Ученые записки Архив 2016


ОБРАЗОВАНИЕ И ПЕДАГОГИКА.

Оптимизация информационных потоков как ключевой фактор для повышения эффективности непрерывного образования людей с ограниченными возможностями здоровья / Optimizing the flow of information as a key factor for increasing the effectiveness of continuous ed

Автор/Author: А.Н. Малолетко В.С. Мкртчян Т.О. Толстых А.А. Бикбулатова, О.В. Каурова, М.В. Виноградова / A.N. Maloletko, V.S. Mkrttchian, T.O. Tolstykh, A.A. Bikbulatova, O.V. Kaurova, M.V. Vinogradova

Аннотация/Annotation:
Скачать/Download | Посмотреть онлайн/View online

Список литературы/References:

1    Брылина И.В. Философия управления развитием образования: разработка методологических основ модели оценки управления качеством аттестации в сфере образования // Известия Томского политехнического университета. 2013. Т. 323. № 6. С. 149-155.

2    Буданов В.Г. Методология синергетики в постнеклассической науке и образовании. – М.: Издательство ЛКИ/ URSS , 2007. - 232 с. 

3    Буданов В.Г. Синергетические стратегии в образовании. Синергетика и образование. - М.: РАГС, 1996. 

4    Герасименко О.А. Теоретико-методологические основы управления региональной образовательной системой // Современные проблемы науки и образования. 2012. № 1; URL: www.science-education.ru/101-5490 (дата обращения: 21.08.2015).

5    Зуева О.Н., Долганова Ю.С. Тенденции и проблемы развития системы образования в регионе // Известия УрГЭУ. 2012. № 1. С. 173-180.

6    Капица С.П., Курдюмов С.П., Малинецкий Г.Г. Синергетика и прогнозы будущего. – М.: URSS , 2003. – 288 с. 

7    Мейтус В. Виртуализация производства // Проблемы, теории и практики управления.2004. №1. С.91-95.

8    Преображенский Б.Г., Толстых Т.О. Синергетический подход к анализу и синтезу образовательных систем// Университетское управление: практика и анализ. 2009. № 3. С. 7.

9    Роберт П. Мак-Гоуи, Роберт Дж. Спаньола. Разработка новых технологий // Эффективность государственного управления: Пер. с англ. / Общ. ред. С.А. Батчикова, С.Ю. Глазьева.  М.,1998. С. 766-767. 

10    Сердюк В.А., Сердюк В.А. Сетевые и виртуальные организации: состояние, перспективы  развития // Менеджмент в России и за рубежом. 2002. № 5. С.91-104. 

11    Современные информационные технологии и общество. – М.: ИНИОН РАН, 2002.- 196 с.

12    Солодова Е.А. Концепция модернизации высшего образования России на основе синергетического мировоззрения // Синергетическая парадигма. Синергетика образования. М.: Прогресс-Традиция, 2007. 

13    Солодова Е.А. Новые модели в системе образования: Синергетический подход, уч. пособие / Предисл. Г.Г. Малинецкого. – М.: Книжный дом "ЛИБРОКОМ", 2012. – 344 с. 

14    Толстых Т.О., Семенова Л.А. Опыт реализации европейской гарантии качества образования ENQA и принципов ISO в вузе// Университетское управление: практика и анализ. 2009. № 3. С. 34-42.

15    Федеральный закон Российской Федерации от 29 декабря 2012 г. N 273-ФЗ "Об образовании в Российской Федерации" URL: http://www.rg.ru/2012/12/30/obrazovanie-dok.html

16    Херрман В., Кронталер Л. Университетский менеджмент: опыт Мюнхенского технического университета // Проблемы, теории и практики управления. 2002. №6. С.98- 102. 

17    Хорошилов А.В., Дмитриевская Н.А., Титарева С.Л. Требования к системе дистанционного обучения для дополнительного профессионального образования//В кн.: Сборник трудов по проблемам дополнительного профессионального образования. Вып. 3. М.: МАПДО, ИПКгосслужбы, 2003.  С.84-95.

