Диссертация. Основам искусственного интеллекта и анализа данных в курсе информатики на уровне среднего общего образования Научная
 Скачать 4.76 Mb.
|
|
Учебник Авторский коллектив Класс Название раздела / параграфа Информатика базовый уровень) Гейн А.Г., Юнерман НА 10 Глава 4. Логико-математические модели упоминаются модели искусственного интеллекта) Информатика базовый уровень) Гейн А.Г., Гейн А.А. 11 Глава 2. Тема 8. Модели искусственного интеллекта. Элементы математической логики Информатика базовый и углублённый уровень) Гейн А.Г., Ливчак А.Б., Сенокосов АИ. и др. 10 Глава 4. Логико-математические модели 77 В учебниках для углублённого уровня тема упоминается дважды (см. Таблица 3). В курсе К.Ю. Полякова, Е.А. Еремина для углублённого уровняв одиннадцатом классе предлагается изучение экспертных систем в разделе Базы данных [87]. Лишь в УМК И.А. Калинина и Н.Н. Самылкиной тема посвящена полностью одноименная глава и разбираются интеллектуальные алгоритмы [45]. Таблица 3. Учебники информатики, содержащие ИИ (углублённый уровень) Учебник Авторский коллектив Класс Название раздела / параграфа Информатика базовый и углублённый уровни) Поляков К.Ю., Еремин Е.А. 11 Глава 3. Базы данных. § 21. Экспертные системы Информатика (углублённый уровень) Калинин И.А., Самылкина Н.Н. 11 Глава 4. Интеллектуальные алгоритмы и искусственный интеллект Понятие "дерево решений, представленное ранее в учебнике Н.Д. Угриновича [139], среди учебников, вышедших после принятия ФГОС СОО, широко представлено уже как основа самообучающихся алгоритмов в курсе И.А. Калинина и Н.Н. Самылкиной [45] в теоретической основе алгоритма CART, пересекающегося с темой бинарных деревьев поискав линии Алгоритмизация и программирование. На усмотрение учителя возможна практическая реализация алгоритма на изучаемом языке программирования (учителя свободны в выборе языка программирования. На момент написания учебников язык Python не имел необходимых библиотек для практической реализации алгоритмов. Авторы УМК (И.А. Калинин, Н.Н. Самылкина) рассматривают экспертные системы, связывая их, в том числе, с известными проектами семантических сетей, например, Semantic Web. В качестве исторической справки используются отсылки на великих деятелей науки (например, Марвина Ли Минского) и их 78 достижения. Алгебра логики и алгебра предикат введены математически и с примерами на естественном языке, без связи с Prolog, что позволяет адаптировать применение для любого изучаемого языка программирования например, Python или С, где есть переменные логического типа. Искусственный интеллект в данном УМК рассматривается в основном сточки зрения инженерии знаний. При объяснении онтологий сначала даётся понятие знаний, затем фактов, процедур, эвристических правил, онтологии и её составляющих, лишь потом − модели представления знаний. Приводятся конкретные примеры популярных самообучающихся алгоритмов, применяемых при анализе данных в реальных условиях также самообучающиеся алгоритмы приведены на псевдокоде. В учебнике даны алгоритм Apriori, алгоритм поиска деревьев решений CART (идейное продолжение темы бинарных деревьев линии Алгоритмизация и программирование в 10 классе [44]). Авторами также вводится конкретный алгоритм из теории игр – метод альфа-бета отсечений. Курс имеет практическую значимость при ориентации обучающихся на дальнейшее получение профессии в ИТ-сфере. Единственным минусом этого комплекса является значительное преобладание теоретической формы и отсутствие реализаций алгоритмов на конкретных языках программирования непосредственно обучающимися. Но, следует иметь ввиду, что на момент написания УМК Python не имел библиотек для работы с ИИ, поэтому авторы предлагали реализацию частного случая для известных алгоритмов на используемых в школе языках программирования Pascal и C++ на сайте авторской мастерской https://lbz.ru/metodist/authors/informatika/8/ . В настоящее время выпущен отдельный практикум по искусственному интеллекту для УМК авторов (И.А. Калинин, Н.Н. Самылкина). В практикуме рассматриваются практические примеры решения задач анализа данных, классификации, принятия решений, выявления закономерностей в виде скрытых правил, 79 системы диагностики и распознавания рукописных цифр. Все задания по применению интеллектуальных алгоритмов выполняются в среде Anaconda на языке Python с использованием библиотеки, модуля Apriori, пакета PyKnow [46]. В остальных представленных в школе УМК место темы Экспертные системы отведено, в основном, в Базах данных, как, например, в курсе К.Ю. Полякова и Е.А. Ерёмина для углублённого уровняв классе [87], где предлагается построить дерево решений для задачи, придуманной обучающимися (ноне приводится решение. Для курса информатики авторского коллектива под руководством И.Г. Семакина [124 - 129] предлагается изучение курса по выбору Л.