihologii: dis. ... kand. psihol. nauk. M., 1998.

5. Grechin I.V. Novyj podhod k jekspertnoj sisteme v tehnologii obuchenija // Izvestija TRTU. Tema-ticheskij vypusk «Intellektual"nye SAPR». Taganrog: TRTU, 2001. № 4. S. 343-344.

6. Baranova N.A. K voprosu o primenenii ekspertnyh sistem v nepreryvnom pedagogicheskom obrazo-vanii // Obrazovanie i nauka. 2008. № 4. S. 24-28.

7. Moiseev V.B., Andreev A.B. Vnutrivuzovskaja sistema obespechenija kachestva podgotovki specialistov // Inzhenernoe obrazovanie. 2005. № 3. S. 62-74.

8. Mjagkova E.V. Rol" i vozmozhnost" primenenija

ekspertnyh sistem kak informacionnyh tehnologij v sfere vysshego obrazovanija // Informacion-nye tehnologii v proektirovanii i proizvodstve: nauchno-tehnicheskij zhurnal. 2008. № 1.

9. Moskovkin V.M. Imitacionnaja ekspertnaja sistema vybora universitetov dlja obuchenija // NTI. Serija 2. 2009. № 10. S. 19-21.

10. Levina E.Ju. Vnutrivuzovskaja diagnostika kachestva obuchenija na osnove avtomatizirovan-noj ekspertnoj sistemy: avtoref. dis. ... kand. ped. nauk. Kazan", 2008.

11. Smirnova M.A. Primenenie ekspertnoj sistemy dlja ocenki kachestva pedagogicheskoj podgotovki budushhego uchitelja: dis. ... kand. ped. nauk. Tula, 1997.

12. Bolotova L.S. . Adaptivnoe distancionnoe obuchenie prinjatiju reshenij na osnove tehnologii ekspertnyh sistem situacionnogo sistem situacion-nogo upravlenija municipal"nymi obrazovanijami i malym biznesom // Nauchnye issledovanija. Vyp.

5. Ezhegodnyj otchet ob osnovnyh rezul"tatah nauchnoissledovatel"skih rabot, 2003. M., 2004.

13. Berestneva O.G., Maruhina O.V. Komp"juternaja sistema prinjatija reshenij po rezul"tatam jeks-pertnogo ocenivanija v zadachah ocenki kachest-va obrazovanija // Materialy regional"noj nauch-no-metodicheskoj konferencii «Sovremennoe ob-razovanie: sistemy i praktika obespechenija ka-chestva», Tomsk, 29-30 janv. 2002 g. Tomsk, 2002. S. 29-30.

14. Snizhko E.A. Metodika primenenija jekspertnyh sistem dlja korrektirovki processa obuchenija i ocenki jeffektivnosti PPS: dis. ... kand. ped. nauk. SPb., 1997.

15. Toiskin V.S. Intellektual"nye informacionnye sistemy: uchebnoe posobie. Stavropol": Izd-vo SGPI, 2010. Ch. 2.

16. Solodovnikov I.V. Ekspertnaja sistema ocenki jeffektivnosti obuchenija na osnove ma-

tematicheskogo apparata nechetkoj logiki // Kachestvo. Innovacii. Obrazovanie, 2006. № 1.

17. Samojlo I.V., Zhukov D.O. Informacionnye tehnologii v obespechenii novogo kachestva vys-shego obrazovanija // Sbornik nauchnyh statej. Kn. 2. Trudy Vserossijskoj nauchno-praktiche-skoj konferencii s mezhdunarodnym uchastiem «Informacionnye tehnologii v obespechenii no-vogo kachestva vysshego obrazovanija (14-15 apr. 2010 g., Moskva, NITU «MISiS»)». M.: Issledo-vatel"skij centr problem kachestva podgotovki specialistov NITU «MISiS», 2010. S. 89-95.

18. Melihova O.A., Melihova Z.A. Ispol"zovanie nechetkoj matematiki pri modelirovanii sistem iskusstvennogo intellekta // Tematicheskij vypusk «Intellektual"nye SAPR»: v 2 t. Taganrog: Izd-vo TRTU, 2007. S. 113-119.