18    Ярославцев В.М., Ярославцева Н.А. Расширение информационного пространства – одно из направлений улучшения качества образования // Стандарты и качество. 2003. № 9. С.92-95.

19    Mkrttchian,V., Stephanova, G., (2013). Training of Avatar Moderator in Sliding Mode Control. In. Enterprise Resource Planning: Concepts, Methodologies, Tools, and Applications. .Hershey:. PA, IRMA &  IGI Global Press, pp. 1376-1451.  

20    Mkrttchian,V.,and all (2014). Using Plug-Avatars “hhh” Technology Education as Service-Oriented Virtual Learning Environment in Sliding Mode. In. Handbook of Emerging Priorities and Trends in Distance Education: Communication, Pedagogy, and Technology. Hershey:. PA, IGI Global Press, pp.43-55.



List of references


1.    Brylina I.V. The philosophy of management education development: the development of methodological foundations of quality management assessment model certification in education // Bulletin of the Tomsk Polytechnic University. 2013. T. 323. № 6. S. 149-155.

2.    Budanov V.G. Methodology for synergy in postmen classical science and education. - M .: Izdatelstvo LKI / URSS, 2007. - 232 p.

3.    Budanov V.G. Synergistic strategies in education. Synergetic and education. - M .: RAGS, 1996.

4.    Gerasimenko O.A. Theoretical and methodological bases of management of the regional educational system // Modern problems of science and education. 2012. № 1; URL: www.science-education.ru/101-5490 (reference date: 21.08.2015).

5.    Zuev O.N., Dolganova Y.S. Trends and problems of the education system development in the region // News USUE. 2012. № 1. S. 173-180.

6.    Kapitsa S.P Kurdyumov S.P., Malinetskii G.G. Synergetic and forecasts of the future. - M .: UR.SS, 2003. - 288 p.

7.    Meitus V. Virtualization production // Problems of the theory and practice of control.2004. №1. S.91-95.

8.    Transfiguration B,G, Tolstoy T.S. The synergetic approach to the analysis and synthesis of educational systems // University Management: Practice and Analysis. 2009. № 3. S. 7.

9.    Robert P. ,Mc Gowy, Robert J.. Development of new technologies // The efficiency of public administration: Trans. from English. / Common. Ed. SA Batchikova, SY Glazyev. M., 1998. Pp 766-767.

10.    Serdyuk V.A., Serdyuk V.A. Networking and Virtual Organisations: condition, prospects of development // Management in Russia and abroad. 2002. № 5. S.91-104.

11.    Modern information technology and society. - M .: INION, 2002.- 196 p.

12.    Solodova E.A. Russian higher education modernization concept on the basis of synergetic outlook // synergetic paradigm. Synergetic education. M .: Progress-Tradition, 2007.

13.    Solodova E.A. New models in the education system: The synergetic approach account. Manual / Pre. GG Malinetskii. - M .: "LIBROKOM" Book House, 2012. - 344 p.

14.    Thick T.S., Semenova L.A. Experience in the implementation of the European educational quality assurance ENQA and ISO principles in high school // University Management: Practice and Analysis. 2009. № 3. S. 34-42.

15.    Russian Federation, Federal Law of December 29, 2012 N 273-FZ "On Education in the Russian Federation" URL: http://www.rg.ru/2012/12/30/obrazovanie-dok.html

16.    Herrmann B., Krontaler L. University Management: the experience of the Munich Technical University // Problems of the theory and practice of management. 2002. №6. S.98- 102.

17.    Khoroshilov A.V., Demetrius N.A., Titareva S.L. Requirements for the distance learning system for additional vocational training // In the book .: Proceedings of the problems of additional vocational training. Vol. 3. M .: MAPD, IPKgossluzhby, 2003. S.84-95.

18.    Jaroslavtsev V.M .,Yaroslavtseva N.A .The expansion of information space - one of the areas of improving the quality of education // Standards and quality. 2003. № 9. S.92-95.

