Rus   Eng
ДонНТУ   Портал магістрів

Реферат за темою випускної роботи

Зміст

Вступ

У роботі розглядаються питання прогнозування та аналізу якості навчання студентів.

Оцінка ефективності процесів підготовки фахівців дуже важлива для аналізу та управління університетом як освітнім середовищем.

Це завдання важко формалізуємо через неоднорідності, інтелектуальності і динамічності взаємодії суб'єктів, тому описати точно поведінку такої системи класичними математичними методами дуже проблематично.

1. Мета і задачі дослідження

Дана робота присвячена вирішенню завдання прогнозування якості професійного навчання студентів в залежності від їх особистісних характеристик і інших чинників. Вона вирішується на основі застосування штучних нейронних мереж і зводиться до розробки нейромережевої моделі, яка здатна функціонально описати залежність одержуваних студентом професійних знань і умінь від особистісних факторів.

2. Структура ментального портрета

До важливих факторів, які впливають на засвоєння студентом навчального матеріалу, можна віднести сукупність індивідуальних психофізіологічних особливостей особистості. Для їх виявлення були використані популярні психологічні методи аналізу особистості:

Всі 6 тестів містили понад 200 завдань, що значно ускладнювало пред'явлення тестів і збільшувало час тестування при великій кількості опитуваних студентів. Щоб прискорити процес тестування особистості, була розроблена система, яка автоматизує опитування студентів і обробку отриманих відповідей на психологічні тести [8].

3. Побудова і дослідження нейромережевої моделі оцінки успішності студентів

3.1 Проектування моделі

Обсяг залишкових знань залежить від ментальності студента і деяких інших чинників, які описані в попередньому розділі. Цей зв'язок математично описати складно. У таких випадках, як уже було зазначено вище, доцільно використовувати нейронну мережу, яка дозволить виявити існуючий зв'язок. Для навчання нейромережі є в розпорядженні наступна об'єктивна інформація:

Нейронна мережа буде навчатися на підставі ментальних портретів групи студентів і їх оцінок.

Дослідження якості нейромережевого прогнозування проводилися на ментальних портретах, в яких не враховувалася креативність і деякі інші фактори. Вхідних сигналів основні ментальні характеристики студентів, які описані в попередньому розділі, і показники відвідуваності студентів. Вхідні сигнали нейромережі утворюють вектор X = (x1, x2, …, x6), компоненти якого описані в табл. 1.

Таблиця 1 – Вхідні параметри нейромережі

Назва вхідного сигналу Код сигналу
Тип мотиваціїx1
Тип темпераментуx2
Рівень інтелекту (IQ)x3
Соціальний інтелектx4
Спеціальні здібностіx5
Відвідуваність студентом навчальних занятьx6

Нейронна мережа на виході формує сигнали, які визначають прогнозну екзаменаційну оцінку. У моделі оцінка закодована бінарним кодом (табл. 2).

Таблиця 2 – Бінарне подання вихідних сигналів

Екзаменаційна оцінка Бінарний код
20 0 0 1
30 0 1 0
40 1 0 0
51 0 0 0

3.2 Побудова моделі

Інструментальним середовищем для створення нейромережевої моделі виступав фреймворк Deep Learning Toolbox для пакета MATLAB [10].

Нейромережева модель прогнозування екзаменаційної оцінки будується на базі нейромережі прямого поширення (Feed forward neural network) [9]. Згідно з дослідженнями [11] для завдання апроксимації функції, досить використовувати 2–3 шари, щоб забезпечити реалізацію будь-якої нелінійної залежності між входом і виходом. У моделі, описаній в даній статті, використовувалися 2 шари нейронів.

3.3 Результати

Було виконано прогнозування оцінки успішності студентів на навчальній множині, що складається з ментальних портретів і екзаменаційних оцінок 60 студентів.

Результати показують, що в області студентів, успішних на оцінку 3, через більшого обсягу навчальних прикладів ймовірність точного прогнозу при 100 перезапуску на навчання досягає значення 0.9, що не можна побачити в інших областях, позначених оцінкою. Даний експеримент наголошує на необхідності в подальшому прагнути збільшити обсяг і поліпшити рівномірність розподілу елементів навчальної вибірки.

Висновки

Виконано постановку задачі прогнозування успішності студентів по їх ментальним портретам.

Розроблено прототип системи побудови ментального портрета студента на основі психофізіологічного тестування особистості.

На підставі результатів психометричного оцінювання особистостей студентів побудовано навчальну множину для настройки нейромережевої моделі. Виконані дослідження показали можливість застосування нейромережевого підходу до вирішення завдання прогнозування успішності студентів і напрямок подальшої роботи щодо поліпшення якості моделі.

При написанні даного реферату магістерська робота ще не завершена. Остаточне завершення: травень 2020 року. Повний текст роботи та матеріали по темі можуть бути отримані у автора або його керівника після зазначеної дати.

Перелік посилань

  1. Калинин А.М., Тарасов В.Г. Использование данных электронного обучения для оценки и прогнозирования результатов. V Международная научно-практическая конференция Электронное обучение в непрерывном образовании, ЭОНО–2018 (Россия, Ульяновск, 18–20 апреля 2018 г.): сборник научных трудов. – Ульяновск: УлГТУ, 2018. – С. 493–501.
  2. Федяев О.И. Нейросетевая модель процесса профессионального обучения молодых специалистов // Открытые семантические технологии проектирования интеллектуальных систем (OSTIS–2015): материалы 5-й межд. научно-техн. конф. (Минск, 19–21 февраля 2015 г.). – Минск: БГУИР, 2015.
  3. Русаков С.В., Русакова О.Л., Посохина К.А. Нейросетевая модель прогнозирования группы риска по успеваемости студентов первого курса // Современные информационные технологии и ИТ–образование, Vol.14, N 4, 2018. – p.815–822.
  4. Федяев, О.И. Формирование зависимости остаточных знаний студентов от их ментальности с помощью нейронных сетей / Федяев О.И., Грабчук О.П., Елифёров В.В. // Труды конференции ИАИ–2015, КПИ, Киев, 2015. – С. 258–265.
  5. Айзенк, Г. Как измерить личность: учеб. пособие / Айзенк Г., Вильсон Г. – М.: Изд-во Когнито–Центр, 2000. – 27 с.
  6. Айзенк Г. Новые тесты IQ – М.: Изд-во ЭСКМО, 2003. – 189 с.
  7. Ильин Е.П. Психология творчества, креативности, одарённости. – СПб.: Питер, 2004. – 537 с.
  8. Гончаров, К.Д. Система построения ментального портрета студента с речевым интерфейсом [Электронный ресурс] / Гончаров К.Д., Федяев О.И. //Информатика, управляющие системы, математическое и компьютерное моделирование в рамках IV форума Инновационные перспективы Донбасса (ИУСМКМ – 2018): IX Международная научно-техническая конференция, 22–24 мая 2018, г. Донецк: / Донец. национал. техн. ун-т. – Донецк: ДонНТУ, 2018. – Режим доступа: http://iuskm.donntu.ru .
  9. Deep Learning: Feedforward Neural Network [Электронный ресурс] – Режим доступа: https://towardsdatascience.com
  10. Deep Learning in MATLAB [Электронный ресурс] – Режим доступа:https://www.mathworks.com
  11. Saurabh Karsoliya Approximating Number of Hidden layer neurons in Multiple Hidden Layer BPNN Architecture. // International Journal of Engineering Trends and Technology, Vol.3, N 6, 2012. – p.714–717.
  12. Бэстенс Д. Э., Ванн ден Берг В. М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. – М.: ТВП, 1997. – 236 с.