19. Popov D.I. Proektirovanie intellektual"nyh sistem distancionnogo obrazovanija // Izvestija Juzhno-go federal"nogo universiteta. Serija: Tehnicheskie nauki. 2001. T. 22. № 4. S. 325-332.

20. Astanin S.V. Intellektual"naja obrazova-tel"naja sreda distancionnogo obuchenija // No-vosti iskusstvennogo intellekta. 2003. № 1.

21. Samigulina G.A. Intellektual"naja jekspertnaja sistema distancionnogo obuchenija na osnove iskusstvennyh immunnyh sistem // Informacion-nye tehnologii modelirovanija i upravlenija.

2007. Vyp. 9 (43). S. 1019-1024.

22. Zubov A.V., Denisova T.S. Sozdanie kompleks-nyh ekspertnyh Internet-sistem dlja distancion-nogo obuchenija // Informatizacija obrazovanija i nauki. M.: Gosudarstvennyj nauchnoissledova-tel"skij institut informacionnyh tehnologij i tele-kommunikacij, 2010.

23. Nikitaev V.G., Berdnikovich E.Ju. Razrabotka mul"timedijnyh kursov distancionnogo obuchenija vrachej po gistologicheskoj i citologicheskoj diagnostike s primeneniem ekspertnyh sistem // Fundamental"nye issledovanija: nauchnyj zhur-nal. 2007. № 12. S. 334-334.

USE OF EXPERT SYSTEMS IN EDUCATION

M.S. Chvanova, I.A. Kiseleva, A.A. Molchanov, A.N. Bozyukova Tambov State University named after G.R. Derzhavin Tambov, Russia. e-mail: [email protected]

The article considers the problems of use and development of expert systems in education, as well as actual examples of use of such systems. The authors consider it necessary to use fuzzy logic to design and develop an intelligent subsystem.

Key words: information technologies, expert system, fuzzy logic, system of education.

• Специальность ВАК РФ13.00.02
• Количество страниц 192

ВВЕДЕНИЕ

ГЛАВА 1. КОМПЬЮТЕРНЫЕ ОБУЧАЮЩИЕ СИСТЕМЫ В

ПРОЦЕССЕ ОБРАЗОВАНИЯ

1.1. Краткий обзор внедрения компьютерных технологий обучения.

1.2. Экспертные системы: их фундаментальные свойства и применение.

1.3. Применение экспертных систем в процессе обучения. Экспертно-обучающие системы.

1.4. Проведение и анализ основных результатов констатирующего эксперимента.

1.5. Перспективы использования экспертных систем в учебном процессе.

ВЫВОДЫ ПО ПЕРВОЙ ГЛАВЕ

ГЛАВА 2. ТЕОРЕТИЧЕСКИЕ ВОПРОСЫ ПОСТРОЕНИЯ

ЭКСПЕРТНО-ОБУЧАЮЩИХ СИСТЕМ

2.1. Архитектура ЭОС.

2.2. Представление знаний в ЭОС.

2.3. Модель обучаемого.

2.4. Классификация ЭОС. 89 ВЫВОДЫ ПО ВТОРОЙ ГЛАВЕ

ГЛАВА 3. ОБУЧАЮЩАЯ СИСТЕМА, ПОСТРОЕННАЯ ПО

ПРИНЦИПУ ДЕЙСТВИЯ ЭКСПЕРТНО-ОБУЧАЮЩИХ СИСТЕМ, ОРИЕНТИРОВАННАЯ НА РЕШЕНИЕ ЗАДАЧ О ДВИЖЕНИИ ТЕЛА ПО НАКЛОН

НОЙ ПЛОСКОСТИ

3.1. Программные средства, обучающие решению физических задач.

3.2. Построение и работа обучающей системы построенной по принципу действия экспертно-обучающих систем, ориентированной на решение задач о движении тела по наклонной плоскости.