19.    Mkrttchian,V.S., Stephanova, G. P., (2013). Training of Avatar Moderator in Sliding Mode Control. In. Enterprise Resource Planning: Concepts, Methodologies, Tools, and Applications. .Hershey:. PA, IRMA &  IGI Global Press, pp. 1376-1451.  

20.    Mkrttchian,V.,S., (2014). Using Plug-Avatars “hhh” Technology Education as Service-Oriented Virtual Learning Environment in Sliding Mode. In. Handbook of Emerging Priorities and Trends in Distance Education: Communication, Pedagogy, and Technology. Hershey:. PA, IGI Global Press, pp.43-55.

Содержание статьи/Article:

Введение. Традиционные образовательные технологии за последние несколько десятилетий претерпели существенные изменения, причиной которых является информация. Влияние информационного потока как ресурса невозможно недооценивать. В отличие от традиционных ресурсов, которым свойственен целый ряд ограничений (убывание, недолговечность, редкость и т.д.),  информационные ресурсы имеют свойство только накапливаться [3;11;15]. Влияние информационного потока на общество привело к появлению новых видов экономик: информационной экономики, цифровой экономики, экономики знаний. Но при этом нельзя не учитывать  и социальные возможности применения новых цифровых технологий на основе информационных потоков [2;14;18]. Прежде всего, это появление качественно новых подходов получения полноценного непрерывного образования для людей с ограниченными возможностями здоровья (ОВЗ). Порой в научной литературе встречается трактовка современного состояния системы высшего образования, как «образовательная революционную ситуация», поскольку развитие образовательных технологий сопровождается усилением противоречий между новыми требованиями времени и инерционностью устоявшихся тенденций. Данное противоречие в условиях получения образования для людей с ограниченными возможностями только усиливается, приводя к неизбежным конфликтам между предлагаемыми технологиями и возможностями учащихся. Кризисное состояние образовательной системы в целом проявляется в обострении вопросов доступа к образованию,  связанных, в частности, с равенством этого доступа, в углублении проблем качества образования, эффективности и производительности образовательной системы, обострении проблем ее финансирования и управления [1;6;9;13].


Методика. При формировании моделей непрерывного образования необходимо выделять следующие ключевые факторы, на которые необходимо ориентироваться при разработке подходов для людей с ОВЗ:



  • получение навыков ориентироваться и адаптироваться в сложной социальной среде и находить оптимальные решения в условиях дефицита внутренних ресурсов;

  • возможность четкого ранжирования вариантов решений проблемно-ориентированных задач с максимальной информационной  отдачей;

  • стремление к выработке решений, приносящих пользу организации при оптимальных собственных усилий;

  • обеспечение принципа интеллектуальной гибкости, открытости к обществу и самоорганизованности [4;9;19].

Индивидуальную траекторию непрерывного обучения для людей с ОВЗ мы предлагаем строить с учетом уровня ограниченности возможностей и желания обучаемого. Для этого необходимо как можно точнее оценить потенциал обучаемого с позиции когнитивного подхода.


Когнитивность как подход предполагает способность обучаемого к поиску информации, умению ее адекватно и своевременно переработать, воспринять не стандартные и не типичные задачи, и сгенерировать возможные решения[11;18;20].


Когнитивная оценка учащегося/студента/безработного с ОВЗ включает при этом включает следующие составляющие:



  • наследственные исследовательские черты характера, заложенные генетически;

  • психологическую установку на преодоление ограниченности возможностей;

  • уже приобретенные знания на предыдущих этапах образовательного процесса;

  • открытость ко всему новому.

Для обеспечения эффективности образовательного процесса людей с ОВЗ необходимо сформировать группы по критериям результатов оценки когнитивного потенциала обучаемых, от их физических возможностей и  от выстроенных индивидуальных траекторий. Количество обучаемых в группе может варьироваться от 3 до 7.  Такое количество с одной стороны обеспечит социализацию учащихся/студентов/безработных в команду, с другой – обеспечит индивидуальный подход к каждому[8;14;16;18].


