Построение интеллектуальных обучающих систем, основанных на экспертных знаниях тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат технических наук Нарыжный, Евгений Владимирович

• Нарыжный, Евгений Владимирович
• кандидат технических наук
• 0

Оглавление диссертации кандидат технических наук Нарыжный, Евгений Владимирович

Введение.

Глава 1. Проблемы передачи экспертных знаний.

Особенности мышления экспертов.

Интеллектуальные обучающие системы.

Выводы.

Глава 2. Выявление экспертных знаний.

Задача экспертной классификации.

Задача порядковой экспертной классификации.

Рациональная процедура опроса эксперта для решения задачи порядковой классификации.33 •

Алгоритм КЛАНШ.

Поиск и устранение ошибок в ответах эксперта.

Оценка эффективности.

Построение базы знаний.

Выводы.

Глава 3. Обучение классификации.

Построение полных баз знаний для обучения задачам распознавания.

Сложность классификации.

Метод обучения.

Алгоритм обучения.

Объяснение решений.

Выводы.

Глава 4. Реализация обучающей системы.

Система КЛАНШ.

Построение базы знаний.

Анализ базы знаний.

Модель дифференциальной диагностики ТЭЛА с ОИМ.

Архитектура системы ОСТЭЛА.

Обучение декларативным знаниям.

Обучение процедуральным знаниям.

Эксперименты по обучению.

Выводы.

Введение диссертации (часть автореферата) на тему «Построение интеллектуальных обучающих систем, основанных на экспертных знаниях»

Во многих важных областях человеческой деятельности, путь развития от новичка до опытного специалиста занимает значительное время. Поэтому актуальной является задача поиска путей более быстрого и более эффективного обучения. Доступность персональных компьютеров делает возможным их повсеместное использование в учебных заведениях и для самостоятельной подготовки, но отсутствие эффективных обучающих программ не позволяет решить эту задачу в полной мере. Одной из причин такого положения вещей являются значительные теоретические трудности в построении обучающих систем, основанных на знаниях опытных специалистов (экспертов). Поэтому разработка новых методов построения таких систем является актуальной теоретической и практической задачей.

Целью представляемой работы является развитие методов и технологий построения компьютерных систем обучения навыкам решения задач, экспертным знаниям для предметных областей в которых в настоящее время отсутствуют объективные модели принятия решений и решения принимаются экспертом на основе своего профессионального опыта и интуиции.

Научная новизна работы состоит в следующем:

• Предложен новый метод (КЛАНШ) построения полных и непротиворечивых баз экспертных знаний для задач классификации, позволяющий значительно расширить круг решаемых задач в рамках подхода экспертной классификации.

• Предложен метод сравнения алгоритмов решения задачи экспертной классификации. Получены новые данные о качестве работы алгоритма пространственной дихотомии, алгоритмов КЛАСС и ДИФКЛАСС.

• Исследована возможность аппроксимации устойчивых решений эксперта для задач классификации с помощью малого числа дискрими-нантно-аддитивных решающих правил.

• Предложен метод построения обучающих компьютерных систем для задач экспертной классификации в слабоструктуризованных предметных областях, основанный на принципе неявного обучения (когда обучаемому не предъявляются явно сформулированные решающие правила).

• Получено экспериментальное подтверждение возможности неявного обучения искусству классификации на примере сложной задачи медицинской диагностики.

В первой главе рассматриваются проблемы передачи экспертных знаний путем создания интеллектуальных обучающих систем с точки зрения информационного подхода - доминирующего направления в современной когнитивной психологии.

Указывается принципиальное различие в подходах к построению ИОС для хорошо структуризированных областей знаний, к которым относится, например, решение типовых задач математики, физики, программирования, и слабоструктуризированных областей, таких как медицинская диагностика. Рассмотрены особенности мышления экспертов, порождающие основную проблему построения ИОС для слабоструктуризированных областей - проблему извлечения экспертных знаний, когда эксперты не могут сформулировать правила, которыми они пользуются при принятии решений.

Рассматриваются наиболее известные обучающие системы, основанные на экспертных знаниях. При анализе делается акцент на области знаний, виды знаний, которыми можно овладеть с помощью рассматриваемых систем и типы формируемых навыков. На основе проведенного анализа формулируется нерешенные проблемы и формулируется цель диссертационного исследования.

