НЕЙРОСЕТЕВАЯ МОДЕЛЬ ПРОЦЕССА ПРОФЕССИОНАЛЬНОГО ОБУЧЕНИЯ МОЛОДЫХ СПЕЦИАЛИСТОВ

Аннотация

Научная работа посвящена разработке нейросетевой модели процесса обучения студентов для агентной системы моделирования рынка труда. Эта модель имитирует процесс передачи профессиональных навыков и знаний в зависимости от личностных характеристик студентов. Система моделирования на основе искусственных агентов позволит анализировать процесс подготовки молодых специалистов и прогнозировать возможность их дальнейшего трудоустройства.

Ключевые слова: модель обучения; профессиональные знания; ментальность студента; нейронная сеть.

Введение

Рассматривается задача построения модели процесса профессионального обучения для агентной системы моделирования рынка труда, которая позволит анализировать процесс подготовки молодых специалистов, а также прогнозировать возможность их дальнейшего трудоустройства.

Сам процесс обучения, как объект исследования, является динамическим и характеризуется большой инерционностью. Последствия изменения одного из факторов можно узнать только по окончанию обучения студентов. Поэтому актуальной как в экономическом, так и в социальном плане, является разработка моделей, позволяющих оптимизировать затраты на образование и прогнозировать результаты инновационных преобразований в подготовке кадров. Однако формально (математически) описать процесс обучения не представляется возможным. В этом случае целесообразно разрабатывать имитационные модели на основе нейронных сетей, которые могут обеспечить проведение необходимых исследований по этой проблеме [Федяев и др., 2013].

Целью данной работы является разработка нейросетевой модели, способной функционально описать зависимость получаемых студентом профессиональных знаний и умений от факторов, влияющих на полноту этих знаний. Для достижения этой цели необходимо решить следующие задачи:

• рассмотреть процесс обучения студентов университета как систему с распределенным интеллектом;
• определить внешние и внутренние факторы, влияющие на качество усваивания знаний и навыков;
• разработать методику определения ментальных и психофизиологических особенностей преподавателей и студентов;
• разработать структуру нейросетевой модели и алгоритм ее обучения;
• исследовать трудоемкость настройки модели и адекватность ее процессу обучения.

Система профессионального обучения как объект моделирования

Высшее учебное заведение, как центр подготовки квалифицированных специалистов, представляет собой распределенную систему, субъектами которой являются преподаватели и студенты, взаимодействующие в предоставленной ВУЗом учебной среде, оснащенной соответствующим оборудованием. Качество подготовки в основном зависит от следующих факторов:

• профессионализма преподавателей;
• подготовленности абитуриентов и системы их отбора;
• среды обучения (материально-технической базы ВУЗа);
• стандартов образования (учебные планы и т. п.);
• системы повышения квалификации преподавателей;
• организационной структуры управления образованием и трудоустройством.

Объектно-ориентированный анализ процесса подготовки молодых специалистов показал, что его субъекты взаимосвязаны, образуют распределенную, неоднородную и интеллектуальную систему. Поэтому разработка имитационной модели такой системы, которая будет использована для анализа и прогнозирования образовательных процессов, может быть успешно выполнена на основе методов агентноориентированного моделирования [Федяев и др. 2006], [Zhabska et al., 2011].

Основной функцией процесса обучения студентов как системы является передача профессиональных знаний и выработка умений у будущих специалистов решать определенные производственные задачи. Данная функция реализуется определенной совокупностью образовательных процессов: лекционные и практические занятия, производственная практика.

С позиции системного анализа [Федяев и др., 2010] процесс профессиональной подготовки специалистов реализуется сложной распределенной системой, которая состоит из автономных, взаимосвязанных, целенаправленно функционирующих элементов и находится во взаимодействии с внешней средой. Системный анализ предполагает рассмотрение функционирования системы во времени и пространстве с целью выделения основных характеристик и параметров как самой системы, так и составляющих ее процессов.

1.1. Постановка задачи анализа подготовки студентов

• организация эффективного учебного процесса подготовки кадров по профессиям в соответствии с учебными планами (ВУЗ);
• определение качественных стандартов и учебных планов подготовки кадров (министерство науки и образования, учебное заведение);
• подбор необходимых кадров для решения производственных задач (фирмы);
• поиск специалистами работы на фирме (предприятии), соответствующей полученной квалификации и удовлетворяющей социальным запросам претендентов на работу.