Информационные потоки (ИП) для построения моделей непрерывного образования предполагается формализовать следующей системой элементов:


                            ИП=<Х,Y,F, E , V >,                                     


где    Х = х12, … , xn  - вектор исходной информации, например


х1 – когнитивная оценка интеллектуального потенциала учащегося,


х2 – желаемый уровень получения образования,


х3 – выбранная специальность,


х5 – выбранный образовательный комплекс,


х6 – оценка физических возможностей учащегося и т.д.;


         Y = y1,y2, …, ys  - вектор получаемой на выходе информации, например


у1 – индивидуальная программа,


у2 – индивидуальные методические и учебные материалы,


у3 – механизмы контроля полученных компетенций,


у4 –план работы и т.д.;


         F= f1,f2, …, fs  - вектор преобразования входа в выход, который может включать в себя следующие элементы:


f1 – технологию формирования индивидуальной программы,


f2 – механизмы разработки пособий,


f3 – инструменты составления индивидуального графика обучения


f4 – процедура ведения электронного документооборота и т.д.;


Е = е12, …, еs  – множество системных элементов ИП;


V  = v1,v2, …, vs  – подсистемы реализации непрерывного образования на основе ИП, например, учебно-материальная система, контрольная, физиологически и психологически адаптационные системы, нормативно-правовая, финансово- экономическая и т.д.


Ориентируясь на принципы системного подхода все разрабатываемые технологии непрерывного образования, а также алгоритмы их реализующие, должны исследоваться в первую очередь во взаимоотношении с внешней средой, а затем во взаимодействии между собой по принципу эмерджентности.   Поэтому, в соответствии с предложенным подходом технологии непрерывного образования (ТНО) на основе информационных потоков можно классифицировать по следующим уровням [8;14]:



  • проблемно-ориентированные технологии;

  • клиенто-ориентированные технологии;

  • инновативно-ориентированные технологии.

Проблемно-ориентированные ТНО предназначены для реализации образовательного процесса, ориентированного на развитие физических и интеллектуальных возможностей обучаемого.


Клиенто - ориентированные ТНО предназначены для построения образовательного процесса в соответствии с индивидуальными целями и пожеланиями учащегося и, как правило, обладают наименьшей степенью универсальности.


Инновативно – ориентированные ТНО  инвариантны ко всем функциям и стадиям образовательного процесса, основаны на накопленном опыте разработки образовательных систем, но генерируются на принципах креативности и нестандартности подходов.


Для оценки качества ТНО предложим следующую процедуру.


Качество освоения некоторой учебной программы оценим одним числовым показателем k (для эталона k0) - например, средним коэффициентом положительных оценок по результатам тестирования. Будем также считать, что известен тип вероятностного расп­ределения элементов матриц за счет чисто случайных факторов, чаще всего, это распределение близко к нор­мальному, что поддается проверке специальными критериями согла­сия.


Итак, пусть SХ – некоторая статистика с известным теоретическим  распределением; соответствующую генеральную  статистику обозначим Х.  Обозначим  через  РS вероятность  нуль-гипотезы Х= Х0,  оцениваемой  по  выборочным  значениям SХ и SХ0.


Значения JS по разным статистикам S используются для ранжи­рования статистик с точки зрения их диагностической ценности, ес­ли основываться на данных по одной текущей реализации Х. Однако такое ранжирование будет во многом зависеть от случайных особен­ностей данной реализации, что нежелательно. Привлекая же материал по другим реализациям, можно получить разные ранжировки, для ус­реднения которых нужны дополнительные правила. Наиболее сущест­венной при этом представляется связь JS с итоговым показателем качества k, точнее, с разностью k=k0-k. Высокое значение JS при малом k является "ложной тревогой" и должно вносить уменьшенный вклад в общую оценку качества статистики S. Иначе говоря, эта об­щая оценка должна быть средневзвешенной, используя k в качестве весов:


S= ,                                        


где суммирование ведется по всем рассмотренным реализациям Х.