Во второй главе предлагается новый метод для построения полных и непротиворечивых баз знаний в рамках подхода экспертной классификации. В рамках данного подхода исследуется ряд алгоритмов предъявления состояний объекта исследования по стратегии, минимизирующей количество обращений к эксперту (КЛАСС, ДИФКЛАСС). Данные алгоритмы предполагают, что оценки по каждому критерию можно линейно упорядочить по характерности по отношению к каждому из классов решений, что является достаточно сильным предположением и не всегда осуществимо.

В настоящей работе предлагается новый метод построения полных баз знаний для задач классификации, не предъявляющий столь строгого требования к решаемым задачам, причем вычислительная трудоемкость предлагаемого алгоритма не превышает аналогичного показателя алгоритма ДИФКЛАСС.

Приводятся результаты численного моделирования, позволяющие оценить эффективность предложенного метода и сравнить его с алгоритмами пространственной дихотомии, КЛАСС и ДИФКЛАСС.

В третьей главе предлагается новый метод построения компьютерных систем обучения процедуральным знаниям (навыкам) для задач классификации. Делается акцент на то, что высокие результаты, демонстрируемые экспертами, обусловлены в большой степени уникальными перцептивными способностями, когда опираясь на многолетний опыт решения похожих задач эксперт способен интуитивно распознать знакомую ситуацию и прийти к верному решению.

Предлагается метод обучения искусству классификации, который основан на следующих принципах:

1. Обучение классификации происходит путем решения большого количества задач без предъявления решающих правил;

2. Сложность предлагаемых задач изменяется в соответствии с успехами обучаемого;

3. Система анализирует ответы обучаемого и старается подбирать такие задачи, правильное решение которых позволяет сделать более быстрым процесс обучения.

4. При неправильных ответах обучаемому немедленно предоставляются такие объяснения и комментарии, которые помогают обучаемому, но в то же время не являются изложением решающих правил;

5. Обучение считается завершенным, если обучаемый становится способен безошибочно решать задачи максимальной сложности.

Данный метод предназначен для обучения подсознательным навыкам, которые формируются на основе решения задач, где изначально отсутствуют декларативные описания процедур.

В четвертой главе описывается система извлечения экспертных знаний, реализующая предложенный метод построения полных и непротиворечивых баз экспертных знаний; система ОСТЭЛА для обучения искусству дифференциальной диагностики тромбоэмболии легочной артерии и острого инфаркта миокарда, построенная на основе предложенных методов. Приводятся результаты экспериментов по обучению молодых врачей ГКБ им. С.П. Боткина и ординаторов Российской Государственной Медицинской академии постдипломного образования.

Заключение диссертации по теме «Управление в социальных и экономических системах», Нарыжный, Евгений Владимирович

Выводы

Предложенный метод построения компьютерных обучающих систем для задач классификации был использован для создания системы ОСТЭЛА для обучения искусству дифференциальной диагностики тромбоэмболии легочной артерии и острого инфаркта миокарда.

В рамках проекта ОСТЭЛА была создана система извлечения знаний для задач экспертной классификации КЛАНШ, которая впоследствии успешно применялась и в других проектах, связанных с системами основанных на знаниях, в частности при построении экспертной системы, диагностирующей отравления лекарственными препаратами.

С помощью системы КЛАНШ была построена полная и непротиворечивая база экспертных знаний для задачи дифференциальной диагностики тромбоэмболии легочной артерии и острого инфаркта миокарда.

На основе анализа базы экспертных знаний была разработана модель дифференциальной диагностики рассматриваемых заболеваний.

Были разработаны программные компоненты, независимые от предметной области и реализующие предложенные алгоритмы обучения. На основе указанных компонент была разработана интеллектуальная обучающая система, которая использующаяся в настоящее время для повышения квалификации начинающих врачей-кардиологов.

Результаты экспериментов по обучению группы молодых врачей показали высокую эффективность предлагаемого метода обучения в качестве основы для построения интеллектуальных обучающих систем нового поколения.

Заключение

Проведенный анализ современных ИОС, основанных на экспертных знаниях показал, что наиболее значимыми характеристиками ИОС как средства передачи экспертных знаний являются качество базы знаний и ее соответствие психологическим аспектам принятия решений. Одновременно имеются значительные трудности в построении баз знаний для ИОС в слабоструктуризированных областях знаний, удовлетворяющих указанным требованиям.

В диссертационной работе предложен новый метод построения ИОС на основе экспертных знаний для слабоструктуризированных областей. Метод основан на процессе неявного обучения подсознательным навыкам классификации и позволяет обучаемому в короткое время приобрести навыки классификации близкие к навыкам опытного эксперта.