Н. Ясницкого Введение в искусственный интеллект [130; 131], вторая глава которого полностью посвящена экспертным системам, однако внимание уделено в основном моделям представления знаний и переходу к нейронным сетям. И.Г. Семакин и Л.Н. Ясницкий в принципе выносят ИИ в виде самостоятельного курса при использовании любых УМК [131]. Он предлагается в двух вариантах для 7-9 класса с основной задачей дать представление о направлении информатики, его содержании и областях приложений, а также для 10-11 класса с углублённым погружением в тематику через изучение исторического контекста темы (основных стратегий и вех исследований, знакомства с экспертными системами (6 часов, нейронными сетями (основной упор, 10-12 часов) и генетическими алгоритмами (1 час. Курс ориентированна изучение нейронных сетей, в основном, с математической точки зрения. Плюсом является наличие практической части, реализованной как компьютерная программа- практикум [130], включающий восемь лабораторных работ. К сожалению, в нём отсутствуют конкретные примеры реализации на языках программирования. 80 Практика других стран показывает, что изучение темы ИИ оправдано уже на уровне основного общего образования в виде пропедевтики использования интеллектуальных сервисов: с интеллектуальными алгоритмами, большими данными и облачными сервисами, поскольку сих применением обучающийся сталкивается как пользователь ежедневно. Важно, чтобы он понимал аспекты, связанные с безопасностью и этикой использования таких сервисов помимо их назначения. В новом проекте ФГОС ООО делаются шаги в сторону изучения больших данных и интеллектуальных сервисов из повседневной жизни – упоминаются облачные сервисы и Интернет вещей. Для ступени СОО характерно усиление содержания выпускник должен не только уметь опознать интеллектуальные сервисы, но и использовать их в своей деятельности и самостоятельно выбирать подходящие решения (в случае с углублённым курсом информатики – разрабатывать комбинированные модели с несколькими классификаторами самостоятельно. Таким образом, мы можем заключить, что тема Искусственный интеллект присутствовала в школьном курсе информатики всегда, однако была распределена между различными разделами курса. Содержание курса постоянно преобразовывалось с учётом тенденций в информатике как науке, развитием технологий и изменением потребностей экономики государства. В корне неверным будет утверждение, что искусственный интеллект – это совершенно новая тема, изучение которой не обосновано достаточно. Изучение искусственного интеллекта как науки и технологии в школе прошло долгий путь и сегодня, наконец, обретает явный вид. 81 Выводы к главе 1: 1. Рассмотрены исторические аспекты включения искусственного интеллекта для изучения в курсе информатики в российской школе. 2. На основе анализа развития искусственного интеллекта были выделены основные направления его использования в образовании применение искусственного интеллекта для сопровождения образовательного процесса и его проектирования, и искусственный интеллект как компонент содержания образования для корректного позиционирования данной темы в современной школьной информатике. 3. Рассмотрены нормативные основания включения тем искусственного интеллекта для изучения на уровне среднего общего образования. Проведен анализ УМК по информатике, входящих в Федеральный перечень учебников на предмет раскрытия тем искусственного интеллекта в содержании курса информатики углубленного уровня. 4. Исследуемые материалы представляют собой теоретическую основу методики изучения основ искусственного интеллекта и анализа данных в углублённом курсе информатики на уровне среднего общего образования. 82 Глава 2. Обучение основам искусственного интеллекта и анализа данных в углубленном курсе информатики на уровне среднего общего образования 2.1. Формирование цифровых компетенций при изучении основ искусственного интеллекта и анализа данных Информатика в настоящее время занимает ведущее место по значимости в системе образования, поскольку формирует на своей предметной основе компетенции для цифровой экономики, значимость которых для профессиональной деятельности и социальной интеграции только возрастает. Поскольку предметные компетенции курса информатики непосредственно связаны с использованием цифрового оборудования для работы с информацией, то чаще всего в литературе используется понятие цифровые компетенции». Цифровые компетенции — это способность решать разнообразные задачи в области использования информационно-коммуникационных технологий, использовать и создавать контент при помощи цифровых технологий, включая поиски обмен информацией, ответы на вопросы, взаимодействие с другими людьми и компьютерное программирование [78]. Европейская модель цифровых компетенций условно делится на два крупных уровневых блока пользовательские и профессиональные см. рис. 13). По заказу государственных органов, различными компаниями и