3.3. Задачи, решаемые с помощью разработанной экспертно-обучающей системы.

ВЫВОДЫ ПО ТРЕТЬЕЙ ГЛАВЕ

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНАЯ ПРОВЕРКА МЕТОДИКИ ОБУЧЕНИЯ УЧАЩИХСЯ С ИСПОЛЬЗОВАНИЕМ РАЗРАБОТАННЫХ ПРОГРАММНЫХ СРЕДСТВ

4.1. Проведение и анализ основных результатов поискового эксперимента.

4.2. Проведение и анализ основных результатов обучающего и контрольного педагогического эксперимента.

ВЫВОДЫ ПО ЧЕТВЕРТОЙ ГЛАВЕ

Рекомендованный список диссертаций

• Методика применения экспертных систем для корректировки процесса обучения и оценки эффективности ППС 1997 год, кандидат педагогических наук Снижко, Елена Александровна

• Дидактическая компьютерная среда как составляющая технологии формирования обобщенных умений учащихся в выполнении экспериментального исследования 2002 год, кандидат педагогических наук Кокшаров, Владимир Леонидович

• Компьютерная технология подготовки и проведения учебных занятий 1999 год, кандидат педагогических наук Седых, Светлана Павловна

• Дидактическая специфика информационных технологий в образовательном процессе средней школы: На материале курса астрономии 2002 год, кандидат педагогических наук Рысин, Михаил Леонидович

• Принципы построения и использования экспертных обучающих систем в курсе "Теоретические основы информатики" 2000 год, кандидат педагогических наук Кудинов, Виталий Алексеевич

Введение диссертации (часть автореферата) на тему «Компьютерные обучающие системы, построенные по принципу действия экспертно-обучающих систем: Разработка и применение при обучении решению физ. задач»

Похожие диссертационные работы по специальности «Теория и методика обучения и воспитания (по областям и уровням образования)», 13.00.02 шифр ВАК

• Дидактические условия применения автоматизированных учебных курсов в процессе изучения старшеклассниками естественнонаучных дисциплин 1999 год, кандидат педагогических наук Белоус, Наталья Николаевна

• Разработка объектно-ориентированного математического и программного обеспечения информационных технологий управления индивидуализированным обучением в коррекционной школе 2003 год, кандидат технических наук Кремер, Ольга Борисовна

• Теоретические основы создания и применения дидактических интерактивных программных систем по общетехническим дисциплинам 1999 год, доктор педагогических наук Зайнутдинова, Лариса Хасановна

• Методика обучения геометрии в 10-11 классах общеобразовательной школы с использованием компьютера 2002 год, доктор педагогических наук Мехтиев, Мурадхан Гаджиханович

• Компьютеризированная педагогическая поддержка действий учащегося при работе по разветвленной программе 2002 год, кандидат педагогических наук Царева, Ирина Николаевна

Заключение диссертации по теме «Теория и методика обучения и воспитания (по областям и уровням образования)», Грызлов, Сергей Викторович

Список литературы диссертационного исследования кандидат педагогических наук Грызлов, Сергей Викторович, 1998 год

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.

Peфepaт нa тeму:

Oглaвлeниe

Создание отчета как объекта базы данных

Способы создания отчета

Создание отчета

Экспертные и обучающиеся системы

Создание отчета как объекта базы данных

Отчет - это форматированное представление данных, которое выводится на экран, в печать или файл. Они позволяют извлечь из базы нужные сведения и представить их в виде, удобном для восприятия, а также предоставляют широкие возможности для обобщения и анализа данных.

При печати таблиц и запросов информация выдается практически в том виде, в котором хранится. Часто возникает необходимость представить данные в виде отчетов, которые имеют традиционный вид и легко читаются. Подробный отчет включает всю информацию из таблицы или запроса, но содержит заголовки и разбит на страницы с указанием верхних и нижних колонтитулов.

Структура отчета в режиме Конструктора

Microsoft Access отображает в отчете данные из запроса или таблицы, добавляя к ним текстовые элементы, которые упрощают его восприятие.