Для  каждого  из  множеств  снова  вычисляются  оценки всех статис­тик, кроме  той,  что  уже  была  ранее отработана в качестве лучшей.  Сравнивая  эти  оценки раздельно по каждому множеству, получим луч­шую  статистику  для диагностики второго порядка на каждой ветви,  исходящей из основания. Аналогично строятся продолжения  диагнос­тического дерева для всех последующих диагностик.


Более глубокие взаимосвязи статистик S,T,... с показателями качества можно устанавливать, используя методы дисперсионного анализа. Прежде всего, они способны достаточно строго установить (или отвергнуть) сам факт подобной взаимосвязи, а затем оценить силу этой связи стандартными методами. Наконец, дисперсионный анализ позволяет получать не только индивидуальные, но и смешанные оценки разных статистик, их взаимодействие во вли­янии на конечные показатели, что существенно при построении диаг­ностического дерева.


Пусть GS - множество индивидуальных (по каждой реализации) оценок JS для статистики S. Расположим эти оценки в порядке воз­растания и разобьем на n интервалов (n=3 5) GS1,GS2,....,GSn. Каждую статистику будем рассматривать как фактор, а построенные интервалы - как уровни этого фактора. Вычисление оценок JS,JT... для каждой реализации Х можно рассматривать как пассивный элемент по одновременному осуществлению факторов S,T,... с теми уровнями, какие получатся в результате этих вычислений. Результатом этого эксперимента будем считать ту же разность k=k0-k. При подобной интерпретации мы образуем все предпосылки для применения многофакторного дисперсионного анализа.


Поскольку эксперимент пассивный, повторяемость тех или иных сочетаний уровней факторов уже от студента не зависит. Частично эту повто­ряемость можно регулировать исходным выбором интервалов GS1,...GSn , а также отбрасыванием некоторых избыточных данных. Как известно, результаты дисперсионного анализа имеют характер дисперсий всех действующих факторов, их взаимодействий, а также фактора случайности 02. Оставляя только взаимодействия второго порядка, получим набор чисел


02 , S2 , T2 , ST2 ......


Прежде всего, сравнивая все дисперсии с 02 с помощью крите­рия Фишера, оставляем только те, которые значимо больше; статис­тики с остальными дисперсиями в данной ситуации следует признать непригодными для целей диагностики. Из оставшихся дисперсий выби­раем наибольшую - она и определит ведущую статистику. Для выбора статистик второго этапа нужно использовать дисперсии взаимодейс­твий. Статистика T, соответствующая максимуму ST2 по всем T (здесь S - уже выбранная ведущая статистика), определит диагнос­тику второго порядка при условии, что первая дала положительный результат; статистика, соответствующая минимуму ST2 , определит диагностику второго порядка при отрицательном результате первой диагностики.


Использование дисперсионного анализа для ранжирования ста­тистик с точки зрения их диагностической чувствительности позво­ляет давать такой ранжировке более глубокое объяснение (не говоря уже об отсеивании неперспективных статистик). Однако для доста­точной достоверности выводов здесь потребуется весьма большое ко­личество исходных данных.


Могут быть использованы также и непараметрические статисти­ки. Пусть, например, как и в критерии инверсий, матрицы Х и Х0 сканируются в каком-нибудь порядке (например, по столбцам), и каждое превышение элемента хij над х0ij отмечается знаком «плюс», тогда как обратное превышение – знаком «минус». Число перемен знака в полученной последовательности из mn элементов обозначим через N. При чисто случайных расхождениях между матрицами N имеет место почти нормальное распределение cо средним (mn-1)/2 и дис­персией (mn-1)/4. На основе этих данных рассчитываются вероятнос­ти РN и сводная оценка JN.


Рассмотрим алгоритм построения диагностического дерева.


Введем обозначения:


S - сравнение средних;


К - средние ковариаций;


D -  сравнение дисперсий.


За основу берутся матрица эталона Х0 и множество матриц  текущих реализаций Хj, где j=1…N, nj – число наблюдений в реализации Хj


ШАГ 1. Вычисляем вектор средних вектора выбо­рочных дисперсий 02 и матрицы ковариаций Q0, запоминание числа параллельных наблюдений (строк матрицы) n0.


