Intellectual Mathematical Support Software and Inner Architecture of LMS MAI CLASS.NET

Дистанционное образование доказало свою эффективность в улучшении условий обучения и преподавания. Одним из главных преимуществ дистанционного обучения является то, что веб-курсы можно получить в любое удобное время и в любом удобном месте. Для внедрения системы электронного обучения требуется не только хорошее и быстрое оборудование, но и использование современных программных технологий и архитектурных решений. В данной статье изложены основные способы формирования архитектуры СДО на основе микросервисного подхода, который позволяет добиться высокой производительности и отказоустойчивости. Отличительной особенностью системы CLASS.NET является наличие специального математического программного комплекса, позволяющего оптимизировать учебные процессы и задачи (формирование контрольных работ для студентов, анализ успеваемости учащихся и уровень их знаний, анализ трудности задач, формирование персональной траектории обучения). Подробно описан процесс взаимодействия основной системы LMS с данным математическим программным комплексом, а также основные способы формирования таких программных комплексов как полностью независимых приложений для их дальнейшей интеграции в других системы обучения. Показана эффективность микросервисной архитектуры с точки зрения масштабирования, производительности и общего поведения в случае критических ошибок, при сравнении ее с другими системами, основанными на классических архитектурных подходах. Рассматривается модель прогнозирования ответа на тестовое задание, входящее в математический программный комплекс.

Ключевые слова

система дистанционного обучения; монолитная архитектура; микросервисная архитектура; адаптивная кривая обучения.

Литература

1. Наумов, А.В. Система дистанционного обучения математическим дисциплинам CLASS.NET / А.В. Наумов, А.С. Джумурат, А.О. Иноземцев // Вестник компьютерных и информационных технологий. - 2014. - Т. 1, № 10. - С. 36-40.
2. Кибзун, А.И. Система дистанционного обучения по математическим дисциплинам в вузе / А.И. Кибзун, С.Н. Каролинская, Р.И. Шаюков // Вестник компьютерных и информационных технологий. - 2006. - Т. 1, № 4. - С. 29-36.
3. Кибзун, А.И. Два алгоритма оценивания уровней сложности тестов / А.И. Кибзун, Е.А. Жарков // Автоматика и телемеханика. - 2017. - Т. 1, № 12. - С. 84-99.
4. Наумов, А.В. О задаче вероятностной оптимизации для ограниченного по времени тестирования / А.В. Наумов, Г.А. Мхитарян // Автоматика и телемеханика. - 2016. - Т. 6, № 9. - C. 124-135.
5. Rui Chen. From Monolith to Microservices: A Dataflow-Driven Approach / Rui Chen, Shanshan Li, Zheng Li // 24th Asia-Pacific Software Engineering Conference (APSEC). - 2017. - P. 466-475.
6. Newman, S. Building Microservices: Designing Fine-Grained Systems / S. Newman. - Sebastopol: O'Reilly Media, 2015.
7. Villamizar, M. Cost Comparison of Running Web Applications in the Cloud Using Monolithic, Microservice, and Aws Lambda Architectures / M. Villamizar // Service Oriented Computing and Applications. - 2017. - V. 11, № 2. - P. 233-247.
8. Richards, M. Microservices vs. Service-Oriented Architecture / M. Richards. - Sebastopol: O'Reilly Media, 2015.
9. Vernon, V. Implementing Domain-Driven Design / V. Vernon - Massachusetts: Addison-Wesley Professional, 2013.
10. Richardson, C. Microservice Patterns / C. Richardson - New York: Manning Publications, 2017.
11. Apache JMeterTM. - URL: https://jmeter.apache.org (дата обращения 18.04.2021).
12. Kumari, S. Performance comparison of SOAP and REST based Web Services for Enterprise Application Integration / S. Kumari, S.K. Rath // International Conference on Advances in Computing, Communications and Informatics (ICACCI). - Bangalore, 2015. - P. 1656-1660.
13. Ueda, T. Workload characterization for microservices / T. Ueda, T. Nakaike, M. Ohara // IEEE International Symposium on Workload Characterization (IISWC). - Rhode Island, 2016. - P. 1-10.
14. XGBoost Homepage. - URL: https://neerc.ifmo.ru/wiki/index.php?title=XGBoost (дата обращения 18.04.2021).
15. Linden, W. Conceptual Issues in Response Time Modeling / W. Linden // Journal of Educational Measurement. - 2009. - T. 46, № 3. - P.247-272.
16. Linden, W. A Bivariate Lognormal Response-Time Model for the Detection of Collusion Between Test Takers / W. Linden // Journal of Educational and Behavioral Statistics. - 2009. - V. 34, № 3. - P. 378-394.
17. Liao, D. Modeling the Speed-Accuracy-Difficulty Interaction in Joint Modeling of Responses and Response Time: Dissertation / D. Liao. - Maryland: University of Maryland, 2018.
18. Rushkin, I. Modelling and Using Response Times in Online Courses / I. Rushkin, I. Chuang, D. Tingley // Journal of Learning Analytics. - 2019. - V. 6, № 3. - P. 76-89.