В системе подготовки и трудоустройства молодых специалистов можно выделить следующие элементы: молодые специалисты, учебное заведение, министерство образования и фирмы (предприятия). Перечисленные элементы системы неоднородны по своей структуре, территориально распределены и обладают сложной функциональностью. Все вместе они образуют распределенную систему, в рамках которой можно решить следующие задачи:

Перечисленные задачи являются трудно формализуемыми и поэтому не могут быть решены традиционными 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 (рисунок 2).

На макроуровне расположены искусственные агенты, моделирующие в рамках ограниченной рациональности функции министерства образования, учебного заведения и предприятий (фирм). Микроуровень содержит сообщества агентов, реализующих диалог студентов с работодателями и учебным заведением.

Задача 1. Настройка модели по данным наблюдений. Это обратная задача, связанная с нахождением параметров модели, т. е. с построением функции f по наблюдаемым данным Mc , Мп , С и Рс :



где Мс – ментальность студента; Мп – ментальность преподавателя; С – среда обучения; Рс – профессионализм студента по одной изучаемой дисциплине.

Ментальность студента (Мс) определяется элементами, которые характеризуют его воспитательный аспект и приобретeнный жизненный опыт:



Рисунок 2 – Общая структура агентно-ориентированной модели процесса подготовки молодых специалистов

Мc= (m, i,p, s...), (2)

где us – учeная степень; uz – учeное звание; h – стаж; v – возраст; a – артистизм.

Среда обучения (С) характеризуется состоянием учебно-методического и технического обеспечения учебного процесса, а также уровнем организации обучения студентов.

Профессионализм студента по одной изучаемой дисциплине (Рс) определяется объeмом знаний (zc) и умений (uc), которые он получает в процессе изучения данной дисциплины:



где Zд – объeм знаний, определяемый учебной программой дисциплины, которая читается на кафедре; Z – объeм знаний по данному профессиональному направлению, определяемый современным состоянием науки и техники;

Задача 2. Формирование знаний и умений по ментальности участников образовательного процесса. Данная задача состоит в явном нахождении профессионализма студента (Рс), т. е. его знаний и умений, после изучения конкретной дисциплины по замеренным данным о ментальности студента (Мс) и преподавателя (Мп) по построенной модели f: Pc=f(Mc,Mn,C)

Эта задача относится к классу прогнозных задач. С еe помощью можно исследовать влияние различных параметров (содержание учебной программы, контингента студентов и т. д.) на качество образования в конкретном университете.

Факторы влияния на качество усвоения студентами знаний

Для построения модели агента «Студент» необходимо учесть все факторы, влияющие на студента в той или иной степени, а также определить степень их влияния. Так как каждый отдельный студент является, прежде всего, личностью, то и анализировать необходимо его личностные характеристики.

Были проанализированы все факторы, влияющие на ментальный портрет студента. Были использованы популярные психологические методы их анализа [Ильин, 2004]. В результате для всестороннего анализа личности были выделены следующие типы факторов: мотивация студента к учeбе, интеллектуальные способности студента, психологические особенности студента, физические факторы, влияющие на обучение. Каждый из этих типов разбивается на несколько показателей, которые можно определить по результатам тестов, опросов и т. д. [Айзенк, 2003].

На наш взгляд, факторы, влияющие на усвоение студентом учебного материала, можно систематизировать так, как это показано на рисунке 3. Анализ этих факторов позволит изучить личность обучаемого с разных сторон, выявить наиболее важные ментальные особенности, влияющие на успешность обучения [Дейнека, 2009].

Были разработаны методики определения ментальных и психофизиологических особенностей студента. Результаты по оценке каждого из вышеперечисленных параметров могут быть систематизированы и стандартизованы. Эти методики в совокупности образуют систему, которая определяет ментальный портрет студента.

После прохождения всех опросов и тестов будет определен многопрофильный портрет студента, который можно будет использовать при разработке модели передачи знаний.