исследователями разработаны перечни цифровых компетенций, которые во многом взаимно дополняют друг друга. Они состоят из укрупненных блоков и предусматривают следующие основные направления для развития цифровая/информационная грамотность, коммуникация и сотрудничество в связке с безопасностью, работа с большим потоком информации и решение проблем, с которыми не смогут справиться машины. Эта позиция с выделением двух уровней согласуется с подходом, принятым в нашей 83 стране, на уровне среднего общего образования и продолжается далее в системе высшего образования. Мы можем рассматривать планируемые образовательные результаты, описанные во ФГОС СОО, как знания, навыки и личностные приращения, составляющие основу компетенций. Отметим, что некоторые предметные результаты оказываются объединены в смысловые блоки, чтобы образовать устойчивый навык для перехода в компетенцию, либо вовсе объединяются с метапредметными или личностными результатами. Во многом это связано с самой сущностью компетенций - как использование личного опыта, включающего не только знание инструментов и умения, переходящие в навыки, но и отношение обучающегося к ними результатам их применения. Компетенции формируются и развиваются не только в рамках обучения, когда они закладываются, но и совершенствуются всю жизнь (концепция «lifelong learning»). Цифровые компетенции рассматриваются в рамках предмета Информатика и предполагают выход на умение их применять в дальнейшем в жизни и напрямую связаны с владением цифровыми технологиями. При этом предметные навыки, формируемые в рамках предмета Информатика имеют высокую социальную значимость, их формирование и развитие важно для государства, поскольку напрямую связано с задачей развития в стране цифровой экономики. Формирование цифровых навыков влияет не только на подготовку специалистов ИТ- отрасли, но и на общий уровень цифровой грамотности граждан, их умение использовать и преобразовывать цифровые ресурсы, включая документооборот, обращение к справочными информационным системам. 84 Рис. 13. Цифровые компетенции В докладе совместной комиссии ЮНЕСКО и МСЭ о цифровых навыках для жизни и работы в 2017 году было выделено три больших блока цифровых навыков. В диссертации Н.Н. Самылкиной [117] приводится следующее их понимание 85 глобальные (прогностические, advanced skills) — самый высокий уровень, включающий оба уровня, описанных ниже, а также умение самостоятельно выбирать область новую область развития возможность самостоятельного построения дальнейшей траектории обучения, c возможностью обязательного выбора специального модуля, где он научился и узнало возможной зоне развития в данной области и смежных с нею, являются индивидуальными и трудно проверяемыми предпрофессиональные специальные, special skills) — выпускник получил возможность научиться, с возможностью обязательного выбора специального модуля, где он этому научился, демонстрируются выпускниками, изучающими курс углублённо, являются обязательным компонентом для формирования глобальных компетенций. основные (ключевые, general skills) — выпускник научился, эти компетенции демонстрируются всеми выпускниками Согласно данной формулировке, предпрофессиональные навыки полностью соотносятся с компетенциями, формируемыми в рамках изучения углубленного курса информатики СОО. Цифровые навыки в области ИИ тогда в общем виде выглядят следующим образом (см. рис. 14). 86 Рис. Цифровые компетенции в области ИИ Рассмотрим структуру цифровых компетенций, формируемых на этом уровне образования, в контексте модуля Основы искусственного 87 интеллекта и интеллектуальные алгоритмы и как они конкретизируются на уровне ПООП СОО [91]. Как уже было указано ранее, тема искусственного интеллекта в ФГОС СОО [145] отображена косвенно, однако в ПООП СОО она отображена в явном виде. Опишем цифровые компетенции по теме ИИ в качестве планируемых результатов обучения основам ИИ на углубленном уровне для удобства их использования педагогами при планировании и контроле результатов обучения. (См. Таблицу 4.) Таблица 4 Планируемые результаты обучения основам искусственного интеллекта и анализа данных Планируемые результаты обучения основам искусственного интеллекта и анализа данных Дескрипторы (показатели) для контроля результатов обучения – Понимать общие подходы к решению задач на выявление закономерностей, классификации и распознавания текста, речи. - Уметь определять тип задач классификации, регрессии, кластеризации, распознавания, выявления закономерностей. - Уметь приводить примеры таких задач, встречающихся в жизни. – Различать понятия искусственный интеллект, большие данные, наука о данных, задачи искусственного интеллекта для прикладного применения. - Объяснять различие понятий данные – большие данные - наука о данных. - Различать искусственный интеллект как науку и как технологию. - Выделять задачи искусственного интеллекта