Метод опирается на подход экспертной классификации для построения полных и непротиворечивых баз экспертных знаний и результатах исследований структур организации экспертных знаний, полученных в Институте Системного Анализа РАН.

В диссертационной работе предложен новый метод КЛАНШ построения полных и непротиворечивых баз экспертных знаний для слабоструктуризированных областей знаний. Построенные на его основе базы знаний могут использоваться для обучающих и экспертных систем.

Предложен метод сравнения алгоритмов решения задач экспертной классификации. Получены новые данные о качестве работы алгоритма пространственной дихотомии, алгоритмов КЛАСС и ДИФКЛАСС. Показано, что алгоритм КЛАНШ не уступает по эффективности и вычислительной сложности алгоритму ДИФКЛАСС, но способен решать значительно более широкий круг задач.

Разработана программная система КЛАНШ для Microsoft Windows NT/95, реализующая предложенный метод построения полных и непротиворечивых баз экспертных знаний для задач классификации;

С помощью системы КЛАНШ построена полная и непротиворечивая база знаний для задачи дифференциальной диагностики тромбоэмболии легочной артерии и острого инфаркта миокарда.

На примере реальной задачи медицинской диагностики исследована возможность аппроксимации устойчивых решений эксперта для задач классификации с помощью малого числа дискриминантно-аддитивных решающих правил.

На основе предложенного метода построения ИОС были разработаны встраиваемые программные компоненты, реализующие основные алгоритмы обучения, готовые для применения в интеллектуальных обучающих системах.

На основе предложенного метода построения интеллектуальных обучающих систем с использованием системы КЛАНШ и программных компонент создана система ОСТЭЛА для обучения искусству дифференциальной диагностики тромбоэмболии легочной артерии и острого инфаркта миокарда.

Обучающая система ОСТЭЛА реализована и внедрена в Учебно-научном центре по внедрению передовых медицинских технологий ГКБ им. С. П. Боткина.

Список литературы диссертационного исследования кандидат технических наук Нарыжный, Евгений Владимирович, 0 год

1. Anderson, J. R. (1983). The Architecture of Cognition. MA: Harvard University Press.

2. Anderson, J. R., Conrad F. G., Corbett А. Т., (1989). Skill Acquisition and the LISP Tutor. Cognitive Science, 13.

3. Anderson, J. R. (1993). Rules of the Mind. Hillsdale, NJ: Erlbaum.

4. Anderson, J. R., Reder, L. M., Simon H. A. (1997). Applications and Misapplications of Cognitive Psychology to Mathematics Education.

5. Anderson, J. R., Corbett А. Т., Koedinger K. R., Pelletier R. (1995). Cognitive Tutors: Lessons Learned. The Journal of the Learning Sciences, 4(2), 167207.

6. Berry, D. C. (1987). The Problem of Implicit Knowledge. Expert Systems, Vol. 4., No. 3.

7. Berry, D. C., Broadbent, D. E. (1984). On the Relationship Between Task Performance and Associated Verbalisable Knowledge. Quarterly Journal of Experimental Psychology, 36A, pp. 209-231.

8. Chase, W. G, Simon H. A. (1973). The Mind's Eye in Chess. In: Chase W.G. (Ed.) Visual Information Processing. New York: Academic, pp. 215-281.

9. Clancey, W. J. (1982). GUIDON. The Handbook of Artificial Intelligence, Los Altos, California: William Kaufmann.

10. Clancey, W. J. (1986). Qualitative Student Models. Annual Review of Computer Science, l,pp. 381-450.

11. Clancey, W. J. (1995). The Learning Process in the Epistemology of Medical Information. In Sherrer J.-R. (Ed.), Methods of Information in Medicine, special issue.

12. Chiu, В. C., Webb, G. I. (1997). Using C4.5 as an Induction Engine for Agent Modelling: An Experiment of Optimisation. Geelong. Deakin University.

13. Ericsson, K. A., Krampe, R.T., Tesch-Romer, C. (1993). The Role of Deliberate Practice in the Acquisition of Expert Perfomance, Psychological Review, 100(3), pp. 363-406.

14. Feigenbaum, I. A., McCorduck, P. (1983), The 5-th Generation. Addison-Wesley, Mass., 266 p.

15. Fitts, P. M. (1964). Perceptual-Motor Skill Learning. In: Melton A. W. (Ed.) Categories of Human Learning, Academic Press, New York.