3. Нейросетевая модель зависимости остаточных знаний студентов от их ментальности

Процесс обучения студентов заключается в передаче знаний и навыков от преподавателей. Качество обучения фиксируется в экзаменационной ведомости. Разрабатываемая модель процесса обучения должна формировать на выходе остаточные знания студента по отдельной дисциплине, с которыми он выходит на рынок труда. По ним работодатели решают вопрос о трудоустройстве кандидатов на вакантные должности.

Остаточные знания зависят от ментальности студента и других факторов, которые описаны в предыдущем разделе. Эта связь трудно формализуема, т. е. математически описать еe сложно. В таких случаях, как уже было указано выше, целесообразно использовать нейронную сеть [Круглов, 2001], которая позволит выявить существующую связь путем еe обучения. Для обучения нейросети имеется в распоряжении следующая объективная информация:

• психологический портрет, характеризующий ментальность студента;
• учебная программа дисциплины;
• критерии оценки знаний;
• экзаменационная ведомость, отображающая успешность обучения студентов.

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 усредненный набор остаточных знаний и умений, соответствующий данной оценке.



Рисунок 2 – Схема нейромодели профессионального обучения студентов на примере одной дисциплины

Каждый из этих этапов невозможно формализовать математически, поэтому будут 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. Схема описанной двухкаскадной модели представлена на рисунке 2.

Нейроалгоритм моделирования зависимости экзаменационной оценки от личностных характеристик студента реализуется первой нейросетью. Входными сигналами первой нейросети являются ментальные характеристики студентов, полученные в процессе их тестирования (таблица 1). Входные сигналы образуют вектор Х=(x1, x2, ..., x10).

На выходе нейросеть должна формировать сигналы, определяющие прогнозную экзаменационную оценку, соответствующую студенту с определенной ментальностью, которая подается на ее вход. Оценка выставляется по пятибальной шкале.

Нейросетевая модель формирования экзаменационной оценки строиться на базе многослойного персептрона с нелинейной функцией активации. Достаточно использовать 2-3 слоя, чтобы обеспечить реализацию любой нелинейной зависимости между выходом и входом.

Вторая нейросеть реализует нейроалгоритм моделирования зависимости остаточных знаний студента по дисциплине от полученной экзаменационной оценки. Входные сигналы второй нейросети представляют собой экзаменационную оценку, полученную с выхода первой нейросети.

Выходные сигналы нейросети образуют вектор, компоненты которого фиксируют наличие или отсутствие соответствующего остаточного знания или умения. Размер вектора определяется суммарным количеством знаний и умений, предусмотренных учебной программой дисциплины.

Структура у обоих нейросетей относится к классу однородных многослойных персептронов с полными последовательными связями и с сигмоидальной функцией активации [Круглов, 2001]. Обучение нейросетей проводилось по стратегии обучение с учителем по алгоритму обратного распространения ошибки. Обучающее множество для второй нейросети составляет преподаватель-профессионал (эксперт) по своей дисциплине, используя утвержденные критерии оценки и учебную программу дисциплины, которая содержит перечень знаний и умений.

4. Обучение и анализ адекватности нейросетевых моделей

В качестве среды моделирования искусственных нейронных сетей использовался пакет Neural Network Toolbox, который входит в стандартную поставку MATLAB [Дьяконов, 2001]. Пакет Neural Network Toolbox обеспечивает всестороннюю поддержку типовых нейросетевых парадигм и имеет открытую модульную архитектуру.

Пакет содержит функции командной строки и графический интерфейс пользователя для быстрого пошагового создания различных программных моделей нейросетей [Круглов, 2001]

При построении обучающего множества для первой нейросети были выбраны 6 студентов, прослушавших учебный курс Интеллектуальные системы в экономике и уже получивших экзаменационные оценки. Студенты для тестирования были выбраны таким образом, чтобы в обучающем множестве были представлены все экзаменационные оценки.

Эти студенты были протестированы согласно методике, изложенной в разделе 2.

Для обучающего множества были взяты данные первых пяти студентов. Результаты же студента под номером 6 будут использованы для проверки обученной нейросети.

Обучающее множество для второй нейросети должен готовить преподаватель, который читает студентам учебную дисциплину. Из учебной программы (а это утвержденный нормативный документ) был взят список знаний и умений, которыми должен овладеть студент по данной дисциплине, и для него преподавателем сформирована таблица, показывающая, за какие знания и навыки ставится определенная оценка.