ШАГ 2. Первичная статистическая обработка матриц Хj для j = 1…N.  Здесь вычисляются векторы средних  Xj, дисперсий j2, матрицы  ковариаций Qj,  количества параллельных наблюдений nj.  В эту  процедуру можно включать дополнительные операции по проверке и повышению качества Хj (выявление и отсеивание  грубых  отклонений, сглаживание и восстановление пропущенных данных и т.п.).


ШАГ 3. Вычисление сводных матриц ковариации


Q1j= ((nj- 1)Qj + (n0 - 1)Q0), j=1…N.


ШАГ 4. Обращение матриц Q1j.


ШАГ 5. Расчет  коэффициентов  выхода годных для эталона k0 и для каждой реализации kj, составление вектора


 = ( k1, k2, ..., kN),


                                           kj = max { 0,k0 - k}.


ШАГ 6. Вычисление итогового показателя эффективности статистики S:


JS = -  lnPj kj / kj.


ШАГ 7. Вычисление  итогового показателя эффективности статистики К: JK =


ШАГ 8.  Вычисление итогового показателя эффективности статистики D:


JD = - 


ШАГ 9. Сравнение показателей JS, JK, JD и выбор статистики, со­ответствующей наибольшему по величине показателю. Это и будет статистикой первого этапа, основанием диагностического дерева.


ШАГ 10. Исходя из выбранной статистики первого этапа и некоторо­го уровня значимости P (например, Р=0.05), все исходное множество матриц Хj разбивается на две группы: первая (ей соответствует множество номеров G1) для матриц которой вероятности Pj , посчи­танные по статистике первого этапа, больше Р, и вторая (ей соот­ветствует множество номеров G2), для матриц которой эти  Pj < P.


ШАГ 11. Оставшиеся две статистики для определенности обозначим А и В. Для них по каждой из построенных выше групп вычисляются новые показатели эффективности:


J1A = -   , j  G1


J2A = -   , j  G2


и аналогично J1B, J2B.


ШАГ 12. Оценки  J1A,  J1B  сравниваются между собою,  и та, которая больше,  определяет  статистику   второго  этапа для случая,  когда первому  этапу  соответствует  ответ  "различий  нет".  Аналогично сравнивая J2A, J2B  найдем статистику второго этапа для случая, когда первому этапу соответствует ответ "различия есть".


После выбора статистики второго этапа на каждой ветви диаг­ностического дерева статистика третьего этапа определяется одноз­начно.


Таким образом, на каждом этапе диагностического анализа все множество рассматриваемых реализаций образовательного процесса Xj разбивается на два подмножества: соответствия и несоответствия эталону (в совокупном статистическом смысле). Это дает возможность формировать последовательность стратегических решений по управлению качеством образовательного процесса.


Эмерджентный подход состоит в том, чтобы оптимальным образом синтезировать ТНО всех трех уровней с целью поиска оптимального   решения для  каждого учащегося, обеспечивая положительную синергию в развитии всех его потенциалов.


Наши исследования показали, что для людей с ОВЗ, в процессе апробации полученных технологий непрерывного образования и алгоритмов их реализующих могут возникнуть конфликтные ситуации, связанные со спецификой физических и психологических возможностей, которые трудно учесть заранее. В результате может оказаться, что цели, поставленные перед учащимся, окажутся для него невыполнимыми, и клиент (человек с ОВЗ), вынужденно откажется от оптимальной, специально построенной для него траектории  непрерывного образования, вызвав для себя стрессовую ситуацию.


Основой для построения индивидуальных образовательных траекторий для  людей с ОВЗ на базе инновационных цифровых технологий являются функции любого управленческого процесса: постановка целевой функции, определение допустимых отклонений, оценка возможных конфликтов и выявление взаимодействий ее подсистем. При этом надо понимать, что если нет информации касательно отклонений и взаимодействий, то нет и тенденций развития системы. Лишь открытые к внешним воздействиям системы способны развиваться. В таких системах каждый процесс можно представить как противоречивое единство внутренних и внешних конфликтов его подсистем. Можно определить два подхода системного исследования конфликта .