16. Glaser, R., Bassok, M. (1989). Learning Theory and the Study of Instruction. Annual Review of Psychology, 40.

17. Groen, G. J., Patel, V. L. (1988). The Relationship Between Comprehension and Reasoning in Medical Expertise. In: Chi M., Glaser R., Farr M. (Eds.) The Nature of Expertise, Lawrence Erlbaum, Hillsdale, New Jersey.

18. Hunt, E. (1989). COGNITIVE SCIENCE: Definition, Status and Questions. Annual Review of Psychology, 40.

19. Hoffman, R. R., Shabolt, N. R., Burton, A.M., Klein, G. (1995). Eliciting Knowledge from Experts: A Methodological Analysis. Organizational Behavior and Human Decision Processes, Vol.62, No.2, pp. 129-158.

20. Kihlstrom, J. F. (1987). The Cognitive Unconscious. Science. Vol. 237. pp. 1445-1452.

21. McArthur, D., Lewis, M., Bishay, M. (1997). The Roles of Artificial Intelligence in Education: Current Progress and Future Prospects. RAND.

22. Miller, R., Masarie F. (1989). Use of the Quick Medical Reference (QMR) Program as a Tool for Medical Education. Methods of Information in Medicine, 28.

23. Newell, A., Simon, H. A. (1972). Human Problem Solving. Englewood Cliffs, NJ: Prentice-Hall Inc.

24. Papert, S., Harel, I. (1991). Constructionism, Norwood NJ: Ablex Publishing.

25. Patel, V. L., Ramoni, M. F. (1997). Cognitive Models of Directional Inference in Expert Medical Reasoning. In: Feltovich P., Ford K., Hoffman R. (Eds.) Expertise in Context: Human and Machine. AAAI Press, Menlo Park, CA.

26. Puppe, В., Puppe, F., Reinhardt, B. (1997). Diagnostic Training in Cardiology with an Intelligent Tutorial System.

27. Puppe, F., Reinhardt, B. (1997). Generating Case-Oriented Training from Diagnostic Expert Systems.

28. Quinlan, J. R. (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann, San Mateo, CA.

29. Reber, A. S. (1967). Implicit Learning of Artificial Grammars. Journal of Verbal Learning and Verbal Behaviour, 5, pp. 855-863.

30. Reber, A. S., Kassin, S. M., Lewis, S., Cantor, G., (1980). On the Relationship Between Implicit and Explicit Models of Learning a Complex Rule Structure. Journal of Experimental Psychology: Human Lerning and Memory, 6, pp. 492-502.

31. Reinhardt, В., Schewe, S. (1995). A Shell for Intelligent Tutoring Systems. Proceedings of Artificial Intelligence in Education.

32. Schmidt, H. G., Boshuizen P. A. (1990). On Acquiring Expertise in Medicine. Annual Meeting of the American Educational Research Association, Boston, MA.

33. Seger, C. A. (1994). Implicit Learning. Psychological Bulletin, Vol. 115, No.2 pp. 163-196.

34. Self, J. (1990). Theoretical Foundations for Intelligent Tutoring Systems. Journal of Artificial Intelligence in Education. 1(4), pp. 3-14.

35. Shortliffe, E. H. (1976). Computer-based Medical Consultations: MYCIN. New York: American Elsevier.

36. Silverman, B. G., (1985). Expert Intuition and Ill-Structured Problem Solving. IEEE Transactions on Engineering Management, Vol. EM-32, No. 1.

37. Simon, H.A., Chase, W.G. (1973). Skill in chess. American Scientist, 61, 394403.

38. Tversky, A., Kahneman, D. (1983). Extensional Versus Intuitive Reasoning: The Conjunction Fallacy in Probability Judgement. Psychological Review, 90, pp. 293-315.

39. Warner H. (1992). The ILIAD program: an expert computer diagnostic program. Journal of Medical Practice Management:; 8(2).

40. White, В., Y., Frederiksen, J. R. (1986). Progressions of quantitative models as a foundation for intelligent tutoring environments. Technical Report #6277, BBN.

41. Алексеев, В. Б. (1976). О расшифровке некоторых классов монотонных многозначных функций. Ж. вычисл. матем. и матем. физ. , т.16, № 1, с. 189-198.

42. Емеличев, В. А. (1990). Лекции по теории графов. М.: Наука, 382 с.

43. Коробков В. К. (1965). О монотонных функциях алгебры логики. Проблемы кибернетики, М.: Наука, 13, с. 5-29.