По аналогии с предыдущей нейромоделью была построена модель второй трехслойной нейросети с количеством нейронов в слоях: 4-20-35. Входные сигналы нейросети – это вектор оценок, а выходные – вектор усредненных знаний и навыков.

Спрогнозированная оценка с выхода первой нейросети подавалась на вход второй нейросети, которая формировала результирующий вектор Y остаточных знаний и умений этого студента (рисунок 7).

Значения компонент вектора Y можно трактовать как степени уверенности в том, что у данного студента сохраняются в его памяти соответствующие знания и умения (конечно, относительно используемых обучающих множеств). Если сопоставить полученный результат с критериями оценки по учебной дисциплине «Интеллектуальные системы в экономике», то представленная на рисунке 7 совокупность спрогнозированных знаний и умений соответствует оценке неудовлетворительно.



Рисунок 3 – Прогнозные остаточные знания и навыки для шестого студента по рассмотренной учебной дисциплине

Заключение

Предложен подход к нейросетевому моделированию трудно формализуемого процесса профессионального обучения молодых специалистов, основанный на имитации процесса передачи профессиональных навыков и знаний в зависимости от личностных характеристик студентов.

Установлены внешние и внутренние факторы, влияющие на успеваемость студентов и качество усваивания знаний и навыков. Особое внимание было уделено студенту как личности и его месту в процессе обучения. Исходя из этого, была разработана специальная методика, позволяющая анализировать психологические, эмоциональные, природные и физические способности студента. Методика была основана на классических психологических подходах, обладающих универсальностью, а также сравнительной легкостью для их реального применения.

После получения ментального портрета студента был разработан нейроалгоритм построения двухкаскадной нейромодели, имитирующей результат профессионального обучения путем выявления остаточных знаний и навыков студента, которые будут использованы на рынке труда.

Предварительные результаты исследования на программных моделях показали правильность предложенных идей по решению поставленной задачи.

На основе данной модели обучения будут разработаны искусственные программные агенты [Ивашкин, 2013], которые в комплексе будут моделировать динамику процессов обучения группы студентов и их трудоустройство.

Библиографический список

1. Федяев О.И. Анализ и прогнозирование процесса трудоустройства молодых специалистов с помощью мультиагентной имитационной модели / Федяев О.И., Лукина Ю.Ю., Стропалов А.С. // Труды конференции ИАИ-2013, КПИ, Киев, 2013. - С. 47-53.

2. Федяев О.И. Многоагентная модель процесса обучения студентов на кафедральном уровне // Наукові праці Донецького національного технічного університету. Серія "Проблеми моделювання та автоматизації проектування динамічних систем". Випуск 5 (116). – Донецьк: ДонНТУ, 2006. – С. 105-116.

3. Tetiana Zhabska, Oleg Fedyaev. The development of agent-based intellectual e-learning environment // Proceedings of the IADIS International conference Intelligent systems and agents 2011 Rome, Italy July 24-26, 2011/ Pages 143-147.

4. Федяев О.И. Проектирование виртуальной кафедры университета на основе многомодельного агентноориентированного подхода / Федяев О.И., Жабская Т.Е. // Искусственный интеллект. – 2010, №3. – С. 679-686.

5. Психология творчества, креативности, одаренности / Ильин Е.П. ; – СПб.: Питер, 2004. -537 с.

6. Новые тесты IQ / Айзенк Г. ; – М.: Изд-во "ЭСКМО" , 2003. – 189 с.

7. Современные тенденции в управлении персоналом. Учебное пособие / Дейнека А.В. [и др.]; – М.: Издво "Академия естествознания", 2009. – 294 с.

8. Нечетка логика и искусственные нейронные сети / Круглов В.В. [и др.]; – М.: Физматлит, 2001. – 224 с.

9. Математические пакеты расширения MATLAB. Специальный справочник / Дьяконов В. [и др.]; – СПб.: Питер, 2001. 268 с.

10. Агентные технологии и мультиагентное моделирование: учебное пособие / Ивашкин Ю.А. – М.: МФТИ, 2013. -268 с.