  1. В предположении, что стороны, причины и характер конфликта известны, выделяется главный фактор (в крайнем случае, 2-3 фактора) и строится расчетная модель для оценки их значимости и результатов конф­ликта.

  2. Описания взаимодействия систем строится в достаточно общем виде, с учетом всех существенных факторов, обнаружения и исследования конфликтующих сторон, возможного характера их взаимодействия, причин и механизмов конфликтов.

В первом случае процесс обучения с использованием цифровых технологий для людей с ОВЗ представляется как стохастическая система, где в качестве функции полезности принимается вероятность достижения заданной цели. Тогда конфликт возникающих случайных событий  - это возможный способ приведения системы к достижению поставленной цели.


 При втором подходе образовательный процесс рассматривается как противоречивое единство внутренних и внешних конфликтов, обеспечивающих в контексте достижения образовательных технологий синергетический эффект. В работе выбран именно второй подход к оценке взаимодействия систем с учетом анализа конфликтов[8;14].


Наши исследования показали, что апробацию построенной траектории надо проводить без участия самого клиента, исключив тем самым всякие риски и непредсказуемые стрессовые ситуации. Введение в 2010 году профессором Мкртчянов В.С. в апробированный процесс понятия интеллектуальный агент – аватары обучаемого (тренера) и обучающего (клиента), дало возможность значительно повысить эффективность процесса апробации и добиться 100% усвоение каждым участников процесса независимо от его индивидуальных способностей и полностью исключив  риски и непредсказуемые стрессовые ситуации [19;20].


Интеллектуальный агент - это адаптивная компьютерная программа  моделирующая конкретный процесс участника реализации образовательной технологии, для обучающего - это процесс обучения, для обучаемого – это процесс усвоения. Участниками реализующей данную образовательную технологию уже кроме преподавателя и обучаемых являются их интеллектуальные агенты, в виртуальной среде уже связка преподаватель, его аватар, связки обучаемых со своими аватарами. При этом аватары сами строят свои сети самоорганизации адаптации к конкретным условиям процесса обучения. Так возникает сеть преподавателя через свой аватар связанный с аватарами каждого обучаемого. Сам, клиент с ОВЗ исключается из процесса апробации. Под адаптивностью образовательных систем нами в работе рассматриваются три основные точки зрения:


- адаптивность образовательной системы к постоянно изменяющемуся уровню знаний обучаемого;


- адаптивность образовательной системы к изменяющемуся материалу в рамках отдельных учебных курсов;


- адаптивность образовательной системы к изменяющимся требованиям со стороны работодателей и рынков труда.


Результаты. Предлагаемая в работах Мкртчяна В.С.  аватар-технология позволяет  разрешить проблему адаптивности полностью. В частности, аватар, являясь интеллектуальным агентом конечного пользователя, выступает в качестве дополнительного средства унификации. Собирая модули курсов, выполненных по разным стандартам, аватар делает прозрачными для конечного пользователя их структурные и технические различия. Обучаемый настраивает под себя интерфейсную часть аватара, которая и будет определять тот внешний вид, в котором будет визуализирован материал учебного курса. Аналогичным образом, аватар преподавателя позволяет абстрагироваться от технических подробностей отдельных стандартов и спецификаций. Преподаватель настраивает интерфейсную часть аватара, в рамках которой ему удобно вносить материал обучающего курса. Функциональная часть аватара, скрытая от пользователя, позволит подстроить введенный материал под требования определенного стандарта и спецификации, при этом уже не существует общепринятого понимания концепции жизненного цикла электронных модулей, курсов и образовательных систем. Процесс взаимодействия модели изменчивости и конфигураций аватара студента в зависимости от успешности прохождения учебных курсов (по результатам тестирования и индивидуальным ответам на вопросы преподавателя), доступных технических и телекоммуникационных возможностей, психофизических особенностей студента. На основе анализа текущего профиля студента, выбирается оптимальная конфигурация аватара. После загрузки и изучения контента курса, прохождения тестирования и удаленного собеседования преподавателя со студентом (через аватар преподавателя), в профиль студента вносятся соответствующие изменения. После этого, конфигурация аватара студента меняется, происходит подгрузка следующих разделов контента и интерфейсная настройка его визуализации. Если курс пройден полностью, то возможен переход к изучению следующего курса с загрузкой в аватар студента новой модели изменчивости [19;20].