К числу таких элементов относятся:

Заголовок. Этот раздел печатается только в верхней части первой страницы отчета. Используется для вывода данных, таких как текст заголовка отчета, дата или констатирующая часть текста документа, которые следует напечатать один раз в начале отчета. Для добавления или удаления области заголовка отчета необходимо выбрать в меню Вид команду Заголовок/примечание отчета.

Верхний колонтитул. Используется для вывода данных, таких как заголовки столбцов, даты или номера страниц, печатающихся сверху на каждой странице отчета. Для добавления или удаления верхнего колонтитула необходимо выбрать в меню Вид команду Колонтитулы. Microsoft Access добавляет верхний и нижний колонтитулы одновременно. Чтобы скрыть один из колонтитулов, нужно задать для его свойства Высота значение 0.

Область данных, расположенная между верхним и нижним колонтитулами страницы. Содержит основной текст отчета. В этом разделе появляются данные, распечатываемые для каждой из тех записей в таблице или запросе, на которых основан отчет. Для размещения в области данных элементов управления используют список полей и панель элементов. Чтобы скрыть область данных, нужно задать для свойства раздела Высота значение 0.

Нижний колонтитул. Этот раздел появляется в нижней части каждой страницы. Используется для вывода данных, таких как итоговые значения, даты или номера страницы, печатающихся снизу на каждой странице отчета.

Примечание. Используется для вывода данных, таких как текст заключения, общие итоговые значения или подпись, которые следует напечатать один раз в конце отчета. Несмотря на то, что в режиме Конструктора раздел "Примечание" отчета находится внизу отчета, он печатается над нижним колонтитулом страницы на последней странице отчета. Для добавления или удаления области примечаний отчета необходимо выбрать в меню Вид команду Заголовок/примечание отчета. Microsoft Access одновременно добавляет и удаляет области заголовка и примечаний отчета.

Способы создания отчета

В Microsoft Access можно создавать отчеты различными способами:

Конструктор

Мастер отчетов

Автоотчет: в столбец

Автоотчет: ленточный

Мастер диаграмм

Почтовые наклейки

Мастер позволяет создавать отчеты с группировкой записей и представляет собой простейший способ создания отчетов. Он помещает выбранные поля в отчет и предлагает шесть стилей его оформления. После завершения работы Мастера полученный отчет можно доработать в режиме Конструктора. Воспользовавшись функцией Автоотчет, можно быстро создавать отчеты, а затем вносить в них некоторые изменения.

Для создания Автоотчета необходимо выполнить следующие действия:

В окне базы данных щелкнуть на вкладке Отчеты и затем щелкнуть на кнопке Создать. Появится диалоговое окно Новый отчет.

Выделить в списке пункт Автоотчет: в столбец или Автоотчет: ленточный.

В поле источника данных щелкнуть на стрелке и выбрать в качестве источника данных таблицу или запрос.

Щелкнуть на кнопке ОК.

Мастер автоотчета создает автоотчет в столбец или ленточный (по выбору пользователя), и открывает его в режиме Предварительного просмотра, который позволяет увидеть, как будет выглядеть отчет в распечатанном виде.

Изменение масштаба отображения отчета

Для изменения масштаба отображения пользуются указателем - лупой. Чтобы увидеть всю страницу целиком, необходимо щелкнуть в любом месте отчета. На экране отобразится страница отчета в уменьшенном масштабе.

Снова щелкнуть на отчете, чтобы вернуться к увеличенному масштабу отображения. В увеличенном режиме представления отчета, точка, на которой вы щелкнули, окажется в центре экрана. Для пролистывания страниц отчета пользуются кнопками перехода внизу окна.

Печать отчета

Для печати отчета необходимо выполнить следующее:

В меню Файл щелкнуть на команде Печать.

В области Печатать щелкнуть на варианте Страницы.

Чтобы напечатать только первую страницу отчета, введите 1 в поле "с" и 1 в поле "по".

Щелкнуть на кнопке ОК.

