Статья

Название статьи ПРОГНОЗИРОВАНИЕ ОСТАТОЧНЫХ ЗНАНИЙ СТУДЕНТОВ ПО ОТДЕЛЬНЫМ ДИСЦИПЛИНАМ С ПОМОЩЬЮ НЕЙРОННЫХ СЕТЕЙ
Автор О.И. Федяев
Рубрика РАЗДЕЛ III. МЕТОДЫ АДАПТАЦИИ И НЕЙРОСЕТЕВЫЕ АЛГОРИТМЫ
Месяц, год 07, 2016
Индекс УДК УДК 004.853
DOI DOI 10.18522/2311-3103-2016-7-122136
Аннотация Научная работа посвящена разработке нейросетевой модели процесса обучения студентов для агентной системы моделирования рынка труда. Эта модель позволит имитировать процесс передачи профессиональных навыков и знаний по отдельным дисциплинам в зависимости от личностных характеристик студентов. Система моделирования на осно-ве искусственных агентов позволит анализировать процесс подготовки молодых специалистов и прогнозировать возможность их дальнейшего трудоустройства. Целью данной работы является разработка нейросетевой модели, способной функционально описать зависимость получаемых студентом профессиональных знаний и умений от факторов, влияющих на полноту этих знаний. Основной функцией процесса обучения студентов как системы является передача профессиональных знаний и выработка умений у будущих специалистов решать определённые производственные задачи. Процесс обучения является трудно формализуемым и поэтому не может быть описан известными математическими методами. Кроме того, участники рассматриваемого процесса территориально удалены друг от друга, неоднородны по структуре и их деятельность интеллектуальна по своей природе. Эти особенности обуславливают целесообразность применения теории интеллектуальных агентов к разработке имитационной модели для анализа процесса подготовки кадров. Были разработаны методики определения ментальных и психофизиологических особенностей студента. Эти методики в совокупности образуют систему, которая определяет ментальный портрет студента. Разрабатываемая модель процесса обучения должна формировать на выходе остаточные знания студента по отдельной дисциплине, с которыми он выходит на рынок труда. Остаточные знания зависят от ментальности студента и других факторов. Эта связь трудно формализуема. В таких случаях целесообразно использовать нейронную сеть, которая позволит выявить существующую связь путем её обучения. Прогноз остаточных знаний по одной конкретно взятой дисциплине для одного студента осуществляется в два этапа. На первом этапе прогнозируется экзаменационная оценка на основании ментальности обучаемого. На втором этапе, исходя из прогнозируемой оценки, формируется усреднённый набор остаточных знаний и умений, соответствующий данной оценке. Каждый из этих этапов невозможно формализовать математически, поэтому были использованы две нейросети. Первая нейронная сеть будет обучаться на основании ментальных портретов группы студентов и экзаменационной ведомости. Вторая нейросеть – на основании критериев оценки и учебной программы дисциплины, в которой содержится перечень знаний и умений. В качестве среды моделирования искусственных нейронных сетей использовался пакет Neural Network Toolbox, который входит в стандартную поставку MATLAB. Предварительные результаты исследования на про-граммных моделях показали правильность предложенных идей по решению поставленной задачи. На основе данной модели обучения будут разработаны искусственные программные агенты, которые в комплексе будут моделировать динамику процессов обучения группы студентов и их трудоустройство. Новизна работы заключается в новом подходе к нейросетевому описанию трудно формализуемого процесса профессионального обучения молодых специалистов, основанном на моделировании процесса передачи профессиональных навыков и знаний в зависимости от личностных характеристик студентов. Он включает построение ментального портрета студента и разработку нейронного алгоритма обучения двух каскадов нейронной модели, которая прогнозирует остаточные знания и навыки у студента по отдельным дисциплинам. Прогнозирование компетенций дает возможность в дальнейшем оценивать востребованность каждого студента на рынке труда.