Обсуждение. Удобство предлагаемого подхода  заключается в  том, что модульная структура учебных курсов имеет типовую иерархическую структуру и допускает вставку специальных тегов (администратором системы или преподавателем), разграничивающих курс по тематическим разделам и уровням сложности. Наличие таких тегов позволяет далее строить модели изменчивости для каждого курса в автоматическом режиме уже без участия преподавателя. Построение такой среды открывает новую фазу электронного образования (E-Learning 3.0), в которой ведущую роль будут играть распределенные компьютерные системы, облачные технологии, мобильные персональные устройства, системы искусственного интеллекта и средства виртуальной реальности.  Но реализуя данную технологию нельзя не учитывать опять же традиционные управленческие функции: мотивацию персонала, создание инновационной инфраструктуры и организацию инновационного менеджмента, обязательное проведение маркетингового исследования рынка, формирование политики под­держки организационных взаимосвя­зей, управление документацией и де­лопроизводством и т.д.


Поэтому, образовательным организациям, реализующим индивидуальные образовательные траектории лицам с ОВЗ или планирующим их реализовывать, должны учитывать следующее:



  • важность уровня академичности и профессионализма образовательной системы в целом, которые учащийся восприни­мает и оценивает даже на уровне подсознания;

  • важность профессиональной компетенции каждого преподавателя, который участвует в построении образовательной траектории для лиц с ОВЗ,  так как некомпетентность и ошибки одного из участников может перечеркнуть работу целого коллектива;

  • управление индивидуальными образовательными траекториями для лиц с ОВЗ носит характер  схожий с управлением проектом, поэтому необходимо определить этапы получения и оценки промежуточных и конечных результатов.

Заключение.


Данное исследование в области подходов к реализации непрерывного образования для лиц с ОВЗ позволило выявить ключевые проблемы и предложить пути разработки эффективных решения с точки зрения системного подхода анализа. Концепция оптимизации информационных потоков заключается в позиции «открытости» образовательных технологий как систем, адекватно воспринимающих изменения в экономическом, технологическом и социально-политическом развитии общества, учете специфики потенциалов каждого учащегося, а также требованиями цифровой экономики за счет непрерывности и гибкости технологий обучения, что реализуется аватар-технологиями процесса формирования интеллектуального потенциала людей с ОВЗ.


 В условиях цифровой экономики для решения любых экономических, организационных или производственных задач необходимы факторы социальной внедренности, которые возможны через адаптацию людей с ОВЗ к новым для них условиям. Управление такой сложной системой связано в настоящее время с целым рядом проблем, которые вызывают необходимость в системном анализе структуры и состава функциональных задач,  в разработке  новых моделей развития образовательных технологий, обеспечивающих синергетический эффект для лиц с ОВЗ. В работе обоснована необходимость проведения системного анализа  на макро- и микроуровнях с точки зрения подсистем, являющихся компонентами образовательной системы.  Предложена классификация технологий по их реализации в системе непрерывного образования для лиц с ОВЗ. Предложенная в работе инновационная аватар-технология позволит наиболее эффективным способом реализовывать технологии непрерывного образования на основе оценке когнитивности для лиц с ОВЗ с учетом  их возможностей и ограничений.

Ключевые слова/Tags1: Технологии непрерывного образования, индивидуальная образовательная траектория, интеллектуальный агент, аватар, информационные потоки./ Continuing Education Technology, individual educational trajectory, intelligent agent, the avatar information flows.