Формирование зависимости остаточных знаний студентов от их ментальности с помощью нейронных сетей

Автор: Федяев О.И., Грабчук О.П., Елифёров В.В.
Источник: Интеллектуальный анализ информации (ИАИ-2015) / Материалы ХІV международной научной конференции студентов, аспирантов и молодых ученых. — Киев, НТУУ КПИ — 2015. — 258–265 с.

Аннотация

Федяев О.И., Грабчук О.П., Елифёров В.В. — Формирование зависимости остаточных знаний студентов от их ментальности с помощью нейронных сетей. Разработана нейросетевая модель, которая имитирует процесс передачи профессиональных навыков и знаний в зависимости от личностных характеристик студентов. Данная модель на основе приобретённых знаний позволит прогнозировать качество профессиональной подготовки по отдельной дисциплине уже на начальных этапах обучения, что даст возможность анализировать и улучшать образовательный процесс.

Введение

В качестве объекта исследования рассматривается университетская система подготовки профессиональных специалистов [1]. Эта система, состоящая из студентов, преподавателей и среды обучения, характеризуется большой инерционностью. С позиции теории управления в таких системах период времени от внесения возмущения (инновационные изменения в обучении) до получения отклика (выходных параметров, характеризующих показатели качества подготовки) измеряется 4-6 годами обучения студентов в вузе. Поэтому применить методы как натурного [2], так и физического моделирования [3] для исследования эффективности используемых на выпускающей кафедре учебно-педагогических средств не представляется возможным. Более того, если учесть, что образовательный процесс невозможно описать математически точно из-за неоднородности, многопараметричности, интеллектуальности и сложности взаимодействия элементов структуры, то остаётся единственный способ, который можно применить для исследования такого объекта — имитационное моделирование [4]. Для построения модели объекта целесообразно применить нейросетевую методологию как универсальное средство аппроксимации функции, зависящей как от числовых, так и от качественных данных.

Поэтому 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 распределённым 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 её обучения;
• исследовать трудоёмкость настройки модели и адекватность её процессу обучения (в понимании процесса обучения как процесса передачи знаний от преподавателей к студентам).

Постановка задачи анализа подготовки студентов

Рассматривается задача прогнозирования качества профессионального обучения студентов в зависимости от их личностных характеристик и других факторов. Она решается на основе применения нейронных сетей и сводится к разработке нейросетевой модели, способной функционально описать зависимость получаемых студентом профессиональных знаний и умений по одной дисциплине от факторов, влияющих на полноту этих знаний. В свою очередь она разбивается на две подзадачи.

Подзадача 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 :

P=f (Mc, Mп, С),

(1)

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 приобретённый жизненный опыт:

Мc = (m, i, p, s,...),

(2)

где m — ментальность; i — интеллект; p — психология; s — здоровье.

Ментальность преподавателя (Мп) в данном случае определяется факторами, от которых зависит качество передачи знаний от преподавателя к студенту:

Mп = (us, uz, h, v, a,...),

(3)

где us — учёная степень; uz — учёное звание;h — стаж; v — возраст; a — артистизм.

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

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

zc ⊆ Zд ⊆ Z, Pc = zc ∪ uc, Pc ⊆ Pд, uc ⊆ Uд ⊆ U, Pд = Zд ∪ Uд,

(4)

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

Подзадача 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) с помощью построенной модели f :

Pc = f (Mc, Mп, С)

(5)

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

Нейросетевая модель зависимости остаточных знаний студентов от их ментальности

Для построения модели необходимо учесть факторы (личностные характеристики), влияющие на качество усвоения студентом знаний. Были использованы популярные психологические методы их анализа [5].

На наш взгляд, основные факторы, влияющие на усвоение студентом учебного материала, можно систематизировать так, как это показано на рис. 1. Каждый из этих факторов разбивается на несколько показателей, которые можно определить по результатам тестов, опросов и т. д. [5, 6]. Анализ этих факторов позволяет изучить личность обучаемого с разных сторон, выявить наиболее важные ментальные особенности, влияющие на успешность обучения.

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. В табл. 1 представлена данная систематизация.

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

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

Прогноз остаточных знаний по одной конкретно взятой дисциплине для одного студента осуществляется в два этапа. На первом этапе прогнозируется экзаменационная оценка, а на втором этапе, исходя из прогнозируемой оценки, формируется усреднённый набор остаточных знаний и умений, соответствующий данной оценке. 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 такой двухкаскадной модели представлена на рис. 2.

Выходные сигналы второй 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. Они обозначены вектором Y=(y1, y2, ..., yn), где n — количество знаний и умений; yi∈[0,1].

Структура обоих нейросетей относится к классу однородных многослойных персептронов с полными последовательными связями и с сигмоидальной функцией активации. 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 утверждённые критерии оценки и учебную программу дисциплины, которая содержит перечень знаний и умений. Для проверки адекватности нейросетевой модели в качестве среды моделирования искусственных нейронных сетей использовался пакет Neural Network Toolbox, который входит в стандартную поставку MATLAB .

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 данном разделе. 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 утверждённый 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 определённая оценка.

Совместная работа двух обученных нейронных сетей оценивалась на характеристиках ментальности студента с номером 6, который не участвовал в обучении. Моделирование проводилось в соответствии с двухкаскадной схемой на рис. 2. Анализ результата работы первого каскада показал, что значения компонент выходного вектора близки к коду (1,0,0,0). Эта кодировка соответствует экзаменационной оценке «неудовлетворительно», которую в действительности получил этот студент на экзамене.

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

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 рис. 3 совокупность спрогнозированных знаний и умений соответствует оценке «неудовлетворительно».

Выводы

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.

После получения ментального портрета студента был разработан нейроалгоритм построения двухкаскадной нейромодели, имитирующей результат профессионального обучения путём 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

Список использованной литературы

1. Федяев О. И. Нейросетевая модель процесса профессионального обучения молодых специалистов. — В сб. 5-й междунар. науч.-техн. конф. «Открытые семантические технологии проектирования интеллектуальных систем» (OSTIS-2015) (Минск,19-21 февраля 2015 г.). — Минск: БГУИР, 2015. — С. 357–364.
2. Бусленко Н. П. Моделирование сложных систем.— М.: Наука, 1978. — 250 с.
3. Аверченков В. И. и др. Основы математического моделирования технических систем, 2-е изд. — М.: ФЛИНТА, 2011. — 271 с.
4. Шенон Р. Имитационное моделирование систем — искусство и наука: Пер. с англ. — М.: Мир, 1978. — 320 с.
5. Ильин Е. П. Психология творчества, креативности, одарённости. — СПб.: Питер, 2004. — 537 с.
6. Айзенк Г. Новые тесты IQ — М.: Изд-во «ЭСКМО», 2003. — 189 с.