44. Кузнецова, В. П., Брук, Э. И. (1997). Тромбоэмболия легочной артерии. Российская государственная медицинская академия постдипломного образования, Москва.

45. Ларичев, О. И. (1994), Структуры экспертных знаний в задачах классификации, Доклады Академии Наук, т. 336, № 6, с. 750-752.

46. Ларичев, О. И., Болотов А. А. (1996), Система ДИФКЛАСС: построение полных и непротиворечивых баз экспертных знаний в задачах дифференциальной диагностики, НТИ, Сер. 2, Информ. процессы и системы, М.: ВИНИТИ, № 9, с. 9-15.

47. Ларичев, О. И., Мечитов А. И., Мошкович Е.М., Фуремс Е.М. (1989), Выявление экспертных знаний. М.: Наука, 128 с.

48. Ларичев, О. И., Мошкович Е.М. (1996), Качественные методы принятия решений. М.: Наука. Физматлит, 207 с.

49. Ларичев, О. И., Нарыжный, Е. В. (1996). Компьютерное обучение экспертным знаниям в задачах классификации. НТИ, Сер. 2, Информ. процессы и системы, М.: ВИНИТИ, № 9.

50. Ларичев, О.И., Нарыжный, Е.В. (1996). Компьютерная система для обучения правилам диагностики тромбоэмболии легочной артерии. Тезисы III Международной конференции «Математика. Компьютер. Образование», М.: РИИС ФИАН.

51. Ларичев, О. И., Нарыжный, Е.В. (1998). Компьютерное обучение экспертным знаниям. Доклады Академии Наук, № 362, т.З.

52. Ларичев, О. И., Нарыжный, Е. В., Асанов, А. А., Страхов С. И. (1998). Экспертная система для диагностики отравлений лекарственными препаратами. КИИ'98: Труды VI национальной конференции с международным участием, Пущино, т.2., с. 386-390.

53. Липский, В. (1988). Комбинаторика для программистов / Пер. с польск. М.: Мир, 213 с.

54. Лорьер, Ж.-Л. (1991). Системы искусственного интеллекта / Пер. с франц. М.: Мир, 566 с.

55. Мечитов, А. И., Фуремс, Е. М. (1990). Новая версия интерактивной системы экспериментального опроса для построения диагностических систем. ВНИИСИ: Сборник трудов, Выпуск 10, М.: ВНИИСИ, с. 3746.

56. Миллер, Г. (1964). Магическое число семь плюс минус два. Инженерная психология. М.: Прогресс, с. 192-225.

57. Нарыжный, Е. В. (1996). Построение оптимальной стратегии запросов к полной базе экспертных знаний. НТИ, Сер. 2, Информ. процессы и системы, М.: ВИНИТИ, № 9, с. 24-27.

58. Нарыжный, Е. В. (1998). Компьютерная обучающая система ОСТЭЛА. КИИ'98: Труды VI национальной конференции с международным участием, Пущино, т.1., с. 49-55.

59. Осипов, Г. С. (1997). Приобретение знаний интеллектуальными системами. М.: Наука. Физматлит. 109 с.

60. Саймон, Г. (1972). Науки об искусственном / Пер. с англ. М.: Мир. 147с.

61. Соколов, Н. А. (1982). Об оптимальной расшифровке монотонных функций алгебры логики. Ж. вычисл. матем. и матем. физ. , т. 22, № 2, с. 449-461.

62. Соколов, Н. А. (1987). Оптимальная расшифровка монотонных булевых функций. Ж. вычисл. матем. и матем. физ. , т. 27, № 12, с. 1878-1887.

63. Финн, В. К. (1991). Интеллектуальные системы: проблемы их развития и социальные последствия. В кн. Будущее искусственного интеллекта, М.: Наука, с. 157-177.

64. Форсайт, Р. (ред.) (1987). Экспертные системы. Принципы работы и примеры. / llep. с англ. М.: Радио и связь, 224 с.

65. Фуремс, Е. М., Гнеденко Л. С. (1996). Система STEPCLASS: построение полных и непротиворечивых баз экспертных знаний в задачах дифференциальной диагностики, НТИ, Сер. 2, Информ. процессы и системы, М.: ВИНИТИ, № 9, с. 16-20.

66. Хейес-Рот, Ф., Уотерман, Д., Ленат, Д. (ред.) (1987). Построение экспертных систем / Пер. с англ. М.: Мир, 441 с.