Прежде чем печатать отчет, целесообразно просмотреть его в режиме Предварительного просмотра, для перехода к которому в меню Вид нужно выбрать Предварительный просмотр.

Если при печати в конце отчета появляется пустая страница, убедитесь, что параметр Высота для примечаний отчета имеет значение 0. Если при печати пусты промежуточные страницы отчета, убедитесь, что сумма значений ширины формы или отчета и ширины левого и правого полей не превышает ширину листа бумаги, указанную в диалоговом окне Параметры страницы (меню Файл).

При разработке макетов отчета руководствуйтесь следующей формулой: ширина отчета + левое поле + правое поле <= ширина бумаги.

Для того чтобы подогнать размер отчета, необходимо использовать следующие приемы:

изменить значение ширины отчета;

уменьшить ширину полей или изменить ориентацию страницы.

Создание отчета

1. Запустите программу Microsoft Access. Откройте БД (например, учебную базу данных "Деканат").

2. Создайте Автоотчет: ленточный, используя в качестве источника данных таблицу (например, Студенты). Отчет открывается в режиме Предварительного просмотра, который позволяет увидеть, как будет выглядеть отчет в распечатанном виде.

3. Перейдите в режим Конструктора и выполните редактирование и форматирование отчета. Для перехода из режима предварительного просмотра в режим конструктора необходимо щелкнуть команду Закрыть на панели инструментов окна приложения Access. На экране появится отчет в режиме Конструктора.

Редактирование:

1) удалите поля код студента в верхнем колонтитуле и области данных;

2) переместите влево все поля в верхнем колонтитуле и области данных.

3) Измените надпись в заголовке страницы

В разделе Заголовок отчета выделить надпись Студенты.

Поместите указатель мыши справа от слова Студенты, так чтобы указатель принял форму вертикальной черты (курсора ввода), и щелкните в этой позиции.

Введите НТУ "ХПИ" и нажмите Enter.

4) Переместите Надпись. В Нижнем колонтитуле выделить поле =Now () и перетащить его в Заголовок отчета под название Студенты. Дата будет отображаться под заголовком.

5) На панели инструментов Конструктор отчетов щелкнуть на кнопке Предварительный просмотр, чтобы просмотреть отчет.

Форматирование:

1) Выделите заголовок Студенты НТУ "ХПИ"

2) Измените гарнитуру, начертание и цвет шрифта, а также цвет заливки фона.

3) На панели инструментов Конструктор отчетов щелкнуть на кнопке Предварительный просмотр, чтобы просмотреть отчет.

Изменение стиля:

Для изменения стиля выполните следующее:

На панели инструментов Конструктора отчетов щелкнуть на кнопке Автоформат, откроется диалоговое окно Автоформат.

В списке Стили объекта "отчет - автоформат" щелкнуть на пункте Строгий и затем щелкнуть на кнопке ОК. Отчет будет отформатирован в стиле Строгий.

Переключится в режим Предварительный просмотр. Отчет отобразится в выбранном вами стиле. Впредь все отчеты созданные с помощью функции Автоотчет будут иметь стиль Строгий, пока вы не зададите другой стиль в окне Автоформат.

Экспертные и обучающиеся системы

Экспертные системы являются одним из основных приложений искусственного интеллекта. Искусственный интеллект - это один из разделов информатики, в котором рассматриваются задачи аппаратного и программного моделирования тех видов человеческой деятельности, которые считаются интеллектуальными.

Результаты исследований по искусственному интеллекту используются в интеллектуальных системах, которые способны решать творческие задачи, принадлежащие конкретной предметной области, знания о которой хранятся в памяти (базе знаний) системы. Системы искусственного интеллекта ориентированы на решение большого класса задач, к которым относятся так называемые частично структурированные или неструктурированные задачи (слабо формализуемые или неформализуемые задачи).

Информационные системы, используемые для решения частично структурированных задач, подразделяются на два вида:

Создающие управленческие отчеты (выполняющие обработку данных: поиск, сортировку, фильтрацию). Принятие решения осуществляется на основе сведений, содержащихся в этих отчетах.