онтологии, машинное обучение, средства машинного зрения, обработка текстов на естественных языках, автоматическое формирование логических выводов, робототехника. - Приводить примеры повседневного использования продуктов искусственного интеллекта. – Понимать различие слабого и сильного ИИ, знать о существовании различных подходов к разработке интеллектуальных систем восходящий и нисходящий подходы. - Приводить примеры слабого и сильного ИИ. - Характеризовать существующие подходы символьный, логический, фреймовый) к разработкам в области искусственного интеллекта и решаемым задачам. – Перечислять основные этапы исследования данных – Знать суть процессов - Уметь программировать на языке Python: использовать списки и другие структуры данных, подключать дополнительные модули, библиотеки. 88 Планируемые результаты обучения основам искусственного интеллекта и анализа данных Дескрипторы (показатели) для контроля результатов обучения нормализации и стандартизации данных и уметь их применять. – Определять тип моделей, использующих интеллектуальные алгоритмы, для решения различных задач, ориентируясь на условия и характеристики данных. - Владеть навыками подготовки документа в среде Jupyter Notebook, готовить и использовать ячейки, содержащие текст, программный код на языке Python, исполнять его. - Владеть навыками подключения необходимых библиотек для обработки данных (например, pandas, mathplotlib, apyori, numpy, researchpy). - Уметь загружать данные из файлов средствами Pandas, при необходимости форматировать их. - Уметь работать сданными средствами Pandas. - Уметь визуализировать данные средствами mathplotlib. - Уметь корректно разделять выборку на обучающую и тестовую. - Уметь обучить модель, используя методы CART, k- means, ближайших соседей, Apriori, регрессионного анализа. - Уметь оценивать точность модели для обучающей и тестовой выборки. – Знать суть деятельности и основные понятия инженерии знаний (онтологии и т.д.). – Знать суть работы экспертных систем, – Создавать и использовать простые экспертные системы. - Владеть навыками проектирования базы знаний выделять факты, правила их создания, эвристики и пр. - Уметь подключать к Python библиотеки реализации экспертных систем прямого вывода (PyKnow, Experta). - Уметь реализовывать правила вывода - выделять условия и действия, записывать их нас использованием средств библиотек. - Выполнять проверку и отладку созданной экспертной системы для дальнейшего использования при реализации проектов. - Владеть навыками использования готовых библиотеки алгоритмов реализации нейронных сетей. - Уметь подключать в программе на Python необходимые библиотеки для обработки данных (TensorFlow). - Уметь загружать средствами TensorFlow размеченные наборы данных MNIST. - Уметь разделять выборку на обучающую и тестовую. - Иметь представление о различных типах слоев нейронной сети и уметь создавать нейронные сети различной структуры средствами TensorFlow. - Уметь обучить модель средствами TensorFlow, используя различные параметры скорости обучения, размеры мини-пакетов, метрики и методы оптимизации. - Уметь оценить точность полученной модели для 89 Планируемые результаты обучения основам искусственного интеллекта и анализа данных Дескрипторы (показатели) для контроля результатов обучения обучающей и тестовой выборки. При этом необходимо демонстрировать области применения или задачи, решаемые интеллектуальным алгоритмами, на примере частных семейств алгоритмов, затем уже в практической деятельности реализовывать их. Выбор алгоритмов должен быть обусловлен их доступностью и распространённостью, причём их практическое применение должно выходить за рамки учебных задач. Для сравнения с опытом зарубежных исследователей рассмотрим часть K-12 Computer Science Framework. В качестве основного источника будем использовать его часть под названием CSTA K-12 Computer Science Standard [173], которую можно сопоставить с предметными результатами по информатике во ФГОС общего образования. Если речь идёт о ФГОС СОО, то следует использовать уровни 3A (9-10 классы, 14-16 лети классы, 16-18 лет) американского стандарта. Важно отметить, что основы науки о данных в косвенном виде обсуждаются уже на первых уровнях в качестве знакомства с понятием информация, данные и безопасного использования данных. Пункт Data Analysis (анализ данных) впервые фигурирует в стандарте на уровне 1A (старшая группа детского сада, K-2, возраст 5-7 лет) как визуализации данных и работы с графиками для создания прогнозов (“to describe patterns in data to make predictions”), однако выделение связей между элементами появляется позднее, лишь на 1B. Рассмотрим таблицу для уровня 3A, выделив образовательные результаты, которые достигаются при изучении каждой из трёх линий американского стандарта K-12 Computer Science Standard, а также представив их в виде компетенций выпускника см. Таблица 5): |