Скачать в PDF

Ключевые слова Модель обучения; профессиональные знания; ментальность студента; нейронная сеть.
Библиографический список 1. Тельнов Ю.Ф., Данилов А.В., Казаков В.А. Применение многоагентной технологии для решения образовательных задач в информационно-образовательном пространстве // Инжиниринг предприятий и управление знаниями: Сб. науч. тр. 18-й научно-практической конференции (ИПи УЗ-2015, 21-24 апреля 2015 г., Москва, МЭСИ). – М.: МЭСИ, 2015. – С. 451-457.
2. Федяев О.И. Многоагентная модель процесса обучения студентов на кафедральном уровне // Наукові праці Донецького національного технічного університету. Серія "Про-блеми моделювання та автоматизації проектування динамічних систем". Вип. 5 (116). – Донецьк: ДонНТУ, 2006. – С. 105-116.
3. Трембач В.М. Интеллектуальная обучающая система с адаптацией индивидуальной тра-ектории обучения // Труды 15-й Национальной конференции по искусственному интел-лекту с международным участием (КИИ-2016) (3-9 октября 2016 г., Смоленск, Россия): Труды конференции. Т. 3. – Смоленск: Изд-во Универсум, 2016. – С. 203-211.
4. Федяев О.И., Лукина Ю.Ю., Стропалов А.С. Анализ и прогнозирование процесса трудо-устройства молодых специалистов с помощью мультиагентной имитационной модели // Труды конференции ИАИ-2013, КПИ. – Киев, 2013. – С. 47-53.
5. Мутовкина Н.Ю., Палюх Б.В., Клюшин А.Ю. Нечеткая оценка конкурентоспособности выпускников высших учебных заведений // Труды 15-й Национальной конференции по искусственному интеллекту с международным участием (КИИ-2016) (3-9 октября 2016 г., Смоленск, Россия). Т. 3. – Смоленск: Изд-во Универсум, 2016. – С. 123-130.
6. Федяев О.И., Жабская Т.Е. Проектирование виртуальной кафедры университета на ос-нове многомодельного агентно-ориентированного подхода // Искусственный интеллект. – 2010. – № 3. – С. 679-686.
7. Zhabska Tetiana, Fedyaev Oleg. The development of agent-based intellectual e-learning envi-ronment // Proceedings of the IADIS International conference Intelligent systems and agents 2011 Rome, Italy July 24-26, 2011. – P. 143-147.
8. Закирова Э.И. Управление образовательными системами с использованием мультиагентных технологий // Наука и образование. Научное издание МГТУ им. Н.Э. Баумана. – 2013. – № 9. – С. 373-390.
9. Янковская А.Е., Шурыгин Ю.А., Ямшанов А.В., Кривдюк Н.М. Определение уровня усво-енных знаний по обучающему курсу, представленному семантической сетью // Труды 5-й конференции "Открытые семантические технологии проектирования интеллектуальных систем" (OSTIS-2015) (19-21 февраля 2015, Минск). – Минск.: БГУИР, 2015. – С. 331-338.
10. Шеркунов В.В. Онтологический подход к анализу компетенций выпускников вузов // Труды 5-й конференции "Открытые семантические технологии проектирования интел-лектуальных систем" (OSTIS-2015) (19-21 февраля 2015, Минск). – Минск: БГУИР, 2015. – С. 351-356.
11. Власов А.А., Нехаев И.Н. Интеллектуальная система адаптивного тестирования уровня усвоения знаний // Двенадцатая национальная конференция по искусственному интеллекту с международным участием «КИИ-2010» (20–24 сентября 2010 г., г. Тверь, Россия): Труды конференции. Т. 3. – М.: Физматлит, 2010. – С. 257-263.
12. Данилов А.Н., Лобов Н.В., Столбов В.Ю., Столбова И.Д. Компетентностная модель выпускника: опыт проектирования // Высшее образование сегодня. – 2013. – № 6. – С. 25-33.
13. Гитман М.Б., Данилов А.Н., Столбов В.Ю. Об одном подходе к контролю уровня сфор-мированности базовых компетенций выпускников вуза // Высшее образование в России. – 2012. – № 4. – С. 13-18.
14. Ильин Е.П. Психология творчества, креативности, одарённости. – СПб.: Питер, 2004. – 537 с.
15. Айзенк Г. Новые тесты IQ. – М.: Изд-во "ЭСКМО", 2003. – 189 с.
16. Дейнека А.В. и др. Современные тенденции в управлении персоналом: учеб. пособие.
– М.: Изд-во "Академия естествознания", 2009. – 294 с.
17. Круглов В.В. и др. Нечётка логика и искусственные нейронные сети. – М.: Физматлит, 2001. – 224 с.
18. Кольцов Ю.В. Добровольская Н.Ю.Нейросетевые модели в адаптивном компьютерном обучении // Educational Technology & Society. – 2002. – № 5 (2). http://ifets.ieee.org/russian/ periodical/V_52_2002EE.html.
19. Дьяченко С.А. Использование нейронных сетей при изучении процесса приспособляе-мости студенчества к вузовскому обучению // Нейросетевые технологии и их применение: Сборник трудов международной научной конференции «Нейросетевые технологии и их применение 2002-2003». – Краматорск: ДГМА, 2003. – С. 67-70.
20. Дьяконов В. и др. Математические пакеты расширения MATLAB. Специальный спра-вочник. – СПб.: Питер, 2001. – 268 с.
21. Ивашкин Ю.А. Агентные технологии и мультиагентное моделирование: учеб. пособие. – М.: МФТИ, 2013. – 268 с.

Comments are closed.